(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210741834.2 (22)申请日 2022.06.27 (71)申请人 苏州中科 行智智能科技有限公司 地址 215000 江苏省苏州市工业园区金鸡 湖大道88号人工智能产业园E1-002单 元 (72)发明人 潘慧锋　余章卫　彭思龙　汪雪林　 顾庆毅　 (74)专利代理 机构 苏州翔远专利代理事务所 (普通合伙) 32251 专利代理师 陆金星 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/13(2017.01) G06T 7/187(2017.01)G06T 7/73(2017.01) G06T 11/40(2006.01) (54)发明名称 一种深度学习的图像快速标注方法、 设备及 介质 (57)摘要 本发明公开了一种深度学习的图像快速标 注方法、 设备及介质， 其中方法， 包括如下步骤， S100、 获得数据图集： 对从工业相机获取的缺陷 图片进行预处理， 获得数据图集： S200、 获取特征 点信息： 打开数据图集中任一缺陷图片， 选中缺 陷图片中缺陷特征的任一点， 该点即为特征点， 获取特征点的坐标信息； S300、 获取连通域信息： 根据特征点的坐标信息计算连通域， 并获取连通 域的坐标点集合信息； S400、 提取轮廓列表： 根据 连通域的坐标点集信息提取轮廓， 获取连通域最 外围的坐标点集合即轮廓列表； S500、 生成标注 框： 根据轮廓列表， 生成标注框； 本发明基于点 ‑ 面‑轮廓‑标注框的思路， 方便图形化界面操作。 权利要求书1页 说明书6页 附图3页 CN 114998299 A 2022.09.02 CN 114998299 A 1.一种深度学习的图像快速标注方法， 其特 征在于， 包括如下步骤， S100、 获得数据图集： 对从工业相机获取的缺陷图片进行 预处理， 获得数据图集： S200、 获取特征点信息： 打开数据图集中任一缺陷图片， 选中缺陷图片中缺陷特征的任 一点， 该点即为特 征点， 获取 特征点的坐标信息； S300、 获取连通域信息： 根据特征点的坐标信息计算连通域， 并获取连通域的坐标点集 合信息； S400、 提取轮廓列表： 根据 连通域的坐标点集信息提取轮廓， 获取连通域最外围的坐标 点集合即轮廓列表； S500、 生成标注框： 根据轮廓列表， 生成标注框 。 2.如权利要求1所述的一种深度学习的图像快速标注方法， 其特征在于， 所述S300包括 以下步骤： S310、 根据特征点的坐标信息用floodfill方法对缺 陷图片进行填充计算， 得到第一连 通域图； S320、 对第一连通域图进行微调， 再用floodfill方法对微调后的第一连通域进行填充 计算， 得到第二连通 域图； S330、 缺陷图片以及第二连通 域图的像素差即为连通 域的坐标点 集合信息。 3.如权利要求1所述的一种深度学习的图像快速标注方法， 其特征在于， 所述S400包括 以下步骤： S410、 对连通 域作BGR转灰度值处 理以及阈值处 理， 得到轮廓点 集； S420、 对轮廓点 集进行处 理， 得到连通 域最外围的坐标点 集合， 即轮廓列表。 4.如权利要求1所述的一种深度学习的图像快速标注方法， 其特征在于， 所述S500包括 以下步骤： S510、 将轮廓列表的次序调整为 顺时针的点 集， 得到新轮廓列表； S520、 把新轮廓列表赋值给shape对象， 形成标注框； S530、 增加标签； S530、 显示标签。 5.如权利要求2所述的一种深度学习的图像快速标注方法， 其特征在于， 所述S320中微 调步骤包括， 调高最大亮度， 调低最小亮度以及增 加颜色差值。 6.如权利要求2所述的一种深度学习的图像快速标注方法， 其特征在于， 所述S320中微 调步骤还包括， 增加特征点。 7.如权利要求1所述的一种深度学习的图像快速标注方法， 其特征在于， 所述S100中缺 陷图片预处 理步骤包括ROI剪 裁、 resize和种类筛 选。 8.一种计算机设备， 包括存储器、 处理器以及存储在所述存储器中并可在所述处理器 上运行的计算机程序， 其特征在于， 所述处理器执行所述计算机程序时， 执行根据权利要求 1至7任一项所述的深度学习的图像快速标注方法的指令 。 9.一种计算机可读存储介质， 所述计算机可读存储介质存储有计算机程序， 其特征在 于， 所述计算机程序被处理器执行时， 执行如权利要求1至7任一项所述的深度学习的图像 快速标注方法的指令 。权　利　要　求　书 1/1 页 2 CN 114998299 A 2一种深度学习的图像快速标注方 法、 设备及介质 技术领域 [0001]本发明涉及工业视觉检测技术领域， 具体涉及一种深度学习的图像快速标注方 法、 设备及 介质。 背景技术 [0002]近年来， 深度学习在计算机视觉方向的优势越来越明显， 基于深度学习的工业视 觉检测也越来越受到 重视， 但是由于 本地部署难度大、 能够真正 落地并不容易。 [0003]虽然云端部署是一种捷径， 可以为中小企业和用户提供简单、 便捷的模型部署； 但 是其存在着严重的隐私泄露的问题， 很大一部分企业不愿意将自己的数据共享出去， 难以 推行下去。 [0004]如已公开的专利CN111488197A， 主要针对中小企业和用户提供简单、 便捷的模型 部署， 但是过于依靠 云端； 本发明提出一种深度学习的图像快速标注方法， 可以满足在限定 的硬件资源条件下进 行的深度学习模型以及资源部署， 操作简单， 效率高， 且具有较好的通 用性。 发明内容 [0005]本发明的发明目的是提供一种深度学习的图像快速标注方法、 设备及介质， 操作 简单， 效率高， 且具有较好的通用性。 [0006]为达到上述发明目的， 本发明采用的技术方案是： 一种深度学习的图像快速标注 方法， 包括如下步骤， [0007]S 100、 获得数据图集： 对从工业相机获取的缺陷图片进行 预处理， 获得数据图集： [0008]S200、 获取特征点信息： 打开数据图集中任一缺陷图片， 选中缺陷图片中缺陷特征 的任一点， 该点即为特 征点， 获取 特征点的坐标信息； [0009]S300、 获取连通域信息： 根据特征点的坐标信息计算连通域， 并获取连通域的坐标 点集合信息； [0010]S400、 提取轮廓列表： 根据连通域的坐标点集信息提取轮廓， 获取连通域最外围的 坐标点集合即轮廓列表； [0011]S500、 生成标注框： 根据轮廓列表， 生成标注框 。 [0012]还包括， S600、 修改标注框： 返回步骤S20 0， 重新选取 特征点。 [0013]优选地， 所述S3 00包括以下步骤： [0014]S310、 根据特征点的坐标信息用floodfill方法对缺陷图片进行填充计算， 得到第 一连通域图； [0015]S320、 对第一连通域图进行微调， 再用floodfill方法对微调后的第一连通域进行 填充计算， 得到第二连通 域图； [0016]S330、 缺陷图片以及第二连通 域图的像素差即为连通 域的坐标点 集合信息。 [0017]优选地， 所述S40 0包括以下步骤：说　明　书 1/6 页 3 CN 114998299 A 3