设备区域提取模型训练方法、设备区域提取方法及装置

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区域提取模型训练方法、设备区域提取方法及装置。

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，在获取智能设备外观图像时，由于成像范围包括智能设备与背景，外观图像内与智能设备外观无关的信息较多，在根据外观图像观察智能设备外观时会受到较多的干扰。

发明内容

基于此，有必要针对在根据外观图像观察智能设备外观时会受到较多的干扰这一缺陷，提供一种设备区域提取模型训练方法、设备区域提取方法及装置。

一种设备区域提取模型训练方法，包括步骤：

获取智能设备外观图像；

为智能设备外观图像标注区域，以建立外观图像数据集；

利用外观图像数据集建立神经网络，以训练可用于识别提取智能设备外观区域的设备区域提取模型。

上述的设备区域提取模型训练方法，在获取到智能设备外观图像后，为智能设备外观图像标注区域，以建立外观图像数据集，并利用外观图像数据集建立神经网络，以训练可用于识别提取智能设备外观区域的设备区域提取模型。基于此，通过设备区域提取模型自动识别提取待测智能设备外观图像的设备区域体系，可不受智能设备外观图像中边缘信息分布的影响提取其中的设备区域图像，消除拍摄背景的干扰，以便于更精准地针对智能设备的设备区域进行回收估价。

在其中一个实施例中，在为智能设备外观图像标注区域的过程之前，还包括步骤：

对智能设备外观图像作样本增强处理。

在其中一个实施例中，对智能设备外观图像作样本增强处理的过程，包括步骤：

通过左右翻转、上下翻转、模糊和亮度调节等处理方式，为智能设备外观图像作样本增强处理。

在其中一个实施例中，神经网络包括CNN卷积神经网络。

一种设备区域提取模型训练装置，包括：

图像获取模块，用于获取智能设备外观图像；

区域标注模块，用于为智能设备外观图像标注区域，以建立外观图像数据集；

模型训练模块，用于利用外观图像数据集建立神经网络，以训练可用于识别提取智能设备外观区域的设备区域提取模型。

上述的设备区域提取模型训练装置，在获取到智能设备外观图像后，为智能设备外观图像标注区域，以建立外观图像数据集，并利用外观图像数据集建立神经网络，以训练可用于识别提取智能设备外观区域的设备区域提取模型。基于此，通过设备区域提取模型自动识别提取待测智能设备外观图像的设备区域体系，可不受智能设备外观图像中边缘信息分布的影响提取其中的设备区域图像，消除拍摄背景的干扰，以便于更精准地针对智能设备的设备区域进行回收估价。

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区域提取模型训练方法。

上述的计算机存储介质，在获取到智能设备外观图像后，为智能设备外观图像标注区域，以建立外观图像数据集，并利用外观图像数据集建立神经网络，以训练可用于识别提取智能设备外观区域的设备区域提取模型。基于此，通过设备区域提取模型自动识别提取待测智能设备外观图像的设备区域体系，可不受智能设备外观图像中边缘信息分布的影响提取其中的设备区域图像，消除拍摄背景的干扰，以便于更精准地针对智能设备的设备区域进行回收估价。

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区域提取模型训练方法。

上述的计算机设备，在获取到智能设备外观图像后，为智能设备外观图像标注区域，以建立外观图像数据集，并利用外观图像数据集建立神经网络，以训练可用于识别提取智能设备外观区域的设备区域提取模型。基于此，通过设备区域提取模型自动识别提取待测智能设备外观图像的设备区域体系，可不受智能设备外观图像中边缘信息分布的影响提取其中的设备区域图像，消除拍摄背景的干扰，以便于更精准地针对智能设备的设备区域进行回收估价。

一种设备区域提取方法，包括步骤：

获取待测智能设备外观图像；

将待测智能设备外观图像输入设备区域提取模型，获得对应的物体坐标及其置信度信息；

根据物体坐标及其置信度信息确定待测智能设备外观图像的设备区域图像。

上述的设备区域提取方法，在获取到待测智能设备外观图像，将待测智能设备外观图像输入设备区域提取模型，获得对应的物体坐标及其置信度信息，并根据物体坐标及其置信度信息确定待测智能设备外观图像的设备区域图像。基于此，通过设备区域提取模型自动识别提取待测智能设备外观图像的设备区域体系，可不受智能设备外观图像中边缘信息分布的影响提取其中的设备区域图像，消除拍摄背景的干扰，以便于更精准地针对智能设备的设备区域进行回收估价。

在其中一个实施例中，将待测智能设备外观图像输入设备区域提取模型，获得对应的物体坐标及其置信度信息的过程，包括步骤：

将待测智能设备外观图像输入设备区域提取模型，以指示设备区域提取模型将智能设备外观图像作为输入向量，进行向量切片、向量组合、卷积操作、向量批处理归一化操作、残差计算、函数激活、最大值池化操作、上采样操作或检测操作，获得对应的物体坐标及其置信度信息。

一种设备区域提取装置，包括：

图像采集模块，用于获取待测智能设备外观图像；

模型计算模块，用于将待测智能设备外观图像输入设备区域提取模型，获得对应的物体坐标及其置信度信息；

模型输出模块，用于根据物体坐标及其置信度信息确定待测智能设备外观图像的设备区域图像。

上述的设备区域提取装置，在获取到待测智能设备外观图像，将待测智能设备外观图像输入设备区域提取模型，获得对应的物体坐标及其置信度信息，并根据物体坐标及其置信度信息确定待测智能设备外观图像的设备区域图像。基于此，通过设备区域提取模型自动识别提取待测智能设备外观图像的设备区域体系，可不受智能设备外观图像中边缘信息分布的影响提取其中的设备区域图像，消除拍摄背景的干扰，以便于更精准地针对智能设备的设备区域进行回收估价。

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区域提取方法。

上述的计算机存储介质，在获取到待测智能设备外观图像，将待测智能设备外观图像输入设备区域提取模型，获得对应的物体坐标及其置信度信息，并根据物体坐标及其置信度信息确定待测智能设备外观图像的设备区域图像。基于此，通过设备区域提取模型自动识别提取待测智能设备外观图像的设备区域体系，可不受智能设备外观图像中边缘信息分布的影响提取其中的设备区域图像，消除拍摄背景的干扰，以便于更精准地针对智能设备的设备区域进行回收估价。

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区域提取方法。

上述的计算机设备，在获取到待测智能设备外观图像，将待测智能设备外观图像输入设备区域提取模型，获得对应的物体坐标及其置信度信息，并根据物体坐标及其置信度信息确定待测智能设备外观图像的设备区域图像。基于此，通过设备区域提取模型自动识别提取待测智能设备外观图像的设备区域体系，可不受智能设备外观图像中边缘信息分布的影响提取其中的设备区域图像，消除拍摄背景的干扰，以便于更精准地针对智能设备的设备区域进行回收估价。

附图说明

图1为一实施方式的设备区域提取模型训练方法流程图；

图2为另一实施方式的设备区域提取模型训练方法流程图；

图3为又一实施方式的设备区域提取模型训练方法流程图；

图4为一实施方式的设备区域提取模型训练装置模块结构图；

图5为一实施方式的设备区域提取方法流程图；

图6为一实施方式的设备区域提取模型结构示意图；

图7为Focus层结构示意图；

图8为CBL层结构示意图；

图9为CSP层结构示意图；

图10为ResUnit层结构示意图；

图11为SPP层结构示意图；

图12为一实施方式的设备区域提取装置模块结构图。

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区域提取模型训练方法。

图1为一实施方式的设备区域提取模型训练方法流程图，如图1所示，一实施方式的设备区域提取模型训练方法包括步骤S100至步骤S102：

S100，获取智能设备外观图像；

通过拍摄智能设备，获得智能设备外观图像。例如，在智能设备进行回收时，设备回收终端通过拍摄智能设备，提供了包括拍摄背景和设备外观图像在内的智能设备外观图像。

S101，为智能设备外观图像标注区域，以建立外观图像数据集；

其中，智能设备外观图像包括设备区域图像以及背景图像等。在其中一个实施例中，通过先验知识，将智能设备外观图像的设备区域进行标注，以获得外观图像数据集。其中，外观图像数据集包括训练集和测试集。

在其中一个实施例中，图2为另一实施方式的设备区域提取模型训练方法流程图，如图2所示，在步骤S101中为智能设备外观图像标注区域的过程之前，还包括步骤S200：

S200，对智能设备外观图像作样本增强处理。

其中，通过样本增强处理，增加智能设备外观图像作为样本的多样性。

在其中一个实施例中，图3为又一实施方式的设备区域提取模型训练方法流程图，如图3所示，步骤S200中对智能设备外观图像作样本增强处理包括步骤S300：

S300，通过左右翻转、上下翻转、模糊和亮度调节等处理方式，为智能设备外观图像作样本增强处理。

通过左右翻转、上下翻转、模糊和亮度调节等处理方式，增加样本的多样性。同时，对步骤S300中样本增强处理后的智能设备外观图像标注区域，获得外观图像数据集。

S102，利用外观图像数据集建立神经网络，以训练可用于识别提取智能设备外观区域的设备区域提取模型。

通过外观图像数据集建立神经网络，并通过外观图像数据集对后续设备区域提取模型进行训练。

在其中一个实施例中，神经网络包括CNN(Convolutional Neural Networks)卷积神经网络。

上述任一实施例的设备区域提取模型训练方法，在获取到智能设备外观图像后，为智能设备外观图像标注区域，以建立外观图像数据集，并利用外观图像数据集建立神经网络，以训练可用于识别提取智能设备外观区域的设备区域提取模型。基于此，通过设备区域提取模型自动识别提取待测智能设备外观图像的设备区域体系，可不受智能设备外观图像中边缘信息分布的影响提取其中的设备区域图像，消除拍摄背景的干扰，以便于更精准地针对智能设备的设备区域进行回收估价。

本发明实施例提供了一种设备区域提取模型训练装置。

图4为一实施方式的设备区域提取模型训练装置模块结构图，如图4所示，一实施方式的设备区域提取模型训练装置包括模块100、模块101和模块102：

图像获取模块100，用于获取智能设备外观图像；

区域标注模块101，用于为智能设备外观图像标注区域，以建立外观图像数据集；

模型训练模块102，用于利用外观图像数据集建立神经网络，以训练可用于识别提取智能设备外观区域的设备区域提取模型。

上述的设备区域提取模型训练装置，在获取到智能设备外观图像后，为智能设备外观图像标注区域，以建立外观图像数据集，并利用外观图像数据集建立神经网络，以训练可用于识别提取智能设备外观区域的设备区域提取模型。基于此，通过设备区域提取模型自动识别提取待测智能设备外观图像的设备区域体系，可不受智能设备外观图像中边缘信息分布的影响提取其中的设备区域图像，消除拍摄背景的干扰，以便于更精准地针对智能设备的设备区域进行回收估价。

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区域提取模型训练方法。

本领域的技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、随机存取存储器(RAM，Random Access Memory)、只读存储器(ROM，Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

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另一种计算机设备，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区域提取模型训练方法。

上述计算机设备，在获取到智能设备外观图像后，为智能设备外观图像标注区域，以建立外观图像数据集，并利用外观图像数据集建立神经网络，以训练可用于识别提取智能设备外观区域的设备区域提取模型。基于此，通过设备区域提取模型自动识别提取待测智能设备外观图像的设备区域体系，可不受智能设备外观图像中边缘信息分布的影响提取其中的设备区域图像，消除拍摄背景的干扰，以便于更精准地针对智能设备的设备区域进行回收估价。

本发明实施例还提供了一种基于上述任一实施例的设备区域提取模型的设备区域提取方法。

图5为一实施方式的设备区域提取方法流程图，如图5所示，一实施方式的设备区域提取方法包括步骤S400至步骤S402：

S400，获取待测智能设备外观图像；

其中，待测智能设备为回收过程中需要进行检测的智能设备。将待测智能设备外观图像作为向量输入上述任一实施例中训练完毕的设备区域提取模型中进行模型计算。

S401，将待测智能设备外观图像输入设备区域提取模型，获得对应的物体坐标及其置信度信息；

其中，图6为一实施方式的设备区域提取模型结构示意图，如图6所示，基于CNN卷积神经网络的设备区域提取模型包括input(输入)层、Focus层、Conv(卷积)层、BottleneckCSP层、SPP(Spatial Pyramid Pooling)层、Upsample(上采样)层、Concat(组合操作)层和Detect(检测)层等。

Focus层用于对待测智能设备外观图像进行Focus结构处理，图7为Focus层结构示意图，如图7所示，Focus层包括slice层、Concat层和CBL层。slice层用于对作为输入向量的待测智能设备外观图像作切片操作，得到切片向量。Concat为组合操作层，用于将多个切片向量组合成一个向量。

图8为CBL层结构示意图，如图8所示，CBL层包括Conv层，BN层和LeakyReLU层。Conv为卷积操作层，用于对输入向量进行卷积操作，BN(Batch Normalization)层表示向量批处理归一化操作层，LeakyReLU层表示LeakyReLU函数激活。

其中，如图6所示，BottleneckCSP表示对输入向量进行CSP结构处理。图9为CSP层结构示意图，如图9所示，CSP结构处理包括图示各结构层操作。

其中，图9所示的ResUnit表示残差单元层，其结构如图10所示，图10为ResUnit层结构示意图。

其中，图6所示的SPP层结构如图11所示，图11为SPP层结构示意图，图11所示的Maxpool层表示最大值池化操作，用于对输入向量进行最大值下采样操作，减小输入向量的分辨率。

其中，图6所示的Upsample层用于对输入向量进行上采样操作，增大输入向量的分辨率。而Detect层用于对输入向量进行物体检测操作，输出检测出的物体坐标和对应的置信度信息。

S402，根据物体坐标及其置信度信息确定待测智能设备外观图像的设备区域图像。

通过物体坐标及其置信度信息，定位识别出待测智能设备外观图像的设备区域。

上述任一实施例的设备区域提取方法，在获取到待测智能设备外观图像，将待测智能设备外观图像输入设备区域提取模型，获得对应的物体坐标及其置信度信息，并根据物体坐标及其置信度信息确定待测智能设备外观图像的设备区域图像。基于此，通过设备区域提取模型自动识别提取待测智能设备外观图像的设备区域体系，可不受智能设备外观图像中边缘信息分布的影响提取其中的设备区域图像，消除拍摄背景的干扰，以便于更精准地针对智能设备的设备区域进行回收估价。

本发明实施例还提供一种设备区域提取装置。

图12为一实施方式的设备区域提取装置模块结构图，如图12所示，一实施方式的设备区域提取装置包括模块200、模块201和模块202：

图像采集模块200，用于获取待测智能设备外观图像；

模型计算模块201，用于将待测智能设备外观图像输入设备区域提取模型，获得对应的物体坐标及其置信度信息；

模型输出模块202，用于根据物体坐标及其置信度信息确定待测智能设备外观图像的设备区域图像。

上述的损耗检测装置，在获取到待测智能设备外观图像，将待测智能设备外观图像输入设备区域提取模型，获得对应的物体坐标及其置信度信息，并根据物体坐标及其置信度信息确定待测智能设备外观图像的设备区域图像。基于此，通过设备区域提取模型自动识别提取待测智能设备外观图像的设备区域体系，可不受智能设备外观图像中边缘信息分布的影响提取其中的设备区域图像，消除拍摄背景的干扰，以便于更精准地针对智能设备的设备区域进行回收估价。

本发明实施例还提供了另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区域提取方法。

本领域的技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、随机存取存储器(RAM，Random Access Memory)、只读存储器(ROM，Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

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另一种计算机设备，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区域提取方法。

上述计算机设备，在获取到待测智能设备外观图像，将待测智能设备外观图像输入设备区域提取模型，获得对应的物体坐标及其置信度信息，并根据物体坐标及其置信度信息确定待测智能设备外观图像的设备区域图像。基于此，通过设备区域提取模型自动识别提取待测智能设备外观图像的设备区域体系，可不受智能设备外观图像中边缘信息分布的影响提取其中的设备区域图像，消除拍摄背景的干扰，以便于更精准地针对智能设备的设备区域进行回收估价。

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。