[发明专利]一种船舶类别分类模型训练方法、系统及计算机存储介质

说明书

本发明公开一种船舶类别分类模型训练方法、系统及计算机存储介质。该方法包括：S1将原始训练集分成多个小数据集；S2.将多个小数据集分为多组训练样本；S3.将每组训练样本进行训练得到一一对应的多个船舶类别分类模型以及多个难例数据集；S4.将多个船舶类别分类模型进行融合得到预训练模型；S5.加载预训练模型并通过数据增强方法对原始训练集和多个难例数据集进行m轮模型训练，得到当前更新的船舶类别分类模型；S6.对原始测试集训练，得到当前更新的难例数据集，对其和原始训练集进行m+1轮模型训练，得到下一更新的船舶类别分类模型，重复S6进行预设轮模型训练，得到目标船舶类别分类模型。本发明中的目标船舶类别分类模型正确率高，错误率较少。

技术领域

本发明船舶分类技术领域，具体而言，涉及一种船舶类别分类模型训练方法、系统及计算机存储介质。

背景技术

随着物流行业的发展，水上运输是主要途径之一，港口对船舶的管理的压力也随之增加。船舶类型对减少船舶管理压力是有效的方法之一，但目前船舶类别分类存在正确率低、错误率高，无法满足实际操作需求。船舶类型分类中出现误分类主要是因为：①个别船舶类型之间的差距小，外观接近；②由于造船厂家并不是同一家，因此船舶存在的问题是同一类别的船舶外观可能出现较大差异；③随着时间推移，船舶外观存在破损现象。针对上述原因，目前训练方法训练出来的船舶类别分类模型存在分类准确率低，错误率较多。

针对现有技术中船舶类别分类模型存在正确率、精确率不高，错误率较多的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例中提供一种船舶类别分类模型训练方法、系统及计算机存储介质，以解决现有技术中船舶类别分类模型存在正确率、精确率不高，错误率较多的问题。

为达到上述目的，一方面，本发明提供了一种船舶类别分类模型训练方法，该方法包括：S1.将原始训练集分成多个小数据集；S2.将所述多个小数据集分为多组训练样本，所述训练样本的组数与所述小数据集个数相同：每组训练样本中包括所述多个小数据集，且其一小数据集为子测试集或子验证集，其余小数据集为子训练集；每组训练样本中的子测试集或子验证集不同；S3.将每组的子训练集、子测试集或子验证集进行训练，得到一一对应的多个船舶类别分类模型，以及得到一一对应的多个难例数据集；S4.将所述多个船舶类别分类模型进行融合，得到预训练模型；S5.加载所述预训练模型并通过图片融合操作对所述原始训练集和多个难例数据集进行m轮模型训练，得到当前更新的船舶类别分类模型；其中，m的值由训练结果确定，当训练结果符合预设要求时，停止继续训练；S6.通过所述当前更新的船舶类别分类模型对原始测试集进行测试，得到当前更新的难例数据集；通过所述当前更新的船舶类别分类模型对所述原始训练集和所述当前更新的难例数据集进行m+1轮模型训练，得到下一更新的船舶类别分类模型；S7.将所述下一更新的船舶类别分类模型作为当前更新的船舶类别分类模型，重复S6直至进行完预设轮模型训练，得到目标船舶类别分类模型。

可选的，所述S3包括：从当前组的子训练集中抽取预设数量的图片作为当前迭代训练集进行模型训练，并得到正确图片、错误图片以及每一张图片的得分；判断所述当前迭代训练集的准确率；当所述准确率超过预设准确率时，则从所述当前迭代训练集中选取难例样本，并将所述难例样本和抽取的所述当前组的子训练集中没有进行模型训练的图片作为下次迭代训练集进行模型训练，其中每次迭代训练集的图片数量都为所述预设数量；反之，则直接从所述当前组的子训练集中没有进行模型训练的图片抽取预设数量的图片作为下次迭代训练集进行模型训练；将所述当前组的子训练集的图片全部模型训练完作为一轮模型训练并进行多轮模型训练得到当前船舶类别分类模型，以及当前难例数据集。