CN116958777A - 图像识别方法、装置和存储介质及电子设备 - Google Patents
图像识别方法、装置和存储介质及电子设备 Download PDFInfo
- Publication number
- CN116958777A CN116958777A CN202310239686.9A CN202310239686A CN116958777A CN 116958777 A CN116958777 A CN 116958777A CN 202310239686 A CN202310239686 A CN 202310239686A CN 116958777 A CN116958777 A CN 116958777A
- Authority
- CN
- China
- Prior art keywords
- target
- sample
- recognition model
- samples
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 147
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 253
- 238000012216 screening Methods 0.000 claims abstract description 68
- 230000008569 process Effects 0.000 claims abstract description 65
- 238000003062 neural network model Methods 0.000 claims abstract description 12
- 238000004590 computer program Methods 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 20
- 230000008859 change Effects 0.000 claims description 15
- 239000000523 sample Substances 0.000 claims 80
- 239000000758 substrate Substances 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 33
- 238000013473 artificial intelligence Methods 0.000 abstract description 18
- 238000010801 machine learning Methods 0.000 abstract description 7
- 230000007547 defect Effects 0.000 description 26
- 238000012545 processing Methods 0.000 description 18
- 238000004364 calculation method Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 12
- 238000007689 inspection Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 230000002950 deficient Effects 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Image Analysis (AREA)
Abstract
本申请公开了一种图像识别方法、装置和存储介质及电子设备。其中,该方法包括:获取待识别的目标图像;将目标图像输入图像识别模型,其中,图像识别模型为利用多个目标样本进行一次训练和二次训练得到的、用于识别图像的神经网络模型,目标样本为干净样本或噪声样本,噪声样本为在二次训练的训练过程中利用目标损失曲线对多个目标样本进行筛选后得到的样本,噪声样本对图像识别模型的更新权重小于干净样本对图像识别模型的更新权重;获取图像识别模型输出的图像识别结果,其中,图像识别结果用于指示目标图像的图像类型,可应用在人工智能场景中,涉及机器学习等技术。本申请解决了图像识别准确性较低的技术问题。
Description
技术领域
本申请涉及计算机领域,具体而言,涉及一种图像识别方法、装置和存储介质及电子设备。
背景技术
在图像识别场景中,通常会利用模型参与的方式,使用图像识别模型进行图像的识别,但很多类型图像之间的差异程度可能较为轻微,进而导致图像识别准确性较低的问题出现。因此,存在图像识别准确性较低的问题。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种图像识别方法、装置和存储介质及电子设备,以至少解决图像识别准确性较低的技术问题。
根据本申请实施例的一个方面,提供了一种图像识别方法,包括:获取待识别的目标图像;将所述目标图像输入图像识别模型,其中,所述图像识别模型为利用多个目标样本进行一次训练和二次训练得到的、用于识别图像的神经网络模型,所述目标样本为干净样本或噪声样本,所述噪声样本为在所述二次训练的训练过程中利用目标损失曲线对所述多个目标样本进行筛选后得到的样本,所述目标损失曲线为在所述一次训练的训练过程中得到的所述多个目标样本中的各个目标样本对应的损失曲线,所述噪声样本对所述图像识别模型的更新权重小于所述干净样本对所述图像识别模型的更新权重;获取所述图像识别模型输出的图像识别结果,其中,所述图像识别结果用于指示所述目标图像的图像类型。
根据本申请实施例的另一方面,还提供了一种图像识别装置,包括:第一获取单元,用于获取待识别的目标图像;第一输入单元,用于将所述目标图像输入图像识别模型,其中,所述图像识别模型为利用多个目标样本进行一次训练和二次训练得到的、用于识别图像的神经网络模型,所述目标样本为干净样本或噪声样本,所述噪声样本为在所述二次训练的训练过程中利用目标损失曲线对所述多个目标样本进行筛选后得到的样本,所述目标损失曲线为在所述一次训练的训练过程中得到的所述多个目标样本中的各个目标样本对应的损失曲线,所述噪声样本对所述图像识别模型的更新权重小于所述干净样本对所述图像识别模型的更新权重;第二获取单元,用于获取所述图像识别模型输出的图像识别结果,其中,所述图像识别结果用于指示所述目标图像的图像类型。
作为一种可选的方案,所述装置还包括:第三获取单元,用于在所述将所述目标图像输入图像识别模型之前,获取所述多个目标样本,其中,所述目标样本携带有至少两个标签中的任一标签;第二输入单元,用于在所述将所述目标图像输入图像识别模型之前,将所述多个目标样本输入初始的第一识别模型进行所述一次训练,直至得到训练好的第二识别模型,并获取所述多个目标样本中的各个目标样本在所述一次训练的训练过程中对应的所述目标损失曲线;第三输入单元,用于在所述将所述目标图像输入图像识别模型之前,将所述多个目标样本输入所述第二识别模型,并利用所述目标损失曲线对所述各个目标样本进行筛选,得到样本参考信息,其中,所述样本参考信息用于指示所述各个目标样本属于所述干净样本或所述噪声样本;训练单元,用于在所述将所述目标图像输入图像识别模型之前,基于所述样本参考信息对所述第一识别模型进行迭代更新,直至得到训练好的所述图像识别模型。
作为一种可选的方案,所述第二获取单元,包括:获取模块,用于获取所述图像识别模型输出的所述图像识别结果,其中,所述图像识别结果用于指示所述目标图像为目标标签匹配的图像类型,所述目标标签为所述至少两个标签中的标签。
作为一种可选的方案,所述第三输入单元,包括:第一输入模块,用于将所述多个目标样本输入所述第二识别模型进行多轮迭代训练;第一筛选模块,用于在所述多轮迭代训练的过程中,利用所述目标损失曲线对所述各个目标样本进行筛选,得到所述各个目标样本在所述多轮迭代训练过程中的每轮样本参考信息,其中,所述每轮样本参考信息用于指示所述各个目标样本在所述多轮迭代训练的各个轮次中分别属于所述干净样本或所述噪声样本。
作为一种可选的方案,所述训练单元,包括:执行模块,用于执行以下步骤,直至得到所述图像识别模型:确定当前轮的第一识别模型和所述各个目标样本对应的当前轮样本参考信息,其中,所述当前轮样本参考信息用于指示所述各个目标样本在所述多轮迭代训练的当前轮次中属于所述干净样本或所述噪声样本;从所述多个目标样本中确定出所述当前轮样本参考信息指示的、属于所述噪声样本的第一目标样本,和所述当前轮的样本参考信息指示的、属于所述干净样本的第二目标样本;在所述当前轮的第一识别模型对应的当前轮训练结果不满足收敛条件的情况下,利用所述第二目标样本进行反向传播,以更新所述第一识别模型的模型权重,并将更新后的第一识别模型确定为所述当前轮的第一识别模型;在所述当前轮训练结果满足所述收敛条件的情况下,将所述当前轮的第一识别模型确定为训练好的所述图像识别模型。
