[发明专利]一种工业图像目标检测图像训练集的采样方法和存储介质

说明书

本发明公开了一种工业图像目标检测图像训练集的采集方法和存储介质，方法包括每张待训练图像的目标采集，对待训练图像并进行标注，将待训练图像进行标注形成n个矩形图像块，形成坐标集Rect；获取截取子图在待训练图像上的坐标；排除坐标集Rect中不在截取子图坐标范围内的矩形图像块的坐标，并修正坐标集Rect中剩余矩形图像块的坐标值，得到新的坐标集Rect’；获取采样图像，以所述截取子图的坐标在所述待训练图像上截取形成采样图像，其中采样图像中的矩形图像块的坐标按坐标集Rect’修正。既能仅对原始图像集做一次标注，又能不断产生分割位置变化，而且能够通过参数自动控制纯背景子图和带目标子图类别比例。

技术领域

本发明涉及计算机视觉技术领域，尤其涉及一种工业图像目标检测图像训练集的采样方法、装置和存储介质。

背景技术

在工业生产中，计算机采集的工业图像一般尺寸巨大，在使用深度学习目标检测任务模型时，常常需要将采集的工业图像分割成子图像，逐个对子图像进行检测。但是在目标检测任务的深度学习模型训练阶段中，不宜直接使用固定分割的方式制作训练集。工业图像上有效目标，如外观缺陷、产品瑕疵等出现概率低，所占面积较小，在分割过程中，一副完整工业图像的所有子图像里绝大部分都是无目标的纯背景子图区域，包含目标的目标子图占比极小，而这些目标子图却恰是对训练模型信息价值最大的样本。

现有工业图像目标检测图像训练集的采样，通常采用两种方法：第一种，先固定工业图像分割，再标注，人工挑选的方式平衡纯背景子图和目标子图的比例。这种方法，虽然每个目标相当于只标注一次，但是包含目标的目标子图固定不变，样本缺乏位置空间的多样性。第二种，首选采用随机采样分割，再标注。这种方法，虽然包含目标的目标子图的多样性增加，但是对于分割前原始图像上同一个目标，要多次标注，增加人工标注的成本。

发明内容

为克服上述缺点，本发明的目的在于提供一种工业图像目标检测图像训练集的采样方法，既能仅对原始图像集做一次标注，又能不断产生分割位置变化，而且能够通过参数自动控制纯背景子图和带目标子图类别比例。

为了达到以上目的，本发明采用的技术方案是：一种工业图像目标检测图像训练集的采集方法，其特征在于：用于对训练集中的每张待训练图像进行目标采集，每张待训练图像的目标采集包括如下步骤，

S1、对待训练图像并进行标注，将待训练图像进行标注形成n个矩形图像块，记录每个所述矩形图像块的坐标，每个所述矩形图像块的坐标形成坐标集Rect，其中n为大于等于0的整数；

S2、获取截取子图在待训练图像上的坐标，在待训练图像上随机采样形成矩形截取子图，所述截取子图为未含有目标对象的背景子图或含有目标对象的对象子图，所述背景子图和对象子图的截取比例可调节，所述截取子图在待训练图像上的坐标在待训练图像范围内；

S3、排除坐标集Rect中不在截取子图坐标范围内的矩形图像块的坐标，并修正坐标集Rect中剩余矩形图像块的坐标值，得到新的坐标集Rect’；

S4、获取采样图像，以所述截取子图的坐标在所述待训练图像上截取形成采样图像，其中采样图像中的矩形图像块的坐标按坐标集Rect’修正。

进一步来说，所述矩形图像块的坐标为(x1,y1,x2,y2)，其中(x1,y1)、(x2,y2)为矩形图像块斜对角的第一顶点和第二顶点的坐标值，所述坐标集Rect＝{(x1,y1,x2,y2)₁,(x1,y1,x2,y2)₂,……(x1,y1,x2,y2)_n}。

进一步来说，所述S2具体包括，

S21、随机产生截取子图的第一顶点在待训练图像上的坐标(x3,y3)；