一种服务处理方法、电子设备及存储介质与流程

1.本技术实施例涉及数据处理技术领域，具体涉及一种服务处理方法、电子设备及存储介质。


背景技术：

2.随着外卖、社区团购、电子商务等网络平台的普及发展，用户线上下单购买对象，并由配送资源线下交付对象的方式已越来越为常见。针对外卖餐食、生鲜食品等类型的对象，由于这些对象的保鲜时间较短、容易发生变质、并且容易在配送过程中发生破损磕碰等情况，因此用户在购买这些对象时，可以同步获得一些权益服务，以便在用户购买的对象出现品质问题时，能够申请相应的权益服务。
3.然而，如何高效、准确的处理权益服务申请，成为了本领域技术人员亟需解决的技术问题。


技术实现要素：

4.有鉴于此，本技术实施例提供一种服务处理方法、电子设备及存储介质，以高效、准确的处理权益服务申请。
5.为实现上述目的，本技术实施例提供如下技术方案。
6.第一方面，本技术实施例提供一种服务处理方法，包括：
7.获取对象的权益服务申请，所述权益服务申请用于对所述对象申请权益服务，所述权益服务申请携带有待处理图像；
8.调用预先训练的目标检测模型，所述目标检测模型至少用于检测图像中对象的目标区域，所述目标区域至少包括对象的品质异常区域；
9.利用所述目标检测模型检测所述待处理图像中对象的目标区域；
10.若所述目标检测模型检测到所述待处理图像中存在对象的目标区域，根据检测的目标区域确定对象的品质异常情况；
11.根据所述品质异常情况，确定所述权益服务申请的申请结果。
12.第二方面，本技术实施例提供一种服务处理方法，包括：
13.显示权益服务申请页面；
14.基于所述权益服务申请页面填写的文本信息以及上传的待处理图像，确定权益服务申请；
15.响应于权益服务申请的提交指令，提交所述权益服务申请；
16.在获取所述权益服务申请的申请结果时，显示申请结果页面，所述申请结果页面展示有所述权益服务申请的申请结果；其中，所述申请结果根据待处理图像中对象的品质异常情况确定，所述品质异常情况根据目标检测模型从待处理图像中检测的对象的目标区域确定，所述目标区域至少包括对象的品质异常区域。
17.第三方面，本技术实施例提供一种电子设备，包括至少一个存储器和至少一个处
理器，所述存储器存储一条或多条计算机可执行指令，所述处理器调用所述一条或多条计算机可执行指令，以执行如上述任一项所述的服务处理方法。
18.第四方面，本技术实施例提供一种存储介质，所述存储介质存储一条或多条计算机可执行指令，所述一条或多条计算机可执行指令被执行时，实现如上述任一项所述的服务处理方法。
19.第五方面，本技术实施例提供一种计算机程序，所述计算机程序被执行时实现如上述任一项所述的服务处理方法。
20.本技术实施例可预先训练至少用于检测图像中对象的目标区域的目标检测模型，其中，目标区域至少包括对象的品质异常区域；从而在对权益服务申请进行处理时，本技术实施例可调用预先训练的目标检测模型，对权益服务申请中携带的待处理图像进行目标区域的检测；如果目标检测模型检测到待处理图像中存在目标区域，则本技术实施例可根据目标检测模型所检测的目标区域，确定对象的品质异常情况；进而根据所述品质异常情况，确定所述权益服务申请的申请结果，实现对权益服务申请的处理。
21.通过上述技术方案，本技术实施例可利用预先训练的目标检测模型，对权益服务申请携带的图像进行目标区域检测，从而由目标检测模型自动化判定权益服务申请携带的图像中是否存在对象的品质异常区域；也就是说，本技术实施例可通过图像的自动化检测处理，高效、准确的确定用户购买的对象是否存在品质异常区域，从而为确定权益服务申请的申请结果提供依据。进而，在目标检测模型检测到图像中存在对象的目标区域时，本技术实施例可根据检测的目标区域确定对象的品质异常情况，基于对象的品质异常情况，自动化的确定权益服务申请的申请结果。可见，在用户提交权益服务申请后，本技术实施例可调用目标检测模型，对权益服务申请中携带的图像进行目标区域检测，并且基于目标检测模型的检测结果，自动化高效、准确的得出权益服务申请的申请结果；权益服务申请从用户提出至得出申请结果的过程极为高效、并且申请结果的准确性较高，因此本技术实施例可实现高效、准确的处理权益服务申请。
附图说明
22.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本技术的实施例，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，还可以根据提供的附图获得其他的附图。
23.图1为用户申请权益服务的过程示例图。
24.图2a为本技术实施例提供的目标检测模型的训练方法流程图。
25.图2b为训练图像的标注示例图。
26.图3a为本技术实施例提供的目标检测模型的另一训练方法流程图。
27.图3b为目标检测模型的训练示例图。
28.图3c为目标检测模型的另一训练示例图。
29.图4为本技术实施例提供的服务处理方法的流程图。
30.图5为确定对象的品质异常情况的示例图。
31.图6a为检测目标区域的示例图。
32.图6b为检测目标区域的另一示例图。
33.图7为本技术实施例提供的服务处理方法的阶段示例图。
34.图8a为本技术实施例提供的服务处理方法的另一流程图。
35.图8b为本技术实施例提供的服务处理过程的页面示例图。
36.图9为本技术实施例提供的服务处理装置的框图。
37.图10为电子设备的框图。
具体实施方式
38.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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其他实施例，都属于本技术保护的范围。
39.用户在外卖、社区团购、电子商务等网络平台下单并购买对象后，配送资源可从商家处获得对象并在线下将对象交付给用户，从而完成订单。用户获得对象后，可查看对象的品质，如果用户发现对象存在品质异常(例如外卖餐食、生鲜食品等对象存在变质情况、品相破损情况等)，则用户可通过权益服务申请页面提交权益服务申请，以便针对品质异常的对象，申请获得权益(例如申请获得理赔等)；在用户提交权益服务申请时，用户需要上传携带对象的图像，以作为申请证据。
40.图1示例性的示出了用户申请权益服务的过程示例图，如图1所示，作为一个示例，用户可通过订单页面(例如订单完成页面)申请售后服务，从而通过售后服务页面的权益服务入口(例如理赔入口)，进入权益服务申请页面；用户在权益服务申请页面可选择申请原因、填写详情、并且上传对象图像；当用户完成权益服务申请页面的操作后，可提交权益服务申请。外卖、社区团购、电子商务等网络平台在获得用户提交的权益服务申请后，可将权益服务申请进行入库，以等待人工审核。在人工审核过程中，针对权益服务申请，审核人员可核对用户的订单信息，并通过审核用户上传的对象图像，来人工判断对象是否存在品质异常，从而人工确定权益服务申请的申请结果(例如人工确定是否进行理赔等结果)。
