[发明专利]木板识别的机器再学习方法、装置、电子设备及存储介质

权利要求书

1.一种木板识别的机器再学习方法，其特征在于，包括：

获取用于木板识别的初始识别模型；所述初始识别模型经过第一训练样本集合训练；所述第一训练样本集合包括至少一个第一训练样本以及所述第一训练样本对应的第一标注结果；

获取第二训练样本集合；所述第二训练样本集合包括至少一个第二训练样本以及所述第二训练样本对应的第二标注结果；

获取本地识别模型；所述本地识别模型经过所述第二训练样本集合对所述初始识别模型再训练得到；

其中，所述获取用于木板识别的初始识别模型，包括：

通过通信网络从服务器获取已经过所述第一训练样本集合训练的所述初始识别模型；或，

通过通信网络从服务器获取所述第一训练样本集合，并在本地利用所述第一训练样本集合训练得到所述初始识别模型。

2.根据权利要求1所述的机器再学习方法，其特征在于，所述获取第二训练样本集合，包括：

在所述初始识别模型对待识别木板的识别结果的置信度低于阈值时，将所述待识别木板对应的第二训练样本以及第二标注结果加入所述第二训练样本集合。

3.根据权利要求1所述的机器再学习方法，其特征在于，所述获取本地识别模型，包括：

采用所述第二训练样本集合对所述初步识别模型进行再训练，得到所述本地识别模型；或，

将所述第二训练样本集合发送至服务器，以及从所述服务器获取经过所述第二训练样本训练后的所述本地识别模型。

4.根据权利要求1所述的机器再学习方法，其特征在于，所述初始识别模型采用所述第一训练样本集合对基于第一神经网络的机器学习模型进行训练得到；所述本地识别模型采用所述第二训练样本集合对基于第二神经网络的机器学习模型进行训练得到，所述第二神经网络的部分或全部节点值与经过第一训练样本集合训练后的所述第一神经网络的节点值对应一致。

5.根据权利要求4所述的机器再学习方法，其特征在于，所述第二神经网络包括所述第一神经网络的所有节点以及新生成的节点，和/或所述第二神经网络和所述第一神经网络的输出节点不同。

6.根据权利要求1所述的机器再学习方法，其特征在于，所述第一标注结果和第二标注结果包括木材的分类、切割方案、缺陷识别、等级评估中的一个或多个；所述初始识别模型和所述本地识别模型的识别结果包括木材的分类、切割方案、缺陷识别、等级评估中的一个或多个。

7.根据权利要求1所述的机器再学习方法，其特征在于，所述第一标注结果和第二标注结果所采用的标注方案不同。

8.一种木板识别的机器再学习装置，其特征在于，包括：

第一获取模块，被配置为获取用于木板识别的初始识别模型；所述初始识别模型经过第一训练样本集合训练；所述第一训练样本集合包括至少一个第一训练样本以及所述第一训练样本对应的第一标注结果；

第二获取模块，被配置为获取第二训练样本集合；所述第二训练样本集合包括至少一个第二训练样本以及所述第二训练样本对应的第二标注结果；

第三获取模块，被配置为获取本地识别模型；所述本地识别模型经过所述第二训练样本集合对所述初始识别模型再训练得到；

其中，所述第一获取模块通过通信网络从服务器获取已经过所述第一训练样本集合训练的所述初始识别模型；或通过通信网络从服务器获取所述第一训练样本集合，并在本地利用所述第一训练样本集合训练得到所述初始识别模型。

9.一种电子设备，其特征在于，包括存储器和处理器；其中，

所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现权利要求1-10任一项所述的方法步骤。

10.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该计算机指令被处理器执行时实现权利要求1-10任一项所述的方法步骤。