CN117292191A - 一种模型优化方法、电子设备及计算机可读存储介质 - Google Patents
一种模型优化方法、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN117292191A CN117292191A CN202311279736.2A CN202311279736A CN117292191A CN 117292191 A CN117292191 A CN 117292191A CN 202311279736 A CN202311279736 A CN 202311279736A CN 117292191 A CN117292191 A CN 117292191A
- Authority
- CN
- China
- Prior art keywords
- threshold value
- model
- classification
- image
- value
- 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 51
- 238000005457 optimization Methods 0.000 title claims abstract description 24
- 238000013145 classification model Methods 0.000 claims abstract description 78
- 238000001514 detection method Methods 0.000 claims abstract description 52
- 230000015654 memory Effects 0.000 claims description 46
- 238000004821 distillation Methods 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 description 19
- 239000004753 textile Substances 0.000 description 16
- 230000001360 synchronised effect Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 239000004744 fabric Substances 0.000 description 7
- 230000005291 magnetic effect Effects 0.000 description 5
- 230000003068 static effect Effects 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011179 visual inspection Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000005294 ferromagnetic effect Effects 0.000 description 2
- 238000013140 knowledge distillation Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/092—Reinforcement learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种模型优化方法、电子设备及可读存储介质，所述方法包括以下步骤：获取至少一目标图像的像素值，所述目标图像是初始的分类模型对至少一图像进行分类所获得的；根据所述目标图像的像素值，确定对所述分类模型中的阈值进行优化的查找范围；根据所述查找范围确定目标阈值，并将所述目标阈值作为优化后的所述分类模型中的阈值。如此，能够解决分类模型在进行分类检测时出现的范围过大、噪音多的问题，有助于提高分类模型对图像进行分类检测时的分类精度。
Description
技术领域
本申请涉及机器学习技术领域，特别是涉及一种模型优化方法、电子设备及计算机可读存储介质。
背景技术
纺织品花型复杂多样，且随着市场需求和流行趋势变化，需要经验丰富的工人才能完成人工目测。通过运用图像分割和分类检测等计算机视觉技术，对已标注的无瑕疵训练图像样本进行学习，实现小批量、花型复杂的纺织物瑕疵智能检测，以降低人工目测成本、提升产品质量和经济效益。
在现有技术中，一般使用基于重建和知识蒸馏的逆向蒸馏(ReverseDistillation)方法，通过对比教师网络和学生网络之间特征的余弦相似度，判断样本中是否有异常。但是，Reverse Distillation模型虽然能够识别出异常，但是，由于教师和学生网络训练时获得的特征的余弦相似度阈值不够准确，会导致出现分割结果范围过大、噪音多等问题。
发明内容
