CN112116398A - 一种宝石估价方法及相关设备 - Google Patents

一种宝石估价方法及相关设备 Download PDF

Info

Publication number
CN112116398A
CN112116398A CN202011033612.2A CN202011033612A CN112116398A CN 112116398 A CN112116398 A CN 112116398A CN 202011033612 A CN202011033612 A CN 202011033612A CN 112116398 A CN112116398 A CN 112116398A
Authority
CN
China
Prior art keywords
gem
gemstone
picture
feature
pictures
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.)
Pending
Application number
CN202011033612.2A
Other languages
English (en)
Inventor
郑康元
贺亮亮
吴碧仪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Huaduo Network Technology Co Ltd
Original Assignee
Guangzhou Huaduo Network Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Huaduo Network Technology Co Ltd filed Critical Guangzhou Huaduo Network Technology Co Ltd
Priority to CN202011033612.2A priority Critical patent/CN112116398A/zh
Publication of CN112116398A publication Critical patent/CN112116398A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0283—Price estimation or determination
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本申请公开的一种宝石估价方法及相关设备，在线获取用户输入的第一宝石商品图片；将第一宝石商品图片输入宝石特征模型进行处理，得待估宝石特征，基于待估宝石特征和最邻近节点检索方式，由离线建立的宝石特征库中获取N个的参考宝石特征；计算待估宝石特征与每一参考宝石特征的欧式距离，获取距离值最小的最终参考宝石图片并展示；将最终参考宝石图片上的宝石价格作为第一宝石商品图片上的宝石的估价。在本申请中，通过一张待估价的宝石的图片基于以图搜图的方式检索到与该待估价的宝石最接近的宝石图片，并进行宝石估价，该方式不仅易于大规模推广，同时还大大提高了宝石的估价效率。

Description

一种宝石估价方法及相关设备
技术领域
本发明涉及计算机视觉技术领域，具体为一种宝石估价方法及相关设备。
背景技术
现有针对翡翠等宝石的估价主要通过专家进行人工研判，以得到针对翡翠等宝石的估价。但该研判过程主要依赖于专家的经验，每一个专家的经验不同，可能针对同一个宝石会得到不同的估价结果。由此可知，现有仅依靠专家经验对翡翠等宝石进行估价，存在主观性强、效率低、难以大规模推广的缺点。
发明内容
有鉴于此，本发明实施例提供了一种宝石估价方法及相关设备，以解决现有对宝石进行估价过程中存在的主观性强、效率低、难以大规模推广的缺点。
为实现上述目的，本发明实施例提供如下技术方案：
本发明实施例第一方面公开了一种宝石估价方法，
在线获取用户输入的第一宝石商品图片；
对所述第一宝石商品图片进行去背景处理，得到第二宝石商品；
将所述第二宝石商品图片输入宝石特征提取模型进行宝石特征提取处理，得到输出的待估宝石特征，所述宝石特征提取模型基于宝石数据集离线训练得到，所述宝石数据集包括收集的参考宝石图片，所述参考宝石图片包括宝石图像、宝石估价和宝石3C2T特征；
基于所述待估宝石特征和最邻近节点KNN检索方式，由离线建立的宝石特征库中获取N个的参考宝石特征，每一参考宝石特征对应一参考宝石图片，每一所述参考宝石图片上标注有宝石价格，N为取值大于1的正整数；
计算所述待估宝石特征与每一所述参考宝石特征的欧式距离，获取计算得到欧式距离值最小的参考宝石特征所对应的最终参考宝石图片；
展示所述最终参考宝石图片，将所述最终参考宝石图片上的宝石价格作为所述第一宝石商品图片上的宝石的估价。
可选的，所述计算所述宝石特征与每一所述参考宝石特征的欧式距离之后，还包括：
按照由小至大的距离值排列计算得到所述欧式距离值的参考宝石特征所对应的参考宝石图片；
展示前Z张参考宝石图片，并突出显示排列第一张的参考宝石图片，将所述排列第一张的参考宝石图片上的宝石价格作为所述第一宝石商品图片上的宝石的估价，Z的取值为大于1的正整数，且小于N。
可选的，所述基于宝石数据集离线训练宝石特征提取模型的过程包括：
利用收集到的M张参考宝石图片建立宝石数据集，所述参考宝石图片包括宝石图像、宝石估价和宝石3C2T特征，M的取值大于1的正整数；
基于深度神经网络架构，将所述宝石数据集作为所述深度神经网络架构中的一个批处理，对所述M张参考宝石图片进行一次随机数据增强，得到2M张参考宝石图片，每一参考宝石图片对应一数据增强图片；
在所述批处理中执行迭代运算，选取任一张所述参考宝石图片X1和其对应的数据增强图片X1′作为正样本对，将所述正样本对输入至初始宝石特征提取模型，分别得到特征向量F1和F1′；
将其余的2M-2张参考宝石图片作为负样本对，输入至所述初始宝石特征提取模型，得到特征向量F2、F2′…FM、FM′；
将所述特征向量F1分别与所述特征向量F1′、F2、F2′…FM、FM′进行余弦距离计算，直至确认损失函数值最小，得到训练后的宝石特征提取模型；
其中，所述损失函数值
Figure BDA0002704491480000021
i指第i张参考宝石图片。
可选的，所述离线建立宝石特征库的过程包括：
利用离线训练得到的宝石特征提取模型提取所述宝石数据集中每一参考宝石图片的参考宝石特征；
获取每一所述参考宝石图片的高层语义向量，建立宝石特征库。
本发明实施例第二方面公开了一种宝石估价系统，包括：
获取模块，用于在线获取用户输入的第一宝石商品图片；
预处理模块，用于对所述第一宝石商品图片进行去背景处理，得到第二宝石商品；
宝石特征提取模块，用对输入的所述第二宝石商品图片进行宝石特征提取处理，输出待估宝石特征，所述宝石特征提取模型基于宝石数据集离线训练得到，所述宝石数据集包括收集的参考宝石图片，所述参考宝石图片包括宝石图像、宝石估价和宝石3C2T特征；
检索模块，用于基于所述待估宝石特征和最邻近节点KNN检索方式，由离线建立的宝石特征库中获取N个的参考宝石特征，每一参考宝石特征对应一参考宝石图片，每一所述参考宝石图片上标注有宝石价格，N为取值大于1的正整数；
处理模块，用于计算所述待估宝石特征与每一所述参考宝石特征的欧式距离，获取计算得到欧式距离值最小的参考宝石特征所对应的最终参考宝石图片；
展示模块，用于展示所述最终参考宝石图片，将所述最终参考宝石图片上的宝石价格作为所述第一宝石商品图片上的宝石的估价。
可选的，所述处理模块，还用于按照由小至大的欧式距离值排列计算得到所述距离值的参考宝石特征所对应的参考宝石图片；
所述展示模块，还用于展示前Z个参考宝石图片，并突出显示排列第一位的参考宝石图片，将所述排列第一位的参考宝石图片上的宝石价格作为所述第一宝石商品图片上的宝石的估价，Z的取值为大于1的正整数，且小于N。
可选的，所述系统还包括：离线训练模块；
所述离线训练模块包括：
采集模块，用于利用收集到的M张参考宝石图片建立宝石数据集，所述参考宝石图片包括宝石图像、宝石估价和宝石3C2T特征，M的取值大于1的正整数；
增强模块，用于基于深度神经网络架构，将所述宝石数据集作为所述深度神经网络架构中的一个批处理，对所述M张参考宝石图片进行一次随机数据增强，得到2M张参考宝石图片，每一参考宝石图片对应一数据增强图片；
训练模块，用于在所述批处理中执行迭代运算，选取任一张所述参考宝石图片X1和其对应的数据增强图片X1′作为正样本对，将所述正样本对输入至初始宝石特征提取模型，分别得到特征向量F1和F1′；将其余的2M-2张参考宝石图片作为负样本对，输入至所述初始宝石特征提取模型，得到特征向量F2、F2′…FM、FM′；将所述特征向量F1分别与所述特征向量F1′、F2、F2′…FM、FM′进行余弦距离计算，直至确认损失函数值最小，得到训练后的宝石特征提取模型；
其中，所述损失函数值
Figure BDA0002704491480000041
i指第i张参考宝石图片。
可选的，所述训练模块，还用于利用离线训练得到的宝石特征提取模型提取所述宝石数据集中每一参考宝石图片的参考宝石特征；获取每一所述参考宝石图片的高层语义向量，建立宝石特征库。
本发明实施例第三方面公开了一种电子设备，所述电子设备包括处理器和存储器，所述存储器用于存储宝石估价的程序代码和数据，所述处理器用于调用所述存储器中的程序指令执行如本发明实施例第一方面公开的宝石估价方法。
本发明实施例第四方面公开了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行如本发明实施例第一方面公开的宝石估价方法。
由上述内容可知，本申请公开的一种宝石估价方法及相关设备，在线获取用户输入的第一宝石商品图片；对所述第一宝石商品图片进行去背景处理，得到第二宝石商品；将所述第二宝石商品图片输入宝石特征提取模型进行宝石特征提取处理，得到输出的待估宝石特征，所述宝石特征提取模型基于宝石数据集离线训练得到，所述宝石数据集包括收集的参考宝石图片，所述参考宝石图片包括宝石图像、宝石估价和宝石3C2T特征；基于所述待估宝石特征和最邻近节点KNN检索方式，由离线建立的宝石特征库中获取N个的参考宝石特征，每一参考宝石特征对应一参考宝石图片，每一所述参考宝石图片上标注有宝石价格；计算所述待估宝石特征与每一所述参考宝石特征的欧式距离，获取计算得到距离值最小的参考宝石特征所对应的最终参考宝石图片；展示所述最终参考宝石图片，将所述最终参考宝石图片上的宝石价格作为所述第一宝石商品图片上的宝石的估价。在本申请中，通过一张待估价的宝石的图片基于以图搜图的方式，通过深度神经网络提取待估宝石的特征，再通过KNN检索方式检索到与该待估价的宝石最接近的宝石图片，以该宝石图片上的价格作为待估价的宝石的估价并显示，该方式不仅易于大规模推广，同时还大大提高了宝石的估价效率。
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简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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。
图1为本发明实施例提供一种进行宝石估价的应用架构图；
图2为本发明实施例提供的翡翠挂件的估价显示效果图；
图3为本发明实施例提供的一种宝石估价方法流程示意图；
图4为本发明实施例提供的一种基于宝石数据集离线训练宝石特征提取模型的流程示意图；
图5为本发明实施例提供的一种对比学习示意图；
图6为本发明实施例提供的另一种宝石估价方法流程示意图；
图7为本发明实施例公开的一种宝石估价系统；
图8为本发明实施例公开的另一种宝石估价系统。
具体实施方式
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，所描述的实施例仅仅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，都属于本发明保护的范围。
在本申请中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
由背景技术可知现有对宝石进行估价时主要仅依靠专家经验对宝石进行估价，存在主观性强、效率低、难以大规模推广的缺点。因此，本发明实施例公开了一种宝石估价方案，通过一张待估价的宝石的图片，基于以图搜图的方式检索到与该待估价的宝石最接近的宝石图片，并进行宝石估价，该方式不仅易于大规模推广，同时还大大提高了宝石的估价效率。
如图1所示，为本发明实施例公开的一种进行宝石估价的应用架构示意图。该进行宝石估价的应用架构包括：搜索引擎101、处理器102、存储器103和显示器104。
搜索引擎101的搜索框可在显示器104上显示，用户通过搜索引擎101的搜索框上传待估价的宝石图片。
处理器102对用户基于搜索引擎101上传的待估价的宝石图片进行图像分割，并基于宝石特征提取模型对分割后的图像进行特征提取，得到待估宝石特征。该宝石特征提取模型基于宝石数据集离线训练得到，该宝石数据集包括收集的参考宝石图片，所述参考宝石图片包括宝石图像、宝石估价和宝石3C2T特征。该宝石3C2T特征指宝石的颜色、纯净度、工艺、透明度和质地。
该参考宝石图片上的宝石价格是经由专家进行估价后得到的。
存储器103中存储有离线训练得到的宝石特征库。该宝石特征库由宝石特征提取模型对宝石数据集进行特征提取，基于获取到的高层语义向量建立。
处理器102基于最邻近节点(K-NearestNeighbor，KNN)检索方式由存储器103中存储的宝石特征库中，查找与处理器102对待估价的宝石图片进行处理后得到的待估宝石特征接近100个参考宝石特征，并由处理器102计算100个参考宝石特征和待估宝石特征的欧式距离，并按照由小至大的顺序排列计算得到的距离值，以及计算得到距离值的参考宝石特征所对应的参考宝石图片。
处理器102基于上述排列顺序，由小至大选取5个参考宝石图片依次在显示器104上显示。同时，选取排列在第一张的参考宝石图片和待估价的宝石图片突出显示于显示器104上。
基于上述进行宝石估价的应用架构，假设用户输入的为一个翡翠挂件，如图2所示，为最终显示器104显示的翡翠挂件的估价显示效果。
基于上述本发明实施例公开的进行宝石估价的应用架构，本发明实施例具体通过以下实施例进行详细说明宝石估价的具体过程。
如图3所示，为本本发明实时公开的一种宝石估价方法的流程示意图。该宝石估价方法包括：
S301：在线获取用户输入的第一宝石商品图片。
在S301中，获取用户通过搜索引擎在线上传的第一宝石商品图片，该第一宝石商品图片包含待估价的宝石图像。
S302：对所述第一宝石商品图片进行去背景处理，得到第二宝石商品图片。
在S302中，采用图像分割的方式去除上传的第一宝石商品图片的背景，得到去除背景后的第二宝石商品图片。通过去除背景的处理，使得后续处理可以不被无关的背景所干扰。
S303：将所述第二宝石商品图片输入宝石特征提取模型进行宝石特征提取处理，得到输出的待估宝石特征。
在S303中，所述宝石特征提取模型是基于宝石数据集离线训练得到，所述宝石数据集包括收集的参考宝石图片，所述参考宝石图片包括宝石图像、宝石估价和宝石3C2T特征。该参考宝石图片上的宝石估价是经由专家进行估价得到的。该宝石3C2T特征指宝石的颜色、纯净度、工艺、透明度和质地。
在具体实现S303的过程中，选择与当前待估价的宝石同类型的宝石特征提取模型，将所述第二宝石商品图片输入对应的宝石特征提取模型，得到待估宝石特征。
在具体实现中，基于宝石数据集离线训练宝石特征提取模型的过程如图4所示，具体包括：
S401：利用收集到的M张参考宝石图片建立宝石数据集。
在S401中，所述参考宝石图片包括宝石图像、宝石估价和宝石3C2T特征，M的取值大于1的正整数。
S402：基于深度神经网络架构，将所述宝石数据集作为所述深度神经网络架构中的一个批处理(batch)，对所述M张参考宝石图片进行一次随机数据增强，得到2M张参考宝石图片。
在S402中，随机数据增强包括颜色扰动、翻转、裁剪等操作。
对M张参考宝石图片中的每一张图片进行一次颜色扰动、翻转或裁剪等操作，得到各自对应的一个数据增强的图片。即，每一参考宝石图片对应一数据增强图片。
全部M张宝石参数都进行一次随机数据增强可以得到总共2M张参考宝石图片。
S403：在所述批处理中执行迭代运算，选取任一张所述参考宝石图片X1和其对应的数据增强图片X1′作为正样本对，将所述正样本对输入至初始宝石特征提取模型，分别得到特征向量F1和F1′。
在S403中，将参考宝石图片X1输入至初始宝石特征提取模型得到特征向量F1。
将数据增强图片X1′输入至初始宝石特征提取模型得到特征向量F1′。
S404：将其余的2M-2张参考宝石图片作为负样本对，输入至所述初始宝石特征提取模型，得到特征向量F2、F2′…FM、FM′。
在S404中，除去在S403中已提取特征向量的两张图片，将剩余的参考宝石图片作为负样本对，输入至所述初始宝石特征提取模型，得到特征向量F2、F2′…FM、FM′。
S405：将所述特征向量F1分别与所述特征向量F1′、F2、F2′…FM、FM′进行余弦距离计算，直至确认损失函数值最小，得到训练后的宝石特征提取模型。
在S405中，以特征向量F1和特征向量F1′为例说明具体的余弦距离计算过程：
F1·F1′＝|F1||F1′|COS，|F1|为特征向量F1的模，|F1′|为特征向量F1′的模。COS为特征向量F1和特征向量F1′的余弦值，即COS＝F1·F1′/|F1||F1′|，将该余弦值作为特征向量F1与特征向量F1′之间的距离。
同理，基于相同的方式，分别计算出特征向量F1分别与所述特征向量F1′、F2、F2′…FM、FM′之间的距离。
上述计算余弦距离的过程，实际上是为了利用对比学习的方式对初始宝石特征提取模型进行训练，结合上述举例具体的对比学习示意图如图5所示。其中，minimize指最小距离，maximize指最大距离，Model指初始宝石特征提起模型。
在执行S403至S405的过程中，实际上采用损失函数进行监督，以迭代处理的方式执行S403至S405，使特征向量F1与其同源的特征向量F1′接近，远离其余的2M-2个特征向量F2、F2′…FM、FM′。也就是，确认损失函数值Li最小，确定完成对深度神经网络的训练，得到训练后的宝石特征提取模型。
其中，所述损失函数值
Figure BDA0002704491480000091
i指第i张参考宝石图片。
上述利用损失函数进行监督的目的，是在权值空间
Figure BDA0002704491480000092
中找到损失函数最小的权值，使得深度神经网络实现最好的提取特征向量的效果，即得到本发明实施例中的宝石特征提取模型。
需要说明的是，上述基于宝石数据集离线训练宝石特征提取模型，基于不同的宝石类型，利用不同的宝石数据集进行离线训练得到不同的宝石特征提取模型。
例如，利用翡翠数据集进行离线训练可以得到翡翠特征提取模型。利用玛瑙数据集进行离线训练可以得到玛瑙特征提取模型。本发明实施例并不对宝石的类型进行限制。
S304：基于所述待估宝石特征和KNN检索方式，由离线建立的宝石特征库中获取N个的参考宝石特征。
在S304中，每一参考宝石特征对应一参考宝石图片，每一所述参考宝石图片上标注有宝石价格。
在具体实现S304的过程中，利用KNN检索方法在离线建立的宝石特征库中检索与待估宝石特征相近的N个参考宝石特征。
这里的宝石特征库是基于图4中离线训练得到的宝石特征提取模型提取宝石数据集中每一参考宝石图片的参考宝石特征；获取每一所述参考宝石图片的高层语义embedding向量，建立宝石特征库。
这里的高层语义embedding向量指宝石特征提取模型的最后一个全连接层或最后的全局平均池化层向量。宝石特征提取模型对特定类别的物体进行学习后，将该物体的语义映射到高维特征空间中的向量，该向量具有类间鉴别性。
同样的，基于不同宝石类型的宝石数据集采用对应类型的宝石特征提起模型进行特征提取，可以建立不同的宝石特征库。
例如，利用翡翠特征提取模型对翡翠数据集进行特征提取，可以建立翡翠特征库。利用玛瑙特征提取模型对玛瑙数据集进行特征提取，可以建立玛瑙特征库。本发明实施例并不对宝石的类型进行限制。
S305：计算所述待估宝石特征与每一所述参考宝石特征的欧式距离，获取计算得到欧式距离值最小的参考宝石特征所对应的最终参考宝石图片。
在S305中，计算待估宝石特征与每一所述参考宝石特征的欧式距离，得到各个欧式距离值，选取最小的欧式距离值。确定计算该欧式距离值所使用的参考宝石特征，获取该参考宝石特征对应的参考宝石图片作为最终参考宝石图片。
S306：展示所述最终参考宝石图片，将所述最终参考宝石图片上的宝石价格作为所述第一宝石商品图片上的宝石的估价。
在本发明中，通过一张待估价的宝石的图片基于以图搜图的方式，通过深度神经网络提取待估宝石的特征，再通过KNN检索方式检索到与该待估价的宝石最接近的宝石图片，以该宝石图片上的价格作为待估价的宝石的估价并显示，该方式不仅易于大规模推广，同时还大大提高了宝石的估价效率。
基于上述本发明实施例公开的宝石估价方法，本发明实施例还公开了另一种宝石估价方法，如图6所示，主要包括：
S601：在线获取用户输入的第一宝石商品图片。
S602：对所述第一宝石商品图片进行去背景处理，得到第二宝石商品图片。
S603：将所述第二宝石商品图片输入宝石特征提取模型进行宝石特征提取处理，得到输出的待估宝石特征。
S604：基于所述待估宝石特征和KNN检索方式，由离线建立的宝石特征库中获取N个的参考宝石特征。
上述S601至S604的执行原理与图3示出的S301至S304相同，可参见，这里不再进行赘述。
S605：计算所述待估宝石特征与每一所述参考宝石特征的欧式距离。
在S605中，计算待估宝石特征与每一所述参考宝石特征的欧式距离，得到各个欧式距离值。
S606：按照由小至大的欧式距离值排列计算得到所述距离值的参考宝石特征所对应的参考宝石图片。
在S606中，首先，获取参考宝石特征对应的参考宝石图片。
然后，计算待估宝石特征与参考宝石特征之间的欧式距离，根据得到的欧式距离由小至大排列各个欧式距离。
然后，按照由小至大顺序排列计算各个欧式距离所使用的参考宝石特征对应的参考宝石图片。
可选的，也可以在按照由小至大的顺序排列好欧式距离之后，再按照各个欧式距离与参考宝石特征的对应关系，参考宝石特征和参考宝石图片的对应关系，确定各个参考宝石图片的排列顺序。
S607：展示前Z张参考宝石图片，并突出显示排列第一张的参考宝石图片，将所述排列第一张的参考宝石图片上的宝石价格作为所述第一宝石商品图片上的宝石的估价。
在S607中，Z的取值为大于1的正整数，小于N。
可选的，Z的取值可以为2、3、4或5。该Z的取值也可以由用户自行进行设置。
在具体执行S607的过程中，假设N的取值为100，Z的取值为5。由离线建立的宝石特征库中获取100个的参考宝石特征，即获取到欧式距离值由小至大排列的100个参考宝石图片，按照排列训练选择前5个参考宝石图片进行展示。并突出显示排列第一张的参考宝石图片，将该排列第一张的参考宝石图片上的宝石价格作为所述第一宝石商品图片上的宝石的估价。展示的其他参考宝石图片上的宝石价格则可以作为进一步的参考供用户进行选择。
在本发明实施例中，通过一张待估价的宝石的图片基于以图搜图的方式，通过深度神经网络提取待估宝石的特征，再通过KNN检索方式检索到与该待估价的宝石最接近的宝石图片，以该宝石图片上的价格作为待估价的宝石的估价并显示，该方式不仅易于大规模推广，同时还大大提高了宝石的估价效率。
基于上述本发明实施例图3至图6公开的宝石估价方法，这里以对翡翠估价进行举例说明。
用户拍摄待估价的翡翠照片，将该翡翠照片上传，基于本发明实施例公开的宝石估价方法，首先，对该翡翠照片进行去背景处理，得到去背景后的翡翠照片。然后，利用宝石特征提取模型对输入的去背景后的翡翠照片进行翡翠特征提取处理，得到输出的待估翡翠特征。然后，基于待估翡翠特征和KNN检索方式，由离线建立的翡翠特征库中获取50个的翡翠参考特征。然后计算待估翡翠特征与每一翡翠参考特征的欧式距离，得到50个欧式距离。然后，按照由小至大的顺序排列50个欧式距离，同时，得到对应排列顺序的翡翠参考图片。最后，按照排列训练选择前5个翡翠参考图片进行展示，并突出显示排列第一张的翡翠参考图片，将该排列第一张的翡翠参考图片上的翡翠价格作为用户上传的翡翠照片上的翡翠估价。
同理，其他宝石也同样适用于本发明实施例公开的宝石估价方法。
基于上述本发明实施例公开的一种宝石估价方法，本发明实施例还对应公开了一种宝石估价系统。
如图7所示，该宝石估价系统700包括：获取模块701、预处理模块702、宝石特征提取模块703、检索模块704、处理模块705和展示模块706。
获取模块701，用于在线获取用户输入的第一宝石商品图片。
预处理模块702，用于对所述第一宝石商品图片进行去背景处理，得到第二宝石商品。
宝石特征提取模块703，用对输入的所述第二宝石商品图片进行宝石特征提取处理，输出待估宝石特征，所述宝石特征提取模型基于宝石数据集离线训练得到，所述宝石数据集包括收集的参考宝石图片，所述参考宝石图片包括宝石图像、宝石估价和宝石3C2T特征。
检索模块704，用于基于所述待估宝石特征和最邻近节点KNN检索方式，由离线建立的宝石特征库中获取N个的参考宝石特征，每一参考宝石特征对应一参考宝石图片，每一所述参考宝石图片上标注有宝石价格。
处理模块705，用于计算所述待估宝石特征与每一所述参考宝石特征的欧式距离，获取计算得到欧式距离值最小的参考宝石特征所对应的最终参考宝石图片。
展示模块706，用于展示所述最终参考宝石图片，将所述最终参考宝石图片上的宝石价格作为所述第一宝石商品图片上的宝石的估价。
可选的，所述处理模块705，还用于获取每一所述参考宝石特征对应的参考宝石图片；按照由小至大的距离值排列计算得到所述距离值的参考宝石特征所对应的参考宝石图片。
所述展示模块706，还用于展示前S个参考宝石图片，并突出显示排列第一位的参考宝石图片，将所述排列第一位的参考宝石图片上的宝石价格作为所述第一宝石商品图片上的宝石的估价，S的取值为大于1的正整数，且小于N。
如图8所示，可选的，结合图7示出的该宝石估价系统700，该宝石估价系统700还包括：离线训练模块707。
所述离线训练模块707包括：
采集模块，用于利用收集到的M张参考宝石图片建立宝石数据集，所述参考宝石图片包括宝石图像、宝石估价和宝石3C2T特征，M的取值大于1的正整数。
增强模块，用于基于深度神经网络架构，将所述宝石数据集作为所述深度神经网络架构中的一个批处理，对所述M张参考宝石图片进行一次随机数据增强，得到2M张参考宝石图片，每一参考宝石图片对应一数据增强图片。
训练模块，用于在所述批处理中执行迭代运算，选取任一张所述参考宝石图片X1和其对应的数据增强图片X1′作为正样本对，将所述正样本对输入至初始宝石特征提取模型，分别得到特征向量F1和F1′；将其余的2M-2张参考宝石图片作为负样本对，输入至所述初始宝石特征提取模型，得到特征向量F2、F2′…FM、FM′；将所述特征向量F1分别与所述特征向量F1′、F2、F2′…FM、FM′进行余弦距离计算，直至确认损失函数值最小，得到训练后的宝石特征提取模型703。
其中，所述损失函数值
Figure BDA0002704491480000141
i指第i张参考宝石图片。
可选的，所述训练模块，还用于利用离线训练得到的宝石特征提取模型提取所述宝石数据集中每一参考宝石图片的参考宝石特征；获取每一所述参考宝石图片的高层语义向量，建立宝石特征库。
在本发明实施例中，通过一张待估价的宝石的图片基于以图搜图的方式，通过深度神经网络提取待估宝石的特征，再通过KNN检索方式检索到与该待估价的宝石最接近的宝石图片，以该宝石图片上的价格作为待估价的宝石的估价并显示，该方式不仅易于大规模推广，同时还大大提高了宝石的估价效率。
基于上述本发明实施例公开的宝石估价方法和系统，本发明实施例还公开了一种电子设备，所述电子设备包括处理器和存储器，所述存储器用于存储宝石估价的程序代码和数据，所述处理器用于调用所述存储器中的程序指令执行上述本发明实施例公开的宝石估价方法。
本发明实施例还公开了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行如上述本发明实施例公开的宝石估价方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种宝石估价方法，其特征在于，
在线获取用户输入的第一宝石商品图片；
对所述第一宝石商品图片进行去背景处理，得到第二宝石商品；
将所述第二宝石商品图片输入宝石特征提取模型进行宝石特征提取处理，得到输出的待估宝石特征，所述宝石特征提取模型基于宝石数据集离线训练得到，所述宝石数据集包括收集的参考宝石图片，所述参考宝石图片包括宝石图像、宝石估价和宝石3C2T特征；
基于所述待估宝石特征和最邻近节点KNN检索方式，由离线建立的宝石特征库中获取N个的参考宝石特征，每一参考宝石特征对应一参考宝石图片，每一所述参考宝石图片上标注有宝石价格，N为取值大于1的正整数；
计算所述待估宝石特征与每一所述参考宝石特征的欧式距离，获取计算得到欧式距离值最小的参考宝石特征所对应的最终参考宝石图片；
展示所述最终参考宝石图片，将所述最终参考宝石图片上的宝石价格作为所述第一宝石商品图片上的宝石的估价。
2.根据权利要求1所述的方法，其特征在于，所述计算所述宝石特征与每一所述参考宝石特征的欧式距离之后，还包括：
按照由小至大的距离值排列计算得到所述欧式距离值的参考宝石特征所对应的参考宝石图片；
展示前Z张参考宝石图片，并突出显示排列第一张的参考宝石图片，将所述排列第一张的参考宝石图片上的宝石价格作为所述第一宝石商品图片上的宝石的估价，Z的取值为大于1的正整数，且小于N。
3.根据权利要求1所述的方法，其特征在于，所述基于宝石数据集离线训练宝石特征提取模型的过程包括：
利用收集到的M张参考宝石图片建立宝石数据集，所述参考宝石图片包括宝石图像、宝石估价和宝石3C2T特征，M的取值大于1的正整数；
基于深度神经网络架构，将所述宝石数据集作为所述深度神经网络架构中的一个批处理，对所述M张参考宝石图片进行一次随机数据增强，得到2M张参考宝石图片，每一参考宝石图片对应一数据增强图片；
在所述批处理中执行迭代运算，选取任一张所述参考宝石图片X1和其对应的数据增强图片X1′作为正样本对，将所述正样本对输入至初始宝石特征提取模型，分别得到特征向量F1和F1′；
将其余的2M-2张参考宝石图片作为负样本对，输入至所述初始宝石特征提取模型，得到特征向量F2、F2′…FM、FM′；
将所述特征向量F1分别与所述特征向量F1′、F2、F2′…FM、FM′进行余弦距离计算，直至确认损失函数值最小，得到训练后的宝石特征提取模型；
其中，所述损失函数值
Figure FDA0002704491470000021
i指第i张参考宝石图片。
4.根据权利要求3所述的方法，其特征在于，所述离线建立宝石特征库的过程包括：
利用离线训练得到的宝石特征提取模型提取所述宝石数据集中每一参考宝石图片的参考宝石特征；
获取每一所述参考宝石图片的高层语义向量，建立宝石特征库。
5.一种宝石估价系统，其特征在于，包括：
获取模块，用于在线获取用户输入的第一宝石商品图片；
预处理模块，用于对所述第一宝石商品图片进行去背景处理，得到第二宝石商品；
宝石特征提取模块，用对输入的所述第二宝石商品图片进行宝石特征提取处理，输出待估宝石特征，所述宝石特征提取模型基于宝石数据集离线训练得到，所述宝石数据集包括收集的参考宝石图片，所述参考宝石图片包括宝石图像、宝石估价和宝石3C2T特征；
检索模块，用于基于所述待估宝石特征和最邻近节点KNN检索方式，由离线建立的宝石特征库中获取N个的参考宝石特征，每一参考宝石特征对应一参考宝石图片，每一所述参考宝石图片上标注有宝石价格，N为取值大于1的正整数；
处理模块，用于计算所述待估宝石特征与每一所述参考宝石特征的欧式距离，获取计算得到欧式距离值最小的参考宝石特征所对应的最终参考宝石图片；
展示模块，用于展示所述最终参考宝石图片，将所述最终参考宝石图片上的宝石价格作为所述第一宝石商品图片上的宝石的估价。
6.根据权利要求5所述的系统，其特征在于，
所述处理模块，还用于按照由小至大的欧式距离值排列计算得到所述距离值的参考宝石特征所对应的参考宝石图片；
所述展示模块，还用于展示前Z个参考宝石图片，并突出显示排列第一位的参考宝石图片，将所述排列第一位的参考宝石图片上的宝石价格作为所述第一宝石商品图片上的宝石的估价，Z的取值为大于1的正整数，且小于N。
7.根据权利要求5所述的系统，其特征在于，还包括：离线训练模块；
所述离线训练模块包括：
采集模块，用于利用收集到的M张参考宝石图片建立宝石数据集，所述参考宝石图片包括宝石图像、宝石估价和宝石3C2T特征，M的取值大于1的正整数；
增强模块，用于基于深度神经网络架构，将所述宝石数据集作为所述深度神经网络架构中的一个批处理，对所述M张参考宝石图片进行一次随机数据增强，得到2M张参考宝石图片，每一参考宝石图片对应一数据增强图片；
训练模块，用于在所述批处理中执行迭代运算，选取任一张所述参考宝石图片X1和其对应的数据增强图片X1′作为正样本对，将所述正样本对输入至初始宝石特征提取模型，分别得到特征向量F1和F1′；将其余的2M-2张参考宝石图片作为负样本对，输入至所述初始宝石特征提取模型，得到特征向量F2、F2′…FM、FM′；将所述特征向量F1分别与所述特征向量F1′、F2、F2′…FM、FM′进行余弦距离计算，直至确认损失函数值最小，得到训练后的宝石特征提取模型；
其中，所述损失函数值
Figure FDA0002704491470000031
i指第i张参考宝石图片。
8.根据权利要求7所述的系统，其特征在于，
所述训练模块，还用于利用离线训练得到的宝石特征提取模型提取所述宝石数据集中每一参考宝石图片的参考宝石特征；获取每一所述参考宝石图片的高层语义向量，建立宝石特征库。
9.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述存储器用于存储宝石估价的程序代码和数据，所述处理器用于调用所述存储器中的程序指令执行如权利要求1至4中任一所述的一种宝石估价方法。
10.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行如权利要求1至4中任一项所述的宝石估价方法。
CN202011033612.2A 2020-09-27 2020-09-27 一种宝石估价方法及相关设备 Pending CN112116398A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011033612.2A CN112116398A (zh) 2020-09-27 2020-09-27 一种宝石估价方法及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011033612.2A CN112116398A (zh) 2020-09-27 2020-09-27 一种宝石估价方法及相关设备

Publications (1)

Publication Number Publication Date
CN112116398A true CN112116398A (zh) 2020-12-22

Family

ID=73797020

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011033612.2A Pending CN112116398A (zh) 2020-09-27 2020-09-27 一种宝石估价方法及相关设备

Country Status (1)

Country Link
CN (1) CN112116398A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112685589A (zh) * 2020-12-24 2021-04-20 深圳市对庄科技有限公司 基于人工智能的翡翠分级估值评估方法、系统及应用
CN113435942A (zh) * 2021-07-09 2021-09-24 杭州睿胜软件有限公司 评估矿物价格的方法和计算机系统
CN113486905A (zh) * 2021-07-01 2021-10-08 深圳星坊科技有限公司 珠宝特征信息获取方法、装置、计算机设备和存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101726494A (zh) * 2008-10-14 2010-06-09 环球收藏家公司 用于确定目标宝石图案对宝石图案数据库的百分比匹配的宝石图案匹配算法
CN107451625A (zh) * 2017-06-29 2017-12-08 葛杰光 一种珠宝数值影像比对的特征描述系统
CN107908685A (zh) * 2017-10-31 2018-04-13 西安交通大学 基于迁移学习的多视角商品图像检索与识别方法
CN108734520A (zh) * 2018-05-24 2018-11-02 哈工大机器人（合肥）国际创新研究院 一种基于机器学习的玉石价格评估方法及装置
CN109857889A (zh) * 2018-12-19 2019-06-07 苏州科达科技股份有限公司 一种图像检索方法、装置、设备及可读存储介质
CN110309338A (zh) * 2018-07-25 2019-10-08 浙江大华技术股份有限公司 一种以图搜图方法及装置
CN111414954A (zh) * 2020-03-17 2020-07-14 重庆邮电大学 一种岩石图像检索方法及其系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101726494A (zh) * 2008-10-14 2010-06-09 环球收藏家公司 用于确定目标宝石图案对宝石图案数据库的百分比匹配的宝石图案匹配算法
CN107451625A (zh) * 2017-06-29 2017-12-08 葛杰光 一种珠宝数值影像比对的特征描述系统
CN107908685A (zh) * 2017-10-31 2018-04-13 西安交通大学 基于迁移学习的多视角商品图像检索与识别方法
CN108734520A (zh) * 2018-05-24 2018-11-02 哈工大机器人（合肥）国际创新研究院 一种基于机器学习的玉石价格评估方法及装置
CN110309338A (zh) * 2018-07-25 2019-10-08 浙江大华技术股份有限公司 一种以图搜图方法及装置
CN109857889A (zh) * 2018-12-19 2019-06-07 苏州科达科技股份有限公司 一种图像检索方法、装置、设备及可读存储介质
CN111414954A (zh) * 2020-03-17 2020-07-14 重庆邮电大学 一种岩石图像检索方法及其系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112685589A (zh) * 2020-12-24 2021-04-20 深圳市对庄科技有限公司 基于人工智能的翡翠分级估值评估方法、系统及应用
CN113486905A (zh) * 2021-07-01 2021-10-08 深圳星坊科技有限公司 珠宝特征信息获取方法、装置、计算机设备和存储介质
CN113435942A (zh) * 2021-07-09 2021-09-24 杭州睿胜软件有限公司 评估矿物价格的方法和计算机系统

Similar Documents

Publication Publication Date Title
CN112116398A (zh) 一种宝石估价方法及相关设备
CN108460338B (zh) 人体姿态估计方法和装置、电子设备、存储介质、程序
US9111375B2 (en) Evaluation of three-dimensional scenes using two-dimensional representations
CN108197525A (zh) 人脸图像生成方法及装置
WO2019201187A1 (zh) 物品鉴别方法、系统、设备及存储介质
CN109712105B (zh) 一种结合彩色和深度信息的图像显著目标检测方法
CA3066029A1 (en) Image feature acquisition
CN112434721A (zh) 一种基于小样本学习的图像分类方法、系统、存储介质及终端
CN106570522B (zh) 物体识别模型的建立方法及物体识别方法
CN112200818B (zh) 基于图像的着装区域分割和着装替换方法、装置及设备
CN109325513B (zh) 一种基于海量单类单幅图像的图像分类网络训练方法
WO2021068180A1 (en) Method and system for continual meta-learning
CN116052218B (zh) 一种行人重识别方法
CN114399808A (zh) 一种人脸年龄估计方法、系统、电子设备及存储介质
CN112116021A (zh) 一种宝石相似性度量数据处理方法及相关设备
CN110009049A (zh) 一种基于自步约束机制的可监督图像分类方法
CN117437467A (zh) 模型训练方法、装置、电子设备及存储介质
CN116959125A (zh) 一种数据处理方法以及相关装置
CN117409459A (zh) 一种图像生成方法及相关装置
CN112668718A (zh) 神经网络训练方法、装置、电子设备以及存储介质
CN108154165A (zh) 基于大数据与深度学习的婚恋对象匹配数据处理方法、装置、计算机设备和存储介质
CN110210523B (zh) 一种基于形状图约束的模特穿着衣物图像生成方法及装置
JP6345520B2 (ja) 画像検索装置と画像検索プログラムと画像検索方法
US20230245495A1 (en) Face recognition systems data collection process
CN115410000A (zh) 对象分类方法以及装置

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