CN110414532B - 一种基于深度学习的商品图像识别方法 - Google Patents
一种基于深度学习的商品图像识别方法 Download PDFInfo
- Publication number
- CN110414532B CN110414532B CN201910543429.8A CN201910543429A CN110414532B CN 110414532 B CN110414532 B CN 110414532B CN 201910543429 A CN201910543429 A CN 201910543429A CN 110414532 B CN110414532 B CN 110414532B
- Authority
- CN
- China
- Prior art keywords
- commodity
- image
- deep learning
- sample
- color
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于深度学习的商品图像识别方法，包括以下步骤：提取商品图像的轮廓特征图像；将所述轮廓特征图像输入第一深度学习模型，得到所述商品的类别匹配结果；根据类别匹配结果选取对应的第二深度学习模型，所述第二深度学习模型为多个，不同的第二深度学习模型对应不同的商品类别，所述商品类别根据商品的轮廓进行分类；提取商品图像的颜色特征图像和/或纹理特征图像；将所述颜色特征图像和/或纹理特征图像输入所述类别匹配结果对应的第二深度学习模型，得到所述商品的最终匹配结果。本发明既可以提高商品识别的准确性，又可以提高商品识别的效率。
Description
技术领域
本发明涉及图像识别技术领域，更具体地，涉及一种基于深度学习的商品图像识别方法。
背景技术
随着科技与经济的发展，用人成本逐渐提高，再加上电子商务的兴起，使得零售业的利润越来越低。在现代的零售业中，无论是大型超市，还是小型超市，均采用收银员手工结算的方式，这种方式首先是结算效率低，顾客往往需要花费大量的时间，排队等待商品结算；其次，由于超市的顾客人流量大，尤其是大型超市，在购物高峰时段，购物顾客人数多，收银员劳动强度非常大，而当超市的顾客人流量较小时，仍然需要大量的收银人员长时间值守。为了降低超市的用人成本，并且提高顾客在超市结算商品的效率，亟需智能高效的无人商品结算方案，在商品结算的过程中，商品的识别是重要的一个环节，由于商品种类繁多，同一种类的商品又有不同厂家和不同口味或型号，而不同厂家、不同口味或型号的商品又会对应不同的价格，因此商品结算的顺利进行对商品识别的准确性、高效性具有较高的要求。
发明内容
本发明旨在克服上述现有技术的至少一种缺陷(不足)，提供一种基于深度学习的商品图像识别方法，既可以提高商品识别的准确性，又可以提高商品识别的效率。
本发明采取的技术方案是：
一种基于深度学习的商品图像识别方法，包括以下步骤：
S1.提取商品图像的轮廓特征图像；
S2.将所述轮廓特征图像输入第一深度学习模型，得到所述商品的类别匹配结果；
S3.根据类别匹配结果选取对应的第二深度学习模型，所述第二深度学习模型为多个，不同的第二深度学习模型对应不同的商品类别，所述商品类别根据商品的轮廓进行分类；
S4.提取商品图像的颜色特征图像和/或纹理特征图像；
S5.将所述颜色特征图像和/或纹理特征图像输入所述类别匹配结果对应的第二深度学习模型，得到所述商品的最终匹配结果。
如果不同的商品通过统一的深度学习模型进行识别，会使得商品识别出的结果准确率很低。而不同的商品类别其商品轮廓具有较大的差异，因此，针对不同的商品轮廓对商品进行分类形成不同的商品类别，不同的商品类别对应训练出不同的第二深度学习模型，在商品识别的过程中，先根据商品图像的轮廓特征图像通过第一深度学习模型识别商品的大致商品类别，再根据判断出的商品类别选择该商品类别对应的第二深度学习模型，最后根据商品图像的颜色特征图像和/或纹理特征图像通过所选择出的第二深度学习模型进一步识别该商品的具体类别，可以大大提高商品识别的准确率。
同时，如果不同的商品通过统一的深度学习模型进行识别，为了保证商品识别的准确率，该统一的深度学习模型会庞大而复杂，其识别过程会很慢。由于轮廓特征相对于颜色特征、纹理特征而言是低层次特征，颜色特征、纹理特征是高层次特征，所以根据商品图像的轮廓特征图像通过第一深度学习模型进行识别，该识别过程是比较快的。又由于不同的第二深度学习模型对应不同的商品类别，第二深度学习模型的商品识别匹配的范围被缩小了，使得通过第二深度学习模型所进行的商品识别更加精准化，在根据轮廓特征获得类别匹配结果的前提下，再根据颜色特征和/或纹理特征通过第二深度学习模型进行识别，该识别过程也是比较快的。因此，整个商品识别过程的效率可以大大提高。
进一步地，所述第一深度学习模型采用以下步骤进行训练：
将不同商品类别的样本商品在正常状态下以及预设变形状态下的轮廓样本图像作为第一样本集；
根据第一样本集训练第一深度学习模型。
对于软包装的商品，其轮廓会有各种变化，因此在对第一深度学习模型进行训练时，其训练所采用的第一样本集需要考虑商品在正常状态下和变形状态下的轮廓变化，由此可以提高在根据轮廓特征图像进行商品识别时的准确率。
进一步地，所述第二深度学习模型采用以下步骤进行训练：
将同一个商品类别的样本商品在正常状态下的颜色样本图像和/或纹理样本图像作为该商品类别对应的第二样本集；
根据不同类别对应的第二样本集训练不同商品类别对应的第二深度学习模型。
商品图像中显示的商品是否变形，对所提取出的颜色特征图像和纹理特征图像的影响较小，因此在第二样本集中只需要考虑商品在正常状态下的颜色和/或纹理，由此可以减少第二深度学习模型的训练时间。
进一步地，所述轮廓样本图像为样本商品多个不同空间角度的轮廓样本图像，所述颜色样本图像为样本商品多个不同空间角度的颜色样本图像，所述纹理样本图像为样本商品多个不同空间角度的纹理样本图像。
在商品结算的过程中，拍摄到的商品图像不一定是商品的正面。不同角度拍摄到的商品图像所提取出的轮廓特征图像、颜色特征图像、纹理特征图像是不同的，将样本商品多个不同空间角度的轮廓样本图像放入用于训练第一深度学习模型的第一样本集中，并且将样本商品多个不同空间角度的颜色样本图像和/或轮廓样本图像放入用于训练第二深度学习模型的第二样本集中，可以使得通过第一深度学习模型以及第二深度学习模型进行商品识别时无需限制拍摄商品图像的角度，简化商品识别时顾客所需进行的操作。
进一步地，所述方法还包括以下步骤：
当最终匹配结果错误时，显示类别匹配结果；
若显示类别匹配结果为错误时，根据用户的输入纠正类别匹配结果；
根据纠正后的类别匹配结果重新选取对应的第二深度学习模型；
将颜色特征图像和/或纹理特征图像输入重新选取的第二深度学习模型，重新得到最终匹配结果。
当商品的最终匹配结果错误时，可能是将轮廓特征图像输入第一深度学习模型进行识别时出错，而导致最终匹配结果的错误。此时可以通过人工纠正，再根据纠正后的类别匹配结果重新选取第二深度学习模型并通过重新选取的第二深度学习模型进行识别得到最终匹配结果。
进一步地，所述方法还包括以下步骤：
当根据用户输入纠正类别匹配结果后，将所述轮廓特征图像作为轮廓样本图像，更新第一样本集；
根据更新后的第一样本集重新训练第一深度学习模型。
将不能正确识别的轮廓特征图像加入第一样本集中重新训练第一深度学习模型，第一深度学习模型可以得到不断完善和修正，使得第一深度学习模型具有更高的识别准确率。
进一步地，所述方法还包括以下步骤：
若显示类别匹配结果为正确时，根据用户输入纠正最终匹配结果；
当根据用户输入纠正最终匹配结果后，将所述颜色特征图像作为颜色样本图像和/或将所述纹理特征图像作为纹理样本图像，更新第二样本集；
根据更新后的第二样本集重新训练第二深度学习模型。
将不能正确识别的颜色特征图像和/或纹理特征图像加入第二样本集中重新训练第二深度学习模型，第二深度学习模型可以得到不断完善和修正，使得第二深度学习模型具有更高的识别准确率。
进一步地，所述提取商品图像的颜色特征图像和/或纹理特征图像，具体包括以下步骤：根据所述轮廓特征图像过滤商品图像的背景部分，得到商品图像的非背景部分；
提取商品图像的非背景部分的颜色特征图像和/或纹理特征图像。
根据已提取出的轮廓特征图像过滤商品图像的背景部分，再进行颜色特征图像和/或纹理特征图像的提取，可以提高将颜色特征图像和/或纹理特征图像输入第二深度学习模型中进行识别的准确率。
进一步地，在提取商品图像的颜色特征图像和/或纹理特征图像之前，所述方法还包括以下步骤：
测量所述商品的中部的颜色参数；
根据所述颜色参数调整所述商品图像的颜色。
由于环境光的影响，商品结算时拍摄得到的商品图像可能会出现色差，导致从该商品图像提取出来的颜色特征图像和纹理特征图像，输入第二深度学习模型而得到的匹配结果会存在较大的误差。因此，测量商品的中部的颜色参数，并且调整商品图像的整体颜色，可以提高根据颜色特征图像和/或纹理特征图像进行商品识别的准确率。
进一步地，所述颜色参数包括色度或色温或三刺激值。
与现有技术相比，本发明的有益效果为：
(1)本发明将商品图像的轮廓特征图像输入第一深度学习模型得到类别匹配结果，根据该类别匹配结果选取对应的第二深度学习模型，再将颜色特征图像和/或纹理特征图像输入所选取的第二深度学习模型得到最终匹配结果，可以提高商品识别的准确率和效率；
(2)本发明将样本商品正常状态和预设变形状态下的轮廓样本图像都放入用于训练第一深度学习模型的第一样本集中，即使商品图像中的商品发生了变形，也可以一定程度上保证轮廓特征图像输入第一深度学习模型后所得到的类别匹配结果的准确性；
(3)本发明将不能正确识别的轮廓特征图像加入第一训练集中，将不能正确识别的颜色特征图像和/或纹理特征图像加入第二训练集中，使得第一深度学习模型和第二深度学习模型具有自我修正和完善的能力；
(4)本发明根据已经提取的轮廓特征图像对商品图像进行背景滤除，使得在根据颜色特征图像和/或纹理特征图像进行商品识别时，其识别准确率和效率会提高。
(5)本发明根据所测量的商品颜色参数调整商品图像的颜色参数，使得后续根据调整后的商品图像提取的颜色特征图像和/或纹理特征图像与用于训练第二深度学习模型的第二样本集中的样本图像保持一致，使得在根据颜色特征图像和/或纹理特征图像进行商品识别时，其识别准确率和效率会进一步提高。
附图说明
图1为本发明实施例的方法流程图。
具体实施方式
本发明附图仅用于示例性说明，不能理解为对本发明的限制。为了更好说明以下实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
实施例
如图1所示，本实施例提供一种基于深度学习的商品图像识别方法，包括以下步骤：S1.提取商品图像的轮廓特征图像；
S2.将所述轮廓特征图像输入第一深度学习模型，得到所述商品的类别匹配结果；
S3.根据类别匹配结果选取对应的第二深度学习模型，所述第二深度学习模型为多个，不同的第二深度学习模型对应不同的商品类别，所述商品类别根据商品的轮廓进行分类；
S4.提取商品图像的颜色特征图像和/或纹理特征图像；
S5.将所述颜色特征图像和/或纹理特征图像输入所述类别匹配结果对应的第二深度学习模型，得到所述商品的最终匹配结果。
如果不同的商品通过统一的深度学习模型进行识别，会使得商品识别出的结果准确率很低。而不同的商品类别其商品轮廓具有较大的差异，如苹果、橘子、雪梨等水果类的轮廓是近似圆形的，薯片、果干等零食类包装袋的轮廓是近似矩形的，因此，针对不同的商品轮廓对商品进行分类形成不同的商品类别，不同的商品类别对应训练出不同的第二深度学习模型，在商品识别的过程中，先根据商品图像的轮廓特征图像通过第一深度学习模型识别商品的大致商品类别，再根据判断出的商品类别选择该商品类别对应的第二深度学习模型，最后根据商品图像的颜色特征图像和/或纹理特征图像通过所选择出的第二深度学习模型进一步识别该商品的具体类别，可以大大提高商品识别的准确率。
同时，如果不同的商品通过统一的深度学习模型进行识别，为了保证商品识别的准确率，该统一的深度学习模型会庞大而复杂，其识别过程会很慢。由于轮廓特征相对于颜色特征、纹理特征而言是低层次特征，颜色特征、纹理特征是高层次特征，所以根据商品图像的轮廓特征图像通过第一深度学习模型进行识别，该识别过程是比较快的。又由于不同的第二深度学习模型对应不同的商品类别，第二深度学习模型的商品识别匹配的范围被缩小了，使得通过第二深度学习模型所进行的商品识别更加精准化，在根据轮廓特征获得类别匹配结果的前提下，再根据颜色特征和/或纹理特征通过第二深度学习模型进行识别，该识别过程也是比较快的。因此，整个商品识别过程的效率可以大大提高。
在一个实施例中，所述第一深度学习模型采用以下步骤进行训练：
将不同商品类别的样本商品在正常状态下以及预设变形状态下的轮廓样本图像作为第一样本集；
根据第一样本集训练第一深度学习模型。
对于软包装的商品，其轮廓会有各种变化，因此在对第一深度学习模型进行训练时，其训练所采用的第一样本集需要考虑商品在正常状态下和变形状态下的轮廓变化，由此可以提高在根据轮廓特征图像进行商品识别时的准确率。变形状态可以是根据商品的常见变形进行人为预设。
在一个实施例中，所述第二深度学习模型采用以下步骤进行训练：
将同一个商品类别的样本商品在正常状态下的颜色样本图像和/或纹理样本图像作为该商品类别对应的第二样本集；
根据不同类别对应的第二样本集训练不同商品类别对应的第二深度学习模型。
商品图像中显示的商品是否变形，对所提取出的颜色特征图像和纹理特征图像的影响较小，因此在第二样本集中只需要考虑商品在正常状态下的颜色和/或纹理，由此可以减少第二深度学习模型的训练时间。
在一个实施例中，所述轮廓样本图像为样本商品多个不同空间角度的轮廓样本图像，所述颜色样本图像为样本商品多个不同空间角度的颜色样本图像，所述纹理样本图像为样本商品多个不同空间角度的纹理样本图像。
在商品结算的过程中，拍摄到的商品图像不一定是商品的正面。不同角度拍摄到的商品图像所提取出的轮廓特征图像、颜色特征图像、纹理特征图像是不同的，将样本商品多个不同空间角度的轮廓样本图像放入用于训练第一深度学习模型的第一样本集中，并且将样本商品多个不同空间角度的颜色样本图像和/或轮廓样本图像放入用于训练第二深度学习模型的第二样本集中，可以使得通过第一深度学习模型以及第二深度学习模型进行商品识别时无需限制拍摄商品图像的角度，简化商品识别时顾客所需进行的操作。
在一个实施例中，所述方法还包括以下步骤：
当最终匹配结果错误时，显示类别匹配结果；
若显示类别匹配结果为错误时，根据用户的输入纠正类别匹配结果；
根据纠正后的类别匹配结果重新选取对应的第二深度学习模型；
将颜色特征图像和/或纹理特征图像输入重新选取的第二深度学习模型，重新得到最终匹配结果。
当商品的最终匹配结果错误时，可能是将轮廓特征图像输入第一深度学习模型进行识别时出错，而导致最终匹配结果的错误。此时可以通过人工纠正，再根据纠正后的类别匹配结果重新选取第二深度学习模型并通过重新选取的第二深度学习模型进行识别得到最终匹配结果。
在一个实施例中，所述方法还包括以下步骤：
当根据用户输入纠正类别匹配结果后，将所述轮廓特征图像作为轮廓样本图像，更新第一样本集；
根据更新后的第一样本集重新训练第一深度学习模型。
将不能正确识别的轮廓特征图像加入第一样本集中重新训练第一深度学习模型，第一深度学习模型可以得到不断完善和修正，使得第一深度学习模型具有更高的识别准确率。
在一个实施例中，所述方法还包括以下步骤：
若显示类别匹配结果为正确时，根据用户输入纠正最终匹配结果；
当根据用户输入纠正最终匹配结果后，将所述颜色特征图像作为颜色样本图像和/或将所述纹理特征图像作为纹理样本图像，更新第二样本集；
根据更新后的第二样本集重新训练第二深度学习模型。
当类别匹配结果是正确的，而最终匹配结果是错误时，表明是将颜色特征图像和/或纹理特征图像输入第二深度学习模型进行识别时出错，而导致最终匹配结果的错误。此时可以通过人工纠正，并将不能正确识别的颜色特征图像和/或纹理特征图像加入第二样本集中重新训练第二深度学习模型，第二深度学习模型可以得到不断完善和修正，使得第二深度学习模型具有更高的识别准确率。
在一个实施例中，所述提取商品图像的颜色特征图像和/或纹理特征图像，具体包括以下步骤：
根据所述轮廓特征图像过滤商品图像的背景部分，得到商品图像的非背景部分；
提取商品图像的非背景部分的颜色特征图像和/或纹理特征图像。
根据已提取出的轮廓特征图像过滤商品图像的背景部分，再进行颜色特征图像和/或纹理特征图像的提取，可以提高将颜色特征图像和/或纹理特征图像输入第二深度学习模型中进行识别的准确率。
在一个实施例中，在步骤S4之前，还包括以下步骤：
测量所述商品的中部的颜色参数；
根据所述颜色参数调整所述商品图像的颜色。
由于环境光的影响，商品结算时拍摄得到的商品图像可能会出现色差，导致拍摄得到的商品图像与用于训练第二深度学习模型的第二样本集中的颜色样本图像和纹理样本图像具有较大的差异，例如曝光过度会导致颜色改变以及纹理无法辨别，从该商品图像提取出来的颜色特征图像和纹理特征图像，输入第二深度学习模型而得到的匹配结果会存在较大的误差。而商品的不同部位，颜色是不同的，因此，测量商品的中部的颜色参数，具体可以采用色温计进行测量，并且将该颜色参数与商品图像中部的颜色参数进行比对，调整商品图像的整体颜色，使得商品图像中部的颜色参数与测量到的商品中部的颜色参数一致，再提取出颜色特征图像和/或纹理特征图像输入第二深度学习模型中，可以提高根据颜色颜色特征图像和/或纹理特征图像进行商品识别的准确率。
在一个实施例中，所述颜色参数包括色度或色温或三刺激值。
具体实施过程中，第一深度学习模型和第二深度学习模型可以采用CNN模型或者ResNet-CNN模型等。
显然，本发明的上述实施例仅仅是为清楚地说明本发明技术方案所作的举例，而并非是对本发明的具体实施方式的限定。凡在本发明权利要求书的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (9)
1.一种基于深度学习的商品图像识别方法，其特征在于，包括以下步骤：
提取商品图像的轮廓特征图像；
将所述轮廓特征图像输入第一深度学习模型，得到所述商品的类别匹配结果；
根据类别匹配结果选取对应的第二深度学习模型，所述第二深度学习模型为多个，不同的第二深度学习模型对应不同的商品类别，所述商品类别根据商品的轮廓进行分类；
提取商品图像的颜色特征图像和/或纹理特征图像；
将所述颜色特征图像和/或纹理特征图像输入所述类别匹配结果对应的第二深度学习模型，得到所述商品的最终匹配结果；
当最终匹配结果错误时，显示类别匹配结果；
若显示类别匹配结果为错误时，根据用户的输入纠正类别匹配结果；
根据纠正后的类别匹配结果重新选取对应的第二深度学习模型；
将颜色特征图像和/或纹理特征图像输入重新选取的第二深度学习模型，重新得到最终匹配结果。
2.根据权利要求1所述的一种基于深度学习的商品图像识别方法，其特征在于，所述第一深度学习模型采用以下步骤进行训练：
将不同商品类别的样本商品在正常状态下以及预设变形状态下的轮廓样本图像作为第一样本集；
根据第一样本集训练第一深度学习模型。
3.根据权利要求2所述的一种基于深度学习的商品图像识别方法，其特征在于，所述第二深度学习模型采用以下步骤进行训练：
将同一个商品类别的样本商品在正常状态下的颜色样本图像和/或纹理样本图像作为该商品类别对应的第二样本集；
根据不同类别对应的第二样本集训练不同商品类别对应的第二深度学习模型。
4.根据权利要求3所述的一种基于深度学习的商品图像识别方法，其特征在于，所述轮廓样本图像为样本商品多个不同空间角度的轮廓样本图像，所述颜色样本图像为样本商品多个不同空间角度的颜色样本图像，所述纹理样本图像为样本商品多个不同空间角度的纹理样本图像。
5.根据权利要求1所述的一种基于深度学习的商品图像识别方法，其特征在于，还包括以下步骤：
当根据用户输入纠正类别匹配结果后，将所述轮廓特征图像作为轮廓样本图像，更新第一样本集；
根据更新后的第一样本集重新训练第一深度学习模型。
6.根据权利要求1所述的一种基于深度学习的商品图像识别方法，其特征在于，还包括以下步骤：
若显示类别匹配结果为正确时，根据用户输入纠正最终匹配结果；
当根据用户输入纠正最终匹配结果后，将所述颜色特征图像作为颜色样本图像和/或将所述纹理特征图像作为纹理样本图像，更新第二样本集；
根据更新后的第二样本集重新训练第二深度学习模型。
7.根据权利要求1至3、5、6任一项所述的一种基于深度学习的商品图像识别方法，其特征在于，所述提取商品图像的颜色特征图像和/或纹理特征图像，具体包括以下步骤：
根据所述轮廓特征图像过滤商品图像的背景部分，得到商品图像的非背景部分；
提取商品图像的非背景部分的颜色特征图像和/或纹理特征图像。
8.根据权利要求1至3、5、6任一项所述的一种基于深度学习的商品图像识别方法，其特征在于，在提取商品图像的颜色特征图像和/或纹理特征图像之前，还包括以下步骤：
测量所述商品的中部的颜色参数；
根据所述颜色参数调整所述商品图像的颜色。
9.根据权利要求8所述的一种基于深度学习的商品图像识别方法，其特征在于，所述颜色参数包括色度或色温或三刺激值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910543429.8A CN110414532B (zh) | 2019-06-21 | 2019-06-21 | 一种基于深度学习的商品图像识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910543429.8A CN110414532B (zh) | 2019-06-21 | 2019-06-21 | 一种基于深度学习的商品图像识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110414532A CN110414532A (zh) | 2019-11-05 |
| CN110414532B true CN110414532B (zh) | 2021-08-06 |
Family
ID=68359596
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910543429.8A Active CN110414532B (zh) | 2019-06-21 | 2019-06-21 | 一种基于深度学习的商品图像识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110414532B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110956459A (zh) * | 2019-11-28 | 2020-04-03 | 浙江由由科技有限公司 | 一种商品处理方法及系统 |
| CN113361511A (zh) * | 2020-03-05 | 2021-09-07 | 顺丰科技有限公司 | 修正模型的建立方法、装置、设备及计算机可读存储介质 |
| CN111368789B (zh) * | 2020-03-18 | 2023-05-26 | 腾讯科技（深圳）有限公司 | 图像识别方法、装置、计算机设备和存储介质 |
| CN111613107A (zh) * | 2020-05-19 | 2020-09-01 | 富邦教育科技(深圳)有限公司 | 一种人工智能作业系统 |
| CN112798619B (zh) * | 2020-12-25 | 2022-12-23 | 广州利科科技有限公司 | 隧道缺陷的快速检测系统与检测方法 |
| CN112668558A (zh) * | 2021-03-12 | 2021-04-16 | 浙江口碑网络技术有限公司 | 基于人机交互的收银纠错方法及装置 |
| CN113066227B (zh) * | 2021-03-16 | 2022-06-28 | 广东便捷神科技股份有限公司 | 一种支持预售寄存功能的无人售货机 |
| CN113610138A (zh) * | 2021-08-02 | 2021-11-05 | 典基网络科技(上海)有限公司 | 基于深度学习模型的图像分类识别方法、装置及存储介质 |
| CN116994007B (zh) * | 2023-09-26 | 2024-03-19 | 支付宝(杭州)信息技术有限公司 | 商品纹理检测处理方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7636700B2 (en) * | 2004-02-03 | 2009-12-22 | Hrl Laboratories, Llc | Object recognition system incorporating swarming domain classifiers |
| CN106326852A (zh) * | 2016-08-18 | 2017-01-11 | 无锡天脉聚源传媒科技有限公司 | 一种基于深度学习的商品识别方法及装置 |
| CN106875203A (zh) * | 2015-12-14 | 2017-06-20 | 阿里巴巴集团控股有限公司 | 一种确定商品图片的款式信息的方法及装置 |
| CN109447165A (zh) * | 2018-11-02 | 2019-03-08 | 西安财经学院 | 一种农产品品质状态识别方法及装置 |
-
2019
- 2019-06-21 CN CN201910543429.8A patent/CN110414532B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7636700B2 (en) * | 2004-02-03 | 2009-12-22 | Hrl Laboratories, Llc | Object recognition system incorporating swarming domain classifiers |
| CN106875203A (zh) * | 2015-12-14 | 2017-06-20 | 阿里巴巴集团控股有限公司 | 一种确定商品图片的款式信息的方法及装置 |
| CN106326852A (zh) * | 2016-08-18 | 2017-01-11 | 无锡天脉聚源传媒科技有限公司 | 一种基于深度学习的商品识别方法及装置 |
| CN109447165A (zh) * | 2018-11-02 | 2019-03-08 | 西安财经学院 | 一种农产品品质状态识别方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| Supermarket Commodity Identification Using Convolutional Neural Networks;Jingsong Li 等;《2016 2nd International Conference on Cloud Computing and Internet of Things (CCIOT)》;20161231;全文 * |
