(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 202211221398.2 (22)申请日 2022.10.08 (71)申请人 上海互觉科技有限公司 地址 201100 上海市闵行区东川路5 55号乙 楼1层1001室 (72)发明人 黄锐　黄佳康　李源琦　 (74)专利代理 机构 上海锻创知识产权代理有限 公司 314 48 专利代理师 顾继光 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/13(2017.01) G06T 7/60(2017.01) G06V 10/74(2022.01) G06V 10/75(2022.01)G06V 10/764(2022.01) (54)发明名称 手工图像标注处理的方法、 系统、 介质及电 子设备 (57)摘要 本发明提供了一种手工图像标注处理的方 法、 系统、 介质及电子设备， 包括： 获取图像目标 的所在位置并根据目标所占面积大小为标注框 设置不同的粗细程度； 对图像中目标进行标注 后， 将处于标注框内的像素点和处于标注框边界 线上的像素点， 分别设置不同的置信度。 本发明 根据不同面积大小的目标有不同的标注框粗细 程度， 面积较大的目标有更粗的标注框， 可以将 目标更精 准的包围起来， 减少人工标注带来的误 差。 标注框边界线上的像素点设置较低的置信 度， 以减少不属于目标的像素点带来的影响， 提 高基于深度学习的图像分割算法的学习效果， 进 而提高识别准确率。 权利要求书1页 说明书4页 附图2页 CN 115546146 A 2022.12.30 CN 115546146 A 1.一种手工图像标注处 理的方法， 其特 征在于， 包括： 步骤S1： 获取图像目标的所在位置并根据目标所占面积大小为标注框设置不同的粗细 程度； 步骤S2： 对图像中目标进行标注后， 将处于标注框内的像素点和处于标注框边界线上 的像素点， 分别设置不同的置信度。 2.根据权利要求1所述的手工图像标注处理的方法， 其特征在于， 步骤S1包括： 待标注 的目标面积越大， 为标注框 设置越粗的边界线， 而目标面积越小， 则为标注框设置越细的边 界线。 3.根据权利要求1所述的手工图像标注 处理的方法， 其特征在于， 若边界线上的像素点 同时含有不属于目标的像素点以及属于目标的像素点， 则根据目标轮廓的勾勒难度以及目 标边缘的不确定度， 为处于标注框内的像素点设置较高的置信度， 处于标注框边界线上 的 像素点设置较低的置信度。 4.根据权利要求3所述的手工图像标注 处理的方法， 其特征在于， 所述目标轮廓的勾勒 难度根据目标轮廓凹凸程度及凹凸数量确定； 所述目标边 缘的不确定度根据目标边 缘的外部和内部的相似度确定 。 5.一种手工图像标注处 理的系统， 其特 征在于， 包括： 模块M1： 获取图像目标的所在位置并根据目标所占面积大小为标注框设置不同的粗细 程度； 模块M2： 对图像中目标进行标注后， 将处于标注框内的像素点和处于标注框边界线上 的像素点， 分别设置不同的置信度。 6.根据权利要求5所述的手工图像标注处理的系统， 其特征在于， 模块M1包括： 待标注 的目标面积越大， 为标注框 设置越粗的边界线， 而目标面积越小， 则为标注框设置越细的边 界线。 7.根据权利要求5所述的手工图像标注 处理的系统， 其特征在于， 若边界线上的像素点 同时含有不属于目标的像素点以及属于目标的像素点， 则根据目标轮廓的勾勒难度以及目 标边缘的不确定度， 为处于标注框内的像素点设置较高的置信度， 处于标注框边界线上 的 像素点设置较低的置信度。 8.根据权利要求7所述的手工图像标注 处理的系统， 其特征在于， 所述目标轮廓的勾勒 难度根据目标轮廓凹凸程度及凹凸数量确定； 所述目标边 缘的不确定度根据目标边 缘的外部和内部的相似度确定 。 9.一种存储有计算机程序的计算机可读存储介质， 其特征在于， 所述计算机程序被处 理器执行时实现权利要求1至4中任一项所述手工图像标注处 理的方法的步骤。 10.一种手工图像标注 处理的电子设备， 包括： 至少一个处理器， 与权利要求9所述存储 介质电连接， 用于执行所述存储介质存储的计算机程序以实现如本发明权利要求1至4所述 的手工图像标注处 理的方法。权　利　要　求　书 1/1 页 2 CN 115546146 A 2手工图像标注 处理的方 法、 系统、 介质及电子 设备 技术领域 [0001]本发明涉及人工智能技术领域， 具体地， 涉及一种手工图像标注处理的方法、 系 统、 介质及电子设备。 尤其涉及一种提高手工图像标注鲁棒性的方法、 存储介质和电子设 备。 背景技术 [0002]近年来， 深度学习(Deep  Learning)的发展极大促进了人工智能相关算法的进步， 包括计算机视觉、 自然语言处理等领域的算法。 深度学习算法所需要的数据集一般被划分 为训练子集和测试子集， 两者独立使用， 算法在训练阶段使用训练子集， 训练完成后生 成算 法模型， 为了验证该模型的学习效果， 需要在测试子集上对模型进行测试， 计算准确 率。 深 度学习有很多 学习方式， 在监督式学习中， 深度学习算法需要对数据集进 行标注真实值， 在 训练阶段， 这些真实标签作为模 型的监督信息进 行学习， 而在测试阶段， 利用这些真实标签 结合模型的预测去计算 准确率， 评估 模型的学习能力。 [0003]以对工业场景 中设备缺陷进行像素级分割标注为例， 在大量的手工对图像中像素 点标注时， 一般会使用labelme等标注工具对目标进行多边形标注， 可能会造成标注框不精 准， 引起标注误差， 一般由标注框的边界线无法将目标完全包围造成的。 真实标签的不精 准， 会直接影响模型的学习能力， 以及对 模型的测试 结果。 [0004]因此， 图像标注工作亟需开发一种提高手工图像标注鲁棒 性的方法。 发明内容 [0005]针对现有技术中的缺陷， 本发明的目的是提供一种手工图像标注处理的方法、 系 统、 介质及电子设备。 [0006]根据本发明提供的一种手工图像标注处 理的方法， 包括： [0007]步骤S1： 获取图像目标的所在位置并根据目标所占面积大小为标注框设置不同的 粗细程度； [0008]步骤S2： 对图像中目标进行标注后， 将处于标注框内的像素点和处于标注框边界 线上的像素点， 分别设置不同的置信度。 [0009]优选地， 步骤S1包括： 待标注的目标面积越大， 为标注框设置越粗的边界线， 而目 标面积越小， 则为标注框设置越细的边界线。 [0010]优选地， 若边界线上的像素点同时含有不属于目标的像素点以及属于目标的像素 点， 则根据目标轮廓的勾勒难度以及目标边缘的不确定度， 为处于标注框内的像素点设置 较高的置信度， 处于标注框边界线上的像素点设置较低的置信度。 [0011]优选地， 所述目标轮廓的勾勒难度根据目标轮廓凹凸程度及凹凸数量确定； [0012]所述目标边 缘的不确定度根据目标边 缘的外部和内部的相似度确定 。 [0013]根据本发明提供的一种手工图像标注处 理的系统， 包括： [0014]模块M1： 获取图像目标的所在位置并根据目标所占面积大小为标注框设置不同的说　明　书 1/4 页 3 CN 115546146 A 3