CN114330533A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114330533A CN114330533A CN202111601098.2A CN202111601098A CN114330533A CN 114330533 A CN114330533 A CN 114330533A CN 202111601098 A CN202111601098 A CN 202111601098A CN 114330533 A CN114330533 A CN 114330533A
- Authority
- CN
- China
- Prior art keywords
- aging
- attribute information
- screen
- classification model
- data
- 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.)
- Pending
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种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,在获取到各智能设备的老化属性信息后,将老化属性信息向量化,获得向量化数据,最后将老化属性信息以及对应的智能设备是否存在老化作为训练数据,训练用于检测设备屏幕是否存在老化的二分类模型。基于此,避免了使用图像识别进行检测所遇到的干扰因素,保证老化检测的稳定。同时,二分类模型可通过智能设备的数据量进行持续训练,有利于逐步提高老化检测的准确率,并有效地降低老化检测的硬件成本。
Description
技术领域
本发明涉及电子产品技术领域,特别是涉及一种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。
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。
其中,屏幕作为智能设备的显示和人机交互部分,对智能设备的回收估价有着显著的影响。尤其是设备屏幕是否存在老化这一项,会严重影响后续使用者的体验,因而影响回收价值。因此,在回收智能设备的过程中,需要检测智能设备的屏幕是否存在老化现象。
传统检测设备屏幕老化的方式是先设置屏幕显示底色并调整光线,通过拍摄设备屏幕,然后对设备屏幕进行图像检测,识别设备屏幕是否存在老化。然而,在检测拍摄过程中如果存在光线问题、摄像头问题或者设备屏幕变暗时,很容易造成漏判现象,影响设备屏幕老化检测的准确性。
发明内容
基于此,有必要针对传统检测设备屏幕老化的方式还存在的不足,提供一种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。
一种设备屏幕老化二分类模型训练方法,包括步骤:
获取各智能设备的老化属性信息;其中,部分智能设备存在老化,另一部分智能设备不存在老化;
将老化属性信息向量化,获得向量化数据;
将向量化数据以及对应的智能设备是否存在老化作为训练数据,训练用于检测设备屏幕是否存在老化的二分类模型。
上述的设备屏幕老化二分类模型训练方法,在获取到各智能设备的老化属性信息后,将老化属性信息向量化,获得向量化数据,最后将老化属性信息以及对应的智能设备是否存在老化作为训练数据,训练用于检测设备屏幕是否存在老化的二分类模型。基于此,避免了使用图像识别进行检测所遇到的干扰因素,保证老化检测的稳定。同时,二分类模型可通过智能设备的数据量进行持续训练,有利于逐步提高老化检测的准确率,并有效地降低老化检测的硬件成本。
在其中一个实施例中,在将老化属性信息向量化,获得向量化数据的过程之前,还包括步骤:
对老化属性信息进行数据预处理。
在其中一个实施例中,对老化属性信息进行数据预处理的过程,包括步骤:
对老化属性信息进行数据清洗处理、离散化、标准化或数值化。
在其中一个实施例中,二分类模型包括决策树预测模型或随机森林预测模型。
在其中一个实施例中,二分类模型包括梯度提升决策树模型;
在其中一个实施例中,将向量化数据以及对应的智能设备是否存在老化作为训练数据,训练用于检测设备屏幕是否存在老化的二分类模型的过程,包括步骤:
设置梯度提升决策树模型的参数,并初始化弱学习器;
计算残差求最佳拟合值,以确定最终强学习器;
将训练数据代入最终强学习器,获得二分类输出概率结果。
在其中一个实施例中,计算残差求最佳拟合值的过程,包括步骤:
根据CART回归树拟合算法,计算残差求最佳拟合值。
在其中一个实施例中,老化属性信息包括设备出厂时间、设备类型、设备售价、设备电池使用状态、设备屏幕破损程度、设备尺寸、设备持有人性别或设备持有人年龄。
一种设备屏幕老化二分类模型训练装置,包括:
训练信息获取模块,用于获取各智能设备的老化属性信息;其中,部分智能设备存在老化,另一部分智能设备不存在老化;
第一向量化模块,用于将老化属性信息向量化,获得向量化数据;
数据训练模块,用于将向量化数据以及对应的智能设备是否存在老化作为训练数据,训练用于检测设备屏幕是否存在老化的二分类模型。
上述的设备屏幕老化二分类模型训练装置,在获取到各智能设备的老化属性信息后,将老化属性信息向量化,获得向量化数据,最后将老化属性信息以及对应的智能设备是否存在老化作为训练数据,训练用于检测设备屏幕是否存在老化的二分类模型。基于此,避免了使用图像识别进行检测所遇到的干扰因素,保证老化检测的稳定。同时,二分类模型可通过智能设备的数据量进行持续训练,有利于逐步提高老化检测的准确率,并有效地降低老化检测的硬件成本。
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设备屏幕老化二分类模型训练方法。
上述的计算机存储介质,在获取到各智能设备的老化属性信息后,将老化属性信息向量化,获得向量化数据,最后将老化属性信息以及对应的智能设备是否存在老化作为训练数据,训练用于检测设备屏幕是否存在老化的二分类模型。基于此,避免了使用图像识别进行检测所遇到的干扰因素,保证老化检测的稳定。同时,二分类模型可通过智能设备的数据量进行持续训练,有利于逐步提高老化检测的准确率,并有效地降低老化检测的硬件成本。
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设备屏幕老化二分类模型训练方法。
上述的计算机设备,在获取到各智能设备的老化属性信息后,将老化属性信息向量化,获得向量化数据,最后将老化属性信息以及对应的智能设备是否存在老化作为训练数据,训练用于检测设备屏幕是否存在老化的二分类模型。基于此,避免了使用图像识别进行检测所遇到的干扰因素,保证老化检测的稳定。同时,二分类模型可通过智能设备的数据量进行持续训练,有利于逐步提高老化检测的准确率,并有效地降低老化检测的硬件成本。
一种设备屏幕老化检测方法,包括步骤:
获取待测智能设备的老化属性信息;
将老化属性信息向量化;
将向量化结果输入二分类模型,获得设备屏幕老化检测结果。
上述的设备屏幕老化检测方法,在获取到待测智能设备的老化属性信息后,将老化属性信息向量化,最后将向量化结果输入二分类模型,获得设备屏幕老化检测结果。基于此,避免了使用图像识别进行检测所遇到的干扰因素,保证老化检测的稳定。同时,二分类模型可通过智能设备的数据量进行持续训练,有利于逐步提高老化检测的准确率,并有效地降低老化检测的硬件成本。
在其中一个实施例中,在将老化属性信息向量化的过程之前,还包括步骤:
对老化属性信息进行数据预处理。
一种设备屏幕老化检测装置,包括:
信息获取模块,用于获取待测智能设备的老化属性信息;
第二向量化模块,用于将老化属性信息向量化;
结果输出模块,用于将向量化结果输入二分类模型,获得设备屏幕老化检测结果。
上述的设备屏幕老化检测装置,在获取到待测智能设备的老化属性信息后,将老化属性信息向量化,最后将向量化结果输入二分类模型,获得设备屏幕老化检测结果。基于此,避免了使用图像识别进行检测所遇到的干扰因素,保证老化检测的稳定。同时,二分类模型可通过智能设备的数据量进行持续训练,有利于逐步提高老化检测的准确率,并有效地降低老化检测的硬件成本。
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设备屏幕老化检测方法。
上述的计算机存储介质,,在获取到待测智能设备的老化属性信息后,将老化属性信息向量化,最后将向量化结果输入二分类模型,获得设备屏幕老化检测结果。基于此,避免了使用图像识别进行检测所遇到的干扰因素,保证老化检测的稳定。同时,二分类模型可通过智能设备的数据量进行持续训练,有利于逐步提高老化检测的准确率,并有效地降低老化检测的硬件成本。
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设备屏幕老化检测方法。
上述的计算机设备,,在获取到待测智能设备的老化属性信息后,将老化属性信息向量化,最后将向量化结果输入二分类模型,获得设备屏幕老化检测结果。基于此,避免了使用图像识别进行检测所遇到的干扰因素,保证老化检测的稳定。同时,二分类模型可通过智能设备的数据量进行持续训练,有利于逐步提高老化检测的准确率,并有效地降低老化检测的硬件成本。
附图说明
图1为一实施方式的设备屏幕老化二分类模型训练方法流程图;
图2为另一实施方式的设备屏幕老化二分类模型训练方法流程图;
图3为一实施方式的设备屏幕老化二分类模型训练装置模块结构图;
图4为一实施方式的设备屏幕老化检测方法流程图;
图5为一实施方式的设备屏幕老化检测装置模块结构图;
图6为一实施方式的计算机内部构造示意图。
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设备屏幕老化二分类模型训练方法。
图1为一实施方式的设备屏幕老化二分类模型训练方法流程图,如图1所示,一实施方式的设备屏幕老化二分类模型训练方法包括步骤S100至步骤S102:
S100,获取各智能设备的老化属性信息;其中,部分智能设备存在老化,另一部分智能设备不存在老化;
S101,将老化属性信息向量化,获得向量化数据;
S102,将向量化数据以及对应的智能设备是否存在老化作为训练数据,训练用于检测设备屏幕是否存在老化的二分类模型。
其中,老化属性信息与智能设备的屏幕老化存在相关联,包括与智能设备屏幕的使用状态、自身属性类型或用户的使用习惯等存在关联。
在其中一个实施例中,老化属性信息包括设备出厂时间、设备类型、设备售价、设备电池使用状态、设备屏幕破损程度、设备尺寸、设备持有人性别或设备持有人年龄。
同时,将智能设备是否存在老化作为类标签数据,进行后续二分类模型训练中是否有老化的类输出。其中,智能设备是否存在老化指智能设备的屏幕是否存在老化。如:数据1(老化)、数据0(非老化),作为我们模型的类标签数据。
在其中一个实施例中,图2为另一实施方式的设备屏幕老化二分类模型训练方法流程图,如图2所示,在步骤S101中将老化属性信息向量化,获得向量化数据的过程之前,还包括步骤S200:
S200,对老化属性信息进行数据预处理。
其中,通过对老化属性信息进行数据预处理,将老化属性信息预处理为符合后续二分类模型数据识别要求的数据。
在其中一个实施例中,步骤S200中对老化属性信息进行数据预处理的过程,包括步骤:
对老化属性信息些年进行数据清洗处理,包括:
缺失值处理:对于设备出厂时间这种老化属性信息缺失按照该设备品牌的同款机型求取出厂时间均值,并用此值填补该属性所有遗漏的值;对于年龄缺失的属性根据机型与年龄的相关性求出年龄众数代替年龄缺失值;
异常值处理:对于一些已经停销或者低销量的设备类型,年龄超过百位数或者负数等异常情况的数据可以将其信息舍弃。对于老化属性信息重复的则去重只留一条记录。
在其中一个实施例中,步骤S200中对老化属性信息进行数据预处理的过程,包括步骤:
将老化属性信息离散化。
对老化属性信息进行离散化,例如:
智能设备的出厂时间按照精确到月份,且距离回收时间多少个月进行离散,改名为使用时长;设备持有人年龄可分为1(儿童:3岁到10岁),2(少年:11岁到22岁),3(青年:23岁到35岁),4(中年:36岁到50岁),5(老年:51岁及以上)等五个区间进行离散。设备电池使用状态按照平均用量时长或平均温度大小分为健康,良好,一般,较差四个范围进行离散。
在其中一个实施例中,步骤S200中对老化属性信息进行数据预处理的过程,包括步骤:
将老化属性信息标准化。
在其中一个实施例中,由于后续逻辑回归模型的数据都是数值型的,为了符合逻辑回归模型的输入规范,要将非数值型的数据映射成数值。例如对设备屏幕类型这个老化属性信息,OLED为1,LCD为2;对设备电池使用状态这个属性,健康为1,良好为2,一般为3,较差为4。
标准化——例如:设备使用时的属性范围比较大,影响计算时长,因此对其进行标准化,使其区间在(0,1)之间。
将老化属性信息作为二分类模型的数据集进行模型训练。作为一个较优的实施方式,将数据集按照7:1:2的比例划分数据集为训练集、验证集和测试集。
其中,进行类输出的二分类模型包括决策树预测模型或随机森林预测模型。
作为一个较优的实施方式,二分类模型选用梯度提升决策树模型,并根据老化检测需求对梯度提升决策树模型进行改进。
在其中一个实施例中,如图2所示,步骤S102中将向量化数据以及对应的智能设备是否存在老化作为训练数据,训练用于检测设备屏幕是否存在老化的二分类模型的过程,包括步骤S300至步骤S302:
S300,设置梯度提升决策树模型的参数,并初始化弱学习器;
S301,计算残差求最佳拟合值,以确定最终强学习器;
S302,将训练数据代入最终强学习器,获得二分类输出概率结果。
作为一个较优的实施方式,步骤S301计算残差求最佳拟合值的过程,包括步骤:
根据CART回归树拟合算法,计算残差求最佳拟合值。
以下以具体应用例为步骤S300至步骤S302进行解释:
首先进行参数设置:
学习率lr:0.01;
迭代次数epoch:50;
树的深度h:8;
初始化弱学习器,如下式:
其中P(Y=1|x)为样本x(训练数据)预测结果为1(也就是老化)的概率,利用先验概率来初始化学习器。
计算残差求最佳拟合值:
建立A颗CART回归树拟合数据,a=1,2...A(这里的A为epoch=50),对每一个样本i=1,2...N计算第a颗树的损失函数的负梯度(即残差):
接着将上一步得到的残差rai作为样本的新标签,对每一个样本i=1,2...N都有数据(xi,rai),将其作为下一个迭代的训练数据,进行CART回归拟合,得到新的回归树,其对应的叶子节点区域为Raj,其中j=1,2,...Ja为对应第j颗树的叶子节点的个数。
对叶子节点计算出最佳拟合值,其公式为:
对于每一次迭代计算出最佳拟合值后,更新强学习器:
lr为第一步设置的学习率,防止二分类模型数据过拟合。
得到最终强学习器:
