图像标注是机器视觉AI模型开发流程中的重要一环,也是十分耗时的一环。
在矩视智能低代码平台,用户可以通过在线注册的方式,免费获得账号,进行标注、模型训练、模型测试等一系列在线开发和验证工作。平台会自动匹配最优的深度学习算法模型,用户无需额外开发,部署环节可自动套用合适的界面模板,高效集成到本地化系统中。
所以说,在训练深度学习模型前,需要准备足量的样本图片用于训练,而“图像标注”就是样本训练前的一个步骤。

矩视云平台标注效果
矩视云低代码平台基于人工智能、大数据、云计算等前沿技术,提供在线的字符识别、缺陷检测、尺寸测量、目标定位等功能,其标注工具主要包括:矩形框、多边形 、画笔。
标注数据筛选说明
1、确定测试图片缺陷类型种类,标注时每种缺陷都尽量使用充足而有代表性的样本进行标注。不同缺陷设置不同名称的标签进行分类标注。切勿使用1个标签,标注所有瑕疵类型。
如大枣缺陷检测中,缺陷标签包括:裂缝、破口、黑头、褶皱、肉皮、变形等。

2、需要识别的区域在图片中占的比例不能过小。一般要在10个像素以上,小于10个像素需进行调参处理。

3、每张图片最多可支持的标注框数量默认为 100 个,若超过 100 个框需要联系技术人员及逆行调参处理。
图像标注的正确打开方式
OCR识别
主要用于各类工业场景中的不同类型的字符识别,包含数字、字母和文字,可以解决复杂环境下的字符识别问题。如标准字体、钢印 OCR、点状体 OCR、曲面 OCR、手写字体、特殊符号等。
🟢标注工具:矩形
1、标注框大小适中,不能过大或过小
像素分割
主要用于对图片中尺寸较小,形状不规则的对象(如缺陷,纹理)进行标识,定位,分类和检测,可实现像素级上的检测,适用于对形状不固定的对象进行检测,如工业检测中对残次品中的缺陷位置、形状大小、面积及缺陷类别的检测。
🟢标注工具:多边形
⭕正确标注
1.标注框大小适中,不能过大或过小
2.标注框不能有遗漏
3.不同颜色缺陷需要不同颜色标注

❌错误标注
1. 标注时未沿缺陷外轮廓标注,不要在外边缘的里边或太外边标注。
凹坑缺陷面积很小,标注面积却很大
2. 不同缺陷类型未进行正确分类标注
划痕缺陷标注成压伤
3. 每张图片内所有需要识别的缺陷必须全部标注,不得出现漏标。
划痕缺陷未标注
目标定位
主要用于对图片中不同类别,位置的对象进行定位和分类,以及对图片中不同缺陷特征的定位和检测。如对图片中多种工件进行分类、定位、计数,对同一工件中多种缺陷特征定位、分类等检测。
🟢标注工具:矩形
⭕正确标注
1.标注框大小适中,不能过大或过小
2.标注框不能有遗漏
3.不同类型目标进行分别标注
❌错误标注
1. 标注时标注框未紧贴物体或缺陷边缘,框体过大或过小。
2. 每张图片内所有需要定位的物体或缺陷需全部标注
3. 不同缺陷未进行分类标注


