update 优化传统分类耗时

TcsCheckModule/include/TcsCheck.h

@@ -115,6 +115,7 @@ private:
     cv::Mat m_matBlur;
     cv::Mat m_matDraw;
 
+    cv::Rect m_rtCrop;   // TraditionalDetect 中确定的裁剪区域（原图坐标），供分类结果坐标映射
     cv::Size m_sizeImage;
 
     std::string m_strCurFile;

TcsCheckModule/src/TcsCheck.cpp

@@ -223,10 +223,21 @@ void CTcsCheck::ClassifyBlobs(const cv::Mat& blurCrop, const cv::Mat& imgBlob)
 {
 	m_vecDefectInfo.clear();
 
+	// 分步计时：记录每个步骤的耗时（ms）
+	auto tStart = std::chrono::high_resolution_clock::now();
+	auto tPrev = tStart;
+	auto logStep = [&](const std::string& step) {
+		auto tNow = std::chrono::high_resolution_clock::now();
+		double elapsedMs = std::chrono::duration_cast<std::chrono::milliseconds>(tNow - tPrev).count();
+		std::cout << "[ClassifyBlobs] " << step << " 耗时(ms): " << elapsedMs << std::endl;
+		tPrev = tNow;
+	};
+
 	cv::Mat labels;
 	cv::Mat stats;
 	cv::Mat centroids;
 	const int nLabels = cv::connectedComponentsWithStats(imgBlob, labels, stats, centroids, 8, CV_32S);
+	// logStep("1.连通域分析");
 	if (nLabels <= 1) return;
 
 	struct BlobItem { int label; int area; };
@@ -238,11 +249,13 @@ void CTcsCheck::ClassifyBlobs(const cv::Mat& blurCrop, const cv::Mat& imgBlob)
 			blobs.push_back({ label, area });
 		}
 	}
+	// logStep("2.面积过滤");
 	if (blobs.empty()) return;
 
 	std::sort(blobs.begin(), blobs.end(), [](const BlobItem& a, const BlobItem& b) {
 		return a.area > b.area;
 	});
+	// logStep("3.面积排序");
 
 	// 大块缺陷的面积阈值
 	const int largeAreaThreshold = std::max(1, m_cpCfg.nBlockSize * m_cpCfg.nBlockSize / 4);
@@ -307,6 +320,14 @@ void CTcsCheck::ClassifyBlobs(const cv::Mat& blurCrop, const cv::Mat& imgBlob)
 		info.strDefectDesc = DEFECT_TYPE_DESC[defectType];
 		m_vecDefectInfo.push_back(info);
 	}
+	// logStep("4.缺陷分类决策");
+
+	// // 总耗时
+	// {
+	// 	auto tEnd = std::chrono::high_resolution_clock::now();
+	// 	double totalMs = std::chrono::duration_cast<std::chrono::milliseconds>(tEnd - tStart).count();
+	// 	std::cout << "[ClassifyBlobs] 总耗时(ms): " << totalMs << std::endl;
+	// }
 }
 
 // ============================================================
@@ -421,6 +442,8 @@ int CTcsCheck::TraditionalDetect(const cv::Mat& img, cv::Rect detRoi, cv::Mat& b
 			return -1;
 		}
 	}
+	// 缓存裁剪区域，供 TraditionalClassify 将小图坐标映射回原图
+	m_rtCrop = rtCrop;
 	// logStep("4.安全裁剪");
 	
 	cv::Mat matCrop = m_matLoad(rtCrop);
@@ -468,17 +491,41 @@ int CTcsCheck::TraditionalDetect(const cv::Mat& img, cv::Rect detRoi, cv::Mat& b
 
 // ============================================================
 // TraditionalClassify — 独立分类接口
-// 对残点二值图做连通域分析+缺陷分类决策树
+// 优先在小图缓存（m_matBlur/m_matBlob）上做连通域分析+缺陷分类，
-// 前提: 已调用 TraditionalDetect（blobImg 已与 m_matLoad 同尺寸）
+// 再将结果坐标映射回原图，避免对全尺寸 mask 做昂贵计算。
-// 使用没有任何处理的原图 m_matLoad 计算灰阶差
 // 返回: 分类到的缺陷数量，<0 表示异常
 // ============================================================
 int CTcsCheck::TraditionalClassify(const cv::Mat& blobImg)
 {
+	// 全尺寸 mask 仅是小图 INTER_NEAREST 放大结果，连通域数量/形状完全等价，
+	// 在小图上分类可避免对全尺寸图做昂贵的 connectedComponentsWithStats。
+	if (m_matBlur.empty() || m_matBlob.empty())
+	{
+		// 回退：无小图缓存时，退化为全尺寸分类（旧行为）
 		if (m_matLoad.empty() || blobImg.empty()) return -1;
-
-	// 不再为全尺寸 mask 做一次 clone，直接使用 blobImg 分类
 		ClassifyBlobs(m_matLoad, blobImg);
+		return static_cast<int>(m_vecDefectInfo.size());
+	}
+
+	auto tStart = std::chrono::high_resolution_clock::now();
+
+	ClassifyBlobs(m_matBlur, m_matBlob);
+
+	// 小图坐标/面积映射回原图坐标系，与下游 blobs.blobTab（全尺寸坐标）对齐
+	const double scaleX = (m_matBlob.cols > 0) ? static_cast<double>(m_rtCrop.width) / m_matBlob.cols : 1.0;
+	const double scaleY = (m_matBlob.rows > 0) ? static_cast<double>(m_rtCrop.height) / m_matBlob.rows : 1.0;
+	for (auto& info : m_vecDefectInfo)
+	{
+		info.nDefectX      = static_cast<int>(info.nDefectX * scaleX + 0.5) + m_rtCrop.x;
+		info.nDefectY      = static_cast<int>(info.nDefectY * scaleY + 0.5) + m_rtCrop.y;
+		info.nDefectWidth  = std::max(1, static_cast<int>(info.nDefectWidth * scaleX + 0.5));
+		info.nDefectHeight = std::max(1, static_cast<int>(info.nDefectHeight * scaleY + 0.5));
+		info.nDefectArea   = std::max(1, static_cast<int>(info.nDefectArea * scaleX * scaleY + 0.5));
+	}
+
+	auto tEnd = std::chrono::high_resolution_clock::now();
+	double totalMs = std::chrono::duration_cast<std::chrono::milliseconds>(tEnd - tStart).count();
+	std::cout << "[TraditionalClassify] 总耗时(ms): " << totalMs << std::endl;
 
 	return static_cast<int>(m_vecDefectInfo.size());
 }