update 优化传统检测

TcsCheckModule/include/TcsCheck.h

@@ -108,7 +108,7 @@ private:
 
     cv::Mat m_matLoad;
     cv::Mat m_matBlob;
-    cv::Mat m_matBlur;     // 模糊图，供 TraditionalClassify 使用
+    cv::Mat m_matBlur;
     cv::Mat m_matDraw;
 
     cv::Size m_sizeImage;

TcsCheckModule/src/TcsCheck.cpp

@@ -225,9 +225,9 @@ void CTcsCheck::ClassifyBlobs(const cv::Mat& blurCrop, const cv::Mat& imgBlob)
 		const int w = stats.at<int>(label, cv::CC_STAT_WIDTH);
 		const int h = stats.at<int>(label, cv::CC_STAT_HEIGHT);
 
-		// blob 区域均值
+		// blob 区域均值：仅在 bounding rect 局部计算，避免全图 mask
-		cv::Mat blobMask = (labels == label);
+		cv::Mat blobMask = (labels(cv::Rect(x, y, w, h)) == label);
-		double blobMean = cv::mean(blurCrop, blobMask)[0];
+		double blobMean = cv::mean(blurCrop(cv::Rect(x, y, w, h)), blobMask)[0];
 
 		// 所属局部块均值
 		const double cx = centroids.at<double>(label, 0);
@@ -338,6 +338,16 @@ int CTcsCheck::TraditionalDetect(const cv::Mat& img, cv::Rect detRoi, cv::Mat& b
 		return -1;
 	}
 
+	// 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 << "[TraditionalDetect] " << step << " 耗时(ms): " << elapsedMs << std::endl;
+		tPrev = tNow;
+	};
+
 	// getchar();
 	// cv::Mat showImg = img.clone();	
 	// cv::rectangle(showImg, detRoi, cv::Scalar(255), 2);
@@ -352,6 +362,7 @@ int CTcsCheck::TraditionalDetect(const cv::Mat& img, cv::Rect detRoi, cv::Mat& b
 		// 1. 全局阈值 → 产品区域定位
 		cv::Mat matBinary;
 		cv::threshold(m_matLoad, matBinary, m_cpCfg.nAreaLowFilter, 255, cv::THRESH_BINARY);
+		// logStep("1.全局阈值");
 
 		// 2. 获取最大连通域外接矩形
 		cv::Rect rtValid = GetBoundingRect(matBinary);
@@ -360,9 +371,11 @@ int CTcsCheck::TraditionalDetect(const cv::Mat& img, cv::Rect detRoi, cv::Mat& b
 			blobImg = cv::Mat();
 			return -1;
 		}
+		// logStep("2.最大连通域外接矩形");
 
 		// 3. 裁剪边缘
 		rtCrop = GetCropArea(rtValid);
+		// logStep("3.裁剪边缘");
 	}
 
 	// 安全裁剪: 确保 rtCrop 不超出 m_matLoad 边界
@@ -375,53 +388,46 @@ int CTcsCheck::TraditionalDetect(const cv::Mat& img, cv::Rect detRoi, cv::Mat& b
 			return -1;
 		}
 	}
+	// logStep("4.安全裁剪");
 	
-	cv::Mat matCrop = m_matLoad(rtCrop).clone();
+	cv::Mat matCrop = m_matLoad(rtCrop);
+	// logStep("5.ROI裁剪");
 
-	// 4. 缩放
+	// 6. 缩放
 	const int outW = std::max(1, static_cast<int>(matCrop.cols * m_cpCfg.fZoomRatio));
 	const int outH = std::max(1, static_cast<int>(matCrop.rows * m_cpCfg.fZoomRatio));
 	cv::Mat matResized;
 	cv::resize(matCrop, matResized, cv::Size(outW, outH), 0, 0, cv::INTER_AREA);
+	// logStep("6.缩放");
 
-	// 5. 高斯模糊 — 缓存到 m_matBlur
+	// 7. 高斯模糊 — 缓存到 m_matBlur
 	cv::GaussianBlur(matResized, m_matBlur, cv::Size(5, 5), 0);
 	// cv::imwrite("matResized.png", matResized);
 	// cv::imwrite("m_matBlur.png", m_matBlur);
-	// 6. 自适应二值化检测
+	// logStep("7.高斯模糊");
+
+	// 8. 自适应二值化检测
 	m_matBlob = AdaptiveBinary(m_matBlur);
-	blobImg = m_matBlob.clone();
+	blobImg = m_matBlob;
+	// logStep("8.自适应二值化");
 
-	// 7. 反向映射：将 crop+resize 后的残点图恢复为原始输入图尺寸
+	// 9. 反向映射：只生成下游需要的全尺寸残点 mask（resultMaskImg / Blob 计算）。
-	//    调用方拿到的是与输入 img 同尺寸的 mask，坐标体系一致
+	//    直接 resize 到 ROI 上，省去中间 matCropSize 缓冲与 copyTo；
+	//    m_matBlob 保持小图即可，全尺寸副本无任何消费者，已移除。
 	if (m_cpCfg.fZoomRatio > 0)
 	{
-		// 7a. 反向映射 blobImg（二值 mask，用 INTER_NEAREST）
+		cv::Mat fullMask = cv::Mat::zeros(m_matLoad.size(), CV_8UC1);
-		{
+		cv::resize(m_matBlob, fullMask(rtCrop), cv::Size(rtCrop.width, rtCrop.height), 0, 0, cv::INTER_NEAREST);
-			cv::Mat matCropSize;
+		blobImg = fullMask;
-			cv::resize(blobImg, matCropSize, cv::Size(rtCrop.width, rtCrop.height), 0, 0, cv::INTER_NEAREST);
-			cv::Mat fullMask = cv::Mat::zeros(m_matLoad.size(), CV_8UC1);
-			matCropSize.copyTo(fullMask(rtCrop));
-			blobImg = fullMask;
-		}
 
-		// 7b. 同步反向映射 m_matBlur（灰度图，供 TraditionalClassify 使用，用 INTER_LINEAR）
+		// logStep("9.反向映射(mask)");
-		{
+	}
-			cv::Mat matCropSize;
-			cv::resize(m_matBlur, matCropSize, cv::Size(rtCrop.width, rtCrop.height), 0, 0, cv::INTER_LINEAR);
-			cv::Mat fullBlur = cv::Mat::zeros(m_matLoad.size(), m_matBlur.type());
-			matCropSize.copyTo(fullBlur(rtCrop));
-			m_matBlur = fullBlur;
-		}
 
-		// 7c. 同步反向映射 m_matBlob（二值 mask，用 INTER_NEAREST）
+	// 总耗时
-		{
+	{
-			cv::Mat matCropSize;
+		auto tEnd = std::chrono::high_resolution_clock::now();
-			cv::resize(m_matBlob, matCropSize, cv::Size(rtCrop.width, rtCrop.height), 0, 0, cv::INTER_NEAREST);
+		double totalMs = std::chrono::duration_cast<std::chrono::milliseconds>(tEnd - tStart).count();
-			cv::Mat fullBlob = cv::Mat::zeros(m_matLoad.size(), CV_8UC1);
+		// std::cout << "[TraditionalDetect] 总耗时(ms): " << totalMs << std::endl;
-			matCropSize.copyTo(fullBlob(rtCrop));
-			m_matBlob = fullBlob;
-		}
 	}
 
 	return 0;
@@ -430,15 +436,16 @@ 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
-// 前提: 已调用 TraditionalDetect（m_matBlur 已缓存）
+// 前提: 已调用 TraditionalDetect（blobImg 已与 m_matLoad 同尺寸）
+// 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)
 {
-	if (m_matBlur.empty() || blobImg.empty()) return -1;
+	if (m_matLoad.empty() || blobImg.empty()) return -1;
 
-	m_matBlob = blobImg.clone();
+	// 不再为全尺寸 mask 做一次 clone，直接使用 blobImg 分类
-	ClassifyBlobs(m_matBlur, blobImg);
+	ClassifyBlobs(m_matLoad, blobImg);
 
 	return static_cast<int>(m_vecDefectInfo.size());
 }