CN114494856A - 设备机型检测模型训练方法及设备机型检测方法 - Google Patents

设备机型检测模型训练方法及设备机型检测方法 Download PDF

Info

Publication number
CN114494856A
CN114494856A CN202111639614.0A CN202111639614A CN114494856A CN 114494856 A CN114494856 A CN 114494856A CN 202111639614 A CN202111639614 A CN 202111639614A CN 114494856 A CN114494856 A CN 114494856A
Authority
CN
China
Prior art keywords
model
appearance image
detection
equipment
appearance
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
CN202111639614.0A
Other languages
English (en)
Inventor
田寨兴
许锦屏
余卫宇
廖伟权
刘嘉
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.)
Guangzhou Epbox Information Technology Co ltd
Original Assignee
Guangzhou Epbox Information 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 Guangzhou Epbox Information Technology Co ltd filed Critical Guangzhou Epbox Information Technology Co ltd
Priority to CN202111639614.0A priority Critical patent/CN114494856A/zh
Publication of CN114494856A publication Critical patent/CN114494856A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种设备机型检测模型训练方法及设备机型检测方法，在获取各类样本机型的外观图像后，外观图像作为数据集、外观图像对应的机型作为分类标签，建立卷积神经网络模型以训练用于检测智能设备机型的检测模型。基于此，后续可通过检测模型对智能设备的机型进行识别检测，在降低人力成本的同时，提高识别准确率和效率。

Description

设备机型检测模型训练方法及设备机型检测方法
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机型检测模型训练方法及设备机型检测方法。
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。
在对智能设备的回收检测中，需要对智能设备的机型进行确定，为回收估价提供参考。然而，在回收检测的机型确定过程中，存在许多问题。例如，部分在检测设备机型时用别的型号的智能设备代替检测，比如用完好无损的其他智能设备机型的背面代替原先破损的智能设备背面，影响回收估价的准确性。同时，通过识别外观来确定智能设备机型需要质检人员肉眼识别，效率低下的同时，也存在较大的人力成本和人为误差。
由此可见，传统的设备机型检测方式还存在诸多不足。
发明内容
基于此，有必要针对传统的设备机型检测方式还存在的不足，提供一种设备机型检测模型训练方法及设备机型检测方法。
一种设备机型检测模型训练方法，包括步骤：
获取各类样本机型的外观图像；
将外观图像作为数据集、外观图像对应的机型作为分类标签，建立卷积神经网络模型以训练用于检测智能设备机型的检测模型。
上述的设备机型检测模型训练方法，在获取各类样本机型的外观图像后，外观图像作为数据集、外观图像对应的机型作为分类标签，建立卷积神经网络模型以训练用于检测智能设备机型的检测模型。基于此，后续可通过检测模型对智能设备的机型进行识别检测，在降低人力成本的同时，提高识别准确率和效率。
在其中一个实施例中，在将外观图像作为数据集、外观图像对应的机型作为分类标签，建立卷积神经网络模型以训练用于检测智能设备机型的检测模型的过程之前，还包括步骤：
对外观图像进行变换处理，以丰富数据集。
在其中一个实施例中，对外观图像进行变换处理，以丰富数据集的过程，包括步骤：
对外观图像进行透视变换、相似变换或旋转变换处理。
在其中一个实施例中，在将外观图像作为数据集、外观图像对应的机型作为分类标签，建立卷积神经网络模型以训练用于检测智能设备机型的检测模型的过程之前，还包括步骤：
对变换处理后的外观图像进行裁剪处理。
在其中一个实施例中，在将外观图像作为数据集、外观图像对应的机型作为分类标签，建立卷积神经网络模型以训练用于检测智能设备机型的检测模型的过程之前，还包括步骤：
对外观图像进行图像增强处理。
在其中一个实施例中，对外观图像进行图像增强处理的过程，包括步骤：
对外观图像进行伽马增强、锐化增强或像素增强处理。
在其中一个实施例中，将外观图像作为数据集、外观图像对应的机型作为分类标签，建立卷积神经网络模型以训练用于检测智能设备机型的检测模型的过程，包括步骤：
读取卷积神经网络模型的模型参数，对数据集进行迭代训练；
比较迭代训练输出的特征所属类别与真实类别，获得用于修改权重的误差值。
在其中一个实施例中，模型参数包括迭代次数、分类标签或外观图像大小。
在其中一个实施例中，卷积神经网络模型包括Faster R-CNN模型。
一种设备机型检测模型训练装置，包括：
样本图像获取模块，用于获取各类样本机型的外观图像；
检测模型训练模块，用于将外观图像作为数据集、外观图像对应的机型作为分类标签，建立卷积神经网络模型以训练用于检测智能设备机型的检测模型。
上述的设备机型检测模型训练装置，在获取各类样本机型的外观图像后，外观图像作为数据集、外观图像对应的机型作为分类标签，建立卷积神经网络模型以训练用于检测智能设备机型的检测模型。基于此，后续可通过检测模型对智能设备的机型进行识别检测，在降低人力成本的同时，提高识别准确率和效率。
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机型检测模型训练方法。
上述的计算机存储介质，在获取各类样本机型的外观图像后，外观图像作为数据集、外观图像对应的机型作为分类标签，建立卷积神经网络模型以训练用于检测智能设备机型的检测模型。基于此，后续可通过检测模型对智能设备的机型进行识别检测，在降低人力成本的同时，提高识别准确率和效率。
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机型检测模型训练方法。
上述的计算机设备，在获取各类样本机型的外观图像后，外观图像作为数据集、外观图像对应的机型作为分类标签，建立卷积神经网络模型以训练用于检测智能设备机型的检测模型。基于此，后续可通过检测模型对智能设备的机型进行识别检测，在降低人力成本的同时，提高识别准确率和效率。
一种设备机型检测方法，包括步骤：
获取待测智能设备的待测外观图像；
将待测外观图像输入检测模型，获得待测智能设备的机型检测结果。
上述的设备机型检测方法，在获取待测智能设备的待测外观图像后，将待测外观图像输入检测模型，获得待测智能设备的机型检测结果。基于此，通过检测模型对智能设备的机型进行识别检测，在降低人力成本的同时，提高识别准确率和效率。
一种设备机型检测装置，包括：
待测图像获取模块，用于获取待测智能设备的待测外观图像；
检测模型输出模块，用于将待测外观图像输入检测模型，获得待测智能设备的机型检测结果。
上述的设备机型检测装置，在获取待测智能设备的待测外观图像后，将待测外观图像输入检测模型，获得待测智能设备的机型检测结果。基于此，通过检测模型对智能设备的机型进行识别检测，在降低人力成本的同时，提高识别准确率和效率。
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机型检测方法。
上述的计算机存储介质，在获取待测智能设备的待测外观图像后，将待测外观图像输入检测模型，获得待测智能设备的机型检测结果。基于此，通过检测模型对智能设备的机型进行识别检测，在降低人力成本的同时，提高识别准确率和效率。
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机型检测方法。
上述的计算机设备，在获取待测智能设备的待测外观图像后，将待测外观图像输入检测模型，获得待测智能设备的机型检测结果。基于此，通过检测模型对智能设备的机型进行识别检测，在降低人力成本的同时，提高识别准确率和效率。
附图说明
图1为一实施方式的设备机型检测模型训练方法流程图；
图2为另一实施方式的设备机型检测模型训练方法流程图；
图3为一具体应用例的设备机型检测模型训练方法流程图；
图4为一实施方式的设备机型检测模型训练装置模块结构图；
图5为一实施方式的设备机型检测方法流程图；
图6为一实施方式的设备机型检测装置模块结构图；
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设备机型检测模型训练方法。
图1为一实施方式的设备机型检测模型训练方法流程图，如图1所示，一实施方式的设备机型检测模型训练方法包括步骤S100和步骤S101：
S100，获取各类样本机型的外观图像；
S101，将外观图像作为数据集、外观图像对应的机型作为分类标签，建立卷积神经网络模型以训练用于检测智能设备机型的检测模型。
其中，样本机型包括各不同类型的智能设备。采集样本机型的外观图像，包括正面图像、背面图像或侧面图像。作为一个较优的实施方式，采集样本机型的背面图像，作为外观图像。同时，建立外观图像与样本机型已知机型的对应关系。
在其中一个实施例中，图2为另一实施方式的设备机型检测模型训练方法流程图，如图2所示，在步骤S101中将外观图像作为数据集、外观图像对应的机型作为分类标签，建立卷积神经网络模型以训练用于检测智能设备机型的检测模型的过程之前，还包括步骤S200：
