CN114298345A - 回收估价输出模型训练方法及回收估价输出方法 - Google Patents
回收估价输出模型训练方法及回收估价输出方法 Download PDFInfo
- Publication number
- CN114298345A CN114298345A CN202111639608.5A CN202111639608A CN114298345A CN 114298345 A CN114298345 A CN 114298345A CN 202111639608 A CN202111639608 A CN 202111639608A CN 114298345 A CN114298345 A CN 114298345A
- Authority
- CN
- China
- Prior art keywords
- model
- valuation
- information
- training
- recovery
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种回收估价输出模型训练方法及回收估价输出方法,在读取样本智能设备的组件信息,且获取样本智能设备的外观信息后,根据组件信息、外观信息和对应样本智能设备的真实估价,建立数据集。进一步地,建立估价训练模型,通过数据集训练用于输出估价信息的回收估价输出模型。基于此,通过真实估价已知的样本智能设备,进行估价训练模型的训练,将组件信息、外观信息与真实估价建立模型关联,在后续确定相应组件信息和外观信息即可完成模型的自动回收估价,降低主观因素对回收估价干扰的同时,还能有效降低人力成本,提高回收估价的效率和准确性。
Description
技术领域
本发明涉及电子产品技术领域,特别是涉及一种回收估价输出模型训练方法及回收估价输出方法。
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。
在智能设备回收完毕后,通常需要进行估价,以对智能设备的用户进行相应报价。传统的估价方式是以相关人员的主观判断进行确定,主观确定估价价格。然而,主观因素在不同主体间存在较大差异,难以统一准确客观的估价标准。
发明内容
基于此,有必要针对传统回收估价的方式还存在的不足,提供一种回收估价输出模型训练方法及回收估价输出方法。
一种回收估价输出模型训练方法,包括步骤:
读取样本智能设备的组件信息;
获取样本智能设备的外观信息;
根据组件信息、外观信息和对应样本智能设备的真实估价,建立数据集;
建立估价训练模型,通过数据集训练用于输出估价信息的回收估价输出模型。
上述的回收估价输出模型训练方法,在读取样本智能设备的组件信息,且获取样本智能设备的外观信息后,根据组件信息、外观信息和对应样本智能设备的真实估价,建立数据集。进一步地,建立估价训练模型,通过数据集训练用于输出估价信息的回收估价输出模型。基于此,通过真实估价已知的样本智能设备,进行估价训练模型的训练,将组件信息、外观信息与真实估价建立模型关联,在后续确定相应组件信息和外观信息即可完成模型的自动回收估价,降低主观因素对回收估价干扰的同时,还能有效降低人力成本,提高回收估价的效率和准确性。
在其中一个实施例中,在读取样本智能设备的组件信息的过程之后,还包括步骤:
对组件信息进行归一化。
在其中一个实施例中,对组件信息进行归一化的过程,如下式:
其中,Fi表示数据集中的第i列特征。
在其中一个实施例中,在获取样本智能设备的外观信息的过程之后,还包括步骤:
将外观信息编码化。
在其中一个实施例中,将外观信息编码化的过程,包括步骤:
将外观信息一位有效编码化。
在其中一个实施例中,估价训练模型包括卷积神经网络模型、线性最小二乘法回归模型、基于RBF核的SVM模型或随机森林回归模型。
在其中一个实施例中,估价训练模型包括卷积神经网络模型;
其中,卷积神经网络模型包括若干个子模型,卷积神经网络模型的输出结果为子模型的输出加权平均值。
在其中一个实施例中,还包括步骤:
通过误差处理算法对估价训练模型进行约束。
在其中一个实施例中,组件信息包括样本智能设备的品牌、型号、颜色、内存、存储空间、保险剩余天数、解锁状态、销售地区、基带信息、WiFi状态、摄像头状态、屏幕液晶状态、指纹状态、面部识别状态或传感器状态。
一种回收估价输出模型训练装置,包括:
信息读取模块,用于读取样本智能设备的组件信息;
第一获取模块,用于获取样本智能设备的外观信息;
数据建立模块,用于根据组件信息、外观信息和对应样本智能设备的真实估价,建立数据集;
