CN109214453A - 模型训练用图像的自动标注方法、系统、设备及存储介质 - Google Patents

模型训练用图像的自动标注方法、系统、设备及存储介质 Download PDF

Info

Publication number
CN109214453A
CN109214453A CN201811000274.5A CN201811000274A CN109214453A CN 109214453 A CN109214453 A CN 109214453A CN 201811000274 A CN201811000274 A CN 201811000274A CN 109214453 A CN109214453 A CN 109214453A
Authority
CN
China
Prior art keywords
image
marked
end article
imaging region
product
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201811000274.5A
Other languages
English (en)
Inventor
杨聪
姚阳
柯严
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Expand Intelligent Technology Co Ltd
Original Assignee
Shanghai Expand Intelligent Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Expand Intelligent Technology Co Ltd filed Critical Shanghai Expand Intelligent Technology Co Ltd
Priority to CN201811000274.5A priority Critical patent/CN109214453A/zh
Publication of CN109214453A publication Critical patent/CN109214453A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/752—Contour matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种模型训练用图像的自动标注方法、系统、设备及存储介质，包括如下步骤：获取一待标注图像，所述待标注图像包括背景区域和待标注的多个目标商品成像区域；将所述待标注图像映射为待标注灰度图像，进而对所述待标注灰度图像进行线条检测生成待标注图像对应的待标注线条图像；根据预设置的目标商品模版图与所述待标注线条图像进行图像匹配，识别出待标注线条图像中每一目标商品成像区域；对识别出的每一目标商品成像区域进行标注生成训练图像。本发明能够实现待标注图像的自动标注，替代了人工的标注，提高了图像标注的效率，降低了AI企业的成本。

