CN115861740A - 工业检测中的样本生成方法、样本生成装置 - Google Patents
工业检测中的样本生成方法、样本生成装置 Download PDFInfo
- Publication number
- CN115861740A CN115861740A CN202310166825.XA CN202310166825A CN115861740A CN 115861740 A CN115861740 A CN 115861740A CN 202310166825 A CN202310166825 A CN 202310166825A CN 115861740 A CN115861740 A CN 115861740A
- Authority
- CN
- China
- Prior art keywords
- matrix
- offset value
- image
- row
- random offset
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- Analysing Materials By The Use Of Radiation (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及工业检测技术领域,提供一种工业检测中的样本生成方法、样本生成装置,所述方法包括:获取工业现场图像并转换成灰度图像;获取灰度图像的像素点;遍历灰度图像的每一行和/或列,获取随机偏移值,根据随机偏移值将灰度图像的每一行的像素点沿X方向偏移和/或将每一列的像素点沿Y方向偏移,其中,针对每一行和列都重新获取随机偏移值,且随机偏移值在预设范围内;遍历完成后,根据偏移后的图像生成工业检测的样本。本发明将工业现场图像拆解成行列,对逐行、逐列执行不同的随机偏移操作以进行图像增强,从而可以增加样本的多样性,整个方法不仅可以避免由于相机抖动带来的图像失真问题,且简单、效率高、便于编程实现。
Description
技术领域
本发明涉及工业检测技术领域,具体涉及一种工业检测中的样本生成方法和一种工业检测中的样本生成装置。
背景技术
在智能工业检测领域,由于样本较少,通过对少量样本进行数据增强,以提高样本的多样性,提高深度学习模型的泛化能力,因此通过不同的方式来创造新的数据增强手段具有较大的工程价值。
相关技术中,通常是通过图像平移方法进行数据增强,但平移方式是对图像整体进行平移,该方式对于部分工业现场的图像增强效果有限。因为,工业现场中由于相机或设备的高频抖动,使得采集到的图像不一定是整体平移效果,可能使图像内不同行列像素平移的幅度不一致,因此,该情况下使用现有的图像增强方式对深度学习模型的训练效果有限,达不到提高样本的多样性的目的。
发明内容
为解决上述技术问题,本发明的第一个目的在于提出一种工业检测中的样本生成方法。
本发明的第二个目的在于提出一种工业检测中的样本生成装置。
本发明采用的技术方案如下:
本发明第一方面的实施例提出了一种工业检测中的样本生成方法,包括以下步骤:步骤S1,获取工业现场图像并转换成灰度图像;步骤S2,获取所述灰度图像的像素点;步骤S3,遍历所述灰度图像的每一行和/或列,获取随机偏移值,根据随机偏移值将所述灰度图像的每一行的像素点沿X方向偏移和/或将每一列的像素点沿Y方向偏移,其中,针对每一行和列都重新获取随机偏移值,且所述随机偏移值在预设范围内;步骤S4,遍历完成后,根据偏移后的图像生成工业检测的样本。
本发明上述提出的工业检测中的样本生成方法还可以具有如下附加技术特征:
根据本发明的一个实施例,遍历所述灰度图像的每一行,获取随机偏移值,根据随机偏移值将所述灰度图像的每一行的像素点沿X方向偏移具体包括:根据所述灰度图像生成第一矩阵,其中所述第一矩阵的宽为W,高为H;生成一个宽为(W+px)且高为H的第二矩阵,所述第二矩阵中的所有元素的值设置为0,其中,px为随机偏移值沿X方向的最大偏移值;遍历所述第一矩阵的每一行,针对所述第一矩阵的第i行随机生成一个随机偏移值ni,将所述第一矩阵的第i行的像素点以(i,ni)为起始坐标复制至所述第二矩阵中,ni的取值范围为[0,px],i为正整数;遍历结束后,存储所述第二矩阵。
根据本发明的一个实施例,遍历所述灰度图像的每一列,获取随机偏移值,根据随机偏移值将所述灰度图像的每一列的像素点沿Y方向偏移,具体包括:根据所述灰度图像生成第一矩阵,其中所述第一矩阵的宽为W,高为H;生成一个宽为W且高为(H+py)的第三矩阵,所述第三矩阵中的所有元素的值设置为0,其中,py为随机偏移值沿Y方向的最大偏移值;遍历所述第一矩阵的每一列,针对所述第一矩阵的第j列随机生成一个随机偏移值mj,将所述第一矩阵的第j列的像素点以(mj,j)为起始坐标复制至所述第三矩阵中,mj的取值范围为[0,py],j为正整数;遍历结束后,存储所述第三矩阵。
根据本发明的一个实施例,遍历所述灰度图像的每一行和列,获取随机偏移值,根据随机偏移值将所述灰度图像的每一行的像素点沿X方向偏移和将每一列的像素点沿Y方向偏移,具体包括:根据所述灰度图像生成第一矩阵,其中所述第一矩阵的宽为W,高为H;生成一个宽为(W+px)且高为H的第二矩阵,所述第二矩阵中的所有元素的值设置为0,其中,px为随机偏移值沿X方向的最大偏移值;遍历所述第一矩阵的每一行,针对所述第一矩阵的第i行随机生成一个随机偏移值ni,将所述第一矩阵的第i行的像素点以(i,ni)为起始坐标复制至所述第二矩阵中,ni的取值范围为[0,px],i为正整数;遍历结束后,存储所述第二矩阵;生成一个宽为(W+px)且高为(H+py)的第四矩阵,所述第四矩阵中的所有元素的值设置为0,其中,py为随机偏移值沿Y方向的最大偏移值;遍历所述第二矩阵的每一列,针对所述第二矩阵的第j列随机生成一个随机偏移值mj,将所述第二矩阵的第j列的像素点以(mj,j)为起始坐标复制至所述第四矩阵中;遍历结束后,存储所述第四矩阵。
根据本发明的一个实施例,上述的样本生成方法还包括:根据所述工业现场图像的尺寸对偏移后的图像从中心区域进行裁剪。
本发明第二方面的实施例提出了一种工业检测中的样本生成装置,包括:转换模块,所述转换模块用于获取工业现场图像并转换成灰度图像;获取模块,所述获取模块用于获取所述灰度图像的像素点;遍历模块,所述遍历模块用于遍历所述灰度图像的每一行和/或列,获取随机偏移值,根据随机偏移值将所述灰度图像的每一行的像素点沿X方向偏移和/或将每一列的像素点沿Y方向偏移,其中,针对每一行和列都重新获取随机偏移值,且所述随机偏移值在预设范围内;生成模块,所述生成模块用于遍历完成后,存根据偏移后的图像生成工业检测的样本。
本发明上述提出的工业检测中的样本生成装置还可以具有如下附加技术特征:
根据本发明的一个实施例,所述遍历模块具体用于:根据所述灰度图像生成第一矩阵,其中所述第一矩阵的宽为W,高为H;生成一个宽为(W+px)且高为H的第二矩阵,所述第二矩阵中的所有元素的值设置为0,其中,px为随机偏移值沿X方向的最大偏移值;遍历所述第一矩阵的每一行,针对所述第一矩阵的第i行随机生成一个随机偏移值ni,将所述第一矩阵的第i行的像素点以(i,ni)为起始坐标复制至所述第二矩阵中,ni的取值范围为[0,px],i为正整数;遍历结束后,存储所述第二矩阵。
根据本发明的一个实施例,所述遍历模块具体用于:根据所述灰度图像生成第一矩阵,其中所述第一矩阵的宽为W,高为H;生成一个宽为W且高为(H+py)的第三矩阵,所述第三矩阵中的所有元素的值设置为0,其中,py为随机偏移值沿Y方向的最大偏移值;遍历所述第一矩阵的每一列,针对所述第一矩阵的第j列随机生成一个随机偏移值mj,将所述第一矩阵的第j列的像素点以(mj,j)为起始坐标复制至所述第三矩阵中,mj的取值范围为[0,py],j为正整数;遍历结束后,存储所述第三矩阵。
根据本发明的一个实施例,所述遍历模块具体用于:根据所述灰度图像生成第一矩阵,其中所述第一矩阵的宽为W,高为H;生成一个宽为(W+px)且高为H的第二矩阵,所述第二矩阵中的所有元素的值设置为0,其中,px为随机偏移值沿X方向的最大偏移值;遍历所述第一矩阵的每一行,针对所述第一矩阵的第i行随机生成一个随机偏移值ni,将所述第一矩阵的第i行的像素点以(i,ni)为起始坐标复制至所述第二矩阵中,ni的取值范围为[0,px],i为正整数;遍历结束后,存储所述第二矩阵;生成一个宽为(W+px)且高为(H+py)的第四矩阵,所述第四矩阵中的所有元素的值设置为0,其中,py为随机偏移值沿Y方向的最大偏移值;遍历所述第二矩阵的每一列,针对所述第二矩阵的第j列随机生成一个随机偏移值mj,将所述第二矩阵的第j列的像素点以(mj,j)为起始坐标复制至所述第四矩阵中;遍历结束后,存储所述第四矩阵。
根据本发明的一个实施例,上述的样本生成装置还包括:裁剪模块,所述裁剪模块用于根据所述工业现场图像的尺寸对偏移后的图像从中心区域进行裁剪。
本发明的有益效果:
本发明将工业现场图像拆解成行列,对每一行、每一列执行不同的随机偏移操作以进行图像增强,增强后的图像不会改变原始图像中像素值,从而可以增加样本的多样性,整个方法不仅可以避免由于相机抖动带来的图像失真问题,且简单、效率高、便于编程实现。
附图说明
图1是根据本发明一个实施例的工业检测中的样本生成方法的流程图;
图2是根据本发明一个实施例的工业检测中的样本生成装置的方框示意图。
具体实施方式
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,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。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他实施例,都属于本发明保护的范围。
图1是根据本发明一个实施例的工业检测中的样本生成方法的流程图,如图1所示,该方法包括以下步骤:
步骤S1,获取工业现场图像并转换成灰度图像。
步骤S2,获取灰度图像的像素点。
步骤S3,遍历灰度图像的每一行和/或列,获取随机偏移值,根据随机偏移值将灰度图像的每一行的像素点沿X方向偏移和/或将每一列的像素点沿Y方向偏移,其中,针对每一行和列都重新获取随机偏移值,且随机偏移值在预设范围内。
具体地,偏移方式具体包括以下三种情况:1遍历灰度图像的每一列,获取随机偏移值,根据随机偏移值将灰度图像的每一列的像素点沿Y方向偏移;2、遍历灰度图像的每一行,获取随机偏移值,根据随机偏移值将灰度图像的每一行的像素点沿X方向偏移;3、遍历灰度图像的每一行和列,获取随机偏移值,根据随机偏移值将灰度图像的每一行的像素点沿X方向偏移和将每一列的像素点沿Y方向偏移。
步骤S4,遍历完成后,根据偏移后的图像生成工业检测的样本。
具体地,获取工业现场图像并转换成灰度图像,获取灰度图像的像素点。遍历灰度图像的每一行/列,获取随机偏移值n,将该行沿X方向偏移n个像素,或者将该列沿Y方向偏移n个像素,或者将该行沿X方向偏移n个像素且将该列沿Y方向偏移n个像素,最终生成新的图像。可以仅对行做随机偏移,可以仅对列做随机偏移,也可以既对行做随机偏又对列做随机偏移。在进行逐行、逐列做随机偏移时,针对每一行和列都重新获取或生成随机偏移值,也就是说,每一行/列的随机偏移值都是实时、随机在预设范围内生成的。
为了控制图像的失真度,随机偏移值n的取值范围不能过大,随机偏移值n最大值的依据是增强后人眼依然可以识别缺陷,根据实际情况通过相关实验提前获取。
由此,将工业现场图像拆解成行列,对每一行、每一列执行不同的随机偏移操作以进行图像增强,增强后的图像不会改变原始图像中像素值,从而可以增加样本的多样性,整个方法不仅可以避免由于相机抖动带来的图像失真问题,且简单、效率高、便于编程实现。
根据本发明的一个实施例,上述的工业检测中的样本生成方法还可以以包括:根据工业现场图像的尺寸对偏移后的图像进行裁剪,根据裁剪后的图像生成工业检测的样本。由此,可以保证从而使增强后的图像尺寸与原图一致。
下面结合具体的实施例描述如何进行行、列偏移。
根据本发明的一个实施例,遍历灰度图像的每一行,获取随机偏移值,根据随机偏移值将灰度图像的每一行的像素点沿X方向偏移具体包括以下步骤S301-S304:
S301,根据灰度图像生成第一矩阵,其中第一矩阵的宽为W,高为H。
S302生成一个宽为(W+px)且高为H的第二矩阵,第二矩阵中的所有元素的值设置为0,其中,px为随机偏移值沿X方向的最大偏移值。
S303,遍历第一矩阵的每一行,针对第一矩阵的第i行随机生成一个随机偏移值ni,将第一矩阵的第i行的像素点以(i,ni)为起始坐标复制至第二矩阵中,ni的取值范围为[0,px],i为正整数。
S304,遍历结束后,存储第二矩阵。
具体地,将第一矩阵中的每一行都向右偏移随机偏移值,形成第二矩阵,也可以都向左偏移,根据第二矩阵形成相应的图像,生成对应的工业检测的样本。
根据本发明的一个实施例,遍历灰度图像的每一列,获取随机偏移值,根据随机偏移值将灰度图像的每一列的像素点沿Y方向偏移,具体包括以下步骤S310-S313:
S310,根据灰度图像生成第一矩阵,其中第一矩阵的宽为W,高为H。
S311,生成一个宽为W且高为(H+py)的第三矩阵,第三矩阵中的所有元素的值设置为0,其中,py为随机偏移值沿Y方向的最大偏移值。
S312,遍历第一矩阵的每一列,针对第一矩阵的第j列随机生成一个随机偏移值mj,将第一矩阵的第j列的像素点以(mj,j)为起始坐标复制至第三矩阵中,mj的取值范围为[0,py],j为正整数.
S313,遍历结束后,存储第三矩阵。
具体地,将第一矩阵中的每一列都向下偏移随机偏移值,形成第三矩阵,也可以向上偏移,根据第三矩阵形成相应的图像,生成对应的工业检测的样本。
根据本发明的一个实施例,遍历灰度图像的每一行和列,获取随机偏移值,根据随机偏移值将灰度图像的每一行的像素点沿X方向偏移和将每一列的像素点沿Y方向偏移,具体包括以下步骤S320-S326:
步骤S320,根据灰度图像生成第一矩阵,其中第一矩阵的宽为W,高为H。
步骤S321,生成一个宽为(W+px)且高为H的第二矩阵,第二矩阵中的所有元素的值设置为0,其中,px为随机偏移值沿X方向的最大偏移值。
步骤S322,遍历第一矩阵的每一行,针对第一矩阵的第i行随机生成一个随机偏移值ni,将第一矩阵的第i行的像素点以(i,ni)为起始坐标复制至第二矩阵中,ni的取值范围为[0,px],i为正整数。
步骤S323,遍历结束后,存储第二矩阵。
步骤S324,生成一个宽为(W+px)且高为(H+py)的第四矩阵,第四矩阵中的所有元素的值设置为0,其中,py为随机偏移值沿Y方向的最大偏移值。
步骤S325,遍历第二矩阵的每一列,针对第二矩阵的第j列随机生成一个随机偏移值mj,将第二矩阵的第j列的像素点以(mj,j)为起始坐标复制至第四矩阵中。
步骤S326,遍历结束后,存储第四矩阵。
具体地,将第一矩阵中的每一行都向右偏移随机偏移值,形成第二矩阵,也可以都向左偏移,再将第二矩阵中的每一列都向下偏移随机偏移值,形成第四矩阵,也可以向上偏移,根据第四矩阵形成相应的图像,生成对应的工业检测的样本。
综上所述,根据本发明实施例的工业检测中的样本生成方法,将工业现场图像拆解成行列,对每一行、每一列执行不同的随机偏移操作以进行图像增强,增强后的图像不会改变原始图像中像素值,从而可以增加样本的多样性,整个方法不仅可以避免由于相机抖动带来的图像失真问题,且简单、效率高、便于编程实现。
与上述的工业检测中的样本生成方法相对应,本发明还提出一种工业检测中的样本生成装置。
图2是根据本发明一个实施例的工业检测中的样本生成装置的方框示意图,如图2所示,该装置包括:转换模块1、获取模块2、遍历模块3和生成模块4。
其中,转换模块1用于获取工业现场图像并转换成灰度图像;获取模块2用于获取灰度图像的像素点;遍历模块3用于遍历灰度图像的每一行和/或列,获取随机偏移值,根据随机偏移值将灰度图像的每一行的像素点沿X方向偏移和/或将每一列的像素点沿Y方向偏移,其中,针对每一行和列都重新获取随机偏移值,且随机偏移值在预设范围内;生成模块4用于遍历完成后,存根据偏移后的图像生成工业检测的样本。
根据本发明的一个实施例,遍历模块3具体用于:根据灰度图像生成第一矩阵,其中第一矩阵的宽为W,高为H;生成一个宽为(W+px)且高为H的第二矩阵,第二矩阵中的所有元素的值设置为0,其中,px为随机偏移值沿X方向的最大偏移值;遍历第一矩阵的每一行,针对第一矩阵的第i行随机生成一个随机偏移值ni,将第一矩阵的第i行的像素点以(i,ni)为起始坐标复制至第二矩阵中,ni的取值范围为[0,px],i为正整数;遍历结束后,存储第二矩阵。
根据本发明的一个实施例,遍历模块3具体用于:根据灰度图像生成第一矩阵,其中第一矩阵的宽为W,高为H;生成一个宽为W且高为(H+py)的第三矩阵,第三矩阵中的所有元素的值设置为0,其中,py为随机偏移值沿Y方向的最大偏移值;遍历第一矩阵的每一列,针对第一矩阵的第j列随机生成一个随机偏移值mj,将第一矩阵的第j列的像素点以(mj,j)为起始坐标复制至第三矩阵中,mj的取值范围为[0,py],j为正整数;遍历结束后,存储第三矩阵。
根据本发明的一个实施例,遍历模块3具体用于:根据灰度图像生成第一矩阵,其中第一矩阵的宽为W,高为H;生成一个宽为(W+px)且高为H的第二矩阵,第二矩阵中的所有元素的值设置为0,其中,px为随机偏移值沿X方向的最大偏移值;遍历第一矩阵的每一行,针对第一矩阵的第i行随机生成一个随机偏移值ni,将第一矩阵的第i行的像素点以(i,ni)为起始坐标复制至第二矩阵中,ni的取值范围为[0,px],i为正整数;遍历结束后,存储第二矩阵;生成一个宽为(W+px)且高为(H+py)的第四矩阵,第四矩阵中的所有元素的值设置为0,其中,py为随机偏移值沿Y方向的最大偏移值;遍历第二矩阵的每一列,针对第二矩阵的第j列随机生成一个随机偏移值mj,将第二矩阵的第j列的像素点以(mj,j)为起始坐标复制至第四矩阵中;遍历结束后,存储第四矩阵。
根据本发明的一个实施例,上述的样本生成装置还包括:裁剪模块,裁剪模块用于根据工业现场图像的尺寸对偏移后的图像从中心区域进行裁剪。
综上所述,根据本发明实施例的工业检测中的样本生成装置,将工业现场图像拆解成行列,对每一行、每一列执行不同的随机偏移操作以进行图像增强,增强后的图像不会改变原始图像中像素值,从而可以增加样本的多样性,整个方法不仅可以避免由于相机抖动带来的图像失真问题,且简单、效率高、便于编程实现。
在本发明的描述中,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。“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必针对相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种工业检测中的样本生成方法,其特征在于,包括以下步骤:
步骤S1,获取工业现场图像并转换成灰度图像;
步骤S2,获取所述灰度图像的像素点;
步骤S3,遍历所述灰度图像的每一行和/或列,获取随机偏移值,根据随机偏移值将所述灰度图像的每一行的像素点沿X方向偏移和/或将每一列的像素点沿Y方向偏移,其中,针对每一行和列都重新获取随机偏移值,且所述随机偏移值在预设范围内;
步骤S4,遍历完成后,根据偏移后的图像生成工业检测的样本。
2.根据权利要求1所述的工业检测中的样本生成方法,其特征在于,遍历所述灰度图像的每一行,获取随机偏移值,根据随机偏移值将所述灰度图像的每一行的像素点沿X方向偏移,具体包括:
根据所述灰度图像生成第一矩阵,其中所述第一矩阵的宽为W,高为H;
生成一个宽为(W+px)且高为H的第二矩阵,所述第二矩阵中的所有元素的值设置为0,其中,px为随机偏移值沿X方向的最大偏移值;
遍历所述第一矩阵的每一行,针对所述第一矩阵的第i行随机生成一个随机偏移值ni,将所述第一矩阵的第i行的像素点以(i,ni)为起始坐标复制至所述第二矩阵中,ni的取值范围为[0,px],i为正整数;
遍历结束后,存储所述第二矩阵。
3.根据权利要求1所述的工业检测中的样本生成方法,其特征在于,遍历所述灰度图像的每一列,获取随机偏移值,根据随机偏移值将所述灰度图像的每一列的像素点沿Y方向偏移,具体包括:
根据所述灰度图像生成第一矩阵,其中所述第一矩阵的宽为W,高为H;
生成一个宽为W且高为(H+py)的第三矩阵,所述第三矩阵中的所有元素的值设置为0,其中,py为随机偏移值沿Y方向的最大偏移值;
遍历所述第一矩阵的每一列,针对所述第一矩阵的第j列随机生成一个随机偏移值mj,将所述第一矩阵的第j列的像素点以(mj,j)为起始坐标复制至所述第三矩阵中,mj的取值范围为[0,py],j为正整数;
遍历结束后,存储所述第三矩阵。
4.根据权利要求1所述的工业检测中的样本生成方法,其特征在于,遍历所述灰度图像的每一行和列,获取随机偏移值,根据随机偏移值将所述灰度图像的每一行的像素点沿X方向偏移和将每一列的像素点沿Y方向偏移,具体包括:
根据所述灰度图像生成第一矩阵,其中所述第一矩阵的宽为W,高为H;
生成一个宽为(W+px)且高为H的第二矩阵,所述第二矩阵中的所有元素的值设置为0,其中,px为随机偏移值沿X方向的最大偏移值;
遍历所述第一矩阵的每一行,针对所述第一矩阵的第i行随机生成一个随机偏移值ni,将所述第一矩阵的第i行的像素点以(i,ni)为起始坐标复制至所述第二矩阵中,ni的取值范围为[0,px],i为正整数;
遍历结束后,存储所述第二矩阵;
生成一个宽为(W+px)且高为(H+py)的第四矩阵,所述第四矩阵中的所有元素的值设置为0,其中,py为随机偏移值沿Y方向的最大偏移值;
遍历所述第二矩阵的每一列,针对所述第二矩阵的第j列随机生成一个随机偏移值mj,将所述第二矩阵的第j列的像素点以(mj,j)为起始坐标复制至所述第四矩阵中;
遍历结束后,存储所述第四矩阵。
5.根据权利要求1所述的工业检测中的样本生成方法,其特征在于,还包括:
根据所述工业现场图像的尺寸对偏移后的图像从中心区域进行裁剪。
6.一种工业检测中的样本生成装置,其特征在于,包括:
转换模块,所述转换模块用于获取工业现场图像并转换成灰度图像;
获取模块,所述获取模块用于获取所述灰度图像的像素点;
遍历模块,所述遍历模块用于遍历所述灰度图像的每一行和/或列,获取随机偏移值,根据随机偏移值将所述灰度图像的每一行的像素点沿X方向偏移和/或将每一列的像素点沿Y方向偏移,其中,针对每一行和列都重新获取随机偏移值,且所述随机偏移值在预设范围内;
生成模块,所述生成模块用于遍历完成后,存根据偏移后的图像生成工业检测的样本。
7.根据权利要求6所述的工业检测中的样本生成装置,其特征在于,所述遍历模块具体用于:
根据所述灰度图像生成第一矩阵,其中所述第一矩阵的宽为W,高为H;
生成一个宽为(W+px)且高为H的第二矩阵,所述第二矩阵中的所有元素的值设置为0,其中,px为随机偏移值沿X方向的最大偏移值;
遍历所述第一矩阵的每一行,针对所述第一矩阵的第i行随机生成一个随机偏移值ni,将所述第一矩阵的第i行的像素点以(i,ni)为起始坐标复制至所述第二矩阵中,ni的取值范围为[0,px],i为正整数;
遍历结束后,存储所述第二矩阵。
8.根据权利要求6所述的工业检测中的样本生成装置,其特征在于,所述遍历模块具体用于:
根据所述灰度图像生成第一矩阵,其中所述第一矩阵的宽为W,高为H;
生成一个宽为W且高为(H+py)的第三矩阵,所述第三矩阵中的所有元素的值设置为0,其中,py为随机偏移值沿Y方向的最大偏移值;
遍历所述第一矩阵的每一列,针对所述第一矩阵的第j列随机生成一个随机偏移值mj,将所述第一矩阵的第j列的像素点以(mj,j)为起始坐标复制至所述第三矩阵中,mj的取值范围为[0,py],j为正整数;
遍历结束后,存储所述第三矩阵。
9.根据权利要求6所述的工业检测中的样本生成装置,其特征在于,所述遍历模块具体用于:
根据所述灰度图像生成第一矩阵,其中所述第一矩阵的宽为W,高为H;
生成一个宽为(W+px)且高为H的第二矩阵,所述第二矩阵中的所有元素的值设置为0,其中,px为随机偏移值沿X方向的最大偏移值;
遍历所述第一矩阵的每一行,针对所述第一矩阵的第i行随机生成一个随机偏移值ni,将所述第一矩阵的第i行的像素点以(i,ni)为起始坐标复制至所述第二矩阵中,ni的取值范围为[0,px],i为正整数;
遍历结束后,存储所述第二矩阵;
生成一个宽为(W+px)且高为(H+py)的第四矩阵,所述第四矩阵中的所有元素的值设置为0,其中,py为随机偏移值沿Y方向的最大偏移值;
遍历所述第二矩阵的每一列,针对所述第二矩阵的第j列随机生成一个随机偏移值mj,将所述第二矩阵的第j列的像素点以(mj,j)为起始坐标复制至所述第四矩阵中;
遍历结束后,存储所述第四矩阵。
10.根据权利要求6所述的工业检测中的样本生成装置,其特征在于,还包括:
裁剪模块,所述裁剪模块用于根据所述工业现场图像的尺寸对偏移后的图像从中心区域进行裁剪。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310166825.XA CN115861740B (zh) | 2023-02-27 | 2023-02-27 | 工业检测中的样本生成方法、样本生成装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310166825.XA CN115861740B (zh) | 2023-02-27 | 2023-02-27 | 工业检测中的样本生成方法、样本生成装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115861740A true CN115861740A (zh) | 2023-03-28 |
CN115861740B CN115861740B (zh) | 2023-05-30 |
Family
ID=85658991
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310166825.XA Active CN115861740B (zh) | 2023-02-27 | 2023-02-27 | 工业检测中的样本生成方法、样本生成装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115861740B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105825484A (zh) * | 2016-03-23 | 2016-08-03 | 华南理工大学 | 一种基于深度学习的深度图像去噪及增强方法 |
US20170061246A1 (en) * | 2015-09-02 | 2017-03-02 | Fujitsu Limited | Training method and apparatus for neutral network for image recognition |
CN107527069A (zh) * | 2017-08-22 | 2017-12-29 | 京东方科技集团股份有限公司 | 图像处理方法、装置、电子设备及计算机可读介质 |
US20190087952A1 (en) * | 2017-09-21 | 2019-03-21 | Primitive LLC | Parcel change detection |
CN112733912A (zh) * | 2020-12-31 | 2021-04-30 | 华侨大学 | 基于多粒度对抗损失的细粒度图像识别方法 |
CN113395453A (zh) * | 2021-06-28 | 2021-09-14 | 魏合语 | 一种图像特效方法及具有该图像特效方法的数码相机 |
CN113642554A (zh) * | 2021-07-26 | 2021-11-12 | 华侨大学 | 一种图像识别的网络构建方法、装置及设备 |
CN113657492A (zh) * | 2021-08-17 | 2021-11-16 | 上海海事大学 | 一种笔石化石图像的分类方法 |
US20220044108A1 (en) * | 2020-08-06 | 2022-02-10 | Micron Technology, Inc. | Real time medical image processing using deep learning accelerator with integrated random access memory |
-
2023
- 2023-02-27 CN CN202310166825.XA patent/CN115861740B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170061246A1 (en) * | 2015-09-02 | 2017-03-02 | Fujitsu Limited | Training method and apparatus for neutral network for image recognition |
CN105825484A (zh) * | 2016-03-23 | 2016-08-03 | 华南理工大学 | 一种基于深度学习的深度图像去噪及增强方法 |
CN107527069A (zh) * | 2017-08-22 | 2017-12-29 | 京东方科技集团股份有限公司 | 图像处理方法、装置、电子设备及计算机可读介质 |
US20190087952A1 (en) * | 2017-09-21 | 2019-03-21 | Primitive LLC | Parcel change detection |
US20220044108A1 (en) * | 2020-08-06 | 2022-02-10 | Micron Technology, Inc. | Real time medical image processing using deep learning accelerator with integrated random access memory |
CN112733912A (zh) * | 2020-12-31 | 2021-04-30 | 华侨大学 | 基于多粒度对抗损失的细粒度图像识别方法 |
CN113395453A (zh) * | 2021-06-28 | 2021-09-14 | 魏合语 | 一种图像特效方法及具有该图像特效方法的数码相机 |
