[发明专利]超参数搜索方法、装置、计算机设备和存储介质

说明书

本申请涉及一种超参数搜索方法、装置、计算机设备和存储介质。所述方法包括：获取数据集，数据集包含若干工业场景下存在视觉缺陷的样本图像，每一样本图像对应有缺陷信息；根据数据集中的样本图像及对应的缺陷信息，确定数据集的特征参数；根据特征参数，确定语义分割模型的搜索空间和语义分割模型的模型类别；语义分割模型用于进行缺陷检测；语义分割模型的模型类别用于确定语义分割模型进行缺陷检测时所采用的算法；根据搜索空间和语义分割模型的模型类别，确定语义分割模型的超参数。由于自动根据特征参数，确定语义分割模型的搜索空间和语义分割模型的模型类别，从而实现自动化确定搜索空间和语义分割模型的模型类别。

技术领域

本申请涉及人工智能的机器学习技术领域，特别是涉及一种超参数搜索方法、装置、计算机设备和存储介质。

背景技术

超参数搜索作为数学上黑盒优化方法的一个特例，具有多种具体算法，如随机搜索、网格搜索、贝叶斯优化和Hyperband等多种方法，这些方法都需要手动设定超参数搜索的范围即“搜索空间”，也就是需要指定搜索哪些超参数以及这些超参数的取值范围，而指定搜索空间这个操作本身，就极其依赖经验，导致整个自动化超参数搜索的过程自动化程度不够高。

发明内容

基于此，有必要针对上述技术问题，提供一种能够自动确定搜索空间的超参数搜索方法、装置、计算机设备和计算机可读存储介质。

第一方面，本申请提供了一种超参数搜索方法。所述方法包括：

获取数据集，数据集包含若干工业场景下存在视觉缺陷的样本图像，每一样本图像对应有缺陷信息；缺陷信息包括缺陷类别、缺陷总面积、缺陷数量和每一样本图像中每一缺陷的面积；

根据数据集中的样本图像及对应的缺陷信息，确定数据集的特征参数；特征参数包括样本图像尺寸、样本图像能量均值、样本图像像素值均值、样本图像的显著性区域占全图的比例、样本图像缺陷类别数量均值、样本图像缺陷面积占全图的比例、样本图像缺陷数量均值、样本图像最大缺陷面积占全图的比例和样本图像最小缺陷面积占全图的比例；

根据特征参数，确定语义分割模型的搜索空间和语义分割模型的模型类别；语义分割模型用于进行缺陷检测；语义分割模型的模型类别用于确定语义分割模型进行缺陷检测时所采用的算法；

根据搜索空间和语义分割模型的模型类别，确定语义分割模型的超参数。

在其中一个实施例中，根据数据集中的样本图像及对应的缺陷信息，确定数据集的特征参数，包括：

获取数据集中每一样本图像的像素点数量，根据每一样本图像的像素点数量和数据集的样本图像数量，确定样本图像尺寸；

获取每一样本图像的能量图，根据每一样本图像的能量图和样本图像数量，确定样本图像能量均值；

根据每一样本图像中每一像素点的红色分量值、蓝色分量值和绿色分量值，确定每一样本图像对应的红色分量值、蓝色分量值和绿色分量值；根据每一样本图像对应的红色分量值、蓝色分量值和绿色分量值、以及每一样本图像的像素点数量，确定每一样本图像的红色分量均值、蓝色分量均值和绿色分量均值；根据每一样本图像的红色分量均值、蓝色分量均值和绿色分量均值、以及样本图像数量，确定样本图像像素值均值；

获取每一样本图像的显著性区域；根据每一样本图像的显著性区域、每一样本图像的图像面积和样本图像数量，确定样本图像的显著性区域占全图的比例；

根据每一样本图像对应的缺陷类别和样本图像数量，确定样本图像缺陷类别数量均值；

根据每一样本图像对应的缺陷总面积、每一样本图像的图像面积和样本图像数量，确定样本图像缺陷面积占全图的比例；

根据每一样本图像对应的缺陷数量和样本图像数量，确定样本图像缺陷数量均值；