本发明专利技术公开了一种训练深度学习模型的方法、装置、电子设备及存储介质，属于深度学习技术领域。方法包括利用小样本数据集对待训练的深度学习模型进行初次训练；采集待检测产品的图像并将其输入至训练后的深度学习模型中进行预测，并在人机交互界面显示预测结果，判断是否需要进行矫正标注，并在是时进行矫正并设置相应权重，并将矫正标注后的图像和对应的标注添加至迭代数据集中，并利用其对模型进行迭代训练；判断准确率是否高于原深度学习模型，根据判断结果使用迭代后的深度学习模型参数替换旧的深度学习模型参数或者重新对迭代数据集进行切分并重新训练。本发明专利技术能够实现在线检测的同时训练深度学习模型，减少部署时对数据集数量的要求。据集数量的要求。据集数量的要求。
【技术实现步骤摘要】
一种训练深度学习模型的方法、装置、电子设备及存储介质
[0001]本专利技术是关于深度学习
，特别是关于一种训练深度学习模型的方法及实现该方法的装置、电子设备和存储介质。
技术介绍
[0002]当前深度学习的研究热点是将其应用在各个领域之中，而使用机器视觉的检测系统迫切需要能够适应工业环境和工业部署要求的深度学习模型。质量检测系统是一种检测产品实际完整性的实时检测装置，应用于实际生产线中，通过一些图形学算法和深度学习算法对图像特征进行提取，能够指挥和协调机械对缺陷产品进行分类筛选。
[0003]随着深度学习的快速发展，使用深度学习进行图像检测是近年来的研究重点。如针对普通实木材表面的缺陷进行检测的深度学习算法，其能够达到较高的检测准确率，这是由于木结、死结和裂纹等缺陷在图像中的尺寸占比较大。而针对人造木质板材而言，其表面的缺陷尺寸占比较小，其通常无法达到较高的检测准确率。而为了达到较高的检测准确率，通常需要较高的硬件要求和时间要求，且深度学习算法在实际部署之前需要制作大量用于训练的数据集对其训练，然而，制作大量用于训练的数据集相对困难，耗费时间较长。
[0004]公开于该
技术介绍
部分的信息仅仅旨在增加对本专利技术的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
技术实现思路
[0005]本专利技术的目的在于提供一种训练深度学习模型的方法、装置、电子设备及存储介质，其能够实现在线检测的同时训练深度学习模型，减少部署时对数据集数量的要求。
[0006]为实现上述目的，本专利技术的实施例提供了一种训练深度学习模型的方法，所述方法包括：
[0007]利用小样本数据集对待训练的深度学习模型进行初次训练；
[0008]采集待检测产品的图像并将其输入至训练后的深度学习模型中进行预测，并在人机交互界面显示预测结果；
[0009]判断预测结果是否需要进行矫正标注；
[0010]响应于需要进行矫正标注，对预测结果进行矫正标注，并对矫正标注后的图像和预测结果进行比对，根据比对结果设置矫正标注后的图像在迭代数据集中的权重，将矫正标注后的图像和对应的标注添加至迭代数据集中，并利用迭代数据集对深度学习模型进行迭代训练；
[0011]判断迭代后的深度学习模型的准确率是否高于原深度学习模型的准确率；
[0012]响应于判断结果，利用迭代后的深度学习模型的参数替换原深度学习模型的参数或者对迭代数据集进行切分并重新训练。
[0013]在本专利技术的一个或多个实施方式中，所述小样本数据集通过如下步骤制作：
[0014]采集待检测产品的图像，所述图像包括仅有背景的图像和存在检测目标的图像；
[0015]从存在检测目标的图像中分离出检测目标；
[0016]利用单独分离出的检测目标的图像和仅有背景的图像组合成图像对，多个图像对形成对比图像组，该对比图像组形成了小样本数据集。
[0017]在本专利技术的一个或多个实施方式中，所述迭代数据集还通过如下步骤增强：
[0018]确定扩充后的数据集数据总量为M；
[0019]获取小样本数据集在迭代数据集中的权重α；
[0020]将小样本数据集分成N类图像，每类图像对应的权重为β；
[0021]针对每类图像，抽取任一图像根据图像标签随机生成掩码标签和掩码图，形成掩码标签图像，使得该类型掩码标签图达到数量为Mβ/(α+Nβ)；
[0022]将小样本数据集和各类掩码标签图像组合成所述迭代数据集。
[0023]在本专利技术的一个或多个实施方式中，所述判断预测结果是否需要进行矫正标注包括：
[0024]将预测结果与采集获得的图像进行比对，以确定是否需要进行矫正标注。
[0025]在本专利技术的一个或多个实施方式中，所述对预测结果进行矫正标注并将矫正标注后的图像和对应的标注添加至迭代数据集中包括：
[0026]判断预测结果是否存在错误标注；
[0027]响应于存在错误标注，去除错误标注并更新标注；
[0028]判断预测结果是否存在未标注的目标；
[0029]响应于存在未标注的目标，则对该目标制作标注并将图像和对应的标注添加至迭代数据集中。
[0030]在本专利技术的一个或多个实施方式中，所述重新对迭代数据集进行切分包括：
[0031]将迭代数据集中训练集、验证集、测试集之间的比例进行重新配置。
[0032]在本专利技术的一个或多个实施方式中，所述方法还包括：
[0033]对迭代数据集进行切分并重新训练后，若深度学习模型的准确率低于原深度学习模型，则对深度学习模型进行回滚，回滚至上一次训练的深度学习模型并人为检测训练结果。
[0034]在本专利技术的一个或多个实施方式中，所述方法还包括：
[0035]利用大量样本数据集对训练后的深度学习模型进行验证，确定准确率是否满足需求。
[0036]本专利技术还揭示了一种训练深度学习模型的装置，所述装置包括：
[0037]初始训练模块，用于利用小样本数据集对待训练的深度学习模型进行初次训练；
[0038]采集模块，用于采集待检测产品的图像并将其输入至初次训练后的深度学习模型中进行预测，并在人机交互界面显示预测结果；
[0039]第一判断模块，用于判断预测结果是否需要进行矫正标注；
[0040]迭代训练模块，用于响应于需要进行矫正标注，对预测结果进行矫正标注并将矫正标注后的图像和对应的标注添加至迭代数据集中，并利用迭代数据集对深度学习模型进行迭代训练；
[0041]第二判断模块，用于判断迭代后的深度学习模型的准确率是否高于原深度学习模型的准确率；
[0042]处理模块，用于响应于第二判断模块的判断结果，利用迭代后的深度学习模型的参数替换原深度学习模型的参数或者对迭代数据集进行切分并重新训练。
[0043]本专利技术还揭示了一种电子设备，所述电子设备包括：
[0044]至少一个处理器；
[0045]至少一个存储器，所述至少一个存储器被耦合到所述至少一个处理器并且存储用于由所述至少一个处理器执行的计算机程序，所述计算机程序由所述至少一个处理器执行时，使得所述电子设备执行上述所述的方法。
[0046]本专利技术还揭示了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被机器执行时实现上述所述的方法。
[0047]与现有技术相比，本专利技术能够利用实际生产中的大量数据对深度学习模型进行迭代训练，可实现在线检测的同时训练深度学习模型，可减少部署时对数据集数量的要求，降低数据集制作成本。
附图说明
[0048]图1是根据本专利技术一实施方式的训练深度学习模型的方法流程图；
[0049]图2是根据本专利技术一实施方式的小样本数据集制作流程图；
[0050]图3是根据本专利技术一实施方式的迭代训练流程图；
[0051]图4是根据本专利技术一实施方式的矫本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种训练深度学习模型的方法，其特征在于，所述方法包括：利用小样本数据集对待训练的深度学习模型进行初次训练；采集待检测产品的图像并将其输入至训练后的深度学习模型中进行预测，并在人机交互界面显示预测结果；判断预测结果是否需要进行矫正标注；响应于需要进行矫正标注，对预测结果进行矫正标注，并对矫正标注后的图像和预测结果进行比对，根据比对结果设置矫正标注后的图像在迭代数据集中的权重，将矫正标注后的图像和对应的标注添加至迭代数据集中，并利用迭代数据集对深度学习模型进行迭代训练；判断迭代后的深度学习模型的准确率是否高于原深度学习模型的准确率；响应于判断结果，利用迭代后的深度学习模型的参数替换原深度学习模型的参数或者对迭代数据集进行切分并重新训练。2.如权利要求1所述的方法，其特征在于，所述小样本数据集通过如下步骤制作：采集待检测产品的图像，所述图像包括仅有背景的图像和存在检测目标的图像；从存在检测目标的图像中分离出检测目标；利用单独分离出的检测目标的图像和仅有背景的图像组合成图像对，多个图像对形成对比图像组，该对比图像组形成了小样本数据集。3.如权利要求1所述的方法，其特征在于，所述迭代数据集还通过如下步骤增强：确定扩充后的数据集数据总量为M；确定小样本数据集在迭代数据集中的权重α；将小样本数据集分成N类图像，每类图像对应的权重为β；针对每类图像，抽取任一图像根据图像标签随机生成掩码标签和掩码图，形成掩码标签图像，使得该类型掩码标签图像达到数量为M
×
β/(α+N
×
β)；将小样本数据集和各类掩码标签图像组合成所述迭代数据集。4.如权利要求1所述的方法，其特征在于，所述判断预测结果是否需要进行矫正标注包括：将预测结果与采集获得的图像进行比对，以确定是否需要进行矫正标注。5.如权利要求1所述的方法，其特征在于，所述对预测结果进行矫正标注并将矫正标注后的图像和对应的标注添加至迭代数据集中包括：判断预测结果是否存在错误标注；响应于存在错误标注，去...
【专利技术属性】
技术研发人员：夏振平，林李兴，徐浩，张博文，陈豪，程成，
申请(专利权)人：苏州科技大学，
类型：发明
国别省市：
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。