一种模型训练方法及装置与流程

本发明涉及人工智能，尤其涉及一种模型训练方法及装置。

背景技术：

1、随着计算机视觉技术的发展，基于深度学习的检测模型被广泛应用于工业场景的线状实体状态检测中，如机房设备接地线缆的检测。真实场景下线状实体形态复杂，且极易出现断线、悬空等异常状态。由于这些异常缺陷状态极具隐蔽性且负样本稀缺，如果不能及时且准确地发现异常，将对相关设备的安全运行产生严重的隐患。

2、为了检测上述线状实体的异常状态，现有技术通常采用端到端的训练模式。具体而言，相关技术会收集包含正常状态的正样本和包含缺陷状态的负样本，对图像中整根线状实体进行大范围的全局边界框标注，并赋予相应的状态分类标签。随后，将这些混合数据输入神经网络进行迭代训练，以期模型学会识别正常与异常状态。

3、然而，线状实体通常细长蜿蜒，全局边界框不可避免地包含大量背景噪声，导致目标有效特征被稀释；同时，现有的状态标注方式缺乏对实体物理延伸走向的理解，导致模型易将正常情况误判为异常。因此，为了提高线状实体检测的准确率并降低误报率，如何提供一种与当前实验场景最适配、能够有效提取目标关键特征并应对复杂形态干扰的模型训练方法成为本领域亟待解决的问题。

技术实现思路

1、本发明提供一种模型训练方法及装置，用以解决如何提供一种与当前实验场景最适配、能够有效提取目标关键特征并应对复杂形态干扰的模型训练方法的技术问题。

2、本发明提供一种模型训练方法，包括：

3、为样本图像中线状实体的端点分配具有拓扑方向性的有向端点标签；

4、以所述线状实体的端点为起点，构建所述线状实体的局部边界框；

5、利用所述样本图像、所述有向端点标签和所述局部边界框训练模型。

6、根据本发明提供的一种模型训练方法，所述有向端点标签包括接入端标签和输出端标签；

7、为样本图像中线状实体的端点分配具有拓扑方向性的有向端点标签，包括：

8、识别所述线状实体的设备连接端点和汇流排连接端点；

9、将所述接入端标签分配给所述设备连接端点，将所述输出端标签分配给所述汇流排连接端点。

10、根据本发明提供的一种模型训练方法，所述有向端点标签包括输出端标签；

11、为样本图像中线状实体的端点分配具有拓扑方向性的有向端点标签，包括：

12、提取所述样本图像边缘处截断所述线状实体的边缘截断点；

13、将所述输出端标签分配给所述边缘截断点。

14、根据本发明提供的一种模型训练方法，以所述线状实体的端点为起点，构建所述线状实体的局部边界框，包括：

15、以所述线状实体的端点为起点，沿所述线状实体的延伸方向截取局部有效像素区域，作为所述局部边界框。

16、根据本发明提供的一种模型训练方法，以所述线状实体的端点为起点，沿所述线状实体的延伸方向截取局部有效像素区域，包括：

17、获取所述线状实体的物理长度约束条件或长宽比阈值约束条件；

18、以所述线状实体的端点为起点，沿所述线状实体的延伸方向截取符合所述物理长度约束条件或所述长宽比阈值约束条件的区域，作为所述局部有效像素区域。

19、根据本发明提供的一种模型训练方法，利用所述样本图像、所述有向端点标签和所述局部边界框训练模型，包括：

20、对预设数量的所述样本图像进行随机缩放与拼接操作，合成增强样本图像；

21、利用所述增强样本图像、所述有向端点标签和所述局部边界框训练模型。

22、本发明还提供一种模型训练装置，包括：

23、分配模块，用于为样本图像中线状实体的端点分配具有拓扑方向性的有向端点标签；

24、构建模块，用于以所述线状实体的端点为起点，构建所述线状实体的局部边界框；

25、训练模块，用于利用所述样本图像、所述有向端点标签和所述局部边界框训练模型。

26、本发明还提供一种电子设备，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如上述任一种所述模型训练方法。

27、本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述模型训练方法。

28、本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述模型训练方法。

29、本发明提供的模型训练方法及装置，通过为样本图像中线状实体的端点分配具有拓扑方向性的有向端点标签，引入了对实体物理延伸走向的拓扑理解，能够有效应对细长蜿蜒实体等复杂形态的干扰，避免将正常情况误判为异常；同时，通过以线状实体的端点为起点，构建线状实体的局部边界框，完全避免了全局边界框不可避免地包含大量背景噪声、导致目标有效特征被稀释的缺陷，使得提取的局部框能够聚焦有效特征；最终利用样本图像、有向端点标签和局部边界框训练模型。本发明相当于提供了一种与当前实验场景最适配、能够有效提取目标关键特征并应对复杂形态干扰的模型训练方法，可以显著提高线状实体检测的准确率并降低误报率。

1.一种模型训练方法，其特征在于，包括：

2.根据权利要求1所述的模型训练方法，其特征在于，所述有向端点标签包括接入端标签和输出端标签；

3.根据权利要求1所述的模型训练方法，其特征在于，所述有向端点标签包括输出端标签；

4.根据权利要求1所述的模型训练方法，其特征在于，以所述线状实体的端点为起点，构建所述线状实体的局部边界框，包括：

5.根据权利要求4所述的模型训练方法，其特征在于，以所述线状实体的端点为起点，沿所述线状实体的延伸方向截取局部有效像素区域，包括：

6.根据权利要求1所述的模型训练方法，其特征在于，利用所述样本图像、所述有向端点标签和所述局部边界框训练模型，包括：

7.一种模型训练装置，其特征在于，包括：

8.一种电子设备，包括存储器、处理器及存储在所述存储器上并在所述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如权利要求1至6任一项所述模型训练方法。

9.一种非暂态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如权利要求1至6任一项所述模型训练方法。

10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述模型训练方法。