[发明专利]一种模型更新方法、装置、设备及介质

说明书

本申请公开了一种模型更新方法、装置、设备及介质，涉及人工智能领域，该方法包括：以预设数据收集周期收集目标视频数据，并利用预设数据分析方法从目标视频数据中确定有效图片；基于有效图片中目标对象的交互场景，利用预设加权平均方法为目标对象添加标注数据；将带有标注数据的有效图片输入预设的训练前模型中进行训练，并利用预设判定规则确定训练后模型是否优于训练前模型；若优于则对训练后模型进行上线测试，并基于其负反馈率确定其可信度；当可信度大于预设可信度阈值时，将其作为运行模型，并将训练前模型设置为备份状态。本发明能够分析外界负反馈的频率自动启动模型更新，只需简单的对事件响应的判断式人工交互，降低维护复杂度。

技术领域

本发明涉及人工智能领域，特别涉及一种模型更新方法、装置、设备及介质。

背景技术

使用视觉传感器收集数据，并通过人工智能模型去完成一些批量化的监控任务，为自动化提供便利，是人工智能应用的一种趋势。然而，在工业界部署和落地的过程中，现有的模型部署后的更新策略大多数采用离线训练后再更新到部署环境的流程，其主要的缺陷在于需要较多的认为参与，同时需要参与人员具备一定的专业知识，而这就要求部署后的长期的现场维护，这显然是不现实的。在场景的数据回收阶段，很多系统和方案往往采用云端定期收集和数据更新策略，然而，这为一些敏感场景数据的保密性带来隐患，甚至，在特定条件下，这种策略是行不通的。

为了解决这些问题，在场景监控智慧化的领域往往采用定时定期的数据回流和模型增强，这种策略是简单有效的，并且能够低成本的解决以上问题，然而，在一些只允许一次性部署的场景下，远程无法使用外网调配模型训练的情况下，模型能否自动适应场景的转变，数据收集过程中能否做出数据有效性判断很关键。

由上可见，在场景监控智慧化的过程中，如何避免出现由于定时定期的数据回流和模型增强导致模型无法自动适应场景的转变，数据收集过程中无法做出数据有效性判断的情况是本领域有待解决的问题。

发明内容

有鉴于此，本发明的目的在于提供一种模型更新方法、装置、设备及介质，能够分析外界负反馈的频率自动启动模型更新，对于人工交互方面，只需要简单的对事件响应的判断式交互，涉及的专业性弱，能够降低维护复杂度。其具体方案如下：

第一方面，本申请公开了一种模型更新方法，包括：

以预设数据收集周期收集目标视频数据，并利用预设数据分析方法从所述目标视频数据中确定有效图片；

基于所述有效图片中目标对象的交互场景，并利用预设加权平均方法为所述有效图片中的目标对象添加标注数据；

将带有标注数据的有效图片作为新增样本图片输入预设的训练前模型中进行训练，以获取训练后模型；

利用预设判定规则确定所述训练后模型是否优于所述训练前模型；

若所述训练后模型优于所述训练前模型，则对所述训练后模型进行上线测试，并基于上线测试过程中所述训练后模型的负反馈率确定所述训练后模型的可信度；

当所述可信度大于预设可信度阈值时，将所述训练后模型作为运行模型，并将所述训练前模型设置为备份状态。

可选的，所述利用预设数据分析方法从所述目标视频数据中确定有效图片，包括：

利用预设帧间隔从所述目标视频数据中确定目标图片，并利用帧差法提取所述目标图片中的背景，然后利用预设高斯混合模型进行背景建模；

确定所述目标图片对应的背景二值图，并确定所述目标图片的交并比；

若所述目标图片的交并比小于预设第一阈值，则将所述目标图片确定为有效图片。

可选的，所述基于所述有效图片中目标对象的交互场景，并利用预设加权平均方法为所述有效图片中的目标对象添加标注数据，包括：