CN116681428B - 电子设备的智能回收管理系统及方法 - Google Patents
电子设备的智能回收管理系统及方法 Download PDFInfo
- Publication number
- CN116681428B CN116681428B CN202310971556.4A CN202310971556A CN116681428B CN 116681428 B CN116681428 B CN 116681428B CN 202310971556 A CN202310971556 A CN 202310971556A CN 116681428 B CN116681428 B CN 116681428B
- Authority
- CN
- China
- Prior art keywords
- electronic product
- feature vector
- recovered
- vector
- information
- 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.)
- Active
Links
- 238000004064 recycling Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title abstract description 22
- 239000013598 vector Substances 0.000 claims abstract description 205
- 230000032683 aging Effects 0.000 claims abstract description 76
- 238000011156 evaluation Methods 0.000 claims abstract description 49
- 238000011084 recovery Methods 0.000 claims abstract description 43
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 74
- 238000007726 management method Methods 0.000 claims description 42
- 230000014509 gene expression Effects 0.000 claims description 29
- 238000013527 convolutional neural network Methods 0.000 claims description 18
- 230000004927 fusion Effects 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 2
- 230000006870 function Effects 0.000 abstract description 41
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000010801 machine learning Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011027 product recovery Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/30—Administration of product recycling or disposal
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0278—Product appraisal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W90/00—Enabling technologies or technologies with a potential or indirect contribution to greenhouse gas [GHG] emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Finance (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Human Resources & Organizations (AREA)
- Biomedical Technology (AREA)
- Accounting & Taxation (AREA)
- Sustainable Development (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种电子设备的智能回收管理系统及方法。其首先获取待回收电子产品的系统信息和功能信息，以及，所述待回收电子产品的外观图像，接着，对所述待回收电子产品的系统信息和功能信息进行语义编码以得到系统‑功能信息语义理解特征向量，然后，对所述待回收电子产品的外观图像进行图像特征提取以得到电子产品老化特征向量，最后，基于所述系统‑功能信息语义理解特征向量和所述电子产品老化特征向量，生成所述待回收电子产品的回收评估值。这样，可以引入基于机器学习的人工智能技术来综合待回收电子产品的系统信息、外观图像和功能信息来确定回收评估值。
Description
技术领域
本申请涉及回收管理领域，且更为具体地，涉及一种电子设备的智能回收管理系统及方法。
背景技术
