CN110674831B - 一种数据处理方法、装置及计算机可读存储介质 - Google Patents
一种数据处理方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN110674831B CN110674831B CN201810614602.4A CN201810614602A CN110674831B CN 110674831 B CN110674831 B CN 110674831B CN 201810614602 A CN201810614602 A CN 201810614602A CN 110674831 B CN110674831 B CN 110674831B
- Authority
- CN
- China
- Prior art keywords
- data
- model
- group
- panel
- equipment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/01—Customer relationship services
- G06Q30/015—Providing customer assistance, e.g. assisting a customer within a business location or via helpdesk
- G06Q30/016—After-sales
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种数据处理方法，包括：获取设备的面板数据；利用所述面板数据，基于第一识别模型，得到所述面板数据所属的组别；所述第一识别模型是利用各训练数据，通过机器学习得到的；从预设的组别标识与识别模型的对应关系中，查找所述组别对应的第二识别模型；所述第二识别模型是利用相应组别对应的训练数据得到的；利用所述面板数据，基于所述第二识别模型，得到设备型号；所述设备型号用于供客户端显示对应的产品说明书。本发明还同时公开了一种数据处理装置以及计算机可读存储介质。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种数据处理方法、装置及计算机可读存储介质。
背景技术
目前，美的集团采用电子产品说明书替代传统的纸质产品说明书。当用户购买了美的家电设备后，可以通过终端查询对应的电子产品说明书。
但是，由于终端上可供查询的设备型号太多，可能造成用户无法方便快捷地找到自己购买的家电设备的电子产品说明书。
因此亟需找到一种通过识别设备型号以查找电子产品说明书的技术方案。
发明内容
有鉴于此，本发明实施例期望提供一种数据处理方法、装置及计算机可读存储介质，能够通过识别设备型号实现查找对应的电子产品说明书。
本发明实施例的技术方案是这样实现的：
本发明实施例提供一种数据处理方法，所述方法包括：
获取设备的面板数据；
利用所述面板数据，基于第一识别模型，得到所述面板数据所属的组别；所述第一识别模型是利用各训练数据，通过机器学习得到的；
从预设的组别标识与识别模型的对应关系中，查找所述组别对应的第二识别模型；所述第二识别模型是利用相应组别对应的训练数据得到的；
利用所述面板数据，基于所述第二识别模型，得到设备型号；所述设备型号用于供客户端显示对应的产品说明书。
上述方案中，所述从预设的组别标识与识别模型的对应关系中，查找所述组别对应的第二识别模型，包括：
从预设的组别标识与设备型号的对应关系中，确定所述组别对应的设备型号；
判断是否确定出至少两个设备型号；
如果确定出至少两个设备型号，则从预设的组别标识与识别模型的对应关系中，查找所述组别对应的第二识别模型。
上述方案中，所述方法还包括：
利用各训练数据，确定各训练数据之间的相似度；所述训练数据包括设备型号；
将所述相似度满足预设条件的训练数据组成一组，并分配组别标识；
利用各组别标识，以及各组训练数据中的设备型号，得到组别标识与设备型号的对应关系。
上述方案中，所述方法还包括：
利用特征数据，基于支持向量机SVM分类器，得到第一识别模型和/或第二识别模型；所述特征数据利用卷积神经网络的至少一个特征提取层对训练数据进行映射得到的。
上述方案中，所述方法还包括：
判断是否保存有训练数据对应的特征数据；
当确定未保存时，在卷积神经网络的输入层输入训练数据，在所述卷积神经网络的至少一层特征提取层对所述训练数据进行输入到输出的映射，得到所述特征数据；否则，获取保存的特征数据。
上述方案中，所述方法还包括：
向所述客户端发送所述设备型号；所述设备型号用于供所述客户端在显示界面显示并生成第一信息；所述第一信息用于指示所述设备型号是否与设备不符；
接收第一操作；
当所述第一操作指示所述设备型号与设备不符时，响应所述第一操作，利用所述面板数据，结合所述组别中的训练数据，对所述第二识别模型进行训练；
利用训练后的第二识别模型对所述组别对应的第二识别模型进行更新。
上述方案中，所述获取设备的面板数据，包括：
获取设备的面板图片；
利用所述面板图片，得到面板轮廓；
基于所述面板轮廓，生成面板层图片；
对所述面板层图片进行图像处理，得到面板数据。
本发明实施例提供一种数据处理装置，所述装置包括：
获取模块，用于获取设备的面板数据；
