产品检测方法、装置、设备及存储介质

技术领域

本发明涉及智能制造技术领域，尤其涉及一种产品检测方法、装置、设备及存储介质。

背景技术

随着深度学习技术的发展，人工智能越来越普遍地应用于工业检测领域，由于标注相对简单、新能较为稳定，分类模型的应用较为广泛，但是工业大数量场景具有特征复杂、边界模糊、数据丰富度与平衡性差的特点，给分类模型的训练带来了挑战，目前对于分类模型的训练普遍采用监督式学习的方式，该方式随着对模型的训练，会使模型对噪声样本产生记忆，而且存在对简单样本过采样，损害模型的性能，导致产品检测准确度降低。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供了一种产品检测方法、装置、设备及存储介质，旨在解决现有技术分类模型产品检测的准确度低的技术问题。

为实现上述目的，本发明提供了一种产品检测方法，方法包括以下步骤：

确定初始训练数据集中各类别样本数据的样本筛选率，并将初始训练数据集划分为噪声子集和无噪子集；

根据噪声子集和无噪子集确定对比损失函数，并根据对比损失函数对预训练分类模型的损失函数进行更新；

根据样本筛选率在噪声子集和无噪子集中采集训练样本数据；

通过训练样本数据对更新损失函数后的预训练分类模型进行训练，获得分类模型；

将待检测产品的产品数据输入分类模型，获得待检测产品的产品类别。

可选地，确定初始训练数据集中各类别样本数据的样本筛选率，并将初始训练数据集划分为噪声子集和无噪子集，包括：

通过初始训练数据集训练初始分类模型，并根据训练过程中初始分类模型输出的产品类别概率确定初始训练数据集中各类别样本数据的样本筛选率；

根据样本筛选率将初始训练数据集划分为噪声子集和无噪子集。

可选地，通过初始训练数据集训练初始分类模型，并根据训练过程中初始分类模型输出的产品类别概率确定初始训练数据集中各类别样本数据的样本筛选率之前，还包括：

将初始训练数据集输入初始卷积神经网络；

根据初始卷积神经网络输出的各样本数据的概率预测值、预设散度公式和各样本数据的标签值确定第一损失函数；

根据第一损失函数更新初始卷积神经网络的损失函数，并通过初始训练数据集对更新损失函数后的初始神经网络进行训练；

在初始神经网络满足预设条件时，获得预训练分类模型；

根据第一损失函数和预设调制因子确定第二损失函数，并根据第二损失函数更新预训练分类模型的损失函数，获得初始分类模型。

可选地，通过初始训练数据集训练初始分类模型，并根据训练过程中初始分类模型输出的产品类别概率确定初始训练数据集中各类别样本数据的样本筛选率，包括：

通过初始训练数据对初始分类模型进行训练，并根据训练过程中初始分类模型输出的产品类别概率确定初始训练数据集中各类别样本数据的样本遗忘率；

获取对初始分类模型训练过程中各样本数据的损失值；

根据样本遗忘率和损失值确定初始训练数据集中各类别样本数据的样本筛选率。

可选地，通过初始训练数据对初始分类模型进行训练，并根据训练过程中初始分类模型输出的产品类别概率确定初始训练数据集中各类别样本数据的样本遗忘率，包括：

通过初始训练数据对初始分类模型进行迭代训练，并在训练的过程中获取初始分类模型输出的各样本数据的产品类别概率；

根据初始训练数据集中各样本数据的样本标签和各样本数据的产品类别概率确定初始训练数据集中各类别样本数据的样本遗忘率。

可选地，根据噪声子集和无噪子集确定对比损失函数，并根据对比损失函数对预训练分类模型的损失函数进行更新，包括：

对无噪子集中的训练数据进行数据增强处理，获得至少两个增强无噪子集；

将至少两个增强无噪子集中的数据依次输入特征提取器和特征映射层，获得各增强无噪子集对应的无噪数据特征向量集合；

根据各增强无噪子集对应的特征向量集合确定第一对比损失函数；

将噪声子集中的数据依次输入至特征提取器和特征映射层，获得噪声子集对应的噪声数据特征向量集合；

根据噪声数据特征向量集合确定第二对比损失函数；

根据第二损失函数、第一对比损失函数和第二对比损失函数更新预训练分类模型的损失函数。

可选地，对无噪子集中的训练数据进行数据增强处理，获得至少两个增强无噪子集，包括：

对无噪子集中的训练数据进行水平翻转处理，获得第一增强无噪子集；

对无噪子集中的训练数据进行随机裁剪，获得第二增强无噪子集。

此外，为实现上述目的，本发明还提出一种产品检测装置，装置包括：

确定模块，用于确定初始训练数据集中各类别样本数据的样本筛选率，并将初始训练数据集划分为噪声子集和无噪子集；

更新模块，用于根据噪声子集和无噪子集确定对比损失函数，并根据对比损失函数对预训练分类模型的损失函数进行更新；

采样模块，用于根据样本筛选率在噪声子集和无噪子集中采集训练样本数据；

训练模块，用于通过训练样本数据对更新损失函数后的预训练分类模型进行训练，获得分类模型；

检测模块，用于将待检测产品的产品数据输入分类模型，获得待检测产品的产品类别。

此外，为实现上述目的，本发明还提出一种产品检测设备，设备包括：存储器、处理器及存储在存储器上并可在处理器上运行的产品检测程序，产品检测程序配置为实现如上文的产品检测方法的步骤。

此外，为实现上述目的，本发明还提出一种存储介质，存储介质上存储有产品检测程序，产品检测程序被处理器执行时实现如上文的产品检测方法的步骤。

本发明确定初始训练数据集中各类别样本数据的样本筛选率，并将初始训练数据集划分为噪声子集和无噪子集，并且在训练过程中根据模型的更新实时动态调整样本筛选率与训练子集的划分；根据噪声子集和无噪子集确定对比损失函数，并根据对比损失函数对预训练分类模型的损失函数进行更新；根据样本筛选率在噪声子集和无噪子集中采集训练样本数据；通过训练样本数据对更新损失函数后的预训练分类模型进行训练，获得分类模型；将待检测产品的产品数据输入分类模型，获得待检测产品的产品类别。本发明例将初始训练数据划分为噪声子集和无噪子集，根据样本筛选率进行采样，并通过采样训练数据对预训练分类模型进行训练，获得分类模型，将待检测产品的产品数据输入分类模型获得产品类别，解决了对模型训练的过程中会使模型对噪声样本产生记忆，而且存在对简单样本过采样，损害模型性能的技术问题，提高了产品检测准确度与对标注错误产生的噪声的鲁棒性。

附图说明

图1是本发明实施例方案涉及的硬件运行环境的产品检测设备的结构示意图；

图2为本发明产品检测方法第一实施例的流程示意图；

图3为本发明产品检测方法第二实施例的流程示意图；

图4为本发明产品检测方法第三实施例的流程示意图；

图5为本发明产品检测装置第一实施例的结构框图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

参照图1，图1为本发明实施例方案涉及的硬件运行环境的产品检测设备结构示意图。

如图1所示，该产品检测设备可以包括：处理器1001，例如中央处理器(CentralProcessing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity，WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory，RAM)，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图1中示出的结构并不构成对产品检测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及产品检测程序。

在图1所示的产品检测设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明产品检测设备中的处理器1001、存储器1005可以设置在产品检测设备中，产品检测设备通过处理器1001调用存储器1005中存储的产品检测程序，并执行本发明实施例提供的产品检测方法。

本发明实施例提供了一种产品检测方法，参照图2，图2为本发明产品检测方法第一实施例的流程示意图。

本实施例中，产品检测方法包括以下步骤：

步骤S1：确定初始训练数据集中各类别样本数据的样本筛选率，并将初始训练数据集划分为噪声子集和无噪子集。

需要说明的是，本实施例的执行主体可以是一种具有数据处理、网络通信以及程序运行功能的计算服务设备，例如平板电脑、个人电脑、手机等，或者是一种能够实现上述功能的电子设备、产品检测设备等。以下以产品检测设备(简称检测设备)为例，对本实施例及下述各实施例进行说明。

可以理解的是，初始训练数据集可以是用于训练分类模型的数据集，初始训练数据集中包含各类别的样本数据，初始训练数据集中的数据可以是图片数据；初始训练数据集中样本数据的类别包括噪声样本、困难样本和简单样本，困难样本可以是样本数量少的样本，简单样本可以是样本数量多的样本，例如总共有1万张图片，其中9900张图片为同一类型，另外100张为另一类型，则该9900张图片的样本可称为简单样本，100张图片的样本可称为困难样本；噪声子集可以是噪声样本构成的数据集，无噪子集中包括困难样本数据和简单样本数据。

需要说明的是，样本筛选率可以是对初始训练数据集中各类别样本数据在训练过程中的采样频率；例如困难样本对应的样本筛选率大于简单样本对应的样本筛选率，在对分类模型进行训练的过程中，由于简单样本数量大，可能存在对简单样本过采样的问题，导致无法保证对困难样本进行较好的训练，使得训练获得的分类模型性能较差，本实施例引入样本筛选率，能够防止对简单样本过采样，而且能够对困难样本进行较好的训练，并且对噪声样本具有一定的鲁棒性。

步骤S2：根据噪声子集和无噪子集确定对比损失函数，并根据对比损失函数对预训练分类模型的损失函数进行更新。

在本实施例中，对比损失函数可以是用来度量噪声子集和无噪子集划分准确度的函数，引入对比学习的思想，可将噪声子集和无噪子集送入特征提取器后再通过一个映射层，把同类之间的样本数据两两计算余弦相似度，以余弦相似度为核心确定对比损失函数；预训练分类模型可以是经过初步训练获得的分类模型；根据对比损失函数对预训练分类模型的损失函数进行更新可以是在预训练分类模型的损失函数的基础上，加入对比损失函数作为预训练分类模型最终的损失函数。

步骤S3：根据样本筛选率在噪声子集和无噪子集中采集训练样本数据。

可以理解的是，训练样本数据可以是被输入至分类模型对分类模型进行训练的样本数据。

步骤S4：通过训练样本数据对更新损失函数后的预训练分类模型进行训练，获得分类模型。

可以理解的是，训练结束的条件包括损失函数小于预设损失阈值、迭代次数达到预设次数和模型准确率大于预设准确率等。

步骤S5：将待检测产品的产品数据输入分类模型，获得待检测产品的产品类别。

在具体实施中，检测设备确定初始训练数据集中各类别样本数据的数据类型，并将初始训练数据集划分为噪声子集和无噪子集，将噪声子集和无噪子集送入特征提取器后再通过一个映射层，把同类之间的样本数据两两计算余弦相似度，以余弦相似度为核心确定对比损失函数，将对比损失函数加入预训练分类模型的损失函数，以更新预训练分类模型的损失函数，根据样本筛选率在噪声子集和无噪子集中采集训练样本数据，通过训练样本数据对预训练分类模型进行训练，并在预训练分类模型满足预设条件时，获得分类模型，将待检测产品的产品数据输入该分类模型，获得分类模型输出的产品类别。

进一步地，为了提高数据集划分的准确度，步骤S1，包括：

步骤S11：通过初始训练数据集训练初始分类模型，并根据训练过程中初始分类模型输出的产品类别概率确定初始训练数据集中各类别样本数据的样本筛选率。

可以理解的是，初始分类模型可以是通过初始训练数据集对初始卷积神经网络进行训练，并在满足预设条件时，获得初始分类模型。

在本实施例中，根据初始分类模型输出的产品类别概率和样本数据的样本标签确定样本遗忘率，根据样本遗忘率确定各类别样本数据的样本筛选率。

步骤S12：根据样本筛选率将初始训练数据集划分为噪声子集和无噪子集。

进一步地，为了提高分类模型的准确度，步骤S11之前，还包括：将初始训练数据集输入初始卷积神经网络；根据初始卷积神经网络输出的各样本数据的概率预测值、预设散度公式和各样本数据的标签值确定第一损失函数；根据第一损失函数更新初始卷积神经网络的损失函数，并通过初始训练数据集对更新损失函数后的初始神经网络进行训练；在初始神经网络满足预设条件时，获得预训练分类模型；根据第一损失函数和预设调制因子确定第二损失函数，并根据第二损失函数更新预训练分类模型的损失函数，获得初始分类模型。

