[发明专利]模型训练方法、目标识别方法、装置、设备及存储介质

说明书

本申请提出一种模型训练方法、目标识别方法、装置、设备及存储介质，其中，方法包括：对样本图像进行分块，得到多个第一子图块；分别对多个第一子图块进行特征提取，得到多个第一子图块对应的子图像特征；将各子图像特征输入识别模型中的自注意力记忆神经网络层，以根据各子图像特征与对应目标图像特征之间的相似度，采用注意力机制进行特征映射，得到各第一子图块对应的映射特征；将多个第一子图块的映射特征进行融合，得到融合特征；采用识别模型中的预测层对融合特征进行目标预测，得到预测标注信息；根据预测标注信息与样本图像包括的实际标注信息之间的差异，对识别模型进行训练。由此，可提升模型对残次目标的判别能力。

技术领域

本申请涉及计算机技术领域，尤其涉及一种模型训练方法、目标识别方法、装置、设备及存储介质。

背景技术

在广泛的工业生产场景中，例如3C、机械制造、半导体及电子、化工、医药等行业，工业产品的质量检测(简称工业质检)是必不可少的一道环节。其中，工业质检涉及到的主要内容为产品的外观缺陷检测，包括表面装配、印刷、形状等缺陷检测。

得益于深度学习方法的广泛应用，可以利用质检模型来完成工业质检场景中的通用识别任务(比如残次品或残次区域的分类、定位、分割等)，以替代传统的人工肉眼检测，提高生产力、竞争力和质检准确率。为了提升模型的预测效果，如何实现模型的训练是非常重要的。

发明内容

本申请旨在至少在一定程度上解决相关技术中的技术问题之一。

本申请提出一种模型训练方法、目标识别方法、装置、设备及存储介质，以实现通过自注意力记忆神经网络层存储包含非残次目标的正样本图像的特征，可以实现为识别模型提供正样本图像的先验信息，以根据该先验信息来实现对残次目标的检测，可以提升识别模型对残次目标的判别能力，从而提升模型的预测效果。

本申请第一方面实施例提出了一种模型训练方法，包括：

获取样本图像，并对所述样本图像进行分块，得到多个第一子图块；

分别对多个所述第一子图块进行特征提取，以得到多个所述第一子图块对应的子图像特征；

将各所述第一子图块对应的子图像特征输入识别模型中的自注意力记忆神经网络层，以根据各所述第一子图块的子图像特征与对应目标图像特征之间的相似度，采用注意力机制进行特征映射，得到各所述第一子图块对应的映射特征；其中，所述目标图像特征，是包含非残次目标的正样本图像划分的各第二子图块的图像特征中，与对应第一子图块的子图像特征匹配的图像特征；

将多个所述第一子图块的映射特征进行融合，以得到融合特征；

采用所述识别模型中的预测层，对所述融合特征进行目标预测，得到预测标注信息；

根据所述预测标注信息与所述样本图像包括的实际标注信息之间的差异，对所述识别模型进行训练。

本申请第二方面实施例提出了一种目标识别方法，包括：

获取待检测图像，并对所述待检测图像进行分块，得到多个子图块；

分别对多个所述子图块进行特征提取，以得到多个所述子图块对应的子图像特征；

将各所述子图块对应的子图像特征输入识别模型中的自注意力记忆神经网络层，以输出得到各所述子图块对应的映射特征；其中，所述识别模型是采用如本申请第一方面实施例所述的方法训练得到的；

将多个所述子图块的映射特征进行融合，以得到融合特征；

采用所述识别模型中的预测层，对所述融合特征进行目标预测，得到所述目标的识别结果。

本申请第三方面实施例提出了一种模型训练装置，包括：

获取模块，用于获取样本图像；