.gitignore

@@ -6,6 +6,7 @@ reports/
 # credentials
 CREDENTIALS*
 *.pth
+*.pdf
 
 # Byte-compiled / optimized / DLL files
 __pycache__/

README.md

@@ -14,7 +14,9 @@ Die im Rahmen des Projekts erstellte Anwendung erlaubt es, Bilder von Sensoren,
 
 Ein zu analysierendes Bild enthält zwei Sensoren mit ihrer jeweils definierten Anzahl an Elektroden. Ein solches Bild kann über das bereitgestellte Command-Line-Interface (CLI) analysiert werden. Ist die Analyse erfolgreich, wird eine nach dem Bild benannte CSV-Datei im selben Verzeichnis, in welchem sich das Bild befindet, abgelegt. Diese CSV-Datei enthält die ermittelten Werte für die Abmessungen der Elektroden sowie deren Flächeninhalte. Jeder Sensor besitzt drei Elektroden. Demzufolge ergeben sich 2x3x3 = 18 Kennwerte.
 
-Darüber hinaus wird ermittelt, ob die Sensoren jeweils Anomalien aufweisen. Die CSV-Datei enthält zusätzlich zu den 18 Maß-Kennwerten zwei Einträge mit jeweils ``0`` oder ``1``, ein Ergebnis der Anomaliedetektion für jeden Sensor. Bei einem Ergebnis von ``0`` wurde keine Anomalie festgestellt, bei ``1`` hingegen schon.
+Darüber hinaus wird ermittelt, ob die Sensoren jeweils Anomalien aufweisen. Die CSV-Datei enthält zusätzlich zu den 18 Maß-Kennwerten vier Einträge, für jeden Sensor jeweils der ermittelte Anomalie-Score und die Entscheidung, ob eine Anomalie vorliegt (``1``) oder nicht (``0``).
+
+Die Reihenfolge aller Werte in der CSV-Datei orientiert sich an der Spezifikation, die durch EKF-Diagnostics bereitgestellt wurde.
 
 Im Zuge der Analyse wird eine Heatmap für das Bild erzeugt, welche Rückschlüsse auf Anomaliebereiche erlaubt. Die Datei wird analog der CSV-Datei im entsprechenden Ordner der ursprünglichen Bilddatei mit einem Suffix abgelegt.
 
@@ -29,14 +31,14 @@ Die Nutzung erfolgt über ein CLI, das über ein Python-Skript abgerufen werden
 Die Funktionalität wird über ein CLI nutzbar gemacht. Hierfür liegt in der bereitgestellten Distribution im Ordner "python" ein Python-Skript ab. Dieses muss durch den ebenfalls in diesem Ordner befindlichen Interpreter "python.exe" aufgerufen werden. Erfolgt der Aufruf mit einem anderen Interpreter, werden die installierten Abhängigkeiten nicht gefunden und das Programm funktioniert nicht. Ausgehend vom Ordner, in dem das entpackte Applikationsverzeichnis abliegt, kann die Applikation folgendermaßen aufgerufen werden:
 
 ```pwsh
-cd ekf-sensor-anomalies-deployment\python
+cd dopt_ekf_sensor-anomalies_v{AKTUELLE-VERSION}\python
 .\python.exe .\cli.py --help
 ```
 
 Dieser Befehl gibt den folgenden Hilfetext aus:
 
 ```
-usage: cli.py [-h] img_path calib_value_x calib_value_y
+usage: cli.py [-h] [-t ANOMALY_THRESHOLD] img_path calib_value_x calib_value_y
 
 simple CLI tool to analyse single sensor images for anomalies
 
@@ -47,6 +49,8 @@ positional arguments:
 
 options:
   -h, --help     show this help message and exit
+  -t ANOMALY_THRESHOLD, --anomaly_threshold ANOMALY_THRESHOLD
+                        optional anomaly threshold to set, default: 0.14, type: float
 ```
 
 Das CLI besteht entsprechend der obigen Beschreibung aus einer Funktion. Diese benötigt die folgenden Parameter:
@@ -55,7 +59,9 @@ Das CLI besteht entsprechend der obigen Beschreibung aus einer Funktion. Diese b
 - ``calib_value_x``: den Kalibrierwert in x-Richtung zur Ermittlung der Abmessungen, angegeben in Pixel/µm als Gleitkommazahl
 - ``calib_value_y``: den Kalibrierwert in y-Richtung zur Ermittlung der Abmessungen, angegeben in Pixel/µm als Gleitkommazahl
 
-Alle Parameter sind obligatorisch und müssen bereitgestellt werden. Die Analyse ist stets für nur ein Bild zur selben Zeit durchführbar. Eine Übergabe mehrerer Dateien ist nicht möglich. Ausgaben, die nicht auf Fehler zurückzuführen sind, werden standardmäßig über ``STDOUT`` ausgegeben.
+Diese Parameter sind obligatorisch und müssen bereitgestellt werden. Die Analyse ist stets für nur ein Bild zur selben Zeit durchführbar. Eine Übergabe mehrerer Dateien ist nicht möglich. Ausgaben, die nicht auf Fehler zurückzuführen sind, werden standardmäßig über ``STDOUT`` ausgegeben.
+
+Optional kann für die Pipeline auch der Schwellwert für die Anomaliedetektion definiert werden. Dieser Wert bestimmt, ab wann eine Unregelmäßigkeit in den Bildern tatsächlich als Anomlie gewertet wird, und muss als Gleitkommazahl bereitgestellt werden. Die Übergabe erfolgt über den Parameter ``-t`` bzw. ``--anomaly_threshold``. Der Standardwert liegt bei 0,14.
 
 ### Fehlermeldungen
 

cli.py

@@ -5,7 +5,7 @@ from typing import cast
 
 from dopt_basics import cli
 
-from dopt_sensor_anomalies import _interface
+from dopt_sensor_anomalies import _interface, constants
 
 
 @dc.dataclass()
@@ -13,6 +13,7 @@ class CliArgs:
     img_path: str
     calib_value_x: float
     calib_value_y: float
+    anomaly_threshold: float
 
 
 def main() -> int:
@@ -34,6 +35,16 @@ def main() -> int:
         help="calibration value in pixels per mcm for y axis, type: float",
         type=float,
     )
+    parser.add_argument(
+        "-t",
+        "--anomaly_threshold",
+        help=(
+            f"optional anomaly threshold to set, default: "
+            f"{constants.ANOMALY_THRESHOLD_DEFAULT}, type: float"
+        ),
+        default=constants.ANOMALY_THRESHOLD_DEFAULT,
+        type=float,
+    )
     args = cast(CliArgs, parser.parse_args())
 
     with cli.LoadingAnimation(
@@ -44,6 +55,7 @@ def main() -> int:
             args.img_path,
             args.calib_value_x,
             args.calib_value_y,
+            args.anomaly_threshold,
         )
         if status != 0:
             loader.stop(interrupt=True)

cli_mocked.py

@@ -6,7 +6,7 @@ from unittest.mock import patch
 
 from dopt_basics import cli
 
-from dopt_sensor_anomalies import _interface
+from dopt_sensor_anomalies import _interface, constants
 
 
 @dc.dataclass()
@@ -14,6 +14,7 @@ class CliArgs:
     img_path: str
     calib_value_x: float
     calib_value_y: float
+    anomaly_threshold: float
 
 
 @patch("dopt_sensor_anomalies._find_paths.STOP_FOLDER_NAME", "src")
@@ -37,6 +38,16 @@ def main() -> int:
         help="calibration value in pixels per mcm for y axis, type: float",
         type=float,
     )
+    parser.add_argument(
+        "-t",
+        "--anomaly_threshold",
+        help=(
+            f"optional anomaly threshold to set, default: "
+            f"{constants.ANOMALY_THRESHOLD_DEFAULT}, type: float"
+        ),
+        default=constants.ANOMALY_THRESHOLD_DEFAULT,
+        type=float,
+    )
     args = cast(CliArgs, parser.parse_args())
 
     with cli.LoadingAnimation(
@@ -47,6 +58,7 @@ def main() -> int:
             args.img_path,
             args.calib_value_x,
             args.calib_value_y,
+            args.anomaly_threshold,
         )
         if status != 0:
             loader.stop(interrupt=True)

docs/manual.md

@@ -11,7 +11,9 @@ Die im Rahmen des Projekts erstellte Anwendung erlaubt es, Bilder von Sensoren,
 
 Ein zu analysierendes Bild enthält zwei Sensoren mit ihrer jeweils definierten Anzahl an Elektroden. Ein solches Bild kann über das bereitgestellte Command-Line-Interface (CLI) analysiert werden. Ist die Analyse erfolgreich, wird eine nach dem Bild benannte CSV-Datei im selben Verzeichnis, in welchem sich das Bild befindet, abgelegt. Diese CSV-Datei enthält die ermittelten Werte für die Abmessungen der Elektroden sowie deren Flächeninhalte. Jeder Sensor besitzt drei Elektroden. Demzufolge ergeben sich 2x3x3 = 18 Kennwerte.
 
