[发明专利]晶体衍射图像筛选模型训练方法和晶体衍射图像筛选方法

权利要求书

1.一种晶体衍射图像筛选模型训练方法，包括：

每个所述训练小组分别基于其对应的本地训练数据集对对应的本地衍射图像筛选模型进行训练，以获取每个所述训练小组对应的训练完成衍射图像筛选模型；

所有所述训练小组分别将其对应的训练完成衍射图像筛选模型的模型参数发送给所述中央服务器；

所述中央服务器基于预设聚合方式对所有所述模型参数进行聚合，以获取全局梯度参数组，并基于所述全局梯度参数组更新衍射图像筛选全局模型；

每个所述训练小组分别判断其预设训练轮次组内获取的所述训练完成衍射图像筛选模型是否符合预设识别准确率条件以获取判断结果，并将所述判断结果发送给所述中央服务器；

所述中央服务器基于所有所述判断结果判断是否所有所述训练小组均完成识别率不再降低要求，若是则将当前所述衍射图像筛选全局模型作为训练完成衍射图像筛选全局模型，否则将当前所述全局梯度参数组分别发送给所有所述训练小组，每个所述训练小组分别基于所述全局梯度参数组对其对应的所述本地衍射图像筛选模型进行更新，并重新分别基于其对应的本地训练数据集对对应的本地衍射图像筛选模型进行训练，以实现新一轮次的训练；

其中，每个所述训练小组的初始本地衍射图像筛选模型由所述中央服务器发送，且所有所述训练小组的初始本地衍射图像模型均相同，所有所述训练小组均具有其对应的本地训练数据集，且不同本地训练数据集中的图像数据属于不同蛋白质分子的晶体衍射图像。

2.根据权利要求1所述的训练方法，其特征在于，所述训练完成衍射图像筛选模型的模型参数包括所述训练完成衍射图像筛选模型的梯度参数组、对应本地训练数据集的预设KL散度指标和对应所述本地训练数据集中图像数据个数。

3.根据权利要求2所述的训练方法，其特征在于，所述本地训练数据集的预设KL散度指标计算公式为：

W＝1-D_KL(P||q)

＝1-θlog²θ-(1-θ)log²(1-θ)-1

＝-θlog²θ-(1-θ)log²(1-θ)

其中，W表示预设KL散度指标，θ表示所述本地训练数据集中正类图像数据的概率。

4.根据权利要求2所述的训练方法，其特征在于，所述中央服务器基于预设聚合方式对所有所述模型参数进行聚合，以获取全局梯度参数组包括：

计算每个所述模型参数中预设KL散度指标权重和图像数据个数权重，并将每个所述模型参数的预设KL散度指标权重和图像数据个数权重之和作为对应所述模型参数的综合权重；

基于每个所述模型参数的综合权重，对所有所述梯度参数组中的所有梯度参数分别进行加权求和处理，并基于所有加权求和后的梯度参数获取全局梯度参数。

5.根据权利要求1所述的训练方法，其特征在于，所述预设训练轮次组获取方式为：以当前训练轮次为起点，依次往前获取预设个数的训练轮次形成所述预设训练轮次组。

6.根据权利要求5所述的训练方法，其特征在于，判断单个所述训练小组预设训练轮次组内获取的所述训练完成衍射图像筛选模型是否符合预设识别准确率条件包括：

将该训练小组所述预设训练轮次组内获取的所有所述训练完成衍射图像筛选模型均作为识别模型，以获取识别模型组；

将每个所述识别模型获取过程中的准确率值作为训练准确率值，以获取训练准确率值组，并基于轮次顺序将所述训练准确率值组中相邻的两个训练准确率值依次作差，以获取准确率误差组；

判断所述准确率误差组中的所有所述准确率误差是否均小于预设阈值，若是则判定该训练小组完成识别率不再降低要求，否则判定该训练小组未完成识别率不再降低要求。

7.根据权利要求1所述的训练方法，其特征在于，所有所述本地训练数据集中的图像数据均通过所述同步辐射装置获取。

8.根据权利要求7所述的训练方法，其特征在于，所有所述本地训练数据集中的图像数据均依次经过灰度处理和随机剪裁。