本发明专利技术公开了一种产品检测方法、装置、设备及存储介质，包括确定初始训练数据集中各类别样本数据的样本筛选率，并将初始训练数据集划分为噪声子集和无噪子集，并且在训练过程中根据模型的更新实时动态调整样本筛选率与训练子集的划分；根据噪声子集和无噪子集确定对比损失函数，并根据对比损失函数更新损失函数；根据样本筛选率采集训练样本数据；通过训练样本数据对更新损失函数后的预训练分类模型进行训练获得分类模型；将待检测产品的产品数据输入分类模型获得产品类别。解决了对模型训练的过程中会使模型对噪声样本产生记忆，而且存在对简单样本过采样，损害模型性能的技术问题，提高了产品检测准确度与对标注错误产生的噪声的鲁棒性。的噪声的鲁棒性。的噪声的鲁棒性。
【技术实现步骤摘要】
产品检测方法、装置、设备及存储介质
[0001]本专利技术涉及智能制造
，尤其涉及一种产品检测方法、装置、设备及存储介质。
技术介绍
[0002]随着深度学习技术的发展，人工智能越来越普遍地应用于工业检测领域，由于标注相对简单、新能较为稳定，分类模型的应用较为广泛，但是工业大数量场景具有特征复杂、边界模糊、数据丰富度与平衡性差的特点，给分类模型的训练带来了挑战，目前对于分类模型的训练普遍采用监督式学习的方式，该方式随着对模型的训练，会使模型对噪声样本产生记忆，而且存在对简单样本过采样，损害模型的性能，导致产品检测准确度降低。
[0003]上述内容仅用于辅助理解本专利技术的技术方案，并不代表承认上述内容是现有技术。
技术实现思路
[0004]本专利技术的主要目的在于提供了一种产品检测方法、装置、设备及存储介质，旨在解决现有技术分类模型产品检测的准确度低的技术问题。
[0005]为实现上述目的，本专利技术提供了一种产品检测方法，方法包括以下步骤：
[0006]确定初始训练数据集中各类别样本数据的样本筛选率，并将初始训练数据集划分为噪声子集和无噪子集；
[0007]根据噪声子集和无噪子集确定对比损失函数，并根据对比损失函数对预训练分类模型的损失函数进行更新；
[0008]根据样本筛选率在噪声子集和无噪子集中采集训练样本数据；
[0009]通过训练样本数据对更新损失函数后的预训练分类模型进行训练，获得分类模型；
[0010]将待检测产品的产品数据输入分类模型，获得待检测产品的产品类别。
[0011]可选地，确定初始训练数据集中各类别样本数据的样本筛选率，并将初始训练数据集划分为噪声子集和无噪子集，包括：
[0012]通过初始训练数据集训练初始分类模型，并根据训练过程中初始分类模型输出的产品类别概率确定初始训练数据集中各类别样本数据的样本筛选率；
[0013]根据样本筛选率将初始训练数据集划分为噪声子集和无噪子集。
[0014]可选地，通过初始训练数据集训练初始分类模型，并根据训练过程中初始分类模型输出的产品类别概率确定初始训练数据集中各类别样本数据的样本筛选率之前，还包括：
[0015]将初始训练数据集输入初始卷积神经网络；
[0016]根据初始卷积神经网络输出的各样本数据的概率预测值、预设散度公式和各样本数据的标签值确定第一损失函数；
[0017]根据第一损失函数更新初始卷积神经网络的损失函数，并通过初始训练数据集对更新损失函数后的初始神经网络进行训练；
[0018]在初始神经网络满足预设条件时，获得预训练分类模型；
[0019]根据第一损失函数和预设调制因子确定第二损失函数，并根据第二损失函数更新预训练分类模型的损失函数，获得初始分类模型。
[0020]可选地，通过初始训练数据集训练初始分类模型，并根据训练过程中初始分类模型输出的产品类别概率确定初始训练数据集中各类别样本数据的样本筛选率，包括：
[0021]通过初始训练数据对初始分类模型进行训练，并根据训练过程中初始分类模型输出的产品类别概率确定初始训练数据集中各类别样本数据的样本遗忘率；
[0022]获取对初始分类模型训练过程中各样本数据的损失值；
[0023]根据样本遗忘率和损失值确定初始训练数据集中各类别样本数据的样本筛选率。
[0024]可选地，通过初始训练数据对初始分类模型进行训练，并根据训练过程中初始分类模型输出的产品类别概率确定初始训练数据集中各类别样本数据的样本遗忘率，包括：
[0025]通过初始训练数据对初始分类模型进行迭代训练，并在训练的过程中获取初始分类模型输出的各样本数据的产品类别概率；
[0026]根据初始训练数据集中各样本数据的样本标签和各样本数据的产品类别概率确定初始训练数据集中各类别样本数据的样本遗忘率。
[0027]可选地，根据噪声子集和无噪子集确定对比损失函数，并根据对比损失函数对预训练分类模型的损失函数进行更新，包括：
[0028]对无噪子集中的训练数据进行数据增强处理，获得至少两个增强无噪子集；
[0029]将至少两个增强无噪子集中的数据依次输入特征提取器和特征映射层，获得各增强无噪子集对应的无噪数据特征向量集合；
[0030]根据各增强无噪子集对应的特征向量集合确定第一对比损失函数；
[0031]将噪声子集中的数据依次输入至特征提取器和特征映射层，获得噪声子集对应的噪声数据特征向量集合；
[0032]根据噪声数据特征向量集合确定第二对比损失函数；
[0033]根据第二损失函数、第一对比损失函数和第二对比损失函数更新预训练分类模型的损失函数。
[0034]可选地，对无噪子集中的训练数据进行数据增强处理，获得至少两个增强无噪子集，包括：
[0035]对无噪子集中的训练数据进行水平翻转处理，获得第一增强无噪子集；
[0036]对无噪子集中的训练数据进行随机裁剪，获得第二增强无噪子集。
[0037]此外，为实现上述目的，本专利技术还提出一种产品检测装置，装置包括：
[0038]确定模块，用于确定初始训练数据集中各类别样本数据的样本筛选率，并将初始训练数据集划分为噪声子集和无噪子集；
[0039]更新模块，用于根据噪声子集和无噪子集确定对比损失函数，并根据对比损失函数对预训练分类模型的损失函数进行更新；
[0040]采样模块，用于根据样本筛选率在噪声子集和无噪子集中采集训练样本数据；
[0041]训练模块，用于通过训练样本数据对更新损失函数后的预训练分类模型进行训
练，获得分类模型；
[0042]检测模块，用于将待检测产品的产品数据输入分类模型，获得待检测产品的产品类别。
[0043]此外，为实现上述目的，本专利技术还提出一种产品检测设备，设备包括：存储器、处理器及存储在存储器上并可在处理器上运行的产品检测程序，产品检测程序配置为实现如上文的产品检测方法的步骤。
[0044]此外，为实现上述目的，本专利技术还提出一种存储介质，存储介质上存储有产品检测程序，产品检测程序被处理器执行时实现如上文的产品检测方法的步骤。
[0045]本专利技术确定初始训练数据集中各类别样本数据的样本筛选率，并将初始训练数据集划分为噪声子集和无噪子集，并且在训练过程中根据模型的更新实时动态调整样本筛选率与训练子集的划分；根据噪声子集和无噪子集确定对比损失函数，并根据对比损失函数对预训练分类模型的损失函数进行更新；根据样本筛选率在噪声子集和无噪子集中采集训练样本数据；通过训练样本数据对更新损失函数后的预训练分类模型进行训练，获得分类模型；将待检测产品的产品数据输入分类模型，获得待检测产品的产品类别。本专利技术例将初始训练数据划分为噪声子集和无噪子集，根据样本筛选率进行采样，并通过采样训练数据对预训练分类模型进行训练，获得分类模型，将待检测产品的产品数据输入分类模型获得产品类本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种产品检测方法，其特征在于，所述方法包括：确定初始训练数据集中各类别样本数据的样本筛选率，并将所述初始训练数据集划分为噪声子集和无噪子集；根据所述噪声子集和所述无噪子集确定对比损失函数，并根据所述对比损失函数对预训练分类模型的损失函数进行更新；根据所述样本筛选率在所述噪声子集和所述无噪子集中采集训练样本数据；通过所述训练样本数据对更新损失函数后的预训练分类模型进行训练，获得分类模型；将待检测产品的产品数据输入所述分类模型，获得所述待检测产品的产品类别。2.如权利要求1所述的方法，其特征在于，所述确定初始训练数据集中各类别样本数据的样本筛选率，并将所述初始训练数据集划分为噪声子集和无噪子集，包括：通过初始训练数据集训练初始分类模型，并根据训练过程中所述初始分类模型输出的产品类别概率确定所述初始训练数据集中各类别样本数据的样本筛选率；根据所述样本筛选率将所述初始训练数据集划分为噪声子集和无噪子集。3.如权利要求2所述的方法，其特征在于，所述通过初始训练数据集训练初始分类模型，并根据训练过程中所述初始分类模型输出的产品类别概率确定所述初始训练数据集中各类别样本数据的样本筛选率之前，还包括：将初始训练数据集输入初始卷积神经网络；根据所述初始卷积神经网络输出的各样本数据的概率预测值、预设散度公式和各样本数据的标签值确定第一损失函数；根据所述第一损失函数更新所述初始卷积神经网络的损失函数，并通过所述初始训练数据集对更新损失函数后的初始神经网络进行训练；在所述初始神经网络满足预设条件时，获得预训练分类模型；根据第一损失函数和预设调制因子确定第二损失函数，并根据所述第二损失函数更新所述预训练分类模型的损失函数，获得初始分类模型。4.如权利要求2或3任一项所述的方法，其特征在于，所述通过初始训练数据集训练初始分类模型，并根据训练过程中所述初始分类模型输出的产品类别概率确定所述初始训练数据集中各类别样本数据的样本筛选率，包括：通过初始训练数据对初始分类模型进行训练，并根据训练过程中所述初始分类模型输出的产品类别概率确定所述初始训练数据集中各类别样本数据的样本遗忘率；获取对所述初始分类模型训练过程中各样本数据的损失值；根据所述样本遗忘率和所述损失值确定所述初始训练数据集中各类别样本数据的样本筛选率。5.如权利要求4所述的方法，其特征在于，所述通过初始训练数据对初始分类模型进行训练，并根据训练过程中所述初始分类模型输出的产品类别概率确定所述初始训练数据集中各类别样本数据的样...
【专利技术属性】
技术研发人员：及欣悦，张一凡，
申请(专利权)人：歌尔股份有限公司，
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。