[发明专利]一种物品识别模型的训练方法及系统

权利要求书

1.一种物品识别模型的训练方法，其特征在于，包括：

获取已标注标签的原始图像；

对所述原始图像进行数据集增强；

将增强后的数据集随机分为训练样本集和测试样本集；

利用所述训练样本集对构建的物品识别模型进行训练，得到训练好的物品识别模型；

利用所述测试样本集对所述训练好的物品识别模型进行测试，并统计每种物品的误判率和漏检率；

根据每种物品的误判率和漏检率，对所述增强后的数据集再次进行数据集增强；

通过再次增强后的数据集对训练好的物品识别模型进行训练和测试，直至每种物品的误判率和漏检率低于预设阈值时，训练完成。

2.根据权利要求1所述的一种物品识别模型的训练方法，其特征在于，所述对所述原始图像进行数据集增强具体包括：

对所述原始图像进行仿射变换，得到增强后的原始图像集；所述仿射变换为旋转、翻转或缩放中的任意一种或多种；

将所述原始图像集中的图像与预先获得的背景图像进行随机合成，得到增强后的数据集。

3.根据权利要求2所述的一种物品识别模型的训练方法，其特征在于，所述将所述原始图像集中的图像与预先获得的背景图像进行随机合成的像素计算公式为：

其中，pix_L-add为物体通过L射线源扫描获得的图像中的各点的像素值，pix_H-add为物体通过H射线源扫描获得的图像中的各点的像素值；p_L为L射线源在空载时获得的图像中的各点的像素值；p_H为H射线源在空载时获得的图像中的各点的像素值；pix_L1为原始图像中L射线源对应的各点的像素值；pix_L2为背景图像中L射线源对应的各点的像素值；pix_H1为原始图像中H射线源对应的各点的像素值；pix_H2为背景图像中H射线源对应的各点的像素值。

4.根据权利要求1所述的一种物品识别模型的训练方法，其特征在于，所述利用所述训练样本集对构建的物品识别模型进行训练，得到训练好的物品识别模型具体包括：

在所述训练样本集中随机选取一批训练样本输入构建的物品识别模型中进行一次迭代，计算出的各个分类的置信度值、目标位置偏移量和目标框大小的偏移量构成测试向量；

根据所述测试向量与标记的标签的向量，计算损失误差；

利用所述损失误差反向逐层求偏导，获得所述物品识别模型中各个参数的改变量；

根据所述改变量，对所述物品识别模型中的各个参数进行更新；

在所述训练样本集中再随机选取一批训练样本输入参数更新后的物品识别模型中进行下一次迭代，直至所述损失误差不再变化时训练结束，得到训练好的物品识别模型。

5.根据权利要求1所述的一种物品识别模型的训练方法，其特征在于，所述根据每种物品的误判率和漏检率，对所述增强后的数据集再次进行数据集增强的数据增强程度的计算公式为：

其中，Aug_background为某一物品图像通过合成背景图像增强的数量；Aug_affine为某一物品图像通过仿射变换增强的数量；Error_rate为对某一物品的误判率；Miss_rate为对某一物品的漏检率；D为某一物品当前数据集的大小；α₁和α₂分别为系数且α₁+α₂＝1。