CN115310544A - 一种模型处理方法、装置、存储介质及设备 - Google Patents

Abstract

本申请实施例提供一种模型处理方法、装置、存储介质及设备，该方法中，将用于检测生产过程中的违规问题的目标模型下发到边缘设备上，并获取该边缘设备基于该目标模型检测到的告警事件数据以及后台对这些告警事件数据的审核结果，以此更新目标模型的训练数据集并重新训练目标模型。这样，通过生产数据回流实现模型的自动优化，为模型性能的提升提供数据支持，有利于提升模型的泛化能力。

Description

一种模型处理方法、装置、存储介质及设备

技术领域

本申请涉及人工智能技术领域，具体而言，涉及一种模型处理方法、装置、存储介质及设备。

背景技术

目前，随着计算机技术的不断发展，人工智能模型在安防、工业、交通等各种场景已得到广泛应用。搭载有人工智能模型的边缘设备可以实时收集数据，以帮助改进流程，从而实现任务自动化，提高产品质量等。

在边缘设备的交付服务中，由于边缘设备面对的场景对模型的泛化能力有较高要求，这就需要有大量的样本数据来对模型进行训练。相关技术中，一般是采集客户的现场数据之后交由数据团队进行标注，以此作为模型的训练测试集。然而，这一方式的工作量大，对模型的泛化能力的提升十分有限。

发明内容

本申请实施例的目的在于提供一种模型处理方法、装置、存储介质及设备，旨在解决相关技术中难以为边缘设备的人工智能模型的提升提供数据支持的问题。

第一方面，本申请实施例提供的一种模型处理方法，包括：将目标模型下发到边缘设备上，所述目标模型用于检测生产过程中的违规问题；

获取所述边缘设备基于所述目标模型检测到的告警事件数据，并将所述告警事件数据传递至后台进行审核；

基于各告警事件数据以及对应的审核结果，更新所述目标模型的训练数据集，并基于更新后的训练数据集重新训练所述目标模型。

在上述实现过程中，将用于检测生产过程中的违规问题的目标模型下发到边缘设备上，并获取该边缘设备基于该目标模型检测到的告警事件数据以及后台对这些告警事件数据的审核结果，以此更新目标模型的训练数据集并重新训练目标模型。这样，通过生产数据回流实现模型的自动优化，为模型性能的提升提供数据支持，有利于提升模型的泛化能力。

进一步地，在一些实施例中，所述目标模型基于以下方式获得：

获取训练好的初始模型，对所述初始模型进行模型转换处理，得到能够在所述边缘设备上运行的中间模型；

对所述中间模型进行测试，再将测试成功的中间模型、节点文件和预设脚本组装成目标模型。

在上述实现过程中，对初始模型进行模型转换处理、测试、组装，使得目标模型更好地适配对应的边缘设备。

进一步地，在一些实施例中，所述模型转换处理、测试以及组装的步骤是基于Model Zoo执行的。

在上述实现过程中，利用Model Zoo提供的功能实现从初始模型到目标模型的转化。

进一步地，在一些实施例中，所述目标模型是Graph数据结构的模型。

在上述实现过程中，将模型组装成Graph数据结构，使得边缘设备可以便捷地将该目标模型和其他模型进行组合，便于协同工作。

进一步地，在一些实施例中，所述将目标模型下发到边缘设备上，包括：

将目标模型上传到云平台的算法仓库中，由所述云平台将所述目标模型下发到边缘设备上。

在上述实现过程中，通过云平台来对目标模型进行下发，减少将目标模型错误地下发到其他设备上的情况发生。

进一步地，在一些实施例中，所述方法还包括：

将重新训练好的目标模型确定为新版本的目标模型；

通过所述云平台对不同版本的目标模型的模型效果进行比对。

在上述实现过程中，通过对不同版本的目标模型的模型效果的比对，更为贴切满足边缘设备针对模型的实际需求。

进一步地，在一些实施例中，所述通过所述云平台对不同版本的目标模型的模型效果进行比对，包括：

通过所述云平台对所述边缘设备上报的告警事件数据进行实时统计分析；

根据所述审核结果修正分析结果；

基于待比对的目标模型对应的分析结果，确定所述目标模型的模型效果的比对结果。

在上述实现过程中，提供一种比对模型效果的解决方案。

第二方面，本申请实施例提供的一种模型处理装置，包括：下发模块，用于将目标模型下发到边缘设备上，所述目标模型用于检测生产过程中的违规问题；

获取模块，用于获取所述边缘设备基于所述目标模型检测到的告警事件数据，并将所述告警事件数据传递至后台进行审核；

更新模块，用于基于各告警事件数据以及对应的审核结果，更新所述目标模型的训练数据集，并基于更新后的训练数据集重新训练所述目标模型。

第三方面，本申请实施例提供的一种电子设备，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面任一项所述的方法的步骤。

第四方面，本申请实施例提供的一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，使得所述计算机执行如第一方面任一项所述的方法。

第五方面，本申请实施例提供的一种计算机程序产品，所述计算机程序产品在计算机上运行时，使得计算机执行如第一方面任一项所述的方法。

本申请公开的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本申请公开的上述技术即可得知。

为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

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池的加热控制方法的流程图；

图2为本申请实施例提供的电动汽车的整车控制器实现电池加热控制的工作流程；

图3为本申请实施例提供的一种电池的加热控制装置的框图；

图4为本申请实施例提供的一种电子设备的结构框图。

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。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

如背景技术记载，相关技术中存在着难以为边缘设备的人工智能模型的提升提供数据支持的问题。基于此，本申请实施例提供一种模型处理方案，以解决上述问题。

接下来对本申请实施例进行介绍：

如图1所示，图1是本申请实施例提供的一种模型处理方法的流程图，所述方法可以应用于服务器，该服务器通过有线连接或无线连接的方式，与分布在各个工作位置上的边缘设备进行通信。在本实施例中，该服务器向边缘设备下发模型，并收集由边缘设备采集到的生产数据。

所述方法包括：

在步骤101、将目标模型下发到边缘设备上，所述目标模型用于检测生产过程中的违规问题；

本实施例中，边缘设备的类型可以根据不同应用场景而有所区别，例如，当应用场景是制造业时，该边缘设备可以包括视觉引导机器人或工业PC(Personal Computer，个人计算机)等；当应用场景是智能城市时，该边缘设备可以包括监测交通模式的物联网设备。该边缘设备拥有内置的处理器，可以容纳人工智能功能。

本步骤中提到的目标模型是人工智能(Artificial Intelligence，AI)模型，其可以是深度学习模型。在本实施例中，该目标模型用于检测生产过程中的违规问题。通常来说，不同的检测对象对应不同的合规属性，例如，当检测对象是工作人员时，目标模型检测的内容可以包括检测是否穿戴防护设备，是否携带违禁物品等；当检测对象是易燃易爆区域时，目标模型检测的内容可以包括检测是否有火源物品入内等。因此，目标模型可以根据检测对象符合对应的合规属性的概率，检测是否出现违规问题。

具体地，该目标模型的检测可以是基于对生产场景中的视频帧进行处理而实现的。该视频帧是通过设于生产场景中的摄像头拍摄到的，每一帧视频帧相当于一个图像。当边缘设备具有图像采集功能，即边缘设备上设置有摄像头时，该视频帧可以是由该边缘设备自身拍摄到的；或者，也可以将通过摄像头拍摄到的生产场景的画面上传到网上，这样，在该边缘设备上添加需要检测的实时视频地址，即可实现将该视频帧输入该目标模型。

考虑到由于不同的边缘设备在性能上差异较大，由服务器训练好的模型存在着无法适配所下发的边缘设备的可能，因此，在一些实施例中，该目标模型可以基于以下方式获取得到：获取训练好的初始模型，对该初始模型进行模型转化处理，得到能够在该边缘设备上运行的中间模型；对该中间模型进行测试，再将测试成功的中间模型、节点文件和预设脚本组装成目标模型。这里的初始模型可以是服务器通过预先设置好的训练数据集进行训练得到的，在对该初始模型进行模型转化处理时，可以根据该边缘设备的计算能力、存储能力等信息，选择相匹配的模型转化技术来将该初始模型进行格式转换以及拓扑优化，从而得到中间模型；然后，对该中间模型进行测试，这里的测试包括适配测试，即测试该中间模型运行在该边缘设备上的表现；在测试成功后，由于边缘设备获取到模型后还需要执行一些后处理操作才能正常运行该模型，将中间模型打包成模型包时，需要连同能够自动执行后处理操作的预设脚本以及执行后处理操作需要的节点文件一并打包，从而组装成目标模型。如此，使得目标模型更好地适配对应的边缘设备。

进一步地，由于部分场景下，目标模型在边缘设备中是与其他模型协同工作的，因此，在一些实施例中，该目标模型是Graph数据结构的模型。也就是说，在组装目标模型时，可以生成Graph数据结构的模型。Graph(图)数据结构可以用于表示模型的计算图，用于直接解析模型的输入节点、输出节点和运算节点，以目标模型的类型是卷积神经网络(Convolutional Neural Networks，CNN)模型为例，通过Graph数据结构，可以表示出该CNN模型的输入输出层和卷积、池化、批处理、非线性等运算层。如此，使得边缘设备可以便捷地将该目标模型和其他模型进行组合，便于协同工作。需要说明的是，在生成Graph数据结构的模型后，可以再进行测试，以保障目标模型能够在边缘设备上正常运行。

在步骤102、获取所述边缘设备基于所述目标模型检测到的告警事件数据，并将所述告警事件数据传递至后台进行审核；

目标模型在检测到检测对象不符合对应的合规属性时，将告警事件数据上报到服务器。这里的告警事件数据可以包括检测到的违规图像、报警事件、结果标签等。这里的结果标签可以根据目标模型的类型来确定，例如，当目标模型是分类模型时，该结果标签表征对应违规图像所属的类别；当目标模型是评价模型时，该结果标签表征对应违规图像的检测得分。

服务器在接收到边缘设备上报的告警事件数据时，可以将这些告警事件数据传递至后台，由后台对这些告警事件数据的准确性进行审核。可选地，后台对告警事件数据的审核可以是人工审核，也就是说，由后台的管理员浏览目标模型检测到的违规图像，并人为判断其结果标签是否准确；或者，也可以是机器审核，一般情况下，后台服务器的计算能力相较于边缘设备来说是更为强大的，因此，后台服务器可以基于对机器性能要求更高的算法模型来对告警事件数据进行数据分析，以实现细粒度识别。如此，可以复核出目标模型检测错误的告警事件数据，为后续的生产数据回流奠定良好的基础。

在步骤103、基于各告警事件数据以及对应的审核结果，更新所述目标模型的训练数据集，并基于更新后的训练数据集重新训练所述目标模型。

本步骤中提到的审核结果可以是指后台对告警事件数据重新标注的标签结果。例如，目标模型针对一视频帧判定为违规图像，而经过后台审核后，确定目标模型对该视频帧的检测结果是错误的，则可以将其重新标注为合规图像。这样，依据这些检测正确，或者检测错误但重新标签化的告警事件数据，更新训练数据集并重新训练目标模型，实现基于回流的生产数据对模型的自动优化，为模型性能的提升提供数据支持，有利于提升模型的泛化能力。

需要说明的是，基于更新后的训练数据集重新训练出的目标模型，可以按照前面提到的模型转化处理、测试、组装等步骤进行版本迭代。在一些实施例中，这些步骤可以是基于Model Zoo来执行的。Model Zoo(模型动物园，也称模型市场)是一个提供大量可下载的预训练模型的平台，同时也是一个兼具模型管理、Graph管理、模型训练等功能的工具。因此，服务器可以将训练好的初始模型上传到Model Zoo中，利用Model Zoo提供的功能实现从初始模型到目标模型的转化。

还有，在另外一些实施例中，该目标模型可以是通过云平台下发到边缘设备的。这里的云平台(Cloud)是一个兼具算法管理及边缘设备管理的平台，其可以认为是本实施例的服务器上的一个服务，提供计算、网络和存储能力。在目标模型测试成功后，可以将该目标模型上传到Cloud的算法仓库中，并下发到对应的边缘设备上。这样，减少将目标模型错误地下发到其他设备上的情况发生。进一步地，该云平台还可以用于对不同版本的目标模型的模型效果进行比对。具体地，该云平台可以基于预设的评估指标，如召回率、AUC(AreaUnder Curve，ROC曲线下的面积)、F1分数等，对不同版本的目标模型的模型效果进行比对。由于目标模型的告警事件数据以及对应的审核结果可以在一定程度上反映目标模型的模型效果，因此，该云平台可以对边缘设备上报的告警事件数据进行实时统计分析，并根据后台的审核结果修正分析结果，进而基于待比对的目标模型对应的分析结果，确定所述目标模型的模型效果的比对结果。需要说明的是，该云平台还可以提供一个数据分析页面，对告警事件数据的统计分析、对分析结果的修正，以及待比对的目标模型的版本选取可以在该数据分析页面上进行。

本申请实施例所提供的模型处理方法，将用于检测生产过程中的违规问题的目标模型下发到边缘设备上，并获取该边缘设备基于该目标模型检测到的告警事件数据以及后台对这些告警事件数据的审核结果，以此更新目标模型的训练数据集并重新训练目标模型。这样，通过生产数据回流实现模型的自动优化，为模型性能的提升提供数据支持，有利于提升模型的泛化能力。

为了对本申请的方案做更为详细的说明，接下来介绍一具体实施例：

如图2所示，图2是本申请实施例提供的一种模型处理***的示意图，该模型处理***包括Model Zoo21、Cloud22和Client23，其中，Model Zoo21提供模型管理工具、Graph管理工具以及模型训练工具；Cloud22是服务器一侧，提供算法管理、边缘设备管理、数据分析、告警事件管理、人工审核等功能；Client23是边缘设备，包含实时相机管理、算法识别服务等。

该模型处理***的工作流程包括：

S201、将训练好的初始模型上传到Model Zoo21中，由Model Zoo21将该初始模型转换成边缘设备可用的中间模型；

S202、由Model Zoo21对中间模型进行测试；

S203、由Model Zoo21将测试成功的中间模型、节点文件、执行脚本Scripts组装成边缘设备可用的算法Graph，该算法Graph是指Graph数据结构的模型；

S204、由Model Zoo21对算法Graph进行测试；

S205、算法Graph测试成功之后，将该算法Graph上传到Cloud22的算法仓库中；

S206、由Cloud22将算法Graph下发到Client23上；

S207、在Client23上添加需要检测的实时视频地址，绑定Cloud22下发的算法Graph，此时算法Graph开始在相机上工作；

S208、Client23将检测出的告警事件数据传递至Cloud22；

S209、Cloud22在数据分析页面实时对告警事件数据进行统计分析；

S210、人工审核告警事件数据的准确性，同时在数据分析页面修正算法Graph识别的准确率分析以及其他数据；

S211、Cloud22将审核过的告警事件数据推送到Model Zoo21的模型训练工具中；

S212、Model Zoo21基于审核过的告警事件数据更新对应模型的训练数据集，基于更新好的训练数据集训练新的模型；

S213、将训练出模型按照S201至S206的步骤进行版本迭代工作。

通过上述工作流程，本实施例的模型处理***可以将实际生产数据回流到训练集重新自动训练模型，为模型性能的提升提供数据支持；除此之外，本实施例的模型处理***在出现新的告警事件数据之后，还可以在Cloud22的数据分析页面，选择历史版本的算法Graph的数据分析结果，与当前版本的算法Graph的数据分析结果进行对比，也可以选择其他任意两个版本的算法Graph的数据分析结果进行对比，从而更为贴切满足边缘设备针对模型的实际需求。

与前述方法的实施例相对应，本申请还提供模型处理装置及其应用的终端的实施例：

如图3所示，图3是本申请实施例提供的一种模型处理装置的框图，所述装置包括：

下发模块31，用于将目标模型下发到边缘设备上，所述目标模型用于检测生产过程中的违规问题；

获取模块32，用于获取所述边缘设备基于所述目标模型检测到的告警事件数据，并将所述告警事件数据传递至后台进行审核；

更新模块33，用于基于各告警事件数据以及对应的审核结果，更新所述目标模型的训练数据集，并基于更新后的训练数据集重新训练所述目标模型。

上述装置中各个模块的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。

本申请还提供一种电子设备，请参见图4，图4为本申请实施例提供的一种电子设备的结构框图。电子设备可以包括处理器410、通信接口420、存储器430和至少一个通信总线440。其中，通信总线440用于实现这些组件直接的连接通信。其中，本申请实施例中电子设备的通信接口420用于与其他节点设备进行信令或数据的通信。处理器410可以是一种集成电路芯片，具有信号的处理能力。

上述的处理器410可以是通用处理器，包括中央处理器(CPU，Central ProcessingUnit)、网络处理器(NP，Network Processor)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)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。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410也可以是任何常规的处理器等。

存储器430可以是，但不限于，随机存取存储器(RAM，Random Access Memory)，只读存储器(ROM，Read Only Memory)，可编程只读存储器(PROM，Programmable Read-OnlyMemory)，可擦除只读存储器(EPROM，Erasable Programmable Read-Only Memory)，电可擦除只读存储器(EEPROM，Electric Erasable Programmable Read-Only Memory)等。存储器430中存储有计算机可读取指令，当所述计算机可读取指令由所述处理器410执行时，电子设备可以执行上述图1方法实施例涉及的各个步骤。

可选地，电子设备还可以包括存储控制器、输入输出单元。

所述存储器430、存储控制器、处理器410、外设接口、输入输出单元各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通信总线440实现电性连接。所述处理器410用于执行存储器430中存储的可执行模块，例如电子设备包括的软件功能模块或计算机程序。

输入输出单元用于提供给用户创建任务以及为该任务创建启动可选时段或预设执行时间以实现用户与服务器的交互。所述输入输出单元可以是，但不限于，鼠标和键盘等。

可以理解，图4所示的结构仅为示意，所述电子设备还可包括比图4中所示更多或者更少的组件，或者具有与图4所示不同的配置。图4中所示的各组件可以采用硬件、软件或其组合实现。

本申请实施例还提供一种存储介质，所述存储介质上存储有指令，当所述指令在计算机上运行时，所述计算机程序被处理器执行时实现方法实施例所述的方法，为避免重复，此处不再赘述。

本申请还提供一种计算机程序产品，所述计算机程序产品在计算机上运行时，使得计算机执行方法实施例所述的方法。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也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，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，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。

所述功能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，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，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

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。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (10)

1.一种模型处理方法，其特征在于，包括：

将目标模型下发到边缘设备上，所述目标模型用于检测生产过程中的违规问题；

获取所述边缘设备基于所述目标模型检测到的告警事件数据，并将所述告警事件数据传递至后台进行审核；

基于各告警事件数据以及对应的审核结果，更新所述目标模型的训练数据集，并基于更新后的训练数据集重新训练所述目标模型。

2.根据权利要求1所述的方法，其特征在于，所述目标模型基于以下方式获得：

获取训练好的初始模型，对所述初始模型进行模型转换处理，得到能够在所述边缘设备上运行的中间模型；

对所述中间模型进行测试，再将测试成功的中间模型、节点文件和预设脚本组装成目标模型。

3.根据权利要求2所述的方法，其特征在于，所述模型转换处理、测试以及组装的步骤是基于Model Zoo执行的。

4.根据权利要求1所述的方法，其特征在于，所述目标模型是Graph数据结构的模型。

5.根据权利要求1所述的方法，其特征在于，所述将目标模型下发到边缘设备上，包括：

将目标模型上传到云平台的算法仓库中，由所述云平台将所述目标模型下发到边缘设备上。

6.根据权利要求5所述的方法，其特征在于，所述方法还包括：

将重新训练好的目标模型确定为新版本的目标模型；

通过所述云平台对不同版本的目标模型的模型效果进行比对。

7.根据权利要求6所述的方法，其特征在于，所述通过所述云平台对不同版本的目标模型的模型效果进行比对，包括：

通过所述云平台对所述边缘设备上报的告警事件数据进行实时统计分析；

根据所述审核结果修正分析结果；

基于待比对的目标模型对应的分析结果，确定所述目标模型的模型效果的比对结果。

8.一种模型处理装置，其特征在于，包括：

下发模块，用于将目标模型下发到边缘设备上，所述目标模型用于检测生产过程中的违规问题；

获取模块，用于获取所述边缘设备基于所述目标模型检测到的告警事件数据，并将所述告警事件数据传递至后台进行审核；

更新模块，用于基于各告警事件数据以及对应的审核结果，更新所述目标模型的训练数据集，并基于更新后的训练数据集重新训练所述目标模型。

9.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。

10.一种电子设备，其特征在于，包括处理器、存储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，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。

Images