【技術實現步驟摘要】
本專利技術涉及工業產品檢測，尤其一種產品智能檢測模型精小化學習方法、裝置、電子設備及存儲介質。
技術介紹
1、現代先進的智能柔性工業生產線要求快速實時自動高精度地檢測產品的品質以滿足產品的高速生產節奏。相應的產品質量在線檢測必須跟上工業生產線的速度。因而對實時自動智能檢測提出了很高的要求，不僅要求檢測的精度高，而且需要很快的實時檢測速度。一般來說，高精度檢測需要更復雜和更大的ai模型，更多的學習參數，但是大模型的推理速度一般會比較慢，并且需要占用很多資源，例如大內存、高性能顯卡以及很強的計算能力，這難以滿足工業生產線的實時性和低成本等生產要求。
2、雖然近年來ai深度學習已經成功地應用于很多領域。但是現有深度學習算法是基于梯度的迭代方法，存在固有的局部次優解、過擬合、泛化能力比較弱等普遍問題，因而訓練后的深度網絡模型一般沒有質量保證。由于每次訓練學習得到的模型一般都是局部次優解，在實際應用時一般需要多次反復運行訓練得到多個模型，然后從中選取一個最好的模型。但是這個最好的模型一般仍然不是全局最優解。所以在實際工業智能檢測應用中，獲得一個性能滿意的深度模型的學習過程比較長，難以適應很多柔性生產線的快速產品換型的時間需求，從而極大影響生產線的檢測質量和生產效率，并造成經濟效益的巨大損失，影響了ai在實時工業檢測的應用和推廣。另外，通常由于實際工業生產線上檢測物品的多樣性和復雜性以及檢測性能要求的多樣性，很難事先確定一個具體項目中智能檢測需要的訓練集大小和深度學習模型結構，通常需要多次調整訓練集和模型結構(對應不同的配置)以
技術實現思路
1、本專利技術提供了一種產品智能檢測模型精小化學習方法、裝置、電子設備及存儲介質，不僅顯著縮小了目標產品檢測模型的網絡結構大小，大幅度提高了目標產品檢測模型的訓練速度，而且克服了現有深度學習算法中學習時間漫長以及固有的局部最優解的難題，可有效保證目標產品檢測模型能夠學習到全局最優解。
2、根據本專利技術的一方面，提供了一種產品智能檢測模型精小化學習方法，包括：
3、獲取不同領域不同項目的產品圖像訓練集；其中，所述產品圖像訓練集中包含至少兩張產品樣本圖像；
4、通過預訓練的原始深度學習模型分別提取所述產品圖像訓練集中的每張產品樣本圖像的至少兩個尺度的指導特征圖；其中，所述原始深度學習模型為基于不同領域的產品圖像訓練的深度學習模型；
5、根據每一尺度的所述指導特征圖，確定預設精小神經網絡模型中與每一尺度對應的網絡層的特征信息融合矩陣和指導信號融合矩陣；其中，所述預設精小神經網絡模型中包含的網絡層的數量與所述原始深度學習模型中包含的網絡塊的數量相同，所述原始深度學習模型中包含的每一網絡塊由至少一個網絡層構成；
6、根據所述特征信息融合矩陣及所述指導信號融合矩陣，學習所述預設精小神經網絡模型中對應的所述網絡層中的網絡參數，生成目標產品檢測模型。
7、根據本專利技術的另一方面，提供了一種產品智能檢測模型精小化學習裝置，包括：
8、產品圖像訓練集獲取模塊，用于獲取不同領域不同項目的產品圖像訓練集；其中，所述產品圖像訓練集中包含至少兩張產品樣本圖像；
9、指導特征圖提取模塊，用于通過預訓練的原始深度學習模型分別提取所述產品圖像訓練集中的每張產品樣本圖像的至少兩個尺度的指導特征圖；其中，所述原始深度學習模型為基于不同領域的產品圖像訓練的深度學習模型；
10、信息融合矩陣確定模塊，用于根據每一尺度的所述指導特征圖，確定預設精小神經網絡模型中與每一尺度對應的網絡層的特征信息融合矩陣和指導信號融合矩陣；其中，所述預設精小神經網絡模型中包含的網絡層的數量與所述原始深度學習模型中包含的網絡塊的數量相同，所述原始深度學習模型中包含的每一網絡塊由至少一個網絡層構成；
11、目標產品檢測模型學習模塊，用于根據所述特征信息融合矩陣及所述指導信號融合矩陣，學習所述預設精小神經網絡模型中對應的所述網絡層中的網絡參數，生成目標產品檢測模型。
12、根據本專利技術的另一方面，提供了一種電子設備，所述電子設備包括：
13、至少一個處理器；以及
14、與所述至少一個處理器通信連接的存儲器；其中，
15、所述存儲器存儲有可被所述至少一個處理器執行的計算機程序，所述計算機程序被所述至少一個處理器執行，以使所述至少一個處理器能夠執行本專利技術任一實施例所述的產品智能檢測模型精小化學習方法。
16、根據本專利技術的另一方面，提供了一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有計算機指令，所述計算機指令用于使處理器執行時實現本專利技術任一實施例所述的產品智能檢測模型精小化學習方法。
17、本專利技術實施例的產品智能檢測模型精小化學習方案，獲取不同領域不同項目的產品圖像訓練集；其中，所述產品圖像訓練集中包含至少兩張產品樣本圖像；通過預訓練的原始深度學習模型分別提取所述產品圖像訓練集中的每張產品樣本圖像的至少兩個尺度的指導特征圖；其中，所述原始深度學習模型為基于不同領域的產品圖像訓練的深度學習模型；根據每一尺度的所述指導特征圖，確定預設精小神經網絡模型中與每一尺度對應的網絡層的特征信息融合矩陣和指導信號融合矩陣；其中，所述預設精小神經網絡模型中包含的網絡層的數量與所述原始深度學習模型中包含的網絡塊的數量相同，所述原始深度學習模型中包含的每一網絡塊由至少一個網絡層構成；根據所述特征信息融合矩陣及所述指導信號融合矩陣，學習所述預設精小神經網絡模型中對應的所述網絡層中的網絡參數，生成目標產品檢測模型。通過本專利技術實施例提供的技術方案，不僅顯著縮小了目標產品檢測模型的網絡結構大小，大幅度提高了目標產品檢測模型的訓練速度，而且克服了現有深度學習算法中學習時間漫長以及固有的局部最優解的難題，可有效保證目標產品檢測模型能夠學習到全局最優解，并能夠高效全面地評價和比較不同配置下不同深度網絡模型的性能，加速更新調整產品檢測模型的速度，從而進一步提高了通過目標產品檢測模型對產品的檢測效率，提高了工業柔性生產線的上線、換型規劃和管理水平。
18、應當理解，本部分所描述的內容并非旨在標識本專利技術的實施例的關鍵或重要特征，也不用于限制本專利技術的范圍。本專利技術的其它特征將通過以下的說明書而變得容易理解。
本文檔來自技高網...【技術保護點】
1.一種產品智能檢測模型精小化學習方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，所述原始深度學習模型中包含至少兩個尺度不同的網絡塊；
3.根據權利要求1所述的方法，其特征在于，在根據所述特征信息融合矩陣及所述指導信號融合矩陣，學習所述預設精小神經網絡模型中對應的所述網絡層中的網絡參數之前，還包括：
4.根據權利要求1所述的方法，其特征在于，在生成目標產品檢測模型之后，還包括：
5.根據權利要求4所述的方法，其特征在于，基于所述目標特征圖集確定對所述待檢測產品圖像對應的待檢測產品的檢測結果，包括：
6.根據權利要求5所述的方法，其特征在于，獲取所述目標產品檢測模型對應的核心特征圖集，包括：
7.根據權利要求5所述的方法，其特征在于，將所述目標特征圖集與所述核心特征圖集進行比較，根據比較結果生成檢測熱力圖，包括：
8.一種產品智能檢測模型精小化學習裝置，其特征在于，包括：
9.一種電子設備，其特征在于，所述電子設備包括：
10.一種計算機可讀存儲介質，其特
...【技術特征摘要】
1.一種產品智能檢測模型精小化學習方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，所述原始深度學習模型中包含至少兩個尺度不同的網絡塊；
3.根據權利要求1所述的方法，其特征在于，在根據所述特征信息融合矩陣及所述指導信號融合矩陣，學習所述預設精小神經網絡模型中對應的所述網絡層中的網絡參數之前，還包括：
4.根據權利要求1所述的方法，其特征在于，在生成目標產品檢測模型之后，還包括：
5.根據權利要求4所述的方法，其特征在于，基于所述目標特征圖集確定對所述待檢測產品圖像對應的待檢測產品的檢測結果，包括：...
【專利技術屬性】
技術研發人員：黃西士，呂越峰，許照林，
申請(專利權)人：蘇州富鑫林光電科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。