CN112700446A - 用于工业质检的算法模型训练方法和装置 - Google Patents

Abstract

本发明提供了一种用于工业质检的算法模型训练方法和装置，包括以下步骤：将待检测工件划分为多个待检测面，并根据多个所述待检测面获取目标训练集；采用随机梯度下降方式根据所述目标训练集对所述算法模型进行训练，以将所述算法模型对应的损失函数稳定在预设范围内，并生成第一目标检测模型；采用余弦退火的梯度下降方式根据所述目标训练集对所述第一目标检测模型进行训练以获取第二目标检测模型。根据本发明的用于工业质检的算法模型训练方法，不仅降低了人力和时间成本，提高了算法模型的训练速度，而且还提高了算法模型的稳定性和鲁棒性，同时，针对训练样本较少的检测面，依然能够训练出较好的算法模型。

Description

用于工业质检的算法模型训练方法和装置

技术领域

本发明涉及目标检测技术领域，具体涉及一种用于工业质检的算法模型训练方法和一种用于工业质检的算法模型训练装置。

背景技术

相关技术中，在工业质检领域，在对待检测工件进行检测时，各待检测工件一般具有多个待检测面，并且每一待检测面的图像特征并不都一样，因此，针对待检测工件的每一待检测面均搭建一个算法模型，以对每一待检测面进行检测。

然而，在实际应用中，通过上述方式进行检测时，需要搭建多个检测模型，因此，会浪费大量人力和算力资源，并且单个模型会过拟合，准确性较低，另外，对于某些待检测面，一旦训练样本过少，将无法达到模型训练的要求，训练成功率较低。

发明内容

本发明为解决上述技术问题，提供了一种用于工业质检的算法模型训练方法，不仅降低了人力和时间成本，提高了算法模型的训练速度，而且还提高了算法模型的稳定性和鲁棒性，同时，针对训练样本较少的检测面，依然能够训练出较好的算法模型。

本发明采用的技术方案如下：

一种用于工业质检的算法模型训练方法，包括以下步骤：将待检测工件划分为多个待检测面，并根据多个所述待检测面获取目标训练集；采用随机梯度下降方式根据所述目标训练集对所述算法模型进行训练，以将所述算法模型对应的损失函数稳定在预设范围内，并生成第一目标检测模型；采用余弦退火的梯度下降方式根据所述目标训练集对所述第一目标检测模型进行训练以获取第二目标检测模型。

根据多个所述待检测面获取所述目标训练集，包括：分别获取各待检测面对应的目标检测图像，并根据各待检测面对应的所述目标检测图像获取相应的训练集；对各待检测面对应的训练集进行融合以获取所述目标训练集。

采用所述余弦退火的梯度下降方式根据所述目标训练集对所述第一目标检测模型进行训练以获取所述第二目标检测模型，包括：根据所述待检测工件的各待检测面对所述目标训练集进行数据筛选，以获取目标训练数据；在余弦退火的各周期内，采用所述余弦退火的梯度下降方式根据相应的目标训练数据对所述第一目标检测模型进行训练以获取所述第二目标检测模型。

用于工业质检的算法模型训练方法还包括：获取各待检测面的目标验证集；根据所述目标验证集对所述第二目标检测模型进行评测，以获取所述第二目标检测模型在各待检测面上进行检测时对应的目标权重。

一种用于工业质检的算法模型训练装置，包括：第一获取模块，所述第一获取模块用于将待检测工件划分为多个待检测面，并根据多个所述待检测面获取目标训练集；生成模块，所述生成模块用于采用随机梯度下降方式根据所述目标训练集对所述算法模型进行训练，以将所述算法模型对应的损失函数稳定在预设范围内，并生成第一目标检测模型；第二获取模块，所述第二获取模块用于采用余弦退火的梯度下降方式根据所述目标训练集对所述第一目标检测模型进行训练以获取第二目标检测模型。

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，实现上述的用于工业质检的算法模型训练方法。

一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的用于工业质检的算法模型训练方法。

本发明的有益效果：

本发明不仅降低了人力和时间成本，提高了算法模型的训练速度，而且还提高了算法模型的稳定性和鲁棒性，同时，针对训练样本较少的检测面，依然能够训练出较好的算法模型。

附图说明

图1为本发明实施例的用于工业质检的算法模型训练方法的流程图；

图2为本发明一个具体实施例的用于工业质检的算法模型训练方法的逻辑示意图；

图3为本发明实施例的用于工业质检的算法模型训练装置的方框示意图；

图4为本发明一个实施例的用于工业质检的算法模型训练装置的方框示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1是根据本发明实施例的用于工业质检的算法模型训练方法的流程图。

