CN113095338B - 工业品图像的自动标注方法、装置、电子设备和存储介质 - Google Patents

工业品图像的自动标注方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN113095338B
CN113095338B CN202110649052.1A CN202110649052A CN113095338B CN 113095338 B CN113095338 B CN 113095338B CN 202110649052 A CN202110649052 A CN 202110649052A CN 113095338 B CN113095338 B CN 113095338B
Authority
CN
China
Prior art keywords
image
component
information
marked
type
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110649052.1A
Other languages
English (en)
Other versions
CN113095338A (zh
Inventor
张校志
王展
林才纺
杨远达
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ji Hua Laboratory
Original Assignee
Ji Hua Laboratory
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ji Hua Laboratory filed Critical Ji Hua Laboratory
Priority to CN202110649052.1A priority Critical patent/CN113095338B/zh
Publication of CN113095338A publication Critical patent/CN113095338A/zh
Application granted granted Critical
Publication of CN113095338B publication Critical patent/CN113095338B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/40—Software arrangements specially adapted for pattern recognition, e.g. user interfaces or toolboxes therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Human Computer Interaction (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种工业品图像的自动标注方法、装置、电子设备和存储介质，通过获取物体的待标注图像和分类信息；对所述待标注图像进行分割处理，以分割出所述待标注物体各组成部件的独立图像；根据所述分类信息，分别对所述待标注物体各组成部件的独立图像进行识别，以得到各组成部件的类型识别结果；根据所述类型识别结果，在所述待标注图像中的各组成部件处添加对应的标签，得到初步标注图像；显示所述初步标注图像以获取修改信息，从而生成最终的标注图像；从而可对由多个部件装配而成的物体中的各部件进行自动标注，有利于提高标注效率，降低成本。

Description

工业品图像的自动标注方法、装置、电子设备和存储介质
技术领域
本发明涉及图像标注技术领域，尤其涉及一种工业品图像的自动标注方法、装置、电子设备和存储介质。
背景技术
目前，工业机器人被广泛应用于工业生产中，以对物体进行抓取转移。有些物体是由多个部件装配而成的，在进行抓取时要求只能在某些部件处进行抓取，否则可能损坏物体。从而，需要对工业机器人进行训练，以使工业机器人能够识别出可抓取物件的位置。因此，有必要训练工业机器人对装配后的物体的各个部件进行识别。
为了实现对工业机器人的训练，需要对物体图片进行标注，以作为训练用的图片，标注时需要在图像中的目标位置处添加标签，标注过程一般由人工完成，人力成本和时间成本巨大。因此，需要寻求一种能够对由多个部件装配而成的物体中的各部件进行自动标注的方法和装置，以提高标注效率，降低成本。
发明内容
鉴于上述现有技术的不足之处，本申请实施例的目的在于提供一种工业品图像的自动标注方法、装置、电子设备和存储介质，能够对由多个部件装配而成的物体中的各部件进行自动标注，有利于提高标注效率，降低成本。
第一方面，本申请实施例提供一种工业品图像的自动标注方法，包括步骤：
A1.获取待标注物体的待标注图像和分类信息；所述待标注物体由多个组成部件装配而成；
A2.对所述待标注图像进行分割处理，以分割出所述待标注物体各组成部件的独立图像；
A3.根据所述分类信息，分别对所述待标注物体各组成部件的独立图像进行识别，以得到各组成部件的类型识别结果；
A4.根据所述类型识别结果，在所述待标注图像中的各组成部件处添加对应的标签，得到初步标注图像；
A5.显示所述初步标注图像以获取修改信息，从而生成最终的标注图像。
本申请实施例的工业品图像的自动标注方法，通过获取待标注物体的待标注图像和分类信息；对所述待标注图像进行分割处理，以分割出所述待标注物体各组成部件的独立图像；根据所述分类信息，分别对所述待标注物体各组成部件的独立图像进行识别，以得到各组成部件的类型识别结果；根据所述类型识别结果，在所述待标注图像中的各组成部件处添加对应的标签，得到初步标注图像；显示所述初步标注图像以获取修改信息，从而生成最终的标注图像；从而可对由多个部件装配而成的物体中的各部件进行自动标注，有利于提高标注效率，降低成本。
优选地，步骤A2包括：
提取各组成部件的轮廓线像素点位置信息；
根据所述各组成部件的轮廓线像素点位置信息，从所述待标注图像中提取对应轮廓线包围的区域图像，得到各组成部件的图像；
以预设颜色为背景颜色，生成背景图像，并把所述组成部件的图像放入所述背景图像中;
以所述组成部件的图像的外接矩形对所述背景图像进行裁剪，得到所述组成部件的独立图像。
优选地，步骤A3包括：
