[發(fā)明專利]神經(jīng)網(wǎng)絡(luò)模型優(yōu)化的評估方法、存儲介質(zhì)和計算機

在審

• 申請?zhí)枺?/td>: 202011561014.2
• 申請日: 2020-12-25
• 公開（公告）號: CN114693921A
• 公開（公告）日: 2022-07-01
• 發(fā)明（設(shè)計）人: 韓旭;王夏東;陳彥龍
• 申請（專利權(quán)）人: 東聲（蘇州）智能科技有限公司
• 主分類號: G06V10/26
• 分類號: G06V10/26;G06V10/764;G06V10/82;G06K9/62;G06N3/08
• 代理公司: 蘇州簡理知識產(chǎn)權(quán)代理有限公司 32371
• 代理人: 龐聰雅

本發(fā)明提供一種神經(jīng)網(wǎng)絡(luò)模型優(yōu)化的評估方法，其包括：將被檢測圖像輸入已訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型得到被檢測圖像的檢測結(jié)果圖；自動識別被檢測圖像的標注圖的輪廓，自動識別被檢測圖像的檢測結(jié)果圖的輪廓，將被檢測圖像的標注圖的輪廓與被檢測圖像的檢測結(jié)果的輪廓進行對比，將被檢測圖像中的漏檢位置、過檢位置和檢出位置的部分裁剪下來分別保存到漏檢文件夾、過檢文件夾和檢出文件夾。這樣，本發(fā)明自動對比被檢測圖像的檢測結(jié)果圖和標注圖，這樣方便后續(xù)根據(jù)實際檢測結(jié)果來提升神經(jīng)網(wǎng)絡(luò)模型的精度，可以極大的提升神經(jīng)網(wǎng)絡(luò)模型優(yōu)化速度，從而提升效率。

技術(shù)領(lǐng)域

本發(fā)明涉及人工智能領(lǐng)域技術(shù)領(lǐng)域，尤其涉及一種神經(jīng)網(wǎng)絡(luò)模型優(yōu)化的評估方法、存儲介質(zhì)和計算機。

背景技術(shù)

在圖像識別領(lǐng)域中，深度學(xué)習(xí)作為新興的技術(shù)手段，憑借其在實際場景中較高的預(yù)測準確率，在不同領(lǐng)域中，如人臉識別、醫(yī)學(xué)圖像識別、遙感圖像分類和工業(yè)產(chǎn)品缺陷檢測等獲得了廣闊的應(yīng)用前景。其主要特性就是利用卷積神經(jīng)網(wǎng)絡(luò)(CNN)，自動學(xué)習(xí)圖像中的特征，而后生成的神經(jīng)網(wǎng)絡(luò)模型就能用來將未知圖像進行圖像分類、圖像語義分割或把圖像中的特定目標從背景中分離出來。

但是在實際的工業(yè)場景應(yīng)用中，為了得到較高預(yù)測準確率的神經(jīng)網(wǎng)絡(luò)模型，往往需要將神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于測試圖像進行檢測以評判神經(jīng)網(wǎng)絡(luò)模型的效果，然后再根據(jù)神經(jīng)網(wǎng)絡(luò)模型的檢測結(jié)果與被檢測圖像真實缺陷的對比對神經(jīng)網(wǎng)絡(luò)模型進行調(diào)參，優(yōu)化神經(jīng)網(wǎng)絡(luò)模型。多次往復(fù)以后，才能得到能夠應(yīng)用到現(xiàn)場的具有較高預(yù)測準確率的神經(jīng)網(wǎng)絡(luò)模型。在優(yōu)化神經(jīng)網(wǎng)絡(luò)模型的過程中，最關(guān)鍵的也是最耗費人力的就是神經(jīng)網(wǎng)絡(luò)模型的檢測結(jié)果與被檢真實圖像的標注圖之間的比對。

因此，有必要提出一種改進的方案來克服上述問題。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種神經(jīng)網(wǎng)絡(luò)模型優(yōu)化的評估方法、存儲介質(zhì)和計算機，其自動對比被檢測圖像的檢測結(jié)果圖和標注圖，這樣方便后續(xù)根據(jù)實際檢測結(jié)果來提升神經(jīng)網(wǎng)絡(luò)模型的精度，可以極大的提升神經(jīng)網(wǎng)絡(luò)模型優(yōu)化速度，從而提升效率。

為實現(xiàn)發(fā)明目的，根據(jù)本發(fā)明的一個方面，本發(fā)明提供一種神經(jīng)網(wǎng)絡(luò)模型優(yōu)化的評估方法，其特征在于，其包括：將被檢測圖像輸入已訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型得到被檢測圖像的檢測結(jié)果圖；自動識別被檢測圖像的標注圖的輪廓，自動識別被檢測圖像的檢測結(jié)果圖的輪廓，將被檢測圖像的標注圖的輪廓與被檢測圖像的檢測結(jié)果的輪廓進行對比，將被檢測圖像中的漏檢位置、過檢位置和檢出位置的部分裁剪下來分別保存到漏檢文件夾、過檢文件夾和檢出文件夾。

根據(jù)本發(fā)明的另一個方面，本發(fā)明提供一種存儲介質(zhì)，其存儲有程序指令，在所述程序執(zhí)行被運行上文所述的神經(jīng)網(wǎng)絡(luò)模型優(yōu)化的評估方法。

根據(jù)本發(fā)明的再一個方面，本發(fā)明提供一種計算機，其包括處理器和存儲器，所述存儲器中存儲有程序指令，所述處理器運行所述程序指令以執(zhí)行上文所述的神經(jīng)網(wǎng)絡(luò)模型優(yōu)化的評估方法。

與現(xiàn)有技術(shù)相比，本發(fā)明利用傳統(tǒng)圖像處理方法自動的比對被檢測圖像的檢測結(jié)果圖和標注圖，并自動進行評判將其分別裁剪歸類為檢出、過檢和漏檢，這樣方便后續(xù)根據(jù)實際檢測結(jié)果來提升神經(jīng)網(wǎng)絡(luò)模型的精度，可以極大的提升神經(jīng)網(wǎng)絡(luò)模型優(yōu)化速度，從而提升效率。

附圖說明

圖1為本發(fā)明中的神經(jīng)網(wǎng)絡(luò)模型優(yōu)化的評估方法在一個實施例中的流程示意圖；

圖2為被檢測圖像的一個示例；

圖3為被檢測圖像的標注圖的一個示例；

圖4為被檢測圖像的檢測結(jié)果圖的一個示例；

圖5為漏檢位置的裁剪部分的示例，

圖6為過檢位置的裁剪部分的示例，

圖7為檢出位置的裁剪部分的示例，

圖8為具有填充區(qū)域的裁剪部分的示例。

具體實施方式