[发明专利]用于图像处理的神经网络模型训练方法及装置

权利要求书

1.一种用于图像处理的神经网络模型训练方法，包括：

将待处理源图像进行数据增强，添加相同的透明色与不同样式的背景图，得到增强数据集；

使用边缘检测算法提取所述增强数据集中的每个图像的捕捉对象的边缘位置；

使用形态学处理方法计算所述边缘位置对应的边界区域信息，根据所述边界区域信息截取所述增强数据集中的每个图像的捕捉对象信息，形成训练数据集；

将所述训练数据集输入到卷积神经网络模型中进行训练，得到图像分类模型。

2.根据权利要求1所述的方法，其中，所述数据增强包括仿射变换、颜色变换、高斯噪声或模糊处理中的至少一种。

3.根据权利要求2所述的方法，其中，所述仿射变换包括旋转变换、放缩变换、反射变换或剪切变换中的至少一种，所述放缩变换包括各向同性放缩变换或非各向同性放缩变换。

4.根据权利要求1所述的方法，其中，所述边缘检测算法包括基于训练好的整体嵌套边缘检测网络模型的边缘检测算法。

5.根据权利要求1所述的方法，其中，所述形态学处理方法包括腐蚀操作、膨胀操作或开闭运算。

6.根据权利要求1所述的方法，其中，所述根据所述边界区域信息截取所述增强数据集中的每个图像的捕捉对象信息的步骤之后，还包括：

将所述每个图像的边界区域之外的背景区域设置为白色。

7.根据权利要求1所述的方法，其中，所述模型训练应用于云端数据中心，所述方法还包括：

根据预设模型切割点，将所述图像分类模型切分为第一部分模型和第二部分模型；

将所述第一部分模型和第二部分模型分别部署于移动终端和边缘服务器。

8.根据权利要求7所述的方法，其中，所述将所述第一部分模型和第二部分模型分别部署于移动终端和边缘服务器中的步骤之后，还包括：

将所述第一部分模型和第二部分模型分别进行压缩编码。

9.根据权利要求1所述的方法，其中，所述卷积神经网络模型包括轻量级网络模型。

10.根据权利要求9所述的方法，其中，所述轻量级网络模型包括MobileNet-v2网络模型，所述MobileNet-v2网络模型包括输入层、多个特征提取层和全连接层。

11.根据权利要求10所述的方法，其中，所述输入层将所述训练数据集中的每个图像缩放到预设尺寸。

12.根据权利要求10所述的方法，其中，所述MobileNet-v2网络模型通过以下方式进行改进：

采用预训练MobileNet-v2网络模型中的特征提取层参数作为所述图像分类模型的初始化参数，根据图像处理实际业务数据集对所述图像分类模型进行微调；以及

在所述全连接层，将输出类别修改为预设图像种类数量，采用Xavier方法对全连接层的参数进行初始化。

13.根据权利要求1所述的方法，其中，所述MobileNet-v2网络模型采用训练后量化方式对权重进行量化。

14.根据权利要求13所述的方法，其中，所述训练后量化方式包括：

在所述卷积神经网络模型训练完成后，将训练后的权重和激活函数均从32-bit浮点数量化为8-bit整数；或者

将训练后的权重和激活函数均从32-bit浮点数量化为或16-bit浮点数。