模型训练模块,用于建立估价训练模型,通过数据集训练用于输出估价信息的回收估价输出模型。
上述的回收估价输出模型训练装置,在读取样本智能设备的组件信息,且获取样本智能设备的外观信息后,根据组件信息、外观信息和对应样本智能设备的真实估价,建立数据集。进一步地,建立估价训练模型,通过数据集训练用于输出估价信息的回收估价输出模型。基于此,通过真实估价已知的样本智能设备,进行估价训练模型的训练,将组件信息、外观信息与真实估价建立模型关联,在后续确定相应组件信息和外观信息即可完成模型的自动回收估价,降低主观因素对回收估价干扰的同时,还能有效降低人力成本,提高回收估价的效率和准确性。
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回收估价输出模型训练方法。
上述的计算机存储介质,在读取样本智能设备的组件信息,且获取样本智能设备的外观信息后,根据组件信息、外观信息和对应样本智能设备的真实估价,建立数据集。进一步地,建立估价训练模型,通过数据集训练用于输出估价信息的回收估价输出模型。基于此,通过真实估价已知的样本智能设备,进行估价训练模型的训练,将组件信息、外观信息与真实估价建立模型关联,在后续确定相应组件信息和外观信息即可完成模型的自动回收估价,降低主观因素对回收估价干扰的同时,还能有效降低人力成本,提高回收估价的效率和准确性。
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回收估价输出模型训练方法。
上述的计算机设备,在读取样本智能设备的组件信息,且获取样本智能设备的外观信息后,根据组件信息、外观信息和对应样本智能设备的真实估价,建立数据集。进一步地,建立估价训练模型,通过数据集训练用于输出估价信息的回收估价输出模型。基于此,通过真实估价已知的样本智能设备,进行估价训练模型的训练,将组件信息、外观信息与真实估价建立模型关联,在后续确定相应组件信息和外观信息即可完成模型的自动回收估价,降低主观因素对回收估价干扰的同时,还能有效降低人力成本,提高回收估价的效率和准确性。
一种回收估价输出方法,包括步骤:
读取待测智能设备的组件信息,并获取待测智能设备的外观信息;
根据组件信息和外观信息作为训练数据输入回收估价输出模型,获得回收估价输出模型的输出结果;其中,输出结果为回收估价。
上述的回收估价输出方法,在读取待测智能设备的组件信息,并待测智能设备的外观信息后,根据组件信息和外观信息作为训练数据输入回收估价输出模型,获得回收估价输出模型的输出结果。基于此,确定相应组件信息和外观信息即可完成模型的自动回收估价,降低主观因素对回收估价干扰的同时,还能有效降低人力成本,提高回收估价的效率和准确性。
一种回收估价输出装置,包括步骤:
第二获取模块,用于读取待测智能设备的组件信息,并获取待测智能设备的外观信息;
结果输出模块,用于根据组件信息和外观信息作为训练数据输入回收估价输出模型,获得回收估价输出模型的输出结果;其中,输出结果为回收估价。
上述的回收估价输出装置,在读取待测智能设备的组件信息,并待测智能设备的外观信息后,根据组件信息和外观信息作为训练数据输入回收估价输出模型,获得回收估价输出模型的输出结果。基于此,确定相应组件信息和外观信息即可完成模型的自动回收估价,降低主观因素对回收估价干扰的同时,还能有效降低人力成本,提高回收估价的效率和准确性。
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回收估价输出方法。
上述的计算机存储介质,在读取待测智能设备的组件信息,并待测智能设备的外观信息后,根据组件信息和外观信息作为训练数据输入回收估价输出模型,获得回收估价输出模型的输出结果。基于此,确定相应组件信息和外观信息即可完成模型的自动回收估价,降低主观因素对回收估价干扰的同时,还能有效降低人力成本,提高回收估价的效率和准确性。
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回收估价输出方法。
上述的计算机设备,在读取待测智能设备的组件信息,并待测智能设备的外观信息后,根据组件信息和外观信息作为训练数据输入回收估价输出模型,获得回收估价输出模型的输出结果。基于此,确定相应组件信息和外观信息即可完成模型的自动回收估价,降低主观因素对回收估价干扰的同时,还能有效降低人力成本,提高回收估价的效率和准确性。
附图说明
图1为一实施方式的回收估价输出模型训练方法流程图;
图2为另一实施方式的回收估价输出模型训练方法流程图;
