(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211229622.2 (22)申请日 2022.10.08 (71)申请人 哈尔滨工业大 学 地址 150000 黑龙江省哈尔滨市南岗区西 大直街92号 申请人 中电建河南 万山绿色建材有限公司 　 中国水利水电第十一工程局有限公 司 (72)发明人 吴锐　吕鹏　狄龙飞　秦宋林　 刘家锋　于文强　田小娟　贾新文　 (74)专利代理 机构 哈尔滨市文 洋专利代理事务 所(普通合伙) 23210 专利代理师 范欣 (51)Int.Cl. G06V 10/764(2022.01)G06V 10/774(2022.01) G06T 7/30(2017.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 端到端砂石粒度检测中的半监 督学习方法 (57)摘要 端到端砂 石粒度检测中的半监督学习方法， 它涉及一种砂石粒度检测的半监督学习方法。 本 发明为了解决神经网络的训练严重依赖标注数 据， 而对砂石图像进行正确的标注是极为耗时的 技术问题。 本方法： 一、 数据标注； 二、 模型预训 练； 三、 生成砂石粒度检测伪标签； 四、 基于伪标 签的半监督砂石粒度分布预测。 本发 明方法仅需 要少量标注数据， 解决了神经网络的训练严重依 赖标注数据， 而对砂石图像进行正确的标注是极 为耗时的技术问题。 本发明属于端到端砂石粒度 检测方法领域。 权利要求书2页 说明书6页 附图3页 CN 115546546 A 2022.12.30 CN 115546546 A 1.端到端砂石粒度检测中的半监督学习方法， 其特征在于所述端到端砂石粒度检测中 的半监督学习方法如下： 一、 数据标注： 对于一个砂石标注信息定义为(x1， y1， x2， y2)， 其中坐标系原点为砂石图像X左上方， 粒 径长度为 单位为像素， 通 过像素和实际真 实距离之间的校准， 完成像 素到指定单位的换算， 完成标注每一张图像中含有的所有砂石的粒径信息， 设离散型随机 变量X， K个特定大小的粒径{t0， t1，…tk}且满足t0≤t1≤…≤tK， 完成粒径信息到粒度信息 的转换， 对于粒度分布P， 有 其中P(tm≤X＜tn)代表一张图像中粒径范围在[tm， tn)中砂石数目占总体砂石数目的比 例， n代表图像中砂石的总数目， A 代表图像中粒径的集 合； 二、 模型预训练： 采用反向传播方法训练模型， 训练过程中采用KL散度作为损失函数， 骨架网络采用 DenseNet ‑121结构， 头部网络采用线性层， 模型接受砂 石图像输出粒度分布曲线， 和真实分 布曲线比较 计算损失驱动模型进行 学习； 三、 生成砂石粒度检测伪标签： 引入一个噪声分布∈～N(0， a)， 其中N代 表高斯分布a代 表高斯分布的方差； 对于输出y＝{ y1， y2， y3， y4， y5， y6}， 其中zi表示为粒径范 围[yi， yi+1)的砂石占全部砂石 的比例； 特殊地y6表示为[yi， +∞)范围内砂石比例； 对每一种粒径范围， 其伪标签为 即每一种粒径范围独立引入一个高斯噪声的 扰动； 四、 基于伪标签的半监 督砂石粒度分布预测： 将训练数据集划分为 其中 代表有标注的训练 数据集， 代表无标签的训练数据集， xi代表输入的样本， yi代表标注的信 息， 将伪标签表示 为 自训练的半监 督算法的损失函数如公式(2)所示： 其中第一项为使用有标注的数据集进行正常训练， CE( ·，·)表示交叉熵损失， f( ·) 表示算法模型； 第二项表示使用无标注数据集进 行训练， 交叉熵损失的真值为伪标签， 其中 α(t)为训练时的超参数， 控制半监 督损失的大小， t 表示训练的时长， 用训练轮数来表示； 训练时的超参数α(t)如公式(3)所示： 权　利　要　求　书 1/2 页 2 CN 115546546 A 2其中T1， T2， αf均为超参数， 训练的第一步， α(t)＝0， 即无标签数据不参与训练， 模型能 够获得较好的预训练权重； 第二步， α(t)缓慢增加， 不断增加无标签数据带来的损失， α(t) 缓慢增加的过程可以帮助模型在优化过程中避免陷入局部最小值点， 从而使 未标记数据的 伪标签尽可能与真实标签相似； 第三 步， 固定α(t)， 使用无 标签数据进行优化。 2.根据权利要求1所述端到端砂石粒度检测中的半监督学习方法， 其特征在于步骤一 中所述的K＝6 。权　利　要　求　书 2/2 页 3 CN 115546546 A 3