本申请的目的在于提供一种模型优化方法、电子设备及可读存储介质，能够解决分类模型在进行分类检测时出现的范围过大、噪音多的问题，有助于提高分类模型对图像进行分类检测时的分类精度。
为达到上述目的：
第一方面，本申请实施例提供了一种模型优化方法，所述方法包括以下步骤：
获取至少一目标图像的像素值，所述目标图像是初始的分类模型对至少一图像进行分类所获得的；
根据所述目标图像的像素值，确定对所述分类模型中的阈值进行优化的查找范围；
根据所述查找范围确定目标阈值，并将所述目标阈值作为优化后的所述分类模型中的阈值。
在一实施方式中，所述根据所述目标图像的像素值，确定对所述分类模型中的阈值进行优化的查找范围的步骤，包括：
根据所述目标图像的像素值，获取所述目标图像对应的平均像素值和像素值的标准差；
根据所述平均像素值与目标值之差，以及所述平均像素值与目标值之和，确定对所述分类模型中的阈值进行优化的查找范围；所述目标值为所述标准差与预设参数的乘积。
在一实施方式中，所述根据所述查找范围确定目标阈值的步骤，包括：
根据对所述目标图像归一化处理后得到的像素值，检测当前阈值是否满足预设条件；当前阈值为从归一化处理后的所述查找范围内选取的任意数值；
若满足，则确定所述当前阈值为目标阈值。
在一实施方式中，所述根据对所述目标图像归一化处理后得到的像素值，检测当前阈值是否满足预设条件的步骤，包括：
将所述当前阈值作为所述分类模型中的阈值，以对已知样本图像进行分类检测；
若分类检测结果与所述已知样本图像的已知分类结果一致，则确定当前阈值满足预设条件。
在一实施方式中，所述方法还包括：
在不满足预设条件的情况下，在所述查找范围内更新所述当前阈值，直至确定所述当前阈值满足预设条件。
在一实施方式中，所述方法还包括：
在所述查找范围中的当前阈值都不满足预设条件的情况下，增大所述预设参数，以更新对所述分类模型中的阈值进行优化的查找范围，并在更新后的查找范围中重新选取当前阈值。
在一实施方式中，所述分类模型包括以下至少一种：
逆向蒸馏模型、自编码器模型、变分自编码器模型、卷积神经网络模型、生成对抗网络模型。
在一实施方式中，在所述获取至少一目标图像的像素值之前，所述方法还包括：
将至少一图像输入初始的分类模型，获取所述分类模型基于初始阈值对所述至少一图像进行分类所获得的至少一目标图像；所述初始阈值是基于预设图像数据集对初始的分类模型进行训练获得的。
第二方面，本申请实施例公开了一种电子设备，具体包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器配置执行所述指令，用于执行如第一方面所述的模型优化方法。
第三方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，当所述计算机可读存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够实现如第一方面所述的模型优化方法。
本申请实施例提供的一种模型优化方法、电子设备及可读存储介质，所述方法包括以下步骤：获取至少一目标图像的像素值，所述目标图像是初始的分类模型对至少一图像进行分类所获得的；根据所述目标图像的像素值，确定对所述分类模型中的阈值进行优化的查找范围；根据所述查找范围确定目标阈值，并将所述目标阈值作为优化后的所述分类模型中的阈值。如此，能够解决分类模型在进行分类检测时出现的范围过大、噪音多的问题，有助于提高分类模型对图像进行分类检测时的分类精度。
附图说明
图1为本发明实施例提供的模型优化方法的流程示意图；
图2为现有技术中通过逆向蒸馏模型进行分类的示意图；
图3为本发明实施例提供的模型优化方法的具体实施例示意图；
图4为本发明实施例提供的电子设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素，此外，本申请不同实施例中具有同样命名的部件、特征、要素可能具有相同含义，也可能具有不同含义，其具体含义需以其在该具体实施例中的解释或者进一步结合该具体实施例中上下文进行确定。
应当理解，尽管在本文可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本文范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语"如果"可以被解释成为"在……时"或"当……时"或"响应于确定"。再者，如同在本文中所使用的，单数形式“一”、“一个”和“该”旨在也包括复数形式，除非上下文中有相反的指示。应当进一步理解，术语“包含”、“包括”表明存在所述的特征、步骤、操作、元件、组件、项目、种类、和/或组，但不排除一个或多个其他特征、步骤、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的，或意味着任一个或任何组合。因此，“A、B或C”或者“A、B和/或C”意味着“以下任一个：A；B；C；A和B；A和C；B和C；A、B和C”。仅当元件、功能、步骤或操作的组合在某些方式下内在地互相排斥时，才会出现该定义的例外。
应该理解的是，虽然本申请实施例中的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
需要说明的是，在本文中，采用了诸如S101、S102等步骤代号，其目的是为了更清楚简要地表述相应内容，不构成顺序上的实质性限制，本领域技术人员在具体实施时，可能会先执行S102后执行S101等，但这些均应在本申请的保护范围之内。
应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或者“单元”的后缀仅为了有利于本申请的说明，其本身没有特定的意义。因此，“模块”、“部件”或者“单元”可以混合地使用。
参阅图1，为本申请实施例提供的一种模型优化方法，该模型优化方法可以由本申请实施例提供的一种模型优化装置来执行，该模型优化装置可以采用软件和/或硬件的方式来实现，比如服务器、计算机等电子设备，本实施例提供的模型优化方法包括：
步骤S1：获取至少一目标图像的像素值，所述目标图像是初始的分类模型对至少一图像进行分类所获得的。
其中，所述至少一图像可以是纺织物图像、人物图像、建筑物图像等，在此不作具体限定。这里，对至少一图像进行分类是指通过初始的分类模型，基于至少一图像的像素值对至少一图像进行分类，以获得各图像对应的分类结果。其中，目标图像可以为在对至少一图像进行异常检测时检测到的异常图像，也可以是在对至少一图像进行分类检测时获取的某一类别图像等。
在一实施方式中，在所述获取至少一目标图像的像素值之前，所述方法还包括：
将至少一图像输入初始的分类模型，获取所述分类模型基于初始阈值对所述至少一图像进行分类所获得的至少一目标图像；所述初始阈值是基于预设图像数据集对初始的分类模型进行训练获得的。
可选地，可通过预设图像数据集对初始的分类模型进行训练，以获得初始的分类模型的初始阈值。接着，可将至少一图像输入训练后的分类模型中，以使分类模型根据初始阈值对输入的图像进行分类检测，确定目标图像与非目标图像。
步骤S2：根据所述目标图像的像素值，确定对所述分类模型中的阈值进行优化的查找范围。
具体地，根据确定的各个目标图像的像素值，并通过各个目标图像的像素值计算目标图像对应的平均像素值、方差和标准差，并基于计算的平均像素值和标准差确定对分类模型中阈值进行优化的查找范围。可以理解，较小的方差和标准差意味着异常像素值较为集中，可能需要较窄的阈值范围以检测到较小的异常，而较大的方差和标准差意味着异常像素值较为分散，可能需要较宽的阈值范围。
在一实施方式中，所述根据所述目标图像的像素值，确定对所述分类模型中的阈值进行优化的查找范围的步骤，包括：
根据所述目标图像的像素值，获取所述目标图像对应的平均像素值和像素值的标准差；
根据所述平均像素值与目标值之差，以及所述平均像素值与目标值之和，确定对所述分类模型中的阈值进行优化的查找范围；所述目标值为所述标准差与预设参数的乘积。
可选地，根据各个目标图像的像素值，确定目标图像之间的平均像素值，这里，目标图像的平均像素值可以作为阈值的一个参考点，若平均像素值较低可能表示图像中存在较多的异常值，而平均像素值较高可能表示异常值较少。根据确定的平均像素值计算目标图像的像素值的方差，而方差可以帮助评估像素值的分散程度，如果方差较小，表示目标图像中的像素值相对集中，而较大的方差则表示像素值的离散程度较高。根据方差计算目标图像的像素值的标准差。这里，标准差是方差的平方根，可以通过标准差确定关于目标图像像素值波动范围的信息，较大的标准差表示目标图像的像素值波动较大。
可选地，在计算目标图像的像素值的标准差后，计算标准差与预设参数的乘积确定目标值，并将平均像素值与目标值之差作为对分类模型中的阈值进行优化的查找范围的最低值，将平均像素值与目标值之和作为对分类模型中的阈值进行优化的查找范围的最高值，从而确定对分类模型中的阈值进行优化的查找范围。
步骤S3：根据所述查找范围确定目标阈值，并将所述目标阈值作为优化后的所述分类模型中的阈值。
这里，在确定的查找范围内选取目标阈值，并将确定的目标阈值作为优化后的分类模型中的阈值进行图像的分类检测。
在一实施方式中，所述根据所述查找范围确定目标阈值的步骤，包括：
根据对所述目标图像归一化处理后得到的像素值，检测当前阈值是否满足预设条件；当前阈值为从归一化处理后的所述查找范围内选取的任意数值；
若满足，则确定所述当前阈值为目标阈值。
可选地，在图像处理和计算机视觉中，像素值通常表示为0到255的范围，其中0代表黑色，255代表白色。将像素值除以255可以将其映射到0到1的归一化范围内，便于后续计算和处理。因此，可以将目标图像的像素值以及查找范围分别除以255进行归一化处理，并在归一化处理后的查找范围中随机选取一个数值作为当前阈值，判断选取的当前阈值是否满足预设条件。
在一实施方式中，所述根据对所述目标图像归一化处理后得到的像素值，检测当前阈值是否满足预设条件的步骤，包括：
