【技术实现步骤摘要】
样本图像增强方法、系统、电子设备及可读存储介质
[0001]本专利技术涉及样本数据增强领域，尤其是涉及一种样本图像增强方法、系统、电子设备及可读存储介质。
技术介绍
[0002]现如今，神经网络模型在样品缺陷检测的场景中得到广泛应用，因此模型的训练效果直接决定了缺陷检测的最终结果。但一些场景中样品的数据量较少，用于训练的样品数据缺乏，不同类别的缺陷数据收集不均衡，导致模型训练的数据量欠缺。通常样本图像的获取是利用2D相机对其进行简单拍摄，容易出现样品特征遗漏的情况。
[0003]现有技术中在训练样本数据量较少时，通常采用对样本图像进行平移翻转、调整HSV、将缺陷特征随机剪裁并粘贴到图像其它位置等方式来尽可能生成不同的样本图像，以增加数据量，但此类增强方式仅仅是对样本图像进行简单处理，无法对样本图像的数据特征进行进一步挖掘，导致训练数据性能较低，最终影响模型的训练效果。
技术实现思路
[0004]有鉴于此，本专利技术的目的在于提供一种样本图像增强方法、系统、电子设备及可读存储介质，该方法对原始数据集进行...
【技术保护点】
【技术特征摘要】
1.一种样本图像增强方法，其特征在于，所述方法包括以下步骤：获取待测工件的样本图像，并按照预设标注规则对所述样本图像进行标注，确定所述样本图像的测试集合和参考集合；其中，所述样本图像为所述待测工件在多个拍摄角度下获取的数字图像；对所述测试集合进行数据降维处理后构建所述测试集合的近邻图，并利用所述近邻图对所述测试集合进行可视化绘制，生成所述测试集合的可视化图形；将所述测试集合输入至已完成训练的对抗网络模型中，将所述对抗网络模型的生成器输出的数据输入至所述对抗网络模型的判别器后，获取所述对抗网络模型的判别器输出的所述测试集合的更新结果；利用所述测试集合的更新结果对所述样本图像进行数据增强处理后，利用所述测试集合的可视化图形对所述样本图像进行聚类，得到所述样本图像的聚类集合；将所述样本图像的聚类集合与所述参考集合进行插值运算后，生成所述样本图像的增强集合。2.根据权利要求1所述的样本图像增强方法，其特征在于，获取待测工件的样本图像，并按照预设标注规则对所述样本图像进行标注，确定所述样本图像的测试集合和参考集合的步骤，包括：根据所述待测工件的外形参数确定多个拍摄高度，并在所述拍摄高度下获取对应的所述样本图像；其中，所述拍摄高度下获取的所述数字图像包含所述待测工件的所有特征；利用所述标注规则获取所述样本图像中包含的缺陷区域，利用所述缺陷区域的位置数据对所述样本图像进行截取，并根据截取得到缺陷区域图像生成所述测试集合；利用所述缺陷区域的位置数据获取所述样本图像中对应的无缺陷区域，利用所述无缺陷区域的位置数据对所述样本图像进行截取，并根据截取得到无缺陷区域图像生成所述参考集合；其中，所述测试集合与所述参考集合的数据量相同。3.根据权利要求1所述的样本图像增强方法，其特征在于，对所述测试集合进行数据降维处理后构建所述测试集合的近邻图，并利用所述近邻图对所述测试集合进行可视化绘制，生成所述测试集合的可视化图形的步骤，包括：利用预设的生成树和分发树的流行逼近与投影的方式对所述测试集合的进行可视化降维，并利用局部敏感哈希森林对已更新的测试集合进行检索，得到所述测试集合的索引数据点；根据所述索引数据点构建所述测试集合的C
‑
K
‑
NNG近邻图，并使用Kruskal算法在所述C
‑
K
‑
NNG近邻图中构建最小生成树；通过所述最小生成树在构建过程中每个阶段属性局部最优解的贪心算法确定全局最优解，并利用开放式图形绘制框架对所述全局最优解进行可视化绘制，生成所述测试集合的可视化图形。4.根据权利要求1所述的样本图像增强方法，其特征在于，将所述测试集合输入至已完成训练的对抗网络模型中，将所述对抗网络模型的生成器输出的数据输入至所述对抗网络模型的判别器后，获取所述对抗网络模型的判别器输出的所述测试集合的更新结果的步骤，包括：从已完成训练的生成对抗GAN网络模型中获取所述对抗网络模型的生成器和判别器；
将所述测试集合输入至所述对抗网络模型中，控制所述对抗网络模型的生成器输出第一更新数据；将所述第一更新...
【专利技术属性】
技术研发人员：马原，晏文仲，焦璐，田楷，陈立名，胡江洪，曹彬，黄金，陈秀睿，
申请(专利权)人：菲特天津检测技术有限公司，
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。