如图1所示，本发明实施例的用于工业质检的算法模型训练方法可包括以下步骤：

S1，将待检测工件划分为多个待检测面，并根据多个待检测面获取目标训练集。

根据本发明的一个实施例，根据多个待检测面获取目标训练集，包括：分别获取各待检测面对应的目标检测图像，并根据各待检测面对应的目标检测图像获取相应的训练集；对各待检测面对应的训练集进行融合以获取目标训练集。

具体而言，在对待检测工件进行检测时，为了能够全面准确地检测出待检测工件上的各缺陷类型，可将待检测工件划分为多个待检测面，并通过目标检测模型对各待检测面进行检测。其中，在对各待检测面进行检测之前，可先对算法模型进行训练，以获取相应的目标检测模型。

具体地，可通过拍摄装置（例如摄像机）对各待检测面进行拍摄，以分别获取各待检测面对应的目标检测图像，并对各待检测面对应的目标检测图像进行人工标注，以获取相应的训练集，然后，对各待检测面对应的训练集进行融合以获取目标训练集。举例而言，待检测工件划分为待检测面A、待检测面B和待检测面C，可通过拍摄装置对待检测面A进行拍摄，以获取待检测面A对应的目标检测图像，并根据目标检测图像获取训练集a，通过拍摄装置对待检测面B进行拍摄，以获取待检测面B对应的目标检测图像，并根据目标检测图像获取训练集b，通过拍摄装置对待检测面C进行拍摄，以获取待检测面C对应的目标检测图像，并根据目标检测图像获取训练集c，然后对训练集a、训练集b和训练集c进行融合以获取目标训练集。

S2，采用随机梯度下降方式根据目标训练集对算法模型进行训练，以将算法模型对应的损失函数稳定在预设范围内，并生成第一目标检测模型。

具体而言，在对训练集a、训练集b和训练集c进行融合以获取目标训练集（融合训练集）后，可根据目标训练集对算法模型进行训练，下面结合图2来详细说明具体如何对算法模型进行训练。

具体地，如图2所示，在对算法模型进行训练时，为了保证算法模型能够收敛到一个较低的平稳区域，在第一训练阶段（热身阶段），例如，在训练的前100个Epoch（Epoch表示训练的轮次，其中，一个Epoch代表训练1轮），可采用随机梯度下降方式对算法模型进行训练，以将算法模型对应的损失函数稳定在预设范围内稳固在一个特定的范围（预设范围），此时，可生成第一目标检测模型。

S3，采用余弦退火的梯度下降方式根据目标训练集对第一目标检测模型进行训练以获取第二目标检测模型。

根据本发明的一个实施例，采用余弦退火的梯度下降方式根据目标训练集对第一目标检测模型进行训练以获取第二目标检测模型，包括：根据待检测工件的各待检测面对目标训练集进行数据筛选，以获取目标训练数据；在余弦退火的各周期内，采用余弦退火的梯度下降方式根据相应的目标训练数据对第一目标检测模型进行训练以获取第二目标检测模型。

具体而言，如图2所示，在第二训练阶段（余弦退火阶段）例如，在训练的100Epoch以后的训练阶段，均可采用余弦退火的梯度下降方式根据目标训练集对第一目标检测模型进行训练以获取第二目标检测模型。

具体地，可预先设定余弦退火的周期，例如，可将余弦退火的周期设定为10个Epoch。为了在同一算法模型上找到各待检测面的最优权重，每隔一个周期（例如，每10个Epoch），可将各待检测面的数据集做一次数据筛选，以获取目标训练数据，并且，在余弦退火的各周期内，可采用余弦退火的梯度下降方式根据相应的目标训练数据对第一目标检测模型进行训练以获取第二目标检测模型。例如，待检测工件划分为待检测面A、待检测面B和待检测面C，在第100~110个Epoch，可筛选出80%的待检测面A对应的目标检测图像和20%的其他待检测面对应的目标检测图像作为目标训练数据，在第100~110个Epoch，可采用余弦退火的梯度下降方式根据该目标训练数据进行模型训练；在第110~120个Epoch，可筛选出80%的待检测面B对应的目标检测图像和20%的其他待检测面对应的目标检测图像作为目标训练数据，在第110~120个Epoch，可采用余弦退火的梯度下降方式根据该目标训练数据进行模型训练；在第120~130个Epoch，可筛选出80%的待检测面C对应的目标检测图像和20%的其他待检测面对应的目标检测图像作为目标训练数据，在第120~130个Epoch，可采用余弦退火的梯度下降方式根据该目标训练数据进行模型训练；在第130~140个Epoch，再次使用80%的待检测面C对应的目标检测图像和20%的其他待检测面对应的目标检测图像作为目标训练数据，并采用余弦退火的梯度下降方式根据该目标训练数据进行模型训练，以此循环。其中，数据筛选的设定比例可根据实际情况进行设定。

由此，本发明采用多面融合的训练方式，并且利用随机梯度下降方式和余弦退火的梯度下降方式相结合对算法模型进行训练，同时在训练过程中，采用数据筛选的方案，从而不仅降低了人力和时间成本，提高了算法模型的训练速度，而且还提高了算法模型的稳定性和鲁棒性，同时，针对训练样本较少的检测面，依然能够训练出较好的算法模型。

根据本发明的一个实施例，用于工业质检的算法模型训练方法还包括：获取各待检测面的目标验证集；根据目标验证集对第二目标检测模型进行评测，以获取第二目标检测模型在各待检测面上进行检测时对应的目标权重。

具体而言，如图2所示，为了获取训练模型的最优权重，在第三训练阶段（测评阶段），可对第二目标检测模型进行评测，以获取第二目标检测模型在各待检测面上进行检测时对应的目标权重（即，最优权重）。

具体地，可取各待检测面的目标验证集，例如，获取待检测面A、待检测面B和待检测面C的目标验证集。为了在多个Epoch选择出最优的模型权重，每个余弦退火的周期内，均需要采用各待检测面的目标验证集去做评测，并得到每个待检测面在当前权重的指标分数，例如，mAP（mean Average Precision，平均精度均值）。举例而言，如图2所示，在第110个Epoch，各待检测面的验证集可分别利用第110个Epoch训练得到的权重K1去做测评，并获取各待检测面的指标分数；在第120个Epoch，各待检测面的验证集可分别利用第120个Epoch训练得到的权重K2去做测评，并获取各待检测面的指标分数；在第N个Epoch，各待检测面的验证集可分别利用第N个Epoch训练得到的权重Kn去做测评，并获取各待检测面的指标分数。其中，对于某一待检测面，指标分数越高，在该Epoch权重K1对于该待检测面的预测效果就越好。

其中，在上述过程中，可记录每一待检测面在所有Epoch的权重，并统计各待检测面前三的指标分数，并得到对应的权重。最后，计算各待检测面前三的指标分数对应的权重的平均值，以得到各待检测面的最终权重，即目标权重。在后续部署时，可采用同一目标检测模型，对于不同的待检测面，只需设置不同的目标权重。

综上所述，根据本发明实施例的用于工业质检的算法模型训练方法，将待检测工件划分为多个待检测面，并根据多个待检测面获取目标训练集，以及采用随机梯度下降方式根据目标训练集对算法模型进行训练，以将算法模型对应的损失函数稳定在预设范围内，并生成第一目标检测模型，以及采用余弦退火的梯度下降方式根据目标训练集对第一目标检测模型进行训练以获取第二目标检测模型。由此，不仅降低了人力和时间成本，提高了算法模型的训练速度，而且还提高了算法模型的稳定性和鲁棒性，同时，针对训练样本较少的检测面，依然能够训练出较好的算法模型。

对应上述实施例的用于工业质检的算法模型训练方法，本发明还提出一种用于工业质检的算法模型训练装置。

如图3所示，本发明实施例的用于工业质检的算法模型训练装置可包括第一获取模块100、生成模块200和第二获取模块300。

其中，第一获取模块100用于将待检测工件划分为多个待检测面，并根据多个待检测面获取目标训练集；生成模块200用于采用随机梯度下降方式根据目标训练集对算法模型进行训练，以将算法模型对应的损失函数稳定在预设范围内，并生成第一目标检测模型；第二获取模块300用于采用余弦退火的梯度下降方式根据目标训练集对第一目标检测模型进行训练以获取第二目标检测模型。

根据本发明的一个实施例，第一获取模块100具体用于分别获取各待检测面对应的目标检测图像，并根据各待检测面对应的目标检测图像获取相应的训练集；对各待检测面对应的训练集进行融合以获取目标训练集。

根据本发明的一个实施例，第二获取模块300具体用于根据待检测工件的各待检测面对目标训练集进行数据筛选，以获取目标训练数据；在余弦退火的各周期内，采用余弦退火的梯度下降方式根据相应的目标训练数据对第一目标检测模型进行训练以获取第二目标检测模型。

根据本发明的一个实施例，如图4所示，用于工业质检的算法模型训练装置还包括测评模块400，测评模块400用于获取各待检测面的目标验证集，并根据目标验证集对第二目标检测模型进行评测，以获取第二目标检测模型在各待检测面上进行检测时对应的目标权重。

需要说明的是，本发明实施例的用于工业质检的算法模型训练装置更具体的实施方式可参照上述用于工业质检的算法模型训练方法的实施例，在此不再赘述。

根据本发明实施例的用于工业质检的算法模型训练装置，通过第一获取模块将待检测工件划分为多个待检测面，并根据多个所述待检测面获取目标训练集，以及通过生成模块采用随机梯度下降方式根据所述目标训练集对所述算法模型进行训练，以将所述算法模型对应的损失函数稳定在预设范围内，并生成第一目标检测模型，以及通过第二获取模块采用余弦退火的梯度下降方式根据所述目标训练集对所述第一目标检测模型进行训练以获取第二目标检测模型。由此，不仅降低了人力和时间成本，提高了算法模型的训练速度，而且还提高了算法模型的稳定性和鲁棒性，同时，针对训练样本较少的检测面，依然能够训练出较好的算法模型。

对应上述实施例，本发明还提出一种计算机设备。

本发明实施例的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，处理器执行程序时，实现上述实施例的用于工业质检的算法模型训练方法。

根据本发明实施例的计算机设备，不仅降低了人力和时间成本，提高了算法模型的训练速度，而且还提高了算法模型的稳定性和鲁棒性，同时，针对训练样本较少的检测面，依然能够训练出较好的算法模型。

对应上述实施例，本发明还提出一种非临时性计算机可读存储介质。

本发明实施例的非临时性计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现上述的用于工业质检的算法模型训练方法。

根据本发明实施例的非临时性计算机可读存储介质，不仅降低了人力和时间成本，提高了算法模型的训练速度，而且还提高了算法模型的稳定性和鲁棒性，同时，针对训练样本较少的检测面，依然能够训练出较好的算法模型。

在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。“多个”的含义是两个或两个以上，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。上述提到的存储介质可以是只读存储器，磁盘或光盘等。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (7)

1.一种用于工业质检的算法模型训练方法，其特征在于，包括以下步骤：

将待检测工件划分为多个待检测面，并根据多个所述待检测面获取目标训练集；

采用随机梯度下降方式根据所述目标训练集对所述算法模型进行训练，以将所述算法模型对应的损失函数稳定在预设范围内，并生成第一目标检测模型；

采用余弦退火的梯度下降方式根据所述目标训练集对所述第一目标检测模型进行训练以获取第二目标检测模型。

2.根据权利要求1所述的用于工业质检的算法模型训练方法，其特征在于，根据多个所述待检测面获取所述目标训练集，包括：

分别获取各待检测面对应的目标检测图像，并根据各待检测面对应的所述目标检测图像获取相应的训练集；

对各待检测面对应的训练集进行融合以获取所述目标训练集。

3.根据权利要求1所述的用于工业质检的算法模型训练方法，其特征在于，采用所述余弦退火的梯度下降方式根据所述目标训练集对所述第一目标检测模型进行训练以获取所述第二目标检测模型，包括：

根据所述待检测工件的各待检测面对所述目标训练集进行数据筛选，以获取目标训练数据；

在余弦退火的各周期内，采用所述余弦退火的梯度下降方式根据相应的目标训练数据对所述第一目标检测模型进行训练以获取所述第二目标检测模型。

4.根据权利要求3所述的用于工业质检的算法模型训练方法，其特征在于，还包括：

获取各待检测面的目标验证集；

根据所述目标验证集对所述第二目标检测模型进行评测，以获取所述第二目标检测模型在各待检测面上进行检测时对应的目标权重。

5.一种用于工业质检的算法模型训练装置，其特征在于，包括：

第一获取模块，所述第一获取模块用于将待检测工件划分为多个待检测面，并根据多个所述待检测面获取目标训练集；

生成模块，所述生成模块用于采用随机梯度下降方式根据所述目标训练集对所述算法模型进行训练，以将所述算法模型对应的损失函数稳定在预设范围内，并生成第一目标检测模型；

第二获取模块，所述第二获取模块用于采用余弦退火的梯度下降方式根据所述目标训练集对所述第一目标检测模型进行训练以获取第二目标检测模型。

6.一种计算机设备，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，实现根据权利要求1-4中任一项所述的用于工业质检的算法模型训练方法。

7.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现根据权利要求1-4中任一项所述的用于工业质检的算法模型训练方法。

Images