可以理解的是，样本数据可以是图片数据；预设散度公式可以是JS散度公式；预设调制因子可以预先设定的可以调整的常数。

在具体实施中，例如：初始训练数据集为

式中，KL(.)为Kullbac-Leibler散度，其次，引入预设调制因子γ把高置信度样本损失调小，降低模型对这类样本的关注(拟合)程度，但是仅引入预设调制因子来把高置信度样本损失调小无法解决正负样本的严重不平衡问题；进一步的，引入α平衡正负样本，解决正负样本的严重不平衡的问题，其中α和γ均为超参数，在模型输出的概率值大于预设概率值时，将概率值和标签值作为预设JS散度公式的参数，获得JS散度公式，对1与概率值求差值，并将预设调制因子作为该差值的幂数，获得幂函数，将JS散度公式与幂函数和α相乘后再取相反数，获得第一损失函数；在模型输出的概率值小于或等于预设概率值时，求1与α的差值，将概率值和标签值作为预设JS散度公式的参数，获得JS散度公式，将预设调制因子作为概率值的幂数，获得幂函数，将JS散度公式与幂函数和差值相乘后再取相反数，获得第一损失函数；综上，计算得到的第一损失函数可用公式2表示：

其中，q

d

公式3中的p

式中，p为网络输出的预测概率值，设置p

式中N为样本数据的总量，通过第二损失函数更新预训练分类模型的损失函数，并通过初始训练数据集对预训练分类模型进行训练，获得初始分类模型。

本实施例确定初始训练数据集中各类别样本数据的样本筛选率，并将初始训练数据集划分为噪声子集和无噪子集，并且在训练过程中根据模型的更新实时动态调整样本筛选率与训练子集的划分；根据噪声子集和无噪子集确定对比损失函数，并根据对比损失函数对预训练分类模型的损失函数进行更新；根据样本筛选率在噪声子集和无噪子集中采集训练样本数据；通过训练样本数据对更新损失函数后的预训练分类模型进行训练，获得分类模型；将待检测产品的产品数据输入分类模型，获得待检测产品的产品类别。本实施例将初始训练数据划分为噪声子集和无噪子集，根据样本筛选率进行采样，并通过采样训练数据对预训练分类模型进行训练，获得分类模型，将待检测产品的产品数据输入分类模型获得产品类别，解决了对模型训练的过程中会使模型对噪声样本产生记忆，而且存在对简单样本过采样，损害模型性能的技术问题，提高了产品检测准确度与对标注错误产生的噪声的鲁棒性。

参考图3，图3为本发明产品检测方法第二实施例的流程示意图。

基于上述第一实施例，在本实施例中，步骤S11包括：

步骤S111：通过初始训练数据对初始分类模型进行训练，并根据训练过程中初始分类模型输出的产品类别概率确定初始训练数据集中各类别样本数据的样本遗忘率。

在本实施例中，首先定义遗忘事件：样本在一定训练次数内能够正确分类，然而在之后会出现错误分类的情况，这样场景定义为一次遗忘；样本遗忘率可以是样本遗忘的次数与样本训练次数的比例，该比例越高则代表该样本越容易遗忘，样本遗忘率高的样本有更大概率为困难样本或噪声样本，对于这类样本所属的类别，应该相对应的提高采样率。

步骤S112：获取对初始分类模型训练过程中各样本数据的损失值。

可以理解的是，根据各样本数据的损失值可确定最小损失值和平均损失值，根据平均损失值和最小损失值，通过预设损失阈值计算公式可确定损失阈值，可将该损失阈值作为噪声数据检测的阈值。

步骤S113：根据样本遗忘率和损失值确定初始训练数据集中各类别样本数据的样本筛选率。

在本实施例中，根据样本遗忘率和损失值确定初始训练数据集中各类别样本数据的样本筛选率可以是：获取模型训练过程中各样本数据的损失值，根据各样本数据的损失值确定最大损失值、最小损失值和损失均值，根据最大损失值、最小损失值、损失均值和筛选因子确定损失阈值，根据样本遗忘率、各样本数据的损失值和损失阈值确定初始训练数据集中各类别样本数据的样本筛选率。

进一步地，为了在模型训练过程中避免对简单样本过采样的同时对困难样本进行较好的训练，并且使模型对噪声样本具有一定的鲁棒性，以提高分类模型的准确度，通过初始训练数据对初始分类模型进行训练，并根据训练过程中初始分类模型输出的产品类别概率确定初始训练数据集中各类别样本数据的样本遗忘率，包括：通过初始训练数据对初始分类模型进行迭代训练，并在训练的过程中获取初始分类模型输出的各样本数据的产品类别概率；根据初始训练数据集中各样本数据的样本标签和各样本数据的产品类别概率确定初始训练数据集中各类别样本数据的样本遗忘率。

在具体实施中，基于样本遗忘率设计噪声筛选率动态调整过程可以例如：通过初始训练数据对初始分类模型进行训练的过程中，统计模型输出的预测概率值，将预测概率值与样本数据的标签值进行对比，以确定该样本数据是否被遗忘，将样本遗忘的次数与对该类别样本的训练次数确定该类别样本的样本遗忘率，获取模型训练过程中各样本数据的损失值，根据各样本数据的损失值确定最大损失值、最小损失值和损失均值，在损失值大于或等于对应的概率密度分位数时，将损失均值设定为损失阈值；在损失值小于对应的概率密度分位数时，确定损失均值与最小损失值的损失差值，用损失差值除以筛选因子获得筛选损失差值，用损失均值减去筛选损失差值获得损失阈值；综上，可通过公式6来表征损失阈值的计算过程，公式6可表示为：

式中，d

其中，epoch为当前训练的轮数，epochs为总共训练的轮数，

式中，

其中，

本实施例通过初始训练数据对初始分类模型进行训练，并根据训练过程中初始分类模型输出的产品类别概率确定初始训练数据集中各类别样本数据的样本遗忘率；获取对初始分类模型训练过程中各样本数据的损失值；根据样本遗忘率和损失值确定初始训练数据集中各类别样本数据的样本筛选率。本实施例对样本进行遗忘记录，并在一次迭代训练后统计样本遗忘率，根据样本遗忘率确定样本筛选率，从而防止模型训练过程中对简单样本过采样，并且样本筛选率可以自动进行动态调整，提高了分类模型的准确率。

参考图4，图4为本发明产品检测方法第三实施例的流程示意图。

基于上述各实施例，在本实施例中，步骤S2，包括：

步骤S21：对无噪子集中的训练数据进行数据增强处理，获得至少两个增强无噪子集。

在本实施例中，划分好噪声子集和无噪子集后，为了评估分类器的性能，设计对比学习的流程对噪声子集和无噪子集进行处理，对比学习的总体思路为不使用样本标签，使用图片本身特征计算相似度的输出两两对比损失函数，本实施例最大化无噪样本同类相似度，最小化噪声样本与其噪声标签类别样本的相似度，并将该损失作为正则化更新网络参数。

需要说明的是，数据增强处理包括对样本图片进行翻转处理、对样本图片进行随机裁剪处理、对样本图片进行色彩增强等；每对无噪子集中的训练数据进行一次数据增强处理，即可获得一个对应的增强无噪子集。

进一步地，为了评估分类器的性能，对无噪子集中的训练数据进行数据增强处理，获得至少两个增强无噪子集，包括：对无噪子集中的训练数据进行水平翻转处理，获得第一增强无噪子集；对无噪子集中的训练数据进行随机裁剪，获得第二增强无噪子集。

步骤S22：将至少两个增强无噪子集中的数据依次输入特征提取器和特征映射层，获得各增强无噪子集对应的无噪数据特征向量集合；

步骤S23：根据各增强无噪子集对应的特征向量集合确定第一对比损失函数；

步骤S24：将噪声子集中的数据依次输入至特征提取器和特征映射层，获得噪声子集对应的噪声数据特征向量集合；

步骤S25：根据噪声数据特征向量集合确定第二对比损失函数；

步骤S26：根据第二损失函数、第一对比损失函数和第二对比损失函数更新预训练分类模型的损失函数。

在具体实施中，例如：对无噪子集D

z

由此可得到该类别的prototype计算方式为：

计算得到相似度约束后，记录该值可确定第一对比损失函数：

将噪声子集D

式中，B代表一个批次(batch)的数据，

在确定预训练模型的损失函数时，引入比例因子λ

L＝λ

式中，λ

本实施例引入对比学习的思想，将划分好的噪声子集和无噪子集送入特征提取器后再通过特征映射层，把同类之间的样本两两计算余弦相似度，根据预先相似度确定对比损失函数，并根据对比损失函数更新预训练分类模型的损失函数，能够提高模型的训练精度。

此外，本发明实施例还提出一种存储介质，存储介质上存储有产品检测程序，产品检测程序被处理器执行时实现如上文的产品检测方法的步骤。

参照图5，图5为本发明产品检测装置第一实施例的结构框图。

如图5所示，本发明实施例提出的产品检测装置包括：

确定模块10，用于确定初始训练数据集中各类别样本数据的样本筛选率，并将初始训练数据集划分为噪声子集和无噪子集；

更新模块20，用于根据噪声子集和无噪子集确定对比损失函数，并根据对比损失函数对预训练分类模型的损失函数进行更新；

采样模块30，用于根据样本筛选率在噪声子集和无噪子集中采集训练样本数据；

训练模块40，用于通过训练样本数据对更新损失函数后的预训练分类模型进行训练，获得分类模型；

检测模块50，用于将待检测产品的产品数据输入分类模型，获得待检测产品的产品类别。

本实施例确定初始训练数据集中各类别样本数据的样本筛选率，并将初始训练数据集划分为噪声子集和无噪子集，并且在训练过程中根据模型的更新实时动态调整样本筛选率与训练子集的划分；根据噪声子集和无噪子集确定对比损失函数，并根据对比损失函数对预训练分类模型的损失函数进行更新；根据样本筛选率在噪声子集和无噪子集中采集训练样本数据；通过训练样本数据对更新损失函数后的预训练分类模型进行训练，获得分类模型；将待检测产品的产品数据输入分类模型，获得待检测产品的产品类别。本实施例将初始训练数据划分为噪声子集和无噪子集，根据样本筛选率进行采样，并通过采样训练数据对预训练分类模型进行训练，获得分类模型，将待检测产品的产品数据输入分类模型获得产品类别，解决了对模型训练的过程中会使模型对噪声样本产生记忆，而且存在对简单样本过采样，损害模型性能的技术问题，提高了产品检测准确度与对标注错误产生的噪声的鲁棒性。

基于本发明上述产品检测装置第一实施例，提出本发明产品检测装置的第二实施例。

在本实施例中，确定模块10，还用于通过初始训练数据集训练初始分类模型，并根据训练过程中初始分类模型输出的产品类别概率确定初始训练数据集中各类别样本数据的样本筛选率；根据样本筛选率将初始训练数据集划分为噪声子集和无噪子集。

确定模块10，还用于将初始训练数据集输入初始卷积神经网络；根据初始卷积神经网络输出的各样本数据的概率预测值、预设散度公式和各样本数据的标签值确定第一损失函数；根据第一损失函数更新初始卷积神经网络的损失函数，并通过初始训练数据集对更新损失函数后的初始神经网络进行训练；

在初始神经网络满足预设条件时，获得预训练分类模型；根据第一损失函数和预设调制因子确定第二损失函数，并根据第二损失函数更新预训练分类模型的损失函数，获得初始分类模型。

确定模块10，还用于通过初始训练数据对初始分类模型进行训练，并根据训练过程中初始分类模型输出的产品类别概率确定初始训练数据集中各类别样本数据的样本遗忘率；获取对初始分类模型训练过程中各样本数据的损失值；根据样本遗忘率和损失值确定初始训练数据集中各类别样本数据的样本筛选率。

确定模块10，还用于通过初始训练数据对初始分类模型进行迭代训练，并在训练的过程中获取初始分类模型输出的各样本数据的产品类别概率；根据初始训练数据集中各样本数据的样本标签和各样本数据的产品类别概率确定初始训练数据集中各类别样本数据的样本遗忘率。

更新模块20，还用于对无噪子集中的训练数据进行数据增强处理，获得至少两个增强无噪子集；将至少两个增强无噪子集中的数据依次输入特征提取器和特征映射层，获得各增强无噪子集对应的无噪数据特征向量集合；根据各增强无噪子集对应的特征向量集合确定第一对比损失函数；将噪声子集中的数据依次输入至特征提取器和特征映射层，获得噪声子集对应的噪声数据特征向量集合；根据噪声数据特征向量集合确定第二对比损失函数；根据第二损失函数、第一对比损失函数和第二对比损失函数更新预训练分类模型的损失函数。

更新模块20，还用于对无噪子集中的训练数据进行水平翻转处理，获得第一增强无噪子集；对无噪子集中的训练数据进行随机裁剪，获得第二增强无噪子集。

本发明产品检测装置的其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器/随机存取存储器、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。