【技术实现步骤摘要】
基于主动学习的工业图像标注推荐方法及系统
[0001]本专利技术属于图像标记
,更具体地,涉及一种基于主动学习的工业图像标注推荐方法及系统。
技术介绍
[0002]缺陷分割在工业生产的质量控制中起着至关重要的作用。近年来,神经网络的快速发展使其在缺陷分割中得到了广泛的应用。然而,工业场景中很难快速获取并注释足够的缺陷数据以用于神经网络训练。
[0003]在现有方法中,通常雇佣人工进行标记,然而由于工业数据中对于产品合格率的控制,绝大多数数据均为正常数据,这些数据是不需要标记的,这造成了极大的人力和物力的浪费,而且将全部数据进行存储以进行人工标记,也会占据着大量的数据存储空间。
[0004]因此,如何从海量的工业数据中选出最有价值的数据存储并快速标记成为工业产线中亟待解决的问题。
技术实现思路
[0005]针对现有技术的以上缺陷或改进需求,本专利技术提供了一种基于主动学习的工业图像标注推荐方法及系统,其目的在于对于工业现场数据优先选择出最具价值数据进行存储和标记,以控制标记成本的同时提高标记效果且节省存储空间。
[0006]为实现上述目的,按照本专利技术的一个方面,提供了一种基于主动学习的工业图像标注推荐方法,工业图像标注推荐过程包括:
[0007]获取一组未带标签的原始图像,将每个原始图像分别输入分割学习器和重建学习器,利用分割学习器预测各原始图像的缺陷区域,利用重建学习器对各原始图像进行重建得到重建图像;
[0008]计算重建图像与对应的原始图像在缺陷区 ...
【技术保护点】
【技术特征摘要】
1.一种基于主动学习的工业图像标注推荐方法,其特征在于,工业图像标注推荐过程包括:获取一组未带标签的原始图像,将每个原始图像分别输入分割学习器和重建学习器,利用分割学习器预测各原始图像的缺陷区域,利用重建学习器对各原始图像进行重建得到重建图像;计算重建图像与对应的原始图像在缺陷区域的损失以作为重建误差;选择重建误差较大的部分原始图像以用于精细标记;其中,所述重建学习器为通过以下方法训练所得:获取训练集,包括被标记为无缺陷的正常图像和存在缺陷的缺陷图像;构建与缺陷图像相应的训练目标图像,所述训练目标图像为将缺陷图像中被标记为缺陷区域的图像替换为正常图像中相同区域的图像所得;将缺陷图像输入重建学习器进行训练以使所述重建学习器输出的重构图像趋近相应的训练目标图像。2.如权利要求1所述的基于主动学习的工业图像标注推荐方法,其特征在于,所述重建误差的计算公式为:H、W分别为原始图像的高和宽,P
ij
为原始图像中位于高i宽j处像素点[i][j]的图像损失,其中,当像素点[i][j]位于缺陷区域,则图像损失P
ij
为原始图像和重建图像在像素点[i][j]的图像差值的平方,当像素点[i][j]位于缺陷区域之外的区域,则图像损失P
ij
=0。3.如权利要求2所述的基于主动学习的工业图像标注推荐方法,其特征在于,图像损失P
ij
的计算方法包括:根据分割学习器的预测结果构造掩膜图像G1,其中,掩膜图像在缺陷区域的数值为1,在其余区域的数值为0;根据掩膜图像计算图像损失P
ij
:P
ij
=[(G1⊙
G(I;θ
g
)
‑
G1⊙
I)2]
ij
其中,G1为掩膜图像,I为输入重建学习器的原始图像,G(I;θ
g
)表示根据原始图像I得到的重建图像,θ
g
为重建学习器的权重参数,[]
ij
表示在像素点[i][j]的数值。4.如权利要求1所述的基于主动学习的工业图像标注推荐方法,其特征在于,在工业图像标注推荐之前,还包括训练重建学习器,其中所用的训练集的获取方法包括:采集未标记的原始图像训练代理学习器以使所述代理学习器输出的代理图像趋近于输入的原始图像;将原始图像输入训练好的代理学习器,获取对应的代理图像,计算原始图像与对应的代理图像之间的损失作为代理损失,选择代理损失较大的部分原始图像以用于精细标记后获得...
【专利技术属性】
技术研发人员:李斌,李威风,牛通之,牛拴龙,王桢榕,王苗,刘保辉,
申请(专利权)人:华中科技大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。