模型训练方法、模型训练装置和工业检测分类模型与流程

本申请涉及工业检测，特别涉及一种模型训练方法、模型训练装置、工业检测分类模型和计算机可读存储介质。

背景技术：

1、近年来，深度学习技术持续发展，深度学习模型在工业检测领域也开始应用。工业检测中常采用分类模型检测工业零件等产品的合格和不合格类别，深度学习分类模型能够自动学习图像特征，检测效果较好。但是深度学习分类模型比较依赖训练图像数据，在一条工业产线采集图像数据训练的分类模型迁移到其他产线时，需要重新采集图像数据进行训练，产线迁移效率较低。

技术实现思路

1、本申请实施方式提供了一种模型训练方法、模型训练装置、工业检测分类模型和计算机可读存储介质，以解决上述存在的至少一个技术问题。

2、本申请实施方式的模型训练方法，应用于工业检测分类模型，所述工业检测分类模型包括双输入孪生网络主干模型和分类器，所述模型训练方法包括：

3、根据模板图像和检测图像生成样本图像对；

4、将所述样本图像对输入至所述双输入孪生网络主干模型；

5、通过所述双输入孪生网络主干模型提取所述样本图像对的图像特征；

6、通过所述分类器计算并输出所述样本图像对的图像特征之间的度量值；

7、根据所述度量值的训练误差更新所述双输入孪生网络主干模型的模型参数。

8、在某些实施方式中，所述模板图像包括合格样本图像，所述检测图像包括合格样本图像和不合格样本图像，所述根据模板图像和检测图像生成样本图像对，包括：

9、根据所述模板图像的合格样本图像和所述检测图像的合格样本图像生成正样本图像对；

10、根据所述模板图像的合格样本图像和所述检测图像的不合格样本图像生成负样本图像对。

11、在某些实施方式中，所述根据所述模板图像的合格样本图像和所述检测图像的合格样本图像生成正样本图像对，包括：

12、根据所述模板图像的合格样本图像和所述检测图像的合格样本图像的所有组合生成所述正样本图像对；

13、所述根据所述模板图像的合格样本图像和所述检测图像的不合格样本图像生成负样本图像对，包括：

14、根据所述模板图像的合格样本图像和所述检测图像的不合格样本图像的所有组合生成所述负样本图像对。

15、在某些实施方式中，所述根据所述模板图像的合格样本图像和所述检测图像的合格样本图像生成正样本图像对，包括：

16、遍历所述模板图像的合格样本图像，并对应随机挑选所述检测图像的合格样本图像，生成所述正样本图像对；

17、所述根据所述模板图像的合格样本图像和所述检测图像的不合格样本图像生成负样本图像对，包括：

18、根据所述模板图像的合格样本图像和所述检测图像的不合格样本图像的所有组合生成所述负样本图像对。

19、在某些实施方式中，所述度量值包括距离或相似度。

20、在某些实施方式中，所述度量值包括距离，所述根据所述度量值的训练误差更新所述双输入孪生网络主干模型的模型参数，包括：

21、根据所述正样本图像对的图像特征之间的第一距离、所述负样本图像对的图像特征之间的第二距离、以及拟合目标函数更新所述双输入孪生网络主干模型的模型参数；

22、其中，所述第一距离与所述拟合目标函数的值为正相关，所述第二距离与所述拟合目标函数的值为负相关。

23、在某些实施方式中，所述度量值包括相似度，所述根据所述度量值的训练误差更新所述双输入孪生网络主干模型的模型参数，包括：

24、根据所述正样本图像对的图像特征之间的第一相似度、所述负样本图像对的图像特征之间的第二相似度、以及拟合目标函数更新所述双输入孪生网络主干模型的模型参数；

25、其中，所述第一相似度与所述拟合目标函数的值为负相关，所述第二相似度与所述拟合目标函数的值为正相关。

26、本申请实施方式的模型训练装置，应用于工业检测分类模型，所述工业检测分类模型包括双输入孪生网络主干模型和分类器，所述模型训练装置包括引擎模块、输入模块和更新模块；

27、所述引擎模块用于根据模板图像和检测图像生成样本图像对；

28、所述输入模块用于将所述样本图像对输入至所述双输入孪生网络主干模型；

29、所述双输入孪生网络主干模型用于提取所述样本图像对的图像特征；

30、所述分类器用于计算并输出所述样本图像对的图像特征之间的度量值；

31、所述更新模块用于根据所述度量值的训练误差更新所述双输入孪生网络主干模型的模型参数。

32、本申请实施方式的工业检测分类模型，所述工业检测分类模型包括一个或多个处理器和存储器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行的情况下，实现上述任一实施方式的模型训练方法。

33、本申请实施方式的计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行的情况下，实现上述任一实施方式的模型训练方法。

34、本申请实施方式的模型训练方法、模型训练装置、工业检测分类模型和计算机可读存储介质，根据模板图像和检测图像生成样本图像对；将样本图像对输入至双输入孪生网络主干模型；通过双输入孪生网络主干模型提取样本图像对的图像特征；通过分类器计算并输出样本图像对的图像特征之间的度量值；根据度量值的训练误差更新双输入孪生网络主干模型的模型参数。如此，在产线迁移时无需重新采集图像数据对工业检测分类模型进行训练，可以有效地提高工业检测分类模型在工业检测场景中产线迁移的效率，助力工业检测分类模型在工业检测场景中落地的提质增效。

35、本申请实施方式的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请实施方式的实践了解到。

技术特征：

1.一种模型训练方法，其特征在于，应用于工业检测分类模型，所述工业检测分类模型包括双输入孪生网络主干模型和分类器，所述模型训练方法包括：

2.根据权利要求1所述的模型训练方法，其特征在于，所述模板图像包括合格样本图像，所述检测图像包括合格样本图像和不合格样本图像，所述根据模板图像和检测图像生成样本图像对，包括：

3.根据权利要求2所述的模型训练方法，其特征在于，所述根据所述模板图像的合格样本图像和所述检测图像的合格样本图像生成正样本图像对，包括：

4.根据权利要求2所述的模型训练方法，其特征在于，所述根据所述模板图像的合格样本图像和所述检测图像的合格样本图像生成正样本图像对，包括：

5.根据权利要求1所述的模型训练方法，其特征在于，所述度量值包括距离或相似度。

6.根据权利要求2所述的模型训练方法，其特征在于，所述度量值包括距离，所述根据所述度量值的训练误差更新所述双输入孪生网络主干模型的模型参数，包括：

7.根据权利要求2所述的模型训练方法，其特征在于，所述度量值包括相似度，所述根据所述度量值的训练误差更新所述双输入孪生网络主干模型的模型参数，包括：

8.一种模型训练装置，其特征在于，应用于工业检测分类模型，所述工业检测分类模型包括双输入孪生网络主干模型和分类器，所述模型训练装置包括引擎模块、输入模块和更新模块；

9.一种工业检测分类模型，其特征在于，所述工业检测分类模型包括一个或多个处理器和存储器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行的情况下，实现权利要求1-7任意一项所述的模型训练方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行的情况下，实现权利要求1-7任意一项所述的模型训练方法。

技术总结
本申请公开了一种模型训练方法、模型训练装置、工业检测分类模型和计算机可读存储介质。工业检测分类模型包括双输入孪生网络主干模型和分类器。模型训练方法包括：根据模板图像和检测图像生成样本图像对；将样本图像对输入至双输入孪生网络主干模型；通过双输入孪生网络主干模型提取样本图像对的图像特征；通过分类器计算并输出样本图像对的图像特征之间的度量值；根据度量值的训练误差更新双输入孪生网络主干模型的模型参数。如此，在产线迁移时无需重新采集图像数据对工业检测分类模型进行训练，可以有效地提高工业检测分类模型在工业检测场景中产线迁移的效率，助力工业检测分类模型在工业检测场景中落地的提质增效。

技术研发人员：张黎
受保护的技术使用者：深圳市凌云视迅科技有限责任公司
技术研发日：
技术公布日：2024/3/17