CN112581001A - 设备的评估方法及装置、电子设备、可读存储介质 - Google Patents
设备的评估方法及装置、电子设备、可读存储介质 Download PDFInfo
- Publication number
- CN112581001A CN112581001A CN202011556717.6A CN202011556717A CN112581001A CN 112581001 A CN112581001 A CN 112581001A CN 202011556717 A CN202011556717 A CN 202011556717A CN 112581001 A CN112581001 A CN 112581001A
- Authority
- CN
- China
- Prior art keywords
- marked
- equipment
- sample
- evaluated
- quality score
- 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.)
- Granted
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 76
- 230000007547 defect Effects 0.000 claims abstract description 132
- 238000013210 evaluation model Methods 0.000 claims abstract description 52
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims description 47
- 230000006870 function Effects 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 20
- 230000002950 deficient Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 8
- 230000032683 aging Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 description 15
- 238000001514 detection method Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000006748 scratching Methods 0.000 description 1
- 230000002393 scratching effect Effects 0.000 description 1
Images
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30204—Marker
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种设备的评估方法及装置、电子设备、可读存储介质。设备的评估方法,包括:获取待识别图像;所述待识别图像中包括待评估设备;将所述待识别图像输入到预先训练好的评估模型中,获得所述待评估设备的缺陷信息和质量信息;所述缺陷信息中包括所述待评估设备的缺陷区域和所述待评估设备的缺陷区域的信息,所述质量信息中包括所述待评估设备的质量得分。该评估方法用以提高设备评估的效率以及设备评估结果的准确性。
Description
技术领域
本申请涉及图像处理技术领域,具体而言,涉及一种设备的评估方法及装置、电子设备、可读存储介质。
背景技术
现有的设备缺陷评估(比如二手设备的缺陷评估)主要依靠人为的方式进行处理。
这种方式存在两个问题,一个是人为的方式效率较低;另一个是人为的方式主观性较大,导致评估结果的准确性也较差。
发明内容
本申请实施例的目的在于提供一种设备的评估方法及装置、电子设备、可读存储介质,用以提高设备评估的效率以及设备评估结果的准确性。
第一方面,本申请实施例提供一种设备的评估方法,包括:获取待识别图像;所述待识别图像中包括待评估设备;将所述待识别图像输入到预先训练好的评估模型中,获得所述待评估设备的缺陷信息和质量信息;所述缺陷信息中包括所述待评估设备的缺陷区域和所述待评估设备的缺陷区域的信息,所述质量信息中包括所述待评估设备的质量得分。
在本申请实施例中,通过预先训练好的评估模型,在需要进行设备缺陷评估时,将包括待评估设备的待识别图像输入到该评估模型中,评估模型可以直接输出评估结果,在评估结果中,不仅包括待评估设备的缺陷信息,还包括待评估设备的质量信息。与现有技术相比,不再需要依靠人为的方式进行设备的缺陷评估,提高设备评估的效率;并且,避免了人为的方式带来的主观性影响,评估结果的准确性更高。此外,评估结果中还包括质量信息,使该评估结果的应用性更强,比如:假设该设备为二手设备,基于该质量信息,可以对该二手设备进行合理地估价。
作为一种可能的实现方式,所述预先训练好的评估模型的架构为yolo架构,所述预先训练好的评估模型的主干网络为Resnet50,所述预先训练好的评估模型中包括用于计算质量得分的loss函数;所述将所述待识别图像输入到预先训练好的评估模型中,获得所述待评估设备的缺陷信息和质量信息,包括:通过所述yolo架构和所述Resnet50获得所述待评估设备的缺陷信息;通过所述yolo架构、所述Resnet50和所述loss函数获得所述待评估设备的质量信息。
在本申请实施例中,通过yolo架构和Resnet50实现待评估设备的缺陷信息的准确获取;通过yolo架构、Resnet50和用于计算质量得分的loss函数实现待评估设备的质量信息的准确获取;提高设备的评估结果的准确性。
作为一种可能的实现方式,在所述获取待识别图像之前,所述评估方法还包括:获取训练样本集;所述训练样本集中包括多张标记样本图像,所述标记样本图像中包括样本设备,所述样本设备具有标记的缺陷信息和标记的质量信息,所述标记的缺陷信息中包括标记的缺陷区域和所述标记的缺陷区域的信息,所述标记的质量信息中包括所述样本设备的质量得分;将所述训练样本集输入初始的评估模型中进行训练直至模型收敛,获得训练好的评估模型。
在本申请实施例中,通过获取训练样本集,实现基于训练样本集对初始的评估模型进行训练,进而使训练好的评估模型可以用于设备的评估。
作为一种可能的实现方式,所述获取训练样本集,包括:获取多张待标记样本图像;所述多张待标记样本图像中包括待标记样本设备;标记所述待标记样本设备的缺陷区域;确定标记的缺陷区域的信息并标记;根据所述标记的缺陷区域标记所述待标记样本设备的质量得分,以获得所述训练样本集。
在本申请实施例中,在获取训练样本集时,通过对待标记样本图像进行对应的标记,实现训练样本集的有效获取。
作为一种可能的实现方式,所述根据所述标记的缺陷区域标记所述待标记样本设备的质量得分,以获得所述训练样本集,包括:确定所述标记的缺陷区域的面积与所述待标记样本设备的面积的比值;根据所述比值和预设的质量得分范围确定所述待标记样本设备的第一质量得分;根据所述第一质量得分和预设的所述待标记样本设备的质量系数确定所述待标记样本设备的质量得分并标记;所述质量系数用于代表所述待标记样本设备的老旧程度。
在本申请实施例中,在标记质量得分时,通过先确定第一质量得分,然后根据第一质量得分和预设的质量系数实现质量得分的确定,最终实现质量得分的有效且准确地标记。
作为一种可能的实现方式,在所述根据所述比值和预设的质量得分范围确定所述待标记样本设备的第一质量得分之后,所述评估方法还包括:通过预设的取整函数对所述第一质量得分进行转换,获得转换的第一质量得分;对应的,所述根据所述第一质量得分和预设的所述待标记样本设备的质量系数确定所述待标记样本设备的质量得分并标记,包括:根据所述转换的第一质量得分和预设的所述待标记样本设备的质量系数确定所述待标记样本设备的质量得分并标记。
在本申请实施例中,通过对第一质量得分进行转换,然后再通过转换的第一质量得分确定标记的质量得分,使标记的质量得分都是整数,提高质量得分的一致性。
作为一种可能的实现方式,所述待评估设备的缺陷区域的信息包括:所述待评估设备的缺陷区域对应的区域名称以及所述待评估设备的缺陷区域中的缺陷元素。
在本申请实施例中,通过待评估设备的缺陷区域对应的区域名称以及待评估设备的缺陷区域中的缺陷元素这两项信息,能够实现设备的缺陷的准确描述,提高评估结果的全面性和可参考性。
第二方面,本申请实施例提供一种设备的评估装置,该评估装置包括用于实现第一方面以及第一方面的任意一种可能的实现方式中所述的设备的评估方法的各个功能模块。
第三方面,本申请实施例提供一种电子设备,包括:存储器、处理器;所述存储器中存储有计算机程序指令,所述计算机程序指令被所述处理器读取并运行时,执行如第一方面以及第一方面的任意一种可能的实现方式中所述的设备的评估方法。
第四方面,本申请实施例提供一种可读存储介质,该可读存储介质上存储有计算机程序,该计算机程序被计算机运行时执行如第一方面以及第一方面的任意一种可能的实现方式中所述的设备的评估方法。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的电子设备的示意图;
图2为本申请实施例提供的设备的评估方法的流程图;
图3为本申请实施例提供的缺陷区域的示例图;
图4为本申请实施例提供的设备的评估装置的结构框图。
图标:100-电子设备;110-存储器;120-总线;130-处理器;300-设备的评估装置;310-获取模块;320-处理模块。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。方法实施例中的具体操作方法也可以应用于装置实施例或***实施例中。在本申请的描述中,除非另有说明,“至少一个”包括一个或多个。“多个”是指两个或两个以上。例如,A、B和C中的至少一个,包括:单独存在A、单独存在B、同时存在A和B、同时存在A和C、同时存在B和C,以及同时存在A、B和C。在本申请中,“/”表示或的意思,例如,A/B可以表示A或B;本文中的“和/或”仅仅是一种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。
本申请实施例所提供的技术方案可以应用于设备的缺陷评估,该设备可以是使用过的设备(比如二手设备)、也可以是新的设备。比如:二手手机、二手电脑、新手机、新电脑等。
本申请实施例所提供的设备的评估方法可以应用于设备的评估平台,该设备的评估平台可以是应用程序、小程序等各种可实施的表现形式。对于该评估平台来说,其硬件运行环境可以包括:前端和后端,前端可以理解为客户端,后端可以理解为服务器。
该评估方法可以应用于前端,也可以应用于后端。如果该评估方法应用于前端,该评估方法中所需的评估模型可以存储在后端上,在需要使用该评估模型时,前端从后端获取该评估模型。当然,如果前端的条件允许,该评估模型也可以前端和后端都进行存储,前端也可以单独完成该评估方法的执行。如果该评估方法应用于后端,则前端作为用户交互端,将各种请求或者命令发送给后端,后端基于请求或者命令对数据进行处理,在得到对应的处理结果之后,反馈给前端,前端再反馈给用户。
该评估方法所应用的硬件环境可以结合实际的硬件条件进行合理地配置,在本申请实施例中只是作示例性的介绍,并不构成对本申请实施例的限制。
请参照图1,为本申请实施例提供的电子设备100,包括:存储器110、总线120和处理器130。其中,处理器130和存储器110通过总线120连接。