第一识别模块，用于利用所述面板数据，基于第一识别模型，得到所述面板数据所属的组别；所述第一识别模型是利用训练数据，通过机器学习得到的；
查找模块，用于从预设的组别标识与识别模型的对应关系中，查找所述组别对应的第二识别模型；所述第二识别模型是利用相应组别对应的训练数据得到的；
第二识别模块，用于利用所述面板数据，基于所述第二识别模型，得到设备型号；所述设备型号用于供客户端显示对应的产品说明书。
本发明实施例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上面所述任一种数据处理方法的步骤。
本发明实施例提供一种数据处理装置，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序；
其中，所述处理器用于运行所述计算机程序时，执行上面所述任一种数据处理方法的步骤。
本发明实施例提供的数据处理方法、装置及计算机可读存储介质，获取设备的面板数据；利用所述面板数据，基于第一识别模型，得到所述面板数据所属的组别；所述第一识别模型是利用训练数据，通过机器学习得到的；从预设的组别标识与识别模型的对应关系中，查找所述组别对应的第二识别模型；所述第二识别模型是利用相应组别对应的训练数据得到的；利用所述面板数据，基于所述第二识别模型，得到设备型号；所述设备型号用于供客户端显示对应的产品说明书。本发明实施例中，利用获取的设备的面板数据，基于分级的识别模型即第一识别模型和第二识别模型，得到设备型号，如此，不仅能够提高识别的准确率，而且能够供客户端显示对应所述设备型号的电子产品说明书。
附图说明
图1为相关技术中面板图片识别方法的实现流程示意图；
图2为本发明实施例数据处理方法的实现流程示意图；
图3为本发明实施例数据处理方法的具体实现流程示意图；
图4为本发明实施例训练识别模型的模块结构示意图；
图5为本发明实施例训练识别模型的具体实现流程示意图；
图6为本发明实施例数据处理装置的组成结构示意图一；
图7为本发明实施例数据处理装置的组成结构示意图二。
具体实施方式
相关技术中，通过训练的一个面板识别模型，对不同家电的面板图片进行识别，得到设备型号的识别结果，具体流程图如图1所示。
但是，由于家电类型太多、可用的家电面板图片数量太少，并且有各种类型的家电面板数据不均匀。如果将所有家电的面板数据只训练一个模型的话，模型识别出的结果准确率不能得到保证。
基于此，本发明实施例中，获取设备的面板数据；利用所述面板数据，基于第一识别模型，得到所述面板数据所属的组别；所述第一识别模型是利用训练数据，通过机器学习得到的；从预设的组别标识与识别模型的对应关系中，查找所述组别对应的第二识别模型；所述第二识别模型是利用相应组别对应的训练数据得到的；利用所述面板数据，基于所述第二识别模型，得到设备型号；所述设备型号用于供客户端显示对应的产品说明书。
为了能够更加详尽地了解本发明实施例的特点与技术内容，下面结合附图对本发明实施例的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本发明。
如图2所示，本发明实施例详细说明本发明实施例数据处理方法，所述方法应用于服务器侧，所述方法包括以下步骤：
步骤201：获取设备的面板数据。
这里，面板数据可以是与设备控制面板上显示的信息相关的图片数据。
在一实施例中，所述获取设备的面板数据，包括：获取设备的面板图片；利用所述面板图片，得到面板轮廓；基于所述面板轮廓，生成面板层图片；对所述面板层图片进行图像处理，得到面板数据。
实际应用时，可以利用opencv-python对所述面板图片进行面板轮廓提取，以去除所述面板图片中面板以外的图片数据。还可以利用预先训练的面板检测模型，检测出所述面板图片中面板的位置，从而去掉所述面板图片中面板位置以外的图片数据。
步骤202：利用所述面板数据，基于第一识别模型，得到所述面板数据所属的组别；所述第一识别模型是利用各组训练数据，通过机器学习得到的。其中，机器学习可以包括深度学习，比如卷积神经网络。
为了避免利用同一个识别模型对不同设备的面板数据进行设备型号识别造成的准确率下降问题，可以利用第一识别模型先识别所述面板数据所属的组别。
这里，可以利用不同设备的面板图片，得到各训练数据；确定各训练数据之间的相似度；将所述相似度满足预设条件的训练数据组成一组，得到各组训练数据。所述训练数据可以包括设备型号及对应的面板数据。
得到各组训练数据之后，判断是否保存有各组训练数据对应的特征数据；当确定未保存时，在卷积神经网络的输入层输入各组训练数据，在所述卷积神经网络的至少一层特征提取层对所述各组训练数据进行输入到输出的映射，得到所述特征数据；否则，获取保存的特征数据。其中，所述特征提取层可以包括卷积层、池化层。
获取所述特征数据之后，利用所述特征数据，基于支持向量机(SVM，SupportVector Machine)分类器，得到第一识别模型。
实际应用时，可以利用深度学习的迁移学习特性，针对使用海量面板图片数据训练好的卷积神经网络(CNN，Convolution Neural Network)模型，利用tensorflow进行迁移学习，将CNN模型中用于传输数据的全连接(FC，FullyConnected)层去除后作为特征提取器，再通过训练SVM分类器，得到第一识别模型，可实现定制化的图片识别服务。
为了提高图片识别的准确率，可以对第一识别模型进行微调(fine-tune)，即重新调整卷积层中较高层的权重参数。原因是利用卷积神经网络的卷积层中越低的层提取的图片特征信息越局部(local)，即图片特征信息表征图片的角点、边缘信息，利用卷积层中越高的层提取的图片特征信息越全面(global)，即图片特征信息表征图片本身的信息。
步骤203：从预设的组别标识与识别模型的对应关系中，查找所述组别对应的第二识别模型；所述第二识别模型是利用相应组别对应的训练数据得到的。
为了提高识别的精确率，可以利用相似度确定的每组训练数据分别训练，得到对应的第二识别模型。
在一实施例中，所述从预设的组别标识与识别模型的对应关系中，查找所述组别对应的第二识别模型，包括：从预设的组别标识与设备型号的对应关系中，确定所述组别对应的设备型号；判断是否确定出至少两个设备型号；如果确定出至少两个设备型号，则从预设的组别标识与识别模型的对应关系中，查找所述组别对应的第二识别模型。
在一实施例中，所述方法还包括：利用各训练数据，确定各训练数据之间的相似度；将所述相似度满足预设条件的训练数据组成一组，并分配组别标识；利用各组别标识，以及各组训练数据中的设备型号，得到组别标识与设备型号的对应关系。
得到所述面板数据所属的组别之后，判断是否保存有所述组别中的训练数据对应的特征数据；当确定未保存时，在卷积神经网络的输入层输入训练数据，在所述卷积神经网络的至少一层特征提取层对所述训练数据进行输入到输出的映射，得到所述组别中的训练数据对应的特征数据；否则，获取保存的特征数据。其中，所述特征提取层可以包括卷积层、池化层。
获取所述组别中的训练数据对应的特征数据之后，利用所述组别的特征数据训练对应的SVM分类器，得到对应的第二识别模型。其中，对各训练数据分组的组数越多，确定的第二识别模型的分类参数越精准，如此，得到识别结果更准确。
实际应用时，可以利用深度学习的迁移学习特性，针对使用海量面板图片数据训练好的CNN模型，利用tensorflow进行迁移学习，将CNN模型中用于传输数据的FC层去除后作为特征提取器，再通过训练SVM分类器，得到第二识别模型，可实现定制化的图片识别服务。
为了提高图片识别的准确率，可以对第二识别模型进行微调(fine-tune)，即重新调整卷积层中较高层的权重参数。原因是利用卷积神经网络的卷积层中越低的层提取的图片特征信息越local，即图片特征信息表征图片的角点、边缘信息，利用卷积层中越高的层提取的图片特征信息越global，即图片特征信息表征图片本身的信息。
步骤204：利用所述面板数据，基于所述第二识别模型，得到设备型号；所述设备型号用于供客户端显示对应的产品说明书。
这里，步骤203中，如果从预设的组别标识与设备型号的对应关系中，确定出一个设备型号时，将确定出的设备型号发送给客户端；所述设备型号用于供所述客户端显示对应的电子产品说明书。
实际应用时，得到设备型号后，服务器可以将所述设备型号发送给所述客户端；所述客户端接收所述设备型号，并生成“所述设备型号是否与设备相符”的提示信息，当接收到用户确认相符的操作时，在显示界面显示对应所述设备型号的电子产品说明书。
采用本发明实施例的技术方案，获取设备的面板数据；利用所述面板数据，基于第一识别模型，得到所述面板数据所属的组别；从预设的组别标识与识别模型的对应关系中，查找所述组别对应的第二识别模型；利用所述面板数据，基于所述第二识别模型，得到设备型号；所述设备型号用于供客户端显示对应的产品说明书。如此，能够基于分级的识别模型即第一识别模型和第二识别模型，得到设备型号，进而提高识别的精确度。
另外，通过对设备面板图片的识别得到设备型号，如此能够快捷地获取对应设备型号的电子产品说明书，节省用户时间，有助于提高用户体验。
下面以具体实施例为例，详细说明本发明在实际应用中的实现过程及原理。
图3为本发明实施例数据处理的具体实现流程示意图，第一识别模型对应粗识别模型，第二识别模型对应精识别模型，具体实现过程，包括如下步骤：
步骤301：客户端将用户拍摄设备的面板图片上传至服务器。
步骤302：服务器获取所述面板图片的面板数据，将所述面板数据输入粗识别模型进行识别，得到所述面板数据所属的组别。
所述服务器还可以保存所述面板图片，并记录保存路径。
步骤303：服务器从预设的组别标识与设备型号的对应关系中，查找所述组别对应的设备型号；当查找出至少两个设备型号时，执行步骤304；当查找出设备型号仅包含一个设备型号时，执行步骤305。
表1为组别标识与设备型号、识别模型的对应关系数据表，如表1所示，组别标识ID包括0，相似的设备型号包括：、MB-PFZ4003、MB-PFZ3503，识别模型包括精识别模型model1。
| ID | Similar Devices | Model Name |
| 0 | MB-PFZ4003、MB-PFZ3503 | model1 |
表1
步骤304：从预设的组别标识与识别模型的对应关系中，查找所述组别对应的精识别模型。
从表1中查找得到的组别对应的设备型号，当所述组别对应的设备型号中包含至少两个相似设备型号时，从表1中查询所述组别对应的精识别模型。
步骤305：将从表1中查找的设备型号发送给客户端。
步骤306：服务器将所述面板数据输入查找的精识别模型进行识别，得到设备型号，并将所述设备型号发送给客户端。
步骤307：客户端接收所述设备型号，显示所述设备型号对应的电子产品说明书。并生成“设备型号是否与设备不符”的提示信息；当用户确认所述设备型号与设备不符时，执行步骤308。
步骤308：客户端将设备型号是否与设备不符的信息反馈给服务器。
步骤309：服务器收到反馈信息后，利用所述面板图片的面板数据，并结合所述组别中的训练数据，再次训练精识别模型。
步骤310：服务器对重新训练后的精识别模型进行更新。
图4为本发明实施例训练识别模型的模块结构示意图，本实施例中，如图4所示，包括：原始数据模块、数据增强模块、预训练模型模块、特征缓存模块、训练模块；其中，
原始数据模块，用于获取设备面板图片的面板数据；
数据增强模块，用于对面板数据进行数据增强处理；
预训练模型模块，用于利用对CNN模型进行迁移学习得到特征提取器，对数据增强处理后的面板数据进行特征提取，得到面板图片的特征数据；
特征缓存模块，用于保存特征数据；
训练模块，用于利用获取的特征数据，训练SVM分类器，得到第一识别模型和/或第二识别模型。
图5为本发明实施例训练识别模型的具体实现流程示意图，结合图4所示的模块结构示意图，具体实现过程，包括如下步骤：
步骤501：服务器获取设备面板图片，对所述面板图片进行图像处理，得到训练数据。
针对使用大量面板图片的数据集训练好的目标检测模型，利用tensorflow进行迁移学习，基于所述目标检测模型得到面板检测模型，利用面板检测模型对面板图片进行预处理，即去掉所述面板图片中面板位置以外的图片数据，得到训练数据。
步骤502：服务器判断是否保存有训练数据对应的特征数据，当确定保存时，执行步骤503；否则，执行步骤504。
步骤503：服务器读取保存的特征数据。
步骤504：服务器基于迁移学习得到的特征提取器，得到训练数据对应的特征数据并缓存。
步骤505：利用步骤503或步骤504得到的特征数据，对SVM分类器进行训练，得到第一识别模型和/或第二识别模型。
需要说明的是，图5所示的流程为一个训练循环过程，由于可利用的面板图片的训练数据非常少，因而可以将预训练的CNN模型去除传输数据的FC层后作为特征提取器，并提取所述训练数据的特征数据，再利用特征数据训练SVM分类器。
基于本申请各实施例提供的数据处理方法，本申请还提供一种数据处理装置，应用于服务器，如图6所示，所述装置包括：
获取模块61，用于获取设备的面板数据。
第一识别模块62，用于利用所述面板数据，基于第一识别模型，得到所述面板数据所属的组别；所述第一识别模型是利用训练数据，通过机器学习得到的。
查找模块63，用于从预设的组别标识与识别模型的对应关系中，查找所述组别对应的第二识别模型；所述第二识别模型是利用相应组别对应的训练数据得到的。
第二识别模块64，用于利用所述面板数据，基于所述第二识别模型，得到设备型号。
在一实施例中，所述获取模块61，具体用于获取设备的面板图片；利用所述面板图片，得到面板轮廓；基于所述面板轮廓，生成面板层图片；对所述面板层图片进行图像处理，得到面板数据。
这里，可以利用不同设备的面板图片，得到各训练数据；确定各训练数据之间的相似度；将所述相似度满足预设条件的训练数据组成一组，得到各组训练数据；所述训练数据可以包括设备型号及对应的面板数据。判断是否保存有各组训练数据对应的特征数据；当确定未保存时，在卷积神经网络的输入层输入各组训练数据，在所述卷积神经网络的至少一层特征提取层对所述各组训练数据进行输入到输出的映射，得到所述特征数据；否则，获取保存的特征数据。所述特征提取层可以包括卷积层、池化层。利用所述特征数据，基于SVM分类器，得到第一识别模型。
在一实施例中，所述查找模块63，具体用于从预设的组别标识与设备型号的对应关系中，确定所述组别对应的设备型号；判断是否确定出至少两个设备型号；如果确定出至少两个设备型号，则从预设的组别标识与识别模型的对应关系中，查找所述组别对应的第二识别模型。
这里，可以利用不同设备的面板图片，得到各训练数据；确定各训练数据之间的相似度；将所述相似度满足预设条件的训练数据组成一组，并分配组别标识；利用各组别标识，以及各组训练数据中的设备型号，得到组别标识与设备型号的对应关系。
在一实施例中，所述装置还包括：
发送模块，用于将所述设备型号发送给所述客户端；所述设备型号用于供客户端显示对应的电子产品说明书。
需要说明的是：上述实施例提供的数据处理装置在进行数据处理时，仅以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上述处理分配由不同的程序模块完成，即将装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的数据处理装置与数据处理方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
在实际应用中，获取模块61、发送模块由位于数据处理装置上的网络接口实现；第一识别模块62、查找模块63、第二识别模块64可由位于数据处理装置上的处理器比如中央处理器(CPU，Central Processing Unit)、微处理器(MPU，Micro Processor Unit)、数字信号处理器(DSP，Digital Signal Processor)、或现场可编程门阵列(FPGA，FieldProgrammable Gate Array)等实现。
图7是本发明数据处理装置的结构示意图，图7所示的数据处理装置700包括：至少一个处理器701、存储器702、用户接口703、至少一个网络接口704。数据处理装置700中的各个组件通过总线系统705耦合在一起。可理解，总线系统705用于实现这些组件之间的连接通信。总线系统705除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图7中将各种总线都标为总线系统705。
其中，用户接口703可以包括显示器、键盘、鼠标、轨迹球、点击轮、按键、按钮、触感板或者触摸屏等。
可以理解，存储器702可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，Electrically Erasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM，ferromagnetic random access memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM，Random AccessMemory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(SRAM，Static Random Access Memory)、同步静态随机存取存储器(SSRAM，Synchronous Static Random Access Memory)、动态随机存取存储器(DRAM，Dynamic Random Access Memory)、同步动态随机存取存储器(SDRAM，SynchronousDynamic Random Access Memory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM，Double Data Rate Synchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM，Enhanced Synchronous Dynamic Random Access Memory)、同步连接动态随机存取存储器(SLDRAM，SyncLink Dynamic Random Access Memory)、直接内存总线随机存取存储器(DRRAM，Direct Rambus Random Access Memory)。本发明实施例描述的存储器702旨在包括但不限于这些和任意其它适合类型的存储器。
本发明实施例中的存储器702用于存储各种类型的数据以支持数据处理装置700的操作。这些数据的示例包括：用于在数据处理装置700上操作的任何计算机程序，如操作系统7021和应用程序7022；其中，操作系统7021包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序7022可以包含各种应用程序，用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序7022中。
上述本发明实施例揭示的方法可以应用于处理器701中，或者由处理器701实现。处理器701可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器701中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器701可以是通用处理器、数字信号处理器，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器701可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本发明实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器702，处理器701读取存储器702中的信息，结合其硬件完成前述方法的步骤。
基于本申请各实施例提供的数据处理方法，本申请还提供一种计算机可读存储介质，参照图7所示，所述计算机可读存储介质可以包括：用于存储计算机程序的存储器702，上述计算机程序可由数据处理装置700的处理器701执行，以完成前述方法所述步骤。计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、Flash Memory、磁表面存储器、光盘、或CD-ROM等存储器。
需要说明的是：本发明实施例所记载的技术方案之间，在不冲突的情况下，可以任意组合。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。
Claims (8)
1.一种数据处理方法，其特征在于，所述方法包括：
获取设备的面板数据；
利用所述面板数据，基于第一识别模型，得到所述面板数据所属的组别；所述第一识别模型是利用各训练数据，通过机器学习得到的；
从预设的组别标识与设备型号的对应关系中，确定所述组别对应的设备型号；其中，所述组别标识与设备型号的对应关系是通过利用各训练数据，确定各训练数据之间的相似度；将所述相似度满足预设条件的训练数据组成一组，并分配组别标识；利用各组别标识，以及各组训练数据中的设备型号得到的；所述训练数据包括设备型号；
判断是否确定出至少两个设备型号；
如果确定出至少两个设备型号，从预设的组别标识与识别模型的对应关系中，查找所述组别对应的第二识别模型；所述第二识别模型是利用相应组别对应的训练数据得到的；
利用所述面板数据，基于所述第二识别模型，得到设备型号；所述设备型号用于供客户端显示对应的产品说明书。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
利用特征数据，基于支持向量机SVM分类器，得到第一识别模型和/或第二识别模型；所述特征数据利用卷积神经网络的至少一个特征提取层对训练数据进行映射得到的。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
判断是否保存有训练数据对应的特征数据；
当确定未保存时，在卷积神经网络的输入层输入训练数据，在所述卷积神经网络的至少一层特征提取层对所述训练数据进行输入到输出的映射，得到所述特征数据；否则，获取保存的特征数据。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
向所述客户端发送所述设备型号；所述设备型号用于供所述客户端在显示界面显示并生成第一信息；所述第一信息用于指示所述设备型号是否与设备不符；
接收第一操作；
当所述第一操作指示所述设备型号与设备不符时，响应所述第一操作，利用所述面板数据，结合所述组别中的训练数据，对所述第二识别模型进行训练；
利用训练后的第二识别模型对所述组别对应的第二识别模型进行更新。
5.根据权利要求1所述的方法，其特征在于，所述获取设备的面板数据，包括：
获取设备的面板图片；
利用所述面板图片，得到面板轮廓；
基于所述面板轮廓，生成面板层图片；
对所述面板层图片进行图像处理，得到面板数据。
6.一种数据处理装置，其特征在于，所述装置包括：
获取模块，用于获取设备的面板数据；
第一识别模块，用于利用所述面板数据，基于第一识别模型，得到所述面板数据所属的组别；所述第一识别模型是利用训练数据，通过机器学习得到的；
查找模块，用于从预设的组别标识与设备型号的对应关系中，确定所述组别对应的设备型号；判断是否确定出至少两个设备型号；如果确定出至少两个设备型号，从预设的组别标识与识别模型的对应关系中，查找所述组别对应的第二识别模型；所述第二识别模型是利用相应组别对应的训练数据得到的；其中，组别标识与设备型号的对应关系是通过利用各训练数据，确定各训练数据之间的相似度；所述训练数据包括设备型号；将所述相似度满足预设条件的训练数据组成一组，并分配组别标识；利用各组别标识，以及各组训练数据中的设备型号得到的；
第二识别模块，用于利用所述面板数据，基于所述第二识别模型，得到设备型号；所述设备型号用于供客户端显示对应的产品说明书。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5任一项所述方法的步骤。
8.一种数据处理装置，其特征在于，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序；
其中，所述处理器用于运行所述计算机程序时，执行权利要求1至5任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810614602.4A CN110674831B (zh) | 2018-06-14 | 2018-06-14 | 一种数据处理方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810614602.4A CN110674831B (zh) | 2018-06-14 | 2018-06-14 | 一种数据处理方法、装置及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110674831A CN110674831A (zh) | 2020-01-10 |
| CN110674831B true CN110674831B (zh) | 2023-01-06 |
Family
ID=69065927
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810614602.4A Active CN110674831B (zh) | 2018-06-14 | 2018-06-14 | 一种数据处理方法、装置及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110674831B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111310934B (zh) * | 2020-02-14 | 2023-10-17 | 北京百度网讯科技有限公司 | 一种模型生成方法、装置、电子设备和存储介质 |
| CN113839794B (zh) * | 2020-06-08 | 2023-03-31 | 中国移动通信有限公司研究院 | 数据处理方法、装置、设备及存储介质 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107221320A (zh) * | 2017-05-19 | 2017-09-29 | 百度在线网络技术（北京）有限公司 | 训练声学特征提取模型的方法、装置、设备和计算机存储介质 |
| CN107798299B (zh) * | 2017-10-09 | 2020-02-07 | 平安科技（深圳）有限公司 | 票据信息识别方法、电子装置及可读存储介质 |
| CN108133210B (zh) * | 2017-12-12 | 2022-04-01 | 张家港康得新光电材料有限公司 | 一种图像格式识别方法及装置 |
| CN108052368B (zh) * | 2017-12-28 | 2019-10-15 | 维沃移动通信有限公司 | 一种应用显示界面控制方法及移动终端 |
| CN108108767B (zh) * | 2017-12-29 | 2021-03-23 | 美的集团股份有限公司 | 一种谷物识别方法、装置和计算机存储介质 |
| CN108154509B (zh) * | 2018-01-12 | 2022-11-11 | 平安科技（深圳）有限公司 | 癌症识别方法、装置及存储介质 |
-
2018
- 2018-06-14 CN CN201810614602.4A patent/CN110674831B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110674831A (zh) | 2020-01-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11526799B2 (en) | Identification and application of hyperparameters for machine learning | |
| CN106776503B (zh) | 文本语义相似度的确定方法及装置 | |
| US10650274B2 (en) | Image clustering method, image clustering system, and image clustering server | |
| CN108205581B (zh) | 生成数字媒介环境中的紧凑视频特征表示 | |
| WO2019020049A1 (zh) | 一种图像检索方法、装置及电子设备 | |
| JP2018517959A (ja) | ビデオのための代表ビデオフレームの選択 | |
| WO2015175936A1 (en) | Knowledge source personalization to improve language models | |
| JP2016529611A (ja) | 画像を検索するための方法およびシステム | |
| WO2019080661A1 (zh) | 用户意图识别方法及装置 | |
| CN109168047B (zh) | 视频推荐方法、装置、服务器及存储介质 | |
| US20190102658A1 (en) | Hierarchical image classification method and system | |
| CN107636639B (zh) | 快速的正交投影 | |
| CN110674831B (zh) | 一种数据处理方法、装置及计算机可读存储介质 | |
| EP4073978B1 (en) | Intelligent conversion of internet domain names to vector embeddings | |
| RU2010150975A (ru) | Классификация изображения на основе сегментации изображения | |
| CN116108150A (zh) | 一种智能问答方法、装置、系统及电子设备 | |
| CN106202440B (zh) | 数据处理方法、装置及设备 | |
| CN113254665A (zh) | 一种知识图谱扩充方法、装置、电子设备及存储介质 | |
| CN115269765A (zh) | 账号识别方法、装置、电子设备和存储介质 | |
| KR101592670B1 (ko) | 인덱스를 이용하는 데이터 검색 장치 및 이를 이용하는 방법 | |
| CN111460971A (zh) | 视频概念检测方法、装置以及电子设备 | |
| CN112988749A (zh) | 通过kv存储设备响应检索请求的方法及装置 | |
| KR20180065939A (ko) | 복수의 질의 이미지 검색을 위한 효과적인 이미지 벡터 병합 | |
| US20170038769A1 (en) | Method and system of dimensional clustering | |
| CN111191025B (zh) | 文章相关性的确定方法、装置、可读介质及电子设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |