CN114298204A - 设备屏幕划痕检测模型训练方法及设备屏幕划痕检测方法 - Google Patents
设备屏幕划痕检测模型训练方法及设备屏幕划痕检测方法 Download PDFInfo
- Publication number
- CN114298204A CN114298204A CN202111598733.6A CN202111598733A CN114298204A CN 114298204 A CN114298204 A CN 114298204A CN 202111598733 A CN202111598733 A CN 202111598733A CN 114298204 A CN114298204 A CN 114298204A
- Authority
- CN
- China
- Prior art keywords
- scratch
- attribute information
- detection
- detection model
- screen
- 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
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种设备屏幕划痕检测模型训练方法及设备屏幕划痕检测方法,在获取到各智能设备的划痕属性信息后,将划痕属性信息以及对应的智能设备是否存在划痕作为训练数据,训练用于检测设备屏幕是否存在划痕的检测模型。基于此,避免了使用图像识别进行检测所遇到的干扰因素,保证划痕检测的稳定。同时,检测模型可通过智能设备的数据量进行持续训练,有利于逐步提高划痕检测的准确率,并有效地降低划痕检测的硬件成本。
Description
技术领域
本发明涉及电子产品技术领域,特别是涉及一种设备屏幕划痕检测模型训练方法及设备屏幕划痕检测方法。
背景技术
随着电子产品技术的发展,各种智能设备层出不穷,例如智能手机、笔记本电脑和平板电脑等。目前,伴随着经济和技术的高速发展,智能设备的普及和更新换代速度也越来越快。以智能手机为例,5G时代的到来,加速了智能手机的换代。在智能设备进行迭代的过程中,有效回收是智能设备剩余价值的有效利用手段之一,可减少对环境的化学污染以及减少浪费。
其中,屏幕作为智能设备的显示和人机交互部分,对智能设备的回收估价有着显著的影响。尤其是设备屏幕是否存在划痕这一项,会严重影响后续使用者的体验,因而影响回收价值。因此,在回收智能设备的过程中,需要检测智能设备的屏幕是否存在划痕现象。
传统检测设备屏幕划痕的方式是先设置屏幕显示底色并调整光线,通过拍摄设备屏幕,然后对设备屏幕进行图像检测,识别设备屏幕是否存在划痕。然而,在检测拍摄过程中如果存在光线问题、摄像头问题或者设备屏幕变暗时,很容易造成漏判现象,影响设备屏幕划痕检测的准确性。
发明内容
基于此,有必要针对传统检测设备屏幕划痕的方式还存在的不足,提供一种设备屏幕划痕检测模型训练方法及设备屏幕划痕检测方法。
一种设备屏幕划痕检测模型训练方法,包括步骤:
获取各智能设备的划痕属性信息;其中,部分智能设备存在划痕,另一部分智能设备不存在划痕;
将划痕属性信息以及对应的智能设备是否存在划痕作为训练数据,训练用于检测设备屏幕是否存在划痕的检测模型。
上述的设备屏幕划痕检测模型训练方法,在获取到各智能设备的划痕属性信息后,将划痕属性信息以及对应的智能设备是否存在划痕作为训练数据,训练用于检测设备屏幕是否存在划痕的检测模型。基于此,避免了使用图像识别进行检测所遇到的干扰因素,保证划痕检测的稳定。同时,检测模型可通过智能设备的数据量进行持续训练,有利于逐步提高划痕检测的准确率,并有效地降低划痕检测的硬件成本。
在其中一个实施例中,在将划痕属性信息以及对应的智能设备是否存在划痕作为训练数据,训练用于检测设备屏幕是否存在划痕的检测模型的过程之前,还包括步骤:
对划痕属性信息进行数据预处理。
在其中一个实施例中,对划痕属性信息进行数据预处理的过程,包括步骤:
对划痕属性信息些年进行数据清洗处理。
在其中一个实施例中,对划痕属性信息进行数据预处理的过程,包括步骤:
将划痕属性信息离散化。
在其中一个实施例中,对划痕属性信息进行数据预处理的过程,包括步骤:
将划痕属性信息标准化。
在其中一个实施例中,检测模型包括决策树预测模型、随机森林预测模型和SVM模型。
在其中一个实施例中,检测模型包括SVM模型;
其中,SVM模型的超平面表达式如下式:
在其中一个实施例中,划痕属性信息包括智能设备的设备持有人性别、设备出厂时间和设备是否贴膜。
一种设备屏幕划痕检测模型训练装置,包括:
训练信息获取模块,用于获取各智能设备的划痕属性信息;其中,部分智能设备存在划痕,另一部分智能设备不存在划痕;
数据训练模块,用于将划痕属性信息以及对应的智能设备是否存在划痕作为训练数据,训练用于检测设备屏幕是否存在划痕的检测模型。
上述的设备屏幕划痕检测模型训练装置,在获取到各智能设备的划痕属性信息后,将划痕属性信息以及对应的智能设备是否存在划痕作为训练数据,训练用于检测设备屏幕是否存在划痕的检测模型。基于此,避免了使用图像识别进行检测所遇到的干扰因素,保证划痕检测的稳定。同时,检测模型可通过智能设备的数据量进行持续训练,有利于逐步提高划痕检测的准确率,并有效地降低划痕检测的硬件成本。
一种计算机存储介质,其上存储有计算机指令,计算机指令被处理器执行时实现上述任一实施例的设备屏幕划痕检测模型训练方法。
上述的计算机存储介质,在获取到各智能设备的划痕属性信息后,将划痕属性信息以及对应的智能设备是否存在划痕作为训练数据,训练用于检测设备屏幕是否存在划痕的检测模型。基于此,避免了使用图像识别进行检测所遇到的干扰因素,保证划痕检测的稳定。同时,检测模型可通过智能设备的数据量进行持续训练,有利于逐步提高划痕检测的准确率,并有效地降低划痕检测的硬件成本。
一种计算机设备,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,处理器执行程序时实现上述任一实施例的设备屏幕划痕检测模型训练方法。
上述的计算机设备,在获取到各智能设备的划痕属性信息后,将划痕属性信息以及对应的智能设备是否存在划痕作为训练数据,训练用于检测设备屏幕是否存在划痕的检测模型。基于此,避免了使用图像识别进行检测所遇到的干扰因素,保证划痕检测的稳定。同时,检测模型可通过智能设备的数据量进行持续训练,有利于逐步提高划痕检测的准确率,并有效地降低划痕检测的硬件成本。
一种设备屏幕划痕检测方法,包括步骤:
获取待测智能设备的划痕属性信息;
将划痕属性信息输入检测模型,获得设备屏幕划痕检测结果。
上述的设备屏幕划痕检测方法,在获取到待测智能设备的划痕属性信息后,将划痕属性信息输入检测模型,获得设备屏幕划痕检测结果。基于此,避免了使用图像识别进行检测所遇到的干扰因素,保证划痕检测的稳定。同时,检测模型可通过智能设备的数据量进行持续训练,有利于逐步提高划痕检测的准确率,并有效地降低划痕检测的硬件成本。
在其中一个实施例中,在将划痕属性信息输入检测模型,获得设备屏幕划痕检测结果的过程之前,还包括步骤:
对划痕属性信息进行数据预处理。
一种设备屏幕划痕检测装置,包括:
信息获取模块,用于获取待测智能设备的划痕属性信息;
结果输出模块,用于将划痕属性信息输入检测模型,获得设备屏幕划痕检测结果。
上述的设备屏幕划痕检测装置,在获取到待测智能设备的划痕属性信息后,将划痕属性信息输入检测模型,获得设备屏幕划痕检测结果。基于此,避免了使用图像识别进行检测所遇到的干扰因素,保证划痕检测的稳定。同时,检测模型可通过智能设备的数据量进行持续训练,有利于逐步提高划痕检测的准确率,并有效地降低划痕检测的硬件成本。
一种计算机存储介质,其上存储有计算机指令,计算机指令被处理器执行时实现上述任一实施例的设备屏幕划痕检测方法。
上述的计算机存储介质,在获取到待测智能设备的划痕属性信息后,将划痕属性信息输入检测模型,获得设备屏幕划痕检测结果。基于此,避免了使用图像识别进行检测所遇到的干扰因素,保证划痕检测的稳定。同时,检测模型可通过智能设备的数据量进行持续训练,有利于逐步提高划痕检测的准确率,并有效地降低划痕检测的硬件成本。
一种计算机设备,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,处理器执行程序时实现上述任一实施例的设备屏幕划痕检测方法。
上述的计算机设备,在获取到待测智能设备的划痕属性信息后,将划痕属性信息输入检测模型,获得设备屏幕划痕检测结果。基于此,避免了使用图像识别进行检测所遇到的干扰因素,保证划痕检测的稳定。同时,检测模型可通过智能设备的数据量进行持续训练,有利于逐步提高划痕检测的准确率,并有效地降低划痕检测的硬件成本。
附图说明
图1为一实施方式的设备屏幕划痕检测模型训练方法流程图;
图2为另一实施方式的设备屏幕划痕检测模型训练方法流程图;
图3为一实施方式的设备屏幕划痕检测模型训练装置模块结构图;
图4为一实施方式的设备屏幕划痕检测方法流程图;
图5为一实施方式的设备屏幕划痕检测装置模块结构图;
图6为一实施方式的计算机内部构造示意图。
具体实施方式
为了更好地理解本发明的目的、技术方案以及技术效果,以下结合附图和实施例对本发明进行进一步的讲解说明。同时声明,以下所描述的实施例仅用于解释本发明,并不用于限定本发明。
本发明实施例提供了一种设备屏幕划痕检测模型训练方法。
图1为一实施方式的设备屏幕划痕检测模型训练方法流程图,如图1所示,一实施方式的设备屏幕划痕检测模型训练方法包括步骤S100和步骤S101:
S100,获取各智能设备的划痕属性信息;其中,部分智能设备存在划痕,另一部分智能设备不存在划痕;
S101,将划痕属性信息以及对应的智能设备是否存在划痕作为训练数据,训练用于检测设备屏幕是否存在划痕的检测模型。
其中,划痕属性信息与智能设备的屏幕划痕存在相关联,包括与智能设备屏幕的使用状态、自身属性类型或用户的使用习惯等存在关联。
在其中一个实施例中,划痕属性信息包括智能设备的设备持有人性别、设备出厂时间和设备是否贴膜。这部分划痕属性信息对设备屏幕划痕影响比较大。
同时,将智能设备是否存在划痕作为类标签数据,进行后续检测模型训练中是否有划痕的类输出。其中,智能设备是否存在划痕指智能设备的屏幕是否存在划痕。
在其中一个实施例中,图2为另一实施方式的设备屏幕划痕检测模型训练方法流程图,如图2所示,在步骤S101中将划痕属性信息以及对应的智能设备是否存在划痕作为训练数据,训练用于检测设备屏幕是否存在划痕的检测模型的过程之前,还包括步骤S200:
S200,对划痕属性信息进行数据预处理。
其中,通过对划痕属性信息进行数据预处理,将划痕属性信息预处理为符合后续检测模型数据识别要求的数据。
在其中一个实施例中,步骤S200中对划痕属性信息进行数据预处理的过程,包括步骤:
对划痕属性信息些年进行数据清洗处理。
清洗影响划痕的划痕属性信息,例如:对于智能设备是否贴膜,设备持有人性别的这些独立的属性数据,如果缺失了部分数据则删除;对于设备出厂时间这种跟机型相关的属性,可以通过计算相同机型的设备出厂时间的均值来代替缺失值;如果有重复记录的异常数据直接去重删除。
在其中一个实施例中,步骤S200中对划痕属性信息进行数据预处理的过程,包括步骤:
将划痕属性信息离散化。
对划痕属性信息进行离散化,例如:
对于设备出厂时间,可按照设备回收时间减去原值得到的月数,称为使用时长代替;
对于是否贴膜,是为1,否为2;
对于设备持有人性别,男为1,女为2;
对于是否划痕损耗的类标签,是为1,否为-1。
在其中一个实施例中,步骤S200中对划痕属性信息进行数据预处理的过程,包括步骤:
将划痕属性信息标准化。
例如:设备使用时的属性范围比较大,影响计算时长,因此对其进行标准化,使其区间在(0,1)之间。
将划痕属性信息作为检测模型的数据集进行模型训练。作为一个较优的实施方式,将数据集按照8:2的比例划分数据集为训练集,测试集。
其中,进行类输出的检测模型包括决策树预测模型、随机森林预测模型和SVM模型。
作为一个较优的实施方式,检测模型选用SVM模型,并对SVM模型进行适应性改进,以更好地适应智能设备的划痕检测,改进如下:
SVM的原理为求取一个超平面能将类别数据从正中间分割,在超平面的上方为正样本1,在超平面的下方为负样本-1,那么对于多维空间的平面公式为:
wTx+b=0
其中,x=(x1,x2,x3)=(’设备使用时长’,’设备是否贴膜’,’设备持有人性别’)为输入的数据,维度为3;
w=(w1,w2,w3)为法向量,决定了超平面的方向,T为转置;b为位移项,决定了超平面(w,b)跟原点的距离。
而距离超平面最近的点为支持向量,超平面应该在两个类的支持向量的正中间,也就是将数据类别最大间隔化。那么假设支持向量到超平面的距离为r,根据二维空间点到直线距离公式:
可以得出点x=(x1,x2,x3)到超平面(w,b)的距离为:
因此对于两种类别情况可以得出:
由于||w||r是正数,暂令它为1,可以将其转换成:
由上式y(wTx+b)>1>0可得:
既然是最大化这个间隔,也就是最大化r,因此要求:
由于支持向量为最接近超平面的点,因此对于支持向量有:
y(wTx+b)=1
可得最大化后的间隔距离为:
可转换成最优化问题:
s.t.yi(wTx+b)≥1
构造拉格朗日函数,利用强对偶性转化以及对w,b求偏导数求解上式,可得最终式:
但由于现实数据大部分是线性不可分的,且上式几乎都是在求内积,于是引入变换后的混合核函数来对超平面进行在低维空间计算内积结果后再映射到高维空间,减少检测模型的计算量,变换后的混合核函数的公式为:
k=μkpoly+(1-μ)krbf+C
其中单核函数的公式分别为:
kpoly(x,xi)=[(x·xi)+h]q
将混合函数与平面函数结合,得到超平面的表达公式为:
f(x)=wk(x)+b
代入最终式可得:
最后用SMO算法进行求解,其中根据各种尝试训练优化后得各种最优参数:μ=0.95,C=1.5,h=1,q=2,δ=0.25;将各种参数代入求w,b,那么就可以得到超平面公式了。
基于改进后的SVM模型,以设备属性信息作为训练数据,训练检测模型用于进行是否存在划痕的类输出。
上述任一实施例的设备屏幕划痕检测模型训练方法,在获取到各智能设备的划痕属性信息后,将划痕属性信息以及对应的智能设备是否存在划痕作为训练数据,训练用于检测设备屏幕是否存在划痕的检测模型。基于此,避免了使用图像识别进行检测所遇到的干扰因素,保证划痕检测的稳定。同时,检测模型可通过智能设备的数据量进行持续训练,有利于逐步提高划痕检测的准确率,并有效地降低划痕检测的硬件成本。
本发明实施例还提供了一种设备屏幕划痕检测模型训练装置。
图3为一实施方式的设备屏幕划痕检测模型训练装置模块结构图,如图3所示,一实施方式的设备屏幕划痕检测模型训练装置包括:
训练信息获取模块100,用于获取各智能设备的划痕属性信息;其中,部分智能设备存在划痕,另一部分智能设备不存在划痕;
数据训练模块101,用于将划痕属性信息以及对应的智能设备是否存在划痕作为训练数据,训练用于检测设备屏幕是否存在划痕的检测模型。
上述的设备屏幕划痕检测模型训练装置,在获取到各智能设备的划痕属性信息后,将划痕属性信息以及对应的智能设备是否存在划痕作为训练数据,训练用于检测设备屏幕是否存在划痕的检测模型。基于此,避免了使用图像识别进行检测所遇到的干扰因素,保证划痕检测的稳定。同时,检测模型可通过智能设备的数据量进行持续训练,有利于逐步提高划痕检测的准确率,并有效地降低划痕检测的硬件成本。
本发明实施例还提供了一种设备屏幕划痕检测方法。
图4为一实施方式的设备屏幕划痕检测方法流程图,如图4所示,一实施方式的设备屏幕划痕检测方法包括步骤S300和步骤S301:
S300,获取待测智能设备的划痕属性信息;
S301,将划痕属性信息输入检测模型,获得设备屏幕划痕检测结果。
上述的设备屏幕划痕检测方法,在获取到待测智能设备的划痕属性信息后,将划痕属性信息输入检测模型,获得设备屏幕划痕检测结果。基于此,避免了使用图像识别进行检测所遇到的干扰因素,保证划痕检测的稳定。同时,检测模型可通过智能设备的数据量进行持续训练,有利于逐步提高划痕检测的准确率,并有效地降低划痕检测的硬件成本。
在其中一个实施例中,在将划痕属性信息输入检测模型,获得设备屏幕划痕检测结果的过程之前,还包括步骤:
对划痕属性信息进行数据预处理。
通过如上述步骤S200的数据预处理,将划痕属性信息处理为符合检测模型数据要求的输出数据,根据检测模型进行类输出。
上述的设备屏幕划痕检测方法,在获取到待测智能设备的划痕属性信息后,将划痕属性信息输入检测模型,获得设备屏幕划痕检测结果。基于此,避免了使用图像识别进行检测所遇到的干扰因素,保证划痕检测的稳定。同时,检测模型可通过智能设备的数据量进行持续训练,有利于逐步提高划痕检测的准确率,并有效地降低划痕检测的硬件成本。
本发明实施例还提供了一种设备屏幕划痕检测装置。
图5为一实施方式的设备屏幕划痕检测装置模块结构图,如图5所示,一实施方式的设备屏幕划痕检测装置包括:
信息获取模块200,用于获取待测智能设备的划痕属性信息;
结果输出模块201,用于将划痕属性信息输入检测模型,获得设备屏幕划痕检测结果。
上述的设备屏幕划痕检测装置,在获取到待测智能设备的划痕属性信息后,将划痕属性信息输入检测模型,获得设备屏幕划痕检测结果。基于此,避免了使用图像识别进行检测所遇到的干扰因素,保证划痕检测的稳定。同时,检测模型可通过智能设备的数据量进行持续训练,有利于逐步提高划痕检测的准确率,并有效地降低划痕检测的硬件成本。
本发明实施例还提供了一种计算机存储介质,其上存储有计算机指令,该指令被处理器执行时实现上述任一实施例的设备屏幕划痕检测模型训练方法或设备屏幕划痕检测方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存划痕属性信息储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也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,本发明实施例的技术方案本质上或者说对相关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、终端、或者网络设备等)执行本发明各个实施例方法的全部或部分。而前述的存储介质包括:移动存储设备、RAM、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
与上述的计算机存储介质对应的是,在一个实施例中还提供一种计算机设备,该计算机设备包括存储器、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,其中,处理器执行程序时实现如上述各实施例中的任意一种设备屏幕划痕检测模型训练方法或设备屏幕划痕检测方法。
该计算机设备可以是终端,其内部结构图可以如图6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、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种设备屏幕划痕检测模型训练方法或设备屏幕划痕检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
上述的计算机设备,在获取到各智能设备的划痕属性信息后,将划痕属性信息以及对应的智能设备是否存在划痕作为训练数据,训练用于检测设备屏幕是否存在划痕的检测模型。基于此,避免了使用图像识别进行检测所遇到的干扰因素,保证划痕检测的稳定。同时,检测模型可通过智能设备的数据量进行持续训练,有利于逐步提高划痕检测的准确率,并有效地降低划痕检测的硬件成本。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
2.根据权利要求1所述的设备屏幕划痕检测模型训练方法,其特征在于,在所述将所述划痕属性信息以及对应的智能设备是否存在划痕作为训练数据,训练用于检测设备屏幕是否存在划痕的检测模型的过程之前,还包括步骤:
对所述划痕属性信息进行数据预处理。
3.根据权利要求2所述的设备屏幕划痕检测模型训练方法,其特征在于,所述对所述划痕属性信息进行数据预处理的过程,包括步骤:
对所述划痕属性信息些年进行数据清洗处理。
4.根据权利要求2所述的设备屏幕划痕检测模型训练方法,其特征在于,所述对所述划痕属性信息进行数据预处理的过程,包括步骤:
将所述划痕属性信息离散化。
5.根据权利要求2所述的设备屏幕划痕检测模型训练方法,其特征在于,所述对所述划痕属性信息进行数据预处理的过程,包括步骤:
将所述划痕属性信息标准化。
6.根据权利要求1所述的设备屏幕划痕检测模型训练方法,其特征在于,所述检测模型还包括决策树预测模型或随机森林预测模型。
7.根据权利要求1所述的设备屏幕划痕检测模型训练方法,其特征在于,所述超平面表达式中:
μ=0.95,C=1.5,h=1,q=2,δ=0.25。
8.根据权利要求1至6任意一项所述的设备屏幕划痕检测模型训练方法,其特征在于,所述划痕属性信息包括所述智能设备的设备持有人性别、设备出厂时间和设备是否贴膜。
9.一种设备屏幕划痕检测方法,其特征在于,包括步骤:
获取待测智能设备的划痕属性信息;
将所述划痕属性信息输入检测模型,获得设备屏幕划痕检测结果。
10.根据权利要求9所述的设备屏幕划痕检测方法,其特征在于,在所述将所述划痕属性信息输入检测模型,获得设备屏幕划痕检测结果的过程之前,还包括步骤:
对所述划痕属性信息进行数据预处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111598733.6A CN114298204A (zh) | 2021-12-24 | 2021-12-24 | 设备屏幕划痕检测模型训练方法及设备屏幕划痕检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111598733.6A CN114298204A (zh) | 2021-12-24 | 2021-12-24 | 设备屏幕划痕检测模型训练方法及设备屏幕划痕检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114298204A true CN114298204A (zh) | 2022-04-08 |
Family
ID=80969027
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111598733.6A Pending CN114298204A (zh) | 2021-12-24 | 2021-12-24 | 设备屏幕划痕检测模型训练方法及设备屏幕划痕检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114298204A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11989701B2 (en) | 2014-10-03 | 2024-05-21 | Ecoatm, Llc | System for electrically testing mobile devices at a consumer-operated kiosk, and associated devices and methods |
-
2021
- 2021-12-24 CN CN202111598733.6A patent/CN114298204A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11989701B2 (en) | 2014-10-03 | 2024-05-21 | Ecoatm, Llc | System for electrically testing mobile devices at a consumer-operated kiosk, and associated devices and methods |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106068520A (zh) | 个性化的机器学习模型 | |
WO2021136027A1 (zh) | 相似图像检测方法、装置、设备及存储介质 | |
CN109815333A (zh) | 信息获取方法、装置、计算机设备和存储介质 | |
CN110705489B (zh) | 目标识别网络的训练方法、装置、计算机设备和存储介质 | |
CN110309297A (zh) | 垃圾文本检测方法、可读存储介质和计算机设备 | |
WO2020143301A1 (zh) | 一种训练样本有效性检测方法、计算机设备及计算机非易失性存储介质 | |
CN110909784A (zh) | 一种图像识别模型的训练方法、装置及电子设备 | |
CN113298078A (zh) | 设备屏幕碎裂检测模型训练方法及设备屏幕碎裂检测方法 | |
CN111723870A (zh) | 基于人工智能的数据集获取方法、装置、设备和介质 | |
CN113159013A (zh) | 基于机器学习的段落识别方法、装置、计算机设备和介质 | |
CN107357782B (zh) | 一种识别用户性别的方法及终端 | |
CN114298204A (zh) | 设备屏幕划痕检测模型训练方法及设备屏幕划痕检测方法 | |
CN114330533A (zh) | 设备屏幕老化二分类模型训练方法及设备屏幕老化检测方法 | |
CN113132523B (zh) | 通话检测模型训练方法及通话检测方法 | |
CN114118526A (zh) | 一种企业风险预测方法、装置、设备及存储介质 | |
CN112839185B (zh) | 用于处理图像的方法、装置、设备和介质 | |
CN113238680A (zh) | 屏幕断触检测方法及装置 | |
CN115827877B (zh) | 一种提案辅助并案的方法、装置、计算机设备和存储介质 | |
CN114330534A (zh) | 设备屏幕透图检测模型训练方法及设备屏幕透图检测方法 | |
CN113901996A (zh) | 设备屏幕透图检测模型训练方法及设备屏幕透图检测方法 | |
CN114494856A (zh) | 设备机型检测模型训练方法及设备机型检测方法 | |
CN113887609A (zh) | 设备屏幕老化检测模型训练方法及设备屏幕老化检测方法 | |
CN114374795B (zh) | 应用于回收检测的拍照亮度调整方法及装置 | |
CN113329222B (zh) | 摄像功能检测方法及装置 | |
WO2020167156A1 (ru) | Способ отладки обученной рекуррентной нейронной сети |
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 |