[发明专利]损耗检测模型训练方法、损耗检测方法及装置

说明书

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。

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；