显示筛选条件

视图浏览器的显示字段用于筛选视图，基于视图浏览器中的默认下拉菜单项，或使用关键字、条件、逻辑运算符、变量或正则表达式创建的自定义筛选条件均可。显示筛选条件对于标注视图和验证结果很有帮助，您可根据指定的条件操作选定的视图。

 

默认显示筛选条件

对于不同的工具，视图浏览器中提供了一组通用选择筛选条件。这些筛选条件列在下表中，可在“显示”字段的下拉菜单中找到。

筛选	说明
全部	返回数据库中的所有视图。
新	返回新导入的图像。
已标注	返回标注视图。 蓝色定位和蓝色读取工具：至少有一个标注特征的视图。 红色分析工具：标注为良好或不良的视图。 绿色分类工具：有标记分类的视图。
未标注	返回尚未标注的视图。
已训练	返回用于训练的视图。
未训练	返回未用于训练的视图。

 

此外，每个工具还可以使用特定于工具的筛选条件，具体取决于所选的 Deep Learning 工具。

工具	筛选	说明
红色分析	良好 不良	返回标注为良好的视图。 返回标注为不良的视图。
绿色分类	未知 不匹配	返回包含未知标记和/或类的视图。 返回预测标记和/或类与实际类不匹配的视图
红色分析高细节 绿色分类高细节	已验证 未验证	仅返回包含在验证集中的视图。 仅返回未包含在验证集中的视图。
蓝色定位 蓝色读取	无匹配	返回未找到模型的视图（假设已定义模型）。

 

自定义显示筛选工具

可以使用特定关键字、逻辑运算符、变量、方法和/或运算符和条件来指定自定义筛选工具。您还可以通过使用正则表达式构建自定义筛选工具。

构造自定义筛选工具时，应构建根据布尔结果评估的筛选工具。

 

显示筛选关键词

创建自定义筛选条件时，您可以从显示下拉菜单的关键词开始，然后添加逻辑运算符和变量。

除了显示下拉菜单关键词，还可以通过在“显示”字段中键入来使用以下关键词：

• 正：与红色分析工具一起使用，返回有缺陷的视图。
• 负：与红色分析工具一起使用，返回没有缺陷的视图。
• 'filename_word'：返回具有包含词汇的文件名的视图。例如，如果您在训练集中策划了名为“bad_head_001.png”、“bad_head_002.png”等的图像。要仅返回中文件名中包含词汇“bad_head”的视图，请在“显示”字段中输入“bad_head”。

 

显示筛选条件逻辑运算符

关键词（和条件）可以与逻辑运算符结合使用来构建自定义选择筛选条件。三个基本的逻辑运算符 not、and、or 可用于构建自定义筛选条件。

示例	说明
未训练	返回未用于训练的视图。
良好和不良	返回标注为良好且图像文件名不包含单词“good”的视图。
标注或非手动	返回已标注和/或训练标志设置为“自动”的视图。

 

显示筛选条件变量

变量、方法和基本数学比较运算符（=，>，<，...）可用于构造特殊条件，以便选择一组特定的视图。以下列表概述了三种工具可用的变量。

• 所有工具

  变量	说明
  随机	为每个视图在区间 [0,1] 中生成随机变量。

• 红色分析工具

  变量	说明
  得分	返回视图的总分（最高区域分数）。
  T1，T2	返回较低 (T1) 和较高 (T2) 阈值（显示在比分图表和阈值参数中）。
  区域/得分	返回系统找到的缺陷区域的得分。此变量可能会返回值列表（请参阅下面的备注部分了解更多信息）。
  区域/面积	返回缺陷区域的面积。
  区域/x	返回缺陷区域的水平位置。
  区域/y	返回缺陷区域的垂直位置。
  region!/(score│area│x│y)	返回标注区域的分数、面积、水平或垂直值。
  背景/得分	返回背景分数，也就是缺陷区域之外的分数。

• 绿色分类工具

  变量	说明
  tag/score	返回每个标记/类的概率分数。此变量会返回值列表（请参阅下面的备注部分了解更多信息）。
  tag[Tag_Name]/score	返回与“Tag_Name”类相关的预测概率分数。
  tag![Tag_Name]	对于标注为标记/类“Tag_Name”的视图，返回 True。此变量还可用于选择标注为“Tag_Name”的视图。
  tag!/score	返回正确（标注）类的概率分数。
  tag![Tag_Name]/score	返回正确类的概率分数，仅选择标注为“Tag_Name”标记/类的视图。

• 蓝色定位和蓝色读取工具

  变量	说明
  特征	返回视图中的一个或多个找到的特征，并显示特征的缩略图。
  feature[0] 或者 feature[0,1]	返回找到指定特征的视图 (0)（如果用作单个语句，否则返回找到的特征的列表；请参阅下面的备注部分了解更多信息）。
  feature![0] 或者 feature![0,1,2]	返回与上面相同的结果，但仅限于标注的指定特征。
  feature[0]/score	返回标记（预测）为 0 的特征的概率分数。
  feature[0]/x	返回特征 0 的水平位置。
  feature[0]/y	返回特征 0 的垂直位置。
  feature![0]/(score│x│y)	返回标注的特征 0 的分数、水平或垂直位置。
  匹配	如果找到模型，或者找到一系列模型，则返回 True（参见下面的备注部分了解更多信息）。
  match[Model1]	同上，但仅限于找到 Model1 的结果。
  match![Model1]	同上，但适用于在已标注特征中找到的模型。
  match[Model1]/score	返回已找到模型的分数 (Model1)。 此变量可能会返回值列表；请参见下面的备注部分了解更多信息。
  match[Model1]/angle	返回已找到模型的角度。
  match[Model1]/scale	返回已找到模型的比例。
  match[Model1]/schear	返回已找到模型的剪切。
  match[Model1]/x	返回已找到模型的水平位置。
  match[Model1]/y	返回已找到模型的垂直位置。
  match![Model1]/(score│angle│scale│shear│x│y)	同上，但适用于带有标注特征的模型。
  match/features	返回系统匹配的任何模型中的标记特征数量（可能返回值列表；有关详细信息，请参阅下面的备注部分）。
  match[Model1]/features	同上，但适用于特定模型 Model1。
  match!/features	任何模型的标注特征匹配数。
  match![Model1]/features	同上，但适用于特定模型 Model1。

 

显示筛选方法

有些方法可用于访问某些变量返回的值列表的某些属性。

方法	说明
count()	返回列表中的项目数。
max()	返回列表中的最大值。
min()	返回列表中的最小值。

 

显示筛选条件运算符和条件

基本数学比较运算符可以与变量结合使用以构造过滤条件。

符号	示例	说明
=	count(feature![h])=3	返回具有 3 个特征且标签 ID 为“h”的视图。
!=	count(match)!=0	返回已找到模型的数量不等于 0 的视图。
< >	feature[t]/score>0.9	返回找到特征“t”并且概率分数大于 90% 的视图。
<=	min(region/x)<=50	返回找到最左侧缺陷区域、最多距左侧图像边界 50 个像素的视图。
>=	random>=0.8	返回大约 80% 的视图。
in	not score in [0.28,0.43]	返回得分在 [0.28,0.43] 区间之外的视图（其中 0.28 = 阈值 1，0.43 = 阈值 2）。

 

显示筛选条件和排序示例

本节中的主题提供了描述 Cognex Deep Learning 工具各种筛选条件的示例。

 

蓝色定位工具筛选条件示例

以下示例说明了与蓝色定位工具一起使用的常见显示筛选条件：

显示筛选条件	说明
count(match)=0	此筛选条件对应于显示下拉菜单中的无匹配选项。仅显示不包含匹配模型的视图。
count(feature[t]/x in [500,600]) > 0 and count(feature[t]/y in [300,400]) > 0	返回在水平和垂直位置的指定范围内至少找到一个特征 (ID = t) 的视图。
count(match[Model1]/scale in [0.9,1])>0 and count(match[Model1]/angle in [0,90]) > 0	返回视图，其中在标记特征中找到至少一个模型（模型名称 = Model1)，并具有其标度和指定值范围的方向角。
match[Model1]/features<5	返回找到模型（模型名称 = Model1 ）并且匹配少于 5 个标记的视图。
features.min(match/features)=2	返回视图，其中用于匹配任何模型的最小特征数正好为 2。
min(feature[h]/x) > 500	返回最左侧特征 (h) 的位置距离左图像边界至少 500 像素的视图。

 

绿色分类工具筛选条件示例

以下示例说明了可搭配绿色分类工具使用的常见显示筛选条件：

显示筛选条件	说明
tag!/score < max(tag/score) 或 score < threshold tag!/score < score 或 score < threshold	只要阈值是处理阈值，则这些筛选条件实际上对应于下拉菜单中的显示筛选条件不匹配。 它将筛选实际类（给定标签）概率低于所有类中最大概率的视图（score 相当于 max(tag/score)，也就是预测了错误的标签/类），以及最大概率得分低于处理阈值的视图（即未预测标签/类）。
未训练，且 tag![cat] 和 tag[dog]/score = max(tag/score) 未训练，且 tag![cat] 和 tag[dog]/score = score	筛选未用于训练、用标签 cat 进行了标注、但预测了标签 dog 的视图。

 

红色分析工具筛选条件示例

以下示例说明了与红色分析工具一起使用的常见显示筛选条件：

显示筛选条件	说明
不良且 count(region!/score > T2) <= 2	返回标注为不良的视图，它有两个或更少的标注缺陷区域，得分高于上限阈值 (T2)。
count(region) > 1 并且 max(region/area) < 200	返回具有多个标记（由系统找到）缺陷区域且最大缺陷区域小于 200 像素的视图。
count(region/x in [100,200]) >= 2	返回具有至少 2 个缺陷区域的视图，其中心位于指定的水平位置范围内。

 

使用正则表达式显示筛选工具

您还可以使用正则表达式（又名 regex 或 regexp）创建更复杂的筛选工具。例如，如果要根据以“01.png”、“02.png”或“03.png”结尾文件名筛选图像，可以使用以下正则表达式：/0[1-3].png$/.test(filename)。在此示例中，“filename”是关键字并按原样使用。下表提供了在 VisionPro Deep Learning 内使用正则表达式的一些基础知识。

定位标记
^	指定字符串或行的开头，例如 ^0 将匹配以 0 开头的字符串。 Note: 在括号内使用 ^ 字符时，也就是 [^ 0]，^ 表示不启动。
$	指定字符串或行的结尾，例如 0$，将匹配以 0 结尾的字符串。
基本匹配
.	匹配任何单个字符。 Note: 要匹配句点，必须使用反斜杠来转义点。例如，您输入：\.
\d	匹配 0123456789 范围内的任何数字。 还可以通过键入数字来表示实际数字 0-9。
\w	匹配任何字母、数字和下划线字符 (_)。 区分大小写的实际字符可以通过键入字符 a-z 或 A-Z 来表示。
\s	匹配空格。
具体字符
[...]	方括号 [ ] 用于匹配特定字符，这些字符在方括号内定义。例如，[a-z]匹配 a 到 z 的一个小写字母，或 T[ao]p 将匹配 Tap 或 Top。括号可用于复合结构，例如 [A-C][0-3][g-i]，可以匹配字符串 A0g、A0h、B1i 和 C3g 的字符串。
重复
{...}	花括号{ }用于表示重复。例如，t{2}返回两个t；[def]{3}返回三个字符，可以是 d、e 或 f；而.{1,4} 匹配 1 至 4 的任意字符。
*	表示字符或数字的零个或多个实例。例如，a* 会匹配零个或多个字符。
+	表示字符的一个或多个实例。例如，[nop]+ 将匹配 n、o 或 p 字符中的一个或多个。
可选字符
?	问号“?”用于匹配零个或一个前面字符或组。例如，12?3 将匹配 123 或 13。 Note: 要匹配问号，必须使用斜杠来转义问号。例如，您输入:\?
分组
(...)	括号用于定义字符组，使一对括号内的子模式构成一个组。这非常有利于从图像文件名中提取信息。例如，如果您策划图像使用某种命名约定，例如 Good_0001.png，并且只想返回那些图像，则可以使用 ^(Good.+)\.png$ 您还可以使用括号捕获嵌套组。使用上面的示例，可以根据数字细化搜索，例如 ^(Good(\d+))\.png$ 此外，也可在括号内使用上述量词以捕获模式。例如，如果要捕获大于 1000 的可能区域，则可以使用 (\d{4})x(\d{4}) 逻辑 OR 标识符 | 可用于表示不同的可能字符集。例如，如果您想在一组文件名中返回“scratch”，“dent”或“hole”，则可以使用 ^(Bad(\d+)(scratch|dent|hole))\.png$