[发明专利]一种快速检测图像样本标注成果数据方法

说明书

本发明公开了一种快速检测图像样本标注成果数据方法，包含了数据预处理，模型调用，算法测试，样本评价，预标注图像修改等功能。这使得数据标注成果的检验和评价更为方便，在交互性、可操作性以及实用性等方向有了较大的进步。该方法包括：S1：对样本图像进行图像预处理；S2：对预处理完成后的样本图像进行测试，得到测试结果；S3：对测试结果进行评价，得到评价结果；S4：将评价结果与样本图像中的标注进行对比分析，并计算mAP、召回率以及精确度；S5：判断样本图像的mAP、召回率以及精确度是否低于阈值，若是则认为样本图像合格，并导出，否则认为不合格，就将其导入预标注图像修改模块，将标志信息进行修正后导出。

技术领域

本发明涉及计算机视觉和深度学习等人工智能技术领域，尤其涉及一种快速检测图像样本标注成果数据方法。

背景技术

近年来，基于深度学习的图像目标检测技术日渐成熟，已经智能电网、智能工厂等领域得到应用，并展现了强大的实用性。然而，基于深度学习的模型训练，需要大量标注的样本数据，因此需要耗费大量的人力进行手动标注。但由于标注工作耗时且密集，往往会出现漏标、错标等问题，进而对模型的开发带来了较大的影响。

为了检查标注遗漏、标注错误等现象带来的隐患，一些核查的方法被提出，其中使用目标检测算法的效果尤为突出。具体来说，先将标注好的样本数据导入到使用目标检测算法，而后对预处理的样本进行预测，最后将标注结果和算法预测结果，进行精度评定。在此基础上，利用目标检测算法对样本数据进行分析检查，以促进样本准确率的提高。

图形标注往往采取传统的人工标注方法，这会带来大量人力资源、时间成本等的浪费，并且由于标注人员的不稳定因素，会存在漏标和误标的情况。深度学习算法对于用户的专业性提出了极高的要求，不仅要求使用者需要懂得其中原理，还得熟悉操作规程，这对检测工作带来了极大的不便，人工检查的方法耗时耗力，质量检查的效果与质检人员的素质成正相关。

使用深度学习的方法进行质检，模型的训练、调用，预标注图片的审查，往往都是独立的，不成体系。并且难以检测小目标物体是目标检测算法存在的问题，模型对一些尺度变化较大和一些小目标的物体存在大量漏检误检，这不利于检查标注情况。

发明内容

本发明设计了一个快速检测图像样本标注成果数据的方法，包含了数据预处理，模型调用，算法测试，样本评价，预标注图像修改等功能。这使得数据标注成果的检验和评价更为方便，在交互性、可操作性以及实用性等方向有了较大的进步。

本发明提供的一种快速检测图像样本标注成果数据方法，包括：

对样本图像进行图像预处理；

对预处理完成后的样本图像进行测试，得到测试结果；

对测试结果进行评价，得到评价结果；

将评价结果与样本图像中的标注进行对比分析，并计算mAP、召回率以及精确度；

判断样本图像的mAP、召回率以及精确度是否低于阈值，若是则认为样本图像合格，并导出，否则认为不合格，就将其导入预标注图像修改模块，将标志信息进行修正后导出。

可选的，

步骤S1包括对图像样本进行去噪、对比度增强、去水印处理，用以消除图像中的不相关信息。

可选的，步骤S2包括：

识别出主体目标；

当所述主体目标符合场景逻辑时，对主体目标进行检测和分类，得到最终的结果；

当所述主体目标不符合场景逻辑时，将识别结果做误检处理。

可选的，

步骤识别出主体目标之后，排除置信度较小的目标，以及尺寸占全图比例小于正常尺寸比例的结果，以降低误检。