【技术实现步骤摘要】
本专利技术主要涉及人工智能，尤其涉及一种测试样本生成方法、装置及计算机可读介质。
技术介绍
1、在对条码识别算法进行测试过程中，测试人员需要搜集实际场景下(如光照、扭曲、噪点、反光等)的条码素材对条码识别算法进行测试验证。但由于条码的规则、类型较多，如需覆盖测试完全，需要搜集准备的素材数量级巨大。因此希望能找到一种方式可以自动生成测试图像，替代人工搜集，降低测试成本，提高测试广度。
2、当前最接近的方案是通过传统的图像算法，在准备好的标准图像上做图像变换(如扭曲、添加噪点)或于标准素材进行素材叠加(如添加反光效果等)，以生成测试图像集。通过传统算法进行图像叠加，生成对应的图像时，会有如下一些缺点：仅能添加有限的、简单的图像效果(如扭曲、噪点等；添加后的图像与实际拍摄情况下产生有一定差异。
技术实现思路
1、本专利技术要解决的技术问题是提供一种测试样本生成方法、装置及计算机可读介质，解决传统测试样本生成方法无法大批量生成类型丰富的测试样本的问题。
2、为解决上述技术问题，本专利技术提供了一种测试样本生成方法，包括：获取标准条码图像、场景图像和随机生成图像；将所述标准条码图像和所述随机生成图像分别输入第一卷积神经网络，得到第一特征图矩阵和第二特征图矩阵；根据所述第一特征图矩阵和第二特征图矩阵计算所述标准条码图像与所述随机生成图像的内容损失函数；将所述场景图像输入所述第一卷积神经网络，得到第三特征图矩阵；将所述随机生成图像输入第二卷积神经网络，得到第四特征图矩阵；
3、可选地，还包括：获取实际场景条码图像；将所述实际场景条码图像和所述模拟实际场景下的条码图像输入判别器，所述判别器输出图像为真实图像的概率；根据所述判别器输出的概率和图像的真实类别计算二元交叉熵损失函数；根据所述二元交叉熵损失函数调整所述随机生成图像的参数，得到最终的模拟实际场景下的条码图像。
4、可选地，所述整体损失函数表示为：
5、
6、其中，为所述整体损失函数，为所述标准条码图像，为所述场景图像，为所述随机生成图像，为所述内容损失函数，为所述风格损失函数，α为内容损失函数的权重。
7、可选地，所述内容损失函数表示为：
8、
9、其中，为所述第一特征图矩阵，为所述第二特征图矩阵，l为第一卷积神经网络的层数，l为第一卷积神经网络的总层数，wl为当前层的权重，i为当前层中第i个滤波器的位置，j为激活值。
10、可选地，根据所述第三特征图矩阵和第四特征图矩阵计算所述场景图像与所述随机生成图像的风格损失函数包括：将所述第三特征图矩阵转化为第一gram矩阵，将所述第四特征图矩阵转化为第二gram矩阵；根据所述第一gram矩阵和所述第二gram矩阵计算所述风格损失函数。
11、可选地，所述风格损失函数表示为：
12、
13、其中，为所述第一gram矩阵，为所述第二gram矩阵，l为第一卷积神经网络的层数，l为第一卷积神经网络的总层数，wl为当前层的权重，i为当前层中第i个滤波器的位置，j为激活值，ml为当前层通道数，nl为每个通道中的像素个数。
14、可选地，所述场景图像包括反光场景图像、暗光场景图像和过曝场景图像，所述实际场景条码图像包括反光场景下的条码图像、暗光场景下的条码图像、过曝场景下的图像。
15、可选地，所述第一卷积神经网络与所述第二卷积神经网络具有不同的卷积层数。
16、为解决上述技术问题，本专利技术提供了一种测试样本生成装置，包括生成器，包括：输入层，用于接收标准条码图像、场景图像和随机生成图像；第一卷积神经网络，用于提取所述标准条码图像的图像特征，获得第一特征图矩阵，提取所述随机生成图像的图像特征，获得第二特征图矩阵，提取所述场景图像的图像特征，获得第三特征图矩阵；第二卷积神经网络，用于提取所述随机生成图像的图像特征，获得第四特征图矩阵；损失函数计算层，用于根据第一特征图矩阵和第二特征图矩阵计算所述标准条码图像与所述随机生成图像的内容损失函数，根据所述第三特征图矩阵和第四特征图矩阵计算所述场景图像与所述随机生成图像的风格损失函数，根据所述内容损失函数和所述风格损失函数构建整体损失函数，优化所述整体损失函数，更新所述随机生成图像的参数；输出层，用于输出模拟实际场景下的条码图像。
