针对工业视觉应用的预训练数据筛选及训练方法、系统技术方案

本发明专利技术实施例涉及工业场景视觉检测技术应用领域，公开了一种多针对工业视觉应用的预训练数据筛选及训练方法、系统。该方法包括：利用开源数据集训练目标检测网络得到预训练网络M1；利用预训练网络M1计算并统计得到开源数据集中每个类别的特征，建立特征库L1；利用检测目标的训练集训练调整预训练网络M1；利用调整后的预训练网络M1统计得到检测目标的训练集中每个类别的特征；利用距离函数从特征库L1中筛选出与检测目标的每个类别的特征匹配的目标类别；保存开源数据集中与目标类别对应的训练数据作为目标检测网络的目标预训练数据。本发明专利技术实施例可从开源数据集中挖掘与当前任务相关性更强的预训练数据，从而提升模型的准确度，稳定性和可用性。稳定性和可用性。稳定性和可用性。

【技术实现步骤摘要】
针对工业视觉应用的预训练数据筛选及训练方法、系统


[0001]本专利技术涉及工业场景视觉检测技术应用领域，特别涉及一种针对工业视觉应用的预训练数据筛选及训练方法、系统。

技术介绍

[0002]工业视觉任务中普遍采用预训练模型和调优训练之训练策略，加速算法模型训练速度，提升模型学习能力，保障基于深度学习的视觉算法落地应用。但由于工业视觉任务具有高精度和稳定性等硬性要求使算法模型过度训练，导致同一个算法和预训练数据很难在多个场景中泛化复用。因此，随着开源预训练模型与开源数据集数量快速增长，如何从海量开源数据集中选择最适合当前场景任务的预训练数据集已成为推动算法落地的关键步骤。当预训练数据与当前任务目标相似性较强时，算法在训练时将会更聚焦于任务细节，显著提升算法识别能力和稳定性；反之，训练过程中就会产生负迁移等问题，使算法模型的迭代更新变得混乱，降低算法工作效率。比如说人会骑自行车，那么经过少量训练就可以学会骑摩托车，但是想用骑自行车的经验开飞机，那显然是不可能的。
[0003]目前大部分工业视觉任务仍依靠主观意识选择预训练数据，缺乏对知识迁本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种针对工业视觉应用的预训练数据筛选方法,其特征在于，包括：采集检测目标的训练集，获取开源数据集；利用所述开源数据集训练目标检测网络得到预训练网络M1；所述预训练网络M1包含预训练骨干网络B1；利用所述预训练网络M1计算并统计得到所述开源数据集中每个类别的特征，建立特征库L1；所述特征库L1包含所述每个类别对应的特征记忆单元，每个所述特征记忆单元包含对应类别的池化层特征以及类别标签；利用所述检测目标的训练集训练调整所述预训练网络M1；利用调整后的所述预训练网络M1统计得到所述检测目标的训练集中每个类别的特征；利用距离函数从所述特征库L1中筛选出与所述检测目标的每个类别的特征匹配的目标类别；保存所述开源数据集中与所述目标类别对应的训练数据作为所述目标检测网络的目标预训练数据。2.根据权利要求1所述的方法，其特征在于，所述利用所述预训练网络M1计算并统计得到所述开源数据集中每个类别的特征，包括：从所述开源数据集中为每个类别随机抽取预设数量的图片；将每个类别的每张图片分别输入所述预训练网络M1，将所述预训练骨干网络B1的最后一个卷积层输出的卷积层特征作为每张图片的卷积层特征；对卷积层特征每一个通道的特征图取全局最大值，得到所述每张图片的池化层特征；对每个类别所有图片的池化层特征求平均，得到对应类别的池化层特征。3.根据权利要求2所述的方法，其特征在于，每个类别随机抽取的图片的数量相同。4.根据权利要求1所述的方法，其特征在于，所述利用所述检测目标的训练集训练调整所述预训练网络M1，包括：保留所述预训练骨干网络B1的权重，固定所述预训练骨干网络B1的浅层卷积层，利用所述检测目标的训练集重新训练所述预训练网络M1的其余卷积层。5.根据权利要求2所述的方法，其特征在于，所述利用调整后的所述预训练网络M1统计得到所述检测目标的训练集中每个类别的特征，包括：从所述检测目标的训练集中为每个类别随机抽取预设数量的图片；将每个类别的每张图片分别输入调整后的所述预训练网络M1，将调整后的预训练骨干网络B1的最后一个卷积层输出的卷积层特征作为每张图片的卷积层特征；对卷积层特征每一个通道的特征图取全局最大值，得到每张图片的池化层特征；对每个类别所有图片的池化层特征求平均，得到对应类别的池化层特征。6.根据权利要求5所述的方法，其特征在于，从所述检测目标的训练集中为每个类别随机抽取的图片的数量与从所述开源数据集中为每...

【专利技术属性】
技术研发人员：严鼎天，张亮，孙海，高全亮，郑荣，周涛，丁香，
申请(专利权)人：上海理想信息产业集团有限公司，
类型：发明
国别省市：