深度学习模型训练方法、可穿戴衣服瑕疵识别方法及装置制造方法及图纸

本申请实施例提供一种深度学习模型训练方法、可穿戴衣服瑕疵识别方法及装置，所述深度学习模型训练方法包括：获取可穿戴衣物的目标瑕疵对应的像素尺寸；根据所述像素尺寸和深度学习模型的结构确定初始滑移窗口尺寸；将所述初始滑移窗口尺寸放大预设倍数，得到滑移窗口尺寸；根据所述滑移窗口尺寸从所述可穿戴衣物的图像上获得数据集；基于所述数据集训练所述深度学习模型，得到所述可穿戴衣物的分类模型。本申请实施例提出的方法通过扩大初始滑移窗口得到的滑移窗口获取训练数据来训练分类模型，能够让深度神经网络更好的学习到正常服装纹理特征，降低误检概率。

【技术实现步骤摘要】
深度学习模型训练方法、可穿戴衣服瑕疵识别方法及装置
本申请涉及瑕疵识别领域，具体而言，涉及一种深度学习模型训练方法、可穿戴衣服瑕疵识别方法及装置。
技术介绍
在可穿戴衣物(例如，服装)的生产线上，瑕疵质检目前主要由人工或传统算法检查，对于复杂的瑕疵品类分类任务，传统算法准确率低，鲁棒性差。目前深度学习分类方法对于不同尺寸形状的瑕疵是通过插值调整尺寸一致后，通过相同的网络进行分类。本申请的专利技术人在研究中发现由于可穿戴衣服的瑕疵尺寸和形状的很大差异(例如，最小可到亚毫米尺寸，最大可能超过厘米甚至分米尺寸)，因此采用传统的插值方法调整尺寸后训练分类器得到的瑕疵分类结果受训练集影响很大，造成在不同场景下的分类器的分类结果表现性能差别也相对明显。
技术实现思路
本申请实施例的目的在于提供一种深度学习模型训练方法、可穿戴衣服瑕疵识别方法及装置，本申请实施例通过初始滑移窗口和滑移窗口来切分图像得到训练数据集，能够让深度神经网络更好的学习到正常可穿戴衣物的纹理特征，降低误检概率，能够提升可穿戴衣物瑕疵的准确率。第一方面，本申请实施例提供一种深度学习模型训练方法，所述方法包括：获取可穿戴衣物的目标瑕疵对应的像素尺寸；根据所述像素尺寸和深度学习模型的结构确定初始滑移窗口尺寸；将所述初始滑移窗口尺寸放大预设倍数，得到滑移窗口尺寸；根据所述滑移窗口尺寸从所述可穿戴衣物的图像上获得数据集；基于所述数据集训练所述深度学习模型，得到所述可穿戴衣物的分类模型。本申请实施例通过外扩初始滑移窗口(即滑移窗口)进行切图的技术方案可以克服采用直接采用初始滑移窗口进行切图后需要反射等方式填补边缘的对数据集造成的污染，进而提升训练得到的可穿戴衣物的分类模型的瑕疵识别准确率。在一些实施例中，所述获取目标瑕疵对应的像素尺寸，包括：获取要求检出的所述目标瑕疵的尺寸；获取采样设备的像素精度；根据所述尺寸和所述像素精度获得所述目标瑕疵对应的像素尺寸。本申请实施例通过采集设备的像素精度和需要检测的瑕疵的精度来确定目标瑕疵对应的像素尺寸，能够提升可穿戴衣物上不同尺寸瑕疵的训练集数据质量，提升可穿戴衣物的分类模型在不同场景(例如，不同瑕疵尺寸，最小可到牙毫米尺寸，最大可能超过厘米甚至分米尺寸)下的表现性能。在一些实施例中，所述根据所述像素尺寸和深度学习模型的结构确定初始滑移窗口尺寸，包括：根据所述深度学习模型的结构确定放大倍数；根据所述放大倍数对所述像素尺寸进行放大，得到初始滑移窗口尺寸；其中，所述放大倍数为6倍以上。本申请实施例结合深度学习模型的结构来确定初始滑移窗口的尺寸，能够提升训练集的数据质量，进而提升训练得到的可穿戴衣服的分类模型的质量。在一些实施例中，所述将所述初始滑移窗口尺寸放大预设倍数，得到滑移窗口尺寸，包括：将所述初始滑移窗口尺寸放大至少√2倍,得到所述滑移窗口尺寸。本申请实施例通过扩大的初始滑移窗口尺寸(即滑移窗口尺寸)进行初步切图来提升数据集质量，可以避免采用填补边缘等方式进行数据增强时造成的对数据集的污染，提升数据集的质量，进而提升基于数据集训练得到的可穿戴衣服的分类模型的质量。在一些实施例中，所述根据所述滑移窗口尺寸从所述可穿戴衣物的图像上获得数据集，包括：根据所述滑移窗口尺寸在标注的所述可穿戴衣物的图像上进行有重叠的滑移和切分得到多幅第一图片；旋转所述第一图片，再根据所述初始滑移窗口尺寸从所述第一图片中切分得到所述数据集。本申请实施例通过外扩的滑移切图(即利用滑移窗口切图)再中心旋转后再次切图(即对采用滑移窗口切图得到的第一图片旋转后再根据初始滑移窗口来再次切图)能够提升数据集的质量，进而提升基于数据集训练得到的可穿戴衣服的分类模型的质量。第二方面，本申请实施例提供一种可穿戴衣服的瑕疵识别方法，所述方法包括：接收待识别图片；根据初始滑移窗口尺寸对所述待识别图片进行有重叠切图，得到子图片；将所述子图片输入可穿戴衣物的分类模型进行瑕疵类型识别；其中，所述初始滑移窗口尺寸通过可穿戴衣物的目标瑕疵对应的像素尺寸和深度学习模型的结构计算得到。本申请实施例通过采用初始滑移窗口对待识别的图像进行切图，并将切图得到的子图片输入可穿戴衣物的分类模型(该模型是根据采用滑移窗口切图、旋转后再依据初始滑移窗口切图得到的数据集训练得到的)进行瑕疵识别，提升了可穿戴衣服瑕疵分类的准确率。在一些实施例中，所述可穿戴衣物的瑕疵识别方法还包括：根据统计分析算法或设定的阈值进一步判定所述瑕疵类别。本申请实施例通过结合统计分析和合理的阈值判定，能够进一步提升可穿戴衣物的瑕疵的准确率。在一些实施例中，所述统计分析算法包括：取最大值、取平均值或者取类别数。本申请实施例提供的统计分析可以提升可穿戴衣物的瑕疵识别准确率。在一些实施例中，所述根据设定的阈值进一步判定所述瑕疵类别，包括：根据超过所述设定阈值的所述瑕疵子图片的比例来进一步判定所述瑕疵类别。本申请实施例通过合理的阈值判定来进一步提升服装瑕疵的识别准确率。第三方面，本申请实施例提供一种可穿戴衣物的瑕疵识别装置，所述装置包括：输入模块，被配置为接收第一瑕疵图片；切分模块，被配置为根据所述初始滑移窗口尺寸对所述瑕疵图片进行有重叠切图，得到瑕疵子图片；分类器，被配置为将所述瑕疵子图片输入可穿戴衣物的分类模型进行瑕疵类型识别。第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时可实现上述第一方面或者第二方面所述的方法。第五方面，本申请实施例提供一种信息处理设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其中，所述处理器执行所述程序时可实现第一方面和第二方面所述的方法。附图说明为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。图1为本申请实施例提供的瑕疵识别系统的组成框图；图2为本申请实施例提供的瑕疵识别设备的识别过程示意图；图3是本申请实施例提供的深度学习模型训练方法的流程图；图4是本申请实施例提供的深度学习模型训练方法中S104所采用滑移窗口和初始滑移窗口切图过程示意图；图5是本申请实施例提供的可穿戴衣服的瑕疵识别方法的流程图；图6是本申请实施例提供的对待识别图像进行切图识别的过程示意图；图7是本申请实施例提供的可穿戴衣服的瑕疵识别装置的组成框图；图8是本申请实施例提供的信息处理设备的组成框图。具体实施方式下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行本文档来自技高网...

【技术保护点】
1.一种深度学习模型训练方法，其特征在于，所述方法包括：/n获取可穿戴衣物的目标瑕疵对应的像素尺寸；/n根据所述像素尺寸和深度学习模型的结构确定初始滑移窗口尺寸；/n将所述初始滑移窗口尺寸放大预设倍数，得到滑移窗口尺寸；/n根据所述滑移窗口尺寸从所述可穿戴衣物的图像上获得数据集；/n基于所述数据集训练所述深度学习模型，得到所述可穿戴衣物的分类模型。/n

【技术特征摘要】
1.一种深度学习模型训练方法，其特征在于，所述方法包括：
获取可穿戴衣物的目标瑕疵对应的像素尺寸；
根据所述像素尺寸和深度学习模型的结构确定初始滑移窗口尺寸；
将所述初始滑移窗口尺寸放大预设倍数，得到滑移窗口尺寸；
根据所述滑移窗口尺寸从所述可穿戴衣物的图像上获得数据集；
基于所述数据集训练所述深度学习模型，得到所述可穿戴衣物的分类模型。


2.如权利要求1所述的深度学习模型训练方法，其特征在于，所述获取目标瑕疵对应的像素尺寸，包括：
获取要求检出的所述目标瑕疵的尺寸；
获取采样设备的像素精度；
根据所述尺寸和所述像素精度获得所述目标瑕疵对应的像素尺寸。


3.如权利要求1或2所述的深度学习模型训练方法，其特征在于，所述根据所述像素尺寸和深度学习模型的结构确定初始滑移窗口尺寸，包括：
根据所述深度学习模型的结构确定放大倍数；
根据所述放大倍数对所述像素尺寸进行放大，得到初始滑移窗口尺寸；
其中，所述放大倍数为6倍以上。


4.如权利要求3所述的深度学习模型训练方法，其特征在于，所述将所述初始滑移窗口尺寸放大预设倍数，得到滑移窗口尺寸，包括：将所述初始滑移窗口尺寸放大至少倍,得到所述滑移窗口尺寸。


5.如权利要求4所述的深度学习模型训练方法，其特征在于，所述根据所述滑移窗口尺寸从所述可穿戴衣物的图像上获得数据集，包括：
根据所述滑移窗口尺寸在标注的所述可穿戴衣物的图像上进行有重叠的滑移和切分得到多幅第一图片；
旋转所述第一图片，再根据所述初始滑移窗口尺寸从所述第一图片中切分得到所述数据集。


...

【专利技术属性】
技术研发人员：张发恩，杨经宇，鱼群，
申请(专利权)人：创新奇智上海科技有限公司，
类型：发明
国别省市：上海;31