[发明专利]针对工业视觉应用的预训练数据筛选及训练方法、系统

权利要求书

1.一种针对工业视觉应用的预训练数据筛选方法,其特征在于，包括：

采集检测目标的训练集，获取开源数据集；

利用所述开源数据集训练目标检测网络得到预训练网络M1；所述预训练网络M1包含预训练骨干网络B1；

利用所述预训练网络M1计算并统计得到所述开源数据集中每个类别的特征，建立特征库L1；所述特征库L1包含所述每个类别对应的特征记忆单元，每个所述特征记忆单元包含对应类别的池化层特征以及类别标签；

利用所述检测目标的训练集训练调整所述预训练网络M1；

利用调整后的所述预训练网络M1统计得到所述检测目标的训练集中每个类别的特征；

利用距离函数从所述特征库L1中筛选出与所述检测目标的每个类别的特征匹配的目标类别；

保存所述开源数据集中与所述目标类别对应的训练数据作为所述目标检测网络的目标预训练数据。

2.根据权利要求1所述的方法，其特征在于，所述利用所述预训练网络M1计算并统计得到所述开源数据集中每个类别的特征，包括：

从所述开源数据集中为每个类别随机抽取预设数量的图片；

将每个类别的每张图片分别输入所述预训练网络M1，将所述预训练骨干网络B1的最后一个卷积层输出的卷积层特征作为每张图片的卷积层特征；对卷积层特征每一个通道的特征图取全局最大值，得到所述每张图片的池化层特征；对每个类别所有图片的池化层特征求平均，得到对应类别的池化层特征。

3.根据权利要求2所述的方法，其特征在于，每个类别随机抽取的图片的数量相同。

4.根据权利要求1所述的方法，其特征在于，所述利用所述检测目标的训练集训练调整所述预训练网络M1，包括：

保留所述预训练骨干网络B1的权重，固定所述预训练骨干网络B1的浅层卷积层，利用所述检测目标的训练集重新训练所述预训练网络M1的其余卷积层。

5.根据权利要求2所述的方法，其特征在于，所述利用调整后的所述预训练网络M1统计得到所述检测目标的训练集中每个类别的特征，包括：

从所述检测目标的训练集中为每个类别随机抽取预设数量的图片；

将每个类别的每张图片分别输入调整后的所述预训练网络M1，将调整后的预训练骨干网络B1的最后一个卷积层输出的卷积层特征作为每张图片的卷积层特征；

对卷积层特征每一个通道的特征图取全局最大值，得到每张图片的池化层特征；对每个类别所有图片的池化层特征求平均，得到对应类别的池化层特征。

6.根据权利要求5所述的方法，其特征在于，从所述检测目标的训练集中为每个类别随机抽取的图片的数量与从所述开源数据集中为每个类别随机抽取的图片的数量相同。

7.根据权利要求5所述的方法，其特征在于，所述利用距离函数从所述特征库L1中筛选出与所述检测目标的每个类别的特征匹配的目标类别，包括：

利用MMD距离函数计算所述检测目标的每个类别的池化层特征与所述特征库L1中每个类别的池化层特征的相似度，并从所述特征库L1中筛选得到与所述检测目标的每个类别的特征匹配目标类别。

8.一种训练方法，其特征在于，包括：

利用权利要求1至7中任一项所述的方法得到的目标预训练数据对目标检测网络进行训练得到预训练网络M2；所述预训练网络M2包含预训练骨干网络B2；

利用检测目标的训练集训练所述预训练网络M2；训练时沿用所述预训练骨干网络B2的网络权重,并固定所述预训练骨干网络B2的浅层卷积层，重新训练所述预训练网络M2的其余卷积层；

训练结束后利用所述检测目标的测试集测试所述目标检测网络。