CN115661608A - 文物病害标注模型的训练及文物病害标注方法及软件 - Google Patents
文物病害标注模型的训练及文物病害标注方法及软件 Download PDFInfo
- Publication number
- CN115661608A CN115661608A CN202211302513.9A CN202211302513A CN115661608A CN 115661608 A CN115661608 A CN 115661608A CN 202211302513 A CN202211302513 A CN 202211302513A CN 115661608 A CN115661608 A CN 115661608A
- Authority
- CN
- China
- Prior art keywords
- data set
- cultural relic
- labeling
- disease
- training
- 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
Links
- 238000002372 labelling Methods 0.000 title claims abstract description 114
- 201000010099 disease Diseases 0.000 title claims abstract description 106
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 106
- 238000012549 training Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000003062 neural network model Methods 0.000 claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims description 29
- 238000010586 diagram Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 4
- 241000282326 Felis catus Species 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 2
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 229910000906 Bronze Inorganic materials 0.000 description 3
- 239000010974 bronze Substances 0.000 description 3
- KUNSUQLRTQLHQQ-UHFFFAOYSA-N copper tin Chemical compound [Cu].[Sn] KUNSUQLRTQLHQQ-UHFFFAOYSA-N 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007670 refining Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种文物病害标注模型的训练及文物病害标注方法及软件，本发明在文物病害标注模型的训练过程中，通过对图像进行逐像素点标注，使得标注结果更加精确，通过建立神经网络并对其训练，比较训练好的神经网络模型的标注结果和人工标注结果，通过调节神经网络的参数使得神经网络模型精化，使得训练得到的文物病害标注模型的标注结果更加精确；利用训练好的文物病害标注模型可以得到一种文物病害标注方法，该标注方法减少了人工标注可能会出现的误标和漏标的可能性，同时实现了文物病害的自动化标注，该自动化标注方法可以大大提高文物病害标注效率。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种文物病害标注模型的训练及文物病害标注方法及软件。
背景技术
文物病害由于其病害类型繁多且没有固定的形状和分布区域，大大增加了标注的难度。文物病害检测常常需要病害的标注信息来确定病害种类和分布，以便于进一步的统计和分析。
目前文物病害检测领域有人工标注和软件标注两种方法来可视化病害的信息，其中，人工标注依靠显微镜的观察和经验判断绘制出标注图，主要的缺陷在于效率低、无法识别标注图中的不同病害标注信息，很难做到对文物病害信息做进一步的数据分析和文物保护。软件标注基本分为两类：第一类是需要手动标注的标注软件，第二类是能够自动标注的标注软件，其中，第一类标注软件提供很多标注类型，包括2D框、多边形分割、关键点标注、语义分割以及2/3D融合标注，但需要手动标注的标注软件应用到文物病害标注有以下缺点：用手动标注的标注软件，要完成一张精细化标注的文物病害图要耗费很大的时间和精力；由于文物病害的形状各异，使用此类标注软件进行标注需要对软件的使用者进行专业的培训。第二类标注软件旨在减少使用者的工作量，能够自动地进行图像的标注。但目前自动检测的标注软件大多限于规则形状的边界矩形框，或者是一些具有明显特征的特征图，而对于文物病害这样的复杂图，却很难达到很好的效果。同时文物病害标注图需要相关的质检，一些标注软件虽然支持一些自动测试，但所有质检都必须手动完成。所以说，虽然目前软件标注在很多领域都有广泛的应用，但因为文物病害标注的自身特点，用市面上的标注软件进行文物病害的标注还是有一定的局限性，仍然需要手动地对病害种类和位置进行交互式标记，因此亟待一种新的文物病害标注方法来解决以上问题。
发明内容
为此，本发明实施例提供了一种文物病害标注模型的训练及文物病害标注方法及软件，用于解决现有技术中文物病害标注耗时长、效率低、准确性低的问题。
为解决上述技术问题本发明实施例提供了一种文物病害标注模型的训练方法，该方法包括：
S1：采集文物的图像数据，并将所述图像数据划分为第一数据集和第二数据集；
S2：对所述第一数据集和所述第二数据集中的文物图像进行人工病害信息的标注，得到第三数据集和第四数据集；
S3：对所述第三数据集和所述第四数据集中的文物图像进行处理；
S4：将处理好的第三数据集中的文物图像输入到提前搭建好的神经网络模型进行深度学习，训练神经网络，在训练中，通过选定的评价指标对网络进行评估；
S5：将第二数据集中的文物图像输入到训练好的神经网络模型进行自动化标注，生成第五数据集；
S6：对比第四数据集和第五数据集的标注结果，若第五数据集的标注结果更优，则训练完成；若第四数据集的标注结果更优，则返回执行步骤S4，直到第五数据集与第四数据集的标注结果在设定的误差范围内时，训练完成。
在本发明的一个实施例中，对所述第一数据集和所述第二数据集中的文物图像进行人工病害信息的标注的方法为：利用标注软件对所述第一数据集和所述第二数据集中的文物图像进行人工病害信息的标注，所述标注软件为提供逐像素点交互式标注的标注软件。
在本发明的一个实施例中，对所述第一数据集和所述第二数据集中的文物图像进行人工病害信息的标注，得到第三数据集和第四数据集包括以下步骤：
S21:选取第一数据集和第二数据集中的文物图像，并将所述文物图像导入标注软件中；
S22：对所述文物图像进行放大，查找文物图像中对应的病害信息，使用对应的标签将对应的病害信息的轮廓用多个点勾勒出来，生成文件，所有生成的文件构成文物数据集；
S23：为所述文物数据集中不同编号的标签设置不同的rgb通道，生成标签图像，从而得到第三数据集和第四数据集。
在本发明的一个实施例中，所述神经网络模型包括特征图像提取单元、编码单元以及解码单元；所述特征图像提取单元用于提取输入文物图像的三种不同大小的特征图；所述编码单元用于对所述三种不同大小的特征图进行处理；所述解码单元用于对编码单元处理得到的特征图进行处理。
在本发明的一个实施例中，所述特征图像提取单元采用金字塔网络提取输入文物图像的三种不同大小的特征图，其中，所述三种不同大小的特征图，分别为原始图像的1/32、1/16、1/8。
在本发明的一个实施例中，首先，将C5经过金字塔网络后会得到C5'，C4经过Con2d操作后变为C4'，C3经过Con2d操作变为C3'；
然后，通过将C5'放大2倍和C4'作相加操作，将得到的结果放大2倍和C3'做相加操作，然后横向进行Con2d操作，实现对C5'、C4'、C3'的融合；
最后，将融合后得到的所有特征图放大到原图像的1/8大小，进行Cat操作，得到B×768×W/32×H/32的特征图，其中，W、H表示原图像的宽和高，B表示批数。
在本发明的一个实施例中，对编码单元处理得到的特征图进行处理的方法为：
将编码阶段产生的特征图C和位置特征图进行Cat操作，得到B×258×W/8×H/8的特征图C'，最后提取实例特征，其中，特征图C为B×768×W/32×H/32的特征图，W、H表示原图像的宽和高，B表示批数。
在本发明的一个实施例中，在对所述第一数据集和所述第二数据集中的文物图像进行人工病害信息的标注前，对每种文物病害类型设定不同的标签，且每种文物病害标签有且仅有一个固定标签。
本发明实施例还提供了一种文物病害标注方法，包括利用上述所述的文物病害标注模型的训练方法对文物图像进行标注。
本发明实施例还提供了一种自动化标注软件，该软件利用上述所述的文物病害标注方法对文物病害进行自动化标注。
从以上技术方案可以看出，本发明申请具有以下优点：
本发明实施例提供了一种文物病害标注模型的训练及文物病害标注方法及软件。本发明在文物病害标注模型的训练过程中，通过对图像进行逐像素点标注，相较于其他标注类型，标注的结果更加精确；通过建立神经网络并对其训练，在训练时，通过选定的评价指标对网络进行评估，使损失最小化，并保存最优的权重，作为神经网络训练完的结果；得到训练好的神经网络模型后，比较训练好的神经网络模型的标注结果和人工标注结果，通过调节神经网络的参数来使神经网络模型精化，使得训练得到的文物病害标注模型的标注结果更加精确；利用训练好的文物病害标注模型可以得到一种文物病害标注方法，该标注方法减少了人工标注可能会出现的误标和漏标的可能性，同时实现了文物病害的自动化标注，该自动化标注方法可以大大提高文物病害标注效率；还可以利用该标注方法制作一种自动化标注软件，该标注软件相比于其它病害标注软件标注结果更精确，标注效率更高。
