CN113515653A - 基于历史数据的模型推荐方法、装置、设备及存储介质 - Google Patents

基于历史数据的模型推荐方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113515653A
CN113515653A CN202111075854.2A CN202111075854A CN113515653A CN 113515653 A CN113515653 A CN 113515653A CN 202111075854 A CN202111075854 A CN 202111075854A CN 113515653 A CN113515653 A CN 113515653A
Authority
CN
China
Prior art keywords
data set
model
historical
detected
target
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.)
Pending
Application number
CN202111075854.2A
Other languages
English (en)
Inventor
刘荣华
郑增强
欧昌东
吴川
张宇晴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Jingchuang Electronic Technology Co ltd
Original Assignee
Wuhan Jingchuang Electronic Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan Jingchuang Electronic Technology Co ltd filed Critical Wuhan Jingchuang Electronic Technology Co ltd
Priority to CN202111075854.2A priority Critical patent/CN113515653A/zh
Publication of CN113515653A publication Critical patent/CN113515653A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/53—Querying
    • G06F16/535—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • 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
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Library & Information Science (AREA)
  • Databases & Information Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请公开了一种基于历史数据的模型推荐方法、装置、计算机设备及计算机可读存储介质，该方法包括：根据待检测样本数据集匹配历史数据集，从相匹配的目标历史数据集对应的历史模型中推荐出目标模型，其中，目标模型至少为一个，所述目标模型用于对具有待检测样本数据集同类属性的待检测数据集进行检测，实现利用已有数据集和模型，对当前的数据集进行模型推荐，从而节省大量的训练时间，提高模型检测效率，将模型选择智能化。

Description

基于历史数据的模型推荐方法、装置、设备及存储介质
技术领域
本申请涉及人工智能技术领域，尤其涉及一种基于历史数据的模型推荐方法、装置、计算机设备及计算机可读存储介质。
背景技术
目前的深度学习主要以监督学习为主，针对不同场景，需要大量的模型选择、调参等工作，无法针对所有场景，通用性的解决，因此，并没有解决传统算法需要定制开发的难题，并且用户的使用门槛较高，普通工程师对深度学习的调参一般没有基础。此外，每次新建任务都需要重新训练模型，没有将历史模型和数据集利用起来。
发明内容
本申请的主要目的在于提供一种基于历史数据的模型推荐方法、装置、计算机设备及计算机可读存储介质，旨在解决现有每次新建任务都需要重新训练模型，没有将历史模型和数据集利用起来的技术问题。
第一方面，本申请提供一种基于历史数据的模型推荐方法，所述方法包括以下步骤：
根据待检测样本数据集匹配历史数据集，从相匹配的目标历史数据集对应的历史模型中推荐出目标模型，其中，目标模型至少为一个，所述目标模型用于对具有待检测样本数据集同类属性的待检测数据集进行检测。
优选的，所述根据待检测样本数据集匹配历史数据集，包括：
采集缺陷检测领域中的待检测样本数据集，其中，所述缺陷检测领域包括显示屏缺陷检测领域、半导体缺陷检测领域和新能源电池缺陷检测领域中的一种或多种；
根据所述待检测样本数据集中的缺陷特征或图片匹配历史数据集。
优选的，所述根据所述待检测样本数据集中的特征或图片匹配历史数据集，包括:
获取输入所述待检测样本数据集中的缺陷特征，并将所述缺陷特征与历史数据集的缺陷特征进行匹配；
获取输入的所述待检测样本数据集中的图片，利用所述图片与历史数据集进行匹配，其中，所述图片包括原始图片和局部图片。
优选的，所述从相匹配的目标历史数据集对应的历史模型中推荐出目标模型，包括：
确定与所述待检测样本数据集相匹配的目标历史数据集，其中，所述目标历史数据集至少为一个；
获取所述目标历史数据集对应的历史模型，其中，所述历史模型至少为一个；
基于所述历史模型的属性信息，推荐出所述历史模型中的目标模型。
优选的，所述基于所述历史模型的属性信息，推荐出所述历史模型中的目标模型，包括：
在数据集管理界面显示各个所述历史模型的属性信息，其中，所述属性信息包括平均精度均值、准确度和类结果的平均值；
通过比对各个所述历史模型的平均精度均值、准确度和类结果的平均值，推荐出多个所述历史模型中的目标模型。
优选的，所述从相匹配的目标历史数据集对应的历史模型中推荐出目标模型之后，还包括：
若确定需要对所述待检测数据集进行线上检测，则基于所述目标模型对所述待检测数据集进行检测，以获取所述待检测数据集的缺陷信息。
优选的，所述从相匹配的目标历史数据集对应的历史模型中推荐出目标模型之后，还包括：
若确定不需要对所述待检测数据集进行线上检测，导出所述目标模型以实现后续缺陷检测。
第二方面，本申请还提供一种基于历史数据的模型推荐装置，所述装置包括：
推荐模块，用于根据待检测样本数据集匹配历史数据集，从相匹配的目标历史数据集对应的历史模型中推荐出目标模型，其中，目标模型至少为一个，所述目标模型用于对具有待检测样本数据集同类属性的待检测数据集进行检测。
第三方面，本申请还提供一种计算机设备，所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序，其中所述计算机程序被所述处理器执行时，实现如上述的基于历史数据的模型推荐方法的步骤。
第四方面，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其中所述计算机程序被处理器执行时，实现如上述的基于历史数据的模型推荐方法的步骤。
本申请提供一种基于历史数据的模型推荐方法、装置、计算机设备及计算机可读存储介质，通过根据待检测样本数据集匹配历史数据集，从相匹配的目标历史数据集对应的历史模型中推荐出目标模型，其中，目标模型至少为一个，所述目标模型用于对具有待检测样本数据集同类属性的待检测数据集进行检测，实现利用已有数据集和模型，对当前的数据集进行模型推荐，从而节省大量的训练时间，提高模型检测效率，将模型选择智能化。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种基于历史数据的模型推荐方法的流程示意图；
图2为本申请实施例提供的另一种基于历史数据的模型推荐方法的流程示意图；
图3为本申请实施例提供的又一种基于历史数据的模型推荐方法的流程示意图；
图4为本申请实施例提供的一种基于历史数据的模型推荐装置的示意性框图；
图5为本申请一实施例涉及的计算机设备的结构示意框图。
本申请目的的实现、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
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
本申请实施例提供一种基于历史数据的模型推荐方法、装置、计算机设备及计算机可读存储介质。其中，该基于历史数据的模型推荐方法可应用于计算机设备中，该计算机设备可以是笔记本电脑、台式电脑等电子设备。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
请参照图1，图1为本申请的实施例提供的一种基于历史数据的模型推荐方法的流程示意图。
如图1所示，该方法包括步骤S101。
步骤S101、根据待检测样本数据集匹配历史数据集，从相匹配的目标历史数据集对应的历史模型中推荐出目标模型，其中，目标模型至少为一个，所述目标模型用于对具有待检测样本数据集同类属性的待检测数据集进行检测。
示范性的，采集待检测样本数据集，通过采集的待检测样本数据集匹配历史数据集。例如，获取待检测样本数据集中待检测数据的属性信息，以及各个历史数据集中各个历史数据的属性信息，将待检测数据的属性信息与历史数据的属性信息进行匹配，确定相匹配历史数据，以确定相匹配历史数据的目标历史数据集，其中，目标历史数据集至少为一个。获取一个或多个目标历史数据集对应的历史模型，将历史模型在数据集管理界面显示，获取数据管理界面显示的历史模型的属性信息，例如，显示已训练的历史模型排名信息，显示排名的检测模型-mAP(平均精度均值)；分类模型-Acc（准确度）;分割模型-mIoU（所有类结果的平均值）。基于该历史模型的属性信息，从中推荐出适合推断与检测待检测样本数据集的目标模型，其中，目标模型为分类模型-Acc、分割模型-mIoU或检测模型-mAP中的一个或多个。其中，同类属性包括待检测数据集与待检测样本数据集具有相同共性，如待检测数据集与待检测样本数据集为同一批次的产品图片或图像。基于待检测数据集与待检测样本数据集具有相同的共性，实现通过待检测样本数据集与历史数据集匹配，推荐出的目标模型不仅可以用于检测待检测样本数据集，同时还可以检测与待检测样本数据集具有相同共性的待检测数据集，避免重新推荐用于检测待检测数据集的目标模型，以节省时间。
具体的，所述根据待检测样本数据集匹配历史数据集，包括：所述根据待检测样本数据集匹配历史数据集，包括：采集缺陷检测领域中的待检测样本数据集，其中，所述缺陷检测领域包括显示屏缺陷检测领域、半导体缺陷检测领域和新能源电池缺陷检测领域中的一种或多种；根据所述待检测样本数据集中的缺陷特征或图片匹配历史数据集。
示范性的，采集缺陷检测领域中的待检测样本数据集，例如，采集显示屏缺陷检测领域、半导体缺陷检测领域和新能源电池缺陷检测领域中的待检测样本数据集。在检测到待检测样本数据集时，通过预置检索缺陷方式检索待检测样本数据集，获取检索到待检测样本数据集中的缺陷特征或缺陷图片，通过该缺陷特征或缺陷图片匹配历史数据集。例如，预置检索缺陷方式包括人工缺陷检索方式和软件缺陷检索方式。
具体的，所述根据所述待检测样本数据集中的特征或图片匹配历史数据集，包括:获取输入所述待检测样本数据集中的缺陷特征，并将所述缺陷特征与历史数据集的缺陷特征进行匹配；获取输入的所述待检测样本数据集中的图片，利用所述图片与历史数据集进行匹配，其中，所述图片包括原始图片和局部图片。
示范性的，例如，获取输入待检测样本数据集中的缺陷特征的方式包括：通过人工缺陷检索方式检索待检测样本数据集，获取到待检测样本数据集中待检测数据的缺陷特征，其中，由专业或经验丰富的人员检索待检测样本数据集中待检测数据的缺陷特征，例如，该缺陷特征可以是关键字。将获取到的缺陷特征与历史数据集中的历史数据进行匹配，例如，将检索到的缺陷特征与历史数据的特征进行匹配，以确定与检索到的缺陷特征相匹配的历史数据对应的目标历史数据集。
例如，获取输入的待检测样本数据集中的图片包括：按照软件检索缺陷方式检索上传的待检测样本数据集中的图片，以获取图片的缺陷特征。将获取到的缺陷特征与历史数据集中的历史数据相匹配，例如，将获取到的缺陷特征与历史数据的缺陷特征进行匹配，以确定与获取到的缺陷特征相匹配的历史数据对应的目标历史数据集。或者，按照软件检索缺陷方式检索上传的待检测样本数据集中的图片，将获取到的图片与历史数据集中的历史数据相匹配，例如，将获取到的图片与历史数据的历史图片进行匹配，以确定与获取到的图片相匹配的历史数据对应的目标历史数据集。其中，图片包括原始图片或局部图片，缺陷特征可以是局部图片或原始图片的部分缺陷特征，也可以是局部图片或原始图片的全部缺陷特征。
具体的，所述从相匹配的目标历史数据集对应的历史模型中推荐出目标模型，包括：确定与所述待检测样本数据集相匹配的目标历史数据集，其中，所述目标历史数据集至少为一个；获取所述目标历史数据集对应的历史模型，其中，所述历史模型至少为一个；基于所述历史模型的属性信息，推荐出所述历史模型中的目标模型。
示范性的，将待检测样本数据集的缺陷信息与各个历史数据集的缺陷信息进行匹配，获取待检测样本数据集的缺陷信息与各个历史数据集的缺陷信息一致的目标历史数据集，获取目标历史数据集对应的历史模型，该历史模型为使用目标历史数据集进行训练得到的模型，且该历史模型的数量至少为一个。通过历史模型的属性信息，推荐出历史模型中的目标模型。例如，属性信息还包括过检率或漏检率，还可以显示历史模型的过检率和漏检率，并通过过检率和漏检率来推荐出目标历史模型。例如过检率=非缺陷数量（未标注且被目标模型检出为缺陷）/缺陷总数；漏检率=缺陷数量（已标注且未被目标模型检出）/缺陷总数。推荐过检率或漏检率高的历史模型作为目标模型，或者，推荐过检率或漏检率低的历史模型作为目标模型。
具体的，所述基于所述历史模型的属性信息，推荐出所述历史模型中的目标模型，包括：在数据集管理界面显示各个所述历史模型的属性信息，其中，所述属性信息包括平均精度均值、准确度和类结果的平均值；通过比对各个所述历史模型的平均精度均值、准确度和类结果的平均值，推荐出多个所述历史模型中的目标模型。
示范性的，将获取到的历史数据集在数据集管理界面进行显示，历史模型包括检测模型-mAP、分类模型-Acc和分割模型-mIou。且显示形式包括从平均精度值对检测模型进行排名展示，例如，展示平均精度值排名高的前三检测模型-mAP。通过检测模型-mAP的平均精度值推荐出最优的检测模型、或者，通过分类模型-Acc的准确度推荐出最优的分类模型、或者通过分割模型-mIou的类结果的平均值推荐出最优的分割模型，将一个或多个最优的分类模型、最优的分割模型或者最优的检测模型作为目标模型。
其中，检测模型-mAP的平均精度值为：Precision=TP/(TP+FP)，表示的是召回为正样本的样本中，到底有多少是真正的正样本，其中，TP为标签为正样本，分类为正样本的数目、FP为标签为负样本，分类为正样本的数目。分类模型-Acc的准确度为每一个样本都只有一个确定的类别，预测到该类别就是分类正确，没有预测到就是分类错误，因此最直观的指标就是Accuracy。分类模型-Acc的准确度：Accuracy=(TP+TN)/(TP+FP+TN+FN)，其中，TP为标签为正样本，分类为正样本的数目、FP为标签为负样本，分类为正样本的数目、TN为标签为负样本，分类为负样本的数目、FN为标签为正样本分类为负样本的数目。
在本申请实施例中，通过确定的待检测样本数据集匹配历史数据集，从相匹配的目标历史数据集对应的历史模型中推荐出目标模型，其中，目标模型至少为一个，实现利用已有数据集和模型，对当前的数据集进行模型推荐，从而节省大量的训练时间，提高模型检测效率，将模型选择智能化。
请参照图2，图2为本申请的实施例提供的基于历史数据的模型推荐方法的流程示意图。
如图2所示，该包括步骤S201。
步骤S201、若确定需要对所述待检测数据集进行线上检测，则基于所述目标模型对所述待检测数据集进行检测，以获取所述待检测数据集的缺陷信息。
示范性的，确定是否对待检测数据集进行线上检测。例如，确定是在线上对该待检测数据集进行检测，还是在线下对该待检测数据集进行检测。若检测到用户的线上指令，则确定在软件中对待检测数据集进行检测；若检测到用户的线下指令，则确定不在软件中对待检测数据集进行检测。
在确定需要对待检测数据集进行线上检测，从相匹配的目标历史数据集对应的历史模型中推荐出目标模型，通过推荐的目标模型对待检测数据集进行推断与检测。例如，将待检测数据集中的缺陷特征或图片分别输入到目标模型中，该目标模型包括分类模型、分割模型和检测模型中的至少一个。通过目标模型分别对缺陷特征或图片进行缺陷检测，获取待检测数据集中各个缺陷特征或图片的缺陷信息。
在本发明实施例中，通过推荐出的目标模型对待检测数据集进行线上检测，通用性的解决通过待检测数据集自动推荐相应目标模型，并通过推荐出的目标模型进行检测，以降低用户门槛，使普通工程师也能利用深度学习的方式解决遇到的问题。
请参照图3，图3为本申请的实施例提供的又一种基于历史数据的模型推荐方法的流程示意图。
如图3所示，该包括步骤S301。
步骤S301、若确定不需要对所述待检测数据集进行线上检测，导出所述目标模型以实现后续缺陷检测。
示范性的，在确定不需要对待检测数据集进行线上检测，从相匹配的目标历史数据集对应的历史模型中推荐出目标模型，从线上导出推荐出的目标模型，此时目标模型在线下。在线下通过目标模型在其它软件或途径中对待检测数据集中的各个待检测特征进行缺陷检测。例如，将待检测数据集中的缺陷特征或图片分别输入到目标模型中，该目标模型包括分类模型、分割模型和检测模型中的至少一个。通过目标模型分别对缺陷特征或图片进行缺陷检测，获取待检测数据集中各个缺陷特征或图片的缺陷信息。
在本发明实施例中，通过推荐出的目标模型对待检测数据集进行线下检测，通用性的解决通过待检测数据集自动推荐相应目标模型，并通过推荐出的目标模型进行检测，以降低用户门槛，使普通工程师也能利用深度学习的方式解决遇到的问题。
请参照图4，图4为本申请实施例提供的一种基于历史数据的模型推荐装置的示意性框图。
如图4所示，该装置S400，包括：推荐模块S401。
推荐模块S401，用于根据待检测样本数据集匹配历史数据集，从相匹配的目标历史数据集对应的历史模型中推荐出目标模型，其中，目标模型至少为一个，所述目标模型用于对具有待检测样本数据集同类属性的待检测数据集进行检测。
其中，推荐模块S401具体还用于：
采集缺陷检测领域中的待检测样本数据集，其中，所述缺陷检测领域包括显示屏缺陷检测领域、半导体缺陷检测领域和新能源电池缺陷检测领域中的一种或多种；
根据所述待检测样本数据集中的缺陷特征或图片匹配历史数据集。
其中，推荐模块S401具体还用于：
获取输入所述待检测样本数据集中的缺陷特征，并将所述缺陷特征与历史数据集的缺陷特征进行匹配；
获取输入的所述待检测样本数据集中的图片，利用所述图片与历史数据集进行匹配，其中，所述图片包括原始图片和局部图片。
其中，推荐模块S401具体还用于：
确定与所述待检测样本数据集相匹配的目标历史数据集，其中，所述目标历史数据集至少为一个；
获取所述目标历史数据集对应的历史模型，其中，所述历史模型至少为一个；
基于所述历史模型的属性信息，推荐出所述历史模型中的目标模型。
其中，推荐模块S401具体还用于：
在数据集管理界面显示各个所述历史模型的属性信息，其中，所述属性信息包括平均精度均值、准确度和类结果的平均值；
通过比对各个所述历史模型的平均精度均值、准确度和类结果的平均值，推荐出多个所述历史模型中的目标模型。
其中，基于历史数据的模型推荐装置还用于：
若确定需要对所述待检测数据集进行线上检测，则基于所述目标模型对所述待检测数据集进行检测，以获取所述待检测数据集的缺陷信息。
其中，基于历史数据的模型推荐装置还用于：
若确定不需要对所述待检测数据集进行线上检测，导出所述目标模型以实现后续缺陷检测。
需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和各模块及单元的具体工作过程，可以参考前述基于历史数据的模型推荐方法实施例中的对应过程，在此不再赘述。
上述实施例提供的装置可以实现为一种计算机程序的形式，该计算机程序可以在如图5所示的计算机设备上运行。
请参阅图5，图5为本申请实施例提供的一种计算机设备的结构示意性框图。该计算机设备可以为终端。
如图5所示，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口，其中，存储器可以包括非易失性存储介质和内存储器。
非易失性存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令，该程序指令被执行时，可使得处理器执行任意一种基于历史数据的模型推荐方法。
处理器用于提供计算和控制能力，支撑整个计算机设备的运行。
内存储器为非易失性存储介质中的计算机程序的运行提供环境，该计算机程序被处理器执行时，可使得处理器执行任意一种基于历史数据的模型推荐方法。
该网络接口用于进行网络通信，如发送分配的任务等。本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
应当理解的是，处理器可以是中央处理单元 (Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路 (Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA) 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。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
其中，在一个实施例中，所述处理器用于运行存储在存储器中的计算机程序，以实现如下步骤：
根据待检测样本数据集匹配历史数据集，从相匹配的目标历史数据集对应的历史模型中推荐出目标模型，其中，目标模型至少为一个，所述目标模型用于对具有待检测样本数据集同类属性的待检测数据集进行检测。
在一个实施例中，所述处理器实现根据待检测样本数据集匹配历史数据集时，用于实现：
采集缺陷检测领域中的待检测样本数据集，其中，所述缺陷检测领域包括显示屏缺陷检测领域、半导体缺陷检测领域和新能源电池缺陷检测领域中的一种或多种；
根据所述待检测样本数据集中的缺陷特征或图片匹配历史数据集。
在一个实施例中，所述处理器实现根据所述待检测样本数据集中的特征或图片匹配历史数据集时，用于实现：
获取输入所述待检测样本数据集中的缺陷特征，并将所述缺陷特征与历史数据集的缺陷特征进行匹配；
获取输入的所述待检测样本数据集中的图片，利用所述图片与历史数据集进行匹配，其中，所述图片包括原始图片和局部图片。
在一个实施例中，所述处理器实现从相匹配的目标历史数据集对应的历史模型中推荐出目标模型时，用于实现：
确定与所述待检测样本数据集相匹配的目标历史数据集，其中，所述目标历史数据集至少为一个；
获取所述目标历史数据集对应的历史模型，其中，所述历史模型至少为一个；
基于所述历史模型的属性信息，推荐出所述历史模型中的目标模型。
在一个实施例中，所述处理器实现基于所述历史模型的属性信息，推荐出所述历史模型中的目标模型时，用于实现：
在数据集管理界面显示各个所述历史模型的属性信息，其中，所述属性信息包括平均精度均值、准确度和类结果的平均值；
通过比对各个所述历史模型的平均精度均值、准确度和类结果的平均值，推荐出多个所述历史模型中的目标模型。
在一个实施例中，所述处理器从相匹配的目标历史数据集对应的历史模型中推荐出目标模型之后时，用于实现：
若确定需要对所述待检测数据集进行线上检测，则基于所述目标模型对所述待检测数据集进行检测，以获取所述待检测数据集的缺陷信息。
在一个实施例中，所述处理器实现从相匹配的目标历史数据集对应的历史模型中推荐出目标模型之后时，用于实现：
若确定不需要对所述待检测数据集进行线上检测，导出所述目标模型以实现后续缺陷检测。
本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序中包括程序指令，所述程序指令被执行时所实现的方法可参照本申请基于历史数据的模型推荐方法的各个实施例。
其中，所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元，例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备，例如所述计算机设备上配备的插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。
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。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于历史数据的模型推荐方法，其特征在于，包括：
根据待检测样本数据集匹配历史数据集，从相匹配的目标历史数据集对应的历史模型中推荐出目标模型，其中，目标模型至少为一个，所述目标模型用于对具有待检测样本数据集同类属性的待检测数据集进行检测。
2.如权利要求1所述的基于历史数据的模型推荐方法，其特征在于，所述根据待检测样本数据集匹配历史数据集，包括：
采集缺陷检测领域中的待检测样本数据集，其中，所述缺陷检测领域包括显示屏缺陷检测领域、半导体缺陷检测领域和新能源电池缺陷检测领域中的一种或多种；
根据所述待检测样本数据集中的缺陷特征或图片匹配历史数据集。
3.如权利要求2所述的基于历史数据的模型推荐方法，其特征在于，所述根据所述待检测样本数据集中的特征或图片匹配历史数据集，包括:
获取输入所述待检测样本数据集中的缺陷特征，并将所述缺陷特征与历史数据集的缺陷特征进行匹配；
获取输入的所述待检测样本数据集中的图片，利用所述图片与历史数据集进行匹配，其中，所述图片包括原始图片和局部图片。
4.如权利要求1所述的基于历史数据的模型推荐方法，其特征在于，所述从相匹配的目标历史数据集对应的历史模型中推荐出目标模型，包括：
确定与所述待检测样本数据集相匹配的目标历史数据集，其中，所述目标历史数据集至少为一个；
获取所述目标历史数据集对应的历史模型，其中，所述历史模型至少为一个；
基于所述历史模型的属性信息，推荐出所述历史模型中的目标模型。
5.如权利要求4所述的基于历史数据的模型推荐方法，其特征在于，所述基于所述历史模型的属性信息，推荐出所述历史模型中的目标模型，包括：
在数据集管理界面显示各个所述历史模型的属性信息，其中，所述属性信息包括平均精度均值、准确度和类结果的平均值；
通过比对各个所述历史模型的平均精度均值、准确度和类结果的平均值，推荐出多个所述历史模型中的目标模型。
6.如权利要求1所述的基于历史数据的模型推荐方法，其特征在于，所述从相匹配的目标历史数据集对应的历史模型中推荐出目标模型之后，还包括：
若确定需要对所述待检测数据集进行线上检测，则基于所述目标模型对所述待检测数据集进行检测，以获取所述待检测数据集的缺陷信息。
7.如权利要求1所述的基于历史数据的模型推荐方法，其特征在于，所述从相匹配的目标历史数据集对应的历史模型中推荐出目标模型之后，还包括：
若确定不需要对所述待检测数据集进行线上检测，导出所述目标模型以实现后续缺陷检测。
8.一种基于历史数据的模型推荐装置，其特征在于，包括：
推荐模块，用于根据待检测样本数据集匹配历史数据集，从相匹配的目标历史数据集对应的历史模型中推荐出目标模型，其中，目标模型至少为一个，所述目标模型用于对具有待检测样本数据集同类属性的待检测数据集进行检测。
9.一种计算机设备，其特征在于，所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序，其中所述计算机程序被所述处理器执行时，实现如权利要求1至7中任一项所述的基于历史数据的模型推荐方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，其中所述计算机程序被处理器执行时，实现如权利要求1至7中任一项所述的基于历史数据的模型推荐方法的步骤。
CN202111075854.2A 2021-09-14 2021-09-14 基于历史数据的模型推荐方法、装置、设备及存储介质 Pending CN113515653A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111075854.2A CN113515653A (zh) 2021-09-14 2021-09-14 基于历史数据的模型推荐方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111075854.2A CN113515653A (zh) 2021-09-14 2021-09-14 基于历史数据的模型推荐方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN113515653A true CN113515653A (zh) 2021-10-19

Family

ID=78063151

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111075854.2A Pending CN113515653A (zh) 2021-09-14 2021-09-14 基于历史数据的模型推荐方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113515653A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116541228A (zh) * 2023-07-06 2023-08-04 深圳市彤兴电子有限公司 显示器的触控响应检测方法、装置以及计算机设备
CN117608257A (zh) * 2024-01-23 2024-02-27 江苏中天互联科技有限公司 线缆排产方案的生成方法及电子设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105929812A (zh) * 2016-04-18 2016-09-07 北京科技大学 带钢热连轧质量的故障诊断方法及装置
CN110991508A (zh) * 2019-11-25 2020-04-10 珠海复旦创新研究院 异常检测器推荐方法、装置及设备
CN111177505A (zh) * 2019-12-31 2020-05-19 中国移动通信集团江苏有限公司 指标异常检测模型的训练方法、推荐的方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105929812A (zh) * 2016-04-18 2016-09-07 北京科技大学 带钢热连轧质量的故障诊断方法及装置
CN110991508A (zh) * 2019-11-25 2020-04-10 珠海复旦创新研究院 异常检测器推荐方法、装置及设备
CN111177505A (zh) * 2019-12-31 2020-05-19 中国移动通信集团江苏有限公司 指标异常检测模型的训练方法、推荐的方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
猿媛之家等: "《Python程序员面试笔试宝典》", 31 March 2020, 机械工业出版社 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116541228A (zh) * 2023-07-06 2023-08-04 深圳市彤兴电子有限公司 显示器的触控响应检测方法、装置以及计算机设备
CN116541228B (zh) * 2023-07-06 2024-01-19 深圳市彤兴电子有限公司 显示器的触控响应检测方法、装置以及计算机设备
CN117608257A (zh) * 2024-01-23 2024-02-27 江苏中天互联科技有限公司 线缆排产方案的生成方法及电子设备
CN117608257B (zh) * 2024-01-23 2024-05-28 江苏中天互联科技有限公司 线缆排产方案的生成方法及电子设备

Similar Documents

Publication Publication Date Title
Schlegel et al. Towards a rigorous evaluation of XAI methods on time series
JP7026092B2 (ja) 記述情報を決定する方法、装置、電子デバイス、コンピュータ可読媒体およびコンピュータプログラム
CN110472082B (zh) 数据处理方法、装置、存储介质及电子设备
CN110175236B (zh) 用于文本分类的训练样本生成方法、装置和计算机设备
CN113515653A (zh) 基于历史数据的模型推荐方法、装置、设备及存储介质
US10902339B2 (en) System and method providing automatic completion of task structures in a project plan
US20100205039A1 (en) Demand forecasting
CN108229588B (zh) 一种基于深度学习的机器学习识别方法
CN110826302A (zh) 调查问卷创建方法、装置、介质及电子设备
CN113222149B (zh) 模型训练方法、装置、设备和存储介质
US8977061B2 (en) Merging face clusters
CN105488599B (zh) 预测文章热度的方法和装置
CN111400126A (zh) 网络服务异常数据检测方法、装置、设备和介质
CN111159481B (zh) 图数据的边预测方法、装置及终端设备
CN113838548A (zh) 病例信息处理方法、装置及医疗信息系统
CN112860989A (zh) 课程推荐方法、装置、计算机设备及存储介质
CN110990445A (zh) 一种数据处理方法、装置、设备和介质
US20230401809A1 (en) Image data augmentation device and method
CN112860851A (zh) 基于根因分析的课程推荐方法、装置、设备及介质
CN112364185A (zh) 多媒体资源的特征确定方法、装置、电子设备和存储介质
CN112131274A (zh) 时间序列异常点的检测方法、装置、设备及可读存储介质
CN111582302A (zh) 车辆识别方法、装置、设备及存储介质
Kusa et al. Vombat: A tool for visualising evaluation measure behaviour in high-recall search tasks
US20220405299A1 (en) Visualizing feature variation effects on computer model prediction
CN110929526A (zh) 样本生成方法、装置以及电子设备

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20211019