[发明专利]金银花识别模型的训练方法、装置、计算机设备及介质

权利要求书

1.一种金银花识别模型的训练方法，其特征在于，包括：

获取多个第一样本，其中，所述第一样本为标注有金银花类别和金银花等级的金银花图像，每个所述金银花类别包括多个所述金银花等级，且每个所述金银花等级对应的所述第一样本的数量有多个；以及，

基于深度学习模型构建金银花识别模型，所述金银花识别模型包括主网络模块，以及多个子网络模块；

利用所有所述第一样本对所述主网络模块进行训练，其中，所述主网络模块用于提取所述第一样本对应的第一图像特征，并基于所述第一图像特征训练所述主网络模块识别所述金银花图像对应的金银花类别的能力；

利用各个所述金银花类别对应的所述第一样本，分别训练各个所述子网络模块，其中，所述子网络模块用于提取所述第一样本对应的第二图像特征，以及将所述第二图像特征与所述第一图像特征进行融合，得到第三图像特征，并基于所述第三图像特征训练所述子网络模块识别所述金银花图像对应的金银花等级的能力；

检测到所述主网络模块和所有所述子网络模块均训练完成时，判定所述金银花识别模型训练完成；

所述利用所有所述第一样本对所述主网络模块进行训练的步骤包括：

将所有所述第一样本按预设比例划分为训练集、验证集和测试集；

利用所述训练集对所述主网络模块进行多次迭代训练；

利用所述验证集对多次迭代训练后的所述主网络模块进行优化；

利用所述测试集对优化后的所述主网络模块进行测试；

当检测到所述主网络模块通过所述测试时，判定所述主网络模块训练结束；

当检测到所述主网络模块未通过所述测试时，返回执行所述利用所述训练集对所述主网络模块进行多次迭代训练的步骤；

其中，所述验证集用于调整并优化所述主网络模块的超参数，并可多次使用，所述超参数是在开始学习过程之前，模型的设置值的参数。

2.如权利要求1所述的金银花识别模型的训练方法，其特征在于，所述利用各个所述金银花类别对应的所述第一样本，分别训练各个所述子网络模块的步骤之前，还包括：

获取多个第二样本，所述第二样本为未标注的金银花图像；

利用训练后的所述主网络模块对多个所述第二样本进行分析，以预测多个所述第二样本对应的金银花类别和第一预测概率；

根据各个所述第二样本对应的所述金银花类别和所述第一预测概率，将各个所述第二样本标注为第三样本；

基于所有所述第三样本和所有所述第一样本，对训练后的所述主网络模块进行训练更新。

3.如权利要求2所述的金银花识别模型的训练方法，其特征在于，所述利用各个所述金银花类别对应的所述第一样本，分别训练各个所述子网络模块的步骤之后，还包括：

根据各个所述第三样本对应的金银花类别，确定各个所述第三样本对应的所述子网络模块；

利用各个所述第三样本对应的所述子网络模块，预测各个所述第三样本对应的金银花等级和第二预测概率；

根据各个所述第三样本对应的所述金银花等级和所述第二预测概率，将各个所述第三样本标注为第四样本；

基于各个所述子网络模块对应的所述第四样本和所述第一样本，对各个所述子网络模块进行训练更新。

4.如权利要求1-3中任一项所述的金银花识别模型的训练方法，其特征在于，所述检测到所述主网络模块和所有所述子网络模块均训练完成时，判定所述金银花识别模型训练完成的步骤之后，还包括：

将训练完成的所述金银花识别模型对应的模型参数从浮点型转换为预设位数的整型，以对训练完成的所述金银花识别模型进行量化压缩；

将压缩后的所述金银花识别模型对应的调用过程编译为动态链接库；

根据所述动态链接库，生成压缩后的所述金银花识别模型对应的移动端应用。