Description

模型训练用图像的自动标注方法、系统、设备及存储介质
技术领域
本发明涉及机器学习，具体地，涉及一种模型训练用图像的自动标注方法、系统、设备及存储介质。
背景技术
机器学习是近20多年兴起的一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论，机器学习与统计推断学联系尤为密切，也被称为统计学习理论。
机器学习方法被广泛用于图像识别，通过在给定图像集上训练模型来完成新图像的分类、识别或分割。常用的算法有支持向量机(SVM)，隐马尔科夫(HMM)以及人工神经网络等。然而，传统的机器学习算法需要利用先验知识从原始图像中人工进行待识别目标的标注生成训练图像，从而训练图像识别模型。图像识别模型的训练需要大量的训练图像。因此需要大量人工进行原始图像的标注，造成人工智能成本的上升。但是训练一类别物体的图像识别模型时，训练图像中物体的轮廓的形状是大致相同的，基于此特点，因此有希望研发一种模型训练用图像的自动标注方法。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种模型训练用图像的自动标注方法、系统、设备及存储介质。
根据本发明提供的模型训练用图像的自动标注方法，包括如下步骤：
步骤S1：获取一待标注图像，所述待标注图像包括背景区域和待标注的多个目标商品成像区域；
步骤S2：将所述待标注图像映射为待标注灰度图像，进而对所述待标注灰度图像进行线条检测生成待标注图像对应的待标注线条图像；
步骤S3：根据预设置的目标商品模版图与所述待标注线条图像进行图像匹配，识别出待标注线条图像中每一目标商品成像区域；
步骤S4：对识别出的每一目标商品成像区域进行标注生成训练图像。
优选地，所述目标商品包括如下任一中或任多种商品：
-瓶装产品；
-听装产品；
-桶装产品；
-盒装产品。
优选地，所述步骤S2包括如下步骤：
步骤S201：将所述待标注图像映射为待标注灰度图像，进而进行曲线映射生成待标注曲线图像，所述待标注曲线图像包括多条曲线段；
步骤S202：对所述待标注曲线图像进行降噪处理生成降噪后待标注曲线图像，以降低所述曲线段的数量；
步骤S203：提取所述降噪后待标注曲线图像中的目标曲线生成所述目标商品线条图。
优选地，所述步骤S203包括如下步骤：
步骤S2031：提取所述曲线中长度大于所述待标注图像长度的预设定倍数值的曲线作为目标曲线；
步骤S2032：将多条首尾粘连在一起的曲线进行合并生成一目标曲线，将多条在宽度方向上粘连的曲线进行合并生成一目标曲线；
步骤S2033：当所述目标曲线围成一封闭空间时，将所述封闭空间内的目标曲线删除；
步骤S2034：提取所述目标曲线生成所述目标商品线条图。
优选地，当所述目标商品为瓶装产品时，所述目标商品模版图为瓶装产品的轮廓图；当所述目标商品为桶装产品时，所述目标商品模版图为桶装产品的轮廓图；当所述目标商品为盒装产品时，所述目标商品模版图为盒装产品的轮廓图；当所述目标商品为听装产品时，所述目标商品模版图为听装产品的轮廓图；
或，所述目标商品模版图包括瓶装产品的轮廓图、所述桶装产品的轮廓图、所述盒装产品的轮廓图和所述盒装产品的轮廓图。
优选地，当所述目标商品为瓶装产品时，所述目标商品模版图为瓶装产品的轮廓图时，所述步骤S3包括如下步骤：
步骤S301：将所述瓶装产品的轮廓图拆分为位于上部的颈部区域轮廓图和位于下部的底部区域轮廓图；
步骤S302：将所述瓶装产品的轮廓图与所述待标注线条图像进行模版匹配识别所述待标注线条图像中每一目标商品成像区域，并生成每一目标商品成像区域的第一识别准确度；
步骤S303：当一目标商品成像区域对应的第一识别准确度小于预设的识别准确度阈值，则将该目标商品成像区域作为二次待识别目标商品成像区域；
步骤S304：将所述颈部区域轮廓图与所述二次待识别目标商品成像区域进行模版匹配生成第二识别准确度；
步骤S305：将大于预设的识别准确度阈值的第一识别准确度和第二识别准确度对应的目标商品成像区域作为识别出的目标商品成像区域。
优选地，所述步骤S4包括如下步骤：
