(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111639614.0 (22)申请日 2021.12.2 9 (71)申请人 广州绿怡信息科技有限公司 地址 510000 广东省广州市黄埔区科丰路 266号704房70 5房706房(仅限办公) (72)发明人 田寨兴　许锦屏　余卫宇　廖伟权　 刘嘉　 (74)专利代理 机构 广州市律帆知识产权代理事 务所(普通 合伙) 44614 专利代理师 王园园 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/32(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01)G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06T 5/00(2006.01) (54)发明名称 设备机型检测模型训练方法及设备机型检 测方法 (57)摘要 本发明涉及一种设备机型检测模型训练方 法及设备机型检测方法， 在获取各类样本机型的 外观图像后， 外观图像作为数据集、 外观图像对 应的机型作为分类标签， 建立卷积神经网络模型 以训练用于检测 智能设备机型的检测模型。 基于 此， 后续可通过检测模型对智能设备的机型进行 识别检测， 在降低人力成本的同时， 提高识别准 确率和效率。 权利要求书1页 说明书7页 附图4页 CN 114494856 A 2022.05.13 CN 114494856 A 1.一种设备机型检测模型训练方法， 其特 征在于， 包括 步骤： 获取各类样本 机型的外观图像； 将所述外观图像作为数据集、 所述外观图像对应的机型作为分类标签， 建立卷积神经 网络模型以训练用于检测智能设备机型的检测模型。 2.根据权利要求1所述的设备机型检测模型训练方法， 其特征在于， 在所述将所述外观 图像作为数据集、 所述外观图像对应的机型作为分类标签， 建立卷积神经网络模型以训练 用于检测智能设备机型的检测模型的过程之前， 还 包括步骤： 对所述外观图像进行变换处 理， 以丰富所述数据集。 3.根据权利要求2所述的设备机型检测模型训练方法， 其特征在于， 所述对所述外观图 像进行变换处 理， 以丰富所述数据集的过程， 包括 步骤： 对所述外观图像进行透 视变换、 相似变换或旋转变换处 理。 4.根据权利要求2所述的设备机型检测模型训练方法， 其特征在于， 在所述将所述外观 图像作为数据集、 所述外观图像对应的机型作为分类标签， 建立卷积神经网络模型以训练 用于检测智能设备机型的检测模型的过程之前， 还 包括步骤： 对所述变换处 理后的外观图像进行裁 剪处理。 5.根据权利要求1所述的设备机型检测模型训练方法， 其特征在于， 在所述将所述外观 图像作为数据集、 所述外观图像对应的机型作为分类标签， 建立卷积神经网络模型以训练 用于检测智能设备机型的检测模型的过程之前， 还 包括步骤： 对所述外观图像进行图像增强处 理。 6.根据权利要求5所述的设备机型检测模型训练方法， 其特征在于， 所述对所述外观图 像进行图像增强处 理的过程， 包括 步骤： 对所述外观图像进行伽马增强、 锐化增强或像素增强处 理。 7.根据权利要求1所述的设备机型检测模型训练方法， 其特征在于， 所述将所述外观图 像作为数据集、 所述外观图像对应的机型作为分类标签， 建立卷积神经网络模型以训练用 于检测智能设备机型的检测模型的过程， 包括 步骤： 读取卷积神经网络模型的模型参数， 对所述数据集进行迭代训练； 比较所述迭代训练输出的特 征所属类别与真实类别， 获得用于修改权 重的误差值。 8.根据权利要求1所述的设备机型检测模型训练方法， 其特征在于， 所述模型参数包括 迭代次数、 分类标签或外观图像大小。 9.根据权利要求1所述的设备机型检测模型训练方法， 其特征在于， 所述卷积神经网络 模型包括Faster  R‑CNN模型。 10.一种设备机型检测方法， 其特 征在于， 包括 步骤： 获取待测智能设备的待测外观图像； 将所述待测外观图像输入检测模型， 获得 所述待测智能设备的机型检测结果。权　利　要　求　书 1/1 页 2 CN 114494856 A 2设备机型检测模型训练方 法及设备机型检测方 法 技术领域 [0001]本发明涉及电子产品技术领域， 特别是涉及一种设备机型检测模型训练方法及设 备机型检测方法。 背景技术 [0002]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。 [0003]在对智能设备的回收检测中， 需要对智能设备的机型进行确定， 为回收估价提供 参考。 然而， 在回收检测的机型确定过程中， 存在许多问题。 例如， 部 分在检测设备机型时用 别的型号的智能设备代替检测， 比如用完好无损的其他智能设备机型的背面代替原先破损 的智能设备背面， 影响回收估价的准确性。 同时， 通过识别外观来确定智能设备机型需要质 检人员肉眼识别， 效率低下的同时， 也存在较大的人力成本和人为 误差。 [0004]由此可见， 传统的设备机型检测方式还 存在诸多不足。 发明内容 [0005]基于此， 有必要针对传统的设备机型检测方式还存在的不足， 提供一种设备机型 检测模型训练方法及设备机型检测方法。 [0006]一种设备机型检测模型训练方法， 包括 步骤： [0007]获取各类样本 机型的外观图像； [0008]将外观图像作为数据集、 外观图像对应的机型作为分类标签， 建立卷积神经网络 模型以训练用于检测智能设备机型的检测模型。 [0009]上述的设备机型检测模型训练方法， 在获取各类样本机型的外观图像后， 外观图 像作为数据集、 外观图像对应的机型作为分类标签， 建立卷积神经网络模型以训练用于检 测智能设备机型 的检测模型。 基于此， 后续可通过检测模型对智能设备 的机型进行识别检 测， 在降低人力成本的同时， 提高识别准确率和效率。 [0010]在其中一个实施例中， 在将外观图像作为数据集、 外观图像对应的机型作为分类 标签， 建立卷积神经网络模型以训练用于检测智能设备机型 的检测模型 的过程之前， 还包 括步骤： [0011]对外观图像进行变换处 理， 以丰富数据集。 [0012]在其中一个实施例中， 对外观图像进行变换处理， 以丰富数据集的过程， 包括步 骤： [0013]对外观图像进行透 视变换、 相似变换或旋转变换处 理。 [0014]在其中一个实施例中， 在将外观图像作为数据集、 外观图像对应的机型作为分类说　明　书 1/7 页 3 CN 114494856 A 3