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与流程

1.本发明涉及电子产品技术领域，特别是涉及一种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。


背景技术：

2.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。
3.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透图这一项，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透图现象。
4.传统检测智能设备屏幕是否存在透图的方式主要是通过拍摄设备屏幕显示的二维码进行图像识别，识别出透图特征来进行检测判定。这种检测方法在拍摄图片有透图特征时可以检测出来，因为加了伽马变换对透图特征进行细节增强处理。然而，在自助回收领域等回收领域中，智能设备的拍摄往往受到操作者的影响，无法满足传统透图检测的操作要求，产生例如设备屏幕过暗、光线影响或角度影响等干扰，导致摄像头采集不到设备屏幕透图特征，即使细节增强处理也是无法识别设备屏幕是否存在透图。同时，对设备屏幕进行拍摄的摄像头要求也较高，提高了智能设备的回收成本。
5.综上所述，可见传统检测智能设备屏幕是否存在透图的方式还存在以上不足。


技术实现要素：

6.基于此，有必要针对传统检测智能设备屏幕是否存在透图的方式还存在的不足，提供一种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。
7.一种设备屏幕透图检测模型训练方法，包括步骤：
8.获取各智能设备的设备属性信息；
9.为各设备属性信息添加透图标签；其中，透图标签用于表征对应的智能设备的屏幕透图或屏幕不透图；
10.将设备属性信息和透图标签转换为属性特征数据；
11.根据属性特征数据建立特征数据集，并根据特征数据集训练用于检测设备屏幕是否透图的分类模型。
12.上述的设备屏幕透图检测模型训练方法，在获取到各智能设备的设备属性信息后，为各设备属性信息添加透图标签。进一步地，将设备属性信息和透图标签转换为属性特征数据，根据属性特征数据建立特征数据集，并根据特征数据集训练用于检测设备屏幕是否透图的分类模型。基于此，通过设备属性信息及其预先确定的透图标签作为历史数据，训
练出分类模型来检测设备屏幕是否透图，避免了使用图像识别进行检测所遇到的干扰因素，保证透图检测的稳定。同时，分类模型可通过智能设备的数据量进行持续训练，有利于逐步提高透图检测的准确率，并有效地降低透图检测的硬件成本。
13.在其中一个实施例中，将设备属性信息和透图标签转换为属性特征数据的过程，包括步骤：
14.对设备属性信息和透图标签执行离散化处理，获得属性特征数据。
15.在其中一个实施例中，在将设备属性信息和透图标签转换为属性特征数据的过程之前，还包括步骤：
16.对设备属性信息进行信息预处理。
17.在其中一个实施例中，对设备属性信息进行信息预处理的过程，包括步骤：
18.对设备属性信息进行缺失值处理和异常值处理。
19.在其中一个实施例中，分类模型包括朴素贝叶斯模型。
20.在其中一个实施例中，根据属性特征数据建立特征数据集，并根据特征数据集训练用于检测设备屏幕是否透图的分类模型的过程，包括步骤：
21.将设备属性信息对应的属性特征数据作为样本数据特征属性集，并将透图标签对应的属性特征数据作为类变量；
22.确定类变量的先验概率；
23.根据样本数据特征属性集和先验概率获得后验概率的计算模型；
24.基于后验概率的计算模型，获得用于将计算模型中的最大后验概率的类别对应的透图标签作为输出结果的分类模型。
25.在其中一个实施例中，根据属性特征数据建立特征数据集，并根据特征数据集训练用于检测设备屏幕是否透图的分类模型的过程，还包括步骤：
26.通过损失函数优化输出结果。
27.在其中一个实施例中，通过损失函数优化输出结果的过程，如下式：
[0028][0029]
其中，n表示样本总量，a样本，y表示实际透图标签，y表示预测透图标签，∈表示误差项。
[0030]
在其中一个实施例中，设备属性信息包括设备品牌类型、设备屏幕类型、设备出厂时间、设备电池使用情况、设备持有人性别和/或设备持有人年龄。
[0031]
一种设备屏幕透图检测模型训练装置，包括：
[0032]
第一信息获取模块，用于获取各智能设备的设备属性信息；
[0033]
标签添加模块，用于为各设备属性信息添加透图标签；其中，透图标签用于表征对应的智能设备的屏幕透图或屏幕不透图；
[0034]
第一数据转换模块，用于将设备属性信息和透图标签转换为属性特征数据；
[0035]
模型训练模块，用于根据属性特征数据建立特征数据集，并根据特征数据集训练用于检测设备屏幕是否透图的分类模型。
[0036]
上述的设备屏幕透图检测模型训练装置，在获取到各智能设备的设备属性信息后，为各设备属性信息添加透图标签。进一步地，将设备属性信息和透图标签转换为属性特
征数据，根据属性特征数据建立特征数据集，并根据特征数据集训练用于检测设备屏幕是否透图的分类模型。基于此，通过设备属性信息及其预先确定的透图标签作为历史数据，训练出分类模型来检测设备屏幕是否透图，避免了使用图像识别进行检测所遇到的干扰因素，保证透图检测的稳定。同时，分类模型可通过智能设备的数据量进行持续训练，有利于逐步提高透图检测的准确率，并有效地降低透图检测的硬件成本。
[0037]
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透图检测模型训练方法。
[0038]
上述的计算机存储介质，在获取到各智能设备的设备属性信息后，为各设备属性信息添加透图标签。进一步地，将设备属性信息和透图标签转换为属性特征数据，根据属性特征数据建立特征数据集，并根据特征数据集训练用于检测设备屏幕是否透图的分类模型。基于此，通过设备属性信息及其预先确定的透图标签作为历史数据，训练出分类模型来检测设备屏幕是否透图，避免了使用图像识别进行检测所遇到的干扰因素，保证透图检测的稳定。同时，分类模型可通过智能设备的数据量进行持续训练，有利于逐步提高透图检测的准确率，并有效地降低透图检测的硬件成本。
[0039]
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透图检测模型训练方法。
[0040]
上述的计算机设备，在获取到各智能设备的设备属性信息后，为各设备属性信息添加透图标签。进一步地，将设备属性信息和透图标签转换为属性特征数据，根据属性特征数据建立特征数据集，并根据特征数据集训练用于检测设备屏幕是否透图的分类模型。基于此，通过设备属性信息及其预先确定的透图标签作为历史数据，训练出分类模型来检测设备屏幕是否透图，避免了使用图像识别进行检测所遇到的干扰因素，保证透图检测的稳定。同时，分类模型可通过智能设备的数据量进行持续训练，有利于逐步提高透图检测的准确率，并有效地降低透图检测的硬件成本。
[0041]
一种设备屏幕透图检测方法，包括步骤：
[0042]
获取待测智能设备的设备属性信息；
[0043]
将待测智能设备的设备属性信息转换为属性特征数据；
[0044]
将属性特征数据输入至分类模型，获得设备屏幕透图检测结果。
[0045]
上述的设备屏幕透图检测方法，在获取到待测智能设备的设备属性信息后，将待测智能设备的设备属性信息转换为属性特征数据，并将属性特征数据输入至分类模型，获得设备屏幕透图检测结果。基于此，通过预先训练的分类模型来检测设备屏幕是否透图，避免了使用图像识别进行检测所遇到的干扰因素，保证透图检测的稳定。同时，分类模型可通过智能设备的数据量进行持续训练，有利于逐步提高透图检测的准确率，并有效地降低透图检测的硬件成本。
[0046]
一种设备屏幕透图检测装置，包括：
[0047]
第二信息获取模块，用于获取待测智能设备的设备属性信息；
[0048]
第二数据转换模块，用于将待测智能设备的设备属性信息转换为属性特征数据；
[0049]
结果输出模块，用于将属性特征数据输入至分类模型，获得设备屏幕透图检测结果。
[0050]
上述的设备屏幕透图检测装置，在获取到待测智能设备的设备属性信息后，将待
测智能设备的设备属性信息转换为属性特征数据，并将属性特征数据输入至分类模型，获得设备屏幕透图检测结果。基于此，通过预先训练的分类模型来检测设备屏幕是否透图，避免了使用图像识别进行检测所遇到的干扰因素，保证透图检测的稳定。同时，分类模型可通过智能设备的数据量进行持续训练，有利于逐步提高透图检测的准确率，并有效地降低透图检测的硬件成本。
[0051]
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透图检测方法。
[0052]
上述的计算机存储介质，在获取到待测智能设备的设备属性信息后，将待测智能设备的设备属性信息转换为属性特征数据，并将属性特征数据输入至分类模型，获得设备屏幕透图检测结果。基于此，通过预先训练的分类模型来检测设备屏幕是否透图，避免了使用图像识别进行检测所遇到的干扰因素，保证透图检测的稳定。同时，分类模型可通过智能设备的数据量进行持续训练，有利于逐步提高透图检测的准确率，并有效地降低透图检测的硬件成本。
[0053]
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透图检测方法。
[0054]
上述的计算机设备，在获取到待测智能设备的设备属性信息后，将待测智能设备的设备属性信息转换为属性特征数据，并将属性特征数据输入至分类模型，获得设备屏幕透图检测结果。基于此，通过预先训练的分类模型来检测设备屏幕是否透图，避免了使用图像识别进行检测所遇到的干扰因素，保证透图检测的稳定。同时，分类模型可通过智能设备的数据量进行持续训练，有利于逐步提高透图检测的准确率，并有效地降低透图检测的硬件成本。
附图说明
[0055]
图1为一实施方式的设备屏幕透图检测模型训练方法流程图；
[0056]
图2为另一实施方式的设备屏幕透图检测模型训练方法流程图；
[0057]
图3为一实施方式的设备屏幕透图检测模型训练装置模块结构图；
[0058]
图4为一实施方式的设备屏幕透图检测方法流程图；
[0059]
图5为一实施方式的设备屏幕透图检测装置模块结构图；
[0060]
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
[0061]
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。
[0062]
本发明实施例提供了一种设备屏幕透图检测模型训练方法。
[0063]
图1为一实施方式的设备屏幕透图检测模型训练方法流程图，如图1所示，一实施方式的设备屏幕透图检测模型训练方法包括步骤s100至步骤s103：
[0064]
s100，获取各智能设备的设备属性信息；
[0065]
s101，为各设备属性信息添加透图标签；其中，透图标签用于表征对应的智能设备
的屏幕透图或屏幕不透图；
[0066]
s102，将设备属性信息和透图标签转换为属性特征数据；
[0067]
s103，根据属性特征数据建立特征数据集，并根据特征数据集训练用于检测设备屏幕是否透图的分类模型。
[0068]
其中，设备属性信息与对应的智能设备相关联，包括智能设备自身的固有属性信息、生产信息、使用信息或智能设备的用户信息等。根据智能设备的屏幕特点，在上述信息中选取与屏幕使用或导致屏幕透图相关的部分作为设备属性信息。需要注意的是，在设备屏幕透图检测模型训练方法的执行设定中，相关人员可根据智能设备的设备特点，主观调整设备属性信息的选取。
[0069]
作为一个较优的实施方式，设备属性信息包括设备品牌类型、设备屏幕类型、设备出厂时间、设备电池使用情况、设备持有人性别和/或设备持有人年龄。
[0070]
其中，在回收过程中，根据智能设备的回收历史数据，可以反映各类与屏幕透图相关的主客观信息，例如品牌、用户等对回收设备中屏幕透图概率的影响。例如，设备屏幕类型为oled屏，长期电池发热和亮屏最高会提高屏幕透图概率；设备持有人为男性，其使用行为(如打游戏)为导致电池长期发热；设备持有人年龄会影响屏幕亮度调节。基于此，上述设备属性信息的选取，可保证各信息之间的关联对设备屏幕透图的概率影响，提高设备属性信息的参考价值。
[0071]
以下以一表1《设备属性信息表》来展示回收过程中的设备属性信息获取。需要注意的是，表1以回收过程中的订单形式来进行设备属性信息整理，一智能设备对应一订单号。
[0072]
表1 设备属性信息表
[0073][0074]
如表1所示，以设备品牌类型、设备屏幕类型、设备出厂时间、设备电池使用情况、设备持有人性别和/或设备持有人年龄进行设备属性信息确定。需要注意的是，上述设备属性信息仅为一实施例，不代表对设备属性信息的类型限定，在满足与设备屏幕透图概率相关联的前提下，相关人员还可选用诸如设备回收时间等其它类型的信息。
[0075]
如表格1所示，在确定设备属性信息后，为设备属性信息添加透图标签。其中，透图标签与设备属性信息对应的智能设备一一对应，表征对应的智能设备的屏幕透图或屏幕不透图。
[0076]
对应的透图标签包括两类——屏幕透图标签或屏幕不透图标签，在后续分类模型中，分类模型执行的输出结果，即透图标签中的一类。
[0077]
在其中一个实施例中，预先统一设备属性信息的数据标准，以降低后续分类模型的训练计算量和难度。基于此，图2为另一实施方式的设备屏幕透图检测模型训练方法流程图，如图2所示，步骤s102中将设备属性信息和透图标签转换为属性特征数据的过程，包括
步骤s201：
[0078]
s201，对设备属性信息和透图标签执行离散化处理，获得属性特征数据。
[0079]
通过将设备属性信息和透图标签执行离散化处理，一方面将设备属性信息和透图标签的数据格式统一，另一方面便于设备属性信息的类型特征调整。同时，通过离散化处理，便于后续分类模型的训练计算和更新迭代。其中，为设备属性信息和透图标签分别设置离散化的空间，将各设备属性信息和透图标签处理为纯粹的数值形式。
[0080]
以设备出厂时间为例，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，以确定智能设备的实际使用时间，并将实际使用时间标准化到(0，10)区间内。
[0081]
以设备持有人年龄为例，设备持有人年龄可分为0(儿童：3岁到10岁)，1(少年：11岁到18岁)，2(青年：19岁到35岁)，3(中年：36岁到50岁)，4(老年：51岁及以上)等五个区间进行离散。
[0082]
基于此，根据设备属性信息的自身信息特征或区间特征，将设备属性信息进行离散化处理。以下以一表格2《离散数据表》为例，对离散化处理后的设备属性信息进行举例解释。
[0083]
表2 离散数据表
[0084][0085]
基于此，将各设备属性信息离散化处理为表2的各数据。
[0086]
需要注意的是，步骤s201的离散化处理方式，可根据设备属性信息的特征进行灵活确定，上述实施例不代表对离散化处理方式的唯一限定。
[0087]
在其中一个实施例中，如图2所示，在步骤s102中将设备属性信息和透图标签转换为属性特征数据的过程之前，还包括步骤s200：
[0088]
s200，对设备属性信息进行信息预处理。
[0089]
对设备属性信息进行信息预处理，包括缺失值处理、异常值处理、加权平均、求方差等预先处理方式，去除设备属性信息中的干扰信息或无效信息，降低后续数据处理的数据量。
[0090]
基于此，在获得属性特征数据后，建立特征数据集。其中，一智能设备对应一组特征数据，特征数据集包括多组特征数据。
[0091]
在其中一个实施例中，将特征数据集内的各组以7：1：2的比例划分训练集、检验集和测试集。以训练集进行分类模型训练，以检验集进行分类模型检验，以测试集进行分类模型输出结果检测。
[0092]
其中，通过分类模型将设备属性信息与输出结果进行特征关联训练，输出结果与透图标签形式相对应，完成透图与非透图两类分类。其中，特征数据集内每一组特征数据，包括设备属性信息对应的属性特征数据和透图标签对应的属性特征数据。
[0093]
在其中一个实施例中，分类模型包括决策树模块和朴素贝叶斯模型。作为一个较优的实施方式，分类模型选用朴素贝叶斯模型，以更好地基于离散化处理后的属性特征数据进行更新迭代，在后续的更新中逐步提高朴素贝叶斯模型的检测准确性。
[0094]
在其中一个实施例中，如图2所示，步骤s103中根据属性特征数据建立特征数据
集，并根据特征数据集训练用于检测设备屏幕是否透图的分类模型的过程，包括步骤s300至步骤s303：
[0095]
s300，将设备属性信息对应的属性特征数据作为样本数据特征属性集，并将透图标签对应的属性特征数据作为类变量；
[0096]
s301，确定类变量的先验概率；
[0097]
s302，根据样本数据特征属性集和先验概率获得后验概率的计算模型；
[0098]
s303，基于后验概率的计算模型，获得用于将计算模型中的最大后验概率的类别对应的透图标签作为输出结果的分类模型。
[0099]
如上表1和表2所示，以订单号为基础，确定多个订单的属性特征数据对应的样本数据集为d＝{d1，d2，...，dn}。基于样本数据集，确定每个订单下的样本数据特征属性集。以上述设备属性信息为例，一订单对应的样本数据特征属性集a＝{a1，a2，a3，a4，a5，a6}，其中a＝{
‘
设备品牌类型’，
‘
设备屏幕类型’，
‘
设备出厂时间’，
‘
设备电池使用情况’，
‘
设备持有人性别’，
‘
设备持有人年龄’}。因此，a1至a6相互独立且随机。
[0100]
同时，基于透图标签确定类变量。其中，透图标签转换为属性特征数据“0”和“1”。因此，类变量c＝{c1，c2}＝{1，0}，则c的先验概率为p(c)，可结合表1和表2计算得出：
[0101]
根据概率论可得出后验概率p(c|a)为：
[0102][0103]
由于各设备特征属性是相互独立的，因此在给定透图标签的属性特征数据c的情况下，上式p(a|c)可进一步表示为：
[0104][0105]
综上，求类别ci的后验概率为：
[0106][0107]
基于此，计算每一个订单的数据特征属性集a的p(c1|a)跟p(c2|a)，然后比较其大小，概率大的透图标签为此订单的所属类别，也就是分类模型检测输出的该订单是否透图的结果y。即，在分类模型使用中，需进行检测的订单的设备特征属性以样本数据特征属性集的形式输入分类模型，获取输出结果来确定需进行检测的订单的透图情况。通过设备特征属性来检测订单对应的智能设备是否透图，以节省摄像设备的使用成本，降低透图检测的难度和成本。
[0108]
在其中一个实施例中，通过将作为训练使用的智能设备的属性特征数据以订单为单位划分为训练集和检验集，通过训练集执行步骤s300至步骤s303的分类模型训练，并通过检验集检验分类模型的准确率。即以检验集中设备属性信息的属性特征数据输入分类模型进行检测，对比输出结果与检验集的透图标签。在输出结果与检验集的透图标签不一致时，配置更多订单的训练集持续优化训练分类模型。
[0109]
作为一个较优的实施方式，训练集与检验集的比例为7：1。
[0110]
在其中一个实施例中，如图2所示，步骤s103中根据属性特征数据建立特征数据集，并根据特征数据集训练用于检测设备屏幕是否透图的分类模型的过程，还包括步骤s400：
[0111]
s400，通过损失函数优化输出结果。
[0112]
通过为输出结果构建训练优化的目标函数，确定损失函数。其中，损失函数的损失函数值对应的检测结果与真实结果的接近程度。在其中一个实施例中，步骤s400中通过损失函数优化输出结果的过程，如下式：
[0113][0114]
其中，n表示样本总量，a样本，y表示实际透图标签，y表示预测透图标签，∈表示误差项。作为一个较优的实施方式，误差项为0.15。
[0115]
上述任一实施例的设备屏幕透图检测模型训练方法，在获取到各智能设备的设备属性信息后，为各设备属性信息添加透图标签。进一步地，将设备属性信息和透图标签转换为属性特征数据，根据属性特征数据建立特征数据集，并根据特征数据集训练用于检测设备屏幕是否透图的分类模型。基于此，通过设备属性信息及其预先确定的透图标签作为历史数据，训练出分类模型来检测设备屏幕是否透图，避免了使用图像识别进行检测所遇到的干扰因素，保证透图检测的稳定。同时，分类模型可通过智能设备的数据量进行持续训练，有利于逐步提高透图检测的准确率，并有效地降低透图检测的硬件成本。
[0116]
本发明实施例还提供了一种设备屏幕透图检测模型训练装置。
[0117]
图3为一实施方式的设备屏幕透图检测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透图检测模型训练装置包括第一信息获取模块100、标签添加模块101、第一数据转换模块102和模型训练模块103：
[0118]
第一信息获取模块100，用于获取各智能设备的设备属性信息；
[0119]
标签添加模块101，用于为各设备属性信息添加透图标签；其中，透图标签用于表征对应的智能设备的屏幕透图或屏幕不透图；
[0120]
第一数据转换模块102，用于将设备属性信息和透图标签转换为属性特征数据；
[0121]
模型训练模块103，用于根据属性特征数据建立特征数据集，并根据特征数据集训练用于检测设备屏幕是否透图的分类模型。
[0122]
上述的设备屏幕透图检测模型训练装置，在获取到各智能设备的设备属性信息后，为各设备属性信息添加透图标签。进一步地，将设备属性信息和透图标签转换为属性特征数据，根据属性特征数据建立特征数据集，并根据特征数据集训练用于检测设备屏幕是否透图的分类模型。基于此，通过设备属性信息及其预先确定的透图标签作为历史数据，训练出分类模型来检测设备屏幕是否透图，避免了使用图像识别进行检测所遇到的干扰因素，保证透图检测的稳定。同时，分类模型可通过智能设备的数据量进行持续训练，有利于逐步提高透图检测的准确率，并有效地降低透图检测的硬件成本。
[0123]
本发明实施例还提供了一种设备屏幕透图检测方法。
[0124]
图4为一实施方式的设备屏幕透图检测方法流程图，如图4所示，一实施方式的设备屏幕透图检测方法包括步骤s500至步骤s502：
[0125]
s500，获取待测智能设备的设备属性信息；
[0126]
s501，将待测智能设备的设备属性信息转换为属性特征数据；
[0127]
s502，将属性特征数据输入至分类模型，获得设备屏幕透图检测结果。
[0128]
其中，步骤s501中将待测智能设备的设备属性信息转换为属性特征数据的过程，与步骤s102中的转换过程相同。
[0129]
上述的设备屏幕透图检测方法，在获取到待测智能设备的设备属性信息后，将待测智能设备的设备属性信息转换为属性特征数据，并将属性特征数据输入至分类模型，获得设备屏幕透图检测结果。基于此，通过预先训练的分类模型来检测设备屏幕是否透图，避免了使用图像识别进行检测所遇到的干扰因素，保证透图检测的稳定。同时，分类模型可通过智能设备的数据量进行持续训练，有利于逐步提高透图检测的准确率，并有效地降低透图检测的硬件成本。
[0130]
本发明实施例还提供了一种设备屏幕透图检测装置。
[0131]
图5为一实施方式的设备屏幕透图检测装置模块结构图，如图5所示，一实施方式的设备屏幕透图检测方法包括第二信息获取模块200、第二数据转换模块201和结果输出模块202：
[0132]
第二信息获取模块200，用于获取待测智能设备的设备属性信息；
[0133]
第二数据转换模块201，用于将待测智能设备的设备属性信息转换为属性特征数据；
[0134]
结果输出模块202，用于将属性特征数据输入至分类模型，获得设备屏幕透图检测结果。
[0135]
上述的设备屏幕透图检测装置，在获取到待测智能设备的设备属性信息后，将待测智能设备的设备属性信息转换为属性特征数据，并将属性特征数据输入至分类模型，获得设备屏幕透图检测结果。基于此，通过预先训练的分类模型来检测设备屏幕是否透图，避免了使用图像识别进行检测所遇到的干扰因素，保证透图检测的稳定。同时，分类模型可通过智能设备的数据量进行持续训练，有利于逐步提高透图检测的准确率，并有效地降低透图检测的硬件成本。
[0136]
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透图检测模型训练方法或设备屏幕透图检测方法。
[0137]
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，本技术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。
[0138]
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。
[0139]
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透图检测模型训练方法或设备屏幕透图检测方法。
[0140]
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系统总线连接的处理器、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系统和计算机程序。该内存储器为非易失性存储介质中的操作系统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透图检测模型训练方法或设备屏幕透图检测方法。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。
[0141]
上述的计算机设备，在获取到各智能设备的设备属性信息后，为各设备属性信息添加透图标签。进一步地，将设备属性信息和透图标签转换为属性特征数据，根据属性特征数据建立特征数据集，并根据特征数据集训练用于检测设备屏幕是否透图的分类模型。基于此，通过设备属性信息及其预先确定的透图标签作为历史数据，训练出分类模型来检测设备屏幕是否透图，避免了使用图像识别进行检测所遇到的干扰因素，保证透图检测的稳定。同时，分类模型可通过智能设备的数据量进行持续训练，有利于逐步提高透图检测的准确率，并有效地降低透图检测的硬件成本。
[0142]
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。
[0143]
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。