41.可以看出，针对用户提交的权益服务申请，网络平台是通过人工审核的方式进行处理；例如，由网络平台的审核人员，人工审核用户上传的对象图像和文本信息(申请原因、详情等文本信息)，从而得出申请结果；然而，人工审核的处理方式并无法实时、高效的确定申请结果。例如，人工审核一般是在权益服务申请的数量达到一定数量后进行集中处理，或者集中对过去一段时间的权益服务申请进行处理，这导致权益服务申请的申请结果无法及时的确定；同时，随着外卖、社区团购、电子商务等网络平台的普及发展，权益服务申请的数量随之增多，人工审核需要的人力数量也将增多，这导致权益服务申请的处理成本增大；进一步的，由于人工审核的主观性，审核人员存在提供错误申请结果的可能性，这导致权益服务申请无法准确的处理；并且，审核人员在审核一定数量或者一定时间的权益服务申请后，由于人员的疲劳，极易出现审核效率降低和审核得出的申请结果出错的情况，这进一步导致了权益服务申请无法高效、准确的处理。
42.可见，人工处理权益服务申请的方式，存在无法及时、高效确定申请结果，并且申请结果极易出错的情况，因此如何进行技术方案改进，以高效、准确的处理权益服务申请，
显得尤为重要。
43.基于此，本技术实施例引入机器学习技术(例如深度学习技术)，训练具有检测对象的目标区域的能力的目标检测模型，目标区域至少包括对象的品质异常区域；从而利用训练的目标检测模型对用户提交的图像，进行对象的目标区域检测；通过检测的目标区域，确定对象的品质异常情况，进而确定出权益服务申请的申请结果。也就是说，本技术实施例在处理用户提交的权益服务申请时，能够通过训练的目标检测模型来自动化的检测对象的目标区域，并确定对象的品质异常情况；从而基于对象的品质异常情况，自动化的确定出权益服务申请的申请结果，实现对权益服务申请的自动化、准确的处理，提高了权益服务申请的处理效率和准确性。
44.基于上述思路，本技术实施例可预先训练目标检测模型(目标检测模型可以是机器学习模型的形式，例如深度学习模型等)，并且使得训练后的目标检测模型具有基于图像，检测对象的目标区域的能力；其中，目标区域至少包括对象的品质异常区域；也就是说，目标检测模型至少具备检测对象的品质异常区域的能力。本技术实施例所指的对象可以是具有变质特点和/或品相易破损特点的对象，例如会发生变质情况的外卖餐食和生鲜食品、会发生腐败和枯萎情况的植物、和/或易破损磕碰的其他对象等。
45.作为可选实现，图2a示例性的示出了本技术实施例提供的目标检测模型的训练方法流程图。该目标检测模型可以是机器学习模型的形式，例如深度学习模型等。可选的，该方法流程可由服务器执行实现，服务器可以是布置于网络侧的用于训练机器学习模型的服务器设备，例如，云计算平台中布置的服务器设备，包括但不限于：公有云、私有云、混合云等云侧服务器设备。
46.参照图2a所示，该方法流程可以包括如下步骤。
47.在步骤s210中，获取训练图像，所述训练图像标注有目标区域，所述目标区域至少包括对象的品质异常区域。
48.本技术实施例可利用训练图像对机器学习模型进行训练，从而训练得到至少具备检测对象的品质异常区域的能力的目标检测模型。在收集训练图像时，本技术实施例可收集品质异常的对象所对应的图像(例如变质的外卖餐食、生鲜食品等对象的图像)，还可以收集品质正常的对象所对应的图像、以及非对象的图像(例如非外卖餐食、非生鲜食品的图像等)；针对收集的每一张训练图像，本技术实施例可对训练图像进行目标区域的标注，所标注的目标区域至少包括对象的品质异常区域。
49.在一些实施例中，本技术实施例可预先收集大量的训练图像，将训练图像送入数据标注系统，从而标注人员可对数据标注系统中的训练图像标注目标区域，进而针对每一张训练图像，本技术实施例可形成训练图像和目标区域的数据对集合。
50.作为可选实现，出于目标检测模型需至少具备检测对象的品质异常区域的能力，因此所述目标区域可以至少包括对象的品质异常区域，例如，外卖餐食、生鲜食品等对象的变质区域。基于目标区域包括对象的品质异常区域，在为训练图像标注目标区域时，如果训练图像为品质异常的对象所对应的图像，则本技术实施例可形成训练图像和对象的品质异常区域的数据对集合；如果训练图像为品质正常的对象所对应的图像，则出于品质正常的对象不存在品质异常区域，从而针对品质正常的对象所对应的数据对集合，数据对集合中的目标区域为空；同理，如果训练图像为非对象的图像，出于非对象的图像中不存在对象，
因此针对非对象的图像所对应的数据对集合，数据对集合中的目标区域为空。
51.需要说明的是，如果训练图像中仅标注对象的品质异常区域(例如对象的变质区域、破损磕碰区域等)，则由于包含对象的图像中，对象的品质异常区域的数量可能较少，这将导致训练图像中标注的目标区域的数量较少，从而致使后续在进行模型训练时，训练结果的准确率和召回率均有待提升。因此本技术实施例可为训练图像同时标注对象的对象区域和品质异常区域，从而联合对象的对象区域和品质异常区域进行模型训练，进而提升训练结果的准确率和召回率。
52.基于此，在进一步的一些实施例中，所述目标区域除包括对象的品质异常区域外，还可以包括对象的对象区域，例如训练图像中外卖餐食、生鲜食品等对象所对应的区域。基于目标区域包括对象的对象区域以及品质异常区域，在为训练图像标注目标区域时，如果训练图像为品质异常的对象所对应的图像，则本技术实施例可形成训练图像、对象的对象区域以及品质异常区域的数据对集合；如果训练图像为品质正常的对象所对应的图像，则出于品质正常的对象不存在品质异常区域，本技术实施例可形成训练图像和对象的对象区域的数据对集合，即此时数据对集合中的品质异常区域为空；如果训练图像为非对象的图像，出于非对象的图像中不存在对象，因此针对非对象的图像所对应的数据对集合，数据对集合中的对象区域以及对象的品质异常区域为空。
53.作为可选实现，在目标区域包括对象区域和对象的品质异常区域时，为区分对象区域和品质异常区域，本技术实施例可为对象区域和品质异常区域设置不同的编号信息。例如，为对象区域和品质异常区域设置不同的编号，以区分标注的对象区域和品质异常区域。对象区域和品质异常区域的编号规则可根据实际情况而定，只要保障两者的编号不同即可，本技术实施例并不设限。在一个示例中，对象区域的编号和品质异常区域的编号可以是连续的编号，并且对象区域的编号靠前，品质异常区域的编号靠后。
