KAS Anomaly Vision - System Detekcji Anomalii w Obrazach Rentgenowskich

System webowy oparty na Django do automatycznej detekcji anomalii w obrazach rentgenowskich pojazdów.

📋 Opis projektu

Aplikacja wykorzystuje techniki machine learning do analizy obrazów rentgenowskich pojazdów w celu wykrywania potencjalnych zagrożeń i anomalii. System przetwarza zarówno "czyste" obrazy referencyjne, jak i obrazy zawierające anomalie, aby nauczyć model rozróżniania między nimi.

🚀 Funkcjonalności

• Automatyczna detekcja anomalii - wykrywanie nieprawidłowości w skanach rentgenowskich
• Pipeline przetwarzania obrazów - transformacja i przygotowanie danych wejściowych
• System adnotacji - zarządzanie adnotacjami w formacie JSON dla obrazów treningowych
• Interfejs webowy - aplikacja Django umożliwiająca łatwe korzystanie z systemu
• Analiza różnicowa - porównywanie obrazów "czystych" i "brudnych"

🏗️ Struktura projektu

KAS_HackNation/
│
├── scanner/                          # Główna aplikacja Django
├── core/                             # Konfiguracja projektu Django
│
├── brudne_przeksztalcone/           # Obrazy z anomaliami (przetworzone)
├── czyste_przeksztalcone/           # Obrazy referencyjne (przetworzone)
│
├── json_annotations_clean_final/    # Adnotacje dla czystych obrazów
├── json_annotations_dirty_final/    # Adnotacje dla obrazów z anomaliami
│
├── anomaly_app_script.py            # Skrypt aplikacji do detekcji anomalii
├── diff_pipeline.py                 # Pipeline analizy różnicowej
├── przeksztalcanie_folderow.py      # Skrypt transformacji katalogów
│
├── detecting_anomalies.ipynb        # Notebook badawczy - detekcja anomalii
├── podejscie_temporary.ipynb        # Notebook z eksperymentami
├── tmp.ipynb                        # Notebook roboczy
│
├── manage.py                        # Skrypt zarządzania Django
└── requirements.txt                 # Zależności projektu

🔧 Technologie

• Backend: Django
• Machine Learning: YOLOv8
• Przetwarzanie obrazów: OpenCV, PIL/Pillow
• Analiza danych: NumPy, Pandas
• Notebooki: Jupyter

📦 Instalacja

Wymagania wstępne

• Python 3.8+
• pip
• virtualenv (zalecane)

Kroki instalacji

1. Sklonuj repozytorium

git clone https://github.com/JakubPoltorak147/KAS_HackNation.git
cd KAS_HackNation

2. Utwórz i aktywuj środowisko wirtualne

python -m venv venv
source venv/bin/activate  # Linux/Mac
# lub
venv\Scripts\activate  # Windows

3. Zainstaluj zależności

pip install -r requirements.txt

4. Wykonaj migracje Django

python manage.py migrate

5. Uruchom serwer deweloperski

python manage.py runserver

Aplikacja będzie dostępna pod adresem: http://127.0.0.1:8000

💻 Użytkowanie

Interfejs webowy

1. Uruchom serwer Django zgodnie z instrukcją instalacji
2. Otwórz przeglądarkę i przejdź do http://127.0.0.1:8000
3. Wgraj obraz rentgenowski do analizy
4. System automatycznie wykryje anomalie i wyświetli wyniki

Skrypty pomocnicze

Detekcja anomalii:

python anomaly_app_script.py

Pipeline różnicowy:

python diff_pipeline.py

Transformacja katalogów:

python przeksztalcanie_folderow.py

Jupyter Notebooks

Projekt zawiera notebooki badawcze do eksperymentowania z różnymi podejściami:

jupyter notebook detecting_anomalies.ipynb

🧠 Model detekcji anomalii

System wykorzystuje podejście oparte na analizie różnicowej między obrazami referencyjnymi (czystymi) a obrazami testowymi. Model jest trenowany na zbiorze danych zawierającym:

• Czyste obrazy - normalne skany rentgenowskie bez anomalii
• Brudne obrazy - skany zawierające kontrabandę lub inne nieprawidłowości

Adnotacje w formacie JSON zawierają informacje o lokalizacji i typie wykrytych anomalii.

📊 Format danych

Struktura adnotacji JSON

{
  "image_id": "example_001",
  "annotations": [
    {
      "type": "anomaly",
      "bbox": [x, y, width, height],
      "confidence": 0.95
    }
  ]
}