QC : détecter les erreurs de segmentation
QC : détecter les erreurs de segmentation
Objectif
À la fin, vous aurez reproduit cette étape de bout en bout sur un cas test.
Avant de commencer
- Résultats intermédiaires déjà exportés.
- Checklist projet disponible.
- Critères de validation définis en amont.
Pas à pas
- Exporter les mesures d’objets segmentés.
- Détecter les outliers de taille et circularité.
- Revenir sur image pour confirmer les erreurs.
- Ajuster paramètres et relancer uniquement les lames touchées.
- Comparer avant/après avec métriques.
À copier-coller
import pandas as pd
df = pd.read_csv('detections.csv')
a = df['Cell: Area']
lo, hi = a.quantile([0.01, 0.99])
outliers = df[(a < lo) | (a > hi)]
print('outliers:', len(outliers), '/', len(df))
Vérifier que ça marche
- Chaque point de checklist est renseigné.
- Les anomalies bloquantes sont isolées.
- La décision Go/No-Go est explicite.
En cas de problème
- Revenir à l’étape précédente avec un lot plus petit.
- Comparer avec un cas validé de référence.