将所述当前阈值作为所述分类模型中的阈值，以对已知样本图像进行分类检测；
若分类检测结果与所述已知样本图像的已知分类结果一致，则确定当前阈值满足预设条件。
可选地，在归一化处理后的查找范围内选取一个数值作为当前阈值之后，将选取的当前阈值代入到分类模型中，并通过分类模型对已知样本图像进行检测。这里，已知样本图像为已经进行分类检测且确定图像的分类结果的样本图像。可选地，获取到分类模型基于选取的当前阈值对已知样本图像进行分类检测的结果后，判断该分类模型获得的分类检测结果与已知样本图像的已知分类结果是否一致，即该分类模型获得的分类检测结果与已知样本图像的已知分类结果是否相同，若确定该分类模型进行分类检测的结果与已知样本图像的已知分类结果一致，则确定当前阈值满足预设条件。这里，已知样本图像的已知分类结果也可以是人工能够分辨的可视化结果，相应的，若分类模型对已知样本图像进行分类检测的结果与对该已知样本图像进行分类检测的可视化结果一致，则确定该分类模型进行分类检测的结果与已知样本图像的已知分类结果一致，从而确定当前阈值满足预设条件。
在一实施方式中，所述方法还包括：
在不满足预设条件的情况下，在所述查找范围内更新所述当前阈值，直至确定所述当前阈值满足预设条件。
可选地，若确定该分类模型进行分类检测的结果与已知样本图像的已知分类结果不一致，则确定当前阈值不满足预设条件，在归一化处理后的查找范围中重新选取其他数值作为当前阈值，将重新选取的当前阈值作为分类模型进行分类检测的模型，并检测重新选取的当前阈值是否满足预设条件，如此，直至确定所述当前阈值满足预设条件，确定对应的目标阈值。
在一实施方式中，所述方法还包括：
在所述查找范围中的当前阈值都不满足预设条件的情况下，增大所述预设参数，以更新对所述分类模型中的阈值进行优化的查找范围，并在更新后的查找范围中重新选取当前阈值。
可选地，若在查找范围中选的当前阈值都不能满足预设条件，则增大预设参数的数值，以对应的增大对分类模型中的阈值进行优化的查找范围，然后在增大后的查找范围中重新选取当前阈值，直至检测到当前阈值能够满足预设条件。例如，若在第一次确定对分类模型中的阈值进行优化的查找范围时，将预设参数设置为1，则直接在进行归一化处理后的“平均像素值-标准差”和“平均像素值+标准差”的范围内查找当前阈值，若检测在该查找范围中选择的当前阈值都不能满足预设条件，则可调整预设参数为2，并在进行归一化处理后的“平均像素值-2*标准差”和“平均像素值+2*标准差”的范围内继续查找当前阈值，直至检测到存在当前阈值能够满足预设条件，并将确定的当前阈值作为目标阈值。
在一实施方式中，所述分类模型包括以下至少一种：
逆向蒸馏模型、自编码器模型、变分自编码器模型、卷积神经网络模型、生成对抗网络模型。
可选地，本申请确定的目标阈值主要用于通过分类模型进行图像分类或者图像的异常检测。这里的分类模型包括但不限于逆向蒸馏模型、自编码器模型、变分自编码器模型、卷积神经网络模型、生成对抗网络模型。这里，本文主要以逆向蒸馏(ReverseDistillation，RD)模型为例，如图2所示，Reverse Distillation模型是一种基于重建和知识蒸馏的模型，其主要原理是通过比较教师网络和学生网络之间特征的余弦相似度进行检测判断，如果两个网络的特征在某个样本上的余弦相似度很高，则可以将其判断为正常样本；如果余弦相似度较低，则可以将其判断为异常样本。如此，利用教师网络提取的特征来指导学生网络从样本中学习特征，并根据特征相似度进行正常/异常样本的分类。
在其他实施方式中，在确定查找范围后，直接在查找范围中选取一数值作为当前阈值，并将选取的当前阈值代入到分类模型中，以通过分类模型对已知样本图像进行检测，并判断该分类模型进行分类检测的结果与已知样本图像的已知分类结果是否一致。若一致，则确定确定当前阈值满足预设条件。若不一致，则在查找范围内重新选取一个数值作为当前阈值，直至确定当前阈值满足预设条件。
综上，上述实施例提供的模型优化方法中，通过计算阈值的查找范围，并基于查找范围确定分类模型中的最佳的目标阈值，能够解决分类模型在进行分类检测时出现的范围过大、噪音多的问题，有助于提高分类模型对图像进行分类检测时的分类精度。
基于前述实施例相同的发明构思，下面通过一具体示例对本实施例提供的模型优化方法进行详细说明，本示例中以图像为纺织物图像、分类模型为逆向蒸馏模型(ReverseDistillation，RD)为例。
如图2所示，在逆向蒸馏模型中，将教师网络视为下采样滤波器，将学生网络视为上采样滤波器，如此，反向结构避免了无法区分滤波器引起的混淆。同时，馈送到学生网络的低维嵌入作为正常模式恢复的信息瓶颈层，并通过紧凑的嵌入有助于防止异常特征传播到学生模型。通过上述提供的逆向蒸馏模型能够实现纺织物的异常检测，解决传统的人工目测以实现纺织物的异常检测，但是，由于没有纺织物异常样本，以及纺织物的种类不同，教师和学生网络训练时获得的特征余弦相似度阈值往往不够准确，会导致出现进行异常检测的检测范围过大而导致检测结果不够准确的问题。
针对上述问题，本实施例提供了一种模型优化方法，即对该逆向蒸馏模型的检测阈值进行优化，实现对纺织物图像的异常检测，如图3所示，包括以下步骤：
步骤S101、获取初始的逆向蒸馏模型检测的异常图像。
可选地，将用于开发和评估纺织物花型的数据集输入逆向蒸馏模型中对该逆向蒸馏模型进行模型训练，确定该逆向蒸馏模型进行纺织物图像的异常检测的初始阈值，并通过训练后的逆向蒸馏模型基于该初始阈值对需要进行异常检测的纺织物图像进行异常的分类检测。获取逆行蒸馏模型检测的纺织物的至少一异常图像。
步骤S102、计算异常图像的平均像素值、方差和标准差。
其中，平均像素值可以根据公式“平均像素值＝(像素值1+像素值2+……+像素值n)/异常图像数量”进行计算；方差可以根据公式“方差＝[(像素值1-平均像素值)2+(像素值2-平均像素值)2+……+(像素值n-平均像素值)2]/异常图像数量”进行计算；而标准差为方差的平方根。
步骤S103、根据异常图像的平均像素值、方差和标准差确定阈值的查找范围。
可选地，根据预设参数限定阈值查找的范围，将确定的平均像素值与预设参数倍数的标准值之差，以及平均像素值与预设参数倍数之和，确定为对该逆向蒸馏模型中的阈值的查找范围。
步骤S104、选择一个阈值并测试该阈值的效果，并确定最佳阈值。
在确定的查找范围中选取一个数值作为检测阈值代入到逆向蒸馏模型中进行检测，判断该阈值是否满足对纺织物图像进行异常检测分类的条件，若满足，则将该数值确定为对纺织物图像进行异常检测的最佳图像。若不满足，则重新在查找范围中选取一个数值作为检测阈值，并继续对该数值进行检测判断，直至找到一个数值能够满足对纺织物图像进行异常检测分类的条件。
综上，上述实施例提供的模型优化方法，能够解决分类模型在进行分类检测时出现的范围过大、噪音多的问题，有助于提高分类模型对图像进行分类检测时的分类精度。
基于前述实施例相同的发明构思，本发明实施例提供了一种电子设备，如图4所示，该电子设备包括：处理器210和存储有计算机程序的存储器311；其中，图4中示意的处理器210并非用于指代处理器210的个数为一个，而是仅用于指代处理器210相对其他器件的位置关系，在实际应用中，处理器210的个数可以为一个或多个；同样，图4中示意的存储器211也是同样的含义，即仅用于指代存储器211相对其他器件的位置关系，在实际应用中，存储器211的个数可以为一个或多个。在所述处理器210运行所述计算机程序时，实现应用于上述模型优化方法。
该电子设备还可包括：至少一个网络接口212。该电子设备中的各个组件通过总线***213耦合在一起。可理解，总线***213用于实现这些组件之间的连接通信。总线***213除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图4中将各种总线都标为总线***213。
其中，存储器211可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，Electrically Erasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM，ferromagnetic random access memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM，Random AccessMemory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(SRAM，Static Random Access Memory)、同步静态随机存取存储器(SSRAM，Synchronous Static Random Access Memory)、动态随机存取存储器(DRAM，Dynamic Random Access Memory)、同步动态随机存取存储器(SDRAM，SynchronousDynamic Random Access Memory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM，Double Data Rate Synchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM，Enhanced Synchronous Dynamic Random Access Memory)、同步连接动态随机存取存储器(SLDRAM，SyncLink Dynamic Random Access Memory)、直接内存总线随机存取存储器(DRRAM，Direct Rambus Random Access Memory)。本发明实施例描述的存储器211旨在包括但不限于这些和任意其它适合类型的存储器。
本发明实施例中的存储器211用于存储各种类型的数据以支持该电子设备的操作。这些数据的示例包括：用于在该电子设备上操作的任何计算机程序，如操作***和应用程序；联系人数据；电话簿数据；消息；图片；视频等。其中，操作***包含各种***程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序可以包含各种应用程序，例如媒体播放器(Media Player)、浏览器(Browser)等，用于实现各种应用业务。这里，实现本发明实施例方法的程序可以包含在应用程序中。
基于前述实施例相同的发明构思，本实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，计算机可读存储介质可以是磁性随机存取存储器(FRAM，ferromagnetic random access memory)、只读存储器(ROM，Read OnlyMemory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，Electrically Erasable Programmable Read-Only Memory)、快闪存储器(FlashMemory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)等存储器；也可以是包括上述存储器之一或任意组合的各种设备，如移动电话、计算机、平板设备、个人数字助理等。所述计算机可读存储介质中存储的计算机程序被处理器运行时，实现应用于上述模型优化方法。所述计算机程序被处理器执行时实现的具体步骤流程请参考图1所示实施例的描述，在此不再赘述。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，除了包含所列的那些要素，而且还可包含没有明确列出的其他要素。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种模型优化方法，其特征在于，所述方法包括以下步骤：
获取至少一目标图像的像素值，所述目标图像是初始的分类模型对至少一图像进行分类所获得的；
根据所述目标图像的像素值，确定对所述分类模型中的阈值进行优化的查找范围；
根据所述查找范围确定目标阈值，并将所述目标阈值作为优化后的所述分类模型中的阈值。
2.根据权利要求1所述的方法，其特征在于，所述根据所述目标图像的像素值，确定对所述分类模型中的阈值进行优化的查找范围的步骤，包括：
根据所述目标图像的像素值，获取所述目标图像对应的平均像素值和像素值的标准差；
根据所述平均像素值与目标值之差，以及所述平均像素值与目标值之和，确定对所述分类模型中的阈值进行优化的查找范围；所述目标值为所述标准差与预设参数的乘积。
3.根据权利要求2所述的方法，其特征在于，所述根据所述查找范围确定目标阈值的步骤，包括：
根据对所述目标图像归一化处理后得到的像素值，检测当前阈值是否满足预设条件；当前阈值为从归一化处理后的所述查找范围内选取的任意数值；
若满足，则确定所述当前阈值为目标阈值。
4.根据权利要求3所述的方法，其特征在于，所述根据对所述目标图像归一化处理后得到的像素值，检测当前阈值是否满足预设条件的步骤，包括：
将所述当前阈值作为所述分类模型中的阈值，以对已知样本图像进行分类检测；
若分类检测结果与所述已知样本图像的已知分类结果一致，则确定当前阈值满足预设条件。
5.根据权利要求4所述的方法，所述方法还包括：
在不满足预设条件的情况下，在所述查找范围内更新所述当前阈值，直至确定所述当前阈值满足预设条件。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
在所述查找范围中的当前阈值都不满足预设条件的情况下，增大所述预设参数，以更新对所述分类模型中的阈值进行优化的查找范围，并在更新后的查找范围中重新选取当前阈值。
7.根据权利要求1所述的方法，所述分类模型包括以下至少一种：
逆向蒸馏模型、自编码器模型、变分自编码器模型、卷积神经网络模型、生成对抗网络模型。
8.根据权利要求1所述的方法，其特征在于，在所述获取至少一目标图像的像素值之前，所述方法还包括：
将至少一图像输入初始的分类模型，获取所述分类模型基于初始阈值对所述至少一图像进行分类所获得的至少一目标图像；所述初始阈值是基于预设图像数据集对初始的分类模型进行训练获得的。
9.一种电子设备，其特征在于，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器配置执行所述指令，以实现如权利要求1-8中任一项所述的模型优化方法。
10.一种计算机可读存储介质，其特征在于，当所述计算机可读存储介质中的指令由处理器执行时，实现如权利要求1-8中任一项所述的模型优化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311279736.2A CN117292191A (zh) | 2023-09-28 | 2023-09-28 | 一种模型优化方法、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311279736.2A CN117292191A (zh) | 2023-09-28 | 2023-09-28 | 一种模型优化方法、电子设备及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117292191A true CN117292191A (zh) | 2023-12-26 |
Family
ID=89251524
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311279736.2A Pending CN117292191A (zh) | 2023-09-28 | 2023-09-28 | 一种模型优化方法、电子设备及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117292191A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117911794A (zh) * | 2024-03-15 | 2024-04-19 | 广州中科智巡科技有限公司 | 用于图像分类的模型获得方法、装置、电子设备和存储介质 |
-
2023
- 2023-09-28 CN CN202311279736.2A patent/CN117292191A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117911794A (zh) * | 2024-03-15 | 2024-04-19 | 广州中科智巡科技有限公司 | 用于图像分类的模型获得方法、装置、电子设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20230124713A (ko) | 결함 검출 방법, 장치 및 시스템 | |
| CN105893930A (zh) | 视频特征识别方法和装置 | |
| CN107545301B (zh) | 页面展示方法及装置 | |
| CN117292191A (zh) | 一种模型优化方法、电子设备及计算机可读存储介质 | |
| CN112634201B (zh) | 目标检测方法、装置和电子设备 | |
| CN110969600A (zh) | 一种产品缺陷检测方法、装置、电子设备及存储介质 | |
| CN112508638B (zh) | 数据处理的方法、装置及计算机设备 | |
| CN111881764A (zh) | 一种目标检测方法、装置、电子设备及存储介质 | |
| CN112767354A (zh) | 基于图像分割的缺陷检测方法、装置、设备及存储介质 | |
| CN114764774A (zh) | 瑕疵检测方法、装置、电子设备及计算机可读存储介质 | |
| Erazo-Aux et al. | Histograms of oriented gradients for automatic detection of defective regions in thermograms | |
| CN108121648B (zh) | 一种界面错误监控方法 | |
| CN114005019B (zh) | 一种翻拍图像识别方法及其相关设备 | |
| CN114299040A (zh) | 瓷砖瑕疵检测方法、装置和电子设备 | |
| CN113837836A (zh) | 模型推荐方法、装置、设备及存储介质 | |
| KR102271418B1 (ko) | 제품 검사를 위한 자동 학습 방법 및 시스템 | |
| CN117115823A (zh) | 一种篡改识别方法、装置、计算机设备和存储介质 | |
| CN111507420A (zh) | 轮胎信息获取方法、装置、计算机设备和存储介质 | |
| CN115205052A (zh) | 理财产品的推荐方法及装置、电子设备、存储介质 | |
| CN114495108A (zh) | 字符检测方法、装置、电子设备及可读介质 | |
| CN110851349B (zh) | 页面异常显示的检测方法、终端设备及存储介质 | |
| CN114818887A (zh) | 用于检测焊缝质量的方法、装置、存储介质及处理器 | |
| CN113869194A (zh) | 基于深度学习的变参数铣削加工过程信号标记方法及*** | |
| US12020421B2 (en) | Image defect detection method, electronic device using the same | |
| CN117408967B (zh) | 基于3d视觉识别的板材缺陷检测方法及*** |
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 |