基于ResNet50和迁移学习的竹片缺陷检测方法、装置及设备

基于resnet50和迁移学习的竹片缺陷检测方法、装置及设备
技术领域
1.本发明涉及竹片缺陷检测技术领域，特别涉及一种基于resnet50和迁移学习的竹片缺陷检测方法、装置及设备。


背景技术：

2.中国地域广阔，有着世界上最丰富的竹类资源，无轮是种类、面积还是积蓄量，都居世界前列，素有“竹子王国”的美誉。随着竹制品的不断生产和科学技术的发展，对竹片缺陷检测精度的要求越来越高。然而，竹子的缺陷在不同的季节不同的天气下都表现出不同的形式，当前工业生产过程当中不可避免竹片会出现竹节、破损、嫩竹、虫洞等问题，为提高产品质量，企业以人工筛选的方式对竹片进行检测和分类，耗费大量的人力、物力和财力，准确度和效率都较低。
3.随着科技的发展和进步竹片缺陷检测方法也在迭代更新，其中成像技术是早期竹片缺陷检测中比较常用的一种方法。该方法可通过使用普通相机对竹片进行拍摄，然后对拍摄得到的图像进行处理和分析，该方法相比人工肉眼观察速度较快，但是它不能够发现深度内部的瑕疵和缺陷；透射成像技术，利用透射成像技术对竹片进行成像，将竹片放在一定的距离上，用低功率x射线或光线穿透竹片，再将信号变换为清晰的图像。这种方法适用于检测难以表面检测的内部缺陷和瑕疵。上述方法所得数据难以分析，检测出来的大量数据需要进行分析和处理，需要专业的数据分析人员才能进行有效的分析和判断；时间较为繁琐，检测一根竹片需要的检测时间较长，导致生产效率低下，无法满足大规模生产的需求。


技术实现要素：

4.为了解决上述技术问题，本发明针对于竹片机器人分拣系统中竹片缺陷检测问题进行了研究，主要应用卷积神经网络技术，能够有效处理竹片表面瑕疵和复杂背景情况下的竹片筛选分类，本发明同时结合了迁移学习技术，可以利用预训练模型的已训练层，不需要重新训练整个模型，从而减少模型训练所需的计算资源。并且对不同品种和工艺制作的竹片识别适应性强，改善了传统方法需要频繁调整参数的缺点。
5.根据本发明的第一方面，本发明提供了一种基于resnet50和迁移学习的竹片缺陷检测方法，包括以下步骤：
6.收集不同种类的竹片图像，并进行预处理；
7.将预处理后的竹片图像分为不同的类别，并分别存储在不同的文件夹中，形成训练集、验证集和测试集；
8.采用resnet50模型作为基础网络，并利用训练集、验证集和测试集合成的初始数据集对基础网络进行预训练，得到预训练好的resnet50模型；
9.在预训练好的resnet50模型的基础上，通过在新的竹片缺陷检测任务数据集上继续进行训练，调整模型的权重，得到微调后的resnet50模型；
10.将待测竹片图像输入到微调后的resnet50模型中，自动进行缺陷检测，得到竹片缺陷检测结果。
11.进一步地，所述不同种类的竹片图像包括正常竹片和有缺陷的竹片。
12.进一步地，收集的不同种类的竹片图像中，竹片占比大于四分之三。
13.进一步地，所述预处理包括：图像缩放、裁剪、旋转、翻转、白平衡。
14.进一步地，在将预处理后的竹片图像分为不同的类别之后，还包括：数据增强处理：随机旋转、缩放、翻转、裁剪、填充、亮度、对比度、噪声。
15.进一步地，所述预处理包括：
16.采用otsu算法进行二值化使竹片与背景分离，突出竹片边缘，再采用仿射变换方法对图像进行调整，避免过多背景因素及噪声的干扰。
17.进一步地，所述resnet50模型是由残差块构建的，resnet50模型的网络结构包含49个卷积层及一个全连接层，分为六个模块，第一个模块包括1个7*7的卷积，后面跟着一个最大池化层，第二、三、四、五模块分别包含3、4、6、3个残差块，在第五模块的输出特征图上使用全局池化，并输入全连接层。
18.根据本发明的第二方面，本发明提供了一种基于resnet50和迁移学习的竹片缺陷检测装置，用于实现所述的竹片缺陷检测方法，包括以下模块：
19.预处理模块，用于收集不同种类的竹片图像，并进行预处理；
20.数据集构建模块，用于将预处理后的竹片图像分为不同的类别，并分别存储在不同的文件夹中，形成训练集、验证集和测试集；
21.预训练模块，用于采用resnet50模型作为基础网络，并利用训练集、验证集和测试集合成的初始数据集对基础网络进行预训练，得到预训练好的resnet50模型；
22.微调模块，用于在预训练好的resnet50模型的基础上，通过在新的竹片缺陷检测任务数据集上继续进行训练，调整模型的权重，得到微调后的resnet50模型；
23.检测模块，用于将待测竹片图像输入到微调后的resnet50模型中，自动进行缺陷检测，得到竹片缺陷检测结果。
24.根据本发明的第三方面，本发明提供了一种电子设备，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计算机程序，所述处理器执行所述程序时实现所述的竹片缺陷检测方法的步骤。
25.根据本发明的第四方面，本发明提供了一种存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现所述的竹片缺陷检测方法的步骤。
26.本发明提供的技术方案具有以下有益效果：
27.本发明采用卷积神经网络技术中的resnet50网络，能够有效处理竹片表面瑕疵和复杂背景情况下的竹片筛选分类，本发明同时结合了迁移学习技术，可以利用预训练模型的已训练层，不需要重新训练整个模型，从而减少模型训练所需的计算资源。并且对不同品种和工艺制作的竹片识别适应性强，改善了传统方法需要频繁调整参数的缺点。
附图说明
28.下面将结合附图及实施例对本发明作进一步说明，附图中：
29.图1为本发明一种基于resnet50和迁移学习的竹片缺陷检测方法的总体流程图；
30.图2为resnet50模型中的残差块单元的结构图；
31.图3为resnet50模型的竹片缺陷检测效果图；
32.图4为本发明微调后的resnet50模型的竹片缺陷检测效果图；
33.图5为本发明一种基于resnet50和迁移学习的竹片缺陷检测装置的结构示意图；
34.图6为本发明一种电子设备的结构示意图。
具体实施方式
35.为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
36.本发明实施例提供了一种基于resnet50和迁移学习的竹片缺陷检测方法。其核心思想是在已经预训练好的基础网络中，针对新任务进行微调从而获得更好的泛化性、训练效率和准确度。首先，通过对竹片进行图像采集并分析，然后对采集到的图片进行图像预处理，即灰度化和降噪；其次，建立数据集，将数据集分为训练集、验证集和测试集；通过cnn算法进行缺陷检测，针对数据集图片数量以及缺陷检测要求构建合适的训练模型，本发明应用的是resnet50模型进行图像分类，分别找到竹片中的ok和ng；通过调用后台训练好的检测模型对竹片进行缺陷检测。
37.参考图1，本发明实施例提供了一种基于resnet50和迁移学习的竹片缺陷检测方法，包括以下步骤：
38.s1：收集不同种类的竹片图像，并进行预处理；
39.s2：将预处理后的竹片图像分为不同的类别，并分别存储在不同的文件夹中，形成训练集、验证集和测试集；
40.s3：采用resnet50模型作为基础网络，并利用训练集、验证集和测试集合成的初始数据集对基础网络进行预训练，得到预训练好的resnet50模型；
41.s4：在预训练好的resnet50模型的基础上，通过在新的竹片缺陷检测任务数据集上继续进行训练，调整模型的权重，得到微调后的resnet50模型；
42.s5：将待测竹片图像输入到微调后的resnet50模型中，自动进行缺陷检测，得到竹片缺陷检测结果。
43.基于但不限于上述方法，步骤s1和s2的具体实现过程如下：
44.收集不同种类的竹片图像，包括正常竹片和有缺陷的竹片。对于每个竹片图像，首先需要进行预处理，如图像缩放、裁剪、旋转、翻转、白平衡等。接下来，根据竹片图像的不同类型，将其分为不同的类别，并将其分别存储在不同的文件夹中，形成训练集、验证集和测试集。对于每个类别的图像，可以使用数据增强技术来扩增数据集，以提高模型的鲁棒性和泛化性能。常用的数据增强技术包括：随机旋转、缩放、翻转、裁剪、填充、亮度、对比度、噪声等。本发明采用了基于otsu算法的竹片样本预处理方法，otsu(大津法)算法是一种确定图像二值化分割阈值的算法，由日本学者大津于1979年提出。从大津法的原理上来讲，该方法又称作最大类间方差法，因为按照大津法求得的阈值进行图像二值化分割后，前景与背景图像的类间方差最大。
45.otsu算法是图像分割中阈值选取的最佳算法，计算简单，不受图像亮度和对比度的影响，因此在数字图像处理上得到了广泛的应用。它是按图像的灰度特性，将图像分成背
景和前景两部分。因方差是灰度分布均匀性的一种度量，背景和前景之间的类间方差越大,说明构成图像的两部分的差别越大，当部分前景错分为背景或部分背景错分为前景都会导致两部分差别变小。因此，使类间方差最大的分割意味着错分概率最小。
46.otsu算法是假设存在阈值th将图像所有像素分为两类c1(小于th)和c2(大于th)，则这两类像素各自的均值为m1、m2，图像全局均值为mg。同时像素被分为c1和c2类的概率分别为p1(k)、p2(k)，k为灰度级。因此就有：
47.p1(k)*m1+p2(k)*m2＝mg (1)
48.p1(k)+p2(k)＝1 (2)
49.根据方差的概念，类方差σ2表达式为：
50.σ2＝p1(k)(m
1-mg)2+p2(k)(m
2-mg)
2 (3)
51.把上式化简，将式(1)代入式(3)，可得：
52.σ2＝p1(k)p2(k)(m
1-m2)
2 (4)
53.其中：
[0054][0055][0056][0057]
灰度级k的累加值m和图像全局均值mg分别为：
[0058][0059][0060]
则m1和m2可以写成下列形式：
[0061][0062][0063]
最终可以得到类间方差公式：
[0064][0065]
最终根据式(5)，式(8)和式(9)求能使得上式(12)最大化的灰度级k就是otsu阈值。
[0066]
本发明实施例中，采集到的竹片图像样本是长方形，且由于应力作用会存在一定的自然挠度导致竹片不是垂直于图像。为了保证竹片区域在图中的占比以及缺陷检测准确率，需要采取合适的竹片样本预处理方法，消除复杂背景的干扰，增强样本数据，丰富缺陷样本的特征多样性。针对上述问题，本发明减少了竹片拍摄长度，确保竹片占比大于四分之
三，并且采用otsu算法进行二值化使竹片与背景分离，突出竹片边缘，再采用仿射变换方法对图像进行调整，避免过多背景因素及噪声的干扰。
[0067]
基于但不限于上述方法，步骤s3的具体实现过程如下：
[0068]
采用了深度学习模型中的resnet50作为基础网络，并利用大规模图像数据集(如imagenet)对其进行预训练，从而获得一个较好的基础特征抽取器，并避免从头开始训练新模型，提高了模型的训练效率和准确度。
[0069]
resnet50模型是由残差块构建的，层数越多，网络结构越复杂，针对增加网络的层数之后，训练误差降低的问题，残差网络应运而生。resnet50模型的网络结构包含49个卷积层及一个全连接层，可划分为六个模块。第一个模块包括1个7*7的卷积，后面跟着一个最大池化层，第二、三、四、五模块分别包含3、4、6、3个残差块，最后在第五模块的输出特征图上使用全局池化，并输入全连接层。
[0070]
resnet50模型是以现有的训练网络作为基础而提出的一类拥有易优化、计算负担轻等特点的残差学习框架。resnet50有2个基本的块，分别名为conv block和identity block，其中conv block作用是改变网络的维度，identity block是用于加深网络的。残差学习的单元图如图2所示，对于一个堆积层结构(几层堆积而成)当输入为x时其学习到的特征记为h(x)，可以学习到残差f(x)＝h(x)-x，原始的学习特征是f(x)+x。当残差为0时，此时堆积层仅仅做了恒等映射，网络性能不会下降，实际上残差不会为0，使得堆积层在输入特征基础上学习到新的特征，从而拥有更好的性能。
[0071]
基于但不限于上述方法，步骤s4的具体实现过程如下：
[0072]
微调(fine-tuning)是迁移学习中一种常用的技术，即在预训练好的resnet50模型的基础上，通过在新的任务数据集上继续进行训练，调整模型的权重，以适应新的任务。这种方法通常可以大大节省训练时间，同时提高新模型的性能。微调通常发生在顶部几层或某些重要的层，旨在定制模型以完成特定的任务。
[0073]
本发明实施例中针对竹片缺陷检测任务，在预训练好的resnet50模型基础上进行微调，以适合于竹片图像的检测问题。具体来说，本发明中采用全连接层的形式来让模型在一个小的竹片图像数据集上进行再学习，通过调整网络结构，节点数等方式进一步加强特征表示和性能表现。
[0074]
基于但不限于上述方法，步骤s5的具体实现过程如下：
[0075]
当生产线生成新的竹片图像时，通过将待检测的竹片图像输入到已经微调好的resnet50模型中，让模型自动进行缺陷检测，准确识别和分类出筷子图像中的各种缺陷，如长度不一、表面有瑕疵等。
[0076]
传统的深度学习方法需要在大量的竹片数据集上进行训练才能得到一个准确的模型，而引入迁移学习可以利用预训练的模型在相关领域数据集上进行训练，从而加速模型训练的过程。本发明引入迁移学习，不仅可以提升模型在训练集上的表现，还可以提高模型在测试集上的表现，从而增强模型的泛化性能。
[0077]
本发明实施过程中的关键点主要在于以下几点：
[0078]
1、数据处理和采集阶段，在竹片图像数据采集过程中，数据的获取可能有限或成本较高，数据增强可以通过操作来扩展数据集，使得模型在有限的数据情况下也能够学习到更多的特征，从而达到更好的效果。本发明对采集的图片进行旋转、平移、添加噪音等方
式，以增加数据集的多样性，对各种不同季节范围内的竹片缺陷进行模拟，扩展数据集，提高模型泛化能力，使得模型在新数据上有更好的表现。
[0079]
2、图像预处理阶段，针对竹片的特点，采用了otsu算法进行二值化使竹片与背景分离，突出竹片边缘，避免过多噪声干扰。该算法计算简单，不受图像亮度和对比度的影响，使类间方差最大的分割意味着错分概率最小。在一定程度上保证了后期缺陷检测的准确率。
[0080]
3、考虑竹片图片数据的有限性以及每个季节竹片样本的不同，将迁移学习引入到resnet50模型当中，从预训练好的resnet50模型中迁移过来的权重已经包含了在大量数据集上训练得到的重要特征。迁移学习将这些模型的先验知识应用到竹片缺陷检测中，可以更好地处理季节变化，使得最终模型适合于竹片图像的缺陷检测问题，自适应性强，减小过拟合现象。
[0081]
本发明的核心在于找到检测准确率高，误判少且性能优的训练模型，针对以上要求，本实施例中分别模拟了resnet50模型训练过程以及结合迁移学习微调后的模型训练过程。resnet50模型的训练精度和验证精度如图3所示，resnet50模型结合迁移学习微调后的模型的训练精度和验证精度如图4所示，图3、图4中横坐标表示迭代次数(epoch number)，纵坐标表示精度(accuracy)，图标表示训练精度(tr accuracy)和验证精度(val accuracy)。
[0082]
从图3、图4可以看出，resnet50模型训练精度经过30轮训练之后在60％左右，验证精度达到70％以上，然而微调后的模型在迭代30轮之后训练精度达到了90％以上，验证精度最终趋近于训练精度。综上可以看出，本发明利用深度学习resnet50模型和迁移学习的技术优势，在已有的图像数据和神经网络结构上进行改进和优化，从而提高了检测精度和准确率。与传统方法、其他深度学习方法相比，此方法通过在基础网络上微调新数据的方式，避免了从头开始训练新模型，缩短了训练时间、提高了训练效率和泛化能力，同时保证了对新任务的适用性和鲁棒性。
[0083]
下面对本发明提供的一种基于resnet50和迁移学习的竹片缺陷检测装置进行描述，下文描述的竹片缺陷检测装置与上文描述的竹片缺陷检测方法可相互对应参照。
[0084]
如图5所示，一种基于resnet50和迁移学习的竹片缺陷检测装置，包括以下模块：
[0085]
预处理模块510，用于收集不同种类的竹片图像，并进行预处理；
[0086]
数据集构建模块520，用于将预处理后的竹片图像分为不同的类别，并分别存储在不同的文件夹中，形成训练集、验证集和测试集；
[0087]
预训练模块530，用于采用resnet50模型作为基础网络，并利用训练集、验证集和测试集合成的初始数据集对基础网络进行预训练，得到预训练好的resnet50模型；
[0088]
微调模块540，用于在预训练好的resnet50模型的基础上，通过在新的竹片缺陷检测任务数据集上继续进行训练，调整模型的权重，得到微调后的resnet50模型；
[0089]
检测模块550，用于将待测竹片图像输入到微调后的resnet50模型中，自动进行缺陷检测，得到竹片缺陷检测结果。
[0090]
如图6所示，示例了一种电子设备的实体结构示意图，该电子设备可以包括：处理器(processor)610、通信接口(communications interface)620、存储器(memory)630和通信总线640，其中，处理器610、通信接口620、存储器630通过通信总线640完成相互间的通
信。处理器610可以调用存储器630中的逻辑指令，以执行上述竹片缺陷检测方法的步骤，具体包括：收集不同种类的竹片图像，并进行预处理；将预处理后的竹片图像分为不同的类别，并分别存储在不同的文件夹中，形成训练集、验证集和测试集；采用resnet50模型作为基础网络，并利用训练集、验证集和测试集合成的初始数据集对基础网络进行预训练，得到预训练好的resnet50模型；在预训练好的resnet50模型的基础上，通过在新的竹片缺陷检测任务数据集上继续进行训练，调整模型的权重，得到微调后的resnet50模型；将待测竹片图像输入到微调后的resnet50模型中，自动进行缺陷检测，得到竹片缺陷检测结果。
[0091]
此外，上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案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中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random15 access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0092]
又一方面，本发明实施例还提供了一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述竹片缺陷检测方法的步骤，具体包括：收集不同种类的竹片图像，并进行预处理；将预处理后的竹片图像分为不同的类别，并分别存储在不同的文件夹中，形成训练集、验证集和测试集；采用resnet50模型作为基础网络，并利用训练集、验证集和测试集合成的初始数据集对基础网络进行预训练，得到预训练好的resnet50模型；在预训练好的resnet50模型的基础上，通过在新的竹片缺陷检测任务数据集上继续进行训练，调整模型的权重，得到微调后的resnet50模型；将待测竹片图像输入到微调后的resnet50模型中，自动进行缺陷检测，得到竹片缺陷检测结果。
[0093]
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。
[0094]
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。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序，可将这些词语解释为标识。
[0095]
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。

技术特征：
1.一种基于resnet50和迁移学习的竹片缺陷检测方法，其特征在于，包括以下步骤：收集不同种类的竹片图像，并进行预处理；将预处理后的竹片图像分为不同的类别，并分别存储在不同的文件夹中，形成训练集、验证集和测试集；采用resnet50模型作为基础网络，并利用训练集、验证集和测试集合成的初始数据集对基础网络进行预训练，得到预训练好的resnet50模型；在预训练好的resnet50模型的基础上，通过在新的竹片缺陷检测任务数据集上继续进行训练，调整模型的权重，得到微调后的resnet50模型；将待测竹片图像输入到微调后的resnet50模型中，自动进行缺陷检测，得到竹片缺陷检测结果。2.根据权利要求1所述的竹片缺陷检测方法，其特征在于，所述不同种类的竹片图像包括正常竹片和有缺陷的竹片。3.根据权利要求1所述的竹片缺陷检测方法，其特征在于，收集的不同种类的竹片图像中，竹片占比大于四分之三。4.根据权利要求1所述的竹片缺陷检测方法，其特征在于，所述预处理包括：图像缩放、裁剪、旋转、翻转、白平衡。5.根据权利要求1所述的竹片缺陷检测方法，其特征在于，在将预处理后的竹片图像分为不同的类别之后，还包括：数据增强处理：随机旋转、缩放、翻转、裁剪、填充、亮度、对比度、噪声。6.根据权利要求1所述的竹片缺陷检测方法，其特征在于，所述预处理包括：采用otsu算法进行二值化使竹片与背景分离，突出竹片边缘，再采用仿射变换方法对图像进行调整，避免过多背景因素及噪声的干扰。7.根据权利要求1所述的竹片缺陷检测方法，其特征在于，所述resnet50模型是由残差块构建的，resnet50模型的网络结构包含49个卷积层及一个全连接层，分为六个模块，第一个模块包括1个7*7的卷积，后面跟着一个最大池化层，第二、三、四、五模块分别包含3、4、6、3个残差块，在第五模块的输出特征图上使用全局池化，并输入全连接层。8.一种基于resnet50和迁移学习的竹片缺陷检测方法，用于实现权利要求1-7任一项所述的竹片缺陷检测方法，其特征在于，包括以下模块：预处理模块，用于收集不同种类的竹片图像，并进行预处理；数据集构建模块，用于将预处理后的竹片图像分为不同的类别，并分别存储在不同的文件夹中，形成训练集、验证集和测试集；预训练模块，用于采用resnet50模型作为基础网络，并利用训练集、验证集和测试集合成的初始数据集对基础网络进行预训练，得到预训练好的resnet50模型；微调模块，用于在预训练好的resnet50模型的基础上，通过在新的竹片缺陷检测任务数据集上继续进行训练，调整模型的权重，得到微调后的resnet50模型；检测模块，用于将待测竹片图像输入到微调后的resnet50模型中，自动进行缺陷检测，得到竹片缺陷检测结果。9.一种电子设备，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计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的竹片
缺陷检测方法的步骤。10.一种存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-7中任一项所述的竹片缺陷检测方法的步骤。

技术总结
本发明公开了一种基于ResNet50和迁移学习的竹片缺陷检测方法、装置及设备，包括：收集不同种类的竹片图像，并进行预处理；将预处理后的竹片图像分为不同的类别，并分别存储在不同的文件夹中，形成训练集、验证集和测试集；采用ResNet50模型作为基础网络，利用训练集、验证集和测试集合成的初始数据集对基础网络进行预训练，得到预训练好的ResNet50模型；在此基础上，通过在新的竹片缺陷检测任务数据集上继续进行训练，调整模型的权重，得到微调后的ResNet50模型；通过微调后的ResNet50模型自动进行竹片缺陷检测。本发明通过在基础网络上微调新数据的方式，避免了从头开始训练新模型，缩短了训练时间、提高了训练效率和泛化能力，同时保证了对新任务的适用性和鲁棒性。同时保证了对新任务的适用性和鲁棒性。同时保证了对新任务的适用性和鲁棒性。


技术研发人员：郑世祺 常青 邓宇书 唐小琦
受保护的技术使用者：中国地质大学（武汉）
技术研发日：2023.07.24
技术公布日：2023/10/7