集装箱偶发残损样本挖掘及学习方法技术

本申请提供一种一种适用于集装箱应用场景下的集装箱偶发残损样本挖掘及学习方法

【技术实现步骤摘要】
集装箱偶发残损样本挖掘及学习方法、装置、设备、介质


[0001]本申请涉及集装箱残损缺陷检测
，具体涉及一种适用于集装箱应用场景下的集装箱偶发残损样本挖掘及学习方法
、
装置
、
设备
、
介质
。

技术介绍

[0002]集装箱的残损缺陷检测对于保证运输安全和货物质量至关重要，以往需要依赖于人眼对集装箱的残损进行统计识别
。
近年来，深度学习模型在计算机视觉领域取得了广泛应用，并在集装箱残损检测方面取得了一定进展
。
[0003]然而，现有的深度学习模型需要大量的各种类型缺陷数据进行训练，但对于集装箱残损缺陷类型出现概率极低的场景来说，无法满足这一前提
。
[0004]由于现有技术难以解决训练数据量这一问题，导致深度学习模型因缺乏足量数据训练，在针对集装箱残损缺陷进行检测时，检测精度明显下降，因而这些深度学习模型在集装箱检测场景中难易量产落地应用
。
[0005]基于此，针对集装箱残损类型出现概率低的应用场景，需要一种新的残损样本挖掘技术方案
。

技术实现思路

[0006]有鉴于此，本说明书实施例提供一种适用于集装箱应用场景下的集装箱偶发残损样本挖掘及学习方法
、
装置
、
设备
、
介质，通过对集装箱残损样本数据完成挖掘学习后得到挖掘模型，使得模型能够用于集装箱残损样本挖掘，从而能够为深度学习模型在集装箱领域应用提供足量训练数据
。
[0007]本说明书实施例提供以下技术方案：本说明书实施例提供一种集装箱偶发残损样本挖掘学习方法，包括：获取预设的多级多属性类别，其中多级多属性类别为将集装箱残损分类类别按残损等级和残损属性，结合集装箱理货先验性知识划分得到的预设分类类别；根据所述多级多属性类别对少量集装箱残损样本数据进行标注，其中每个级别的每个属性类别有至少1个正例标记样本对应，并对应
n
个不同环境下采样的标记负例样本，共同组成初始训练样本集；对每个级别残损对应的半监督学习模型进行半监督学习，其中每个半监督学习模型基于自身对应的标记样本进行对比学习优化的半监督学习训练，对比学习优化的半监督采用教师模型和学生模型进行对比学习；其中，半监督学习训练中，教师模型先基于标记样本进行训练，再对未标记样本进行伪标签推理预测得到伪标签样本，学生模型基于伪标签样本集进行对比学习训练
。
[0008]与现有技术相比，本说明书实施例采用的上述至少一个技术方案能够达到的有益效果至少包括：一方面，通过将集装箱残损缺陷类型进行多级多属性划分，并基于多级多属性完
整类别标注少量样本，以及利用多个模型各自对多级多属性类别进行对比学习优化的半监督学习训练，就能够基于对比学习的特征增强手段进行模型学习训练，完成训练后进一步挖掘未标注图片中的缺陷样本，实现了残损主动挖掘功能，能够为后续的模型训练提供了充足的数据，有效地缓解了集装箱偶发残损缺陷使用深度学习模型进行检查时缺乏足量训练数据的这一难题，对后续的集装箱残损检测提供的重要数据基础，方便落地应用
。
[0009]二方面，由于每个稀疏缺陷类别，可在仅有1‑2张已标注缺陷样本的情形下，通过半监督学习的方法进一步实现对缺陷样本的数据挖掘，因而能够在保证高精度残损识别的前提下，显著降低了标注成本，非常容易落地应用
。
[0010]三方面，利用半监督学习技术开发的集装箱偶发残损样本挖掘方法，适用于出现某些缺陷出现概率极低，难以收集对应缺陷数据进行标注进而进行深度学习训练的情况
。
[0011]四方面，应用范围广泛
。
因方案能够对集装箱中的无标注残损进行自动化检测，而无需大量的人力投入，可以应用于海运
、
铁路
、
公路等多种物流领域，有利于提高集装箱物流的运作效率和安全性
。
附图说明
[0012]为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图
。
[0013]图1是本申请中对集装箱偶发残损缺陷类型进行多级多属性类别划分的示意图；图2是本申请中对集装箱偶发残损缺陷样本进行标记
、
学习训练和挖掘的整体结构示意图；图3是本申请中一种集装箱偶发残损样本挖掘学习方法的流程图；图4是本申请中对集装箱偶发残损样本进行对比学习优化的半监督学习训练的结构示意图；图5是本申请中基于半监督学习对集装箱偶发残损样本进行推理挖掘的结构示意图；图6是本申请中一种集装箱偶发残损样本挖掘方法的流程图；图7是本申请中一种集装箱偶发残损样本挖掘学习装置的结构示意图；图8是本申请中一种集装箱偶发残损样本挖掘装置的结构示意图
。
具体实施方式
[0014]下面结合附图对本申请实施例进行详细描述
。
[0015]以下通过特定的具体实例说明本申请的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效
。
显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例
。
本申请还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本申请的精神下进行各种修饰或改变
。
需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合
。
基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围
。
[0016]要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面
。
应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及
/
或功能仅为说明性的
。
基于本申请，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上
。
举例来说，可使用本文中所阐述的任何数目和方面来实施设备及
/
或实践方法
。
另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及
/
或功能性实施此设备及
/
或实践此方法
。
[0017]还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本申请的基本构想，图式中仅显示与本申请中有关的组件而非按照实际实施时的组件数目
、
形状及尺寸绘制，其实际实施时各组件的型态
、
数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种集装箱偶发残损样本挖掘学习方法，其特征在于，包括：获取预设的多级多属性类别，其中多级多属性类别为将集装箱残损分类类别按残损等级和残损属性，结合集装箱理货先验性知识划分得到的预设分类类别；根据所述多级多属性类别对少量集装箱残损样本数据进行标注，其中每个级别的每个属性类别有至少1个正例标记样本对应，并对应
n
个不同环境下采样的标记负例样本，共同组成初始训练样本集；对每个级别残损对应的半监督学习模型进行半监督学习，其中每个半监督学习模型基于自身对应的标记样本进行对比学习优化的半监督学习训练，对比学习优化的半监督采用教师模型和学生模型进行对比学习；其中，半监督学习训练中，教师模型先基于标记样本进行训练，再对未标记样本进行伪标签推理预测得到伪标签样本，学生模型基于伪标签样本集进行对比学习训练
。2.
根据权利要求1所述的集装箱偶发残损样本挖掘学习方法，其特征在于，对比学习优化的半监督学习训练中，交叉熵损失函数定义为：其中，为交叉熵损失；表示第个样本的实际类别，表示正例，表示负例；表示样本数；表示模型预测第个样本为正例的概率值；和
/
或，对比学习损失函数定义为：其中，为对比学习损失；表示当前样本特征，表示正例样本特征，表示负例样本特征
。3.
根据权利要求2所述的集装箱偶发残损样本挖掘学习方法，其特征在于，所述集装箱偶发残损样本挖掘学习方法还包括：在对比学习优化的半监督学习训练中，按照属性类别构建队列，组成属性类别对应的特征池，以便将模型预测得到的新样本更新入特征池；从特征池中选取正例样本和负例样本，并将选取出正例样本和负例样本优化交叉熵损失函数和
/
或对比学习损失函数
。4.
根据权利要求3所述的集装箱偶发残损样本挖掘学习方法，其特征在于，通过随机采样固定个数从特征池中选取正例样本和负例样本，并且特征池进行动态更新，保证动态优化最新的特征，实现特征优化
。5.
根据权利要求1所述的集装箱偶发残损样本挖掘学习方法，其特征在于，所述集装箱偶发残损样本挖掘学习方法还包括：按指数平均数指标公式动态更新教师模型在对比学习优化的半监督学习中的权重，其中教师模型的权重按下式计算：
其中，为更新后教师模型的权重；为更新前教师模型的权重；为预设的平滑指数；为学生模型的权重
。6.
根据权利要求1‑5中任意一项所述的集装箱偶发残损样本挖掘学习方法，其特征在于，集装箱的残损属性划分为：穿洞
、
破损
、
凹陷
、
外凸
、
箱体变形
、
划伤
、
铅封缺失
、
脏污
、
锈迹
、
箱柱变形
、
门柱变形
、
梁变形
、
顶角变形；残损等级划分为：重要等级
、
中等等级和一般等级，其中重要等级包含的属性分类有穿洞
、
破损
、
箱柱变形
、
门柱变形
、
梁变形
、
顶角变形
、
铅封缺失；中等等级包含的属性分类有凹陷
、
外凸
、
箱体变形
、
划伤；一般等级包含有的属性分类有脏污
、
锈迹
。7.
一种集装箱偶发残损样本挖掘方法，其特征在于，包括：将多个集装箱残损标记样本
Xi
输入到学生模型中，利用学生模型获取出标记样本
Xi
对应的原型特征
Mi
；其中，标记样本为根据多级多属性类别对少量样本数据进行标注得到的样本，每个级别的每个属性类别有至少1个标记样本对应，多级多属性类别为将集装箱残损分类类别按残损等级和残损属性划分得到；学生模型为利用如权利要求1‑6中任意一项所述的集装箱偶发残损样本挖掘学习方法训练得到的学生模型；将未标记样本
X
输入到学生模型中，得到未标记样本
X
对应的预测特征
Mx
及置信度；根据预测特征
Mx
及置信度，将未标记样本
X

【专利技术属性】
技术研发人员：汪瀚，杨帆，
申请(专利权)人：哪吒港航智慧科技上海有限公司，
类型：发明
国别省市：