作为一种可选的方案,所述装置还包括:第一训练模块,用于在所述利用所述第二目标样本进行反向传播,以更新所述第一识别模型的模型权重,并将更新后的第一识别模型确定为所述当前轮的第一识别模型之前,利用所述第二目标样本对所述当前轮的第一识别模型进行训练,得到所述当前轮训练结果;或,所述装置还包括:第二训练模块,用于在所述从所述多个目标样本中确定出所述当前轮样本参考信息指示的、属于所述噪声样本的第一目标样本,和所述当前轮的样本参考信息指示的、属于所述干净样本的第二目标样本之前,利用所述多个目标样本对所述当前轮的第一识别模型进行训练,得到所述当前轮训练结果;所述装置还包括:第一确定单元,用于在所述利用所述多个目标样本对所述当前轮的第一识别模型进行训练,得到所述当前轮训练结果之后,在所述当前轮的第一识别模型对应的当前轮训练结果不满足收敛条件的情况下,从所述多个目标样本中确定出所述第一目标样本和所述第二目标样本。
作为一种可选的方案,所述第三输入单元,包括:第二输入模块,用于将所述多个目标样本输入所述第二识别模型进行多轮迭代训练;统计模块,用于在所述多轮迭代训练结束后,统计所述各个目标样本在所述多轮迭代训练过程中分别对应的损失变化曲线;结合模块,用于结合所述损失变化曲线和所述目标损失曲线对所述各个目标样本进行筛选,得到整体样本参考信息,其中,所述整体样本参考信息用于指示所述各个目标样本在所述多轮迭代训练的整体轮次中属于所述干净样本或所述噪声样本。
作为一种可选的方案,所述训练单元,包括:第二确定单元,用于从所述多个目标样本中确定出所述整体样本参考信息指示的、属于所述噪声样本的第三目标样本,和所述整体样本参考信息指示的、属于所述干净样本的第四目标样本;第三训练模块,用于利用所述第四目标样本对所述第一识别模型进行迭代训练,并在所述迭代训练过程中更新所述第一识别模型的模型权重,直至得到训练好的所述图像识别模型。
作为一种可选的方案,所述装置还包括:计算单元,用于在所述将所述多个目标样本输入所述第二识别模型,并利用所述目标损失曲线对所述各个目标样本进行筛选,得到样本参考信息之前,利用所述目标损失曲线计算各个样本类别对应的一次参考数值,其中,所述样本类别用于表示携带的所述标签对应的类别;所述第三输入单元,包括:第三输入模块,用于将所述多个目标样本输入所述第二识别模型,得到所述各个目标样本对应的二次损失曲线;第一计算模块,用于利用所述二次损失曲线计算所述各个目标样本对应的二次参考数值;比对模块,用于比对属于相同所述样本类别的所述一次参考数值和所述二次参考数值,得到目标比对结果;第二筛选模块,用于根据所述目标比对结果对所述各个目标样本进行筛选,得到所述样本参考信息。
作为一种可选的方案,所述计算单元,包括:第二计算模块,用于利用所述目标损失曲线计算各个所述样本类别对应的第一损失均值和第一损失方差,其中,所述第一损失均值为属于相同所述样本类别的所有目标样本对应的损失均值,所述第一损失方差为属于相同所述样本类别的所有目标样本对应的损失方差;所述第一计算模块,包括:计算子模块,用于利用所述二次损失曲线计算所述各个目标样本对应的第二损失均值和第二损失方差;所述比对模块,包括:比对子模块,用于比对属于相同所述样本类别的所述第一损失均值和所述第二损失均值,得到第一比对结果;和,比对属于相同所述样本类别的所述第一损失方差和所述第二损失方差,得到第二比对结果;所述第二筛选模块,包括:筛选子模块,用于根据所述第一比对结果和所述第二比对结果对所述各个目标样本进行筛选,得到所述样本参考信息。
根据本申请实施例的又一个方面,提供一种计算机可读的存储介质,其特征在于,上述计算机可读的存储介质包括计算机程序,其中,上述计算机程序被电子设备(如用户设备或服务器)运行时执行如以上图像识别方法。
根据本申请实施例的又一方面,还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,上述处理器通过计算机程序执行上述的图像识别方法。
在本申请实施例中,获取待识别的目标图像;将所述目标图像输入图像识别模型,其中,所述图像识别模型为利用多个目标样本进行一次训练和二次训练得到的、用于识别图像的神经网络模型,所述目标样本为干净样本或噪声样本,所述噪声样本为在所述二次训练的训练过程中利用目标损失曲线对所述多个目标样本进行筛选后得到的样本,所述目标损失曲线为在所述一次训练的训练过程中得到的所述多个目标样本中的各个目标样本对应的损失曲线,所述噪声样本对所述图像识别模型的更新权重小于所述干净样本对所述图像识别模型的更新权重;获取所述图像识别模型输出的图像识别结果,其中,所述图像识别结果用于指示所述目标图像的图像类型。通过图像识别模型进行图像识别,并利用图像识别模型的一次训练阶段得到的损失曲线,对图像识别模型的一次训练阶段中使用的样本进行筛选,并将降低筛选得到的噪声样本对图像识别模型的更新权重,进而达到了降低噪声样本对图像识别模型的负面影响的目的,从而实现了提高图像识别准确性的技术效果,进而解决了图像识别准确性较低的技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的一种可选的图像识别方法的应用环境的示意图;
图2是根据本申请实施例的一种可选的图像识别方法的流程的示意图;
图3是根据本申请实施例的一种可选的图像识别方法的示意图;
图4是根据本申请实施例的另一种可选的图像识别方法的示意图;
图5是根据本申请实施例的另一种可选的图像识别方法的示意图;
图6是根据本申请实施例的另一种可选的图像识别方法的示意图;
图7是根据本申请实施例的另一种可选的图像识别方法的示意图;
图8是根据本申请实施例的另一种可选的图像识别方法的示意图;
图9是根据本申请实施例的另一种可选的图像识别方法的示意图;
图10是根据本申请实施例的一种可选的图像识别装置的示意图;
图11是根据本申请实施例的一种可选的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为方便理解,进行下述名词解释:
人工智能(Artificial Intelligence,简称AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
计算机视觉技术(Computer Vision,简称CV)计算机视觉是一门研究如何使机器“看”的科学,更进一步的说,就是指用摄影机和电脑代替人眼对目标进行识别、追随和测量等机器视觉,并进一步做图形处理,使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科,计算机视觉研究相关的理论和技术,试图建立能够从图像或者多维数据中获取信息的人工智能***。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、同步定位与地图构建等技术,还包括常见的人脸识别、指纹识别等生物特征识别技术。
机器学习(Machine Learning,简称ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
随着人工智能技术研究和进步,人工智能技术在多个领域展开研究和应用,例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等,相信随着技术的发展,人工智能技术将在更多的领域得到应用,并发挥越来越重要的价值。
云技术(Cloud technology)是指在广域网或局域网内将硬件、软件、网络等系列资源统一起来,实现数据的计算、储存、处理和共享的一种托管技术。
云技术(Cloud technology)基于云计算商业模式应用的网络技术、信息技术、整合技术、管理平台技术、应用技术等的总称,可以组成资源池,按需所用,灵活便利。云计算技术将变成重要支撑。技术网络***的后台服务需要大量的计算、存储资源,如视频网站、图片类网站和更多的门户网站。伴随着互联网行业的高度发展和应用,将来每个物品都有可能存在自己的识别标志,都需要传输到后台***进行逻辑处理,不同程度级别的数据将会分开处理,各类行业数据皆需要强大的***后盾支撑,只能通过云计算来实现。
人工智能云服务,一般也被称作是AIaaS(AI as a Service,中文为“AI即服务”)。这是目前主流的一种人工智能平台的服务方式,具体来说AIaaS平台会把几类常见的AI服务进行拆分,并在云端提供独立或者打包的服务。这种服务模式类似于开了一个AI主题商城:所有的开发者都可以通过API接口的方式来接入使用平台提供的一种或者是多种人工智能服务,部分资深的开发者还可以使用平台提供的AI框架和AI基础设施来部署和运维自已专属的云人工智能服务。
本申请实施例提供的方案涉及人工智能的计算机视觉技术、机器学习等技术,具体通过如下实施例进行说明:
根据本申请实施例的一个方面,提供了一种图像识别方法,可选地,作为一种可选的实施方式,上述图像识别方法可以但不限于应用于如图1所示的环境中。其中,可以但不限于包括用户设备102以及服务器112,该用户设备102上可以但不限于包括显示器104、处理器106及存储器108,该服务器112包括数据库114以及处理引擎116。
具体过程可如下步骤:
步骤S102,用户设备102获取待识别的目标图像;
步骤S104-S106,通过网络110将目标图像发送至服务器112;
步骤S108-S110,服务器112通过处理引擎116将目标图像输入图像识别模型,并得到图像识别模型输出的图像识别结果;
步骤S112-S114,通过网络110将图像识别结果发送至用户设备102,用户设备102通过处理器106将图像识别结果显示在显示器104,并将上述图像识别结果存储在存储器108。
除图1示出的示例之外,上述步骤可以由用户设备或服务器独立完成,或由用户设备和服务器共同协作完成,如由用户设备102执行上述将目标图像输入图像识别模型、获取图像识别模型输出的图像识别结果等步骤,从而减轻服务器112的处理压力。该用户设备102包括但不限于手持设备(如手机)、笔记本电脑、平板电脑、台式电脑、车载设备、智能电视等,本申请并不限制用户设备102的具体实现方式。服务器112可以是单个的服务器或者是多个服务器组成的服务器集群,也可以是云服务器。
可选地,作为一种可选的实施方式,如图2所示,图像识别方法可以由电子设备执行,如图1所示的用户设备或服务器,具体步骤包括:
S202,获取待识别的目标图像;
S204,将目标图像输入图像识别模型,其中,图像识别模型为利用多个目标样本进行一次训练和二次训练得到的、用于识别图像的神经网络模型,目标样本为干净样本或噪声样本,噪声样本为在二次训练的训练过程中利用目标损失曲线对多个目标样本进行筛选后得到的样本,目标损失曲线为在一次训练的训练过程中得到的多个目标样本中的各个目标样本对应的损失曲线,噪声样本对图像识别模型的更新权重小于干净样本对图像识别模型的更新权重;
S206,获取图像识别模型输出的图像识别结果,其中,图像识别结果用于指示目标图像的图像类型。
可选地,在本实施例中,上述图像识别方法可以但不限于应用在工业缺陷质检场景中,工业缺陷质检可以但不限于是指对生产制造过程中的工业产品进行质量检测,传统的工业质检一般是由质检工人进行人工目检,近年来随着AI技术的兴起,基于机器视觉的AI质检可以大幅提升质检准确率、节省人力成本。
具体的,该技术通过人工标签标注的样本进行图像识别模型的训练,其中,该训练好的图像识别模型的输入是对工业产品的表面拍摄图片,输出则是缺陷的置信度,进而区分有缺陷图像和无缺陷图像。然而工业缺陷质检并不是简单的多分类任务,很多缺陷图像的程度较为轻微(甚至可以归类为无缺陷图像)以及不同缺陷之间可能存在相似性较高导致标注出错的问题,此时人工标签可能带有很多主观性,进而导致这样的缺陷人工标注信息带有噪声,在这样的带噪标签中进行模型的训练,会影响到模型的性能,进而导致图像识别的准确性较低的问题出现。
针对上述问题,本实施例利用多次训练的方式,筛选出带噪标签的样本,并降低带噪标签的样本对图像识别模型的更新权重,以减少带噪标签模型性能的影响,进而提高图像识别的准确性。
可选地,在本实施例中,目标样本可以但不限理解为通过各类标签进行标注的样本图像,而各类标签的标注可能存在标注出错的问题,导致上述样本图像的标注信息带有噪声,进而目标样本还可被分为干净样本或噪声样本,其中,干净样本可以但不限理解为无噪声标注信息的样本图像,而噪声样本可以但不限理解为有噪声标注信息的样本图像。
可选地,在本实施例中,目标损失曲线为在一次训练的训练过程中得到的多个目标样本中的各个目标样本对应的损失曲线(loss curves),其中,损失曲线可以但不限用于表示样本在模型的迭代训练过程中的损失值变化,进而以目标损失曲线为例说明,在一次训练的多轮迭代训练过程中,记录各个目标样本在每一轮次对应的损失值,再对该损失值进行统计,进而得到各个目标样本在一次训练的训练过程中的目标损失曲线。
可选地,在本实施例中,在二次训练的训练过程中利用目标损失曲线对多个目标样本进行筛选,如目标损失曲线表示了各个目标样本的损失值变化,而损失值变化越大可以但不限理解为对应的目标样本的差异性越大,而造成较大差异性的原因可以但不限于为该目标样本有噪声标注信息,进一步将该有噪声标注信息的目标样本(噪声样本)在二次训练的训练过程中进行过滤(如降低噪声样本对图像识别模型的更新权重),自然就可降低带噪标签的样本对模型性能的影响,进而提高图像识别的准确性。
可选地,在本实施例中,噪声样本对图像识别模型的更新权重小于干净样本对图像识别模型的更新权重,其中,更新权重可以但不限理解为在图像识别模型的权重更新过程中各个目标样本的参与权重,而权重更新可以但不限理解为用模型的原有权重减去反向传播的误差,但是反向传播的误差值可正可负,因此可以理解为当反向传播的误差为正时,减小权重的数值,当反向传播的误差为负时,增加权重的数值,而当样本属于噪声样本时,也将减小权重的数值(或者数值清零,表示该噪声样本不参与后续或当前轮次的权重更新过程);
进一步举例说明,可选地例如图3所示,利用样本A、样本B、和样本C对图像识别模型进行二次训练,并利用一次训练得到的目标损失曲线确定样本A、样本B、和样本C中的干净样本和噪声样本,如样本A为干净样本、样本B为噪声样本、样本C为干净样本;进一步在权重更新阶段,降低噪声样本的更新权重或提高干净样本的更新权重,使得干净样本的更新权重大于噪声样本的更新权重,或直接不使用噪声样本参与后续或本轮次的权重更新,只使用干净样本参与后续或本轮次的权重更新,进而得到更新后的图像识别模型,如更新前的图像识别模型对应的模型权重为1,而更新后的图像识别模型对应的模型权重为2。
可选地,在本实施例中,图像识别结果用于指示目标图像的图像类型,如图像识别结果可以但不限于为目标图像的置信度,在该置信度大于或等于置信度阈值的情况下,目标图像的图像类型为质量合格的图像类型;反之,在该置信度小于上述置信度阈值的情况下,目标图像的图像类型为质量不合格的图像类型;此外,为提高图像识别多样性,图像类型还可以但不限于包括多类,如第一图像类型、第二图像类型、第三图像类型等,进而图像识别结果可以但不限于为各类图像的置信度。
需要说明的是,通过图像识别模型进行图像识别,并利用图像识别模型的一次训练阶段得到的损失曲线,对图像识别模型的一次训练阶段中使用的样本进行筛选,并将降低筛选得到的噪声样本对图像识别模型的更新权重,进而降低噪声样本对图像识别模型的负面影响,从而实现了提高图像识别准确性的技术效果。
进一步举例说明,可选的例如图4所示,获取待识别的目标图像402;将目标图像402输入图像识别模型404,其中,图像识别模型404为利用多个目标样本404-1进行一次训练和二次训练得到的、用于识别图像的神经网络模型,目标样本404-1为干净样本或噪声样本,噪声样本为在二次训练的训练过程中利用目标损失曲线404-3对多个目标样本404-1进行筛选后得到的样本,目标损失曲线404-3为在一次训练的训练过程中得到的各个目标样本404-1对应的损失曲线,噪声样本对图像识别模型404的更新权重小于干净样本对图像识别模型404的更新权重;获取图像识别模型404输出的图像识别结果406,其中,图像识别结果406用于指示目标图像402的图像类型。
通过本申请提供的实施例,获取待识别的目标图像;将目标图像输入图像识别模型,其中,图像识别模型为利用多个目标样本进行一次训练和二次训练得到的、用于识别图像的神经网络模型,目标样本为干净样本或噪声样本,噪声样本为在二次训练的训练过程中利用目标损失曲线对多个目标样本进行筛选后得到的样本,目标损失曲线为在一次训练的训练过程中得到的多个目标样本中的各个目标样本对应的损失曲线,噪声样本对图像识别模型的更新权重小于干净样本对图像识别模型的更新权重;获取图像识别模型输出的图像识别结果,其中,图像识别结果用于指示目标图像的图像类型。通过图像识别模型进行图像识别,并利用图像识别模型的一次训练阶段得到的损失曲线,对图像识别模型的一次训练阶段中使用的样本进行筛选,并将降低筛选得到的噪声样本对图像识别模型的更新权重,进而达到了降低噪声样本对图像识别模型的负面影响的目的,从而实现了提高图像识别准确性的技术效果。
作为一种可选的方案,在将目标图像输入图像识别模型之前,方法还包括:
S1-1,获取多个目标样本,其中,目标样本携带有至少两个标签中的任一标签;
S1-2,将多个目标样本输入初始的第一识别模型进行一次训练,直至得到训练好的第二识别模型,并获取多个目标样本中的各个目标样本在一次训练的训练过程中对应的目标损失曲线;
S1-3,将多个目标样本输入第二识别模型,并利用目标损失曲线对各个目标样本进行筛选,得到样本参考信息,其中,样本参考信息用于指示各个目标样本属于干净样本或噪声样本;
S1-4,基于样本参考信息对第一识别模型进行迭代更新,直至得到训练好的图像识别模型。
可选地,在本实施例中,如图4所示,通过对初始的第一识别模型进行一次训练得到的图像识别模型404-2(第二识别模型)可以但不限于为二次训练的训练基础,并将二次训练得到的图像识别模型404-4确定为训练好的图像识别模型404。
通过本申请提供的实施例,获取多个目标样本,其中,目标样本携带有至少两个标签中的任一标签;将多个目标样本输入初始的第一识别模型进行一次训练,直至得到训练好的第二识别模型,并获取多个目标样本中的各个目标样本在一次训练的训练过程中对应的目标损失曲线;将多个目标样本输入第二识别模型,并利用目标损失曲线对各个目标样本进行筛选,得到样本参考信息,其中,样本参考信息用于指示各个目标样本属于干净样本或噪声样本;基于样本参考信息对第一识别模型进行迭代更新,直至得到训练好的图像识别模型,进而达到了降低噪声样本对图像识别模型的负面影响的目的,从而实现了提高图像识别准确性的技术效果。
作为一种可选的方案,获取图像识别模型输出的图像识别结果,包括:
获取图像识别模型输出的图像识别结果,其中,图像识别结果用于指示目标图像为目标标签匹配的图像类型,目标标签为至少两个标签中的标签。
可选地,在本实施例中,目标样本可以但不限理解为通过至少两个标签中的任一标签进行标注的样本图像,而各类标签的标注可能存在标注出错的问题,导致上述样本图像的标注信息带有噪声,进而目标样本还可被分为干净样本或噪声样本。
作为一种可选的方案,将多个目标样本输入第二识别模型,并利用目标损失曲线对各个目标样本进行筛选,得到样本参考信息,包括:
S2-1,将多个目标样本输入第二识别模型进行多轮迭代训练;
S2-2,在多轮迭代训练的过程中,利用目标损失曲线对各个目标样本进行筛选,得到各个目标样本在多轮迭代训练过程中的每轮样本参考信息,其中,每轮样本参考信息用于指示各个目标样本在多轮迭代训练的各个轮次中分别属于干净样本或噪声样本。
可选地,在本实施例中,利用目标损失曲线对各个目标样本进行的筛选,可以但不限于是对各个目标样本在每轮迭代训练中是属于干净样本还是噪声样本;或者说,假设目标样本1在1轮迭代训练中属于干净样本,但目标样本1在2轮迭代训练中并不一定属于干净样本,而是属于噪声样本。
需要说明的是,各个目标样本在多轮迭代训练过程中的每轮样本参考信息是随着迭代轮次的变化而变化的,并不是一个固定值,因此噪声样本的筛选过程是一个随着迭代轮次进行自适应变换的,相比于直接根据固定的样本参考信息进行判断会拥有更强的灵活性。
通过本申请提供的实施例,将多个目标样本输入第二识别模型进行多轮迭代训练;在多轮迭代训练的过程中,利用目标损失曲线对各个目标样本进行筛选,得到各个目标样本在多轮迭代训练过程中的每轮样本参考信息,其中,每轮样本参考信息用于指示各个目标样本在多轮迭代训练的各个轮次中分别属于干净样本或噪声样本,进而达到了利用目标损失曲线对各个目标样本进行筛选的灵活性更强的目的,从而实现了提高样本筛选的灵活度的技术效果。
作为一种可选的方案,基于样本参考信息对第一识别模型进行迭代更新,直至得到训练好的图像识别模型,包括:
执行以下步骤,直至得到图像识别模型:
S3-1,确定当前轮的第一识别模型和各个目标样本对应的当前轮样本参考信息,其中,当前轮样本参考信息用于指示各个目标样本在多轮迭代训练的当前轮次中属于干净样本或噪声样本;
S3-2,从多个目标样本中确定出当前轮样本参考信息指示的、属于噪声样本的第一目标样本,和当前轮的样本参考信息指示的、属于干净样本的第二目标样本;
S3-3,在当前轮的第一识别模型对应的当前轮训练结果不满足收敛条件的情况下,利用第二目标样本进行反向传播,以更新第一识别模型的模型权重,并将更新后的第一识别模型确定为当前轮的第一识别模型;
S3-4,在当前轮训练结果满足收敛条件的情况下,将当前轮的第一识别模型确定为训练好的图像识别模型。
需要说明的是,为降低降低噪声样本对图像识别模型的负面影响,可以但不限于在筛选确定当前轮的干净样本和噪声样本后,仅利用干净样本进行识别模型的更新,而不使用噪声样本,使得更新后的识别模型弱化了噪声样本造成的负面影响。
通过本申请提供的实施例,执行以下步骤,直至得到图像识别模型:确定当前轮的第一识别模型和各个目标样本对应的当前轮样本参考信息,其中,当前轮样本参考信息用于指示各个目标样本在多轮迭代训练的当前轮次中属于干净样本或噪声样本;从多个目标样本中确定出当前轮样本参考信息指示的、属于噪声样本的第一目标样本,和当前轮的样本参考信息指示的、属于干净样本的第二目标样本;在当前轮的第一识别模型对应的当前轮训练结果不满足收敛条件的情况下,利用第二目标样本进行反向传播,以更新第一识别模型的模型权重,并将更新后的第一识别模型确定为当前轮的第一识别模型;在当前轮训练结果满足收敛条件的情况下,将当前轮的第一识别模型确定为训练好的图像识别模型,进而达到了降低降低噪声样本对图像识别模型的负面影响的目的,从而实现了提高识别模型的模型训练质量的技术效果。
作为一种可选的方案,在利用第二目标样本进行反向传播,以更新第一识别模型的模型权重,并将更新后的第一识别模型确定为当前轮的第一识别模型之前,方法还包括:利用第二目标样本对当前轮的第一识别模型进行训练,得到当前轮训练结果;
需要说明的是,为提高模型训练质量,先进行噪声样本和干净样本的筛选,然后直接利用干净样本进行训练,得到当前轮训练结果。
作为一种可选的方案,在从多个目标样本中确定出当前轮样本参考信息指示的、属于噪声样本的第一目标样本,和当前轮的样本参考信息指示的、属于干净样本的第二目标样本之前,方法还包括:利用多个目标样本对当前轮的第一识别模型进行训练,得到当前轮训练结果;
在利用多个目标样本对当前轮的第一识别模型进行训练,得到当前轮训练结果之后,方法还包括:在当前轮的第一识别模型对应的当前轮训练结果不满足收敛条件的情况下,从多个目标样本中确定出第一目标样本和第二目标样本。
需要说明的是,为提高模型训练效率,可以先不做区分,直接使用多个目标样本进行训练,并在不收敛的情况下,再进行噪声样本和干净样本的筛选,而在收敛的情况下,可省略进行噪声样本和干净样本的筛选步骤,节省了模型训练过程中的非必要步骤。
通过本申请提供的实施例,利用第二目标样本对当前轮的第一识别模型进行训练,得到当前轮训练结果;或,利用多个目标样本对当前轮的第一识别模型进行训练,得到当前轮训练结果;在当前轮的第一识别模型对应的当前轮训练结果不满足收敛条件的情况下,从多个目标样本中确定出第一目标样本和第二目标样本,进而达到了提供满足各类需求的多样模型训练方式的目的,从而实现了提高模型训练的多样性的技术效果。
作为一种可选的方案,将多个目标样本输入第二识别模型,并利用目标损失曲线对各个目标样本进行筛选,得到样本参考信息,包括:
S4-1,将多个目标样本输入第二识别模型进行多轮迭代训练;
S4-2,在多轮迭代训练结束后,统计各个目标样本在多轮迭代训练过程中分别对应的损失变化曲线;
S4-3,结合损失变化曲线和目标损失曲线对各个目标样本进行筛选,得到整体样本参考信息,其中,整体样本参考信息用于指示各个目标样本在多轮迭代训练的整体轮次中属于干净样本或噪声样本。
可选地,在本实施例中,基于样本参考信息对第一识别模型进行迭代更新,直至得到训练好的图像识别模型,包括:
S5-1,从多个目标样本中确定出整体样本参考信息指示的、属于噪声样本的第三目标样本,和整体样本参考信息指示的、属于干净样本的第四目标样本;
S5-2,利用第四目标样本对第一识别模型进行迭代训练,并在迭代训练过程中更新第一识别模型的模型权重,直至得到训练好的图像识别模型。
需要说明的是,为提高模型训练的整体性,可以但不限于在模型进行二次训练后,基于一次训练得到的目标损失曲线,进行噪声样本和干净样本的筛选,并利用干净样本进行整体性的二次训练。
通过本申请提供的实施例,从多个目标样本中确定出整体样本参考信息指示的、属于噪声样本的第三目标样本,和整体样本参考信息指示的、属于干净样本的第四目标样本;利用第四目标样本对第一识别模型进行迭代训练,并在迭代训练过程中更新第一识别模型的模型权重,直至得到训练好的图像识别模型,进而达到了提高模型训练的整体性的目的,从而实现了提高模型的训练质量的技术效果。
作为一种可选的方案,在将多个目标样本输入第二识别模型,并利用目标损失曲线对各个目标样本进行筛选,得到样本参考信息之前,方法还包括:利用目标损失曲线计算各个样本类别对应的一次参考数值,其中,样本类别用于表示携带的标签对应的类别;
将多个目标样本输入第二识别模型,并利用目标损失曲线对各个目标样本进行筛选,得到样本参考信息,包括:
S6-1,将多个目标样本输入第二识别模型,得到各个目标样本对应的二次损失曲线;
S6-2,利用二次损失曲线计算各个目标样本对应的二次参考数值;
S6-3,比对属于相同样本类别的一次参考数值和二次参考数值,得到目标比对结果;
S6-4,根据目标比对结果对各个目标样本进行筛选,得到样本参考信息。
需要说明的是,为提高样本筛选的准确性,使用一次训练得到的损失曲线进行各类别样本的一次参考数值计算,得到各个类样本的平均数值;再使用二次训练得到的损失曲线进行待判别样本的二次参考数值,并将二次参考数值与上述待判别样本所属类别对应的一次参考数值进行比对,以比对上述待判别样本是否低于平均数值,若低于该平均数值,则表示上述待判别样本低于该类别的平均水平,也即确定上述待判别样本为噪声样本。
通过本申请提供的实施例,利用目标损失曲线计算各个样本类别对应的一次参考数值,其中,样本类别用于表示携带的标签对应的类别;将多个目标样本输入第二识别模型,得到各个目标样本对应的二次损失曲线;利用二次损失曲线计算各个目标样本对应的二次参考数值;比对属于相同样本类别的一次参考数值和二次参考数值,得到目标比对结果;根据目标比对结果对各个目标样本进行筛选,得到样本参考信息,进而达到了提高样本筛选的准确性的目的,从而实现了提高模型的训练质量的技术效果。
作为一种可选的方案,利用目标损失曲线计算各个样本类别对应的一次参考数值,包括:利用目标损失曲线计算各个样本类别对应的第一损失均值和第一损失方差,其中,第一损失均值为属于相同样本类别的所有目标样本对应的损失均值,第一损失方差为属于相同样本类别的所有目标样本对应的损失方差;
利用二次损失曲线计算各个目标样本对应的二次参考数值,包括:利用二次损失曲线计算各个目标样本对应的第二损失均值和第二损失方差;
比对属于相同样本类别的一次参考数值和二次参考数值,得到目标比对结果,包括:比对属于相同样本类别的第一损失均值和第二损失均值,得到第一比对结果;和,比对属于相同样本类别的第一损失方差和第二损失方差,得到第二比对结果;
根据目标比对结果对各个目标样本进行筛选,得到样本参考信息,包括:根据第一比对结果和第二比对结果对各个目标样本进行筛选,得到样本参考信息。
可选地,在本实施例中,均值(mean)可以但不限于是指在一组数据中所有数据之和再除以这组数据的个数,反映了数据集中趋势的一项指标;方差(variance)可以但不限于是在概率论和统计方差衡量随机变量或一组数据时离散程度的度量,概率论中方差用来度量随机变量和其数学期望(即均值)之间的偏离程度,统计中的方差(样本方差)是每个样本值与全体样本值的平均数之差的平方值的平均数。
通过本申请提供的实施例,利用目标损失曲线计算各个样本类别对应的第一损失均值和第一损失方差,其中,第一损失均值为属于相同样本类别的所有目标样本对应的损失均值,第一损失方差为属于相同样本类别的所有目标样本对应的损失方差;利用二次损失曲线计算各个目标样本对应的第二损失均值和第二损失方差;比对属于相同样本类别的第一损失均值和第二损失均值,得到第一比对结果;和,比对属于相同样本类别的第一损失方差和第二损失方差,得到第二比对结果;根据第一比对结果和第二比对结果对各个目标样本进行筛选,得到样本参考信息,进而达到了细化样本的筛选粒度的目的,从而实现了提高样本的筛选精细度的技术效果。
作为一种可选的方案,为方便理解,将上述图像识别方法应用在工业缺陷质检场景,传统的基于机器视觉的工业缺陷质检算法是对输入图像进行手工特征的提取,包含梯度特征、纹理特征等,随后根据提取到的手工特征,训练一个SVM分类器(或者是基于树的分类器,例如随机森林),对当前图片的缺陷图像进行分类。
但上述方式至少存在两个问题,一是提取到的手工特征泛化性比较差,对于多样化的视频数据往往会提取到一些对后续分类器产生混淆的有害特征;二是特征提取和分类器的训练二者是独立进行的,模型的训练代价比较高。
针对这两个问题,可以但不限基于CNN的做法直接将原图送入到一个CNN的网络结构中进行特征提取,随后使用全连接层进行分类,模型的训练则是依据softmax损失函数,进行的一个端到端的训练,整个步骤不需要进行手工特征的设计,模型训练时候会自动学习到对当前分类任务最适合的特征,且整个过程是端到端的,不需要独立对特征提取和分类两个步骤单独训练。
然而上述基于CNN的整图分类还是存在一些问题,如工业缺陷质检并不是简单的多分类任务,很多缺陷图像的程度较为轻微(甚至可以归类为OK图像)以及不同缺陷之间可能存在相似性较高导致标注出错的问题,此时人工标签可能带有很多主观性,进而导致这样的缺陷人工标注信息带有噪声,在这样的带噪标签中进行模型的训练,会影响到模型的性能。
针对上述问题,本实施例提出一种基于损失曲线进行自适应噪声数据筛选的工业缺陷检测算法,通过设计两个阶段的训练过程,第一阶段用于获取单个样本的训练巡视变化曲线,第二阶段根据样本损失曲线进行自适应噪声样本过滤,进而降低噪声样本的影响,第二阶段训练结束之后,可以获得更加准确、鲁棒的模型,改善实际部署阶段的模型预测结果。
可选地,在本实施例中,直接输出单张图像是某种缺陷的置信度,进而得到最终是否为缺陷的检测结果(缺陷或正常),如图5所示,缺陷置信度为0.05的图像为OK图像,缺陷置信度为0.95的图像为缺陷图像。
需要说明的是,工业数据普遍存在标签噪声,且噪声样本由于标签错误,会在训练阶段对模型的监督信息产生歧义性,导致模型的预测结果变动较大(一致性差),进而损失值普遍偏大且方差也较大,而本实施例基于噪声样本的这个特点、结合损失曲线进行自适应噪声数据筛选;
进一步举例说明,可选地本实施例分为三个阶段,分别是一次训练阶段、二次训练阶段、以及测试阶段,具体内容如下:
针对一次训练阶段,如图6所示,输入训练数据,经过深度模型f(·;θ)进行特征提取以及输出目标概率结果预测p:
p=f(x;θ)
其中,θ表示深度模型的权重参数,并根据预测概率以及输入数据对应的人工标签结果进行损失计算:
l=CE(p,y)
其中,CE()表示交叉熵损失函数。随后利用损失l进行梯度下降迭代更新模型参数,此时记录每个样本的损失值。
训练结束之后,得到模型参数θ*以及每个样本的损失变化曲线,如图7所示,其中,图7中的虚线表示噪声样本,实线表示干净样本,纵坐标为损失值,横坐标为迭代轮次。单个样本的损失曲线可以表示为li=[li,0,li,1,…,li,N],其中N表示训练的迭代轮次总数。
得到了所有样本的损失曲线之后,按照类别进行loss均值计算,用于t时刻获取每类的损失均值以及方差:
其中,D(·)表示迪利克雷函数:表示仅当标签类别为c的样本会参与计算:
Nc表示标签类别为c的样本的总数量,Nt表示t时刻前后一段时间上的长度(例如计算前后0个迭代轮次的类内方差)。
针对二次训练阶段,可选地如图8所示,将损失曲线加入考虑,用于噪声样本的筛选。具体地,二次训练阶段,本实施例首先加载阶段一的模型权重θ*,并基于此继续训练。对于t时刻大小为B的每个批次的训练样本{x1,x2,…,xB},本实施例利用以及/>来对其进行识别。对于当前批次内每个样本xi,本实施例首先计算得到其当前的损失:
l′i,t=CE(p,y)
随后计算获取当前样本的均值μ′t以及Nt时间长度上的方差σ′t,并选取对应当前样本的类别均值和方差(以及/>)进行比较:
当满足以下条件时,判定当前样本为噪声样本:
此时,样本xi进行剔除,不参与损失的反向传播更新梯度。
需要注意的是,均值μ′t和方差σ′t的计算是随着迭代轮次t的变化而变化的,并不是一个固定值,因此噪声样本的筛选过程是一个随着迭代轮次t进行自适应变换的,这相比于直接根据一个标量值的均值和方差进行判断会拥有更强的灵活性。
*′
训练结束之后,获得最终的模型权重θ。
针对测试阶段,可选地如图9所示,深度模型直接对其进行特征提取以及概率输出p,随后根据阈值进行缺陷判定,例如大于0.5是缺陷,小于0.5则是OK图像。
通过本申请提供的实施例,针对工业缺陷检测任务,采用本实施例可以精准的对输入图像的缺陷程度进行检测,通过设计一种基于损失曲线进行自适应噪声数据筛选的工业缺陷检测算法,设计两个阶段的训练过程,第一阶段用于获取单个样本的训练巡视变化曲线,第二阶段根据样本损失曲线进行自适应噪声样本过滤,进而降低噪声样本的影响,第二阶段训练结束之后,可以获得更加准确、鲁棒的模型,改善实际部署阶段的模型预测结果,进而为工业AI缺陷质量检测提供可靠的技术支撑。
可以理解的是,在本申请的具体实施方式中,涉及到用户信息等相关的数据,当本申请以上实施例运用到具体产品或技术中时,需要获得用户许可或者同意,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
根据本申请实施例的另一个方面,还提供了一种用于实施上述图像识别方法的图像识别装置。如图10所示,该装置包括:
第一获取单元1002,用于获取待识别的目标图像;
第一输入单元1004,用于将目标图像输入图像识别模型,其中,图像识别模型为利用多个目标样本进行一次训练和二次训练得到的、用于识别图像的神经网络模型,目标样本为干净样本或噪声样本,噪声样本为在二次训练的训练过程中利用目标损失曲线对多个目标样本进行筛选后得到的样本,目标损失曲线为在一次训练的训练过程中得到的多个目标样本中的各个目标样本对应的损失曲线,噪声样本对图像识别模型的更新权重小于干净样本对图像识别模型的更新权重;
第二获取单元1006,用于获取图像识别模型输出的图像识别结果,其中,图像识别结果用于指示目标图像的图像类型。
具体实施例可以参考上述图像识别装置中所示示例,本示例中在此不再赘述。
作为一种可选的方案,装置还包括:
第三获取单元,用于在将目标图像输入图像识别模型之前,获取多个目标样本,其中,目标样本携带有至少两个标签中的任一标签;
第二输入单元,用于在将目标图像输入图像识别模型之前,将多个目标样本输入初始的第一识别模型进行一次训练,直至得到训练好的第二识别模型,并获取多个目标样本中的各个目标样本在一次训练的训练过程中对应的目标损失曲线;
第三输入单元,用于在将目标图像输入图像识别模型之前,将多个目标样本输入第二识别模型,并利用目标损失曲线对各个目标样本进行筛选,得到样本参考信息,其中,样本参考信息用于指示各个目标样本属于干净样本或噪声样本;
训练单元,用于在将目标图像输入图像识别模型之前,基于样本参考信息对第一识别模型进行迭代更新,直至得到训练好的图像识别模型。
具体实施例可以参考上述图像识别方法中所示示例,本示例中在此不再赘述。
作为一种可选的方案,第二获取单元1006,包括:
获取模块,用于获取图像识别模型输出的图像识别结果,其中,图像识别结果用于指示目标图像为目标标签匹配的图像类型,目标标签为至少两个标签中的标签。
具体实施例可以参考上述图像识别方法中所示示例,本示例中在此不再赘述。
作为一种可选的方案,第三输入单元,包括:
第一输入模块,用于将多个目标样本输入第二识别模型进行多轮迭代训练;
第一筛选模块,用于在多轮迭代训练的过程中,利用目标损失曲线对各个目标样本进行筛选,得到各个目标样本在多轮迭代训练过程中的每轮样本参考信息,其中,每轮样本参考信息用于指示各个目标样本在多轮迭代训练的各个轮次中分别属于干净样本或噪声样本。
具体实施例可以参考上述图像识别方法中所示示例,本示例中在此不再赘述。
作为一种可选的方案,训练单元,包括:
执行模块,用于执行以下步骤,直至得到图像识别模型:
确定当前轮的第一识别模型和各个目标样本对应的当前轮样本参考信息,其中,当前轮样本参考信息用于指示各个目标样本在多轮迭代训练的当前轮次中属于干净样本或噪声样本;
从多个目标样本中确定出当前轮样本参考信息指示的、属于噪声样本的第一目标样本,和当前轮的样本参考信息指示的、属于干净样本的第二目标样本;
在当前轮的第一识别模型对应的当前轮训练结果不满足收敛条件的情况下,利用第二目标样本进行反向传播,以更新第一识别模型的模型权重,并将更新后的第一识别模型确定为当前轮的第一识别模型;
在当前轮训练结果满足收敛条件的情况下,将当前轮的第一识别模型确定为训练好的图像识别模型。
具体实施例可以参考上述图像识别方法中所示示例,本示例中在此不再赘述。
作为一种可选的方案,装置还包括:第一训练模块,用于在利用第二目标样本进行反向传播,以更新第一识别模型的模型权重,并将更新后的第一识别模型确定为当前轮的第一识别模型之前,利用第二目标样本对当前轮的第一识别模型进行训练,得到当前轮训练结果;或,
装置还包括:第二训练模块,用于在从多个目标样本中确定出当前轮样本参考信息指示的、属于噪声样本的第一目标样本,和当前轮的样本参考信息指示的、属于干净样本的第二目标样本之前,利用多个目标样本对当前轮的第一识别模型进行训练,得到当前轮训练结果;
装置还包括:第一确定单元,用于在利用多个目标样本对当前轮的第一识别模型进行训练,得到当前轮训练结果之后,在当前轮的第一识别模型对应的当前轮训练结果不满足收敛条件的情况下,从多个目标样本中确定出第一目标样本和第二目标样本。
具体实施例可以参考上述图像识别方法中所示示例,本示例中在此不再赘述。
作为一种可选的方案,第三输入单元,包括:
第二输入模块,用于将多个目标样本输入第二识别模型进行多轮迭代训练;
统计模块,用于在多轮迭代训练结束后,统计各个目标样本在多轮迭代训练过程中分别对应的损失变化曲线;
结合模块,用于结合损失变化曲线和目标损失曲线对各个目标样本进行筛选,得到整体样本参考信息,其中,整体样本参考信息用于指示各个目标样本在多轮迭代训练的整体轮次中属于干净样本或噪声样本。
具体实施例可以参考上述图像识别方法中所示示例,本示例中在此不再赘述。
作为一种可选的方案,训练单元,包括:
第二确定单元,用于从多个目标样本中确定出整体样本参考信息指示的、属于噪声样本的第三目标样本,和整体样本参考信息指示的、属于干净样本的第四目标样本;
第三训练模块,用于利用第四目标样本对第一识别模型进行迭代训练,并在迭代训练过程中更新第一识别模型的模型权重,直至得到训练好的图像识别模型。
具体实施例可以参考上述图像识别方法中所示示例,本示例中在此不再赘述。
作为一种可选的方案,装置还包括:计算单元,用于在将多个目标样本输入第二识别模型,并利用目标损失曲线对各个目标样本进行筛选,得到样本参考信息之前,利用目标损失曲线计算各个样本类别对应的一次参考数值,其中,样本类别用于表示携带的标签对应的类别;
第三输入单元,包括:
第三输入模块,用于将多个目标样本输入第二识别模型,得到各个目标样本对应的二次损失曲线;
第一计算模块,用于利用二次损失曲线计算各个目标样本对应的二次参考数值;
比对模块,用于比对属于相同样本类别的一次参考数值和二次参考数值,得到目标比对结果;
第二筛选模块,用于根据目标比对结果对各个目标样本进行筛选,得到样本参考信息。
具体实施例可以参考上述图像识别方法中所示示例,本示例中在此不再赘述。
作为一种可选的方案,计算单元,包括:第二计算模块,用于利用目标损失曲线计算各个样本类别对应的第一损失均值和第一损失方差,其中,第一损失均值为属于相同样本类别的所有目标样本对应的损失均值,第一损失方差为属于相同样本类别的所有目标样本对应的损失方差;
第一计算模块,包括:计算子模块,用于利用二次损失曲线计算各个目标样本对应的第二损失均值和第二损失方差;
比对模块,包括:比对子模块,用于比对属于相同样本类别的第一损失均值和第二损失均值,得到第一比对结果;和,比对属于相同样本类别的第一损失方差和第二损失方差,得到第二比对结果;
第二筛选模块,包括:筛选子模块,用于根据第一比对结果和第二比对结果对各个目标样本进行筛选,得到样本参考信息。
具体实施例可以参考上述图像识别方法中所示示例,本示例中在此不再赘述。
根据本申请实施例的又一个方面,还提供了一种用于实施上述图像识别方法的电子设备,该电子设备可以但不限于为图1中所示的用户设备102或服务器112,本实施例以电子设备为用户设备102为例说明,进一步如图11所示,该电子设备包括存储器1102和处理器1104,该存储器1102中存储有计算机程序,该处理器1104被设置为通过计算机程序执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述电子设备可以位于计算机网络的多个网络设备中的至少一个网络设备。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,获取待识别的目标图像;
S2,将目标图像输入图像识别模型,其中,图像识别模型为利用多个目标样本进行一次训练和二次训练得到的、用于识别图像的神经网络模型,目标样本为干净样本或噪声样本,噪声样本为在二次训练的训练过程中利用目标损失曲线对多个目标样本进行筛选后得到的样本,目标损失曲线为在一次训练的训练过程中得到的多个目标样本中的各个目标样本对应的损失曲线,噪声样本对图像识别模型的更新权重小于干净样本对图像识别模型的更新权重;
S3,获取图像识别模型输出的图像识别结果,其中,图像识别结果用于指示目标图像的图像类型。
可选地,本领域普通技术人员可以理解,图11所示的结构仅为示意,图11其并不对上述电子设备的结构造成限定。例如,电子设备还可包括比图11中所示更多或者更少的组件(如网络接口等),或者具有与图11所示不同的配置。
其中,存储器1102可用于存储软件程序以及模块,如本申请实施例中的图像识别方法和装置对应的程序指令/模块,处理器1104通过运行存储在存储器1102内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的图像识别方法。存储器1102可包括高速随机存储器,还可以包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器1102可进一步包括相对于处理器1104远程设置的存储器,这些远程存储器可以通过网络连接至用户设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。其中,存储器1102具体可以但不限于用于存储目标图像、图像识别模型,以及图像识别结果等信息。作为一种示例,如图11所示,上述存储器1102中可以但不限于包括上述图像识别装置中的第一获取单元1002、第一输入单元1004及第二获取单元1006。此外,还可以包括但不限于上述图像识别装置中的其他模块单元,本示例中不再赘述。
可选地,上述的传输装置1106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中,传输装置1106包括一个网络适配器(Network Interface Controller,NIC),其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中,传输装置1106为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
此外,上述电子设备还包括:显示器1108,用于显示上述目标图像、图像识别模型,以及图像识别结果等信息;和连接总线1110,用于连接上述电子设备中的各个模块部件。
在其他实施例中,上述用户设备或者服务器可以是一个分布式***中的一个节点,其中,该分布式***可以为区块链***,该区块链***可以是由该多个节点通过网络通信的形式连接形成的分布式***。其中,节点之间可以组成点对点(Peer To Peer,简称P2P)网络,任意形式的计算设备,比如服务器、用户设备等电子设备都可以通过加入该点对点网络而成为该区块链***中的一个节点。
根据本申请的一个方面,提供了一种计算机程序产品,该计算机程序产品包括计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分从网络上被下载和安装,和/或从可拆卸介质被安装。在该计算机程序被中央处理器执行时,执行本申请实施例提供的各种功能。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
需要说明的是,电子设备的计算机***仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
计算机***包括中央处理器(Central Processing Unit,CPU),其可以根据存储在只读存储器(Read-Only Memory,ROM)中的程序或者从存储部分加载到随机访问存储器(Random Access Memory,RAM)中的程序而执行各种适当的动作和处理。在随机访问存储器中,还存储有***操作所需的各种程序和数据。中央处理器、在只读存储器以及随机访问存储器通过总线彼此相连。输入/输出接口(Input/Output接口,即I/O接口)也连接至总线。
以下部件连接至输入/输出接口:包括键盘、鼠标等的输入部分;包括诸如阴极射线管(Cathode Ray Tube,CRT)、液晶显示器(Liquid Crystal Display,LCD)等以及扬声器等的输出部分;包括硬盘等的存储部分;以及包括诸如局域网卡、调制解调器等的网络接口卡的通信部分。通信部分经由诸如因特网的网络执行通信处理。驱动器也根据需要连接至输入/输出接口。可拆卸介质,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器上,以便于从其上读出的计算机程序根据需要被安装入存储部分。
特别地,根据本申请的实施例,各个方法流程图中所描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分从网络上被下载和安装,和/或从可拆卸介质被安装。在该计算机程序被中央处理器执行时,执行本申请的***中限定的各种功能。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在上述计算机可读取的存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在存储介质中,包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。
在本申请的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的客户端,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上所述仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (14)
1.一种图像识别方法,其特征在于,包括:
获取待识别的目标图像;
将所述目标图像输入图像识别模型,其中,所述图像识别模型为利用多个目标样本进行一次训练和二次训练得到的、用于识别图像的神经网络模型,所述目标样本为干净样本或噪声样本,所述噪声样本为在所述二次训练的训练过程中利用目标损失曲线对所述多个目标样本进行筛选后得到的样本,所述目标损失曲线为在所述一次训练的训练过程中得到的所述多个目标样本中的各个目标样本对应的损失曲线,所述噪声样本对所述图像识别模型的更新权重小于所述干净样本对所述图像识别模型的更新权重;
获取所述图像识别模型输出的图像识别结果,其中,所述图像识别结果用于指示所述目标图像的图像类型。
2.根据权利要求1所述的方法,其特征在于,在所述将所述目标图像输入图像识别模型之前,所述方法还包括:
获取所述多个目标样本,其中,所述目标样本携带有至少两个标签中的任一标签;
将所述多个目标样本输入初始的第一识别模型进行所述一次训练,直至得到训练好的第二识别模型,并获取所述多个目标样本中的各个目标样本在所述一次训练的训练过程中对应的所述目标损失曲线;
将所述多个目标样本输入所述第二识别模型,并利用所述目标损失曲线对所述各个目标样本进行筛选,得到样本参考信息,其中,所述样本参考信息用于指示所述各个目标样本属于所述干净样本或所述噪声样本;
基于所述样本参考信息对所述第一识别模型进行迭代更新,直至得到训练好的所述图像识别模型。
3.根据权利要求2所述的方法,其特征在于,所述获取所述图像识别模型输出的图像识别结果,包括:
获取所述图像识别模型输出的所述图像识别结果,其中,所述图像识别结果用于指示所述目标图像为目标标签匹配的图像类型,所述目标标签为所述至少两个标签中的标签。
4.根据权利要求2所述的方法,其特征在于,所述将所述多个目标样本输入所述第二识别模型,并利用所述目标损失曲线对所述各个目标样本进行筛选,得到样本参考信息,包括:
将所述多个目标样本输入所述第二识别模型进行多轮迭代训练;
在所述多轮迭代训练的过程中,利用所述目标损失曲线对所述各个目标样本进行筛选,得到所述各个目标样本在所述多轮迭代训练过程中的每轮样本参考信息,其中,所述每轮样本参考信息用于指示所述各个目标样本在所述多轮迭代训练的各个轮次中分别属于所述干净样本或所述噪声样本。
5.根据权利要求4所述的方法,其特征在于,所述基于所述样本参考信息对所述第一识别模型进行迭代更新,直至得到训练好的所述图像识别模型,包括:
执行以下步骤,直至得到所述图像识别模型:
确定当前轮的第一识别模型和所述各个目标样本对应的当前轮样本参考信息,其中,所述当前轮样本参考信息用于指示所述各个目标样本在所述多轮迭代训练的当前轮次中属于所述干净样本或所述噪声样本;
从所述多个目标样本中确定出所述当前轮样本参考信息指示的、属于所述噪声样本的第一目标样本,和所述当前轮的样本参考信息指示的、属于所述干净样本的第二目标样本;
在所述当前轮的第一识别模型对应的当前轮训练结果不满足收敛条件的情况下,利用所述第二目标样本进行反向传播,以更新所述第一识别模型的模型权重,并将更新后的第一识别模型确定为所述当前轮的第一识别模型;
在所述当前轮训练结果满足所述收敛条件的情况下,将所述当前轮的第一识别模型确定为训练好的所述图像识别模型。
6.根据权利要求5所述的方法,其特征在于,
在所述利用所述第二目标样本进行反向传播,以更新所述第一识别模型的模型权重,并将更新后的第一识别模型确定为所述当前轮的第一识别模型之前,所述方法还包括:利用所述第二目标样本对所述当前轮的第一识别模型进行训练,得到所述当前轮训练结果;或,在所述从所述多个目标样本中确定出所述当前轮样本参考信息指示的、属于所述噪声样本的第一目标样本,和所述当前轮的样本参考信息指示的、属于所述干净样本的第二目标样本之前,所述方法还包括:利用所述多个目标样本对所述当前轮的第一识别模型进行训练,得到所述当前轮训练结果;
在所述利用所述多个目标样本对所述当前轮的第一识别模型进行训练,得到所述当前轮训练结果之后,所述方法还包括:在所述当前轮的第一识别模型对应的当前轮训练结果不满足收敛条件的情况下,从所述多个目标样本中确定出所述第一目标样本和所述第二目标样本。
7.根据权利要求2所述的方法,其特征在于,所述将所述多个目标样本输入所述第二识别模型,并利用所述目标损失曲线对所述各个目标样本进行筛选,得到样本参考信息,包括:
将所述多个目标样本输入所述第二识别模型进行多轮迭代训练;
在所述多轮迭代训练结束后,统计所述各个目标样本在所述多轮迭代训练过程中分别对应的损失变化曲线;