在本申请实施例中,电子设备100可以为服务器(即后端),也可以为前端。当电子设备100为服务器时,例如可以为网络服务器、数据库服务器、云服务器或由多个子服务器构成的服务器集成等;或者,当电子设备100为前端时,例如可以为个人电脑、平板电脑、智能手机、个人数字助理等。当然,上述列举的设备是为了便于理解本申请实施例,其不应作为对本申请实施例的限定。
本申请实施例中,存储器110存储实现本申请实施例提供的设备的评估方法所需要的程序。
存储器110可以包括但不限于RAM(Random Access Memory,随机存取存储器),ROM(Read Only Memory,只读存储器),PROM(Programmable Read-Only Memory,可编程只读存储器),EPROM(Erasable Programmable Read-Only Memory,可擦除只读存储器),EEPROM(Electric Erasable Programmable Read-Only Memory,电可擦除只读存储器)等。
总线120可以是ISA(Industry Standard Architecture,工业标准体系结构)总线、PCI(Peripheral Component Interconnect,外设部件互联标准)总线或EISA(EnhancedIndustry Standard Architecture,扩展工业标准结构)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图1中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类别的总线。
处理器130用于执行存储器110中存储的可执行模块,例如计算机程序。本申请实施例揭示的流程或定义的装置所执行的方法可以应用于处理器130中,或者由处理器130实现。处理器130在接收到执行指令后,通过总线120调用存储在存储器110中的程序后,处理器130通过运行该程序则可以实现运行设备的评估方法的流程。
处理器130可以是一种集成电路芯片,具有信号处理能力。处理器130可以是通用处理器,包括CPU(Central Processing Unit,中央处理器)、NP(Network Processor,网络处理器)等;还可以是数字信号处理器、专用集成电路、现成可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。其可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
图1所示的电子设备100的组件和结构只是示例性的,而非限制性的,根据需要,电子设备100也可以具有其他组件和结构。比如,在本申请实施例中,如果电子设备100为前端,电子设备100还可以包括摄像头、显示器、输入输出模块(比如键盘、鼠标)等组件。
基于上述硬件运行环境和应用场景的介绍,请参照图2,为本申请一实施例提供的设备的评估方法的流程图,该评估方法包括:步骤210、步骤220。
步骤210:获取待识别图像。其中,待识别图像中包括待评估设备。
步骤220:将待识别图像输入到预先训练好的评估模型中,获得待评估设备的缺陷信息和质量信息。其中,缺陷信息中包括待评估设备的缺陷区域和待评估设备的缺陷区域的信息,质量信息中包括待评估设备的质量得分。
在本申请实施例中,通过预先训练好的评估模型,在需要进行设备缺陷评估时,将包括待评估设备的待识别图像输入到该评估模型中,评估模型可以直接输出评估结果,在评估结果中,不仅包括待评估设备的缺陷信息,还包括待评估设备的质量信息。与现有技术相比,不再需要依靠人为的方式进行设备的缺陷评估,提高设备评估的效率;并且,避免了人为的方式带来的主观性影响,评估结果的准确性更高。此外,评估结果中还包括质量信息,使该评估结果的应用性更强,比如:假设待评估设备为二手设备,基于该质量信息,可以对该二手设备进行合理地估价。
接下来对步骤210和步骤220的详细实施方式进行介绍。
在步骤210中,待识别图像中包括待评估设备,对于待识别图像,为通过对待评估设备进行拍摄所获得的图像。
在拍摄时,结合待评估设备的特点,尽量将待评估设备的各个部分都拍摄到。比如:对手机/平板等设备的正面进行拍摄,设备的一条边可以平行于待识别图像的横轴或者纵轴,以保证正面拍摄效果。
为了保证待识别图像中待评估设备所占据的面积尽可能的大,在对待评估设备进行拍摄时,使得待评估设备的各个边尽量靠近取景框的边界处。
此外,在拍摄时,还可以对光照、拍摄亮度、拍摄焦距等条件进行适应性的调整,以尽可能保证拍摄出的待识别图像的效果。
并且,如果待评估设备包括多个面,比如:手机包括正面和背面,此时如果一张待识别图像中不能同时包括手机的正面和背面,则该手机可以对应两张待识别图像,一张待识别图像为包括手机的正面的图像,另一张待识别图像为包括手机的背面的图像。即,对于一个待评估设备来说,可以对应一张或者两张以上的待识别图像。
上述待识别图像的拍摄过程可以由用户完成,也可以由前端辅助用户完成,比如:在用户拍摄时,前端指定各种限定条件,以使用户根据限定条件拍摄出效果较好的待识别图像。
进而,在步骤210中,如果该评估方法的执行主体为前端,则前端获取用户所确定的待识别图像即可,如果该评估方法的执行主体为后端,则后端获取前端发送的待识别图像。
作为另一种实施方式,在步骤210中所获取的待识别图像也可以是预先存储好的待识别图像,比如:用户每次拍摄好待识别图像之后,上传到前端或者后端进行存储。在这种情况下,步骤210的执行条件可以为:前端或者后端在接收到用户的处理请求时,基于处理请求获取对应的存储的待识别图像,然后进行处理。或者前端或者后端设置处理周期(比如1天),每经过一个处理周期,主动地获取存储的未处理的待识别图像,然后进行处理。再或者前端或者后端在执行其他的业务流程时,通过其他业务流程的调用,获取对应的存储的待识别图像,然后进行处理。
在本申请实施例中,待识别图像可以是一个待评估设备对应的一张或者多张图像;也可以是多个待评估设备分别对应的一张或者多张图像。
在步骤210中获取到待识别图像之后,在步骤220中,将待识别图像输入到预先训练好的评估模型中,获得待评估设备的缺陷信息和质量信息。
其中,缺陷信息包括待评估设备的缺陷区域和该缺陷区域的缺陷信息。对于缺陷区域,可以结合识别完成的图像进行体现,比如:在识别完成的图像中,评估完成的设备上标记出缺陷区域。为了便于理解,请参照图3,为缺陷区域的示意图,在图3中,该识别完成的图像中的设备上总共包括三处缺陷区域:缺陷区域1、缺陷区域2和缺陷区域3。
对于缺陷区域的缺陷信息,可以包括设备的缺陷区域对应的区域名称以及设备的缺陷区域中的缺陷元素。缺陷区域对应的区域名称可以用于表征缺陷区域在设备上的位置,缺陷区域中的缺陷元素可以用于描述缺陷。以手机为例,缺陷信息可以为:屏幕、传感器、摄像头、麦克风、按键、手机主体、外壳破裂、屏幕损坏、漆面刮花;其中,屏幕、传感器、摄像头、麦克风、按键、手机主体这几项属于区域名称;外壳破裂、屏幕损坏、漆面刮花这几项属于缺陷元素。
在本申请实施例中,通过待评估设备的缺陷区域对应的区域名称以及待评估设备的缺陷区域中的缺陷元素这两项信息,能够实现设备的缺陷的准确描述,提高评估结果的全面性和可参考性。
对于质量信息,其中包括设备的质量得分,关于该质量得分的实施方式,在介绍训练模型的实施方式时进行一并介绍。
在步骤220中,输入到预先训练好的评估模型中的图像可以设置有编号,在该评估模型输出评估结果时,按照该编号对评估结果进行对应标识。
结合前述待识别图像的介绍,在输出评估结果时,可以输出一个设备对应的评估结果,也可以输出多个设备各自对应的评估结果。
在步骤220中,所应用的模型为预先训练好的评估模型,接下来对该评估模型的训练过程进行介绍。
作为一种可选的实施方式,在步骤210之前,该评估方法还包括:获取训练样本集;训练样本集中包括多张标记样本图像,标记样本图像中包括样本设备,样本设备具有标记的缺陷信息和标记的质量信息,标记的缺陷信息中包括标记的缺陷区域和标记的缺陷区域的信息,标记的质量信息中包括样本设备的质量得分;将训练样本集输入初始的评估模型中进行训练直至模型收敛,获得训练好的评估模型。
在本申请实施中,训练样本集的获取过程可以包括:获取多张待标记样本图像;多张待标记样本图像中包括待标记样本设备;标记待标记样本设备的缺陷区域;确定标记的缺陷区域的信息并标记;根据标记的缺陷区域标记待标记样本设备的质量得分,以获得训练样本集。
其中,样本设备与待评估设备的实施方式相同。在训练样本集中,可以包括多张标记样本图像,多张标记样本图像可以为多个样本设备对应的多张标记样本图像,每个样本设备可以对应一张标记样本图像,也可以对应多张标记样本图像。
对应的,在获取多张待标记样本图像时,可以获取多个待标记样本设备对应的多张待标记样本图像,每个待标记样本设备可以对应一张待标记样本图像,也可以对应多张待标记样本图像。
对于获取待标记样本图像的过程,为对待标记样本设备进行拍摄,获得对应的图像的过程,该过程参照对待评估设备进行拍摄,获得待识别图像的实施方式,在此不再重复介绍。
在获得待标记样本图像之后,可以对待标记样本设备的缺陷区域进行标记。作为一种可选的实施方式,该标记过程包括:将待标记样本图像进行显示,由用户通过标记工具(可以是前端提供的标记工具)在待标记样本图像上进行标记;待用户完成标记之后,(前端或者后端)再通过目标检测的方式识别出用户标记的缺陷区域,然后再为识别出的缺陷区域添加标记。其中,用户所使用的标记工具也可以自带目标检测的功能,当用户完成标记后,待标记样本图像也的缺陷区域也完成标记。当然,作为另一种可选的实施方式,用户也可以在线下对待标记样本图像中的缺陷区域进行标记,然后将标记有缺陷区域的待标记样本图像上传到前端或者后端,前端或者后端基于用户的标记再进行后续的处理。
标记工具、目标检测等的实施方式,采用本领域成熟的技术即可,在此不进行详细介绍。
在本申请实施例中,缺陷区域可以设置对应的标记形式,比如:采用矩形框或者其他固定形状框标记缺陷区域。
基于标记的缺陷区域,可以通过用户输入的缺陷区域的描述信息确定标记的缺陷区域的信息。比如:用户输入缺陷区域对应的区域名称,用户输入缺陷区域中的缺陷元素,然后前端或者后端将该信息作为缺陷区域的标识信息,进行标识,完成缺陷区域的信息的标记。
基于标记的缺陷区域,还可以标记待标记样本设备的质量得分。作为一种可选的实施方式,该过程包括:确定标记的缺陷区域的面积与待标记样本设备的面积的比值;根据比值和预设的质量得分范围确定待标记样本设备的第一质量得分;根据第一质量得分和预设的待标记样本设备的质量系数确定待标记样本设备的质量得分并标记;质量系数用于代表待标记样本设备的老旧程度。
其中,缺陷区域对应有缺陷区域的形状,基于对应的形状,便能实现缺陷区域的面积的计算,比如:缺陷区域为矩形,则该缺陷区域的面积为长和宽的乘积。对于待标记样本设备的面积,可以先对待标记样本图像中的待标记样本设备进行检测,比如:在待标记样本图像中,待标记样本设备所处的区域的像素值与其他空白区域的像素值不相同,基于不相同的像素值,便可以实现待标记样本设备的检测。在检测完成后,基于检测到的待标记样本设备区域进行对应的面积计算,实现待标记样本设备的面积计算。
对于质量得分,可以有不同的实施方式,比如:质量得分为[1,2,3,4,5],则质量得分的范围便为[1,5];再比如:质量得分为[1,2,3,4,5,6,7,8,9,10],则质量得分的范围便为[1,10]。质量得分和质量得分的范围可以结合实际应用场景进行合理地设置,在本申请实施例中不作限定。
由于缺陷区域的面积小于或者等于待标记样本设备的面积,因此面积比值的范围为(0,1],因此,为了将面积比值转换为质量得分,需要在面积比值的基础上乘以质量得分范围中的最大质量得分,比如:面积比值乘以5。
在本申请实施例中,在得到第一质量得分之后,可以直接基于第一质量得分计算待标记样本设备的质量得分,也可以对第一质量得分进行处理后再计算待标记样本设备的质量得分。作为一种可选的处理方式,在得到第一质量得分之后,通过预设的取整函数对第一质量得分进行转换,获得转换的第一质量得分,对应的,在标记时,基于转换后的第一质量得分确定待标记样本设备的质量得分并标记。
其中,预设的取整函数可以是四舍五入函数,或者浮点型转整数型函数等可以实现取整操作的函数。作为举例,假设第一质量得分在未转换前为:3.85,则在转换之后,第一质量得分为4。
当然,除了取整函数,也可以采用其他函数或者算法对第一质量得分进行处理,使最终标记的质量得分具有一致性。
不管是直接基于第一质量得分确定最终的质量得分,还是基于转换后的第一质量得分确定最终的质量得分,预设的质量系数可以代表待标记样本设备的老旧程度,该质量系数的取值范围可以为:(0-1.0]。该预设的质量系数可以是用户在对待标记样本图像进行标记时,一并输入的信息。
在确定最终的质量得分时,可以先获得第一质量得分或者转换后的第一质量得分与质量系数的乘积,然后再通过取整函数对乘积值进行转换,得到最终的质量得分。
在本申请实施例中,在标记质量得分时,通过先确定第一质量得分,然后根据第一质量得分和预设的质量系数实现质量得分的确定,最终实现质量得分的有效且准确地标记。
在对质量得分进行标记时,与缺陷区域的信息的标记方式类似,将质量得分标记为缺陷区域的标识信息,即可完成质量得分的标记。
在各项内容标记完成之后,所得到的图像便为标记样本图像,其中的设备便为样本设备,该样本设备对应有缺陷信息和质量信息。
在本申请实施例中,获取训练样本集的过程可以是实时的,也可以是非实时的。如果是实时的,则在需要进行模型训练时,采用上述实施方式实时的获取训练样本集。如果是非实时的,则在不需要进行模型训练时,便可以收集训练样本集,并进行存储,在需要进行模型训练时,直接从收集的训练样本集中获取部分或者全部样本集即可。
基于训练样本集,便可以进行样本的训练。在本申请实施例中,所采用的初始的评估模型的架构可以为yolo架构(一种深度神经网络模型的架构),其主干网络可以为Resnet50。在yolo架构和Resnet50主干网络的基础上,可增加用于计算质量得分的loss函数,该loss函数可以理解为Resnet50主干网络的一个分支。对于yolo架构和Resnet50主干网络来说,已经可以实现目标区域的检测和信息识别,即:确定缺陷区域和缺陷区域的信息。通过添加用于计算质量得分的loss函数的分支,便可以实现质量得分的计算。
将训练样本集输入该初始的评估模型中,进行不断地训练,训练完成的评估模型便可以实现缺陷区域的检测、缺陷区域的信息的确定以及质量得分的确定。在本申请实施例中,对于神经网络模型的具体训练过程的实施方式,属于本领域成熟的技术,在此不进行详细介绍。
在获得训练好的评估模型之后,还可以对该训练好的评估模型的准确度进行测试,如果测试结果表示准确度较低,还可以继续对评估模型进行优化或者训练,以提高该评估模型的评估准确度。如果测试结果表示准确度较高,则可以直接应用该评估模型。
在本申请实施例中,对于模型的测试和准确度的优化,均属于本领域成熟的技术,在本申请实施例中不作详细介绍。
结合上述评估模型的训练的实施方式,可以理解,在步骤220中,通过yolo架构和Resnet50获得待评估设备的缺陷信息;通过yolo架构、Resnet50和loss函数获得待评估设备的质量信息。
在本申请实施例中,通过yolo架构和Resnet50实现待评估设备的缺陷信息的准确获取;通过yolo架构、Resnet50和用于计算质量得分的loss函数实现待评估设备的质量信息的准确获取;进而提高设备的评估结果的准确性。
在本申请实施例中,在质量信息中,除了包括直观的质量得分,还可以设置质量得分的评级,比如:质量得分范围为[1,5]时,质量得分为4-5之间时,质量得分的评级为A;质量得分为3-4之间时,质量得分的评级为B;质量得分为2-3之间时,质量得分的评级为C;质量得分为0-2之间时,质量得分的评级为D。因而,质量信息的实施方式,可以结合实际的应用场景进行灵活变换,在本申请实施例中不作限定。
如果在质量信息中包括质量得分的评级,则在最终输出的评估结果中,还对应包括质量评级,对于评估模型来说,在质量得分的loss函数的基础上,再加上一个分类器,即可实现对质量得分的评级。
在本申请实施例中,如果待识别图像最终的评估结果中,没有缺陷区域,则缺陷区域则标识为无或者标识为空,缺陷区域的信息也对应标识为无或者标识为空。
在本申请实施例中,对于设备的评估结果,可以有多种应用方式,比如:在二手设备的评估应用场景下,用户基于评估结果中的质量得分(和质量得分的评级)可以对该二手设备进行估价;在新的设备的评估应用场景下,评估结果中的质量得分通常来说较高,此时,可以基于缺陷区域和缺陷区域的信息对该新的设备进行返场维修。
当然,基于不同的应用场景,不同的设备的评估结果,还可以有更多的应用,在本申请实施例中不作限定。
基于同一发明构思,请参照图4,本申请实施例中还提供一种设备的评估装置300,包括:获取模块310和处理模块320。
获取模块310,用于获取待识别图像;所述待识别图像中包括待评估设备。处理模块320,用于将所述待识别图像输入到预先训练好的评估模型中,获得所述待评估设备的缺陷信息和质量信息;所述缺陷信息中包括所述待评估设备的缺陷区域和所述待评估设备的缺陷区域的信息,所述质量信息中包括所述待评估设备的质量得分。
在本申请实施例中,所述预先训练好的评估模型的架构为yolo架构,所述预先训练好的评估模型的主干网络为Resnet50,所述预先训练好的评估模型中包括用于计算质量得分的loss函数。处理模块320具体用于:通过所述yolo架构和所述Resnet50获得所述待评估设备的缺陷信息;通过所述yolo架构、所述Resnet50和所述loss函数获得所述待评估设备的质量信息。
在本申请实施例中,获取模块310还用于获取训练样本集;所述训练样本集中包括多张标记样本图像,所述标记样本图像中包括样本设备,所述样本设备具有标记的缺陷信息和标记的质量信息,所述标记的缺陷信息中包括标记的缺陷区域和所述标记的缺陷区域的信息,所述标记的质量信息中包括所述样本设备的质量得分。处理模块320还用于将所述训练样本集输入初始的评估模型中进行训练直至模型收敛,获得训练好的评估模型。
在本申请实施例中,获取模块310具体用于:获取多张待标记样本图像;所述多张待标记样本图像中包括待标记样本设备;标记所述待标记样本设备的缺陷区域;确定标记的缺陷区域的信息并标记;根据所述标记的缺陷区域标记所述待标记样本设备的质量得分,以获得所述训练样本集。
在本申请实施例中,处理模块320具体用于:确定所述标记的缺陷区域的面积与所述待标记样本设备的面积的比值;根据所述比值和预设的质量得分范围确定所述待标记样本设备的第一质量得分;根据所述第一质量得分和预设的所述待标记样本设备的质量系数确定所述待标记样本设备的质量得分并标记;所述质量系数用于代表所述待标记样本设备的老旧程度。
在本申请实施例中,处理模块320还用于:通过预设的取整函数对所述第一质量得分进行转换,获得转换的第一质量得分;以及具体用于:根据所述转换的第一质量得分和预设的所述待标记样本设备的质量系数确定所述待标记样本设备的质量得分并标记。
本申请实施例还提供一种存储介质,在存储介质上存储有计算机程序,该计算机程序被计算机运行时,执行本申请实施例中的设备的评估方法。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种设备的评估方法,其特征在于,包括:
获取待识别图像;所述待识别图像中包括待评估设备;
将所述待识别图像输入到预先训练好的评估模型中,获得所述待评估设备的缺陷信息和质量信息;所述缺陷信息中包括所述待评估设备的缺陷区域和所述待评估设备的缺陷区域的信息,所述质量信息中包括所述待评估设备的质量得分。
2.根据权利要求1所述的评估方法,其特征在于,所述预先训练好的评估模型的架构为yolo架构,所述预先训练好的评估模型的主干网络为Resnet50,所述预先训练好的评估模型中包括用于计算质量得分的loss函数;所述将所述待识别图像输入到预先训练好的评估模型中,获得所述待评估设备的缺陷信息和质量信息,包括:
通过所述yolo架构和所述Resnet50获得所述待评估设备的缺陷信息;
通过所述yolo架构、所述Resnet50和所述loss函数获得所述待评估设备的质量信息。
3.根据权利要求1所述的评估方法,其特征在于,在所述获取待识别图像之前,所述评估方法还包括:
获取训练样本集;所述训练样本集中包括多张标记样本图像,所述标记样本图像中包括样本设备,所述样本设备具有标记的缺陷信息和标记的质量信息,所述标记的缺陷信息中包括标记的缺陷区域和所述标记的缺陷区域的信息,所述标记的质量信息中包括所述样本设备的质量得分;
将所述训练样本集输入初始的评估模型中进行训练直至模型收敛,获得训练好的评估模型。
4.根据权利要求3所述的评估方法,其特征在于,所述获取训练样本集,包括:
获取多张待标记样本图像;所述多张待标记样本图像中包括待标记样本设备;
标记所述待标记样本设备的缺陷区域;
确定标记的缺陷区域的信息并标记;
根据所述标记的缺陷区域标记所述待标记样本设备的质量得分,以获得所述训练样本集。
5.根据权利要求4所述的评估方法,其特征在于,所述根据所述标记的缺陷区域标记所述待标记样本设备的质量得分,以获得所述训练样本集,包括:
确定所述标记的缺陷区域的面积与所述待标记样本设备的面积的比值;
根据所述比值和预设的质量得分范围确定所述待标记样本设备的第一质量得分;
根据所述第一质量得分和预设的所述待标记样本设备的质量系数确定所述待标记样本设备的质量得分并标记;所述质量系数用于代表所述待标记样本设备的老旧程度。
6.根据权利要求5所述的评估方法,其特征在于,在所述根据所述比值和预设的质量得分范围确定所述待标记样本设备的第一质量得分之后,所述评估方法还包括:
通过预设的取整函数对所述第一质量得分进行转换,获得转换的第一质量得分;
对应的,所述根据所述第一质量得分和预设的所述待标记样本设备的质量系数确定所述待标记样本设备的质量得分并标记,包括:
根据所述转换的第一质量得分和预设的所述待标记样本设备的质量系数确定所述待标记样本设备的质量得分并标记。
7.根据权利要求1所述的评估方法,其特征在于,所述待评估设备的缺陷区域的信息包括:所述待评估设备的缺陷区域对应的区域名称以及所述待评估设备的缺陷区域中的缺陷元素。
8.一种设备的评估装置,其特征在于,包括:
获取模块,用于获取待识别图像;所述待识别图像中包括待评估设备;
处理模块,用于将所述待识别图像输入到预先训练好的评估模型中,获得所述待评估设备的缺陷信息和质量信息;所述缺陷信息中包括所述待评估设备的缺陷区域和所述待评估设备的缺陷区域的信息,所述质量信息中包括所述待评估设备的质量得分。
9.一种电子设备,其特征在于,包括:存储器、处理器;
所述存储器中存储有计算机程序指令,所述计算机程序指令被所述处理器读取并运行时,执行如权利要求1-7中任一项所述的方法。
10.一种可读存储介质,其特征在于,所述可读存储介质上存储有计算机程序,所述计算机程序被计算机运行时执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011556717.6A CN112581001B (zh) | 2020-12-24 | 2020-12-24 | 设备的评估方法及装置、电子设备、可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011556717.6A CN112581001B (zh) | 2020-12-24 | 2020-12-24 | 设备的评估方法及装置、电子设备、可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112581001A true CN112581001A (zh) | 2021-03-30 |
CN112581001B CN112581001B (zh) | 2024-06-07 |
Family
ID=75140642
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011556717.6A Active CN112581001B (zh) | 2020-12-24 | 2020-12-24 | 设备的评估方法及装置、电子设备、可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112581001B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113793332A (zh) * | 2021-11-15 | 2021-12-14 | 山东德普检测技术有限公司 | 一种实验仪器缺陷识别分类方法及*** |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2810219A1 (en) * | 2012-02-01 | 2014-12-10 | Ecoatm Inc. | Method and apparatus for recycling electronic devices |
CN204116894U (zh) * | 2014-09-19 | 2015-01-21 | 杭州车水马龙信息科技有限公司 | 二手车智能检测装置 |
CN104461682A (zh) * | 2014-10-31 | 2015-03-25 | 武汉钢铁(集团)公司 | 一种轧钢钢板仿真分切质量判定***及方法 |
CN105809821A (zh) * | 2014-12-12 | 2016-07-27 | 埃科亚特姆公司 | 用于回收消费者电子设备的***和方法 |
CN109117958A (zh) * | 2017-06-26 | 2019-01-01 | 深圳回收宝科技有限公司 | 便携式电子设备估价方法、回收方法、终端、云端及*** |
CN109632814A (zh) * | 2019-02-01 | 2019-04-16 | 东莞中科蓝海智能视觉科技有限公司 | 零件缺陷检测方法 |
CN109816626A (zh) * | 2018-12-13 | 2019-05-28 | 深圳高速工程检测有限公司 | 路面裂缝检测方法、装置、计算机设备和存储介质 |
CN109886964A (zh) * | 2019-03-29 | 2019-06-14 | 北京百度网讯科技有限公司 | 电路板缺陷检测方法、装置及设备 |
CN110009433A (zh) * | 2019-04-26 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 评估产品价格的方法及装置 |
CN110047073A (zh) * | 2019-05-05 | 2019-07-23 | 北京大学 | 一种x射线焊缝图像缺陷定级方法及*** |
CN110349126A (zh) * | 2019-06-20 | 2019-10-18 | 武汉科技大学 | 一种基于卷积神经网络带标记的钢板表面缺陷检测方法 |
CN110400099A (zh) * | 2019-08-09 | 2019-11-01 | 马鞍山钢铁股份有限公司 | 一种带钢产品表面质量分级方法 |
CN111179229A (zh) * | 2019-12-17 | 2020-05-19 | 中信重工机械股份有限公司 | 一种基于深度学习的工业ct缺陷检测方法 |
CN111192262A (zh) * | 2020-01-03 | 2020-05-22 | 腾讯云计算(北京)有限责任公司 | 基于人工智能的产品缺陷分类方法、装置、设备及介质 |
CN111242896A (zh) * | 2019-12-31 | 2020-06-05 | 电子科技大学 | 一种彩色印刷标签缺陷检测与质量评级方法 |
CN111311546A (zh) * | 2020-01-19 | 2020-06-19 | 上海箱云物流科技有限公司 | 集装箱检测方法、装置及计算机可读存储介质 |
-
2020
- 2020-12-24 CN CN202011556717.6A patent/CN112581001B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2810219A1 (en) * | 2012-02-01 | 2014-12-10 | Ecoatm Inc. | Method and apparatus for recycling electronic devices |
CN204116894U (zh) * | 2014-09-19 | 2015-01-21 | 杭州车水马龙信息科技有限公司 | 二手车智能检测装置 |
CN104461682A (zh) * | 2014-10-31 | 2015-03-25 | 武汉钢铁(集团)公司 | 一种轧钢钢板仿真分切质量判定***及方法 |
CN105809821A (zh) * | 2014-12-12 | 2016-07-27 | 埃科亚特姆公司 | 用于回收消费者电子设备的***和方法 |
CN109117958A (zh) * | 2017-06-26 | 2019-01-01 | 深圳回收宝科技有限公司 | 便携式电子设备估价方法、回收方法、终端、云端及*** |
CN109816626A (zh) * | 2018-12-13 | 2019-05-28 | 深圳高速工程检测有限公司 | 路面裂缝检测方法、装置、计算机设备和存储介质 |
CN109632814A (zh) * | 2019-02-01 | 2019-04-16 | 东莞中科蓝海智能视觉科技有限公司 | 零件缺陷检测方法 |
CN109886964A (zh) * | 2019-03-29 | 2019-06-14 | 北京百度网讯科技有限公司 | 电路板缺陷检测方法、装置及设备 |
CN110009433A (zh) * | 2019-04-26 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 评估产品价格的方法及装置 |
CN110047073A (zh) * | 2019-05-05 | 2019-07-23 | 北京大学 | 一种x射线焊缝图像缺陷定级方法及*** |
CN110349126A (zh) * | 2019-06-20 | 2019-10-18 | 武汉科技大学 | 一种基于卷积神经网络带标记的钢板表面缺陷检测方法 |
CN110400099A (zh) * | 2019-08-09 | 2019-11-01 | 马鞍山钢铁股份有限公司 | 一种带钢产品表面质量分级方法 |
CN111179229A (zh) * | 2019-12-17 | 2020-05-19 | 中信重工机械股份有限公司 | 一种基于深度学习的工业ct缺陷检测方法 |
CN111242896A (zh) * | 2019-12-31 | 2020-06-05 | 电子科技大学 | 一种彩色印刷标签缺陷检测与质量评级方法 |
CN111192262A (zh) * | 2020-01-03 | 2020-05-22 | 腾讯云计算(北京)有限责任公司 | 基于人工智能的产品缺陷分类方法、装置、设备及介质 |
CN111311546A (zh) * | 2020-01-19 | 2020-06-19 | 上海箱云物流科技有限公司 | 集装箱检测方法、装置及计算机可读存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113793332A (zh) * | 2021-11-15 | 2021-12-14 | 山东德普检测技术有限公司 | 一种实验仪器缺陷识别分类方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN112581001B (zh) | 2024-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110660066B (zh) | 网络的训练方法、图像处理方法、网络、终端设备及介质 | |
CN110428475B (zh) | 一种医学图像的分类方法、模型训练方法和服务器 | |
WO2020098250A1 (zh) | 字符识别方法、服务器及计算机可读存储介质 | |
CN109871845B (zh) | 证件图像提取方法及终端设备 | |
US20240005468A1 (en) | Image distortion evaluation method and apparatus, and computer device | |
CN111369550A (zh) | 图像配准与缺陷检测方法、模型、训练方法、装置及设备 | |
CN111461101A (zh) | 工服标志的识别方法、装置、设备及存储介质 | |
CN110473181A (zh) | 基于边缘特征信息的屏幕内容图像的无参质量评价方法 | |
CN113643260A (zh) | 用于检测图像质量的方法、装置、设备、介质和产品 | |
CN105488470A (zh) | 确定人物属性信息的方法及装置 | |
CN113177397B (zh) | 表格的调整方法、装置、设备以及存储介质 | |
CN114494751A (zh) | 证照信息识别方法、装置、设备及介质 | |
CN112581001B (zh) | 设备的评估方法及装置、电子设备、可读存储介质 | |
CN111179245B (zh) | 图像质量检测方法、装置、电子设备和存储介质 | |
CN117197479A (zh) | 一种应用玉米果穗外表面的图像分析方法、装置、计算机设备及存储介质 | |
CN112328822A (zh) | 图片预标注方法、装置及终端设备 | |
CN116596903A (zh) | 缺陷识别方法、装置、电子设备及可读存储介质 | |
CN116597246A (zh) | 模型训练方法、目标检测方法、电子设备及存储介质 | |
CN114821513B (zh) | 一种基于多层网络的图像处理方法及装置、电子设备 | |
CN108074240B (zh) | 识别方法、识别装置、计算机可读存储介质及程序产品 | |
CN115984786A (zh) | 车辆损伤检测方法及装置、终端、存储介质 | |
CN113450381B (zh) | 一种图像分割模型的准确度评价***及方法 | |
CN113537407B (zh) | 基于机器学习的图像数据评价处理方法及装置 | |
CN112668637B (zh) | 网络模型的训练方法、识别方法、装置及电子设备 | |
CN112200222A (zh) | 模型训练设备 |
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 |