CN112712401A - 一种多维度箱包价格获取方法、装置及系统 - Google Patents

一种多维度箱包价格获取方法、装置及系统 Download PDF

Info

Publication number
CN112712401A
CN112712401A CN202110329788.0A CN202110329788A CN112712401A CN 112712401 A CN112712401 A CN 112712401A CN 202110329788 A CN202110329788 A CN 202110329788A CN 112712401 A CN112712401 A CN 112712401A
Authority
CN
China
Prior art keywords
luggage
identification
image
score
case
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
CN202110329788.0A
Other languages
English (en)
Inventor
刘正仁
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.)
Shanghai Feiyu Network Technology Co ltd
Beijing Feiling Technology Co ltd
Original Assignee
Shanghai Feiyu Network Technology Co ltd
Beijing Feiling 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 Shanghai Feiyu Network Technology Co ltd, Beijing Feiling Technology Co ltd filed Critical Shanghai Feiyu Network Technology Co ltd
Priority to CN202110329788.0A priority Critical patent/CN112712401A/zh
Publication of CN112712401A publication Critical patent/CN112712401A/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
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0206—Price or cost determination based on market factors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Image Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)

Abstract

本发明涉及一种多维度箱包价格获取方法、装置及系统，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。本发明提供的多维度箱包价格获取方法、装置及系统能够综合箱包的多个维度数据，得到箱包的行情价格，实用性较高。

