feat 优化传统检测

TcsCheckModule/include/TcsCheck.h

@@ -126,6 +126,8 @@ private:
     cv::Rect GetBoundingRect(cv::Mat matBinary);
     cv::Rect GetCropArea(cv::Rect rtValid);
     cv::Mat AdaptiveBinary(cv::Mat matBlur);
+    // 局部背景基准图（大窗口中值），用于分块动态阈值的阈值中心
+    cv::Mat EstimateBackgroundMap(const cv::Mat& matGray, int blockSize);
 
     void Process(bool bDraw = false);
 

TcsCheckModule/src/TcsCheck.cpp

@@ -44,7 +44,12 @@ void CTcsCheck::SetCheckDir(std::string dirIn,std::string dirOut)
 }
 void CTcsCheck::SetChecConfig(CHECK_PARAM* cp)
 {
-    memcpy(&m_cpCfg,cp,sizeof(CHECK_PARAM));
+    // CHECK_PARAM 内含 std::string，不能用 memcpy：memcpy 会把源对象 string 内部的
+    // _M_data 指针一并拷过来，于是拷贝出的 string 认为自己持有堆内存，
+    // 析构时会 free 到源对象的栈缓冲（短串）或重复释放（长串），随机崩溃。
+    // 整体赋值（拷贝构造/赋值）才是正确做法。
+    if (cp == nullptr) return;
+    m_cpCfg = *cp;
 }
 std::string CTcsCheck::GetFileName(const std::string& path) const
 {
@@ -145,33 +150,82 @@ cv::Rect CTcsCheck::GetCropArea(cv::Rect rtValid)
 	}
 	return innerRect;
 }
+// ============================================================
+// EstimateBackgroundMap — 局部背景基准图（抗大缺陷污染）
+//
+// 旧实现用「块内灰度均值」当阈值中心，缺陷一旦覆盖块内较大面积，
+// 均值就会被缺陷灰度带偏：
+//   · 均值落在「背景峰」与「缺陷峰」之间的空隙 → 容忍带内一个像素都没有
+//     → 反相后整块变白（大面积误检，缺陷其实没占满块）；
+//   · 均值贴近缺陷灰度 → 缺陷被判成背景、背景反被判成缺陷（极性翻转）。
+//
+// 这里改用「中值」估计背景：中值一定是窗口内真实存在的灰度值，
+// 只要缺陷不占到窗口一半以上就不会被带偏。窗口取 3 倍块边长（覆盖 3×3 个块），
+// 因此单块甚至相邻几块内的大缺陷都污染不了该块的背景基准。
+//
+// 为控制耗时，先在 1/ds 缩略图上做中值（等效窗口 = ds × 粗粒度核），
+// 再插值放大回原尺寸 —— 背景本身是低频的，放大误差可忽略。
+// 实测 1500×3750：全分辨率大核中值 ~146ms，降采样后 ~10ms。
+// ============================================================
+cv::Mat CTcsCheck::EstimateBackgroundMap(const cv::Mat& matGray, int blockSize)
+{
+	cv::Mat gray8;
+	if (matGray.type() == CV_8UC1) {
+		gray8 = matGray;
+	} else {
+		matGray.convertTo(gray8, CV_8UC1);
+	}
+	if (gray8.empty()) return cv::Mat();
+
+	const int bgWinScale = 3;   // 背景估计窗口 = 3 倍块边长
+	const int kMaxSafe   = 201; // medianBlur 大核上限（本机 OpenCV 4.5 实测 >301 断言失败）
+
+	// 降采样倍数：保证粗粒度核不超过 kMaxSafe
+	int ds = 4;
+	while (bgWinScale * blockSize / ds > kMaxSafe) ds *= 2;
+
+	// 缩略图：INTER_AREA 即块内均值，缺陷只会让个别单元变成离群点，中值可剔除
+	cv::Mat small;
+	cv::resize(gray8, small,
+		cv::Size(std::max(1, gray8.cols / ds), std::max(1, gray8.rows / ds)), 0, 0, cv::INTER_AREA);
+
+	int k = bgWinScale * std::max(1, blockSize / ds);
+	if (k % 2 == 0) ++k;
+	if (k < 3) k = 3;           // 允许 k 大于缩略图尺寸，medianBlur 会按边界复制处理
+
+	cv::Mat smallBg;
+	cv::medianBlur(small, smallBg, k);
+
+	cv::Mat matBg;
+	cv::resize(smallBg, matBg, gray8.size(), 0, 0, cv::INTER_LINEAR);
+	return matBg;
+}
+
 cv::Mat CTcsCheck::AdaptiveBinary(cv::Mat matBlur)
 {
-	// 按 localBlockSize_ 分块，使用每个块的局部均值做动态阈值。
-	// 当前规则：落在 [avg-lower_, avg+upper_] 内置 0，超出置 255。
+	// 按 nBlockSize 分块，用每个块的局部背景基准做动态阈值。
+	// 规则：落在 [ref-low, ref+high] 内置 0，超出置 255。
+	// 注意 ref 取「大窗口中值背景」而非块内均值，避免大缺陷把阈值中心带偏导致整块变白。
+	if (matBlur.empty()) return cv::Mat();
 	cv::Mat result = cv::Mat::zeros(matBlur.size(), CV_8UC1);
-	m_cpCfg.nBlockSize = std::min(m_cpCfg.nBlockSize, matBlur.cols);
-	m_cpCfg.nBlockSize = std::min(m_cpCfg.nBlockSize, matBlur.rows);
-	for (int y = 0; y < matBlur.rows; y += m_cpCfg.nBlockSize) {
-		for (int x = 0; x < matBlur.cols; x += m_cpCfg.nBlockSize) {
-			// const int blockW = std::min(m_cpCfg.nBlockSize, matBlur.cols - x);
-			// const int blockH = std::min(m_cpCfg.nBlockSize, matBlur.rows - y);
-			cv::Rect blockRect(x, y, m_cpCfg.nBlockSize, m_cpCfg.nBlockSize);
-			if(x + m_cpCfg.nBlockSize > matBlur.cols)
-			{
-				blockRect = cv::Rect(matBlur.cols - m_cpCfg.nBlockSize, y,  m_cpCfg.nBlockSize, m_cpCfg.nBlockSize);
-			}
-			if(y + m_cpCfg.nBlockSize > matBlur.rows)
-			{
-				blockRect = cv::Rect(x, matBlur.rows - m_cpCfg.nBlockSize,  m_cpCfg.nBlockSize, m_cpCfg.nBlockSize);
-			}
-			if(x + m_cpCfg.nBlockSize > matBlur.cols && y + m_cpCfg.nBlockSize > matBlur.rows)
-			{
-				blockRect = cv::Rect(matBlur.cols - m_cpCfg.nBlockSize, matBlur.rows - m_cpCfg.nBlockSize,  m_cpCfg.nBlockSize, m_cpCfg.nBlockSize);
-			}
+
+	// 块边长不超过图像尺寸；同步回 m_cpCfg，保证 ClassifyBlobs 的块网格一致
+	const int blockSize = std::max(1, std::min(m_cpCfg.nBlockSize, std::min(matBlur.cols, matBlur.rows)));
+	m_cpCfg.nBlockSize = blockSize;
+
+	// 局部背景基准图（大窗口中值）
+	const cv::Mat matBg = EstimateBackgroundMap(matBlur, blockSize);
+
+	for (int y = 0; y < matBlur.rows; y += blockSize) {
+		for (int x = 0; x < matBlur.cols; x += blockSize) {
+			// 末列/末行窗口贴边对齐（与相邻窗口重叠），不产生残缺块
+			const int bx = std::min(x, std::max(0, matBlur.cols - blockSize));
+			const int by = std::min(y, std::max(0, matBlur.rows - blockSize));
+			const cv::Rect blockRect(bx, by, blockSize, blockSize);
 			cv::Mat block = matBlur(blockRect);
 
-			const double avg = cv::mean(block)[0];
+			// 背景基准：取该块范围内背景图的均值（抹平中值图的量化台阶）
+			const double avg = matBg.empty() ? cv::mean(block)[0] : cv::mean(matBg(blockRect))[0];
 			const double minGrey = std::max(0.0, avg - m_cpCfg.nFilterLow);
 			const double maxGrey = std::min(255.0, avg + m_cpCfg.nFilterHigh);
 
@@ -183,7 +237,7 @@ cv::Mat CTcsCheck::AdaptiveBinary(cv::Mat matBlur)
 			// 传统检测残点图存图
 			if (m_cpCfg.bDebugsaveImg)
 			{
-				std::string roi_ext = "[" + std::to_string(x) + "," + std::to_string(y) + "]";
+				std::string roi_ext = "[" + std::to_string(bx) + "," + std::to_string(by) + "]";
 				std::string strSaveDir = "/home/aidlux/BOE/CELL_AOI/AI_Detect/" + m_cpCfg.productId + "/";
 				std::string strSavePath_in = strSaveDir + m_cpCfg.productChannel +"_"+ roi_ext + "_"+ "in" + ".png";
 				std::string strSavePath_out = strSaveDir + m_cpCfg.productChannel +"_"+ roi_ext + "_"+ "out" + ".png";