CN111709371B - 基于人工智能的分类方法、装置、服务器和存储介质 - Google Patents
基于人工智能的分类方法、装置、服务器和存储介质 Download PDFInfo
- Publication number
- CN111709371B CN111709371B CN202010557914.3A CN202010557914A CN111709371B CN 111709371 B CN111709371 B CN 111709371B CN 202010557914 A CN202010557914 A CN 202010557914A CN 111709371 B CN111709371 B CN 111709371B
- Authority
- CN
- China
- Prior art keywords
- commodity
- classification
- classification model
- image
- target
- 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
- 238000000034 method Methods 0.000 title claims abstract description 87
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 33
- 238000013145 classification model Methods 0.000 claims abstract description 247
- 238000012549 training Methods 0.000 claims abstract description 106
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000012360 testing method Methods 0.000 claims description 48
- 238000001514 detection method Methods 0.000 claims description 17
- 230000015654 memory Effects 0.000 claims description 16
- 238000011176 pooling Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012550 audit Methods 0.000 claims description 6
- 238000012552 review Methods 0.000 claims description 2
- 241000220225 Malus Species 0.000 description 10
- 238000013135 deep learning Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 235000011430 Malus pumila Nutrition 0.000 description 7
- 235000015103 Malus silvestris Nutrition 0.000 description 7
- 241000220324 Pyrus Species 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 6
- 235000014443 Pyrus communis Nutrition 0.000 description 5
- 235000009754 Vitis X bourquina Nutrition 0.000 description 5
- 235000012333 Vitis X labruscana Nutrition 0.000 description 5
- 240000006365 Vitis vinifera Species 0.000 description 5
- 235000014787 Vitis vinifera Nutrition 0.000 description 5
- 235000021016 apples Nutrition 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 244000144730 Amygdalus persica Species 0.000 description 1
- 244000157072 Hylocereus undatus Species 0.000 description 1
- 235000018481 Hylocereus undatus Nutrition 0.000 description 1
- 235000006040 Prunus persica var persica Nutrition 0.000 description 1
- 241000219094 Vitaceae Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 235000021021 grapes Nutrition 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 235000021017 pears Nutrition 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种基于人工智能的分类方法、装置、服务器和存储介质,其中,方法包括,获取目标图像,目标图像中包括目标待检测商品图像区域;将目标图像分别输入至第一分类模型和第二分类模型中,得到针对目标待检测商品的第一分类结果和第二分类结果,对第一分类结果和第二分类结果进行处理,得到针对目标待检测商品的目标分类结果,其中,第一分类模型为在初始分类模型上基于已有商品的图像训练得到的模型,第二分类模型为在第一分类模型上基于新增商品的图像再次训练得到的模型,通过实施上述方法,可以采用不同训练方式训练的两个模型对商品的类型进行综合分析,提升对于商品的识别效率以及识别准确率。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种基于人工智能的分类方法、装置、服务器和存储介质。
背景技术
商品陈列审核是在商品陈列环境对商品的上架情况进行记录,并审查其是否满足一定要求(如品牌商指定陈列规则)的一种人工操作流程。在互联网时代,通过摄像机采集图像并传输到计算机,借助计算机自动进行陈列审核已经成为主流发展。
目前,对于商品陈列审核的主要方式为采用大量已标注的商品图像对模型进行训练,使得训练后的模型能够识别出商品的类别,以进行商品的陈列审核,然而对于新增商品,其由于存在时间较短,可获取到的标注样本有限,因此无法采用大量新商品样本训练得到针对新商品的模型,导致商品陈列审核过程中对于商品的识别效率以及识别准确率较低。
发明内容
本发明实施例提供了一种基于人工智能的分类方法、装置、服务器和存储介质,可以基于不同训练方式训练的两个模型对商品的类型进行综合分析,提升对于商品的识别效率以及识别准确率。
一方面,本发明实施例提供了一种基于人工智能的分类方法,所述方法包括:
获取目标图像,所述目标图像中包括目标待检测商品图像区域;
将所述目标图像分别输入至第一分类模型和第二分类模型中,得到针对所述目标待检测商品的第一分类结果和第二分类结果,所述第一分类模型为在初始分类模型上基于已有商品的图像训练得到的模型,所述第二分类模型为在第一分类模型上基于新增商品的图像再次训练得到的模型,所述第一分类结果指示了所述目标待检测商品属于已有商品类别中每个类别的第一概率,所述第二分类结果指示了所述目标待检测商品属于新增商品类别中每个类别的第二概率;
对所述第一分类结果和第二分类结果进行处理,得到针对所述目标待检测商品的目标分类结果。
一方面,本发明实施例提供了一种基于人工智能的分类方法装置,所述装置包括:
获取模块,用于获取目标图像,所述目标图像中包括目标待检测商品图像区域;
输入模块,用于将所述目标图像分别输入至第一分类模型和第二分类模型中,得到针对所述目标待检测商品的第一分类结果和第二分类结果,所述第一分类模型为在初始分类模型上基于已有商品的图像训练得到的模型,所述第二分类模型为在第一分类模型上基于新增商品的图像再次训练得到的模型,所述第一分类结果指示了所述目标待检测商品属于已有商品类别中每个类别的第一概率,所述第二分类结果指示了所述目标待检测商品属于新增商品类别中每个类别的第二概率;
处理模块,用于对所述第一分类结果和第二分类结果进行处理,得到针对所述目标待检测商品的目标分类结果。
一方面,本发明实施例提供了一种服务器,包括处理器、输入接口、输出接口和存储器,所述处理器、输入接口、输出接口和存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行所述基于人工智能的分类方法。
一方面,本发明实施例提供了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存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行所述基于人工智能的分类方法。
本发明实施例中,服务器获取目标图像,目标图像中包括目标待检测商品图像区域;将目标图像分别输入至第一分类模型和第二分类模型中,得到针对目标待检测商品的第一分类结果和第二分类结果,对第一分类结果和第二分类结果进行处理,得到针对目标待检测商品的目标分类结果,其中,第一分类模型为在初始分类模型上基于已有商品的图像训练得到的模型,第二分类模型为在第一分类模型上基于新增商品的图像再次训练得到的模型,通过实施上述方法,可以采用不同训练方式训练的两个模型对商品的类型进行综合分析,提升对于商品的识别效率以及识别准确率。
附图说明
为了更清楚地说明本发明实施例技术方案,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的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于人工智能的分类方法的应用场景示意图;
图2是本发明实施例提供的一种基于人工智能的分类方法的流程示意图;
图3是本发明实施例提供的另一种基于人工智能的分类方法的流程示意图;
图4a是本发明实施例提供的一种模型训练的流程示意图;
图4b是本发明实施例提供的另一种模型训练的流程示意图;
图5是本发明实施例提供的一种对于分类结果的处理流程示意图;
图6是本发明实施例提供的又一种模型训练的流程示意图;
图7是本发明实施例提供的一种模块的结构示意图;
图8是本发明实施例提供的又一种基于人工智能的分类方法的流程示意图;
图9为本发明实施例提供的一种基于人工智能的分类装置的结构示意图;
图10是本发明实施例提供的一种服务器的结构示意图。
具体实施方式
商品陈列审核是在商品陈列环境对商品的上架情况进行记录,并审查其是否满足一定要求(如品牌商指定陈列规则)的一种人工操作流程。在互联网时代,通过摄像机采集图像并传输到计算机,借助计算机自动进行陈列审核已经成为主流发展。
本发明实施例的相关技术提及,目前在商品陈列审核过程中使用到的商品分类方法包括,将商品图像输入至识别模型中,由识别模型输出对于图像中商品的识别结果,并基于识别结果进行陈列审核,然而,在训练识别模型的过程中,需要使用到大量的商品样本图像对模型进行训练,使得模型能够充分学习到商品的特征,然而,对于新增商品,其存在的样本图像数量往往较少,采用上述方法无法对新增商品的特征进行充分学习,导致对于新增商品的分类准确率较低。
基于此,本发明实施例提出了一种基于人工智能的分类方法,其中,人工智能是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。在本发明实施例提出的基于人工智能的分类方案中,具体包括以下步骤,(1)服务器获取待检测图像,待检测图像中包括至少一个待检测商品图像区域,其中,待检测图像可以为前端摄像头获取到的图像,并由前端设备传入到后端的服务器中。(2)服务器从待检测图像中获取到目标图像,具体的,服务器将待检测图像输入至检测模型中,得到至少一个待检测商品图像区域中各个待检测商品图像区域的位置;并基于各个待检测商品区域的位置对各个待检测商品图像区域分别进行截取,得到每个待检测商品对应的商品图像;服务器将任意一个待检测商品对应的商品图像作为目标图像。(3)服务器将目标图像分别输入至第一分类模型和第二分类模型中,得到针对目标待检测商品的第一分类结果和第二分类结果,其中,第一分类模型为在初始分类模型上基于已有商品的图像训练得到的模型,第二分类模型为在第一分类模型上基于新增商品的图像再次训练得到的模型,第一分类结果指示了目标待检测商品属于已有商品类别中每个类别的第一概率,第二分类结果指示了目标待检测商品属于新增商品类别中每个类别的第二概率。(4)服务器对第一分类结果和第二分类结果进行处理,得到针对待检测商品的目标分类结果。该方案中主要采用较多的已有商品的图像在初始分类模型的基础上进行标注训练,得到针对已有商品的第一分类模型,以及采用较少的新增商品的图像在第一分类模型的基础上进行标注训练,得到针对新增商品的第二分类模型,上述方式中,由于预先以采用大量样本图像训练得到第一分类模型,使得第一分类模型中的部分参数(如卷积层参数)已为较佳的参数,因此采用少量新增商品的图像即可完成对于第一分类模型的再次训练,得到对于新增商品进行分类的第二分类模型,解决了新增商品样本不足导致的模型分类效果不佳的问题,并且,通过对第一分类模型得到的结果和第二分类模型得到的结果进行综合判断,也可以提升对于商品分类的准确性。
需要说明的是,上述基于人工智能的分类方法可以应用于商品陈列审核的场景,如图1所示,为本方案提供的基于人工智能的分类方法的应用场景示意图,具体的,前端设备可以获取到待检测图像,该待检测图像可以为摄像头获取到的视频中的一张图像、摄像头拍摄的单张图像、用户上传的图像等,待检测图像具体可以为各个商品的图像,前端设备将获取到图像发送至后端服务器,后端服务器应用商品分类系统对图像进行处理后,得到图像中各个商品的分类结果,该商品分类系统具体为应用本发明实施例提供的基于人工智能的分类方法构建的系统,分类结果可以每类商品的数量和类别,后端服务器将分类结果返回至前端设备,使得用户可以随时查阅针对图像中商品的分类结果。该场景下,基于人工智能的分类过程具体可以如图2所示,具体包括:(1)图像输入,具体为前端设备向服务器输入待检测图像。(2)商品检测,具体为服务器检测出待检测图像中各个商品区域的位置,以进一步对各个商品进行分类识别。(3)已有商品识别,具体为采用识别已有商品的分类模型对图像中各个商品区域中的商品进行识别,得到每个商品属于已有商品类别中每个类别的第一概率。(4)新增商品识别,具体为采用识别新增商品的分类模型对图像中各个商品区域中的商品进行识别,得到每个商品属于新增商品类别中每个类别的第二概率。其中,识别新增商品的分类模型具体为采用少量新增商品的样本图像对第一分类模型中的参数进行调整得到的;(5)识别结果融合,具体为获取到两个分类模型对于待检测图像中商品的分类结果以及检测模型对于商品的检测结果进行处理,得到针对待检测图像中各个商品的目标分类结果。(6)审核逻辑,具体为获取针对图像中商品的审核逻辑,审核逻辑可以为检测图像中的商品数量、类型等,可以由研发人员预先设定。(7)结果输出,具体为服务器输出针对待检测图像中各个商品的目标分类结果。
上述方式中,待检测图像具体可以为商品陈列场景图,经过上述基于人工智能的分类方法完整的计算后,可以自动化的输出对于待检测图像中各个商品的分类结果,上述方案至少具有如下优点:(1)提供了对于新增商品的识别方式,提升对商品识别分类的效率。(2)提供了一个基于检测、类别识别与组合逻辑判断的自动化商品识别的解决方案,减轻传统人力计算的人力消耗。(3)提供了一个可用于快速上新的自动化商品识别解决方案,提升了新商品识别准确性,并缩短了新商品到来下模型迭代更新的周期。(4)提供了一个基于少量样本对模型迭代训练方法,减少了对于新增商品识别的模型进行训练所需的新增商品的样本数量。
基于上述描述,本发明实施例提供一种基于人工智能的分类方法,请参见图3,该基于人工智能的分类方法过程可包括以下步骤S301-S303:
S301、服务器获取目标图像。
本发明实施例中,目标图像中包括目标待检测商品区域,即目标图像为目标待检测商品对应的图像,目标图像具体可以为待检测图像中截取出的图像,待检测图像中包括至少一个待检测商品区域,具体可以为由摄像头抓取的图像,或者人工输入的图像。
在一种实现方式中,服务器获取目标图像的具体方式可以为,服务器获取待检测图像,并将待检测图像输入至检测模型中,得到至少一个待检测商品区域中各个待检测商品区域的位置,具体的,服务器采用机器学习中深度学习方法和提前标注好的带检测框的训练图像预先训练检测模型,并采用检测模型对图像进行预测,输出商品的位置信息。服务器基于各个待检测商品区域的位置对各个待检测商品区域分别进行截取,得到每个待检测商品对应的商品图像,服务器将任意一个待检测商品对应的商品图像作为目标图像。
S302、服务器将目标图像分别输入至第一分类模型和第二分类模型中,得到针对目标待检测商品的第一分类结果和第二分类结果。
本发明实施例中,第一分类模型用于确定已有商品的类别,第一分类结果指示了目标待检测商品属于已有商品类别中每个类别的第一概率,第二分类模型用于确定新增商品的类别,第二分类结果指示了目标待检测商品属于新增商品类别中每个类别的第二概率,其中,已有商品的图像具体可以为商品数据库中存储的商品图像,新增商品的图像具体可以为商品数据库中未存储的商品图像,商品数据库中具体可以存储了服务器历史识别到的商品对应商品图像或者研发人员预先添加的商品图像,通常情况下,由于已有商品的存在时间较长,其对应的图像的数量大于新增商品的图像的数量。
具体实现中,第一分类模型为采用已有商品图像对应的样本图像集合进行训练得到,第一分类模型的具体训练过程可以为,服务器获取第一样本图像集合,将第一样本图像集合输入至初始分类模型中进行迭代训练,以对初始分类模型中的参数进行更新,当检测到参数更新后的初始分类模型满足预设条件时,将参数更新后的初始分类模型确定为第一分类模型。其中,第一样本图像集合中包括N组样本图像,每组样本图像对应一个已有分类,每组样本图像包括多个样本图像,每一个样本图像中包括已有分类商品的商品图像区域,N为正整数,预设条件可以为第一分类模型对个各个已有商品的分类准确率高于预设准确率;初始分类模型可以为基于深度学习算法生成的模型,深度学习算法可以为CNN(Convolutional Neural Networks,卷积神经网络)算法、GRU(Gated Recurrent Unit,门控循环单元)算法、LSTM(Long Short-Term Memory,长短期记忆)算法等。服务器将第一样本图像集合输入至初始分类模型中进行迭代训练的具体过程可以为,服务器获取N组样本图像中每组样本图像包括的k个样本,并将每组图像的k样本中k1个样本作为训练样本,k2个样本作为测试样本,在每轮迭代训练过程中,将每组图像的k1个样本输入至初始分类模型中,使得初始分类模型学习到k1个样本的特征,并更新初始分类模型中的参数,在参数更新后,将每组图像的k2个样本输入至模型中进行测试,当测试结果指示分类准确率小于预设准确率时,进行下一轮迭代训练,直至测试结果指示模型对于各类商品的分类准确率均大于预设准确率。需要说明的是,第一分类模型的输出具体可以为样本图像对应的商品属于每一个已有类型商品的概率,例如,服务器向第一分类模型中输入一张苹果图像,则第一分类模型可以输入苹果图像属于各个分类类别的概率,当预设的分类类别为苹果、梨和葡萄时,输出的概率具体可以为:苹果:98%,梨:30%,葡萄:2%,服务器获取概率最高的类别与预先对输入图像标注的类别之间的匹配情况,并基于每个不同图像的匹配情况来计算第一分类模型对于商品分类的准确率。
第二分类模型为在第一分类模型上基于新增商品的图像再次训练得到的模型,通常情况下,由于新增商品出现时间较短,因此可获取到的样本图像有限,若采用常规的初始分类模型对新增商品进行训练,则会因样本不足导致模型无法充分学习到新增商品图像的特征,对于新增商品图像的分类准确性低。因此,本发明对于第二分类模型的具体训练方式为,服务器获取第二样本图像集合,将第二样本图像集合输入至第一分类模型中进行迭代训练,以对第一分类模型中的参数进行更新,当检测到参数更新后的第一分类模型满足预设条件时,将参数更新后的第一分类模型确定为第二分类模型。其中,第二样本图像集合包括M组样本图像,每组样本图像对应一个新增分类,每组样本图像包括多个样本图像,每一个样本图像中包括新增商品的商品图像区域,第一分类模型为在初始分类模型上采用样本图像训练完成的分类模型,第一分类模型已能对已有商品进行分类,M为正整数,第一分类模型包括基础特征模块和识别模块,基础特征模块包括卷积层,识别模块包括池化层和全连接层,基础特征模块和识别模块的初始参数由采用商品图像训练后确定,服务器将第二样本图像集合输入至第一分类模型中进行迭代训练,以对第一分类模型中的参数进行更新,如图4a所示,为采用样本图像对初始分类模型进行训练,得到第一分类模型的过程,该过程中,不断通过输入样本图像计算初始分类模型损失(loss),来对初始分类模型中基础特征模块和识别模块的参数进行更新,当损失不再下降时,将此时的参数应用于初始分类模型中,得到第一分类模型,如图4b所示,为采用新增商品的图像对第一分类模型进行训练,得到第二分类模型的过程,该过程中,不断通过输入样本图像计算第一分类模型损失,来对第一分类模型中识别模块的参数进行更新,当损失不再下降时,将此时的参数应用于第一分类模型中,得到第二分类模型,具体为:在至少一轮迭代训练中,每轮迭代训练从第二样本图像集合中选取出K组新增商品对应的样本,输入至第一分类模型中进行迭代训练;基于所述迭代训练过程对第一分类模型中识别模块的参数进行更新。即服务器先采用大量已有商品图像样本对初始分类模型进行训练,更新初始分类模型中的参数之后,使得初始分类模型能够对商品的基础特征进行识别,然后再采用少量样本在第一分类模型的基础上进行再次训练,以更新第一分类模型中识别模块的参数,上述训练使得模型在对新增商品图像进行训练时,无需使用到大量的新增商品图像,也可以使得模型很好的识别新增商品的类别。针对第二分类模型的具体训练过程,可以如图6所示实施例所示。
S303、服务器对第一分类结果和第二分类结果进行处理,得到针对目标待检测商品的目标分类结果。
本发明实施例中,第一分类结果指示了目标待检测商品属于已有商品类别中每个类别的第一概率,第二分类结果指示了目标待检测商品属于新增商品类别中每个类别的第二概率,服务器获取到第一分类结果和第二分类结果之后,将对第一分类结果和第二分类结果进行处理,得到针对待检测商品的目标分类结果。
在一种实现方式中,服务器根据目标待检测商品属于已有商品类别中每个类别的第一概率确定第一分类结果的第一置信度,以及根据目标待检测商品属于新增商品类别中每个类别的第二概率确定第二分类结果的第二置信度;若第一置信度大于第二置信度,则服务器从第一分类结果中选取出概率最高的目标已有商品类别作为目标分类结果;若第一置信度小于第二置信度,则服务器从第二分类结果中选取出概率最高的目标新增商品类别作为目标分类结果。其中,置信度具体用于体现结果的可信程度,如第一置信度具体可以为第一分类结果中最大的第一概率,第二置信度具体可以为第二分类结果中最大的第二概率,例如,第一分类结果具体为,苹果:98%,梨:30%,葡萄:2%,第二分类结果具体为:桃子20%,火龙果,10%,橘子1%,则服务器确定第一置信度为98%,第二置信度为20%,则服务器从第一分类结果中选取出苹果作为目标待检测商品对应的目标分类结果。或者,第一置信度具体也可以为第一分类结果中最大的第一概率与第一权重的乘积,其中,第一权重具体可以为最大的第一概率与次大的第一概率的差值,第二置信度具体也可以为第二分类结果中最大的第二概率与第二权重的乘积,其中,第二权重具体可以为最大的第二概率与次大的第二概率的差值,上述方式结合了差值因素,使得当结果中存在与最大第一概率相近的概率时,置信度较低,如第一分类结果具体为,苹果:98%,梨:97%,葡萄:2%,则第一分类结果的置信度为98%*1%=0.98%,上述方式降低了概率相近而对图像造成的误分类的情况。
在一种实现方式中,服务器对第一分类结果和第二分类结果进行处理的具体方式可以为,服务器获取第一分类结果中第一目标商品类别以及第二分类结果中的第二目标商品类别,该第一目标商品类别具体可以为每个类别的第一概率中最大的第一概率对应的商品类别,第二目标商品类别具体可以为每个类别的第二概率中最大的第二概率对应的商品类别,在检测模型针对目标待检测商品的检测结果为其他类的情况下,服务器将第二目标商品类别确定为目标待检测商品的商品类别,在检测模型针对目标待检测商品的检测结果不为其他类的情况下,若第一目标商品类别不为其他类,且第二目标商品类别为其他类,则服务器将第一目标商品类别确定为目标待检测商品的商品类别,若第一目标商品类别为其他类,且第二目标商品类别不为其他类,则服务器将第二目标商品类别确定为目标待检测商品的商品类别,若第一目标商品类别不为其他类,且第二目标商品类别不为其他类,则服务器获取第一目标商品类别对应的第一置信度以及第二目标商品类别对应的第二置信度,服务器将置信度高的商品类别确定为目标待检测商品的商品类别。其中,当检测模型输出其他类时,即表明目标待检测商品不属于已有的商品,当第一目标商品类别为其他类时,则表明目标待检测商品不属于已有的商品,当第二目标商品类别为其他类时,则表明目标待检测商品不属于新增的商品,第一置信度具体可以为第一分类结果中最大的第一概率,第二置信度具体可以为第二分类结果中最大的第二概率,上述对分类结果的处理过程具体可以如图5所示。
本发明实施例中,服务器获取目标图像,目标图像中包括目标待检测商品图像区域;将目标图像分别输入至第一分类模型和第二分类模型中,得到针对目标待检测商品的第一分类结果和第二分类结果,对第一分类结果和第二分类结果进行处理,得到针对目标待检测商品的目标分类结果,其中,第一分类模型为在初始分类模型上基于已有商品的图像训练得到的模型,第二分类模型为在第一分类模型上基于新增商品的图像再次训练得到的模型,通过实施上述方法,可以采用不同训练方式训练的两个模型对商品的类型进行综合分析,提升对于商品的识别效率以及识别准确率。
请参见图6,为本发明实施例提供的一种第二训练模型的训练流程示意图,该训练过程可包括以下步骤S601-S603:
S601、服务器获取初始分类模型。
本发明实施例中,初始分类模型具体可以为采用深度学习神经网络多层结构构建的模型,多层结构主要用于执行卷积、归一化、池化和跨层连接等深度学习操作,例如,深度学习神经网络可以为resnet101网络,该网络中的一个跨层连接模块可以如图7所示,该模块具体链接卷积层和池化层,其中,256-d表示输入的256个特征,relu为relu激活函数,进一步的,服务器将深度学习神经网络中的各个卷积层作为样本学习的基础特征模块,将深度学习网络中的池化层和全连接层作为识别模块。具体的,基于resnet101网络构建的模型的基础特征模块的结构具体可以如表1所示。
表1:
基于resnet101网络构建的模型的识别模块的结构具体可以如表2所示。
表2:
层名称 | 输出结构 |
池化层 | 1x2048 |
全连接层 | 1xn |
其中,表1和表2具体指示了网络结构中不同层的具体参数,stride表示结构中的步幅,blocks表示resnet-101网络中的模块,上述参数作为一种可选的示例,并不对本发明构成限定。
进一步的,服务器可以通过对上述初始模型输入训练样本以对模型中的参数进行更新,使得更新参数后的初始分类模型能够较好的学习到训练样本的特征,在对模型的每轮训练过程中,以识别模块有更好的识别效果为目标,当需要对新增商品图像进行识别时,通过更新识别模块的参数即可达到任务需要,在以少量新增商品图像为样本进行训练的过程中,由于基础特征模块和识别模块肩负不同的功能,需要分阶段学习,即采用大量的已有商品图像学习一个表现比较好的基础特征模块和识别模块,然后加入少量新增商品图像作为训练样本,对识别模块中的参数进行微调,以使得模型能够很好的学习到新增商品图像的特征。服务器对初始分类模型进行训练的过程具体如步骤S602-S603所示。
S602、服务器获取第一样本图像,并采用第一样本图像对初始分类模型进行训练,得到第一分类模型。
本发明实施例中,服务器选取初始分类模型之后,将获取到用于对初始分类模型进行训练的第一样本图像集合,其中,第一样本图像集合中包括多张第一样本图像,第一样本图像可以为已有商品的图像样本,服务器可以采用第一样本图像对初始分类模型进行训练,得到第一分类模型的具体过程可以为,服务器从第一样本图像集合中指定训练类别图像和测试类别图像,其中,第一样本图像集合包括各个已有商品对应的图像,以及每张图像对应的商品类别,训练类别图像和测试类别图像可以为不同商品对应的图像,在将训练类别图像输入至初始分类模型进行迭代训练的过程中,一轮学习下的样本选择可以为:从第一样本图像集合中选择K组商品图像,其中,每组商品图像对应一个商品类别,K组商品图像中每组商品图像包括n个图像样本,从每组商品的n个图像样本中选择n1个图像样本作为训练集,n2个图像样本作为测试集,并基于上述训练集合测试集对初始分类模型的参数进行更新,更新一次参数后,重新选取K组商品中n1个样本图像做训练集,n2个样本图像做测试集,对初始分类模型中参数进行学习更新;依次循环更新模型,直到收敛(loss不再下降,或者测试结果准确率不再提升),其中,收敛时模型的参数包括收敛时模型中基础特征模块的参数和识别模块的参数,服务器将此时的参数应用于初始分类模型中,得到待选分类模型。进一步的,服务器从测试类别图像中选择K组商品图像,从每组商品的图像样本中选择n3个图像样本作为训练集,n2个图像样本作为测试集,对待选分类模型中识别模块的参数进行学习更新;依次循环更新模型,直到损失(loss)不再下降,服务器计算模型对于测试集的分类准确率,若分类准确率高于预设准确率,则服务器将此时的待选分类模型作为第一分类模型。其中,上述训练得到的第一分类模型可以识别商品数据库中存储的各个商品图像对应的商品类型,其具体包括K个输出,每个输出为商品图像属于K个商品类型中每个商品类型的概率,例如,K为3,对应的商品类型分别为苹果、梨和葡萄,模型的输入为苹果图像,则模型的输出可以为苹果:98%,梨:30%,葡萄:2%。其中在基础学习中基础特征模块学习率可以小于识别模块的学习率,识别模块随着学习任务更新,而基础模块则需要应对不同的学习任务,故更新慢,从而保证基础特征能捕捉商品的特征信息,而不是只学到当轮采样到的类别信息。
需要说明的是,本发明方案可以采用基于SGD(Stochastic Gradient Descent)随机梯度下降算法求解基础特征模块及识别模块中的模板参数w和偏置参数b,在每次迭代过程中,计算预测结果误差并反向传播到第一分类模型,计算梯度并更新第一分类模型的参数。具体过程为:把模型的所有参数都设为需要学习状态,训练时第一分类模型对输入的一张图像进行前向计算得到预测结果,把预测结果与真实结果对比计算模型的损失值,把损失值回传到网络中通过随机梯度下降法更新网络权重参数,从而实现一次权重优化,经过多次优化,得到表现良好的第一分类模型。
S603、服务器获取第二样本图像,并采用第二样本图像对第一分类模型进行迭代训练,得到第二分类模型。
本发明实施例中,服务器训练得到第一分类模型之后,将采用第二样本图像对第一分类模型进行训练,得到第二分类模型,具体实现中,第二样本图像具体可以为新增商品对应的图像,在至少一轮迭代训练中,每轮迭代训练从第二样本图像集合中选取出K组新增商品对应的样本,输入至第一分类模型中进行迭代训练;基于迭代训练过程对第一分类模型中识别模块的参数进行更新。在至少一轮测试中,每轮测试从第二样本图像集合中选取出K组新增商品对应的样本,输入至参数更新后的第一分类模型中进行测试,得到针对每轮的测试的分类准确率;基于所述至少一轮测试中每轮测试的分类准确率确定所述至少一轮测试的平均分类准确率;若平均分类准确率大于预设准确率,则确定参数更新后的第一分类模型满足预设条件。服务器将满足预设条件的第一分类模型确定为第二分类模型。
本发明实施例中,由于预先以采用大量样本图像训练得到第一分类模型,使得第一分类模型中的部分参数(如卷积层参数)已为较佳的参数,因此采用少量新增商品的图像即可完成对于第一分类模型的再次训练,得到对于新增商品进行分类的第二分类模型,解决了新增商品样本不足导致的模型分类效果不佳的问题,并且,通过对第一分类模型得到的结果和第二分类模型得到的结果进行综合判断,也可以提升对于商品分类的准确性。
请参见图8,为本发明实施例提供的另一种基于人工智能的分类流程示意图,具体为,前端设备A将用户输入的图像发送至后端的服务器,后端的服务器基于本发明提供的分类方法识别出图像中的各个商品,并将识别结果发送至前端设备B,其中前端设备A和前端设备B可以为同一设备或不同设备,前端设备A可以为摄像头、电脑、手机等,其可以自动获取图像,或接收用户输入的图像,前端设备B可以为电脑、手机等,具体用于对服务器发送的识别结果进行展示。上述方法可以实现对于图像的自动识别,提升对于图像中物体识别的效率。
下面将结合附图9对本发明实施例提供的基于人工智能的分类装置进行详细介绍。需要说明的是,附图9所示的基于人工智能的分类装置,用于执行本发明图1-图8所示实施例的方法,为了便于说明,仅示出了与本发明实施例相关的部分,具体技术细节未揭示的,经参照本发明图1-图8所示的实施例。
请参见图9,为本发明提供的一种基于人工智能的分类装置的结构示意图,该基于人工智能的分类装置90可包括:获取模块901、输入模块902、处理模块903。
获取模块901,用于获取目标图像,所述目标图像中包括目标待检测商品图像区域;
输入模块902,用于将所述目标图像分别输入至第一分类模型和第二分类模型中,得到针对所述目标待检测商品的第一分类结果和第二分类结果,所述第一分类模型为在初始分类模型上基于已有商品的图像训练得到的模型,所述第二分类模型为在第一分类模型上基于新增商品的图像再次训练得到的模型,所述第一分类结果指示了所述目标待检测商品属于已有商品类别中每个类别的第一概率,所述第二分类结果指示了所述目标待检测商品属于新增商品类别中每个类别的第二概率;
处理模块903,用于对所述第一分类结果和第二分类结果进行处理,得到针对所述目标待检测商品的目标分类结果。
在一种实现方式中,所述获取模块901,具体用于:
获取待检测图像,所述待检测图像中包括至少一个待检测商品图像区域;
将所述待检测图像输入至检测模型中,得到所述至少一个待检测商品图像区域中各个待检测商品图像区域的位置;
基于所述各个待检测商品区域的位置对所述各个待检测商品图像区域分别进行截取,得到每个待检测商品对应的商品图像;
在一种实现方式中,处理模块903,具体用于:
获取第一样本图像集合,所述第一样本图像集合中包括N组样本图像,每组样本图像对应一个已有分类,所述每组样本图像包括多个样本图像,每一个样本图像中包括已有分类商品的商品图像区域,所述N为正整数;
将所述第一样本图像集合输入至初始分类模型中进行迭代训练,以对所述初始分类模型中的参数进行更新;
当检测到参数更新后的初始分类模型满足预设条件时,将所述参数更新后的初始分类模型确定为第一分类模型。
在一种实现方式中,所述第一分类模型包括基础特征模块和识别模块,所述基础特征模块包括卷积层,所述识别模块包括池化层和全连接层,处理模块903,具体用于:
在至少一轮迭代训练中,每轮迭代训练从第二样本图像集合中选取出K组样本图像,输入至所述第一分类模型中进行迭代训练,所述K为正整数;
基于所述迭代训练过程对所述第一分类模型中识别模块的参数进行更新。
在一种实现方式中,处理模块903,具体用于:
在至少一轮测试中,每轮测试从第二样本图像集合中选取出K组样本图像,输入至参数更新后的第一分类模型中进行测试,得到针对每轮的测试的分类准确率;
基于所述至少一轮测试中每轮测试的分类准确率确定所述至少一轮测试的平均分类准确率;
若所述平均分类准确率大于预设准确率,则确定所述参数更新后的第一分类模型满足预设条件。
在一种实现方式中,处理模块903,具体用于:
根据所述目标待检测商品属于已有商品类别中每个类别的第一概率确定所述第一分类结果的第一置信度,以及根据目标待检测商品属于新增商品类别中每个类别的第二概率确定所述第二分类结果的第二置信度;
若所述第一置信度大于所述第二置信度,则从所述第一分类结果中选取出概率最高的目标已有商品类别作为所述目标分类结果;
若所述第一置信度小于所述第二置信度,则从所述第二分类结果中选取出概率最高的目标新增商品类别作为所述目标分类结果。
本发明实施例中,获取模块901获取目标图像,目标图像中包括目标待检测商品图像区域;输入模块902将目标图像分别输入至第一分类模型和第二分类模型中,得到针对目标待检测商品的第一分类结果和第二分类结果,处理模块903对第一分类结果和第二分类结果进行处理,得到针对目标待检测商品的目标分类结果,其中,第一分类模型为在初始分类模型上基于已有商品的图像训练得到的模型,第二分类模型为在第一分类模型上基于新增商品的图像再次训练得到的模型,通过实施上述方法,可以采用不同训练方式训练的两个模型对商品的类型进行综合分析,提升对于商品的识别效率以及识别准确率。
请参见图10,为本发明实施例提供的一种服务器的结构示意图。如图10所示,该服务器包括:至少一个处理器1001,输入接口1003,输出接口1004,存储器1005,至少一个通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。其中,输入接口1003可以是控制面板或者麦克风等,输出接口1004可以是显示屏等。其中,存储器1005可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。其中处理器1001可以结合图9所描述的装置,存储器1005中存储一组程序代码,且处理器1001,输入接口1003,输出接口1004调用存储器1005中存储的程序代码,用于执行以下操作:
处理器1001,用于获取目标图像,所述目标图像中包括目标待检测商品图像区域;
处理器1001,将所述目标图像分别输入至第一分类模型和第二分类模型中,得到针对所述目标待检测商品的第一分类结果和第二分类结果,所述第一分类模型为在初始分类模型上基于已有商品的图像训练得到的模型,所述第二分类模型为在第一分类模型上基于新增商品的图像再次训练得到的模型,所述第一分类结果指示了所述目标待检测商品属于已有商品类别中每个类别的第一概率,所述第二分类结果指示了所述目标待检测商品属于新增商品类别中每个类别的第二概率;
处理器1001,对所述第一分类结果和第二分类结果进行处理,得到针对所述目标待检测商品的目标分类结果。
在一种实现方式中,处理器1001,具体用于:
获取待检测图像,所述待检测图像中包括至少一个待检测商品图像区域;
将所述待检测图像输入至检测模型中,得到所述至少一个待检测商品图像区域中各个待检测商品图像区域的位置;
基于所述各个待检测商品区域的位置对所述各个待检测商品图像区域分别进行截取,得到每个待检测商品对应的商品图像;
将任意一个待检测商品对应的商品图像作为目标图像。
在一种实现方式中,处理器1001,具体用于:
获取第一样本图像集合,所述第一样本图像集合中包括N组样本图像,每组样本图像对应一个已有分类,所述每组样本图像包括多个样本图像,每一个样本图像中包括已有分类商品的商品图像区域,所述N为正整数;
将所述第一样本图像集合输入至初始分类模型中进行迭代训练,以对所述初始分类模型中的参数进行更新;
当检测到参数更新后的初始分类模型满足预设条件时,将所述参数更新后的初始分类模型确定为第一分类模型。
在一种实现方式中,处理器1001,具体用于:
获取第二样本图像集合,所述第二样本图像集合包括M组样本图像,每组样本图像对应一个新增分类,所述每组样本图像包括多个样本图像,每一个样本图像中包括新增商品的商品图像区域,M为正整数;
将所述第二样本图像集合输入至第一分类模型中进行迭代训练,以对所述第一分类模型中的参数进行更新,所述第一分类模型为在初始分类模型上采用样本图像训练完成的分类模型,所述第一分类模型已能对已有商品进行分类;
当检测到参数更新后的第一分类模型满足预设条件时,将所述参数更新后的第一分类模型确定为第二分类模型。
在一种实现方式中,所述第一分类模型包括基础特征模块和识别模块,所述基础特征模块包括卷积层,所述识别模块包括池化层和全连接层,所述基础特征模块和识别模块的初始参数由采用样本图像训练后确定,处理器1001,具体用于:
在至少一轮迭代训练中,每轮迭代训练从第二样本图像集合中选取出K组样本图像,输入至所述第一分类模型中进行迭代训练,所述K为正整数;
基于所述迭代训练过程对所述第一分类模型中识别模块的参数进行更新。
在一种实现方式中,处理器1001,具体用于:
在至少一轮测试中,每轮测试从第二样本图像集合中选取出K组样本图像,输入至参数更新后的第一分类模型中进行测试,得到针对每轮的测试的分类准确率;
基于所述至少一轮测试中每轮测试的分类准确率确定所述至少一轮测试的平均分类准确率;
若所述平均分类准确率大于预设准确率,则确定所述参数更新后的第一分类模型满足预设条件。
在一种实现方式中,处理器1001,具体用于:
根据所述目标待检测商品属于已有商品类别中每个类别的第一概率确定所述第一分类结果的第一置信度,以及根据目标待检测商品属于新增商品类别中每个类别的第二概率确定所述第二分类结果的第二置信度;
若所述第一置信度大于所述第二置信度,则从所述第一分类结果中选取出概率最高的目标已有商品类别作为所述目标分类结果;
若所述第一置信度小于所述第二置信度,则从所述第二分类结果中选取出概率最高的目标新增商品类别作为所述目标分类结果。
本发明实施例中,处理器1001获取目标图像,目标图像中包括目标待检测商品图像区域;处理器1001将目标图像分别输入至第一分类模型和第二分类模型中,得到针对目标待检测商品的第一分类结果和第二分类结果,处理器1001对第一分类结果和第二分类结果进行处理,得到针对目标待检测商品的目标分类结果,其中,第一分类模型为在初始分类模型上基于已有商品的图像训练得到的模型,第二分类模型为在第一分类模型上基于新增商品的图像再次训练得到的模型,通过实施上述方法,可以采用不同训练方式训练的两个模型对商品的类型进行综合分析,提升对于商品的识别效率以及识别准确率。
应当理解,在本发明实施例中,所称处理器1001可以是中央处理模块(CentralProcessing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
总线1002可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互联(Peripheral Component,PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture,EISA)总线等,该总线1002可以分为地址总线、数据总线、控制总线等,为便于表示,图10仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于计算机可读存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的计算机可读存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccess Memory,RAM)等。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (8)
1.一种基于人工智能的分类方法,其特征在于,应用于商品陈列审核的场景,所述方法包括:
获取目标图像,所述目标图像中包括目标待检测商品图像区域;
将所述目标图像分别输入至第一分类模型和第二分类模型中,得到针对所述目标待检测商品的第一分类结果和第二分类结果,所述第一分类模型为在初始分类模型上基于已有商品的图像训练得到的模型,所述第二分类模型为在第一分类模型上基于新增商品的图像再次训练得到的模型;所述已有商品的图像数量大于所述新增商品的图像数量;
对所述第一分类结果和第二分类结果进行处理,得到针对所述目标待检测商品的目标分类结果;
其中,所述第二分类模型为在第一分类模型上基于新增商品的图像再次训练得到的模型,包括:获取第二样本图像集合,所述第二样本图像集合包括M组样本图像,每组样本图像对应一个新增分类,所述每组样本图像包括多个样本图像,每一个样本图像中包括新增商品的商品图像区域,M为正整数;将所述第二样本图像集合输入至第一分类模型中进行迭代训练,以对所述第一分类模型中的参数进行更新,所述第一分类模型为在初始分类模型上采用第一样本图像训练完成的分类模型,所述第一分类模型已能对已有商品进行分类;当检测到参数更新后的第一分类模型满足预设条件时,将所述参数更新后的第一分类模型确定为第二分类模型;
在至少一轮测试中,每轮测试从第二样本图像集合中选取出K组样本图像,输入至参数更新后的第一分类模型中进行测试,得到针对每轮的测试的分类准确率;基于所述至少一轮测试中每轮测试的分类准确率确定所述至少一轮测试的平均分类准确率;若所述平均分类准确率大于预设准确率,则确定所述参数更新后的第一分类模型满足预设条件。
2.根据权利要求1所述的方法,其特征在于,所述获取目标图像,包括:
获取待检测图像,所述待检测图像中包括至少一个待检测商品图像区域;
将所述待检测图像输入至检测模型中,得到所述至少一个待检测商品图像区域中各个待检测商品图像区域的位置;
基于所述各个待检测商品图像区域的位置对所述各个待检测商品图像区域分别进行截取,得到每个待检测商品对应的商品图像;
将任意一个待检测商品对应的商品图像作为目标图像。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取第一样本图像集合,所述第一样本图像集合中包括N组样本图像,每组样本图像对应一个已有分类,所述每组样本图像包括多个样本图像,每一个样本图像中包括已有分类商品的商品图像区域,所述N为正整数;
将所述第一样本图像集合输入至初始分类模型中进行迭代训练,以对所述初始分类模型中的参数进行更新;
当检测到参数更新后的初始分类模型满足预设条件时,将所述参数更新后的初始分类模型确定为第一分类模型。
4.根据权利要求1所述的方法,其特征在于,所述第一分类模型包括基础特征模块和识别模块,所述基础特征模块包括卷积层,所述识别模块包括池化层和全连接层,所述基础特征模块和识别模块的初始参数由采用第一样本图像训练后确定,所述将所述第二样本图像集合输入至第一分类模型中进行迭代训练,以对所述第一分类模型中的参数进行更新,包括:
在至少一轮迭代训练中,每轮迭代训练从第二样本图像集合中选取出K组样本图像,输入至所述第一分类模型中进行迭代训练,所述K为正整数;
基于所述迭代训练过程对所述第一分类模型中识别模块的参数进行更新。
5.根据权利要求1所述的方法,其特征在于,所述第一分类结果指示了所述目标待检测商品属于已有商品类别中每个类别的第一概率,所述第二分类结果指示了所述目标待检测商品属于新增商品类别中每个类别的第二概率,所述对所述第一分类结果和第二分类结果进行分析,得到针对所述待检测商品的目标分类结果,包括:
根据所述目标待检测商品属于已有商品类别中每个类别的第一概率确定所述第一分类结果的第一置信度,以及根据目标待检测商品属于新增商品类别中每个类别的第二概率确定所述第二分类结果的第二置信度;
若所述第一置信度大于所述第二置信度,则从所述第一分类结果中选取出概率最高的目标已有商品类别作为目标分类结果;
若所述第一置信度小于所述第二置信度,则从所述第二分类结果中选取出概率最高的目标新增商品类别作为所述目标分类结果。
6.一种基于人工智能的分类装置,其特征在于,应用于商品陈列审核的场景,所述装置包括:
获取模块,用于获取目标图像,所述目标图像中包括目标待检测商品图像区域;
输入模块,用于将所述目标图像分别输入至第一分类模型和第二分类模型中,得到针对所述目标待检测商品的第一分类结果和第二分类结果,所述第一分类模型为在初始分类模型上基于已有商品的图像训练得到的模型,所述第二分类模型为在第一分类模型上基于新增商品的图像再次训练得到的模型;所述已有商品的图像数量大于所述新增商品的图像数量;
处理模块,用于对所述第一分类结果和第二分类结果进行处理,得到针对所述目标待检测商品的目标分类结果;
所述处理模块,还用于获取第二样本图像集合,所述第二样本图像集合包括M组样本图像,每组样本图像对应一个新增分类,所述每组样本图像包括多个样本图像,每一个样本图像中包括新增商品的商品图像区域,M为正整数;将所述第二样本图像集合输入至第一分类模型中进行迭代训练,以对所述第一分类模型中的参数进行更新,所述第一分类模型为在初始分类模型上采用第一样本图像训练完成的分类模型,所述第一分类模型已能对已有商品进行分类;当检测到参数更新后的第一分类模型满足预设条件时,将所述参数更新后的第一分类模型确定为第二分类模型;
在至少一轮测试中,每轮测试从第二样本图像集合中选取出K组样本图像,输入至参数更新后的第一分类模型中进行测试,得到针对每轮的测试的分类准确率;基于所述至少一轮测试中每轮测试的分类准确率确定所述至少一轮测试的平均分类准确率;若所述平均分类准确率大于预设准确率,则确定所述参数更新后的第一分类模型满足预设条件。
7.一种服务器,其特征在于,包括处理器、输入接口、输出接口和存储器,所述处理器、输入接口、输出接口和存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行如权利要求1-5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存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行如权利要求1-5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010557914.3A CN111709371B (zh) | 2020-06-17 | 2020-06-17 | 基于人工智能的分类方法、装置、服务器和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010557914.3A CN111709371B (zh) | 2020-06-17 | 2020-06-17 | 基于人工智能的分类方法、装置、服务器和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111709371A CN111709371A (zh) | 2020-09-25 |
CN111709371B true CN111709371B (zh) | 2023-12-22 |
Family
ID=72541069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010557914.3A Active CN111709371B (zh) | 2020-06-17 | 2020-06-17 | 基于人工智能的分类方法、装置、服务器和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111709371B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112163110B (zh) * | 2020-09-27 | 2023-01-03 | Oppo(重庆)智能科技有限公司 | 图像分类方法、装置、电子设备和计算机可读存储介质 |
CN112464785A (zh) * | 2020-11-25 | 2021-03-09 | 浙江大华技术股份有限公司 | 一种目标检测方法、装置、计算机设备及存储介质 |
CN112598081A (zh) * | 2020-12-31 | 2021-04-02 | 广州文远知行科技有限公司 | 一种目标检测方法、装置、设备和计算机可读存储介质 |
CN112861979B (zh) * | 2021-02-20 | 2024-01-30 | 数贸科技(北京)有限公司 | 商标识别方法、装置、计算设备及计算机存储介质 |
CN112991312B (zh) * | 2021-03-29 | 2023-11-07 | 中国农业科学院果树研究所 | 一种基于ai深度学习的梨品种苗木鉴别方法 |
CN114626412B (zh) * | 2022-02-28 | 2024-04-02 | 长沙融创智胜电子科技有限公司 | 用于无人值守传感器系统的多类别目标识别方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109191453A (zh) * | 2018-09-14 | 2019-01-11 | 北京字节跳动网络技术有限公司 | 用于生成图像类别检测模型的方法和装置 |
CN109522967A (zh) * | 2018-11-28 | 2019-03-26 | 广州逗号智能零售有限公司 | 一种商品定位识别方法、装置、设备以及存储介质 |
CN109961423A (zh) * | 2019-02-15 | 2019-07-02 | 平安科技(深圳)有限公司 | 一种基于分类模型的肺结节检测方法、服务器及存储介质 |
CN110175590A (zh) * | 2019-05-31 | 2019-08-27 | 北京华捷艾米科技有限公司 | 一种商品识别方法及装置 |
CN110188613A (zh) * | 2019-04-28 | 2019-08-30 | 上海鹰瞳医疗科技有限公司 | 图像分类方法及设备 |
WO2019233394A1 (zh) * | 2018-06-08 | 2019-12-12 | Oppo广东移动通信有限公司 | 图像处理方法和装置、存储介质、电子设备 |
CN110807493A (zh) * | 2019-11-06 | 2020-02-18 | 上海眼控科技股份有限公司 | 一种车辆分类模型的优化方法及设备 |
CN111046949A (zh) * | 2019-12-10 | 2020-04-21 | 东软集团股份有限公司 | 一种图像分类方法、装置及设备 |
CN111126396A (zh) * | 2019-12-25 | 2020-05-08 | 北京科技大学 | 图像识别方法、装置、计算机设备以及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10282462B2 (en) * | 2016-10-31 | 2019-05-07 | Walmart Apollo, Llc | Systems, method, and non-transitory computer-readable storage media for multi-modal product classification |
US11636340B2 (en) * | 2018-04-17 | 2023-04-25 | Bgi Shenzhen | Modeling method and apparatus for diagnosing ophthalmic disease based on artificial intelligence, and storage medium |
-
2020
- 2020-06-17 CN CN202010557914.3A patent/CN111709371B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019233394A1 (zh) * | 2018-06-08 | 2019-12-12 | Oppo广东移动通信有限公司 | 图像处理方法和装置、存储介质、电子设备 |
CN109191453A (zh) * | 2018-09-14 | 2019-01-11 | 北京字节跳动网络技术有限公司 | 用于生成图像类别检测模型的方法和装置 |
CN109522967A (zh) * | 2018-11-28 | 2019-03-26 | 广州逗号智能零售有限公司 | 一种商品定位识别方法、装置、设备以及存储介质 |
CN109961423A (zh) * | 2019-02-15 | 2019-07-02 | 平安科技(深圳)有限公司 | 一种基于分类模型的肺结节检测方法、服务器及存储介质 |
CN110188613A (zh) * | 2019-04-28 | 2019-08-30 | 上海鹰瞳医疗科技有限公司 | 图像分类方法及设备 |
CN110175590A (zh) * | 2019-05-31 | 2019-08-27 | 北京华捷艾米科技有限公司 | 一种商品识别方法及装置 |
CN110807493A (zh) * | 2019-11-06 | 2020-02-18 | 上海眼控科技股份有限公司 | 一种车辆分类模型的优化方法及设备 |
CN111046949A (zh) * | 2019-12-10 | 2020-04-21 | 东软集团股份有限公司 | 一种图像分类方法、装置及设备 |
CN111126396A (zh) * | 2019-12-25 | 2020-05-08 | 北京科技大学 | 图像识别方法、装置、计算机设备以及存储介质 |
Non-Patent Citations (1)
Title |
---|
基于卷积神经网络的商品图像分类研究;匡青 等;软件导刊;第16卷(第02期);第178-181页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111709371A (zh) | 2020-09-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111709371B (zh) | 基于人工智能的分类方法、装置、服务器和存储介质 | |
Kukreja et al. | A Deep Neural Network based disease detection scheme for Citrus fruits | |
CN109740657B (zh) | 一种用于图像数据分类的神经网络模型的训练方法与设备 | |
CN111523621B (zh) | 图像识别方法、装置、计算机设备和存储介质 | |
KR102641116B1 (ko) | 데이터 증강에 기초한 인식 모델 트레이닝 방법 및 장치, 이미지 인식 방법 및 장치 | |
CN106290378B (zh) | 缺陷分类方法和缺陷检查系统 | |
CN108197652B (zh) | 用于生成信息的方法和装置 | |
CN111008640B (zh) | 图像识别模型训练及图像识别方法、装置、终端及介质 | |
CN111161311A (zh) | 一种基于深度学习的视觉多目标跟踪方法及装置 | |
CN108780508A (zh) | 用于归一化图像的系统和方法 | |
CN110533041B (zh) | 基于回归的多尺度场景文本检测方法 | |
CN110717881A (zh) | 晶圆缺陷识别方法、装置、存储介质和终端设备 | |
US10803571B2 (en) | Data-analysis pipeline with visual performance feedback | |
CN110135505B (zh) | 图像分类方法、装置、计算机设备及计算机可读存储介质 | |
CN110516671A (zh) | 神经网络模型的训练方法、图像检测方法及装置 | |
CN111611889B (zh) | 基于改进卷积神经网络的农田微型虫害识别装置 | |
CN112580458B (zh) | 人脸表情识别方法、装置、设备及存储介质 | |
CN112288700A (zh) | 一种铁轨缺陷检测方法 | |
CN110929785A (zh) | 数据分类方法、装置、终端设备及可读存储介质 | |
CN111382616A (zh) | 视频分类方法、装置及存储介质、计算机设备 | |
CN115187772A (zh) | 目标检测网络的训练及目标检测方法、装置及设备 | |
CN111083469A (zh) | 一种视频质量确定方法、装置、电子设备及可读存储介质 | |
CN108446688B (zh) | 人脸图像性别判断方法、装置、计算机设备及存储介质 | |
CN113221758B (zh) | 一种基于gru-nin模型的水声目标识别方法 | |
CN110275820B (zh) | 页面兼容性测试方法、系统及设备 |
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 |