跳轉到

八、 影像處理

影像處理 模組專門用於工業影象的預處理與資料集重構,支援影象與 JSON 標籤的同步變換,確保資料的一致性。


1. 格式轉化 (Format Conversion)

功能說明: 支援工業相機常用的 BMP 與 PNG 格式互轉。

  • 核心特性:
    • 名稱同步更新:轉換格式後,系統會自動修改JSON對應的影像檔名稱,確保內部的 imagePath 欄位與硬碟上的檔名完全一致。
    • 防錯機制:有效解決因手動修改檔名導致的“影像與 JSON 無法匹配”問題。

2. 影像拆分 (Image Splitting)

功能說明: 針對超大解析度影像(如線陣相機拍攝的影象),支援將其拆分為多個小圖。

  • 操作要點:
    • 同步處理:拆分影像的同時,系統會自動重算並切割 JSON 內部的所有標記框。
    • 靈活配置:支援自定義拆分的行數與列數。

3. 畫素裁剪 (Pixel Resizing)

功能說明: 批次縮放影像尺寸,以加速模型訓練。

  • 智慧對齊:為了適配 YOLO 等深度學習模型的 BackBone 輸入,系統會將自定義尺寸自動對齊為 32 的倍數。
  • 重計算:縮放後,JSON 內部的所有座標點會按比例自動平移和縮放。

資料集備份建議

雖然縮小影像能顯著減少訓練時間,但歸檔備份時務必保留原始大圖資料,以便後續演算法最佳化。


4. 貼邊裁剪 (Auto-Contour Crop)

功能說明: 針對固定背景的工業場景,自動識別物料輪廓並進行貼邊裁剪。

  • 邊距係數:使用者可定義物料邊緣與影像邊界的預留距離(Padding),防止裁剪過於死板導致邊緣資訊丟失。
  • 應用場景:去除背景噪聲,使模型更專注於物料本身的缺陷。

5. 資料集裁剪 (Dataset Cropping)

功能說明: 用於剔除畫面中無關的干擾區域,僅保留特定的 ROI(感興趣區域)。

sjj_cj.png

使用方法:

  1. 點選 [匯入單圖]。

  2. 在預覽視窗中用滑鼠畫出矩形框(框內為保留區域)。

  3. 確定保留內容後,點選 [批次裁剪]。

典型場景

當某些缺陷只在產品特定位置(如中心或邊緣)出現時,使用該功能可有效去除周邊干擾,提升模型精度。


6. 資訊清除 (Metadata Cleaner)

功能說明: 深度清理 JSON 檔案中的冗餘後設資料。

  • 主要清理物件:
    • imageData:Labelme 生成的 Base64 原始資料(該資料會導致 JSON 檔案體積巨大,嚴重佔用記憶體)。
    • flags:無用的標記組。
    • 其他自定義後設資料。

來自開發者的建議

如果您目前仍在使用 Labelme 進行標註,建議儘快全面遷移至 ATSVisionOps,以獲得更輕量、更高效的標註體驗。