本发明属于深度学习领域,具体涉及一种图片训练素材生成方法及系统。
背景技术:
1、深度学习主流还是监督学习,需要大量数据来驱动模型的鲁棒性,但是在工业领域,尤其是工业质检领域,往往只有少量数据,这就导致深度学习模型不能很好的学习到广泛的特征,从而精度达不到实际生产水平。由此数据增强显得格外重要,常用的一些常用数据增强手段虽然很有用,但是在基本数据极少或者几乎没有的情况下,很难制造一些此类虚拟数据来模拟真实数据。
技术实现思路
1、本发明的目的在于克服现有技术领域用于训练的图片素材过少的缺陷。
2、为了实现上述目的,本发明提出了一种图片训练素材生成方法,所述方法包括:
3、步骤1:基于原始材料的物理特征生成带有特殊材质的原始图片;
4、步骤2:将步骤1生成的原始图片输入神经网络模型中,生成更丰富的图片训练素材。
5、作为上述方法的一种改进,所述步骤1具体包括:
6、步骤1-1:基于原始材料的物理特征制作基础纹理作为原始材质;
7、步骤1-2:制作原始材料材质;
8、步骤1-3:制作脏旧材质叠加层;
9、步骤1-4:针对训练目标制作相应特定材质;
10、步骤1-5:合成中间图片;
11、步骤1-6:使用虚拟引擎还原相机采样环境;
12、步骤1-7:渲染生成对应的数据特征,输出图片。
13、作为上述方法的一种改进,所述步骤1-1具体为:
14、根据材料的真实物理特征,还原出原始材料的基础纹理信息;
15、所述真实物理特征包括:基础颜色、高光度、表面粗糙度、反射强度和金属度。
16、作为上述方法的一种改进,所述步骤1-2具体为:
17、将材质在虚拟引擎工具中基于工具的物理渲染引擎进行还原,对不同通道的纹理进行多次解算,结合工具的物理渲染引擎的光照系统,提高材料的还原度。
18、作为上述方法的一种改进,所述步骤1-3具体为:
19、对于不同于材料本身的杂质,做出多个脏旧材质,在虚拟引擎工具中将其叠加混合,增加多样性。
20、作为上述方法的一种改进,所述步骤1-4具体为:
21、针对训练目标,单独制作其需要的特定材质纹理;特定材质纹理制作过程中,遵从物理规则和现场环境限定条件;
22、所述特定材质纹理包括:裂纹、白带、划痕、腐蚀或氧化。
23、作为上述方法的一种改进,所述步骤1-5具体为:
24、将制作好的原始材质、脏旧材质和特定材质进行合成,合成的过程中进行多种排列组合生成用于最终渲染的纹理数据。
25、作为上述方法的一种改进,所述步骤1-6具体为:
26、在虚拟引擎工具中还原现场的相机角度和光照环境,搭建一套和现场相机拍摄图片的构图、光线相近的渲染环境。
27、作为上述方法的一种改进,所述神经网络模型为扩散模型。
28、作为上述方法的一种改进,所述扩散模型缓慢地将随机噪声添加到数据中,然后再学习逆向扩散过程从噪声中构造所需的数据样本。
29、本发明还提供一种图片训练素材生成系统,所述系统包括:
30、制作原始图片模块,用于基于原始材料的物理特征生成带有特殊材质的原始图片;
31、生成训练素材模块,用于将原始图片输入扩散模型中,生成更丰富的图片训练素材。
32、与现有技术相比,本发明的优势在于:
33、相比现有技术生成数据,使用虚拟引擎可以人为生成所需要的数据特征,再结合扩散模型的特点可以快速批量生成多特征目的数据,从而提高数据生成的效率以及样本多样性。
1.一种图片训练素材生成方法,所述方法包括:
2.根据权利要求1所述的图片训练素材生成方法,其特征在于,所述步骤1具体包括:
3.根据权利要求2所述的图片训练素材生成方法,其特征在于,所述步骤1-1具体为:
4.根据权利要求2所述的图片训练素材生成方法,其特征在于,所述步骤1-2具体为:
5.根据权利要求2所述的图片训练素材生成方法,其特征在于,所述步骤1-3具体为:
6.根据权利要求2所述的图片训练素材生成方法,其特征在于,所述步骤1-4具体为:
7.根据权利要求2所述的图片训练素材生成方法,其特征在于,所述步骤1-5具体为:
8.根据权利要求2所述的图片训练素材生成方法,其特征在于,所述步骤1-6具体为:
9.根据权利要求1所述的图片训练素材生成方法,其特征在于,所述神经网络模型为扩散模型。
10.根据权利要求9所述的图片训练素材生成方法,其特征在于,所述扩散模型缓慢地将随机噪声添加到数据中,然后再学习逆向扩散过程从噪声中构造所需的数据样本。
11.一种图片训练素材生成系统,其特征在于,所述系统包括: