一种坯布缺陷形态生成方法、系统、设备、及存储介质技术方案

本发明专利技术涉及一种坯布缺陷形态生成方法、系统、设备、及存储介质，其技术方案要点是：对坯布缺陷数据集中的已标注缺陷的图像的各类缺陷进行多边形框标注，获取对应的多边形框的各顶点坐标值；根据各个多边形框的各顶点坐标值获取对应的最小外接斜矩形；确定最小外接斜矩形及其对应的多边形框的控制点，并构建对应的控制点集；根据预设的形变率对各个最小外接斜矩形及其对应的多边形框中的控制点进行扰动，生成对应的目标映射点集；将所述图像的四个顶点分别加入所有控制点集和目标映射点集；基于各个控制点集和目标映射点集采用移动最小二乘法对所述图像进行变化，得到对应的局部变形图像；本申请具有生成出更多的缺陷形态的优点。点。点。

【技术实现步骤摘要】
一种坯布缺陷形态生成方法、系统、设备、及存储介质


[0001]本专利技术涉及图像生成
，更具体地说，它涉及一种坯布缺陷形态生成方法、系统、设备、及存储介质。

技术介绍

[0002]近年来，随着深度学习技术的发展，基于深度神经网络的计算机视觉技术在工业缺陷检测领域的应用也越来越广泛。布匹瑕疵缺陷检测是纺织工业领域一项重要任务，边织边检机器人，一种用于坯布自动化缺陷检测的AI机器人，利用基于深度学习模型进行缺陷检测。
[0003]然而深度学习模型的有监督训练需要依赖大量的人工标注的数据，而坯布缺陷类别在实际生产场景中的形态众多，部分缺陷出现的频次很低，缺陷数据的收集存在较大的困难。因此，利用每个类别少量图像样本生成充足的缺陷图像数据，成为落地过程中的一个重要环节。目前用于坯布缺陷目标检测的数据生成方法主要是图像处理的方法进行生成，例如对图像进行亮度调整、对比度调整等颜色生成，或者是实现图像的翻转、仿射变换、透视变换这类光学几何变换。然而这种全局生成方法生成的缺陷形态与原图形态非常接近，缺陷区域的变化比较有限。在样本量比较少的情况下，这本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种坯布缺陷形态生成方法，其特征在于，包括：对坯布缺陷数据集中的已标注缺陷的图像的各类缺陷进行多边形框标注，获取对应的多边形框的各顶点坐标值；根据各个多边形框的各顶点坐标值获取对应的最小外接斜矩形；确定最小外接斜矩形及其对应的多边形框的控制点，并构建对应的控制点集；根据预设的形变率对各个最小外接斜矩形及其对应的多边形框中的控制点进行扰动，生成对应的目标映射点集；将所述图像的四个顶点分别加入所有控制点集和目标映射点集；基于各个控制点集和目标映射点集采用移动最小二乘法对所述图像进行变化，得到对应的局部变形图像。2.根据权利要求1所述的一种坯布缺陷形态生成方法，其特征在于，所述根据各个多边形框的各顶点坐标值获取对应的最小外接斜矩形，包括：通过opencv的minAreaRect接口求取各个多边形框的各顶点坐标值所对应的最小外接斜距形，并返回各个最小外接斜距形的中心点坐标、宽度、高度、以及旋转角度；通过opencv的boxPoints接口求取各个最小外接斜距形的四个顶点坐标。3.根据权利要求1所述的一种坯布缺陷形态生成方法，其特征在于，所述根据预设的形变率对各个最小外接斜矩形及其对应的多边形框中的控制点进行扰动，生成对应的目标映射点集，包括：选取多边形框的一个或多个顶点作为控制点，对各个控制点的横坐标和纵坐标进行扰动，得到对应的目标映射点，具体的扰动公式如下：qx＝px+/
‑
rw*deform_rate；qy＝py+/
‑
rh*deform_rate；其中，qx为目标映射点横坐标；px为控制点横坐标；rw为外接斜距形的宽度；deform_rate为形变率；qy为目标映射点纵坐标；py为控制点纵坐标；rh为外接斜矩形的高度。4.根据权利要求1所述的一种坯布缺陷形态生成方法，其特征在于，所述根据预设的形变率对各个最小外接斜矩形及其对应的多边形框中的控制点进行扰动，生成对应的目标映射点集，还包括：将最小外接斜距形的中心点作为控制点，以控制点为坐标原点，以最小外接斜距形的宽度与形变率的乘积作为椭圆的长轴a，以最小外接斜距形的高度与形变率的成绩作为椭圆的短轴b，建立椭圆轨道；在(0，a)中选取一个值作为椭圆轨道上的横坐标delta_x，通过以下公式计算该横坐标所对应的纵坐标delta_y：delta_y＝(((a*b)^2
‑
(b*delta_x)^2)^0.5)/a；根据delta_x和delta_y计算目标映射点坐标：qx＝px+delta_x；qy＝py+delta_y。5.根据权利要求1所述的一种坯布缺陷形态生成方法，其特征在于，所述根据预设的形变率对各...

【专利技术属性】
技术研发人员：朱锦祥，邹建法，
申请(专利权)人：上海致景信息科技有限公司，
类型：发明
国别省市：