-Darüber hinaus wird ermittelt, ob die Sensoren jeweils Anomalien aufweisen. Die CSV-Datei enthält zusätzlich zu den 18 Maß-Kennwerten zwei Einträge mit jeweils ``0`` oder ``1``, ein Ergebnis der Anomaliedetektion für jeden Sensor. Bei einem Ergebnis von ``0`` wurde keine Anomalie festgestellt, bei ``1`` hingegen schon.
+Darüber hinaus wird ermittelt, ob die Sensoren jeweils Anomalien aufweisen. Die CSV-Datei enthält zusätzlich zu den 18 Maß-Kennwerten vier Einträge, für jeden Sensor jeweils der ermittelte Anomalie-Score und die Entscheidung, ob eine Anomalie vorliegt (``1``) oder nicht (``0``).
+
+Die Reihenfolge aller Werte in der CSV-Datei orientiert sich an der Spezifikation, die durch EKF-Diagnostics bereitgestellt wurde.
 
 Im Zuge der Analyse wird eine Heatmap für das Bild erzeugt, welche Rückschlüsse auf Anomaliebereiche erlaubt. Die Datei wird analog der CSV-Datei im entsprechenden Ordner der ursprünglichen Bilddatei mit einem Suffix abgelegt.
 
@@ -26,14 +28,14 @@ Die Nutzung erfolgt über ein CLI, das über ein Python-Skript abgerufen werden
 Die Funktionalität wird über ein CLI nutzbar gemacht. Hierfür liegt in der bereitgestellten Distribution im Ordner "python" ein Python-Skript ab. Dieses muss durch den ebenfalls in diesem Ordner befindlichen Interpreter "python.exe" aufgerufen werden. Erfolgt der Aufruf mit einem anderen Interpreter, werden die installierten Abhängigkeiten nicht gefunden und das Programm funktioniert nicht. Ausgehend vom Ordner, in dem das entpackte Applikationsverzeichnis abliegt, kann die Applikation folgendermaßen aufgerufen werden:
 
 ```pwsh
-cd ekf-sensor-anomalies-deployment\python
+cd dopt_ekf_sensor-anomalies_v{AKTUELLE-VERSION}\python
 .\python.exe .\cli.py --help
 ```
 
 Dieser Befehl gibt den folgenden Hilfetext aus:
 
 ```
-usage: cli.py [-h] img_path calib_value_x calib_value_y
+usage: cli.py [-h] [-t ANOMALY_THRESHOLD] img_path calib_value_x calib_value_y
 
 simple CLI tool to analyse single sensor images for anomalies
 
@@ -41,11 +43,11 @@ positional arguments:
   img_path       file path to the image which is to be analysed
   calib_value_x  calibration value in pixels per mcm for x axis, type: float
   calib_value_y  calibration value in pixels per mcm for y axis, type: float
-```
-\newpage
-```
+
 options:
   -h, --help     show this help message and exit
+  -t ANOMALY_THRESHOLD, --anomaly_threshold ANOMALY_THRESHOLD
+                        optional anomaly threshold to set, default: 0.14, type: float
 ```
 
 Das CLI besteht entsprechend der obigen Beschreibung aus einer Funktion. Diese benötigt die folgenden Parameter:
@@ -54,7 +56,9 @@ Das CLI besteht entsprechend der obigen Beschreibung aus einer Funktion. Diese b
 - ``calib_value_x``: den Kalibrierwert in x-Richtung zur Ermittlung der Abmessungen, angegeben in Pixel/µm als Gleitkommazahl
 - ``calib_value_y``: den Kalibrierwert in y-Richtung zur Ermittlung der Abmessungen, angegeben in Pixel/µm als Gleitkommazahl
 
-Alle Parameter sind obligatorisch und müssen bereitgestellt werden. Die Analyse ist stets für nur ein Bild zur selben Zeit durchführbar. Eine Übergabe mehrerer Dateien ist nicht möglich. Ausgaben, die nicht auf Fehler zurückzuführen sind, werden standardmäßig über ``STDOUT`` ausgegeben.
+Diese Parameter sind obligatorisch und müssen bereitgestellt werden. Die Analyse ist stets für nur ein Bild zur selben Zeit durchführbar. Eine Übergabe mehrerer Dateien ist nicht möglich. Ausgaben, die nicht auf Fehler zurückzuführen sind, werden standardmäßig über ``STDOUT`` ausgegeben.
+
+Optional kann für die Pipeline auch der Schwellwert für die Anomaliedetektion definiert werden. Dieser Wert bestimmt, ab wann eine Unregelmäßigkeit in den Bildern tatsächlich als Anomlie gewertet wird, und muss als Gleitkommazahl bereitgestellt werden. Die Übergabe erfolgt über den Parameter ``-t`` bzw. ``--anomaly_threshold``. Der Standardwert liegt bei 0,14.
 
 ### Fehlermeldungen
 

pyproject.toml

@@ -1,6 +1,6 @@
 [project]
 name = "dopt-sensor-anomalies"
-version = "0.1.5"
+version = "0.2.0dev0"
 description = "anomaly detection for sensor images for quality assurance processes"
 authors = [
     {name = "d-opt GmbH (resp.: Florian Foerster)", email = "f.foerster@d-opt.com"},
@@ -77,7 +77,7 @@ directory = "reports/coverage"
 
 
 [tool.bumpversion]
-current_version = "0.1.5"
+current_version = "0.2.0dev0"
 parse = """(?x)
     (?P<major>0|[1-9]\\d*)\\.
     (?P<minor>0|[1-9]\\d*)\\.

scripts/build.ps1

@@ -1 +1,115 @@
-pdm build -d build/
+$DEPLOYMENT_PATH = 'B:\deployments\EKF-Diagnostics'
+$ENV_PATH = 'B:\deployments\EKF-Diagnostics\dopt_ekf_sensor-anomalies'
+$PY_PATH = Join-Path -Path $ENV_PATH -ChildPath 'python'
+$SRC_PATH = (Get-Location).Path
+
+Write-Output "Build Pipeline for d-opt EKF-Diagnostics sensor anomaly detection"
+Write-Output "Building package..."
+.\scripts\publish.ps1
+if ($? -eq $false){
+    Write-Output "[PWSH] Exiting script because there were build errors"
+    Exit
+}
+Write-Output "Built package successfully"
+
+# manual
+Write-Output "Generate manual..."
+.\scripts\cvt_manual.ps1
+if ($? -eq $false){
+    Write-Output "[PWSH] Exiting script because there errors while generating the README file"
+    Exit
+}
+Write-Output "Generated manual file successfully"
+Write-Output "Copying manual file..."
+$readme_src_path = Join-Path -Path $SRC_PATH -ChildPath 'docs\manual.pdf'
+$readme_dest_path = Join-Path -Path $ENV_PATH -ChildPath 'manual'
+Copy-Item -Path $readme_src_path  -Destination $readme_dest_path -Force
+if ($? -eq $false){
+    Write-Output "[PWSH] Exiting script because there were errors while copying the manual file"
+    Exit
+}
+Write-Output "Copied manual file successfully"
+
+
+Write-Output "Go into env directory..."
+Set-Location $ENV_PATH
+Write-Output "Install package into environment..."
+pycage venv add -p -i http://localhost:8001/simple/ dopt-sensor-anomalies
+if ($? -eq $false){
+    Write-Output "[PWSH] Exiting script because there were errors while installing the package into the environment"
+    Exit
+}
+Write-Output "Successfully installed package"
+
+# copy CLI file
+Write-Output "Copying CLI script file..."
+$cli_path = Join-Path -Path $SRC_PATH -ChildPath 'cli.py'
+Copy-Item -Path $cli_path -Destination $PY_PATH -Force
+if ($? -eq $false){
+    Write-Output "[PWSH] Exiting script because there were errors while copying the CLI script file"
+    Exit
+}
+Write-Output "Copied CLI script file successfully"
+
+# copy model files
+Write-Output "Copying model weight files..."
+$model_src_path = Join-Path -Path $SRC_PATH -ChildPath 'tests\_models\'
+$model_dest_path = Join-Path -Path $ENV_PATH -ChildPath 'models'
+Copy-Item -Path "$model_src_path\*.pth" -Destination $model_dest_path -Force
+if ($? -eq $false){
+    Write-Output "[PWSH] Exiting script because there were errors while copying the model weight files"
+    Exit
+}
+Write-Output "Copied model weight files successfully"
+
+
+# env preparation
+Write-Output "Preparing environment with cleanup and pre-compilation..."
+pycage clean dist-info
+if ($? -eq $false){
+    Write-Output "[PWSH] Exiting script because there were errors while deleting the distribution info files"
+    Exit
+}
+pycage compile -q -d -f
+if ($? -eq $false){
+    Write-Output "[PWSH] Exiting script because there were errors during the pre-compilation process"
+    Exit
+}
+Write-Output "Successfully prepared environment with cleanup and pre-compilation"
+
+Write-Output "Get version string..."
+$pyproject = Get-Content $SRC_PATH\pyproject.toml -Raw
+
+if ($pyproject -match '\[project\].*?\n[\s\w\n=""-_{}]*\[[\w-]*\]') {
+    $projectBlock = $matches[0]
+    if ($projectBlock -match 'version\s*=\s*"([^"]+)"') {
+        $version = $matches[1]
+        Write-Output "The version string is: $version"
+    }
+    else {
+        Write-Output "[PWSH] Exiting script because the version string was not found"
+        Exit
+    }
+}
+else {
+    Write-Output "[PWSH] Exiting script because the version string was not found"
+    Exit
+}
+
+Write-Output "Packaging whole standalone environment in a ZIP file"
+$dest_path = Join-Path -Path $DEPLOYMENT_PATH -ChildPath "dopt_ekf_sensor-anomalies_v$version.zip"
+$compress = @{
+    Path = "$ENV_PATH\**"
+    CompressionLevel = "Optimal"
+    DestinationPath =  $dest_path
+}
+Compress-Archive @compress -Force
+
+if ($? -eq $false){
+    Write-Output "[PWSH] Exiting script because there were errors during the archive compression operation"
+    Exit
+}
+Write-Output "Successfully compressed archive. Saved under: >$dest_path<"
+
+Write-Output "Go back to source directory..."
+Set-Location $SRC_PATH

scripts/build_pdm.ps1

@@ -0,0 +1 @@
+pdm build -d build/

src/dopt_sensor_anomalies/_interface.py

@@ -30,11 +30,13 @@ def sensor_anomalies_detection(
     user_img_path: str,
     pixels_per_metric_X: float,
     pixels_per_metric_Y: float,
+    anomaly_threshold: float,
 ) -> int:
     res = detection.pipeline(
         user_img_path=user_img_path,
         pixels_per_metric_X=pixels_per_metric_X,
         pixels_per_metric_Y=pixels_per_metric_Y,
+        anomaly_threshold=anomaly_threshold,
     )
     if res.status.code != 0:
         _print_error_state(res.status, out_stream=sys.stderr)

src/dopt_sensor_anomalies/constants.py

@@ -5,11 +5,13 @@ LIB_ROOT_PATH: Final[Path] = Path(__file__).parent
 STOP_FOLDER_NAME: Final[str] = "python"
 MODEL_FOLDER_NAME: Final[str] = "models"
 
+EXPORT_DATA_SORTING: Final[tuple[str, ...]] = ("sensor_sizes", "right", "left")
+
 THRESHOLD_BW: Final[int] = 63
 BACKBONE: Final[str] = "wide_resnet50_2"
 LAYERS: Final[tuple[str, ...]] = ("layer1", "layer2", "layer3")
 RATIO: Final[float] = 0.01
-ANOMALY_THRESHOLD: Final[float] = 0.14
+ANOMALY_THRESHOLD_DEFAULT: Final[float] = 0.14
 
 NUM_VALID_ELECTRODES: Final[int] = 6
 HEATMAP_FILENAME_SUFFIX: Final[str] = "_Heatmap"

src/dopt_sensor_anomalies/detection.py

@@ -11,6 +11,7 @@ import numpy.typing as npt
 import torch
 from anomalib.models import Patchcore
 from dopt_basics import result_pattern
+from dopt_basics.datastructures import flatten
 from imutils import contours, perspective
 from pandas import DataFrame
 from PIL import Image
@@ -56,8 +57,8 @@ def measure_length(
     img_path: Path,
     pixels_per_metric_X: float,
     pixels_per_metric_Y: float,
-) -> tuple[t.CsvData, t.SensorImages]:
-    data_csv: list[str | int] = []
+) -> tuple[t.ExportData, t.SensorImages]:
+    sensor_sizes: list[tuple[str, ...]] = []
     image = cv2.imread(str(img_path))
     if image is None:
         raise errors.ImageNotReadError(f"Image could not be read from: >{img_path}<")
@@ -97,15 +98,16 @@ def measure_length(
         box = cast(npt.NDArray[np.float32], perspective.order_points(box))
 
         (tl, tr, br, bl) = box
-        (tltrX, tltrY) = midpoint(tl, tr)
-        (blbrX, blbrY) = midpoint(bl, br)
-        (tlblX, tlblY) = midpoint(tl, bl)
-        (trbrX, trbrY) = midpoint(tr, br)
 
-        dA = dist.euclidean((tltrX, tltrY), (blbrX, blbrY))
-        dB = dist.euclidean((tlblX, tlblY), (trbrX, trbrY))
+        widthA = np.linalg.norm(br - bl)
+        widthB = np.linalg.norm(tr - tl)
+        max_width = int(max(widthA, widthB))
 
-        if dA < 100 or dB < 100:
+        heightA = np.linalg.norm(tr - br)
+        heightB = np.linalg.norm(tl - bl)
+        max_height = int(max(heightA, heightB))
+
+        if max_width < 100 or max_height < 100:
             continue
 
         is_duplicate = any(
@@ -117,15 +119,38 @@ def measure_length(
         accepted_boxes.append(rbox)
         filtered_cnts.append(c)
 
-        dimA = dA / pixels_per_metric_Y
-        dimB = dB / pixels_per_metric_X
+        dimA = max_width / pixels_per_metric_Y
+        dimB = max_height / pixels_per_metric_X
 
-        data_csv.extend(
+        offset = 20
+
+        dst = np.array(
             [
-                f"{dimB:.3f}".replace(".", ","),
+                [offset, offset],
+                [max_width - 1 + offset, offset],
+                [max_width - 1 + offset, max_height - 1 + offset],
+                [offset, max_height - 1 + offset],
+            ],
+            dtype="float32",
+        )
+
+        M = cv2.getPerspectiveTransform(box, dst)
+        warped = cv2.warpPerspective(
+            orig, M, (max_width + 2 * offset, max_height + 2 * offset)
+        )
+
+        gray_warped = cv2.cvtColor(warped, cv2.COLOR_BGR2GRAY)
+        _, binary_warped = cv2.threshold(gray_warped, 80, 255, cv2.THRESH_BINARY)
+        pixel_count = np.sum(binary_warped == 0)
+
+        sensor_sizes.append(
+            (
                 f"{dimA:.3f}".replace(".", ","),
-                f"{dimA * dimB:.1f}".replace(".", ","),
-            ]
+                f"{dimB:.3f}".replace(".", ","),
+                f"{pixel_count / pixels_per_metric_X / pixels_per_metric_Y:.1f}".replace(
+                    ".", ","
+                ),
+            )
         )
 
     if not filtered_cnts:  # pragma: no cover
@@ -152,12 +177,19 @@ def measure_length(
     cropped_sensor_left = orig[y_min:y_max, x_min:x_middle]
     cropped_sensor_right = orig[y_min:y_max, x_middle:x_max]
 
-    return data_csv, t.SensorImages(left=cropped_sensor_left, right=cropped_sensor_right)
+    sensor_sizes_sorted = cast(
+        tuple[str, ...],
+        tuple(flatten(reversed(sensor_sizes))),  # type: ignore
+    )
+    export_data: t.ExportData = t.ExportData(sensor_sizes=sensor_sizes_sorted)
+
+    return export_data, t.SensorImages(left=cropped_sensor_left, right=cropped_sensor_right)
 
 
 def infer_image(
     image: npt.NDArray[np.uint8],
     model: Patchcore,
+    anomaly_threshold: float,
 ) -> t.InferenceResult:
     torch_device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
     model.to(torch_device)
@@ -176,7 +208,7 @@ def infer_image(
         output = model(input_tensor)
 
     anomaly_score = output.pred_score.item()
-    anomaly_label = bool(1 if anomaly_score >= const.ANOMALY_THRESHOLD else 0)
+    anomaly_label = bool(1 if anomaly_score >= anomaly_threshold else 0)
     anomaly_map = output.anomaly_map.squeeze().cpu().numpy()
 
     img_np = np.array(pil_image)
@@ -193,8 +225,9 @@ def infer_image(
 def anomaly_detection(
     img_path: Path,
     detection_models: t.DetectionModels,
-    data_csv: t.CsvData,
+    export_data: t.ExportData,
     sensor_images: t.SensorImages,
+    anomaly_threshold: float,
 ) -> None:
     file_stem = img_path.stem
     folder_path = img_path.parent
@@ -209,8 +242,11 @@ def anomaly_detection(
         checkpoint = torch.load(detection_models[side])
         model.load_state_dict(checkpoint["model_state_dict"])
 
-        result = infer_image(image, model)
-        data_csv.extend([int(result.anomaly_label)])
+        result = infer_image(image, model, anomaly_threshold)
+        export_data[side] = (
+            f"{result.anomaly_score:.1f}".replace(".", ","),
+            str(int(result.anomaly_label)),
+        )
 
         ax = axes[i]
         ax.axis("off")
@@ -225,7 +261,12 @@ def anomaly_detection(
     )
     plt.close()
 
