(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 202211161244.9 (22)申请日 2022.09.23 (71)申请人 卡奥斯工业智能研究院 （青岛） 有限 公司 地址 266000 山东省青岛市中国 （山 东） 自 由贸易试验区青岛片区 岷山路1号 申请人 海尔卡奥斯物联科技有限公司 　 海尔数字科技 （青岛） 有限公司 (72)发明人 孟海秀　温书远　陈录城　孙琦　 王艳纳　 (74)专利代理 机构 北京同立钧成知识产权代理 有限公司 1 1205 专利代理师 郭李君　臧建明 (51)Int.Cl. G06V 10/774(2022.01)G06V 10/764(2022.01) G06V 10/20(2022.01) G06V 10/40(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 模型训练方法、 图像处理方法、 设备及存储 介质 (57)摘要 本申请公开了一种模 型训练方法、 图像处理 方法、 设备及存储介质， 涉及图像处理领域， 该模 型训练方法包括： 对样本数据集中的图像进行预 处理， 得到图像的多 标签词向量和图像的多 标签 邻接矩阵； 采用图小波神经网络模 型对多标签词 向量和多标签邻接矩阵进行聚类处理， 得到分类 模型； 对待处理图像进行特征提取， 输出待处理 图像的特征矩阵； 基于特征矩阵对分类模型进行 训练， 得到待处理图像的多标签的概率分布模 型； 采用损失函数对概率分布模型进行收敛处 理， 得到图像标注模型， 图像标注模型用于对目 标图像进行标注处理， 得到目标图像的标签。 实 现了提高对图像标注的精度的目的。 权利要求书2页 说明书11页 附图4页 CN 115240037 A 2022.10.25 CN 115240037 A 1.一种模型训练方法， 其特 征在于， 包括： 对样本数据集中的图像进行预处理， 得到所述图像的多标签词向量和所述图像的多标 签邻接矩阵； 采用图小波神经网络模型对所述多标签词向量和所述多标签邻 接矩阵进行聚类处理， 得到分类模型； 对待处理图像进行 特征提取， 输出 所述待处 理图像的特 征矩阵； 基于所述特征矩阵对所述分类模型进行训练， 得到所述待处理图像的多标签的概率分 布模型； 采用损失函数对所述概率分布模型进行收敛处理， 得到 图像标注模型， 所述图像标注 模型用于对目标图像进行 标注处理， 得到所述目标图像的标签。 2.根据权利要求1所述的模型训练方法， 其特征在于， 所述图小波神经网络模型包括2 层图小波神经网络， 所述采用图小波神经网络模型对所述多标签词向量和所述多标签邻接 矩阵进行聚类处 理， 得到分类模型， 包括： 采用所述2层图小波神经网络 中的第一层图小波神经网络对所述多标签词向量和所述 多标签邻接矩阵进行聚类处 理， 得到输出向量； 采用所述2层图小波神经网络 中的第二层图小波神经网络对所述输出向量进行聚类处 理， 得到所述分类模型。 3.根据权利要求2所述的模型训练方法， 其特征在于， 所述第 一层图小波神经网络为非 线性激活函数si lu， 所述第二层图小 波神经网络为非线性激活函数softmax。 4.根据权利要求1所述的模型训练方法， 其特征在于， 对样本数据集中的图像进行预处 理， 得到所述图像的多标签邻接矩阵， 包括： 根据所述图像的第 一标签和第 二标签， 确定所述多标签邻 接矩阵的第 一参数和第 二参 数， 所述第一参数用于表示所述样本数据集中所述第一标签和所述第二标签同时出现的次 数， 所述第二 参数用于表示所述第一标签在所述样本数据集中出现的次数； 根据所述第一 参数和所述第二 参数， 确定所述图像的条件概 率矩阵； 对所述条件概 率矩阵进行二 值化处理， 得到二 值化邻接矩阵； 对所述二值化邻接矩阵进行加权处 理， 得到所述多标签邻接矩阵。 5.根据权利要求1至4任一项所述的模型训练方法， 其特征在于， 所述基于所述特征矩 阵对所述分类模型进行训练， 得到所述待处 理图像的多标签的概 率分布模型， 包括： 将所述特 征矩阵与所述分类模型进行矩阵相乘处 理， 得到所述 概率分布模型。 6.根据权利要求1至4任一项所述的模型训练方法， 其特征在于， 所述采用损 失函数对 所述概率分布模型进行收敛处 理， 得到图像标注模型， 包括： 确定所述 概率分布模型的网络超参数； 根据所述损失函数和所述网络超参数对所述概率分布模型进行收敛处理， 得到所述图 像标注模型。 7.根据权利要求1至4任一项所述的模型训练方法， 其特征在于， 所述采用损 失函数对 所述概率分布模型进行收敛处 理， 得到图像标注模型， 包括： 监控所述损失函数的值和所述 概率分布模型的精度值； 若所述损 失函数的值小于第一阈值， 或所述概率分布模型的精度值大于第二阈值， 将权　利　要　求　书 1/2 页 2 CN 115240037 A 2所述概率分布模型输出为所述图像标注模型。 8.一种图像处 理方法， 其特 征在于， 包括： 获取待处 理图像； 将所述待处理图像输入至图像标注模型中进行标注处理， 得到所述待处理图像的标 签， 所述图像标注模型为 通过权利要求1至7中任一项所述的模型训练方法训练得到的。 9.一种电子设备， 其特 征在于， 包括： 处 理器， 以及与所述处 理器通信连接的存 储器； 所述存储器存储计算机执 行指令； 所述处理器执行所述存储器存储的计算机执行指令， 以实现如权利要求1至7任一项所 述的模型训练方法或权利要求8所述的图像处 理方法。 10.一种计算机可读存储介质， 所述计算机可读存储介质中存储有计算机执行指令， 其 特征在于， 所述计算机执行指 令被处理器执行时用于实现权利要求 1至7任一项 所述的模型 训练方法或权利要求8所述的图像处 理方法。权　利　要　求　书 2/2 页 3 CN 115240037 A 3