[发明专利]一种基于全连接层增广的小金具图像数据集训练方法

说明书

本发明涉及一种基于全连接层增广的小金具图像数据集训练方法，包括以下步骤：在原始检测模型的全连接层的基础上增加新的输出神经元，形成增广全连接层，并进行特征提取；对增广全连接层进行训练，以得到更新的检测模型；将图像数据加入到更新后的检测模型中进行检测，以输出检测的结果。本发明为了检测新增目标类别增加新的输出神经元，由于后续选择性的使用部分原始训练样本加上全部的新增训练样本进行训练，从而大大减少训练所需的迭代次数，因此检测模型的更新速度更加的快。同时由于原始训练样本数量通常要远大于新增训练样本，本方案中仅使用部分原始训练样本，则会使检测精度更高。

技术领域

本发明涉及目标检测技术领域，特别涉及一种基于全连接层增广的小金具图像数据集训练方法。

背景技术

产品生产的机械化、智能化一直是制造生产企业所追求的目标，如今机械化的生产流水线已经随处可见，大大提高了生产效率。但是一个客观存在的问题则使流水线生产出来的产品无法保证其百分之百的合格率。深度学习的出现为解决这一问题提供了新的途径，基于卷积神经网络的目标检测模型能够根据训练数据集自动提取目标特征，具有很强的表达能力。近年来，目标检测的算法层出不穷，比如SSD、Yolo、R-CNN等目标检测模型，在公开数据集上表现出的性能也越来越强。

就无人拍摄的输电线路图片来说，图像的分辨率很高，基本都在8000×6000的水平，而水平螺母销钉的图片的分辨率只有32×30的水平，利用SSD和Yolo在实验中会发现漏检率非常高的问题。而在实际工程应用中待检测目标占图像比例较小的情况更为普遍，且测试高分辨率的图像时速度会更低。

详细来说，目前在对小金具进行目标检测时，首先要获取训练数据集，然后对数据集进行标注，最后对数据进行测试。获取的训练数据集中缺陷的样本数据量严重失衡，缺陷样本量少，正常样本量大，会出现由于学习训练效果不好所导致的识别效果很差的现象。在对数据集进行标注的时候，由于小金具本身数量较少，并且无人拍摄的图像中会出现由于遮挡和光照等因素导致人为无法很好的分辨出小金具是否缺陷以及缺陷的种类，比如螺栓缺销子、螺栓锈蚀时，难以与正常现象进行分辨，以及认为标注时会出现一些标注失误，比如对不应该进行标注的螺丝进行标注。而这些标注错误会对训练结果有较大的影响，会出现较多的漏识以及误识的现象，导致对小金具的识别无法得到很好的识别效果。最后在对数据进行测试时，会出现少数在标注以及训练的过程没有出现的缺陷，因此会对这种缺陷无法进行识别或识别错误的现象。

发明内容

本发明的目的在于改善现有技术中所存在的不足，提供一种基于全连接层增广的小金具图像数据集训练方法。

为了实现上述发明目的，本发明实施例提供了以下技术方案：

一种基于全连接层增广的小金具图像数据集训练方法，包括以下步骤：

步骤S1：在原始检测模型的全连接层的基础上增加新的输出神经元，形成增广全连接层，并进行特征提取；

步骤S2：对增广全连接层进行训练，以得到更新的检测模型；

步骤S3：将图像数据加入到更新后的检测模型中进行检测，以输出检测的结果。

更进一步地，为了更好的实现本发明，所述步骤S1具体包括以下步骤：

步骤S1-1：在原始检测模型的全连接层的基础上增加新的输出神经元，形成增广全连接层；

步骤S1-2：对增广全连接层进行特征提取后得到图像的特征，所述特征提取的过程为将增广全连接层依次经过卷积层、激活层、池化层。

更进一步地，为了更好的实现本发明，所述步骤S2具体包括以下步骤：

步骤S2-1：对新增的输出神经元的维度参数进行初始化训练；