CN113962917B - 一种基于掩膜的数据增强方法 - Google Patents
一种基于掩膜的数据增强方法 Download PDFInfo
- Publication number
- CN113962917B CN113962917B CN202111251808.3A CN202111251808A CN113962917B CN 113962917 B CN113962917 B CN 113962917B CN 202111251808 A CN202111251808 A CN 202111251808A CN 113962917 B CN113962917 B CN 113962917B
- Authority
- CN
- China
- Prior art keywords
- mask
- value
- flaw
- background
- mean
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000009466 transformation Effects 0.000 claims abstract description 16
- 230000007547 defect Effects 0.000 claims description 5
- 230000002950 deficient Effects 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/60—Rotation of whole images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于掩膜的数据增强方法,包括步骤:通过大数据等技术不断收集有瑕疵的原始图片,由人工在原始图片上标注出有瑕疵的区域轮廓,形成掩膜区,根据掩膜区中各个点的坐标计算出掩膜边界框,形成瑕疵框;建立图像掩膜库。本发明的有益效果是:本发明提供的数据增强方法,在图像掩膜库中随机选取图像掩膜进行计算,保证生成的瑕疵具有随机性,尽量模拟实际应用中发现的瑕疵;采用图像变换操作,经由替换区域,在目标图片上产生瑕疵;本发明可以将现有有限数据的目标区域提取出来,进行变换并添加到指定图像的目标区域,实现由小样本数据生成大样本数据的一种数据增强方法。
Description
技术领域
本发明属于图像处理技术领域,尤其涉及一种基于掩膜的数据增强方法。
背景技术
随着图像处理技术,机器学习、深度学习与计算机视觉的发展,可以用于机器学习的图像需求量剧增。但是标注图像目标区域的成本较高,效率较低导致了机器学习的过程中无法获取足够多的图像数据。
完整的AI模型训练环节包括样本收集、样本预处理、数据增强、模型训练、模型评估和模型优化几个阶段,由于所有的深度学习算法都需要足够充分的训练样本数据,在只能提供小样本数据的应用领域中,数据增强成为了AI模型训练环节的一个重要节点。目前大部分数据增强方法都是通过旋转、调整亮度和对比度等方法来对整个图像进行数据增强,但这些方法很难保证数据的完整度和与原始数据的一致性,因此提出一种使用图像掩膜的方法来对整个图像进行数据增强的方法就显得尤为重要。
发明内容
本发明的目的是克服现有技术中的不足,提供一种基于掩膜的数据增强方法。
这种基于掩膜的数据增强方法,包括以下步骤:
步骤1、通过大数据等技术不断收集有瑕疵的原始图片,由人工在原始图片上标注出有瑕疵的区域轮廓,形成掩膜区,根据掩膜区中各个点的坐标计算出掩膜边界框,形成瑕疵框;
步骤2、确定瑕疵框和掩膜区后,在文件和数据库中存储每张有瑕疵的原始图片对应的掩膜区和瑕疵框的坐标、掩膜背景均值、掩膜背景方差值、掩膜背景均值和掩膜背景方差值之间的差值,建立图像掩膜库;
步骤3、在图像掩膜库中随机选取一个图像掩膜,获取图像掩膜对应的掩膜背景均值Backmean和掩膜背景方差值Backvar,以及掩膜背景均值Maskmean和掩膜背景方差值Maskvar;保证生成的瑕疵具有随机性,尽量模拟实际应用中发现的瑕疵;
步骤4、将步骤3中选取的图像掩膜中的一部分随机进行图像变换操作,保证生成的瑕疵具有随机性,尽量模拟实际应用中发现的瑕疵;然后在原来的瑕疵框外取设定数值个像素点的背景,作为新的瑕疵框;将原来的瑕疵框作为新的掩膜区,新的瑕疵框和新的掩膜区分别为经过图像变换后的瑕疵框和掩膜区;
步骤5、在准备进行数据增强的图像中指定任一坐标作为左上角的坐标,选取一个与变换后瑕疵框大小一致的区域作为替换区域,计算该替换区域的背景均值和背景方差值;
步骤6、若替换区域的掩膜背景均值差值小于等于掩膜背景均值差值Deltamean,且替换区域的掩膜背景方差值小于等于背景方差差值Deltavar,则将掩膜区图像的RGB值赋值给替换区域,目标图片产生一个高保真的瑕疵,将Deltamean和Deltavar作为基准值,来保证数据增强后替换区域的完整性,并且保证了与原始样本的一致性,执行步骤7;若不满足替换区域的掩膜背景均值差值小于等于掩膜背景均值差值Deltamean,且不满足替换区域的掩膜背景方差值小于等于背景方差差值Deltavar,则目标图片不产生瑕疵,返回执行步骤5若干次,直至满足执行步骤7的条件;若最后仍不满足执行步骤7的条件,则执行至步骤6终止;
步骤7、若循环次数小于等于设定值,设定值为在限定范围内所取随机数或固定数值,则返回执行步骤3至步骤6,直至循环次数大于设定值,为准备进行数据增强的图像随机增加与原始样本一致的瑕疵。
作为优选,步骤1中瑕疵框左上角坐标取瑕疵中所有点的最小横坐标和最小纵坐标,瑕疵框右下角坐标取瑕疵中所有点的最大横坐标和最大纵坐标。
作为优选,步骤2具体包括如下步骤:
步骤2.1、计算每张有瑕疵的原始图片对应的背景均值和背景方差值,以及背景均值和方差值之间的差值:获取瑕疵框图像RGB值和掩膜区图像RGB值,获取掩膜区和瑕疵框区域内的像素点,分别按照下式(1)和下式(2)来计算掩膜背景均值Maskmean和掩膜背景方差值Maskvar:
步骤2.2、在原来的瑕疵框外取设定数值个像素点的RGB值、宽和高,作为新的瑕疵框参数;将原来的瑕疵框作为新的掩膜区,根据式(1)和式(2)分别计算新的瑕疵框周围掩膜背景均值Backmean和新的掩膜背景方差值Backvar;
步骤2.3、按照下式(3)和下式(4)分别计算背景均值差值Deltamean和背景方差差值Deltavar:
Deltamean=|Backmean-Maskmean| (3)
Deltavar=|Backvar-Maskvar (4)。
作为优选,在准备进行数据增强的图像中指定任一坐标作为左上角的坐标,选取一个与变换后瑕疵框大小一致的区域作为替换区域,按照下式(5)和下式(6)计算该替换区域的背景均值和背景方差值;
作为优选,步骤2.2和步骤4中像素点的设定数值为50,为经验值。
作为优选,步骤4中图像变换操作包括放缩、旋转和透视变换。
本发明的有益效果是:本发明提供的数据增强方法,标注出有瑕疵的区域轮廓,形成掩膜区,根据掩膜区中各个点的坐标计算出掩膜边界框,形成瑕疵框;还建立了建立图像掩膜库;在图像掩膜库中随机选取图像掩膜进行计算,保证生成的瑕疵具有随机性,尽量模拟实际应用中发现的瑕疵;采用图像变换操作,经由替换区域,在目标图片上产生瑕疵;本发明可以将现有有限数据的目标区域提取出来,进行变换并添加到指定图像的目标区域,实现由小样本数据生成大样本数据的一种数据增强方法。
附图说明
图1为现有的AI模型训练流程图;
图2为本发明在原始图片上标注出的掩膜区和瑕疵框示意图;
图3为本发明计算掩膜背景均值和方差值流程图;
图4为本发明基于掩膜的数据增强方法的整体流程图;
图5为本发明基于掩膜的数据增强方法的效果图。
具体实施方式
下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出,对于本技术领域的普通人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
实施例一
现有的AI模型训练流程图如图1所示,本申请实施例一在此基础上提供了一种如图4所示基于掩膜的数据增强方法:
步骤1、如图2所示,通过大数据等技术不断收集有瑕疵的原始图片,由人工在原始图片上标注出有瑕疵的区域轮廓,形成掩膜区1,根据掩膜区中各个点的坐标计算出掩膜边界框,形成瑕疵框2;瑕疵框左上角坐标取瑕疵中所有点的最小横坐标和最小纵坐标,瑕疵框右下角坐标取瑕疵中所有点的最大横坐标和最大纵坐标。
步骤2、如图3所示,确定瑕疵框和掩膜区后,在文件和数据库中存储每张有瑕疵的原始图片对应的掩膜区和瑕疵框的坐标、掩膜背景均值、掩膜背景方差值、掩膜背景均值和掩膜背景方差值之间的差值,建立图像掩膜库;
步骤3、在图像掩膜库中随机选取一个图像掩膜,获取图像掩膜对应的掩膜背景均值Backmean和掩膜背景方差值Backvar,以及掩膜背景均值Maskmean和掩膜背景方差值Maskvar;保证生成的瑕疵具有随机性,尽量模拟实际应用中发现的瑕疵;
步骤4、将步骤3中选取的图像掩膜中的一部分随机进行图像变换(放缩、旋转和透视变换)操作,保证生成的瑕疵具有随机性,尽量模拟实际应用中发现的瑕疵;然后在原来的瑕疵框外取50个像素点的背景,作为新的瑕疵框;将原来的瑕疵框作为新的掩膜区,新的瑕疵框和新的掩膜区分别为经过图像变换后的瑕疵框和掩膜区;
步骤5、在准备进行数据增强的图像中指定任一坐标作为左上角的坐标,选取一个与变换后瑕疵框大小一致的区域作为替换区域,计算该替换区域的背景均值和背景方差值;
步骤6、若替换区域的掩膜背景均值差值小于等于掩膜背景均值差值Deltamean,且替换区域的掩膜背景方差值小于等于背景方差差值Deltavar,则将掩膜区图像的RGB值赋值给替换区域,目标图片产生一个高保真的瑕疵,将Deltamean和Deltavar作为基准值,来保证数据增强后替换区域的完整性,并且保证了与原始样本的一致性,执行步骤7;若不满足替换区域的掩膜背景均值差值小于等于掩膜背景均值差值Deltamean,且不满足替换区域的掩膜背景方差值小于等于背景方差差值Deltavar,则目标图片不产生瑕疵,返回执行步骤5若干次,直至满足执行步骤7的条件;若最后仍不满足执行步骤7的条件,则执行至步骤6终止;
步骤7、若循环次数小于等于设定值,设定值为在限定范围内所取随机数或固定数值,则返回执行步骤3至步骤6,直至循环次数大于设定值,为准备进行数据增强的图像随机增加与原始样本一致的瑕疵,所得效果图如图5所示。
实施例二
在实施例一的基础上,本申请实施例二提供了实施例一中步骤2的具体实现方式:
步骤2.1、计算每张有瑕疵的原始图片对应的背景均值和背景方差值,以及背景均值和方差值之间的差值:获取瑕疵框图像RGB值和掩膜区图像RGB值,获取掩膜区和瑕疵框区域内的像素点,分别按照下式(1)和下式(2)来计算掩膜背景均值Maskmean和掩膜背景方差值Maskvar:
步骤2.2、在原来的瑕疵框外取50个像素点的RGB值、宽和高,作为新的瑕疵框参数;将原来的瑕疵框作为新的掩膜区,根据式(1)和式(2)分别计算新的瑕疵框周围掩膜背景均值Backmean和新的掩膜背景方差值Backvar;
步骤2.3、按照下式(3)和下式(4)分别计算背景均值差值Deltamean和背景方差差值Deltavar:
Deltamean=|Batckmean-Maskmean| (3)
Deltavar=|Backvar-Maskvar (4)。
作为优选,在准备进行数据增强的图像中指定任一坐标作为左上角的坐标,选取一个与变换后瑕疵框大小一致的区域作为替换区域,按照下式(5)和下式(6)计算该替换区域的背景均值和背景方差值;
Claims (6)
1.一种基于掩膜的数据增强方法,其特征在于,包括以下步骤:
步骤1、不断收集有瑕疵的原始图片,在原始图片上标注出有瑕疵的区域轮廓,形成掩膜区,根据掩膜区中各个点的坐标计算出掩膜边界框,形成瑕疵框;
步骤2、确定瑕疵框和掩膜区后,在文件和数据库中存储每张有瑕疵的原始图片对应的掩膜区和瑕疵框的坐标、掩膜背景均值、掩膜背景方差值、掩膜背景均值和掩膜背景方差值之间的差值,建立图像掩膜库;
步骤3、在图像掩膜库中随机选取一个图像掩膜,获取图像掩膜对应的掩膜背景均值Backmean和掩膜背景方差值Backvar,以及掩膜背景均值Maskmean和掩膜背景方差值Maskvar;
步骤4、将步骤3中选取的图像掩膜中的一部分随机进行图像变换操作;然后在原来的瑕疵框外取设定数值个像素点的背景,作为新的瑕疵框;将原来的瑕疵框作为新的掩膜区,新的瑕疵框和新的掩膜区分别为经过图像变换后的瑕疵框和掩膜区;
步骤5、在准备进行数据增强的图像中指定任一坐标作为左上角的坐标,选取一个与变换后瑕疵框大小一致的区域作为替换区域,计算该替换区域的背景均值和背景方差值;
步骤6、若替换区域的掩膜背景均值差值小于等于掩膜背景均值差值Deltamean,且替换区域的掩膜背景方差值小于等于背景方差差值Deltavar,则将掩膜区图像的RGB值赋值给替换区域,目标图片产生高保真的瑕疵,将Deltamean和Deltavar作为基准值,执行步骤7;若不满足替换区域的掩膜背景均值差值小于等于掩膜背景均值差值Deltamean,且不满足替换区域的掩膜背景方差值小于等于背景方差差值Deltavar,则目标图片不产生瑕疵,返回执行步骤5若干次,直至满足执行步骤7的条件;若最后仍不满足执行步骤7的条件,则执行至步骤6终止;
步骤7、若循环次数小于等于设定值,设定值为在限定范围内所取随机数或固定数值,则返回执行步骤3至步骤6,直至循环次数大于设定值,为准备进行数据增强的图像随机增加与原始样本一致的瑕疵。
2.根据权利要求1所述基于掩膜的数据增强方法,其特征在于:步骤1中瑕疵框左上角坐标取瑕疵中所有点的最小横坐标和最小纵坐标,瑕疵框右下角坐标取瑕疵中所有点的最大横坐标和最大纵坐标。
3.根据权利要求1所述基于掩膜的数据增强方法,其特征在于,步骤2具体包括如下步骤:
步骤2.1、计算每张有瑕疵的原始图片对应的背景均值和背景方差值,以及背景均值和方差值之间的差值:获取瑕疵框图像RGB值和掩膜区图像RGB值,获取掩膜区和瑕疵框区域内的像素点,分别按照下式(1)和下式(2)来计算掩膜背景均值Maskmean和掩膜背景方差值Maskvar:
步骤2.2、在原来的瑕疵框外取设定数值个像素点的RGB值、宽和高,作为新的瑕疵框参数;将原来的瑕疵框作为新的掩膜区,根据式(1)和式(2)分别计算新的瑕疵框周围掩膜背景均值Backmean和新的掩膜背景方差值Backvar;
步骤2.3、按照下式(3)和下式(4)分别计算背景均值差值Deltamean和背景方差差值Deltavar:
Deltamean=|Backmean-Maskmean| (3)
Deltavar=|Backvar-Maskvar (4)。
4.根据权利要求3所述基于掩膜的数据增强方法,其特征在于,步骤5具体为:在准备进行数据增强的图像中指定任一坐标作为左上角的坐标,选取一个与变换后瑕疵框大小一致的区域作为替换区域,按照下式(5)和下式(6)计算该替换区域的背景均值和背景方差值;
5.根据权利要求3所述基于掩膜的数据增强方法,其特征在于:步骤2.2和步骤4中像素点的设定数值为50。
6.根据权利要求1所述基于掩膜的数据增强方法,其特征在于:步骤4中图像变换操作包括放缩、旋转和透视变换。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111251808.3A CN113962917B (zh) | 2021-10-25 | 2021-10-25 | 一种基于掩膜的数据增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111251808.3A CN113962917B (zh) | 2021-10-25 | 2021-10-25 | 一种基于掩膜的数据增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113962917A CN113962917A (zh) | 2022-01-21 |
CN113962917B true CN113962917B (zh) | 2024-03-19 |
Family
ID=79467533
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111251808.3A Active CN113962917B (zh) | 2021-10-25 | 2021-10-25 | 一种基于掩膜的数据增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113962917B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114419399B (zh) * | 2022-03-22 | 2022-10-21 | 杭州利珀科技有限公司 | 机器视觉深度学习样本自动生成方法、计算机及存储介质 |
CN115719341B (zh) * | 2022-11-21 | 2023-07-21 | 北京远舢智能科技有限公司 | 一种边浪缺陷检测方法、装置、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108776140A (zh) * | 2018-06-08 | 2018-11-09 | 福建新大陆电脑股份有限公司 | 一种基于机器视觉的印刷品瑕疵检测方法及系统 |
WO2020259209A1 (zh) * | 2019-06-26 | 2020-12-30 | 平安科技(深圳)有限公司 | 眼底图像识别方法、装置、设备和存储介质 |
CN113240626A (zh) * | 2021-04-08 | 2021-08-10 | 西安电子科技大学 | 一种基于神经网络的玻璃盖板凹凸型瑕疵检测与分类方法 |
-
2021
- 2021-10-25 CN CN202111251808.3A patent/CN113962917B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108776140A (zh) * | 2018-06-08 | 2018-11-09 | 福建新大陆电脑股份有限公司 | 一种基于机器视觉的印刷品瑕疵检测方法及系统 |
WO2020259209A1 (zh) * | 2019-06-26 | 2020-12-30 | 平安科技(深圳)有限公司 | 眼底图像识别方法、装置、设备和存储介质 |
CN113240626A (zh) * | 2021-04-08 | 2021-08-10 | 西安电子科技大学 | 一种基于神经网络的玻璃盖板凹凸型瑕疵检测与分类方法 |
Non-Patent Citations (1)
Title |
---|
一种用于CTP版表面瑕疵的自适应检测算法;沈凌云;朱明;郎百和;韩太林;;长春理工大学学报(自然科学版);20141215(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113962917A (zh) | 2022-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113962917B (zh) | 一种基于掩膜的数据增强方法 | |
CN111178337B (zh) | 人脸关键点数据增强方法、装置、系统以及模型训练方法 | |
CN111833237B (zh) | 基于卷积神经网络和局部单应性变换的图像配准方法 | |
CN108416266B (zh) | 一种利用光流提取运动目标的视频行为快速识别方法 | |
CN107358636B (zh) | 一种基于纹理合成的疏松缺陷图像生成方法 | |
WO2021232690A1 (zh) | 一种视频生成方法、装置、电子设备及存储介质 | |
CN109636890B (zh) | 纹理融合方法和装置、电子设备、存储介质、产品 | |
CN110910452A (zh) | 一种基于深度学习的低纹理工业零件位姿估计方法 | |
CN112435252B (zh) | 一种战斗部破片穿孔和凹坑检测方法 | |
CN114202492A (zh) | 基于三维卷积的非朗伯体表面光度立体模型及方法 | |
CN111696079A (zh) | 一种基于多任务学习的表面缺陷检测方法 | |
CN112819726A (zh) | 一种光场渲染伪影去除方法 | |
CN111652297B (zh) | 用于图像检测模型训练的故障图片生成方法 | |
CN114972216A (zh) | 一种纹理表面缺陷检测模型的构建方法及其应用 | |
CN110660048A (zh) | 一种基于形状特征的皮革表面缺陷检测算法 | |
CN114266846B (zh) | 一种用于目标检测模型的自学习填充方法 | |
CN112002019B (zh) | 一种基于mr混合现实的模拟人物阴影的方法 | |
CN110689001A (zh) | 一种生成复杂环境下车牌训练样本的方法 | |
CN114611667A (zh) | 一种基于小规模参数矩阵计算特征图边界的重构方法 | |
CN115049560A (zh) | 一种模型训练方法及系统、人脸图像去光方法及系统 | |
WO2023277906A1 (en) | Synthetic images for machine learning | |
CN113838053B (zh) | 屏幕缺陷的检测方法、装置、设备及存储介质 | |
CN113486769B (zh) | 一种高清视频中图像快速匹配方法 | |
Xia et al. | Robust patchmatch HDR image reconstruction for deghosting | |
CN116385807B (zh) | 一种异常图像样本生成方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |