[发明专利]模型训练及缺陷识别方法、装置、电子设备和存储介质

说明书

本公开提供了一种模型训练及缺陷识别方法、装置、电子设备和存储介质，模型训练方法包括：利用已标注样本集对待训练缺陷识别模型进行训练，得到初始缺陷识别模型；利用初始缺陷识别模型，对未标注样本集中的未标注样本进行不确定度评估，选取出k个未标注样本；k为大于等于1的自然数；k个未标注样本中每个未标注样本对应的不确定度，大于未标注样本集中与k个未标注样本不同的每个未标注样本对应的不确定度；对k个未标注样本进行工业缺陷标注，得到k个已标注样本；利用k个已标注样本和已标注样本集，对初始缺陷识别模型进行训练，得到已训练缺陷识别模型。

技术领域

本公开涉及主动学习技术领域，尤其涉及一种模型训练及缺陷识别方法、装置、电子设备和存储介质。

背景技术

近年来，计算机视觉技术在各个领域都取得了巨大的进展，同时在工业界也产生了实际的应用价值。

目前，用于工业缺陷识别的缺陷识别模型，在训练阶段使用的大量样本，往往是人工随机选择并标注的，不仅需要消耗大量的人力，模型训练效率较低，而且训练得到的模型的精确度较低。

发明内容

本公开实施例期望提供一种模型训练及缺陷识别方法、装置、电子设备和存储介质。

本公开实施例的技术方案是这样实现的：

本公开实施例提供了一种模型训练方法，包括：

利用已标注样本集对待训练缺陷识别模型进行训练，得到初始缺陷识别模型；

利用所述初始缺陷识别模型，对未标注样本集中的未标注样本进行不确定度评估，选取出k个未标注样本；k为大于等于1的自然数；其中，所述k个未标注样本中每个未标注样本对应的不确定度，大于所述未标注样本集中与所述k个未标注样本不同的每个未标注样本对应的不确定度；

对所述k个未标注样本进行工业缺陷标注，得到k个已标注样本；

利用所述k个已标注样本和所述已标注样本集，对所述初始缺陷识别模型进行训练，得到已训练缺陷识别模型。

在上述模型训练方法中，所述利用所述初始缺陷识别模型，对未标注样本集中的未标注样本进行不确定度评估，选取出k个未标注样本，包括：

针对所述未标注样本集中每个未标注样本，利用所述初始缺陷识别模型进行工业缺陷识别，得到对应的缺陷识别结果；

针对所述未标注样本集中每个未标注样本，根据对应的缺陷识别结果确定对应的不确定度；

从所述未标注样本集中，按照对应的不确定度从大到小选取未标注样本，直至选取出的未标注样本数量达到k个，得到所述k个未标注样本。

在上述模型训练方法中，所述针对所述未标注样本集中每个未标注样本，根据对应的缺陷识别结果确定对应的不确定度，包括：

针对所述未标注样本集中每个未标注样本，根据对应的缺陷识别结果计算对应的信息熵；

针对所述未标注样本集中每个未标注样本，将对应的信息熵作为对应的不确定度。

在上述模型训练方法中，所述从所述未标注样本集中，按照对应的不确定度从大到小选取未标注样本，直至选取出的未标注样本数量达到k个，得到所述k个未标注样本，包括：

将所述未标注样本集中的未标注样本，按照对应的不确定度从大到小排序，得到未标注样本序列；

从所述未标注样本序列中，依次选取出前k个未标注样本，得到所述k个未标注样本。

在上述模型训练方法中，所述利用所述k个已标注样本和所述已标注样本集，对所述初始缺陷识别模型进行训练，得到已训练缺陷识别模型之后，所述方法还包括：