买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：大连理工大学

摘要：本发明属于深度学习技术领域，是一种结合Deeplabv3plus网络进行工业射线检测缺陷图片快速标注的方法。本发明选用Deeplabv3plus网络作为深度学习语义分割模型，首先对数据集的一部分数据进行Photoshop软件标记、裁剪筛选，而后将其划分为训练集和验证集，采用Deeplabv3plus网络进行训练，在验证集上测试mIoU和mAcc达标后，用训练好的模型对剩余数据进行检测标注，最后对已标注数据进行微调。该标注方法大大提高了缺陷图片语义分割标签数据的标记速度，降低了标注成本，可以一定程度上降低人工标注时出现漏标误标的情况，提高标注数据的标注质量。

主权项：1.一种结合Deeplabv3plus网络进行工业射线检测缺陷图片快速标注的方法，其特征在于，步骤如下：1收集具有缺陷的工业产品DR图像数据，将原始的DR图像数据按比例分成两份，分别命名为A数据集和B数据集；2将A数据集用Photoshop软件进行涂抹，作为缺陷标记，保存图片的格式为png格式；3对步骤2中得到的图片进行处理，使图片中只有缺陷标记的颜色，作为深度学习语义分割的标签数据；4采用Deeplabv3plus网络作为深度学习语义分割模型；5将步骤1中的A数据集中的原始DR图像裁剪为512*512的图片，得到原始DR裁剪图像，并且将步骤3中相对应的png格式标签文件进行相同方式的裁剪，得到标签裁剪图像；6将步骤5得到的标签裁剪图像进行筛选，删除其中像素点值全为0的图片，即无缺陷标记的数据，同时与所删除的无缺陷标记的数据对应的原始DR裁剪图像，仅保留带有缺陷标记的图片；7将步骤6的A数据集的图片按照比例划分为两部分，训练集用于进行深度学习语义分割模型的训练，验证集用于检测深度学习语义分割模型的训练效果；8将步骤7数据集划分后的训练集进行数据扩增，数据扩增的方法采用的是二维高斯滤波，对比度增强，左右翻转，上下翻转，旋转，部分裁剪并填充至512*512大小；通过随机进行数据扩增操作，完成图像的数据扩增，扩增后数据是扩增前数据的2到4倍；其中二维高斯函数为公式1： 式中，x,y表示像素点坐标，σ为是高斯函数的标准差；9进行深度学习语义分割模型训练，将训练好的深度学习语义分割模型用步骤8得到的验证集进行验证，当在验证集上测试的mIoU稳定超过80％且mAcc稳定超过85％时终止训练，导出模型，如果没有达到要求，将进行参数优化后重新进行模型训练；平均交并比mIoU为公式2： 其中k代表分割的类别数，i＝0～k；TPi代表第i个类别分类正确的正样本数量，FPi代表第i个类别分类错误的正样本数量，FNi代表第i个类别分类错误的负样本数量；平均准确率mAcc为公式3： 其中k代表分割的类别数，i＝0～k；TPi表示第i类分割正确的像素点个数，Npi表示第i类像素点的总点数；10将B数据集的原始DR图像裁剪为512*512的图片；裁剪原则同步骤5；11将达到步骤9要求的深度学习语义分割模型在步骤10中得到的B数据集中的DR图像进行检测标注，并将标注输出的图片保存为png格式图片，作为B数据集的原始标签文件；12将步骤10中得到的裁剪后的B数据集图片及步骤11中得到的原始标签文件利用Photoshop软件进行微调，去除一些误标缺陷，增加未标注缺陷，经过核验后完成整个数据集的标注。

全文数据：

权利要求：

百度查询： 大连理工大学 一种结合Deeplabv3plus网络进行工业射线检测缺陷图片快速标注的方法