CN115265881B - 压力检测方法和装置 - Google Patents

Abstract

本申请涉及一种压力检测方法和装置，其中，该压力检测方法包括：通过获取待检测表面的当前结构数据；基于当前结构数据确定当前结构数据是否与标准结构数据向匹配，若匹配，则获取标准结构数据对应的标准检测模型；获取与待检测表面对应的第一数据集；基于第一数据集和标准检测模型确定目标检测模型；基于所述目标检测模型对所述待检测表面进行压力检测。本申请借助神经网络模型进行表面压力检测，并通过比较当前待检测表面与标准表面的表面结构，借助标准表面的标准神经网络加快当前待检测表面对应的目标检测模型的训练速度，解决了表面压力检测模型的设计效率低下问题，提高了表面压力检测模型的设计效率。

Description

压力检测方法和装置

技术领域

本申请涉及信号处理领域，特别是涉及一种压力检测方法和装置。

背景技术

随着电子技术和多媒体信息技术的快速发展，人们生活和工作中使用较为频繁的计算机如平板电脑以及手机汽车导航仪等多种电子产品，已经开始使用触摸屏来代替传统键盘、鼠标等来完成输入控制，在汽车产业内也有通过智能表面提升用户交互体验的趋势，触摸屏以及智能表面技术简化了人们对电子产品的操作过程，提升了用户体验。

精确感知所受压力，是屏幕产品及智能表面产品完成功能实现的必要条件。相关的压力检测方法中，通过建立压力传感器与压力数值的最小二乘法模型进行表面压力检测。建立起最小二乘法模型后，给定压力传感器读数，最小二乘法模型能够输出估计的压力数值。最小二乘法模型结构的建立，依赖物理推导与仿真，而模型的参数的确定则通过拟合若干压力传感器数值和压力值得到。然而，最小二乘法模型的建立依赖物理推导和仿真，需要机械方向的专业人士给出模型公式，导致为屏幕产品和智能表面产品设计压力检测模型的难度较高，设计效率较低。尤其在大批量的产品生产场景下，不同型号的产品，甚至同型号的产品之间，表面结构不可避免的会出现差异，此时就需要为产品配置对应的压力检测模型，而上述最小二乘法模型的复杂的设计过程在大批量产品生产场景下，其设计效率低下的确定会进一步被放大，甚至直接影响产品的生产效率。

针对相关技术中存在压力检测方案的设计效率低下问题，目前还没有提出有效的解决方案。

发明内容

在本实施例中提供了一种压力检测方法和装置，以解决相关技术中压力检测方案的设计效率低下的问题。

第一个方面，在本实施例中提供了一种压力检测方法，用于表面压力检测，包括：获取待检测表面的当前结构数据，当前结构数据包括当前表面参数和当前传感器参数；基于当前结构数据确定当前结构数据是否与标准结构数据相匹配，若匹配，则获取标准结构数据对应的标准检测模型，标准结构数据包括预设表面参数和预设传感器参数；获取与待检测表面对应的第一数据集，第一数据集包括第一压力值数据和第一传感器检测值数据；基于第一数据集和标准检测模型确定目标检测模型；基于所述目标检测模型对所述待检测表面进行压力检测。

在其中的一个实施例中，基于第一数据集和标准检测模型确定目标检测模型包括：根据第一数据集和第一预设比例确定第一训练集和第一验证集；将第一训练集输入标准检测模型，确定第一训练集损失值；根据第一训练集损失值和第一预设优化算法调整标准检测模型的模型参数，得到第一优化模型；根据第一验证集和第一优化模型计算第一验证集损失值，若第一验证集损失值未达到第一收敛值，则将第一数据集输入第一优化模型进行迭代计算，更新第一优化模型的模型参数，直至第一验证集损失值达到第一收敛值或迭代计算次数达到第一预设迭代次数，得到目标检测模型。

在其中的一个实施例中，获取与标准结构数据对应的标准检测模型之前包括：获取标准结构数据；基于标准结构数据获取与标准表面对应的第二数据集，第二数据集包括第二压力值数据和第二传感器检测值数据；基于第二数据集训练初始神经网络模型，得到标准检测模型。

在其中的一个实施例中，基于第二数据集训练初始神经网络模型，得到标准检测模型包括：基于第二数据集和第二预设比例确定第二训练集和第二验证集；将第二训练集输入初始神经网络模型，确定第二训练集损失值；根据第二训练集损失值和第二预设优化算法调整神经网络模型的模型参数，得到第二优化模型；根据第二验证集和优化模型计算第二验证集损失值，若第二验证集损失值未达到第二收敛值，则将第二数据集输入第二优化模型进行迭代计算，更新第二优化模型的模型参数，直至第二验证集损失值达到第二收敛值或迭代计算次数达到第二预设迭代次数，得到标准检测模型。

在其中的一个实施例中第一数据集的数据量小于第二数据集的数据量。

在其中的一个实施例中，基于第二数据集训练初始神经网络模型，得到标准检测模型包括：对初始神经网络模型进行剪枝处理，得到标准检测模型。

在其中的一个实施例中，基于目标检测模型对待检测表面进行压力检测包括：获取待检测表面的第三传感器检测值，将第三传感器检测值输入目标检测模型，确定待检测表面所受压力。

第二个方面，在本实施例中提供了一种压力检测装置，包括：

第一获取模块，用于获取待检测表面的当前结构数据，当前结构数据包括当前表面参数和当前传感器参数；

匹配模块，用于基于当前结构数据确定当前结构数据是否与标准结构数据相匹配，若匹配，则获取标准结构数据对应的标准检测模型，标准结构数据包括预设表面参数和预设传感器参数；

第二获取模块，用于获取与待检测表面对应的第一数据集，第一数据集包括第一压力值数据和第一传感器检测值数据；

训练模块，用于基于第一数据集和标准检测模型确定目标检测模型；

检测模块，用于基于目标检测模型对待检测表面进行压力检测。

第三个方面，在本实施例中提供了一种电子装置，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，处理器执行计算机程序时实现上述第一个方面的压力检测方法。

