【技术实现步骤摘要】
模型训练方法、装置、设备及可读存储介质
[0001]本申请涉及计算机
，具体而言，本申请涉及一种模型训练方法、装置、设备及可读存储介质。
技术介绍
[0002]目前工业4.0的自动化质检中，大量工业微小缺陷难以检测。现有技术中，工业微小缺陷检测往往对零件对应的整张图像进行检测，忽略了零件中微小缺陷或微小缺陷的细节特征。例如零件中的微小缺陷为裂纹，裂纹大小经常小于0.015mm(毫米)，由于该微小缺陷难以检测，会出现零件过杀率和零件漏检率都较高，从而导致工业微小缺陷检测的准确度和效率都较低。
技术实现思路
[0003]本申请针对现有的方式的缺点，提出一种模型训练方法、装置、设备、计算机可读存储介质及计算机程序产品，用于解决如何提高工业微小缺陷检测的准确度和效率的问题。
[0004]第一方面，本申请提供了一种模型训练方法，包括：
[0005]从目标图像中提取多个候选区域，并将多个候选区域中每个候选区域对应的图像分别进行两次不同的图像增强，得到每个候选区域对应的第一增强图像和每个候选区域对应的
【技术保护点】
【技术特征摘要】
1.一种模型训练方法，其特征在于，包括：从目标图像中提取多个候选区域，并将所述多个候选区域中每个候选区域对应的图像分别进行两次不同的图像增强，得到所述每个候选区域对应的第一增强图像和所述每个候选区域对应的第二增强图像；将所述第一增强图像输入至检测模型中第一骨干网络模型，得到所述第一增强图像对应的特征向量；并将所述第二增强图像输入至所述检测模型中第二骨干网络模型，得到所述第二增强图像对应的特征向量；所述第二骨干网络模型为所述第一骨干网络模型通过滑动平均更新得到；基于各第一增强图像对应的特征向量和各第二增强图像对应的特征向量，确定所述检测模型的损失函数的值；基于所述损失函数的值，对所述第一骨干网络模型的参数和所述第二骨干网络模型的参数进行更新，得到训练后的第一骨干网络模型和训练后的第二骨干网络模型；所述训练后的第一骨干网络模型和所述训练后的第二骨干网络模型用于区分所述多个候选区域中不同的候选区域。2.根据权利要求1所述的方法，其特征在于，所述从所述目标图像中提取多个候选区域，包括：通过所述检测模型中候选区域提取网络，从所述目标图像中提取多个候选区域，所述多个候选区中每个候选区域为一个包围框中的区域，所述每个候选区域为前景或背景，所述前景用于表征所述每个候选区域中存在需检测的目标物体，所述背景用于表征所述每个候选区域中不存在需检测的目标物体。3.根据权利要求1所述的方法，其特征在于，在所述从目标图像中提取多个候选区域之后，还包括：基于所述多个候选区中每个候选区域对应的包围框，将所述目标图像进行裁剪，得到所述每个候选区域对应的图像。4.根据权利要求1所述的方法，其特征在于，所述基于各第一增强图像对应的特征向量和各第二增强图像对应的特征向量，确定所述检测模型的损失函数的值，包括：确定特征向量集合中各特征向量之间的相似度，所述特征向量集合为各第一增强图像对应的特征向量和各第二增强图像对应的特征向量的集合；所述检测模型的记忆队列包括特征向量集合；基于所述各特征向量之间的相似度，确定所述检测模型的损失函数的值。5.根据权利要求4所述的方法，其特征在于，所述基于所述各特征向量之间的相似度，确定所述检测模型的损失函数的值，包括：基于所述特征向量集合中任一特征向量和所述特征向量集合中除所述任一特征向量之外的特征向量之间的相似度，确定针对所述任一特征向量的所述检测模型的损失函数的值。6.根据权利要求5所述的方法，其特征在于，所述基于所述特征向量集合中任一特征向量和所述特征向量集合中除所述任一特征向量之外的特征向量之间的相似度，确定针对所述任一特征向量的所述检测模型的损失函数的值，包括：基于所述特征向量集合中任一特征向量和所述特征向量集合中除所述任一特征向量
之外的全部特征向量之间的相似度，确定所述任一特征向量和所述全部特征向量之间的距离和；基于所述任一特征向量和所述任一特征向量对应的特征向量之间的相似度和所述距离和，确定针对所述任一特征向量的所述检测模型的损失函数的值；其中，所述任一特征...
【专利技术属性】
技术研发人员：吴凯，孙婷，刘永，汪铖杰，林愉欢，李嘉麟，
申请(专利权)人：腾讯科技深圳有限公司，
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。