54.为便于理解本技术实施例对训练图像进行目标区域标注的可选方式，以目标区域包括对象区域和对象的品质异常区域为例，图2b示例性的示出了训练图像的标注示例图。基于本技术实施例所指的对象具有变质特点和/或品相易破损特点，图2b以对象为水果进行示例，参照图2b所示，在对训练图像进行目标区域标注时，本技术实施例可为水果图像中的水果区域和水果变质区域分别进行标注，水果区域可以视为是对象区域的一种示例，水果变质区域可以视为是对象的品质异常区域的一种示例，水果变质区域例如图2b所示的黑色圆圈部分；其中，在水果图像中框定水果区域后，可为水果区域设置编号1，在水果图像中框定水果变质区域后，可为水果变质区域设置编号2，从而对水果区域和水果变质区域进行区分。进一步的，针对人脸等非对象的图像，由于非对象的图像中不存在本技术实施例所指的对象，因此非对象的图像中并不进行目标区域的标注。需要说明的是，目标区域的形状并不一定是图2b示例的框状，例如，目标框仅是目标区域的一种可选形式，本技术实施例也可支持目标区域具有其他可能的形式(例如圆形等)，具体可根据实际情况而定。
55.需要说明的是，目标区域同时包括对象区域和对象的品质异常区域仅是一种可选实现方式，本技术实施例所指的目标区域也可以仅为对象的品质异常区域，而不包含对象区域；比如，通过为训练图像单一的标注品质异常区域，也可完成模型的基本训练，使得训练得到的目标检测模型具有检测对象的品质异常区域的能力。
56.在步骤s211中，以机器学习模型预测的训练图像的目标区域，趋近于标注的目标
区域作为训练目标，利用训练图像对机器学习模型进行训练，以得到训练后的机器学习模型。
57.在一些实施例中，在为训练图像标注目标区域，形成训练图像和目标区域的数据对集合后，本技术实施例可将数据对集合中标注的目标区域作为训练标签，从而利用训练图像对机器学习模型进行迭代训练，从而得到训练后的机器学习模型。
58.作为利用训练图像训练机器学习模型的一种可选实现，针对训练图像和标注的目标区域的数据对集合，本技术实施例可将训练图像输入机器学习模型，从而机器学习模型可预测训练图像中的目标区域；进而以训练图像标注的目标区域作为训练标签，从而不断迭代的调整机器学习模型的参数权重，使得机器学习模型预测的训练图像的目标区域，趋近于训练标签(即标注的目标区域)，进而得到训练后的机器学习模型。
59.在进一步的一些实施例中，由于品质异常区域的分布可能在不同训练图像上存在分布不均衡的特点，本技术实施例也可在训练过程中，根据上述训练目标(机器学习模型预测的目标区域趋近于标注的目标区域)，使用focal loss(焦点损失函数)对训练的损失函数进行优化；例如，基于上述训练目标，优化得到focal loss对应的损失函数。其中，focal loss主要用于解决目标检测中正、负样本比例失衡的问题(在本技术实施例中，标注目标区域的训练图像可视为正样本、未标注目标区域的训练图像可视为负样本)，利用focal loss对应的损失函数能够降低大量简单负样本在训练中所占的权重；例如focal loss通过修改交叉熵函数，并且通过增加类别权重和样本难度权重调因子，来减缓正、负样本类别不平衡以及正、负样本分类难度不平衡等问题，从而提升模型训练后的模型精度。
60.可选的，用于训练的机器学习模型可以包括深度学习模型等，例如，yolo系列的用于目标检测的模型、faster(快速)rcnn(regioncnn，区域卷积神经网络)系列的用于目标检测的cnn(convolutional neural networks，卷积神经网络)模型等。
61.在步骤s212中，根据训练后的机器学习模型，得到目标检测模型。
62.在以标注的目标区域作为训练标签，利用训练图像完成机器学习模型的训练后，机器学习模型通过训练过程中不断调整的参数权重，可使得针对训练图像预测的目标区域趋近于标注的目标区域。本技术实施例可将训练后的机器学习模型作为目标检测模型，或者，对训练后的机器学习模型进一步进行模型优化，从而得到目标检测模型。
63.在对训练后的机器学习模型进行模型优化的可选实现中，本技术实施例可对训练后的机器学习模型进行参数权重的定点量化，和/或，对训练后的机器学习模型进行模型剪枝。
64.可选的，由于训练后的机器学习模型的参数权重一般为float等浮点类型，为了加速模型使用时的处理速度，本技术实施例可利用定点量化算法，将训练后的机器学习模型的参数权重由浮点类型转化为定点类型。定点类型可以例如整数类型，比如，本技术实施例可利用定点量化算法，将训练后的机器学习模型的参数权重由浮点类型转化为int16或者int8等整数型的定点类型，从而得到参数权重定点量化的目标检测模型。
65.需要说明的是，int16、int8中是数值表示定点量化的bit(比特)位宽，比如int16中的16表示16位的定点化bit位宽(例如16位整数)，int8中的8表示8位的定点化bit位宽(例如8位整数)。在其他可能的实现中，本技术实施例也可将训练后的机器学习模型的参数权重由浮点类型转化为int4、int2等其他比特位宽的定点类型，而不限于int16和int8的定
点类型；定点类型使用的具体bit位宽可根据实际情况而定，本技术实施例并不设限。在更为具体的实现中，本技术实施例可利用机器学习模型的部署框架中封装的定点量化算法，将训练后的机器学习模型的参数权重由浮点类型转化为定点类型；例如，在机器学习模型的tensorrt框架中，在模型转换时可加入机器学习模型的参数权重，从而利用封装的定点量化算法完成参数权重的定点量化。
66.需要进一步说明的是，由于对机器学习模型的参数权重进行定点量化，会对参数权重引入截断误差，可能使得机器学习模型的精度降低；其中，定点量化使用的bit位宽越小，则机器学习模型降低的模型精度越大，比如使用int8的定点类型相比于使用int16的定点类型，会使得参数权重被截断的部分增加，从而大概率降低模型精度。基于此，本技术实施例可设置验证数据集(例如标注有目标区域的验证图像)，从而对参数权重定点量化后的机器学习模型进行精度验证，如果机器学习模型在验证集对应的预测精度小于精度阈值，则认为参数权重定点量化后的机器学习模型在验证集上掉点明显，本技术实施例可放弃对机器学习模型进行参数权重的定点量化处理，或者，增大定点量化使用的bit位宽，直至机器学习模型在验证集对应的预测精度不小于精度阈值(即保证参数权重定点量化后的机器学习模型降低的精度在可接受范围内)。
67.可选的，深度神经网络等机器学习模型主要分为训练阶段和推理阶段(推理阶段可以视为是模型使用阶段)。训练阶段主要是训练机器学习模型的参数权重，而在推理阶段，模型实际使用的参数权重可能是训练阶段得到的部分参数权重(即，从模型训练完成到推理阶段，模型需要使用的参数量并不一定如训练时得到的参数量)，因此本技术实施例可对训练后的机器学习模型进行模型剪枝，从而简化机器学习模型。作为可选实现，对训练后的机器学习模型进行模型剪枝可以是裁剪机器学习模型中不重要的部分(例如机器学习模型中不重要的参数权重)，从而降低机器学习模型的参数量和计算量，实现简化机器学习模型，达到模型在推理阶段的加速处理和占用内存减小的目的。在对训练后的机器学习模型进行模型剪枝的可选实现中，本技术实施例可压缩机器学习模型中网络层(例如卷积层)的通道数，对网络层的操作进行分解(例如对卷积操作进行分解)，从而裁剪机器学习模型中不重要的部分，降低机器学习模型的参数量和计算量。
68.在进一步的一些实施例中，本技术实施例可设置剪枝比例(例如卷积层被压缩的通道数比例，被分解的卷积操作比例等)，从而根据剪枝比例，对训练后的机器学习模型进行模型剪枝。为使得模型剪枝后的机器学习模型降低的精度在接受范围内，本技术实施例也可设置验证数据集，对模型剪枝后的机器学习模型进行精度验证；如果机器学习模型在验证集对应的预测精度小于精度阈值，则认为模型剪枝后的机器学习模型在验证集上掉点明显，本技术实施例可放弃对机器学习模型进行模型剪枝处理，或者，减小剪枝比例，直至机器学习模型在验证集对应的预测精度不小于精度阈值。
69.作为可选实现，当训练图像标注的目标区域包括对象的对象区域和品质异常区域时，本技术实施例可利用联合训练方式，使得训练后的机器学习模型具有同时预测对象的对象区域和品质异常区域的能力；也可以分别训练具有预测对象区域的能力的第一机器学习模型，以及具有预测品质异常区域的能力的第二机器学习模型，从而联合该两个训练的机器学习模型，完成机器学习模型的训练。
70.作为可选实现，图3a示例性的示出了本技术实施例提供的目标检测模型的另一训
练方法流程图，该方法流程可通过联合训练方式，训练出具有同时预测对象的对象区域和品质异常区域的能力的目标检测模型。参照图3a所示，该方法流程可以包括如下步骤。
71.在步骤s310中，获取训练图像，所述训练图像标注有对象的对象区域，以及对象的品质异常区域。
72.在本技术实施例中，目标区域同时包括对象的对象区域和对象的品质异常区域，在为训练图像标注目标区域时，本技术实施例可为训练图像标注出对象的对象区域和品质异常区域。
73.在步骤s311中，以机器学习模型预测的训练图像的对象区域，趋近于标注的对象区域，并且机器学习模型预测的训练图像的品质异常区域，趋近于标注的品质异常区域作为训练目标，利用训练图像对机器学习模型进行训练，以得到训练后的机器学习模型。
74.本技术实施例训练后的机器学习模型需要具有同时预测对象区域和品质异常区域的能力，基于此，本技术实施例可在训练机器学习模型时，将训练图像标注的对象区域和品质异常区域作为训练标签，从而利用训练图像对机器学习模型进行迭代训练。可选的，本技术实施例可将训练图像标注的对象区域和品质异常区域作为训练标签，从而不断迭代的调整机器学习模型的参数权重，使得机器学习模型预测的训练图像的对象区域，趋近于标注的对象区域，并且机器学习模型预测的训练图像的品质异常区域，趋近于标注的品质异常区域，从而得到训练后的机器学习模型。
75.在步骤s312中，根据训练后的机器学习模型，得到目标检测模型。
76.可选的，本技术实施例可将训练后的机器学习模型进行参数权重的定点量化，和/或模型剪枝等模型优化处理，从而得到目标检测模型。
77.作为一个示例，图3b示例性的示出了目标检测模型的训练示例图，图3b以对象为水果进行示例，以人脸为非对象进行示例。如图3b所示，变质水果图像可以分别标注水果区域和水果变质区域，并且水果区域设置编号1，水果变质区域设置编号2，从而在类别编号上，对象区域的编号靠前，品质异常区域的编号靠后，进而联合对象的对象区域和品质异常区域的标注结果进行模型训练。而针对未变质水果图像，本技术实施例可以标注水果区域，并且设置编号1；针对人脸图像，本技术实施例不进行对象区域和品质异常区域的标注。在为变质水果图像、未变质水果图像、人脸图像分别进行水果区域和水果变质区域的标注后，本技术实施例可利用标注结果以及上述训练图像，进行机器学习模型的训练；训练后的机器学习模型可经过参数权重的定点量化、以及模型剪枝的模型优化处理，得到目标检测模型。
78.作为另一种可选实现，本技术实施例可通过训练用于预测对象的对象区域的第一目标检测模型，以及训练用于预测对象的品质异常区域的第二目标检测模型，从而联合第一目标检测模型和第二目标检测模型，得到本技术实施例所指的目标检测模型；其中，第一目标检测模型可基于第一机器学习模型训练得到，第二目标检测模型可基于第二机器学习模型训练得到，第一机器学习模型和第二机器学习模型可以是不同的两套机器学习模型。在训练第一目标检测模型时，本技术实施例可为品质正常或者品质异常的对象所对应的训练图像标注对象区域，从而针对品质正常或者品质异常的对象所对应的训练图像，本技术实施例以第一机器学习模型预测的训练图像的对象区域，趋近于标注的对象区域作为训练目标，利用训练图像对第一机器学习模型进行训练，以得到训练后的第一机器学习模型；进
而根据训练后的第一机器学习模型，得到第一目标检测模型(例如，对训练后的第一机器学习模型进行模型优化，以得到第一目标检测模型，模型优化的可选实现方式可参照前文相应部分的描述)。
79.在训练第二目标检测模型时，本技术实施例可为品质异常的对象所对应的训练图像标注品质异常区域，从而针对品质异常的对象所对应的训练图像，本技术实施例以第二机器学习模型预测的训练图像的品质异常区域，趋近于标注的品质异常区域作为训练目标，利用训练图像对第二机器学习模型进行训练，以得到训练后的第二机器学习模型；进而根据训练后的第二机器学习模型，得到第二目标检测模型(例如，对训练后的第二机器学习模型进行模型优化，以得到第二目标检测模型，模型优化的可选实现方式可参照前文相应部分的描述)。
80.在得到第一目标检测模型和第二目标检测模型后，本技术实施例可联合第一目标检测模型和第二目标检测模型，得到目标检测模型。
81.作为一个示例，图3c示例性的示出了目标检测模型的另一训练示例图，图3c以对象为水果进行示例，以人脸为非对象进行示例。如图3c所示，变质水果图像和未变质水果图像可标注水果区域，人脸图像可不进行区域的标注；进而利用标注水果区域的水果图像、以及未标注区域的非水果图像(例如人脸图像)，本技术实施例可进行第一机器学习模型的训练；训练后的第一机器学习模型可经过参数权重的定点量化、以及模型剪枝的模型优化处理，得到第一目标检测模型。同时，变质水果图像可标注水果变质区域，未变质水果图像、人脸图像不进行区域标注；进而利用标注水果变质区域的变质水果图像、未标注区域的未变质水果图像和非水果图像，本技术实施例可进行第二机器学习模型的训练；训练后的第二机器学习模型可经过参数权重的定点量化、以及模型剪枝的模型优化处理，得到第二目标检测模型。进而，联合第一目标检测模型和第二目标检测模型，得到目标检测模型。
82.上述示出了本技术实施例训练目标检测模型的可能实现方式，所训练的目标检测模型可以应用于权益服务申请的处理；例如，本技术实施例可利用目标检测模型对用户提交的权益服务申请对应的图像进行目标区域检测，从而基于检测结果确定出对象的品质异常情况，进而确定出权益服务申请的申请结果，实现高效、准确的处理权益服务申请。
83.作为可选实现，图4示例性的示出了本技术实施例提供的服务处理方法的可选流程图，该方法流程可由电子设备执行实现。在一些实施例中，该电子设备可以包括服务器，例如由服务器执行实现该方法流程；可选的，本技术实施例在训练目标检测模型后，可将目标检测模型部署在服务器侧，从而服务器可基于图4所示方法流程，利用部署的目标检测模型，实现对权益服务申请的处理；本技术实施例所指的服务器可以是使用目标检测模型的服务器设备，例如云计算平台中布置的服务器设备，包括但不限于：公有云、私有云、混合云等云侧服务器设备。在另一些实施例中，该电子设备可以包括终端，例如由终端执行实现该方法流程；可选的，本技术实施例在训练目标检测模型后，可将目标检测模型部署于终端侧，从而终端可基于图4所示方法流程，利用部署的目标检测模型，实现对权益服务申请的处理。
84.参照图4所示，该方法流程可以包括如下步骤。
85.在步骤s410中，获取对象的权益服务申请，所述权益服务申请用于对所述对象申请权益服务，所述权益服务申请携带有待处理图像。
86.在一些实施例中，当用户获得在网络平台购买的对象后，如果用户发现对象存在品质异常情况，则用户可通过权益服务申请页面提交权益服务申请，以对购买的对象申请权益服务；作为申请证据，用户提交的权益服务申请需要携带待处理图像，例如用户购买的对象对应的图像。
87.电子设备可获取用户提交的权益服务申请，以便对所述权益服务申请进行处理。在一些实施例中，如果电子设备选用服务器，则终端可将用户提交的权益服务申请发送给服务器，从而服务器获取权益服务申请并进行处理。在另一些实施例中，如果电子设备选用终端，则终端后台可获得用户提交的权益服务申请并进行处理。
88.在步骤s411中，调用预先训练的目标检测模型，所述目标检测模型至少用于检测图像中对象的目标区域，所述目标区域至少包括对象的品质异常区域。
89.基于本技术实施例预先训练的目标检测模型，目标检测模型可部署在电子设备中，从而电子设备在获取用户提交的权益服务申请后，可调用该预先训练的目标检测模型，以利用目标检测模型对权益服务申请中携带的待处理图像进行检测。在本技术实施例中，目标检测模型具有检测图像中对象的目标区域的能力，该目标区域可以至少包括对象的品质异常区域；进一步的，该目标区域还可以包括对象的对象区域。目标检测模型的训练过程可以参照前文相应部分的描述，此处不再展开。
90.在步骤s412中，利用所述目标检测模型检测所述待处理图像中对象的目标区域。
91.电子设备在调用预先训练的目标检测模型后，可利用该目标检测模型对权益服务申请中携带的待处理图像，进行目标区域的检测。在一些实施例中，本技术实施例可对待处理图像进行预处理，将预处理后的待处理图像输入目标检测模型，从而目标检测模型可检测待处理图像中对象的目标区域。例如，本技术实施例可将预处理后的待处理图像，输入到目标检测模型中，从而逐层计算目标检测模型的中间隐层特征信息，最终输出检测结果。
92.作为可选实现，对待处理图像进行预处理可以包括：图像信号处理、缩放处理、数值归一化处理等。例如，在进行图像信号处理时，本技术实施例可利用图像信号处理算法，对待处理图像进行处理，从而提升待处理图像的清晰度和信噪比，以便利于后续目标检测模型的检测。由于输入目标检测模型的图像可能需要控制图像尺寸和分辨率，比如输入目标检测模型的图像需要固定图像尺寸并且分辨率不能过高(过大的图像尺寸或者过高的分辨率，可能导致目标检测模型的处理量倍增)，因此本技术实施例在训练目标检测模型时，可以选择兼顾目标检测模型的预测精度和计算量的预设图像分辨率，从而按照该预设图像分辨率，对待处理图像进行缩放处理。作为可选实现，本技术实施例可根据预设图像分辨率，将待处理图像的长边进行缩小，然后将待处理图像的短边在上方和下方进行padding(填充)，从而实现待处理图像的缩放，并且缩放后的待处理图像的分辨率与所述预设图像分辨率相应。需要说明的是，对待处理图像进行预处理的方式，并不限于上述的图像信号处理、缩放处理、数值归一化处理，任意对待处理图像进行预先处理，并且有利于后续目标检测模型的检测的方式，均可涵盖在本技术实施例所指的预处理过程中。
93.在步骤s413中，若所述目标检测模型检测到所述待处理图像中存在目标区域，根据检测的目标区域确定对象的品质异常情况。
94.需要说明的是，在目标区域包括对象的品质异常区域时，目标检测模型对于待处理图像的检测结果可以分为以下几种情况：
95.目标检测模型检测待处理图像中不存在目标区域，例如待处理图像不为品质异常的对象所对应的图像，包括非对象的图像，或者品质正常的对象所对应的图像；
96.目标检测模型检测待处理图像中存在目标区域，例如，待处理图像为品质异常的对象所对应的图像。
97.在目标区域包括对象的对象区域和品质异常区域时，目标检测模型对于待处理图像的检测结果可以分为以下几种情况：
98.目标检测模型检测待处理图像中存在对象区域和品质异常区域，例如待处理图像为品质异常的对象所对应的图像；
99.目标检测模型检测待处理图像中存在对象区域，但不存在品质异常区域，例如待处理图像为品质正常的对象所对应的图像；
100.目标检测模型检测待处理图像中不存在对象区域，也不存在品质异常区域，例如待处理图像为非对象的图像。
101.基于上述可能的检测情况，本技术实施例可在待处理图像为品质异常的对象所对应的图像时，利用目标检测模型检测到所述待处理图像中存在目标区域；例如，目标检测模型检测到待处理图像中对象的对象区域和品质异常区域，或者，目标检测模型仅检测到待处理图像中对象的品质异常区域。而在待处理图像为品质正常的对象所对应的图像，或者非对象的图像时，本技术实施例利用目标检测模型并无法从待处理图像中检测到目标区域。
102.针对从待处理图像中检测到目标区域的情况，本技术实施例可根据所述目标区域确定对象的品质异常情况。在一些实施例中，对象的品质异常情况可以包括对象的品质异常比例。在目标区域至少包括对象的品质异常区域的情况下，本技术实施例可根据从待处理图像中检测的品质异常区域，确定待处理图像中品质异常区域在对象中的占比，从而得到对象的品质异常比例(例如对象的变质比例)。
103.可选的，在目标区域包括对象的对象区域和品质异常区域时，本技术实施例可在目标检测模型检测到待处理图像中的对象区域和品质异常区域后，确定待处理图像中对象区域和品质异常区域的重叠度比例，进而根据所述重叠度比例确定待处理图像中对象的品质异常比例(例如，将所述重叠度比例作为所述品质异常比例)。在一个示例中，所述重叠度比例可以包括iou(intersection overunion，交并比)比例，本技术实施例可在目标检测模型检测到待处理图像中的对象区域和品质异常区域后，确定对象区域和品质异常区域的iou比例，从而得到对象区域和品质异常区域的重叠度比例，进而以所述重叠度比例作为对象的品质异常比例。
104.在一种可选实现中，目标检测模型在检测到待处理图像中的对象区域和品质异常区域时，可输出对象区域的角点坐标以及品质异常区域的角点坐标，从而本技术实施例可利用对象区域的角点坐标，定位对象区域在待处理图像中的位置和范围，通过品质异常区域的角点坐标，定位品质异常区域在待处理图像中的位置和范围；进而利用品质异常区域的角点坐标，和对象区域的角点坐标，确定品质异常区域和对象区域对应的iou比例，进而得出待处理图像中对象的品质异常比例。在一个示例中，图像区域的角点坐标例如图像区域上、下、左、右四点的坐标。
105.作为一个示例，图5示例性的示出了确定对象的品质异常情况的示例图，如图5所
示，目标检测模型针对待处理图像检测到对象区域51和品质异常区域52，则本技术实施例可通过品质异常区域52在对象区域51中对应的占比，得出品质异常区域对应的品质异常比例，从而确定出对象的品质异常情况。
106.在另一些实施例中，对象的品质异常情况可以指示对象是否出现品质异常。例如，本技术实施例可在检测到待处理图像中存在目标区域时，基于目标区域至少包括品质异常区域，从而确定对象存在品质异常的品质异常情况。
107.在步骤s414中，根据所述品质异常情况，确定所述权益服务申请的申请结果。
108.在确定对象的品质异常情况后，本技术实施例可基于对象的品质异常情况，确定出权益服务申请的申请结果，从而完成权益服务申请的处理。在一些实施例中，如果对象的品质异常情况指示对象是否出现品质异常，则权益服务申请的申请结果可以包括权益服务申请是否通过的结果，例如，本技术实施例可在检测到待处理图像中存在目标区域时，得出对象存在品质异常的品质异常情况，从而确定出权益服务申请通过的结果。
109.在另一些实施例中，如果对象的品质异常情况包括对象的品质异常比例，则权益服务申请的申请结果可以是在权益服务申请通过的情况下，进一步指示权益值(例如对象的理赔值)。作为可选实现，本技术实施例可根据对象的品质异常比例与权益值呈正相关的关系，确定出对象对应的权益值；从而根据所述权益值，确定携带权益值的申请结果；其中，对象对应的权益值不超出权益值阈值。也就是说，对象的品质异常比例越大，则在不超出权益值阈值的情况下，用户获得的权益值越高。例如，权益值阈值可以是用户购买对象所支付的数值，并且不超出预设限值，在最大不超出权益值阈值的情况下，如果用户购买的对象出现品质异常，则对象的品质异常比例越大，用户获得的权益值越高。在一个示例中，对象的品质异常比例可以是0至1范围内的数值(例如iou比例的范围为0至1，iou比例等同于品质异常比例)，当对象的品质异常比例＜30％，则用户可获得0.5倍的权益值阈值，当对象的品质异常比例≥30％时，用户可获得1倍的权益值阈值。
110.在进一步的一些实施例中，在待处理图像为品质正常的对象所对应的图像，或者非对象的图像时，由于本技术实施例利用目标检测模型并无法从待处理图像中检测到目标区域，因此用户购买的对象不存在品质异常情况，此时，本技术实施例可确定权益服务申请未通过的申请结果。
111.在进一步的一些实施例中，本技术实施例可将权益服务申请的申请结果反馈给用户，例如，在终端显示申请结果页面，并在所述申请结果页面展示所述权益服务申请的申请结果。
112.本技术实施例可预先训练至少用于检测图像中对象的目标区域的目标检测模型，其中，目标区域至少包括对象的品质异常区域；从而在对权益服务申请进行处理时，本技术实施例可调用预先训练的目标检测模型，对权益服务申请中携带的待处理图像进行目标区域的检测；如果目标检测模型检测到待处理图像中存在目标区域，则本技术实施例可根据目标检测模型所检测的目标区域，确定对象的品质异常情况；进而根据所述品质异常情况，确定所述权益服务申请的申请结果，实现对权益服务申请的处理。
113.通过上述技术方案，本技术实施例可利用预先训练的目标检测模型，对权益服务申请携带的图像进行目标区域检测，从而由目标检测模型自动化判定权益服务申请携带的图像中是否存在对象的品质异常区域；也就是说，本技术实施例可通过图像的自动化检测
处理，高效、准确的确定用户购买的对象是否存在品质异常区域，从而为确定权益服务申请的申请结果提供依据。进而，在目标检测模型检测到图像中存在对象的目标区域时，本技术实施例可根据检测的目标区域确定对象的品质异常情况，基于对象的品质异常情况，自动化的确定权益服务申请的申请结果。可见，在用户提交权益服务申请后，本技术实施例可调用目标检测模型，对权益服务申请中携带的图像进行目标区域检测，并且基于目标检测模型的检测结果，自动化高效、准确的得出权益服务申请的申请结果；权益服务申请从用户提出至得出申请结果的过程极为高效、并且申请结果的准确性较高，因此本技术实施例可实现高效、准确的处理权益服务申请。
114.在利用目标检测模型检测待处理图像中对象的目标区域时，作为可选实现，如果目标检测模型为一套能够同时检测对象区域和品质异常区域的机器学习模型(例如目标检测模型基于图3a所示方法训练得到)，则本技术实施例可在待处理图像为品质异常的对象所对应的图像时，利用目标检测模型检测到待处理图像中的对象区域以及品质异常区域。作为一个示例，如图6a示例性的示出了检测目标区域的可选示例图，如图6a所示，待处理图像在经过图像预处理后，可输入目标检测模型，从而目标检测模型可输出待处理图像中的对象区域以及品质异常区域。
115.作为另一种可选实现，如果目标检测模型包括用于检测对象区域的第一目标检测模型，以及用于检测品质异常区域的第二目标检测模型，则在利用目标检测模型检测待处理图像中对象的目标区域时，本技术实施例可先利用第一目标检测模型检测待处理图像中的对象区域，再在第一目标检测模型从待处理图像中检测到对象区域时，利用第二目标检测模型检测待处理图像中的品质异常区域。作为一个示例，图6b示例性的示出了检测目标区域的另一可选示例图，如图6b所示：
116.待处理图像在经过图像预处理后，可输入第一目标检测模型；如果第一目标检测模型未检测到待处理图像中存在对象区域，则本技术实施例可停止目标区域的检测，并且后续得出权益服务申请未通过的申请结果；如果第一目标检测模型检测到待处理图像中存在对象区域，则本技术实施例可在待处理图像中标识出对象区域，并且从待处理图像中裁剪出对象区域对应的图像，将对象区域对应的图像输入第二目标检测模型；
117.如果第二目标检测模型从对象区域对应的图像中，未检测到品质异常区域，则本技术实施例可确定用户购买的对象未存在品质异常，从而在后续得出权益服务申请未通过的申请结果；如果第二目标检测模型从对象区域对应的图像中，检测到品质异常区域，则本技术实施例可在对象区域对应的图像中，标识出对象的品质异常区域并进行输出。
118.需要说明的是，从待处理图像中裁剪出对象区域对应的图像，再送入第二目标检测模型进行检测，仅是减小第二目标检测模型的计算量的一种可选实现方式，本技术实施例也可支持第一目标检测模型在从待处理图像中检测到对象区域后，将待处理图像直接送入第二目标检测模型中进行检测。
119.本技术实施例提供的服务处理方法主要分为模型离线训练阶段，以及模型在线推理阶段；图7示例性的示出了本技术实施例提供的服务处理方法的阶段示例图，如图7所示，在模型离线训练阶段，本技术实施例可对训练图像进行目标区域的标注；然后利用标注目标区域的训练图像，训练机器学习模型；进而对训练后的机器学习模型进行参数权重的定点量化、模型剪枝等模型优化，从而得出目标检测模型。模型离线训练阶段得到的目标检测
模型，可部署在服务器侧或者终端侧。
120.在模型在线推理阶段，用户提交的权益服务申请中的待处理图像，可经过图像预处理；预处理后的待处理图像可送入目标检测模型中进行在线推理，从而输出待处理图像中对象的对象区域和品质异常区域；基于目标检测模型的检测结果，本技术实施例可确定对象的品质异常情况，从而得出权益服务申请的申请结果。
121.在本技术实施例中，模型离线训练阶段训练的目标检测模型部署在服务器侧或者终端侧后，在线推理阶段能够无需打断的连续运行，从而为权益服务申请的处理，提供目标区域的在线检测能力。进一步的，在用户上传待处理图像的情况下，本技术实施例可使用户上传的待处理图像，利用无监督的机器学习算法，对目标检测模型进行训练更新；也可以将用户上传的待处理图像进行收集后，人工对待处理图像标注目标区域，然后通过人工标注目标区域的待处理图像，利用有监督的机器学习算法，对目标检测模型进行训练更新。在对目标检测模型进行训练更新后，本技术实施例可进一步对训练更新的目标检测模型进行参数权重的定点量化、模型剪枝等模型优化，然后使用模型优化后的目标检测模型的模型参数，替代上一版本已部署的目标检测模型的模型参数，从而对已部署的目标检测模型进行版本更新。
122.本技术实施例在预先训练目标检测模型之后，将目标检测模型部署在云计算服务器侧或者终端侧上，从而在用户提交权益服务申请时，本技术实施例可利用目标检测模型对用户上传的图像，进行目标区域的实时快速检测；进而判定出用户购买的对象是否发生变质以及对象的变质情况，基于用户购买的对象发生变质，本技术实施例可确定用户的权益服务申请应该通过(例如理赔申请应通过)；基于对象的变质情况，本技术实施例可进一步确定具体的权益值(例如理赔额)，从而实现高效、准确的处理服务申请。本技术实施例相比于人工审核处理权益服务申请的方式，能够大幅度节约审核人员的人力成本，同时具有提升权益服务申请的处理响应速度、提高准确率的效果。
123.下面结合终端的页面展示变化，对本技术实施例提供的服务处理方法进行介绍。作为可选实现，图8a示例性的示出了本技术实施例提供的服务处理方法的另一可选流程图，图8b示例性的示出了本技术实施例提供的服务处理过程的页面示例图，结合图8a和图8b所示，本技术实施例提供的服务处理方法可以包括如下步骤。
124.在步骤s810中，显示权益服务申请页面。
125.在一些实施例中，用户可通过订单页面申请售后服务，从而通过售后服务页面的权益服务入口，进入权益服务申请页面，并使得终端显示权益服务申请页面。
126.在步骤s811中，基于所述权益服务申请页面填写的文本信息以及上传的待处理图像，确定权益服务申请。
127.在一些实施例中，权益服务申请页面可展示申请原因的选择项、详情的填写项，用户可在权益服务申请页面选择申请原因，以及填写详情，从而使得终端确定申请页面填写的文本信息。同时，权益服务申请页面可展示图像上传入口，用户可通过该图像上传入口上传待处理图像，从而使得终端确定用户上传的待处理图像。基于，权益服务申请页面填写的文本信息以及上传的待处理图像，终端可确定权益服务申请的内容，从而确定出后续需提交的权益服务申请。
128.在步骤s812中，响应于权益服务申请的提交指令，提交所述权益服务申请。
129.在一些实施例中，权益服务申请页面可展示提交按钮，用户可点击该提交按钮，以触发终端提交权益服务申请。可选的，当用户点击该提交按钮，则可触发权益服务申请的提交指令，终端可响应于权益服务申请的提交指令，向服务器提交权益服务申请。在其他可能的实现中，如果目标检测模型部署于终端侧，则终端可将权益服务申请提交给终端后台进行处理。
130.在步骤s813中，在获取所述权益服务申请的申请结果时，显示申请结果页面，所述申请结果页面展示有所述权益服务申请的申请结果。
131.在一些实施例中，基于本技术实施例能够通过预先训练的目标检测模型，高效、准确的确定出权益服务申请的申请结果，当终端提交权益服务申请后，终端可快速的获得权益服务申请的申请结果。例如，服务器或者终端后台可对权益服务申请中的待处理图像进行图像预处理，预处理后的待处理图像可通过目标检测模型，检测出对象区域和品质异常区域；基于检测的对象区域和品质异常区，本技术实施例可确定对象的品质异常情况，进而确定出权益服务申请的申请结果。终端获得申请结果后，可跳转至申请结果页面展示出所述申请结果。在一些实施例中，申请结果可以指示权益服务申请是否通过；进一步的，申请结果可在权益服务申请通过时，进一步指示当前获得的权益值(例如，对象变质所对应的理赔额)。
132.可选的，终端如果将权益服务申请提交给服务器进行处理，则终端可在服务器确定权益服务申请的申请结果后，获得服务器发送的所述申请结果，并在申请结果页面进行展示。可选的，终端如果将权益服务申请提交给终端后台进行处理，则终端可在终端后台确定权益服务申请的申请结果后，获得终端后台反馈的权益服务申请的申请结果，并在终端前台显示的申请结果页面中展示所述申请结果。
133.在一些实施例中，权益服务申请的申请结果可根据待处理图像中对象的品质异常情况确定，对象的品质异常情况可根据目标检测模型从待处理图像中检测的对象的目标区域确定，其中，目标区域至少包括对象的品质异常区域。关于对权益服务申请进行处理并得出申请结果的具体过程可参照前文图4方法流程以及对应部分所示，本技术实施例此处不再展开。
134.下面对本技术实施例提供的服务处理装置进行介绍，下文描述的服务处理装置可以认为是电子设备(例如服务器)为实现本技术实施例提供的服务处理方法所需设置的功能模块。下文描述的服务处理装置的内容可与上文描述的服务处理方法的内容相互对应参照。
135.作为可选实现，图9示例性的示出了本技术实施例提供的服务处理装置的可选框图，如图9所示，该服务处理装置可以包括：
136.申请获取模块910，用于获取对象的权益服务申请，所述权益服务申请用于对所述对象申请权益服务，所述权益服务申请携带有待处理图像；
137.模型调用模块911，用于调用预先训练的目标检测模型，所述目标检测模型至少用于检测图像中对象的目标区域，所述目标区域至少包括对象的品质异常区域；
138.检测模块912，用于利用所述目标检测模型检测所述待处理图像中对象的目标区域；
139.品质异常情况确定模块913，用于若所述目标检测模型检测到所述待处理图像中
存在目标区域，根据检测的目标区域确定对象的品质异常情况；
140.结果确定模块914，用于根据所述品质异常情况，确定所述权益服务申请的申请结果。
141.可选的，所述目标区域还包括对象的对象区域；检测模块912，用于利用所述目标检测模型检测所述待处理图像中对象的目标区域包括：
142.利用所述目标检测模型检测所述待处理图像中对象的对象区域以及品质异常区域。
143.可选的，所述品质异常情况包括：品质异常比例；品质异常情况确定模块913，用于根据检测的目标区域确定对象的品质异常情况包括：
144.根据检测的对象区域以及品质异常区域，确定待处理图像中对象区域和品质异常区域的重叠度比例，根据所述重叠度比例确定所述待处理图像中对象的品质异常比例。
145.可选的，结果确定模块914，用于根据所述品质异常情况，确定所述权益服务申请的申请结果包括：
146.根据对象的品质异常比例与权益值呈正相关的关系，确定所述对象对应的权益值；根据所述权益值，确定携带所述权益值的申请结果；其中，所述对象对应的权益值不超出权益值阈值。
147.可选的，检测模块912，用于利用所述目标检测模型检测所述待处理图像中对象的目标区域包括：
148.对待处理图像进行预处理，将预处理后的待处理图像输入所述目标检测模型，以通过所述目标检测模型检测所述待处理图像中的对象区域以及品质异常区域；
149.或者，对待处理图像进行预处理，将预处理后的待处理图像输入第一目标检测模型；如果所述第一目标检测模型检测到所述待处理图像中存在对象区域，从所述待处理图像中裁剪出所述对象区域对应的图像；将所述对象区域对应的图像输入第二目标检测模型，以通过所述第二目标检测模型检测所述对象区域对应的图像中的品质异常区域。
150.在进一步的一些实施例中，目标检测模型的训练过程可以包括：
151.获取训练图像，所述训练图像标注有目标区域；
152.以机器学习模型预测的训练图像的目标区域，趋近于标注的目标区域作为训练目标，利用训练图像对机器学习模型进行训练，以得到训练后的机器学习模型；
153.根据训练后的机器学习模型，得到目标检测模型。
154.可选的，一方面，所述训练图像标注有目标区域可以包括：所述训练图像标注有对象的对象区域以及品质异常区域；
155.所述以机器学习模型预测的训练图像的目标区域，趋近于标注的目标区域作为训练目标，利用训练图像对机器学习模型进行训练，以得到训练后的机器学习模型可以包括：以机器学习模型预测的训练图像的对象区域，趋近于标注的对象区域，并且机器学习模型预测的训练图像的品质异常区域，趋近于标注的品质异常区域作为训练目标，利用训练图像对机器学习模型进行训练，以得到训练后的机器学习模型；
156.所述根据训练后的机器学习模型，得到目标检测模型可以包括：对训练后的机器学习模型进行模型优化，以得到目标检测模型；所述对训练后的机器学习模型进行模型优化包括：对训练后的机器学习模型进行参数权重的定点量化，和/或，对训练后的机器学习
模型进行模型剪枝。
157.可选的，另一方面，所述训练图像标注有目标区域可以包括：品质正常或者品质异常的对象所对应的训练图像标注有对象区域，以及，品质异常的对象所对应的训练图像标注有品质异常区域；
158.所述以机器学习模型预测的训练图像的目标区域，趋近于标注的目标区域作为训练目标，利用训练图像对机器学习模型进行训练，以得到训练后的机器学习模型可以包括：
159.针对品质正常或者品质异常的对象所对应的训练图像，以第一机器学习模型预测的训练图像的对象区域，趋近于标注的对象区域作为训练目标，利用训练图像对第一机器学习模型进行训练，以得到训练后的第一机器学习模型；针对品质异常的对象所对应的训练图像，以第二机器学习模型预测的训练图像的品质异常区域，趋近于标注的品质异常区域作为训练目标，利用训练图像对第二机器学习模型进行训练，以得到训练后的第二机器学习模型；
160.所述根据训练后的机器学习模型，得到目标检测模型可以包括：对训练后的第一机器学习模型进行模型优化，以得到第一目标检测模型；以及，对训练后的第二机器学习模型进行模型优化，以得到第二目标检测模型；联合第一目标检测模型和第二目标检测模型，得到目标检测模型。
161.在一些实施例中，本技术实施例提供的服务处理装置还可以用于：若所述目标检测模型检测到所述待处理图像中不存在目标区域，或者，所述目标检测模型检测到所述待处理图像中存在对象区域，但不存在品质异常区域，则确定所述权益服务申请未通过的申请结果。
162.本技术实施例还提供一种电子设备，例如服务器或者终端，该电子设备可通过装载上述所述的服务处理装置，以实现本技术实施例提供的服务处理方法。可选的，图10示例性的示出了电子设备的可选框图，如图10所示，该电子设备可以包括：至少一个处理器1，至少一个通信接口2，至少一个存储器3和至少一个通信总线4。
163.在本技术实施例中，处理器1、通信接口2、存储器3、通信总线4的数量为至少一个，且处理器1、通信接口2、存储器3通过通信总线4完成相互间的通信。
164.可选的，通信接口2可以为用于进行网络通信的通信模块的接口。
165.可选的，处理器1可能是cpu，gpu(graphics processing unit，图形处理器)，npu(嵌入式神经网络处理器)，fpga(field programmable gate array，现场可编程逻辑门阵列)，tpu(张量处理单元)，ai芯片，特定集成电路asic(application specific integrated circuit)，或者是被配置成实施本技术实施例的一个或多个集成电路等。
166.存储器3可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
167.其中，存储器3存储一条或多条计算机可执行指令，处理器1调用所述一条或多条计算机可执行指令，以执行如本技术实施例提供的服务处理方法。
168.本技术实施例还提供一种存储介质，该存储介质存储一条或多条计算机可执行指令，所述一条或多条计算机可执行指令被执行时，实现如本技术实施例提供的服务处理方法。
169.本技术实施例还提供一种计算机程序，该计算机程序被执行时，实现如本技术实
施例提供的服务处理方法。
170.上文描述了本技术实施例提供的多个实施例方案，各实施例方案介绍的各可选方式可在不冲突的情况下相互结合、交叉引用，从而延伸出多种可能的实施例方案，这些均可认为是本技术实施例披露、公开的实施例方案。
171.虽然本技术实施例披露如上，但本技术并非限定于此。任何本领域技术人员，在不脱离本技术的精神和范围内，均可作各种更动与修改，因此本技术的保护范围应当以权利要求所限定的范围为准。