图片生成方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种图片生成方法、装置、计算机设备和存储介质。所述方法包括：对待处理图片集做实例分割处理得到目标前景集；从初始背景图片集随机选当前背景图片，检测并得到当前背景图片对应的目标场景类型；从目标前景集随机选当前前景目标，由目标场景类型确定目标增强处理方式，执行目标增强处理方式的操作得到增强前景目标；对当前背景图片做背景增强处理得到增强背景图片，随机粘贴增强前景目标到增强背景图片中得到当前图片；由目标场景类型确定目标模糊处理方式，对当前图片做目标模糊处理方式的操作生成目标图片。采用本方法能够提高应用于机器人对应的清扫识别神经网络识别训练的图片的数据质量。训练的图片的数据质量。训练的图片的数据质量。

【技术实现步骤摘要】
图片生成方法、装置、计算机设备和存储介质


[0001]本申请涉及计算机
，特别是涉及一种图片生成方法、装置、计算机设备和存储介质。

技术介绍

[0002]随着人工智能技术的迅速发展，与数字图像特征识别等传统识别方法相比，基于深度学习的脏污识别方法泛化性更好、检测精度更高、部署更加敏捷，对于提高机器人清扫效率、保障清扫质量具有突出意义。然而基于深度学习的方法通常需要大量高质量的数据对神经网络进行训练，目前通过人工标注训练数据标签的方法需要大量的时间成本和人工成本，且误差较大、标注质量参差不齐、难以生成大规模高质量的训练数据。
[0003]此外，现有技术提出的方法中，虽然可以基于深度学习的方法对脏污进行识别定位，但是用来训练神经网络的数据集全部为机器人采集后标注的真实数据，数据集的采集和标注所需成本较高，并且现有方法生成的数据多样性低，生成的图像数据集的质量较低，从而导致机器人对应的清扫识别神经网络应用低质量图像数据集进行训练后对脏污物识别的准确率较低。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图片生成方法，其特征在于，所述方法包括：获取待处理图片集和初始背景图片集，对所述待处理图片集中的图片进行实例分割处理，得到目标前景集，所述待处理图片中包括待清扫的前景主体；从所述初始背景图片集中随机选取当前背景图片，检测所述当前背景图片对应的场景类型，得到目标场景类型；从所述目标前景集中随机选取当前前景目标，基于所述目标场景类型，确定所述当前前景目标对应的目标增强处理方式，执行所述目标增强处理方式对应的操作，得到增强前景目标；对所述当前背景图片进行背景增强处理，得到增强背景图片，将所述增强前景目标随机粘贴到所述增强背景图片中，得到当前图片；基于所述目标场景类型，确定目标模糊处理方式，对所述当前图片进行所述目标模糊处理方式对应的操作，生成目标图片。2.根据权利要求1所述的方法，其特征在于，所述获取待处理图片集之前，还包括：获取相机采集的原始图片集，计算所述原始图片集中各个图片对应的畸变参数和变换矩阵；基于所述畸变参数和变换矩阵，对所述原始图片集中的图片进行畸变矫正处理，得到所述待处理图片集。3.根据权利要求1所述的方法，其特征在于，所述获取待处理图片集，对所述待处理图片集中的图片进行实例分割处理，得到目标前景集包括：对所述待处理图片集中的各图片对应的各元素进行多边形标注，得到各图片对应的目标多边形；基于所述目标多边形，对对应的图片进行抠图操作，得到所述目标前景集。4.根据权利要求1所述的方法，其特征在于，所述检测所述当前背景图片对应的场景类型，得到目标场景类型包括：获取所述当前背景图片中各像素对应的灰度值和像素总数；基于所述各像素对应的灰度值和像素总数，计算所述当前背景图片中各灰度级对应的灰度级概率；基于所述各灰度级对应的灰度级概率，计算所述当前背景图片对应的灰度平均值；基于所述灰度值、灰度级概率和灰度平均值，计算所述当前背景图片对应的灰度方差值；基于所述灰度平均值和所述灰度方差值，确定所述当前背景图片对应的目标场景类型。5.根据权利要求4所述的方法，其特征在于，所述基于所述灰度平均值和所述灰度方差值，确定所述当前背景图片对应的目标场景类型包括：获取方差阈值，当所述灰度方差值小于所述方差阈值时，将...

【专利技术属性】
技术研发人员：张涛，曾龙，黄家明，黄寅，
申请(专利权)人：清华大学深圳国际研究生院，
类型：发明
国别省市：