[發明專利]木板識別的機器再學習方法、裝置、電子設備及存儲介質

在審

• 申請號: 201711347768.6
• 申請日: 2017-12-14
• 公開（公告）號: CN107967491A
• 公開（公告）日: 2018-04-27
• 發明（設計）人: 丁磊
• 申請（專利權）人: 北京木業邦科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京智信四方知識產權代理有限公司11519
• 代理人: 鐘文芳

1.一種木板識別的機器再學習方法，其特征在于，包括：

獲取用于木板識別的初始識別模型；所述初始識別模型經過第一訓練樣本集合訓練；所述第一訓練樣本集合包括至少一個第一訓練樣本以及所述第一訓練樣本對應的第一標注結果；

獲取第二訓練樣本集合；所述第二訓練樣本集合包括至少一個第二訓練樣本以及所述第二訓練樣本對應的第二標注結果；

獲取本地識別模型；所述本地識別模型經過所述第二訓練樣本集合對所述初始識別模型再訓練得到；

其中，所述獲取用于木板識別的初始識別模型，包括：

通過通信網絡從服務器獲取已經過所述第一訓練樣本集合訓練的所述初始識別模型；或，

通過通信網絡從服務器獲取所述第一訓練樣本集合，并在本地利用所述第一訓練樣本集合訓練得到所述初始識別模型。

2.根據權利要求1所述的機器再學習方法，其特征在于，所述獲取第二訓練樣本集合，包括：

在所述初始識別模型對待識別木板的識別結果的置信度低于閾值時，將所述待識別木板對應的第二訓練樣本以及第二標注結果加入所述第二訓練樣本集合。

3.根據權利要求1所述的機器再學習方法，其特征在于，所述獲取本地識別模型，包括：

采用所述第二訓練樣本集合對所述初步識別模型進行再訓練，得到所述本地識別模型；或，

將所述第二訓練樣本集合發送至服務器，以及從所述服務器獲取經過所述第二訓練樣本訓練后的所述本地識別模型。

4.根據權利要求1所述的機器再學習方法，其特征在于，所述初始識別模型采用所述第一訓練樣本集合對基于第一神經網絡的機器學習模型進行訓練得到；所述本地識別模型采用所述第二訓練樣本集合對基于第二神經網絡的機器學習模型進行訓練得到，所述第二神經網絡的部分或全部節點值與經過第一訓練樣本集合訓練后的所述第一神經網絡的節點值對應一致。

5.根據權利要求4所述的機器再學習方法，其特征在于，所述第二神經網絡包括所述第一神經網絡的所有節點以及新生成的節點，和/或所述第二神經網絡和所述第一神經網絡的輸出節點不同。

6.根據權利要求1所述的機器再學習方法，其特征在于，所述第一標注結果和第二標注結果包括木材的分類、切割方案、缺陷識別、等級評估中的一個或多個；所述初始識別模型和所述本地識別模型的識別結果包括木材的分類、切割方案、缺陷識別、等級評估中的一個或多個。

7.根據權利要求1所述的機器再學習方法，其特征在于，所述第一標注結果和第二標注結果所采用的標注方案不同。

8.一種木板識別的機器再學習裝置，其特征在于，包括：

第一獲取模塊，被配置為獲取用于木板識別的初始識別模型；所述初始識別模型經過第一訓練樣本集合訓練；所述第一訓練樣本集合包括至少一個第一訓練樣本以及所述第一訓練樣本對應的第一標注結果；

第二獲取模塊，被配置為獲取第二訓練樣本集合；所述第二訓練樣本集合包括至少一個第二訓練樣本以及所述第二訓練樣本對應的第二標注結果；

第三獲取模塊，被配置為獲取本地識別模型；所述本地識別模型經過所述第二訓練樣本集合對所述初始識別模型再訓練得到；

其中，所述第一獲取模塊通過通信網絡從服務器獲取已經過所述第一訓練樣本集合訓練的所述初始識別模型；或通過通信網絡從服務器獲取所述第一訓練樣本集合，并在本地利用所述第一訓練樣本集合訓練得到所述初始識別模型。

9.一種電子設備，其特征在于，包括存儲器和處理器；其中，

所述存儲器用于存儲一條或多條計算機指令，其中，所述一條或多條計算機指令被所述處理器執行以實現權利要求1-10任一項所述的方法步驟。

10.一種計算機可讀存儲介質，其上存儲有計算機指令，其特征在于，該計算機指令被處理器執行時實現權利要求1-10任一項所述的方法步驟。