步骤S401：识别出每一目标商品成像区域四条侧边的外缘点；
步骤S402：在每一目标商品成像区域，对沿水平方向延伸的侧边，以该侧边的外缘点做沿水平方向延伸的直线，对沿竖直方向延伸的侧边，以该侧边的外缘点作沿竖直方向延伸的直线；
步骤S403：通过目标商品成像区域四条侧边的外缘点作出的直线将所述目标商品成像区域框出；
步骤S404：将每一框出的目标商品成像区域与该目标商品的信息相关联，生成所述训练图像。
本发明提供的模型训练用图像的自动标注系统，用于实现所述的模型训练用图像的自动标注方法，包括：
待标注图像获取模块，用于获取一待标注图像，所述待标注图像包括背景区域和待标注的多个目标商品成像区域；
线条图像生成模块，用于所述待标注图像映射为待标注灰度图像，进而对所述待标注灰度图像进行线条检测生成待标注图像对应的待标注线条图像；
模版匹配模块，用于根据预设值的目标商品模版图与所述目标商品线条图进行图像匹配，识别出每一目标商品成像区域；
目标商品标注模块，用于对识别出的每一目标商品成像区域进行标注生成训练图像。
本发明提供的模型训练用图像的自动标注设备，包括：
处理器；
存储器，其中存储有所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行所述模型训练用图像的自动标注方法的步骤。
本发明提供的计算机可读存储介质，用于存储程序，所述程序被执行时实现所述模型训练用图像的自动标注方法的步骤。
与现有技术相比，本发明具有如下的有益效果：
本发明中能够根据预设值的目标商品模版图对待标注线条图像进行模版匹配，实现对待标注线条图像上目标商品成像区域的识别，进而能够对目标商品成像区域进行标注，生成训练图像，从而能够实现待标注图像的自动标注，替代了人工的标注，提高了图像标注的效率，降低了AI企业的成本；
本发明中将第一识别准确度小于预设的识别准确度阈值的目标商品成像区域通过颈部区域轮廓图进行二次匹配，避免了当待标注图像转换为目标商品成像区域时部分线条确实造成的识别准确度降低的问题。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明中模型训练用图像的自动标注方法的步骤流程图；
图2为本发明中目标商品线条图生成的步骤流程图；
图3为本发明中目标曲线提取的步骤流程图；
图4为本发明中识别出目标商品成像区域的步骤流程图；
图5为本发明中对目标商品成像区域进行标注的步骤流程图；
图6为本发明中目标商品模版图的结构示意图；
图7为本发明中模型训练用图像的自动标注系统的模块示意图；
图8为本发明中模型训练用图像的自动标注设备的结构示意图；以及
图9为本发明中计算机可读存储介质的结构示意图。
图中：
1为颈部区域轮廓图；
2为底部区域轮廓图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
图1为本发明中模型训练用图像的自动标注方法的步骤流程图，如图1所示，本发明提供的模型训练用图像的自动标注方法，包括如下步骤：
步骤S1：获取一待标注图像，所述待标注图像包括背景区域和待标注的多个目标商品成像区域；
步骤S2：将所述待标注图像映射为待标注灰度图像，进而对所述待标注灰度图像进行线条检测生成待标注图像对应的待标注线条图像；
步骤S3：根据预设置的目标商品模版图与所述待标注线条图像进行图像匹配，识别出待标注线条图像中每一目标商品成像区域；
步骤S4：对识别出的每一目标商品成像区域进行标注生成训练图像。
在本实施例中，本发明中能够根据预设值的目标商品模版图对待标注线条图像进行模版匹配，实现对待标注线条图像上目标商品成像区域的识别，进而能够对目标商品成像区域进行标注，生成训练图像，从而能够实现待标注图像的自动标注，替代了人工的标注，提高了图像标注的效率，降低了AI企业的成本。
在本实施例中，所述目标商品包括如下任一中或任多种商品：
-瓶装产品；
-听装产品；
-桶装产品；
-盒装产品。
在本实施例中，当所述目标商品为瓶装产品时，所述目标商品模版图为瓶装产品的轮廓图；当所述目标商品为桶装产品时，所述目标商品模版图为桶装产品的轮廓图；当所述目标商品为盒装产品时，所述目标商品模版图为盒装产品的轮廓图；当所述目标商品为听装产品时，所述目标商品模版图为听装产品的轮廓图；
