[发明专利]一种智能图像标注方法

说明书

本发明公开了一种智能图像标注方法，包括以下步骤：步骤一：取得待标注的图像文件数据库，以及选取作为OK样本的图像文件；步骤二：进行判断是否与OK样本匹配成功；步骤三：将匹配出来的文件与OK样本文件进行相似度的人工对比；步骤四：若阈值合适不需要调整，则继续执行之前操作；若阈值不合适，需要进行调整之后再重复之前操作，然后根据相似度进行操作。本发明所述的一种智能图像标注方法，适用于工业图像数据的目标分类的特点，克服了人工标注中工业图像数据的数据量大、标注时间长、训练时间不足等问题，能够更好的进行工业图像数据的标注工作。

技术领域

本发明涉及人工智能领域，特别涉及一种智能图像标注方法。

背景技术

图像标注在工业视觉方面起着举足轻重的作用。图像标注的主要目标是为了完成任务需求的特定标签的标注工作。这可以包括图像分割的标注、图像识别的标注、图像缺陷的标注；其中图像分割和图像识别的标注的工作，即是使用标注软件在图像上进行标签的绘制（分割一般是用边框标注，识别一般是不规则的多边形），有时候甚至会进行像素级标签的标注工作。

计算机视觉一般的任务需求是以下几种：物体检测、线/边缘检测、分割、关键点识别、图像分类。物体检测一般是使用2D检测和3D检测这两种。其中2D检测用于定义对象在图像中的位置，优点是方便，缺点也很明显无法提供重要信息以及会包含背景元素，从而影响训练。3D则是通过二位图像的边框线投影到三维意义上的长方体来实现，一般会进行系统上的区分体积和位置等特征，这种虽然会解决物体在具体方向上的问题，但还是会被背景造成一定影响。线和样条一般是进行区域的划分，多是用来检测有中断的线或是部分遮挡的物体，缺点是手工标注图像中的线，非常耗费时间以及工人体力，并且当部分物体恰巧是对齐的，这会产生训练时存在误导的可能。关键点识别一般是用于神经网络的关键点的坐标。分割顾名思义就是将图片进行划分切割，一般分为语义分割、实例分割、全景分割。图像分类与目标检测不同，目标检测的目的在于对目标图像的识别和定位，而图像分类在于识别和识别特征特定的目标。在不同行业中，图像标注起到不同的作用，零售一般是使用2D边框来进行标注产品，然后通过计算机算法来预测成本之类的属性；医学一般是使用多边形的标注，用于标记器官，将相应的数据导入深度学习的模型，以便训练对应的缺陷和畸形；工业多采用线和样条的标注，用于工厂图像的检测，这样帮助生产自动化，减小人工成本。

随着大数据和AI技术的发展，工业领域基于此也开始尝试使用新技术的创新，其中，不得不提及深度学习。主要相关的就是机器视觉、缺陷检测部分，需要对大量的工业数据进行相关缺陷的标注工作。因为工业数据的量大，有效使用工具可以大大缩短在数据标注上所花费的时间，图像标注一般服务于AI和深度学习，其中人工起到的作用比我们想象的要多。模型需要高精度的数据，因此必须对图像进行足够精确的标注，这也导致了以下几个问题：时间复杂度(手工标注大量图像数据需要很多时间，而模型训练需要大量数据集，也需要足够的时间进行训练，标注时间和训练时间任何一个时间不充分都会导致精度下降)；计算复杂度(模型训练需要足够精确的数据，如果标注者在标注过程中进行错误标注，会可能影像训练，而标注者的问题一般与标注时间有关)；领域知识的缺乏(比如医学上的图像标注，需要特定领域的相关知识才可以进行标注工作)。

为有效解决所述的问题，本发明提出一种图像标注的方法，通过有效使用工具来大大缩短在可避免的标注数据时间上的浪费，从而大幅度提高标注效率，减少标注时间。

发明内容

本发明的主要目的在于提供一种智能图像标注方法，可以有效解决背景技术中数据标注效率较低的问题。

为实现上述目的，本发明采取的技术方案为：

一种智能图像标注方法，包括以下步骤：

步骤一：取得待标注的图像文件数据库，以及选取作为OK样本的图像文件；

步骤二：进行判断是否与OK样本匹配成功；

步骤三：将匹配出来的文件与OK样本文件进行相似度的人工对比；