本發(fā)明涉及一種損耗檢測模型訓(xùn)練方法、損耗檢測方法及裝置，在獲取智能設(shè)備外觀圖像后，為智能設(shè)備外觀圖像標(biāo)注損耗類別，以建立外觀圖像數(shù)據(jù)集。進(jìn)一步地，利用外觀圖像數(shù)據(jù)集建立深度神經(jīng)網(wǎng)絡(luò)，以訓(xùn)練可用于檢測智能設(shè)備外觀損耗的損耗檢測模型。基于此，通過大量作為經(jīng)驗數(shù)據(jù)的智能設(shè)備外觀圖像預(yù)先訓(xùn)練損耗檢測模型，在產(chǎn)生檢測待測智能設(shè)備的損耗程度需求時，可通過預(yù)先訓(xùn)練的損耗檢測模型快速確定待測智能設(shè)備的損耗程度，穩(wěn)定高效地為智能設(shè)備回收提供損耗程度參考。

技術(shù)領(lǐng)域

本發(fā)明涉及電子產(chǎn)品技術(shù)領(lǐng)域，特別是涉及一種損耗檢測模型訓(xùn)練方法、損耗檢測方法及裝置。

背景技術(shù)

隨著電子產(chǎn)品技術(shù)的發(fā)展，各種智能設(shè)備層出不窮，例如智能手機(jī)、筆記本電腦和平板電腦等。目前，伴隨著經(jīng)濟(jì)和技術(shù)的高速發(fā)展，智能設(shè)備的普及和更新?lián)Q代速度也越來越快。以智能手機(jī)為例，5G時代的到來，加速了智能手機(jī)的換代。在智能設(shè)備進(jìn)行迭代的過程中，有效回收是智能設(shè)備剩余價值的有效利用手段之一，可減少對環(huán)境的化學(xué)污染以及減少浪費(fèi)。

在智能設(shè)備的回收過程中，智能設(shè)備的整體損耗程度對智能設(shè)備的回收估價有較大影響。一般地，主要通過觀察智能設(shè)備的外觀損耗來確定整體損耗，例如劃痕、掉漆或外爆等類別的外觀損耗來評估智能設(shè)備的整體損耗，為智能設(shè)備的回收估價提供部分有效的參考。

然而，傳統(tǒng)檢測智能設(shè)備損耗的方式主要是通過專業(yè)質(zhì)檢人員的人眼觀察，憑專業(yè)質(zhì)檢人員的主觀判斷確定有損耗以及損耗的程度。然而，人眼觀察耗時耗力，且主觀判斷受專業(yè)質(zhì)檢人員的經(jīng)驗和狀態(tài)等因素影響，很難保證判斷的準(zhǔn)確性。

發(fā)明內(nèi)容

基于此，有必要針對傳統(tǒng)檢測智能設(shè)備損耗的方式還存在的缺陷，提供一種損耗檢測模型訓(xùn)練方法、損耗檢測方法及裝置。

一種損耗檢測模型訓(xùn)練方法，包括步驟：

獲取智能設(shè)備外觀圖像；

為所述智能設(shè)備外觀圖像標(biāo)注損耗類別，以建立外觀圖像數(shù)據(jù)集；

利用所述外觀圖像數(shù)據(jù)集建立深度神經(jīng)網(wǎng)絡(luò)，以訓(xùn)練可用于檢測智能設(shè)備外觀損耗的損耗檢測模型。

上述的損耗檢測模型訓(xùn)練方法，在獲取智能設(shè)備外觀圖像后，為智能設(shè)備外觀圖像標(biāo)注損耗類別，以建立外觀圖像數(shù)據(jù)集。進(jìn)一步地，利用外觀圖像數(shù)據(jù)集建立深度神經(jīng)網(wǎng)絡(luò)，以訓(xùn)練可用于檢測智能設(shè)備外觀損耗的損耗檢測模型。基于此，通過大量作為經(jīng)驗數(shù)據(jù)的智能設(shè)備外觀圖像預(yù)先訓(xùn)練損耗檢測模型，在產(chǎn)生檢測待測智能設(shè)備的損耗程度需求時，可通過預(yù)先訓(xùn)練的損耗檢測模型快速確定待測智能設(shè)備的損耗程度，穩(wěn)定高效地為智能設(shè)備回收提供損耗程度參考。

在其中一個實施例中，為所述智能設(shè)備外觀圖像標(biāo)注損耗類別，以建立外觀圖像數(shù)據(jù)集的過程，包括步驟：

以各損耗類別均分的比例選取待建立數(shù)據(jù)集的智能設(shè)備外觀圖像；

在所述待建立數(shù)據(jù)集的智能設(shè)備外觀圖像確定訓(xùn)練集與測試集的比例，以確定所述外觀圖像數(shù)據(jù)集。

在其中一個實施例中，損耗類別包括劃痕、掉漆和外爆。

在其中一個實施例中，訓(xùn)練集與測試集的比例為9:1。

在其中一個實施例中，深度神經(jīng)網(wǎng)絡(luò)包括YOLO神經(jīng)網(wǎng)絡(luò)。

在其中一個實施例中，利用所述外觀圖像數(shù)據(jù)集建立深度神經(jīng)網(wǎng)絡(luò)，以訓(xùn)練可用于檢測智能設(shè)備外觀的損耗類別的損耗檢測模型的過程，包括步驟：

根據(jù)損耗類別的數(shù)量確定深度神經(jīng)網(wǎng)絡(luò)的過濾器個數(shù)；

將所述外觀圖像數(shù)據(jù)集內(nèi)的圖像大小修改為步長的下采樣次數(shù)次方的倍數(shù)；

修改沖量大小、池化算法以及重設(shè)損失函數(shù)和學(xué)習(xí)率；