深度学习模型迭代方法、装置、设备及存储介质与流程

技术特征：
1.一种深度学习模型迭代方法，其特征在于，所述深度学习模型迭代方法包括：对获取的pcb图像样本数据进行自动标注，得到标注可靠度；将所述标注可靠度与预设可靠度阈值进行比较；在所述标注可靠度大于等于所述预设可靠度阈值时，将所述标注可靠度对应的标注结果作为目标标注结果；根据所述目标标注结果得到待训练pcb图像样本数据；将所述待训练pcb图像样本数据通过预设训练策略进行模型训练，得到参考模型；将所述参考模型进行测试，得到目标模型；基于所述待训练pcb图像样本数据对所述目标模型进行深度学习模型迭代。2.如权利要求1所述的深度学习模型迭代方法，其特征在于，所述对获取的pcb图像样本数据进行自动标注，得到标注可靠度，包括：通过预设初始模型对所述pcb图像样本数据进行自动标注；根据标注结果输出标注置信度；根据所述标注置信度得到标注可靠度。3.如权利要求1所述的深度学习模型迭代方法，其特征在于，所述将所述标注可靠度与预设可靠度阈值进行比较之后，还包括：在所述标注可靠度小于所述预设可靠度阈值时，将所述标注可靠度对应的pcb图像样本数据作为二次标注数据；基于所述二次标注数据生成标注任务，以使用户根据所述标注任务对所述二次标注数据进行交叉标注。4.如权利要求3所述的深度学习模型迭代方法，其特征在于，所述根据所述目标标注结果得到待训练pcb图像样本数据，包括：根据交叉标注结果得到二次标注结果；将所述二次标注结果对应的pcb图像样本数据以及所述目标标注结果对应的pcb图像样本数据进行汇总，得到待训练pcb图像样本数据。5.如权利要求1所述的深度学习模型迭代方法，其特征在于，所述将所述待训练pcb图像样本数据通过预设训练策略进行模型训练，得到参考模型，包括：通过预设数据挑选条件对所述待训练pcb图像样本数据进行分类，得到分类待训练pcb图像样本数据；根据所述分类待训练pcb图像样本数据进行模型训练，得到参考模型。6.如权利要求5所述的深度学习模型迭代方法，其特征在于，所述将所述参考模型进行测试，得到目标模型，包括：根据所述参考模型对所述pcb图像样本数据进行训练，得到训练一致率；根据所述训练一致率对所述参考模型进行评分；在参考模型的评分大于预设评分阈值时，将所述参考模型作为目标模型。7.如权利要求1-6中任一项所述的深度学习模型迭代方法，其特征在于，所述基于所述待训练pcb图像样本数据对所述目标模型进行深度学习模型迭代，包括：通过所述目标模型对所述待训练pcb图像样本数据进行训练；根据训练结果得到待训练pcb图像样本数据的置信度；
在所述待训练pcb图像样本数据的置信度小于预设置信度阈值时，得到异常数据；基于所述异常数据对所述目标模型进行深度学习模型迭代。8.一种深度学习模型迭代装置，其特征在于，所述深度学习模型迭代装置包括：标注模块，用于对获取的pcb图像样本数据进行自动标注，得到标注可靠度；比较模块，用于将所述标注可靠度与预设可靠度阈值进行比较；所述比较模块，还用于在所述标注可靠度大于等于所述预设可靠度阈值时，将所述标注可靠度对应的标注结果作为目标标注结果；获取模块，用于根据所述目标标注结果得到待训练pcb图像样本数据；训练模块，用于将所述待训练pcb图像样本数据通过预设训练策略进行模型训练，得到参考模型；测试模块，用于将所述参考模型进行测试，得到目标模型；迭代模块，用于基于所述待训练pcb图像样本数据对所述目标模型进行深度学习模型迭代。9.一种深度学习模型迭代设备，其特征在于，所述深度学习模型迭代设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的深度学习模型迭代程序，所述深度学习模型迭代程序配置为实现如权利要求1至7中任一项所述的深度学习模型迭代方法。10.一种存储介质，其特征在于，所述存储介质上存储有深度学习模型迭代程序，所述深度学习模型迭代程序被处理器执行时实现如权利要求1至7中任一项所述的深度学习模型迭代方法。

技术总结
本发明公开了一种深度学习模型迭代方法、装置、设备及存储介质，属于模型迭代技术领域。本发明通过自动对获取的PCB图像数据进行自动标注，并将标注的可靠度与预设可靠度阈值进行比较，提高标注准确性，得到目标标注结果对应的待训练PCB图像样本数据并训练，得到参考模型，通过对参考模型进行测试得到目标模型，并通过待训练PCB图像样本数据对目标模型进行迭代，自动完成模型迭代，不需要人工主动参与，提高迭代效率且迭代结果准确。高迭代效率且迭代结果准确。高迭代效率且迭代结果准确。


技术研发人员：黄耀 张辉
受保护的技术使用者：北京阿丘科技有限公司
技术研发日：2022.02.09
技术公布日：2022/3/8