损耗检测模型训练方法、损耗检测方法及装置

摘要

本发明涉及一种损耗检测模型训练方法、损耗检测方法及装置，在获取智能设备外观图像后，为智能设备外观图像标注损耗类别，以建立外观图像数据集。进一步地，利用外观图像数据集建立深度神经网络，以训练可用于检测智能设备外观损耗的损耗检测模型。基于此，通过大量作为经验数据的智能设备外观图像预先训练损耗检测模型，在产生检测待测智能设备的损耗程度需求时，可通过预先训练的损耗检测模型快速确定待测智能设备的损耗程度，稳定高效地为智能设备回收提供损耗程度参考。

说明书

技术领域

本发明涉及电子产品技术领域，特别是涉及一种损耗检测模型训练方法、损耗检测方法及装置。

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。

在智能设备的回收过程中，智能设备的整体损耗程度对智能设备的回收估价有较大影响。一般地，主要通过观察智能设备的外观损耗来确定整体损耗，例如划痕、掉漆或外爆等类别的外观损耗来评估智能设备的整体损耗，为智能设备的回收估价提供部分有效的参考。

然而，传统检测智能设备损耗的方式主要是通过专业质检人员的人眼观察，凭专业质检人员的主观判断确定有损耗以及损耗的程度。然而，人眼观察耗时耗力，且主观判断受专业质检人员的经验和状态等因素影响，很难保证判断的准确性。

发明内容

基于此，有必要针对传统检测智能设备损耗的方式还存在的缺陷，提供一种损耗检测模型训练方法、损耗检测方法及装置。

一种损耗检测模型训练方法，包括步骤：

获取智能设备外观图像；

为所述智能设备外观图像标注损耗类别，以建立外观图像数据集；

利用所述外观图像数据集建立深度神经网络，以训练可用于检测智能设备外观损耗的损耗检测模型。

上述的损耗检测模型训练方法，在获取智能设备外观图像后，为智能设备外观图像标注损耗类别，以建立外观图像数据集。进一步地，利用外观图像数据集建立深度神经网络，以训练可用于检测智能设备外观损耗的损耗检测模型。基于此，通过大量作为经验数据的智能设备外观图像预先训练损耗检测模型，在产生检测待测智能设备的损耗程度需求时，可通过预先训练的损耗检测模型快速确定待测智能设备的损耗程度，稳定高效地为智能设备回收提供损耗程度参考。

在其中一个实施例中，为所述智能设备外观图像标注损耗类别，以建立外观图像数据集的过程，包括步骤：

以各损耗类别均分的比例选取待建立数据集的智能设备外观图像；

在所述待建立数据集的智能设备外观图像确定训练集与测试集的比例，以确定所述外观图像数据集。

在其中一个实施例中，损耗类别包括划痕、掉漆和外爆。

在其中一个实施例中，训练集与测试集的比例为9:1。

在其中一个实施例中，深度神经网络包括YOLO神经网络。

在其中一个实施例中，利用所述外观图像数据集建立深度神经网络，以训练可用于检测智能设备外观的损耗类别的损耗检测模型的过程，包括步骤：

根据损耗类别的数量确定深度神经网络的过滤器个数；

将所述外观图像数据集内的图像大小修改为步长的下采样次数次方的倍数；

修改冲量大小、池化算法以及重设损失函数和学习率；

增加用于检测外观损耗的预测层，以确定最优权重的损耗检测模型。

在其中一个实施例中，YOLO神经网络包括YOLOV3神经网络或YOLOV5神经网络。

一种损耗检测模型训练装置，包括：

图像获取模块，用于获取智能设备外观图像；

数据集建立模块，用于为所述智能设备外观图像标注损耗类别，以建立外观图像数据集；

模型训练模块，用于利用所述外观图像数据集建立深度神经网络，以训练可用于检测智能设备外观损耗的损耗检测模型。

上述的损耗检测模型训练装置，在获取智能设备外观图像后，为智能设备外观图像标注损耗类别，以建立外观图像数据集。进一步地，利用外观图像数据集建立深度神经网络，以训练可用于检测智能设备外观损耗的损耗检测模型。基于此，通过大量作为经验数据的智能设备外观图像预先训练损耗检测模型，在产生检测待测智能设备的损耗程度需求时，可通过预先训练的损耗检测模型快速确定待测智能设备的损耗程度，稳定高效地为智能设备回收提供损耗程度参考。

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损耗检测模型训练方法。

上述的计算机存储介质，在获取智能设备外观图像后，为智能设备外观图像标注损耗类别，以建立外观图像数据集。进一步地，利用外观图像数据集建立深度神经网络，以训练可用于检测智能设备外观损耗的损耗检测模型。基于此，通过大量作为经验数据的智能设备外观图像预先训练损耗检测模型，在产生检测待测智能设备的损耗程度需求时，可通过预先训练的损耗检测模型快速确定待测智能设备的损耗程度，稳定高效地为智能设备回收提供损耗程度参考。

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损耗检测模型训练方法。

上述的计算机设备，在获取智能设备外观图像后，为智能设备外观图像标注损耗类别，以建立外观图像数据集。进一步地，利用外观图像数据集建立深度神经网络，以训练可用于检测智能设备外观损耗的损耗检测模型。基于此，通过大量作为经验数据的智能设备外观图像预先训练损耗检测模型，在产生检测待测智能设备的损耗程度需求时，可通过预先训练的损耗检测模型快速确定待测智能设备的损耗程度，稳定高效地为智能设备回收提供损耗程度参考。

一种损耗检测方法，包括步骤：

获取待测外观图像；其中，所述待测外观图像为待测智能设备的外观图像；

根据损耗检测模型对所述待测外观图像进行损耗类别概率预测；

根据损耗类别概率，确定待测智能设备的外观损耗程度。

上述的损耗检测方法，在获取到待测外观图像后，根据损耗检测模型对待测外观图像进行损耗类别概率预测，并根据损耗类别概率，确定待测智能设备的外观损耗程度。基于此，通过预先训练的损耗检测模型快速确定待测智能设备的损耗程度，稳定高效地为智能设备回收提供损耗程度参考。

一种损耗检测装置，包括：

待测图像获取模块，用于获取待测外观图像；其中，所述待测外观图像为待测智能设备的外观图像；

概率预测模块，用于根据损耗检测模型对所述待测外观图像进行损耗类别概率预测；

损耗确定模块，用于根据损耗类别概率，确定待测智能设备的损耗程度。

上述的损耗检测装置，在获取到待测外观图像后，根据损耗检测模型对待测外观图像进行损耗类别概率预测，并根据损耗类别概率，确定待测智能设备的外观损耗程度。基于此，通过预先训练的损耗检测模型快速确定待测智能设备的损耗程度，稳定高效地为智能设备回收提供损耗程度参考。

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损耗检测方法。

上述的计算机存储介质，在获取到待测外观图像后，根据损耗检测模型对待测外观图像进行损耗类别概率预测，并根据损耗类别概率，确定待测智能设备的外观损耗程度。基于此，通过预先训练的损耗检测模型快速确定待测智能设备的损耗程度，稳定高效地为智能设备回收提供损耗程度参考。

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损耗检测方法。

上述的计算机设备，在获取到待测外观图像后，根据损耗检测模型对待测外观图像进行损耗类别概率预测，并根据损耗类别概率，确定待测智能设备的外观损耗程度。基于此，通过预先训练的损耗检测模型快速确定待测智能设备的损耗程度，稳定高效地为智能设备回收提供损耗程度参考。

附图说明

图1为一实施方式的损耗检测模型训练方法流程图；

图2为另一实施方式的损耗检测模型训练方法流程图；

图3为又一实施方式的损耗检测模型训练方法流程图；

图4为一实施方式的损耗检测模型训练装置模块结构图；

图5为一实施方式的损耗检测方法流程图；

图6为待测外观图像在损耗检测模型内的卷积流程图；

图7为一实施方式的损耗检测装置模块结构图。

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损耗检测模型训练方法。

图1为一实施方式的损耗检测模型训练方法流程图，如图1所示，一实施方式的损耗检测模型训练方法包括步骤S100至步骤S102：

S100，获取智能设备外观图像；

其中，智能设备包括智能手机、笔记本电脑和平板电脑等。以智能设备为手机为例，评估手机外观损耗程度，一般通过评估其正面或背面等大面积接触面。同时，由于手机的正面一般是屏幕占大比例面积。因此，可通过获取智能设备的背面图片作为智能设备外观图像。

在其中一个实施例中，基于先验知识，将智能设备整体外观图像中的损耗部位裁剪出来，将裁剪后的图像作为智能设备外观图像。

S101，为所述智能设备外观图像标注损耗类别，以建立外观图像数据集；

在其中一个实施例中，损耗类别包括划痕、掉漆和外爆等在内的多种基于先验知识的损耗类型。需要主要的是，损耗类别包括但不限于划痕、掉漆和外爆。在损耗检测模型确定的前提下，可以通过损耗类别调整增加或减少损耗类别，持续训练损耗检测模型。

在其中一个实施例中，图2为另一实施方式的损耗检测模型训练方法流程图，如图2所示，步骤S101中为所述智能设备外观图像标注损耗类别，以建立外观图像数据集的过程，包括步骤S200和步骤S201：

S200，以各损耗类别均分的比例选取待建立数据集的智能设备外观图像；

其中，智能设备外观图像根据损耗类别进行分类，建立外观图像数据集，外观图像数据集内包括各损耗类别的智能设备外观图像，各损耗类别的智能设备外观图像数量相同。以损耗类别包括划痕、掉漆和外爆为例，划痕的智能设备外观数量：掉漆的智能设备外观数量：外爆的智能设备外观数量为1:1:1。

S201，在所述待建立数据集的智能设备外观图像确定训练集与测试集的比例，以确定所述外观图像数据集。

其中，训练集与测试集的设定与后续步骤的深度神经网络相适应，且训练集与测试集的比例也与深度神经网络相适应。

在其中一个实施例中，训练集与测试集的比例为9:1。

S102，利用所述外观图像数据集建立深度神经网络，以训练可用于检测智能设备外观损耗的损耗检测模型。

外观图像数据集包括训练集和测试集等，训练集具有损耗类别标注。基于此训练出深度神经网络。

在其中一个实施例中，深度神经网络选用YOLO(You Only Look Once)神经网络，包括YOLOV3神经网络或YOLOV5神经网络。作为一个较优的实施方式，深度神经网络选用基于Gaussian(高斯)的YOLOV3神经网络。

利用利用高斯分布的正态分布特性改进YOLOV3神经网络算法，使得网络能够输出每个检测框的不确定性，从而提升网络的精度。基于这一深度神经网络，在其中一个实施例中，图3为又一实施方式的损耗检测模型训练方法流程图，如图3所示，步骤S102中利用所述外观图像数据集建立深度神经网络，以训练可用于检测智能设备外观的损耗类别的损耗检测模型的过程，包括步骤S300至步骤S303：

S300，根据损耗类别的数量确定深度神经网络的过滤器个数；

S301，将所述外观图像数据集内的图像大小修改为步长的下采样次数次方的倍数；

S302，修改冲量大小、池化算法以及重设损失函数和学习率；

S303，增加用于检测外观损耗的预测层，以确定最优权重的损耗检测模型。

为了便于解释本实施例，以下以一具体应用例进行解释——又一实施方式的损耗检测模型训练方法基于Gaussia_YOLOV3神经网络，根据损耗类别的数量C计算训练时.cfg脚本文件的过滤器的个数36((1个边框置信度objectness+8个位置输出+C个类别)x3个先验框bbox)，修改图像大小为32的倍数(在YOLOV3网络结构中会对图片进行5次下采样，每次采样步长为2，所以输入的图像大小修改为32(2的5次方)的倍数)，修改冲量momentum大小来改变模型优化器，重设损失函数，修改池化的操作算法，重设学习率LR，并添加预测层Detection来对手机背面图片的损耗进行检测，获取最优权重的检测模型。

上述任一实施例的损耗检测模型训练方法，在获取智能设备外观图像后，为智能设备外观图像标注损耗类别，以建立外观图像数据集。进一步地，利用外观图像数据集建立深度神经网络，以训练可用于检测智能设备外观损耗的损耗检测模型。基于此，通过大量作为经验数据的智能设备外观图像预先训练损耗检测模型，在产生检测待测智能设备的损耗程度需求时，可通过预先训练的损耗检测模型快速确定待测智能设备的损耗程度，稳定高效地为智能设备回收提供损耗程度参考。

本发明实施例还提供了一种损耗检测模型训练装置。

图4为一实施方式的损耗检测模型训练装置模块结构图，如图4所示，一实施方式的损耗检测模型训练装置包括模块100、模块101和模块102：

图像获取模块100，用于获取智能设备外观图像；

数据集建立模块101，用于为所述智能设备外观图像标注损耗类别，以建立外观图像数据集；

模型训练模块102，用于利用所述外观图像数据集建立深度神经网络，以训练可用于检测智能设备外观损耗的损耗检测模型。

上述任一实施例的损耗检测模型训练装置，在获取智能设备外观图像后，为智能设备外观图像标注损耗类别，以建立外观图像数据集。进一步地，利用外观图像数据集建立深度神经网络，以训练可用于检测智能设备外观损耗的损耗检测模型。基于此，通过大量作为经验数据的智能设备外观图像预先训练损耗检测模型，在产生检测待测智能设备的损耗程度需求时，可通过预先训练的损耗检测模型快速确定待测智能设备的损耗程度，稳定高效地为智能设备回收提供损耗程度参考。

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损耗检测模型训练方法。

本领域的技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、随机存取存储器(RAM，Random Access Memory)、只读存储器(ROM，Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

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另一种计算机设备，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损耗检测模型训练方法。

上述计算机设备，在获取智能设备外观图像后，为智能设备外观图像标注损耗类别，以建立外观图像数据集。进一步地，利用外观图像数据集建立深度神经网络，以训练可用于检测智能设备外观损耗的损耗检测模型。基于此，通过大量作为经验数据的智能设备外观图像预先训练损耗检测模型，在产生检测待测智能设备的损耗程度需求时，可通过预先训练的损耗检测模型快速确定待测智能设备的损耗程度，稳定高效地为智能设备回收提供损耗程度参考。

本发明实施例还提供了一种基于上述任一实施例的损耗检测模型的损耗检测方法。

图5为一实施方式的损耗检测方法流程图，如图5所示，一实施方式的损耗检测方法包括步骤S400至步骤S402：

S400，获取待测外观图像；其中，所述待测外观图像为待测智能设备的外观图像；

S401，根据损耗检测模型对所述待测外观图像进行损耗类别概率预测；

S402，根据损耗类别概率，确定待测智能设备的外观损耗程度。

其中，待测智能设备为回收过程中需要进行检测的智能设备。将待测外观图像输入上述任一实施例中训练完毕的损耗检测模型中进行模型计算。

其中，损耗类别概率预测以权重形式或优先级形式等给出，以便于直观了解外观损耗程度或对外观损耗程度的数据化。

以基于基于Gaussia_YOLOV3神经网络的损耗检测模型为例，图6为待测外观图像在损耗检测模型内的卷积流程图，如图6所示，待测外观图像在输入(Input)损耗检测模型的神经网络结构之后进行的一系列卷积(Conv)操作。在三个不同尺度大小，分别是13x13、26x26、52x52的预测层Detection特征网格中，也就是在各个边框(tx，ty，tw，th)中对待测外观图像进行损耗类别预测，tx，ty是预测的坐标偏移量，tw，th是图像尺度的缩放。然后，再根据目标置信度阈值，非极大值抑制，损失函数等步骤缩减预测框的数量，将每一个边框归类存入数组，最后对其每一个目标损耗类别(划痕，掉漆，外爆)，即由边框组成的数组，进行求长度，求概率，得出三个损耗类别分别的概率，而概率大于0的损耗类别即该待测外观图像检测的所有损耗类别结果。

上述的损耗检测方法，在获取到待测外观图像后，根据损耗检测模型对待测外观图像进行损耗类别概率预测，并根据损耗类别概率，确定待测智能设备的外观损耗程度。基于此，通过预先训练的损耗检测模型快速确定待测智能设备的损耗程度，稳定高效地为智能设备回收提供损耗程度参考。

本发明实施例还提供一种损耗检测装置。

图7为一实施方式的损耗检测装置模块结构图，如图7所示，一实施方式的损耗检测装置包括模块200、模块201和模块202：

待测图像获取模块200，用于获取待测外观图像；其中，所述待测外观图像为待测智能设备的外观图像；

概率预测模块201，用于根据损耗检测模型对所述待测外观图像进行损耗类别概率预测；

损耗确定模块202，用于根据损耗类别概率，确定待测智能设备的损耗程度。

上述的损耗检测装置，在获取到待测外观图像后，根据损耗检测模型对待测外观图像进行损耗类别概率预测，并根据损耗类别概率，确定待测智能设备的外观损耗程度。基于此，通过预先训练的损耗检测模型快速确定待测智能设备的损耗程度，稳定高效地为智能设备回收提供损耗程度参考。

本发明实施例还提供了另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损耗检测方法。

本领域的技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、随机存取存储器(RAM，Random Access Memory)、只读存储器(ROM，Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

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另一种计算机设备，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损耗检测方法。

上述计算机设备，在获取到待测外观图像后，根据损耗检测模型对待测外观图像进行损耗类别概率预测，并根据损耗类别概率，确定待测智能设备的外观损耗程度。基于此，通过预先训练的损耗检测模型快速确定待测智能设备的损耗程度，稳定高效地为智能设备回收提供损耗程度参考。

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。