CN113642554A (zh) * | 2021-07-26 | 2021-11-12 | 华侨大学 | 一种图像识别的网络构建方法、装置及设备 |
CN113657492A (zh) * | 2021-08-17 | 2021-11-16 | 上海海事大学 | 一种笔石化石图像的分类方法 |
Non-Patent Citations (1)
Title |
---|
李红燕;曹贻鹏;: "基于Gray-Scott系统的图像加密", 数学的实践与认识 * |
Also Published As
Publication number | Publication date |
---|---|
CN115861740B (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE112014005866B4 (de) | Verbesserung der plenoptischen Kameraauflösung | |
EP1789925B1 (de) | Vorrichtung, verfahren und computerprogramm zum ermitteln einer information über eine form und/oder eine lage einer ellipse in einem graphischen bild | |
US20210295485A1 (en) | Inspection device and inspection method | |
JPH03163674A (ja) | ノイズ除去方法とそのための装置 | |
JP2021532459A (ja) | 標的細胞標識方法、装置、記憶媒体及び端末デバイス | |
CN110602490B (zh) | 自动测试重显率的方法、装置及可读存储介质 | |
CN109808183A (zh) | 基于神经网络的3d打印误差补偿方法、系统、装置 | |
WO1996020455A1 (en) | Method and apparatus for identifying characteristics of an object in a field of view | |
CN112102185A (zh) | 基于深度学习的图像去模糊方法及装置、电子设备 | |
JP2008198078A (ja) | 画像検出装置 | |
CN115689964A (zh) | 一种图像增强方法、装置、电子设备及存储介质 | |
CN113762274B (zh) | 一种答题卡目标区域检测方法、系统、存储介质及设备 | |
CN113256608B (zh) | 工件缺陷检测方法和装置 | |
CN115861740A (zh) | 工业检测中的样本生成方法、样本生成装置 | |
CN113033476A (zh) | 一种跨姿态人脸识别方法 | |
CN109671081B (zh) | 一种基于fpga查找表的坏簇统计方法及装置 | |
CN114419037B (zh) | 工件缺陷检测方法和装置 | |
KR102374840B1 (ko) | 딥러닝 학습용 결함 이미지 생성 방법 및 이를 위한 시스템 | |
DE602004001718T2 (de) | Verfahren zur Echtzeitkorrektur nicht funktionierender Pixel in der digitalen Radiographie | |
CN113034432B (zh) | 一种产品缺陷检测方法、系统、装置及存储介质 | |
CN114154571A (zh) | 一种针对图像的智能化的辅助标注方法及系统 | |
CN106548448A (zh) | 图像处理方法及装置 | |
CN112783442A (zh) | 一种连续坏块的检测方法、系统、存储介质及设备 | |
Lin et al. | High‐speed TFT LCD defect‐detection system with genetic algorithm | |
CN110211113A (zh) | 一种坡口异常的检测算法及计算设备 |
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 |