CN109034121B - 商品识别处理的方法、装置、设备及计算机存储介质 - Google Patents
商品识别处理的方法、装置、设备及计算机存储介质 Download PDFInfo
- Publication number
- CN109034121B CN109034121B CN201810985270.0A CN201810985270A CN109034121B CN 109034121 B CN109034121 B CN 109034121B CN 201810985270 A CN201810985270 A CN 201810985270A CN 109034121 B CN109034121 B CN 109034121B
- Authority
- CN
- China
- Prior art keywords
- commodity
- scene
- feedback result
- nth
- trained
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/10—Geometric effects
- G06T15/20—Perspective computation
- G06T15/205—Image-based rendering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种商品识别处理的方法、装置、设备及计算机存储介质,通过采集获取待识别的商品和待识别的商品所处的场景,根据通过3D渲染引擎配置的识别模型,对待识别的商品和待识别的商品所处的场景进行识别处理,以获取待识别的商品和待识别的商品所处的场景所对应的识别结果,本方案中通过3D渲染引擎可以快速构建大量的样本对商品的识别模型进行训练,避免了现有技术中训练样本采集不足、代价大等缺陷,从而可以更加准确地对商品进行识别,满足客户需求。
Description
技术领域
本发明涉及新零售领域,尤其涉及一种商品识别处理的方法、装置、设备及计算机存储介质。
背景技术
新零售,即企业以互联网为依托,通过运用大数据、人工智能等先进技术手段,对商品的生产、流通与销售过程进行升级改造,进而重塑业态结构与生态圈,并对线上服务、线下体验以及现代物流进行深度融合的零售新模式。
因此,新零售不可避免地涉及对商品的图像识别,图像识别是图像处理的重要组成部分。由于大数据时代的来临和计算机处理能力的大幅提高,图像识别开始向高级语义方向发展。图像识别的过程分为预处理,特征提取,识别分类三个步骤。预处理能够降低后续处理难度,提高效率。特征提取是将图片转化为计算机能够识别处理的定量形式,处理的特征主要有颜色特征,纹理特征,形状特征,尺度不变特征变换(Scale-invarient FeatureTransfrom,SIFT),方向梯度直方图(Histogram of Oriented Gradient,HOG)特征等。识别分类是依据特征将图片进行分类。图像识别分类目前采用的算法主要有神经网络、深度学习等。
深度学习使用层次化的模型以从低层次特征学习高层次特征。经过多层抽象学习层次化特征,深度学习可以通过映射输入和输出的关系来学习复杂的函数。深度学习由神经网络发展而来。相对于仅有一个输入层,一个隐层,一个输出层的浅层神经网络而言,深度学习采用的神经网络一般具有多个隐层,因此,有较高的非线性运算组合能力,从而具有较强的表示能力。然而基于深度学习对各种商品进行全方位识别,需要用大量的训练样本进行神经网络训练。现有的获取训练样本的方法中,需要搭建许多真实场景,采集大量真实数据并进行标签的人工标注,一方面真实场景数据可能会采集不足并且制作相关真实场景代价较大,另一方面人工标注有可能发生错误,当标签标注错误时,会导致神经网络在被训练时出现误差,而且会随着迭代次数的增加,误差越来越大,最终影响商品识别的效果。
发明内容
有鉴于此,本发明提供了一种商品识别处理的方法、装置、设备及计算机存储介质,用以提供一种准确识别商品的方案。
第一方面,本发明实施例提供了一种商品识别处理的方法,包括:
采集获取待识别的商品和所述待识别的商品所处的场景;
根据通过3D渲染引擎配置的识别模型,对所述待识别的商品和所述待识别的商品所处的场景进行识别处理,以获取所述待识别的商品和所述待识别的商品所处的场景所对应的识别结果。
结合第一方面,本发明实施例提供了第一方面的第一种可能的实施方式,所述识别模型的获取方式包括:
获取待训练的商品和所述待训练的商品所处的场景;
根据所述待训练的商品和所述待训练的商品所处的场景,以及获取的结果修改参数,对通过所述3D渲染引擎构建的初始识别模型进行学习训练,以获取所述识别模型。
结合第一方面的第一种可能的实施方式,本发明实施例提供了第一方面的第二种可能的实施方式,所述根据所述待训练的商品和所述待训练的商品所处的场景,以及获取的结果修改参数,对通过所述3D渲染引擎构建的初始识别模型进行学习训练,以获取所述识别模型,包括:
根据通过所述3D渲染引擎构建的初始识别模型,分别获取与所述待训练的商品对应的第1商品反馈结果,以及所述待训练的商品所处的场景对应的第1场景反馈结果;
若获取到第N结果修改参数,则根据所述第N结果修改参数,以及所述第N商品反馈结果和/或所述第N场景反馈结果,对所述初始识别模型进行学习训练,以获取对应的第N+1商品反馈结果和第N+1场景反馈结果;将N加1,重复此步骤,直至完成对所述初始模型的学习训练,获取所述识别模型;
其中,N为正整数,且初始时为1。
结合第一方面的第二种可能的实施方式,本发明实施例提供了第一方面的第三种可能的实施方式,所述根据通过所述3D渲染引擎构建的初始识别模型,分别获取与所述待训练的商品对应的第1商品反馈结果,以及所述待训练的商品所处的场景对应的第1场景反馈结果,包括:
根据通过所述3D渲染引擎构建的初始识别模型,采用编码方式描绘所述待训练的商品和所述待训练的商品所处的场景,以获取所述第1商品反馈结果和所述第1场景反馈结果。
结合第一方面的第二种可能的实施方式,本发明实施例提供了第一方面的第四种可能的实施方式,所述根据所述第N结果修改参数,以及所述第N商品反馈结果和/或所述第N场景反馈结果,对所述初始识别模型进行学习训练,以获取对应的第N+1商品反馈结果和第N+1场景反馈结果,包括:
根据所述第N结果修改参数,对所述第N商品反馈结果和/或所述第N场景反馈结果进行修改,并将修改后的第N商品反馈结果和/或所述第N场景反馈结果作为训练样本,并根据该训练样本,对所述初始识别模型进行学习训练,以获取对应的所述第N+1商品反馈结果和第N+1场景反馈结果。
第二方面,本发明实施例提供了一种商品识别处理的装置,包括:
采集模块,用于采集获取待识别的商品和所述待识别的商品所处的场景;
识别模块,用于根据通过3D渲染引擎配置的识别模型,对所述待识别的商品和所述待识别的商品所处的场景进行识别处理,以获取所述待识别的商品和所述待识别的商品所处的场景所对应的识别结果。
结合第二方面,本发明实施例提供了第二方面的第一种可能的实施方式,所述装置还包括:
获取模块,用于获取待训练的商品和所述待训练的商品所处的场景;
训练模块,用于根据所述待训练的商品和所述待训练的商品所处的场景,以及获取的结果修改参数,对通过所述3D渲染引擎构建的初始识别模型进行学习训练,以获取所述识别模型。
结合第二方面的第一种可能的实施方式,本发明实施例提供了第二方面的第二种可能的实施方式,所述训练模块,包括:
反馈单元,用于根据通过所述3D渲染引擎构建的初始识别模型,分别获取与所述待训练的商品对应的第1商品反馈结果,以及所述待训练的商品所处的场景对应的第1场景反馈结果;
迭代单元,用于若获取到第N结果修改参数,则根据所述第N结果修改参数,以及所述第N商品反馈结果和/或所述第N场景反馈结果,对所述初始识别模型进行学习训练,以获取对应的第N+1商品反馈结果和第N+1场景反馈结果;将N加1,重复此步骤,直至完成对所述初始模型的学习训练,获取所述识别模型;
其中,N为正整数,且初始时为1。
结合第二方面的第二种可能的实施方式,本发明实施例提供了第二方面的第三种可能的实施方式,所述反馈单元,具体用于根据通过所述3D渲染引擎构建的初始识别模型,采用编码方式描绘所述待训练的商品和所述待训练的商品所处的场景,以获取所述第1商品反馈结果和所述第1场景反馈结果。
结合第二方面的第二种可能的实施方式,本发明实施例提供了第二方面的第四种可能的实施方式,所述迭代单元,具体用于根据所述第N结果修改参数,对所述第N商品反馈结果和/或所述第N场景反馈结果进行修改,并将修改后的第N商品反馈结果和/或所述第N场景反馈结果作为训练样本,并根据该训练样本,对所述初始识别模型进行学习训练,以获取对应的所述第N+1商品反馈结果和第N+1场景反馈结果。
第三方面,本发明实施例提供了一种商品识别处理的设备,包括:存储器和处理器;
所述存储器,用于存储计算机程序;
其中,所述处理器执行所述存储器中的计算机程序,以实现上述第一方面至第一方面的第四种可能的实施方式。
第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时用于实现上述第一方面至第一方面的第四种可能的实施方式。
与现有技术相比,本发明提供的商品识别处理的方法、装置、设备及计算机存储介质,通过采集获取待识别的商品和待识别的商品所处的场景,根据通过3D渲染引擎配置的识别模型,对待识别的商品和待识别的商品所处的场景进行识别处理,以获取待识别的商品和待识别的商品所处的场景所对应的识别结果,本方案中通过3D渲染引擎可以快速构建大量的样本对商品的识别模型进行训练,避免了现有技术中训练样本采集不足、代价大等缺陷,从而可以更加准确地对商品进行识别,满足客户需求。
