revise Readme.md

Readme.md

@@ -1,14 +1,19 @@
 # 光伏电池片图像缺陷检测器
 
 本缺陷检测器针对倾斜的光伏电池板组件照片，应用直方图自适应二值化和透视变换技术进行图像校正，提取行列特征后通过FFT频谱分析出晶片的行列排布进行图像分割，可分别应用非线性SVM与DenseNet对分割照片进行训练以实现缺陷检测。
+
 ## 获取代码
+
 可以以下通过git指令获取代码：  
+
 ```
 git clone https://github.com/YikiDragon/SolarPanelDefectDetect.git
 ```
 
 ## 环境依赖
+
 该检测器代码采用python编写，务必保证环境依赖：
+
 - python3.8
 - tensorflow: >=2.0.0 & <=2.3.0
 - python-opencv: ==4.5.1
@@ -20,58 +25,88 @@ git clone https://github.com/YikiDragon/SolarPanelDefectDetect.git
 - xlwt
 
 可以通过输入以下指令以满足最基本配置：  
+
 ```
 conda install tensorflow==2.3.0 opencv==4.5.1 numpy matplotlib alive_progress cmd xlrd xlwt
 ```  
+
 或者在获取代码后在代码根目录输入：  
+
 ```
 conda env create -f require.yaml
 ```
+
 ## 快速使用
+
 ### 目录配置
+
 在获取代码后，在根目录下新建文件夹`photos`  
+
 ```
 mkdir photos
 ```  
+
 在`photos`文件夹中存放未校正分割的光伏电池板原图。
 >光伏电池板原图须为".jpg"或".JPG"  
+
 ### 使用交互式命令行检测
-1. 在项目根目录下运行以下指令启动交互式命令行   
+
+1. 在项目根目录下运行以下指令启动交互式命令行
+
 ```
 python main.py
 ```  
+
 2. 查看可用文件夹列表  
+
 ```
 show folder
 ```  
+
 3. 选择`photos`文件夹  
+
 ```
 set folder photos
 ```
+
 >或`set folder <文件夹对应编号>`  
+
 4. 查看可用图片文件  
+
 ```
 show image
 ```
+
 5. 选择***.jpg图片  
+
 ```
 set image ***.jpg
 ```
+
 >或`set image <图片对应编号>`  
+
 6. 查看可用缺陷识别模型  
+
 ```
 show model
 ```
+
 7. 选择非线性SVM模型  
+
 ```
 set model SVM
 ```
+
 >或`set model <模型对应编号>`  
+
 8. 开始检测  
+
 ```
 detect
 ```
+
 ### 指令说明
+
 有以下指令可用：  
 `show`: 显示可用选项  
 `set`: 设置指定选项  
@@ -80,21 +115,30 @@ detect
 `about`: 作者信息  
 `exit`: 退出交互式命令行  
 >可以使用`help <指令>`获取指令的相应用法
+
 ## 详细用法
+
 ### 自动化校正分割
+
 1. 在根目录下新建数据集文件夹`dataset`及其子文件夹  
+
 ```
 mkdir dataset  
 cd dataset
 mkdir all           # 存放已分割未打标图片的文件夹
 cd ..
 ```
+
 2. 在`photos`文件夹中已有原图的情况下运行`autosegment.py`，所有原图将被自动分割并保存至`./dataset/all`
+
 ```
 python autosegment.py
 ```
+
 ### 自动化分配标签
+
 1. 打开`dataset`文件夹建立训练集文件夹
+
 ```
 cd dataset
 mkdir train         # 存放训练集的文件夹
@@ -103,77 +147,105 @@ mkdir perfect       # 完好集
 mkdir damaged       # 缺陷集
 cd ../..
 ```
+
 2. 在`dataset/all`中已有校正分割图的情况下运行`automove.py`，所有分割图将按照公共标签表`FinalLabel.xls`移动至`perfect`或`damaged`文件夹作为打标
+
 ```
 python automove.py
 ```
+
 ### 根据自定义标签自动生成标签表
+
 如果您已经手动将校正分割后的图片分配到`perfect`和`damaged`，可以运行`label_convert.py`将您的分配结果编写为Excel表格
+
 ```
 python label_convert.py
 ```
+
 生成的自定义标签表在`LabelList.xls`
 
 ### 模型训练
+
 在`dataset/train/perfect`和`dataset/train/damaged`不为空的情况下，可以进行模型训练。
+
 1. 进入检测模型文件夹例如:
+
 ```
 cd DenseNet
 ```
+
 2. 运行`train.py`开始训练
+
 ```
 python train.py
 ```
+
 >一些详细的配置(例如: 优化器, BatchSize, Iterations, Epochs等)可以在`train.py`中修改
+
 3. 生成Precision-Recall曲线并计算AP
+
 ```
 python test.py
 ```
+
 4. 随机测试分割图识别效果
+
 ```
 python Demo.py
 ```
+
 ### 关键函数调用方法
+
 1. 图像校正
+
 ```
 from image_utils.py import correct
 image_corrected = correct(img_src, debug=False)     # debug用于输出一些中间过程的分析图表
 ```
+
 >可参考`autosegment.py`
+
 2. 图像分割  
+
 ```
 from image_utils.py import segment
 seg = segment(image_corrected, seg_method=4, debug=False)   # 务必选择稳定性最强的第4个分割方法——频谱分析法
 ```
+
 >可参考`autosegment.py`
+
 3. 缺陷识别
+
 ```
 import tensorflow as tf
 model = tf.keras.models.load_model(model_path)  # 加载模型
 pred = model(x)                                 # 模型预测,x为预处理后的图片或特征向量
 ```
+
 >可参考模型文件夹下的`Demo.py`，模型存储位置为模型文件夹下的`saved_model`
+
 ## 文件目录解释
+
 下图列出本项目的核心结构：  
 .  
 │  automove.py可执行，根据FinalLabel.xls将./dataset/all/下的图片分配到perfect或damaged  
 │  autosegment.py 可执行，自动将photos中的图片分割到./dataset/all/  
 │  config.json 命令交互系统的配置文件  
 │  FinalLabel.xls 公共标签表  
 │  image_utils.py 可执行可调用，包含图像校正和图像分割程序  
-│  LabelList.xls  自定义标签表   
+│  LabelList.xls  自定义标签表  
 │  label_convert.py 可执行，根据dataset/下perfect和damaged内文件生成标签表  
 │  main.py 可执行，命令交互系统入口  
 │  require.yaml conda依赖列表  
-│   
+│  
 ├─photos 存放未校正未分割原图的图片  
 │  
 ├─dataset 数据集文件夹  
 │  │  
 │  ├─train 存放训练用的已打标的图片  
 │  │    │  
 │  │    ├─perfect 完好集文件夹  
-│  │    └─damaged 缺陷集文件夹   
+│  │    └─damaged 缺陷集文件夹  
 │  │  
 │  └─all 存放已校正分割未打标的图片  
 │  
@@ -194,4 +266,4 @@ pred = model(x)                                 # 模型预测,x为预处理后
 │  │  train.py 可执行，训练文件  
 │  │  utils.py 可执行，图片预处理  
 │  │  
-│  └─saved_model 保存的模型  
+│  └─saved_model 保存的模型