第四个方面，在本实施例中提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一个方面的压力检测方法。

与相关技术相比，在本实施例中提供的压力检测方法，通过获取待检测表面的当前结构数据，当前结构数据包括当前表面参数和当前传感器参数；基于当前结构数据确定当前结构数据是否与标准结构数据向匹配，若匹配，则获取标准结构数据对应的标准检测模型，标准结构数据包括预设表面参数和预设传感器参数；获取与待检测表面对应的第一数据集，第一数据集包括第一压力值数据和第一传感器检测值数据；基于第一数据集和标准检测模型确定目标检测模型，基于目标检测模型对待检测表面进行压力检测，实现了借助神经网络模型进行表面压力检测，并通过比较当前待检测表面与标准表面的表面结构，借助标准表面的标准神经网络加快当前待检测表面对应的目标检测模型的训练速度，解决了相关技术中存在的压力检测模型的设计效率低下问题，实现了提高压力检测模型的设计效率的技术效果。

本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是本实施例的压力检测方法的终端的硬件结构框图；

图2是本实施例的压力检测方法的流程图；

图3是根据本申请实施例的压力检测方法的迁移学习过程示意图；

图4是根据本申请实施例的压力检测方法的标准检测模型训练流程图；

图5是根据本申请另一实施例的压力检测方法的标准检测模型训练流程图；

图6是根据本申请实施例的表面压力检测方法的神经网络结构示意图；

图7是本实施例的压力检测装置的结构框图。

具体实施方式

为更清楚地理解本申请的目的、技术方案和优点，下面结合附图和实施例，对本申请进行了描述和说明。

除另作定义外，本申请所涉及的技术术语或者科学术语应具有本申请所属技术领域具备一般技能的人所理解的一般含义。在本申请中的“一”、“一个”、“一种”、“该”、“这些”等类似的词并不表示数量上的限制，它们可以是单数或者复数。在本申请中所涉及的术语“包括”、“包含”、“具有”及其任何变体，其目的是涵盖不排他的包含；例如，包含一系列步骤或模块（单元）的过程、方法和系统、产品或设备并未限定于列出的步骤或模块（单元），而可包括未列出的步骤或模块（单元），或者可包括这些过程、方法、产品或设备固有的其他步骤或模块（单元）。在本申请中所涉及的“连接”、“相连”、“耦接”等类似的词语并不限定于物理的或机械连接，而可以包括电气连接，无论是直接连接还是间接连接。在本申请中所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。通常情况下，字符“/”表示前后关联的对象是一种“或”的关系。在本申请中所涉及的术语“第一”、“第二”、“第三”等，只是对相似对象进行区分，并不代表针对对象的特定排序。

在本实施例中提供的方法实施例可以在终端、计算机或者类似的运算装置中执行。比如在终端上运行，图1是本实施例的压力检测方法的终端的硬件结构框图。如图1所示，终端可以包括一个或多个（图1中仅示出一个）处理器102和用于存储数据的存储器104，其中，处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置。上述终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述终端的结构造成限制。例如，终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示出的不同配置。

存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如在本实施例中的压力检测方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输设备106用于经由一个网络接收或者发送数据。上述的网络包括终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器（NetworkInterface Controller，简称为NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频（Radio Frequency，简称为RF）模块，其用于通过无线方式与互联网进行通讯。

屏幕是一种用于显示图像及色彩的设备，也称为显示屏。车载显示器分为两种，一种是放置在客车上面观看的电视，实质上就是车载电视，另一种是小尺寸车载显示器有3.5寸、4.3寸、7寸和9寸等等，一般有两路视频输入，一路可以接车载DVD使用，另一路接倒车影像车载摄像头用，有的还带有MP5视频播放和蓝牙功能。随着屏幕技术的发展，触摸屏技术现已为车载屏幕所广泛采用。准确检测屏幕受到的压力，可以有效减少误触引起的屏幕使用，提高屏幕的有效使用次数。同时，针对一些具备压力感应可以做出不同回应的APP，提高屏幕的压力检测精度也可以优化用户的屏幕使用体验。

智能表面是一种注塑表面增加了电子功能的产品。作为汽车内外饰件的传统注塑产品，为了美观和时尚，通常会采用一种塑胶薄膜与塑胶一起注塑或者粘接的工艺，在塑胶薄膜上印刷各种精美图案，而今，又开始在薄膜中增加电子层，实现触摸、光电显示、触摸时震动反馈等功能。这种把信息显示、智能控制、氛围照明等功能无缝整合至统一表面的技术统称为智能表面技术。智能表面技术把简单的塑料装饰件、玻璃或者其他传统功能性产品变成了智能科技产品。随着技术的快速发展与自动驾驶技术的不断成熟，驾驶舱逐渐转向智能座舱，传统汽车装饰件被赋予了“智能交互”的新功能，如可移动中控台、发光装饰件、隔音隔热前风窗玻璃、迎宾功能行李架等。汽车装饰件将是未来智能交互技术最重要的载体，给乘员带来更为舒适有趣的驾驶体验。在近年的国际电子消费展上，各大汽车厂商在其概念车上广泛应用智能表面技术，取代传统机械按键，甚至是整个装饰件表面变成显示或触控界面。同时业内企业也开始着眼于智能材料及智能表面技术的研究。汽车装饰件逐渐从传统装饰功能转向智能交互发展方向。

现有的屏幕产品和智能表面产品所采用的压力检测方案是建立压力传感器读数与压力数值的最小二乘法模型。给定压力传感器读数，最小二乘法模型能够输出估计的压力数值，最小二乘法模型的建立，依赖物理推导与仿真。而模型的参数的确立则通过拟合若干压力传感器数值和压力值得到。相关技术中，通过最小二乘法建立系统输入输出关系具有如下不足之处：其一是最小二乘法模型的建立依赖物理推导和仿真，需要机械方向的专业人士给出模型公式；其二是当表面产品结构发生变化，如传感器个数或位置发生变化，需要重新得到模型公式。设计过程较为复杂，设计效率低下。

在本申请实施例中，表面指的是可以实现压力感知功能的产品例如触摸屏和智能表面，其中，触摸屏包括电容式触摸屏和电阻式触摸屏，智能表面可以是触控显示表面、触控控制表面以及触控照明表面等。此外，本实施例的表面产品不局限与车载智能表面和车载触控屏幕，其他如手机屏幕、工控屏幕等，也可实现本申请实施例的压力检测方法。

在本实施例中提供了一种压力检测方法，用于表面压力检测，图2是本实施例的压力检测方法的流程图，如图2所示，该流程包括如下步骤：

步骤S201，获取待检测表面的当前结构数据，当前结构数据包括当前表面参数和当前传感器参数。

具体地，待检测表面是指当前需要进行表面压力检测的表面，以屏幕产品为例，在屏幕产品的生产过程中，针对不同的产品型号会划分不同的生产线。针对其中的一个型号，会首先设计出该型号的屏幕压力检测模型。但是在实际生产过程中，不可避免的会出现传感器偏差和/或屏幕偏差。例如在传感器在数量、位置上的偏差和传感器屏幕的屏幕尺寸、屏幕大小以及屏幕形状上的偏差。这些差异的存在，导致开发人员设计的屏幕并不能直接应用到任一屏幕产品上，需要对这些产品进行标定，使其在标定完成后可以按照相应的压力检测模型进行压力检测，因而将这些屏幕称为待检测屏幕。

与屏幕相连接的压力传感器以及信号处理模块也应视作屏幕结构的组成部分。压力传感器是能感受压力信号，并能按照一定的规律将压力信号转换成可用的输出的电信号的器件或装置。压力传感器通常由压力敏感元件和信号处理单元组成。按不同的测试压力类型，压力传感器可分为表压传感器、压差传感器和绝压传感器。当前结构数据是指与当前待检测屏幕连接的传感器参数以及屏幕参数。例如压力传感器的个数以及压力传感器在屏幕下方的坐标信息。该坐标信息可以是屏幕所在平面的二维坐标信息，也可以是预设空间坐标系下的三维坐标信息，本申请对此不作具体限定，能够清楚的表明传感器位置即可。此外，该传感器参数还可以包括传感器的型号等。屏幕参数包括了屏幕的重量、尺寸和形状等信息。通过获取当前结构数据，可以确定待检测屏幕的屏幕结构，从而选择适合待检测屏幕结构的神经网络训练方法。

步骤S202，基于当前结构数据确定当前结构数据是否与标准结构数据相匹配，若匹配，则获取标准结构数据对应的标准检测模型，标准结构数据包括预设表面参数和预设传感器参数。

具体地，标准结构数据与标准表面对应。在实际的生产活动中，可以根据实际生产情况，将具备某种特定结构的表面设置为标准表面。例如将压力传感器设置在矩形表面下方，与矩形表面的四个顶点位置接触，将该表面结构设置为标准结构，将该表面设置为标准表面，并将该标准的标准结构数据进行存储。在获取当前结构数据后，通过将当前结构数据与标准结构数据进行匹配，可以确定该当前待检测表面的表面结构中是否包括标准表面结构，若包括，则可获取基于标准表面结构对应的、经过预训练的标准检测模型。标准检测模型是基于训练集预先训练好的神经网络模型。

其中，将当前结构数据与标准结构数据进行匹配的过程，可以通过预置数据匹配条件的方式进行匹配。例如，基于压力传感器的数量进行匹配，若当前结构数据中压力传感器数量大于或者等于标准结构数据中的压力传感器数量，则判定当前结构数据与标准结构数据匹配。又例如：若当前结构数据中存在预设数量的压力传感器位置与标准结构数据中的压力传感器位置间的距离小于预设阈值，则判定当前结构数据与标准结构数据匹配。可以理解的，具体的匹配方案可以根据表面产品的结构进行调整。优选的，可以综合考虑压力传感器的数量信息和位置信息进行匹配。

在其中的一个实施例中，待检测表面与标准表面的匹配过程，可基于表面产品对应的产品型号实现。在表面产品的设计生产过程中，往往为某种特定结构的产品赋予产品型号，以进行产品的区分。可通过获取当前表面产品的产品型号，基于产品型号匹配对应的标准检测模型。

在其中的一个实施例中，待检测表面与标准表面还可以是不同型号的表面产品，也就是表面结构不完全相同的产品。通过设置预设匹配规则，比对待检测表面与标准表面的表面参数以及传感器参数，获取待标定产品相应的标准检测模型。

步骤S203，获取与待检测表面对应的第一数据集，第一数据集包括第一压力值数据和第一传感器检测值数据。

具体地，获取待检测表面的第一数据集。第一压力值数据是模拟用户按压表面时的压力。该压力通过机械设备进行模拟。在数据采集阶段：以第一压力值按压待检测表面，得到第一传感器检测值，该第一传感器检测值为传感器读数值。第一压力值数据与第一传感器检测值成对存在。

步骤S204，基于第一数据集和标准检测模型确定目标检测模型。

具体地，基于第一数据集对标准检测模型进行训练。在训练阶段，将第一传感器检测值作为标准检测模型的输入值，基于标准检测模型的输出值以及第一压力值数据调整标准检测模型的相关参数，得到目标检测模型。

步骤S205，基于所述目标检测模型对所述待检测表面进行压力检测。

具体地，在得到目标检测模型后，在表面压力检测阶段，通过获取传感器读数，将该传感器读数值输入目标检测模型，即可得到该表面此时受到的压力。

通过上述步骤，本申请实施例提供的压力检测方法，通过经训练的神经网络模型进行表面的压力检测，相对于相关技术中建立最小二乘法模型检测表面压力的方案，无需为了计算模型参数而寻求机械设计领域的专业人员的帮助，省去了物理推导及仿真过程。本申请中的方案，只需在数据采集阶段，获取多组表面的压力输入值以及对应的传感器输出值，即可基于获取的数据训练神经网络模型得到该表面的目标检测模型。大大降低了建立压力检测模型所需的专业知识。此外，借助神经网络模型的逼近性质，只需获取更多的表面系统的输入输出数据并对神经网络模型进行训练，即可得到更高精度的表面压力检测结果。此外，本申请将实际表面生产场景与神经网络模型训练过程中的迁移学习思想相结合。针对不同表面产品之间可能存在的相同特定结构训练标准检测模型；在进行表面压力检测过程中，若遇到存在该特定结构的待检测表面，则基于标准检测模型以及当前待检测表面的相关少量输入输出数据进行与该待检测表面相应目标检测模型的训练，由于目标检测模型基于标准检测模型训练而来，对于神经网络模型中的相关参数进行微调即可得到精度较高的目标检测模型，在保证检测精度的前提下极大提高了表面的压力检测模型的训练速度。

