Avviso di fine del supporto: il 31 ottobre 2025 AWS interromperà il supporto per Amazon Lookout for Vision. Dopo il 31 ottobre 2025, non potrai più accedere alla console Lookout for Vision o alle risorse Lookout for Vision. Per ulteriori informazioni, consulta questo post del blog.
Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
Determinare se un'immagine è anomala
È possibile determinare se un'immagine è anomala in vari modi. Il metodo scelto dipende dal caso d'uso e dal tipo di modello. Di seguito sono elencate le possibili soluzioni.
Classificazione
IsAnomalousclassifica un'immagine come anomala, utilizza il Confidence campo per decidere se l'immagine è effettivamente anomala. Un valore più alto indica una maggiore sicurezza. Ad esempio, potresti decidere che un prodotto è difettoso solo se la fiducia supera l'80%. È possibile classificare le immagini analizzate mediante modelli di classificazione o modelli di segmentazione delle immagini.
- Python
-
Per un esempio di codice completo, consulta. GitHub
def reject_on_classification(image, prediction, confidence_limit):
"""
Returns True if the anomaly confidence is greater than or equal to
the supplied confidence limit.
:param image: The name of the image file that was analyzed.
:param prediction: The DetectAnomalyResult object returned from DetectAnomalies
:param confidence_limit: The minimum acceptable confidence. Float value between 0 and 1.
:return: True if the error condition indicates an anomaly, otherwise False.
"""
reject = False
logger.info("Checking classification for %s", image)
if prediction['IsAnomalous'] and prediction['Confidence'] >= confidence_limit:
reject = True
reject_info=(f"Rejected: Anomaly confidence ({prediction['Confidence']:.2%}) is greater"
f" than limit ({confidence_limit:.2%})")
logger.info("%s", reject_info)
if not reject:
logger.info("No anomalies found.")
return reject
- Java V2
-
public static boolean rejectOnClassification(String image, DetectAnomalyResult prediction, float minConfidence) {
/**
* Rejects an image based on its anomaly classification and prediction
* confidence
*
* @param image The file name of the analyzed image.
* @param prediction The prediction for an image analyzed with
* DetectAnomalies.
* @param minConfidence The minimum acceptable confidence for the prediction
* (0-1).
*
* @return boolean True if the image is anomalous, otherwise False.
*/
Boolean reject = false;
logger.log(Level.INFO, "Checking classification for {0}", image);
String[] logParameters = { prediction.confidence().toString(), String.valueOf(minConfidence) };
if (Boolean.TRUE.equals(prediction.isAnomalous()) && prediction.confidence() >= minConfidence) {
logger.log(Level.INFO, "Rejected: Anomaly confidence {0} is greater than confidence limit {1}",
logParameters);
reject = true;
}
if (Boolean.FALSE.equals(reject))
logger.log(Level.INFO, ": No anomalies found.");
return reject;
}
Segmentazione
Se il modello è un modello di segmentazione di immagini, è possibile utilizzare le informazioni sulla segmentazione per determinare se un'immagine contiene anomalie. È inoltre possibile utilizzare un modello di segmentazione delle immagini per classificare le immagini. Per esempio di codice che ottiene e visualizza maschere di immagini, vedi Visualizzazione delle informazioni di classificazione e segmentazione
Area di anomalia
Usa la copertura percentuale (TotalPercentageArea) di un'anomalia sull'immagine. Ad esempio, potreste decidere che un prodotto è difettoso se l'area di un'anomalia è superiore all'1% dell'immagine.
- Python
-
Per un esempio di codice completo, consulta. GitHub
def reject_on_coverage(image, prediction, confidence_limit, anomaly_label, coverage_limit):
"""
Checks if the coverage area of an anomaly is greater than the coverage limit and if
the prediction confidence is greater than the confidence limit.
:param image: The name of the image file that was analyzed.
:param prediction: The DetectAnomalyResult object returned from DetectAnomalies
:param confidence_limit: The minimum acceptable confidence (float 0-1).
:anomaly_label: The anomaly label for the type of anomaly that you want to check.
:coverage_limit: The maximum acceptable percentage coverage of an anomaly (float 0-1).
:return: True if the error condition indicates an anomaly, otherwise False.
"""
reject = False
logger.info("Checking coverage for %s", image)
if prediction['IsAnomalous'] and prediction['Confidence'] >= confidence_limit:
for anomaly in prediction['Anomalies']:
if (anomaly['Name'] == anomaly_label and
anomaly['PixelAnomaly']['TotalPercentageArea'] > (coverage_limit)):
reject = True
reject_info=(f"Rejected: Anomaly confidence ({prediction['Confidence']:.2%}) "
f"is greater than limit ({confidence_limit:.2%}) and {anomaly['Name']} "
f"coverage ({anomaly['PixelAnomaly']['TotalPercentageArea']:.2%}) "
f"is greater than limit ({coverage_limit:.2%})")
logger.info("%s", reject_info)
if not reject:
logger.info("No anomalies found.")
return reject
- Java V2
-
public static Boolean rejectOnCoverage(String image, DetectAnomalyResult prediction, float minConfidence,
String anomalyType, float maxCoverage) {
/**
* Rejects an image based on a maximum allowable coverage area for an anomaly
* type.
*
* @param image The file name of the analyzed image.
* @param prediction The prediction for an image analyzed with
* DetectAnomalies.
* @param minConfidence The minimum acceptable confidence for the prediction
* (0-1).
* @param anomalyTypes The anomaly type to check.
* @param maxCoverage The maximum allowable coverage area of the anomaly type.
* (0-1).
*
* @return boolean True if the coverage area of the anomaly type exceeds the
* maximum allowed, otherwise False.
*/
Boolean reject = false;
logger.log(Level.INFO, "Checking coverage for {0}", image);
if (Boolean.TRUE.equals(prediction.isAnomalous()) && prediction.confidence() >= minConfidence) {
for (Anomaly anomaly : prediction.anomalies()) {
if (Objects.equals(anomaly.name(), anomalyType)
&& anomaly.pixelAnomaly().totalPercentageArea() >= maxCoverage) {
String[] logParameters = { prediction.confidence().toString(),
String.valueOf(minConfidence),
String.valueOf(anomaly.pixelAnomaly().totalPercentageArea()),
String.valueOf(maxCoverage) };
logger.log(Level.INFO,
"Rejected: Anomaly confidence {0} is greater than confidence limit {1} and " +
"{2} anomaly type coverage is higher than coverage limit {3}\n",
logParameters);
reject = true;
}
}
}
if (Boolean.FALSE.equals(reject))
logger.log(Level.INFO, ": No anomalies found.");
return reject;
}
Numero di tipi di anomalia
Usa un conteggio dei diversi tipi di anomalia (Name) trovati nell'immagine. Ad esempio, potresti decidere che un prodotto è difettoso se sono presenti più di due tipi di anomalia.
- Python
-
Per un esempio completo di codice, consulta. GitHub
def reject_on_anomaly_types(image, prediction, confidence_limit, anomaly_types_limit):
"""
Checks if the number of anomaly types is greater than than the anomaly types
limit and if the prediction confidence is greater than the confidence limit.
:param image: The name of the image file that was analyzed.
:param prediction: The DetectAnomalyResult object returned from DetectAnomalies
:param confidence: The minimum acceptable confidence. Float value between 0 and 1.
:param anomaly_types_limit: The maximum number of allowable anomaly types (Integer).
:return: True if the error condition indicates an anomaly, otherwise False.
"""
logger.info("Checking number of anomaly types for %s",image)
reject = False
if prediction['IsAnomalous'] and prediction['Confidence'] >= confidence_limit:
anomaly_types = {anomaly['Name'] for anomaly in prediction['Anomalies']\
if anomaly['Name'] != 'background'}
if len (anomaly_types) > anomaly_types_limit:
reject = True
reject_info = (f"Rejected: Anomaly confidence ({prediction['Confidence']:.2%}) "
f"is greater than limit ({confidence_limit:.2%}) and "
f"the number of anomaly types ({len(anomaly_types)-1}) is "
f"greater than the limit ({anomaly_types_limit})")
logger.info("%s", reject_info)
if not reject:
logger.info("No anomalies found.")
return reject
- Java V2
-
public static Boolean rejectOnAnomalyTypeCount(String image, DetectAnomalyResult prediction,
float minConfidence, Integer maxAnomalyTypes) {
/**
* Rejects an image based on a maximum allowable number of anomaly types.
*
* @param image The file name of the analyzed image.
* @param prediction The prediction for an image analyzed with
* DetectAnomalies.
* @param minConfidence The minimum acceptable confidence for the predictio
* (0-1).
* @param maxAnomalyTypes The maximum allowable number of anomaly types.
*
* @return boolean True if the image contains more than the maximum allowed
* anomaly types, otherwise False.
*/
Boolean reject = false;
logger.log(Level.INFO, "Checking coverage for {0}", image);
Set<String> defectTypes = new HashSet<>();
if (Boolean.TRUE.equals(prediction.isAnomalous()) && prediction.confidence() >= minConfidence) {
for (Anomaly anomaly : prediction.anomalies()) {
defectTypes.add(anomaly.name());
}
// Reduce defect types by one to account for 'background' anomaly type.
if ((defectTypes.size() - 1) > maxAnomalyTypes) {
String[] logParameters = { prediction.confidence().toString(),
String.valueOf(minConfidence),
String.valueOf(defectTypes.size()),
String.valueOf(maxAnomalyTypes) };
logger.log(Level.INFO, "Rejected: Anomaly confidence {0} is >= minimum confidence {1} and " +
"the number of anomaly types {2} > the allowable number of anomaly types {3}\n", logParameters);
reject = true;
}
}
if (Boolean.FALSE.equals(reject))
logger.log(Level.INFO, ": No anomalies found.");
return reject;
}
