1

handlers/modelpage/model_set_handler.py

@@ -54,7 +54,7 @@ class ModelSetHandler:
             type_layout = QtWidgets.QHBoxLayout()
             type_layout.addWidget(QtWidgets.QLabel("模型类型:"))
             type_combo = QtWidgets.QComboBox()
-            type_combo.addItems(["YOLOv8", "YOLOv11", "Faster R-CNN", "SSD", "RetinaNet", "自定义"])
+
             type_layout.addWidget(type_combo)
             layout.addLayout(type_layout)
             

handlers/videopage/AUTO_ANNOTATION_USAGE.md

+# AutoAnnotationDetector 使用说明
+
+## 功能概述
+
+`AutoAnnotationDetector` 整合了标框和标点两个功能，共享相同的检测逻辑，但提供不同的输出方式。
+
+## 核心设计
+
+```
+输入图像 → detect() → 检测结果
+                        ↓
+              ┌─────────┴─────────┐
+              ↓                   ↓
+        get_boxes()          get_points()
+              ↓                   ↓
+        box位置数据           点位置数据
+              ↓                   ↓
+        draw_boxes()         draw_points()
+              ↓                   ↓
+        绘制框的图像          绘制点的图像
+```
+
+## 快速开始
+
+```python
+from handlers.videopage.auto_dot import AutoAnnotationDetector
+import cv2
+
+# 1. 创建检测器
+detector = AutoAnnotationDetector(
+    model_path="path/to/model.dat",
+    device='cuda'
+)
+
+# 2. 加载图像
+image = cv2.imread("test.jpg")
+
+# 3. 执行核心检测（只需执行一次）
+detection_result = detector.detect(
+    image=image,
+    conf_threshold=0.5,
+    min_area=100
+)
+
+# 4a. 获取box位置数据
+boxes = detector.get_boxes(
+    detection_result,
+    padding=10,
+    merge_all=True  # True=合并所有类别, False=按类别分别生成
+)
+
+# 4b. 获取点位置数据
+points = detector.get_points(detection_result)
+
+# 5a. 绘制box
+box_image = detector.draw_boxes(image, boxes)
+cv2.imwrite("box_result.jpg", box_image)
+
+# 5b. 绘制点
+point_image = detector.draw_points(image, points)
+cv2.imwrite("point_result.jpg", point_image)
+```
+
+## API 详解
+
+### 1. detect() - 核心检测方法
+
+执行YOLO推理，返回分割结果。
+
+**参数:**
+- `image`: 输入图像 (numpy.ndarray)
+- `conf_threshold`: 置信度阈值 (默认0.5)
+- `min_area`: 最小面积阈值，过滤小区域 (默认100像素)
+
+**返回:**
+```python
+{
+    'success': bool,
+    'masks': List[np.ndarray],      # 有效的mask列表
+    'class_names': List[str],       # 对应的类别名称
+    'confidences': List[float],     # 对应的置信度
+    'image_shape': tuple            # 图像尺寸 (height, width)
+}
+```
+
+### 2. get_boxes() - 生成box位置数据
+
+从检测结果生成box坐标。
+
+**参数:**
+- `detection_result`: detect()的返回结果
+- `padding`: box边界扩展像素数 (默认10)
+- `merge_all`: 是否合并所有类别 (默认True)
+
+**返回:**
+```python
+[
+    {
+        'x1': int,              # 左上角x
+        'y1': int,              # 左上角y
+        'x2': int,              # 右下角x
+        'y2': int,              # 右下角y
+        'classes': List[str],   # 包含的类别
+        'area': int             # box面积
+    },
+    ...
+]
+```
+
+### 3. get_points() - 生成点位置数据
+
+从检测结果生成容器顶部和底部点坐标。
+
+**参数:**
+- `detection_result`: detect()的返回结果
+
+**返回:**
+```python
+[
+    {
+        'top': int,         # 顶部y坐标
+        'bottom': int,      # 底部y坐标
+        'top_x': int,       # 顶部x坐标
+        'bottom_x': int,    # 底部x坐标
+        'height': int,      # 容器高度
+        'method': str,      # 检测方法
+        'confidence': float # 置信度
+    },
+    ...
+]
+```
+
+### 4. draw_boxes() - 绘制box
+
+在图像上绘制box框。
+
+**参数:**
+- `image`: 输入图像
+- `boxes`: get_boxes()返回的box列表
+
+**返回:** 绘制完成的图像
+
+### 5. draw_points() - 绘制点
+
+在图像上绘制顶部和底部点。
+
+**参数:**
+- `image`: 输入图像
+- `points`: get_points()返回的点列表
+
+**返回:** 绘制完成的图像
+
+## 使用场景
+
+### 场景1: 只需要box标注
+
+```python
+detection_result = detector.detect(image)
+boxes = detector.get_boxes(detection_result, merge_all=True)
+annotated_image = detector.draw_boxes(image, boxes)
+```
+
+### 场景2: 只需要点标注
+
+```python
+detection_result = detector.detect(image)
+points = detector.get_points(detection_result)
+annotated_image = detector.draw_points(image, points)
+```
+
+### 场景3: 同时需要box和点
+
+```python
+# 只需执行一次检测
+detection_result = detector.detect(image)
+
+# 分别获取box和点
+boxes = detector.get_boxes(detection_result)
+points = detector.get_points(detection_result)
+
+# 分别绘制
+box_image = detector.draw_boxes(image, boxes)
+point_image = detector.draw_points(image, points)
+```
+
+### 场景4: 获取位置数据但不绘制
+
+```python
+detection_result = detector.detect(image)
+boxes = detector.get_boxes(detection_result)
+points = detector.get_points(detection_result)
+
+# 直接使用位置数据，不绘制图像
+for box in boxes:
+    print(f"Box: ({box['x1']}, {box['y1']}) -> ({box['x2']}, {box['y2']})")
+
+for point in points:
+    print(f"Top: ({point['top_x']}, {point['top']})")
+    print(f"Bottom: ({point['bottom_x']}, {point['bottom']})")
+```
+
+## 点检测逻辑
+
+根据检测到的类别组合，自动选择最佳检测方法：
+
+1. **liquid_only**: 仅liquid → liquid最低点 + liquid最高点
+2. **air_only**: 仅air → air最低点 + air最高点
+3. **foam_only**: 仅foam → foam最低点 + foam最高点
+4. **liquid_air**: liquid + air → liquid最低点 + air最高点
+5. **liquid_foam**: liquid + foam → liquid最低点 + foam最高点
+6. **liquid_foam_air**: liquid + foam + air → liquid最低点 + air最高点
+7. **foam_air**: foam + air → foam最低点 + air最高点
+
+## 兼容性
+
+为保持向后兼容，提供了别名：
+```python
+AutoboxDetector = AutoAnnotationDetector
+```
+
+旧代码可以继续使用 `AutoboxDetector`。
+
+## 测试
+
+运行测试函数：
+```bash
+python auto_dot.py
+```
+
+测试会自动：
+1. 执行一次检测
+2. 生成box标注并保存
+3. 生成点标注并保存
+4. 显示结果图像