随着电子信息技术的快速发展，电子产品越来越普及，人们在日常生活中对电子产品的使用也越来越频繁，其也为人们的生产和生活带来了较大的便利。但是，电子产品存在使用寿命，在使用过程中，也存在磨损的情况，因此，人们往往每隔一段时间就会对电子产品进行更换，对于替换的电子产品往往采用丢弃或者转卖给回收人员的方式进行处理。
现有的基于人工智能的电子产品回收管理系统，仅仅是对电子产品的外观或者性能情况进行简单的检测，检测精度较差，进而对电子产品的评估结果与实际情况存在较大的差异。
因此，期待一种优化的用于电子设备的智能回收管理方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种电子设备的智能回收管理系统及方法。其可以引入基于机器学习的人工智能技术来综合待回收电子产品的系统信息、外观图像和功能信息来确定回收评估值。
根据本申请的一个方面，提供了一种电子设备的智能回收管理系统，其包括：
数据获取模块，用于获取待回收电子产品的系统信息和功能信息，以及，所述待回收电子产品的外观图像；
语义编码模块，用于对所述待回收电子产品的系统信息和功能信息进行语义编码以得到系统-功能信息语义理解特征向量；
图像特征提取模块，用于对所述待回收电子产品的外观图像进行图像特征提取以得到电子产品老化特征向量；
以及回收评估值生成模块，用于基于所述系统-功能信息语义理解特征向量和所述电子产品老化特征向量，生成所述待回收电子产品的回收评估值。
根据本申请的另一个方面，提供了一种电子设备的智能回收管理方法，其包括：
获取待回收电子产品的系统信息和功能信息，以及，所述待回收电子产品的外观图像；
对所述待回收电子产品的系统信息和功能信息进行语义编码以得到系统-功能信息语义理解特征向量；
对所述待回收电子产品的外观图像进行图像特征提取以得到电子产品老化特征向量；
以及基于所述系统-功能信息语义理解特征向量和所述电子产品老化特征向量，生成所述待回收电子产品的回收评估值。
与现有技术相比，本申请提供的电子设备的智能回收管理系统及方法，其首先获取待回收电子产品的系统信息和功能信息，以及，所述待回收电子产品的外观图像，接着，对所述待回收电子产品的系统信息和功能信息进行语义编码以得到系统-功能信息语义理解特征向量，然后，对所述待回收电子产品的外观图像进行图像特征提取以得到电子产品老化特征向量，最后，基于所述系统-功能信息语义理解特征向量和所述电子产品老化特征向量，生成所述待回收电子产品的回收评估值。这样，可以引入基于机器学习的人工智能技术来综合待回收电子产品的系统信息、外观图像和功能信息来确定回收评估值。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，以下附图并未刻意按实际尺寸等比例缩放绘制，重点在于示出本申请的主旨。
图1为根据本申请实施例的电子设备的智能回收管理系统的框图示意图。
图2为根据本申请实施例的电子设备的智能回收管理系统中的所述语义编码模块的框图示意图。
图3为根据本申请实施例的电子设备的智能回收管理系统中的所述回收评估值生成模块的框图示意图。
图4为根据本申请实施例的电子设备的智能回收管理系统中进一步包括的训练模块的框图示意图。
图5为根据本申请实施例的电子设备的智能回收管理方法的流程图。
图6为根据本申请实施例的电子设备的智能回收管理方法的系统架构的示意图。
图7为根据本申请实施例的电子设备的智能回收管理系统的应用场景图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本申请的部分实施例，而不是全部的实施例。基于本申请实施例，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，也属于本申请保护的范围。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
针对上述技术问题，本申请的技术构思为综合待回收电子产品的系统信息、外观图像和功能信息来确定回收评估值。特别地，在本申请的技术方案中，所述待回收电子产品的系统信息包括系统版本号、主板型号和系统激活时间；所述待回收电子产品的功能信息包括屏幕信息缺失面积比、电池老化度以及各个功能的系统反馈时延。所述待回收电子产品的外观图像则用于量化评估所述待回收产品的老化程度。
在本申请的技术方案中，另一个技术难点是在综合待回收电子产品的系统信息、外观图像和功能信息来确定回收评估值的过程中，如何确定各项信息对于最终回收评估值的影响权重。传统的做法是给各项信息预设权重，例如，给系统信息、外观图像和功能信息的权重分别是a、b和c，这样在得到各项信息的评估值后，计算各项信息的加权和以得到所述回收评估值。这种传统做法的劣势在于在实际产品回收价值的评估中，各项信息的权重往往是不定的，有些产品更关注于系统信息、有些产品则更关注于外观图像，有些产品则更关注于功能信息，固定预定权重显然无法满足应用场景的复杂性和自适应性。
基于此，在本申请的技术方案中，引入基于机器学习的人工智能技术来综合待回收电子产品的系统信息、外观图像和功能信息来确定回收评估值。
图1为根据本申请实施例的电子设备的智能回收管理系统的框图示意图。如图1所示，根据本申请实施例的电子设备的智能回收管理系统100，包括：数据获取模块110，用于获取待回收电子产品的系统信息和功能信息，以及，所述待回收电子产品的外观图像；语义编码模块120，用于对所述待回收电子产品的系统信息和功能信息进行语义编码以得到系统-功能信息语义理解特征向量；图像特征提取模块130，用于对所述待回收电子产品的外观图像进行图像特征提取以得到电子产品老化特征向量；以及，回收评估值生成模块140，用于基于所述系统-功能信息语义理解特征向量和所述电子产品老化特征向量，生成所述待回收电子产品的回收评估值。
相应地，首先获取待回收电子产品的系统信息和功能信息，以及，所述待回收电子产品的外观图像。更具体地，所述待回收电子产品的系统信息包括系统版本号、主板型号和系统激活时间；所述待回收电子产品的功能信息包括屏幕信息缺失面积比、电池老化度以及各个功能的系统反馈时延。进一步地，所述待回收电子产品的外观图像中的信息包括：电子产品背面及侧面划痕信息，电子产品正面的屏幕信息，所述屏幕信息包括屏幕破损面积比，所述屏幕破损面积比为屏幕破损区域对应的面积占屏幕总面积的比值。值得一提的是，本申请在获取待回收电子产品的系统信息、功能信息和外观图像时，是通过相应的传感器进行检测获取的。例如，可以通过摄像头来获取待回收电子产品的外观图像。
应可以理解，在对所述待回收电子产品进行回收价值评估时，所述待回收电子产品的系统信息和功能信息是紧密关联的，因此，在本申请的技术方案中，选择对所述待回收电子产品的系统信息和功能信息进行语义编码以得到系统-功能信息语义理解特征向量。
例如，在本申请一个具体的示例中，首先将所述系统信息和所述功能信息中的各个数据项转化为向量（例如，通过嵌入层来进行数据项的向量化转化）以得到系统信息项向量的序列和功能信息项向量的序列。接着，将所述系统信息项向量的序列和所述功能信息项向量的序列进行拼接以得到系统-功能信息项向量的拼接序列。接着，将所述系统-功能信息项向量的拼接序列通过基于BiLSTM模型的语义编码器以得到所述系统-功能信息语义理解特征向量。
相应地，如图2所示，所述语义编码模块120，包括：向量转化单元121，用于将所述系统信息和所述功能信息中的各个数据项转化为向量以得到系统信息项向量的序列和功能信息项向量的序列；向量拼接单元122，用于将所述系统信息项向量的序列和所述功能信息项向量的序列进行拼接以得到系统-功能信息项向量的拼接序列；以及，BiLSTM编码单元123，用于将所述系统-功能信息项向量的拼接序列通过基于BiLSTM模型的语义编码器以得到所述系统-功能信息语义理解特征向量。应可以理解，BiLSTM模型是一种循环神经网络（Recurrent Neural Network，RNN）的变种，它结合了前向（Forward）和后向（Backward）两个方向的LSTM（Long Short-Term Memory）单元。BiLSTM模型的主要作用是捕捉序列数据中的上下文信息，通过同时考虑前向和后向的信息，BiLSTM模型能够更好地理解序列中的长距离依赖关系，并生成更准确的表示。在所述语义编码模块中，BiLSTM编码单元使用基于BiLSTM模型的语义编码器，将系统-功能信息项向量的拼接序列作为输入。通过对序列进行前向和后向的遍历，BiLSTM模型可以对每个时间步的输入进行编码，得到系统-功能信息的语义理解特征向量，这些特征向量可以用于后续的语义理解任务，例如意图识别、文本分类等。换言之，BiLSTM模型在语义编码模块中的作用是将系统-功能信息项向量序列转化为语义理解特征向量，以提供更准确的语义表示和理解。
其中，所述向量转化单元121，用于：将所述系统信息和所述功能信息中的各个数据项通过嵌入层以转化为向量以得到所述系统信息项向量的序列和所述功能信息项向量的序列。应可以理解，嵌入层（Embedding Layer）是神经网络中常用的一种层，它将离散的符号或类别（如单词、字符、特征等）映射到连续的低维向量空间中，嵌入层的作用是将离散的符号表示转化为连续的向量表示，从而为神经网络提供更好的表示能力。在自然语言处理任务中，嵌入层常用于将单词或字符转化为向量表示。每个单词或字符都被映射到一个固定长度的向量，这个向量表示了该单词或字符在语义上的特征，嵌入层的训练过程会根据任务的需求，学习到适合该任务的单词或字符表示。嵌入层的使用有以下几个好处：1.维度压缩，将离散的符号表示转化为连续的向量表示，可以大大减少特征空间的维度，从而降低模型的复杂度；2.语义表达，嵌入层通过学习语义信息，使得相似的符号在向量空间中更加接近，从而增强了模型对语义相似性的理解能力；3.泛化能力，嵌入层可以将模型训练过程中遇到的未见过的符号映射到向量空间中，使得模型能够对未知符号进行合理的推理和处理。在向量转化单元121中，嵌入层被用于将系统信息和功能信息中的各个数据项转化为向量表示，生成系统信息项向量的序列和功能信息项向量的序列。这样做的目的是为了将离散的数据项转化为连续的向量表示，以便后续的处理和建模。通过嵌入层的转化，系统信息和功能信息可以更好地被神经网络模型理解和处理。
同时，对所述待回收电子产品的外观图像进行图像特征提取以得到电子产品老化特征向量。例如，在本申请一个具体的示例中，将所述待回收电子产品的外观图像通过基于卷积神经网络模型的外观老化特征提取器以得到所述电子产品老化特征向量。也就是，使用所述基于卷积神经网络模型的外观老化特征提取器来对所述待回收电子产品的外观图像进行基于卷积核的特征过滤以得到所述电子产品老化特征向量，所述电子产品老化特征向量用于表示产品外观所呈现出的电子产品的老化程度信心。
相应地，所述图像特征提取模块130，用于：将所述待回收电子产品的外观图像通过基于卷积神经网络模型的外观老化特征提取器以得到所述电子产品老化特征向量。应可以理解，卷积神经网络（Convolutional Neural Network，CNN）是一种深度学习模型，主要用于处理具有网格结构的数据，例如图像或音频数据。卷积神经网络模型通过使用卷积层、池化层和全连接层等组件，可以自动从原始图像数据中学习到具有层次结构的特征表示。卷积层可以有效地捕捉图像中的局部特征，而池化层可以对特征进行降维和抽象，全连接层可以将抽象的特征映射到最终的输出类别或特征向量。在所述图像特征提取模块130中，卷积神经网络模型可以通过学习到的外观老化特征提取器，自动提取出与老化程度相关的特征，这些特征可以表示电子产品的损坏、磨损、变形等老化情况，从而为后续的电子产品回收和评估提供有用的信息。通过使用卷积神经网络模型进行特征提取，可以更好地理解和分析待回收电子产品的外观图像，从而提高电子产品回收的准确性和效率。
进而，基于所述系统-功能信息语义理解特征向量和所述电子产品老化特征向量，生成所述待回收电子产品的回收评估值。在本申请一个具体的示例中，首先通过级联运算来融合所述系统-功能信息语义理解特征向量和所述电子产品老化特征向量以得到电子产品多模态表达特征向量，并将所述电子产品多模态表达特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示回收评估值。也就是，在高维特征空间中，通过级联来充分保留所述系统-功能信息语义理解特征向量和所述电子产品老化特征向量中所蕴含的特征信息，并通过所述解码器通过可调整的权重参数来构建特征信息与回收评估值之间的解码回归映射关系。这样，引入基于机器学习的人工智能技术来综合待回收电子产品的系统信息、外观图像和功能信息来确定回收评估值。
相应地，如图3所示，所述回收评估值生成模块140，包括：向量融合单元141，用于融合所述系统-功能信息语义理解特征向量和所述电子产品老化特征向量以得到电子产品多模态表达特征向量；以及，解码单元142，用于将所述电子产品多模态表达特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示回收评估值。
其中，所述向量融合单元141，用于：以如下级联公式融合所述系统-功能信息语义理解特征向量和所述电子产品老化特征向量以得到所述电子产品多模态表达特征向量；其中，所述级联公式为：
其中，分别表示所述系统-功能信息语义理解特征向量和所述电子产品老化特征向量，/>表示级联函数，/>表示所述电子产品多模态表达特征向量。
其中，解码器（Decoder）是神经网络模型中的一部分，用于将输入的特征向量或编码表示解码为原始数据或目标值。在回收评估值生成模块中，解码器用于将电子产品多模态表达特征向量解码为回收评估值。解码回归是指使用解码器进行回归分析，将输入的特征向量映射到一个连续的数值范围内。在回收评估中，解码回归的目的是根据电子产品的多模态表达特征向量，预测出该电子产品的回收评估值，即对该电子产品回收价值的估计。解码回归的结果可以作为回收评估值，用于表示电子产品的回收价值或潜在的回收收益。这个值可以帮助决策者进行电子产品回收的决策，例如确定是否值得回收、如何定价回收产品等。通过使用解码器和解码回归，可以将电子产品的多模态表达特征向量转化为有实际意义的回收评估值，提供了对电子产品回收价值的量化估计，为回收决策提供参考。
进一步地，在本申请的技术方案中，所述的电子设备的智能回收管理系统，其还包括用于对所述基于BiLSTM模型的语义编码器、所述基于卷积神经网络模型的外观老化特征提取器和所述解码器进行训练的训练模块。应可以理解，训练模块在电子设备的智能回收管理系统中起着关键的作用，它用于对语义编码器、外观老化特征提取器和解码器进行训练，以使它们能够有效地工作并提供准确的结果。训练模块的主要功能是通过使用已标记的训练数据来调整模型的参数，使其能够学习到正确的表示和预测。具体来说，训练模块通过反向传播算法和优化算法（如梯度下降）来最小化模型的损失函数，从而使模型能够逐渐优化并提高性能。对于语义编码器来说，训练模块会根据标记的语义信息和对应的输入数据，调整编码器的参数，使其能够将输入数据转化为具有更好语义表示能力的向量表示。对于外观老化特征提取器来说，训练模块会使用标记的外观图像和对应的老化程度信息，通过卷积神经网络的训练方法，调整提取器的参数，使其能够从外观图像中准确地提取与老化程度相关的特征。对于解码器来说，训练模块会使用标记的多模态表达特征向量和对应的回收评估值，通过解码器的训练方法，调整解码器的参数，使其能够将多模态特征向量解码为准确的回收评估值。通过训练模块的训练过程，语义编码器、外观老化特征提取器和解码器能够逐渐学习到更好的表示能力和预测能力，从而提高整个智能回收管理系统的性能和准确性。
更具体地，如图4所示，所述训练模块200，包括：训练数据获取单元210，用于获取训练数据，所述训练数据包括训练待回收电子产品的系统信息和功能信息、所述训练待回收电子产品的外观图像，以及，所述训练待回收电子产品的回收评估值的真实值；训练语义编码单元220，用于基于所述基于BiLSTM模型的语义编码器，对所述训练待回收电子产品的系统信息和功能信息进行语义编码以得到训练系统-功能信息语义理解特征向量；训练图像特征提取单元230，用于基于所述基于卷积神经网络模型的外观老化特征提取器，对所述待回收电子产品的外观图像进行图像特征提取以得到训练电子产品老化特征向量；训练向量融合单元240，用于融合所述训练系统-功能信息语义理解特征向量和所述训练电子产品老化特征向量以得到训练电子产品多模态表达特征向量；训练解码单元250，用于将所述训练电子产品多模态表达特征向量通过解码器以得到解码损失函数值；因数计算单元260，用于计算所述训练系统-功能信息语义理解特征向量和所述训练电子产品老化特征向量之间的共有流形隐式相似性因数；以及，损失训练单元270，用于以所述解码损失函数值和所述共有流形隐式相似性因数的加权和作为损失函数值，对所述基于BiLSTM模型的语义编码器、所述基于卷积神经网络模型的外观老化特征提取器和所述解码器进行训练。
特别地，在本申请的技术方案中，所述训练系统-功能信息语义理解特征向量表达所述待回收电子产品的系统信息和功能信息中的各个数据项的文本语义关联特征，而所述训练电子产品老化特征向量表达所述待回收电子产品的外观图像的图像语义特征，因此，在融合所述训练系统-功能信息语义理解特征向量和所述训练电子产品老化特征向量得到所述训练电子产品多模态表达特征向量时，需要考虑到不同模态下的特征表达在高维特征空间内的特征流形差异，提升融合后的所述训练电子产品多模态表达特征向量的高维特征流形的几何单调性，从而避免所述训练电子产品多模态表达特征向量通过解码器进行解码回归时的收敛困难。
基于此，本申请的申请人针对所述训练系统-功能信息语义理解特征向量和所述训练电子产品老化特征向量/>引入特征向量的共有流形隐式相似性因数作为损失函数。
相应地，在一个具体示例中，所述因数计算单元260，用于：以如下因数计算公式计算所述训练系统-功能信息语义理解特征向量和所述训练电子产品老化特征向量之间的所述共有流形隐式相似性因数；其中，所述因数计算公式为：
其中，表示所述训练系统-功能信息语义理解特征向量，/>表示所述训练电子产品老化特征向量，特征向量/>和/>均为列向量形式，/>表示转置操作，/>表示向量的二范数，且/>表示矩阵的Frobenius范数的平方根，/>、/>、/>和/>为权重超参数，/>表示向量乘法，/>表示向量减法，/>表示按位置点乘，/>表示所述共有流形隐式相似性因数。
这里，所述共有流形隐式相似性因数可以以所述训练系统-功能信息语义理解特征向量和所述训练电子产品老化特征向量/>间的结构化关联来表示各自特征流形在交叉维度下的共有流形，并以相同因数化权重来共享特征向量的差异性、对应性、关联性等流形结构性因素的共同约束，从而对依赖共有流形的几何衍生结构表示的分布相似性进行度量，以实现跨模态特征间的融合特征的非线性几何单调性，以提升所述训练电子产品多模态表达特征向量通过解码器进行解码回归时的收敛效果。
综上，基于本申请实施例的电子设备的智能回收管理系统100被阐明，其可以引入基于机器学习的人工智能技术来综合待回收电子产品的系统信息、外观图像和功能信息来确定回收评估值。
如上所述，根据本申请实施例的电子设备的智能回收管理系统100可以实现在各种终端设备中，例如具有基于本申请实施例的电子设备的智能回收管理算法的服务器等。在一个示例中，基于本申请实施例的电子设备的智能回收管理系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于本申请实施例的电子设备的智能回收管理系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于本申请实施例的电子设备的智能回收管理系统100同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该基于本申请实施例的电子设备的智能回收管理系统100与该终端设备也可以是分立的设备，并且该电子设备的智能回收管理系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
图5为根据本申请实施例的电子设备的智能回收管理方法的流程图。图6为根据本申请实施例的电子设备的智能回收管理方法的系统架构的示意图。如图5和图6所示，根据本申请实施例的电子设备的智能回收管理方法，其包括：S110，获取待回收电子产品的系统信息和功能信息，以及，所述待回收电子产品的外观图像；S120，对所述待回收电子产品的系统信息和功能信息进行语义编码以得到系统-功能信息语义理解特征向量；S130，对所述待回收电子产品的外观图像进行图像特征提取以得到电子产品老化特征向量；以及，S140，基于所述系统-功能信息语义理解特征向量和所述电子产品老化特征向量，生成所述待回收电子产品的回收评估值。
这里，本领域技术人员可以理解，上述电子设备的智能回收管理方法中的各个步骤的具体操作已经在上面参考图1到图4的电子设备的智能回收管理系统100的描述中得到了详细介绍，并因此，将省略其重复描述。
图7为根据本申请实施例的电子设备的智能回收管理系统的应用场景图。如图7所示，在该应用场景中，首先，获取待回收电子产品的系统信息和功能信息（例如，图7中所示意的D1），以及，所述待回收电子产品的外观图像（例如，图7中所示意的D2），然后，将所述待回收电子产品的系统信息和功能信息，以及，所述待回收电子产品的外观图像输入至部署有电子设备的智能回收管理算法的服务器中（例如，图7中所示意的S），其中，所述服务器能够使用所述电子设备的智能回收管理算法对所述待回收电子产品的系统信息和功能信息，以及，所述待回收电子产品的外观图像进行处理以得到用于表示回收评估值的解码值。
应可以理解，当电子产品的回收评估值大于等于第一阈值时，则判定电子产品严重老化，无法进行零部件拆卸回收并二次利用，所述第一阈值为数据库中预制的常数；当电子产品的回收评估值小于第一阈值时，则判定电子产品轻微老化，回收电子产品后，对电子产品进行拆卸，并对拆卸的零部件进行检测回收，将检测合格的零部件进行二次利用。
本申请使用了特定词语来描述本申请的实施例。如“第一/第二实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
除非另有定义，这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
上面是对本发明的说明，而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解，上面是对本发明的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。
Claims (5)
1.一种电子设备的智能回收管理系统，其特征在于，包括：
数据获取模块，用于获取待回收电子产品的系统信息和功能信息，以及，所述待回收电子产品的外观图像；
语义编码模块，用于对所述待回收电子产品的系统信息和功能信息进行语义编码以得到系统-功能信息语义理解特征向量；
图像特征提取模块，用于对所述待回收电子产品的外观图像进行图像特征提取以得到电子产品老化特征向量；
以及回收评估值生成模块，用于基于所述系统-功能信息语义理解特征向量和所述电子产品老化特征向量，生成所述待回收电子产品的回收评估值；
所述待回收电子产品的系统信息包括系统版本号、主板型号和系统激活时间；所述待回收电子产品的功能信息包括屏幕信息缺失面积比、电池老化度以及各个功能的系统反馈时延；
所述语义编码模块，包括：
向量转化单元，用于将所述系统信息和所述功能信息中的各个数据项转化为向量以得到系统信息项向量的序列和功能信息项向量的序列；
向量拼接单元，用于将所述系统信息项向量的序列和所述功能信息项向量的序列进行拼接以得到系统-功能信息项向量的拼接序列；
以及BiLSTM编码单元，用于将所述系统-功能信息项向量的拼接序列通过基于BiLSTM模型的语义编码器以得到所述系统-功能信息语义理解特征向量；
所述图像特征提取模块，用于：
将所述待回收电子产品的外观图像通过基于卷积神经网络模型的外观老化特征提取器以得到所述电子产品老化特征向量；
所述回收评估值生成模块，包括：
向量融合单元，用于融合所述系统-功能信息语义理解特征向量和所述电子产品老化特征向量以得到电子产品多模态表达特征向量；
以及解码单元，用于将所述电子产品多模态表达特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示回收评估值；
所述向量融合单元，用于：
以如下级联公式融合所述系统-功能信息语义理解特征向量和所述电子产品老化特征向量以得到所述电子产品多模态表达特征向量；
其中，所述级联公式为：
；
其中，分别表示所述系统-功能信息语义理解特征向量和所述电子产品老化特征向量，/>表示级联函数，/>表示所述电子产品多模态表达特征向量。
2.根据权利要求1所述的电子设备的智能回收管理系统，其特征在于，所述向量转化单元，用于：
将所述系统信息和所述功能信息中的各个数据项通过嵌入层以转化为向量以得到所述系统信息项向量的序列和所述功能信息项向量的序列。
3.根据权利要求2所述的电子设备的智能回收管理系统，其特征在于，还包括用于对所述基于BiLSTM模型的语义编码器、所述基于卷积神经网络模型的外观老化特征提取器和所述解码器进行训练的训练模块；
其中，所述训练模块，包括：
训练数据获取单元，用于获取训练数据，所述训练数据包括训练待回收电子产品的系统信息和功能信息、所述训练待回收电子产品的外观图像，以及，所述训练待回收电子产品的回收评估值的真实值；
训练语义编码单元，用于基于所述基于BiLSTM模型的语义编码器，对所述训练待回收电子产品的系统信息和功能信息进行语义编码以得到训练系统-功能信息语义理解特征向量；
训练图像特征提取单元，用于基于所述基于卷积神经网络模型的外观老化特征提取器，对所述待回收电子产品的外观图像进行图像特征提取以得到训练电子产品老化特征向量；
训练向量融合单元，用于融合所述训练系统-功能信息语义理解特征向量和所述训练电子产品老化特征向量以得到训练电子产品多模态表达特征向量；
训练解码单元，用于将所述训练电子产品多模态表达特征向量通过解码器以得到解码损失函数值；
因数计算单元，用于计算所述训练系统-功能信息语义理解特征向量和所述训练电子产品老化特征向量之间的共有流形隐式相似性因数；
以及损失训练单元，用于以所述解码损失函数值和所述共有流形隐式相似性因数的加权和作为损失函数值，对所述基于BiLSTM模型的语义编码器、所述基于卷积神经网络模型的外观老化特征提取器和所述解码器进行训练。
4.根据权利要求3所述的电子设备的智能回收管理系统，其特征在于，所述因数计算单元，用于：
以如下因数计算公式计算所述训练系统-功能信息语义理解特征向量和所述训练电子产品老化特征向量之间的所述共有流形隐式相似性因数；
其中，所述因数计算公式为：
；
；
；
其中，表示所述训练系统-功能信息语义理解特征向量，/>表示所述训练电子产品老化特征向量，特征向量/>和/>均为列向量形式，/>表示转置操作，/>表示向量的二范数，且/>表示矩阵的Frobenius范数的平方根，/>、/>、/>和/>为权重超参数，/>表示向量乘法，/>表示向量减法，/>表示按位置点乘，/>表示所述共有流形隐式相似性因数。
5.一种电子设备的智能回收管理方法，其特征在于，包括：
获取待回收电子产品的系统信息和功能信息，以及，所述待回收电子产品的外观图像；
对所述待回收电子产品的系统信息和功能信息进行语义编码以得到系统-功能信息语义理解特征向量；
对所述待回收电子产品的外观图像进行图像特征提取以得到电子产品老化特征向量；
以及基于所述系统-功能信息语义理解特征向量和所述电子产品老化特征向量，生成所述待回收电子产品的回收评估值；
所述待回收电子产品的系统信息包括系统版本号、主板型号和系统激活时间；所述待回收电子产品的功能信息包括屏幕信息缺失面积比、电池老化度以及各个功能的系统反馈时延；
所述对所述待回收电子产品的系统信息和功能信息进行语义编码以得到系统-功能信息语义理解特征向量，包括：
将所述系统信息和所述功能信息中的各个数据项转化为向量以得到系统信息项向量的序列和功能信息项向量的序列；
将所述系统信息项向量的序列和所述功能信息项向量的序列进行拼接以得到系统-功能信息项向量的拼接序列；
以及将所述系统-功能信息项向量的拼接序列通过基于BiLSTM模型的语义编码器以得到所述系统-功能信息语义理解特征向量；
所述对所述待回收电子产品的外观图像进行图像特征提取以得到电子产品老化特征向量，包括：
将所述待回收电子产品的外观图像通过基于卷积神经网络模型的外观老化特征提取器以得到所述电子产品老化特征向量；
所述基于所述系统-功能信息语义理解特征向量和所述电子产品老化特征向量，生成所述待回收电子产品的回收评估值，包括：
融合所述系统-功能信息语义理解特征向量和所述电子产品老化特征向量以得到电子产品多模态表达特征向量；
以及将所述电子产品多模态表达特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示回收评估值；
以如下级联公式融合所述系统-功能信息语义理解特征向量和所述电子产品老化特征向量以得到所述电子产品多模态表达特征向量；
其中，所述级联公式为：
；其中，/>分别表示所述系统-功能信息语义理解特征向量和所述电子产品老化特征向量，/>表示级联函数，/>表示所述电子产品多模态表达特征向量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310971556.4A CN116681428B (zh) | 2023-08-03 | 2023-08-03 | 电子设备的智能回收管理系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310971556.4A CN116681428B (zh) | 2023-08-03 | 2023-08-03 | 电子设备的智能回收管理系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116681428A CN116681428A (zh) | 2023-09-01 |
| CN116681428B true CN116681428B (zh) | 2023-09-29 |
Family
ID=87779550
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310971556.4A Active CN116681428B (zh) | 2023-08-03 | 2023-08-03 | 电子设备的智能回收管理系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116681428B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107230279A (zh) * | 2017-06-05 | 2017-10-03 | 深圳市友机机科技有限公司 | 自动回收终端的控制方法、自动回收终端、及存储介质 |
| CN109299788A (zh) * | 2018-07-23 | 2019-02-01 | 深圳回收宝科技有限公司 | 一种电子产品回收的方法、便携式终端及存储介质 |
| CN110852808A (zh) * | 2019-11-14 | 2020-02-28 | 北京工业大学 | 基于深度神经网络的电子产品异步自适应价值评估方法 |
| WO2021082921A1 (zh) * | 2019-10-28 | 2021-05-06 | 上海悦易网络信息技术有限公司 | 电子设备背板外观瑕疵检测方法及设备 |
| CN113837406A (zh) * | 2021-09-22 | 2021-12-24 | 焕新汽车科技(南通)有限公司 | 一种消费类电子设备的回收系统 |
| CN113850779A (zh) * | 2021-09-24 | 2021-12-28 | 深圳闪回科技有限公司 | 一种基于变分多实例图像识别的二手手机自动评级算法 |
| CN114219531A (zh) * | 2021-12-15 | 2022-03-22 | 北京工业大学 | 一种基于m-wu概念漂移检测的废旧手机动态定价方法 |
| CN114298345A (zh) * | 2021-12-29 | 2022-04-08 | 广州绿怡信息科技有限公司 | 回收估价输出模型训练方法及回收估价输出方法 |
| CN114330533A (zh) * | 2021-12-24 | 2022-04-12 | 广州绿怡信息科技有限公司 | 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 |
| CN115829550A (zh) * | 2022-11-22 | 2023-03-21 | 唯羲科技有限公司 | 基于人工智能的电子产品回收管理系统及方法 |
| CN115841346A (zh) * | 2023-02-23 | 2023-03-24 | 杭银消费金融股份有限公司 | 用于经营决策的资产减值预测方法和系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111738402A (zh) * | 2019-02-18 | 2020-10-02 | 埃科亚特姆公司 | 基于神经网络的电子设备物理状况评估及相关系统和方法 |
| US20230028266A1 (en) * | 2021-07-23 | 2023-01-26 | Dell Products L.P. | Product recommendation to promote asset recycling |
-
2023
- 2023-08-03 CN CN202310971556.4A patent/CN116681428B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107230279A (zh) * | 2017-06-05 | 2017-10-03 | 深圳市友机机科技有限公司 | 自动回收终端的控制方法、自动回收终端、及存储介质 |
| CN109299788A (zh) * | 2018-07-23 | 2019-02-01 | 深圳回收宝科技有限公司 | 一种电子产品回收的方法、便携式终端及存储介质 |
| WO2021082921A1 (zh) * | 2019-10-28 | 2021-05-06 | 上海悦易网络信息技术有限公司 | 电子设备背板外观瑕疵检测方法及设备 |
| CN110852808A (zh) * | 2019-11-14 | 2020-02-28 | 北京工业大学 | 基于深度神经网络的电子产品异步自适应价值评估方法 |
| CN113837406A (zh) * | 2021-09-22 | 2021-12-24 | 焕新汽车科技(南通)有限公司 | 一种消费类电子设备的回收系统 |
| CN113850779A (zh) * | 2021-09-24 | 2021-12-28 | 深圳闪回科技有限公司 | 一种基于变分多实例图像识别的二手手机自动评级算法 |
| CN114219531A (zh) * | 2021-12-15 | 2022-03-22 | 北京工业大学 | 一种基于m-wu概念漂移检测的废旧手机动态定价方法 |
| CN114330533A (zh) * | 2021-12-24 | 2022-04-12 | 广州绿怡信息科技有限公司 | 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 |
| CN114298345A (zh) * | 2021-12-29 | 2022-04-08 | 广州绿怡信息科技有限公司 | 回收估价输出模型训练方法及回收估价输出方法 |
| CN115829550A (zh) * | 2022-11-22 | 2023-03-21 | 唯羲科技有限公司 | 基于人工智能的电子产品回收管理系统及方法 |
| CN115841346A (zh) * | 2023-02-23 | 2023-03-24 | 杭银消费金融股份有限公司 | 用于经营决策的资产减值预测方法和系统 |
Non-Patent Citations (1)
| Title |
|---|
| 韩红桂 等."基于模糊神经网络的废旧手机价值评估方法".《北京工业大学学报》.2019,第45卷(第11期),第1033-1040页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116681428A (zh) | 2023-09-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112613303B (zh) | 一种基于知识蒸馏的跨模态图像美学质量评价方法 | |
| CN110852426B (zh) | 基于知识蒸馏的预训练模型集成加速方法及装置 | |
| CN109918671A (zh) | 基于卷积循环神经网络的电子病历实体关系抽取方法 | |
| CN116975776B (zh) | 一种基于张量和互信息的多模态数据融合方法和设备 | |
| Xiao et al. | Multi-sensor data fusion for sign language recognition based on dynamic Bayesian network and convolutional neural network | |
| CN114780831A (zh) | 基于Transformer的序列推荐方法及系统 | |
| CN117784710B (zh) | 数控机床远程状态监控系统及其方法 | |
| Han et al. | L-Net: lightweight and fast object detector-based ShuffleNetV2 | |
| CN114241606A (zh) | 一种基于自适应集学习预测的人物交互检测方法 | |
| CN118277838B (zh) | 车辆制造质量缺陷检测方法、装置、电子设备及存储介质 | |
| CN116541492A (zh) | 一种数据处理方法及相关设备 | |
| CN117407557B (zh) | 零样本实例分割方法、系统、可读存储介质及计算机 | |
| CN107944468A (zh) | 基于隐空间编码的零样本学习分类方法 | |
| CN117011650B (zh) | 一种图像编码器的确定方法及相关装置 | |
| CN113837802A (zh) | 一种时序过程与手机缺陷特征深度融合的二手手机价格预测算法 | |
| CN117787287A (zh) | 基于大模型的事故处理方法、系统及存储介质 | |
| CN116681428B (zh) | 电子设备的智能回收管理系统及方法 | |
| CN116958700A (zh) | 一种基于提示工程和对比学习的图像分类方法 | |
| CN117133408A (zh) | 用于青少年的心理咨询辅助系统及其方法 | |
| CN116662924A (zh) | 基于双通道与注意力机制的方面级多模态情感分析方法 | |
| CN117521606B (zh) | 用于财务数据的智能报表生成系统及方法 | |
| CN118053107B (zh) | 基于潜在动作区间特征整合的时序动作检测方法及装置 | |
| CN117576279B (zh) | 基于多模态数据的数字人驱动方法及系统 | |
| CN107730546B (zh) | 一种图像深度特征确定方法及系统 | |
| Saini et al. | A Novel Approach of Image Caption Generator using Deep Learning |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |