remap_json.py

目录

• 1. 整体概述
• 2. 前置字典的作用
  • 2.1 工位字典 position_dict
  • 2.2 大部件字典 major_parts_dict
  • 2.3 检测项点字典 inspection_points_dict
  • 2.4 故障结果字典 faults_dict
• 3. 函数入口：解析长图信息
  • 3.1 从文件名解析业务字段
  • 3.2 校验工位是否合法
  • 3.3 构造新的长图文件名（鼎汉规范）
• 4. 构造鼎汉基础结构
  • 4.1 车厢级对象 dinghan_items
  • 4.2 工位级检测对象 dinghan_check
• 5. 遍历短图结果（核心逻辑）
  • 5.1 读取小图位置（相对于长图）
• 6. 遍历故障信息（真正的检测项）
  • 6.1 提取故障字段
• 7. 故障过滤逻辑（非常关键）
  • 7.1 直接忽略的情况
  • 7.2 置信度不达标
• 8. 故障语义映射
  • 8.1 大部件 largercomponent
  • 8.2 小部件 smallcomponent
  • 8.3 故障类型 error_result
• 9. 故障小图处理（裁剪 + 画框 + 上传）
  • 9.1 特殊逻辑：碳滑块中文标注
• 10. 生成最终 detection 结构
  • 10.1 other 字段说明
• 11. 结束与返回
  • 11.1 有效故障
  • 11.2 没有任何故障
• 12. 一句话总结

1. 整体概述

remap_dinghan_item(json_data) 的作用是：

把算法推理产生的原始 JSON 结果，重新映射成“鼎汉系统”需要的检测结果格式，并完成故障小图的裁剪、画框、上传和字段编码。

如果在一张长图中检测到了符合规则的故障，就返回一个 dinghan_items 结构；
如果没有任何有效故障，则返回 None。

---

2. 前置字典的作用

2.1 工位字典 position_dict

把中文工位名映射为鼎汉需要的数字编码：

"车顶" -> "1"
"底右" -> "14"

用于：

• 校验相机工位是否合法
• 填充 position、checksrc.name

---

2.2 大部件字典 major_parts_dict

把业务上的大部件名称映射成鼎汉标准部件编码：

"集电靴" -> "1316"
"转向架" -> "1217"

用于：

• largercomponentcode
• largercomponentindex

---

2.3 检测项点字典 inspection_points_dict

表示小部件 / 检查项类型：

"外观" -> "125"
"螺栓" -> "101"

---

2.4 故障结果字典 faults_dict

把故障结论映射成鼎汉结果码：

"脱落" -> "101"
"表面异常" -> "107"

---

3. 函数入口：解析长图信息

long_img_path = json_data.get("path")
long_img_fname = os.path.basename(long_img_path)

3.1 从文件名解析业务字段

长图文件名格式：

过车时间_线路_车号_车厢号_车辆段_方向_相机工位.jpg

例如：

20241230123045_L1_1234_01_XX段_上行_车顶.jpg

解析成：

pass_time
line
train_code
carriage_number
station
direction
camera

3.2 校验工位是否合法

if camera not in position_dict:return None

非法工位直接丢弃，不上报。

---

3.3 构造新的长图文件名（鼎汉规范）

aizt_时间_线路_车号_车厢号_车辆段_方向_工位.jpg

---

4. 构造鼎汉基础结构

4.1 车厢级对象 dinghan_items

dinghan_items = {"seq": int(carriage_number),"code": train_code + carriage_number,"check": []
}

👉 表示 某一节车厢

---

4.2 工位级检测对象 dinghan_check

dinghan_check = {"position": position_dict[camera],"imgquality": 0,"checksrc": {"name": position_dict[camera],"width": json_data["width"],"height": json_data["height"],"url": "images/长图名.jpg"},"detections": []
}

👉 表示 某个工位上的检测结果

---

5. 遍历短图结果（核心逻辑）

for short_result in json_data.get("short_result", []):

每个 short_result 对应一张故障候选小图。

5.1 读取小图位置（相对于长图）

fault_img_left
fault_img_top
fault_img_width
fault_img_height

---

6. 遍历故障信息（真正的检测项）

for fault in short_result["result"]["result"]["faults"][0]["fault_info"]:

每个 fault 是一个 具体故障框。

6.1 提取故障字段

• defect_area：部位
• defect_name：故障名称
• left / top / width / height：框
• confidence：置信度

---

7. 故障过滤逻辑（非常关键）

7.1 直接忽略的情况

if "正常" in defect_name:continue
if 新车 and "开口销":continue

---

7.2 置信度不达标

threshold = get_confidence_fault(...)
if fault_rect_confidence <= threshold:continue

这是实际控制误报的关键逻辑

---

8. 故障语义映射

8.1 大部件 largercomponent

根据 defect_area 的关键词判断：

"受流器" -> 集电靴
"排障器" -> 排障装置
"轴箱转臂" -> 轴箱转臂

找不到就归为：

"未知部件"

---

8.2 小部件 smallcomponent

根据 defect_name 或 defect_area：

• 螺栓 → 外观
• 空气弹簧 → 橡胶件
• 四方锁 → 方孔锁
• 默认 → 外观

---

8.3 故障类型 error_result

通过关键词判断：

关键词	映射结果
丢失 / 折断 / 裂纹	表面异常
磨耗超限 / 不在位	位置异常
破损 / 破洞	表面破损
弹出	指示点是否弹出

---

9. 故障小图处理（裁剪 + 画框 + 上传）

fault_img_fname = get_sub_fault_img_path_and_upload_obs(...)

• 裁剪小图
• 在图上画框
• 上传到 OBS
• 返回小图文件名

9.1 特殊逻辑：碳滑块中文标注

if "碳滑块" and "磨耗超限":draw_tanhuakuai_chinese(...)

---

10. 生成最终 detection 结构

dinghan_check["detections"].append({"faultuid": uuid,"faultname": "部位_缺陷","faultnameother": "大部件_小部件_结果","largercomponentcode": "...","smallcomponentcode": "...","result": "...","imgurl": "...","level": level,"other": [长图框, 小图框]
})

10.1 other 字段说明

• type = 0：相对于长图的故障框
• type = 2：短图在长图中的位置

👉 鼎汉要求 所有坐标都基于长图

---

11. 结束与返回

11.1 有效故障

shutil.copy(长图, 鼎汉目录)
dinghan_items["check"].append(dinghan_check)
return dinghan_items

11.2 没有任何故障

return None

---

12. 一句话总结

这段代码的本质是
“把算法输出 → 规则过滤 → 语义映射 → 鼎汉标准结构 → 图片处理 → 最终上报对象”
是一个完整的 AI 结果落地 & 上报适配层。

如果你愿意，我可以再帮你画一张整体数据流示意图，或者单独把故障映射规则整理成表。