add autosegmatation.py

Readme.md

@@ -18,43 +18,81 @@
 ## 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`
+```
+git clone https://github.com/YikiDragon/SolarPanelDefectDetect.git
+```
 
 ## 环境依赖
 
 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`  
+```
+conda install tensorflow==2.3.0 opencv==4.5.1 numpy matplotlib alive_progress cmd
+```  
 或者在获取代码后在代码根目录输入：  
-`conda env create -f require.yaml`
+```
+conda env create -f require.yaml
+```
 
 ## 目录配置
-在获取代码后，在根目录下新建文件夹`photos`用于存放待校正分割的光伏电池板原图。  
-## 快速使用
-1. 在项目根目录下运行以下指令进入命令交互界面  
-`python main.py`  
+在获取代码后，在根目录下新建文件夹`photos`  
+```
+mkdir photos
+```  
+在`photos`文件夹中存放待校正分割的光伏电池板原图。
+>光伏电池板原图须为".jpg"或".JPG"
+## 快速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   
+```
+python main.py
+```  
 2. 查看可用文件夹列表  
-`show folder`  
+```
+show folder
+```  
 3. 选择`photos`文件夹  
-`set folder photos`或`set folder <文件夹对应编号>`
+```
+set folder photos
+```
+或`set folder <文件夹对应编号>`
 4. 查看可用图片文件  
-`show image`
+```
+show image
+```
 5. 选择***.jpg图片  
-`set image ***.jpg`或`set image <图片对应编号>`
+```
+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`
+```
+show model
+```
 7. 选择非线性SVM模型  
-`set model SVM`或`set model <模型对应编号>`
+```
+set model SVM
+```
+或`set model <模型对应编号>`
 8. 开始检测  
-`detect`
+```
+detect
+```
 ## 指令说明
-有以下指令可用：
+有以下指令可用：  
 `show`: 显示可用选项  
 `set`: 设置指定选项  
 `detect`: 开始检测  
 `help`: 帮助  
 `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
+`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
+## 模型训练
+1. 新建数据集文件夹`dataset`  
+```
+mkdir dataset  
+cd dataset
+```
+
+2. 
 ## 文件目录解释
 下图列出本项目的核心结构：  
 .  

autosegmatation.py

@@ -0,0 +1,28 @@
+from image_utils import correct, segment
+import cv2
+import pathlib
+
+if __name__ == '__main__':
+    all = False
+    save_dir = "./dataset/all/"
+    data_root = pathlib.Path('./photos')
+    all_image_names = sorted(
+        item.name for item in data_root.glob('*.JPG'))  # 获取文件名
+    if not all:
+        image = all_image_names[0]
+        print("image name: " + image)
+        img_src = cv2.imread("photos/" + image)
+        image_corrected = correct(img_src, debug=False)
+        seg = segment(image_corrected, seg_method=4, debug=False)
+        for seg_ele in seg:
+            savename = image[0:-4]+"_"+str(seg_ele[2][0])+"row"+str(seg_ele[2][1])+"col.jpg"
+            cv2.imwrite(save_dir+savename, seg_ele[1])
+    elif all:
+        for image in all_image_names:
+            print("image name: " + image)
+            img_src = cv2.imread("photos/" + image)
+            image_corrected = correct(img_src, debug=False)
+            seg = segment(image_corrected, seg_method=4, debug=False)
+            for seg_ele in seg:
+                savename = image[0:-4] + "_" + str(seg_ele[2][0]) + "row" + str(seg_ele[2][1]) + "col.jpg"
+                cv2.imwrite(save_dir + savename, seg_ele[1])

image_utils.py

@@ -128,7 +128,7 @@ def segment(image_corrected: np.ndarray, trough_th=200, seg_method=0, debug=Fals
     :param trough_th:           波谷判别阈值，用于确定分割位置(弃用)
     :param seg_method:          分割方法，0-纯波谷分割，1-平均分割， 2-均值间隔探测波谷， 3-均值间隔+波谷， 4-FFT频谱分析
     :param debug:               调试开关
-    :return: segmentations      列表，每个元素格式为[[起始点坐标，终止点坐标], 分割图]
+    :return: segmentations      列表，每个元素格式为[[起始点坐标，终止点坐标], 分割图, 晶片行列编号]
     '''
     img = np.array([])
     # 缩小到1/5
@@ -219,7 +219,7 @@ def trough_clustering(trough, th=10):
                 img_segment = image_corrected[trough_row[i]:trough_row[i + 1], trough_col[j]:trough_col[j + 1], :]
                 segmentations.append(
                     [np.array([[trough_col[j], trough_row[i]], [trough_col[j + 1], trough_row[i + 1]]], np.int32),
-                     img_segment])
+                     img_segment, np.array([i+1, j+1])])
         if debug:
             plt.title("Debug demo")
             plt.imshow(copy)
@@ -271,7 +271,7 @@ def trough_clustering(trough, th=10):
                                          (0, 255, 0), 10)
                 img_segment = image_corrected[start_height:end_height, start_width:end_width, :]
                 segmentations.append(
-                    [np.array([[start_width, start_height], [end_width, end_height]], np.int32), img_segment])
+                    [np.array([[start_width, start_height], [end_width, end_height]], np.int32), img_segment, np.array([i+1, j+1])])
         if debug:
             plt.title("Debug demo")
             plt.imshow(copy)
@@ -331,7 +331,7 @@ def trough_clustering(trough, th=10):
                 img_segment = image_corrected[trough_row[i]:trough_row[i + 1], trough_col[j]:trough_col[j + 1], :]
                 segmentations.append(
                     [np.array([[trough_col[j], trough_row[i]], [trough_col[j + 1], trough_row[i + 1]]], np.int32),
-                     img_segment])
+                     img_segment, np.array([i+1, j+1])])
         if debug:
             plt.title("Debug demo")
             plt.imshow(copy)
@@ -417,7 +417,7 @@ def trough_clustering(trough, th=10):
                 img_segment = image_corrected[trough_row[i]:trough_row[i + 1], trough_col[j]:trough_col[j + 1], :]
                 segmentations.append(
                     [np.array([[trough_col[j], trough_row[i]], [trough_col[j + 1], trough_row[i + 1]]], np.int32),
-                     img_segment])
+                     img_segment, np.array([i+1, j+1])])
         if debug:
             plt.title("Debug demo")
             plt.imshow(copy)
@@ -484,7 +484,7 @@ def fft_to_rc(wave, r=100):
                 img_segment = image_corrected[trough_row[i]:trough_row[i + 1], trough_col[j]:trough_col[j + 1], :]
                 segmentations.append(
                     [np.array([[trough_col[j], trough_row[i]], [trough_col[j + 1], trough_row[i + 1]]], np.int32),
-                     img_segment])
+                     img_segment, np.array([i+1, j+1])])
         if debug:
             plt.title("Segmentation diagram")
             plt.imshow(copy)
@@ -507,8 +507,8 @@ def fft_to_rc(wave, r=100):
         image = '41191510617617.JPG'
         print("image name: "+image)
         img_src = cv2.imread("photos/" + image)
-        image_corrected = correct(img_src, debug=True)
-        seg = segment(image_corrected, seg_method=4, debug=True)
+        image_corrected = correct(img_src, debug=False)
+        seg = segment(image_corrected, seg_method=4, debug=False)
         copy = image_corrected.copy()
     elif all:
         i = 1