CN112419239A - 基于深度学习的线上翡翠评级方法 - Google Patents

基于深度学习的线上翡翠评级方法 Download PDF

Info

Publication number
CN112419239A
CN112419239A CN202011213077.9A CN202011213077A CN112419239A CN 112419239 A CN112419239 A CN 112419239A CN 202011213077 A CN202011213077 A CN 202011213077A CN 112419239 A CN112419239 A CN 112419239A
Authority
CN
China
Prior art keywords
picture
training
deep learning
grading
jade
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
CN202011213077.9A
Other languages
English (en)
Inventor
易金鹏
王秀辉
刘继澎
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.)
Shenzhen Duizhuang Technology Co ltd
Original Assignee
Shenzhen Duizhuang 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 Shenzhen Duizhuang Technology Co ltd filed Critical Shenzhen Duizhuang Technology Co ltd
Priority to CN202011213077.9A priority Critical patent/CN112419239A/zh
Publication of CN112419239A publication Critical patent/CN112419239A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/55—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5838—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5854—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using shape and object relationship
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5862—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using texture
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/49—Analysis of texture based on structural texture description, e.g. using primitives or placement rules
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image

Abstract

本发明公开了一种基于深度学习的线上翡翠评级方法。该基于深度学习的线上翡翠评级方法步骤包括获取包含翡翠信息的原始图片；根据预设的深度学习模型对原始图片进行图片信息的分析生成标准图片，并输出对应标准图片的数据标签；通过数据标签基于预设的分级规则对标准图片进行分级得到分级结果，通过标准图片将分级结果关联至原始图片。本发明解决了由于国内外的翡翠分级标准还没有统一的和广泛认可的标准，且线上交易时存在虚报等级的情况，导致用户不清楚自己买的翡翠属于什么等级的情况时有发生，从而影响翡翠在线上的交易，以及翡翠卖家在线上进行交易中货款对等的权益无法得到保障的技术问题。

