【技术实现步骤摘要】
本专利技术涉及数据处理领域，具体而言，涉及一种用于分选机的模型搜索方法、分选方法及电子设备。
技术介绍
1、色选机，又称为分选机，是广泛应用于农业、食品加工、矿产资源等行业的重要设备，其核心功能在于通过实施颜色、纹理、轮廓等物理属性的自动识别与分类，实现物料的高效自动化分拣与筛选。传统色选机主要依赖于预设规则与人工构建的特征提取机制，这一做法虽具实用性，却受限于其固有模式匹配能力的局限，难以适应物料特性在种类与形态上的复杂多变性。
2、近来，深度学习技术在图像处理领域展现出卓越性能，神经网络模型因其强大的学习与泛化能力而被广泛应用于图像分类与目标检测任务中。然而，目前应用于分选机的神经网络模型无法同时兼顾推理速度和准确度。
技术实现思路
1、有鉴于此，本专利技术的目的在于提供一种用于分选机的模型搜索方法、分选方法及电子设备，实现同时兼顾应用于分选机的神经网络模型的推理速度和准确度。
2、为了实现上述目的，本专利技术采用的技术方案如下：
3、第一方面，本专利技术提供一种用于分选机的模型搜索方法，所述方法包括：
4、对预设的搜索空间进行搜索采样，得到搜索结果；其中，所述搜索结果包括多种神经网络结构以及每种所述神经网络结构对应的超参数和优化算法；
5、计算所述神经网络结构在进行一次前向推理时的规模值，并根据所述规模值，从各所述神经网络结构中，选择出候选网络结构；
6、针对每种所述候选网络结构，基于所述候选网络结构的超
7、根据所述性能指标，从各所述候选网络结构中，确定出最优网络结构。
8、可选地，所述基于所述候选网络结构的超参数和优化算法，分别利用多个数据集对所述候选网络结构进行优化评估，得到所述候选网络结构的性能指标的步骤，包括：
9、针对每个所述数据集，按照所述候选网络结构的超参数的设定，使用所述数据集和所述候选网络结构的优化算法，对所述候选网络结构进行迭代训练，以及对每轮迭代训练得到的中间模型进行评估，得到所述候选网络结构在所述数据集上的性能值；
10、根据所述候选网络结构在各所述数据集上的所述性能值，得到所述候选网络结构的性能指标。
11、可选地，所述数据集包括训练集和测试集，所述超参数包括模型结构参数和训练策略；
12、所述针对每个所述数据集，按照所述候选网络结构的超参数的设定，使用所述数据集和所述候选网络结构的优化算法，对所述候选网络结构进行迭代训练，以及对每轮迭代训练得到的中间模型进行评估，得到所述候选网络结构在所述数据集上的性能值的步骤，包括：
13、按照所述模型结构参数和所述候选网络结构，得到初始的待训练模型；
14、按照所述训练策略和所述候选网络结构的优化算法，使用所述训练集，对所述待训练模型进行一轮迭代训练，得到一个中间模型；
15、使用所述测试集，对所述中间模型进行性能评估，得到所述中间模型的模型性能；
16、更新迭代次数，并判断所述迭代次数是否等于预设的迭代阈值；
17、若否，将所述中间模型作为下一个待训练模型，并返回执行所述按照所述训练策略和所述候选网络结构的优化算法，使用所述训练集，对所述待训练模型进行一轮迭代训练，得到一个中间模型的步骤；
18、若是，则根据各所述模型性能，得到所述候选网络结构在所述数据集上的性能值。
19、可选地，所述根据各所述模型性能，得到所述候选网络结构在所述数据集上的性能值的步骤，包括：
20、从各所述模型性能中，选择最优的所述模型性能作为所述候选网络结构在所述数据集上的性能值。
21、可选地，所述根据所述候选网络结构在各所述数据集上的所述性能值，得到所述候选网络结构的性能指标的步骤，包括：
22、对所述候选网络结构在各所述数据集上的所述性能值取平均值，将所述平均值作为所述候选网络结构的性能指标。
23、可选地，所述规模值包括计算量和参数量；
24、所述根据所述规模值，从各所述神经网络结构中，选择出候选网络结构的步骤，包括：
25、针对每个所述神经网络结构，在所述神经网络结构的计算量小于预设的第一阈值，且所述参数量小于预设的第二阈值的情况下，将所述神经网络结构作为候选网络结构。
26、可选地，所述对预设的搜索空间进行搜索采样，得到搜索结果的步骤，包括：
27、采用网格搜索算法，对预设的搜索空间进行搜索采样，得到搜索结果；其中，所述搜索空间包括多种卷积核、激活函数、卷积层的卷积核个数、卷积模块的配置方式、超参数和优化算法。
28、可选地，在所述对预设的搜索空间进行搜索采样，得到搜索结果的步骤之前，所述方法还包括：
29、获取分选机的各物料的原始图像，依据物料分选标准，确定所述原始图像的分选类别，并依据所述分选类别对所述原始图像进行标注，得到标注图像；
30、对每张所述标注图像进行数据增强和归一化操作，得到多张样本图像；
31、针对每类所述物料，将所述物料的各所述样本图像作为一个数据集，并按预设比例，将所述数据集中的各所述样本图像划分为训练集和测试集。
32、第二方面，本专利技术提供一种分选方法，应用于分选机的控制设备，所述控制设备与所述分选机的分选喷阀通信连接，所述方法包括：
33、将当前获取的物料图像输入预设的检测模型，利用所述检测模型生成检测结果；其中，所述检测模型为对搜索出的最优网络结构进行训练后得到的模型，所述最优网络结构为采用如第一方面所述的用于分选机的模型搜索方法获得；
34、基于所述检测结果，控制所述分选喷阀，以对所述分选机内的物料进行分选。
35、第三方面，本专利技术提供一种电子设备，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机程序，所述处理器可执行所述计算机程序以实现如第一方面所述的用于分选机的模型搜索方法，或如第二方面所述的分选方法。
36、第四方面，本专利技术提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的用于分选机的模型搜索方法，或如第二方面所述的分选方法。
37、本专利技术实施例提供的用于分选机的模型搜索方法、分选方法及电子设备，模型搜索方法包括：对预设的搜索空间进行搜索采样，得到搜索结果，搜索结果包括多种神经网络结构以及每种神经网络结构对应的超参数和优化算法；根据神经网络结构在进行一次前向推理时的规模值，从各神经网络结构中，选择出候选网络结构；针对每种候选网络结构，基于候选网络结构的超参数和优化算法，分别利用多个数据集对候选网络结构进行优化评估，得到候选网络结构的性能指标，每个数据集为分选机的一种物料的数据集合；根据本文档来自技高网...
【技术保护点】
1.一种用于分选机的模型搜索方法，其特征在于，所述方法包括：
2.根据权利要求1所述的用于分选机的模型搜索方法，其特征在于，所述基于所述候选网络结构的超参数和优化算法，分别利用多个数据集对所述候选网络结构进行优化评估，得到所述候选网络结构的性能指标的步骤，包括：
3.根据权利要求2所述的用于分选机的模型搜索方法，其特征在于，所述数据集包括训练集和测试集，所述超参数包括模型结构参数和训练策略；
4.根据权利要求3所述的用于分选机的模型搜索方法，其特征在于，所述根据各所述模型性能，得到所述候选网络结构在所述数据集上的性能值的步骤，包括：
5.根据权利要求2所述的用于分选机的模型搜索方法，其特征在于，所述根据所述候选网络结构在各所述数据集上的所述性能值，得到所述候选网络结构的性能指标的步骤，包括：
6.根据权利要求1至5中任一项所述的用于分选机的模型搜索方法，其特征在于，所述规模值包括计算量和参数量；
7.根据权利要求1至5中任一项所述的用于分选机的模型搜索方法，其特征在于，所述对预设的搜索空间进行搜索采样，得到搜
8.根据权利要求1至5中任一项所述的用于分选机的模型搜索方法，其特征在于，在所述对预设的搜索空间进行搜索采样，得到搜索结果的步骤之前，所述方法还包括：
9.一种分选方法，其特征在于，应用于分选机的控制设备，所述控制设备与所述分选机的分选喷阀通信连接，所述方法包括：
10.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机程序，所述处理器可执行所述计算机程序以实现如权利要求1至8中任一项所述的用于分选机的模型搜索方法，或如权利要求9所述的分选方法。
...【技术特征摘要】
1.一种用于分选机的模型搜索方法，其特征在于，所述方法包括：
2.根据权利要求1所述的用于分选机的模型搜索方法，其特征在于，所述基于所述候选网络结构的超参数和优化算法，分别利用多个数据集对所述候选网络结构进行优化评估，得到所述候选网络结构的性能指标的步骤，包括：
3.根据权利要求2所述的用于分选机的模型搜索方法，其特征在于，所述数据集包括训练集和测试集，所述超参数包括模型结构参数和训练策略；
4.根据权利要求3所述的用于分选机的模型搜索方法，其特征在于，所述根据各所述模型性能，得到所述候选网络结构在所述数据集上的性能值的步骤，包括：
5.根据权利要求2所述的用于分选机的模型搜索方法，其特征在于，所述根据所述候选网络结构在各所述数据集上的所述性能值，得到所述候选网络结构的性能指标的步骤，包括：
6.根据权...
【专利技术属性】
技术研发人员：邵帅，石江涛，贾仁耀，陈晓东，汪隽清，
申请(专利权)人：合肥泰禾智能科技集团股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。