发明内容
本发明的目的就是为了克服上述现有技术存在的人工估价准确性较低的缺陷而提供具有高准确性的一种多维度箱包价格获取方法、装置及系统。
本发明的目的可以通过以下技术方案来实现:
本发明的第一方面提供一种多维度箱包价格获取方法,包括:
对待检测的箱包进行图像提取,获取至少一个图像;
基于至少一个图像,获取该箱包的第一维度数据和第二维度数据;
将所述第一维度数据输入至预先训练的第一模型得到第一数值,将所述第二维度数据输入至预先训练的第二模型得到第二数值;
基于所述第一数值和第二数值获取待检测的箱包的价格。
可选地,在第一方面的一种可能实现方式中,获取至少一个图像包括:
获取待检测的箱包当前时刻不同部位的图像;
将所述第一维度数据输入至预先训练的第一模型得到第一数值,将所述第二维度数据输入至预先训练的第二模型得到第二数值包括:
通过接收的指令信息选取一识别模型将所述箱包当前时刻的图像与预设图像比对,获得当前时刻箱包的鉴定分值,通过所述箱包当前时刻的图像获得箱包当前时刻的机器成色评估值,所述第一数值为鉴定分值,所述第二数值为机器成色评估值,所述识别模型包括第一模型和第二模型中的任意一个或多个,所述第一维度数据为鉴定维度的数据,所述第二维度数据为成色维度的数据;
基于所述第一数值和第二数值获取待检测的箱包的价格包括:
基于所述鉴定分值和机器成色评估值生成实时行情价格。
可选地,在第一方面的一种可能实现方式中,所述通过接收的指令信息选取一识别模型将所述箱包当前时刻的图像与预设图像比对,获得当前时刻箱包的鉴定分值包括:
接收输入的指令信息;
基于指令信息采集当前时刻箱包一个或多个识别点的图像,所述指令信息与所述箱包一个或多个识别点预先对应设置;
基于所述指令信息选取识别模型将所述箱包的识别点图像与预设图像比对,所述预设图像为识别点处预先设置的标准图像,获得当前时刻箱包的鉴定分值。
可选地,在第一方面的一种可能实现方式中,所述基于所述指令信息选取识别模型将所述箱包的识别点图像与预设图像比对,所述预设图像为识别点处预先设置的标准图像,获得当前时刻箱包的鉴定分值包括:
获取当前时刻所述箱包中任意一个识别点的图像,将所述当前时刻的识别点图像与预先对应的识别点图像进行相似度比对,所述预设图像包括一个或多个预先对应的识别点图像;
将与当前时刻所述箱包的识别点图像相似度最高的预先对应的识别点图像对应的识别点向量分值输出。
可选地,在第一方面的一种可能实现方式中,所述获取当前时刻所述箱包中任意一个识别点的图像,将所述当前时刻的识别点图像与预先对应的识别点图像进行相似度比对,所述预设图像包括一个或多个预先对应的识别点图像包括:
一个箱包
有
个识别点,箱包集记为
,
表示其中一个识别点,i=
; 从数据库系统中确定出识别点
对应的识别点向量分值;针对识别点
对应的识别点向量分值,建立如下决策矩阵
:
按照如下公式,分别计算所有箱包在识别点
的维度j下的分值之和
,j=
;该公式为:
其中L为预先设置的常数,确定所有
中的最大值
,得到维度x下识别点
的最大识别点向量分值
;
获取一个或多个识别点
在识别维度A时的识别点向量分值
,
的集合为
;
预先存储每个维度对应的识别点向量分值,识别点向量分值的集合为
,
表示箱包
的识别点向量分值;
按照以下公式,分别计算当前时刻每个识别点的维度与预先存储的识别点维度的之间的相似度:
其中,维度A表示当前时刻识别的一个识别点维度,
表示预先设置的识别点
在维度B下的一个识别点向量分值,
从1到
遍历;确定满足预设条件的
,将该
确定为当前时刻识别的维度A的最佳识别点向量分值。
可选地,在第一方面的一种可能实现方式中,通过以下公式对最佳识别点向量分值
进行优化,包括:
其中,
为处理当前时刻识别的箱包的品牌;k为函数
的最大临界值;c为
函数的权重系数;d为
的权重系数;
为
函数的最大临界值;
为
的最大临界值;
可选地,在第一方面的一种可能实现方式中,基于以下公式,获得箱包
的鉴定分值S:
其中t为识别点的个数。
可选地,在第一方面的一种可能实现方式中,所述通过所述箱包当前时刻的图像获得箱包当前时刻的机器成色评估值包括:
获取待检测的箱包的不同部位的图像,基于所述图像获得箱包各个部位的当前成色数据;
将箱包各个部位的当前成色数据输入至预先训练的多个评估模型中,其中每个评估模型的参数具有不同的参数梯度;
多个评估模型分别对所述箱包各个部位的当前成色数据进行处理,生成箱包的多个成色评估值;
基于所述多个成色评估值得到箱包的机器成色评估值。
可选地,在第一方面的一种可能实现方式中,所述多个评估模型分别对所述箱包各个部位的当前成色数据进行处理,生成箱包的多个成色评估值包括:
箱包为
;将箱包
的各个部位的成色数据集合标记为
,其中
表示箱包
的a部位的成色数据,
表示箱包
的b部位的成色数据,
表示箱包
的v部位的成色数据;
一个评估模型的各个参数的参数梯度集合记为
,其中
表示模型
对部位a处的参数梯度为
表示模型
对部位b处的参数梯度为
表示模型
对部位n处的参数梯度为
;
包括如下步骤:
待检测的箱包包括
,模型
分别对箱包进行成色评估,若
,则确定出箱包
,在各个评估模型的集如下:
选取与当前待检测的箱包
对应的一个或多个模型,分别得到多个成色评估值的集合,为
。
可选地,在第一方面的一种可能实现方式中,基于所述多个成色评估值得到箱包的机器成色评估值包括:
其中,k为预设的权重值,n为箱包
对应的评估模型的个数;
所述基于所述鉴定分值和机器成色评估值生成实时行情价格包括:
分别接收管理者输入的鉴定分值权重α和成色评估值权重β,基于以下公式得到实时行情价格γ
其中,C为预设比率,
。将所述当前时刻的识别点图像与预先对应的识别点图像进行相似度比对,所述预设图像包括一个或多个预先对应的识别点图像
本发明的第二方面提供一种多维度箱包价格获取装置,包括:
获取模块,用于获取待检测的箱包当前时刻不同部位的图像;
鉴定评估模块,用于通过接收的指令信息选取一识别模型将所述箱包当前时刻的图像与预设图像比对,获得当前时刻箱包的鉴定分值;
成色评估模块,用于通过所述箱包当前时刻的图像获得箱包当前时刻的机器成色评估值;
实时价格评估模块,用于基于所述鉴定分值和机器成色评估值生成实时行情价格。
本发明的第三面提供一种多维度箱包价格获取系统,包括箱包图像采集模块、历史成交估价模块、实时行情价格模块和估价校正模块,所述箱包图像采集模块获取上传的需要进行估价的箱包的多角度图像,历史成交估价模块和实时行情价格模块根据箱包的多角度图像进行数据比对,分别生成历史成交估价和实时行情价格,估价校正模块综合历史成交估价和实时行情价格进行数据校正,输出需要进行估价的箱包的最终估价。
所述历史成交估价模块中设有历史成交价格数据库。
可选地,在第一方面的一种可能实现方式中,所述历史成交估价模块将历史成交价格数据库中与需要进行估价的箱包的特征符合的所有箱包成交价格提取出来,根据预设的公式计算出历史成交估价。
所述历史成交估价模块和实时行情价格模块中均设有多个数据比对模块。
可选地,在第一方面的一种可能实现方式中,所述数据比对模块的类型包括品牌比对模块、成色比对模块、年份比对模块、材质比对模块、颜色比对模块、尺寸比对模块和系列比对模块。
可选地,在第一方面的一种可能实现方式中,所述成色比对模块中进行比对的箱包的成色包括SS级、S级、A级、B级和C级。
可选地,在第一方面的一种可能实现方式中,所述SS级成色对应的箱包为99成新,S级成色对应的箱包为98成新,A级成色对应的箱包为95-97成新,B级成色对应的箱包为90-94成新,C级成色对应的箱包为90成新以下。
可选地,在第一方面的一种可能实现方式中,所述年份比对模块中进行比对的内容为箱包的生产年份。
可选地,在第一方面的一种可能实现方式中,所述箱包的生产年份具体为箱包的钢印和编码上显示的年份。
所述估价校正模块通过A/B校正算法对历史成交估价和实时行情价格进行数据校正。
可选地,在第一方面的一种可能实现方式中,系列比对模块中进行比对的箱包的系列包括潮流系列和冷门系列。
与现有技术相比,本发明具有以下有益效果:
本发明综合箱包的鉴定分值以及成色评估值得到实时行情价格,使得实时行情价格能够评估箱包多个维度的情况,包括:
1、提供有多个评估模型,其中每个评估模型具有不同的参数,在对箱包成色进行评估时,通过多个模型分别对箱包进行成色评估,获得每个评估模型对箱包的成色评估值,然后对多个成色评估值进行综合评估得到最终的机器成色评估值,通过以上方式获得的机器成色评估值更加的客观、具体,不同模型的参数具有不同的梯度值,可以全方位兼容多种类型、特点的箱包。
2、基于识别模型对箱包各个部位进行多维度的识别,获得该箱包的量化分值,基于该量化分值分析箱包的真伪并进行输出。
本发明通过历史成交估价模块和实时行情价格模块,对需要进行估价的箱包在品牌、成色、年份、材质、颜色、尺寸和系列的模块进行数据比对,综合历史成交估价和实时行情价格,在校正后得到最终估价,相比于人工需要对箱包进行全方位的检验和判断才能得到最终估价相比,本发明在估价的效率上增速明显,同时保证了箱包的估价具有较高的准确度,减少了人工估价带来的较大误差。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
本发明提供一种多维度箱包价格获取方法,如图1所示其流程示意图,包括:
步骤S10、对待检测的箱包进行图像提取,获取至少一个图像;
步骤S20、基于至少一个图像,获取该箱包的第一维度数据和第二维度数据;
步骤S30、将所述第一维度数据输入至预先训练的第一模型得到第一数值,将所述第二维度数据输入至预先训练的第二模型得到第二数值;
步骤S40、基于所述第一数值和第二数值获取待检测的箱包的价格。
在一个实施例中,获取至少一个图像包括:
获取待检测的箱包当前时刻不同部位的图像;
将所述第一维度数据输入至预先训练的第一模型得到第一数值,将所述第二维度数据输入至预先训练的第二模型得到第二数值包括:
通过接收的指令信息选取一识别模型将所述箱包当前时刻的图像与预设图像比对,获得当前时刻箱包的鉴定分值,通过所述箱包当前时刻的图像获得箱包当前时刻的机器成色评估值;
基于所述第一数值和第二数值获取待检测的箱包的价格包括:
基于所述鉴定分值和机器成色评估值生成实时行情价格。
获取待检测的箱包当前时刻不同部位的图像。通过采取不同部位的图像,综合评估一个箱包的不同位置的磨损程度、当前的成色、品牌的价值等等。
通过接收的指令信息选取一识别模型将所述箱包当前时刻的图像与预设图像比对,获得当前时刻箱包的鉴定分值。通过识别模型能够获取箱包的鉴定分值,鉴定分值包括品牌真伪、品牌价值等等。
通过所述箱包当前时刻的图像获得箱包当前时刻的机器成色评估值。通过机器、人工智能技术对图像处理得到箱包的机器成色评估值,机器成色评估值可能与箱包的保养情况、磨损程度相关。
基于所述鉴定分值和机器成色评估值生成实时行情价格。综合箱包的鉴定分值以及成色评估值得到实时行情价格,使得实时行情价格能够评估箱包多个维度的情况。
还包括以下步骤:
步骤S210、接收输入的指令信息。其中指令信息包括采集当前箱包的类型,由于不同的手提包其具有不同的结构,所以其真伪鉴别的部位可能会存在不同。不同的包会具有与其对应的不同的识别点,例如说手提包多个识别分别分布在包面、包带、包面与包带的连接处等等,本发明并不对此进行限制。
步骤S220、基于指令信息采集当前时刻箱包一个或多个识别点的图像,所述指令信息与所述箱包一个或多个识别点预先对应设置。基于指令信息确定了需要进行识别的包的类型,然后根据输入的识别点或者是包的类型应当对应的识别点进行图像的采集。
步骤S230、基于所述指令信息选取识别模型将所述箱包的识别点图像与预设图像比对,所述预设图像为识别点处预先设置的标准图像,获得当前时刻箱包的鉴定分值。不同的包可能会存在不同的识别模型,也可能是同一个识别模型,通过识别模型将当前时刻采集的图像与预设图像比对,得到鉴定分值,鉴定分值反映该包真伪的可能性。鉴定分值可以与真伪性成正比、或者是反比,根据预先需要进行设定。
步骤S240、若所述鉴定分值不满足预设分值,则输出伪劣提醒数据。当鉴定分值不满足预设分值时,证明此时包的综合评价可能是仿冒品、劣质品,进行数据提醒。
第一数值为鉴定分值,第二数值为机器成色评估值,识别模型包括第一模型和第二模型中的任意一个或多个,第一维度数据为鉴定维度的数据,第二维度数据为成色维度的数据。本发明通过综合一个箱包的鉴定情况和成色情况得到一个当前行情的价格,使得该价格的评估具有多个维度。
在一个实施例中,步骤S230包括:
步骤S2301、获取当前时刻所述箱包中任意一个识别点的图像,将所述当前时刻的识别点图像与预先对应的识别点图像进行相似度比对,所述预设图像包括一个或多个预先对应的识别点图像。其中,预先对应的识别点的图像为真包的图像,当前时刻的图像与预先对应的识别点的图像进行相似度比对,确定被采集的图像的包的真实性。
步骤S2302将与当前时刻所述箱包的识别点图像相似度最高的预先对应的识别点图像对应的识别点向量分值输出。同一类型的包在相同的部位也可能会出现部分合理的不同,所以在数据库中预先存储一个包同一个部位的多个图像,该图像为该部位存在的其他合理可能情况。
在一个实施例中,所述获取当前时刻所述箱包中任意一个识别点的图像,将所述当前时刻的识别点图像与预先对应的识别点图像进行相似度比对,所述预设图像包括一个或多个预先对应的识别点图像包括:
一个箱包
有
个识别点,箱包集记为
,
表示其中一个识别点,i=
; 从数据库系统中确定出识别点
对应的识别点向量分值;针对识别点
对应的识别点向量分值,建立如下决策矩阵
:
按照如下公式,分别计算所有箱包在识别点
的维度j下的分值之和
,j=
;该公式为:
其中L为预先设置的常数,确定所有
中的最大值
,得到维度x下识别点
的最大识别点向量分值
;
获取一个或多个识别点
在识别维度A时的识别点向量分值
,
的集合为
;
预先存储每个维度对应的识别点向量分值,识别点向量分值的集合为
,
表示箱包
的识别点向量分值;
按照以下公式,分别计算当前时刻每个识别点的维度与预先存储的识别点维度的之间的相似度:
其中,维度A表示当前时刻识别的一个识别点维度,
表示预先设置的识别点
在维度B下的一个识别点向量分值,
从1到
遍历;确定满足预设条件的
,将该
确定为当前时刻识别的维度A的最佳识别点向量分值。其中预设条件可以是识别点向量分值中最高的分值、最低的分值以及平均分值中的任意一种。
通过以上方式,能够获取箱包的一个部分,在对该部位进行比对时,会将该部位与多个预先存储的图像进行比对,并且,在将当前时刻的部分与多个预先存储的图像进行比对时依旧会考虑多个维度,公式中的
即为部位
具有的不同维度,在比较相似度时也会与识别点向量分值的集合为
进行比对,使得比对更加的全面。
在一个实施例中,通过以下公式对获取到的识别点向量分值
进行优化,包括:
其中,
为处理当前时刻识别的箱包的品牌;k为函数
的最大临界值;c为
函数的权重系数;d为
的权重系数;
为
函数的最大临界值;
为
的最大临界值;
通过以上公式,设定多个临界值,防止出现公式无法收敛的情况。并且,设置多个权重,可以根据箱包不同的品牌、不同的因素来调整
,例如说一个市场价几十块钱的箱包,其出现假冒伪劣产品的概率很低,所以其
也会进行相应的调整,使得
的输出值尽可能的满足产品为真品的输出值。
可选地,在第一方面的一种可能实现方式中,基于以下公式,获得箱包
的鉴定分值S:
其中t为识别点的个数。
通过以上公式,将一个箱包不同部位的分值
进行统计得到总分值S,充分考虑不同部位、维度的真假性、分值,并不以单一的一个部位来断定箱包的真假,使得其结果更具有客观性。
在步骤S30中,还包括以下步骤:
步骤S310、获取待检测的箱包的不同部位的图像,基于所述图像获得箱包各个部位的当前成色数据。其中箱包购物袋、手提包、手拿包、钱包、背包、单肩包、挎包、腰包等等,每一类箱包都具有不同的结构,例如说手提包就会具有手提带,而钱包大多没有手提带。获取待测箱包不同部位的图像例如获取手提包的包面部位的图像、包带的部位的图像、包底的部位的图像等等。并根据各个部位的当前图像生成各个部位的当前成色数据。
步骤S320、将箱包各个部位的当前成色数据输入至预先训练的多个评估模型中,其中每个评估模型的参数具有不同的参数梯度。多个评估模型分别具有不同的参数梯度,使得每个模型对箱包成色评估具有不同的侧重方向。
例如评估模型1对包面部位这个参数的梯度为1、评估模型2对包面部位这个参数的梯度为10,此时两个模型对包面这个位置的评估值会存在差异,因为每一个待测的包的包面部位与其他部位的占比可能都是不同的,所以通过多个评估模型可以综合考虑的不同部位之间占比的不同而导致评估值存在差异,不同的模型会对不同部位的分数占比进行一定的区分,这样使得多个模型结果分别考虑不同部位占比的情况。并且,不同部位的磨损程度可能反映的成色、评估分值也是不同的。例如说手带这个部位和包面部位的磨损程度都是1的话,但是他们分别对应的包的成色可能是2和3,因为手带是经常会发生磨损的部位,而包面不经常与实体接触,所以其磨损相较于手带会较小。通过多个模型设置不同的梯度,可以充分考虑箱包的不同位置的磨损程度。
步骤S330、多个评估模型分别对所述箱包各个部位的当前成色数据进行处理,生成箱包的多个成色评估值。
在步骤S330中,生成箱包的多个成色评估值包括:
箱包为
;将箱包
的各个部位的成色数据集合标记为
,其中
表示箱包
的a部位的成色数据,
表示箱包
的b部位的成色数据,
表示箱包
的v部位的成色数据;
一个评估模型的各个参数的参数梯度集合记为
,其中
表示模型
对部位a处的参数梯度为
表示模型
对部位b处的参数梯度为
表示模型
对部位n处的参数梯度为
;
包括如下步骤:
待检测的箱包包括
,模型
分别对箱包进行成色评估,若
,则确定出箱包
,在各个评估模型的集如下:
选取与当前待检测的箱包
对应的一个或多个模型,分别得到多个成色评估值的集合,为
其中
可以是空集。
通过以上方式,每一个箱包可能会对应多个评估模型对其的成色进行评分,然后得到多个成色评分的结果,各个结果可以相同也可以是不同的。
在步骤S340中,还包括以下步骤:
基于所述多个成色评估值得到箱包的机器成色评估值包括:
其中,k为预设的权重值,n为箱包
对应的评估模型的个数。
通过以上步骤,可以对多个成色评估值的平均数进行计算,使得一个箱包能够基于多个模型进行成色评估,使得箱包成色的评估结果更加的客观、准确。
在步骤S340后,还包括:
S350、接收管理者输入的建议成色评估值,其中建议成色评估值为管理者预先设置或随时输入;
S360、获取机器成色评估值和建议成色评估值,判断机器成色评估值和建议成色评估值间的差值是否大于预设值;
S370、若大于预设值,则对所述评估模型的梯度进行改变再次对箱包的机器成色进行评估获得二次机器成色评估值;
S380、重复上述的步骤,直至机器成色评估值和建议成色评估值之间的差值小于预设值。
通过以上步骤,在每次获得机器成色评估值后,可以基于管理者输入的建议成色评估值对模型进行训练,优化模型中各个参数的梯度,使得优化后的多个模型在进行箱包成色的评估时更加的客观。
其中,所述则对所述评估模型的梯度进行改变再次对箱包的机器成色进行评估获得二次机器成色评估值包括:
判断所述机器成色评估值大于或小于建议成色评估值;
若所述机器成色评估值大于所述建议成色评估值,则将模型
内的各个参数的梯度分别降低预设幅度;
再次对箱包的机器成色进行评估获得二次机器成色评估值。
在一个实施例中,若所述机器成色评估值小于所述建议成色评估值,则将模型
内的各个参数的梯度分别提高预设幅度;
再次对箱包的机器成色进行评估获得二次机器成色评估值。
在一个实施例中,还提供一种多维度箱包价格获取装置,如图2所示,包括:
提取模块,用于对待检测的箱包进行图像提取,获取至少一个图像;
维度获取模块,用于基于至少一个图像,获取该箱包的第一维度数据和第二维度数据;
输入模块,用于将所述第一维度数据输入至预先训练的第一模型得到第一数值,将所述第二维度数据输入至预先训练的第二模型得到第二数值;
价格获取模块,用于基于所述第一数值和第二数值获取待检测的箱包的价格。
本发明提供一种多维度箱包价格获取系统,具有快捷、精确、高效的特性,避免了人工估价时的估价错误和估价误差,有效解决了估价效率问题,包括箱包图像采集模块、历史成交估价模块、实时行情价格模块和估价校正模块,箱包图像采集模块获取上传的需要进行估价的箱包的多角度图像,历史成交估价模块和实时行情价格模块根据箱包的多角度图像进行数据比对,分别生成历史成交估价和实时行情价格,估价校正模块综合历史成交估价和实时行情价格进行数据校正,输出需要进行估价的箱包的最终估价。
历史成交估价模块中设有历史成交价格数据库。
历史成交估价模块将历史成交价格数据库中与需要进行估价的箱包的特征符合的所有箱包成交价格提取出来,根据预设的公式计算出历史成交估价。
历史成交估价模块和实时行情价格模块中均设有多个数据比对模块。
数据比对模块的类型包括品牌比对模块、成色比对模块、年份比对模块、材质比对模块、颜色比对模块、尺寸比对模块和系列比对模块。
成色比对模块中进行比对的箱包的成色包括SS级、S级、A级、B级和C级。
SS级成色对应的箱包为99成新,S级成色对应的箱包为98成新,A级成色对应的箱包为95-97成新,B级成色对应的箱包为90-94成新,C级成色对应的箱包为90成新以下。
年份比对模块中进行比对的内容为箱包的生产年份。
箱包的生产年份具体为箱包的钢印和编码上显示的年份。
估价校正模块通过A/B校正算法对历史成交估价和实时行情价格进行数据校正。
系列比对模块中进行比对的箱包的系列包括潮流系列和冷门系列。
历史成交估价模块和实时行情价格模块分别获取上传的需要估价的箱包的多角度图像,历史成交估价模块将多角度图像与历史成交价格数据库进行数据比对,生成历史成交估价,实时行情价格模块将多角度图像与箱包市场中的实时价格进行数据比对,生成实时行情价格,估价校正模块将生成的历史成交估价和实时行情价格进行数据校正,输出需要估价的箱包的最终估价。
此外,需要说明的是,本说明书中所描述的具体实施例子,所取名称可以不同,本说明书中所描述的以上内容仅仅是对本发明结构所做的举例说明。凡依据本发明构思的构造、特征及原理所做的等效变化或者简单变化,均包括于本发明的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实例做各种各样的修改或补充或采用类似的方法,只要不偏离本发明的结构或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。