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鉴定的精准度不足且鉴定效率较低的缺陷而提供一种基于深度学习模型的箱包品质检测方法、装置、系统及存储介质。
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基于深度学习模型的箱包品质检测方法,包括:
接收待检测箱包的不同位置的图像,基于所述图像获得箱包各个位置的当前品质数据;
所述深度学习模型包括多个评估模型,将箱包各个位置的当前品质数据输入至预先训练的多个基于深度学习的评估模型中,其中每个评估模型的参数具有不同的参数梯度;
多个基于深度学习的评估模型分别对所述箱包各个位置的当前品质数据进行处理,生成箱包的多个品质评估值;
基于多个品质评估值得到箱包的机器品质评估值。
可选地,在第一方面的一种可能实现方式中,所述多个基于深度学习的评估模型分别对所述箱包各个位置的当前品质数据进行处理,生成箱包的多个品质评估值包括:
箱包为
,
;将箱包
的各个位置的品质数据集合标记为
,其中
表示箱包
的a位置的品质数据,
表示箱包
的b位置的品质数据,
表示箱包
的n位置的品质数据;
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
可能对位置a处的参数梯度可能为
,
表示模型
可能对位置a处的参数梯度可能为
、
表示模型
可能对位置n处的参数梯度可能为
;
所述确定方法包括如下步骤:
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
,在各个评估模型的评估集合如下:
选取与当前待检测的箱包
对应的一个或多个模型,分别得到多个品质评估值的集合,为
,其中
可以是空集。
可选地,在第一方面的一种可能实现方式中,基于多个品质评估值得到箱包的机器品质评估值包括:
其中,k为预设的权重值,n为对箱包
对应的评估模型的个数。
可选地,在第一方面的一种可能实现方式中,在基于多个品质评估值得到箱包的机器品质评估值后,还包括:
接收管理者输入的建议品质评估值,其中建议品质评估值为管理者预先设置方式或随时输入方式中的任意一个或多个;
获取机器品质评估值和建议品质评估值,判断机器品质评估值和建议品质评估值间的差值是否大于预设值;
若大于预设值,则对所述评估模型的参数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品质评估值;
重复上述的步骤,直至机器品质评估值和建议品质评估值之间的差值小于预设值。
可选地,在第一方面的一种可能实现方式中,所述则对所述评估模型的参数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品质评估值包括:
判断所述机器品质评估值大于或小于建议品质评估值;
若所述机器品质评估值大于所述建议品质评估值,则将模型
内的各个参数的参数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品质评估值。
可选地,在第一方面的一种可能实现方式中,若所述机器品质评估值小于所述建议品质评估值,则将模型
内的各个参数的参数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品质评估值。
本发明的第二方面提供一种基于深度学习模型的箱包品质检测装置,包括:
获取模块,用于接收待检测箱包的不同位置的图像,基于所述图像获得箱包各个位置的当前品质数据;
输入模块,所述深度学习模型包括多个评估模型,用于将箱包各个位置的当前品质数据输入至预先训练的多个基于深度学习的评估模型中,其中每个评估模型的参数具有不同的参数梯度;
处理模块,用于多个基于深度学习的评估模型分别对所述箱包各个位置的当前品质数据进行处理,生成箱包的多个品质评估值;
得取模块,用于基于多个品质评估值得到箱包的机器品质评估值。
本发明的第二方面提供一种基于深度学习模型的箱包品质检测系统,包括上述的方法,包括箱包录入模块、箱包测评模块和成色等级评定模块,所述箱包录入模块获取待鉴定箱包的初始图像,所述箱包测评模块中设有多个测评点模组,箱包测评模块通过测评点模组对所述初始图像中的相应区域进行成色鉴定,生成对应区域的成色得分,每个测评点模组的成色得分根据预设权重进行相加,得到待鉴定箱包的最终成色得分,所述成色等级评定模块根据待鉴定箱包的最终成色得分进行数据校验,输出待鉴定箱包对应的成色等级;
所述测评点模组从初始图像中的相应区域获取多个摆放痕迹图像,判断摆放痕迹图像对应区域的瑕疵程度,所述测评点模组的类型包括包身测评组、油边测评组、边角测评组、五金测评组、手柄测评组、内里测评组和配件测评组;
所述包身测评组对初始图像中包身的摆放痕迹图像进行测评,具体包括污渍测评、划痕测评、破损测评、开裂测评、掉钻测评、压痕测评、变形测评、发霉测评、整体护理测评、发粘测评、发硬测评、老化测评、改色测评和吸色测评;
所述油边测评组对初始图像中油边的摆放痕迹图像进行测评,具体包括破损测评、开裂测评、变形测评、发霉测评、整体护理测评、发粘测评、发硬测评、老化测评、改色测评和断线测评;
所述边角测评组对初始图像中边角的摆放痕迹图像进行测评,具体包括磨痕测评、破损测评、掉皮测评和开裂测评。
可选地,在第三方面的一种可能实现方式中,所述五金测评组对初始图像中五金件的摆放痕迹图像进行测评,具体包括掉漆测评、裂痕测评、磨痕测评、划痕测评和缺失测评;
所述手柄测评组对初始图像中手柄的摆放痕迹图像进行测评,具体包括污渍测评、划痕测评、磨损测评、褪色测评、破损测评、掉皮测评、边油开裂测评、压痕测评和小部件缺失测评;
所述内里测评组对初始图像中待鉴定箱包的内部的摆放痕迹图像进行测评,具体包括污渍测评、破损测评、溢胶测评、发粘测评、鼓包测评、压痕测评和品牌标识磨损测评;
所述配件测评组对初始图像中配件的摆放痕迹图像进行测评,具体包括无原装配件测评、配件小部分缺失测评、配件大部分缺失测评、配件完全老化测评和配件不符测评。
本发明实施例的第四方面,提供一种可读存储介质,所述可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时用于实现本发明第一方面及第一方面各种可能设计的所述方法。
与现有技术相比,本发明具有以下有益效果:
本发明提供的基于深度学习模型的箱包品质检测方法,提供有多个基于深度学习的评估模型,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品质评估值,然后对多个品质评估值进行综合评估得到最终的机器品质评估值,通过以上方式获得的机器品质评估值更加的客观、具体,不同模型的参数具有不同的参数梯度值,可以全方位兼容多种类型、特点的箱包。
并且,本发发明还具有模型训练、自学习的功能,在每次获得机器品质评估值后,可以基于管理者输入的建议品质评估值对模型进行训练,优化模型中各个参数的参数梯度,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。
本发明通过箱包测评模块中设置的多个测评点模组,对待鉴定箱包的初始图像进行鉴定,使得箱包测评模块能够覆盖箱包鉴定的多个考察面,分为多个测评项进行打分,得到每个测评点模组的成色得到,再根据预设的权重算出最终成色得分,由成色等级评定模块输出最终的成色等级,不仅提高了箱包鉴定的鉴定精度,同时加快了鉴定速度,最终以成色等级的形式进行输出,也方便消费者可以直观地看出箱包的品质从而进行选择。
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。
本发明提供一种基于深度学习模型的箱包品质检测方法,如图1所示其流程图,包括:
步骤S10、预先训练深度学习模型,所述深度学习模型输入层、中间层以及输出层;
步骤S20、获取箱包的品质数据,所述品质数据包括待检测箱包不同位置的图像;
步骤S30、将所述品质数据输入至深度学习模型的输入层,依次经过输入层、中间层以及输出层对所述品质数据进行处理,得到箱包的品质评估值。
接收待检测箱包的不同位置的图像,基于所述图像获得箱包各个位置的当前品质数据。其中箱包包括购物袋、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。获取待测箱包不同位置的图像例如获取手提包的包面位置的图像、包带的位置的图像、包底的位置的图像等等。并根据各个位置的当前图像生成各个位置的当前品质数据。
所述深度学习模型包括评估模型,将箱包各个位置的当前品质数据输入至预先训练的多个基于深度学习的评估模型中,其中每个评估模型的参数具有不同的参数梯度。多个基于深度学习的评估模型分别具有不同的参数梯度,使得每个模型对基于深度学习模型的箱包品质检测具有不同的侧重方向。
例如评估模型1对包面位置这个参数的参数梯度为1、评估模型2对包面位置这个参数的参数梯度为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位置与其他位置的占比可能都是不同的,所以通过多个基于深度学习的评估模型可以综合考虑的不同位置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位置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位置占比的情况。并且,不同位置的磨损程度可能反应的成色、评估分值也是不同的。例如说手带这个位置和包面位置的磨损程度都是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位置,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参数梯度,可以充分考虑箱包的不同位置的磨损程度。
多个基于深度学习的评估模型分别对所述箱包各个位置的当前品质数据进行处理,生成箱包的多个品质评估值。
在步骤S30中,生成箱包的多个品质评估值包括:
箱包为
,
;将箱包
的各个位置的品质数据集合标记为
,其中
表示箱包
的a位置的品质数据,
表示箱包
的b位置的品质数据,
表示箱包
的n位置的品质数据;
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
可能对位置a处的参数梯度可能为
,
表示模型
可能对位置a处的参数梯度可能为
、
表示模型
可能对位置n处的参数梯度可能为
;
所述确定方法包括如下步骤:
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
,在各个评估模型的评估集合如下:
选取与当前待检测的箱包
对应的一个或多个模型,分别得到多个品质评估值的集合,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基于深度学习的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S40中,还包括以下步骤:
基于多个品质评估值得到箱包的机器品质评估值包括:
其中,k为预设的权重值,n为对箱包
对应的评估模型的个数。
通过以上步骤,可以对多个品质评估值的总和的平均数进行计算,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。
本发明还包括以下步骤:
接收管理者输入的建议品质评估值,其中建议品质评估值为管理者预先设置方式或随时输入方式中的任意一个或多个;
获取机器品质评估值和建议品质评估值,判断机器品质评估值和建议品质评估值间的差值是否大于预设值;
若大于预设值,则对所述评估模型的参数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品质评估值;
重复上述的步骤,直至机器品质评估值和建议品质评估值之间的差值小于预设值。
通过以上步骤,在每次获得机器品质评估值后,可以基于管理者输入的建议品质评估值对模型进行训练,优化模型中各个参数的参数梯度,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参数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品质评估值包括:
判断所述机器品质评估值大于或小于建议品质评估值;
若所述机器品质评估值大于所述建议品质评估值,则将模型
内的各个参数的参数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品质评估值。
在一个实施例中,若所述机器品质评估值小于所述建议品质评估值,则将模型
内的各个参数的参数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品质评估值。
本发明还提供一种基于深度学习模型的箱包品质检测装置,如图2所示,包括:
训练模块,用于预先训练深度学习模型,所述深度学习模型输入层、中间层以及输出层;
获取模块,用于获取箱包的品质数据,所述品质数据包括待检测箱包不同位置的图像;
