模型的训练方法、缺陷检测方法、装置、电子设备及介质制造方法及图纸

本申请涉及缺陷检测技术领域，尤其涉及一种模型的训练方法、缺陷检测方法、装置、电子设备及介质，用以提高模型的训练效率。其中，方法包括：基于第一训练数据集，对初始检测模型中的分类网络的第二权重集进行循环迭代训练，获得多个第二缺陷类别的中间权重参数；基于各中间权重参数的平均值，对各中间权重参数进行更新，获得多个第二缺陷类别的目标权重参数；基于各目标权重参数对分类网络的第一权重集进行参数更新，更新后的第一权重集用于缺陷检测。由于本申请只需要通过模型训练对第二权重集进行更新后，基于第二权重集更新第一权重集，获得的第一权重集用于缺陷检测时，可以与使用全量的历史数据进行训练实现相当的效果，提高模型训练效率。

【技术实现步骤摘要】

所属的技术人员能够理解，本申请的各个方面可以实现为系统、方法或程序产品。因此，本申请的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。与上述方法实施例基于同一专利技术构思，本申请实施例中还提供了一种电子设备。在一种实施例中，该电子设备可以是服务器，如图2所示的服务器。在该实施例中，电子设备的结构可以如图14所示，包括存储器1401，通讯模块1403以及一个或多个处理器1402。存储器1401，用于存储处理器1402执行的计算机程序。存储器1401可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统，以及运行即时通讯功能所需的程序等；存储数据区可存储各种即时通讯信息和操作指令集等。存储器1401可以是易失性存储器(volatile memory)，例如随机存取存储器(random-access memory，ram)；存储器1401也可以是非易失性存储器(non-volatilememory)，例如只读存储器，快闪存储器(flash memory本文档来自技高网...

【技术保护点】

1.一种模型的训练方法，其特征在于，所述方法包括：

2.如权利要求1所述的方法，其特征在于，所述第一训练数据集还包含从各缺陷图像集合中抽取的各历史缺陷图像；

3.如权利要求2所述的方法，其特征在于，所述基于所述平均值，以及所述各历史缺陷类别各自对应的历史缺陷图像的数量，分别对所述各历史缺陷类别各自的中间权重参数进行更新，获得所述各历史缺陷类别各自的目标权重参数，包括：

4.如权利要求3所述的方法，其特征在于，所述基于所述候选权重参数、所述一个历史缺陷类别对应的历史缺陷图像的数量，以及所述一个历史缺陷类别的历史权重参数，获得所述一个历史缺陷类别的目标权重...

【技术特征摘要】

1.一种模型的训练方法，其特征在于，所述方法包括：

2.如权利要求1所述的方法，其特征在于，所述第一训练数据集还包含从各缺陷图像集合中抽取的各历史缺陷图像；

3.如权利要求2所述的方法，其特征在于，所述基于所述平均值，以及所述各历史缺陷类别各自对应的历史缺陷图像的数量，分别对所述各历史缺陷类别各自的中间权重参数进行更新，获得所述各历史缺陷类别各自的目标权重参数，包括：

4.如权利要求3所述的方法，其特征在于，所述基于所述候选权重参数、所述一个历史缺陷类别对应的历史缺陷图像的数量，以及所述一个历史缺陷类别的历史权重参数，获得所述一个历史缺陷类别的目标权重参数，包括：

5.如权利要求4所述的方法，其特征在于，所述基于所述历史权重参数与样本重叠系数的乘积，与所述候选权重参数的和，获得所述一个历史缺陷类别的目标权重参数，包括：

6.如权利要求1所述的方法，其特征在于，所述第一训练数据集还包含从各缺陷图像集合中抽取的各历史缺陷图像；则通过以下方式获得所述各历史缺陷图像：

7.如权利要求6所述的方法，其特征在于，所述基于所述至少一个历史缺陷类别，各自对应的样本缺陷图像的数量，对所述至少一个历史缺陷类别各自对应的候选缺陷图像，进行图像抽取，获得所述各历史缺陷图...

【专利技术属性】
技术研发人员：曾怡，詹佳伟，刘俊，汪铖杰，
申请(专利权)人：重庆腾讯信息技术有限公司，
类型：发明
国别省市：