handlers/videopage/AUTO_DOT_README.md

-# 自动标点功能模块使用说明
+# 自动标点与自动选框功能模块使用说明
 
 ## 功能概述
 
-`auto_dot.py` 模块实现了基于YOLO分割掩码的自动标点功能，可以自动检测容器的顶部和底部位置，替代人工手动标点。
+`auto_dot.py` 模块实现了两个核心功能：
+1. **AutoDotDetector**: 基于YOLO分割掩码的自动标点功能，自动检测容器的顶部和底部位置
+2. **AutoboxDetector**: 自动选择标注区域功能，自动生成包含分割结果的最小面积box
 
 ## 核心特性
 
@@ -153,14 +155,109 @@ if result['success']:
 3. **调整检测框**: 如果检测失败，尝试调整检测框的位置和大小
 4. **降低置信度**: 如果检测不到掩码，尝试降低 `conf_threshold`
 
+## AutoboxDetector - 自动选框功能
+
+### 功能说明
+
+自动选择标注区域类，输入图像后自动生成包含分割结果的最小面积box。
+
+### 核心特性
+
+- **输入**: 图像
+- **输出**: box位置数据 + 绘制完框的图像
+- **box设置逻辑**: 
+  1. 对每个类别（liquid、air、foam）的分割结果，合并同类别的所有mask
+  2. 计算每个类别mask的最小包围框
+  3. 支持设置最小面积阈值过滤小区域
+  4. 支持设置padding扩展box边界
+
+### API 使用示例
+
+```python
+from handlers.videopage.auto_dot import AutoboxDetector
+import cv2
+
+# 1. 创建检测器
+detector = AutoboxDetector(
+    model_path="path/to/model.dat",
+    device='cuda'  # 或 'cpu'
+)
+
+# 2. 加载图片
+image = cv2.imread("test_image.jpg")
+
+# 3. 执行检测
+result = detector.detect_boxes(
+    image=image,
+    conf_threshold=0.5,  # 置信度阈值
+    min_area=100,        # 最小面积阈值（像素）
+    padding=10           # box边界扩展像素数
+)
+
+# 4. 获取结果
+if result['success']:
+    for box in result['boxes']:
+        print(f"类别: {box['class']}")
+        print(f"坐标: ({box['x1']}, {box['y1']}) -> ({box['x2']}, {box['y2']})")
+        print(f"面积: {box['area']}px²")
+    
+    # 保存标注图片
+    cv2.imwrite("box_result.jpg", result['annotated_image'])
+```
+
+### 输出数据结构
+
+```python
+{
+    'success': bool,  # 检测是否成功
+    'boxes': [
+        {
+            'x1': int,      # 左上角x坐标
+            'y1': int,      # 左上角y坐标
+            'x2': int,      # 右下角x坐标
+            'y2': int,      # 右下角y坐标
+            'class': str,   # 类别名称 (liquid/air/foam)
+            'area': int     # box面积（像素²）
+        },
+        ...
+    ],
+    'annotated_image': np.ndarray  # 绘制完框的图像
+}
+```
+
+### 可视化标注
+
+标注图片包含:
+- **绿色框**: liquid区域
+- **蓝色框**: air区域
+- **橙色框**: foam区域
+- **类别标签**: 显示在框的左上角
+
+### 独立测试
+
+运行测试函数:
+```bash
+cd D:\restructure\liquid_level_line_detection_system\handlers\videopage
+python auto_dot.py
+```
+
+测试函数会自动调用 `test_auto_box()`，输出结果保存在:
+```
+D:\restructure\liquid_level_line_detection_system\test_output\auto_box_result.jpg
+```
+
 ## 接入系统
 
 调试成功后，可以在主系统中调用:
 
 ```python
-from handlers.videopage.auto_dot import AutoDotDetector
+from handlers.videopage.auto_dot import AutoDotDetector, AutoboxDetector
+
+# 方式1: 自动标点 - 在标注页面添加"自动标点"按钮
+detector = AutoDotDetector(model_path="path/to/model.dat")
+result = detector.detect_container_boundaries(image, conf_threshold=0.5)
 
-# 在标注页面添加"自动标点"按钮
-# 点击后调用 detector.detect_container_boundaries()
-# 将返回的 top/bottom 坐标填充到标注点位置
+# 方式2: 自动选框 - 在标注页面添加"自动选框"按钮
+detector = AutoboxDetector(model_path="path/to/model.dat")
+result = detector.detect_boxes(image, conf_threshold=0.5, min_area=100, padding=10)
 ```

rules/model_trainingworker_handler.py

@@ -118,7 +118,7 @@ class TrainingWorker(QThread):
             # 如果签名不匹配，说明这是一个直接重命名的 .pt 文件
             if signature != MODEL_FILE_SIGNATURE:
                 print(f"[警告] {dat_path.name} 不是加密的 .dat 文件，将直接作为 .pt 文件使用")
-                # 直接返回原路径，YOLO 可以直接加载
+                # 直接返回原路径，模型 可以直接加载
                 return str(dat_path)
             
             # 继续解密流程

rules/软件功能逻辑设计.md

-1曲线模式索引0布局，只显示根据curvemission筛选使用的通道面板失效了
+1曲线模式索引0布局，只显示根据curvemission筛选使用的通道面板失效了
@@ -25,4 +25,38 @@
 6mission_status判断逻辑，只要任意channelmission值为此任务，则此任务mission_status=true
 
 class ModelLoadingProgressDialog(QDialog):
-    """模型加载进度条对话框"""
\ No newline at end of file
+    """模型加载进度条对话框"""
+    自动选择标注区域类
+    1.设置一个或多个最小面积box，box区域包含了某一区域的分割结果
+    
+
+   自动标点，根据分割结果选择对应分支逻辑
+   1: liquid_only 
+   - **容器底部**: liquid掩码的最低点
+   - **容器顶部**: liquid掩码的最高点
+   - **适用场景**: 只检测到液体，未检测到空气和泡沫
+
+   2: air_only 
+   - **容器底部**: air掩码的最低点
+   - **容器顶部**: air掩码的最高点
+   - **适用场景**: 只检测到空气，未检测到液体和泡沫
+   3: foam_only 
+   - **容器底部**: foam掩码的最低点
+   - **容器顶部**: foam掩码的最高点
+   - **适用场景**: 只检测到泡沫，未检测到液体和空气
+   4: liquid_air 
+   - **容器底部**: liquid掩码的最低点
+   - **容器顶部**: air掩码的最高点
+   - **适用场景**: 同时检测到液体和空气，未检测到泡沫
+    5: liquid_foam 
+   - **容器底部**: liquid掩码的最低点
+   - **容器顶部**: foam掩码的最高点
+   - **适用场景**: 同时检测到液体和泡沫，未检测到空气
+   6: liquid_foam_air 
+   - **容器底部**: liquid掩码的最低点
+   - **容器顶部**: air掩码的最高点
+   - **适用场景**: 同时检测到液体、泡沫和空气
+   7: foam_air 
+   - **容器底部**: foam掩码的最低点
+   - **容器顶部**: air掩码的最高点
+   - **适用场景**: 同时检测到泡沫和空气，未检测到液体
\ No newline at end of file