CN112712524B - 基于深度学习模型的箱包品质检测方法、装置及存储介质 - Google Patents

基于深度学习模型的箱包品质检测方法、装置及存储介质 Download PDF

Info

Publication number
CN112712524B
CN112712524B CN202110329789.5A CN202110329789A CN112712524B CN 112712524 B CN112712524 B CN 112712524B CN 202110329789 A CN202110329789 A CN 202110329789A CN 112712524 B CN112712524 B CN 112712524B
Authority
CN
China
Prior art keywords
evaluation
quality
luggage
value
model
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.)
Active
Application number
CN202110329789.5A
Other languages
English (en)
Other versions
CN112712524A (zh
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.)
Beijing Feiling Technology Co ltd
Shanghai Feiyu Digital 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 CN202110329789.5A priority Critical patent/CN112712524B/zh
Publication of CN112712524A publication Critical patent/CN112712524A/zh
Application granted granted Critical
Publication of CN112712524B publication Critical patent/CN112712524B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30112—Baggage; Luggage; Suitcase

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于深度学习模型的箱包品质检测方法、装置及存储介质，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；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。本发明提供有多个基于深度学习的评估模型，通过对箱包的品质数据进行综合评估得到最终的机器品质评估值，该品质评估值能够有效反应当前箱包的品质。

Description

基于深度学习模型的箱包品质检测方法、装置及存储介质
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。
背景技术
二手奢侈品的成色鉴定是二手奢侈品市场中估价的重要环节，也是消费者选择时的关键评判标准。在目前的奢侈品市场中，奢侈品成色鉴定主要靠人工鉴定来完成，随着需要鉴定的奢侈品的数量不断增长，现有的成色评估师已经不能满足日均鉴定需求，且由于工作量的增加导致成色评估师对奢侈品的成色鉴定出现了较大的误差，鉴定失误开始出现，造成当前二手奢侈品的成色鉴定的精准度出现下滑，且鉴定效率较低。
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
Figure 161188DEST_PATH_IMAGE001
,
Figure 137235DEST_PATH_IMAGE002
；将箱包
Figure 117085DEST_PATH_IMAGE001
的各个位置的品质数据集合标记为
Figure 167081DEST_PATH_IMAGE003
,其中
Figure 705510DEST_PATH_IMAGE004
表示箱包
Figure 903273DEST_PATH_IMAGE001
的a位置的品质数据，
Figure 683885DEST_PATH_IMAGE005
表示箱包
Figure 588387DEST_PATH_IMAGE001
的b位置的品质数据，
Figure 297717DEST_PATH_IMAGE006
表示箱包
Figure 186039DEST_PATH_IMAGE001
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
Figure 495973DEST_PATH_IMAGE007
,其中
Figure 786140DEST_PATH_IMAGE008
表示模型
Figure 463109DEST_PATH_IMAGE009
可能对位置a处的参数梯度可能为
Figure 838727DEST_PATH_IMAGE010
，
Figure 462606DEST_PATH_IMAGE011
表示模型
Figure 840236DEST_PATH_IMAGE009
可能对位置a处的参数梯度可能为
Figure 891368DEST_PATH_IMAGE012
、
Figure 754282DEST_PATH_IMAGE013
表示模型
Figure 916273DEST_PATH_IMAGE009
可能对位置n处的参数梯度可能为
Figure 682497DEST_PATH_IMAGE014
；
所述确定方法包括如下步骤：
待检测的箱包包括
Figure 638952DEST_PATH_IMAGE015
，模型
Figure 785899DEST_PATH_IMAGE016
分别对箱包进行成色评估，若
Figure 751581DEST_PATH_IMAGE003
∈
Figure 369382DEST_PATH_IMAGE007
，则确定出箱包
Figure 496738DEST_PATH_IMAGE017
,在各个评估模型的评估集合如下：
Figure 68665DEST_PATH_IMAGE018
选取与当前待检测的箱包
Figure 572459DEST_PATH_IMAGE001
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
Figure 313275DEST_PATH_IMAGE019
，其中
Figure 877112DEST_PATH_IMAGE020
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：
基于以下公式计算机器品质评估值
Figure 733072DEST_PATH_IMAGE021
，
Figure 40557DEST_PATH_IMAGE022
其中，k为预设的权重值，n为对箱包
Figure 134415DEST_PATH_IMAGE001
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
Figure 102108DEST_PATH_IMAGE016
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
Figure 648627DEST_PATH_IMAGE016
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。
附图说明
图1为基于深度学习模型的箱包品质检测方法的第一种实施方式的流程图；
图2为基于深度学习模型的箱包品质检测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
Figure 494224DEST_PATH_IMAGE001
,
Figure 239326DEST_PATH_IMAGE002
；将箱包
Figure 646430DEST_PATH_IMAGE001
的各个位置的品质数据集合标记为
Figure 680245DEST_PATH_IMAGE003
,其中
Figure 63953DEST_PATH_IMAGE004
表示箱包
Figure 866824DEST_PATH_IMAGE001
的a位置的品质数据，
Figure 441899DEST_PATH_IMAGE005
表示箱包
Figure 963010DEST_PATH_IMAGE001
的b位置的品质数据，
Figure 212726DEST_PATH_IMAGE006
表示箱包
Figure 870104DEST_PATH_IMAGE001
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
Figure 117545DEST_PATH_IMAGE007
,其中
Figure 373557DEST_PATH_IMAGE008
表示模型
Figure 364647DEST_PATH_IMAGE009
可能对位置a处的参数梯度可能为
Figure 142110DEST_PATH_IMAGE010
，
Figure 357190DEST_PATH_IMAGE011
表示模型
Figure 351429DEST_PATH_IMAGE009
可能对位置a处的参数梯度可能为
Figure 880630DEST_PATH_IMAGE012
、
Figure 247021DEST_PATH_IMAGE013
表示模型
Figure 101844DEST_PATH_IMAGE009
可能对位置n处的参数梯度可能为
Figure 616002DEST_PATH_IMAGE014
；
所述确定方法包括如下步骤：
待检测的箱包包括
Figure 450360DEST_PATH_IMAGE015
，模型
Figure 202415DEST_PATH_IMAGE016
分别对箱包进行成色评估，若
Figure 962561DEST_PATH_IMAGE003
∈
Figure 167277DEST_PATH_IMAGE007
，则确定出箱包
Figure 536816DEST_PATH_IMAGE017
,在各个评估模型的评估集合如下：
Figure 143378DEST_PATH_IMAGE018
选取与当前待检测的箱包
Figure 74425DEST_PATH_IMAGE001
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
Figure 563175DEST_PATH_IMAGE019
，其中
Figure 739335DEST_PATH_IMAGE020
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：
基于以下公式计算机器品质评估值
Figure 200403DEST_PATH_IMAGE021
，
Figure 567931DEST_PATH_IMAGE022
其中，k为预设的权重值，n为对箱包
Figure 481660DEST_PATH_IMAGE001
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
Figure 193002DEST_PATH_IMAGE016
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
Figure 774156DEST_PATH_IMAGE016
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
Figure 47005DEST_PATH_IMAGE001
,
Figure 510348DEST_PATH_IMAGE002
；将箱包
Figure 526845DEST_PATH_IMAGE001
的各个位置的品质数据集合标记为
Figure 463971DEST_PATH_IMAGE003
,其中
Figure 907721DEST_PATH_IMAGE004
表示箱包
Figure 796043DEST_PATH_IMAGE001
的a位置的品质数据，
Figure 616231DEST_PATH_IMAGE005
表示箱包
Figure 201671DEST_PATH_IMAGE001
的b位置的品质数据，
Figure 81903DEST_PATH_IMAGE006
表示箱包
Figure 457520DEST_PATH_IMAGE001
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
Figure 550241DEST_PATH_IMAGE007
,其中
Figure 184661DEST_PATH_IMAGE008
表示模型
Figure 970214DEST_PATH_IMAGE009
对位置a处的参数梯度为
Figure 629866DEST_PATH_IMAGE010
，
Figure 791857DEST_PATH_IMAGE011
表示模型
Figure 289572DEST_PATH_IMAGE009
对位置a处的参数梯度为
Figure 246027DEST_PATH_IMAGE012
、
Figure 596237DEST_PATH_IMAGE013
表示模型
Figure 561918DEST_PATH_IMAGE009
对位置n处的参数梯度为
Figure 477922DEST_PATH_IMAGE014
；
还包括如下步骤：
待检测的箱包包括
Figure 106743DEST_PATH_IMAGE015
，模型
Figure 944249DEST_PATH_IMAGE016
分别对箱包进行成色评估，若
Figure 182463DEST_PATH_IMAGE003
∈
Figure 421815DEST_PATH_IMAGE007
，则确定出箱包
Figure 218607DEST_PATH_IMAGE017
,在各个评估模型的评估集合如下：
Figure 543409DEST_PATH_IMAGE018
选取与当前待检测的箱包
Figure 647631DEST_PATH_IMAGE001
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
Figure 475910DEST_PATH_IMAGE023
。
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。

Claims (4)

1.一种基于深度学习模型的箱包品质检测方法，其特征在于，包括：
预先训练深度学习模型，所述深度学习模型包括多个基于深度学习的评估模型，所述评估模型包括输入层、中间层以及输出层；
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；
将所述品质数据输入至每个评估模型的输入层，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；
所述获取箱包的品质数据，将所述品质数据输入至每个评估模型的输入层，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；
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；
箱包为
Figure DEST_PATH_IMAGE001
,
Figure 453714DEST_PATH_IMAGE002
；将箱包
Figure 371992DEST_PATH_IMAGE001
的各个位置的品质数据集合标记为
Figure DEST_PATH_IMAGE003
,其中
Figure 413897DEST_PATH_IMAGE004
表示箱包
Figure 570072DEST_PATH_IMAGE001
的a位置的品质数据，
Figure DEST_PATH_IMAGE005
表示箱包
Figure 288498DEST_PATH_IMAGE001
的b位置的品质数据，
Figure 162913DEST_PATH_IMAGE006
表示箱包
Figure 742930DEST_PATH_IMAGE001
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
Figure DEST_PATH_IMAGE007
,其中
Figure 550349DEST_PATH_IMAGE008
表示模型
Figure DEST_PATH_IMAGE009
对位 置a处的参数梯度为
Figure 439677DEST_PATH_IMAGE010
，
Figure DEST_PATH_IMAGE011
表示模型
Figure 942334DEST_PATH_IMAGE009
对位置b处的参数梯度为
Figure 185096DEST_PATH_IMAGE012
、
Figure DEST_PATH_IMAGE013
表示模型
Figure 971655DEST_PATH_IMAGE009
对位置n处的参数梯度为
Figure 376092DEST_PATH_IMAGE014
；
还包括如下步骤：
待检测的箱包包括
Figure DEST_PATH_IMAGE015
，模型
Figure 631624DEST_PATH_IMAGE016
分别对箱包进行成色评估，若
Figure 146919DEST_PATH_IMAGE003
∈
Figure 787985DEST_PATH_IMAGE007
，则确定出箱包
Figure DEST_PATH_IMAGE017
,在各个评估模型的评估集合如下：
Figure DEST_PATH_IMAGE019
选取与当前待检测的箱包
Figure 35426DEST_PATH_IMAGE001
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
Figure 637309DEST_PATH_IMAGE020
；
基于多个品质评估值得到箱包的机器品质评估值包括：
基于以下公式计算机器品质评估值
Figure DEST_PATH_IMAGE021
，
Figure DEST_PATH_IMAGE023
其中，k为预设的权重值，n为对箱包
Figure 877666DEST_PATH_IMAGE001
对应的评估模型的个数；
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；
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
Figure 983025DEST_PATH_IMAGE016
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。
2.根据权利要求1所述的基于深度学习模型的箱包品质检测方法，其特征在于，
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
Figure 870210DEST_PATH_IMAGE016
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。
3.一种基于深度学习模型的箱包品质检测装置，其特征在于，包括：
训练模块，用于预先训练深度学习模型，所述深度学习模型包括多个基于深度学习的评估模型，所述评估模型包括输入层、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每个评估模型的输入层，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；
所述处理模块还包括：
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
Figure 428230DEST_PATH_IMAGE001
,
Figure 941120DEST_PATH_IMAGE002
；将箱包
Figure 900986DEST_PATH_IMAGE001
的各个位置的品质数据集合标记为
Figure 818126DEST_PATH_IMAGE003
,其中
Figure 269967DEST_PATH_IMAGE004
表示箱包
Figure 930756DEST_PATH_IMAGE001
的a位置的品质数据，
Figure 745128DEST_PATH_IMAGE005
表示箱包
Figure 494821DEST_PATH_IMAGE001
的b位置的品质数据，
Figure 293013DEST_PATH_IMAGE006
表示箱包
Figure 757493DEST_PATH_IMAGE001
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
Figure 567317DEST_PATH_IMAGE007
,其中
Figure 91839DEST_PATH_IMAGE008
表示模型
Figure 111748DEST_PATH_IMAGE009
对位 置a处的参数梯度为
Figure 504552DEST_PATH_IMAGE010
，
Figure 293516DEST_PATH_IMAGE011
表示模型
Figure 129885DEST_PATH_IMAGE009
对位置b处的参数梯度为
Figure 637090DEST_PATH_IMAGE012
、
Figure 443372DEST_PATH_IMAGE013
表示模型
Figure 477056DEST_PATH_IMAGE009
对位置n处的参数梯度为
Figure 77801DEST_PATH_IMAGE014
；
待检测的箱包包括
Figure 337881DEST_PATH_IMAGE015
，模型
Figure 557641DEST_PATH_IMAGE016
分别对箱包进行成色评估，若
Figure 586777DEST_PATH_IMAGE003
∈
Figure 358424DEST_PATH_IMAGE007
，则确定出箱包
Figure 230434DEST_PATH_IMAGE017
,在各个评估模型的评估集合如下：
Figure 378519DEST_PATH_IMAGE024
选取与当前待检测的箱包
Figure 996582DEST_PATH_IMAGE001
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
Figure 345655DEST_PATH_IMAGE020
；
基于多个品质评估值得到箱包的机器品质评估值包括：
基于以下公式计算机器品质评估值
Figure 49168DEST_PATH_IMAGE021
，
Figure DEST_PATH_IMAGE025
其中，k为预设的权重值，n为对箱包
Figure 391157DEST_PATH_IMAGE001
对应的评估模型的个数；
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。
4.一种可读存储介质，其特征在于，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权利要求1至2任一所述的方法。
CN202110329789.5A 2021-03-29 2021-03-29 基于深度学习模型的箱包品质检测方法、装置及存储介质 Active CN112712524B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110329789.5A CN112712524B (zh) 2021-03-29 2021-03-29 基于深度学习模型的箱包品质检测方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110329789.5A CN112712524B (zh) 2021-03-29 2021-03-29 基于深度学习模型的箱包品质检测方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN112712524A CN112712524A (zh) 2021-04-27
CN112712524B true CN112712524B (zh) 2022-06-21

Family

ID=75550323

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110329789.5A Active CN112712524B (zh) 2021-03-29 2021-03-29 基于深度学习模型的箱包品质检测方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN112712524B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7008958B1 (ja) * 2021-10-05 2022-01-25 三信トレーディング株式会社 錦鯉品評会実施装置およびプログラム並びに錦鯉品評会システム
CN116050916A (zh) * 2023-01-14 2023-05-02 嘉兴兴发箱包有限公司 一种旅行箱的应用性能评估方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
WO2019219826A1 (en) * 2018-05-18 2019-11-21 Carl Zeiss Smt Gmbh Method and apparatus for evaluating an unknown effect of defects of an element of a photolithography process
CN111724189A (zh) * 2019-06-27 2020-09-29 上海妃鱼网络科技有限公司 一种基于大数据的二手商品估价方法
CN112381589A (zh) * 2020-12-04 2021-02-19 南京浪脆电子商务有限公司 一种基于云计算的商品交易平台商品智能估值管理系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108932591B (zh) * 2018-07-11 2021-07-02 武汉科技大学 一种基于智能算法的二手车估值方法和系统
JP7268368B2 (ja) * 2019-01-30 2023-05-08 富士通株式会社 学習装置、学習方法および学習プログラム
CN110544124A (zh) * 2019-08-30 2019-12-06 北京工业大学 一种基于模糊神经网络的废旧手机定价方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
WO2019219826A1 (en) * 2018-05-18 2019-11-21 Carl Zeiss Smt Gmbh Method and apparatus for evaluating an unknown effect of defects of an element of a photolithography process
CN111724189A (zh) * 2019-06-27 2020-09-29 上海妃鱼网络科技有限公司 一种基于大数据的二手商品估价方法
CN112381589A (zh) * 2020-12-04 2021-02-19 南京浪脆电子商务有限公司 一种基于云计算的商品交易平台商品智能估值管理系统

Also Published As

Publication number Publication date
CN112712524A (zh) 2021-04-27

Similar Documents

Publication Publication Date Title
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
CN104866862B (zh) 一种带钢表面面积型缺陷识别分类的方法
JP5721673B2 (ja) 塗色データベース作成方法、作成システム、作成プログラム及び記録媒体
CN106096670B (zh) 级联卷积神经网络训练和图像检测方法、装置及系统
CN109919934A (zh) 一种基于多源域深度迁移学习的液晶面板缺陷检测方法
Hong et al. An efficiency study of airlines and air cargo/passenger divisions: a DEA approach
CN108334906A (zh) 一种金融典当服务的抵押物自动识别评估方法和装置
CN104463548B (zh) 一种多因素影响下的承运量化选择方法
CN107677484A (zh) 车辆测试系统，存储其程序的存储介质，车辆测试方法和行驶阻力设定装置
CN109242825A (zh) 一种基于深度学习技术的钢铁表面缺陷识别方法和装置
CN110569864A (zh) 基于gan网络的车损图像生成方法和装置
CN104751463B (zh) 一种基于草图轮廓特征的三维模型最佳视角选取方法
CN105512674A (zh) 基于密集匹配子自适应相似性度量的rgb-d物体识别方法和装置
CN109740567A (zh) 关键点定位模型训练方法、定位方法、装置及设备
CN110378600A (zh) 一种矿体自动圈定及储量智能估算系统
Tao Understanding intention to use electronic information resources: a theoretical extension of the technology acceptance model (TAM)
Campana et al. A proposal for the evaluation of craftsmanship in industry
Masood et al. Which resources matter the most to firm performance? An experimental study
JP2010015405A (ja) 鉄道技術系職場における安全風土評価方法
TWI386858B (zh) The method of neural network identification of fruit grading
CN104502889B (zh) 指纹定位中基于参考点最大距离的定位可信度计算方法
CN106066935A (zh) 损伤等级模型的性能分析方法及系统
CN106558086B (zh) 一种林木应力波断层成像的速度误差校正方法
TWI282847B (en) Method to measure the weight based on machine vision
Maware et al. The moderating effect of industry clockspeed on Lean Manufacturing implementation in Zimbabwe

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
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address

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

Patentee after: Beijing Feiling Technology Co.,Ltd.

Country or region after: China

Patentee 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

Patentee before: Beijing Feiling Technology Co.,Ltd.

Country or region before: China

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