(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 202211033050.0 (22)申请日 2022.08.26 (71)申请人 青岛励图高科信息技 术有限公司 地址 266000 山东省青岛市崂山区科 苑纬1 路1号创新园二期G栋140 5-1 (72)发明人 黄昊　李海涛　张俊虎　 (74)专利代理 机构 北京盛广信合知识产权代理 有限公司 161 17 专利代理师 张军艳 (51)Int.Cl. G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于深度学习的自动标注方法及系统 (57)摘要 本申请公开了一种基于深度学习的自动标 注方法及系统， 其中方法包括以下步骤： 收集预 训练图像集并进行手动标注， 得到预训练数据； 基于预训练数据， 进行深度学习算法训练， 得到 预训练模型； 基于预训练模型生成自动标注文 件， 完成自动标注； 系统包括： 数据采集模块、 模 型训练模块和自动标注模块。 本申请可高度自定 义的自动标注目标， 且可一次自动标注多个目 标， 在化工安全监测等多目标检测的场景中可提 供很大的帮助。 权利要求书2页 说明书4页 附图2页 CN 115410058 A 2022.11.29 CN 115410058 A 1.一种基于深度学习的自动标注方法， 其特 征在于， 包括以下步骤： 收集预训练图像集并进行手动标注， 得到预训练数据； 基于所述预训练数据， 进行深度学习算法训练， 得到预训练模型； 基于所述预训练模型生成自动标注文件， 完成自动标注。 2.根据权利要求1所述一种基于深度 学习的自动标注方法， 其特征在于， 所述预训练图 像集包括选 定目标的各角度和各场景的图像。 3.根据权利要求1所述一种基于深度 学习的自动标注方法， 其特征在于， 所述预训练模 型训练方法包括： 基于所述预训练数据， 进行 数据增强， 得到不同的数据集； 基于所述数据集进行自适应锚框计算， 得到最佳锚框值； 基于所述最佳锚框值对所述数据集中的原始图片进行自适应图片缩放处理， 得到处理 后图片。 4.根据权利要求3所述一种基于深度 学习的自动标注方法， 其特征在于， 所述预训练模 型主要网络结构包括： 输入端Focus结构、 输入端FPN+PAN结构和输出端Boundi ng box损失函数。 5.根据权利要求4所述一种基于深度学习的自动标注方法， 其特征在于， 所述输入端 Focus结构的运 算过程包括： 将所述数据集中的原 始图像进行切片操作， 得到中间特 征图； 将所述中间特 征图进行 卷积操作， 得到最终特 征图。 6.根据权利要求5所述一种基于深度学习的自动标注方法， 其特征在于， 所述输入端 FPN+PAN结构的运 算过程包括： 将所述最终特征图输入至所述FPN+PAN结构中的FPN结构， 通过上采样方式传递融合， 得到预测特 征图； 将所述预测特征图输入至所述FPN+PAN结构中的PAN结构， 通过特征金字塔自下而上传 递强定位特 征， 得到强定位特 征图； 基于所述预测特 征图和所述强定位特 征图进行参数聚合， 完成所述预训练模型输入。 7.根据权利要求4所述一种基于深度学习的自动标注方法， 其特征在于， 所述输出端 Bounding box损失函数包括CIOU_L oss函数， 计算公式如下： 其中， Distance_C表示预测框与目标框的对角线距离， Distance_2表示预测框与目标 框中心点的欧式距离， IOU表示1减去预测框与目标框的交集/并集， wp、 hp和wgt、 hgt分别表示 预测框的高宽和目标框的高宽 。 8.一种基于深度学习的自动标注系统， 其特征在于， 包括： 数据采集模块、 模型训练模 块和自动标注模块； 所述数据采集模块用于收集预训练图像集并进行手动标注， 得到预训练数据；权　利　要　求　书 1/2 页 2 CN 115410058 A 2所述模型训练模块用于基于所述预训练数据， 进行深度学习算法训练， 得到预训练模 型； 所述自动标注模块用于基于所述预训练模型生成自动标注文件， 完成自动标注。权　利　要　求　书 2/2 页 3 CN 115410058 A 3