CN115345841A - 一种图像缺陷样本生成方法、系统、计算机设备、及介质 - Google Patents

一种图像缺陷样本生成方法、系统、计算机设备、及介质 Download PDF

Info

Publication number
CN115345841A
CN115345841A CN202210936687.4A CN202210936687A CN115345841A CN 115345841 A CN115345841 A CN 115345841A CN 202210936687 A CN202210936687 A CN 202210936687A CN 115345841 A CN115345841 A CN 115345841A
Authority
CN
China
Prior art keywords
target frame
defect
target
aspect ratio
area
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
CN202210936687.4A
Other languages
English (en)
Inventor
邹建法
朱锦祥
陈钟浩
管瑞峰
刘运春
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 Zhijing Information Technology Co ltd
Original Assignee
Shanghai Zhijing Information 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 Zhijing Information Technology Co ltd filed Critical Shanghai Zhijing Information Technology Co ltd
Priority to CN202210936687.4A priority Critical patent/CN115345841A/zh
Publication of CN115345841A publication Critical patent/CN115345841A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30124—Fabrics; Textile; Paper

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明涉及一种图像缺陷样本生成方法、系统、计算机设备、及介质，其技术方案要点是：所述方法包括：对预先收集的坯布缺陷数据集进行标注，得到若干带有缺陷图像的目标框；计算各个目标框的宽高比和面积；根据预设宽高比和预设面积及各个目标框的宽高比和面积，对各个目标框进行分类；确定各个分类对应的缩放因子；根据各个分类对应的缩放因子对各个分类对应的各个目标框进行变换，得到若干图像缺陷样本；本申请具有能够生成大量用于布匹缺陷检测的样本的优点。

Description

一种图像缺陷样本生成方法、系统、计算机设备、及介质
技术领域
本发明涉及图像生成技术领域，更具体地说，它涉及一种图像缺陷样本生成方法、系统、计算机设备、及介质。
背景技术
深度神经网络因具备自动提取图像特征的能力，在图像识别、目标检测等计算机视觉领域逐步取代手工制作特征的传统视觉特征提取的方法，在工业质检领域的应用也越来越广泛。布匹缺陷检测是纺织工业领域一项重要任务，随着数字化产业升级这一国家战略的推进，自动化坯布瑕疵缺陷检测替代人工检测成了一种趋势，深度学习也成了工业视觉缺陷检测的一种重要方法。
基于深度学习方法的坯布缺陷检测的主要流程包括数据采集，数据标注与处理，模型训练、压缩、调优和模型部署。坯布缺陷类别在实际生产场景中的形态众多，然而缺陷出现的频次低、缺陷数据的采集困难，因此，利用每个类别少量图像样本生成充足的缺陷图像数据，成为落地过程中的一个重要环节。目前用于坯布缺陷目标检测的数据生成方法是图像级别的生成，例如对图像进行亮度调整、对比度调整等颜色生成，或者是实现图像的翻转、仿射变换、透视变换这类光学几何变换。
然而对于布匹缺陷检测，图像中往往可能存在空间尺度差异比较大的目标，例如有些破边、档子缺陷的面积特别大，而一些异物织入、飞花等点状缺陷的面积往往很小。此外，断经、双经等经向缺陷和双纬、粗纬等纬向缺陷还存在宽高比差异大的特点。只使用图像级别的全局生成方法去处理这些空间尺度差异巨大的目标，生成的样本形态分布是十分有限的，对于模型训练所需要样本的量级是不够的。
发明内容
针对现有技术存在的不足，本发明的目的在于提供一种图像缺陷样本生成方法、系统、计算机设备、及介质，具有能够生成大量用于布匹缺陷检测的样本的优点。
本发明的上述技术目的是通过以下技术方案得以实现的：一种图像缺陷样本生成方法，包括：
对预先收集的坯布缺陷数据集进行标注，得到若干带有缺陷图像的目标框；
计算所有目标框的宽高比和面积；
根据预设宽高比和预设面积及各个目标框的宽高比和面积，对各个目标框进行分类；
确定所有分类后的目标框的缩放因子；
根据各个分类对应的缩放因子对各个分类对应的各个目标框进行变换，得到若干图像缺陷样本。
可选的，所述对预先收集的坯布缺陷数据集进行标注，得到若干带有缺陷图像的目标框，包括：
对预先收集的坯布缺陷数据集中的所有图像的各类缺陷进行多边形框标注，得到若干多边形框；
根据若干多边形框确定各个多边形框的中心点坐标值；
根据各个中心点坐标值通过几何形态学生成用于容纳任意旋转角度的对应多边形框的最小矩形框，得到若干带有缺陷图像的目标框。
可选的，所述计算所有目标框的宽高比和面积，包括：
获取所有目标框的宽度值和高度值；
根据各个目标框的宽度值和高度值计算对应目标框的宽高比和面积。
可选的，所述根据预设宽高比和预设面积及各个目标框的宽高比和面积，对各个目标框进行分类，包括：
将各个目标框的宽高比与预设宽高比进行比对，将宽高比大于5：1的目标框分类为纬向尺寸目标框；将宽高比小于1：5的目标框分类为径向尺寸目标框；
对于宽高比处于1：5至5：1的目标框，将各个目标框的面积与预设面积进行比对，将面积大于1000的分类为大尺寸目标框，将面积小于1000的分类为小尺寸目标框。
可选的，所述根据各个分类对应的缩放因子对各个分类对应的各个目标框进行变换，得到若干图像缺陷样本，包括：
根据各个缩放因子计算各个分类对应的各个目标框所对应的增强热力值；
根据各个增强热力值绘制得到对应的增强热力图；
根据各个增强热力图对对应的目标框内的图像进行光学变换，得到若干图像缺陷样本。
可选的，所述根据各个分类对应的缩放因子对各个分类对应的各个目标框进行变换，得到若干图像缺陷样本，包括：
对所有目标框进行水平翻转、垂直翻转和仿射变换，得到若干第一缺陷样本；
对径向尺度目标框进行水平方向的平移复制，得到若干第二缺陷样本；
对纬向尺度目标框进行垂直方向的平移复制，得到若干第三缺陷样本；
对小尺度目标框进行移动复制，得到若干第四缺陷样本；
对小尺度目标框进行放大，放大倍数为1.0至小尺度目标框对应的缩放因子，得到若干第五缺陷样本；
根据若干第一缺陷样本、第二缺陷样本、第三缺陷样本、第四缺陷样本、第五缺陷样本得到若干图像缺陷样本。
可选的，所述根据各个分类对应的缩放因子对各个分类对应的各个目标框进行变换，得到若干图像缺陷样本，还包括：
截取各个目标框内的缺陷图像；
将所有缺陷图像分别与良品图片进行贴合，得到若干图像缺陷样本。
一种图像缺陷样本生成系统，包括：
缺陷标注模块，用于对预先收集的坯布缺陷数据集进行标注，得到若干带有缺陷图像的目标框；
