【技术实现步骤摘要】
基于视觉注意建模融合的缺陷样本自动标注方法及系统
本专利技术属于零件表面损伤检测
，具体涉及一种基于视觉注意建模融合的缺陷样本自动标注方法及系统。
技术介绍
精密器件的缺陷检测是器件生产的重要环节，由于其没有固定形态，与背景对比度低，轻微缺陷不易发现等问题，在实际工业生产中，长期依赖人工肉眼检测。作为图像处理的热点问题及自动化生产质量保障的关键技术，外观检测方法的研究早在20世纪80年代就已开始，并吸引了国内外诸多学者进行了大量的研究。基于视觉的缺陷样本检测技术可以分为两类：传统的缺陷检测方法和基于学习的缺陷检测方法，其中，传统的缺陷检测方法为依靠人工进行特征提取，再根据这些特征进行分类的方法；基于学习的缺陷检测方法为通过机器学习方法自动学习外观缺陷特征并进行检测分类的方法；由于外观缺陷形态各异，对比度低，传统的缺陷检测方法难以实现较高的检测精度。而机器学习的成功应用需要满足的一个重要假设是：训练样本数量足够大；但是，在实际应用中，很多场合很难搜集足够量带标注的数据样本，对此，现有技术中提出了有限样本学习方法，...
【技术保护点】
1.一种基于视觉注意建模融合的缺陷样本自动标注方法，其特征在于，该方法包括以下步骤：/n步骤S100，对输入的原始样本图像进行超像素分割，将图像自动分割成若干个具有预设特征的图像区域；/n步骤S200，对每个所述图像区域分别计算基于视觉注意建模融合的显著图，并利用标记阵列分割方法将该显著图中的显著区域分割出来以作为缺陷候选区域；/n步骤S300，提取所述缺陷候选区域的特征，并进行聚类，得到若干个不同类别的缺陷样本，根据少量标签或已知的标签定义规则对每个所述缺陷样本进行标注，并可通过人机交互对未知类别进行手动标注。/n
【技术特征摘要】
1.一种基于视觉注意建模融合的缺陷样本自动标注方法，其特征在于，该方法包括以下步骤：
步骤S100，对输入的原始样本图像进行超像素分割，将图像自动分割成若干个具有预设特征的图像区域；
步骤S200，对每个所述图像区域分别计算基于视觉注意建模融合的显著图，并利用标记阵列分割方法将该显著图中的显著区域分割出来以作为缺陷候选区域；
步骤S300，提取所述缺陷候选区域的特征，并进行聚类，得到若干个不同类别的缺陷样本，根据少量标签或已知的标签定义规则对每个所述缺陷样本进行标注，并可通过人机交互对未知类别进行手动标注。
2.根据权利要求1所述的基于视觉注意建模融合的缺陷样本自动标注方法，其特征在于，步骤S100中的所述超像素分割为SLIC超像素分割算法；
所述图像区域为超像素；所述超像素由具有相似特征的相邻像素点组成。
3.根据权利要求1所述的基于视觉注意建模融合的缺陷样本自动标注方法，其特征在于，步骤S200中的所述显著图的计算方法具体为：
对每个超像素分割后获得的超像素区域计算基于背景对比度的第一显著图；
对每个超像素分割后获得的超像素区域计算基于稀疏低秩分解的第二显著图；
利用显著度差异建模方法将所述第一显著图与所述第二显著图进行融合重建以获得最终的显著图。
4.根据权利要求3所述的基于视觉注意建模融合的缺陷样本自动标注方法，其特征在于，所述显著图对应的融合显著值为
其中，为所述第一显著图对应的显著值，为所述第二显著图对应的显著值；
N为超像素区域的个数。
5.根据权利要求1所述的基于视觉注意建模融合的缺陷样本自动标注方法，其特征在于，所述缺陷候选区域的分割获取方法具体为：
将获取的N个融合显著值由从小到大排序，若对应的融合显著值大于预设的显著阈值，则该超像素区域对应的标记阵列Seqj＝1，否则Seqj＝0，以获得标记阵列Seq；利用该标记阵列将图像映射到二值图像中，其中赋值为1的区域即为缺陷候选区域。
6.根据权利要求1所述的基于视觉注意建模融合...
【专利技术属性】
技术研发人员：孙佳，王鹏，黎万义，罗永康，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。