在其中的一个实施例中，基于第一数据集和标准检测模型确定目标检测模型包括：根据第一数据集和第一预设比例确定第一训练集和第一验证集；将第一训练集输入标准检测模型，确定第一训练集损失值；根据第一训练集损失值和第一预设优化算法调整标准检测模型的模型参数，得到第一优化模型；根据第一验证集和第一优化模型计算第一验证集损失值，若第一验证集损失值未达到第一收敛值，则将第一数据集输入第一优化模型进行迭代计算，更新第一优化模型的模型参数，直至第一验证集损失值达到第一收敛值或迭代计算次数达到第一预设迭代次数，得到目标检测模型。

具体地，对于一个具有相同特定结构的表面，采集少量成对输入输出数据。在若干固定位置，施加若干大小固定的力，获得对应压力传感器读数。形成小数据D_S。将D_S按照一定比例划分训练集和验证集。

目标检测模型的训练过程包括：将标准检测模型M_L在D_S上进行微调训练，得到最终模型M_S。初始化神经网络参数，该参数可直接采用标准检测模型中的参数。执行迭代训练流程：根据训练输入数据获取模型预测输出数据，其中，训练输入数据为第一训练集中的第一传感器检测值数据。根据模型预测输出数据和训练输出数据，计算训练集损失值；其中，模型预测输出数据为模型预测得到的表面压力检测值，训练输出数据为第一训练集中的第一压力值数据。对训练集损失值进行反向传播，得到模型中每一个参数的梯度值，利用梯度值和选定优化算法，更新模型参数值。计算验证集损失值，若验证集损失不再下降或达到预设迭代次数，退出迭代流程，得到最终模型M_S，即目标检测模型。

图3是根据本申请实施例的压力检测方法的迁移学习过程示意图，如图3所示，本申请将表面压力检测模型设计过程与神经网络模型训练过程相结合，针对具备特定结构的表面，随机初始化神经网络参数，借助大数据集，也就是第二数据集训练神经网络参数，得到与该特定结构的表面对应的标准检测模型。在针对其他待检测表面进行压力检测方案的设计时，若待检测表面也具备该特定结构，则获取标准检测模型中的相关预训练参数，并针对待检测表面采集小数据集，也就是第一数据集，根据第一数据集训练采用了预训练参数的神经网络模型，得到与待检测表面相适应的最终参数，确定目标检测模型。

本申请实施例的压力检测方法，结合了神经网络模型训练过程中的迁移学习的思想，在获得一个特定结构的表面的压力检测模型时，无需重新采集大量数据训练，将一个同种结构的、在大数据集上获得的模型作为基准模型，在小数据集上进行微调训练即可得到该压力检测模型。

在其中的一个实施例中，获取与标准结构数据对应的标准检测模型之前包括：获取标准结构数据；基于标准结构数据获取与标准表面对应的第二数据集，第二数据集包括第二压力值数据和第二传感器检测值数据；基于第二数据集训练初始神经网络模型，得到标准检测模型。

具体地，针对特定的表面结构，即针对标准表面，可以通过大数据集训练神经网络模型，得到相应的标准检测模型。在本实施例中，在标准表面的多个不同位置，施加多个大小变化且已知数值的压力，同时采集表面受到压力时的压力传感器读数。施加力的位置选取需要覆盖表面各个位置，且压力大小范围覆盖正常使用情况下用户的按压力范围。采集到的大量成对输入输出数据形成大数据集D_L。将D_L按照一定比例划分训练集和验证集。训练集用于训练模型，验证集用于模型的参数选择配置。通过针对特定结构的表面训练神经网络模型，得到标准检测模型，将该标准检测模型作为基准模型，开发人员在设计表面压力检测方案时，若遇到具备该特定结构的表面产品，无需采集大量的训练数据，只需在基准模型的基础上进行微调处理即可得到待检检测表面的目标检测模型，极大提高了模型的训练速度。

在其中的一个实施例中，基于第二数据集训练初始神经网络模型，得到标准检测模型包括：基于第二数据集和第二预设比例确定第二训练集和第二验证集；将第二训练集输入初始神经网络模型，确定第二训练集损失值；根据第二训练集损失值和第二预设优化算法调整神经网络模型的模型参数，得到第二优化模型；根据第二验证集和优化模型计算第二验证集损失值，若第二验证集损失值未达到第二收敛值，则将第二数据集输入第二优化模型进行迭代计算，更新第二优化模型的模型参数，直至第二验证集损失值达到第二收敛值或迭代计算次数达到第二预设迭代次数，得到标准检测模型。

具体地，第二数据集是针对具备特定结构的标准表面采集的训练数据。对于具有特定结构的表面，采集大量成对输入输出数据，其中，在数据采集阶段，输入数据为第二压力值数据，输出数据是标准表面的实际压力传感器读数。在实际应用场景下，数据采集过程为：在若干固定位置，施加若干大小固定的力，获得对应压力传感器读数，形成大数据集D_L。将D_L按照一定比例划分训练集和验证集。

图4是根据本申请实施例的压力检测方法的标准检测模型训练流程图，如图4所示，该标准检测模型训练过程包括如下步骤：

步骤S401，初始化神经网络参数。

其中，神经网络参数采用随机初始化的方式进行。

步骤S402，执行迭代训练流程。

其中，根据训练输入数据获取模型预测输出数据，其中，训练输入数据为第二传感器检测值数据。根据模型预测输出数据和训练输出数据，计算训练集损失值；其中，模型预测输出数据为模型预测得到的表面压力检测值，训练输出数据为第二训练集中的第二压力值数据。对训练集损失值进行反向传播，得到模型中每一个参数的梯度值。利用梯度值，根据选定优化算法，更新模型参数值。

步骤S403，计算验证集损失值。若验证集损失值不再下降或达到预设迭代次数，退出迭代流程。

在其中的一个实施例中，第一数据集的数据量小于第二数据集的数据量。

具体地，由于待检测表面中包括标准表面所具有的特定结构，因此待检测表面的压力检测性能与标准表面也比较相近。此时在标准检测模型的基础上进行训练，由于随机初始化神经网络参数，只需对神经网络参数进行微调，因而只需针对待检测表面采集少量的训练数据即可。随着采集的训练数据的数据量的减小，节省了大量数据采集时间，此外，也减少了神经网络模型训练过程中的参数调整时间，从而极大提高了表面压力检测模型的模型获取效率。