Description

基于深度学习的线上翡翠评级方法
技术领域
本发明涉及翡翠分级技术领域，具体而言，涉及一种基于深度学习的线上翡翠评级方法。
背景技术
随着人们对翡翠产品的需求量的增加，电商交易成为趋势，线上购物涉及翡翠的品质问题就越来越受到热门的关注。目前，由于国内外的翡翠分级标准还没有统一的和广泛认可的标准，且线上交易时存在虚报等级的情况，导致用户不清楚自己买的翡翠属于什么等级的情况时有发生，从而影响翡翠在线上的交易，以及翡翠卖家在线上进行交易中货款对等的权益无法得到保障的问题。
发明内容
本发明的主要目的在于提供一种基于深度学习的线上翡翠评级方法，以解决由于国内外的翡翠分级标准还没有统一的和广泛认可的标准，且线上交易时存在虚报等级的情况，导致用户不清楚自己买的翡翠属于什么等级的情况时有发生，从而影响翡翠在线上的交易，以及翡翠卖家在线上进行交易中货款对等的权益无法得到保障的技术问题。
为了实现上述目的，提供了一种基于深度学习的线上翡翠评级方法。
根据本发明的基于深度学习的线上翡翠评级方法的步骤包括：
获取包含翡翠信息的原始图片；
根据预设的深度学习模型对原始图片进行图片信息的分析生成标准图片，并输出对应标准图片的数据标签；
通过数据标签基于预设的分级规则对标准图片进行分级得到分级结果，通过标准图片将分级结果关联至原始图片。
进一步的，所述深度训练模型关联交易数据库，所述深度训练模型通过以交易数据库中的包含进行交易的翡翠的图片及对应的数据标签信息作为训练样本进行预设模型训练得出。
进一步的，所述原始图片及获得对应的分级结果作为补充数据存储至交易数据库中，并作为新的训练样本进行预设模型的训练以完善深度训练模型。
进一步的，所述数据标签至少包括质地、透明度、颜色、净度、工艺和质量中的一种或多种。
进一步的，所述根据预设的深度学习模型对原始图片进行图片信息的分析生成标准图片中，所述原始图片到标准图片的转换步骤至少包括，
分离背景，去除所述原始图片中翡翠镶嵌部分及背景图，对可供进行数据标签的分析的有效部分进行选中；
干扰处理，去除选中部分中因高光、反射或折射导致无法进行图像中翡翠质地常规分析的部分；
图像修复，根据周围像素填充选中区域中因干扰处理而形成的不完整区域的内容形成评级区域。
进一步的，所述标准图片仅包含评级区域。
进一步的，所述深度训练模型为多个，其中，包括用于对所述原始图片中的翡翠飘花质地信息进行分析的训练飘花及块状模型，所述训练飘花及块状模型通过获取网络中历史交易中图片信息里翡翠飘花的分析及数据进行网络训练得出。
进一步的，所述训练飘花及块状模型的训练数据来源包括来自人机交互的采集信息，所述人机交互的采集信息用以补充对训练飘花及块状模型的补充训练。
在本发明实施例中，采用网络训练建立深度训练模型的方式，通过对网络上的翡翠交易图片信息进行整合分析打标，达到了通过深度训练模型对原始图片进行分析对比打标和评级的目的，从而实现了线上对翡翠进行鉴别的技术效果，进而解决了由于国内外的翡翠分级标准还没有统一的和广泛认可的标准，且线上交易时存在虚报等级的情况，导致用户不清楚自己买的翡翠属于什么等级的情况时有发生，从而影响翡翠在线上的交易，以及翡翠卖家在线上进行交易中货款对等的权益无法得到保障的技术问题。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例，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的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书的术语“包括”以及任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将结合实施例来详细说明本发明。
深度学习是当下机器学习算法领域的热门分支算法，深度学习算法具有较号的学习能力，覆盖范围广，适应性好，大数据驱动，上限高，可移植性好。本发明结合深度学习方法训练模型用于翡翠的线上鉴别，具体方法如下。
本发明提供的基于深度学习的线上翡翠评级方法步骤包括，
获取包含翡翠信息的原始图片；
根据预设的深度学习模型对原始图片进行图片信息的分析生成标准图片，并输出对应标准图片的数据标签；优选地，所述数据标签至少包括质地、透明度、颜色、净度、工艺和质量中的一种或多种。
通过数据标签基于预设的分级规则对标准图片进行分级得到分级结果，通过标准图片将分级结果关联至原始图片。
在本发明优选地实施例中，所述深度训练模型关联交易数据库，所述深度训练模型通过以交易数据库中的包含进行交易的翡翠的图片及对应的数据标签信息作为训练样本进行预设模型训练得出。所述原始图片及获得对应的分级结果作为补充数据存储至交易数据库中，并作为新的训练样本进行预设模型的训练以完善深度训练模型。
在本发明可选的实施例中，所述根据预设的深度学习模型对原始图片进行图片信息的分析生成标准图片中，所述原始图片到标准图片的转换步骤至少包括，
分离背景，去除所述原始图片中翡翠镶嵌部分及背景图，对可供进行数据标签的分析的有效部分进行选中；
干扰处理，去除选中部分中因高光、反射或折射导致无法进行图像中翡翠质地常规分析的部分；
图像修复，根据周围像素填充选中区域中因干扰处理而形成的不完整区域的内容形成评级区域。在本发明进一步优选地实施例中所述标准图片仅包含评级区域。
在本发明可选的实施例中，所述深度训练模型为多个，如用透明度深度训练模型、饱和度深度训练模型、均匀性深度分析模型等，其中，包括用于对所述原始图片中的翡翠飘花质地信息进行分析的训练飘花及块状模型，所述训练飘花及块状模型通过获取网络中历史交易中图片信息里翡翠飘花的分析及数据进行网络训练得出。
在本发明进一步优选地实施例中，所述训练飘花及块状模型的训练数据来源包括来自人机交互的采集信息，所述人机交互的采集信息用以补充对训练飘花及块状模型的补充训练。所述人机交互的信息采集重点采集对象为业内专家的线上品评，为了保证人机交互的信息采集的准确性，相同的原始图片对应采集的信息取两个以上的交集数据标签。
具体的在实际操作中，本发明的基于深度学习的线上翡翠评级方法的实施过程可简述为：
第一步：建立数据打标平台和数据库
建立一个交互式的珠宝评级页面，可供专家团队自由管理和进行翡翠等级评定工作，用于提供专业的数据，数据来源于本公司平台的数据，导入新建立的数据库，全网搜所在线销售的数据，用于建立大数据库。
第二步：转化图像特征，让深度学习易于学习到翡翠评级特征
该步骤属于图像预处理算法阶段，由于我们的翡翠评级的质地、透明度等维度描述为，翡翠颗粒度大小，以及质感，和透光能力，区别于现有的深度学习分类任务的特征，纹理，轮廓，颜色等，因此深度学习网络无法直接从原始图像当中学到翡翠评级的特征。
转化分四个阶段：
阶段一，分离背景，需要去除翡翠镶嵌以及背景图，留下翡翠的有效区域，即评级区域，该阶段使用了抠图软件提取有效区域，分离出目标的掩模图 mask，用得到的数据训练深度学习网络deeplabv3分割模型，最终训练出模型的Iou92％。
阶段二，去除翡翠成像造成的干扰，去除高光干扰，去除反射干扰，去除折射干扰，这三者干扰很容易误导模型学习并拟合到该特征上去，我们测试过没有去除干扰的图片去进行翡翠评级深度学习模型训练，最终无法训练出有效的模型，模型基本上无法很好的学习到特征，去除之后模型开始能学习到，且有较好的效果，该阶段使用了传统图像处于算法，基于改进的频域双峰值算法，来提取高光的mask，用得到的数据训练深度学习网络deeplabv3分割模型，最终训练出模型的Iou91％
阶段三，图像修复，用周围像素修复填补中间镂空区域，根据高光mask 区域来进行填冲，调用opencv接口的图像修复函数inpaint，即可生成修复后的数据，用修复数据来训练EdgeConnet网络，最终PSNR和SSIM。
阶段四，训练飘花和块状模型，用于描述颜色的变化情况，飘花类似于云朵一样的，块状则大片区域的颜色变化，人为打标使用标注软件，分割出飘花 mask和块状mask，用得到的数据训练深度学习网络deeplabv3分割模型，最终训练出模型的Iou88％。
第三步：根据第二步处理完的不同区域图像，结合专家团队打完的标签数据，来训练质地、透明度、颜色、饱和度、明暗度、均匀性等分类识别模型，我们采用细粒度深度学习网络DCL(Destruction and Construction Learning for Fine-grained ImageRecognition)，最终训练的模型准确率在86％。
在本发明实施例中，采用网络训练建立深度训练模型的方式，通过对网络上的翡翠交易图片信息进行整合分析打标，达到了通过深度训练模型对原始图片进行分析对比打标和评级的目的，从而实现了线上对翡翠进行鉴别的技术效果，进而解决了由于国内外的翡翠分级标准还没有统一的和广泛认可的标准，且线上交易时存在虚报等级的情况，导致用户不清楚自己买的翡翠属于什么等级的情况时有发生，从而影响翡翠在线上的交易，以及翡翠卖家在线上进行交易中货款对等的权益无法得到保障的技术问题。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于深度学习的线上翡翠评级方法，其特征在于，步骤包括：
获取包含翡翠信息的原始图片；
根据预设的深度学习模型对原始图片进行图片信息的分析生成标准图片，并输出对应标准图片的数据标签；
通过数据标签基于预设的分级规则对标准图片进行分级得到分级结果，通过标准图片将分级结果关联至原始图片。
2.根据权利要求1所述的基于深度学习的线上翡翠评级方法，其特征在于，所述深度训练模型关联交易数据库，所述深度训练模型通过以交易数据库中的包含进行交易的翡翠的图片及对应的数据标签信息作为训练样本进行预设模型训练得出。
3.根据权利要求2所述的基于深度学习的线上翡翠评级方法，其特征在于，所述原始图片及获得对应的分级结果作为补充数据存储至交易数据库中，并作为新的训练样本进行预设模型的训练以完善深度训练模型。
4.根据权利要求1所述的基于深度学习的线上翡翠评级方法，其特征在于，所述数据标签至少包括质地、透明度、颜色、净度、工艺和质量中的一种或多种。
5.根据权利要求1所述的基于深度学习的线上翡翠评级方法，其特征在于，所述根据预设的深度学习模型对原始图片进行图片信息的分析生成标准图片中，所述原始图片到标准图片的转换步骤至少包括，
分离背景，去除所述原始图片中翡翠镶嵌部分及背景图，对可供进行数据标签的分析的有效部分进行选中；
干扰处理，去除选中部分中因高光、反射或折射导致无法进行图像中翡翠质地常规分析的部分；
图像修复，根据周围像素填充选中区域中因干扰处理而形成的不完整区域的内容形成评级区域。
6.根据权利要求5所述的基于深度学习的线上翡翠评级方法，其特征在于，所述标准图片仅包含评级区域。
7.根据权利要求1-6任一项所述的基于深度学习的线上翡翠评级方法，其特征在于，所述深度训练模型为多个，其中，包括用于对所述原始图片中的翡翠飘花质地信息进行分析的训练飘花及块状模型，所述训练飘花及块状模型通过获取网络中历史交易中图片信息里翡翠飘花的分析及数据进行网络训练得出。
8.根据权利要求7所述的基于深度学习的线上翡翠评级方法，其特征在于，所述训练飘花及块状模型的训练数据来源包括来自人机交互的采集信息，所述人机交互的采集信息用以补充对训练飘花及块状模型的补充训练。
CN202011213077.9A 2020-11-03 2020-11-03 基于深度学习的线上翡翠评级方法 Pending CN112419239A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011213077.9A CN112419239A (zh) 2020-11-03 2020-11-03 基于深度学习的线上翡翠评级方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011213077.9A CN112419239A (zh) 2020-11-03 2020-11-03 基于深度学习的线上翡翠评级方法

Publications (1)

Publication Number Publication Date
CN112419239A true CN112419239A (zh) 2021-02-26

Family

ID=74827059

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011213077.9A Pending CN112419239A (zh) 2020-11-03 2020-11-03 基于深度学习的线上翡翠评级方法

Country Status (1)

Country Link
CN (1) CN112419239A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114078126A (zh) * 2022-01-19 2022-02-22 江苏金恒信息科技股份有限公司 一种基于机器学习的废钢评级方法及装置
CN114170624A (zh) * 2021-10-05 2022-03-11 三信贸易株式会社 锦鲤品评会系统及其实施装置及方法、程序、存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114170624A (zh) * 2021-10-05 2022-03-11 三信贸易株式会社 锦鲤品评会系统及其实施装置及方法、程序、存储介质
CN114078126A (zh) * 2022-01-19 2022-02-22 江苏金恒信息科技股份有限公司 一种基于机器学习的废钢评级方法及装置

Similar Documents

Publication Publication Date Title
CN106770332B (zh) 一种基于机器视觉的电子模切料缺陷检测实现方法
CN112419239A (zh) 基于深度学习的线上翡翠评级方法
CN103413288A (zh) 一种lcd总体检测缺陷方法
CN106556611A (zh) 基于机器视觉的彩色印刷品缺陷自动检测系统及检测方法
CN111402224B (zh) 一种用于电力设备的目标识别方法
CN111209864B (zh) 一种电力设备目标识别方法
CN108181316A (zh) 一种基于机器视觉的竹条缺陷检测方法
CN113221881B (zh) 一种多层级的智能手机屏幕缺陷检测方法
CN105678735A (zh) 一种用于雾天图像的目标显著性检测方法
CN107527055A (zh) 图像分卡处理方法、装置及图像检索方法、装置和系统
CN110390322B (zh) 一种用于深度学习的籽棉地膜高光谱可视化标签方法
CN114441452B (zh) 一种光纤尾纤检测方法
CN115082776A (zh) 一种基于图像识别的电能表自动检测系统及方法
CN111222530A (zh) 一种细粒度图像分类方法、系统、装置和存储介质
CN111241330B (zh) 一种商品图片的审核方法、装置
CN116110071B (zh) 一种基于深度学习的图像格式管道和仪表图管线识别方法
CN107341461A (zh) 智能识别与分析技术鉴别艺术品真伪的方法及其系统
Jahangir Alam et al. Analysis of a printed complex image quality checking method of fabric cloth for development of an automated quality checking system
CN112101060A (zh) 基于平移不变性和小区域模板匹配的二维码定位方法
CN110502981A (zh) 一种基于彩色信息和深度信息融合的手势识别方法
CN114820470A (zh) 一种基于多特征融合的板材缺陷检测系统及检测方法
CN108986090A (zh) 一种应用于机箱表面划痕检测的深度卷积神经网络方法
CN114022412A (zh) 一种基于深度学习视觉检测的卷烟辅料纸张缺陷检测方法
CN113313814A (zh) 一种基于逆向建模及ar技术的室内设计系统及方法
KR20220063601A (ko) Ai 기반 패션 분석 엔진에 의한 인공지능 데이터셋 제작 방법

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