【技术实现步骤摘要】
本申请属于数据筛选，尤其涉及一种图像筛选方法和图像筛选装置。
技术介绍
1、数据质量是自监督预训练的重要基础，预训练模型的性能与数据质量密切相关，工业图像数据中存在大量重复图像，对获取的图像数据进行筛选相当重要。相关技术中，主要通过人工筛选的方式从数据集中选取需要的图像数据。但是人工筛选的方式耗费时间长且人工成本大。
技术实现思路
1、本申请旨在至少解决现有技术中存在的技术问题之一。为此，本申请提出一种图像筛选方法和图像筛选装置，能够自动从多张图像中筛选出目标图像，提升筛选效率，减少筛选所用的时间并减少人工成本。
2、第一方面，本申请提供了一种图像筛选方法，该方法包括：
3、获取样本缺陷特征对应的多张第一图像；
4、将所述多张第一图像输入至第一模型，获取所述第一模型输出的各所述第一图像对应的像素损失值；所述第一模型为基于掩码图像建模所得到的，所述像素损失值为对所述第一图像进行掩码重建的像素损失；所述目标阈值为基于所述像素损失值确定的；
5、基于所述像素损失值和目标阈值对所述多张第一图像进行筛选，得到至少一张目标图像；所述目标图像用于进行自监督预训练。
6、根据本申请的图像筛选方法，通过第一模型确定目标阈值和多张第一图像的像素损失值，从多张第一图像中筛选得到多张用于自监督预训练目标图像，能够自动从多张图像中筛选出目标图像，提升筛选效率，减少筛选所用的时间并减少人工成本。
7、根据本申请的图像筛选方法，所述目标阈值
8、对各所述第一图像对应的像素损失值进行数学统计，将得到的目标统计值确定为所述目标阈值。
9、根据本申请的图像筛选方法，所述基于所述像素损失值和目标阈值对所述多张第一图像进行筛选，得到至少一张目标图像，包括：
10、基于所述目标阈值确定目标比例；
11、从所述多张第一图像选取所述像素损失值最大的前所述目标比例的图像作为多张第二图像；
12、将所述多张第二图像中所述像素损失值最大的前第一比例的图像确定为所述至少一张目标图像。
13、根据本申请的图像筛选方法，所述第一模型为基于掩码图像建模的掩码自编码器方法预训练的vit-l完整模型。
14、根据本申请的图像筛选方法，所述获取样本缺陷特征对应的多张第一图像，包括：
15、获取所述样本缺陷特征对应的多张初始图像；
16、将所述初始图像缩放至目标尺寸，或者对所述初始图像进行切分，得到所述多张第一图像。
17、第二方面，本申请提供了一种图像筛选装置，该装置包括：
18、第一处理模块，用于获取样本缺陷特征对应的多张第一图像；
19、第二处理模块，用于将所述多张第一图像输入至第一模型，获取所述第一模型输出的各所述第一图像对应的像素损失值；所述第一模型为基于掩码图像建模所得到的，所述像素损失值为对所述第一图像进行掩码重建的像素损失；
20、第三处理模块，用于基于所述像素损失值和目标阈值对所述多张第一图像进行筛选，得到至少一张目标图像；所述目标图像用于进行自监督预训练。
21、根据本申请的图像筛选装置，通过第一模型确定目标阈值和多张第一图像的像素损失值，从多张第一图像中筛选得到多张用于自监督预训练目标图像，能够自动从多张图像中筛选出目标图像，提升筛选效率，减少筛选所用的时间并减少人工成本。
22、第三方面，本申请提供了一种缺陷分类模型的训练方法，该方法包括：
23、获取如第一方面任一项所述的图像筛选方法得到的至少一张目标图像；
24、对所述至少一张目标图像对应的缺陷类别进行标注，得到样本缺陷特征；
25、基于所述目标图像和所述目标图像对应的样本缺陷特征，训练目标缺陷分类模型。
26、根据本申请的缺陷分类模型的训练方法，通过将图像筛选方法得到的目标图像进行缺陷类别标注，有效获取目标图像的样本缺陷特征，基于目标图像和样本缺陷图像，有效训练目标缺陷分类模型，提升模型的训练效率以及准确度。
27、第四方面，本申请提供了一种缺陷分类模型的训练装置，该装置包括：
28、第四处理模块，用于获取如第一方面任一项所述的图像筛选方法得到的至少一张目标图像；
29、第五处理模块，用于对所述至少一张目标图像对应的缺陷类别进行标注，得到样本缺陷特征；
30、第六处理模块，用于基于所述目标图像和所述目标图像对应的样本缺陷特征，训练目标缺陷分类模型。
31、根据本申请的缺陷分类模型的训练装置，通过将图像筛选方法得到的目标图像进行缺陷类别标注，有效获取目标图像的样本缺陷特征，基于目标图像和样本缺陷图像，有效训练目标缺陷分类模型，提升模型的训练效率以及准确度。
32、第五方面，本申请提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的图像筛选方法或者第三方面所述的缺陷分类模型的训练方法。
33、第六方面，本申请提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的图像筛选方法或者第三方面所述的缺陷分类模型的训练方法。
34、第七方面，本申请提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的图像筛选方法或者第三方面所述的缺陷分类模型的训练方法。
35、本申请实施例中的上述一个或多个技术方案，至少具有如下技术效果之一：
36、通过第一模型确定目标阈值和多张第一图像的像素损失值，从多张第一图像中筛选得到多张用于自监督预训练目标图像，能够自动从多张图像中筛选出目标图像，提升筛选效率，减少筛选所用的时间并减少人工成本。
37、进一步地，通过对各第一图像对应的像素损失值进行数学统计，获取对应的目标统计值，基于目标统计值确定目标阈值，目标阈值基于各第一图像的像素损失值的变化而变化，各第一图像的像素损失值不同，确定的目标阈值也将不同，目标阈值能够自适应不同的数据集，具有灵活性；目标阈值有效表征各第一图像所在数据集的图像数据分布特点，使数据筛选过程能够大批量处理各第一图像，减少筛选数据所用的时间。
38、更进一步地，通过目标阈值确定第一次筛选的目标比例，从多张第一图像中筛选得到多张第二图像，基于第一比例进行第二次筛选，从多张图像中筛选得到多张目标图像，有效选取适合用于自监督预训练的图像，提高筛选图像的可用性，提升选取效率。
39、本申请的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
本文档来自技高网...【技术保护点】
1.一种图像筛选方法，其特征在于，包括：
2.根据权利要求1所述的图像筛选方法，其特征在于，所述目标阈值为基于所述像素损失值确定的，包括：
3.根据权利要求1所述的图像筛选方法，其特征在于，所述基于所述像素损失值和目标阈值对所述多张第一图像进行筛选，得到至少一张目标图像，包括：
4.根据权利要求1-3任一项所述的图像筛选方法，其特征在于，所述第一模型为基于掩码图像建模的掩码自编码器方法预训练的ViT-L完整模型。
5.根据权利要求1-3任一项所述的图像筛选方法，其特征在于，所述获取样本缺陷特征对应的多张第一图像，包括：
6.一种缺陷分类模型的训练方法，其特征在于，包括：
7.根据权利要求6所述的缺陷分类模型的训练方法，其特征在于，所述缺陷类别包括：亮点、漏涂、漏喷、褶皱、黑点、压痕和脏污中的至少一种。
8.一种图像筛选装置，其特征在于，包括：
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-5任一项所述的图像筛选方法或者6
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-5任一项所述的图像筛选方法或者6或7所述的缺陷分类模型的训练方法。
...【技术特征摘要】
1.一种图像筛选方法，其特征在于，包括：
2.根据权利要求1所述的图像筛选方法，其特征在于，所述目标阈值为基于所述像素损失值确定的，包括：
3.根据权利要求1所述的图像筛选方法，其特征在于，所述基于所述像素损失值和目标阈值对所述多张第一图像进行筛选，得到至少一张目标图像，包括：
4.根据权利要求1-3任一项所述的图像筛选方法，其特征在于，所述第一模型为基于掩码图像建模的掩码自编码器方法预训练的vit-l完整模型。
5.根据权利要求1-3任一项所述的图像筛选方法，其特征在于，所述获取样本缺陷特征对应的多张第一图像，包括：
6.一种缺陷分类模...
【专利技术属性】
技术研发人员：高鹏程，唐永亮，
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：
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。