Description

一种多维度箱包价格获取方法、装置及系统
技术领域
本发明涉及奢侈品鉴定技术领域，尤其是涉及一种多维度箱包价格获取方法、装置及系统。
背景技术
在目前二手奢侈品市场中，二手奢侈品的定价是随时都在浮动的，随着二手奢侈品的市场越来越大，对于箱包的定价并不是那么规律，呈现出一种不规律不稳定的状态。当前在二手奢侈品市场中，箱包的定价过程主要依靠人工判断进行定价，存在效率低下、估价错误时有发生的情况，还存在着消费者通过发布朋友圈进行询价的方式，使得箱包的定价极其不稳定，因此需要一种能够有效对箱包的价格进行准确估计，同时满足现有市场需求量对应的估价效率的方式。
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
Figure 543486DEST_PATH_IMAGE001
有
Figure 563264DEST_PATH_IMAGE002
个识别点，箱包集记为
Figure 189417DEST_PATH_IMAGE003
，
Figure 45378DEST_PATH_IMAGE004
表示其中一个识别点，i=
Figure 884021DEST_PATH_IMAGE005
； 从数据库系统中确定出识别点
Figure 243458DEST_PATH_IMAGE004
对应的识别点向量分值；针对识别点
Figure 493042DEST_PATH_IMAGE004
对应的识别点向量分值，建立如下决策矩阵
Figure 570720DEST_PATH_IMAGE006
：
Figure 9791DEST_PATH_IMAGE007
其中，
Figure 489314DEST_PATH_IMAGE008
是箱包
Figure 926112DEST_PATH_IMAGE001
在识别点
Figure 474774DEST_PATH_IMAGE004
的维度j下所具有分值，
j=
Figure 655219DEST_PATH_IMAGE009
；
按照如下公式，分别计算所有箱包在识别点
Figure 989249DEST_PATH_IMAGE004
的维度j下的分值之和
Figure 393685DEST_PATH_IMAGE010
，j=
Figure 445955DEST_PATH_IMAGE011
；该公式为：
Figure 413780DEST_PATH_IMAGE012
其中L为预先设置的常数，确定所有
Figure 602316DEST_PATH_IMAGE010
中的最大值
Figure 380916DEST_PATH_IMAGE013
，得到维度x下识别点
Figure 920482DEST_PATH_IMAGE004
的最大识别点向量分值
Figure 239467DEST_PATH_IMAGE013
；
获取一个或多个识别点
Figure 797357DEST_PATH_IMAGE004
在识别维度A时的识别点向量分值
Figure 746858DEST_PATH_IMAGE014
，
Figure 508141DEST_PATH_IMAGE014
的集合为
Figure 834080DEST_PATH_IMAGE015
；
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
Figure 980896DEST_PATH_IMAGE016
，
Figure 101299DEST_PATH_IMAGE017
表示箱包
Figure 615457DEST_PATH_IMAGE001
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：
Figure 276245DEST_PATH_IMAGE018
其中，维度A表示当前时刻识别的一个识别点维度，
Figure 293880DEST_PATH_IMAGE019
表示预先设置的识别点
Figure 100031DEST_PATH_IMAGE004
在维度B下的一个识别点向量分值，
Figure 570326DEST_PATH_IMAGE020
从1到
Figure 238068DEST_PATH_IMAGE021
遍历；确定满足预设条件的
Figure 110209DEST_PATH_IMAGE022
，将该
Figure 634731DEST_PATH_IMAGE022
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
Figure 107170DEST_PATH_IMAGE019
进行优化，包括：
Figure 39671DEST_PATH_IMAGE024
其中，
Figure 938357DEST_PATH_IMAGE025
为处理当前时刻识别的箱包的品牌；k为函数
Figure 632512DEST_PATH_IMAGE026
的最大临界值；c为
Figure 438794DEST_PATH_IMAGE027
函数的权重系数；d为
Figure 551107DEST_PATH_IMAGE025
的权重系数；
Figure 355115DEST_PATH_IMAGE028
为
Figure 287299DEST_PATH_IMAGE027
函数的最大临界值；
Figure 84222DEST_PATH_IMAGE029
为
Figure 51041DEST_PATH_IMAGE025
的最大临界值；
函数
Figure 822688DEST_PATH_IMAGE026
所对应的
Figure 507747DEST_PATH_IMAGE022
即为在A维度下识别点
Figure 593515DEST_PATH_IMAGE004
的最高的分值
Figure 664108DEST_PATH_IMAGE022
。
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
Figure 75498DEST_PATH_IMAGE001
的鉴定分值S：
Figure 779012DEST_PATH_IMAGE030
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
Figure 668470DEST_PATH_IMAGE031
；将箱包
Figure 609881DEST_PATH_IMAGE032
的各个部位的成色数据集合标记为
Figure 187580DEST_PATH_IMAGE033
,其中
Figure 316073DEST_PATH_IMAGE034
表示箱包
Figure 9222DEST_PATH_IMAGE032
