[发明专利]一种工业质检模型训练方法

说明书

本申请涉及深度学习技术领域，具体而言，涉及一种工业质检模型训练方法，可以解决增量训练时，每次对模型进行训练都需要进行与初次训练相同的训练轮数，需要耗费大量的时间且占用资源，增加了时间成本和维护成本的问题。模型训练方法包括：获取基线模型信息；基于基线模型信息，对训练模型进行初始化，得到训练模型的初始权重及训练轮数；基于初始权重与训练轮数，并通过扩充后的训练集对训练模型进行训练，扩充后的训练集包括错检样本及漏检样本，在训练模型完成训练轮数的训练后，得到工业质检模型。

技术领域

本申请涉及深度学习技术领域，具体而言，涉及一种工业质检模型训练方法。

背景技术

随着图像传感器和视觉算法的高速发展，机器视觉成为了工厂实施自动化战略的重要助推力量，基于视觉的自动化方案广泛应用于工业生产的各个环节，并且其自动化方案均需要通过基于深度学习技术的工业质检模型来完成，目前有众多方案中都将深度学习应用在了工业质检中。

在工业质检中，其工业质检模型的性能通常由训练数据决定，因为训练数据的数量直接影响到深度学习分割算法的性能，但是当应用深度学习分割算法解决工业质检问题时，往往会因为产线运行周期短、采集数据困难、数据标注成本高等各种因素导致产线的可用训练数据少，使得基于少量数据训练出的深度学习分割模型的泛化能力有限，造成实际生产过程中频繁出现模型将好品判成不良(错检)和将不良判成好品(漏检)的情况，而为了满足工业生产的高精度质检需求，只能通过不断收集新增的错检样本及漏检样本，扩充训练样本库，以逐渐提高模型的泛化能力，具体流程如图11所示，在应用过程中需要频繁地重新训练模型。

然而，在训练模型时，每次对模型进行训练都需要进行与初次训练相同的训练轮数，往往要耗费大量的时间且占用资源，增加了时间成本和维护成本。

发明内容

为了解决增量训练时，每次对模型进行训练都需要进行与初次训练相同的训练轮数，需要耗费大量的时间且占用资源，增加了时间成本和维护成本的问题，本申请提供了一种工业质检模型训练方法：

根据本申请实施例的一个方面，提供了一种工业质检模型训练方法，所述方法包括：

获取基线模型信息，所述基线模型信息包括预制模型的权重及训练轮数；

基于所述基线模型信息，对所述训练模型进行初始化，得到所述训练模型的初始权重及训练轮数，所述初始权重为通过所述预制模型的权重对所述训练模型进行初始化得到，所述训练轮数基于所述预制模型对应的训练轮数，按照预设第一比例确定，且所述训练轮数小于所述预制模型对应的训练轮数；

基于所述初始权重与所述训练轮数，并通过扩充后的训练集对所述训练模型进行训练，所述扩充后的训练集包括错检样本及漏检样本，在完成所述训练轮数的训练后，得到工业质检模型。

在一些实施例中，在所述获取基线模型信息，所述基线模型信息包括预输入模型的权重及训练轮数步骤中，所述方法进一步包括：

所述基线模型信息为当前训练任务已有模型中的预制模型或基于预训练得到的预制模型的信息，所述当前训练任务已有模型中的预制模型为最近一次同任务训练所得到的模型。

在一些实施例中，在所述获取基线模型信息步骤中，所述方法进一步包括：

判断本次训练是否为增量训练，且基于判断结果获取基线模型信息；

若本次非增量训练，则基于已知数据集对模型进行训练，得到预训练预制模型，将所述预训练预制模型的权重及对应的训练轮数保存，得到所述基线模型信息，所述已知数据集为ImageNet数据集或COCO数据集；

若本次为增量训练，直接获取所述基线模型信息，所述基线模型信息包括前一轮训练所得到模型的权重及对应的训练轮数。

在一些实施例中，在判断本次训练是否为增量训练步骤中，所述方法进一步包括：