识别分类模型训练方法和系统技术方案

本申请涉及一种识别分类模型训练方法和系统。所述方法包括：根据破坏率和初始图片样本数据，获取有损图片样本数据，将有损图片样本数据输入去噪声模型中进行训练，将获取的还原图片样本数据输入识别分类模型中进行训练，获取样本标签值和识别损失值，对去噪声模型和识别分类模型进行反向传导算法的计算，获取训练好的去噪声模型和训练好的识别分类模型。采用本方法所训练的去噪声模型可以有效地匹配识别分类模型，使得识别分类模型可以对有损的数据进行有效且准确地的识别和分类，降低实际应用中噪声对识别分类的影响，提高对具有噪声或者特征不明显的图片进行识别和分类的准确度。

【技术实现步骤摘要】
识别分类模型训练方法和系统
本申请涉及深度学习
，特别是涉及一种识别分类模型训练方法和识别分类模型训练系统。
技术介绍
人工智能发展迅速，其中，卷积神经网络模型是深度学习中重要的模型，主要应用在图片处理，其在图片处理以及分类上有着显著的效果。传统技术下，用于分类识别的卷积神经网络模型训练过程中进行分类的图片一般是是无损且特征明显的图片，训练后的卷积神经网络模型适用于处理无损且特征明显的图片。但是在实际应用环境中，由于信号受到干扰，或者设备存在质量问题等，所获取的图片往往会存在噪声，或者出现特征不明显的现象，用于分类识别的卷积神经网络模型对具有噪声或者特征不明显的图片进行识别的准确度低。
技术实现思路
基于此，有必要针对上述用于分类识别的卷积神经网络模型对具有噪声或者特征不明显的图片进行识别的准确度低的问题，提供一种识别分类模型训练方法和系统。一种识别分类模型训练方法，包括以下步骤：根据破坏率和初始图片样本数据，获取有损图片样本数据；将有损图片样本数据输入去噪声模型中进行训练，获取还原图片样本数据和去噪损失值；将还原图片样本数据输入识别分类模型中进行训练，获取样本标签值和识别损失值；根据样本标签值、去噪损失值和识别损失值，分别对去噪声模型和识别分类模型进行反向传导算法的计算，获取训练好的去噪声模型和训练好的识别分类模型。一种识别分类模型训练系统，包括：有损图片样本数据获取模块，用于根据破坏率和初始图片样本数据，获取有损图片样本数据；还原图片样本数据获取模块，用于将有损图片样本数据输入去噪声模型中进行训练，获取还原图片样本数据和去噪损失值；样本标签值获取模块，用于将还原图片样本数据输入识别分类模型中进行训练，获取样本标签值和识别损失值；训练模型获取模块，用于根据样本标签值、去噪损失值和识别损失值，分别对去噪声模型和识别分类模型进行反向传导算法的计算，获取训练好的去噪声模型和训练好的识别分类模型。上述识别分类模型训练方法和系统，所训练的识别分类模型根据样本标签值、去噪损失值和识别损失值在反向传导算法进行修正，同时所训练的去噪声模型可以有效地匹配识别分类模型，使得识别分类模型可以对有损的数据进行有效且准确地的识别和分类，降低实际应用中噪声对识别分类的影响，提高对具有噪声或者特征不明显的图片进行识别和分类的准确度。附图说明图1为一个实施例中识别分类模型训练方法的流程图；图2为一个实施例中有损图片样本数据获取的流程图；图3为一个实施例中还原图片样本数据获取的流程图；图4为一个实施例中去噪声模型训练的流程图；图5为一个实施例中样本标签值获取的流程图；图6为一个实施例中识别分类模型训练的流程图；图7为一个实施例中反向传导算法计算的流程图；图8为一个实施例中样本标签值输出的流程图；图9为另一个实施例中识别分类模型训练方法的流程图；图10为另一个实施例中去噪声模型的效果展示图；图11为另一个实施例中反向传导的流程图；图12为一个实施例中识别分类模型训练系统的结构示意图；图13为一个实施例中计算机设备的内部结构图。具体实施方式为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。在一个实施例中，如图1所示，图1为一个实施例中识别分类模型训练方法的流程图，提供了一种识别分类模型训练方法，本实施例中的识别分类模型训练方法包括以下步骤：步骤S100：根据破坏率和初始图片样本数据，获取有损图片样本数据。破坏率用于表示一定程度的破坏，本步骤中将初始图片样本数据进行一定程度的破坏，可以生成有损图片样本数据，以便于模拟实际生产使用过程中存在的噪声情况，有损图片样本数据中包括一定程度的噪声。步骤S200：将有损图片样本数据输入去噪声模型中进行训练，获取还原图片样本数据和去噪损失值。去噪声模型可以用于通过去噪声对有损图片样本数据进行还原和重构，获取去噪声后重构的还原图片样本数据。去噪损失值可以体现去噪声模型中去噪声能力的强弱，去噪损失值的值越小说明去噪声模型的去噪声能力越强。步骤S300：将还原图片样本数据输入识别分类模型中进行训练，获取样本标签值和识别损失值。识别分类模型可以用于对数据进行识别和分类，并输出样本标签值。识别损失值可以体现识别分类模型中识别分类能力的强弱。步骤S400：根据样本标签值、去噪损失值和识别损失值，分别对去噪声模型和识别分类模型进行反向传导算法的计算，获取训练好的去噪声模型和训练好的识别分类模型。通过反向传导算法的计算，分别对去噪声模型和识别分类模型进行修正，获取训练好的去噪声模型和训练好的识别分类模型。上述识别分类模型训练方法，所训练的识别分类模型根据样本标签值、去噪损失值和识别损失值在反向传导算法进行修正，同时所训练的去噪声模型可以有效地匹配识别分类模型，使得识别分类模型可以对有损的数据进行有效且准确地的识别和分类，降低实际应用中噪声对识别分类的影响，提高对具有噪声或者特征不明显的图片进行识别和分类的准确度。所训练的去噪声模型可以处理有损图片样本数据并获取还原图片样本数据，即可以处理有损的图片并生成是用于识别分类模型适用的去噪声的图片，减少噪声对识别分类模型进行识别分类的干扰。且所训练的识别分类模型和去噪声模型都经过反向传导算法的计算，完成两个模型的修正，使得去噪声模型可以与识别分类模型匹配，以便于提高识别分类模型进行识别和分类的准确度。在一个实施例中，如图2所示，图2为一个实施例中有损图片样本数据获取的流程图，根据破坏率和初始图片样本数据，获取有损图片样本数据的步骤，包括以下步骤：步骤S110：根据破坏率获取随机值和预设范围。随机值和预设范围与破坏率有关，根据不同破坏率所获取的随机值的范围不同，根据不同破坏率所获取的预设范围在初始图片样本数据中的区域上分布不同。例如，在模拟实际生产过程中破环程度对图片数据的影响中，破坏率增加时，可以使随机值的范围相应地扩大，和/或使得被破坏的预设范围的区域增加，增加数据值被破坏的幅度和增加数据被破坏的位置区域。当破坏率足够大时，可使得图片的特征不明显，还可以用于模拟并生成特征不明显的有损图片样本数据。步骤S120：在初始图片样本数据中预设范围的数据值上叠加随机值，并生成有损图片样本数据。通过在初始图片样本数据中数据值叠加随机值，进行增加噪声的模拟，破坏初始图片样本数据并生成有损图片样本数据。上述识别分类模型训练方法，根据随机值和预设范围随机来模拟实际应用中噪声，通过在数据值上叠加随机值对图片进行破坏，获得有损图片样本数据，而且还同时可以满足去噪声模型和识别分类模型在一定破坏率情况下训练，可以不需要重新建立新训练情况下对应的训练样本数据，提高训练效率和降低训练成本。在一个实施例中，如图3所示，图3为一个实施例中还原图片样本数据获取的流程图，去噪声模型包括卷积层、下采样层、还原层、融合还原层和全连接层；将有损图片样本数据输入去噪声模型中进行训练，获取还原图片样本数据和去噪损失值的步骤，包括以下步骤：步骤S210：将有损图片样本数据输入卷积层，并提取有损图片样本数据的特征。通过卷积层提取有损图片样本数据的特征，将深度大小为1的有损图片样本数据进行特征提取本文档来自技高网...

【技术保护点】
1.一种识别分类模型训练方法，其特征在于，包括以下步骤：根据破坏率和初始图片样本数据，获取有损图片样本数据；将所述有损图片样本数据输入去噪声模型中进行训练，获取还原图片样本数据和去噪损失值；将所述还原图片样本数据输入识别分类模型中进行训练，获取样本标签值和识别损失值；根据所述样本标签值、所述去噪损失值和所述识别损失值，分别对所述去噪声模型和所述识别分类模型进行反向传导算法的计算，获取训练好的去噪声模型和训练好的识别分类模型。

【技术特征摘要】
1.一种识别分类模型训练方法，其特征在于，包括以下步骤：根据破坏率和初始图片样本数据，获取有损图片样本数据；将所述有损图片样本数据输入去噪声模型中进行训练，获取还原图片样本数据和去噪损失值；将所述还原图片样本数据输入识别分类模型中进行训练，获取样本标签值和识别损失值；根据所述样本标签值、所述去噪损失值和所述识别损失值，分别对所述去噪声模型和所述识别分类模型进行反向传导算法的计算，获取训练好的去噪声模型和训练好的识别分类模型。2.根据权利要求1所述的识别分类模型训练方法，其特征在于，所述根据破坏率和初始图片样本数据，获取有损图片样本数据的步骤，包括以下步骤：根据所述破坏率获取随机值和预设范围；在所述初始图片样本数据中所述预设范围的数据值上叠加所述随机值，并生成所述有损图片样本数据。3.根据权利要求1所述的识别分类模型训练方法，其特征在于，所述去噪声模型包括卷积层、下采样层、还原层、融合还原层和全连接层；所述将所述有损图片样本数据输入去噪声模型中进行训练，获取还原图片样本数据和去噪损失值的步骤，包括以下步骤：将所述有损图片样本数据输入所述卷积层，并提取所述有损图片样本数据的特征；将所述有损图片样本数据的特征输入所述下采样层，并获取深化特征；将所述深化特征输入所述还原层，并获取还原数据；将所述还原数据输入所述融合还原层并获取融合还原数据，将所述融合还原数据输入所述全连接层，并获取所述还原图片样本数据；根据所述初始图片样本数据和所述还原图片样本数据，获取所述去噪损失值。4.根据权利要求3所述的识别分类模型训练方法，其特征在于，所述破坏率包括第一破坏率和第二破坏率，所述有损图片样本数据包括第一有损图片样本数据和第二有损图片样本数据，所述根据破坏率和初始图片样本数据，获取有损图片样本数据的步骤，包括以下步骤：根据所述第一破坏率和所述初始图片样本数据生成所述第一有损图片样本数据，根据所述第二破坏率和所述初始图片样本数据生成所述第二有损图片样本数据；所述卷积层包括第一卷积层、第二卷积层和第三卷积层，所述有损图片样本数据的特征包括所述第一有损图片样本数据的第一特征、所述第二有损图片样本数据的第二特征和第三特征，所述将所述有损图片样本数据输入所述卷积层，并提取所述有损图片样本数据的特征的步骤，包括以下步骤：将所述第一有损图片样本数据和所述第一破坏率输入所述第一卷积层，并提取所述第一有损图片样本数据的第一特征；将所述第二有损图片样本数据和所述第二破坏率输入所述第二卷积层，并提取所述第二有损图片样本数据的第二特征；将所述第一特征和所述第二特征输入所述第三卷积层，并提取所述第三特征；所述下采样层包括第一下采样层、第二下采样层和第三下采样层，所述深化特征包括第一深化特征、第二深化特征和第三深化特征，所述将所述有损图片样本数据的特征输入所述下采样层，并获取深化特征的步骤，包括以下步骤：将所述第一特征输入所述第一下采样层并获取所述第一深化特征，将所述第二特征输入所述第二下采样层并获取所述第二深化特征，将所述第三特征输入所述第三下采样层并获取所述第三深化特征；所述还原层包括第一还原层、第二还原层和第三还原层，所述还原数据包括第一还原数据、第二还原数据和第三还原数据，所述将所述深化特征输入所述还原层，并获取还原数据的步骤，包括以下步骤：将所述第一深化特征输入所述第一还原层并获取所述第一还原数据，将所述第二深化特征输入所述第二还原层并获取所述第二还原数据，将所述第三深化特征输入所述第三还原层并获取所述第三还原数据；所述融合还原层包括第一融合还原层和第二融合还原层，所述融合还原数据包括第一融合还原数据和第二融合还原数据，所述将所述还原数据输入所述融合还原层并获取融合还原数据，将所述融合还原数据输入所述全连接层，并获取所述还原图片样本数据的步骤，包括以下步骤：将所述第一还原数据和所述第三还原数据输入所述第一融合还原层，并获取所述第一融合还原数据；将所述第二还原数据和所述第三还原数据输入所述第二融合还原层，并获取所述第二融合还原数据；将所述第一融合还原数据和第二融合还原数据输入所述全连接层，并获取所述还原图片样本数据。5.根据权利要求3所述的识别分类模型训练方法，其特征在于，所述根据所述初始图片样本数据和所述还原图片样本数据，获取所述去噪损失值的步骤，包括以下步骤：根据获取所述去噪损失值，其中，q(x,z)为所述去噪损失值，x为所述初始图片样本数据，z为所述还原图片样本数据，xi为所述初始图片样本数据中第i个数据值，zi为所述第i个数据值对应的还原图片样本中的数据值，d为所述初始图片样本数据的数据值的总个数。6.根据权利要求1所述的识别分类模型训练方法，其特征在于，所述识别分类模型包括一级卷积层、一级下采集层、二级卷积层、二级下采集层和一级全连接层；所述将所述还原图片样本数据输入识别分类模型中进行训练，获取样本标签值和识别损失值的步骤，包括以下步骤：将所述还原图片样本数据输入所述一级卷积层，并获取所述还原图片样本数据的一级提取特征；将所述一级提取特征输入所述一级下采集层，并获取二级提取特征；将所述二级提取特征输入所述二级卷积层，并获取三级提取特征；将所述三级提取特征输入所述二...

【专利技术属性】
技术研发人员：徐智浩，王达，周雪峰，苏泽荣，鄢武，
申请(专利权)人：广东省智能制造研究所，
类型：发明
国别省市：广东,44