的a部位的成色数据，
Figure 805140DEST_PATH_IMAGE035
表示箱包
Figure 355070DEST_PATH_IMAGE032
的b部位的成色数据，
Figure 485706DEST_PATH_IMAGE036
表示箱包
Figure 716967DEST_PATH_IMAGE032
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
Figure 367391DEST_PATH_IMAGE037
,其中
Figure 25905DEST_PATH_IMAGE038
表示模型
Figure 643838DEST_PATH_IMAGE039
对部位a处的参数梯度为
Figure 678790DEST_PATH_IMAGE040
表示模型
Figure 980458DEST_PATH_IMAGE039
对部位b处的参数梯度为
Figure 75453DEST_PATH_IMAGE041
表示模型
Figure 931413DEST_PATH_IMAGE039
对部位n处的参数梯度为
Figure 753745DEST_PATH_IMAGE042
；
包括如下步骤：
待检测的箱包包括
Figure 113182DEST_PATH_IMAGE043
，模型
Figure 379078DEST_PATH_IMAGE044
分别对箱包进行成色评估，若
Figure 456756DEST_PATH_IMAGE045
，则确定出箱包
Figure 895827DEST_PATH_IMAGE046
,在各个评估模型的集如下：
Figure 624618DEST_PATH_IMAGE047
选取与当前待检测的箱包
Figure 61415DEST_PATH_IMAGE032
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
Figure 626389DEST_PATH_IMAGE048
。
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：
基于以下公式计算机器成色评估值
Figure 275676DEST_PATH_IMAGE049
，
Figure 124552DEST_PATH_IMAGE050
其中，k为预设的权重值，n为箱包
Figure 732251DEST_PATH_IMAGE032
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
Figure 784521DEST_PATH_IMAGE051
其中，C为预设比率，
Figure 503078DEST_PATH_IMAGE052
。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。
附图说明
图1为多维度箱包价格获取方法的第一种实施方式的流程图；
图2为多维度箱包价格获取装置的第一种实施方式的结构图。
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
Figure 753931DEST_PATH_IMAGE001
有
Figure 781798DEST_PATH_IMAGE002
个识别点，箱包集记为
Figure 321364DEST_PATH_IMAGE003
，
Figure 843612DEST_PATH_IMAGE004
表示其中一个识别点，i=
Figure 886655DEST_PATH_IMAGE005
； 从数据库系统中确定出识别点
Figure 85424DEST_PATH_IMAGE004
对应的识别点向量分值；针对识别点
Figure 846706DEST_PATH_IMAGE004
对应的识别点向量分值，建立如下决策矩阵
Figure 172646DEST_PATH_IMAGE053
：
Figure 132511DEST_PATH_IMAGE007
其中，
Figure 252914DEST_PATH_IMAGE008
是箱包
Figure 16340DEST_PATH_IMAGE001
在识别点
Figure 614811DEST_PATH_IMAGE004
的维度j下所具有分值，
j=
Figure 632446DEST_PATH_IMAGE009
；
按照如下公式，分别计算所有箱包在识别点
Figure 189329DEST_PATH_IMAGE004
的维度j下的分值之和
Figure 721942DEST_PATH_IMAGE010
，j=
Figure 373372DEST_PATH_IMAGE011
；该公式为：
Figure 511092DEST_PATH_IMAGE012
其中L为预先设置的常数，确定所有
Figure 238876DEST_PATH_IMAGE010
中的最大值
Figure 196468DEST_PATH_IMAGE013
，得到维度x下识别点
Figure 651589DEST_PATH_IMAGE004
的最大识别点向量分值
Figure 643816DEST_PATH_IMAGE013
；
获取一个或多个识别点
Figure 276923DEST_PATH_IMAGE004
在识别维度A时的识别点向量分值
Figure 784127DEST_PATH_IMAGE014
，
Figure 793672DEST_PATH_IMAGE014
的集合为
Figure 889672DEST_PATH_IMAGE015
；
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
Figure 693680DEST_PATH_IMAGE016
，
Figure 625864DEST_PATH_IMAGE017
表示箱包
Figure 439100DEST_PATH_IMAGE001
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：
Figure 655186DEST_PATH_IMAGE018
其中，维度A表示当前时刻识别的一个识别点维度，
Figure 426833DEST_PATH_IMAGE019
表示预先设置的识别点
Figure 111892DEST_PATH_IMAGE004
在维度B下的一个识别点向量分值，
Figure 463239DEST_PATH_IMAGE020
从1到
Figure 284565DEST_PATH_IMAGE021
遍历；确定满足预设条件的
Figure 414064DEST_PATH_IMAGE022
，将该
Figure 320840DEST_PATH_IMAGE022
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
Figure 928407DEST_PATH_IMAGE054
即为部位
Figure 604239DEST_PATH_IMAGE014
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
Figure 186530DEST_PATH_IMAGE055
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
Figure 580603DEST_PATH_IMAGE019
进行优化，包括：
Figure 53358DEST_PATH_IMAGE024
其中，
Figure 806551DEST_PATH_IMAGE025
为处理当前时刻识别的箱包的品牌；k为函数
Figure 219077DEST_PATH_IMAGE026
的最大临界值；c为
Figure 715918DEST_PATH_IMAGE027
函数的权重系数；d为
Figure 627328DEST_PATH_IMAGE025
的权重系数；
Figure 285843DEST_PATH_IMAGE028
为
Figure 654507DEST_PATH_IMAGE027
函数的最大临界值；
Figure 689459DEST_PATH_IMAGE029
为
Figure 991128DEST_PATH_IMAGE025
的最大临界值；
函数
Figure 335390DEST_PATH_IMAGE026
所对应的
Figure 925772DEST_PATH_IMAGE022
即为在A维度下识别点
Figure 498835DEST_PATH_IMAGE004
的最高的分值
Figure 123852DEST_PATH_IMAGE022
。
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
Figure 639016DEST_PATH_IMAGE022
，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
Figure 513431DEST_PATH_IMAGE025
也会进行相应的调整，使得
Figure 890185DEST_PATH_IMAGE022
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
Figure 369708DEST_PATH_IMAGE001
的鉴定分值S：
Figure 540927DEST_PATH_IMAGE030
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
Figure 355168DEST_PATH_IMAGE022
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
Figure 535613DEST_PATH_IMAGE031
；将箱包
Figure 931960DEST_PATH_IMAGE032
的各个部位的成色数据集合标记为
Figure 539658DEST_PATH_IMAGE033
,其中
Figure 326349DEST_PATH_IMAGE034
表示箱包
Figure 294174DEST_PATH_IMAGE032
的a部位的成色数据，
Figure 748289DEST_PATH_IMAGE035
表示箱包
Figure 526889DEST_PATH_IMAGE032
的b部位的成色数据，
Figure 800875DEST_PATH_IMAGE036
表示箱包
Figure 119861DEST_PATH_IMAGE032
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
Figure 677751DEST_PATH_IMAGE037
,其中
Figure 361673DEST_PATH_IMAGE038
表示模型
Figure 388535DEST_PATH_IMAGE039
对部位a处的参数梯度为
Figure 448895DEST_PATH_IMAGE040
表示模型
Figure 674339DEST_PATH_IMAGE039
对部位b处的参数梯度为
Figure 44010DEST_PATH_IMAGE041
表示模型
Figure 292589DEST_PATH_IMAGE039
对部位n处的参数梯度为
Figure 156639DEST_PATH_IMAGE042
；
包括如下步骤：
待检测的箱包包括
Figure 174274DEST_PATH_IMAGE043
，模型
Figure 714846DEST_PATH_IMAGE044
分别对箱包进行成色评估，若
Figure 450720DEST_PATH_IMAGE045
，则确定出箱包
Figure 915200DEST_PATH_IMAGE046
,在各个评估模型的集如下：
Figure 52920DEST_PATH_IMAGE047
选取与当前待检测的箱包
Figure 515125DEST_PATH_IMAGE032
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
Figure 987564DEST_PATH_IMAGE048
其中
Figure 193417DEST_PATH_IMAGE056
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：
基于以下公式计算机器成色评估值
Figure 654486DEST_PATH_IMAGE049
，
Figure 536860DEST_PATH_IMAGE050
其中，k为预设的权重值，n为箱包
Figure 44065DEST_PATH_IMAGE032
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
Figure 53609DEST_PATH_IMAGE044
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
Figure 900342DEST_PATH_IMAGE044
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。

Claims (10)

1.一种多维度箱包价格获取方法，其特征在于，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。
2.根据权利要求1所述的多维度箱包价格获取方法，其特征在于，
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，所述箱包的价格为实时行情价格。
3.根据权利要求2所述的多维度箱包价格获取方法，其特征在于，
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。
4.根据权利要求3所述的多维度箱包价格获取方法，其特征在于，
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。
5.根据权利要求4所述的多维度箱包价格获取方法，其特征在于，
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Ω2有
Figure 655263DEST_PATH_IMAGE001
个识别点，箱包集记为
Figure 587447DEST_PATH_IMAGE002
，
Figure 649949DEST_PATH_IMAGE003
表示其中一个识别点，i=
Figure 85610DEST_PATH_IMAGE004
； 从数据库系统中确定出识别点
Figure 326098DEST_PATH_IMAGE003
对应的识别点向量分值；针对识别点
Figure 745578DEST_PATH_IMAGE003
对应的识别点向量分值，建立如下决策矩阵
Figure 346193DEST_PATH_IMAGE005
：
Figure 964256DEST_PATH_IMAGE006
其中，
Figure 375646DEST_PATH_IMAGE007
是箱包Ω2在识别点
Figure 282422DEST_PATH_IMAGE003
的维度j下所具有分值，
j=
Figure 437460DEST_PATH_IMAGE008
；
按照如下公式，分别计算所有箱包在识别点
Figure 96980DEST_PATH_IMAGE003
的维度j下的分值之和
Figure 679271DEST_PATH_IMAGE009
，j=
Figure 73343DEST_PATH_IMAGE010
；该公式为：
Figure 953444DEST_PATH_IMAGE011
其中L为预先设置的常数，确定所有
Figure 749361DEST_PATH_IMAGE009
中的最大值
Figure 236974DEST_PATH_IMAGE012
，得到维度x下识别点
Figure 367610DEST_PATH_IMAGE003
的最大识别点向量分值
Figure 864451DEST_PATH_IMAGE012
；
获取一个或多个识别点
Figure 311613DEST_PATH_IMAGE003
在识别维度A时的识别点向量分值
Figure 235706DEST_PATH_IMAGE013
，
Figure 994584DEST_PATH_IMAGE013
的集合为
Figure 482066DEST_PATH_IMAGE014
；
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
Figure 518155DEST_PATH_IMAGE015
，
Figure 613150DEST_PATH_IMAGE016
表示箱包Ω2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：
Figure 937952DEST_PATH_IMAGE017
其中，维度A表示当前时刻识别的一个识别点维度，
Figure 25862DEST_PATH_IMAGE016
表示预先设置的识别点
Figure 650879DEST_PATH_IMAGE018
在维度B下的一个识别点向量分值，
Figure 713513DEST_PATH_IMAGE019
从1到
Figure 791190DEST_PATH_IMAGE020
遍历；确定满足预设条件的
Figure 902366DEST_PATH_IMAGE021
，将该
Figure 631156DEST_PATH_IMAGE021
确定为当前时刻识别的维度A的最佳识别点向量分值。
6.根据权利要求5所述的多维度箱包价格获取方法，其特征在于，
通过以下公式对最佳识别点向量分值
Figure 67954DEST_PATH_IMAGE016
进行优化，包括：
Figure 938007DEST_PATH_IMAGE023
其中，
Figure 786883DEST_PATH_IMAGE024
为处理当前时刻识别的箱包的品牌；k为函数
Figure 597844DEST_PATH_IMAGE025
的最大临界值；c为
Figure 650114DEST_PATH_IMAGE026
函数的权重系数；d为
Figure 160816DEST_PATH_IMAGE024
的权重系数；
Figure 349352DEST_PATH_IMAGE027
为
Figure 862373DEST_PATH_IMAGE026
函数的最大临界值；
Figure 401938DEST_PATH_IMAGE028
为
Figure 173454DEST_PATH_IMAGE024
的最大临界值；
函数
Figure 482076DEST_PATH_IMAGE025
所对应的
Figure 228315DEST_PATH_IMAGE021
即为在A维度下识别点
Figure 255177DEST_PATH_IMAGE018
的最高的分值
Figure 315536DEST_PATH_IMAGE021
。
7.根据权利要求6所述的多维度箱包价格获取方法，其特征在于，
基于以下公式，获得箱包Ω2的鉴定分值S：
Figure 462353DEST_PATH_IMAGE029
其中t为识别点的个数。
8.根据权利要求7所述的多维度箱包价格获取方法，其特征在于，
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。
9.根据权利要求8所述的多维度箱包价格获取方法，其特征在于，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
Figure 848335DEST_PATH_IMAGE030
；将箱包
Figure 96914DEST_PATH_IMAGE031
的各个部位的成色数据集合标记为
Figure 960964DEST_PATH_IMAGE032
,其中
Figure 40916DEST_PATH_IMAGE033
表示箱包
Figure 581488DEST_PATH_IMAGE031
的a部位的成色数据，
Figure 317362DEST_PATH_IMAGE034
表示箱包
Figure 985104DEST_PATH_IMAGE031
的b部位的成色数据，
Figure 857245DEST_PATH_IMAGE035
表示箱包
Figure 568718DEST_PATH_IMAGE031
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
Figure 791889DEST_PATH_IMAGE036
,其中
Figure 794480DEST_PATH_IMAGE037
表示模型
Figure 786707DEST_PATH_IMAGE038
对部位a处的参数梯度为
Figure 685393DEST_PATH_IMAGE039
表示模型
Figure 379548DEST_PATH_IMAGE038
对部位b处的参数梯度为
Figure 123513DEST_PATH_IMAGE040
表示模型
Figure 235826DEST_PATH_IMAGE038
对部位n处的参数梯度为
Figure 39834DEST_PATH_IMAGE041
；
包括如下步骤：
待检测的箱包包括
Figure 34334DEST_PATH_IMAGE042
，模型
Figure 831258DEST_PATH_IMAGE043
分别对箱包进行成色评估，若
Figure 798077DEST_PATH_IMAGE044
，则确定出箱包
Figure 772986DEST_PATH_IMAGE045
,在各个评估模型的集如下：
Figure 192466DEST_PATH_IMAGE046
选取与当前待检测的箱包
Figure 793081DEST_PATH_IMAGE031
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
Figure 614406DEST_PATH_IMAGE047
。
10.根据权利要求9所述的多维度箱包价格获取方法，其特征在于，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：
基于以下公式计算机器成色评估值
Figure 822534DEST_PATH_IMAGE048
，
Figure 729310DEST_PATH_IMAGE049
其中，k为预设的权重值，n为箱包
Figure 618768DEST_PATH_IMAGE031
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
Figure 809447DEST_PATH_IMAGE050
其中，C为预设比率，
Figure 126159DEST_PATH_IMAGE051
。
CN202110329788.0A 2021-03-29 2021-03-29 一种多维度箱包价格获取方法、装置及系统 Pending CN112712401A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110329788.0A CN112712401A (zh) 2021-03-29 2021-03-29 一种多维度箱包价格获取方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110329788.0A CN112712401A (zh) 2021-03-29 2021-03-29 一种多维度箱包价格获取方法、装置及系统

Publications (1)

Publication Number Publication Date
CN112712401A true CN112712401A (zh) 2021-04-27

Family

ID=75550330

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110329788.0A Pending CN112712401A (zh) 2021-03-29 2021-03-29 一种多维度箱包价格获取方法、装置及系统

Country Status (1)

Country Link
CN (1) CN112712401A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114170204A (zh) * 2021-12-13 2022-03-11 国网重庆市电力公司电力科学研究院 一种图像计量定价方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107463962A (zh) * 2017-08-08 2017-12-12 张天君 一种显微人工智能鉴定皮包的方法和系统
US20170372169A1 (en) * 2015-11-06 2017-12-28 Tencent Technology (Shenzhen) Company Limited Method and apparatus for recognizing image content
CN107636706A (zh) * 2015-04-17 2018-01-26 柳美那 用于评价物品的装置
CN108520285A (zh) * 2018-04-16 2018-09-11 清华大学 物品鉴别方法、系统、设备及存储介质
CN110852795A (zh) * 2019-10-30 2020-02-28 中国科学院自动化研究所南京人工智能芯片创新研究院 一种基于计算机视觉的手机估价系统及其估价方法
CN111091403A (zh) * 2018-10-24 2020-05-01 阿里巴巴集团控股有限公司 物品信息与数据处理方法、系统、设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107636706A (zh) * 2015-04-17 2018-01-26 柳美那 用于评价物品的装置
US20170372169A1 (en) * 2015-11-06 2017-12-28 Tencent Technology (Shenzhen) Company Limited Method and apparatus for recognizing image content
CN107463962A (zh) * 2017-08-08 2017-12-12 张天君 一种显微人工智能鉴定皮包的方法和系统
CN108520285A (zh) * 2018-04-16 2018-09-11 清华大学 物品鉴别方法、系统、设备及存储介质
CN111091403A (zh) * 2018-10-24 2020-05-01 阿里巴巴集团控股有限公司 物品信息与数据处理方法、系统、设备及存储介质
CN110852795A (zh) * 2019-10-30 2020-02-28 中国科学院自动化研究所南京人工智能芯片创新研究院 一种基于计算机视觉的手机估价系统及其估价方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114170204A (zh) * 2021-12-13 2022-03-11 国网重庆市电力公司电力科学研究院 一种图像计量定价方法

Similar Documents

Publication Publication Date Title
US10885531B2 (en) Artificial intelligence counterfeit detection
US7360686B2 (en) Method and system for discovering significant subsets in collection of documents
CN104778186B (zh) 将商品对象挂载到标准产品单元的方法及系统
EP3226175A1 (en) Image pattern recognition device and program
CN106407464A (zh) 一种基于knn的改进缺失数据填补算法
US11042975B2 (en) Estimating a number of containers by digital image analysis
CN101256631B (zh) 一种字符识别的方法、装置
US11036964B2 (en) Method and system for item identification
CN114723994A (zh) 一种基于双分类器对抗增强网络的高光谱图像分类方法
Felix et al. Multi-modal ensemble classification for generalized zero shot learning
CN112712401A (zh) 一种多维度箱包价格获取方法、装置及系统
CN112712524B (zh) 基于深度学习模型的箱包品质检测方法、装置及存储介质
Heryanto et al. Classification of Coffee Beans Defect Using Mask Region-based Convolutional Neural Network
Agarwal et al. A comparative study of supervised machine learning algorithms for fruit prediction
CN111105303B (zh) 基于增量式网络表征学习的网络借贷欺诈检测方法
CN113792541A (zh) 一种引入互信息正则化器的方面级情感分析方法
CN109993339A (zh) 一种出国金融业务潜在用户的预测方法
KR101350221B1 (ko) 인지모방 기법을 이용한 지능형 영상 검색 방법
Tangwannawit et al. Feature extraction to predict quality of segregating sweet tamarind using image processing
Haddab Data Science & Machine Learning Methods for Detecting Credit Card Fraud
Schulte et al. A feasibility study of deep neural networks for the recognition of banknotes regarding central bank requirements
KR102530379B1 (ko) 인공지능을 이용한 진품 감정 시스템 및 방법
CN112712139B (zh) 一种基于图像处理的箱包识别方法、系统及存储介质
CN115841380B (zh) 一种基于物流集装箱供应链的金融风险控制方法
Lee A data mining approach using transaction patterns for card fraud detection

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
CB02 Change of applicant information

Country or region after: China

Address after: 100071 room 1486, floor 9, building 19, District 16, 188 South Fourth Ring Road West, Fengtai District, Beijing

Applicant after: Beijing Feiling Technology Co.,Ltd.

Applicant after: Shanghai Feiyu Digital Technology Co.,Ltd.

Address before: 100071 room 1486, floor 9, building 19, District 16, 188 South Fourth Ring Road West, Fengtai District, Beijing

Applicant before: Beijing Feiling Technology Co.,Ltd.

Country or region before: China

Applicant before: Shanghai Feiyu Network Technology Co.,Ltd.

CB02 Change of applicant information