本技術屬于圖像處理和工業檢測領域，尤其涉及一種深度學習模型的訓練、裝置和電子設備。

背景技術：

1、近年來，深度學習領域持續發展，深度學習模型工業檢測領域也開始應用。在工業生產線，從打樣到量產，會分成多個階段，每個階段產品的工藝和形態都會調整，在各階段，由于產品的上游工藝來料的一致性差異，都會導致樣本圖像的變化，在樣本圖像發生變化后，容易導致深度學習模型檢測發生過漏檢，相關技術通過人為的高經驗來調整樣本圖像，這會帶來較高的人力資源消耗和時間成本。

技術實現思路

1、本技術旨在至少解決相關技術中存在的技術問題之一。為此，本技術提出一種深度學習模型的訓練、裝置和電子設備，自動提高了下一階段的訓練集和測試集的豐富度，無需人為調整訓練樣本，同時降低了人力資源消耗和時間消耗。

2、第一方面，本技術提供了一種深度學習模型的訓練方法，該方法包括：

3、基于本階段的訓練集對初始深度學習模型進行訓練，獲得本階段的已訓練深度學習模型；

4、在確定截止本階段的階段數小于目標階段數，且基于本階段的測試集確定所述本階段的已訓練深度學習模型不滿足目標要求的情況下，對本階段的測試集中的誤檢測試樣本進行增廣處理，得到增廣樣本；

5、根據本階段的訓練集、測試集以及增廣樣本，獲得下一階段的訓練集和測試集；

6、在確定截止本階段的階段數不小于目標階段數，或基于本階段的測試集確定本階段的已訓練深度學習模型滿足目標要求的情況下，輸出本階段的已訓練深度學習模型。

7、根據本技術的深度學習模型的訓練方法，通過基于本階段的訓練集對初始深度學習模型進行訓練，獲得本階段的已訓練深度學習模型；在確定截止本階段的階段數小于目標階段數，且基于本階段的測試集確定本階段的已訓練深度學習模型不滿足目標要求的情況下，對本階段的測試集中的誤檢測試樣本進行增廣處理，得到增廣樣本；根據本階段的訓練集、測試集以及增廣樣本，獲得下一階段的訓練集和測試集，在確定截止本階段的階段數不小于目標階段數，或基于本階段的測試集確定本階段的已訓練深度學習模型滿足目標要求的情況下，輸出本階段的已訓練深度學習模型，通過對誤檢測試樣本進行增廣，無需人為調整訓練樣本，提高了下一階段的訓練集和測試集的豐富度的同時，降低了人力資源的消耗和時間消耗，此外，能夠快速地在生產過程中適應樣本的變化，能夠降低深度學習模型上線后的誤檢概率，降低現場人員的訓練迭代新模型的難度。

8、根據本技術的一個實施例，誤檢測試樣本包括漏檢樣本和過檢樣本；基于本階段的測試集確定本階段的已訓練深度學習模型不滿足目標要求，包括：

9、獲取本階段的測試集中的漏檢樣本的漏檢數量和過檢樣本的過檢數量；

10、在確定本階段的漏檢數量不小于目標漏檢數量，或本階段的過檢數量不小于目標過檢數量的情況下，確定本階段的已訓練深度學習模型不滿足目標要求。

11、根據本技術的一個實施例，對本階段的測試集中的誤檢測試樣本進行增廣處理，得到增廣樣本，包括：

12、基于預設的離線增廣策略和/或已訓練的人工智能生成內容模型對本階段的測試集中的誤檢測試樣本進行增廣處理，得到增廣樣本；

13、其中，離線增廣策略包括修改誤檢測試樣本的光照參數、背景顏色以及對誤檢測試樣本進行形變中的至少一種。

14、根據本技術的一個實施例，基于本階段的訓練集對初始深度學習模型進行訓練，包括：

15、基于早停策略和本階段的訓練集對初始深度學習模型進行訓練，直至滿足本階段的訓練停止條件；本階段的訓練停止條件包括以下任意一種；

16、本階段的初始深度學習模型的目標損失函數收斂；

17、本階段的初始深度學習模型的正反向傳播訓練的訓練輪次達到本階段的第一目標輪次。

18、根據本技術的一個實施例，在本階段的訓練停止條件為本階段的初始深度學習模型的正反向傳播訓練的訓練輪次達到本階段的第一目標輪次的情況下，在基于本階段的測試集確定本階段的已訓練深度學習模型不滿足目標要求之后，方法包括：

19、在確定本階段的訓練輪次達到第一目標輪次，且目標損失函數不收斂的情況下，對本階段的第一目標輪次進行更新，得到下一階段訓練的第一目標輪次；

20、下一階段訓練的第一目標輪次不小于本階段的第一目標輪次，但不大于第二目標輪次。

21、根據本技術的一個實施例，在基于本階段的訓練集對初始深度學習模型進行訓練之前，方法還包括：

22、獲取用戶輸入的初始樣本集和訓練參數；初始樣本集為首個階段的樣本集；訓練參數包括離線增廣策略對應的增廣參數、各階段的訓練停止條件；

23、根據當前顯卡資源的最大容量配置初始深度學習模型的批次大小；

24、根據初始樣本集中的樣本圖像的最大圖像的寬高配置初始深度學習模型的網絡寬高。

25、根據本技術的一個實施例，根據本階段的訓練集、測試集以及增廣樣本，獲得下一階段的訓練集和測試集，包括：

26、將本階段的訓練集、測試集以及增廣樣本作為下一階段的樣本集；

27、基于目標比例將下一階段的樣本集劃分為下一階段的訓練集和測試集。

28、第二方面，本技術提供了一種深度學習模型的訓練裝置，該裝置包括：

29、第一處理模塊，用于基于本階段的訓練集對初始深度學習模型進行訓練，獲得本階段的已訓練深度學習模型；

30、第二處理模塊，用于在確定截止本階段的階段數小于目標階段數，且基于本階段的測試集確定本階段的已訓練深度學習模型不滿足目標要求的情況下，對本階段的測試集中的誤檢測試樣本進行增廣處理，得到增廣樣本；

31、第三處理模塊，用于根據本階段的訓練集、測試集以及增廣樣本，獲得下一階段的訓練集和測試集；

32、第四處理模塊，用于在確定截止本階段的階段數不小于目標階段數，或基于本階段的測試集確定本階段的已訓練深度學習模型滿足目標要求的情況下，輸出本階段的已訓練深度學習模型。

33、根據本技術的深度學習模型的訓練裝置，通過基于本階段的訓練集對初始深度學習模型進行訓練，獲得本階段的已訓練深度學習模型；在確定截止本階段的階段數小于目標階段數，且基于本階段的測試集確定本階段的已訓練深度學習模型不滿足目標要求的情況下，對本階段的測試集中的誤檢測試樣本進行增廣處理，得到增廣樣本；根據本階段的訓練集、測試集以及增廣樣本，獲得下一階段的訓練集和測試集，在確定截止本階段的階段數不小于目標階段數，或基于本階段的測試集確定本階段的已訓練深度學習模型滿足目標要求的情況下，輸出本階段的已訓練深度學習模型，通過對誤檢測試樣本進行增廣，無需人為調整訓練樣本，提高了下一階段的訓練集和測試集的豐富度的同時，降低了人力資源的消耗和時間消耗，此外，能夠快速地在生產過程中適應樣本的變化，能夠降低深度學習模型上線后的誤檢概率，降低現場人員的訓練迭代新模型的難度。

34、第三方面，本技術提供了一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，處理器執行計算機程序時實現如上述第一方面所提供的深度學習模型的訓練方法。

35、第四方面，本技術提供了一種非暫態計算機可讀存儲介質，其上存儲有計算機程序，計算機程序被處理器執行時實現如上述第一方面所提供的深度學習模型的訓練方法。

36、第五方面，本技術提供了一種芯片，芯片包括處理器和通信接口，該通信接口和處理器耦合，該處理器用于運行程序或指令，實現如第一方面所提供的深度學習模型的訓練方法。

37、第六方面，本技術提供了一種計算機程序產品，包括計算機程序，該計算機程序被處理器執行時實現如上述第一方面所提供的深度學習模型的訓練方法。

38、本技術實施例中的上述一個或多個技術方案，至少具有如下技術效果之一：

39、通過基于本階段的訓練集對初始深度學習模型進行訓練，獲得本階段的已訓練深度學習模型；在確定截止本階段的階段數小于目標階段數，且基于本階段的測試集確定本階段的已訓練深度學習模型不滿足目標要求的情況下，對本階段的測試集中的誤檢測試樣本進行增廣處理，得到增廣樣本；根據本階段的訓練集、測試集以及增廣樣本，獲得下一階段的訓練集和測試集，在確定截止本階段的階段數不小于目標階段數，或基于本階段的測試集確定本階段的已訓練深度學習模型滿足目標要求的情況下，輸出本階段的已訓練深度學習模型，通過對誤檢測試樣本進行增廣，無需人為調整訓練樣本，提高了下一階段的訓練集和測試集的豐富度的同時，降低了人力資源的消耗和時間消耗，此外，能夠快速地在生產過程中適應樣本的變化，能夠降低深度學習模型上線后的誤檢概率，降低現場人員的訓練迭代新模型的難度。

40、本技術的附加方面和優點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本技術的實踐了解到。