分类模型训练方法、瑕疵检测方法、装置和电子设备制造方法及图纸

本申请提供了一种分类模型训练方法、瑕疵检测方法、装置和电子设备，其中，该分类模型训练方法包括：使用第一训练集，对初始提取模型进行训练，以得到目标提取模型；使用该目标提取模型提取第二训练集中的各张瑕疵图片进行特征提取，以得到瑕疵特征集；使用该瑕疵特征集，对初始分类模型进行训练，以得到目标分类模型。模型。模型。

【技术实现步骤摘要】
分类模型训练方法、瑕疵检测方法、装置和电子设备


[0001]本申请涉及图片处理领域，具体而言，涉及一种分类模型训练方法、瑕疵检测方法、装置和电子设备。

技术介绍

[0002]在多个场景下制作产品之前，或者生产出产品后，为了提高生产的有效性，以及生产的产品品质，需要对产品或产品的原材料是否存在瑕疵进行检查，常见的工业上的瑕疵有油污、划痕、破损等，常见的原材料有布匹、钢材、纸张等，常见的产品服装、书本等。但是目前针对产品或原材料的瑕疵的检测准确率较低。

技术实现思路

[0003]有鉴于此，本申请实施例的目的在于提供一种分类模型训练方法、瑕疵检测方法、装置和电子设备，能够改善针对产品或原材料的瑕疵的检测准确率低的问题。
[0004]第一方面，本申请实施例提供了一种分类模型训练方法，包括：
[0005]使用第一训练集，对初始提取模型进行训练，以得到目标提取模型；
[0006]使用所述目标提取模型提取第二训练集中的各张瑕疵图片进行特征提取，以得到瑕疵特征集；
[0007]使用所述瑕疵特征集，对初始分类模型进行训练，以得到目标分类模型。
[0008]在一可选的实施方式中，所述使用第一训练集，对初始提取模型进行训练，以得到目标提取模型，包括：
[0009]将所述第一训练集输入当前提取模型，以得到各张训练图的图片特征，所述当前提取模型为初始提取模型，或所述当前提取模型为对所述初始提取模型的参数进行更新后的提取模型；
[0010]根据所述各张训练图的图片特征，计算各张训练图之间的相似度；
[0011]根据所述各张训练图之间的相似度，确定出所述当前提取模型的损失值；
[0012]若所述损失值大于预设值，调整所述当前提取模型的参数，以得到更新后的当前提取模型；
[0013]若所述损失值不大于预设值，当前提取模型作为目标提取模型。
[0014]在上述实现方式中，通过上述自监督的方式进行训练，不依赖于标注数据，可以减少对提取模型训练所需的工作量。
[0015]在一可选的实施方式中，所述方法还包括：
[0016]对采样得到的样本图片集进行增强处理，得到所述第一训练集。
[0017]在上述实现方式中，通过采用增强处理方式，增加瑕疵训练集中的瑕疵数据量，因此，可以降低对瑕疵图片的收集需求，提高获得瑕疵图片的效率。
[0018]在一可选的实施方式中，所述对采样得到的样本图片集进行增强处理，得到所述第一训练集，包括：
[0019]对采样得到的样本图片集中的样本图采用第一增强方式进行处理，得到第一类训练图集；
[0020]对所述样本图片集中的样本图采用第二增强方式进行处理，得到第二类训练图集，所述第一增强方式与所述第二增强方式为不同的数据增强方式，所述第一训练集包括所述第一类训练图集和第二类训练图集。
[0021]在一可选的实施方式中，所述对所述样本图片集中的样本图采用第二增强方式进行处理，得到第二类训练图集，包括：
[0022]对所述样本图片集中的目标样本图采用第二增强方式进行处理，得到第二类训练图集，所述目标样本图为经过第一增强方式处理过的原始样本图，所述第二类训练图集中的任一训练图与所述第一类训练图集中的至少一张训练图为同一样本图增强处理得到。
[0023]在上述实现方式中，通过采用两种不同的数据增强方式对样本图进行处理，以可以得到不同类型的瑕疵数据，以使训练出的目标提取模型能够更好地提取图片的特征。
[0024]在一可选的实施方式中，所述根据所述各张训练图之间的相似度，确定出所述当前提取模型的损失值通过以下公式实现：
[0025][0026][0027]其中，l(i,j)表示第i张训练图与第j张训练图之间的对比损失值；2N表示所述第一训练集中的训练图数量；s
i,j
表示第i张训练图与第j张训练图之间的相似度；s
i,k
表示第i张训练图与第k张训练图之间的相似度；Γ表示一常数；L表示所述当前提取模型的损失值。
[0028]在上述实现方式中，通过对采用上述的计算方式，可以基于各张图片的相似度确定出提取模型的损失值，可以在不断对比各张图片的相似度下，提高训练的得到的目标提取模型的提取效果。
[0029]第二方面，本申请实施例提供一种瑕疵检测方法，包括：
[0030]将待检测图片输入上述分类模型训练方法训练得到的目标提取模型进行特征提取，以得到图片特征；
[0031]将所述图片特征输入上所述分类模型训练方法训练得到的目标分类模型进行分类，以确定所述待检测图片的检测结果。
[0032]第三方面，本申请实施例提供一种分类模型训练装置，包括：
[0033]第一训练模块，用于使用第一训练集，对初始提取模型进行训练，以得到目标提取模型；
[0034]第一提取模块，用于使用所述目标提取模型提取第二训练集中的各张瑕疵图片进行特征提取，以得到瑕疵特征集；
[0035]第二训练模块，用于使用所述瑕疵特征集，对初始分类模型进行训练，以得到目标分类模型。
[0036]第四方面，本申请实施例提供一种瑕疵检测装置，包括：
[0037]第二提取模块，用于将待检测图片输入上述分类模型训练方法训练得到的目标提取模型进行特征提取，以得到图片特征；
[0038]检测模块，用于将所述图片特征输入上述分类模型训练方法训练得到的目标分类模型进行分类，以确定所述待检测图片的检测结果。
[0039]第五方面，本申请实施例还提供一种电子设备，包括：处理器、存储器，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述机器可读指令被所述处理器执行时执行上述的方法的步骤。
[0040]第六方面，本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述的方法的步骤。
[0041]本申请实施例提供的分类模型训练方法、瑕疵检测方法、装置和电子设备，采用两轮训练的方式，先训练出能够提取特征的目标特征提取模型，然后再训练出用于分类瑕疵图片的分类模型。训练出的两级模型目标提取模型和目标分类模型可以相较于现有技术中的瑕疵识别，由于本申请实施例有了特征提取的模型与分类模型的配合，可以提高瑕疵检测的准确率。
[0042]为使本申请的上述目的、特征和优点能更明显易懂，下文特举实施例，并配合所附附图，作详细说明如下。
附图说明
[0043]为了更清楚地说明本申请实施例的技术方案，下面将对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。
[0044]图1为本申请实施例提供的电子设备的方框示意图；
[0045]图2为本申请实施例提供的分类模型训练方法的流程图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种分类模型训练方法，其特征在于，包括：使用第一训练集，对初始提取模型进行训练，以得到目标提取模型；使用所述目标提取模型提取第二训练集中的各张瑕疵图片进行特征提取，以得到瑕疵特征集；使用所述瑕疵特征集，对初始分类模型进行训练，以得到目标分类模型。2.根据权利要求1所述的方法，其特征在于，所述使用第一训练集，对初始提取模型进行训练，以得到目标提取模型，包括：将所述第一训练集输入当前提取模型，以得到各张训练图的图片特征，所述当前提取模型为初始提取模型，或所述当前提取模型为对所述初始提取模型的参数进行更新后的提取模型；根据所述各张训练图的图片特征，计算各张训练图之间的相似度；根据所述各张训练图之间的相似度，确定出所述当前提取模型的损失值；若所述损失值大于预设值，调整所述当前提取模型的参数，以得到更新后的当前提取模型；若所述损失值不大于预设值，当前提取模型作为目标提取模型。3.根据权利要求2所述的方法，其特征在于，所述方法还包括：对采样得到的样本图片集进行增强处理，得到所述第一训练集。4.根据权利要求3所述的方法，其特征在于，所述对采样得到的样本图片集进行增强处理，得到所述第一训练集，包括：对采样得到的样本图片集中的样本图采用第一增强方式进行处理，得到第一类训练图集；对所述样本图片集中的样本图采用第二增强方式进行处理，得到第二类训练图集，所述第一增强方式与所述第二增强方式为不同的数据增强方式，所述第一训练集包括所述第一类训练图集和第二类训练图集。5.根据权利要求4所述的方法，其特征在于，所述对所述样本图片集中的样本图采用第二增强方式进行处理，得到第二类训练图集，包括：对所述样本图片集中的目标样本图采用第二增强方式进行处理，得到第二类训练图集，所述目标样本图为经过第一增强方式处理过的原始样本图，所述第二类训练图集中的任一训练图与所述第一类训练图集中的至少一张训练图为同一样本图增强处理得到。6.根据权利要求2所述的方法，其特征在于，所述根据所述各张训练图之间的相似度，确定出所述当前提取模型的损失值通过以下公式实...

【专利技术属性】
技术研发人员：雷翔，张发恩，刘金露，秦永强，
申请(专利权)人：重庆赛迪奇智人工智能科技有限公司，
类型：发明
国别省市：