附图说明
为了更清楚地说明本发明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一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一提供的商品识别处理的方法的流程示意图;
图2为本发明实施例二提供的商品识别处理的方法中一识别模型获取方式的流程示意图;
图3为本发明实施例二提供的商品识别处理的方法中又一识别模型获取方式的流程示意图;
图4为本发明实施例三提供的商品识别处理的装置的结构示意图;
图5为本发明实施例四提供的商品识别处理的装置的结构示意图;
图6为本发明实施例五提供的商品识别处理的设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
图1为本发明实施例一提供的商品识别处理的方法的流程示意图,如图1所示,该方法包括:
S101、采集获取待识别的商品和待识别的商品所处的场景。
具体地,待识别的商品可以是任意商品,同一种商品可以有多种包装。待识别的商品所处的场景可以是任意场景,场景中可以包括其它物品。
S102、根据通过3D渲染引擎配置的识别模型,对待识别的商品和待识别的商品所处的场景进行识别处理,以获取待识别的商品和待识别的商品所处的场景所对应的识别结果。
具体地,3D渲染引擎有非常多的渲染效果,支持用户去扩展各种渲染效果。通过3D渲染引擎可以获取大量自动标注的训练样本,进而通过训练样本训练商品识别模型,训练完成后用于对商品进行识别。
实际应用中,本实施例的执行主体可以为商品识别处理的装置。在实际应用中,该商品识别处理的装置可以通过虚拟装置,例如软件代码实现,也可以通过写入有相关执行代码的实体装置,例如,U盘实现,再或者,也可以通过集成有相关执行代码的实体装置实现,例如,芯片、智能机器人等。
结合实际场景进行示例:以本实施例的执行主体为商品识别处理的装置为例,实际应用中,以在新零售中对商品进行识别为例,首先需要建立基于深度学习的识别模型,建立过程中需要对识别模型进行训练,现有的获取训练样本的方法中,需要搭建许多真实场景,采集大量真实数据并进行标签的人工标注,一方面真实场景数据可能会采集不足并且制作相关真实场景代价较大,另一方面人工标注有可能发生错误,当标签标注错误时,会导致神经网络在被训练时出现误差,而且会随着迭代次数的增加,误差越来越大,最终影响商品识别的效果。
针对上述问题,本发明采用3D渲染引擎来生成训练样本,通过3D渲染引擎可以生成与真实环境下拍摄的商品图像一样的图像,可以通过修改渲染参数生成商品全方位的图像,而且商品所处的场景也可以任意生成,因此,通过3D渲染引擎可以快速生成任意需要的训练样本,并且由于标注参数已知,也无需再进行人工标注,对识别模型进行训练,训练完成后,采集获取待识别的商品和待识别的商品所处的场景,根据通过3D渲染引擎配置的识别模型,对待识别的商品和待识别的商品所处的场景进行识别处理,以获取待识别的商品和待识别的商品所处的场景所对应的识别结果。
本实施例提供的商品识别处理的方法,通过采集获取待识别的商品和待识别的商品所处的场景,根据通过3D渲染引擎配置的识别模型,对待识别的商品和待识别的商品所处的场景进行识别处理,以获取待识别的商品和待识别的商品所处的场景所对应的识别结果,本方案中通过3D渲染引擎可以快速构建大量的样本对商品的识别模型进行训练,避免了现有技术中训练样本采集不足、代价大等缺陷,从而可以更加准确地对商品进行识别,满足客户需求。
实施例二
在上述实施例一的基础上,本发明实施例二提供的商品识别处理的方法中,如图2所示,识别模型的获取方式可以包括以下步骤:
S201、获取待训练的商品和待训练的商品所处的场景。
具体地,本步骤中通过3D渲染引擎渲染出待训练的商品和待训练的商品所处的场景作为训练样本。
S202、根据待训练的商品和待训练的商品所处的场景,以及获取的结果修改参数,对通过3D渲染引擎构建的初始识别模型进行学习训练,以获取识别模型。
具体地,根据初始识别模型的识别结果判断初始识别模型的识别准确度是否符合要求,若不符合要求,则修改初始识别模型的相关参数,并且根据步骤S201获取的训练样本,对借助3D渲染引擎构建的初始识别模型进行学习训练,以获取识别模型。
上述识别模型的获取方式还可以包括多种实施方式。
一种优选的实施方式中,如图3所示,上述步骤S202可以具体包括:
S301、根据通过3D渲染引擎构建的初始识别模型,分别获取与待训练的商品对应的第1商品反馈结果,以及待训练的商品所处的场景对应的第1场景反馈结果。
具体地,利用通过3D渲染引擎构建的初始识别模型对待识别的商品进行识别,分别获取第1商品反馈结果和第1场景反馈结果,可以根据第1商品反馈结果和第1场景反馈结果修改初始识别模型参数,以使识别模型符合要求。
