检测模型的训练方法、系统、电子设备及存储介质技术方案

本申请的实施例提供了一种检测模型的训练方法、系统、电子设备及存储介质。该方法包括：训练步骤：基于每个样本图像被选择的概率确定出训练样本，并利用训练样本对检测模型进行训练，得到单次迭代训练的训练结果，并重复执行预设次数，直至完成一轮迭代训练；概率调整步骤：基于一轮迭代训练的训练结果，更新每个样本图像被选择的概率，并转至训练步骤，直至满足预设的训练结束条件。该方案可以有效保证训练好的检测模型对各类样本的检测准确度均较高，大大提高检测模型的检测精度。同时，还可以显著缩短模型训练时间，提高模型的训练效率和训练效果。率和训练效果。率和训练效果。

【技术实现步骤摘要】
检测模型的训练方法、系统、电子设备及存储介质


[0001]本申请涉及计算机视觉
，更具体地涉及一种检测模型的训练方法、一种检测模型的训练系统、一种电子设备及一种存储介质。

技术介绍

[0002]近年来，计算机视觉被广泛应用于多种领域。例如，应用计算机视觉技术检测图像中的目标，具体例如待测物体中存在的一些裂纹缺陷，以便于及时察觉或修复。为了保证检测精度，需要通过大量的裂纹样本图像来训练该检测模型。而在实际的工业场景中，裂纹缺陷数据量极少，难以收集到足够数量的样本图像以保证对检测模型的有效训练。
[0003]现有技术中，在检测模型训练之前，利用一些图像合成技术离线生成训练样本，并直接利用随机选择的训练样本对检测模型进行训练。由于随机选择的训练样本的不确定性，导致实际训练采用的训练样本并不能很好地提升检测模型的训练结果，从而导致对模型的训练效果较差，训练好的模型的检测精度也较低。

技术实现思路

[0004]考虑到上述问题而提出了本申请。根据本申请的一个方面，提供了一种检测模型的训练方法，该方法包括：
[0005]训练步骤：基于每个样本图像被选择的概率确定出训练样本，并利用训练样本对检测模型进行训练，得到单次迭代训练的训练结果，并重复执行预设次数，直至完成一轮迭代训练；
[0006]概率调整步骤：基于一轮迭代训练的训练结果，更新每个样本图像被选择的概率，并转至训练步骤，直至满足预设的训练结束条件。
[0007]示例性地，样本图像包括前景图像和/或背景图像，
[0008]基于每个样本图像被选择的概率确定出训练样本,包括：
[0009]基于每个前景图像和/或每个背景图像被选择的概率，选择前景图像和/或背景图像；以及
[0010]基于被选择的前景图像和/或背景图像生成训练样本；
[0011]更新每个样本图像被选择的概率，包括：
[0012]更新每个前景图像和/或每个背景图像被选择的概率。
[0013]示例性地，概率调整步骤，包括：
[0014]差异确定子步骤，对于每个训练样本，根据检测模型对该训练样本的预测结果和预设标准结果，确定该训练样本的样本图像对应的差异信息；
[0015]概率计算子步骤，根据每个样本图像对应的差异信息以及每个样本图像被选择的概率，计算下一轮迭代训练时该样本图像被选择的概率；
[0016]更新子步骤，根据计算的下一轮迭代训练时该样本图像被选择的概率，更新每个样本图像被选择的概率，并转至训练步骤。
[0017]示例性地，预设次数为至少一次；
[0018]差异确定子步骤，包括：
[0019]若至少两次迭代训练采用具有相同的样本图像的训练样本，则基于最新一次迭代训练中检测模型对该训练样本的预测结果和预设标准结果，确定该相同的样本图像对应的差异信息。
[0020]示例性地，差异确定子步骤，包括：
[0021]若单次迭代训练采用具有相同的样本图像的至少2个训练样本，则根据检测模型对该至少2个训练样本各自的预测结果和预设标准结果，分别计算该相同的样本图像对应的多个初始差异信息，并综合多个初始差异信息确定该相同的样本图像对应的差异信息。
[0022]示例性地，每个样本图像对应的差异信息所表示的差异大小与所计算的下一轮迭代训练时该样本图像被选择的概率为正相关关系。
[0023]示例性地，正相关关系利用如下公式表达：
[0024][0025]其中，w
t,i
表示第i个样本图像在第t轮迭代训练被
[0026]选择的概率；
[0027]w
t+1,i
表示第i样本图像在第t+1轮迭代训练被选择的概率；
[0028]err
t,i
表示差异大小，且初始值为0；
[0029]n表示可供选择的样本图像的数量。
[0030]示例性地，对于第一轮迭代训练，可供选择的所有前景图像被选择的概率的初始值相同；和/或，可供选择的所有背景图像被选择的概率的初始值相同。
[0031]示例性地，样本图像包括前景图像和背景图像，基于被选择的前景图像和/或背景图像生成训练样本，包括：
[0032]确定被选择的前景图像中的每个像素的第一权重，其中，距离被选择的前景图像中的前景区域越近的像素的第一权重的权重值越大；
[0033]基于第一权重，确定被选择的背景图像中的对应像素的第二权重，其中，第二权重与第一权重负相关；以及
[0034]利用第一权重和第二权重，加权融合被选择的前景图像和被选择的背景图像，以得到训练样本。
[0035]根据本申请的第二方面，还提供一种检测模型的训练系统，包括：
[0036]训练模块，用于基于每个样本图像被选择的概率确定出训练样本，并利用训练样本对检测模型进行训练，得到单次迭代训练的训练结果，并重复执行预设次数，直至完成一轮迭代训练；以及
[0037]概率调整模块，用于基于一轮迭代训练的训练结果，更新每个样本图像被选择的概率。
[0038]根据本申请的第三方面，还提供一种电子设备，包括处理器和存储器，其中，存储器中存储有计算机程序指令，计算机程序指令被处理器运行时用于执行上述检测模型的训练方法。
[0039]根据本申请的第四方面，还提供一种存储介质，在存储介质上存储了程序指令，程
序指令在运行时用于执行上述检测模型的训练方法。
[0040]根据上述方案，在对检测模型进行迭代训练过程中，根据上一轮迭代训练的训练结果对下一轮迭代训练中的训练样本的确定进行适度地干预，使得之后的迭代训练所采用的训练样本更有利于模型的训练。该方案可以有效保证训练好的检测模型对各类样本的检测准确度均较高，大大提高检测模型的检测精度。同时，还可以显著缩短模型训练时间，提高模型的训练效率和训练效果。
[0041]上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
[0042]通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其它目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
[0043]图1示出了根据本申请一个实施例的检测模型的训练方法的示意性流程图；
[0044]图2示出了根据本申请另一个实施例的检测模型的训练方法的示意性流程图；
[0045]图3示出了根据本申请一个实施例的检测模型的训练系统的示意性框图；以及
[0046]图4示出了根据本申请一个实施例的电子设备的示意性框图。
具体实施方式
[0047]为了使得本申请的目的、技术方案和优点更为明显，下面将本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种检测模型的训练方法，其特征在于，包括：训练步骤：基于每个样本图像被选择的概率确定出训练样本，并利用所述训练样本对所述检测模型进行训练，得到单次迭代训练的训练结果，并重复执行预设次数，直至完成一轮迭代训练；概率调整步骤：基于一轮迭代训练的训练结果，更新每个样本图像被选择的概率，并转至所述训练步骤，直至满足预设的训练结束条件。2.如权利要求1所述的检测模型的训练方法，其特征在于，所述样本图像包括前景图像和/或背景图像，所述基于每个样本图像被选择的概率确定出训练样本,包括：基于每个前景图像和/或每个背景图像被选择的概率，选择前景图像和/或背景图像；以及基于被选择的前景图像和/或背景图像生成所述训练样本；所述更新每个样本图像被选择的概率，包括：更新每个前景图像和/或每个背景图像被选择的概率。3.如权利要求1或2所述的检测模型的训练方法，其特征在于，所述概率调整步骤，包括：差异确定子步骤，对于每个训练样本，根据所述检测模型对该训练样本的预测结果和预设标准结果，确定该训练样本的样本图像对应的差异信息；概率计算子步骤，根据每个样本图像对应的差异信息以及每个样本图像被选择的概率，计算下一轮迭代训练时该样本图像被选择的概率；更新子步骤，根据计算的下一轮迭代训练时该样本图像被选择的概率，更新每个样本图像被选择的概率，并转至所述训练步骤。4.如权利要求3所述的检测模型的训练方法，其特征在于，所述预设次数为至少一次；所述差异确定子步骤，包括：若至少两次迭代训练采用具有相同的样本图像的训练样本，则基于最新一次迭代训练中所述检测模型对该训练样本的预测结果和预设标准结果，确定该相同的样本图像对应的差异信息。5.如权利要求3所述的检测模型的训练方法，其特征在于，所述差异确定子步骤，包括：若单次迭代训练采用具有相同的样本图像的至少2个所述训练样本，则根据所述检测模型对该至少2个训练样本各自的预测结果和预设标准结果，分别计算该相同的样本图像对应的多个初始差异信息，并综合所述多个初始差异信息确定该相同的样本图像对应的差异信息。6.如权利要求3所述的检测模型的训练方法，其特征在于，每个所述样...

【专利技术属性】
技术研发人员：张共济，陈燕娟，
申请(专利权)人：苏州镁伽科技有限公司，
类型：发明
国别省市：