附图说明
为了更清楚地说明本发明实施案例或现有技术中的技术方案，下边将对实施例中所需要使用的附图做简单介绍，通过参考附图会更清楚的理解本发明的特征和优点，附图是示意性的而不应该理解为对本发明进行任何限制，对于本域普通技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他的附图。其中：
图1是根据本发明实施例提供的一种文物病害标注模型的训练方法的流程示意图；
图2是本发明实施例提供的某一青铜器文物正反两面的实物图片示意图；
图3是本发明实施例将某一青铜器正反两面的实物图片文物经过自动化标注软件处理后得到的病害信息标注示意图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例一
参照图1所示，本发明实施例提供了一种文物病害标注模型的训练方法，该方法包括：
S101：采集文物的图像数据，并将所述图像数据划分为第一数据集和第二数据集；
S102：对所述第一数据集和所述第二数据集中的文物图像进行人工病害信息的标注，得到第三数据集和第四数据集；
S103：对所述第三数据集和所述第四数据集中的文物图像进行处理；
S104：将处理好的第三数据集中的文物图像输入到提前搭建好的神经网络模型进行深度学习，训练神经网络，在训练中，通过选定的评价指标对网络进行评估；
S105：将第二数据集中的文物图像输入到训练好的神经网络模型进行自动化标注，生成第五数据集；
S106：对比第四数据集和第五数据集的标注结果，若第五数据集的标注结果更优，则训练完成；若第四数据集的标注结果更优，则返回执行步骤S104，直到第五数据集与第四数据集的标注结果在设定的误差范围内时，训练完成。
本发明在文物病害标注模型的训练过程中，通过对图像进行逐像素点标注，相较于其他标注类型，标注的结果更加精确；通过建立神经网络并对其训练，在训练时，通过选定的评价指标对网络进行评估，使损失最小化，并保存最优的权重，作为神经网络训练完的结果；得到训练好的神经网络模型后，比较训练好的神经网络模型的标注结果和人工标注结果，通过调节神经网络的参数使得神经网络模型精化，使得训练得到的文物病害标注模型的标注结果更加精确。
进一步地，在步骤S101中包括：
采集文物的图像数据，并将所述图像数据划分为第一数据集和第二数据集，其分配比例为7:3。
进一步地，在步骤S102中包括：
利用标注软件(本实施例采用labelme软件)对上述第一数据集和上述第二数据集中的文物图像进行人工病害信息的逐像素点标注，通过文物原图和人工病害标注图的比对完成1000张加工图，得到第三数据集和第四数据集；在对上述第一数据集和上述第二数据集中的文物图像进行人工病害信息的标注前，对每种文物病害类型设定不同的标签，且每种文物病害标签有且仅有一个固定标签。
具体地，利用标注软件对所述第一数据集和所述第二数据集中的文物图像进行人工病害信息的标注，得到第三数据集和第四数据集包括以下步骤：
S1021:选取第一数据集和第二数据集中的文物图像，并将所述文物图像导入标注软件中；
S1022：对所述文物图像进行放大，查找文物图像中对应的病害信息，使用对应的标签将对应的病害信息的轮廓用多个点勾勒出来，生成文件，所有生成的文件构成文物数据集；
S1023：为所述文物数据集中不同编号的标签设置不同的rgb通道，生成标签图像，从而得到第三数据集和第四数据集。
进一步地，在步骤S103中包括：
对上述第三数据集和上述第四数据集中的文物图像进行处理，裁剪原图和标签图片，并做对应的数值处理，使它们符合神经网络中卷积的要求，即分别作为神经网络的输入和输出。
进一步地，在步骤S104中包括：
搭建基于FCN的语义分割神经网络模型，本发明用的网络模型框架是SparseInt网络模型，将处理好的第三数据集中的文物图像输入到所述神经网络模型进行深度学习，训练神经网络，训练中，通过选定的评价指标对网络进行评估，使损失最小化，并保存最优的权重，作为神经网络训练完的结果；
其中，所述神经网络模型包括特征图像提取单元、编码单元以及解码单元；所述特征图像提取单元用于提取输入文物图像的三种不同大小的特征图；所述编码单元用于对所述三种不同大小的特征图进行处理；所述解码单元用于对编码单元处理得到的特征图进行处理；
所述特征图像提取单元采用金字塔网络提取输入文物图像的三种不同大小的特征图，其中，所述三种不同大小的特征图，分别为原始图像的1/32、1/16、1/8，通道数分别为256、1024、512；
对所述三种不同大小的特征图进行处理，包括以下步骤：