图3为一实施方式的估价训练模型结构示意图;
图4为一实施方式的回收估价输出模型训练装置模块结构图;
图5为一实施方式的回收估价输出方法流程图;
图6为一实施方式的回收估价输出装置模块结构图;
图7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回收估价输出模型训练方法。
图1为一实施方式的回收估价输出模型训练方法流程图,如图1所示,一实施方式的回收估价输出模型训练方法包括步骤S100至步骤S103:
S100,读取样本智能设备的组件信息;
S101,获取样本智能设备的外观信息;
S102,根据组件信息、外观信息和对应样本智能设备的真实估价,建立数据集;
S103,建立估价训练模型,通过数据集训练用于输出估价信息的回收估价输出模型。
其中,样本机型包括各不同类型的智能设备。组件信息为样本智能设备在回收检测中,通过插线连接可读取的信息,例如通过USB插线进行读取的信息,包括样本智能设备的品牌、型号、颜色、内存、存储空间、保险剩余天数、解锁状态、销售地区、基带信息、WiFi状态、摄像头状态、屏幕液晶状态、指纹状态、面部识别状态或传感器状态等组件信息。
根据组件信息可建立数据集,例如数据集X=[F1 F2 F3…F15 A]。其中,F1-F15表示组件信息,A表示组件信息对应样本智能设备已知的真实估价。
在其中一个实施例中,图2为另一实施方式的回收估价输出模型训练方法流程图,如图2所示,在步骤S100中读取样本智能设备的组件信息的过程之后,还包括步骤S200:
S200,对组件信息进行归一化。
将组件信息归一化,以统一数据集X内各组件信息的参考标准。
在其中一个实施例中,步骤S200中对组件信息进行归一化的过程,如下式:
其中,Fi表示数据集中的第i列特征。
其中,样本智能设备的外观信息,包括外观图像或外观的瑕疵分析结果。
在其中一个实施例中,外观图像包括样本智能设备的正面外观图像或背面外观图像。瑕疵分析结果包括正面外观图像中的完好、划痕、缺角/碎裂、亮、坏点/压伤/轻微发黄/小老化、花屏/漏液/有线屏/透图/大老化;背面外观图像中的完好、划痕、磕碰、掉漆。
在其中一个实施例中,如图2所示,在步骤S101中获取样本智能设备的外观信息的过程之后,还包括步骤S201:
S201,将外观信息编码化。
将外观信息编码化,以统一数据集被外观信息与组件信息的数据标准,将外观信息编码化为适合后续估价训练模型的数据形式。
在其中一个实施例中,对外观信息进行编码化包括离散数据编码或有效编码。作为一个较优的实施方式,将外观信息编码化的过程,包括步骤:
将外观信息一位有效编码化。
以背面外观图像为例,将瑕疵分析结果“完好”一位有效编码化为“1000”,将瑕疵分析结果“划痕”一位有效编码化为“0100”,将瑕疵分析结果“磕碰”一位有效编码化为“0010”,将瑕疵分析结果“掉漆”一位有效编码化为“0001”。
在其中一个实施例中,加入外观信息的数据集X表征为X=[F1 F2 F3…F15 F16F17 A]。其中,F16和F17为外观信息的编码化结果。
在其中一个实施例中,删除数据集X中包含空字符串或者类型为NULL的样本行。
在其中一个实施例中,将数据集X拆分为训练集和测试集,以便进行交叉验证。训练集用于后续估价训练模型的数据训练,测试集用于测试数据训练的结果输出准确性。
在其中一个实施例中,估价训练模型包括卷积神经网络模型、线性最小二乘法回归模型、基于RBF核的SVM模型、随机森林回归模型或利用Lightgbm/Xgboost/LassoRegression的训练模型。
作为一个较优的实施方式,估价训练模型选用卷积神经网络模型,以便于进行与真实估价对应标签输出的训练,适应外观图像一类的卷积处理过程。
在其中一个实施例中,图3为一实施方式的估价训练模型结构示意图,如图3所示,卷积神经网络模型包括若干个子模型(Model1-Model3),卷积神经网络模型的输出结果为子模型的输出加权平均值。
如图3所示,卷积神经网络模型包含三个子模型:Model1、Model2、Model3。
Model1由Conv1、Conv2、Conv3和Conv组成。
Model2由Conv4、Conv5、Conv6和Conv组成。
Model3由Conv7、Conv8、Conv9和Conv组成。
其中,Conv1由隐藏层节点数256和激活函数Relu组成。Conv2由隐藏层节点数64和激活函数Relu组成。Conv3由隐藏层节点数32和激活函数Relu组成。Conv仅包含一个节点数的隐藏层。
Conv4由隐藏层节点数256和激活函数Relu组成。Conv5由隐藏层节点数128和激活函数Relu组成。Conv6由隐藏层节点数64和激活函数Relu组成。
Conv7由隐藏层节点数512和激活函数Relu组成。Conv8由隐藏层节点数256和激活函数Relu组成。Conv9由隐藏层节点数128和激活函数Relu组成。
将Model1,Model2和Model3的估价输出结果,y_pred1、y_pred2和y_pred3经过加权平均后,输出最终的估价输出结果y_pred。
在其中一个实施例中,如图2所示,另一实施方式的回收估价输出模型训练方法还包括步骤S300:
S300,通过误差处理算法对估价训练模型进行约束。
在其中一个实施例中,误差处理算法包括和方误差算法、均方误差算法、均方根误差算法、平均绝对误差算法或均方根对数误差算法。
作为一个较优的实施方式,误差处理算法选用均方根对数误差Root MeanSquared Logarithmic Error(RMSLE),来对估价训练模型进行评估。
ε表示RMSLE值,n表示测试用的数据集个数,pi表示数据集中第i个样本的预测估价,ai表示数据集中第i个样本的真实估价,log(x)表示x自然对数,这里的x表示pi+1或者ai+1。
上述任一实施例的回收估价输出模型训练方法,在读取样本智能设备的组件信息,且获取样本智能设备的外观信息后,根据组件信息、外观信息和对应样本智能设备的真实估价,建立数据集。进一步地,建立估价训练模型,通过数据集训练用于输出估价信息的回收估价输出模型。基于此,通过真实估价已知的样本智能设备,进行估价训练模型的训练,将组件信息、外观信息与真实估价建立模型关联,在后续确定相应组件信息和外观信息即可完成模型的自动回收估价,降低主观因素对回收估价干扰的同时,还能有效降低人力成本,提高回收估价的效率和准确性。
本发明实施例还提供一种回收估价输出模型训练装置。
图4为一实施方式的回收估价输出模型训练装置模块结构图,如图4所示,一实施方式的回收估价输出模型训练装置包括:
信息读取模块100,用于读取样本智能设备的组件信息;
第一获取模块101,用于获取样本智能设备的外观信息;
数据建立模块102,用于根据组件信息、外观信息和对应样本智能设备的真实估价,建立数据集;
模型训练模块103,用于建立估价训练模型,通过数据集训练用于输出估价信息的回收估价输出模型。
上述的回收估价输出模型训练装置,在读取样本智能设备的组件信息,且获取样本智能设备的外观信息后,根据组件信息、外观信息和对应样本智能设备的真实估价,建立数据集。进一步地,建立估价训练模型,通过数据集训练用于输出估价信息的回收估价输出模型。基于此,通过真实估价已知的样本智能设备,进行估价训练模型的训练,将组件信息、外观信息与真实估价建立模型关联,在后续确定相应组件信息和外观信息即可完成模型的自动回收估价,降低主观因素对回收估价干扰的同时,还能有效降低人力成本,提高回收估价的效率和准确性。
本发明实施例还提供了一种回收估价输出方法。
图5为一实施方式的回收估价输出方法流程图,如图5所示,一实施方式的回收估价输出方法包括步骤S400和步骤S401:
S400,读取待测智能设备的组件信息,并获取待测智能设备的外观信息;
S401,根据组件信息和外观信息作为训练数据输入回收估价输出模型,获得回收估价输出模型的输出结果;其中,输出结果为回收估价。
上述的回收估价输出方法,在读取待测智能设备的组件信息,并待测智能设备的外观信息后,根据组件信息和外观信息作为训练数据输入回收估价输出模型,获得回收估价输出模型的输出结果。基于此,确定相应组件信息和外观信息即可完成模型的自动回收估价,降低主观因素对回收估价干扰的同时,还能有效降低人力成本,提高回收估价的效率和准确性。
本发明实施例还提供了一种回收估价输出装置。
图6为一实施方式的回收估价输出装置模块结构图,如图6所示,一实施方式的回收估价输出装置包括:
第二获取模块200,用于读取待测智能设备的组件信息,并获取待测智能设备的外观信息;
结果输出模块201,用于根据组件信息和外观信息作为训练数据输入回收估价输出模型,获得回收估价输出模型的输出结果;其中,输出结果为回收估价。
上述的回收估价输出装置,在读取待测智能设备的组件信息,并待测智能设备的外观信息后,根据组件信息和外观信息作为训练数据输入回收估价输出模型,获得回收估价输出模型的输出结果。基于此,确定相应组件信息和外观信息即可完成模型的自动回收估价,降低主观因素对回收估价干扰的同时,还能有效降低人力成本,提高回收估价的效率和准确性。
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回收估价输出模型训练方法或回收估价输出方法。
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)、存透图属性信息储器总线(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回收估价输出模型训练方法或回收估价输出方法。
该计算机设备可以是终端,其内部结构图可以如图7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回收估价输出模型训练方法或回收估价输出方法。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,在读取样本智能设备的组件信息,且获取样本智能设备的外观信息后,根据组件信息、外观信息和对应样本智能设备的真实估价,建立数据集。进一步地,建立估价训练模型,通过数据集训练用于输出估价信息的回收估价输出模型。基于此,通过真实估价已知的样本智能设备,进行估价训练模型的训练,将组件信息、外观信息与真实估价建立模型关联,在后续确定相应组件信息和外观信息即可完成模型的自动回收估价,降低主观因素对回收估价干扰的同时,还能有效降低人力成本,提高回收估价的效率和准确性。
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)
1.一种回收估价输出模型训练方法,其特征在于,包括步骤:
读取样本智能设备的组件信息;
获取所述样本智能设备的外观信息;
根据所述组件信息、所述外观信息和对应样本智能设备的真实估价,建立数据集;
建立估价训练模型,通过所述数据集训练用于输出估价信息的所述回收估价输出模型。
2.根据权利要求1所述的回收估价输出模型训练方法,其特征在于,在所述读取样本智能设备的组件信息的过程之后,还包括步骤:
对所述组件信息进行归一化。
4.根据权利要求1所述的回收估价输出模型训练方法,其特征在于,在所述获取所述样本智能设备的外观信息的过程之后,还包括步骤:
将所述外观信息编码化。
5.根据权利要求4所述的回收估价输出模型训练方法,其特征在于,所述将所述外观信息编码化的过程,包括步骤:
将所述外观信息一位有效编码化。
6.根据权利要求1所述的回收估价输出模型训练方法,其特征在于,所述估价训练模型包括卷积神经网络模型、线性最小二乘法回归模型、基于RBF核的SVM模型或随机森林回归模型。
7.根据权利要求6所述的回收估价输出模型训练方法,其特征在于,所述估价训练模型包括卷积神经网络模型;
其中,所述卷积神经网络模型包括若干个子模型,所述卷积神经网络模型的输出结果为所述子模型的输出加权平均值。
8.根据权利要求1所述的回收估价输出模型训练方法,其特征在于,还包括步骤:
通过误差处理算法对所述估价训练模型进行约束。
9.根据权利要求1至8任意一项所述的回收估价输出模型训练方法,其特征在于,所述组件信息包括样本智能设备的品牌、型号、颜色、内存、存储空间、保险剩余天数、解锁状态、销售地区、基带信息、WiFi状态、摄像头状态、屏幕液晶状态、指纹状态、面部识别状态或传感器状态。
10.一种回收估价输出方法,其特征在于,包括步骤:
读取待测智能设备的组件信息,并获取所述待测智能设备的外观信息;
根据所述组件信息和外观信息作为训练数据输入回收估价输出模型,获得所述回收估价输出模型的输出结果;其中,所述输出结果为回收估价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111639608.5A CN114298345A (zh) | 2021-12-29 | 2021-12-29 | 回收估价输出模型训练方法及回收估价输出方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111639608.5A CN114298345A (zh) | 2021-12-29 | 2021-12-29 | 回收估价输出模型训练方法及回收估价输出方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114298345A true CN114298345A (zh) | 2022-04-08 |
Family
ID=80972433
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111639608.5A Pending CN114298345A (zh) | 2021-12-29 | 2021-12-29 | 回收估价输出模型训练方法及回收估价输出方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114298345A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116681428A (zh) * | 2023-08-03 | 2023-09-01 | 天津奇立软件技术有限公司 | 电子设备的智能回收管理系统及方法 |
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
- 2021-12-29 CN CN202111639608.5A patent/CN114298345A/zh active Pending
Cited By (3)
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 |
CN116681428A (zh) * | 2023-08-03 | 2023-09-01 | 天津奇立软件技术有限公司 | 电子设备的智能回收管理系统及方法 |
CN116681428B (zh) * | 2023-08-03 | 2023-09-29 | 天津奇立软件技术有限公司 | 电子设备的智能回收管理系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190370647A1 (en) | Artificial intelligence analysis and explanation utilizing hardware measures of attention | |
CN111767228B (zh) | 基于人工智能的界面测试方法、装置、设备和介质 | |
CN109376631B (zh) | 一种基于神经网络的回环检测方法及装置 | |
CN114298345A (zh) | 回收估价输出模型训练方法及回收估价输出方法 | |
CN110033018B (zh) | 图形相似度判断方法、装置及计算机可读存储介质 | |
CN114155244B (zh) | 缺陷检测方法、装置、设备及存储介质 | |
CN113159147A (zh) | 基于神经网络的图像识别方法、装置、电子设备 | |
CN113705297A (zh) | 检测模型的训练方法、装置、计算机设备和存储介质 | |
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 | |
CN112308069A (zh) | 一种软件界面的点击测试方法、装置、设备及存储介质 | |
CN111444802B (zh) | 一种人脸识别方法、装置及智能终端 | |
CN113538070A (zh) | 用户生命价值周期检测方法、装置和计算机设备 | |
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 | |
CN117558011A (zh) | 基于自一致性矩阵和多尺度损失的图像文本篡改检测方法 | |
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 | |
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 | |
CN114494856A (zh) | 设备机型检测模型训练方法及设备机型检测方法 | |
CN116977271A (zh) | 缺陷检测方法、模型训练方法、装置及电子设备 | |
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 | |
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 | |
CN113591963A (zh) | 设备侧面损耗检测模型训练方法及设备侧面损耗检测方法 | |
CN114495108A (zh) | 字符检测方法、装置、电子设备及可读介质 | |
CN112200254A (zh) | 一种网络入侵检测模型生成方法、检测方法及电子设备 |
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 |