根据所述分类信息，从数据库中获取对应分类类别的各部件的对照图像作为对照图像集；
用所述对照图像集中的各部件的对照图像与待识别的组成部件的独立图像进行匹配，得到对照图像集中的各部件的对照图像与待识别的组成部件的独立图像之间的匹配度数据；
以匹配度数据最大的对照图像对应的部件类型作为相应组成部件的类型识别结果。
优选地，步骤A4包括：
根据各组成部件的轮廓线像素点位置信息获取各组成部件在所述待标注图像中的重心点位置信息；
在所述重心点位置处添加对应的标签。
优选地，步骤A5包括：
在接收到对显示的初步标注图像中的组成部件的第一操作信息时，在显示屏上显示所述组成部件的匹配度数据前N大的对照图像的部件类型列表；其中，N是预设的正整数值，且N大于1；
根据用户对所述部件类型列表的选择操作，用被选中的部件类型作为对应组成部件的修正后部件类型，并根据所述修正后部件类型更改对应的标签。
优选地，步骤A5包括：
在接收到对显示的初步标注图像中的组成部件的第二操作信息时，在显示屏上显示文本框；
根据用户在所述文本框中输入的部件类型，更改对应的标签。
优选地，所述根据用户在所述文本框中输入的部件类型，更改对应的标签的步骤包括：
判断输入的部件类型是否为数据库中已有的部件类型；
若是，则根据所述部件类型查找对应的标签，并用该标签替换所述初步标注图像中对应组成部件的标签；
若否，则把对应组成部件的独立图像存储到所述数据库中作为所述部件类型的对照图像，并生成对应的标签存储到所述数据库中，并用该标签替换所述初步标注图像中对应组成部件的标签。
第二方面，本申请实施例提供一种工业品图像的自动标注装置，包括：
第一获取模块，用于获取待标注物体的待标注图像和分类信息；所述待标注物体由多个组成部件装配而成；
分割模块，用于对所述待标注图像进行分割处理，以分割出所述待标注物体各组成部件的独立图像；
识别模块，用于根据所述分类信息，分别对所述待标注物体各组成部件的独立图像进行识别，以得到各组成部件的类型识别结果；
标注模块，用于根据所述类型识别结果，在所述待标注图像中的各组成部件处添加对应的标签，得到初步标注图像；
修改模块，用于显示所述初步标注图像以获取修改信息，从而生成最终的标注图像。
本申请实施例的工业品图像的自动标注装置，通过获取待标注物体的待标注图像和分类信息；对所述待标注图像进行分割处理，以分割出所述待标注物体各组成部件的独立图像；根据所述分类信息，分别对所述待标注物体各组成部件的独立图像进行识别，以得到各组成部件的类型识别结果；根据所述类型识别结果，在所述待标注图像中的各组成部件处添加对应的标签，得到初步标注图像；显示所述初步标注图像以获取修改信息，从而生成最终的标注图像；从而可对由多个部件装配而成的物体中的各部件进行自动标注，有利于提高标注效率，降低成本。
第三方面，本申请实施例提供一种电子设备，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器通过调用所述存储器中存储的所述计算机程序，用于执行如所述的工业品图像的自动标注方法的步骤。
第四方面，本申请实施例提供一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时运行如所述的工业品图像的自动标注方法的步骤。
有益效果：
本申请实施例提供的工业品图像的自动标注方法、装置、电子设备和存储介质，通过获取待标注物体的待标注图像和分类信息；对所述待标注图像进行分割处理，以分割出所述待标注物体各组成部件的独立图像；根据所述分类信息，分别对所述待标注物体各组成部件的独立图像进行识别，以得到各组成部件的类型识别结果；根据所述类型识别结果，在所述待标注图像中的各组成部件处添加对应的标签，得到初步标注图像；显示所述初步标注图像以获取修改信息，从而生成最终的标注图像；从而可对由多个部件装配而成的物体中的各部件进行自动标注，有利于提高标注效率，降低成本。
附图说明
图1为本申请实施例提供的工业品图像的自动标注方法的流程图。
图2为本申请实施例提供的工业品图像的自动标注装置的结构示意图。
图3为本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
下文的公开提供的实施方式或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。当然，它们仅仅为示例，并且目的不在于限制本发明。此外，本发明可以在不同例子中重复参考数字和/或参考字母，这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施方式和/或设置之间的关系。此外，本发明提供了的各种特定的工艺和材料的例子，但是本领域普通技术佩戴人员可以意识到其他工艺的应用和/或其他材料的使用。
请参阅图1，本申请实施例提供的一种工业品图像的自动标注方法，包括步骤：
A1.获取待标注物体的待标注图像和分类信息；所述待标注物体由多个组成部件装配而成；
A2.对所述待标注图像进行分割处理，以分割出所述待标注物体各组成部件的独立图像；
A3.根据所述分类信息，分别对所述待标注物体各组成部件的独立图像进行识别，以得到各组成部件的类型识别结果；
A4.根据所述类型识别结果，在所述待标注图像中的各组成部件处添加对应的标签，得到初步标注图像；
A5.显示所述初步标注图像以获取修改信息，从而生成最终的标注图像。
在实际应用中，可从不同的角度拍摄物体的图像得到多幅待标注图像，并采用上述步骤对每幅待标注图像进行标注，得到训练集。其中，分类信息为用户输入的信息或用户选择的选项信息，该分类信息可以但不限于是所述待标注物体的功能信息、产品名称信息等。通过以上步骤，可对由多个部件装配而成的物体中的各部件进行自动标注，有利于提高标注效率，降低成本。其中，在拍摄物体的图像时，应该把整个物体完整地包含在照片中，即待标注图像中包含所述待标注物体的完整的图像，以避免由于组成部件的部分缺失而降低组成部件的类型识别结果的准确性。
优选地，步骤A2包括：
A201.提取各组成部件的轮廓线像素点位置信息；
A202.根据所述各组成部件的轮廓线像素点位置信息，从所述待标注图像中提取对应轮廓线包围的区域图像，得到各组成部件的图像；
A203.以预设颜色为背景颜色，生成背景图像，并把所述组成部件的图像放入所述背景图像中;
A204.以所述组成部件的图像的外接矩形对所述背景图像进行裁剪，得到所述组成部件的独立图像。
其中，步骤A201中，可用预先训练好的图像分割网络模型（如自适应实例选择网络AdaptIS）对各组成部件的轮廓线像素点位置信息进行提取。
其中，通过步骤A203和A204可保证独立图像中仅包含组成部件的图像，且独立图像中除组成部件的图像以外其它部分均为背景颜色。优选地，步骤A203中，生成的背景图像的尺寸与待标注图像的尺寸相同，且根据所述组成部件的轮廓线像素点位置信息把所述组成部件的图像放入所述背景图像中对应的位置（即所述组成部件的图像在背景图像中的位置与所述组成部件的图像在待标注图像中的位置相同）；从而能够可靠地保证背景图像可完整地包含所述组成部件的图像，避免所述组成部件的图像部分缺失。
其中，步骤A204中，外接矩形是指把所述组成部件的图像完全包含在内，且四边均与所述组成部件的图像的轮廓线相接（至少一点相接）的矩形。用外接矩形对所述背景图像进行裁剪，一方面方便后续进行对比匹配，另一方面可减小独立图像的数据大小，当后续需要把该独立图像存储到数据库中的时候，可减小其需要占用的存储空间。
需要说明的是，在待标注图像中，组成物体的各组成部件有相互之间的遮挡，一些组成部件可能只显出部分位置，此时分割出的独立图像只包含该组成部件的部分位置的图像。
优选地，骤A3包括：
A301.根据所述分类信息，从数据库中获取对应分类类别的各部件的对照图像作为对照图像集；
A302.用所述对照图像集中的各部件的对照图像与待识别的组成部件的独立图像进行匹配，得到对照图像集中的各部件的对照图像与待识别的组成部件的独立图像之间的匹配度数据；
A303.以匹配度数据最大的对照图像对应的部件类型作为相应组成部件的类型识别结果。
其中，在数据库中存储有各类已有部件的对照图像，且各类部件根据其常用领域分配有分类类别信息（由于同一部件可能会用到不同领域的产品中，因此同一类部件可能会被分配有多个分类类别信息），在步骤A301中，把分类类别信息包括所述分类信息的部件的对照图像从数据库中取出，形成对照图像集。通过分类信息先提取对照图像集，再用对照图像集中的对照图像与组成部件的独立图像进行匹配，与直接用整个数据库中的对照图像与组成部件的独立图像进行匹配的方式相比，处理量更少，处理效率更高。其中，同一部件一般存储有多个对照图像，这些对照图像包括不同角度的完整图像，还可包括只显示部分位置的图像（以便在独立图像只包含对应组成部件的部分位置图像时进行匹配）
在一些优选实施方式中，在拍摄物体的图像时，可在拍摄工作台上设置长度参考标识，例如，长度参考标识为一条已知长度的直线段或者是两个相互距离已知的点，并在拍摄图像时把长度参考标识包含在相片中；即待标注图像中包含所述长度参考标识；根据该长度参考标识在待标注图像中的长度（若长度参考标识为一条直线段则该长度是指该直线段在待标注图像中的长度，若长度参考标识为两个点则该长度是指该两个点在待标注图像中的距离），可计算待标注图像中的长度与实际长度之间的比例关系，从而可根据该比例关系计算各独立图像的实际长宽尺寸；进一步地，可在数据库中记录各对照图像的实际长宽尺寸，从而可根据该实际长宽尺寸对对照图像集进行筛选，以减少对照图像集中的对照图像数量，从而进一步减少处理量和提高处理效率。因此，在一些优选实施方式中，步骤A301包括：
根据长度参考标识在待标注图像中的长度和长度参考标识的实际长度（已知），计算待标注图像中的长度与实际长度之间的比例关系；
根据所述比例关系计算组成部件的独立图像的实际长宽尺寸；
依次用对照图像集的各对照图像的实际长宽尺寸与所述组成部件的独立图像的实际长宽尺寸进行比较，若两者之间的长度偏差、宽度偏差中的至少一个超出允差范围，则把对应的对照图像从对照图像集中移除。
其中，允差范围可根据实际需要进行设置，允差范围可以是比例范围，也可以是尺寸值范围。
其中，步骤A302中，可用预先训练好的神经网络模型对待识别的组成部件的独立图像进行匹配，以输出对照图像集中的各部件的对照图像与待识别的组成部件的独立图像之间的匹配度数据。其中，匹配度数据越大，表示对照图像对应的部件与待识别的组成部件是相同的部件的几率越大；因此，步骤A303中，以匹配度数据最大的对照图像对应的部件类型作为相应组成部件的类型识别结果，类型识别结果为正确结果的几率最大，有利于提高识别结果的准确性。
在一些实施方式中，步骤A4包括：
A401.根据各组成部件的轮廓线像素点位置信息获取各组成部件在所述待标注图像中的重心点位置信息；
A402.在所述重心点位置处添加对应的标签。
其中，步骤A401中，根据以下公式计算各组成部件在所述待标注图像中的重心点位置信息：
Figure DEST_PATH_IMAGE001
;
Figure DEST_PATH_IMAGE002
;
其中，X、Y分别是重心点在待标注图像中的横坐标值和纵坐标值，
Figure DEST_PATH_IMAGE003
、
Figure DEST_PATH_IMAGE004
分别是第i个轮廓线像素点在待标注图像中的横坐标值和纵坐标，n是轮廓线上的像素点总数。
其中，标签可以是对应组成部件的名称或者编号（编号可以是数字编号或者字母编号）。
实际上，标签不限于是设置在重心点位置处，例如，还可把标签设置在组成部件以外（如待标注图像的背景部分），并用引线引至组成部件上。
在实际应用中，自动标注的图像中，可能存在标注错误的情况，因此有必要向操作人员显示，以便操作人员确认是否正确，且当操作人员发现标注有误后应该能够进行修改，以保证标注图像的标注正确性；其中，步骤A5中的修改信息是对图像中的标签的修改信息，可以是选项信息，也可以是输入的文字信息。
在一些优选实施方式中，步骤A5包括：
A501.在接收到对显示的初步标注图像中的组成部件的第一操作信息时，在显示屏上显示所述组成部件的匹配度数据前N大的对照图像的部件类型列表；其中，N是预设的正整数值，且N大于1；
A502.根据用户对所述部件类型列表的选择操作，用被选中的部件类型作为对应组成部件的修正后部件类型，并根据所述修正后部件类型更改对应的标签。
其中，步骤A501中，第一操作信息可以是：用鼠标单击待修正的标签；也可以是：把光标移到至待修正的标签处；但不限于此。其中，N可根据实际需要进行设置，一般为5-10。优选地，在部件类型列表中，各部件类型选项按照匹配度数据从大到小地排列，有利于用户更快地找到正确的部件类型。
其中，步骤A502，选择操作一般是：用鼠标单击选中部件类型列表中的部件类型选项；但不限于此。当操作者选中部件类型列表中的某个部件类型选项后，把对应的标签替换目标组成部件中的已有标签。
通过这种列表选择的方式进行标签修改，操作方便，可提高修改操作的效率，从而提高标注工作的效率。通过这种方式得到的修改信息为选项信息。
有时候，显示的部件类型列表中可能不包含正确的部件类型选项，此时，应该允许操作者手动输入正确的部件类型，并根据手动输入的内容更改对应的标签。因此，在一些优选实施方式中，步骤A5包括：
A503.在接收到对显示的初步标注图像中的组成部件的第二操作信息时，在显示屏上显示文本框；
A504.根据用户在所述文本框中输入的部件类型，更改对应的标签。
其中，A503中，第二操作信息可以是：用鼠标双击待修正的标签；但不限于此。操作者在执行该操作后，显示屏上显示文本框，操作者可在该文本框上输入正确的部件类型。通过这种方式得到的修改信息为文字信息。
进一步地，操作者输入的部件类型有可能是属于新的部件类型（即没有记录在数据库中的部件类型）；因此，在一些实施方式中，A504.根据用户在所述文本框中输入的部件类型，更改对应的标签的步骤包括：
B1.判断输入的部件类型是否为数据库中已有的部件类型；
B2.若是，则根据所述部件类型查找对应的标签，并用该标签替换所述初步标注图像中对应组成部件的标签；
B3.若否，则把对应组成部件的独立图像存储到所述数据库中作为所述部件类型的对照图像，并生成对应的标签存储到所述数据库中（在一些实施方式中，还把该独立图像的实际长宽尺寸存储到所述数据库中），并用该标签替换所述初步标注图像中对应组成部件的标签。
通过这种方式，可在实际工作的过程中自动扩充数据库中的数据，从而可自动识别更多类型的组成部件。其中，若标签为编号，则根据编号的排序生成新的标签；例如，若标签为数字编号，当前数据库中已有的标签为1-100，则生成新的标签的编号为101。
实际上，当操作者输入的部件类型不属于数据库中已有的部件类型的时候，有可能是输入错误导致的，此时不应该直接生产新的部件类型；从而，在一些实施方式中，步骤B3中，若输入的部件类型不是数据库中已有的部件类型，则先发送询问信息以便操作者确认是否输入正确，若收到表示确定应答信号，才执行“把对应组成部件的独立图像存储到所述数据库中作为所述部件类型的对照图像，并生成对应的标签存储到所述数据库中，并用该标签替换所述初步标注图像中对应组成部件的标签”的步骤。从而，可避免由于操作者输入错误而在数据库中生成新的部件类型，避免影响后续进行其他待标注图像的标注工作时的自动标注结果正确性。
由上可知，该工业品图像的自动标注方法，通过获取待标注物体的待标注图像和分类信息；对所述待标注图像进行分割处理，以分割出所述待标注物体各组成部件的独立图像；根据所述分类信息，分别对所述待标注物体各组成部件的独立图像进行识别，以得到各组成部件的类型识别结果；根据所述类型识别结果，在所述待标注图像中的各组成部件处添加对应的标签，得到初步标注图像；显示所述初步标注图像以获取修改信息，从而生成最终的标注图像；从而可对由多个部件装配而成的物体中的各部件进行自动标注，有利于提高标注效率，降低成本。
请参阅图2，本申请实施例还提供一种工业品图像的自动标注装置，包括：
第一获取模块1，用于获取待标注物体的待标注图像和分类信息；所述待标注物体由多个组成部件装配而成；
分割模块2，用于对所述待标注图像进行分割处理，以分割出所述待标注物体各组成部件的独立图像；
识别模块3，用于根据所述分类信息，分别对所述待标注物体各组成部件的独立图像进行识别，以得到各组成部件的类型识别结果；
标注模块4，用于根据所述类型识别结果，在所述待 标注图像中的各组成部件处添加对应的标签，得到初步标注图像；
修改模块5，用于显示所述初步标注图像以获取修改信息，从而生成最终的标注图像。
其中，分类信息为用户输入的信息或用户选择的选项信息，该分类信息可以但不限于是所述待标注物体的功能信息、产品名称信息等。其中，待标注图像中包含所述待标注物体的完整的图像，以避免由于组成部件的部分缺失而降低组成部件的类型识别结果的准确性。
优选地，分割模块2在对所述待标注图像进行分割处理，以分割出所述待标注物体各组成部件的独立图像的时候：
提取各组成部件的轮廓线像素点位置信息；
根据所述各组成部件的轮廓线像素点位置信息，从所述待标注图像中提取对应轮廓线包围的区域图像，得到各组成部件的图像；
以预设颜色为背景颜色，生成背景图像，并把所述组成部件的图像放入所述背景图像中;
以所述组成部件的图像的外接矩形对所述背景图像进行裁剪，得到所述组成部件的独立图像。
其中，可用预先训练好的图像分割网络模型（如自适应实例选择网络AdaptIS）对各组成部件的轮廓线像素点位置信息进行提取。
优选地，分割模块2生成的背景图像的尺寸与待标注图像的尺寸相同，且根据所述组成部件的轮廓线像素点位置信息把所述组成部件的图像放入所述背景图像中对应的位置（即所述组成部件的图像在背景图像中的位置与所述组成部件的图像在待标注图像中的位置相同）。
其中，外接矩形是指把所述组成部件的图像完全包含在内，且四边均与所述组成部件的图像的轮廓线相接（至少一点相接）的矩形。
优选地，识别模块3在根据所述分类信息，分别对所述待标注物体各组成部件的独立图像进行识别，以得到各组成部件的类型识别结果的时候：
根据所述分类信息，从数据库中获取对应分类类别的各部件的对照图像作为对照图像集；
用所述对照图像集中的各部件的对照图像与待识别的组成部件的独立图像进行匹配，得到对照图像集中的各部件的对照图像与待识别的组成部件的独立图像之间的匹配度数据；
以匹配度数据最大的对照图像对应的部件类型作为相应组成部件的类型识别结果。
其中，在数据库中存储有各类已有部件的对照图像，且各类部件根据其常用领域分配有分类类别信息（由于同一部件可能会用到不同领域的产品中，因此同一类部件可能会被分配有多个分类类别信息），识别模块3把分类类别信息包括所述分类信息的部件的对照图像从数据库中取出，形成对照图像集。通过分类信息先提取对照图像集，再用对照图像集中的对照图像与组成部件的独立图像进行匹配，与直接用整个数据库中的对照图像与组成部件的独立图像进行匹配的方式相比，处理量更少，处理效率更高。