-    df = DataFrame([data_csv])
+    csv_data_sorted: tuple[tuple[str, ...]] = tuple(
+        export_data[key] for key in const.EXPORT_DATA_SORTING
+    )
+    csv_data: tuple[str, ...] = tuple(flatten(csv_data_sorted))
+
+    df = DataFrame([csv_data])
     df.to_csv(
         (folder_path / f"{file_stem}.csv"),
         mode="w",
@@ -241,6 +282,7 @@ def pipeline(
     user_img_path: str,
     pixels_per_metric_X: float,
     pixels_per_metric_Y: float,
+    anomaly_threshold: float,
 ) -> None:
     file_path = Path(user_img_path)
     if not file_path.exists():
@@ -257,6 +299,7 @@ def pipeline(
     anomaly_detection(
         img_path=file_path,
         detection_models=DETECTION_MODELS,
-        data_csv=data_csv,
+        export_data=data_csv,
         sensor_images=sensor_images,
+        anomaly_threshold=anomaly_threshold,
     )

src/dopt_sensor_anomalies/detection.pyi

@@ -54,7 +54,7 @@ def measure_length(
     img_path: Path,
     pixels_per_metric_X: float,
     pixels_per_metric_Y: float,
-) -> tuple[t.CsvData, t.SensorImages]:
+) -> tuple[t.ExportData, t.SensorImages]:
     """detect and measure the size of the electrodes
 
     Parameters
@@ -68,8 +68,10 @@ def measure_length(
 
     Returns
     -------
-    tuple[t.CsvData, t.SensorImages]
-        t.CsvData: (list) data to save as CSV according to requirements, contains strings and ints
+    tuple[t.ExportData, t.SensorImages]
+        t.ExportData: (TypedDict) data to save as CSV according to requirements, contains
+        strings for sensor sizes and anomaly detection results for the left and right hand
+        sensor respectively
         t.SensorImages: (TypedDict) contains left and right image corresponding to each sensor
 
     Raises
@@ -86,6 +88,7 @@ def measure_length(
 def infer_image(
     image: npt.NDArray[np.uint8],
     model: Patchcore,
+    anomaly_threshold: float,
 ) -> t.InferenceResult:
     """evaluate one image
 
@@ -111,8 +114,9 @@ def infer_image(
 def anomaly_detection(
     img_path: Path,
     detection_models: t.DetectionModels,
-    data_csv: t.CsvData,
+    export_data: t.ExportData,
     sensor_images: t.SensorImages,
+    anomaly_threshold: float,
 ) -> None:
     """load the model, call function for anomaly detection and store the results
 
@@ -122,8 +126,9 @@ def anomaly_detection(
         path to file to analyse
     detection_models : t.DetectionModels
         collection of model paths for the left and right sensor
-    data_csv : t.CsvData
-        (list) data to save as CSV according to requirements, contains strings and ints
+    export_data: t.ExportData,
+        (TypedDict) data to save as CSV according to requirements, contains strings for sensor
+        sizes and anomaly detection results for the left and right hand sensor respectively
     sensor_images : t.SensorImages
         _description_
     """
@@ -134,6 +139,7 @@ def pipeline(
     user_img_path: str,
     pixels_per_metric_X: float,
     pixels_per_metric_Y: float,
+    anomaly_threshold: float,
 ) -> None:
     """full pipeline defined by the agreed requirements
     wrapped as result pattern, handle errors on higher abstraction level

src/dopt_sensor_anomalies/types.py

@@ -1,6 +1,6 @@
 import dataclasses as dc
 from pathlib import Path
-from typing import TypeAlias, TypedDict
+from typing import NotRequired, TypeAlias, TypedDict
 
 import numpy as np
 import numpy.typing as npt
@@ -17,6 +17,12 @@ class InferenceResult:
     anomaly_label: bool
 
 
+class ExportData(TypedDict):
+    sensor_sizes: tuple[str, ...]
+    left: NotRequired[tuple[str, str]]
+    right: NotRequired[tuple[str, str]]
+
+
 class SensorImages(TypedDict):
     left: npt.NDArray
     right: npt.NDArray

tests/test_detection.py

@@ -67,9 +67,9 @@ def test_measure_length(single_img_path):
         pixels_per_metric_X,
         pixels_per_metric_Y,
     )
-    assert len(data) == 18
-    assert isinstance(data[0], str)
-    assert float(data[0].replace(",", ".")) == pytest.approx(1266.932)
+    assert len(data["sensor_sizes"]) == 18
+    assert isinstance(data["sensor_sizes"][0], str)
+    assert float(data["sensor_sizes"][0].replace(",", ".")) == pytest.approx(1207.171)
     img_left = imgs["left"]
     assert 235 < img_left.shape[0] < 260
     assert 910 < img_left.shape[1] < 960
@@ -89,21 +89,22 @@ def test_isolated_pipeline(results_folder, path_img_with_failure_TrainedModel):
     DETECTION_MODELS = dopt_sensor_anomalies._find_paths.get_detection_models(MODEL_FOLDER)
     assert DETECTION_MODELS["left"].exists()
     assert DETECTION_MODELS["right"].exists()
-    data_csv, sensor_images = detect.measure_length(
+    export_data, sensor_images = detect.measure_length(
         path_img_with_failure_TrainedModel,
         pixels_per_metric_X,
         pixels_per_metric_Y,
     )
 
