[发明专利]图像异常的标记方法及系统

说明书

本发明涉及图像处理技术领域，公开了一种图像异常的标记方法及系统，旨在解决现有图像异常标记存在效率低的问题，方案主要包括：获取含有异常目标的待标记图片；在所述待标记图片中提取含有异常目标的感兴趣区域，得到感兴趣区域图片；根据所述感兴趣区域图片并基于预先训练的轮廓提取模型得到异常目标的初始轮廓；利用手工修正所述初始轮廓，得到所述待标记图片的异常标记标签。本发明提高了图像异常的标记效率。

技术领域

本发明涉及图像处理技术领域，具体来说涉及一种图像异常的标记方法及系统。

背景技术

随着人工智能技术逐渐成熟，计算机技术越来越广泛地应用到日常生活中。特别在工业领域，通常需要检测产品的异常缺陷，为了得到识别精确更高的图像识别模型，需要通过大量的已标注样本对图像识别模型进行训练，而在现有技术中在构建训练样本时，通常采用完全手动输入等人工标注的方式实现，不仅耗费人力成本，还大大降低了样本的标注效率，给模型训练上带来了极大的困难。

申请公布号CN113505799A公布了一种显著性检测方法及其模型的训练方法和装置、设备、介质，其利用显著性检测模型对待处理图像进行处理，得到待处理图像内容中关于显著性区域的预测位置信息，虽然能够实现，但是通过显著性检测模型在完整的待处理图像中得到显著性区域的预测位置信息，这种方式在训练检测模型时，需要大量的样本图像，并且需要对所有样本图像的显著性区域进行手动标注，进而导致标注效率低的问题。

发明内容

本发明旨在解决现有图像异常标记存在效率低的问题，提出一种图像异常的标记方法及系统。

本发明解决上述技术问题所采用的技术方案是：

一方面，提供一种图像异常的标记方法，包括以下步骤：

步骤1、获取含有异常目标的待标记图片；

步骤2、在所述待标记图片中提取含有异常目标的感兴趣区域，得到感兴趣区域图片；

步骤3、根据所述感兴趣区域图片并基于预先训练的轮廓提取模型得到异常目标的初始轮廓；

步骤4、利用手工修正所述初始轮廓，得到所述待标记图片的异常标记标签。

作为进一步优化，步骤2中，在所述待标记图片中提取含有异常目标的感兴趣区域，具体包括：

利用感兴趣区域算法在所述待标记图片中提取含有异常目标的感兴趣区域；

利用手工标记感兴趣区域，得到感兴趣区域图片。

作为进一步优化，所述感兴趣区域算法为目标检测算法或语义分割算法。

作为进一步优化，步骤3中，所述轮廓提取模型的训练方法包括：

获取已经完成标记的图片数据集；

基于图像处理算法或深度学习算法构建显著性目标检测模型；

基于所述图片数据集训练显著性目标检测模型，得到轮廓提取模型。

作为进一步优化，所述训练显著性目标检测模型的方法为：无监督算法、自监督算法和/或半监督算法。

作为进一步优化，所述显著性目标检测模型为U2Net模型。

作为进一步优化，所述感兴趣区域和初始轮廓的形状为矩形、圆形、椭圆形或不规则多边形。

作为进一步优化，所述步骤4具体包括；

利用手工修正初始轮廓中不满足预设条件的轮廓顶点；

按预设文件格式导出修正后的轮廓，得到所述待标记图片最终的异常标记标签。

另一方面，提供一种图像异常的标记系统，包括：