宽高计算模块，用于计算所有目标框的宽高比和面积；
目标框分类模块，用于根据预设宽高比和预设面积及各个目标框的宽高比和面积，对各个目标框进行分类；
缩放确定模块，用于确定所有分类后的目标框的缩放因子；
样本生成模块，用于根据各个分类对应的缩放因子对各个分类对应的各个目标框进行变换，得到若干图像缺陷样本。
一种计算机设备,包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法的步骤。
综上所述，本发明具有以下有益效果：坯布缺陷数据集中的所有坯布缺陷图像内含有缺陷的部分进行标注，并生成包含缺陷图像的目标框，然后计算所有目标框的宽高比和面积，以确定对应目标框的尺度分类，并根据各个目标框的尺度分类设置对应的缩放因子，再根据缩放因子对对应的目标框内的缺陷图像进行变换，由于仅对目标框内的缺陷图像进行变换，故能够在原有图像级别生成的基础上，进一步扩展数据生成空间的形态分布，从而提升下游训练模型的精度。
附图说明
图1为本发明的流程示意图；
图2为本发明组装时的结构框图；
图3为本发明实施例中计算机设备的内部结构图。
具体实施方式
为使本发明的目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。附图中给出了本发明的若干实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触，也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且，第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方，或仅仅表示第一特征水平高度小于第二特征。术语“垂直的”、“水平的”、“左”、“右”、“上”、“下”以及类似的表述只是为了说明的目的，而不是指示或暗示所指装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
下面结合附图和实施例，对本发明进行详细描述。
本发明提供了一种图像缺陷样本生成方法,如图1所示，包括：
步骤100、对预先收集的坯布缺陷数据集进行标注，得到若干带有缺陷图像的目标框；
步骤200、计算所有目标框的宽高比和面积；
步骤300、根据预设宽高比和预设面积及各个目标框的宽高比和面积，对各个目标框进行分类；
步骤400、确定所有分类后的目标框的缩放因子；
步骤500、根据各个分类对应的缩放因子对各个分类对应的各个目标框进行变换，得到若干图像缺陷样本。
在实际应用中，坯布缺陷数据集中存储有若干具有缺陷的坯布图片；将坯布缺陷数据集中的所有坯布缺陷图像内含有缺陷的部分进行标注，并生成包含缺陷图像的目标框，然后计算所有目标框的宽高比和面积，以确定对应目标框的尺度分类，并根据各个目标框的尺度分类设置对应的缩放因子，再根据缩放因子对各个分类对应的各个目标框内的缺陷图像进行变换，由于仅对目标框内的缺陷图像进行变换，故能够在原有图像级别生成的基础上，进一步扩展数据生成空间的形态分布，从而提升下游训练模型的精度。
进一步地，所述对预先收集的坯布缺陷数据集进行标注，得到若干带有缺陷图像的目标框，包括：
对预先收集的坯布缺陷数据集中的所有图像的各类缺陷进行多边形框标注，得到若干多边形框；
根据若干多边形框确定各个多边形框的中心点坐标值；
根据各个中心点坐标值通过几何形态学生成用于容纳任意旋转角度的对应多边形框的最小矩形框，得到若干带有缺陷图像的目标框。
在实际应用中，使用标注工具对坯布缺陷数据集中的所有图像的各类缺陷进行多边形框标注，该多边形框需贴合对应缺陷边界，取对应多边形框的中心点，并以图像的顶点为坐标原点，以像素点为单位建立坐标系，并得到对应的中心点坐标值，在利用几何形态学找到能够容纳对应多边形框任意旋转的最小矩形框，即为带有缺陷图像的目标框。
可选的，所述计算所有目标框的宽高比和面积，包括：
获取所有目标框的宽度值和高度值；
根据各个目标框的宽度值和高度值计算对应目标框的宽高比和面积。
在实际应用中，在得到对应的目标框时，可通过坐标系确定目标框的宽度值和高度值，即可计算对应目标框的宽高比和面积。
可选地，所述根据预设宽高比和预设面积及各个目标框的宽高比和面积，对各个目标框进行分类，包括：
将各个目标框的宽高比与预设宽高比进行比对，将宽高比大于5：1的目标框分类为纬向尺寸目标框；将宽高比小于1：5的目标框分类为径向尺寸目标框；
对于宽高比处于1：5至5：1的目标框，将各个目标框的面积与预设面积进行比对，将面积大于1000的分类为大尺寸目标框，将面积小于1000的分类为小尺寸目标框。
在实际应用中，在布匹缺陷检测中，由于存在断经、双经等经向缺陷和双纬、粗纬等纬向缺陷存在宽高比差异大的特点，故需要对应将宽高比较大和宽高比较小的缺陷分别进行单独处理，在本实施例中，规定宽高比大于5：1的目标框为纬向尺寸目标框，宽高比小于1：5的目标框为径向尺寸目标框；而对于破边、档子破陷等面积较大的目标，规定面积大于1000的归类为大尺寸目标框；而一些异物织入、飞花等点状缺陷的面积往往很小，故归档面积小于1000的为小尺寸目标框。其中，对于大尺度目标框设定其缩放因子为0.8；对于小尺度目标框设定其缩放因子为1.2；对于径向尺度目标框和纬向尺度目标框设定其缩放因子为1.0。
进一步地，所述根据各个分类对应的缩放因子对各个分类对应的各个目标框进行变换，得到若干图像缺陷样本：
根据各个缩放因子计算各个分类对应的各个目标框所对应的增强热力值；
根据各个增强热力值绘制得到对应的增强热力图；
根据增强热力图对所有目标框内的图像进行光学变换，得到若干图像缺陷样本。
在实际应用中，通过
Figure BDA0003783705400000081
Figure BDA0003783705400000082
其中，W，H为图像的宽和高，w和h是目标框的宽和高，xc和yc为目标框的中心点坐标，对于给定图片，W和H是固定值；对于给定目标框，w,h,xc,yc是固有属性，也是固定值。
当缩放因子r确定后，给定图像中像素点的坐标值x,y，即可基于上述两个公式算出该像素点的增强热力值α(x,y)；然后根据目标框内各个像素点的增强热力值绘制该目标框对于的增强热力图；并根据增强热力图控制对目标框内的图像进行光学变换的程度；增强热力值越大的像素点其进行光学变换的数值越高，经过高斯增强热力图能够均衡目标框边界的像素，整体更加平衡，其中，目标框级别的生成变换bbox_value(x,y)：
bbox_value(x,y)＝transform_value(x,y)*α(x,y)+ori_value(x,y)*(1-α(x,y))；对于坐标值为x,y的某个像素点，其原始像素点值记为ori_value(x,y)，变换后素点值记为transform_value(x,y),对于目标框的光学变换包括：颜色变换、亮度调整、对比度调整、直方图均衡化、锐化等。
进一步地，所述根据各个分类对应的缩放因子对各个分类对应的各个目标框进行变换，得到若干图像缺陷样本，包括：
对所有目标框进行水平翻转、垂直翻转和仿射变换，得到若干第一缺陷样本；
对径向尺度目标框进行水平方向的平移复制，得到若干第二缺陷样本；
对纬向尺度目标框进行垂直方向的平移复制，得到若干第三缺陷样本；
对小尺度目标框进行移动复制，得到若干第四缺陷样本；
对小尺度目标框进行放大，放大倍数为1.0至缩放因子，得到若干第五缺陷样本；
根据若干第一缺陷样本、第二缺陷样本、第三缺陷样本、第四缺陷样本、第五缺陷样本得到若干图像缺陷样本。
在实际应用中，还可对根据各个目标框的类型进行空间几何变换，首先，所有类型的目标框均可进行水平翻转、垂直翻转和仿射变换，以复制或旋转各个缺陷特征；对于径向尺度目标框，由于其径向尺度大，故对其进行水平方向的平移复制，能够增加径向缺陷的数量；对于纬向尺度目标框，由于其纬向尺度大，故对其进行垂直方向的平移复制，能够增加纬向缺陷的数量；对于小尺度目标框，将其进行放大和平移复制，能够增加小尺度缺陷的数量，且在其放大倍数为1.0-1.2。
进一步地，所述根据各个分类对应的缩放因子对各个分类对应的各个目标框进行变换，得到若干图像缺陷样本，还包括：
截取各个目标框内的缺陷图像；
将所有缺陷图像分别与良品图片进行贴合，得到若干图像缺陷样本。
在实际应用中，把缺陷区域的图像抠出来，随机挑选一些良品样本，把缺陷图像与良品图片进行贴合，其中边界融合用到了透明图区域融合和拨冗图像融合的方法；能够进一步增加缺陷样本的数量。
如图2所示，本发明还提供了一种图像缺陷样本生成系统，包括：
缺陷标注模块10，用于对预先收集的坯布缺陷数据集进行标注，得到若干带有缺陷图像的目标框；
宽高计算模块20，用于计算所有目标框的宽高比和面积；
目标框分类模块30，用于根据预设宽高比和预设面积及各个目标框的宽高比和面积，对各个目标框进行分类；
缩放确定模块40，用于确定所有分类后的目标框的缩放因子；
样本生成模块50，用于根据各个分类对应的缩放因子对各个分类对应的各个目标框进行变换，得到若干图像缺陷样本。
进一步地，所述缺陷标注模块10包括：
边界标注单元，用于对预先收集的坯布缺陷数据集中的所有图像的各类缺陷进行多边形框标注，得到若干多边形框；
中心定位单元，用于根据若干多边形框确定各个多边形框的中心点坐标值；
矩形选定单元，用于根据各个中心点坐标值通过几何形态学生成用于容纳任意旋转角度的对应多边形框的最小矩形框，得到若干带有缺陷图像的目标框。
进一步地，所述宽高计算模块20包括：
宽高获取单元，用于获取所有目标框的宽度值和高度值；
宽高计算单元，用于根据各个目标框的宽度值和高度值计算对应目标框的宽高比和面积。
进一步地，所述样本生成模块50包括：
高斯计算单元，用于根据各个缩放因子计算各个分类对应的各个目标框所对应的增强热力值；
热力绘制单元，用于根据各个增强热力值绘制得到对应的增强热力图；
光学变换单元，用于根据增强热力图对所有目标框内的图像进行光学变换，得到若干图像缺陷样本。
进一步地，所述样本生成模块50还包括：
翻转变换单元，用于对所有目标框进行水平翻转、垂直翻转和仿射变换，得到若干第一缺陷样本；
径向平移单元，用于对径向尺度目标框进行水平方向的平移复制，得到若干第二缺陷样本；
纬向平移单元，用于对纬向尺度目标框进行垂直方向的平移复制，得到若干第三缺陷样本；
移动复制单元，用于对小尺度目标框进行移动复制，得到若干第四缺陷样本；
尺度放大单元，用于对小尺度目标框进行放大，放大倍数为1.0至缩放因子，得到若干第五缺陷样本；
样本整合单元，用于根据若干第一缺陷样本、第二缺陷样本、第三缺陷样本、第四缺陷样本、第五缺陷样本得到若干图像缺陷样本。
进一步地，所述样本生成模块50还包括：
缺陷提取单元，用于截取各个目标框内的缺陷图像；
缺陷贴合单元，用于将所有缺陷图像分别与良品图片进行贴合，得到若干图像缺陷样本。
关于一种图像缺陷样本生成系统的具体限定可以参见上文中对于一种图像缺陷样本生成方法的限定，在此不再赘述。上述一种图像缺陷样本生成系统的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机程序被处理器执行时以实现一种图像缺陷样本生成方法。
本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：包括：
对预先收集的坯布缺陷数据集进行标注，得到若干带有缺陷图像的目标框；
计算所有目标框的宽高比和面积；
根据预设宽高比和预设面积及各个目标框的宽高比和面积，对各个目标框进行分类；
确定所有分类后的目标框的缩放因子；
根据各个分类对应的缩放因子对各个分类对应的各个目标框进行变换，得到若干图像缺陷样本。
在一个实施例中，所述对预先收集的坯布缺陷数据集进行标注，得到若干带有缺陷图像的目标框，包括：
对预先收集的坯布缺陷数据集中的所有图像的各类缺陷进行多边形框标注，得到若干多边形框；
根据若干多边形框确定各个多边形框的中心点坐标值；
根据各个中心点坐标值通过几何形态学生成用于容纳任意旋转角度的对应多边形框的最小矩形框，得到若干带有缺陷图像的目标框。
在一个实施例中，所述计算所有目标框的宽高比和面积，包括：
获取所有目标框的宽度值和高度值；
根据各个目标框的宽度值和高度值计算对应目标框的宽高比和面积。
在一个实施例中，所述根据预设宽高比和预设面积及各个目标框的宽高比和面积，对各个目标框进行分类，包括：
将各个目标框的宽高比与预设宽高比进行比对，将宽高比大于5：1的目标框分类为纬向尺寸目标框；将宽高比小于1：5的目标框分类为径向尺寸目标框；
对于宽高比处于1：5至5：1的目标框，将各个目标框的面积与预设面积进行比对，将面积大于1000的分类为大尺寸目标框，将面积小于1000的分类为小尺寸目标框。
在一个实施例中，所述根据各个分类对应的缩放因子对各个分类对应的各个目标框进行变换，得到若干图像缺陷样本，包括：
根据各个缩放因子计算各个分类对应的各个目标框所对应的增强热力值；
根据各个增强热力值绘制得到对应的增强热力图；
根据增强热力图对所有目标框内的图像进行光学变换，得到若干图像缺陷样本。
在一个实施例中，所述根据各个分类对应的缩放因子对各个分类对应的各个目标框进行变换，得到若干图像缺陷样本，包括：
对所有目标框进行水平翻转、垂直翻转和仿射变换，得到若干第一缺陷样本；
对径向尺度目标框进行水平方向的平移复制，得到若干第二缺陷样本；
对纬向尺度目标框进行垂直方向的平移复制，得到若干第三缺陷样本；
对小尺度目标框进行移动复制，得到若干第四缺陷样本；
对小尺度目标框进行放大，放大倍数为1.0至缩放因子，得到若干第五缺陷样本；
根据若干第一缺陷样本、第二缺陷样本、第三缺陷样本、第四缺陷样本、第五缺陷样本得到若干图像缺陷样本。
在一个实施例中，所述根据各个分类对应的缩放因子对各个分类对应的各个目标框进行变换，得到若干图像缺陷样本，还包括：
截取各个目标框内的缺陷图像；
将所有缺陷图像分别与良品图片进行贴合，得到若干图像缺陷样本。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种图像缺陷样本生成方法，其特征在于，包括：
对预先收集的坯布缺陷数据集进行标注，得到若干带有缺陷图像的目标框；
计算各个目标框的宽高比和面积；
根据预设宽高比和预设面积及各个目标框的宽高比和面积，对各个目标框进行分类；
确定各个分类对应的缩放因子；
根据各个分类对应的缩放因子对各个分类对应的各个目标框进行变换，得到若干图像缺陷样本。
2.根据权利要求1所述的方法，其特征在于，所述对预先收集的坯布缺陷数据集进行标注，得到若干带有缺陷图像的目标框，包括：
对预先收集的坯布缺陷数据集中的所有图像的各类缺陷进行多边形框标注，得到若干多边形框；
根据若干多边形框确定各个多边形框的中心点坐标值；
根据各个中心点坐标值通过几何形态学生成用于容纳任意旋转角度的对应多边形框的最小矩形框，得到若干带有缺陷图像的目标框。
3.根据权利要求2所述的方法，其特征在于，所述计算所有目标框的宽高比和面积，包括：
获取所有目标框的宽度值和高度值；
根据各个目标框的宽度值和高度值计算对应目标框的宽高比和面积。
4.根据权利要求3所述的方法，其特征在于，所述根据预设宽高比和预设面积及各个目标框的宽高比和面积，对各个目标框进行分类，包括：
将各个目标框的宽高比与预设宽高比进行比对，将宽高比大于5：1的目标框分类为纬向尺寸目标框；将宽高比小于1：5的目标框分类为径向尺寸目标框；
对于宽高比处于1：5至5：1的目标框，将各个目标框的面积与预设面积进行比对，将面积大于1000的分类为大尺寸目标框，将面积小于1000的分类为小尺寸目标框。
5.根据权利要求4所述的方法，其特征在于，所述根据各个分类对应的缩放因子对各个分类对应的各个目标框进行变换，得到若干图像缺陷样本，包括：
根据各个缩放因子计算各个分类对应的各个目标框所对应的增强热力值；
根据各个增强热力值绘制得到对应的增强热力图；
根据各个增强热力图对对应的目标框内的图像进行光学变换，得到若干图像缺陷样本。
6.根据权利要求4所述的方法，其特征在于，所述根据各个分类对应的缩放因子对各个分类对应的各个目标框进行变换，得到若干图像缺陷样本，包括：
对所有目标框进行水平翻转、垂直翻转和仿射变换，得到若干第一缺陷样本；
对径向尺度目标框进行水平方向的平移复制，得到若干第二缺陷样本；
对纬向尺度目标框进行垂直方向的平移复制，得到若干第三缺陷样本；
对小尺度目标框进行移动复制，得到若干第四缺陷样本；
对小尺度目标框进行放大，放大倍数为1.0至小尺度目标框对应的缩放因子，得到若干第五缺陷样本；
根据若干第一缺陷样本、第二缺陷样本、第三缺陷样本、第四缺陷样本、第五缺陷样本得到若干图像缺陷样本。
7.根据权利要求4所述的方法，其特征在于，所述根据各个分类对应的缩放因子对各个分类对应的各个目标框进行变换，得到若干图像缺陷样本，还包括：
截取各个目标框内的缺陷图像；
将所有缺陷图像分别与良品图片进行贴合，得到若干图像缺陷样本。
8.一种图像缺陷样本生成系统，其特征在于，包括：
缺陷标注模块，用于对预先收集的坯布缺陷数据集进行标注，得到若干带有缺陷图像的目标框；
宽高计算模块，用于计算所有目标框的宽高比和面积；
目标框分类模块，用于根据预设宽高比和预设面积及各个目标框的宽高比和面积，对各个目标框进行分类；
缩放确定模块，用于确定所有分类后的目标框的缩放因子；
样本生成模块，用于根据各个分类对应的缩放因子对各个分类对应的各个目标框进行变换，得到若干图像缺陷样本。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202210936687.4A 2022-08-05 2022-08-05 一种图像缺陷样本生成方法、系统、计算机设备、及介质 Pending CN115345841A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210936687.4A CN115345841A (zh) 2022-08-05 2022-08-05 一种图像缺陷样本生成方法、系统、计算机设备、及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210936687.4A CN115345841A (zh) 2022-08-05 2022-08-05 一种图像缺陷样本生成方法、系统、计算机设备、及介质

Publications (1)

Publication Number Publication Date
CN115345841A true CN115345841A (zh) 2022-11-15

Family

ID=83950694

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210936687.4A Pending CN115345841A (zh) 2022-08-05 2022-08-05 一种图像缺陷样本生成方法、系统、计算机设备、及介质

Country Status (1)

Country Link
CN (1) CN115345841A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116596878A (zh) * 2023-05-15 2023-08-15 湖北纽睿德防务科技有限公司 一种带钢表面缺陷检测方法、系统、电子设备及介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116596878A (zh) * 2023-05-15 2023-08-15 湖北纽睿德防务科技有限公司 一种带钢表面缺陷检测方法、系统、电子设备及介质
CN116596878B (zh) * 2023-05-15 2024-04-16 湖北纽睿德防务科技有限公司 一种带钢表面缺陷检测方法、系统、电子设备及介质

Similar Documents

Publication Publication Date Title
CN110414507B (zh) 车牌识别方法、装置、计算机设备和存储介质
CN109978839B (zh) 晶圆低纹理缺陷的检测方法
CN105447512B (zh) 一种精粗结合的光学表面缺陷的检测方法及装置
CN109632808B (zh) 棱边缺陷检测方法、装置、电子设备及存储介质
CN113240642A (zh) 图像缺陷检测方法及装置、电子设备、存储介质
CN113962976B (zh) 用于病理玻片数字图像的质量评估方法
CN111476758B (zh) Amoled显示屏的缺陷检测方法、装置、计算机设备及存储介质
CN115908415B (zh) 基于边缘的缺陷检测方法、装置、设备及存储介质
CN110728659A (zh) 缺陷合并的方法、装置、计算机设备及存储介质
CN115345841A (zh) 一种图像缺陷样本生成方法、系统、计算机设备、及介质
CN116580185A (zh) 一种基于纹理的缺陷检测方法、系统、设备、及介质
CN115457254A (zh) 一种基于深度学习的二维码定位正畸方法、介质及处理器
CN111340765B (zh) 一种基于背景分离的热红外图像倒影检测方法
CN114674826A (zh) 基于布匹的视觉检测方法及检测系统
CN117197108A (zh) 光学变焦图像质量评估方法、系统、计算机装置及介质
CN115937107A (zh) 一种两阶段坯布缺陷检测方法、系统、介质及计算机
CN116363097A (zh) 一种光伏板的缺陷检测方法及系统
CN114092695B (zh) 一种基于分割模型的roi提取方法及装置
CN114359414A (zh) 镜头脏污识别方法、装置、计算机设备及存储介质
CN114885095A (zh) 图像采集控制方法及设备、图像采集系统和可读存储介质
CN116645299B (zh) 一种深度伪造视频数据增强方法、装置及计算机设备
US20230245360A1 (en) Microscopy System and Method for Editing Overview Images
CN117420152B (zh) 视觉检测方法、装置、计算机设备及计算机可读存储介质
CN117809310B (zh) 基于机器学习的港口集装箱号识别方法及系统
CN117456371B (zh) 一种组串热斑检测方法、装置、设备及介质

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