用于翡翠镶嵌识别的模型训练方法及装置

摘要

本公开实施例公开了一种用于翡翠镶嵌识别的模型训练方法和装置，首先基于深度学习框架，而后搭建包含注意力模块的网络模型；将镶嵌翡翠图像和非镶嵌翡翠图像作为网络模型的输入，将翡翠图像是否镶嵌的结果作为网络模型的输出，训练网络模型，通过搭建包含注意力模块的用于翡翠镶嵌识别的网络模型，并对网络模型进行训练，提高翡翠镶嵌识别效率和识别精度，进而解决了由于人工镶嵌识别造成的识别效率低的的技术问题。

权利要求

1.一种用于翡翠镶嵌识别的模型训练方法，其特征在于，包括：

基于深度学习框架TensorFlow，搭建包含注意力模块的网络模型；

将镶嵌翡翠图像和非镶嵌翡翠图像作为所述网络模型的输入，将翡翠图像是否镶嵌的结果作为所述网络模型的输出，训练所述网络模型；其中，有镶嵌的翡翠图像输出为1，无镶嵌的翡翠图像输出为0；

所述基于深度学习框架搭建包含注意力模块的网络模型包括：基于深度学习框架搭建包含作为主神经网络的卷积神经网络CNN以及包含用于防止训练过程中出现梯度消失的残差网络；在所述主神经网络中添加注意力模块，以使卷积注意力模块在训练过程中，对翡翠图像的特征图中的预设位置进行权重赋值，其中，所述预设位置包括翡翠周边和翡翠中心，所述翡翠图像的特征图为主神经网络中指定特征层输出的特征图；

将镶嵌翡翠图像和非镶嵌翡翠图像作为所述网络模型的输入，将翡翠图像是否镶嵌的结果作为所述网络模型的输出，训练所述网络模型包括：基于梯度反向传播算法对所述主神经网络中的网络参数进行更新，以实现对网络的训练；基于多次训练过程中网络模型的精度的变化，确定能够动态调整所述网络模型学习率的参数；

所述基于多次训练过程中网络模型的精度的变化，确定能够动态调整所述网络模型学习率的参数包括：基于多次训练过程中网络模型的精度的变化，确定训练过程中需要衰减的训练轮次的范围；以及，基于多次训练过程中网络模型的精度的变化，确定每轮训练学习效率的同比衰减系数；

本模型第1‑10轮的学习率是0.01，第10轮‑20轮之间，每轮学习率同比降低为10％；

训练完成的模型封装并提供接口形式，与翡翠估值系统进行连接，以使翡翠估值系统利用该模型发送的结果进行翡翠估值。

2.根据权利要求1所述的方法，包括：

在获取到待识别有无镶嵌的翡翠图像之后，将所述翡翠图像输入至所述模型中；

利用所述模型输出识别结果，其中，所述识别结果包括指示翡翠存在镶嵌的结果或者指示翡翠不存在镶嵌的结果；

基于所述模型中注意力模块输出的翡翠特征图，利用预设的算法，建立所述翡翠特征图的热力图，注意力热力图突出镶嵌的位置。

3.一种用于翡翠镶嵌识别的模型训练装置，其特征在于，包括：

搭建单元，被配置成基于深度学习框架TensorFlow搭建包含注意力模块的网络模型；

训练单元，被配置成将翡翠图像和非镶嵌翡翠图像作为所述网络模型的输入，将翡翠图像是否镶嵌的结果作为所述网络模型的输出，训练所述网络模型；其中，有镶嵌的翡翠图像输出为1，无镶嵌的翡翠图像输出为0；

所述搭建单元进一步被配置成包括：搭建模块，被配置成基于深度学习框架搭建包含作为主神经网络的卷积神经网络CNN以及包含用于防止训练过程中出现梯度消失的残差网络；添加模块，被配置成在所述主神经网络中添加注意力模块，以使卷积注意力模块在训练过程中，对翡翠图像的特征图中的预设位置进行权重赋值，其中，所述预设位置包括翡翠周边和翡翠中心，所述翡翠图像的特征图为主神经网络中指定特征层输出的特征图；

所述训练单元进一步被配置成包括：训练模块，被配置成基于梯度反向传播算法对所述主神经网络中的网络参数进行更新，以实现对网络的训练；确定模块，被配置成基于多次训练过程中网络模型的精度的变化，确定能够动态调整所述网络模型学习率的参数；

所述确定模块进一步被配置成包括：基于多次训练过程中网络模型的精度的变化，确定训练过程中需要衰减的训练轮次的范围；以及，基于多次训练过程中网络模型的精度的变化，确定每轮训练学习效率的同比衰减系数；

本模型第1‑10轮的学习率是0.01，第10轮‑20轮之间，每轮学习率同比降低为10％；

训练完成的模型封装并提供接口形式，与翡翠估值系统进行连接，以使翡翠估值系统利用该模型发送的结果进行翡翠估值。

4.一种电子设备，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器执行权利要求1所述的用于翡翠镶嵌识别的模型训练方法。

说明书

用于翡翠镶嵌识别的模型训练方法及装置

技术领域

[0001] 本公开涉及模型训练技术领域，具体涉及到一种用于翡翠镶嵌识别的模型训练方法及装置。

背景技术

[0002] 现有技术中，在对翡翠进行估值时，需要将翡翠是否存在镶嵌作为估值因素，目前，在对翡翠的镶嵌进行识别时，通常是基于人工判断的方式，效率极低。

发明内容

[0003] 本公开的主要目的在于提供一种用于翡翠镶嵌识别的模型训练方法，以解决现有技术人工识别镶嵌效率低的技术问题。

[0004] 为了实现上述目的，根据本公开的第一方面，提供了一种用于翡翠镶嵌识别的模型训练方法，包括：基于深度学习框架，搭建包含注意力模块的网络模型；将镶嵌翡翠图像和非镶嵌翡翠图像作为网络模型的输入，将翡翠图像是否镶嵌的结果作为网络模型的输出，训练所述网络模型。

[0005] 可选地，基于深度学习框架搭建包含注意力模块的网络模型包括：基于深度学习框架搭建包含作为主神经网络的卷积神经网络以及包含用于防止训练过程中出现梯度消失的残差网络；在所述主神经网络中添加注意力模块，以使所述卷积注意力模块在训练过程中，对翡翠图像的特征图中的预设位置进行权重赋值，其中，所述翡翠图像的特征图为主神经网络中指定特征层输出的特征图。

[0006] 可选地，将镶嵌翡翠图像和非镶嵌翡翠图像作为所述网络模型的输入，将翡翠图像是否镶嵌的结果作为所述网络模型的输出，训练所述网络模型包括：基于梯度反向传播算法对所述主神经网络中的网络参数进行更新，以实现对网络的训练；基于多次训练过程中网络模型的精度的变化，确定能够动态调整所述网络模型学习率的参数。

[0007] 可选地，基于多次训练过程中网络模型的精度的变化，确定能够动态调整所述网络模型学习率的参数包括：基于多次训练过程中网络模型的精度的变化，确定训练过程中需要衰减的训练轮次的范围；以及，基于多次训练过程中网络模型的精度的变化，确定每轮训练学习效率的同比衰减系数。

[0008] 根据本公开的第二方面，提供了一种用于翡翠镶嵌识别的模型训练装置装置，包括：搭建单元，被配置成基于深度学习框架搭建包含注意力模块的网络模型；训练单元，被配置成将翡翠图像和非镶嵌翡翠图像作为所述网络模型的输入，将翡翠图像是否镶嵌的结果作为所述网络模型的输出，训练所述网络模型。

[0009] 可选地，搭建单元进一步被配置成包括：搭建模块，被配置成基于深度学习框架搭建包含作为主神经网络的卷积神经网络以及包含用于防止训练过程中出现梯度消失的残差网络；添加模块，被配置成在所述主神经网络中添加注意力模块，以使所述卷积注意力模块在训练过程中，对翡翠图像的特征图中的预设位置进行权重赋值，其中，所述翡翠图像的特征图为主神经网络中指定特征层输出的特征图。

[0010] 可选地，训练单元进一步被配置成包括：训练模块，被配置成基于梯度反向传播算法对所述主神经网络中的网络参数进行更新，以实现对网络的训练；确定模块，被配置成基于多次训练过程中网络模型的精度的变化，确定能够动态调整所述网络模型学习率的参数。

[0011] 可选地，确定模块进一步被配置成包括：基于多次训练过程中网络模型的精度的变化，确定训练过程中需要衰减的训练轮次的范围；以及，基于多次训练过程中网络模型的精度的变化，确定每轮训练学习效率的同比衰减系数。

[0012] 根据本公开的第三方面，提供了一种翡翠镶嵌识别方法，包括：在获取到待识别有无镶嵌的翡翠图像之后，将所述翡翠图像输入至所述模型中；利用所述模型输出识别结果，其中，所述识别结果包括指示翡翠存在镶嵌的结果或者指示翡翠不存在镶嵌的结果。基于所述模型中注意力模块输出的翡翠特征图，利用预设的算法，建立所述翡翠特征图的热力图。

[0013] 根据本公开的第四方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器执行第一方面任意一项实施例所述的用于翡翠镶嵌识别的模型训练方法。

[0014] 在本公开实施例用于翡翠镶嵌识别的模型训练方法，首先基于深度学习框架，而后搭建包含注意力模块的网络模型；将镶嵌翡翠图像和非镶嵌翡翠图像作为网络模型的输入，将翡翠图像是否镶嵌的结果作为所述网络模型的输出，训练网络模型，通过搭建包含注意力模块的用于翡翠镶嵌识别的网络模型，并对网络模型进行训练，提高翡翠镶嵌识别效率和识别精度，进而解决了由于人工镶嵌识别造成的识别效率低的的技术问题。

附图说明

[0015] 为了更清楚地说明本公开具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本公开的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

[0016] 图1a是根据相关技术的镶嵌翡翠图；

[0017] 图1b是根据相关技术的非镶嵌翡翠的示意图；

[0018] 图2是根据本公开实施例的用于翡翠镶嵌识别的模型训练方法流程图；

[0019] 图3是根据本公开实施例的用于翡翠镶嵌识别的模型训练装置的示意图；以及[0020] 图4是根据本公开实施例的翡翠镶嵌识别方法流程图。

[0021] 图5是根据本公开实施例的电子设备的示意图。

具体实施方式

[0022] 为了使本技术领域的人员更好地理解本公开方案，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分的实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本公开保护的范围。

[0023] 需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

[0024] 需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。

[0025] 根据本公开实施例，提供了一种用于翡翠镶嵌识别的模型训练方法，如图2所示，该方法包括如下的步骤201至步骤202：

[0026] 步骤201：基于深度学习框架，搭建包含注意力模块的网络模型。

[0027] 在本实施例中，可以使用深度学习框架TensorFlow搭建网络模型以及训练该网络模型用的规则(即实现代码)，搭建的网络模型包括注意力模块，注意力模块用于实现提高网络模型对翡翠的周边物体的(即翡翠用于镶嵌的位置)的关注度，由于镶嵌翡翠通常在翡翠的周边处实现镶嵌，因此镶嵌翡翠的特征之一即为在翡翠周边存在镶嵌翡翠的物体。采用注意力模块能够增加识别精度，提高识别效率。

[0028] 作为本实施例一种可选的实现方式，基于深度学习框架搭建包含注意力模块的网络模型包括：基于深度学习框架搭建包含作为主神经网络的卷积神经网络以及包含用于防止训练过程中出现梯度消失的残差网络；在所述主神经网络中添加注意力模块，以使所述卷积注意力模块在训练过程中，对翡翠图像的特征图中的预设位置进行权重赋值，其中，所述翡翠图像的特征图为主神经网络中指定特征层输出的特征图。

[0029] 在本实施例中，在搭建网络模型的时，可以将卷积神经网络CNN作为网络模型的主神经网络，并使用残差网络防止在练网络识别有无镶嵌的训过程中出现训练失败。在搭建的主神经网络中添加注意力机制，即加入卷积注意力模块(Convolutiona lBlock Attention Module)，卷积注意力模块的实现过程可以是通过对网络模型中某些指定的特征层输出的翡翠特征图在对应位置(例如，翡翠周边和翡翠中心)给予不同权重实现。

[0030] 步骤202：将镶嵌翡翠图像和非镶嵌翡翠图像作为所述网络模型的输入，将翡翠图像是否镶嵌的结果作为所述网络模型的输出，训练所述网络模型。

[0031] 在本实施例中，首先可以将训练图像集中的每一张图像进行打标，以将训练图像集中每一张图像对应相应的标签，标签用于对图像有无镶嵌进行表示。获取训练图像集的方式可以是从数据库中获取，也可利用爬虫技术从网络上爬取。将打标后的镶嵌翡翠图像和非镶嵌翡翠图像作为网络模型的输入，将有无镶嵌的结果作为网络模型的输出，训练该网络模型。输出的结果可以是用数值表示的结果，例如，有镶嵌的翡翠图像输出为1，无镶嵌的翡翠图像输出为0。

[0032] 作为本实施例一种可选的实现方式，将翡翠图像和非镶嵌翡翠图像作为所述网络模型的输入，将翡翠图像是否镶嵌的结果作为所述网络模型的输出，训练所述网络模型包括：基于梯度反向传播算法对所述主神经网络中的网络参数进行更新，以实现对网络的训练；基于多次训练过程中网络模型的精度的变化，确定能够动态调整所述网络模型学习率的参数。

[0033] 在本实施例中，在训练网络模型时，可以使用TensorFlow提供的梯度反向传播算法对主神经网络中的网络参数进行更新，以实现对网络的训练。且可以通过多次训练过程中模型的精度的变化，确定能够动态调整网络模型学习率的参数。学习率参数是深度网络训练时的一个超参数，不同的学习率影响网络的拟合速度和精度。本模型训练中，通过在多次的训练过程中对模型精度的比对，确定训练参数，这些参数指定在模型训练多少轮次后修改优化器中的学习率参数。

[0034] 作为本实施例一种可选的实现方式，基于多次训练过程中网络模型的精度的变化，确定能够动态调整所述网络模型学习率的参数包括：基于多次训练过程中网络模型的精度的变化，确定训练过程中需要衰减的训练轮次的范围；以及，基于多次训练过程中网络模型的精度的变化，确定每轮训练学习效率的同比衰减系数。

[0035] 在本实施例中，在确定能够动态调整网络模型学习率的参数时，可以基于多次训练过程中网络模型精度的变化，分别确定需要衰减的训练轮次的范围以及每轮训练学习效率的同比衰减系数，该确定过程可以可以是预先建立修改策略，基于模型精度的变化，修改上述参数；也可以是依据人工确定参数的方式进行参数确定。例如，本模型第1－10轮的学习率时0.01，10轮－20轮之间，每轮学习率同比降低为10％。上述实现过程可以采用如下策略实现：

[0036] opt＝torch.optim.Adam(net.parameters()，lr＝0.001)

[0037] scheduler＝torch.optim.lr＿scheduler.MultiStepLR(opt，milestones＝[15，25]，gamma＝0.1)，其中，lr是初始学习率，milestones传入需要衰减的轮次范围，ganma是每轮学习率lr同比衰减系数。

[0038] 经过实验证明，上述训练完成的模型的识别准确度在99.25％，精确度极高。

[0039] 具体地，训练完成的模型可以封装并提供接口形式，与其他系统进行连接，实现该模型在其他系统的使用，例如，与翡翠估值系统进行连接，以使翡翠估值系统利用该模型发送的结果进行翡翠估值。

[0040] 从以上的描述中，可以看出，本公开实现了如下技术效果：首先通过基于深度学习框架，搭建包含注意力模块的网络模型；而后将镶嵌翡翠图像和非镶嵌翡翠图像作为网络模型的输入，将翡翠图像是否镶嵌的结果作为所述网络模型的输出，训练网络模型，通过对网络模型进行训练，以使网络模型能够对翡翠有无镶嵌进行识别，能够增加识别精度，且识别效率高。

[0041] 需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

[0042] 根据本公开实施例，还提供了一种用于实施上述用于翡翠镶嵌识别的模型训练方法的装置，如图3所示，该装置包括：搭建单元301，被配置成基于深度学习框架搭建包含注意力模块的网络模型；训练单元302，被配置成将翡翠图像和非镶嵌翡翠图像作为所述网络模型的输入，将翡翠图像是否镶嵌的结果作为所述网络模型的输出，训练所述网络模型。

[0043] 搭建单元301进一步被配置成包括：搭建模块，被配置成基于深度学习框架搭建包含作为主神经网络的卷积神经网络以及包含用于防止训练过程中出现梯度消失的残差网络；添加模块，被配置成在所述主神经网络中添加注意力模块，以使所述卷积注意力模块在训练过程中，对翡翠图像的特征图中的预设位置进行权重赋值，其中，所述翡翠图像的特征图为主神经网络中指定特征层输出的特征图。

[0044] 训练单元302进一步被配置成包括：训练模块，被配置成基于梯度反向传播算法对所述主神经网络中的网络参数进行更新，以实现对网络的训练；确定模块，被配置成基于多次训练过程中网络模型的精度的变化，确定能够动态调整所述网络模型学习率的参数。

[0045] 作为本实施例一种可选的实现方式，确定模块进一步被配置成包括：基于多次训练过程中网络模型的精度的变化，确定训练过程中需要衰减的训练轮次的范围；以及，基于多次训练过程中网络模型的精度的变化，确定每轮训练学习效率的同比衰减系数。

[0046] 根据本公开实施例，还提供了一种翡翠镶嵌识别方法，如图4所示，该方法包括如下的步骤401至步骤403：

[0047] 适于用来实现本申请的实施例的示例性系统架构可以包括多个终端设备、网络、服务器。网络可以为有线通信网络或无线通信网络。

[0048] 多个终端设备可以包括具有拍照功能或者视频拍摄功能的智能机器人、智能手机、平板电脑、车载终端等。以终端设备为包括人机交互界面的智能手机为例，当用户通过智能手机上传拍摄的翡翠图像至服务器之后，服务器可以对图像的翡翠有无镶嵌进行识别，并将识别结果和翡翠的热力图发送至智能手机，并最终通过智能手机的人机交互界面反馈给用户。

[0049] 需要说明的是，本申请实施例所提供的一般由服务器执行。

[0050] 步骤401：在获取到待识别有无镶嵌的翡翠图像之后，将所述翡翠图像输入至所述模型中。

[0051] 在本实施例中，方法的执行主体可以是服务器，服务器在接收到用户端上传的待检测图像之后，可以将该待检测图像输入至训练完成的网络模型中。待检测图像即为待识别有无镶嵌的翡翠图像。

[0052] 步骤402：利用所述模型输出识别结果，其中，所述识别结果包括指示翡翠存在镶嵌的结果或者指示翡翠不存在镶嵌的结果。

[0053] 在本实施例中，训练完成的模型对待检测图像进行识别，输出识别结果，识别结果包括翡翠存在镶嵌或翡翠不存在镶嵌的结果，该识别结果可以用数字化的方式体现，例如，翡翠存在镶嵌为1，翡翠不存在镶嵌为0。

[0054] 步骤403：基于所述模型中注意力模块输出的翡翠特征图，利用预设的算法，建立所述翡翠特征图的热力图。

[0055] 在本实施例中，可以基于注意力模块，采用预设的算法，建立翡翠的注意力热力图，注意力热力图可以突出镶嵌的的位置。

[0056] 该模型可以应用至翡翠等级评估中，在翡翠等级评估时，需要考虑翡翠的镶嵌因素，因此快速、自动化的确定的翡翠有无镶嵌，有利于进一步实现翡翠评估的效率。

[0057] 在本实施例中通过利用训练完成的模型对图像进行检测，输出翡翠有无镶嵌的识别结果，同时输出图像的热力图。能够精确地对翡翠图像有无镶嵌进行识别，且能够提高翡翠镶嵌的识别效率。

[0058] 本公开实施例提供了一种电子设备，如图5所示，该电子设备包括一个或多个处理器51以及存储器52，图5中以一个处理器51为例。

[0059] 该控制器还可以包括：输入装置53和输出装置54。

[0060] 处理器51、存储器52、输入装置53和输出装置54可以通过总线或者其他方式连接，图5中以通过总线连接为例。

[0061] 处理器51可以为中央处理器(CentralProcessingUnit，CPU)。处理器51还可以为其他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现场可编程门阵列(Field－ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

[0062] 存储器52作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本公开实施例中的控制方法对应的程序指令/模块。处理器51通过运行存储在存储器52中的非暂态软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例的用于翡翠镶嵌识别的模型训练方法。

[0063] 存储器52可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据服务器操作的处理装置的使用所创建的数据等。此外，存储器52可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器52可选包括相对于处理器51远程设置的存储器，这些远程存储器可以通过网络连接至网络连接装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

[0064] 输入装置53可接收输入的数字或字符信息，以及产生与服务器的处理装置的用户设置以及功能控制有关的键信号输入。输出装置54可包括显示屏等显示设备。

[0065] 一个或者多个模块存储在存储器52中，当被一个或者多个处理器51执行时，执行如图1所示的方法。

[0066] 本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各电机控制方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read－OnlyMemory，ROM)、随机存储记忆体(RandomAccessMemory，RAM)、快闪存储器(FlashMemory)、硬盘(HardDiskDrive，缩写：HDD)或固态硬盘(Solid－StateDrive，SSD)等；存储介质还可以包括上述种类的存储器的组合。

[0067] 虽然结合附图描述了本公开的实施方式，但是本领域技术人员可以在不脱离本公开的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。