在一些优选实施方式中，在拍摄物体的图像时，可在拍摄工作台上设置长度参考标识，例如，长度参考标识为一条已知长度的直线段或者是两个相互距离已知的点，并在拍摄图像时把长度参考标识包含在相片中；即待标注图像中包含所述长度参考标识；根据该长度参考标识在待标注图像中的长度（若长度参考标识为一条直线段则该长度是指该直线段在待标注图像中的长度，若长度参考标识为两个点则该长度是指该两个点在待标注图像中的距离），可计算待标注图像中的长度与实际长度之间的比例关系，从而可根据该比例关系计算各独立图像的实际长宽尺寸；进一步地，可在数据库中记录各对照图像的实际长宽尺寸，从而可根据该实际长宽尺寸对对照图像集进行筛选，以减少对照图像集中的对照图像数量，从而进一步减少处理量和提高处理效率。因此，在一些优选实施方式中，识别模块3在根据所述分类信息，从数据库中获取对应分类类别的各部件的对照图像作为对照图像集的时候：
根据长度参考标识在待标注图像中的长度和长度参考标识的实际长度（已知），计算待标注图像中的长度与实际长度之间的比例关系；
根据所述比例关系计算组成部件的独立图像的实际长宽尺寸；
依次用对照图像集的各对照图像的实际长宽尺寸与所述组成部件的独立图像的实际长宽尺寸进行比较，若两者之间的长度偏差、宽度偏差中的至少一个超出允差范围，则把对应的对照图像从对照图像集中移除。
其中，允差范围可根据实际需要进行设置，允差范围可以是比例范围，也可以是尺寸值范围。
其中，识别模块3在用所述对照图像集中的各部件的对照图像与待识别的组成部件的独立图像进行匹配，得到对照图像集中的各部件的对照图像与待识别的组成部件的独立图像之间的匹配度数据的时候：可用预先训练好的神经网络模型对待识别的组成部件的独立图像进行匹配，以输出对照图像集中的各部件的对照图像与待识别的组成部件的独立图像之间的匹配度数据。其中，匹配度数据越大，表示对照图像对应的部件与待识别的组成部件是相同的部件的几率越大。
在一些实施方式中，标注模块4在根据所述类型识别结果，在所述待标注图像中的各组成部件处添加对应的标签，得到初步标注图像的时候：
根据各组成部件的轮廓线像素点位置信息获取各组成部件在所述待标注图像中的重心点位置信息；
在所述重心点位置处添加对应的标签。
其中，根据以下公式计算各组成部件在所述待标注图像中的重心点位置信息：
Figure 708676DEST_PATH_IMAGE001
;
Figure 360237DEST_PATH_IMAGE002
;
其中，X、Y分别是重心点在待标注图像中的横坐标值和纵坐标值，
Figure 936712DEST_PATH_IMAGE003
、
Figure 331921DEST_PATH_IMAGE004
分别是第i个轮廓线像素点在待标注图像中的横坐标值和纵坐标，n是轮廓线上的像素点总数。
其中，标签可以是对应组成部件的名称或者编号（编号可以是数字编号或者字母编号）。
实际上，标签不限于是设置在重心点位置处，例如，还可把标签设置在组成部件以外（如待标注图像的背景部分），并用引线引至组成部件上。
在实际应用中，自动标注的图像中，可能存在标注错误的情况，因此有必要向操作人员显示，以便操作人员确认是否正确，且当操作人员发现标注有误后应该能够进行修改，以保证标注图像的标注正确性。其中，步骤A5中的修改信息是对图像中的标签的修改信息，可以是选项信息，也可以是输入的文字信息。
在一些优选实施方式中，修改模块5在显示所述初步标注图像以获取修改信息，从而生成最终的标注图像的时候：
在接收到对显示的初步标注图像中的组成部件的第一操作信息时，在显示屏上显示所述组成部件的匹配度数据前N大的对照图像的部件类型列表；其中，N是预设的正整数值，且N大于1；
根据用户对所述部件类型列表的选择操作，用被选中的部件类型作为对应组成部件的修正后部件类型，并根据所述修正后部件类型更改对应的标签。
其中，第一操作信息可以是：用鼠标单击待修正的标签；也可以是：把光标移到至待修正的标签处；但不限于此。其中，N可根据实际需要进行设置，一般为5-10。优选地，在部件类型列表中，各部件类型选项按照匹配度数据从大到小地排列，有利于用户更快地找到正确的部件类型。
其中，选择操作一般是：用鼠标单击选中部件类型列表中的部件类型选项；但不限于此。当操作者选中部件类型列表中的某个部件类型选项后，把对应的标签替换目标组成部件中的已有标签。
通过这种列表选择的方式进行标签修改，操作方便，可提高修改操作的效率，从而提高标注工作的效率。通过这种方式得到的修改信息为选项信息。
有时候，显示的部件类型列表中可能不包含正确的部件类型选项，此时，应该允许操作者手动输入正确的部件类型，并根据手动输入的内容更改对应的标签。因此，在一些优选实施方式中，修改模块5在显示所述初步标注图像以获取修改信息，从而生成最终的标注图像的时候：
在接收到对显示的初步标注图像中的组成部件的第二操作信息时，在显示屏上显示文本框；
根据用户在所述文本框中输入的部件类型，更改对应的标签。
其中，第二操作信息可以是：用鼠标双击待修正的标签；但不限于此。操作者在执行该操作后，显示屏上显示文本框，操作者可在该文本框上输入正确的部件类型。通过这种方式得到的修改信息为文字信息。
进一步地，操作者输入的部件类型有可能是属于新的部件类型（即没有记录在数据库中的部件类型）；因此，在一些实施方式中，修改模块5在根据用户在所述文本框中输入的部件类型，更改对应的标签的时候：
判断输入的部件类型是否为数据库中已有的部件类型；
若是，则根据所述部件类型查找对应的标签，并用该标签替换所述初步标注图像中对应组成部件的标签；
若否，则把对应组成部件的独立图像存储到所述数据库中作为所述部件类型的对照图像，并生成对应的标签存储到所述数据库中（在一些实施方式中，还把该独立图像的实际长宽尺寸存储到所述数据库中），并用该标签替换所述初步标注图像中对应组成部件的标签。
通过这种方式，可在实际工作的过程中自动扩充数据库中的数据，从而可自动识别更多类型的组成部件。其中，若标签为编号，则根据编号的排序生成新的标签；例如，若标签为数字编号，当前数据库中已有的标签为1-100，则生成新的标签的编号为101。
实际上，当操作者输入的部件类型不属于数据库中已有的部件类型的时候，有可能是输入错误导致的，此时不应该直接生产新的部件类型；从而，在一些实施方式中，若输入的部件类型不是数据库中已有的部件类型，则先发送询问信息以便操作者确认是否输入正确，若收到表示确定应答信号，才执行“把对应组成部件的独立图像存储到所述数据库中作为所述部件类型的对照图像，并生成对应的标签存储到所述数据库中，并用该标签替换所述初步标注图像中对应组成部件的标签”的步骤。从而，可避免由于操作者输入错误而在数据库中生成新的部件类型，避免影响后续进行其他待标注图像的标注工作时的自动标注结果正确性。
由上可知，该工业品图像的自动标注装置，通过获取待标注物体的待标注图像和分类信息；对所述待标注图像进行分割处理，以分割出所述待标注物体各组成部件的独立图像；根据所述分类信息，分别对所述待标注物体各组成部件的独立图像进行识别，以得到各组成部件的类型识别结果；根据所述类型识别结果，在所述待标注图像中的各组成部件处添加对应的标签，得到初步标注图像；显示所述初步标注图像以获取修改信息，从而生成最终的标注图像；从而可对由多个部件装配而成的物体中的各部件进行自动标注，有利于提高标注效率，降低成本。
请参阅图3，本申请实施例还提供一种电子设备100，包括处理器101和存储器102，存储器102中存储有计算机程序，处理器101通过调用存储器102中存储的计算机程序，用于执行上述的工业品图像的自动标注方法的步骤。
其中，处理器101与存储器102电性连接。处理器101是电子设备100的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或调用存储在存储器102内的计算机程序，以及调用存储在存储器102内的数据，执行电子设备的各种功能和处理数据，从而对电子设备进行整体监控。
存储器102可用于存储计算机程序和数据。存储器102存储的计算机程序中包含有可在处理器中执行的指令。计算机程序可以组成各种功能模块。处理器101通过调用存储在存储器102的计算机程序，从而执行各种功能应用以及数据处理。
在本实施例中，电子设备100中的处理器101会按照如下的步骤，将一个或一个以上的计算机程序的进程对应的指令加载到存储器102中，并由处理器101来运行存储在存储器102中的计算机程序，从而实现各种功能：获取待标注物体的待标注图像和分类信息；对所述待标注图像进行分割处理，以分割出所述待标注物体各组成部件的独立图像；根据所述分类信息，分别对所述待标注物体各组成部件的独立图像进行识别，以得到各组成部件的类型识别结果；根据所述类型识别结果，在所述待标注图像中的各组成部件处添加对应的标签，得到初步标注图像；显示所述初步标注图像以获取修改信息，从而生成最终的标注图像。
由上可知，该电子设备，通过获取待标注物体的待标注图像和分类信息；对所述待标注图像进行分割处理，以分割出所述待标注物体各组成部件的独立图像；根据所述分类信息，分别对所述待标注物体各组成部件的独立图像进行识别，以得到各组成部件的类型识别结果；根据所述类型识别结果，在所述待标注图像中的各组成部件处添加对应的标签，得到初步标注图像；显示所述初步标注图像以获取修改信息，从而生成最终的标注图像；从而可对由多个部件装配而成的物体中的各部件进行自动标注，有利于提高标注效率，降低成本。
本申请实施例还提供一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时运行上述的工业品图像的自动标注方法的步骤，以实现以下功能：获取待标注物体的待标注图像和分类信息；对所述待标注图像进行分割处理，以分割出所述待标注物体各组成部件的独立图像；根据所述分类信息，分别对所述待标注物体各组成部件的独立图像进行识别，以得到各组成部件的类型识别结果；根据所述类型识别结果，在所述待标注图像中的各组成部件处添加对应的标签，得到初步标注图像；显示所述初步标注图像以获取修改信息，从而生成最终的标注图像。
其中，存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器（Static Random Access Memory, 简称SRAM），电可擦除可编程只读存储器（Electrically Erasable Programmable Read-Only Memory, 简称EEPROM），可擦除可编程只读存储器（Erasable Programmable Read Only Memory, 简称EPROM），可编程只读存储器（Programmable Red-Only Memory, 简称PROM），只读存储器（Read-OnlyMemory, 简称ROM），磁存储器，快闪存储器，磁盘或光盘。
综上所述，虽然本发明已以优选实施例揭露如上，但上述优选实施例并非用以限制本发明，本领域的普通技术佩戴人员，在不脱离本发明的精神和范围内，均可作各种更动与润饰，其方案与本发明实质上相同。

Claims (9)

1.一种工业品图像的自动标注方法，其特征在于，包括步骤：
A1.获取待标注物体的待标注图像和所述待标注物体的分类信息；所述待标注物体由多个组成部件装配而成；
A2.对所述待标注图像进行分割处理，以分割出所述待标注物体各组成部件的独立图像；
A3.根据所述分类信息，分别对所述待标注物体各组成部件的独立图像进行识别，以得到各组成部件的类型识别结果；
A4.根据所述类型识别结果，在所述待标注图像中的各组成部件处添加对应的标签，得到初步标注图像；
A5.显示所述初步标注图像以获取修改信息，从而生成最终的标注图像；
步骤A3包括：
根据所述分类信息，从数据库中获取对应分类类别的各部件的对照图像作为对照图像集；
用所述对照图像集中的各部件的对照图像与待识别的组成部件的独立图像进行匹配，得到对照图像集中的各部件的对照图像与待识别的组成部件的独立图像之间的匹配度数据；
以匹配度数据最大的对照图像对应的部件类型作为相应组成部件的类型识别结果；
所述数据库中存储有各类已有部件的对照图像，且各类部件根据其常用领域分配有分类类别信息；同一类部件分配有一个或多个分类类别信息；
所述根据所述分类信息，从数据库中获取对应分类类别的各部件的对照图像作为对照图像集的步骤包括：
把分类类别信息包括所述分类信息的部件的对照图像从数据库中取出，形成对照图像集；
所述待标注图像中包含长度参考标识；所述数据库中记录有各对照图像的实际长宽尺寸；
所述根据所述分类信息，从数据库中获取对应分类类别的各部件的对照图像作为对照图像集的步骤还包括：
根据长度参考标识在待标注图像中的长度和长度参考标识的实际长度，计算待标注图像中的长度与实际长度之间的比例关系；
根据所述比例关系计算组成部件的独立图像的实际长宽尺寸；
依次用对照图像集的各对照图像的实际长宽尺寸与所述组成部件的独立图像的实际长宽尺寸进行比较，若两者之间的长度偏差、宽度偏差中的至少一个超出允差范围，则把对应的对照图像从对照图像集中移除。
2.根据权利要求1所述的工业品图像的自动标注方法，其特征在于，步骤A2包括：
提取各组成部件的轮廓线像素点位置信息；
根据所述各组成部件的轮廓线像素点位置信息，从所述待标注图像中提取对应轮廓线包围的区域图像，得到各组成部件的图像；
以预设颜色为背景颜色，生成背景图像，并把所述组成部件的图像放入所述背景图像中;
以所述组成部件的图像的外接矩形对所述背景图像进行裁剪，得到所述组成部件的独立图像。
3.根据权利要求2所述的工业品图像的自动标注方法，其特征在于，步骤A4包括：
根据各组成部件的轮廓线像素点位置信息获取各组成部件在所述待标注图像中的重心点位置信息；
在所述重心点位置处添加对应的标签。
4.根据权利要求1所述的工业品图像的自动标注方法，其特征在于，步骤A5包括：
在接收到对显示的初步标注图像中的组成部件的第一操作信息时，在显示屏上显示所述组成部件的匹配度数据前N大的对照图像的部件类型列表；其中，N是预设的正整数值，且N大于1；
根据用户对所述部件类型列表的选择操作，用被选中的部件类型作为对应组成部件的修正后部件类型，并根据所述修正后部件类型更改对应的标签。
5.根据权利要求1所述的工业品图像的自动标注方法，其特征在于，步骤A5包括：
在接收到对显示的初步标注图像中的组成部件的第二操作信息时，在显示屏上显示文本框；
根据用户在所述文本框中输入的部件类型，更改对应的标签。
6.根据权利要求5所述的工业品图像的自动标注方法，其特征在于，所述根据用户在所述文本框中输入的部件类型，更改对应的标签的步骤包括：
判断输入的部件类型是否为数据库中已有的部件类型；
若是，则根据所述部件类型查找对应的标签，并用该标签替换所述初步标注图像中对应组成部件的标签；
若否，则把对应组成部件的独立图像存储到所述数据库中作为所述部件类型的对照图像，并生成对应的标签存储到所述数据库中，并用该标签替换所述初步标注图像中对应组成部件的标签。
7.一种工业品图像的自动标注装置，其特征在于，包括：
第一获取模块，用于获取待标注物体的待标注图像和所述待标注物体的分类信息；所述待标注物体由多个组成部件装配而成；
分割模块，用于对所述待标注图像进行分割处理，以分割出所述待标注物体各组成部件的独立图像；
识别模块，用于根据所述分类信息，分别对所述待标注物体各组成部件的独立图像进行识别，以得到各组成部件的类型识别结果；
标注模块，用于根据所述类型识别结果，在所述待标注图像中的各组成部件处添加对应的标签，得到初步标注图像；
修改模块，用于显示所述初步标注图像以获取修改信息，从而生成最终的标注图像；
所述识别模块在根据所述分类信息，分别对所述待标注物体各组成部件的独立图像进行识别，以得到各组成部件的类型识别结果的时候：
根据所述分类信息，从数据库中获取对应分类类别的各部件的对照图像作为对照图像集；
用所述对照图像集中的各部件的对照图像与待识别的组成部件的独立图像进行匹配，得到对照图像集中的各部件的对照图像与待识别的组成部件的独立图像之间的匹配度数据；
以匹配度数据最大的对照图像对应的部件类型作为相应组成部件的类型识别结果；
所述数据库中存储有各类已有部件的对照图像，且各类部件根据其常用领域分配有分类类别信息；同一类部件分配有一个或多个分类类别信息；
所述识别模块在根据所述分类信息，从数据库中获取对应分类类别的各部件的对照图像作为对照图像集的时候：
把分类类别信息包括所述分类信息的部件的对照图像从数据库中取出，形成对照图像集；
所述待标注图像中包含长度参考标识；所述数据库中记录有各对照图像的实际长宽尺寸；
所述识别模块在根据所述分类信息，从数据库中获取对应分类类别的各部件的对照图像作为对照图像集的时候，还：
根据长度参考标识在待标注图像中的长度和长度参考标识的实际长度，计算待标注图像中的长度与实际长度之间的比例关系；
根据所述比例关系计算组成部件的独立图像的实际长宽尺寸；
依次用对照图像集的各对照图像的实际长宽尺寸与所述组成部件的独立图像的实际长宽尺寸进行比较，若两者之间的长度偏差、宽度偏差中的至少一个超出允差范围，则把对应的对照图像从对照图像集中移除。
8.一种电子设备，其特征在于，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器通过调用所述存储器中存储的所述计算机程序，用于执行如权利要求1-6任一项所述的工业品图像的自动标注方法的步骤。
9.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时运行如权利要求1-6任一项所述的工业品图像的自动标注方法的步骤。
CN202110649052.1A 2021-06-10 2021-06-10 工业品图像的自动标注方法、装置、电子设备和存储介质 Active CN113095338B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110649052.1A CN113095338B (zh) 2021-06-10 2021-06-10 工业品图像的自动标注方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110649052.1A CN113095338B (zh) 2021-06-10 2021-06-10 工业品图像的自动标注方法、装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN113095338A CN113095338A (zh) 2021-07-09
CN113095338B true CN113095338B (zh) 2021-11-09

Family

ID=76662702

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110649052.1A Active CN113095338B (zh) 2021-06-10 2021-06-10 工业品图像的自动标注方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN113095338B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115272780B (zh) * 2022-09-29 2022-12-23 北京鹰瞳科技发展股份有限公司 训练多标签分类模型的方法及相关产品
CN116884003B (zh) * 2023-07-18 2024-03-22 南京领行科技股份有限公司 图片自动标注方法、装置、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110662484A (zh) * 2018-04-20 2020-01-07 智能身型 用于全身测量结果提取的***和方法
CN111259184A (zh) * 2020-02-27 2020-06-09 厦门大学 一种面向新零售的图像自动标注***及方法
CN111783635A (zh) * 2020-06-30 2020-10-16 北京百度网讯科技有限公司 图像标注方法、装置、设备以及存储介质
CN112364898A (zh) * 2020-10-27 2021-02-12 星火科技技术(深圳)有限责任公司 图像识别自动标注方法、装置、设备及存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102542303A (zh) * 2010-12-24 2012-07-04 富士通株式会社 生成用于检测图像中的特定对象的分类器的装置和方法
CN111161275B (zh) * 2018-11-08 2022-12-23 腾讯科技（深圳）有限公司 医学图像中目标对象的分割方法、装置和电子设备
CN109636815B (zh) * 2018-12-19 2021-05-25 东北大学 一种基于计算机视觉的金属板带产品标签信息识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110662484A (zh) * 2018-04-20 2020-01-07 智能身型 用于全身测量结果提取的***和方法
CN111259184A (zh) * 2020-02-27 2020-06-09 厦门大学 一种面向新零售的图像自动标注***及方法
CN111783635A (zh) * 2020-06-30 2020-10-16 北京百度网讯科技有限公司 图像标注方法、装置、设备以及存储介质
CN112364898A (zh) * 2020-10-27 2021-02-12 星火科技技术(深圳)有限责任公司 图像识别自动标注方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN113095338A (zh) 2021-07-09

Similar Documents

Publication Publication Date Title
CN113095338B (zh) 工业品图像的自动标注方法、装置、电子设备和存储介质
US11243998B2 (en) User interface for context labeling of multimedia items
CN110070536B (zh) 一种基于深度学习的pcb板元器件检测方法
US10899011B2 (en) Method and system for selecting a preferred robotic grasp of an object-of-interest using pairwise ranking
JP6517666B2 (ja) 物品管理装置、その方法、及びそのプログラム
CN111310826B (zh) 样本集的标注异常检测方法、装置及电子设备
CN117745187B (zh) 基于agv的药物自动配送***及其方法
CN113486739B (zh) 螺钉检测方法、装置、电子设备和存储介质
CN114651283A (zh) 搜寻功能出苗
WO2023088079A1 (zh) 植物病症诊断信息的显示方法、显示***及可读存储介质
CN110580299B (zh) 生成对象的推荐语的配图的方法、***、设备及存储介质
CN110689191A (zh) 农业保险赔偿额预测方法、装置、设备及可读存储介质
CN110262950A (zh) 基于多项指标的异动检测方法和装置
US20210382467A1 (en) Inspection system, terminal device, inspection method, and non-transitory computer readable storage medium
CN112232295B (zh) 一种新增目标船只的确认方法、装置及电子设备
CN112116664B (zh) 手眼标定轨迹生成方法、装置、电子设备及存储介质
CN113177392A (zh) 校对界面中行段信息同步方法、计算设备及存储介质
AU2021286277A1 (en) Method for configuring and displaying, in augmented or mixed or extended reality, the information relating to equipment installed in a real site, and associated computer program product and electronic device
Suksawatchon et al. Shape Recognition Using Unconstrained Pill Images Based on Deep Convolution Network
CN114792085B (zh) 一种标注文本纠错的数据处理***
JP2015141696A (ja) 提供商品確認システム、提供商品確認方法、並びに提供商品確認プログラム
US20220307069A1 (en) Hybrid manual-machine learning pcr curve analysis and classification
CN116363352A (zh) 一种标注框校验的方法、装置、设备及介质
CN114662955A (zh) 可多人协作的农产品信息标注方法、***、设备及介质
JP2024081349A (ja) 情報処理装置、情報処理方法、及びプログラム

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant