[发明专利]递归性深度学习系统的训练方法与检测系统

说明书

一种递归性深度学习系统的训练方法，包括提供至少一个未标记的待测物影像；针对该至少一个未标记的待测物影像进行标记；当该深度学习系统针对该待测物影像为第一次训练时，储存标记的该待测物影像于影像数据库内；深度学习系统针对影像数据库内标记的该待测物影像，进行训练程序，以分辨该待测物影像的瑕疵；提供未标记的另一待测物影像至已训练的该深度学习系统，以分辨该待测物影像的瑕疵，获得检测结果；以及其中当该深度学习系统针对该待测物影像非第一次训练时，将该检测结果进行标准规范分析，若已训练的该深度学习系统符合标准规范，则停止该训练程序。

技术领域

本发明有关于一种深度学习系统的训练方法与检测系统，特别是一种可以有效降低漏检率、以及达到较佳且稳定收敛效果的递归性深度学习系统的训练方法与检测系统。

背景技术

深度学习(Deep Learning)属于机器学习的一个分支，是一种基于对数据进行表征学习的算法，主要通过多个处理层对数据进行处理分析，目的在于建立一个模拟于人脑以进行推理、知识、规划、学习、交流、感知、移动及操作物体等能力的神经网络，通过模仿人脑的工作机制进行数据的处理及分析，其优点在于通过算法替代人工，经常应用于影像辨识、或声音辨识等技术领域中。

其中，深度学习系统于光学检测领域中的应用最为广泛，在神经网络的架构下，机器学习不需要通过人工拣选的方式帮助机器训练，而是通过强大的硬件效能以及算法，将影像直接输入神经网络后让机器自行学习，以达到影像检测及辨识的目的。

机器学习中的第一阶段、且最重要的阶段就是进行训练，由于在进行资料的处理及分析过程中，受到深度学习算法的参数或其模型结构等因素的影响，容易造成数据的漏检率难以降低、无法有效获得稳定的辨识准确率，进而导致训练出现偏差以及难以收敛的问题，不利于提升深度学习系统的检测精准度。

发明内容

本发明的主要目的，在于通过递归性原理训练深度学习系统，以达到较佳且稳定收敛效果、以及有效降低漏检率，以利提升检测精确度。

为达到上述目的，本发明提供一种递归性深度学习系统的训练方法，包括：a)提供至少一个未标记的待测物影像；b)针对该至少一个未标记的待测物影像进行标记；c)当该深度学习系统针对该待测物影像为第一次训练时，储存标记的该待测物影像于影像数据库内；d)深度学习系统针对影像数据库内标记的该待测物影像，分辨该待测物影像的瑕疵，依据输出与预期输出之间的误差训练该深度学习系统；e)提供未标记的另一批待测物影像至已训练的该深度学习系统，以分辨该待测物影像的瑕疵，获得检测结果；其中当该深度学习系统针对该待测物影像非第一次训练时，将该检测结果进行标准规范分析，若已训练的该深度学习系统符合标准规范，则停止该训练程序，若不符合该标准规范，则继续进行上面a)到e)的流程。

为达到上述目的，本发明另提供一种递归性训练深度学习的检测系统，包括标记设备，在取得至少一个未标记的待测物影像后针对该至少一个未标记的待测物影像进行标记；影像储存单元，用以储存标记的该待测物影像于影像数据库内；处理器，加载有深度学习系统，用以加载非暂存式的记录媒体后执行上述的方法。

本发明比起习知技术具有以下优势：

1.本发明递归性深度学习系统的训练方法与检测系统，通过递归性原理不断训练直至检测结果达到标准规范始停止训练，让深度学习系统于训练过程中所获得的检测结果更为容易收敛，并提高检测的辨识准确率。

2.本发明递归性深度学习系统的训练方法与检测系统，易于分析错误分类的结果，针对每一种缺陷的分类结果于数据库内进行检视，确认造成错误分类的原因。

附图说明

图1，为本发明检测系统的方块示意图。

图2，为本发明训练方法的流程示意图。

图3-1，为本发明训练方法第一组的实验数据图(一)。