集自动化训练、校验、重构于一体的神经网络构建方法技术

本发明专利技术公开一种集自动化训练、校验、重构于一体的神经网络构建方法，先采用训练数据集对网络模型进行训练，学习并提取特征图的高级特征，再用训练数据集校验网络模型的预测、分类精度和检测速度，并在学习训练和校验过程中重构网络模型，对传统神经网络算法参数进行优化，建立了一套集自动化训练、检验、重构于一体的神经网络构建方法，根据神经网络的测试效果来实时自动调整、重构下一个网络模型，直至最后筛选出最佳网络模型；特征提取图上每个网格根据网络校验效果来最终确定采用的回归预测匹配框集，避免了传统网络中因匹配框集合过大影响检测速度，或匹配框集合太小导致特征提取图未能被全面覆盖，有效提高预测的准确率和速度。

Neural network construction method integrating automatic training, verification and reconstruction

【技术实现步骤摘要】
集自动化训练、校验、重构于一体的神经网络构建方法
本专利技术涉及计算机
，特别涉及一种集自动化训练、校验、重构于一体的神经网络构建方法。
技术介绍
条码技术已被广泛应用于各种
，通过激光打印赋予产品唯一编码，大大方便了各种产品的流通、追溯。扫码时，通过抓取条码上的定位特征识别和读取条码，由于条码使用广泛，其应用场景也复杂多变，在转运产品的过程中经常会致使条码出现扭曲、污损、刮花等情况，弱化条码识别特征，导致条码不能被识别；另外，因扫码环境的特殊性，反光、光线暗淡等情况均会影响条码的识别准确率和识别速度。随着神经网络技术的发展，人们已经将神经网络应用于条码扫描识别
，现有技术中，神经网络对图片的处理、识别速度较低，受神经网络自身结构特性限制，不能满足工业级的实时性要求。
技术实现思路
本专利技术提出一种集自动化训练、校验、重构于一体的神经网络构建方法，旨在通过优化神经网络构建方法，快速、高效地筛选出最佳网络模型。为实现上述目的，本专利技术提出的应用于条码识别系统的神经网络重构方法，包括如下步骤：...

【技术保护点】
1.一种集自动化训练、校验、重构于一体的神经网络构建方法，其特征在于，包括如下步骤：/n步骤S1：在神经网络识别定位系统中输入初始网络模型的特征提取网络和位置类别检测网络；按照训练配置批量读取训练数据集数据，开始训练；/n步骤S2：神经网络识别定位系统自动评估初始网络模型的性能，判断其loss是否过高并欠拟合，是则执行步骤S3，否则执行步骤S4；/n步骤S3：增加特征提取网络的网络层数、滤波器个数或网络模型输入图像尺寸来优化重构网络模型，并用优化重构网络模型继续进行训练；/n步骤S4：将网络模型继续用测试数据集进行校验，其中，通过改变特征提取网络的网络层数、滤波器个数或网络模型输入图像尺寸来优...

【技术特征摘要】
1.一种集自动化训练、校验、重构于一体的神经网络构建方法，其特征在于，包括如下步骤：
步骤S1：在神经网络识别定位系统中输入初始网络模型的特征提取网络和位置类别检测网络；按照训练配置批量读取训练数据集数据，开始训练；
步骤S2：神经网络识别定位系统自动评估初始网络模型的性能，判断其loss是否过高并欠拟合，是则执行步骤S3，否则执行步骤S4；
步骤S3：增加特征提取网络的网络层数、滤波器个数或网络模型输入图像尺寸来优化重构网络模型，并用优化重构网络模型继续进行训练；
步骤S4：将网络模型继续用测试数据集进行校验，其中，通过改变特征提取网络的网络层数、滤波器个数或网络模型输入图像尺寸来优化重构网络模型，用优化重构网络模型继续进行训练，使优化重构网络模型的漏检率和检测精度均优于模型库中上一个存储网络模型，并保存当前优化重构的网络模型于模型库中；
步骤S5：取所述模型库中储存的效果优化的若干优化重构网络模型，对每一优化重构网络模型取不同的匹配框集继续训练，选取检测精度和召回率最高的网络模型作为最优网络模型。


2.如权利要求1所述的神经网络构建方法，其特征在于，在执行步骤S4之前，还需判断当前网络模型是否过拟合，是则减少当前网络模型的网络层数、滤波器个数、加入batchnormal层，并用优化重构网络模型继续进行训练。


3.如权利要求2所述的神经网络构建方法，其特征在于，步骤S4中，采用测试数据集对网络模型进行校验时，其具体执行为：检测网络模型的检测速度和检测精度，并将其与神经网络识别定位系统中上一个存储网络模型的检测速度和检测精度进行对比；
当其检测精度低于所述存储网络模型时，增大模型输入图像尺寸、增加网络层数、滤波器个数，并用优化重构网络模型继续进行训练；
当其检测精度高于所述存储网络模型时，减小模型输入图像尺寸、增加网络层数、滤波器个数，并用优化重构网络模型继续进行训练；
当其检测精度达到预设标准，并且，其检测速度高于或低于所述存储网络模型时，减少初始网络模型的网络层数、滤波器个数或减小模型输入图像尺寸来优化重构网络模型，并用优化重构网络模型继续进行训练。


4.如权利要求3所述的神经网络构建方法，其特征在于，步骤S4中，在将当前优化重构的网络模型与模型库中存储的网络模型进行对比时，当其检测速度高于所述存储网络模型，或其检测精度高于所述存储网络模型时，还分别将之前优化重构的网络模型配置及其训练好的权重参数存储于所述模型库中。


5.如权利要求3所述的神经网络构建方法，其特征在于，步骤S5中，在对优化重构网络模型取不同的匹配框集时，其匹配框集的选择原则如下：第一次选择全集，匹配框全部入选；以后每次减掉一个占比最低的尺寸框，直到优化重构网络模型的检测精度或召回率低于上个所述存储网络模型。


6.如权利要求5所述的神经网络构建方法，其特征在于，步骤S5中，在第一次选择全集时，是选择10个匹配框。


7.如权利要求3所述的神经网络构建方法，其特征在于，所述初始网络模型的特征提取网络和位置类别检测网络的结构如下：
<...

【专利技术属性】
技术研发人员：常一志，安磊，吴伟刚，
申请(专利权)人：深圳牛图科技有限公司，
类型：发明
国别省市：广东;44