首先，将C5经过金字塔网络后会得到C5'，C4经过Con2d操作后变为C4'，C3经过Con2d操作变为C3'；
然后，通过将C5'放大2倍和C4'作相加操作，将得到的结果放大2倍和C3'做相加操作，然后横向进行Con2d操作，实现对C5'、C4'、C3'的融合；
最后，将融合后得到的所有特征图放大到原图像的1/8大小，进行Cat操作，得到B×768×W/32×H/32的特征图，其中，W、H表示原图像的宽和高，B表示批数。
对编码单元处理得到的特征图进行处理的方法为：
将编码阶段产生的特征图C和位置特征图进行Cat操作，得到B×258×W/8×H/8的特征图C'，最后提取实例特征，其中，特征图C为B×768×W/32×H/32的特征图，W、H表示原图像的宽和高，B表示批数；在解码单元有两个分支分别为MaskBranch和InstanceBranch，MaskBranch用来预测Mask，InstanceBranch用来预测实例，MaskBranch模块主要是一序列卷积组成，最后得到B×128×W/8×H/8的mask特征图，InstanceBranch需要预测MaskKernel，该Kernel(Kernel尺寸为B×100×128)会和MaskBranch的特征图进行矩阵相乘得到预测的B×100×W/8×H/8的mask特征图。
进一步地，在步骤S105中包括：
将第二数据集中的文物图像输入到训练好的神经网络模型进行自动化标注，生成第五数据集。
进一步地，在步骤S106中包括：
对比第四数据集和第五数据集的标注结果，若第五数据集的标注结果更优，则训练完成；若第四数据集的标注结果更优，则通过调节神经网络的参数来重新训练神经网络(重复执行步骤S104-S106)，直到第五数据集与第四数据集的标注结果在设定的误差范围内时，训练完成。
实施例二
本发明实施例提供了一种文物病害标注方法，该方法利用实施例一中的文物病害标注模型的训练方法对文物图像进行标注。为了避免冗余，在此不再赘述。
该标注方法减少了人工标注可能会出现的误标和漏标的可能性，实现了文物病害的自动化标注，该自动化标注方法可以大大提高文物病害标注效率，解决了现有技术中文物病害标注耗时长、效率低、准确性低的问题。
实施例三
本发明实施例提供了一种自动化标注软件，该软件利用实施例二中所述的文物病害标注方法对文物病害进行自动化标注，为了避免冗余，在此不再赘述。
该自动化标注软件的使用流程为：
(1)打开该自动化标注软件；
(2)点击【打开】的按钮，寻找计算机对应路径下含有待标注文物图的文件夹，并把该文件夹导入到该软件中；
(3)点击【批量处理】的按钮，对文件夹中的图片进行批量的自动化标注；
(4)点击【预览】的按钮，查看标注好的图片；
(5)点击【保存】的按钮，把含有标注好图片的文件夹放到指定的计算机路径下。
如图2、3所示，将某一青铜器文物正反两面的实物图片，导入到该自动标注软件中，经过该自动化标注软件运行后，得到病害信息标注图，其中，1表示为红色，2表示为绿色，可以看到文物的不同病害信息用不同颜色的标签标注了出来，并保留了原本图片其它部分的颜色信息。
该软件能使批量文物病害标注的效率有明显的提高，只需要培养少量的技术人员，就可以减少大量的标注文物病害信息的人力。通常，一个文物病害标注员用其它标注软件标注，一天的产量大概在1000张左右，而用本软件标注1000张图，大概在50分钟左右(具体由图片分辨率决定)。如果几个计算机并行处理，效率会更高。
该软件基于一定的有效数据集以及病害种类具有确定性，其软件标注的准确性可以得到极大的保证，极大的减少了人工标注可能会出现的误标和漏标的可能性。通常，一个文物病害标注员标注的返工率为5％，但用这个自动标注软件，误标率低于5％。
该标注软件相比于其它病害标注软件标注结果更加精确，标注效率更高。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种文物病害标注模型的训练方法，其特征在于，包括：
S1：采集文物的图像数据，并将所述图像数据划分为第一数据集和第二数据集；
S2：对所述第一数据集和所述第二数据集中的文物图像进行人工病害信息的标注，得到第三数据集和第四数据集；
S3：对所述第三数据集和所述第四数据集中的文物图像进行处理；
S4：将处理好的第三数据集中的文物图像输入到提前搭建好的神经网络模型进行深度学习，训练神经网络，在训练中，通过选定的评价指标对网络进行评估；
S5：将第二数据集中的文物图像输入到训练好的神经网络模型进行自动化标注，生成第五数据集；
S6：对比第四数据集和第五数据集的标注结果，若第五数据集的标注结果更优，则训练完成；若第四数据集的标注结果更优，则返回执行步骤S4，直到第五数据集与第四数据集的标注结果在设定的误差范围内时，训练完成。
2.根据权利要求1所述的文物病害标注模型的训练方法，其特征在于，对所述第一数据集和所述第二数据集中的文物图像进行人工病害信息的标注的方法为：利用标注软件对所述第一数据集和所述第二数据集中的文物图像进行人工病害信息的标注，所述标注软件为提供逐像素点交互式标注的标注软件。
3.根据权利要求1所述的文物病害标注模型的训练方法，其特征在于，对所述第一数据集和所述第二数据集中的文物图像进行人工病害信息的标注，得到第三数据集和第四数据集包括以下步骤：
S21:选取第一数据集和第二数据集中的文物图像，并将所述文物图像导入标注软件中；
S22：对所述文物图像进行放大，查找文物图像中对应的病害信息，使用对应的标签将对应的病害信息的轮廓用多个点勾勒出来，生成文件，所有生成的文件构成文物数据集；
S23：为所述文物数据集中不同编号的标签设置不同的rgb通道，生成标签图像，从而得到第三数据集和第四数据集。
4.根据权利要求1所述的文物病害标注模型的训练方法，其特征在于，所述神经网络模型包括特征图像提取单元、编码单元以及解码单元；所述特征图像提取单元用于提取输入文物图像的三种不同大小的特征图；所述编码单元用于对所述三种不同大小的特征图进行处理；所述解码单元用于对编码单元处理得到的特征图进行处理。
5.根据权利要求5所述的文物病害标注模型的训练方法，其特征在于，所述特征图像提取单元采用金字塔网络提取输入文物图像的三种不同大小的特征图，其中，所述三种不同大小的特征图，分别为原始图像的1/32、1/16、1/8。
6.根据权利要求5所述的文物病害标注模型的训练方法，其特征在于，对所述三种不同大小的特征图进行处理，包括以下步骤：
首先，将C5经过金字塔网络后会得到C5'，C4经过Con2d操作后变为C4'，C3经过Con2d操作变为C3'；
然后，通过将C5'放大2倍和C4'作相加操作，将得到的结果放大2倍和C3'做相加操作，然后横向进行Con2d操作，实现对C5'、C4'、C3'的融合；
最后，将融合后得到的所有特征图放大到原图像的1/8大小，进行Cat操作，得到B×768×W/32×H/32的特征图，其中，W、H表示原图像的宽和高，B表示批数。
7.根据权利要求5所述的文物病害标注模型的训练方法，其特征在于，对编码单元处理得到的特征图进行处理的方法为：
将编码阶段产生的特征图C和位置特征图进行Cat操作，得到B×258×W/8×H/8的特征图C'，最后提取实例特征，其中，特征图C为B×768×W/32×H/32的特征图，W、H表示原图像的宽和高，B表示批数。
8.根据权利要求1所述的文物病害标注模型的训练方法，其特征在于，在对所述第一数据集和所述第二数据集中的文物图像进行人工病害信息的标注前，对每种文物病害类型设定不同的标签，且每种文物病害标签有且仅有一个固定标签。
9.一种文物病害标注方法，其特征在于，包括利用权利要求1至8任意一种所述的文物病害标注模型的训练方法对文物图像进行标注。
10.一种自动化标注软件，其特征在于，利用权利要求9所述的文物病害标注方法对文物病害进行自动化标注。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211302513.9A CN115661608A (zh) | 2022-10-24 | 2022-10-24 | 文物病害标注模型的训练及文物病害标注方法及软件 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211302513.9A CN115661608A (zh) | 2022-10-24 | 2022-10-24 | 文物病害标注模型的训练及文物病害标注方法及软件 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115661608A true CN115661608A (zh) | 2023-01-31 |
Family
ID=84992032
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211302513.9A Pending CN115661608A (zh) | 2022-10-24 | 2022-10-24 | 文物病害标注模型的训练及文物病害标注方法及软件 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115661608A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112258496A (zh) * | 2020-11-02 | 2021-01-22 | 郑州大学 | 一种基于全卷积神经网络的地下排水管道病害分割方法 |
| CN112434794A (zh) * | 2020-11-30 | 2021-03-02 | 国电南瑞科技股份有限公司 | 一种基于深度学习的计算机视觉数据集半自动标注方法及系统 |
| CN114283117A (zh) * | 2021-11-24 | 2022-04-05 | 广西大学 | 一种基于改进YOLOv3卷积神经网络的绝缘子缺陷检测方法 |
| WO2022134600A1 (zh) * | 2020-12-25 | 2022-06-30 | 东云睿连(武汉)计算技术有限公司 | 一种神经网络交互式自动训练系统和方法 |
-
2022
- 2022-10-24 CN CN202211302513.9A patent/CN115661608A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112258496A (zh) * | 2020-11-02 | 2021-01-22 | 郑州大学 | 一种基于全卷积神经网络的地下排水管道病害分割方法 |
| CN112434794A (zh) * | 2020-11-30 | 2021-03-02 | 国电南瑞科技股份有限公司 | 一种基于深度学习的计算机视觉数据集半自动标注方法及系统 |
| WO2022134600A1 (zh) * | 2020-12-25 | 2022-06-30 | 东云睿连(武汉)计算技术有限公司 | 一种神经网络交互式自动训练系统和方法 |
| CN114283117A (zh) * | 2021-11-24 | 2022-04-05 | 广西大学 | 一种基于改进YOLOv3卷积神经网络的绝缘子缺陷检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| TIANHENG CHENG等: "Sparse Instance Activation for Real-Time Instance Segmentation", IEEE, no. 3, 27 September 2022 (2022-09-27), pages 3 * |
| 谢禹;李玉俊;董文生;: "基于SSD神经网络的图像自动标注及应用研究", 信息技术与标准化, no. 04, 10 April 2020 (2020-04-10) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109493346A (zh) | 一种基于多损失的胃癌病理切片图像分割方法和装置 | |
| CN108921105B (zh) | 识别目标数量的方法、装置及计算机可读存储介质 | |
| CN105893925A (zh) | 基于肤色的人手检测方法及装置 | |
| CN109241871A (zh) | 一种基于视频数据的公共区域人流跟踪方法 | |
| CN109583483A (zh) | 一种基于卷积神经网络的目标检测方法和系统 | |
| CN110059697A (zh) | 一种基于深度学习的肺结节自动分割方法 | |
| CN104680531B (zh) | 一种连通量统计信息提取方法及vlsi结构 | |
| CN111507357B (zh) | 一种缺陷检测语义分割模型建模方法、装置、介质及设备 | |
| CN108447064B (zh) | 一种图片处理方法及装置 | |
| CN114219786B (zh) | 一种基于深度学习的染色体核型分析方法及系统 | |
| CN114241326B (zh) | 一种渐进式遥感影像地物要素智能生产方法及系统 | |
| CN110348435A (zh) | 一种基于裁剪区域候选网络的目标检测方法及系统 | |
| CN107506362B (zh) | 基于用户群优化的图像分类仿脑存储方法 | |
| CN112528058B (zh) | 基于图像属性主动学习的细粒度图像分类方法 | |
| CN112651989A (zh) | 基于Mask RCNN实例分割的SEM图像分子筛粒径统计方法和系统 | |
| CN113111716A (zh) | 一种基于深度学习的遥感影像半自动标注方法和装置 | |
| CN117495735A (zh) | 一种基于结构引导的建筑物立面纹理自动修复方法及系统 | |
| CN112966698A (zh) | 基于轻量化卷积网络的淡水鱼图像实时识别方法 | |
| CN117292217A (zh) | 一种基于对抗生成网络的皮肤分型数据增广方法与系统 | |
| CN115661608A (zh) | 文物病害标注模型的训练及文物病害标注方法及软件 | |
| CN114723601B (zh) | 一种虚拟场景下的模型结构化建模及快速渲染方法 | |
| CN115359003A (zh) | 两步式隧道灰度图像的裂缝识别方法、系统、介质及设备 | |
| CN115690493A (zh) | 文物病害标注模型的训练及文物病害标注系统及装置 | |
| CN110348404B (zh) | 一种农村道路景观视觉评价分析方法 | |
| 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 |
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 |