在变形例中，所述目标商品模版图包括瓶装产品的轮廓图、桶装产品的轮廓图、盒装产品的轮廓图和所装产品的轮廓图。即在该变形例中，保存多个类型产品的轮廓图，依次通过多个类型产品的轮廓图对所述待标注线条图像进行模版匹配实现每一目标商品成像区域的识别。
图2为本发明中目标商品线条图生成的步骤流程图，如图2所示，所述步骤S2包括如下步骤：
步骤S201：将所述待标注图像映射为待标注灰度图像，进而进行曲线映射生成待标注曲线图像，所述待标注曲线图像包括多条曲线段；
步骤S202：对所述待标注曲线图像进行降噪处理生成降噪后待标注曲线图像，以降低所述曲线段的数量；
步骤S203：提取所述降噪后待标注曲线图像中的目标曲线生成所述目标商品线条图。
在本实施例中，对所述待标注曲线图像进行降噪处理，具体为采用中值滤波器对所述待标注曲线图像进行降噪处理。在变形例中，还可以通过小波去噪或均值滤波器进行降噪。
在变形例，还可以查询预设值的曲线图在所述待标注曲线图像选择目标曲线。
图3为本发明中目标曲线提取的步骤流程图，如图3所示，所述步骤S203包括如下步骤：
步骤S2031：提取所述曲线中长度大于所述待标注图像长度的预设定倍数值的曲线作为目标曲线；
步骤S2032：将多条首尾粘连在一起的曲线进行合并生成一目标曲线，将多条在宽度方向上粘连的曲线进行合并生成一目标曲线；
步骤S2033：当所述目标曲线围成一封闭空间时，将所述封闭空间内的目标曲线删除；
步骤S2034：提取所述目标曲线生成所述目标商品线条图。
在本实施例中，所述预设定倍数值为待标注图像长度50分之一。
图4为本发明中识别出目标商品成像区域的步骤流程图，如图4所示，当所述目标商品为瓶装产品时，所述目标商品模版图为瓶装产品的轮廓图时，所述步骤S3包括如下步骤：
步骤S301：将所述瓶装产品的轮廓图拆分为位于上部的颈部区域轮廓图和位于下部的底部区域轮廓图；
步骤S302：将所述瓶装产品的轮廓图与所述待标注线条图像进行模版匹配识别所述待标注线条图像中每一目标商品成像区域，并生成每一目标商品成像区域的第一识别准确度；
步骤S303：当一目标商品成像区域对应的第一识别准确度小于预设的识别准确度阈值，则将该目标商品成像区域作为二次待识别目标商品成像区域；
步骤S304：将所述颈部区域轮廓图与所述二次待识别目标商品成像区域进行模版匹配生成第二识别准确度；
步骤S305：将大于预设的识别准确度阈值的第一识别准确度和第二识别准确度对应的目标商品成像区域作为识别出的目标商品成像区域。
图6为本发明中目标商品模版图的结构示意图，如图6所示，将所述颈部区域轮廓1与所述二次待识别目标商品成像区域进行模版匹配生成第二识别准确度。
在本实施例中，所述识别准确度阈值为80％。
在本实施例中，本发明中将第一识别准确度小于预设的识别准确度阈值的目标商品成像区域通过颈部区域轮廓图进行二次匹配，避免了当待标注图像转换为目标商品成像区域时部分线条确实造成的识别准确度降低的问题。
图5为本发明中对目标商品成像区域进行标注的步骤流程图，如图5所述，所述步骤S4包括如下步骤：
步骤S401：识别出每一目标商品成像区域四条侧边的外缘点；
步骤S402：在每一目标商品成像区域，对沿水平方向延伸的侧边，以该侧边的外缘点做沿水平方向延伸的直线，对沿竖直方向延伸的侧边，以该侧边的外缘点作沿竖直方向延伸的直线；
步骤S403：通过目标商品成像区域四条侧边的外缘点作出的直线将所述目标商品成像区域框出；
步骤S404：将每一框出的目标商品成像区域与该目标商品的信息相关联，生成所述训练图像。
在本实施例中，即将目标商品成像区域四条侧边的外缘点作出的直线相交成的框将所述目标商品成像区域标记出。在变形例中，还可以将所述框向外周扩展1至2毫米生成标记用的框。所述目标商品的信息为目标产品的名称、型号、类别等，即目标商品的SKU(库存量单位)信息。
图7为本发明中模型训练用图像的自动标注系统的模块示意图，如图7所示，本发明提供的模型训练用图像的自动标注系统，用于所述的模型训练用图像的自动标注方法
待标注图像获取模块，用于获取一待标注图像，所述待标注图像包括背景区域和待标注的多个目标商品成像区域；
线条图像生成模块，用于所述待标注图像映射为待标注灰度图像，进而对所述待标注灰度图像进行线条检测生成待标注图像对应的待标注线条图像；
模版匹配模块，用于根据预设值的目标商品模版图与所述目标商品线条图进行图像匹配，识别出每一目标商品成像区域；
目标商品标注模块，用于对识别出的每一目标商品成像区域进行标注生成训练图像。
本发明实施例中还提供一种模型训练用图像的自动标注设备，包括处理器。存储器，其中存储有处理器的可执行指令。其中，处理器配置为经由执行可执行指令来执行的模型训练用图像的自动标注方法的步骤。
如上，该实施例中本发明能够根据预设值的目标商品模版图对待标注线条图像进行模版匹配，实现对待标注线条图像上目标商品成像区域的识别，进而能够进行标注，生成训练图像，从而能够实现待标注图像的自动标注，替代了人工的标注，提高了图像标注的效率，降低了AI企业的成本。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“平台”。
图8是本发明的模型训练用图像的自动标注设备的结构示意图。下面参照图8来描述根据本发明的这种实施方式的电子设备600。图8显示的电子设备600仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图8所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同平台组件(包括存储单元620和处理单元610)的总线630、显示单元640等。
其中，存储单元存储有程序代码，程序代码可以被处理单元610执行，使得处理单元610执行本说明书上述模型训练用图像的自动标注方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，处理单元610可以执行如图1中所示的步骤。
存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(ROM)6203。
存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白，尽管图8中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储平台等。
本发明实施例中还提供一种计算机可读存储介质，用于存储程序，程序被执行时实现的模型训练用图像的自动标注方法的步骤。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行本说明书上述模型训练用图像的自动标注方法部分中描述的根据本发明各种示例性实施方式的步骤。
如上所示，该实施例的计算机可读存储介质的程序在执行时，本发明根据预设值的目标商品模版图对待标注线条图像进行模版匹配，实现对待标注线条图像上目标商品成像区域的识别，进而能够进行标注，生成训练图像，从而能够实现待标注图像的自动标注，替代了人工的标注，提高了图像标注的效率，降低了AI企业的成本。
图9是本发明的计算机可读存储介质的结构示意图。参考图9所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品800，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
在本实施例中，本发明中能够根据预设值的目标商品模版图对待标注线条图像进行模版匹配，实现对待标注线条图像上目标商品成像区域的识别，进而能够进行标注，生成训练图像，从而能够实现待标注图像的自动标注，替代了人工的标注，提高了图像标注的效率，降低了AI企业的成本；本发明中将第一识别准确度小于预设的识别准确度阈值的目标商品成像区域通过颈部区域轮廓图进行二次匹配，避免了当待标注图像转换为目标商品成像区域时部分线条确实造成的识别准确度降低的问题。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。

Claims (10)

1.一种模型训练用图像的自动标注方法，其特征在于，包括如下步骤：
步骤S1：获取一待标注图像，所述待标注图像包括背景区域和待标注的多个目标商品成像区域；
步骤S2：将所述待标注图像映射为待标注灰度图像，进而对所述待标注灰度图像进行线条检测生成待标注图像对应的待标注线条图像；
步骤S3：根据预设置的目标商品模版图与所述待标注线条图像进行图像匹配，识别出待标注线条图像中每一目标商品成像区域；
步骤S4：对识别出的每一目标商品成像区域进行标注生成训练图像。
2.根据权利要求1所述的模型训练用图像的自动标注方法，其特征在于，所述目标商品包括如下任一中或任多种商品：
-瓶装产品；
-听装产品；
-桶装产品；
-盒装产品。
3.根据权利要求1所述的模型训练用图像的自动标注方法，其特征在于，所述步骤S2包括如下步骤：
步骤S201：将所述待标注图像映射为待标注灰度图像，进而进行曲线映射生成待标注曲线图像，所述待标注曲线图像包括多条曲线段；
步骤S202：对所述待标注曲线图像进行降噪处理生成降噪后待标注曲线图像，以降低所述曲线段的数量；
步骤S203：提取所述降噪后待标注曲线图像中的目标曲线生成所述目标商品线条图。
4.根据权利要求3所述的模型训练用图像的自动标注方法，其特征在于，所述步骤S203包括如下步骤：
步骤S2031：提取所述曲线中长度大于所述待标注图像长度的预设定倍数值的曲线作为目标曲线；
步骤S2032：将多条首尾粘连在一起的曲线进行合并生成一目标曲线，将多条在宽度方向上粘连的曲线进行合并生成一目标曲线；
步骤S2033：当所述目标曲线围成一封闭空间时，将所述封闭空间内的目标曲线删除；
步骤S2034：提取所述目标曲线生成所述目标商品线条图。
5.根据权利要求2所述的模型训练用图像的自动标注方法，其特征在于，
当所述目标商品为瓶装产品时，所述目标商品模版图为瓶装产品的轮廓图；当所述目标商品为桶装产品时，所述目标商品模版图为桶装产品的轮廓图；当所述目标商品为盒装产品时，所述目标商品模版图为盒装产品的轮廓图；当所述目标商品为听装产品时，所述目标商品模版图为听装产品的轮廓图；
或，所述目标商品模版图包括瓶装产品的轮廓图、所述桶装产品的轮廓图、所述盒装产品的轮廓图和所述盒装产品的轮廓图。
6.根据权利要求1所述的模型训练用图像的自动标注方法，其特征在于，当所述目标商品为瓶装产品时，所述目标商品模版图为瓶装产品的轮廓图时，所述步骤S3包括如下步骤：
步骤S301：将所述瓶装产品的轮廓图拆分为位于上部的颈部区域轮廓图和位于下部的底部区域轮廓图；
步骤S302：将所述瓶装产品的轮廓图与所述待标注线条图像进行模版匹配识别所述待标注线条图像中每一目标商品成像区域，并生成每一目标商品成像区域的第一识别准确度；
步骤S303：当一目标商品成像区域对应的第一识别准确度小于预设的识别准确度阈值，则将该目标商品成像区域作为二次待识别目标商品成像区域；
步骤S304：将所述颈部区域轮廓图与所述二次待识别目标商品成像区域进行模版匹配生成第二识别准确度；
步骤S305：将大于预设的识别准确度阈值的第一识别准确度和第二识别准确度对应的目标商品成像区域作为识别出的目标商品成像区域。
7.根据权利要求1所述的模型训练用图像的自动标注方法，其特征在于，所述步骤S4包括如下步骤：
步骤S401：识别出每一目标商品成像区域四条侧边的外缘点；
步骤S402：在每一目标商品成像区域，对沿水平方向延伸的侧边，以该侧边的外缘点做沿水平方向延伸的直线，对沿竖直方向延伸的侧边，以该侧边的外缘点作沿竖直方向延伸的直线；
步骤S403：通过目标商品成像区域四条侧边的外缘点作出的直线将所述目标商品成像区域框出；
步骤S404：将每一框出的目标商品成像区域与该目标商品的信息相关联，生成所述训练图像。
8.一种模型训练用图像的自动标注系统，用于实现权利要求1至7中任一项所述的模型训练用图像的自动标注方法，其特征在于，包括：
待标注图像获取模块，用于获取一待标注图像，所述待标注图像包括背景区域和待标注的多个目标商品成像区域；
线条图像生成模块，用于所述待标注图像映射为待标注灰度图像，进而对所述待标注灰度图像进行线条检测生成待标注图像对应的待标注线条图像；
模版匹配模块，用于根据预设值的目标商品模版图与所述目标商品线条图进行图像匹配，识别出每一目标商品成像区域；
目标商品标注模块，用于对识别出的每一目标商品成像区域进行标注生成训练图像。
9.一种模型训练用图像的自动标注设备，其特征在于，包括：
处理器；
存储器，其中存储有所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1至7中任意一项所述模型训练用图像的自动标注方法的步骤。
10.一种计算机可读存储介质，用于存储程序，其特征在于，所述程序被执行时实现权利要求1至7中任意一项所述模型训练用图像的自动标注方法的步骤。
CN201811000274.5A 2018-08-30 2018-08-30 模型训练用图像的自动标注方法、系统、设备及存储介质 Pending CN109214453A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811000274.5A CN109214453A (zh) 2018-08-30 2018-08-30 模型训练用图像的自动标注方法、系统、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811000274.5A CN109214453A (zh) 2018-08-30 2018-08-30 模型训练用图像的自动标注方法、系统、设备及存储介质

Publications (1)

Publication Number Publication Date
CN109214453A true CN109214453A (zh) 2019-01-15

Family

ID=64986181

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811000274.5A Pending CN109214453A (zh) 2018-08-30 2018-08-30 模型训练用图像的自动标注方法、系统、设备及存储介质

Country Status (1)

Country Link
CN (1) CN109214453A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110647826A (zh) * 2019-09-05 2020-01-03 北京百度网讯科技有限公司 商品训练图片的获取方法、装置、计算机设备和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20030068393A (ko) * 2000-03-08 2003-08-21 사이버익스트루더 컴. 인코포레이티드 2차원 영상으로부터 3차원 표현를 발생시키기 위한 장치와방법
US7421415B2 (en) * 2004-09-07 2008-09-02 Siemens Corporate Research, Inc. Methods and systems for 3D object detection using learning
CN107133854A (zh) * 2017-05-26 2017-09-05 北京小度信息科技有限公司 信息推荐方法和装置
CN107292248A (zh) * 2017-06-05 2017-10-24 广州诚予国际市场信息研究有限公司 一种基于图像识别技术的商品管理方法及系统
CN107908685A (zh) * 2017-10-31 2018-04-13 西安交通大学 基于迁移学习的多视角商品图像检索与识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20030068393A (ko) * 2000-03-08 2003-08-21 사이버익스트루더 컴. 인코포레이티드 2차원 영상으로부터 3차원 표현를 발생시키기 위한 장치와방법
US7421415B2 (en) * 2004-09-07 2008-09-02 Siemens Corporate Research, Inc. Methods and systems for 3D object detection using learning
CN107133854A (zh) * 2017-05-26 2017-09-05 北京小度信息科技有限公司 信息推荐方法和装置
CN107292248A (zh) * 2017-06-05 2017-10-24 广州诚予国际市场信息研究有限公司 一种基于图像识别技术的商品管理方法及系统
CN107908685A (zh) * 2017-10-31 2018-04-13 西安交通大学 基于迁移学习的多视角商品图像检索与识别方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110647826A (zh) * 2019-09-05 2020-01-03 北京百度网讯科技有限公司 商品训练图片的获取方法、装置、计算机设备和存储介质

Similar Documents

Publication Publication Date Title
JP6893233B2 (ja) 画像に基づくデータ処理方法、装置、電子機器、コンピュータ可読記憶媒体およびコンピュータプログラム
CN108171257B (zh) 细粒度图像识别模型训练及识别方法、装置及存储介质
CN112183101A (zh) 文本意图识别方法、装置、电子设备及存储介质
CN113822209B (zh) 高光谱图像识别方法、装置、电子设备及可读存储介质
CN106845416B (zh) 障碍物识别方法及装置、计算机设备及可读介质
CN108959257A (zh) 一种自然语言解析方法、装置、服务器及存储介质
CN110110652A (zh) 一种目标检测方法、电子设备及存储介质
CN107590291A (zh) 一种图片的搜索方法、终端设备及存储介质
WO2024060684A1 (zh) 模型训练方法、图像处理方法、设备及存储介质
CN107741972A (zh) 一种图片的搜索方法、终端设备及存储介质
CN110781970B (zh) 分类器的生成方法、装置、设备及存储介质
CN109389982A (zh) 发货信息语音识别方法、系统、设备及存储介质
CN110489424A (zh) 一种表格化信息提取的方法、装置、存储介质及电子设备
Ning et al. Occluded person re-identification with deep learning: a survey and perspectives
US20220392242A1 (en) Method for training text positioning model and method for text positioning
CN112508078A (zh) 图像多任务多标签识别方法、系统、设备及介质
JP2022110132A (ja) 陳列シーン認識方法、モデルトレーニング方法、装置、電子機器、記憶媒体およびコンピュータプログラム
Li et al. Weakly-supervised 3d spatial reasoning for text-based visual question answering
Li et al. Toward 3d spatial reasoning for human-like text-based visual question answering
CN109214453A (zh) 模型训练用图像的自动标注方法、系统、设备及存储介质
CN113869456A (zh) 采样监测方法、装置、电子设备及存储介质
CN113869371A (zh) 模型训练方法、服装细粒度分割方法及相关装置
CN111428486B (zh) 物品信息数据处理方法、装置、介质及电子设备
CN108446693B (zh) 待识别目标的标记方法、系统、设备及存储介质
CN111079745A (zh) 公式识别方法、装置、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190115