17、可选地，还包括：判别器，用于接收所述生成器生成的模拟实际场景下的条码图像和实际场景条码图像，判断输入图像为真实图像的概率；优化模块，用于根据所述概率和图像的真实类别计算二元交叉熵损失函数，根据所述二元交叉熵损失函数调整所述随机生成图像的参数，得到最终的模拟实际场景下的条码图像。
18、可选地，所述判别器包括卷积层和输出层，在前两层卷积层中，采用relu函数作为激活函数，在输出层中，使用sigmoid函数作为激活函数，将输出转化为输出0-1之间概率值，描述输入图像为实际场景条码图像的概率。
19、为解决上述技术问题，本专利技术提供了一种存储有计算机程序代码的计算机可读介质，所述计算机程序代码在由处理器执行时实现如上所述的方法。
20、与现有技术相比，本专利技术具有以下优点：
21、本申请的测试样本生成方法，采用生成对抗网络和神经风格迁移算法，输入标准的条码图像和场景图像后批量生成多张同类型的测试图像，减少人工采集素材的时间成本，并能在短时间内扩充大量、丰富的数据集给到图像识别算法测试，提升算法的识别率。
22、本申请的测试样本生成方法通过引入人工智能技术进行图片生成，可实现：
23、1.可模拟生成多种图像效果(光照、扭曲、噪点、反光等)
24、2.可生成与实际场景下相似度较高的图片
25、3.可对实际场景中的图片做图片分析，生成多效果融合的图片，可生成更丰富、更贴合实际的测试图片集。
本文档来自技高网...【技术保护点】
1.一种测试样本生成方法，其特征在于，包括：
2.如权利要求1所述的测试样本生成方法，其特征在于，还包括：
3.如权利要求1所述的测试样本生成方法，其特征在于，所述整体损失函数表示为：
4.如权利要求3所述的测试样本生成方法，其特征在于，所述内容损失函数表示为：
5.如权利要求3所述的测试样本生成方法，其特征在于，根据所述第三特征图矩阵和第四特征图矩阵计算所述场景图像与所述随机生成图像的风格损失函数包括：
6.如权利要求5所述的测试样本生成方法，其特征在于，所述风格损失函数表示为：
7.如权利要求2所述的测试样本生成方法，其特征在于，所述场景图像包括反光场景图像、暗光场景图像和过曝场景图像，所述实际场景条码图像包括反光场景下的条码图像、暗光场景下的条码图像、过曝场景下的图像。
8.如权利要求1～7任一项所述的测试样本生成方法，其特征在于，所述第一卷积神经网络与所述第二卷积神经网络具有不同的卷积层数。
9.一种测试样本生成装置，其特征在于，包括：
10.如权利要求9所述的测试
11.如权利要求10所述的测试样本生成装置，其特征在于，所述判别器包括卷积层和输出层，在前两层卷积层中，采用ReLU函数作为激活函数，在输出层中，使用Sigmoid函数作为激活函数，将输出转化为输出0-1之间概率值，描述输入图像为实际场景条码图像的概率。
12.一种存储有计算机程序代码的计算机可读介质，所述计算机程序代码在由处理器执行时实现如权利要求1～8任一项所述的方法。
...【技术特征摘要】
1.一种测试样本生成方法，其特征在于，包括：
2.如权利要求1所述的测试样本生成方法，其特征在于，还包括：
3.如权利要求1所述的测试样本生成方法，其特征在于，所述整体损失函数表示为：
4.如权利要求3所述的测试样本生成方法，其特征在于，所述内容损失函数表示为：
5.如权利要求3所述的测试样本生成方法，其特征在于，根据所述第三特征图矩阵和第四特征图矩阵计算所述场景图像与所述随机生成图像的风格损失函数包括：
6.如权利要求5所述的测试样本生成方法，其特征在于，所述风格损失函数表示为：
7.如权利要求2所述的测试样本生成方法，其特征在于，所述场景图像包括反光场景图像、暗光场景图像和过曝场景图像，所述实际场景条码图像包括反光场景下的条码图像、...
【专利技术属性】
技术研发人员：邓芷笙，林喆，蔡晓桓，李欣，
申请(专利权)人：上海商米科技集团股份有限公司，
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。