处理模块,用于将所述品质数据输入至深度学习模型的输入层,依次经过输入层、中间层以及输出层对所述品质数据进行处理,得到箱包的品质评估值。
处理模块包括:
获取单元,用于接收待检测箱包的不同位置的图像,基于所述图像获得箱包各个位置的当前品质数据;
输入单元,用于将箱包各个位置的当前品质数据输入至预先训练的多个基于深度学习的评估模型中,其中每个评估模型的参数具有不同的参数梯度;
评估单元,用于多个基于深度学习的评估模型分别对所述箱包各个位置的当前品质数据进行处理,生成箱包的多个品质评估值;
机器评估单元,用于基于多个品质评估值得到箱包的机器品质评估值;
箱包为
,
;将箱包
的各个位置的品质数据集合标记为
,其中
表示箱包
的a位置的品质数据,
表示箱包
的b位置的品质数据,
表示箱包
的n位置的品质数据;
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
对位置a处的参数梯度为
,
表示模型
对位置a处的参数梯度为
、
表示模型
对位置n处的参数梯度为
;
还包括如下步骤:
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
,在各个评估模型的评估集合如下:
选取与当前待检测的箱包
对应的一个或多个模型,分别得到多个品质评估值的集合,为
。
本发明还提供一种基于深度学习模型的箱包品质检测系统,包括箱包录入模块、箱包测评模块和成色等级评定模块,箱包录入模块获取待鉴定箱包的初始图像,箱包测评模块中设有多个测评点模组,箱包测评模块通过测评点模组对初始图像中的相应区域进行成色鉴定,生成对应区域的成色得分,每个测评点模组的成色得分根据预设权重进行相加,得到待鉴定箱包的最终成色得分,成色等级评定模块根据待鉴定箱包的最终成色得分进行数据校验,输出待鉴定箱包对应的成色等级。
测评点模组从初始图像中的相应区域获取多个摆放痕迹图像,判断摆放痕迹图像对应区域的瑕疵程度,本实施例中,获取的摆放痕迹图像的数量为4个。
测评点模组的类型包括包身测评组、油边测评组、边角测评组、五金测评组、手柄测评组、内里测评组和配件测评组,其中包身测评组、油边测评组、边角测评组、五金测评组、手柄测评组和内里测评组中对应区域的瑕疵程度包括轻度瑕疵、中度瑕疵和严重瑕疵。
包身测评组对初始图像中包身的摆放痕迹图像进行测评,具体包括污渍测评、划痕测评、破损测评、开裂测评、掉钻测评、压痕测评、变形测评、发霉测评、整体护理测评、发粘测评、发硬测评、老化测评、改色测评和吸色测评。
油边测评组对初始图像中油边的摆放痕迹图像进行测评,具体包括破损测评、开裂测评、变形测评、发霉测评、整体护理测评、发粘测评、发硬测评、老化测评、改色测评和断线测评。
边角测评组对初始图像中边角的摆放痕迹图像进行测评,具体包括磨痕测评、破损测评、掉皮测评和开裂测评。
五金测评组对初始图像中五金件的摆放痕迹图像进行测评,具体包括掉漆测评、裂痕测评、磨痕测评、划痕测评和缺失测评。
手柄测评组对初始图像中手柄的摆放痕迹图像进行测评,具体包括污渍测评、划痕测评、磨损测评、褪色测评、破损测评、掉皮测评、边油开裂测评、压痕测评和小部件缺失测评。
内里测评组对初始图像中待鉴定箱包的内部的摆放痕迹图像进行测评,具体包括污渍测评、破损测评、溢胶测评、发粘测评、鼓包测评、压痕测评和品牌标识磨损测评。
配件测评组对初始图像中配件的摆放痕迹图像进行测评,具体包括无原装配件测评、配件小部分缺失测评、配件大部分缺失测评、配件完全老化测评和配件不符测评。
箱包测评模块中成色得分和最终成色得分为100分制,成色等级评定模块中最终成色得分为99分的待鉴定箱包的等级为SS级,最终成色得分为98分的待鉴定箱包的等级为S级,最终成色得分为95-97分的待鉴定箱包的等级为A级,最终成色得分为90-94分的待鉴定箱包的等级为B级,最终成色得分在90分以下的待鉴定箱包的等级为C级。
箱包录入模块获取待鉴定箱包的初始图像,箱包测评模块的测评点模组对初始图像中的相应区域进行成色鉴定,生成对应区域的成色得分,所有的成色得分按照预设权重相加得到最终成色得分,成色等级评定模块根据待鉴定箱包的最终成色得分进行数据校验,输出待鉴定箱包对应的成色等级,并将成色信息填入系统中待鉴定箱包的商品信息中的成色等级。
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。