CN110070148B - 一种林业产品特征分析方法、装置及计算机可读介质 - Google Patents

Abstract

本申请披露了一种林业产品特征分析方法，其特征在于，包括：采集包括采购人员与木材产品的多张图像，所述多张图像中的木材产品为多个款式的木材产品；将所述采集的多张图像输入到第一机器学习模型中，确定采购人员关注的一个或多个特征。

Description

一种林业产品特征分析方法、装置及计算机可读介质

技术领域

本发明涉及一种林业产品特征分析方法和装置。具体的，涉及一种促进木材销售的林业产品特征分析方法和装置。

背景技术

在森林工业领域，林业产品往往是一种非标准化的产品。例如同一品牌的木地板也在纹理和颜色方面存在较大差异，再例如林业艺术品则类似于其他艺术品一样具有个性化和定制化的特征。因此，在林业工业营销行业中，每件产品的销售均需要销售人员根据用户偏好、产品特征进行产品介绍和营销推广。其中，销售人员需要对林业产品对应的特征进行分析，并根据分析结果以及用户偏好进行对应的营销。这意味着，在非标准化产品中，不同种类的产品的特征对销售的影响程度不同，而该影响程度的分析在过往的影响过程中是通过人工的方式和识别和分析的。随着人工智能技术的进步，使用自动化分析技术的方法具有巨大的效率和成本优势。

发明内容

针对现有技术中人工销售时对木材产品的特征及销量分析不够准确的情况，本申请提出了一种林业产品特征分析方法。

本申请的一个方面涉及一种林业产品特征分析方法，包括：采集包括采购人员与木材产品的多张图像，所述多张图像中的木材产品为多个款式的木材产品；将所述采集的多张图像输入到第一机器学习模型中，确定采购人员关注的一个或多个特征。

在一些实施例中，所述将所述采集的多张图像输入到第一机器学习模型中，确定采购人员关注的一个或多个特征，包括：将所述采集的多张图像输入到第一机器学习子模型中，识别每张图像中的采购人员和木材产品；将所述识别出采购人员和木材产品的图像输入至第二机器学习子模型，确定采购人员关注的一个或多个特征。

在一些实施例中，所述方法还包括：获取每个款式的木材产品的历史销售数据；将所述采购人员关注的一个或多个特征，和所述每个款式的木材产品的历史销售数据输入到第二机器学习模型，预估一件新款式木材产品的销量。

本申请的又一方面涉及一种林业产品特征分析装置，包括：采集模块，所述采集模块用于采集包括采购人员与木材产品的多张图像，所述多张图像中的木材产品为多个款式的木材产品；特征确定模块，所述特征确定模块用于将所述采集的多张图像输入到第一机器学习模型中，确定采购人员关注的一个或多个特征。

在一些实施例中，所述特征确定模块包括：第一识别单元，所述第一识别单元用于将所述采集的多张图像输入到第一机器学习子模型中，识别每张图像中的采购人员和木材产品；第二识别单元，所述第二识别单元用于将所述识别出采购人员和木材产品的图像输入至第二机器学习子模型，确定采购人员关注的一个或多个特征。

在一些实施例中，获取单元，所述获取单元用于获取每个款式的木材产品的历史销售数据；销量预估单元，所述销量预估单元用于将所述采购人员关注的一个或多个特征，和所述每个款式的木材产品的历史销售数据输入到第二机器学习模型，预估一件新款式木材产品的销量。

本申请的另一个方面涉及一种电子设备，包括处理器，所述处理器执行所述林业产品特征分析方法。

本申请的另一个方面涉及一种计算机可读存储介质，所述存储介质存储计算机指令，所述计算机指令被计算机读取后执行所述林业产品特征分析方法。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构和操作。

为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。

图1是根据本申请的一些实施例所示的一种木材产品特征分析方法示意图；

图2是一种木材产品特征分析方法实施例示意图；

图3是根据本申请的一些实施例所示的一种新款木材产品销量预估方法示意图；

图4是根据本申请的一些实施例所示的一种木材产品特征分析装置示意图；

图5是根据本申请的一些实施例所示的一种特征确定模块示意图；

图6是根据本申请的一些实施例所示的销量预估模块示意图；

图7是根据一种采购人员与木材产品的交互行为及训练过程示意图；以及

图8是根据一种预估的销量示意图。

具体实施方式

在下面的详细描述中，通过示例阐述了本申请的许多具体细节，以便提供对相关披露的透彻理解。然而，对于本领域的普通技术人员来讲，本申请显而易见的可以在没有这些细节的情况下实施。应当理解的是，本申请中使用“系统”、“装置”、“单元”和/或“模块”术语，是用于区分在顺序排列中不同级别的不同部件、元件、部分或组件的一种方法。然而，如果其他表达式可以实现相同的目的，这些术语可以被其他表达式替换。

应当理解的是，当设备、单元或模块被称为“在……上”、“连接到”或“耦合到”另一设备、单元或模块时，其可以直接在另一设备、单元或模块上，连接或耦合到或与其他设备、单元或模块通信，或者可以存在中间设备、单元或模块，除非上下文明确提示例外情形。例如，本申请所使用的术语“和/或”包括一个或多个相关所列条目的任何一个和所有组合。

本申请所用术语仅为了描述特定实施例，而非限制本申请范围。如本申请说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的特征、整体、步骤、操作、元素和/或组件，而该类表述并不构成一个排它性的罗列，其他特征、整体、步骤、操作、元素和/或组件也可以包含在内。

参看下面的说明以及附图，本申请的这些或其他特征和特点、操作方法、结构的相关元素的功能、部分的结合以及制造的经济性可以被更好地理解，其中说明和附图形成了说明书的一部分。然而，可以清楚地理解，附图仅用作说明和描述的目的，并不意在限定本申请的保护范围。可以理解的是，附图并非按比例绘制。

本申请中使用了多种结构图用来说明根据本申请的实施例的各种变形。应当理解的是，前面或下面的结构并不是用来限定本申请。本申请的保护范围以权利要求为准。

在木材销售场所，木材产品作为一个非标准化产品，其销售只能针对个体产品进行营销。本质上，采购人员的采购决策就是通过人工对木材样本进行观察和分析的过程，所述观察和分析过程也决定了采购人员的意图特征，因此本发明所提出的方法也是基于采购人员的图像分析进而得到采购人员关注的木材产品特征。

图1为根据本申请的一些实施例所述的一种林业产品特征分析方法示意图。

在102中，采集包括采购人员与木材产品的多张图像。在一些实施例中，所述图像由图像传感器获取。所述多张图像中的木材产品对应多个款式的木材产品。例如，所述不同款式的木材产品为不同型号或不同款式的沙发。又例如，所述不同款式的木材产品为不同型号或不同款式的办公桌。还例如，所述木材产品还可以是椅子、躺椅、折叠椅、饭桌等任意的木材产品。

在104中，将所述采集的多张图像输入到第一机器学习模型中，确定采购人员关注的一个或多个特征。例如，所述木材产品可以是餐桌，所述一个或多个特征可以是餐桌的桌面材质、桌面形状等餐桌的特征。

图2是一种木材产品特征分析方法实施例示意图。

在202中，将所述采集的多张图像输入到第一机器学习子模型中，识别每张图像中的采购人员和木材产品。

在204中，将所述识别出采购人员和木材产品的图像输入至第二机器学习子模型，确定采购人员关注的一个或多个特征。例如，所述木材产品为沙发，所述采购人员关注的沙发的一个或多个特征为皮套材料、皮套颜色、靠背、长度等中的一个或多个特征。又例如，所述木材产品为餐桌，所述采购人员关注的餐桌的一个或多个特征为高度、桌面板材、桌面形状、桌面大小等中的一个或多个特征。

在一些实施例中，所述采集的图像中包括采购人员与木材产品的交互行为。例如，某张图像中采购人员在测量餐桌的高度。又例如，某张图像中采购人员在触摸沙发的皮套材料。通过第一个机器学习模型，筛选出所述采购人员与木材产品；通过第二个机器学习模型，识别出所述采购人员和木材产品的交互行为(例如，测量、触摸、观察等)，并基于所述交互行为，确定所述采购人员关注的木材产品的一个或多个特征。

在一些实施例中，所述第一机器学习模型、第一机器学习子模型和所示第二机器学习子模型可以是训练获得的。

值得说明的是，图2中所述的特征识别方法仅是本申请的一种实施例，并不用于限定本申请。例如，所述特征识别也可以仅使用一个机器学习模型实现(即如图1中所述过程)。

在一些实施例中，所述采购人员关注的特征可用于预估新款式木材产品的销量，或者用于帮助设计人员设计更畅销的产品。图3是根据本申请的一些实施例所示的一种新款木材产品销量预估方法示意图。

在302中，获取每个款式的木材产品的历史销售数据。

在304中，将所述采购人员关注的一个或多个特征，和所述每个款式的木材产品的历史销售数据输入到第二机器学习模型，预估一件新款式木材产品的销量。

图4为根据本申请的一些实施例所示的一种木材产品特征分析装置示意图。如图4所示，所述木材产品特征分析装置400包括采集模块410和特征确定模块420。

所述采集模块用于采集包括采购人员与木材产品的多张图像，所述多张图像中的木材产品为多个款式的木材产品。在一些实施例中，所述采集模块410可以是图像传感器。所述多张图像中的木材产品对应多个款式木材产品。例如，所述不同款式的木材产品为不同型号或不同款式的沙发。又例如，所述不同款式的木材产品为不同型号或不同款式的办公桌。还例如，所述木材产品还可以是椅子、躺椅、折叠椅、饭桌等任意的木材产品。更具体地，所述多款式的木材产品可以包括一个红色茶几和蓝色沙发。

所述特征确定模块420用于将所述采集的多张图像输入到第一机器学习模型中，确定采购人员关注的一个或多个特征。在一些实施例中，所述木材产品可以是餐桌，所述一个或多个特征可以是餐桌的桌面材质、桌面形状等餐桌的特征。

图5是根据本申请的一些实施例所示的一种特征确定模块示意图。如图5所示，所述特征确定模块500包括第一识别单元510和第二识别单元520。

所述第一识别模块510用于将所述采集的多张图像输入到第一机器学习子模型中，识别每张图像中的采购人员和木材产品。

所述第二识别单元520用于将所述识别出采购人员和木材产品的图像输入至第二机器学习子模型，确定采购人员关注的一个或多个特征。例如，所述木材产品为沙发，所述采购人员关注的沙发的一个或多个特征为皮套材料、皮套颜色、靠背、长度等中的一个或多个特征。又例如，所述木材产品为餐桌，所述采购人员关注的餐桌的一个或多个特征为高度、桌面板材、桌面形状、桌面大小等中的一个或多个特征。

在一些实施例中，所述第一机器学习模型、第一机器学习子模型和所示第二机器学习子模型可以是训练获得的。

值得说明的是，图5中所述的特征确定模块仅是本申请的一种实施例，并不用于限定本申请。例如，所述特征识别也可以仅使用一个机器学习模型实现(即如图4中所述的第一机器学习模型)。

在一些实施例中，所述采集的图像中包括采购人员与木材产品的交互行为。例如，某张图像中采购人员在测量餐桌的高度。又例如，某张图像中采购人员在触摸沙发的皮套材料。通过第一个机器学习模型，筛选出所述采购人员与木材产品；通过第二个机器学习模型，识别出所述采购人员和木材产品的交互行为(例如，测量、触摸、观察等)，并基于所述交互行为，确定所述采购人员关注的木材产品的一个或多个特征。例如，当识别出的采购人员与木材的交互行为为测量餐桌高度时，确定该图中采购人员关注的木材产品特征为高度。

在一些实施例中，所述木材产品特征分析装置400还包括销量预估模块。图6是根据本申请的一些实施例所示的销量预估模块示意图。如图6所示，所述销量预估模块600包括获取单元610和销量预估单元620。

所述权重获取单元610用于获取每个款式的木材产品的历史销售数据。

所述销量预估单元620用于将所述采购人员关注的一个或多个特征，和所述每个款式的木材产品的历史销售数据输入到第二机器学习模型，预估一件新款式木材产品的销量。所述销量预估方法在图3及其描述中已有说明，在此不做赘述。

图7是根据一种采购人员与木材产品的交互行为及训练过程示意图。如图7所示，图7中左侧为采购人员观察地板的图像。图7中右侧为卷积神经网络的训练过程，可以将训练卷积神经网络的最后几层，分别实现不同的功能，例如，用于特征分析或销售预测。

如前文所述，图3或图6中所述的子特征对应的权重与历史销量有关。在一些实施例中，所述预估的新款式木材产品销量与权重的关系可以是随时间变化的，这是因为，不同的时间点的历史销量是不同的，因此权重也是随时间变化的。在图6中表现为特征与销售量的关系，也就是权重随时间的变化。

与现有技术相比，本申请的有益效果表现如下：

一、通过机器视觉和神经网络模型对采购人员行为特征进行识别分类，节省了销售人员的人工成本。

二、传统的木材销售过程中销售人员对采购人员关注的木材特征的判断严重依赖销售人员的销售经验，通过机器视觉及神经网络，提高了木材特征的分析精度。

以上概述了的方法的不同方面和/或通过程序实现其他步骤的方法。技术中的程序部分可以被认为是以可执行的代码和/或相关数据的形式而存在的“产品”或“制品”，是通过计算机可读的介质所参与或实现的。有形的、永久的储存介质包括任何计算机、处理器、或类似设备或相关的模块所用到的内存或存储器。例如各种半导体存储器、磁带驱动器、磁盘驱动器或者类似任何时间能够为软件提供存储功能的设备。

所有软件或其中的一部分有时可能会通过网络进行通信，如互联网或其他通信网络。此类通信能够将软件从一个计算机设备或处理器加载到另一个。例如：从智能机器人系统的一个管理服务器或主机计算机加载至一个计算机环境的硬件平台，或其他实现系统的计算机环境，或与智能机器人系统所需要的信息相关的类似功能的系统。因此，另一种能够传递软件元素的介质也可以被用作局部设备之间的物理连接，例如光波、电波、电磁波等，通过电缆、光缆或者空气实现传播。用来载波的物理介质如电缆、无线连接或光缆等类似设备，也可以被认为是承载软件的介质。在这里的用法除非限制了有形的“储存”介质，其他表示计算机或机器“可读介质”的术语都表示在处理器执行任何指令的过程中参与的介质。

因此，一个计算机可读的介质可能有多种形式，包括但不限于，有形的存储介质，载波介质或物理传输介质。稳定的储存介质包括：光盘或磁盘，以及其他计算机或类似设备中使用的，能够实现图中所描述的系统组件的存储系统。不稳定的存储介质包括动态内存，例如计算机平台的主内存。有形的传输介质包括同轴电缆、铜电缆以及光纤，包括计算机系统内部形成总线的线路。载波传输介质可以传递电信号、电磁信号，声波信号或光波信号，这些信号可以由无线电频率或红外数据通信的方法所产生的。通常的计算机可读介质包括硬盘、软盘、磁带、任何其他磁性介质；CD-ROM、DVD、DVD-ROM、任何其他光学介质；穿孔卡、任何其他包含小孔模式的物理存储介质；RAM、PROM、EPROM、FLASH-EPROM，任何其他存储器片或磁带；传输数据或指令的载波、电缆或传输载波的连接装置、任何其他可以利用计算机读取的程序代码和/或数据。这些计算机可读介质的形式中，会有很多种出现在处理器在执行指令、传递一个或更多结果的过程之中。

本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，例如，局域网(LAN)或广域网(WAN)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)。

本领域技术人员能够理解，本申请所披露的内容可以出现多种变型和改进。例如，以上所描述的不同系统组件都是通过硬件设备所实现的，但是也可能只通过软件的解决方案得以实现。例如：在现有的服务器上安装系统。此外，这里所披露的位置信息的提供可能是通过一个固件、固件/软件的组合、固件/硬件的组合或硬件/固件/软件的组合得以实现。

以上内容描述了本申请和/或一些其他的示例。根据上述内容，本申请还可以作出不同的变形。本申请披露的主题能够以不同的形式和例子所实现，并且本申请可以被应用于大量的应用程序中。后文权利要求中所要求保护的所有应用、修饰以及改变都属于本申请的范围。

同时，本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档、物件等，特将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外，对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是，如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方，以本申请的描述、定义和/或术语的使用为准。

最后，应当理解的是，本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此，作为示例而非限制，本申请实施例的替代配置可视为与本申请的教导一致。相应地，本申请的实施例不限于本申请明确介绍和描述的实施例。

Claims (6)

1.一种林业产品特征分析方法，其特征在于，包括：

采集包括采购人员与木材产品的多张图像，所述多张图像中的木材产品为多个款式的木材产品；

将采集的多张图像输入到第一机器学习模型中，确定采购人员关注的一个或多个特征；

获取每个款式的木材产品的历史销售数据；

将所述采购人员关注的一个或多个特征，和所述每个款式的木材产品的历史销售数据输入到第二机器学习模型，预估一件新款式木材产品的销量。

2.如权利要求1所述的方法，其特征在于，所述将采集的多张图像输入到第一机器学习模型中，确定采购人员关注的一个或多个特征，包括：

将采集的多张图像输入到第一机器学习子模型中，识别每张图像中的采购人员和木材产品；

将识别出采购人员和木材产品的图像输入至第二机器学习子模型，确定采购人员关注的一个或多个特征。

3.一种林业产品特征分析装置，其特征在于，包括：

采集模块，用于采集包括采购人员与木材产品的多张图像，所述多张图像中的木材产品为多个款式的木材产品；

特征确定模块，用于将采集的多张图像输入到第一机器学习模型中，确定采购人员关注的一个或多个特征；

获取单元，用于获取每个款式的木材产品的历史销售数据；

销量预估单元，用于将所述采购人员关注的一个或多个特征，和所述每个款式的木材产品的历史销售数据输入到第二机器学习模型，预估一件新款式木材产品的销量。

4.如权利要求3所述的林业产品特征分析装置，其特征在于，所述特征确定模块包括：

第一识别单元，用于将采集的多张图像输入到第一机器学习子模型中，识别每张图像中的采购人员和木材产品；

第二识别单元，用于将识别出采购人员和木材产品的图像输入至第二机器学习子模型，确定采购人员关注的一个或多个特征。

5.一种电子设备，其特征在于，其特征在于，包括处理器，所述处理器执行如权利要求1或2所述的林业产品特征分析方法。

6.一种计算机可读存储介质，所述存储介质存储计算机指令，其特征在于，所述计算机指令被计算机读取后执行如权利要求1或2所述的林业产品特征分析方法。

Images