一种对象检测和分类网络结合的模型训练方法技术

本发明专利技术属于检验模型训练领域，尤其涉及一种对象检测和分类网络结合的模型训练方法。所述方法包括：获取包含多个目标类型对象的上级训练样本图像集进行模型训练，包括上级模型训练和下级模型训练；所述上级模型训练为：设定若干检测单元并进行对象检测模型训练；所述下级模型训练为：以单个检测单元为集群，根据上级模型训练输出的真实目标截取上级训练样本图像集形成若干下级训练样本图像集并进行图像分类模型训练。本发明专利技术模型训练方法所得的双网络模型能够有效用于组装缺陷的检测，训练过程对于设备的需求较低，无需进行繁杂的模型计算，并且通过合理化的训练布置使得模型训练十分高效。分高效。分高效。

【技术实现步骤摘要】
一种对象检测和分类网络结合的模型训练方法


[0001]本专利技术属于检验模型训练领域，尤其涉及一种对象检测和分类网络结合的模型训练方法。

技术介绍

[0002]对象检测、图像分类网络均是发展较为成熟的、用于组装缺陷检测等领域的网络。常见的对象检测网络包括有ResNet、Yolo和SSD等网络，而同样图像分类网络也包括有CNN等多种类型。上述的对象检测网络以及图像分类网络均有较高的适用性，但也均有使用上的弊端，各取其中一者为例。
[0003]SSD(Single Shot MultiBox Detector)对象检测网络是一种成熟的目标检测方法，是现有主要使用的检测框架之一，同时其模型训练方法也相对成熟。SSD检测网络能够精确地实现目标对象的真实位置检测，识别图像中的真实目标。但是对于高分辨率的检测目标，SSD网络监测通常只能够定位并识别较大趋于的对象，对于小象不能进行有效、高效的检测，导致其检测精度低或会导致其检测效率产生断崖式下降。
[0004]而基于CNN(Convolutional Neural Network)的图像分类本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种对象检测和分类网络结合的模型训练方法，其特征在于，所述方法包括：利用以下步骤进行迭代训练，直至满足模型训练的要求；获取上级训练样本图像集进行模型训练，模型训练包括上级模型训练和下级模型训练，所述上级训练样本图像集中的训练图像样本包含多个目标类型对象；所述上级模型训练为：设定若干检测单元并进行对象检测模型训练；所述下级模型训练为：以单个检测单元为集群，根据上级模型训练输出的真实目标截取上级训练样本图像集形成若干下级训练样本图像集并进行图像分类模型训练；所述模型训练的要求为准确率≥95％，达到模型训练的要求后输出模型。2.根据权利要求1所述的一种对象检测和分类网络结合的模型训练方法，其特征在于，所述上级模型训练为：输入上级训练样本图像集进行对象检测模型训练，设定训练图像样本的若干检测单元并计算输出每个检测单元的真实目标；所述对象检测模型训练前进行先验匹配训练。3.根据权利要求2所述的一种对象检测和分类网络结合的模型训练方法，其特征在于，所述先验匹配训练为：设定训练图像样本的检测单元并对每个单元设置若干先验框，根据给定的训练图像样本和每个单元的先验框，设置每个训练图像样本的每个单元对应的边界框；所述先验框和边界框对比输出检测值，所述检测值为置信度和/或评分；根据检测值输出用于确定先验框和边界框相对位置的预测值；所述预测值用于快速预测真实目标。4.根据权利要求3所述的一种对象检测和分类网络结合的模型训练方法，其特征在于，所述上级训练样本图像集的每个单元至少设有一个边界框。5.根据权利要求2或3或4所述的一种对象检测和分类网络结合的模型训练方法，其特征在于，所述上级训练样...

【专利技术属性】
技术研发人员：吴勇明，金昆，陈烨，
申请(专利权)人：玳能科技杭州有限公司，
类型：发明
国别省市：