| 基于移动终端的物品识别系统设计;王新雷 等;《软件导刊》;20141031;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110414532A (zh) | 2019-11-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110414532B (zh) | 一种基于深度学习的商品图像识别方法 | |
| US11151427B2 (en) | Method and apparatus for checkout based on image identification technique of convolutional neural network | |
| Momin et al. | Geometry-based mass grading of mango fruits using image processing | |
| CN103593670B (zh) | 一种基于在线序列极限学习机的铜板带表面缺陷检测方法 | |
| Blasco et al. | Recognition and classification of external skin damage in citrus fruits using multispectral data and morphological features | |
| US11003958B2 (en) | Food quality image classification | |
| US20130071033A1 (en) | Classifier for use in generating a diffuse image | |
| CN107590460B (zh) | 人脸分类方法、装置及智能终端 | |
| Thakur et al. | An innovative approach for fruit ripeness classification | |
| CN110288013A (zh) | 一种基于block分割和多重输入孪生卷积神经网络的缺陷标签识别方法 | |
| CN105699397B (zh) | 一种苹果表面光泽度检测方法 | |
| CN110619336B (zh) | 基于图像处理的货品识别算法 | |
| CN114758132B (zh) | 一种基于卷积神经网络的果树病虫害识别方法及系统 | |
| CN115880271A (zh) | 一种晶体生长过程中籽晶单晶线棱角的识别检测方法 | |
| CN110070086A (zh) | 一种基于图像识别的猕猴桃叶片病害识别方法 | |
| Sudana et al. | Mobile application for identification of coffee fruit maturity using digital image processing | |
| Kumar et al. | Fruit-CNN: An Efficient Deep learning-based fruit classification and quality assessment for precision agriculture | |
| Jayalakshmi et al. | Monitoring Ripeness in Fruits and Vegetables Using the Raspberry Pi | |
| CN111209911A (zh) | 基于语义分割网络的自定义标签识别系统及识别方法 | |
| CN115546141A (zh) | 一种基于多维度度量的小样本Mini LED缺陷检测方法及系统 | |
| Shelke et al. | Detection of Artificially Ripened Fruits using Machine Learning | |
| CN112115824B (zh) | 果蔬检测方法、装置、电子设备以及计算机可读介质 | |
| Prabhu et al. | Mango Fruit Classification using Computer Vision System | |
| Muladi et al. | Classification of eligibility consumption of manalagi apple fruit varieties using backpropagation | |
| CN110033037A (zh) | 一种数字式仪表读数的识别方法 |
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 |