跳轉到

JSON

Il modulo JSON integra quattro strumenti principali di elaborazione JSON progettati per scenari di ispezione visiva industriale, con l'obiettivo di migliorare l'efficienza delle operazioni di pulizia, conversione e analisi dei dataset.


1. Classificazione dei Difetti (qx_class)

Descrizione: Il sistema scansiona automaticamente tutti i file di annotazione JSON nella directory specificata e li ordina in modo intelligente in base ai valori del loro campo interno "label".

  • Logica di classificazione:

    • File single-class, memorizzati in una cartella con il nome del difetto: immagini contenenti un solo tipo di difetto.
    • File multi_class misti: immagini contenenti due o più tipi di difetto.
    • File Null_Pictures: file che non contengono tag label.

    class2.png

  • Configurazione del percorso:

    • Output predefinito: D:\ToolsetCatalog\缺陷分类\qx_class_output

    class1.png

    • Personalizzato: gli utenti possono selezionare manualmente il percorso di output di base tramite l'interfaccia.

Casi d'Uso

Utilizzato per estrarre rapidamente i campioni di un difetto specifico (ad esempio "graffi"), oppure per rimuovere dati vuoti con annotazioni incomplete.


2. YOLO TXT → JSON

Descrizione: Converte i file di label .txt in formato YOLO nel formato standard .json.

  • Caratteristiche della conversione:
    • Abbina automaticamente la risoluzione dell'immagine.
    • Supporta il ripristino delle coordinate sia per OBB (rotated box) sia per i box regolari.
    • Preserva la corrispondenza originale tra gli indici di classe e i nomi delle label.

3. Generazione in Batch di JSON Vuoti

Descrizione: Nell'addestramento di deep learning, per ridurre il tasso di falsi positivi (FP), è solitamente necessario aggiungere una certa proporzione di "negative samples" (immagini OK).

  • Flusso di lavoro:
    1. Seleziona una cartella contenente "immagini pure" (immagini senza difetti).
    2. Il sistema genera un corrispondente file "empty JSON" per ciascuna immagine.
  • Scopo: Ottiene un effetto di bilanciamento tra campioni positivi e negativi, sopprimendo efficacemente i falsi giudizi del modello causati dal rumore di fondo.

4. Visualizzazione e Analisi del Dataset

fx.png

Descrizione: Fornisce un report interattivo e completamente automatizzato per la valutazione della qualità del dataset.

📊 Report di Analisi Automatica

Dopo aver selezionato la directory del dataset e cliccato sul pulsante [Analyze], il sistema genera in tempo reale una dashboard contenente quanto segue:

  • Un grafico a torta della distribuzione dei file / del conteggio per classe.
  • Una tabella dei conteggi di file / difetti.
  • Un report di analisi testuale del dataset.

🛠️ Operazioni di Pulizia in Tempo Reale

Al termine dell'analisi, nell'interfaccia è supportata l'elaborazione immediata dei dati:

  • Remove: elimina rapidamente tutti i file (immagini + JSON) contenenti un tipo specifico di difetto.
  • Delete Boxes: elimina solo i box di un tipo specifico di difetto, mantenendo i file originali e la directory senza rimozione fisica.

Nota

La prima operazione, Remove, è un'operazione di spostamento; per impostazione predefinita i file vengono spostati in D:\ToolsetCatalog\数据可视化.