一种数据增强方法、装置、终端设备及存储介质制造方法及图纸

本申请适用于工业视觉技术领域，提供了一种数据增强方法、装置、终端设备及存储介质。本申请实施例中获取缺陷样本图片，根据上述缺陷样本图片中的缺陷区域生成缺陷图片，并将上述缺陷图片存储于预设的缺陷样本集中；若上述缺陷样本集中的缺陷图片满足预设条件，则将上述缺陷样本集中的缺陷图片随机覆盖到预设数量的正常样本图片上，得到预设数量的目标样本图片；根据上述缺陷样本图片、上述预设数量的正常样本图片和上述预设数量的目标样本图片对预设的模型进行训练，从而提高了模型识别结果的准确率。的准确率。的准确率。

【技术实现步骤摘要】
一种数据增强方法、装置、终端设备及存储介质


[0001]本申请属于工业视觉
，尤其涉及一种数据增强方法、装置、终端设备及存储介质。

技术介绍

[0002]在工业界，深度学习作为一种学习型的算法，越来越受到人们的重视，其具有一定的推理和泛化能力，可以通过合格产品和不合格产品的产品图片对深度学习模型进行训练，促使模型可以对工业中的产品图片进行分类检测，以判断产品是否合格。
[0003]但在实际环境中，合格产品对应的正常样本图片的数量远远多于不合格产品的缺陷样本图片，利用上述数据对深度学习模型进行训练的话，会由于样本图片的丰富度不高而导致模型识别结果的准确率较低。

技术实现思路

[0004]本申请实施例提供了一种数据增强方法、装置、终端设备及存储介质，可以解决模型识别结果的准确率较低的问题。
[0005]第一方面，本申请实施例提供了一种数据增强方法，包括：
[0006]获取缺陷样本图片，根据上述缺陷样本图片中的缺陷区域生成缺陷图片，并将上述缺陷图片存储于预设的缺陷样本集中；
[0007]若上述缺陷样本集中的缺陷图片满足预设条件，则将上述缺陷样本集中的缺陷图片随机覆盖到预设数量的正常样本图片上，得到预设数量的目标样本图片；
[0008]根据上述缺陷样本图片、上述预设数量的正常样本图片和上述预设数量的目标样本图片对预设的模型进行训练。
[0009]在一个实施例中，在将上述缺陷图片存储于预设的缺陷样本集中之后，还包括：
[0010]若上述缺陷样本集中的缺陷图片不满足预设条件，则返回执行获取缺陷样本图片，直至上述缺陷样本集中的缺陷图片满足预设条件。
[0011]在一个实施例中，上述根据上述缺陷样本图片中的缺陷区域生成对应的缺陷图片，包括：
[0012]确定上述缺陷样本集中缺陷图片的目标缺陷类型；
[0013]根据上述目标缺陷类型从上述缺陷区域中确定目标区域，上述目标区域的缺陷类型与上述目标缺陷类型不同；
[0014]根据上述目标区域生成上述缺陷图片。
[0015]在一个实施例中，上述确定上述缺陷样本集中缺陷图片的目标缺陷类型，包括：
[0016]获取上述缺陷样本集中缺陷图片的缺陷形状；
[0017]根据上述缺陷形状确定上述缺陷图片的目标缺陷类型。
[0018]在一个实施例中，上述根据上述目标区域生成上述缺陷图片，包括：
[0019]对上述目标区域做最小外接矩形处理，得到矩形区域；
[0020]将边界区域的像素设为零，上述边界区域为上述矩形区域内除上述目标区域之外的区域；
[0021]根据上述矩形区域的各个像素生成上述缺陷图片。
[0022]在一个实施例中，上述将上述缺陷样本集中的缺陷图片随机覆盖到预设数量的正常样本图片上，包括：
[0023]从上述缺陷样本集中随机选取目标缺陷图片；
[0024]将上述目标缺陷图片以预设方式进行旋转，得到旋转后的目标缺陷图片；
[0025]从上述正常样本图片上随机选取目标位置，将上述旋转后的目标缺陷图片覆盖到上述目标位置上。
[0026]在一个实施例中，上述将上述目标缺陷图片以预设方式进行旋转，得到旋转后的目标缺陷图片，包括：
[0027]确定上述预设方式中的旋转角度和旋转方向；
[0028]根据上述旋转角度和旋转方向对上述目标缺陷图片中各个像素进行位置映射，得到旋转后的目标缺陷图片。
[0029]第二方面，本申请实施例提供了一种数据增强装置，包括：
[0030]图片生成模块，用于获取缺陷样本图片，根据上述缺陷样本图片中的缺陷区域生成缺陷图片，并将上述缺陷图片存储于预设的缺陷样本集中；
[0031]图片覆盖模块，用于若上述缺陷样本集中的缺陷图片满足预设条件，则将上述缺陷样本集中的缺陷图片随机覆盖到预设数量的正常样本图片上，得到预设数量的目标样本图片；
[0032]训练模块，用于根据上述缺陷样本图片、上述预设数量的正常样本图片和上述预设数量的目标样本图片对预设的模型进行训练。
[0033]第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在上述存储器中并可在上述处理器上运行的计算机程序，上述处理器执行上述计算机程序时实现上述任一种数据增强方法的步骤。
[0034]第四方面，本申请实施例提供了一种计算机可读存储介质，上述计算机可读存储介质存储有计算机程序，上述的计算机程序被处理器执行时实现上述任一种数据增强方法的步骤。
[0035]第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一种数据增强方法。
[0036]本申请实施例中获取缺陷样本图片，再根据上述缺陷样本图片中的缺陷区域生成缺陷图片，即只包含缺陷的缺陷图片，并将上述缺陷图片存储于预设的缺陷样本集中。若上述缺陷样本集中的缺陷图片满足预设条件，则将上述缺陷样本集中的缺陷图片随机覆盖到预设数量的正常样本图片上，得到预设数量的目标样本图片，即得到一定数量的不合格产品可能存在的缺陷图片，最后根据上述缺陷样本图片、上述预设数量的正常样本图片和上述预设数量的目标样本图片对预设的模型进行训练，从而通过缺陷图片对正常样本图片覆盖，得到不合格产品可能存在的缺陷图片，对样本进行了数据增强，提高了样本的丰富度，进而提高了模型识别结果的准确率。
附图说明
[0037]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0038]图1是本申请实施例提供的数据增强方法的第一种流程示意图；
[0039]图2是本申请实施例提供的缺陷样本图片；
[0040]图3是本申请实施例提供的缺陷图片；
[0041]图4是本申请实施例提供的正常样本图片；
[0042]图5是本申请实施例提供的目标样本图片；
[0043]图6是本申请实施例提供的数据增强装置的结构示意图；
[0044]图7是本申请实施例提供的终端设备的结构示意图。
具体实施方式
[0045]以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
[0046]应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
[0047]还本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数据增强方法，其特征在于，包括：获取缺陷样本图片，根据所述缺陷样本图片中的缺陷区域生成缺陷图片，并将所述缺陷图片存储于预设的缺陷样本集中；若所述缺陷样本集中的缺陷图片满足预设条件，则将所述缺陷样本集中的缺陷图片随机覆盖到预设数量的正常样本图片上，得到预设数量的目标样本图片；根据所述缺陷样本图片、所述预设数量的正常样本图片和所述预设数量的目标样本图片对预设的模型进行训练。2.如权利要求1所述的数据增强方法，其特征在于，在将所述缺陷图片存储于预设的缺陷样本集中之后，还包括：若所述缺陷样本集中的缺陷图片不满足预设条件，则返回执行获取缺陷样本图片，直至所述缺陷样本集中的缺陷图片满足预设条件。3.如权利要求1所述的数据增强方法，其特征在于，所述根据所述缺陷样本图片中的缺陷区域生成对应的缺陷图片，包括：确定所述缺陷样本集中缺陷图片的目标缺陷类型；根据所述目标缺陷类型从所述缺陷区域中确定目标区域，所述目标区域的缺陷类型与所述目标缺陷类型不同；根据所述目标区域生成所述缺陷图片。4.如权利要求3所述的数据增强方法，其特征在于，所述确定所述缺陷样本集中缺陷图片的目标缺陷类型，包括：获取所述缺陷样本集中缺陷图片的缺陷形状；根据所述缺陷形状确定所述缺陷图片的目标缺陷类型。5.如权利要求3所述的数据增强方法，其特征在于，所述根据所述目标区域生成所述缺陷图片，包括：对所述目标区域做最小外接矩形处理，得到矩形区域；将边界区域的像素设为零，所述边界区域为所述矩形区域内除所述目标区域之外的区域；根据所述矩形区域的各个像素生成所述缺陷图片。6.如权利要求1至5任一项所述...

【专利技术属性】
技术研发人员：陈枫，郭江，黎春洁，江岱平，卢国明，
申请(专利权)人：深圳市腾盛精密装备股份有限公司，
类型：发明
国别省市：