跳轉到

Elaborazione Immagini

Il modulo Image Processing è progettato specificamente per il preprocessing di immagini industriali e il restructuring del dataset. Supporta trasformazioni sincronizzate di immagini e label JSON, garantendo la coerenza dei dati.


1. Conversione di Formato

Descrizione: Supporta la conversione tra i formati BMP e PNG comunemente utilizzati dalle camere industriali.

  • Caratteristiche principali:
    • Aggiornamento sincronizzato del nome: dopo la conversione del formato, il sistema modifica automaticamente il nome del file immagine corrispondente nel JSON, garantendo che il campo interno imagePath corrisponda esattamente al nome del file su disco.
    • Prevenzione degli errori: risolve efficacemente il problema delle "immagini che non possono essere abbinate ai loro file JSON" causato dalla ridenominazione manuale dei file.

2. Suddivisione delle Immagini

Descrizione: Per immagini a risoluzione ultra-elevata (come quelle catturate da camere line-scan), supporta la loro suddivisione in più immagini più piccole.

  • Punti chiave:
    • Elaborazione sincronizzata: quando un'immagine viene suddivisa, il sistema ricalcola e taglia automaticamente tutti i box marcati all'interno del JSON.
    • Configurazione flessibile: è supportato un numero personalizzato di righe e colonne per la suddivisione.

3. Ridimensionamento in Pixel

Descrizione: Ridimensiona in batch le immagini per accelerare l'addestramento del modello.

  • Allineamento intelligente: per adattarsi all'input del BackBone di modelli di deep learning come YOLO, il sistema allinea automaticamente la dimensione personalizzata a un multiplo di 32.
  • Ricalcolo: dopo il ridimensionamento, tutti i punti delle coordinate all'interno del JSON vengono automaticamente traslati e scalati proporzionalmente.

Raccomandazione per il Backup del Dataset

Anche se la riduzione della dimensione delle immagini può tagliare significativamente il tempo di addestramento, conserva sempre le immagini originali di grandi dimensioni durante l'archiviazione e il backup, così che l'algoritmo possa essere ottimizzato in seguito.


4. Ritaglio Auto-Contorno

Descrizione: Per scene industriali con sfondo fisso, identifica automaticamente il contorno del materiale ed esegue un ritaglio che segue il contorno.

  • Fattore di padding: l'utente può definire la distanza riservata (Padding) tra il bordo del materiale e il bordo dell'immagine, impedendo che il ritaglio sia troppo stretto e provochi la perdita di informazioni ai bordi.
  • Casi d'uso: rimuove il rumore di fondo così che il modello possa concentrarsi sui difetti del materiale stesso.

5. Ritaglio del Dataset

Descrizione: Utilizzato per rimuovere regioni di interferenza irrilevanti dal fotogramma e mantenere solo una specifica ROI (region of interest).

sjj_cj.png

Come si usa:

  1. Clicca su [Import Single Image].

  2. Disegna un rettangolo con il mouse nella finestra di anteprima (l'area all'interno del rettangolo è la regione da mantenere).

  3. Dopo aver confermato cosa mantenere, clicca su [Batch Crop].

Scenario Tipico

Quando alcuni difetti appaiono solo in posizioni specifiche del prodotto (come il centro o il bordo), questa funzionalità può rimuovere efficacemente le interferenze circostanti e migliorare l'accuratezza del modello.


6. Metadata Cleaner

Descrizione: Pulisce in profondità i metadati ridondanti all'interno dei file JSON.

  • Principali target di pulizia:
    • imageData: i dati raw Base64 generati da Labelme (questi dati rendono il file JSON estremamente grande e consumano molta memoria).
    • flags: gruppi di flag inutili.
    • Altri metadati personalizzati.

Consiglio dallo Sviluppatore

Se stai ancora utilizzando Labelme per le annotazioni, si consiglia di migrare ad ATSVisionOps il prima possibile, per un'esperienza di annotazione più leggera ed efficiente.