结合所述损失变化曲线和所述目标损失曲线对所述各个目标样本进行筛选,得到整体样本参考信息,其中,所述整体样本参考信息用于指示所述各个目标样本在所述多轮迭代训练的整体轮次中属于所述干净样本或所述噪声样本。
8.根据权利要求7所述的方法,其特征在于,所述基于所述样本参考信息对所述第一识别模型进行迭代更新,直至得到训练好的所述图像识别模型,包括:
从所述多个目标样本中确定出所述整体样本参考信息指示的、属于所述噪声样本的第三目标样本,和所述整体样本参考信息指示的、属于所述干净样本的第四目标样本;
利用所述第四目标样本对所述第一识别模型进行迭代训练,并在所述迭代训练过程中更新所述第一识别模型的模型权重,直至得到训练好的所述图像识别模型。
9.根据权利要求2至8中任一项所述的方法,其特征在于,
在所述将所述多个目标样本输入所述第二识别模型,并利用所述目标损失曲线对所述各个目标样本进行筛选,得到样本参考信息之前,所述方法还包括:利用所述目标损失曲线计算各个样本类别对应的一次参考数值,其中,所述样本类别用于表示携带的所述标签对应的类别;
所述将所述多个目标样本输入所述第二识别模型,并利用所述目标损失曲线对所述各个目标样本进行筛选,得到样本参考信息,包括:
将所述多个目标样本输入所述第二识别模型,得到所述各个目标样本对应的二次损失曲线;
利用所述二次损失曲线计算所述各个目标样本对应的二次参考数值;
比对属于相同所述样本类别的所述一次参考数值和所述二次参考数值,得到目标比对结果;
根据所述目标比对结果对所述各个目标样本进行筛选,得到所述样本参考信息。
10.根据权利要求9所述的方法,其特征在于,
所述利用所述目标损失曲线计算各个样本类别对应的一次参考数值,包括:利用所述目标损失曲线计算各个所述样本类别对应的第一损失均值和第一损失方差,其中,所述第一损失均值为属于相同所述样本类别的所有目标样本对应的损失均值,所述第一损失方差为属于相同所述样本类别的所有目标样本对应的损失方差;
所述利用所述二次损失曲线计算所述各个目标样本对应的二次参考数值,包括:利用所述二次损失曲线计算所述各个目标样本对应的第二损失均值和第二损失方差;
所述比对属于相同所述样本类别的所述一次参考数值和所述二次参考数值,得到目标比对结果,包括:比对属于相同所述样本类别的所述第一损失均值和所述第二损失均值,得到第一比对结果;和,比对属于相同所述样本类别的所述第一损失方差和所述第二损失方差,得到第二比对结果;
所述根据所述目标比对结果对所述各个目标样本进行筛选,得到所述样本参考信息,包括:根据所述第一比对结果和所述第二比对结果对所述各个目标样本进行筛选,得到所述样本参考信息。
11.一种图像识别装置,其特征在于,包括:
第一获取单元,用于获取待识别的目标图像;
第一输入单元,用于将所述目标图像输入图像识别模型,其中,所述图像识别模型为利用多个目标样本进行一次训练和二次训练得到的、用于识别图像的神经网络模型,所述目标样本为干净样本或噪声样本,所述噪声样本为在所述二次训练的训练过程中利用目标损失曲线对所述多个目标样本进行筛选后得到的样本,所述目标损失曲线为在所述一次训练的训练过程中得到的所述多个目标样本中的各个目标样本对应的损失曲线,所述噪声样本对所述图像识别模型的更新权重小于所述干净样本对所述图像识别模型的更新权重;
第二获取单元,用于获取所述图像识别模型输出的图像识别结果,其中,所述图像识别结果用于指示所述目标图像的图像类型。
12.一种计算机可读的存储介质,其特征在于,所述计算机可读的存储介质包括计算机程序,其中,所述计算机程序被电子设备运行时执行所述权利要求1至10任一项中所述的方法。
13.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至10任一项中所述方法的步骤。
14.一种电子设备,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为通过所述计算机程序执行所述权利要求1至10任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310239686.9A CN116958777A (zh) | 2023-03-03 | 2023-03-03 | 图像识别方法、装置和存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310239686.9A CN116958777A (zh) | 2023-03-03 | 2023-03-03 | 图像识别方法、装置和存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116958777A true CN116958777A (zh) | 2023-10-27 |
Family
ID=88451737
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310239686.9A Pending CN116958777A (zh) | 2023-03-03 | 2023-03-03 | 图像识别方法、装置和存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116958777A (zh) |
-
2023
- 2023-03-03 CN CN202310239686.9A patent/CN116958777A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10140553B1 (en) | Machine learning artificial intelligence system for identifying vehicles | |
CN110659723B (zh) | 基于人工智能的数据处理方法、装置、介质及电子设备 | |
CN117152459B (zh) | 图像检测方法、装置、计算机可读介质及电子设备 | |
CN111199238A (zh) | 一种基于双流卷积神经网络的行为识别方法及设备 | |
CN115984537A (zh) | 图像处理方法、装置及相关设备 | |
CN114998251A (zh) | 一种基于联邦学***台地面异常检测方法 | |
Xiang et al. | Crowd density estimation method using deep learning for passenger flow detection system in exhibition center | |
CN116701706B (zh) | 一种基于人工智能的数据处理方法、装置、设备及介质 | |
CN117011616A (zh) | 一种图像内容审核方法、装置、存储介质和电子设备 | |
Yamaguchi et al. | Road crack detection interpreting background images by convolutional neural networks and a self‐organizing map | |
CN116958729A (zh) | 对象分类模型的训练、对象分类方法、装置及存储介质 | |
CN116977271A (zh) | 缺陷检测方法、模型训练方法、装置及电子设备 | |
CN113408564A (zh) | 图处理方法、网络训练方法、装置、设备以及存储介质 | |
CN116977265A (zh) | 缺陷检测模型的训练方法、装置、计算机设备和存储介质 | |
CN116958624A (zh) | 指定材质的识别方法、装置、设备、介质及程序产品 | |
CN117010454A (zh) | 神经网络训练方法、装置、电子设备以及存储介质 | |
CN116958777A (zh) | 图像识别方法、装置和存储介质及电子设备 | |
CN113869367A (zh) | 模型能力检测方法、装置、电子设备和计算机可读介质 | |
CN117574160B (zh) | 媒体信息的标签识别方法、装置和存储介质及电子设备 | |
CN117011575B (zh) | 一种小样本目标检测模型的训练方法及相关装置 | |
CN116109823B (zh) | 数据处理方法、装置、电子设备、存储介质和程序产品 | |
CN117011631A (zh) | 图像识别模型的训练方法、装置、设备、介质及产品 | |
CN116958776A (zh) | 图像识别方法、装置和存储介质及电子设备 | |
CN117541824A (zh) | 标识的识别方法和装置、存储介质及电子设备 | |
CN116645564A (zh) | 车辆识别模型训练、车辆识别方法、装置、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |