图像数据集增强

图像数据集增强
数据增强通常通过对原始的图像进行翻转、缩放、添噪等操作进行图像数据扩充，更重要的是，这一系列操作往往并不会改变原始图像的标签，同时还有利于深层次网络的训练学习并能给原始图像数据带来新的特征信息，一方面扩充了原始图像数据集的规模，另一方面降低了网络模型对目标的相关属性的敏感程度，大大提高了网络模型的泛化能力，加速了收敛的过程也极大程度上避免了模型过拟合问题。

(1) 图像缩放：将原始BGA图像按照10%大小比例将进行图像向外缩放和向内缩放。
(2) 图像添噪： 将原始BGA图像添加有零均值特性的高斯噪声，使得图像的高频特征失真来减少对网络性能的影响作用。同时将原始BGA图像添加椒盐噪声。
(3) 图像旋转 ： 将原始BGA图像分别进行顺时针旋转90°、180°和270°。
(4) 亮度调整： 将原始BGA图像的亮度调整为原来的图像的4倍。
该规模从600张扩充到6000张，保证了神经网络模型训练的有效性，并通过程序将数据集按照4：1比例划分训练集和验证集，得到了训练集4800张和验证集1200张