https://github.com/iammm0/newton-ring-analyzer
本项目基于 PyTorch +OpenCV 实现牛顿环图像中圆环结构的自动识别与参数提取，支持单图、多图、深度模型和传统图像处理方法组合使用。
https://github.com/iammm0/newton-ring-analyzer
opencv python pytorch
Last synced: 11 months ago
JSON representation
本项目基于 PyTorch +OpenCV 实现牛顿环图像中圆环结构的自动识别与参数提取，支持单图、多图、深度模型和传统图像处理方法组合使用。
- Host: GitHub
- URL: https://github.com/iammm0/newton-ring-analyzer
- Owner: iammm0
- Created: 2025-05-16T14:41:26.000Z (about 1 year ago)
- Default Branch: main
- Last Pushed: 2025-05-17T05:01:23.000Z (about 1 year ago)
- Last Synced: 2025-06-21T19:39:08.274Z (about 1 year ago)
- Topics: opencv, python, pytorch
- Language: Python
- Homepage:
- Size: 10.3 MB
- Stars: 1
- Watchers: 1
- Forks: 0
- Open Issues: 1
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
README
# 🧠 牛顿环识别项目说明文档
本项目基于 `PyTorch` +`OpenCV` 实现牛顿环图像中圆环结构的自动识别与参数提取，支持单图、多图、深度模型和传统图像处理方法组合使用。
建议：`Python` 版本：`3.11.*`
---
## 🎯 项目目标
- 自动检测图像中的牛顿环圆结构
- 提取有效参数（直径、圆心位置、数量）
- 支持完整/部分/偏移牛顿环图像
- 提供传统视觉 & 深度学习双路线融合方案
---
## 🛠 技术路径概览
| 组件 | 技术 |
|--------------|-----------------------|
| 图像预处理 | OpenCV（模糊、边缘） |
| 掩膜生成 | 自动生成伪掩膜 / 手工 |
| 图像分割模型 | PyTorch U-Net |
| 圆检测辅助 | Hough变换 + 圆心拟合 |
| 参数提取 | `cv2.minEnclosingCircle` + 拟合优化 |
进入项目根目录：
```
cd newton-ring-analyzer
```
激活虚拟环境：
```
.\.venv\Scripts\activate
```
安装所需第三方库：
```bash
pip install -r requirements.txt
```
## 📁 项目结构调整建议
```
project_root/
├── scripts/ # 执行脚本总目录
│ ├── single/ # 针对单张图像执行的脚本
│ │ ├── main.py # 使用模型检测
│ │ ├── main_with_fallback.py # 模型+OpenCV融合检测
│ ├── batch/ # 批量处理整个文件夹
│ │ ├── analyze_all.py
│ │ ├── analyze_all_with_fallback.py
│ │ ├── analyze_processed_images.py
│ ├── traditional/ # 仅使用传统方法（无模型）
│ │ ├── detect_by_opencv.py
│ ├── training/ # 训练模型脚本
│ │ ├── train_model.py
│ │ ├── fine_tune_model.py
│ ├── generate/ # 数据生成脚本
│ │ ├── generate_data.py
│ │ ├── generate_pseudo_masks.py
│ │ ├── preprocess_all.py
├── analysis/ # 参数提取逻辑
├── model/ # 模型结构和加载
├── preprocessing/ # 图像预处理逻辑
├── utils/ # 数据集加载和合成工具
├── data/ # 图像数据和掩膜
│ ├── test_images/
│ ├── processed_images/
│ ├── real_data/
├── saved_model.pth
├── fine_tuned_model.pth
├── README.md
```
---
## 🧪 执行命令索引
### ✅ 使用模型检测单张图片
```bash
python scripts/single/main.py data/test_images/test1.jpg --mode newton --use_model --model_path fine_tuned_model.pth
```
### ✅ 使用模型 + OpenCV 兜底检测单张图片
```bash
python scripts/single/main_with_fallback.py data/test_images/test1.jpg --model_path fine_tuned_model.pth
```
---
### 📂 批量检测整个文件夹（processed 或原图）
```bash
python scripts/batch/analyze_all.py
python scripts/batch/analyze_processed_images.py
python scripts/batch/analyze_all_with_fallback.py
```
---
### 🧠 使用 OpenCV 圆检测法（不依赖模型）
```bash
python scripts/traditional/detect_by_opencv.py data/test_images/test1.jpg
```
---
### 🧠 训练/微调模型
```bash
python scripts/training/train_model.py
python scripts/training/fine_tune_model.py
```
---
### 🛠 数据生成与预处理
```bash
python scripts/generate/generate_data.py
python scripts/generate/preprocess_all.py
python scripts/generate/generate_pseudo_masks.py
```
---
## 🧪 训练流程相关命令索引
### 📸 1. 生成合成训练数据（牛顿环图像 + 掩膜）
```bash
python scripts/generate/generate_data.py
```
输出到：
```bash
data/images/
data/masks/
```
------
### 🧼 2. 预处理图像（灰度/模糊/边缘）
```bash
python scripts/generate/preprocess_all.py
```
输出到：
```bash
data/processed_images/
```
------
### 🧩 3. 自动生成伪掩膜用于真实图微调训练（从 edges.png → mask）
```
python scripts/generate/generate_pseudo_masks.py
```
输出到：
```bash
real_data/images/
real_data/masks/
```
------
## 🧠 模型训练命令
### 📌 4. 初次训练（使用合成图像）
```bash
python scripts/training/train_model.py
```
输出模型文件：
```bash
saved_model.pth
```
------
### 🔁 5. 微调训练（使用真实图伪掩膜）
```bash
python scripts/training/fine_tune_model.py
```
输出模型文件：
```bash
fine_tuned_model.pth
```
## ✅ 总结
根据需求灵活选择：
- 单图检测 vs 批量检测
- 模型预测 vs OpenCV圆检测 vs 融合检测
- 数据增强、掩膜伪生成、微调训练等脚本组件组合