一种用于深度学习任务的缺陷生成方法技术

本申请提供一种用于深度学习任务的缺陷生成方法，所述方法包括：根据缺陷样本，获取缺陷图像，所述缺陷图像为缺陷样本内部包含缺陷的矩形区域；根据预设数量的缺陷样本对应的所述缺陷图像，构建缺陷样本库；在所述缺陷样本库中提取至少一个缺陷图像作为目标图像；根据深度学习任务类型和变换条件将所述目标图像，注入预设的所述背景图像中，生成变换后的图像；根据所述变换后的图像，生成对应任务图像和标注文件。本申请提供的缺陷生成方法以解决在缺陷样本和正常样本的数量不均衡时，深度学习训练非常困难，导致缺陷检测效果较差的问题。题。题。

【技术实现步骤摘要】
一种用于深度学习任务的缺陷生成方法


[0001]本申请涉及缺陷检测领域，尤其涉及一种用于深度学习任务的缺陷生成方法。

技术介绍

[0002]在缺陷检测领域中，深度学习作为一种常用的方法，被用于解决复杂产品缺陷检测任务。深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字、图像和声音等数据的解释有很大的帮助。深度学习模型训练需要经过在训练集上进行训练、在验证集上进行验证、模型可以保存最优的权重，并读取权重、记录下训练集和验证集的精度，便于调参等步骤。
[0003]实际生产中可以训练的缺陷样本非常少，正常样本较多，导致缺陷样本和正常样本的数量不均衡，通常使用扩大数据集、进行数据集重新采样或者人工产生数据样本，但扩大数据集增加了大量的样本数据，导致工作量增多，数据集重新采样和人工产生数据样本，使人力物力增大。
[0004]深度学习训练还需要足够多的样本来保证检测效果，所以目前深度学习训练非常困难，导致缺陷检测效果较差。

技术实现思路

[0005]本申请提供一种用于深度学习任务的缺陷生成方法，以本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于深度学习任务的缺陷生成方法，其特征在于，包括：根据缺陷样本，获取缺陷图像，所述缺陷图像为缺陷样本内部包含缺陷的矩形区域；根据预设数量的缺陷样本对应的所述缺陷图像，构建缺陷样本库；在所述缺陷样本库中提取至少一个缺陷图像作为目标图像；根据深度学习任务类型和变换条件将所述目标图像，注入预设的所述背景图像中，生成变换后的图像；根据所述变换后的图像，生成对应任务图像和标注文件。2.根据权利要求1所述的一种用于深度学习任务的缺陷生成方法，其特征在于，根据缺陷样本，获取缺陷图像的步骤包括：在所述缺陷样本中生成局部区域小图，所述局部区域小图为矩形区域，且矩形区域中包含缺陷；在所述局部区域小图上绘制缺陷外轮廓，生成大小相同的缺陷图像以及掩模图像；根据所述缺陷图像外轮廓，生成所述缺陷外轮廓的最小外接矩形；对所述最小外接矩形四周外扩，将外扩后的矩形区域作为缺陷图像。3.根据权利要求2所述的一种用于深度学习任务的缺陷生成方法，其特征在于，对所述最小外接矩形四周外扩时，外扩像素长度为3px
‑
5px。4.根据权利要求1所述的一种用于深度学习任务的缺陷生成方法，其特征在于，所述变换条件包括：水平镜像变换、垂直镜像变换、特殊角度旋转变换、仿射变换、亮度变换、对比度变换、模糊变换、噪声变换以及锐化变换中的至少一种，每个所述变换条件包含一个幅度和一个概率。5.根据权利要求1所述的一种用于深度学习任务的缺陷生成方法，其特征在于，生成对应任务图像和标注文件的步骤之前，所述方法还包括：根据变换后的图像，判断是否需要进行添加其他变换，若是，则根据添加的变换条件重新生成变换后的图像；若否，则生成对应任务图像和标注文件。6.根据权利要求1所述的一种用于深度学习任务的缺陷生成方法，其特征在于，生成对应任务图像和标注文件的步骤包括：根据所述背景图像的对应任务，采取不同的标注文件生成方式；配置所述背景图像的变换条件以及所述...

【专利技术属性】
技术研发人员：胡凯，彭斌，杨艺，
申请(专利权)人：凌云光技术股份有限公司，
类型：发明
国别省市：