[發明專利]一種卷積神經網絡模型的訓練方法及裝置

有效

• 申請號: 202110345118.8
• 申請日: 2021-03-31
• 公開（公告）號: CN113011567B
• 公開（公告）日: 2023-01-31
• 發明（設計）人: 張耀;李強;張濱;徐大鵬
• 申請（專利權）人: 深圳精智達技術股份有限公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08
• 代理公司: 深圳騰文知識產權代理有限公司 44680
• 代理人: 王娟

1.一種卷積神經網絡模型的訓練方法，其特征在于，包括：

獲取訓練樣本集和原始VGG-16卷積神經網絡模型，所述訓練樣本集中包含至少兩張顯示面板圖像；

將所述原始VGG-16卷積神經網絡模型的卷積層的卷積核數量刪減為一半，并將所述原始VGG-16卷積神經網絡模型的一個卷積層conv3-256、兩個卷積層conv3-512以及一個全連接層FC-1000刪減，以生成預訓練卷積神經網絡模型；

從所述訓練樣本集中選取訓練樣本，并將所述訓練樣本輸入所述預訓練卷積神經網絡模型中；

通過所述預訓練卷積神經網絡模型獲取所述訓練樣本的特征，并對所述特征進行計算，以生成所述訓練樣本歸屬良品和非良品的模型概率分布；

根據所述訓練樣本歸屬良品和非良品的模型概率分布、所述訓練樣本歸屬良品和非良品的真實概率分布與所述預訓練卷積神經網絡模型的損失函數計算損失值，以生成損失值變化數據，所述損失值變化數據為每一次訓練生成的損失值的統計數據；

判斷所述損失值變化數據在預設區間內的損失值是否收斂于0；

若所述損失值變化數據在預設區間內的損失值收斂于0，則確定所述預訓練卷積神經網絡模型為目標卷積神經網絡模型；

獲取待檢測顯示面板圖像；

將所述待檢測顯示面板圖像輸入所述目標卷積神經網絡模型；

通過所述目標卷積神經網絡模型生成所述待檢測顯示面板圖像的良品概率值和非良品概率值，并將所述良品概率值和所述非良品概率值中數值最大的作為模型良品檢測結果從所述目標卷積神經網絡模型中輸出；

獲取常規良品檢測下的所述待檢測顯示面板圖像的常規良品檢測結果，所述常規良品檢測為通過非目標卷積神經網絡模型方式檢測所述待檢測顯示面板圖像得到的良品檢測結果；

將所述模型良品檢測結果和所述常規良品檢測結果中概率數值最大的作為目標良品檢測結果輸出。

2.根據權利要求1中所述的訓練方法，其特征在于，在判斷所述損失值變化數據在預設區間內的損失值是否收斂于0之后，所述訓練方法還包括：

若所述損失值變化數據在預設區間內的損失值不收斂于0，則判斷所述訓練樣本的訓練次數是否達標；

若所述訓練樣本的訓練次數達標，根據小批梯度下降法更新所述預訓練卷積神經網絡模型的權重，則把訓練過程中獲取到的所述訓練樣本的特征和所述概率分布進行模型保存。

3.根據權利要求2中所述的訓練方法，其特征在于，在所述根據小批梯度下降法更新所述預訓練卷積神經網絡模型的權重，則把訓練過程中獲取到的所述訓練樣本的特征和所述概率分布進行模型保存之后，所述訓練方法還包括：

從所述訓練樣本集中重新選取訓練樣本輸入所述預訓練卷積神經網絡模型中訓練。

4.根據權利要求2中所述的訓練方法，其特征在于，在判斷所述訓練樣本的訓練次數是否達標之后，所述訓練方法還包括：

若所述訓練樣本的訓練次數未達標，則根據小批梯度下降法更新所述預訓練卷積神經網絡模型的權重，并將所述訓練樣本重新輸入所述預訓練卷積神經網絡模型中訓練。

5.根據權利要求1至4中任一項的訓練方法，其特征在于，在獲取訓練樣本集和原始VGG-16卷積神經網絡模型之后，所述從所述訓練樣本集中選取訓練樣本，并將所述訓練樣本輸入所述預訓練卷積神經網絡模型中之前，所述訓練方法還包括：

對所述訓練樣本集中的訓練樣本進行預處理，所述預處理包含放縮處理、裁剪處理、歸一化處理和圖像信道選擇濾波器預處理。