[发明专利]基于视觉注意建模融合的缺陷样本自动标注方法及系统

说明书

本发明属于零件表面损伤检测技术领域，具体涉及一种基于视觉注意建模融合的缺陷样本自动标注方法及系统，旨在解决现有技术中无法实现精密零件样本表面缺陷的自动标注问题，方法包括对输入的原始样本图像进行超像素分割，将图像自动分割成若干个具有预设特征的图像区域；对每个图像区域分别计算基于视觉注意建模融合的显著图，并利用标记阵列分割方法将该显著图中的显著区域分割出来以作为缺陷候选区域；提取缺陷候选区域的特征，并进行聚类，得到若干个不同类别的缺陷样本，根据少量标签或已知的标签定义规则对每个缺陷样本进行标注，也可通过人机交互对未知类别进行手动标注；通过本发明可大大减少人工标注的工作量，标注效率高、准确度好。

技术领域

本发明属于零件表面损伤检测技术领域，具体涉及一种基于视觉注意建模融合的缺陷样本自动标注方法及系统。

背景技术

精密器件的缺陷检测是器件生产的重要环节，由于其没有固定形态，与背景对比度低，轻微缺陷不易发现等问题，在实际工业生产中，长期依赖人工肉眼检测。作为图像处理的热点问题及自动化生产质量保障的关键技术，外观检测方法的研究早在20世纪80年代就已开始，并吸引了国内外诸多学者进行了大量的研究。基于视觉的缺陷样本检测技术可以分为两类：传统的缺陷检测方法和基于学习的缺陷检测方法，其中，传统的缺陷检测方法为依靠人工进行特征提取，再根据这些特征进行分类的方法；基于学习的缺陷检测方法为通过机器学习方法自动学习外观缺陷特征并进行检测分类的方法；由于外观缺陷形态各异，对比度低，传统的缺陷检测方法难以实现较高的检测精度。

而机器学习的成功应用需要满足的一个重要假设是：训练样本数量足够大；但是，在实际应用中，很多场合很难搜集足够量带标注的数据样本，对此，现有技术中提出了有限样本学习方法，其主要分为两类，一类是基于训练数据来解决样本受限问题，另一类是基于模型来解决样本受限问题，其中，基于数据的有限样本学习方法是通过已有的先验知识对有限的样本数据进行扩容，以达到模型训练对样本数量的要求，如平移、翻转、剪切、尺度变换、镜像等等，这种方法通过人为定义的转化规则对每个原始样本进行增广，因此构建出的数据集与原始样本的偏差很小，但是也正因为这个原因，则无太多的组合可供样本变换。

因此，通过采集大量真实样本，再将典型的缺陷目标标注出来，才能从根本解决样本匮乏问题，而目前，还没有针对精密器件缺陷样本自动标注的相关方法。

发明内容

为了解决上述问题，即为了解决现有技术中无法实现精密零件样本表面缺陷的自动标注问题，本发明提供了一种基于视觉注意建模融合的缺陷样本自动标注方法及系统。

本发明的第一方面提供了一种基于视觉注意建模融合的缺陷样本自动标注方法，该方法包括以下步骤：步骤S100，对输入的原始样本图像进行超像素分割，将图像自动分割成若干个具有预设特征的图像区域；

步骤S200，对每个所述图像区域分别计算基于视觉注意建模融合的显著图，并利用标记阵列分割方法将该显著图中的显著区域分割出来以作为缺陷候选区域；

步骤S300，提取所述缺陷候选区域的特征，并进行聚类，得到若干个不同类别的缺陷样本，根据少量标签或已知的标签定义规则对每个所述缺陷样本进行标注，对未知类别可通过人机交互进行手动标注。

在一些优选实施例中，步骤S100中的所述超像素分割为SLIC超像素分割算法；

所述图像区域为超像素；所述超像素由具有相似特征的相邻像素点组成。

在一些优选实施例中，步骤S200中的所述显著图的计算方法具体为：对每个超像素分割后获得的超像素区域计算基于背景对比度的第一显著图；

对每个超像素分割后获得的超像素区域计算基于稀疏低秩分解的第二显著图；

利用显著度差异建模方法将所述第一显著图与所述第二显著图进行融合重建以获得最终的显著图。