对象分类模型的训练、对象分类方法、装置及存储介质制造方法及图纸

本申请公开了一种对象分类模型的训练、对象分类方法、装置及存储介质，可以应用于云技术、人工智能、智慧交通、车联网等各种场景，所述方法包括：获取样本对象的样本图像；将样本图像输入教师模型，基于教师模型的标签图提取网络确定样本图像的样本标签图；对样本图像进行裁剪处理，得到样本裁剪图像；基于样本裁剪图像在样本图像中的第一坐标信息，对样本标签图进行裁剪处理，得到样本子标签图；将样本裁剪图像输入学生模型进行类别标签预测处理，得到样本标签预测结果；基于样本标签预测结果与样本类别标签的第一差异以及样本标签预测结果与裁剪子标签的第二差异，对学生模型进行训练，得到对象分类模型。本申请提高了对象分类模型的准确率。模型的准确率。模型的准确率。

【技术实现步骤摘要】
对象分类模型的训练、对象分类方法、装置及存储介质


[0001]本申请涉及互联网
，尤其涉及一种对象分类模型的训练、对象分类方法、装置及存储介质。

技术介绍

[0002]工业缺陷质检是指对生产制造过程中的工业产品进行质量检测，传统的工业质检一般是由质检工人进行人工目检，近年来随着AI技术的兴起，基于机器视觉的AI质检可以大幅提升质检准确率、节省人力成本。该技术的输入是对工业产品的表面拍摄图片，输出是缺陷的置信度。
[0003]传统的基于机器视觉的工业缺陷质检算法是对输入图像进行手工特征的提取，包含梯度特征、纹理特征等，随后根据提取到的手工特征，训练一个SVM分类器(或者是基于树的分类器)，对当前图片是否是缺陷图像进行二分类。这种方式存在两个问题，一是提取到的手工特征泛化性比较差，对于多样化的视频数据往往会提取到一些对后续分类器产生混淆的有害特征；二是特征提取和分类器的训练二者是独立进行的，模型的训练代价比较高。在另一些技术中，通过标注类别标签的方式训练模型，先进行特征提取，再进行类别预测；而工业缺陷质检并不是简单的二分类，很多缺陷图像的程度较为轻微(甚至可以归类为OK图像)，简单的二值标签可能带有很多主观性，进而导致这样的缺陷人工标注信息带有噪声，在这样的带噪标签中进行模型的训练，会影响模型的准确率。

技术实现思路

[0004]本申请提供了一种对象分类模型的训练、对象分类方法、装置及存储介质，可以准确计算出目标对象反馈的第一反馈文本与预设文本向量库中第二反馈文本之间的相似度，从而提高对象分类模型的训练准确率。
[0005]一方面，本申请提供了一种对象分类模型的训练方法，所述方法包括：
[0006]获取样本对象的样本图像；所述样本图像标注了样本类别标签；
[0007]将所述样本图像输入教师模型，基于所述教师模型的标签图提取网络确定所述样本图像的样本标签图；
[0008]对所述样本图像进行裁剪处理，得到样本裁剪图像；
[0009]基于所述样本裁剪图像在所述样本图像中的第一坐标信息，对所述样本标签图进行裁剪处理，得到样本子标签图；
[0010]将所述样本裁剪图像输入学生模型进行类别标签预测处理，得到样本标签预测结果；
[0011]基于所述样本标签预测结果与所述样本类别标签的第一差异以及所述样本标签预测结果与裁剪子标签的第二差异，对所述学生模型进行训练，得到对象分类模型；所述裁剪子标签为对所述样本子标签图进行类别标签预测处理得到。
[0012]另一方面提供了一种对象分类方法，所述方法包括：
[0013]获取待识别对象的待识别图像；
[0014]将所述待识别图像输入对象分类模型，进行类别预测处理，得到所述待识别图像的目标类别；所述目标类别表征所述待识别对象的类别；
[0015]其中，所述对象分类模型为基于上述的训练方法训练得到。
[0016]另一方面提供了一种对象分类模型的训练装置，所述装置包括：
[0017]样本图像获取模块，用于获取样本对象的样本图像；所述样本图像标注了样本类别标签；
[0018]样本标签图确定模块，用于将所述样本图像输入教师模型，基于所述教师模型的标签图提取网络确定所述样本图像的样本标签图；
[0019]样本裁剪图像确定模块，用于对所述样本图像进行裁剪处理，得到样本裁剪图像；
[0020]样本子标签图确定模块，用于基于所述样本裁剪图像在所述样本图像中的第一坐标信息，对所述样本标签图进行裁剪处理，得到样本子标签图；
[0021]样本结果确定模块，用于将所述样本裁剪图像输入学生模型进行类别标签预测处理，得到样本标签预测结果；
[0022]模型训练模块，用于基于所述样本标签预测结果与所述样本类别标签的第一差异以及所述样本标签预测结果与裁剪子标签的第二差异，对所述学生模型进行训练，得到对象分类模型；所述裁剪子标签为对所述样本子标签图进行类别标签预测处理得到。
[0023]在一示例性实施方式中，所述样本图像为多个，每个样本图像对应一个样本裁剪图像，所述装置还包括：
[0024]标签确定模块，用于确定每个样本裁剪图像对应的样本类别标签以及裁剪子标签；
[0025]异常图像确定模块，用于若任一样本裁剪图像对应的样本类别标签与裁剪子标签的相似度小于预设阈值，将所述任一样本裁剪图像确定为异常图像；
[0026]筛选样本图像确定模块，用于从多个所述样本图像中，剔除所述异常图像，得到筛选样本图像；
[0027]筛选样本裁剪图像确定模块，用于将所述筛选样本图像对应的样本裁剪图像，确定为筛选样本裁剪图像。
[0028]在一示例性实施方式中，所述模型训练模块包括：
[0029]模型训练子模块，用于基于所述筛选样本裁剪图像对应的样本标签预测结果与样本类别标签的第一差异，以及所述筛选样本裁剪图像对应的样本标签预测结果与裁剪子标签的第二差异，对所述学生模型进行训练。
[0030]在一示例性实施方式中，所述标签确定模块包括：
[0031]第一确定子模块，用于确定每个样本裁剪图像所对应的样本图像的样本类别标签；
[0032]第二确定子模块，用于将每个样本裁剪图像所对应的样本图像的样本类别标签，确定为所述每个样本裁剪图像的样本类别标签；
[0033]裁剪子标签获取子模块，用于确定每个样本裁剪图像所对应的样本子标签图的裁剪子标签；
[0034]裁剪子标签确定子模块，用于将每个样本裁剪图像所对应的样本子标签图的裁剪
子标签，确定为所述每个样本裁剪图像的裁剪子标签。
[0035]在一示例性实施方式中，所述样本子标签图确定模块包括：
[0036]第一坐标确定子模块，用于确定所述样本裁剪图像在所述样本图像中的第一坐标信息；
[0037]图像尺寸确定子模块，用于确定所述样本图像与所述样本标签图各自对应的图像尺寸；
[0038]样本子标签图确定子模块，用于基于所述样本裁剪图像在所述样本图像中的第一坐标信息，以及所述样本图像与所述样本标签图各自对应的图像尺寸，对所述样本标签图进行裁剪处理，得到所述样本子标签图。
[0039]在一示例性实施方式中，所述样本子标签图确定子模块包括：
[0040]第二坐标确定单元，用于若所述样本图像与所述样本标签图各自对应的图像尺寸相同，将所述样本裁剪图像在所述样本图像中的第一坐标信息，确定为所述样本子标签图在所述样本标签图中的第二坐标信息；
[0041]子标签图确定单元，用于基于所述第二坐标信息，对所述样本标签图进行裁剪处理，得到所述样本子标签图。
[0042]在一示例性实施方式中，所述装置还包括：
[0043]更新模块，用于若所述样本图像与所述样本标签图各自对应的图像尺寸不同，将所述样本标签图的尺寸调整为所述样本图像的尺寸，得到更新样本标签图；
[0044]第二坐标确定模块，用于根据所述样本裁剪图像在所述样本图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种对象分类模型的训练方法，其特征在于，所述方法包括：获取样本对象的样本图像；所述样本图像标注了样本类别标签；将所述样本图像输入教师模型，基于所述教师模型的标签图提取网络确定所述样本图像的样本标签图；对所述样本图像进行裁剪处理，得到样本裁剪图像；基于所述样本裁剪图像在所述样本图像中的第一坐标信息，对所述样本标签图进行裁剪处理，得到样本子标签图；将所述样本裁剪图像输入学生模型进行类别标签预测处理，得到样本标签预测结果；基于所述样本标签预测结果与所述样本类别标签的第一差异以及所述样本标签预测结果与裁剪子标签的第二差异，对所述学生模型进行训练，得到对象分类模型；所述裁剪子标签为对所述样本子标签图进行类别标签预测处理得到。2.根据权利要求1所述的方法，其特征在于，所述样本图像为多个，每个样本图像对应一个样本裁剪图像，所述方法还包括：确定每个样本裁剪图像对应的样本类别标签以及裁剪子标签；若任一样本裁剪图像对应的样本类别标签与裁剪子标签的相似度小于预设阈值，将所述任一样本裁剪图像确定为异常图像；从多个所述样本图像中，剔除所述异常图像，得到筛选样本图像；将所述筛选样本图像对应的样本裁剪图像，确定为筛选样本裁剪图像；所述基于所述样本标签预测结果与所述样本类别标签的第一差异以及所述样本标签预测结果与裁剪子标签的第二差异，对所述学生模型进行训练，包括：基于所述筛选样本裁剪图像对应的样本标签预测结果与样本类别标签的第一差异，以及所述筛选样本裁剪图像对应的样本标签预测结果与裁剪子标签的第二差异，对所述学生模型进行训练。3.根据权利要求2所述的方法，其特征在于，所述确定每个样本裁剪图像对应的样本类别标签以及裁剪子标签，包括：确定每个样本裁剪图像所对应的样本图像的样本类别标签；将每个样本裁剪图像所对应的样本图像的样本类别标签，确定为所述每个样本裁剪图像的样本类别标签；确定每个样本裁剪图像所对应的样本子标签图的裁剪子标签；将每个样本裁剪图像所对应的样本子标签图的裁剪子标签，确定为所述每个样本裁剪图像的裁剪子标签。4.根据权利要求1所述的方法，其特征在于，所述基于所述样本裁剪图像在所述样本图像中的第一坐标信息，对所述样本标签图进行裁剪处理，得到样本子标签图，包括：确定所述样本裁剪图像在所述样本图像中的第一坐标信息；确定所述样本图像与所述样本标签图各自对应的图像尺寸；基于所述样本裁剪图像在所述样本图像中的第一坐标信息，以及所述样本图像与所述样本标签图各自对应的图像尺寸，对所述样本标签图进行裁剪处理，得到所述样本子标签图。5.根据权利要求4所述的方法，其特征在于，所述基于所述样本裁剪图像在所述样本图
像中的第一坐标信息，以及所述样本图像与所述样本标签图各自对应的图像尺寸，对所述样本标签图进行裁剪处理，得到所述样本子标签图，包括：若所述样本图像与所述样本标签图各自对应的图像尺寸相同，将所述样本裁剪图像在所述样本图像中的第一坐标信息，确定为所述样本子标签图在所述样本标签图中的第二坐标信息；基于所述第二坐标信息，对所述样本标签图进行裁剪处理，得到所述样本子标签图。6.根据权利要求5所述的方法，其特征在于，所述方法还包括：若所述样本图像与所述样本标签图各自对应的图像尺寸不同，将所述样本标签图的尺寸调整为所述样本图像的尺寸，得到更新样本标签图；根据所述样本裁剪图像在所述样本图像中的第一坐标信息，确定更新样本子标签图在所述更新样本标签图中的第二坐标信息；基于所述更新样本子标签图与所述样本标签图各自对应尺寸的比值，对所述更新样本标签图进行尺寸调整，得到所述样本标签图。7.根据权利要求1
‑
6任一项所述的方法，其特征在于，所述基于所述样本标签预测结果与所述样本类别标签的第一差异以及所述样本标签预测结果与裁剪子标签的第二差异，对所述学生模型进行训练，得到对象分类模型，包括：基于所述样本标签预测结果与所述样本类别标签的...

【专利技术属性】
技术研发人员：张博深，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：