[发明专利]一种基于轻量化分类模型的分类检测方法及装置

说明书

本申请提供一种基于轻量化分类模型的分类检测方法及装置。方法包括获取训练样本图像，并确定训练样本图像的类别；根据类别对训练样本图像进行分类标记，得到样本标记图像；将样本标记图像输入至轻量化分类模型中进行训练，得到训练好的轻量化分类模型；将待评价样本图像输入至训练好的轻量化分类模型中，判断并输出待评价样本图像的所属类别。本申请的轻量化分类模型主干中的模型基本单元采用简洁的双分支结构，在增加模型基本单元数量的同时保留待评价样本图像数据的传递，使用输出通道数等于卷积组数的卷积层可以轻量化参数空间，模型的初始化宽度较小，模型更轻量，使得该模型处理待评价样本图像数据的速度更快，检测效果更好，检测效率更高。

技术领域

本申请涉及深度学习模型技术领域，尤其涉及一种基于轻量化分类模型的分类检测方法及装置。

背景技术

工业检测领域中，由于产品的表面缺陷类别形态多样。在进行产品的表面缺陷类别分类检测时，虽然可以采用传统的识别算法对产品图像进行特征提取，然后根据特征提取的结果来确定表面缺陷及表面缺陷的类别。但采用灰度提取算法、面积提取算法、轮廓提取算法等传统的识别算法，很难提取到产品图像中全部有效的特征，对于产品图像的检测效果较差。

由于深度学习模型能够自动学习产品图像特征，采用基于深度学习模型，即分类模型的检测方法对产品图像进行检测，根据检测结果可以将产品划分出合格类别和不合格类别。因此，现有技术中使用深度学习模型对产品进行分类检测越来越普遍。

虽然采用深度学习模型对产品进行分类检测越来越普遍，并且采用深度学习模型，即分类模型的检测方法对产品图像进行检测的效果较好，但是由于现有的深度学习模型，即分类模型的的网络结构较复杂，模型的参数较多，因此采用上述方案对产品图像的检测效率较低，还会对产品的生产效率产生一定程度的影响。

发明内容

本申请提供了一种基于轻量化分类模型的分类检测方法及装置，以解决现有技术中的采用深度学习模型的检测方法对产品图像的检测效率较低，从而导致产品的生产效率低的问题。

一方面，本申请提供一种基于轻量化分类模型的分类检测方法，包括以下步骤：

获取训练样本图像，并确定所述训练样本图像的类别；

根据所述类别对所述训练样本图像进行分类标记，得到样本标记图像；

将所述样本标记图像输入至轻量化分类模型中进行训练，得到训练好的轻量化分类模型；

将待评价样本图像输入至训练好的轻量化分类模型中，判断并输出所述待评价样本图像的所属类别；

其中，所述轻量化分类模型的基本结构包括主干，所述主干用于提取预处理后的待评价样本图像不同级别的特征；

所述主干包括至少一个阶段，所述阶段由至少两个模型基本单元组成，经过所述阶段中第一个模型基本单元处理的图像分辨率下降，经过第二个模型基本单元处理的图像分辨率不变；所述第一个模型基本单元用于提取预处理后的待评价样本图像的特征，并将提取特征后的待评价样本图像与预处理后的待评价样本图像进行叠加后输出，所述第二个模型基本单元用于对所述第一个模型基本单元输出的叠加图像再次进行卷积运算，并将卷积运算后的叠加图像直接输入至下一阶段；

所述模型基本单元包含卷积层，且每一个所述阶段的初始宽度与所述阶段中卷积层的输出通道数相等。

上述技术方案中，模型基本单元采用简洁的双分支结构，在增加模型基本单元数量的同时保留待评价样本图像数据的传递；使用输出通道数等于卷积组数的卷积层可以减小参数空间，使模型更轻量，对待评价样本图像的处理速度更快。

在本申请的较佳实施例中，将待评价样本图像输入至训练好的轻量化分类模型中，判断并输出所述待评价样本图像的所属类别，包括：

对所述待评价样本图像进行预处理；