将测试集的数据代入最终学习器,得到F(x),从而计算其类别概率:
最终得到的二分类模型,在输入相应向量化数据后,比较输出类别数据为1或0的概率,概率较大的数值对应的类型即为输出结果,包括老化和非老化。
上述任一实施例的设备屏幕老化二分类模型训练方法,在获取到各智能设备的老化属性信息后,将老化属性信息向量化,获得向量化数据,最后将老化属性信息以及对应的智能设备是否存在老化作为训练数据,训练用于检测设备屏幕是否存在老化的二分类模型。基于此,避免了使用图像识别进行检测所遇到的干扰因素,保证老化检测的稳定。同时,二分类模型可通过智能设备的数据量进行持续训练,有利于逐步提高老化检测的准确率,并有效地降低老化检测的硬件成本。
本发明实施例还提供了一种设备屏幕老化二分类模型训练装置。
图3为一实施方式的设备屏幕老化二分类模型训练装置模块结构图,如图3所示,一实施方式的设备屏幕老化二分类模型训练装置包括:
训练信息获取模块100,用于获取各智能设备的老化属性信息;其中,部分智能设备存在老化,另一部分智能设备不存在老化;
第一向量化模块101,用于将老化属性信息向量化,获得向量化数据;
数据训练模块102,用于将向量化数据以及对应的智能设备是否存在老化作为训练数据,训练用于检测设备屏幕是否存在老化的二分类模型。
上述的设备屏幕老化二分类模型训练装置,在获取到各智能设备的老化属性信息后,将老化属性信息向量化,获得向量化数据,最后将老化属性信息以及对应的智能设备是否存在老化作为训练数据,训练用于检测设备屏幕是否存在老化的二分类模型。基于此,避免了使用图像识别进行检测所遇到的干扰因素,保证老化检测的稳定。同时,二分类模型可通过智能设备的数据量进行持续训练,有利于逐步提高老化检测的准确率,并有效地降低老化检测的硬件成本。
本发明实施例还提供了一种设备屏幕老化检测方法。
图4为一实施方式的设备屏幕老化检测方法流程图,如图4所示,一实施方式的设备屏幕老化检测方法包括步骤S300至步骤S302:
S300,获取待测智能设备的老化属性信息;
S301,将老化属性信息向量化;
S302,将向量化结果输入二分类模型,获得设备屏幕老化检测结果。
上述的设备屏幕老化检测方法,在获取到待测智能设备的老化属性信息后,将老化属性信息向量化,最后将向量化结果输入二分类模型,获得设备屏幕老化检测结果。基于此,避免了使用图像识别进行检测所遇到的干扰因素,保证老化检测的稳定。同时,二分类模型可通过智能设备的数据量进行持续训练,有利于逐步提高老化检测的准确率,并有效地降低老化检测的硬件成本。
在其中一个实施例中,在将老化属性信息向量化的过程之前,还包括步骤:
对老化属性信息进行数据预处理。
通过如上述步骤S200的数据预处理,将老化属性信息处理为符合二分类模型数据要求的输出数据,根据二分类模型进行类输出。
上述的设备屏幕老化检测方法,在获取到待测智能设备的老化属性信息后,将老化属性信息向量化,最后将向量化结果输入二分类模型,获得设备屏幕老化检测结果。基于此,避免了使用图像识别进行检测所遇到的干扰因素,保证老化检测的稳定。同时,二分类模型可通过智能设备的数据量进行持续训练,有利于逐步提高老化检测的准确率,并有效地降低老化检测的硬件成本。
本发明实施例还提供了一种设备屏幕老化检测装置。
图5为一实施方式的设备屏幕老化检测装置模块结构图,如图5所示,一实施方式的设备屏幕老化检测装置包括:
信息获取模块200,用于获取待测智能设备的老化属性信息;
第二向量化模块201,用于将老化属性信息向量化;
结果输出模块202,用于将向量化结果输入二分类模型,获得设备屏幕老化检测结果。
上述的设备屏幕老化检测装置,在获取到待测智能设备的老化属性信息后,将老化属性信息向量化,最后将向量化结果输入二分类模型,获得设备屏幕老化检测结果。基于此,避免了使用图像识别进行检测所遇到的干扰因素,保证老化检测的稳定。同时,二分类模型可通过智能设备的数据量进行持续训练,有利于逐步提高老化检测的准确率,并有效地降低老化检测的硬件成本。
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设备屏幕老化二分类模型训练方法或设备屏幕老化检测方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存老化属性信息储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
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设备屏幕老化二分类模型训练方法或设备屏幕老化检测方法。
该计算机设备可以是终端,其内部结构图可以如图6所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种设备屏幕老化二分类模型训练方法或设备屏幕老化检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
上述的计算机设备,在获取到各智能设备的老化属性信息后,将老化属性信息向量化,获得向量化数据,最后将老化属性信息以及对应的智能设备是否存在老化作为训练数据,训练用于检测设备屏幕是否存在老化的二分类模型。基于此,避免了使用图像识别进行检测所遇到的干扰因素,保证老化检测的稳定。同时,二分类模型可通过智能设备的数据量进行持续训练,有利于逐步提高老化检测的准确率,并有效地降低老化检测的硬件成本。
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。
Claims (10)
1.一种设备屏幕老化二分类模型训练方法,其特征在于,包括步骤:
获取各智能设备的老化属性信息;其中,部分所述智能设备存在老化,另一部分所述智能设备不存在老化;
将所述老化属性信息向量化,获得向量化数据;
将所述向量化数据以及对应的智能设备是否存在老化作为训练数据,训练用于检测设备屏幕是否存在老化的二分类模型。
2.根据权利要求1所述的设备屏幕老化二分类模型训练方法,其特征在于,在所述将所述老化属性信息向量化,获得向量化数据的过程之前,还包括步骤:
对所述老化属性信息进行数据预处理。
3.根据权利要求2所述的设备屏幕老化二分类模型训练方法,其特征在于,所述对所述老化属性信息进行数据预处理的过程,包括步骤:
对所述老化属性信息进行数据清洗处理、离散化、标准化或数值化。
4.根据权利要求1所述的设备屏幕老化二分类模型训练方法,其特征在于,所述二分类模型包括决策树预测模型或随机森林预测模型。
5.根据权利要求4所述的设备屏幕老化二分类模型训练方法,其特征在于,所述二分类模型包括梯度提升决策树模型。
6.根据权利要求5所述的设备屏幕老化二分类模型训练方法,其特征在于,所述将所述向量化数据以及对应的智能设备是否存在老化作为训练数据,训练用于检测设备屏幕是否存在老化的二分类模型的过程,包括步骤:
设置所述梯度提升决策树模型的参数,并初始化弱学习器;
计算残差求最佳拟合值,以确定最终强学习器;
将所述训练数据代入所述最终强学习器,获得二分类输出概率结果。
7.根据权利要求6所述的设备屏幕老化二分类模型训练方法,其特征在于,所述计算残差求最佳拟合值的过程,包括步骤:
根据CART回归树拟合算法,计算残差求最佳拟合值。
8.根据权利要求1至7任意一项所述的设备屏幕老化二分类模型训练方法,其特征在于,所述老化属性信息包括设备出厂时间、设备类型、设备售价、设备电池使用状态、设备屏幕破损程度、设备尺寸、设备持有人性别或设备持有人年龄。
9.一种设备屏幕老化检测方法,其特征在于,包括步骤:
获取待测智能设备的老化属性信息;
将所述老化属性信息向量化;
将所述向量化结果输入二分类模型,获得设备屏幕老化检测结果。
10.根据权利要求9所述的设备屏幕老化检测方法,其特征在于,在所述将老化属性信息向量化的过程之前,还包括步骤:
对所述老化属性信息进行数据预处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111601098.2A CN114330533A (zh) | 2021-12-24 | 2021-12-24 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111601098.2A CN114330533A (zh) | 2021-12-24 | 2021-12-24 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114330533A true CN114330533A (zh) | 2022-04-12 |
Family
ID=81013683
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111601098.2A Pending CN114330533A (zh) | 2021-12-24 | 2021-12-24 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114330533A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116681428A (zh) * | 2023-08-03 | 2023-09-01 | 天津奇立软件技术有限公司 | 电子设备的智能回收管理***及方法 |
US11989701B2 (en) | 2014-10-03 | 2024-05-21 | Ecoatm, Llc | System for electrically testing mobile devices at a consumer-operated kiosk, and associated devices and methods |
-
2021
- 2021-12-24 CN CN202111601098.2A patent/CN114330533A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11989701B2 (en) | 2014-10-03 | 2024-05-21 | Ecoatm, Llc | System for electrically testing mobile devices at a consumer-operated kiosk, and associated devices and methods |
CN116681428A (zh) * | 2023-08-03 | 2023-09-01 | 天津奇立软件技术有限公司 | 电子设备的智能回收管理***及方法 |
CN116681428B (zh) * | 2023-08-03 | 2023-09-29 | 天津奇立软件技术有限公司 | 电子设备的智能回收管理***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111639516B (zh) | 基于机器学***台 | |
CN111553759A (zh) | 一种产品信息推送方法、装置、设备及存储介质 | |
CN114330533A (zh) | 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 | |
AU2017251771A1 (en) | Statistical self learning archival system | |
CN111209929A (zh) | 访问数据处理方法、装置、计算机设备及存储介质 | |
CN113728321A (zh) | 利用训练表的集合来准确预测各种表内的错误 | |
CN111723870A (zh) | 基于人工智能的数据集获取方法、装置、设备和介质 | |
CN115409111A (zh) | 命名实体识别模型的训练方法和命名实体识别方法 | |
CN113554184A (zh) | 一种模型训练方法、装置、电子设备及存储介质 | |
CN113592605A (zh) | 基于相似产品的产品推荐方法、装置、设备及存储介质 | |
CN114298345A (zh) | 回收估价输出模型训练方法及回收估价输出方法 | |
CN112433902B (zh) | 屏幕更换模型训练方法、屏幕更换检测方法及装置 | |
CN114118526A (zh) | 一种企业风险预测方法、装置、设备及存储介质 | |
CN114330534A (zh) | 设备屏幕透图检测模型训练方法及设备屏幕透图检测方法 | |
US20160217393A1 (en) | Information extraction | |
CN116484025A (zh) | 漏洞知识图谱构建方法、评估方法、设备及存储介质 | |
KR20210080762A (ko) | 인공 신경망의 추론 데이터에 대한 신뢰도를 판단하는 방법 | |
US11609936B2 (en) | Graph data processing method, device, and computer program product | |
CN114298204A (zh) | 设备屏幕划痕检测模型训练方法及设备屏幕划痕检测方法 | |
Vanamala et al. | Using Machine Learning To Identify Software Weaknesses From Software Requirement Specifications | |
CN113887609A (zh) | 设备屏幕老化检测模型训练方法及设备屏幕老化检测方法 | |
US11822564B1 (en) | Graphical user interface enabling interactive visualizations using a meta-database constructed from autonomously scanned disparate and heterogeneous sources | |
US11928128B2 (en) | Construction of a meta-database from autonomously scanned disparate and heterogeneous sources | |
CN113868438B (zh) | 信息可信度的校准方法、装置、计算机设备及存储介质 | |
US20230368013A1 (en) | Accelerated model training from disparate and heterogeneous sources using a meta-database |
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 |