在其中的一个实施例中，基于第二数据集训练神经网络模型，得到标准检测模型还包括：对初始神经网络模型进行剪枝处理，得到标准检测模型。

具体地，深度学习模型从卷积层到全连接层存在着大量冗余的参数，大量神经元激活值趋近于0，将这些神经元去除后可以表现出同样的模型表达能力，这种情况被称为过参数化，而对应的技术则被称为模型剪枝。神经网络剪枝首先会从大型神经网络中筛选出不重要的神经元以及权重，之后将其从网络中删除，在此同时，尽可能地保留网络的性能。剪枝技术按照细粒度的不同可分为结构性剪枝以及非结构性剪枝；结构性剪枝剪除的基本单元为神经元，由于是对神经元直接进行剪枝，结构性剪枝后的模型能够在现有硬件条件下实现明显的推理加速以及存储优势。但其缺点是剪枝的颗粒度较大，往往会对压缩后模型的精度产生较大的影响。非结构剪枝剪除的基本单元为单个权重，其经过剪枝后的模型精度损失更小，但最终会产生系数的权重矩阵，需要下层硬件以及计算库有良好的支持才能实现推理加速与存储优势。在本申请实施例中，可基于传感器的数量选择是否应用卷积层，若传感器数量较少，可不引入卷积层构建神经网络模型。

剪枝算法可分为one-shot以及iteration，即一次性剪枝以及迭代剪枝。one-shot法首先对预先训练好的模型中神经元或权重进行重要性评估，之后剪除掉无关紧要的神经元或权重，再对剪枝后的模型进行微调，其中，剪除神经元或权重的过程可通过设置阈值等方法实现。而迭代剪枝可看作多次重复进行的one-shot法：在微调之后判断是否可以继续剪枝，如果可以继续进行，则再次启动one-shot法。迭代剪枝法获得的压缩模型更加紧凑，尺寸更小。

在本实施例中，为了提高产品的表面压力检测效率，引入了神经网络剪枝的方法，减少神经网络模型在进行表面压力检测时的计算量，提高了表面压力检测效率。

在其中的一个具体的实施例中，图5是根据本申请另一实施例的压力检测方法的标准检测模型训练流程图，如图5所示，通过剪枝处理得到标准检测模型的过程包括：

步骤S501，初始化神经网络参数。

其中，神经网络参数采用随机初始化的方式进行。

步骤S502，将神经网络参数按照神经元进行分组。

步骤S503，执行迭代训练流程。

具体地，迭代训练流程包括：根据训练输入数据获取模型预测输出数据，其中，训练输入数据为第二传感器检测值数据；根据模型预测输出数据和训练输出数据，计算训练集损失值；其中，模型预测输出数据为模型预测得到的表面压力检测值，训练输出数据为第二训练集中的第二压力值数据。对训练集损失值进行反向传播，得到模型中每一个参数的梯度值。利用梯度值，根据选定优化算法，更新模型参数值。其中，选定优化算法可以是基于梯度下降的Adam方法，其他基于梯度下降的如RMSprop、SGD等也能实现类似效果。SGD优化方法：随机梯度优化算法，依据当前参数的梯度值更新参数使得目标函数值朝最小值或极小值方向前进。RMSProp优化方法：根据各个参量梯度大小动态调整学习率的梯度优化算法。Adam优化方法：一种自适应学习率的梯度优化算法。

步骤S504，根据特定依据，获取神经网络模型中每一个神经网络参数的重要性。

具体地，特定依据是指，根据神经网络训练领域的先验知识可以确定的，神经网络模型参数的重要性的分配规则。在本申请实施例中，对于特定依据的选择不作具体限定。

步骤S505，利用每一个神经网络参数的重要性，获取每一个神经元的重要性并记录，用于后续迭代。

步骤S506，进行迭代训练，当迭代次数累计到预设次数，进行剪枝处理。

具体地，剪枝处理过程包括：对每一个神经元的历史重要性序列求平均，得到平均神经元重要性；将平均神经元重要性按大小排列，将最不重要的若干个神经元中的参数置为0。计算验证集损失值，若损失值过大则恢复之前置0参数；已经置0的神经元后续不再参与重要性计算。

步骤S507，计算验证集损失值。直至验证集损失值达到收敛条件，退出迭代流程。

具体地，若验证集损失值不再下降或达到预设迭代次数，退出迭代流程。

步骤S508，删去神经网络中已经置0的神经元得到剪枝后基准模型M_L。

在本实施例中，提供了一种表面压力检测方法，包括：获取待检测表面的传感器检测值，将传感器检测值输入上述任一实施例训练好的目标检测模型中，确定待检测表面的表面压力检测结果。

在本实施例中还提供了一种表面压力检测方法。该表面压力检测方法包括模型训练阶段和压力检测阶段。下面以触摸屏为例，对模型训练阶段和压力检测阶段进行说明。

模型训练阶段的本质是建立触摸屏系统的输入输出关系模型M。系统输入为N个压力传感器数值，输出为1个屏幕所受压力值f _o。将系统输入表示为向量f _i=(f ₁，f ₂，…，f _N)^T，本方案中的神经网络模型可表示为：

f _o=M(W，B，f _i)=W _sa(…W ₃a(W ₂a(W ₁ f _i+b ₁)+b ₂)+b ₃)+b _s

其中W={W ₁，W ₂，W ₃，…，W _s}和B={b ₁，b ₂，b ₃，…，b _s}分别是神经网络的权重参数和偏置参数的集合；s标识神经网络的层数。a(•)是非线性激活函数。神经网络结构中隐藏层神经元的个数决定了神经网络参数的大小。其中，激活函数用于实现模型非线性，常用激活函数有：

sigmoid: sigmoid(x) = 1/(1+exp(-x))

ReLU: ReLU(x) = max(0, x)

tanh: tanh(x) = (exp(x)-exp(-x))/(exp(x)+exp(-x))

图6是根据本申请实施例的表面压力检测方法的神经网络结构示意图，如图6所示，它由一系列基本模型（全连接层，激活函数）级联而成。超参数是在开始学习过程之前设置值的参数，而非通过训练得到的参数数据。通常情况下，需要对超参数进行优化，给学习机选择一组最优超参数，以提高学习的性能和效果。在本实施例中，具体超参数如下：神经网络层数s设为3，即图中有3个全连接层；隐藏层神经元个数为16，v ₁，v _1’，v ₁，v _2’为16维向量；压力传感器个数N为3，f _i 为3维向量。输出为1个压力值，因此f _o为1维向量（标量）。这个神经网络的参数为W ₁，W ₂，W ₃和b ₁，b ₂，b ₃，它们的尺寸分别为：W ₁：16x3；W ₂：16x16；W ₃：1x16；b ₁：16x1；b ₂：16x1；b ₃：1x1。整个模型可表示为：

f _o=M(W，B，f _i)。

对于神经网络训练的简单解释如下：训练数据是大量成对输入输出数据（f _{to_1}，f _{i_1}）,（f _{to_2}，f _{i_2}）,…（f _{to_k}，f _{i_k}）。我们选取一个损失函数来描述神经网络模型性能的好坏。在此我们选择均方差损失函数（其他损失函数也可用于训练），它可表示为

MSELoss(W，B)=(1/k)*∑_j(f _{to_j}-f _{o_j})²=(1/k)*∑_j(f _{to_j}-M(W，B，f _{i_j}))²

f _{to_j}是实际采集得到的单个输出样本，f _o是模型预测输出结果。可以看到在数据集给定的情况下，损失函数关于是神经网络模型W，B的函数。损失函数越小意味着模型输出与真实输出越接近，即模型效果越好。训练这个模型就是希望找到合适的W，B使得MSELoss(W，B)的值最小。这样一个求解函数最小值的过程就是一个优化过程。本例中我们采用Adam优化算法寻找最优的W，B。

对于基准模型的训练，我们在某一个触摸屏上采集大量成对输入输出数据，样本个数记为k₁。模型初始的W，B为随机值。按照如上方法进行训练即可得到基准模型，训练后的参数记为W _L，B _L。

微调训练时，训练用的数据是在另一个具有同种结构的触摸屏上采集获得的少量数据，数据量为k₂。我们取微调训练数据集的样本个数k₂为0.1k₁。模型初始参数采用基准模型参数W _L，B _L，训练后得到最终参数W _S，B _S。

在其中的一个具体的实施例中，基于神经网络建立目标检测模型的过程如下：

对于一种具有某种特定结构的触摸屏，该特定结构指的是压力传感器数据和布局；采集大量成对输入输出样本。在一个或若干个具有该特征结构的触摸屏上的多个不同位置，施加多个大小变化且已知数值的压力，同时采集屏幕受到压力时的压力传感器读数。施加力的位置选取需要覆盖屏幕各个位置，且压力大小范围覆盖正常使用情况下触摸屏用户的按压力范围。采集到的大量成对输入输出数据形成大数据集D_L。将D_L按照一定比例划分训练集和验证集。

其次，将神经网络模型M在数据集D_L上进行剪枝训练，得到基准模型M_L。具体过程包括：

初始化神经网络参数，随机初始化；

将参数按照所属神经元进行分组；

执行迭代训练流程，具体地：根据训练输入数据获取模型预测输出数据，其中，训练输入数据为大数据集D_L中的传感器检测值数据；根据模型预测输出数据和训练输出数据，计算训练集损失值，其中模型预测输出数据为模型预测得到的屏幕压力检测值，训练输出数据为大数据集D_L中与传感器检测值数据成对的压力值数据；对训练集损失值进行反向传播，得到模型中每一个参数的梯度值；利用梯度值，可根据选定优化算法，更新模型参数值。

同时执行剪枝训练过程，包括：根据特定依据，获得模型中每一个参数的重要性。利用每一个参数的重要性，获取每一个神经元的重要性并记录，用于后续迭代，当迭代次数累计到一定程度时，对每一个神经元的历史重要性序列求平均，得到平均神经元重要性；将平均神经元重要性按大小排列，将最不重要的若干个神经元中的参数置为0。计算验证集损失值，若损失值过大则回复之前置0参数。已经置0的神经元后续不再参与重要性计算。

计算验证集损失值；

若验证集损失值不在下降或达到预设迭代次数，退出迭代流程。

删去神经网络中已经置0的神经元得到剪枝后的基准模型M_L，即标准检测模型。

对于一个具有相同特定结构的触摸屏，采集少量成对输入输出数据。在若干固定位置，施加若干大小固定的力，获得对应压力传感器读数，形成小数据集D_S。将D_S按照一定比例划分训练集和验证集。

将基准模型M_L在D_S上进行微调训练，得到最终模型M_S。

初始化神经网络参数，此时该神经网络参数可直接采用基准模型中的参数。

执行迭代训练流程，包括：根据训练输入数据获取模型预测输出数据，其中，训练输入数据为小数据集D_S中的传感器检测值数据；根据模型预测输出数据和训练输出数据，计算训练集损失值，其中，模型预测输出数据为模型预测得到的屏幕压力检测值，训练输出数据为小数据集D_S中与传感器检测值数据成对的压力值数据。对训练集损失值进行反向传播，得到模型中每一个参数的梯度值；利用梯度值，根据选定的优化算法，更新模型参数值；

计算验证集损失值；

若验证集损失不再下降或达到预设迭代次数，退出迭代流程，得到最终模型M_S。

在神经网络模型中，神经元的作用是接入输入，并将之转换为输出给到后面的神经元。在本实施例中，以图6中第一个全连接层为例介绍神经元分组。我们将第一个全连接层的表达式展开成矩阵形式。v ₁中的一个元素就是一个神经元。其中，

和

为同一个神经元分组；

和

为同一个神经元分组；

和

为同一个神经元分组。改变v ₁中元素的个数就是改变第一个全连接层神经元个数。当同一神经元分组中的参数均为0时，相关的神经元也为零，因此可以直接将这个神经元删去。这就实现了网络剪枝。例如，剪枝后两个隐藏层的神经元个数分别为8，5那么对应的参数尺寸就会缩小，具体如下W ₁：8x3；W ₂：5x8；W ₃：1x5；b ₁：8x1；b ₂：5x1；b ₃：1x1。模型参数减少，运算量减少，运算速度获得提升。

本实例中采用的参数重要性定义为参数值和参数对应的导数值相乘之积的平方值，其他参数重要性的选取方法可以是参数值的绝对值或导数值的绝对值。神经元重要性定义为神经元相关的参数重要性之和。

在表面压力检测阶段，只需将传感器检测值输入训练好的目标检测模型，即可获得表面压力的检测结果。

本申请实施例的表面压力检测方法，由于借助神经网络模型进行表面压力检测，借助神经网络所具有的通用逼近性质，压力检测模型的模型精度高于相关技术中最小二乘法模型的模型精度。此外，在表面结构变化时，得到目标检测模型的训练方法无需改变，无需基于物理规律和仿真结构，重新推导模型公式。并且，采用网络剪枝训练神经网络模型得到的模型比不采用得到的模型参数少，运算量小，提升了推理速度。并且，获得一个特定结构的表面产品的压力检测模型无需重新采集大量数据训练，将一个同种结构的、在大数据集上获得的模型作为基准模型，在小数据集上进行微调训练得到该压力检测模型。

额外地，本方案能够实现表面任意位置压力检测，无需局限在某个特定位置，如指纹识别区域。

本申请实施例中的压力检测方法将神经网络应用于表面产品的输入输出关系的建模，并且通过迁移学习的方法减少多个同种结构表面的模型建立时间，并不对具体的神经网络结构以及优化算法做具体限定。例如：

本申请实施例中的实际采用的非线性激活函数为sigmoid激活函数；其他激活函数如ReLU，tanh也能实现类似效果。本申请实施例中的实际采用的网络层数为3，各隐藏层元素个数为16；改变网络层数和各隐藏层元素个数也能实现类似效果。

本申请实施例中的神经网络结构为包含批量规范化运算和Dropout运算，引入这些运算也能实现类似效果。

本申请实施例中的实际采用的用于训练的参数优化方法为基于梯度下降的Adam方法，其他基于梯度下降的如RMSprop、SGD等也能实现类似效果。其他参数搜索方法如天牛搜索算法、粒子群算法也能实现类似效果。

通过上述步骤，本申请实施例提供的压力检测方法采用网络剪枝方法构建神经网络模型，借助神经网络模型的通用逼近性质，准确建立表面产品的输入输出关系。本方案无需依赖物理推导和仿真，仅需要大量程度的输入出处数据组成大数据集训练神经网络。同时，考虑到实际量产过程中对时间的要求，采用迁移学习的思路，减少数据采集时间，提升模型训练速度。给定已有一个在大数据集上训练完成的基础模型，仅需采集少量数据组成小数据。将基础模型在小数据集上进行微调即可得到更为准确的模型。

在其中的一个实施例中，基于目标检测模型对待检测表面进行压力检测包括：获取待检测表面的第三传感器检测值，将第三传感器检测值输入目标检测模型，确定待检测表面所受压力。

需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

在本实施例中还提供了一种压力检测装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。以下所使用的术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管在以下实施例中所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

图7是本实施例的压力检测装置的结构框图，如图7所示，该装置包括：

第一获取模块10，用于获取待检测表面的当前结构数据，当前结构数据包括当前表面参数和当前传感器参数；

匹配模块20，用于基于当前结构数据确定当前结构数据是否与标准结构数据相匹配，若匹配，则获取标准结构数据对应的标准检测模型，标准结构数据包括预设表面参数和预设传感器参数；

第二获取模块30，用于获取与待检测表面对应的第一数据集，第一数据集包括第一压力值数据和第一传感器检测值数据；

训练模块40，用于基于第一数据集和标准检测模型确定目标检测模型。

检测模块50，用于基于所述目标检测模型对所述待检测表面进行压力检测。

训练模块40，还用于根据第一数据集和第一预设比例确定第一训练接和第一验证集；将第一训练集输入标准检测模型，确定第一训练集损失值；根据第一训练集损失值和第一预设优化算法调整标准检测模型的模型参数，得到第一优化模型；根据第一验证集和第一优化模型计算第一验证集损失值，若第一验证集损失值未达到第一收敛值，则将第一数据集输入第一优化模型进行迭代计算，更新第一优化模型的模型参数，直至第一验证集损失值达到第一收敛值或迭代计算次数达到第一预设迭代次数，得到目标检测模型。

匹配模块20，还用于获取标准结构数据；基于标准结构数据获取与标准表面对应的第二数据集，第二数据集包括第二压力值数据和第二传感器检测值数据；基于第二数据集训练初始神经网络模型，得到标准检测模型。

匹配模块20，还用于基于第二数据集和第二预设比例确定第二训练集和第二验证集；将第二训练集输入初始神经网络模型，确定第二训练集损失值；根据第二训练集损失值和第二预设优化算法调整神经网络模型的模型参数，得到第二优化模型；根据第二验证集和优化模型计算第二验证集损失值，若第二验证集损失值未达到第二收敛值，则将第二数据集输入第二优化模型进行迭代计算，更新第二优化模型的模型参数，直至第二验证集损失值达到第二收敛值或迭代计算次数达到第二预设迭代次数，得到标准检测模型。

在其中的一个实施例中第一数据集的数据量小于第二数据集的数据量。

匹配模块20，还用于对初始神经网络模型进行剪枝处理，得到标准检测模型。

检测模块50，还用于获取所述待检测表面的第三传感器检测值，将所述第三传感器检测值输入所述目标检测模型，确定所述待检测表面所受压力。

需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。

在本实施例中还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。

可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。

可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：

S1，获取待检测表面的当前结构数据，当前结构数据包括当前表面参数和当前传感器参数。

S2，基于当前结构数据确定当前结构数据是否与标准结构数据相匹配，若匹配，则获取标准结构数据对应的标准检测模型，标准结构数据包括预设表面参数和预设传感器参数。

S3，获取与待检测表面对应的第一数据集，第一数据集包括第一压力值数据和第一传感器检测值数据。

S4，基于第一数据集和标准检测模型确定目标检测模型。

S5，基于所述目标检测模型对所述待检测表面进行压力检测。

需要说明的是，在本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，在本实施例中不再赘述。

此外，结合上述实施例中提供的压力检测方法，在本实施例中还可以提供一种存储介质来实现。该存储介质上存储有计算机程序；该计算机程序被处理器执行时实现上述实施例中的任意一种压力检测方法。

应该明白的是，这里描述的具体实施例只是用来解释这个应用，而不是用来对它进行限定。根据本申请提供的实施例，本领域普通技术人员在不进行创造性劳动的情况下得到的所有其它实施例，均属本申请保护范围。

显然，附图只是本申请的一些例子或实施例，对本领域的普通技术人员来说，也可以根据这些附图将本申请适用于其他类似情况，但无需付出创造性劳动。另外，可以理解的是，尽管在此开发过程中所做的工作可能是复杂和漫长的，但是，对于本领域的普通技术人员来说，根据本申请披露的技术内容进行的某些设计、制造或生产等更改仅是常规的技术手段，不应被视为本申请公开的内容不足。

需要说明的是，本申请所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据。

“实施例”一词在本申请中指的是结合实施例描述的具体特征、结构或特性可以包括在本申请的至少一个实施例中。该短语出现在说明书中的各个位置并不一定意味着相同的实施例，也不意味着与其它实施例相互排斥而具有独立性或可供选择。本领域的普通技术人员能够清楚或隐含地理解的是，本申请中描述的实施例在没有冲突的情况下，可以与其它实施例结合。

以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对专利保护范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (8)

1.一种压力检测方法，其特征在于，包括：

获取待检测表面的当前结构数据，所述当前结构数据包括当前表面参数和当前传感器参数；

基于所述当前结构数据确定所述当前结构数据是否与标准结构数据相匹配，若匹配，则获取所述标准结构数据对应的标准检测模型，所述标准结构数据包括预设表面参数和预设传感器参数，所述标准检测模型根据第二数据集确定；

获取与所述待检测表面对应的第一数据集，所述第一数据集包括第一压力值数据和第一传感器检测值数据，所述第一数据集的数据量小于所述第二数据集的数据量；

基于所述第一数据集和所述标准检测模型确定目标检测模型；

基于所述目标检测模型对所述待检测表面进行压力检测；

所述基于所述第一数据集和所述标准检测模型确定目标检测模型包括：根据所述第一数据集和第一预设比例确定第一训练集和第一验证集；将所述第一训练集输入所述标准检测模型，确定第一训练集损失值；根据所述第一训练集损失值和第一预设优化算法调整所述标准检测模型的模型参数，得到第一优化模型；根据所述第一验证集和所述第一优化模型计算第一验证集损失值，若所述第一验证集损失值未到达第一收敛值，则将所述第一数据集输入所述第一优化模型进行迭代计算，更新所述第一优化模型的模型参数，直至所述第一验证集损失值达到所述第一收敛值或迭代计算次数达到第一预设迭代次数，得到目标检测模型。

2.根据权利要求1所述的压力检测方法，其特征在于，所述获取与所述标准结构数据对应的标准检测模型之前包括：

获取标准结构数据；

基于所述标准结构数据获取与标准表面对应的第二数据集，所述第二数据集包括第二压力值数据和第二传感器检测值数据；

基于所述第二数据集训练初始神经网络模型，得到所述标准检测模型。

3.根据权利要求2所述的压力检测方法，其特征在于，所述基于所述第二数据集训练初始神经网络模型，得到所述标准检测模型包括：

基于所述第二数据集和第二预设比例确定第二训练集和第二验证集；

将所述第二训练集输入所述初始神经网络模型，确定第二训练集损失值；

根据所述第二训练集损失值和第二预设优化算法调整所述神经网络模型的模型参数，得到第二优化模型；

根据所述第二验证集和所述优化模型计算第二验证集损失值，若所述第二验证集损失值未达到第二收敛值，则将所述第二数据集输入所述第二优化模型进行迭代计算，更新所述第二优化模型的模型参数，直至所述第二验证集损失值达到所述第二收敛值或迭代计算次数达到第二预设迭代次数，得到标准检测模型。

4.根据权利要求2所述的压力检测方法，其特征在于，所述基于所述第二数据集训练初始神经网络模型，得到所述标准检测模型还包括：

对所述初始神经网络模型进行剪枝处理，得到所述标准检测模型。

5.根据权利要求1所述的压力检测方法，其特征在于，所述基于所述目标检测模型对所述待检测表面进行压力检测包括：获取所述待检测表面的第三传感器检测值，将所述第三传感器检测值输入所述目标检测模型，确定所述待检测表面所受压力。

6.一种压力检测装置，其特征在于，包括：

第一获取模块，用于获取待检测表面的当前结构数据，所述当前结构数据包括当前表面参数和当前传感器参数；

匹配模块，用于基于所述当前结构数据确定所述当前结构数据是否与标准结构数据相匹配，若匹配，则获取所述标准结构数据对应的标准检测模型，所述标准结构数据包括预设表面参数和预设传感器参数，所述标准检测模型根据第二数据集确定；

第二获取模块，用于获取与所述待检测表面对应的第一数据集，所述第一数据集包括第一压力值数据和第一传感器检测值数据，所述第一数据集的数据量小于所述第二数据集的数据量；

训练模块，用于基于所述第一数据集和所述标准检测模型确定目标检测模型；

检测模块，用于基于所述目标检测模型对所述待检测表面进行压力检测；

所述训练模块，还用于根据所述第一数据集和第一预设比例确定第一训练集和第一验证集；将所述第一训练集输入所述标准检测模型，确定第一训练集损失值；根据所述第一训练集损失值和第一预设优化算法调整所述标准检测模型的模型参数，得到第一优化模型；根据所述第一验证集和所述第一优化模型计算第一验证集损失值，若所述第一验证集损失值未到达第一收敛值，则将所述第一数据集输入所述第一优化模型进行迭代计算，更新所述第一优化模型的模型参数，直至所述第一验证集损失值达到所述第一收敛值或迭代计算次数达到第一预设迭代次数，得到目标检测模型。

7.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至权利要求5中任一项所述的压力检测方法。

8.一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至权利要求5中任一项所述的压力检测方法。

Images