fullseye

inspection_dataset — OPTICS `scene` op

データ種: table × table × table → table
呼び出し: import fullseye as fs; fs.ledger.inspection_dataset(scene, camera, lights, n: 'int' = 8, seed: 'int' = 0, exposure_ms: 'float' = 10.0, bit_depth: 'int' = 8, jitter_mm: 'float' = 0.0, tilt_jitter_deg: 'float' = 0.0, intensity_jitter: 'float' = 0.0, depth: 'int' = 1, defects: 'dict' = None, supersample: 'int' = 1, adaptive: 'bool' = False, light_samples: 'int' = None, environment=None, environment_gain: 'float' = 1.0) -> 'list' (実装を直接呼ぶなら import optscene; optscene.inspection_dataset(scene, camera, lights, n: 'int' = 8, seed: 'int' = 0, exposure_ms: 'float' = 10.0, bit_depth: 'int' = 8, jitter_mm: 'float' = 0.0, tilt_jitter_deg: 'float' = 0.0, intensity_jitter: 'float' = 0.0, depth: 'int' = 1, defects: 'dict' = None, supersample: 'int' = 1, adaptive: 'bool' = False, light_samples: 'int' = None, environment=None, environment_gain: 'float' = 1.0) -> 'list'、台帳から引くなら opsoptics.get("inspection_dataset"))

使い方

外観検査 AI の学習画像を n 枚、画素完全なラベル付きで生成する(検査用)。

同じ部品を、照明(lights に複数渡すと 1 枚ごとに巡回)・置き方 (jitter_mm の並進、tilt_jitter_deg のカメラ傾き)・明るさ (intensity_jitter の相対ゆらぎ)を振って撮る = ドメインランダム化。

返り値は 1 枚あたり dict: image 量子化済み (H, W, 3) / defect_mask 欠陥の真値 / part_mask 部品の真値 / depth_mm 深度の真値 / meta 使った照明種別・露光・ゆらぎ量・欠陥ラベル(再現に必要な値をすべて)。

defects に :func:random_defects の引数 dict を渡すと、1 枚ごとに欠陥を引き直す(scene の先頭を対象にする)。これが外観検査 AI の学習データ生成そのもので、欠陥の種類・位置・大きさ・深さと照明が同時に振れる。

seed を固定すれば決定的。同じ欠陥でも照明を変えると見え方が変わる ことがこの生成器の要点で、だから照明を振った枚数が効く。

ファミリ共通の入力契約(fail-closed)

optics の全 op は入力を検証してから計算する(黙って通さない):

単位は引数名に埋め込む — _mm / _um / _deg / _mrad。mm と µm の取り違えは crash ではなく「もっともらしく間違った答え」なので、名前で防ぐ。大きさから単位を推測する処理は一切しない。
文字列は ValueError — float('50') は成功してしまうため、未パースの設定値が長さとして通り抜ける(実測: thin_lens('50', '200') がもっともらしい 66.667 mm を返していた)。bool も True == 1 の暗黙昇格として拒否。
complex / masked array は ValueError(実数枠のみ。虚部の無言切り捨て・マスク剥がしを拒否)。NaN/Inf は全入力で ValueError。
0 除算とその親戚を名指しで拒否: 焦点距離 0・曲率半径 0・屈折率 <= 0・不透明な開口(全 0 なので正規化が 0/0)・総和 <= 0 の PSF・S0 = 0 の Stokes ベクトル・物体が前側焦点にある(像が無限遠)。
非有限を返すのは 2 op だけ、しかも契約として明記: depth_of_field の過焦点距離以遠の far_mm = inf(それが過焦点距離の定義)と gaussian_beam のウエストでの wavefront_radius_mm = inf(平面波面の曲率半径)。どちらも有限の相棒(far_is_infinite / curvature_per_mm)を併せて返す。それ以外の無言 NaN/Inf は内部で検出して ValueError —「float64 が溢れた」と「答えが無限大」は別の主張なので、後者の顔で前者を返さない。
サイズ上限: 生成格子は optics.MAX_GRID(4096)、供給された場/PSF/開口は optics.MAX_FIELD_ELEMENTS(2^24)、ABCD 素子列は optics.MAX_SYSTEM_ELEMENTS(1024)、Zernike は MAX_ZERNIKE_TERMS(512)/ MAX_ZERNIKE_ORDER(40)/ MAX_ZERNIKE_BASIS(2^25)。小さな引数から巨大な内部確保が起きる経路(実測: n_max=40 × 4096² で 108 GB)を fail-closed で塞ぐ。

物理的に不可能な状態も拒否: 偏光度 > 1 の Stokes ベクトル、負の透過率、負の強度、n-

が奇数などの不正な Zernike 添字。

詳しい使い方ガイド

optics_imaging ファミリガイド

背景知識ガイド(この op の手前にある物理・規約)

dataset_conventions — 学習データセット規約の知識 — COCO / YOLO / VOC と外観検査での落とし穴
mv_cameras — 産業用カメラメーカー（センサとの紐付け・ラインスキャン / TDI）
mv_illumination_practice — 照明の実務知識 — 波長・偏光・点灯方式・外光・安全
mv_image_sensors — 産業用イメージセンサ（現行品中心）
virtual_machine_vision — 仮想マシンビジョン — パラメータの洗い出しとオブジェクト模型

参考(サンプルデータ・文献)

サンプルデータカタログ(DL URL / ライセンス) — 2-D は skimage.data(BSD/public)+ 合成、3-D は実データ源(Stanford/PDS 等)の DL URL。
演算子の来歴・参考文献 — この op 族の元になった研究/手法の出典。
アルゴリズムの正典(著者・年)と用途は上記ファミリ使い方ガイドに記載。

実行できる例(この op を実際に呼ぶ検証済みサンプル)

virtual_machine_vision — py -3.11 examples/virtual_machine_vision.py

型が繋がる次の op(`table` を入力に取れる)

abcd_matrix · wavefront_stats · paraxial_trace · seidel_coefficients · spot_stats · tolerance_analysis · wavefront_from_opd · spot_diagram

同カテゴリ(`scene`)

scene_material · scene_plane · scene_sphere · scene_box · scene_cylinder · surface_defect · surface_finish · random_defects

Provenance: optscene.py — OPTICS operator registry. この per-op ノートは tools/opdocs.py md が自動生成(手編集しない)。

This site is open source. Improve this page.