深度学习用缺陷图像生成方法以及用于深度学习用缺陷图像生成方法的系统技术方案

本发明专利技术涉及深度学习用缺陷图像的生成方法以及用于深度学习用缺陷图像的生成方法的系统，具体而言，涉及利用人工智能算法来生成学习从检查图像中识别出缺陷的算法的过程中所需的学习用数据(更准确而言为学习用缺陷图像)的方法以及系统。像)的方法以及系统。像)的方法以及系统。

【技术实现步骤摘要】
深度学习用缺陷图像生成方法以及用于深度学习用缺陷图像生成方法的系统


[0001]本专利技术涉及深度学习用缺陷图像的生成方法以及用于深度学习用缺陷图像生成方法的系统，具体而言，涉及利用人工智能算法来生成学习从检查图像中识别出缺陷的算法的过程中所需的学习用数据(更准确而言为学习用缺陷图像)的方法以及系统。

技术介绍

[0002]目前存在好几种用于识别对象物中是否存在缺陷的方法理论，其中具有代表性的方法如下：通过对对象物拍摄图像并分析该拍摄到的图像来识别缺陷的存在。
[0003]另一方面，近来在想要运算某种任意的数据，尤其是想要运算量尤其大的数据时，大多数情况下会利用人工智能算法，但这种人工智能算法的应用在从检查用图像判别是否存在缺陷时也可以使用，只要能对人工智能算法实现适当的学习，则可以期待通过人工智能算法的缺陷判别能力也能够相似地模仿人的智能判断能力。
[0004]如上所述，为了提高人工智能算法的性能，需要先进行适当的学习，但一般为了进行学习则需要很多的多个种类的学习用数据，而实际情况是在现实中很难生成或收集这种学习用数据。
[0005]在现有技术中，为确保学习用数据，存在一般的图像增强(augmentation)方法，也就是对图像进行旋转(Rotate)、翻转(Flip)、重新调整大小(Rescale、Resize)、剪裁(Shear)、缩放(Zoom)、添加噪声(Add Noise)的方法，但仅利用这种方法，只能进行缺陷(不良)图像的单纯变换，因此面临无法生成新形式的缺陷(不良)图像的局限。
[0006]由此，在相关领域中，确保使人工智能算法能够充分学习的用途的学习用数据的需求，尤其是确保能够学习多个种类、形状的缺陷的学习用数据的需求在逐渐增加，而本专利技术正是着眼于这种状况而提出的。
[0007]本专利技术是鉴于上述背景而提出的，将通过详细说明来描述的专利技术不仅能够解决上文中提到技术问题，还提供了对于本领域技术人员而言并不容易专利技术的附加技术要素。

技术实现思路

[0008]本专利技术的目的在于，任意生成非常多的多种学习用缺陷图像，进一步地，其目的在于大量且快速地生成这种学习用缺陷图像。
[0009]另外，本专利技术的目的在于，利用这样生成的学习用缺陷图像使人工智能算法进行学习，由此提高检查图像内的缺陷检测精度。
[0010]另一方面，本专利技术的技术问题并不局限于上文中提到的技术问题，本领域技术人员可以根据下文中的描述来明确理解未提到的其他技术问题。
[0011]本专利技术是为了解决上述问题而提出的，本专利技术所涉及的学习用缺陷图像生成方法包括：从样本图像提取缺陷区域的步骤；决定对象图像内的对象区域的步骤，所述对象区域是合成所述缺陷区域的区域；参考所述对象区域的图像信息来修正所述缺陷区域的步骤；
以及将修正后的缺陷区域合成到所述对象图像内的对象区域而生成学习用缺陷图像的步骤。
[0012]另外，所述学习用缺陷图像生成方法中，在提取所述缺陷区域的步骤之后还可以包括：将所述缺陷区域内的缺陷的形状变形的步骤。
[0013]另外，所述学习用缺陷图像生成方法的特征在于，决定所述对象图像内的对象区域的步骤中的对象区域可以包括变形的缺陷的形状以及所述变形的缺陷周边的周边区域，此时可以随机决定所述对象图像内的对象区域的位置和大小中的至少一个。
[0014]另外，所述学习用缺陷图像生成方法的特征在于，在修正所述缺陷区域的步骤中，可以进行减少所述缺陷区域内的周边区域和所述对象区域内的周边区域之间的图像信息的差异的修正。
[0015]另外，所述学习用缺陷图像生成方法的特征在于，在修正所述缺陷区域的步骤中，可以对所述缺陷区域内的周边区域和所述对象区域内的周边区域中的至少一个进行直方图修正。
[0016]另外，所述学习用缺陷图像生成方法的特征在于，将所述修正后的缺陷区域合成到所述对象图像内的对象区域而生成学习用缺陷图像的步骤还可以包括：对所述缺陷区域进行图像调整的步骤。
[0017]另外，所述学习用缺陷图像生成方法的特征在于，所述图像调整步骤可以包括：对所述缺陷区域中缺陷或者周边区域中至少一个的边缘(edge)进行模糊处理的步骤。
[0018]另一方面，本专利技术的又一实施例所涉及的学习用缺陷图像生成方法可以包括：从样本图像提取缺陷区域的步骤；将所述缺陷区域内的缺陷的形状变形的步骤；以及对对象图像合成形状变形的所述缺陷而生成学习用缺陷图像的步骤。
[0019]另外，所述学习用缺陷图像生成方法的特征在于，生成所述学习用缺陷图像的步骤是将形状变形的所述缺陷插入到所述对象图像内任意的对象区域中的步骤。
[0020]另外，所述学习用缺陷图像生成方法的特征在于，生成所述学习用缺陷图像的步骤在将形状变形的所述缺陷插入到所述对象区域中的步骤之后，还可以包含对所述缺陷区域进行图像调整的步骤。
[0021]另一方面，本专利技术的又一实施例所涉及的学习用缺陷图像的生成系统可以包括：提取部，从样本图像提取缺陷区域；对象区域决定部，决定对象图像内的对象区域，所述对象区域是合成所述缺陷区域的区域；修正部，参考所述对象区域的图像信息来修正所述缺陷区域；以及合成部，将通过所述修正部修正后的缺陷区域合成到所述对象区域而生成学习用缺陷图像。
[0022]另外，所述学习用缺陷图像生成系统还可以包括：变形部，将所述缺陷区域内缺陷的形状变形。
[0023]另一方面，本专利技术的又一实施例所涉及的学习用缺陷图像的生成系统可以包括：提取部，从样本图像提取缺陷区域；变形部，将所述缺陷区域内缺陷的形状变形；以及合成部，对对象图像合成形状变形的所述缺陷而生成学习用缺陷图像。
[0024]根据本专利技术，具有能够将多个种类的学习用缺陷图像快速且容易生成的效果，由此具有能够确保充足量的学习用数据的效果。
[0025]另外，根据本专利技术，能够通过多个种类的学习用缺陷图像来实现人工智能算法的
充分学习，因此具有在实际场合应用人工智能算法时能够提高缺陷检测精度的效果。
[0026]另一方面，本专利技术的效果不局限于上文中提到的效果，本领域技术人员可以根据下文中的描述来明确理解未提到的其他技术效果。
附图说明
[0027]图1以及图2是用于说明本专利技术中说明的人工智能算法的功能以及学习的必要性的图。
[0028]图3是示出根据本专利技术的第一实施例的学习用缺陷图像的生成方法的图。
[0029]图4是为了容易理解上述第一实施例所涉及的学习用缺陷图像生成方法而示出的图。
[0030]图5是示出根据本专利技术的第二实施例的学习用缺陷图像的生成方法的图。
[0031]图6是为了容易理解所述第二实施例所涉及的学习用缺陷图像生成方法而示出的图。
具体实施方式
[0032]对于本专利技术的与目的和技术构思及其带来作用效果有关的详细事项，可通过本专利技术说明书中依据附图的下文中的详细描述来更明确理解。参照附图对本专利技术所涉及的实施例进行详细说明。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种学习用缺陷图像的生成方法，为由具备中央处理器以及存储器的系统生成学习用缺陷图像的方法，包括：从样本图像提取缺陷区域的步骤；决定对象图像内的对象区域的步骤，所述对象区域是合成所述缺陷区域的区域；参考所述对象区域的图像信息来修正所述缺陷区域的步骤；以及将修正后的缺陷区域合成到所述对象图像内的对象区域而生成学习用缺陷图像的步骤。2.根据权利要求1所述的学习用缺陷图像的生成方法，其中，在提取所述缺陷区域的步骤之后，还包括：将所述缺陷区域内的缺陷的形状变形的步骤。3.根据权利要求2所述的学习用缺陷图像的生成方法，其特征在于，决定所述对象图像内的对象区域的步骤中的对象区域包括变形的缺陷的形状以及所述变形的缺陷周边的周边区域。4.根据权利要求3所述的学习用缺陷图像的生成方法，其特征在于，随机决定所述对象图像内的对象区域的位置和大小中的至少一个。5.根据权利要求1所述的学习用缺陷图像的生成方法，其特征在于，在修正所述缺陷区域的步骤中，进行减少所述缺陷区域内的周边区域和所述对象区域内的周边区域之间的图像信息的差异的修正。6.根据权利要求5所述的学习用缺陷图像的生成方法，其中，在修正所述缺陷区域的步骤中，对所述缺陷区域内的周边区域和所述对象区域内的周边区域中的至少一个进行直方图修正。7.根据权利要求1所述的学习用缺陷图像的生成方法，其中，将所述修正后的缺陷区域合成到所述对象图像内的对象区域而生成学习用缺陷图像的步骤还包括：对所述缺陷区域进行图像调整的步骤。8.根据权利要求7所述的学习用缺陷图像的生成方法，其中，进行所述图像...

【专利技术属性】
技术研发人员：李定珉，金政文，
申请(专利权)人：斗山重工业建设有限公司，
类型：发明
国别省市：