S302、若获取到第N结果修改参数,则根据第N结果修改参数,以及第N商品反馈结果和/或第N场景反馈结果,对初始识别模型进行学习训练,以获取对应的第N+1商品反馈结果和第N+1场景反馈结果。将N加1,重复此步骤,直至完成对初始识别模型的学习训练,获取识别模型。其中,N为正整数,且初始时为1。
具体地,通过N次迭代,可以获取到第N结果修改参数,则根据第N结果修改参数,以及第N商品反馈结果和/或第N场景反馈结果,对初始识别模型进行学习训练,以获取对应的第N+1商品反馈结果和第N+1场景反馈结果,重复此步骤,直至完成对初始识别模型的学习训练,获取识别模型。
本实施方式中,通过对识别模型的多次迭代训练,可以获得更加准确的识别模型。
另一优选的实施方式中,步骤S301,可以具体包括:
根据通过3D渲染引擎构建的初始识别模型,采用编码方式描绘待训练的商品和待训练的商品所处的场景,以获取第1商品反馈结果和第1场景反馈结果。
具体地,通过编码方式描绘待训练的商品和待训练的商品所处的场景,可以获取到已知编码信息的第1商品反馈结果和第1场景反馈结果,以利于对识别模型更好的进行训练。
另一优选的实施方式中,步骤S302,可以具体包括:
根据第N结果修改参数,对第N商品反馈结果和/或第N场景反馈结果进行修改,并将修改后的第N商品反馈结果和/或第N场景反馈结果作为训练样本,并根据该训练样本,对初始识别模型进行学习训练,以获取对应的第N+1商品反馈结果和第N+1场景反馈结果。
具体地,通过初始识别模型的识别结果,获取识别结果对应的修改参数,根据修改参数对训练样本进行修改,利用修改后的训练样本对对初始识别模型进行学习训练,通过多次迭代,可以获得更高识别准确度的识别模型。
本实施例提供的商品识别处理的方法,通过获取待训练的商品和待训练的商品所处的场景,根据待训练的商品和待训练的商品所处的场景,以及获取的结果修改参数,对通过3D渲染引擎构建的初始识别模型进行学习训练,以获取识别模型,本方案中,通过对初始识别模型多次迭代训练,可以获得识别准确度更高的识别模型,从而可以更加准确地对商品进行识别,满足客户需求。
下述为本发明装置实施例,可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节,请参照本发明方法实施例。
实施例三
图4为本发明实施例三提供的商品识别处理的装置的结构示意图,如图4所示,该装置包括:
采集模块410,用于采集获取待识别的商品和待识别的商品所处的场景。
识别模块420,用于根据通过3D渲染引擎配置的识别模型,对待识别的商品和待识别的商品所处的场景进行识别处理,以获取待识别的商品和待识别的商品所处的场景所对应的识别结果。
上述各个模块的详细内容参见上述图1对应的实施例中的描述。
本实施例提供的商品识别处理的装置,通过采集获取待识别的商品和待识别的商品所处的场景,根据通过3D渲染引擎配置的识别模型,对待识别的商品和待识别的商品所处的场景进行识别处理,以获取待识别的商品和待识别的商品所处的场景所对应的识别结果,本方案中通过3D渲染引擎可以快速构建大量的样本对商品的识别模型进行训练,避免了现有技术中训练样本采集不足、代价大等缺陷,从而可以更加准确地对商品进行识别,满足客户需求。
实施例四
图5为本发明实施例四提供的商品识别处理的装置的结构示意图,如图5所示,在上述实施例三的基础上,该装置还可以包括:
获取模块510,用于获取待训练的商品和待训练的商品所处的场景。
训练模块520,用于根据待训练的商品和待训练的商品所处的场景,以及获取的结果修改参数,对通过3D渲染引擎构建的初始识别模型进行学习训练,以获取识别模型。
一种优选的实施方式中,训练模块520,可以包括:
反馈单元521,用于根据通过3D渲染引擎构建的初始识别模型,分别获取与待训练的商品对应的第1商品反馈结果,以及待训练的商品所处的场景对应的第1场景反馈结果。
迭代单元522,用于若获取的第N结果修改参数,则根据第N结果修改参数,以及第N商品反馈结果和/或第N场景反馈结果,对初始识别模型进行学习训练,以获取对应的第N+1商品反馈结果和第N+1场景反馈结果。将N加1,重复此步骤,直至完成对初始模型的学习训练,获取识别模型。
其中,N为正整数,且初始时为1。
一种优选的实施方式中,反馈单元521,可以具体用于根据通过3D渲染引擎构建的初始识别模型,采用编码方式描绘待训练的商品和待训练的商品所处的场景,以获取第1商品反馈结果和第1场景反馈结果。
一种优选的实施方式中,迭代单元522,可以具体用于根据第N结果修改参数,对第N商品反馈结果和/或第N场景反馈结果进行修改,并将修改后的第N商品反馈结果和/或第N场景反馈结果作为训练样本,并根据该训练样本,对初始识别模型进行学习训练,以获取对应的第N+1商品反馈结果和第N+1场景反馈结果。
本实施例提供的商品识别处理的装置,通过获取待训练的商品和待训练的商品所处的场景,根据待训练的商品和待训练的商品所处的场景,以及获取的结果修改参数,对通过3D渲染引擎构建的初始识别模型进行学习训练,以获取识别模型,本方案中,通过对初始识别模型多次迭代训练,可以获得识别准确度更高的识别模型,从而可以更加准确地对商品进行识别,满足客户需求。
实施例五
图6为本发明实施例五提供的商品识别处理的设备的结构示意图。如图6所示,该设备包括:存储器610和处理器620。
存储器610,用于存储计算机程序。
其中,处理器620执行存储器610中的计算机程序,以实现如本发明实施例一至实施例二中所述的方法。
在实际应用中,该商品识别处理的设备中,处理器可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制该设备中的其他组件以执行期望的功能。
存储器可以包括一个或多个计算机程序产品,计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器可以运行程序指令,以实现上文的本发明的各个实施例的商品识别处理的方法以及/或者其他期望的功能。在计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。
根据具体应用情况,该设备还可以包括任何其他适当的组件。
本实施例中实现方法的详细内容参见上述各方法实施例中的描述。
实施例六
本发明实施例六提供了一种计算机可读存储介质,计算机可读存储介质中存储有计算机程序,计算机程序被处理器执行时用于实现如本发明实施例一至实施例二中所述的方法。
实际应用中,本实施例中的计算机程序可以以一种或多种程序设计语言的任意组合来编写用于执行本发明实施例操作的程序代码,程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
实际应用中,计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (8)
1.一种商品识别处理的方法,其特征在于,包括:
采集获取待识别的商品和所述待识别的商品所处的场景;
根据通过3D渲染引擎配置的识别模型,对所述待识别的商品和所述待识别的商品所处的场景进行识别处理,以获取所述待识别的商品和所述待识别的商品所处的场景所对应的识别结果;
其中,所述识别模型的获取方式包括:
获取待训练的商品和所述待训练的商品所处的场景;
根据所述待训练的商品和所述待训练的商品所处的场景,以及获取的结果修改参数,对通过所述3D渲染引擎构建的初始识别模型进行学习训练,以获取所述识别模型;
所述根据所述待训练的商品和所述待训练的商品所处的场景,以及获取的结果修改参数,对通过所述3D渲染引擎构建的初始识别模型进行学习训练,以获取所述识别模型,包括:
根据通过所述3D渲染引擎构建的初始识别模型,分别获取与所述待训练的商品对应的第1商品反馈结果,以及所述待训练的商品所处的场景对应的第1场景反馈结果;
若获取到第N结果修改参数,则根据所述第N结果修改参数,以及第N商品反馈结果和/或第N场景反馈结果,对所述初始识别模型进行学习训练,以获取对应的第N+1商品反馈结果和第N+1场景反馈结果;将N加1,重复此步骤,直至完成对所述初始识别模型的学习训练,获取所述识别模型;
其中,N为正整数,且初始时为1。
2.根据权利要求1所述的方法,其特征在于,所述根据通过所述3D渲染引擎构建的初始识别模型,分别获取与所述待训练的商品对应的第1商品反馈结果,以及所述待训练的商品所处的场景对应的第1场景反馈结果,包括:
根据通过所述3D渲染引擎构建的初始识别模型,采用编码方式描绘所述待训练的商品和所述待训练的商品所处的场景,以获取所述第1商品反馈结果和所述第1场景反馈结果。
3.根据权利要求1所述的方法,其特征在于,所述根据所述第N结果修改参数,以及第N商品反馈结果和/或第N场景反馈结果,对所述初始识别模型进行学习训练,以获取对应的第N+1商品反馈结果和第N+1场景反馈结果,包括:
根据所述第N结果修改参数,对第N商品反馈结果和/或第N场景反馈结果进行修改,并将修改后的第N商品反馈结果和/或第N场景反馈结果作为训练样本,并根据该训练样本,对所述初始识别模型进行学习训练,以获取对应的第N+1商品反馈结果和第N+1场景反馈结果。
4.一种商品识别处理的装置,其特征在于,包括:
采集模块,用于采集获取待识别的商品和所述待识别的商品所处的场景;
识别模块,用于根据通过3D渲染引擎配置的识别模型,对所述待识别的商品和所述待识别的商品所处的场景进行识别处理,以获取所述待识别的商品和所述待识别的商品所处的场景所对应的识别结果;
其中,所述装置还包括:
获取模块,用于获取待训练的商品和所述待训练的商品所处的场景;
训练模块,用于根据所述待训练的商品和所述待训练的商品所处的场景,以及获取的结果修改参数,对通过所述3D渲染引擎构建的初始识别模型进行学习训练,以获取所述识别模型;
所述训练模块,包括:
反馈单元,用于根据通过所述3D渲染引擎构建的初始识别模型,分别获取与所述待训练的商品对应的第1商品反馈结果,以及所述待训练的商品所处的场景对应的第1场景反馈结果;
迭代单元,用于若获取到第N结果修改参数,则根据所述第N结果修改参数,以及第N商品反馈结果和/或第N场景反馈结果,对所述初始识别模型进行学习训练,以获取对应的第N+1商品反馈结果和第N+1场景反馈结果;将N加1,重复此步骤,直至完成对所述初始识别模型的学习训练,获取所述识别模型;
其中,N为正整数,且初始时为1。
5.根据权利要求4所述的装置,其特征在于,
所述反馈单元,具体用于根据通过所述3D渲染引擎构建的初始识别模型,采用编码方式描绘所述待训练的商品和所述待训练的商品所处的场景,以获取所述第1商品反馈结果和所述第1场景反馈结果。
6.根据权利要求4所述的装置,其特征在于,
所述迭代单元,具体用于根据所述第N结果修改参数,对第N商品反馈结果和/或第N场景反馈结果进行修改,并将修改后的第N商品反馈结果和/或第N场景反馈结果作为训练样本,并根据该训练样本,对所述初始识别模型进行学习训练,以获取对应的第N+1商品反馈结果和第N+1场景反馈结果。
7.一种商品识别处理的设备,包括:存储器和处理器;
所述存储器,用于存储计算机程序;
其中,所述处理器执行所述存储器中的计算机程序,以实现如权利要求1-3中任一项所述的方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时用于实现如权利要求1-3中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810985270.0A CN109034121B (zh) | 2018-08-28 | 2018-08-28 | 商品识别处理的方法、装置、设备及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810985270.0A CN109034121B (zh) | 2018-08-28 | 2018-08-28 | 商品识别处理的方法、装置、设备及计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109034121A CN109034121A (zh) | 2018-12-18 |
CN109034121B true CN109034121B (zh) | 2021-04-06 |
Family
ID=64625430
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810985270.0A Active CN109034121B (zh) | 2018-08-28 | 2018-08-28 | 商品识别处理的方法、装置、设备及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109034121B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111428536B (zh) * | 2019-01-09 | 2024-04-19 | 北京京东乾石科技有限公司 | 用于检测物品类别和位置的检测网络的训练方法和装置 |
CN111161024B (zh) * | 2019-12-27 | 2020-10-20 | 珠海随变科技有限公司 | 商品模型更新方法、装置、计算机设备及存储介质 |
CN112653900A (zh) * | 2020-12-21 | 2021-04-13 | Oppo广东移动通信有限公司 | 视频直播中的目标显示方法、装置及设备 |
CN113570429A (zh) * | 2021-07-23 | 2021-10-29 | 北京百度网讯科技有限公司 | 一种交互方法、装置、设备以及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107689073A (zh) * | 2016-08-05 | 2018-02-13 | 阿里巴巴集团控股有限公司 | 图像集的生成方法、装置及图像识别模型训练方法、系统 |
CN107845142A (zh) * | 2016-09-20 | 2018-03-27 | 星播网(深圳)信息有限公司 | 一种网络三维虚拟广告的自动生成及互动方法和系统 |
CN108009589A (zh) * | 2017-12-12 | 2018-05-08 | 腾讯科技(深圳)有限公司 | 样本数据处理方法、装置和计算机可读存储介质 |
-
2018
- 2018-08-28 CN CN201810985270.0A patent/CN109034121B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109034121A (zh) | 2018-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109034121B (zh) | 商品识别处理的方法、装置、设备及计算机存储介质 | |
JP7193252B2 (ja) | 画像の領域のキャプション付加 | |
CN109740670B (zh) | 视频分类的方法及装置 | |
JP7128022B2 (ja) | 完全教師あり学習用のデータセットの形成 | |
CN111797893B (zh) | 一种神经网络的训练方法、图像分类系统及相关设备 | |
US10176404B2 (en) | Recognition of a 3D modeled object from a 2D image | |
US10360703B2 (en) | Automatic data extraction from a digital image | |
Kao et al. | Visual aesthetic quality assessment with a regression model | |
US9349076B1 (en) | Template-based target object detection in an image | |
CN107403424A (zh) | 一种基于图像的车辆定损方法、装置及电子设备 | |
Planche et al. | Hands-On Computer Vision with TensorFlow 2: Leverage deep learning to create powerful image processing apps with TensorFlow 2.0 and Keras | |
CN111522979B (zh) | 图片排序推荐方法、装置、电子设备、存储介质 | |
Konstantinidis et al. | Automating dairy production lines with the yoghurt cups recognition and detection process in the Industry 4.0 era | |
CN111414913B (zh) | 一种文字识别方法以及识别装置、电子设备 | |
Kaskman et al. | 6 dof pose estimation of textureless objects from multiple rgb frames | |
CN111124863A (zh) | 智能设备性能测试方法、装置及智能设备 | |
Tang et al. | Two-stage filtering method to improve the performance of object detection trained by synthetic dataset in heavily cluttered industry scenes | |
Bian et al. | Real-time object detection for smart connected worker in 3d printing | |
Kar | Mastering Computer Vision with TensorFlow 2. x: Build advanced computer vision applications using machine learning and deep learning techniques | |
Srinivas et al. | Facial Expression Detection Model of Seven Expression Types Using Hybrid Feature Selection and Deep CNN | |
CN115601547A (zh) | 样本图像获取、货物管理方法、装置、设备及存储介质 | |
CN115620082A (zh) | 模型训练方法、头部姿态估计方法、电子设备及存储介质 | |
CN115601586A (zh) | 标签信息获取方法、装置、电子设备及计算机存储介质 | |
Wang et al. | A UAV to UAV tracking benchmark | |
CN114120057A (zh) | 一种基于PaddleDetection的混淆矩阵生成方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |