一种基于深度学习网络全自动训练方法、装置及存储介质制造方法及图纸

一种基于深度学习网络全自动训练方法、装置及存储介质，包括：采集图像数据O(i)和对应的目标分割标注图像数据D(i)；目标分割标注图像是通过GAN自动识别标注模块获得；其中，GAN自动识别标注模块通过采集图像数据O(i)，包括正样本和负样本图像数据，将图像数据O(i)使用GAN自动训练模块获得的GAN网络模型文件A进行识别得到重构图像数据B(i)；将B(i)使用边缘检测算法进行轮廓提取得到轮廓区域，将轮廓区域自动标记为类别1，非轮廓区域标记为类别0，得到目标分割标注图像数据D(i)；将O(i)和D(i)输入到目标分割网络训练模型得到目标分割网络模型文件E。本发明专利技术可实现全自动化识别。本发明专利技术可实现全自动化识别。本发明专利技术可实现全自动化识别。

【技术实现步骤摘要】
一种基于深度学习网络全自动训练方法、装置及存储介质


[0001]本专利技术属于工业产品缺陷检测的图像处理
，具体是指一种基于深度学习网络的全自动训练方法、装置及存储介质。

技术介绍

[0002]工业产品缺陷检测领域中机器视觉系统主要分为两部分：由传统相机、镜头、光源、相机固定及运动机构构成图像采集单元，由PC主机和图像采集卡等构成图像处理单元的机器视觉检测系统。这种机器视觉具有较高的延展性和可塑性，可以针对不同的产品缺陷进行定制硬件和定制软件开发。
[0003]在图像处理过程中，当前深度学习目标检测和目标分割需要大量负样本和专业人员进行标注，之后将标注文件手动配置目标分割网络模型进行训练识别，此过程存在费时费力，训练识别过程容易配置出错导致返工的问题。

技术实现思路

[0004]本专利技术所要解决的技术问题在于提供一种可实现全自动化识别的基于深度学习网络的全自动训练方法、装置及存储介质。
[0005]第一方面，本专利技术提供例如一种可实现全自动化识别的基于深度学习网络的全自动训练方法，包括如下步本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习网络全自动训练方法，其特征在于：包括如下步骤：步骤1:采集图像数据O(i)和对应的目标分割标注图像数据D(i)；所述目标分割标注图像是通过GAN自动识别标注模块获得；其中，所述GAN自动识别标注模块通过如下步骤实现：步骤a：采集图像数据O(i)，包括正样本和负样本图像数据；步骤b：将图像数据O(i)使用GAN自动训练模块获得的GAN网络模型文件A进行识别得到重构图像数据B(i)；其中，所述GAN自动训练模块，通过如下步骤实现：步骤s1：采集正样本图像数据；步骤s2：对正样本图像数据进行GAN网络训练得到GAN网络模型文件A；步骤c：将图像数据B(i)使用边缘检测算法进行轮廓提取得到轮廓区域，将轮廓区域自动标记为类别1，非轮廓区域标记为类别0，得到目标分割标注图像数据D(i)；步骤2：将图像数据O(i)和图像数据D(i)输入到目标分割网络训练模型得到目标分割网络模型文件E。2.如权利要求1所述的一种基于深度学习网络全自动训练方法，其特征在于：所述步骤2中的目标分割网络训练模型，包括：DeeplabV3plus网络模型。3.如权利要求1所述的一种基于深度学习网络全自动训练方法，其特征在于：所述GAN网络，包括：WGAN网络模型。4.如权利要求1所述的一种基于深度学习网络全自动训练方法，其特征在于：所述步骤c中的边缘检测算法，包括：Canny算法或Sobel算法。5.一种基于深度学习网...

【专利技术属性】
技术研发人员：黄旭东，林宇，
申请(专利权)人：维库厦门信息技术有限公司，
类型：发明
国别省市：