【技术实现步骤摘要】
图像识别模型训练方法、系统和计算机设备
本申请涉及图像识别
，特别是涉及数据增强方法、系统和计算机设备。
技术介绍
随着计算机技术、通信技术和计算机网络技术在人们日常生活中的不断发展和应用，社会已经进入信息化时代，自动化处理信息能力不断提高并在人们生活的各个领域得到广泛的应用，人们更多的将图像信息的自动识别运用到生活的方方面面，带来更多的方便。当前的大多数方案使用深度学习方法对图像进行检测，这种方法的误召回率比较高。目前针对相关技术中误召回率的问题，尚未提出有效的解决方案。
技术实现思路
本申请实施例提供了一种图像识别模型训练方法、系统和计算机设备，以至少解决相关技术中目标检测时误召回率高的问题。第一方面，本申请实施例提供了一种图像识别模型训练方法，包括以下步骤：目标提取步骤，将目标图片根据目标提取工具分为目标区域图像和非目标区域图像；目标区域处理步骤，对所述目标区域图像进行随机处理并将处理后的所述目标区域图像随机替换一预设背景图像内的部分区域，获取第一样本数...
【技术保护点】
1.一种图像识别模型训练方法，其特征在于，包括以下步骤：/n目标提取步骤，将目标图片根据目标提取工具分为目标区域图像和非目标区域图像；/n目标区域处理步骤，对所述目标区域图像进行随机处理并将处理后的所述目标区域图像随机替换一预设背景图像内的部分区域，获取第一样本数据；/n非目标区域处理步骤，对所述非目标区域图像进行图像填充，获取第二样本数据；/n模型训练步骤，根据所述第一样本数据和所述第二样本数据对图像识别模型进行训练。/n
【技术特征摘要】
1.一种图像识别模型训练方法，其特征在于，包括以下步骤：
目标提取步骤，将目标图片根据目标提取工具分为目标区域图像和非目标区域图像；
目标区域处理步骤，对所述目标区域图像进行随机处理并将处理后的所述目标区域图像随机替换一预设背景图像内的部分区域，获取第一样本数据；
非目标区域处理步骤，对所述非目标区域图像进行图像填充，获取第二样本数据；
模型训练步骤，根据所述第一样本数据和所述第二样本数据对图像识别模型进行训练。
2.根据权利要求1所述的图像识别模型训练方法，其特征在于，所述非目标区域处理步骤具体包括：
非目标图像填充步骤，对所述非目标区域图像进行填充，获取一第二合成图像；
非目标区域加噪步骤，对所述第二合成图像随机添加噪声获取所述第二样本数据，所述噪声包括高斯噪声、椒盐噪声、泊松白噪声、脉冲噪声、瑞丽噪声、伽马噪声其一或其组合，并对所述第二样本数据进行标记。
3.根据权利要求1所述的图像识别模型训练方法，其特征在于，所述目标区域处理步骤，具体包括：
目标区域处理步骤，对所述目标区域图像随机进行操作，所述操作包括缩放、角度变化、形变、翻转、颜色调整和遮挡其一或其组合；
图像融合步骤，将操作后的所述目标区域图像随机放置于所述预设背景图像中，融合后得到一第一合成图像；
图像加噪步骤，在所述第一合成图像中添加噪声，所述噪声包括高斯噪声、椒盐噪声、泊松白噪声、脉冲噪声、瑞丽噪声、伽马噪声其一或其组合；
细节调整步骤，对加噪后的所述第一合成图像进行细节调整获得所述第一样本数据，并对所述第一样本数据进行标记。
4.根据权利要求3所述的图像识别模型训练方法，其特征在于，所述细节调整步骤具体包括：
亮度调整步骤，对所述第一合成图像随机增加或降低10-30％的亮度；
对比度调整步骤，对所述第一合成图像随机增加或降低10-30％的对比度。
5.根据权利要求1所述的图像识别模型训练方法，其特征在于，模型训练步骤的具体步骤包括：
数据准备步骤，将所述第一样本数据和所述第二样本数据均按照比例分成训练集和测试集；
训练模型步骤，将所述训练集输入至resnet50网络，并设置学习率和迭代次数，获得图像识别模型；
测试模型步骤，将所述测试集输入所述图像识别模型，并将预测结果与期待结果进行比较，获得所述图像识别模型的性能参数；
调整模型步骤，当所述性能参数低于预设性能参数时，调整所述学习率和所述迭代次数，重复所述...
【专利技术属性】
技术研发人员：安达，
申请(专利权)人：上海明略人工智能集团有限公司，
类型：发明
国别省市：上海;31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。