[发明专利]基于深度学习的图像识别方法、装置、设备及存储介质

说明书

本发明公开了一种基于深度学习的图像识别方法、装置、设备及存储介质。该方法包括：获取训练图像的类别标签和二值分割标签，对训练图像进行特征提取，得到特征空间；通过预设卷积神经网络，对特征空间进行注意力预测，得到目标热图，根据目标热图和二值分割标签，得到分割损失值；获取特征空间对应的嵌入向量，类别标签对应的类别中心，通过预设损失函数，计算类别中心与嵌入向量之间的距离损失值；对嵌入向量进行整合，得到图像类别，计算图像类别与类别标签的类别损失值，根据分割损失值，距离损失值和类别损失值，对预设卷积神经网络进行参数调整，以完成模型训练。本发明在使用深度学习进行图像识别，实现了训练时间更快和预测准确度更高。

技术领域

本发明涉及图像识别领域，尤其涉及基于深度学习的图像识别方法、装置、设备及存储介质。

背景技术

在工业自动化领域中，图像识别起着重要的作用，图像识别的用途包括产品缺陷的检测以及缺陷种类的判断，不同产品的识别与分拣，通过机器视觉算法对产品进行自动分类，可以大大提高工业流水线的效率，减少人工成本，提高质量，如今深度学习在图像识别某些特定任务中已经达到并超过人眼识别的准确度，并在工业领域有着广泛的应用，使用深度学习进行图像识别，虽然有着高精确率的优点，但是学习方向不明确，导致训练时间慢，且无法准确对超出标注范围的异常样本进行判断，甚至存在高置信度的错误预测。

发明内容

本发明的主要目的在于提供一种基于深度学习的图像识别方法、装置、设备及存储介质，旨在解决现有使用深度学习进行图像识别时存在的训练时间慢和预测准确度低的技术问题。

此外，为实现上述目的，本发明还提供一种基于深度学习的图像识别方法，所述基于深度学习的图像识别方法包括以下步骤：

接收训练图像，获取所述训练图像的类别标签和二值分割标签，并对所述训练图像进行特征提取，得到特征空间；

通过预设卷积神经网络，对所述特征空间进行注意力预测，得到目标热图，并根据所述目标热图和所述二值分割标签，得到分割损失值；

获取所述特征空间对应的嵌入向量，所述类别标签对应的类别中心，并通过预设损失函数，计算所述类别中心与所述嵌入向量之间的距离损失值；

对所述嵌入向量进行整合，得到图像类别，计算图像类别与所述类别标签之间的类别损失值，并根据所述分割损失值，所述距离损失值以及所述类别损失值，对所述预设卷积神经网络进行参数调整，以完成模型训练。

可选地，所述对所述训练图像进行特征提取，得到特征空间的步骤包括：

将所述训练图像输入预设深度残差网络，通过所述预设深度残差网络对所述训练图像进行特征提取，得到预设大小的特征空间。

可选地，所述通过预设卷积神经网络，对所述特征空间进行注意力预测，得到目标热图的步骤包括：

通过预设卷积神经网络，对所述特征空间进行注意力预测，得到所述特征空间的不同区域的注意力数值；

通过预设非线性函数将所述注意力数值限定在预设区间，得到目标热图。

可选地，所述根据所述目标热图和所述二值分割标签，得到分割损失值的步骤包括：

对所述二值分割标签对应的二值图进行缩放操作，以使所述缩放操作后的二值图的尺寸与所述目标热图的尺寸相同；

将所述目标热图与所述二值图进行对比，得到分割损失值。

可选地，所述获取所述特征空间对应的嵌入向量的步骤包括：

根据所述目标热图中的注意力数值，对所述特征空间的不同区域进行加权处理；

对所述加权处理后的特征空间进行全局平均池化，得到所述特征空间对应的嵌入向量。