[发明专利]缺陷类型检测方法、装置、电子设备及介质

权利要求书

1.一种缺陷类型检测方法，其特征在于，所述方法包括：

获得待检测目标的字节码，其中，所述待检测目标为：基于预设编程语言所编写的程序；

基于所获得的待检测目标的字节码，获得所述待检测目标对应的待检测色彩图像；

基于所获得的待检测色彩图像以及预设的缺陷类型检测模型，确定所述待检测目标是否存在缺陷，并在确定存在缺陷时，确定所述待检测目标对应的缺陷类型，其中，所述预设的缺陷类型检测模型：包含每一缺陷类型与图像特征的对应关系。

2.根据权利要求1所述的方法，其特征在于，所述预设编程语言包括solidity语言，所述待检测目标包括智能合约。

3.根据权利要求1所述的方法，其特征在于，所述待检测目标的字节码为一串字符串；

所述基于所获得的待检测目标的字节码，获得所述待检测目标对应的待检测色彩图像，包括：

基于预设的RGB颜色对照表，将所获得的待检测目标的字节码，转译为RGB颜色代码，其中，所述预设的RGB颜色对照表包括：各RGB颜色代码与字符子串的对应关系；

将所述RGB颜色代码，转存为所述待检测目标对应的待检测色彩图像。

4.根据权利要求1-3任一项所述的方法，其特征在于，所述预设的缺陷类型检测模型为预设的卷积神经网络模型；

在所述基于所获得的待检测色彩图像以及预设的缺陷类型检测模型，确定所述待检测目标是否存在缺陷，并在确定存在缺陷时，确定所述待检测目标对应的缺陷类型之前，所述方法还包括：

建立所述预设的卷积神经网络模型的过程，其中，所述过程包括：

获得初始的卷积神经网络模型；

获得多个样本目标的字节码，其中，所述样本目标为：基于所述预设编程语言所编写的程序；

基于每一样本目标的字节码，获得每一样本目标对应的样本色彩图像；

获得每一样本色彩图像对应的标定信息，其中，所述标定信息包括：所对应样本色彩图像对应的缺陷类型，作为预测缺陷类型；

基于所获得的每一样本色彩图像以及每一样本色彩图像对应的标定信息中所包括的预测缺陷类型，训练所述初始的卷积神经网络模型，得到预设的卷积神经网络模型。

5.根据权利要求4所述的方法，其特征在于，所述初始的卷积神经网络模型包括特征提取层和特征分类层；

所述基于所获得的每一样本色彩图像以及每一样本色彩图像对应的标定信息中所包括的预测缺陷类型，训练所述初始的卷积神经网络模型，得到预设的卷积神经网络模型，包括：

将所获得的每一样本色彩图像输入所述特征提取层，提取该样本色彩图像的样本图像特征；

将所提取的样本图像特征输入所述特征分类层，得到该样本色彩图像对应的当前缺陷类型；

将所获得的当前缺陷类型与所对应的预测缺陷类型进行匹配；

当匹配成功时，获得包含所述特征提取层和所述特征分类层的预设的卷积神经网络模型；

当匹配失败时，调整所述特征提取层和所述特征分类层的参数，返回执行所述将所获得的每一样本色彩图像输入所述特征提取层，提取该样本色彩图像的样本图像特征；

直至匹配成功时，获得包含所述特征提取层和所述特征分类层的预设的卷积神经网络模型。

6.根据权利要求4所述的方法，其特征在于，在所述基于所获得的每一样本色彩图像以及每一样本色彩图像对应的标定信息中所包括的预测缺陷类型，训练所述初始的卷积神经网络模型，得到预设的卷积神经网络模型之后，所述方法还包括：

基于预设检测流程，检测所述预设的卷积神经网络模型的确定结果的准确性，获得检测结果；

获得针对所述检测结果的调整指令，其中，所述调整指令携带所需调整结果；

基于所获得的调整结果，对所述预设的卷积神经网络模型进行调整。