CN111210024B - 模型训练方法、装置、计算机设备和存储介质 - Google Patents

Abstract

本申请涉及一种模型训练方法、装置、计算机设备和存储介质。所述方法包括：获取预训练好的初始机器学习模型和样本图像；通过初始机器学习模型对样本图像进行处理，得到预测结果；将满足低置信度条件的预测结果对应的样本图像作为第一目标图像，并对第一目标图像进行标注处理得到对应的第一标注信息；将满足高置信度条件的预测结果对应的样本图像作为第二目标图像，并根据第二目标图像的预测结果确定与第二目标图像对应的第二标注信息；将第一目标图像和第二目标图像作为样本输入，并将相应的第一标注信息和第二标注信息作为训练标签，对初始机器学习模型进行再训练。采用本方法能够提升模型训练效率。

Description

模型训练方法、装置、计算机设备和存储介质

技术领域

本申请涉及计算机技术领域，特别是涉及一种模型训练方法、装置、计算机设备和存储介质。

背景技术

随着计算机技术的发展，出现了机器学习(ML，Machine Learning)，它被引入机器学习使其更接近于人工智能(AI，Artificial Intelligence)。机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径。机器学习模型可用于对电力系统中的设备进行故障检测。而精度高的机器学习模型需要大数据量作为模型训练的支撑。

在传统的方法中，机器学习模型的训练需要大量的训练数据，将大量的训练数据进行人为标注后作为对机器学习模型的输入，对机器学习模型进行训练，得到一个具备高精度的模型。进而通过模型可对电力系统中的设备进行故障检测。然而，目前的模型训练方法，对训练数据的数据量要求过高，且过度依赖人力，导致了模型训练效率低。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提升模型训练效率的模型训练方法、装置、计算机设备和存储介质。

一种模型训练方法，所述方法包括：

获取预训练好的初始机器学习模型和样本图像；

通过所述初始机器学习模型对所述样本图像进行处理，得到预测结果；

将满足低置信度条件的预测结果对应的样本图像作为第一目标图像，并对所述第一目标图像进行标注处理得到对应的第一标注信息；

将满足高置信度条件的预测结果对应的样本图像作为第二目标图像，并根据第二目标图像的预测结果确定与所述第二目标图像对应的第二标注信息；

将所述第一目标图像和所述第二目标图像作为样本输入，并将相应的所述第一标注信息和所述第二标注信息作为训练标签，对所述初始机器学习模型进行再训练。

一种模型训练装置，所述装置包括：

获取模块，用于获取预训练好的初始机器学习模型和样本图像；

处理模块，用于通过所述初始机器学习模型对所述样本图像进行处理，得到预测结果；

处理模块还用于将满足低置信度条件的预测结果对应的样本图像作为第一目标图像，并对所述第一目标图像进行标注处理得到对应的第一标注信息；

确定模块，用于将满足高置信度条件的预测结果对应的样本图像作为第二目标图像，并根据第二目标图像的预测结果确定与所述第二目标图像对应的第二标注信息；

训练模块，用于将所述第一目标图像和所述第二目标图像作为样本输入，并将相应的所述第一标注信息和所述第二标注信息作为训练标签，对所述初始机器学习模型进行再训练。

一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获取预训练好的初始机器学习模型和样本图像；

通过所述初始机器学习模型对所述样本图像进行处理，得到预测结果；

将满足低置信度条件的预测结果对应的样本图像作为第一目标图像，并对所述第一目标图像进行标注处理得到对应的第一标注信息；

将满足高置信度条件的预测结果对应的样本图像作为第二目标图像，并根据第二目标图像的预测结果确定与所述第二目标图像对应的第二标注信息；

将所述第一目标图像和所述第二目标图像作为样本输入，并将相应的所述第一标注信息和所述第二标注信息作为训练标签，对所述初始机器学习模型进行再训练。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

获取预训练好的初始机器学习模型和样本图像；

通过所述初始机器学习模型对所述样本图像进行处理，得到预测结果；

将满足低置信度条件的预测结果对应的样本图像作为第一目标图像，并对所述第一目标图像进行标注处理得到对应的第一标注信息；

将满足高置信度条件的预测结果对应的样本图像作为第二目标图像，并根据第二目标图像的预测结果确定与所述第二目标图像对应的第二标注信息；

将所述第一目标图像和所述第二目标图像作为样本输入，并将相应的所述第一标注信息和所述第二标注信息作为训练标签，对所述初始机器学习模型进行再训练。

上述设备故障检测方法、装置、计算机设备和存储介质，通过获取一个由较少量样本图像预先训练好的初始机器学习模型，作为中间状态的临时模型。进而，在实际场景中不断获取样本图像来优化初始机器学习模型，初始机器学习模型对满足高置信度条件的样本图像进行自动标注，并将满足低置信度条件的样本图像输出，进行标注处理，进而将带有标注信息的样本图像作为模型输入，不断对模型进行再训练，直至模型能够准确识别样本图像。这样，在数据量较小的情况下，保证了模型的精确度，减少了人工干预，进而提升了模型训练效率。

附图说明

图1为一个实施例中模型训练方法的应用场景图；

图2为一个实施例中模型训练方法的流程示意图；

图3为一个实施例中模型训练方法的系统框图；

图4为一个实施例中模型训练装置的结构框图；

图5为另一个实施例中模型训练装置的结构框图；

图6为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的模型训练方法，可以应用于如图1所示的应用环境中。该应用环境包括用户终端102和计算机设备104。用户终端102与计算机设备104通过网络进行通信。其中，用户终端102具体可以是台式终端或移动终端，移动终端具体可以手机、平板电脑、笔记本电脑等中的至少一种。计算机设备104具体可以是终端或服务器，服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。本领域技术人员可以理解，图1中示出的应用环境，仅仅是与本申请方案相关的部分场景，并不构成对本申请方案应用环境的限定。

计算机设备104获取在用户终端102预训练好的初始机器学习模型和样本图像。计算机设备104通过初始机器学习模型对样本图像进行处理，得到预测结果。计算机设备104将满足低置信度条件的预测结果对应的样本图像作为第一目标图像，并对第一目标图像进行标注处理得到对应的第一标注信息。计算机设备104将满足高置信度条件的预测结果对应的样本图像作为第二目标图像，并根据第二目标图像的预测结果确定与第二目标图像对应的第二标注信息。计算机设备104将第一目标图像和第二目标图像作为样本输入，并将相应的第一标注信息和第二标注信息作为训练标签，对初始机器学习模型进行再训练。

在一个实施例中，如图2所示，提供了一种模型训练方法，以该方法应用于图1中的计算机设备104为例进行说明，包括以下步骤：

S202，获取预训练好的初始机器学习模型和样本图像。

其中，机器学习模型是经过训练以识别特定类型的模式的文件，用于描述之前未见过的数据，并对这些数据进行预测。比如，构建一个应用程序，该应用程序可以基于电力系统的设备图像识别出对应设备所属的类别。通过为机器学习模型提供每个具有特定标注信息的设备图像来对模型进行训练，然后在可以识别任何设备图像的应用程序中使用该模型。预训练好的初始机器学习模型是基于少量样本数据训练出来的、精度相对较低的模型。样本图像是具有特定特征的图像，用于训练机器学习模型。样本图像具体可以是电力系统中各电力设备的图像。

具体地，用户终端可收集对应的现有的样本数据，并对现有的样本图像进行标注。比如，以电力设备的缺陷检测为例，可将有缺陷的电力设备所对应的样本数据标注为0，将正常的电力设备所对应的样本数据标注为1。用户终端可基于这些标注过的样本数据训练模型，以得到初始机器学习模型。进而用户终端可将预训练好的初始机器学习模型发送至计算机设备，计算机设备可从用户终端获取预训练好的初始机器学习模型，并获取用于继续训练初始机器学习模型的样本图像，进而将预训练好的初始机器学习模型部署在计算机设备中，对初始机器学习模型进行再训练。

在一个实施例中，机器学习模型可按照使用的数据类型分为监督学习和无监督学习两大类。监督学习主要包括用于分类和用于回归的模型。分类模型具体可包括线性分类器、支持向量机、朴素贝叶斯、K近邻、决策树、集成模型等。回归模型具体可包括线性回归、支持向量机、K近邻、回归树、集成模型等。无监督学习主要包括数据聚类和数据降维等。

S204，通过初始机器学习模型对样本图像进行处理，得到预测结果。

其中，预测结果是初始机器学习模型基于输入的样本图像，进行相应处理后所输出的结果。预测结果可包括多于一个的输出概率，比如，预设结果具体可以是一个二维向量，其中第一个数可代表样本图像为缺陷样本的概率，第二个数可代表样本图像为正常样本的概率。第一个数何第二个数的数值范围可为0到1，且两位数字相加结果为1。

具体地，初始机器学习模型具备对样本图像进行处理的能力，将计算机设备获取到的样本图像作为初始机器学习模型的输入，初始机器学习模型可对样本图像进行处理，得到预测结果。

在一个实施例中，步骤S204，也就是通过初始机器学习模型对样本图像进行处理，得到预测结果的步骤，具体包括：通过初始机器学习模型，对样本图像进行特征识别；将识别出来的样本图像的特征与初始机器学习模型所记录的特征进行比对，得到比对结果；根据比对结果，确定预测结果。

其中，样本图像的特征是样本图像的差异性表现，样本图像特征具体可以是的样本图像的颜色特征、纹理特征、形状特征和空间关系特征等。

具体地，每一个样本图像都具备各自的特征，样本图像的特征可以表现出样本图像的所述类别。计算机设备部署有初始机器学习模型，初始机器学习模型中记录有学习过的特征，且初始机器学习模型具备识别样本图像的特征的功能。计算机设备可通过初始机器学习模型，对样本图像进行特征识别。进而计算机设备可将识别出来的样本图像的特征与初始机器学习模型所记录的特征进行比对，得到比对结果。计算机设备可根据比对结果，确定预测结果。

这样，通过识别出样本图像的特征，并将识别出的样本图像特征与与初始机器学习模型所记录的特征进行比对，提升了初始机器学习模型对样本图像处理效率。

S206，将满足低置信度条件的预测结果对应的样本图像作为第一目标图像，并对第一目标图像进行标注处理得到对应的第一标注信息。

其中，置信度也称为可靠度，或置信水平、置信系数，即在抽样对总体参数作出估计时，由于样本的随机性，其结论总是不确定的。因此，采用一种概率的陈述方法，也就是数理统计中的区间估计法，即估计值与总体参数在一定允许的误差范围以内，其相应的概率称作置信度。低置信度条件是样本图像无法被识别出所属类别的条件，用于从样本图像中筛选出第一目标图像。第一目标图像是无法被初始机器学习模型识别出来所述类别的图像。第一标注信息是对第一目标图像进行类别标注所得到的标注信息。

具体地，每个样本图像经过初始机器学习模型处理后得到的预测结果都对应有各自的置信度，置信度包括低置信度和高置信度，且低置信度和高置信度分别对应有相应的条件。计算机设备可将满足低置信度条件的预测结果对应的样本图像作为第一目标图像。进而根据第一目标图像的所属类别特征，对第一目标图像进行标注处理，得到对应的第一标注信息。

在一个实施例中，预测结果包括多于一个的输出概率，当多于一个的输出概率中存在任一个输出概率均小于或等于预设阈值时，则可认为该样本图像为不可信样本，该样本图像所对应的置信度低，即该样本图像满足低置信度条件。计算机设备可将满足低置信度条件的样本图像进行标注处理。标注处理具体可以是计算机设备自动标注，也可以是计算机设备将满足低置信度条件的样本图像发送至客户端，在客户端创建可视化界面，相关工作人员可通过可视化界面，根据样本图像的特征，对满足低置信度条件的样本图像进行人工标注。

S208，将满足高置信度条件的预测结果对应的样本图像作为第二目标图像，并根据第二目标图像的预测结果确定与第二目标图像对应的第二标注信息。

其中，高置信度条件是样本图像可以被识别出所属类别的条件，用于从样本图像中筛选出第二目标图像。第二目标图像是可以被初始机器学习模型识别出来所述类别的图像。第二标注信息是对第二目标图像进行类别标注所得到的标注信息。

具体地，计算机设备可将满足高置信度条件的预测结果对应的样本图像作为第二目标图像，且满足高置信度条件的预测结果是可信的识别结果，可以理解，满足高置信度条件的预测结果可直接确定与第二目标图像对应的第二标注信息。进而计算机设备可根据第二目标图像的预测结果确定与第二目标图像对应的第二标注信息。

在一个实施例中，预测结果包括多于一个的输出概率，当多于一个的输出概率中存在任一个输出概率大于预设阈值时，则可认为该样本图像为可信样本，该样本图像所对应的置信度高，即该样本图像满足高置信度条件。计算机设备可将多于一个的输出概率中的最大概率所对应的类别标签作为该样本的标注信息。

S210，将第一目标图像和第二目标图像作为样本输入，并将相应的第一标注信息和第二标注信息作为训练标签，对初始机器学习模型进行再训练。

其中，训练标签是具备训练初始机器学习模型功能的标注标签，用于监督初始机器学习的训练。

具体地，对模型的训练需要相应样本的输入和相应的训练标签，计算机设备可将第一目标图像和第二目标图像作为样本输入至初始机器学习模型，计算机设备可将相应的第一标注信息和第二标注信息作为初始机器学习模型训练的训练标签，进而对初始机器学习模型进行再训练。

在一个实施例中，如图3所示，模型训练课可分为离线阶段可在线阶段。在离线阶段时，相关科研工作者可收集与训练模型相关的初始数据，进而根据初始数据的特征，相关科研工作者可对这些初始数据进行数据标注，基于标注好的初始数据对初始算法进行训练，得到预训练好的初始机器学习模型。在离线阶段时，将预训练好的初始机器学习模型部署在对应的计算机设备中，通过获取实际场景中系统所生成的数据，作为初始机器学习模型的输入，通过算法运行，将高置信度的样本数据进行系统自动标注，将低置信度的样本数据筛选出来，通过人工判断对低置信度的样本数据进行人工标注。当标注的样本数据积累到预设阈值时，可将算法进行更新，即对初始机器学习模型进行再训练。当机器学习模型精度较高时，可逐渐脱离人工干预，实现自动化。

在一个实施例中，初始机器学习模型具体可以是电力系统中的电力设备故障检测模型，样本图像具体可以是电力系统中的电力设备所对应的图像。预测结果具体可以是电力设备故障检测模型基于电力设备所对应的图像所得到的输出结果，具体可以是各电力设备对应的类别，即有缺陷和电力设备和正常的电力设备。再训练好的电力设备故障检测模型可用于检测电力设备的健康状态，将有缺陷和电力设备和正常的电力设备分别识别出来。其中，电力设备可包括发电设备和供电设备两大类，发电设备具体可包括电站锅炉、蒸汽轮机、燃气轮机、水轮机、发电机、变压器等。供电设备具体可包括各种电压等级的输电线路、互感器、接触器等。本实施例在此对电力设备不做限定。

上述模型训练方法中，上述设备故障检测方法、装置、计算机设备和存储介质，通过获取一个由较少量样本图像预先训练好的初始机器学习模型，作为中间状态的临时模型。进而，在实际场景中不断获取样本图像来优化初始机器学习模型，初始机器学习模型对满足高置信度条件的样本图像进行自动标注，并将满足低置信度条件的样本图像输出，进行标注处理，进而将带有标注信息的样本图像作为模型输入，不断对模型进行再训练，直至模型能够准确识别样本图像。这样，在数据量较小的情况下，保证了模型的精确度，减少了人工干预，进而提升了模型训练效率。

在一个实施例中，模型训练方法还包括：获取少于预设数量的、且带有样本标注的初始样本图像；将初始样本图像输入至初始机器学习模型中，得到对应的初始输出；基于样本标注和初始输出的差异，调整初始机器学习模型的模型参数，直到满足训练停止条件时停止训练，得到预训练好的初始机器学习模型。

其中，初始样本图像是现有的具有特定特征的图像，用于训练初始机器学习模型。初始样本图像具体可以是电力系统中现有的各电力设备的图像。

具体地，计算机设备的数据库中存储有少于预设数量的、且带有样本标注的初始样本图像，计算机设备可从本地数据库中获取到初始样本图像。进而计算机设备可将初始样本图像输入至初始机器学习模型中，初始机器学习模型基于初始样本图像进行相应的处理，得到对应的初始输出。计算机设备可将样本标注和初始输出进行比较，确定样本标注和初始输出的差异，并可基于样本标注和初始输出的差异，调整初始机器学习模型的模型参数，直到满足训练停止条件时停止训练，得到预训练好的初始机器学习模型。其中，模型参数可直接影响模型的精确度。

在一个实施例中，初始样本图像为电力系统中电力设备的图像，获取100张电力设备的图像，对于每张图像，可采用人工标注信息，比如，以缺陷检测为例，有缺陷的标注为0，正常的标注为1。进而定义模型训练的基础模块，具体可包括数据预处理、网络结构定义、损失函数定义和训练超参选择等。进而可基于待标注信息的100张电力设备的图像，训练得到初始的模型。其中，损失函数是模型输出和观测结果间概率分布差异的量化，用于模型的参数估计。

上述实施例中，通过少量的初始样本图像，训练处一个精度相对较低的初始机器学习模型作为中间状态模型，可进一步提升模型训练效率。

在一个实施例中，步骤S202，也就是获取预训练好的初始机器学习模型和样本图像的步骤，具体包括：获取当前阶段所对应的预训练好的初始机器学习模型和样本图像；模型训练方法还包括：获取当前阶段对初始机器学习模型进行再训练所得到的机器学习模型，并将机器学习模型作为下一阶段模型训练过程中的初始机器学习模型；获取下一阶段对应的样本图像；基于下一阶段所对应的初始机器学习模型和样本图像，执行通过初始机器学习模型对样本图像进行处理，得到预测结果的步骤。

具体地，模型的训练课分为多个阶段进行训练，即通过迭代过程不断更新模型的模型参数，以使得模型的精确度逐渐变高。计算机设备可获取当前阶段所对应的预训练好的初始机器学习模型和样本图像，并获取当前阶段对初始机器学习模型进行再训练所得到的机器学习模型。计算机设备可将机器学习模型作为下一阶段模型训练过程中的初始机器学习模型。下一阶段的模型训练需要与下一阶段对应的样本图像作为下一阶段模型训练的输入。计算机设备可获取下一阶段对应的样本图像，进而计算机设备可基于下一阶段所对应的初始机器学习模型和样本图像，对下一阶段的模型进行再训练，以得到与下一阶段对应的预测结果。

上述实施例中，将当前阶段训练好的机器学习模型作为下一阶段的初始机器学习模型，并获取下一阶段的样本数据对模型进行迭代训练，使得模型的精确度越来越高，识别能力越来越强。

在一个实施例中，预测结果包括多于一个的输出概率，步骤S206，也就是将满足低置信度条件的预测结果对应的样本图像作为第一目标图像，并对第一目标图像进行标注处理得到对应的第一标注信息的步骤，具体包括：从预测结果中筛选出输出概率均小于等于预设阈值的目标结果；根据目标结果，确定第一目标图像；提取第一目标图像的图像特征，并基于图像特征对第一目标图像进行标注处理得到对应的第一标注信息。

其中，输出概率是样本图像被识别为对应类别的概率，用于体现样本图像的真实所属类别的可能性。

具体地，预测结果包括多于一个的输出概率，计算机设备可基于输出概率，设定一个用于判断的预设阈值，将各输出概率与预设阈值进行对比，并从预测结果中筛选出输出概率均小于等于预设阈值的目标结果。进而计算机设备可根据目标结果，确定第一目标图像。各第一目标图像具有各自的图像特征，计算机设备可提取第一目标图像的图像特征，并基于图像特征对第一目标图像进行标注处理得到对应的第一标注信息。

在一个实施例中，预测结果为一个二维向量，预测结果包括两个的输出概率。比如输出的预测结果为(0.6，0.4)，其中，0.6为样本图像为缺陷样本的概率，0.4为样本图像为正常样本的概率。设定预设阈值为0.7，则两位输出概率均小于预设阈值，输出的预测结果可信度较低，满足低置信度条件。计算机设备可确定与预测结果对应的样本图像，并将样本图像输出至可视化界面，通过人工对满足低置信度条件的样本图像进行人工标注，获取对应的标注信息。

上述实施例中，通过判断输出概率所对应的值确定低置信度条件，使得第一目标图像的确定更为便捷。通过图像的特征对图像进行标注处理，提升标注效率。

在一个实施例中，步骤S210，也就是将第一目标图像和第二目标图像作为样本输入，并将相应的第一标注信息和第二标注信息作为训练标签，对初始机器学习模型进行再训练的步骤之前，模型训练方法还包括：根据模型训练需求，确定对初始机器学习模型进行再训练的训练条件；对第一目标图像和第二目标图像进行数量统计，得到统计结果；当统计结果满足训练条件时，执行将第一目标图像和第二目标图像作为样本输入，并将相应的第一标注信息和第二标注信息作为训练标签，对初始机器学习模型进行再训练的步骤。

具体地，模型并不是时时刻刻都在迭代信息，模型进行再训练具有再训练的训练条件，只有在满足训练条件是模型训练才会进入下一个迭代阶段。计算机设备可根据模型训练需求，确定对初始机器学习模型进行再训练的训练条件。第一目标图像和第二目标图像的数量可随着时间而不断增多，计算机设备可对第一目标图像和第二目标图像进行数量统计，得到统计结果。将统计结果与训练条件进行比较，当统计结果满足训练条件时，计算机设备可执行将第一目标图像和第二目标图像作为样本输入，并将相应的第一标注信息和第二标注信息作为训练标签，对初始机器学习模型进行再训练的步骤。

在一个实施例中，将经过标注处理的第一目标图像存储至一个新的数据库中并对第一目标图像的数量进行实时监控。对初始机器学习模型进行再训练的训练条件，具体可以是第一目标图像的累计数量达到一个预设的数量值时，将第一目标图像和第二目标图像作为机器学习模型的输入，重新训练模型。

上述实施例中，通过设定对模型进行再训练的训练条件，使得样本图像在满足设定的训练条件时才会对模型进行再训练，避免了模型训练过于频繁，稳定模型训练系统。

在一个实施例中，步骤S210，也就是将第一目标图像和第二目标图像作为样本输入，并将相应的第一标注信息和第二标注信息作为训练标签，对初始机器学习模型进行再训练的步骤，具体包括：将第一目标图像和第二目标图像作为样本输入，并将相应的第一标注信息和第二标注信息作为训练标签，得到预测输出；根据训练标签和预测输出，构建与初始机器学习模型对应的损失函数；根据损失函数，对初始机器学习模型的模型参数进行更新。

具体地，计算机设备可获取上一个阶段所得到的第一目标图像、第二目标图像、第一标注信息和第二标注信息。计算机设备可将第一目标图像和第二目标图像作为样本输入，并将相应的第一标注信息和第二标注信息作为训练标签。经模型处理后可得到对应的预测输出。计算机设备可根据训练标签和预测输出，构建与初始机器学习模型对应的损失函数。最小化损失函数，求解和评估模型参数，以对初始机器学习模型的模型参数进行更新。

上述实施例中，通过构建损失函数，基于损失函数对模型的参数进行更新，使得模型参数的选取更加合理，进一步提升了模型训练效率。

应该理解的是，虽然图2的各个步骤按照顺序依次显示，但是这些步骤并不是必然按照顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，上述图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图4所示，提供了一种模型训练装置400，包括：获取模块401、处理模块402、确定模块403和训练模块404，其中：

获取模块401，用于获取预训练好的初始机器学习模型和样本图像。

处理模块402，用于通过初始机器学习模型对样本图像进行处理，得到预测结果。

处理模块402还用于将满足低置信度条件的预测结果对应的样本图像作为第一目标图像，并对第一目标图像进行标注处理得到对应的第一标注信息。

确定模块403，用于将满足高置信度条件的预测结果对应的样本图像作为第二目标图像，并根据第二目标图像的预测结果确定与第二目标图像对应的第二标注信息。

训练模块404，用于将第一目标图像和第二目标图像作为样本输入，并将相应的第一标注信息和第二标注信息作为训练标签，对初始机器学习模型进行再训练。

在一个实施例中，获取模块401还用于获取当前阶段所对应的预训练好的初始机器学习模型和样本图像。

在一个实施例中，获取模块401还用于获取当前阶段对初始机器学习模型进行再训练所得到的机器学习模型，并将机器学习模型作为下一阶段模型训练过程中的初始机器学习模型；获取下一阶段对应的样本图像；基于下一阶段所对应的初始机器学习模型和样本图像，执行通过初始机器学习模型对样本图像进行处理，得到预测结果的步骤。

在一个实施例中，获取模块401还用于获取少于预设数量的、且带有样本标注的初始样本图像。

在一个实施例中，处理模块402还用于通过初始机器学习模型，对样本图像进行特征识别；将识别出来的样本图像的特征与初始机器学习模型所记录的特征进行比对，得到比对结果；根据比对结果，确定预测结果。

在一个实施例中，处理模块402还用于从预测结果中筛选出输出概率均小于等于预设阈值的目标结果；根据目标结果，确定第一目标图像；提取第一目标图像的图像特征，并基于图像特征对第一目标图像进行标注处理得到对应的第一标注信息。

在一个实施例中，确定模块403还用于根据模型训练需求，确定对初始机器学习模型进行再训练的训练条件。

在一个实施例中，训练模块404还用于将第一目标图像和第二目标图像作为样本输入，并将相应的第一标注信息和第二标注信息作为训练标签，得到预测输出；根据训练标签和预测输出，构建与初始机器学习模型对应的损失函数；根据损失函数，对初始机器学习模型的模型参数进行更新。

参考图5，在一个实施例中，模型训练装置400还包括：输入模块405、调整模块406、统计模块407和执行模块408，其中：

输入模块405，用于将初始样本图像输入至初始机器学习模型中，得到对应的初始输出。

调整模块406，基于样本标注和初始输出的差异，调整初始机器学习模型的模型参数，直到满足训练停止条件时停止训练，得到预训练好的初始机器学习模型。

统计模块407，用于对第一目标图像和第二目标图像进行数量统计，得到统计结果。

执行模块408，用于当所述统计结果满足所述训练条件时，执行所述将所述第一目标图像和所述第二目标图像作为样本输入，并将相应的所述第一标注信息和所述第二标注信息作为训练标签，对所述初始机器学习模型进行再训练的步骤。

上述模型训练装置，上述设备故障检测方法、装置、计算机设备和存储介质，通过获取一个由较少量样本图像预先训练好的初始机器学习模型，作为中间状态的临时模型。进而，在实际场景中不断获取样本图像来优化初始机器学习模型，初始机器学习模型对满足高置信度条件的样本图像进行自动标注，并将满足低置信度条件的样本图像输出，进行标注处理，进而将带有标注信息的样本图像作为模型输入，不断对模型进行再训练，直至模型能够准确识别样本图像。这样，在数据量较小的情况下，保证了模型的精确度，减少了人工干预，进而提升了模型训练效率。

关于模型训练装置的具体限定可以参见上文中对于模型训练方法的限定，在此不再赘述。上述模型训练装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是上述图1中的计算机设备104，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储模型训练数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种模型训练方法。

本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述模型训练方法的步骤。此处模型训练方法的步骤可以是上述各个实施例的模型训练方法中的步骤。

在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述模型训练方法的步骤。此处模型训练方法的步骤可以是上述各个实施例的模型训练方法中的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种模型训练方法，包括：

获取预训练好的初始机器学习模型和样本图像；所述样本图像为针对电力系统中各电力设备采集的图像；

通过所述初始机器学习模型对所述样本图像进行处理，得到预测结果；所述预测结果包括代表所述样本图像中电力设备存在缺陷的输出概率，以及代表所述样本图像中电力设备正常的输出概率；

将满足低置信度条件的预测结果对应的样本图像作为第一目标图像，并对所述第一目标图像进行标注处理得到对应的第一标注信息；所述第一标注信息用于标示所述第一目标图像中电力设备正常或存在缺陷中的任一个；

将满足高置信度条件的预测结果对应的样本图像作为第二目标图像，并根据第二目标图像的预测结果确定与所述第二目标图像对应的第二标注信息；所述第二标注信息用于标示所述第二目标图像中电力设备正常或存在缺陷中的任一个；

将所述第一目标图像和所述第二目标图像作为样本输入，并将相应的所述第一标注信息和所述第二标注信息作为训练标签，对所述初始机器学习模型进行再训练。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取少于预设数量的、且带有样本标注的初始样本图像；

将所述初始样本图像输入至初始机器学习模型中，得到对应的初始输出；

基于所述样本标注和所述初始输出的差异，调整所述初始机器学习模型的模型参数，直到满足训练停止条件时停止训练，得到预训练好的初始机器学习模型。

3.根据权利要求1所述的方法，其特征在于，所述获取预训练好的初始机器学习模型和样本图像，包括：

获取当前阶段所对应的预训练好的初始机器学习模型和样本图像；

所述方法还包括：

获取当前阶段对所述初始机器学习模型进行再训练所得到的机器学习模型，并将所述机器学习模型作为下一阶段模型训练过程中的初始机器学习模型；

获取下一阶段对应的样本图像；

基于下一阶段所对应的初始机器学习模型和样本图像，执行所述通过所述初始机器学习模型对所述样本图像进行处理，得到预测结果的步骤。

4.根据权利要求1所述的方法，其特征在于，所述通过所述初始机器学习模型对所述样本图像进行处理，得到预测结果，包括：

通过所述初始机器学习模型，对所述样本图像进行特征识别；

将识别出来的所述样本图像的特征与所述初始机器学习模型所记录的特征进行比对，得到比对结果；

根据所述比对结果，确定预测结果。

5.根据权利要求1所述的方法，其特征在于，所述预测结果包括多于一个的输出概率，所述将满足低置信度条件的预测结果对应的样本图像作为第一目标图像，并对所述第一目标图像进行标注处理得到对应的第一标注信息，包括：

从所述预测结果中筛选出所述输出概率均小于等于预设阈值的目标结果；

根据所述目标结果，确定第一目标图像；

提取所述第一目标图像的图像特征，并基于所述图像特征对所述第一目标图像进行标注处理得到对应的第一标注信息。

6.根据权利要求1所述的方法，其特征在于，所述将所述第一目标图像和所述第二目标图像作为样本输入，并将相应的所述第一标注信息和所述第二标注信息作为训练标签，对所述初始机器学习模型进行再训练之前，所述方法还包括：

根据模型训练需求，确定对所述初始机器学习模型进行再训练的训练条件；

对所述第一目标图像和所述第二目标图像进行数量统计，得到统计结果；

当所述统计结果满足所述训练条件时，执行所述将所述第一目标图像和所述第二目标图像作为样本输入，并将相应的所述第一标注信息和所述第二标注信息作为训练标签，对所述初始机器学习模型进行再训练的步骤。

7.根据权利要求1至5中任一项所述的方法，其特征在于，所述将所述第一目标图像和所述第二目标图像作为样本输入，并将相应的所述第一标注信息和所述第二标注信息作为训练标签，对所述初始机器学习模型进行再训练，包括：

将所述第一目标图像和所述第二目标图像作为样本输入，并将相应的所述第一标注信息和所述第二标注信息作为训练标签，得到预测输出；

根据所述训练标签和所述预测输出，构建与所述初始机器学习模型对应的损失函数；

根据所述损失函数，对所述初始机器学习模型的模型参数进行更新。

8.一种模型训练装置，其特征在于，所述装置包括：

获取模块，用于获取预训练好的初始机器学习模型和样本图像；所述样本图像为针对电力系统中各电力设备采集的图像；

处理模块，用于通过所述初始机器学习模型对所述样本图像进行处理，得到预测结果；所述预测结果包括代表所述样本图像中电力设备存在缺陷的输出概率，以及代表所述样本图像中电力设备正常的输出概率；

处理模块还用于将满足低置信度条件的预测结果对应的样本图像作为第一目标图像，并对所述第一目标图像进行标注处理得到对应的第一标注信息；所述第一标注信息用于标示所述第一目标图像中电力设备正常或存在缺陷中的任一个；

确定模块，用于将满足高置信度条件的预测结果对应的样本图像作为第二目标图像，并根据第二目标图像的预测结果确定与所述第二目标图像对应的第二标注信息；所述第二标注信息用于标示所述第二目标图像中电力设备正常或存在缺陷中的任一个；

训练模块，用于将所述第一目标图像和所述第二目标图像作为样本输入，并将相应的所述第一标注信息和所述第二标注信息作为训练标签，对所述初始机器学习模型进行再训练。

9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。