S200，对外观图像进行变换处理，以丰富数据集。
通过变换处理，降低对样本机型的外观图像采集数量。同时，丰富由外观图像构成的数据集，为后续的卷积神经网络模型提供更多数据集，防止卷积神经网络模型因数据集数据量过少而引起过拟合现象。
在其中一个实施例中，对外观图像进行变换处理，以丰富数据集的过程，包括步骤：
对外观图像进行透视变换、相似变换或旋转变换处理。
在其中一个实施例中，透视变换用于将外观图像投影到一个新平面上，其变换公式为：
Figure BDA0003443074930000071
其中(a，b)为原始外观图像的像素点坐标，变换后的像素点坐标为(x＝x′/z′，y＝y′/z′)，D为变换矩阵。
在其中一个实施例中，相似变换用于改变外观图像偏移角度，其变换公式为：
Figure BDA0003443074930000072
其中为x，y原始外观图像的像素点坐标，x′，y′为变换之后的像素点坐标，W为变换矩阵。
其中，旋转变换用于以获得样本背面在经过不同拍摄角度时造成的各式各样的外观图像，用于改变外观图像的图片偏移角度，其变换公式为：
Figure BDA0003443074930000073
其中为x，y原始像素点坐标，x′，y′为变换之后的像素点坐标，W为变换矩阵。
在其中一个实施例中，如图2所示，在步骤S101中将外观图像作为数据集、外观图像对应的机型作为分类标签，建立卷积神经网络模型以训练用于检测智能设备机型的检测模型的过程之前，还包括步骤S201：
S201，对变换处理后的外观图像进行裁剪处理。
在经过步骤S200的多张变换处理后，外观图像会出现之前未包含在图像边界框内的像素，因此要把这部分像素裁剪掉。在其中一个实施例中，可裁剪掉图像边界框边缘区域的0％-20％。作为一个较优的实施方式，裁剪掉图像边界框边缘区域的10％。
在确定外观图像后，根据外观图像进行样本机型的分类标签确定。例如，根据全部样本机型的尺寸大小或摄像头类型，将样本机型归纳为八大类，每一大类对应一分类标签。
在其中一个实施例中，如图2所示，在步骤S101中将外观图像作为数据集、外观图像对应的机型作为分类标签，建立卷积神经网络模型以训练用于检测智能设备机型的检测模型的过程之前，还包括步骤S202：
S202，对外观图像进行图像增强处理。
通过图像增强，丰富外观图像的细节，以便于后续的卷积神经网络模型的特征提取。
在其中一个实施例中，对外观图像进行图像增强处理的过程，包括步骤：
对外观图像进行伽马增强、锐化增强或像素增强处理。
作为一个较优的实施方式，先对外观图像进行早期的gamma变换，再利用imgaug的顺序增强器sequential对图片进行多重增强处理，包括Add像素加法增强器和Sharpen锐化增强器，使得外观图像的图片特征变得比之前清晰，为卷积神经网络模型训练提高准确率。
在其中一个实施例中，卷积神经网络模型包括Faster R-CNN模型，以适应上述的变换处理和图像增强处理过程。
在其中一个实施例中，如图2所示，步骤S101中将外观图像作为数据集、外观图像对应的机型作为分类标签，建立卷积神经网络模型以训练用于检测智能设备机型的检测模型的过程，包括步骤S300和步骤S301：
S300，读取卷积神经网络模型的模型参数，对数据集进行迭代训练；
S301，比较迭代训练输出的特征所属类别与真实类别，获得用于修改权重的误差值。
其中，模型参数包括迭代次数、数据类别或图像尺寸等参数。读取迭代次数epoch、数据类别class_num或图片尺寸size等参数对数据集进行迭代训练，每迭代一次对特征边框进行描绘且每个类用不同的颜色，得出特征所属的类别，与分类标签比较，得出误差值，修改权重，继续迭代循环，直到循环次数等于迭代次数，终止模型的训练，得出在该基础卷积神经网络模型下的最优模型best.pt。
为了更好地解释上述实施例，以下以一具体应用例对上述较优实施方式的步骤限定。图3为一具体应用例的设备机型检测模型训练方法流程图，如图3所示，数据集划分为训练集和测试机，以进一步校准卷积神经网络模型。
上述任一实施例的设备机型检测模型训练方法，在获取各类样本机型的外观图像后，外观图像作为数据集、外观图像对应的机型作为分类标签，建立卷积神经网络模型以训练用于检测智能设备机型的检测模型。基于此，后续可通过检测模型对智能设备的机型进行识别检测，在降低人力成本的同时，提高识别准确率和效率。
本发明实施例还提供了一种设备机型检测模型训练装置。
图4为一实施方式的设备机型检测模型训练装置模块结构图，如图4所示，一实施方式的设备机型检测模型训练装置包括：
样本图像获取模块100，用于获取各类样本机型的外观图像；
检测模型训练模块101，用于将外观图像作为数据集、外观图像对应的机型作为分类标签，建立卷积神经网络模型以训练用于检测智能设备机型的检测模型。
上述的设备机型检测模型训练装置，在获取各类样本机型的外观图像后，外观图像作为数据集、外观图像对应的机型作为分类标签，建立卷积神经网络模型以训练用于检测智能设备机型的检测模型。基于此，后续可通过检测模型对智能设备的机型进行识别检测，在降低人力成本的同时，提高识别准确率和效率。
本发明实施例还提供了一种设备机型检测方法。
图5为一实施方式的设备机型检测方法流程图，如图5所示，一实施方式的设备机型检测方法包括步骤S400和步骤S401：
S400，获取待测智能设备的待测外观图像；
S401，将待测外观图像输入检测模型，获得待测智能设备的机型检测结果。
上述的设备机型检测方法，在获取待测智能设备的待测外观图像后，将待测外观图像输入检测模型，获得待测智能设备的机型检测结果。基于此，通过检测模型对智能设备的机型进行识别检测，在降低人力成本的同时，提高识别准确率和效率。
本发明实施例还提供了一种设备机型检测模型训练装置。
图6为一实施方式的设备机型检测装置模块结构图，如图6所示，一实施方式的设备机型检测装置包括：
待测图像获取模块200，用于获取待测智能设备的待测外观图像；
检测模型输出模块201，用于将待测外观图像输入检测模型，获得待测智能设备的机型检测结果。
上述的设备机型检测装置，在获取待测智能设备的待测外观图像后，将待测外观图像输入检测模型，获得待测智能设备的机型检测结果。基于此，通过检测模型对智能设备的机型进行识别检测，在降低人力成本的同时，提高识别准确率和效率。
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机型检测模型训练方法或设备机型检测方法。
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设备机型检测模型训练方法或设备机型检测方法。
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设备机型检测模型训练方法或设备机型检测方法。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，在获取各类样本机型的外观图像后，外观图像作为数据集、外观图像对应的机型作为分类标签，建立卷积神经网络模型以训练用于检测智能设备机型的检测模型。基于此，后续可通过检测模型对智能设备的机型进行识别检测，在降低人力成本的同时，提高识别准确率和效率。
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)

1.一种设备机型检测模型训练方法，其特征在于，包括步骤：
获取各类样本机型的外观图像；
将所述外观图像作为数据集、所述外观图像对应的机型作为分类标签，建立卷积神经网络模型以训练用于检测智能设备机型的检测模型。
2.根据权利要求1所述的设备机型检测模型训练方法，其特征在于，在所述将所述外观图像作为数据集、所述外观图像对应的机型作为分类标签，建立卷积神经网络模型以训练用于检测智能设备机型的检测模型的过程之前，还包括步骤：
对所述外观图像进行变换处理，以丰富所述数据集。
3.根据权利要求2所述的设备机型检测模型训练方法，其特征在于，所述对所述外观图像进行变换处理，以丰富所述数据集的过程，包括步骤：
对所述外观图像进行透视变换、相似变换或旋转变换处理。
4.根据权利要求2所述的设备机型检测模型训练方法，其特征在于，在所述将所述外观图像作为数据集、所述外观图像对应的机型作为分类标签，建立卷积神经网络模型以训练用于检测智能设备机型的检测模型的过程之前，还包括步骤：
对所述变换处理后的外观图像进行裁剪处理。
5.根据权利要求1所述的设备机型检测模型训练方法，其特征在于，在所述将所述外观图像作为数据集、所述外观图像对应的机型作为分类标签，建立卷积神经网络模型以训练用于检测智能设备机型的检测模型的过程之前，还包括步骤：
对所述外观图像进行图像增强处理。
6.根据权利要求5所述的设备机型检测模型训练方法，其特征在于，所述对所述外观图像进行图像增强处理的过程，包括步骤：
对所述外观图像进行伽马增强、锐化增强或像素增强处理。
7.根据权利要求1所述的设备机型检测模型训练方法，其特征在于，所述将所述外观图像作为数据集、所述外观图像对应的机型作为分类标签，建立卷积神经网络模型以训练用于检测智能设备机型的检测模型的过程，包括步骤：
读取卷积神经网络模型的模型参数，对所述数据集进行迭代训练；
比较所述迭代训练输出的特征所属类别与真实类别，获得用于修改权重的误差值。
8.根据权利要求1所述的设备机型检测模型训练方法，其特征在于，所述模型参数包括迭代次数、分类标签或外观图像大小。
9.根据权利要求1所述的设备机型检测模型训练方法，其特征在于，所述卷积神经网络模型包括Faster R-CNN模型。
10.一种设备机型检测方法，其特征在于，包括步骤：
获取待测智能设备的待测外观图像；
将所述待测外观图像输入检测模型，获得所述待测智能设备的机型检测结果。
CN202111639614.0A 2021-12-29 2021-12-29 设备机型检测模型训练方法及设备机型检测方法 Pending CN114494856A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111639614.0A CN114494856A (zh) 2021-12-29 2021-12-29 设备机型检测模型训练方法及设备机型检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111639614.0A CN114494856A (zh) 2021-12-29 2021-12-29 设备机型检测模型训练方法及设备机型检测方法

Publications (1)

Publication Number Publication Date
CN114494856A true CN114494856A (zh) 2022-05-13

Family

ID=81508187

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111639614.0A Pending CN114494856A (zh) 2021-12-29 2021-12-29 设备机型检测模型训练方法及设备机型检测方法

Country Status (1)

Country Link
CN (1) CN114494856A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
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

Cited By (1)

* Cited by examiner, † Cited by third party
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
US11710293B2 (en) Target detection method and apparatus, computer-readable storage medium, and computer device
CN107798299B (zh) 票据信息识别方法、电子装置及可读存储介质
WO2019174130A1 (zh) 票据识别方法、服务器及计算机可读存储介质
CN109829453B (zh) 一种卡证中文字的识别方法、装置以及计算设备
US20190294921A1 (en) Field identification in an image using artificial intelligence
CN109345553B (zh) 一种手掌及其关键点检测方法、装置和终端设备
CN107886082B (zh) 图像中数学公式检测方法、装置、计算机设备及存储介质
CN114155244B (zh) 缺陷检测方法、装置、设备及存储介质
CN111476271B (zh) 图标识别的方法、装置、系统、计算机设备和存储介质
CN112396047B (zh) 训练样本生成方法、装置、计算机设备和存储介质
CN109165654B (zh) 一种目标定位模型的训练方法和目标定位方法及装置
CN112308069A (zh) 一种软件界面的点击测试方法、装置、设备及存储介质
WO2022134354A1 (zh) 车损检测模型训练、车损检测方法、装置、设备及介质
CN111144398A (zh) 目标检测方法、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
CN114723677A (zh) 图像缺陷检测方法、检测装置、检测设备及存储介质
CN114298345A (zh) 回收估价输出模型训练方法及回收估价输出方法
CN114494856A (zh) 设备机型检测模型训练方法及设备机型检测方法
JP2021182441A (ja) 画像を処理するための方法、装置、機器、媒体およびプログラム
CN113780116A (zh) 发票分类方法、装置、计算机设备和存储介质
CN117115823A (zh) 一种篡改识别方法、装置、计算机设备和存储介质
CN113034530A (zh) 手机摆放检测方法及装置
CN113269752A (zh) 一种图像检测方法、装置终端设备及存储介质
CN116225956A (zh) 自动化测试方法、装置、计算机设备和存储介质
CN110532971A (zh) 图像处理及装置、训练方法以及计算机可读存储介质

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