【技术实现步骤摘要】
基于超像素主动学习和半监督学习策略的图像瑕疵分割方法
[0001]本专利技术涉及工业机器视觉领域,尤其涉及一种基于超像素主动学习和半监督学习策略的图像瑕疵分割方法。
技术介绍
[0002]近年来,传统机器学习方法在物件外观瑕疵分割应用中取得了一定进展,例如,利用小波方法提出了识别变形材料外观瑕疵的检测方法;利用频域滤波器技术处理纹理瑕疵图像以削弱背景纹理的影响实现瑕疵特征的提取。尽管传统机器学习方法在各类器件表面瑕疵检测中取得了一定的效果,但远不能满足工业自动化生产对于瑕疵检测精度、速度和泛化能力的需求。随着深度学习在图像领域快速发展,基于深度学习的物件外观瑕疵分割方法在一定程度上取得了可观的效果。然而,现有的深度学习方法大多采用了全监督学习的策略,即所有的训练数据都进行了完整的标注。全监督学习的方法虽然能够实现很好的效果,但这种方法对数据及数据的标注具有极大的依赖性。数据量越大,数据的标注越精细,全监督学习就能取得越好的效果,反之,数据量越小,标注越粗糙,全监督学习的效果也会随之骤降。
[0003]然而,实际应用中,往往存在标记成本较为昂贵且标记难以大量获取的问题。尤其是在工业机器视觉领域,数据的获取和标注都会为实际生产增加大量的成本,制作一个完整标注的大数据集所带来的成本往往是无法接受的。在工业机器视觉领域中,未经标注的数据相对易于获取。在这种情况下,半监督学习更适用于实际生产的应用。半监督学习方法介于全监督学习和无监督学习之间。与全监督学习方法不同的是,半监督学习方法只需要少量标注好的样本和大量未经标注 ...
【技术保护点】
【技术特征摘要】
1.基于超像素主动学习和半监督学习策略的图像瑕疵分割方法,其特征在于:包括以下步骤:S1.采集若干个含有瑕疵的图像并制作成图像数据集;S2.将图像数据集进行超像素处理,将每张图像的像素聚类成像素组;S3.通过主动学习策略选取有标注价值的像素组,并由专家标注有标注价值的像素组对应的图像,得到标注好的图像集;S4.构建双分支半监督语义分割模型,将标注好的图像集和未标注的图像集分别输入至双分支半监督语义分割模型进行训练;S5.将待预测的图像输入至训练好的双分支半监督语义分割模型,得到待预测的图像的瑕疵分割结果。2.根据权利要求1所述的基于超像素主动学习和半监督学习策略的图像瑕疵分割方法,其特征在于:所述的主动学习策略,具体为:A1.随机选取图像数据集中一部分图像进行标注,并将标注的图像组成种子图像集A2.通过种子图像集分别训练一个全监督语义分割模型和一个成本预测模型;A3.将图像数据集中未标注的图像依次输入至训练好的全监督语义分割模型和成本预测模型,并输出每张图像的瑕疵分割结果和成本预测结果图;A4.将瑕疵分割结果通过价值估算得到图像数据集中图像的标注价值分布图,并与对应的成本预测结果图融合,得到融合信息图;A5.选取每张融合信息图中信息量高于预设阈值的像素组,标记在原图上并交由专家进行标注,将标注后的图像加入至种子图像集;A6.重复步骤A2~A5,直到用尽专家标注预算,并将此时的种子图像集作为标注好的图像集。3.根据权利要求2所述的基于超像素主动学习和半监督学习策略的图像瑕疵分割方法,其特征在于:将瑕疵分割结果通过价值估算得到图像数据集中图像的标注价值分布图,并与对应的成本预测结果图融合,得到融合信息图,具体步骤为:B1.通过价值估算公式得到图像数据集中图像的像素点的信息熵:其中,(x,y)为像素点、I
i
为图像数据集中的图像、Seg(I
i
)为瑕疵分割结果,P
def(x,y)
(Seg(I
i
))为像素点(x,y)属于瑕疵的概率、H
(x,y)
为像素点(x,t)的信息熵;B2.组合图像数据集中图像中的每一个像素点,得到标注价值分布图其中,V
i
为标注价值分布图;B3.将对应的标注价值分布图与成本预测结果图进行融合,得到融合信息图。4.根据权利要求3所述的基于超像素主动学习和半监督学习策略的图像瑕疵分割方法,其特征在于:将对应的标注价值分布图与成本预测结果图进行融合,具体为:
其中,F
i
为融合信息图、C
i
为成本预测结果图。5.根据权利要求1所述的基于超像素主动学习和半监督学习策略的图像瑕疵分割方法,其特征在于:所述...
【专利技术属性】
技术研发人员:程良伦,胡文韬,吴文昊,黄国恒,
申请(专利权)人:广东工业大学,
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。