     # measured sizes
-    assert len(data_csv) == 18
+    assert len(export_data["sensor_sizes"]) == 18
     assert sensor_images["left"] is not None
     assert sensor_images["right"] is not None
     detect.anomaly_detection(
         img_path=path_img_with_failure_TrainedModel,
         detection_models=DETECTION_MODELS,
-        data_csv=data_csv,
+        export_data=export_data,
         sensor_images=sensor_images,
+        anomaly_threshold=constants.ANOMALY_THRESHOLD_DEFAULT,
     )
     # check files for existence
     root_img = path_img_with_failure_TrainedModel.parent
@@ -124,7 +125,12 @@ def test_full_pipeline_wrapped_FailImagePath(setup_temp_dir):
     pixels_per_metric_X: float = 0.251
     pixels_per_metric_Y: float = 0.251
 
-    ret = detect.pipeline(img_path, pixels_per_metric_X, pixels_per_metric_Y)
+    ret = detect.pipeline(
+        img_path,
+        pixels_per_metric_X,
+        pixels_per_metric_Y,
+        constants.ANOMALY_THRESHOLD_DEFAULT,
+    )
     assert ret.status != result_pattern.STATUS_HANDLER.SUCCESS
     assert ret.status.ExceptionType is FileNotFoundError
     assert ret.status.message == MESSAGE
@@ -140,7 +146,12 @@ def test_full_pipeline_wrapped_FailElectrodeCount(path_img_with_failure_Electrod
     pixels_per_metric_X: float = 0.251
     pixels_per_metric_Y: float = 0.251
 
-    ret = detect.pipeline(img_path, pixels_per_metric_X, pixels_per_metric_Y)
+    ret = detect.pipeline(
+        img_path,
+        pixels_per_metric_X,
+        pixels_per_metric_Y,
+        constants.ANOMALY_THRESHOLD_DEFAULT,
+    )
     assert ret.status != result_pattern.STATUS_HANDLER.SUCCESS
     assert ret.status.ExceptionType is errors.InvalidElectrodeCount
     assert MESSAGE in ret.status.message
@@ -164,7 +175,12 @@ def test_full_pipeline_wrapped_Success(results_folder, path_img_with_failure_Tra
     pixels_per_metric_X: float = 0.251
     pixels_per_metric_Y: float = 0.251
 
-    ret = detect.pipeline(img_path, pixels_per_metric_X, pixels_per_metric_Y)
+    ret = detect.pipeline(
+        img_path,
+        pixels_per_metric_X,
+        pixels_per_metric_Y,
+        constants.ANOMALY_THRESHOLD_DEFAULT,
+    )
     assert ret.status == result_pattern.STATUS_HANDLER.SUCCESS
     assert ret.status.code == 0
     assert ret.status.ExceptionType is None

tests/test_interface.py

@@ -54,7 +54,10 @@ def test_sensor_anomalies_detection_FailImagePath(setup_temp_dir):
 
     with patch("sys.stderr", new_callable=StringIO) as mock_err:
         ret = _interface.sensor_anomalies_detection(
-            img_path, pixels_per_metric_X, pixels_per_metric_Y
+            img_path,
+            pixels_per_metric_X,
+            pixels_per_metric_Y,
+            constants.ANOMALY_THRESHOLD_DEFAULT,
         )
         captured = mock_err.getvalue()
         assert ret != 0
@@ -72,7 +75,10 @@ def test_sensor_anomalies_detection_FailElectrodeCount(path_img_with_failure_Ele
 
     with patch("sys.stderr", new_callable=StringIO) as mock_err:
         ret = _interface.sensor_anomalies_detection(
-            img_path, pixels_per_metric_X, pixels_per_metric_Y
+            img_path,
+            pixels_per_metric_X,
+            pixels_per_metric_Y,
+            constants.ANOMALY_THRESHOLD_DEFAULT,
         )
         captured = mock_err.getvalue()
         assert ret != 0
@@ -99,7 +105,10 @@ def test_sensor_anomalies_detection_Success(
     pixels_per_metric_Y: float = 0.251
 
     ret = _interface.sensor_anomalies_detection(
-        img_path, pixels_per_metric_X, pixels_per_metric_Y
+        img_path,
+        pixels_per_metric_X,
+        pixels_per_metric_Y,
+        constants.ANOMALY_THRESHOLD_DEFAULT,
     )
 
     assert ret == 0