数据处理方法、装置和计算机可读存储介质制造方法及图纸

本申请实施例公开了数据处理方法、装置和计算机可读存储介质；通过获取对象图像样本和对应的异常标签信息，并采用待训练的异常识别模型在对象图像样本中提取样本图像特征；对样本图像特征进行特征扰动处理，得到干扰图像特征；采用待训练的异常识别模型基于干扰图像特征进行异常识别处理，得到干扰后异常程度信息；根据干扰后异常程度信息以及异常标签信息，确定第一识别困难参数；基于样本图像特征与对应的干扰图像特征，确定第二识别困难参数；基于第一识别困难参数与第二识别困难参数，在干扰图像特征中筛选出待训练的异常识别模型识别困难的目标图像特征；根据目标图像特征对待训练的异常识别模型进行模型训练。可以提升异常识别准确性。提升异常识别准确性。提升异常识别准确性。

【技术实现步骤摘要】
数据处理方法、装置和计算机可读存储介质


[0001]本申请涉及互联网
，具体涉及一种数据处理方法、装置和计算机可读存储介质。

技术介绍

[0002]随着互联网技术的快速发展，人工智能技术的应用越来越广泛，例如，可以应用于工业缺陷质检等异常识别场景，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。在现有的数据处理方法中，往往通过收集工业产品的缺陷图像作为训练集对深度学习模型中进行训练，在实际应用时，将工业产品的图像输入到训练好的模型中，并根据模型的输出结果判断该工业产品是否为存在缺陷等异常情况。
[0003]在对现有技术的研究和实践过程中发现，现有的数据处理方法中，由于工业产品的缺陷情况大多是多种多样的，而模型训练集包含的缺陷图像是有限的，因此，在模型实际应用时，对于训练集中没有的缺陷图像，模型输出的可靠性会较低，从而使得异常识别的准确性较低，导致异常识别效率较低。

技术实现思路

[0004]本申请实施例提供一种数据处理方法、装置和计算机可读存储介质，可以提高异常识别的准确性，进而提升异常识别的效率。
...

【技术保护点】

【技术特征摘要】
1.一种数据处理方法，其特征在于，包括：获取对象图像样本以及所述对象图像样本对应的异常标签信息，并采用待训练的异常识别模型在所述对象图像样本中提取出样本图像特征；对所述样本图像特征进行特征扰动处理，得到所述样本图像特征对应的至少一个干扰图像特征；采用所述待训练的异常识别模型基于所述干扰图像特征进行异常识别处理，得到所述干扰图像特征所对应的对象图像样本的干扰后异常程度信息；根据所述干扰后异常程度信息以及所述对象图像样本的异常标签信息，确定所述待训练的异常识别模型对所述干扰图像特征的第一识别困难参数；基于所述样本图像特征以及对应的干扰图像特征，确定所述待训练的异常识别模型对所述干扰图像特征的第二识别困难参数；基于所述第一识别困难参数与所述第二识别困难参数，在所述干扰图像特征中筛选出所述待训练的异常识别模型识别困难的目标图像特征；根据所述目标图像特征对所述待训练的异常识别模型进行模型训练，得到训练好的异常识别模型。2.如权利要求1所述的数据处理方法，其特征在于，所述基于所述第一识别困难参数与所述第二识别困难参数，在所述干扰图像特征中筛选出所述待训练的异常识别模型识别困难的目标图像特征，包括：基于所述第二识别困难参数对所述第一识别困难参数进行加权处理，得到所述待训练的异常识别模型对所述干扰图像特征的目标识别困难参数；根据所述目标识别困难参数，在所述干扰图像特征中筛选出所述待训练的异常识别模型识别困难的目标图像特征。3.如权利要求1所述的数据处理方法，其特征在于，所述基于所述样本图像特征以及对应的干扰图像特征，确定所述待训练的异常识别模型对所述干扰图像特征的第二识别困难参数，包括：计算所述样本图像特征与所述样本图像特征对应的干扰图像特征之间的特征相似度；基于所述特征相似度确定所述待训练的异常识别模型对所述干扰图像特征的第二识别困难参数。4.如权利要求1所述的数据处理方法，其特征在于，所述根据所述干扰后异常程度信息以及所述对象图像样本的异常标签信息，确定所述待训练的异常识别模型对所述干扰图像特征的第一识别困难参数，包括：根据所述对象图像样本对应的所述干扰后异常程度信息与所述异常标签信息，计算所述待训练的异常识别模型对所述干扰图像特征的异常识别损失信息；将所述异常识别损失信息确定为所述待训练的异常识别模型对所述对象图像样本对应的所述干扰图像特征的第一识别困难参数。5.如权利要求1所述的数据处理方法，其特征在于，所述样本图像特征位于所述待训练的异常识别模型对应的隐空间中，所述对所述样本图像特征进行特征扰动处理，得到所述样本图像特征对应的至少一个干扰图像特征，包括：获取所述待训练的异常识别模型对应的特征映射参数；
基于所述特征映射参数将所述样本图像特征映射...

【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：