采样数据的检测方法、装置及电子设备制造方法及图纸

本申请提供了一种采样数据的检测方法、装置及电子设备，通过电子设备预存目标对象的各个基准样本分别对应的第一特征集合和基于各个基准样本训练得到的多个特征识别模型，该方法包括：获取目标对象的采样数据；采样数据包括单次采样出的多个待测样本；分别将采样数据中的待测样本作为当前样本，执行以下操作：将当前样本分别输入多个特征识别模型，得到当前样本对应的第二特征集合；根据当前样本对应的第二特征集合和各个基准样本分别对应的第一特征集合，查找与当前样本匹配的目标基准样本；检测目标基准样本与当前样本之间的差异。本申请能够在单次采样数据冗余性大，采样频率低的场景下，较准确地完成待测数据与基准数据之间的差异检测。

【技术实现步骤摘要】
采样数据的检测方法、装置及电子设备
本申请涉及数据检测
，尤其是涉及一种采样数据的检测方法、装置及电子设备。
技术介绍
对一个过程的检测可以转化为在待测过程和基准过程之间寻找差异，用差异衡量待测过程的指标。实际生产中一般对待测过程进行采样，用离散的点还原真实的待测过程。采样频率越高对原过程的复原越准确，进而与基准比较时得到的差异结果越真实可信。然而实际生产过程中，因生产环境，生产工具、方法的限制，很多生产过程，如果一次采样得到的数据量冗余性大，往往就无法得到频率足够高的采样，进而对准确的评价相似度带来困难。
技术实现思路
本申请的目的在于提供一种采样数据的检测方法、装置及电子设备，能够在单次采样数据冗余性大，采样频率低的场景下，较准确地完成待测数据与基准数据之间的差异检测或差异评价。本申请实施例提供一种采样数据的检测方法，通过电子设备预存目标对象的各个基准样本分别对应的第一特征集合和基于各个基准样本训练得到的多个特征识别模型，其中，每个特征识别模型用于识别至少一类特征；该方法包括：获取目标对象的采样数据；采样数据包括单次采样出的至少一个待测样本；分别将采样数据中的待测样本作为当前样本，执行以下操作：将当前样本分别输入多个特征识别模型，得到当前样本对应的第二特征集合；根据当前样本对应的第二特征集合和各个基准样本分别对应的第一特征集合，查找与当前样本匹配的目标基准样本；检测目标基准样本与当前样本之间的差异。进一步的，上述各个基准样本分别对应的第一特征集合通过以下方式得到：获取目标对象的各个基准样本；针对每个基准样本，均执行以下步骤：将基准样本进行特征分解，得到基准样本对应的多个特征；将多个特征组成的集合，作为基准样本对应的第一特征集合。进一步的，上述多个特征识别模型通过以下方式训练得到：将各个基准样本分别对应的第一特征集合中的特征，按照特征类型进行分类聚合处理，得到各个特征类型分别对应的聚类特征集合；针对每个特征类型对应的聚类特征集合，均执行以下步骤：以聚类特征集合作为训练数据，对预设的神经网络模型进行训练，得到特征类型对应的特征识别模型。进一步的，上述待测样本和基准样本均为图像；分类聚合处理的方法包括以下之一：像素直方图度量法、canny边缘检测法和连通域检测算法。进一步的，上述将当前样本分别输入多个特征识别模型，得到当前样本对应的第二特征集合的步骤，包括：将当前样本分别输入每个特征类型对应的特征识别模型，得到每个特征识别模型输出的特征识别结果；将各个特征识别结果进行叠加，作为当前样本对应的第二特征集合。进一步的，上述根据当前样本对应的第二特征集合和各个基准样本分别对应的第一特征集合，查找与当前样本匹配的目标基准样本的步骤，包括：根据当前样本对应的第二特征集合和各个基准样本对应的第一特征集合，计算各个基准样本分别与当前样本的相似度；将相似度最高的基准样本作为与当前样本匹配的目标基准样本。进一步的，上述根据当前样本对应的第二特征集合和各个基准样本对应的第一特征集合，计算各个基准样本分别与当前样本的匹配度的步骤，包括：以当前样本对应的第二特征集合中的特征分别作为检索词，应用检索词对每个基准样本对应的第一特征集合进行检索，得到每个基准样本与当前样本的相似度。进一步的，上述检测目标基准样本与当前样本之间的差异的步骤，包括：检测当前样本与目标基准样本在预设的特征类型上的差异。进一步的，上述目标对象为游戏图形渲染；待测样本和基准样本均为多个游戏图形渲染图像。第二方面，本申请实施例还提供一种采样数据的检测装置，通过电子设备预存目标对象的各个基准样本分别对应的第一特征集合和基于各个基准样本训练得到的多个特征识别模型，其中，每个特征识别模型用于识别至少一类特征；该装置包括：数据获取模块，用于获取目标对象的采样数据；采样数据包括单次采样出的至少一个待测样本；数据检测模块，用于分别将采样数据中的待测样本作为当前样本，执行以下操作：通过特征识别模块，将当前样本分别输入多个特征识别模型，得到当前样本对应的第二特征集合；通过样本匹配模块，根据当前样本对应的第二特征集合和各个基准样本分别对应的第一特征集合，查找与当前样本匹配的目标基准样本；通过差异检测模块，检测目标基准样本与当前样本之间的差异。第三方面，本申请实施例还提供一种电子设备，包括处理器和存储器，存储器存储有能够被处理器执行的计算机可执行指令，处理器执行计算机可执行指令以实现上述采样数据的检测方法。第四方面，本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现上述采样数据的检测方法。本申请实施例提供一种采样数据的检测方法中，首先确定出各个基准样本对应的第一特征集合和基于各个基准样本训练出多个特征类型对应的特征识别模型，然后对于获取到的采样数据中的各个待测样本，利用上述各类特征识别模型进行特征识别，得到每个待测样本对应的第二特征集合，进一步，基于第二特征集合和上述各个基准样本对应的第一特征集合，确定出与每个待测样本匹配的目标基准样本，最后，根据目标基准样本和待测样本进行差异检测或者评价，本申请实施例通过对基准样本的特征提取，特征识别模型训练，对采样数据的特征识别、特征匹配等，可以在多个基准样本中找到与每个待测样本最匹配的基准样本，然后基于待测样本与其目标基准样本进行差异检测，可以较准确地对待测样本进行差异分析或评价。附图说明为了更清楚地说明本申请具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施方式，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的附图。图1为本申请实施例提供的一种采样数据的检测方法的流程图；图2为本申请实施例提供的一种基准样本的特征分解示意图；图3为本申请实施例提供的一种基准样本与其特征的对应关系示意图；图4为本申请实施例提供的一种特征识别方法的流程图；图5为本申请实施例提供的一种特征分类聚合示意图；图6为本申请实施例提供的一种神经网络模型示意图；图7为本申请实施例提供的一种采样数据中各待测样本的第二特征集合的示意图；图8为本申请实施例提供的一种样本匹配方法的流程图；图9为本申请实施例提供的一种待测样本与基准样本匹配关系的示意图；图10为本申请实施例提供的一种采样数据的检测装置的结构框图；图11为本申请实施例提供的另一种采样数据的检测装置的结构框图；图12为本申请实施例提供的一种电子设备的结构示意图。具体实施方式下面将结合实施例对本申请的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有本文档来自技高网...

【技术保护点】
1.一种采样数据的检测方法，其特征在于，通过电子设备预存目标对象的各个基准样本分别对应的第一特征集合和基于各个所述基准样本训练得到的多个特征识别模型，其中，每个特征识别模型用于识别至少一类特征；所述方法包括：/n获取所述目标对象的采样数据；所述采样数据包括单次采样出的至少一个待测样本；/n分别将所述采样数据中的待测样本作为当前样本，执行以下操作：/n将所述当前样本分别输入多个所述特征识别模型，得到所述当前样本对应的第二特征集合；/n根据所述当前样本对应的第二特征集合和各个基准样本分别对应的第一特征集合，查找与所述当前样本匹配的目标基准样本；/n检测所述目标基准样本与所述当前样本之间的差异。/n

【技术特征摘要】
1.一种采样数据的检测方法，其特征在于，通过电子设备预存目标对象的各个基准样本分别对应的第一特征集合和基于各个所述基准样本训练得到的多个特征识别模型，其中，每个特征识别模型用于识别至少一类特征；所述方法包括：
获取所述目标对象的采样数据；所述采样数据包括单次采样出的至少一个待测样本；
分别将所述采样数据中的待测样本作为当前样本，执行以下操作：
将所述当前样本分别输入多个所述特征识别模型，得到所述当前样本对应的第二特征集合；
根据所述当前样本对应的第二特征集合和各个基准样本分别对应的第一特征集合，查找与所述当前样本匹配的目标基准样本；
检测所述目标基准样本与所述当前样本之间的差异。


2.根据权利要求1所述的方法，其特征在于，所述各个基准样本分别对应的第一特征集合通过以下方式得到：
获取所述目标对象的各个基准样本；
针对每个所述基准样本，均执行以下步骤：
将所述基准样本进行特征分解，得到所述基准样本对应的多个特征；
将多个特征组成的集合，作为所述基准样本对应的第一特征集合。


3.根据权利要求1所述的方法，其特征在于，所述多个特征识别模型通过以下方式训练得到：
将各个所述基准样本分别对应的第一特征集合中的特征，按照特征类型进行分类聚合处理，得到各个特征类型分别对应的聚类特征集合；
针对每个特征类型对应的聚类特征集合，均执行以下步骤：
以所述聚类特征集合作为训练数据，对预设的神经网络模型进行训练，得到所述特征类型对应的特征识别模型。


4.根据权利要求3所述的方法，其特征在于，所述待测样本和所述基准样本均为图像；所述分类聚合处理的方法包括以下之一：像素直方图度量法、canny边缘检测法和连通域检测算法。


5.根据权利要求1所述的方法，其特征在于将所述当前样本分别输入多个所述特征识别模型，得到所述当前样本对应的第二特征集合的步骤，包括：
将所述当前样本分别输入每个特征类型对应的特征识别模型，得到每个特征识别模型输出的特征识别结果；
将各个所述特征识别结果进行叠加，作为所述当前样本对应的第二特征集合。


6.根据权利要求1所述的方法，其特征在于，根据所述当前样本对应的第二特征集合和各个基准样本分别对应的第一特征集合，查找与所述当前样本匹配的目标基准...

【专利技术属性】
技术研发人员：朱文亮，温中凯，
申请(专利权)人：网易杭州网络有限公司，
类型：发明
国别省市：浙江;33