CN113435982A - 一种指甲油推荐方法、装置、设备和介质 - Google Patents
一种指甲油推荐方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN113435982A CN113435982A CN202110832484.6A CN202110832484A CN113435982A CN 113435982 A CN113435982 A CN 113435982A CN 202110832484 A CN202110832484 A CN 202110832484A CN 113435982 A CN113435982 A CN 113435982A
- Authority
- CN
- China
- Prior art keywords
- nail polish
- training
- nail
- features
- segmentation 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000003709 image segmentation Methods 0.000 claims abstract description 115
- 238000012549 training Methods 0.000 claims description 166
- 238000000605 extraction Methods 0.000 claims description 40
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 abstract description 11
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 238000013527 convolutional neural network Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 15
- 239000003086 colorant Substances 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 239000002699 waste material Substances 0.000 description 4
- 238000000137 annealing Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000009193 crawling Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 241000239290 Araneae Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011888 foil Substances 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 230000001954 sterilising effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种指甲油推荐方法、装置、设备和介质，方法包括：获取多张指甲油图像和对应的销量信息；采用预设的目标图像分割模型对每张指甲油图像进行特征提取，得到与指甲油图像对应的指甲油特征；对指甲油特征进行聚类，得到多个指甲油特征聚类簇；基于多个指甲油特征聚类簇和销量信息，生成指甲油推荐信息，从而反映当前阶段的指甲油销售情况，为后续指甲油的销售和制造提供更为准确的推荐信息，进而避免由于人工检测所造成的人为聚类错误，有效地降低成本。
Description
技术领域
本发明涉及信息推荐技术领域，尤其涉及一种指甲油推荐方法、装置、设备和介质。
背景技术
随着人们生活水平的提高，越来越多的人开始关注对指甲的美容，美甲是根据客人的手形、甲形、肤质、服装的色彩和要求，对指(趾)甲进行消毒、清洁、护理、保养、修饰美化的过程。其中，涂指甲油是最常见的美甲内容之一。
在实际的指甲油销售过程中，由于无法事先预测消费者对指甲油的颜色、亮度等特征的偏好，容易出现某些爆款指甲油供应不足，而某些色号的指甲油却无人问津的情况。
为了稳定指甲油的销量及提高收益率，通常会对指甲油的颜色和对应的销量进行数据分析，在现有技术中，主要依靠人工检测的方式区分指甲油的颜色，但由于美妆复杂的颜色体系，不同颜色之间的差异较小，人工检测的方式容易出错，且耗费时间较长。
发明内容
本发明提供了一种指甲油推荐方法、装置、设备和介质，解决了现有技术中人工检测指甲油的颜色容易出错、耗费时间长的技术问题。
本发明第一方面提供的一种指甲油推荐方法，包括：
获取多张指甲油图像和对应的销量信息；
采用预设的目标图像分割模型对每张所述指甲油图像进行特征提取，得到与所述指甲油图像对应的指甲油特征；
对所述指甲油特征进行聚类，得到多个指甲油特征聚类簇；
基于所述多个指甲油特征聚类簇和所述销量信息，生成指甲油推荐信息。
可选地，所述指甲油特征包括颜色特征；所述采用预设的目标图像分割模型对每张所述指甲油图像进行特征提取，得到与所述指甲油图像对应的指甲油特征的步骤，包括：
将每张所述指甲油图像输入预设的目标图像分割模型；
通过所述目标图像分割模型对所述指甲油图像进行区域分割，确定对应的指甲区域；
通过所述目标图像分割模型从所述指甲区域中截取预设规格的像素区域；
通过所述目标图像分割模型对所述像素区域进行颜色统计，得到颜色特征。
可选地，所述指甲油特征还包括图案特征和纹理特征，所述采用预设的目标图像分割模型对每张所述指甲油图像进行特征提取，得到与所述指甲油图像对应的指甲油特征的步骤，还包括：
通过所述目标图像分割模型从所述指甲区域中分别提取所述图案特征，和/或，所述纹理特征。
可选地，所述方法还包括：
通过预设的网络爬虫脚本获取多张指甲油初始图像；
对每张所述指甲油初始图像分别执行尺寸调整操作和随机截取操作，得到具有不同像素尺度的多张指甲油中间图像；
根据所述多张指甲油中间图像两两之间的相似度比对结果，对所述多张指甲油中间图像进行筛选，得到指甲油训练图像集；
采用所述指甲油训练图像集训练预设的初始图像分割模型，得到目标图像分割模型。
可选地，所述根据所述多张指甲油中间图像两两之间的相似度比对结果，对所述多张指甲油中间图像进行筛选，得到指甲油训练图像集的步骤，包括：
将所述多张指甲油中间图像分别输入预设的特征提取模型，得到与各指甲油中间图像对应的多维特征；
计算每两个所述多维特征之间的距离，得到对应的两张所述指甲油中间图像的相似度；
若所述相似度小于预设的相似度阈值，则从两张所述指甲油中间图像中删除任意一张，得到指甲油训练图像；
采用全部所述指甲油训练图像构建指甲油训练图像集。
可选地，每张所述指甲油训练图像均标注有训练指甲区域和真实特征，所述采用所述指甲油训练图像集训练预设的初始图像分割模型，得到目标图像分割模型的步骤，包括：
将所述指甲油训练图像输入预设的初始图像分割模型；
通过所述初始图像分割模型从各个训练指甲区域分别提取训练特征；
比对所述训练特征与所述真实特征，确定当前训练正确率；
若所述当前训练正确率小于预设训练阈值，则通过预设的梯度下降算法对所述初始图像分割模型内的模型参数进行调整，并累加模型训练次数；
当当前的所述模型训练次数小于或等于预设的训练次数阈值时，将所述初始图像分割模型的学习率设定为预设的初始学习率，直至所述当前的所述模型训练次数大于所述训练阈值；
若所述当前训练正确率大于或等于所述训练阈值，则将当前时刻的初始图像分割模型确定为目标图像分割模型。
可选地，所述基于所述多个指甲油特征聚类簇和所述销量信息，生成指甲油推荐信息的步骤，包括：
基于每个指甲油特征聚类簇所包含的指甲油特征关联的目标指甲油图像，从所述销量信息中提取与所述目标指甲油图像对应的目标销量信息；
以所述目标销量信息作为权重，计算每个所述指甲油特征聚类簇对应的聚类结果；
按照各个所述聚类结果分别构建柱状图，得到指甲油推荐信息。
本发明第二方面提供了一种指甲油推荐装置，包括：
数据获取模块，用于获取多张指甲油图像和对应的销量信息；
特征提取模块，用于采用预设的目标图像分割模型对每张所述指甲油图像进行特征提取，得到与所述指甲油图像对应的指甲油特征；
特征聚类模块，用于对所述指甲油特征进行聚类，得到多个指甲油特征聚类簇；
销售推荐生成模块，用于基于所述多个指甲油特征聚类簇和所述销量信息，生成指甲油推荐信息。
本发明第三方面提供了一种电子设备，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如本发明第一方面任一项所述的指甲油推荐方法。
本发明第四方面提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序用于实现如本发明第一方面任一项所述的指甲油推荐方法。
从以上技术方案可以看出，本发明具有以下优点：
本发明通过获取多张指甲油图像以及对应的销量信息，采用预设的目标图像分割模型对每张指甲油图像进行特征提取，得到与指甲油图像对应的指甲油特征，该指甲油特征能够反映指甲油的各类属性，例如颜色、纹理和图案等，对指甲油特征进行聚类，得到多个不同维度的指甲油特征聚类簇，将指甲油特征聚类簇与销量信息进行结合，生成指甲油推荐信息；上述方案通过目标图像分割模型对指甲油图像进行特征提取，可以分析出不同指甲油图像中的指甲油在多个维度下的指甲油特征，保证指甲油特征提取的全面性，提高指甲油特征提取的精度，同时，利用提取得到的较高精度的指甲油特征在不同维度下进行聚类，可以避免现有技术中人工检测指甲油的颜色容易出错、耗费时间长的缺陷，将指甲油特征聚类后的结果与各类指甲油的销量信息进行结合所生成的指甲油推荐信息能够精准地反映当前阶段的指甲油销售情况，为后续指甲油的销售和制造提供更为准确的推荐信息，减少指甲油在供销中的成本浪费，更为有效地减少推荐分析时间。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例一提供的一种指甲油推荐方法的步骤流程图；
图2为本发明实施例二提供的一种指甲油推荐方法的步骤流程图；
图3为本发明实施例二提供的一种目标图像分割模型的训练过程步骤图；
图4为本发明实施例三提供的一种指甲油推荐装置的结构框图。
具体实施方式
本发明实施例提供了一种指甲油推荐方法、装置、设备和介质，用于解决现有技术中人工检测指甲油的颜色容易出错、耗费时间长的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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它实施例，都属于本发明保护的范围。
请参阅图1，图1为本发明实施例一提供的一种指甲油推荐方法的步骤流程图。本发明实施例可以适用于对指甲油的颜色进行自主聚类、推荐热门色号的指甲油的情况，本发明实施例所提出的指甲油推荐方法可以由指甲油推荐装置来执行，该指甲油推荐装置可以由软件和/或硬件实现，可配置在电子设备中，例如，计算机、服务器、电子终端等等。
本发明提供的一种指甲油推荐方法，包括：
步骤101，获取多张指甲油图像和对应的销量信息。
本发明实施例中的指甲油图像是指包含涂有指甲油的指甲区域的图像，本发明实施例可以从多种途径中获取指甲油图像，多种途径包括但不限于电商平台、图像搜索数据库或其他网站。需要说明的是，本发明实施例对指甲油图像的具体数量不作限定。
本发明实施例中的销量信息指的是与指甲油图像中的指甲油相关联的销售量，该销售信息可以从电商平台的数据库中获取得到。可以理解的是，本实施例中获取的多张指甲油图像中的每一张指甲油图像都配置有与其对应的销量信息。
在本实施例中，可以依据销量信息为每张指甲油图像分配权重，该权重可以用于标识指甲油图像中所包含的指甲油的销售排名。在具体实现中，可以利用归一化或标准化的方法对获取到的多张指甲油图像以及对应的销量信息进行变换处理，以得到每张指甲油图像对应的权重。
在本发明实施例中，获取指甲油图像和与指甲油图像对应的销量信息，能够为后续对指甲油进行特征分析以及销售推荐提供真实可靠的数据基础。
步骤102，采用预设的目标图像分割模型对每张所述指甲油图像进行特征提取，得到与所述指甲油图像对应的指甲油特征。
由于指甲油本身具备多种特征，例如颜色、图案、纹理等等，因此本发明实施例中所获取的指甲油图像也都涵盖着指甲油的多种特征。目前的现有技术对指甲油图像按照指甲油的特征进行聚类都是依靠人工检测的方式，该方式不仅耗费时间长，还容易出错。
为了克服现有技术中的缺陷，本发明实施例采用预设的目标图像分割模型对指甲油图像进行图像分割以及特征提取，可以极大地提高对指甲油的特征进行聚类的效率，降低聚类出错的概率。
本发明实施例中的目标图像分割模型是指对指甲油图像进行图像分割、特征提取的模型，该目标图像分割模型可以基于一些常用的图像分割模型或目标检测模型训练得到，也可以通过对一些常用的图像分割模型或目标检测模型进行改进、对改进后的模型进行训练得到，本实施例对此不作限定。
在具体实现中，目标图像分割模型可以选择卷积神经网络CNN(ConvolutionalNeural Networks)、区域卷积神经网络R-CNN(Region with CNN Feature)、Faster R-CNN(Faster Region with CNN Feature)、Mask R-CNN(Mask Region with CNN Feature)等模型的任意一个模型进行改进和训练得到，本实施例对此不作限定。
在一种优选的实现方式中，本实施例中的目标图像分割模型可以选择Mask R-CNN进行改进和训练得到，传统的Mask R-CNN模型中用于提取特征的骨干网络一般采用ResNet-FPN的架构，但本实施例中的目标图像分割模型所采用的骨干网络可以选择MobileNet系列网络(例如MobileNetV1、MobileNetV2、MobileNetV3)，其中，MobileNetV3是在MobileNetV1的基础上打造的更为轻量级的网络，MobileNetV3能够使得整体网络的准确率和速度都得到极大的提升，本实施例中的目标图像分割模型采用MobileNetV3作为骨干网络能够加快对指甲油图像进行分割的速度，并减少时延。
在本实施例的具体实现中，本发明实施例还可以采用Cosine-Warmup的训练策略对目标图像分割模型进行训练。本实施例中的Cosine-Warmup是指将Consine LearningRate与Warm up进行结合的训练策略，其中，Consine Learning Rate是一种学习率下降方式，主要原理是利用余弦退火方法(Consine Annealing)来衰减目标图像分割模型的学习率，避免目标图像分割模型在训练过程中陷入局部最优解；Warm up是一种训练思想，即在目标图像分割模型的初始训练阶段，先使用较小的学习率训练一些步骤，后期再修改为预先设置的学习率进行训练，这样能够让模型在前期训练过程中具备一定的先验知识，然后再使用预设的学习率进行模型训练更能提升模型的收敛速度。本实施例采用ConsineLearning Rate与Warm up进行结合的训练策略(即Cosine-Warmup)能够避免目标图像分割模型在前期训练的过程中参数发生过大的震荡，保证寻求模型参数的全局最优解，还可以进一步提高损失函数的收敛速度，加速目标图像分割模型的收敛。
在确定目标图像分割模型训练完成后，可以将获取到的多张指甲油图像输入该目标图像分割模型，输出得到与各指甲油图像对应的指甲油特征。本发明实施例中的指甲油特征是指指甲油图像中的指甲区域所包含的指甲油的特征，例如，指甲油所涵盖的颜色、图案或纹理(亮片、花纹)，等等。
步骤103，对指甲油特征进行聚类，得到多个指甲油特征聚类簇。
为了克服现有技术中人工检测的方式对指甲油按照颜色进行聚类不准确的缺陷，当从指甲油图像中提取到对应的指甲油特征后，本发明实施例可以采用聚类的方式对指甲油特征进行聚类，由于指甲油特征存在多个维度的特征类别(例如颜色类别、图案类别、纹理类别等)，因此可以针对不同的维度分别对指甲油特征进行聚类。例如，可以将从指甲油图像中提取到的指甲油特征按照颜色类别进行聚类，将所有指甲油特征按照不同的颜色划分成多个簇，每个簇可以作为一个指甲油特征聚类簇，最终得到多个指甲油特征聚类簇；又例如，还可以将从指甲油图像中提取到的指甲油特征按照图案类别进行聚类，将所有指甲油特征按照不同的图案划分成多个簇，每个簇可以作为一个指甲油特征聚类簇，最终得到多个指甲油特征聚类簇；再例如，可以将从指甲油图像中提取到的指甲油特征按照纹理类别进行聚类，将所有指甲油特征按照不同的纹理划分成多个簇，每个簇可以作为一个指甲油特征聚类簇，最终得到多个指甲油特征聚类簇。
需要说明的是，聚类的方法有很多，例如K均值聚类(K-Means)、基于密度的聚类(DBSCAN)、均值偏移聚类(Mean shift)，等等，对此本实施例不作具体限定。
在具体实现中，由于指甲油的颜色体系较为复杂，在将指甲油特征按照颜色类别进行聚类的过程中，可以基于三原色RGB及其组合的多种颜色进行颜色的细分，以确定多种颜色的类别，便于更为精确地获取到指甲油的真实颜色。
步骤104，基于多个指甲油特征聚类簇和销量信息，生成指甲油推荐信息。
在具体实现中，在获取各个指甲油特征聚类簇后，可以结合各个聚类簇所对应的颜色结合销量信息作为权重，以图表等形式生成指甲油销售报告，从中选取销售量较高的数个特征作为指甲油推荐信息输出，以提供在各类指甲油的当前销售情况和对应的类簇，从而为销售商或者制造商为后续的指甲油销售提供推荐信息。
在本发明实施例中，获取多张指甲油图像以及对应的销量信息，采用预设的目标图像分割模型对每张指甲油图像进行特征提取，得到与指甲油图像对应的指甲油特征，该指甲油特征能够反映指甲油的各类属性，例如颜色、纹理和图案等，对指甲油特征进行聚类，得到多个不同维度的指甲油特征聚类簇，将指甲油特征聚类簇与销量信息进行结合，生成指甲油推荐信息；上述方案通过目标图像分割模型对指甲油图像进行特征提取，可以分析出不同指甲油图像中的指甲油在多个维度下的指甲油特征，保证指甲油特征提取的全面性，提高指甲油特征提取的精度，同时，利用提取得到的较高精度的指甲油特征在不同维度下进行聚类，可以避免现有技术中人工检测指甲油的颜色容易出错、耗费时间长的缺陷，将指甲油特征聚类后的结果与各类指甲油的销量信息进行结合所生成的指甲油推荐信息能够精准地反映当前阶段的指甲油销售情况，为后续指甲油的销售和制造提供更为准确的推荐信息，减少指甲油在供销中的成本浪费，更为有效地减少推荐分析时间。
请参阅图2，图2为本发明实施例二提供的一种指甲油推荐方法的步骤流程图。本发明实施例二在实施例一的基础上作了进一步的特征细化和内容补充，本发明实施例一主要介绍了目标图像分割模型的业务应用，本发明实施例二则增添了目标图像分割模型的训练过程。
本发明提供的一种指甲油推荐方法，指甲油特征包括颜色特征、图案特征和纹理特征，该方法可以包括以下步骤：
步骤201，获取多张指甲油图像和对应的销量信息。
在本发明实施例中，可以预先通过网络爬虫等方式对各大电商平台进行数据爬取，以获取到指甲油图像和对应的销量信息，从而为后续指甲油销售分析提供数据基础。
请参阅图3，在步骤202之前，本实施例中的方法还可以包括以下步骤S11-S14：
S11、通过预设的网络爬虫脚本获取多张指甲油初始图像。
网络爬虫脚本(又称为网页蜘蛛，网络机器人)，是一种选择性地爬行那些与预先定义好的主题相关页面，自动地抓取万维网信息的程序或者脚本，在本实施例中指的是为选择性获取包含指甲油的图像的脚本。
在本发明实施例中，目标图像分割模型可以通过图像训练的方式进行获取，首先为获取到训练数据，可以通过预设的网络爬虫脚本获取多张指甲油初始图像。
其中，指甲油初始图像是指包含涂有指甲油的指甲区域的图像，指甲油初始图像与指甲油图像的区别在于，指甲油图像是在指甲油初始图像上执行图像预处理操作后得到的，本实施例中的指甲油初始图像可以包括但不限于带有亮片的指甲油的图像、带有特色图案的指甲油的图像、纯色的指甲油的图像和带有多种颜色区域的指甲油的图像。
S12、对每张指甲油初始图像分别执行尺寸调整操作和随机截取操作，得到具有不同像素尺度的多张指甲油中间图像。
尺寸调整操作指的是通过图像插值、缩放、拉伸、填充等方式，通过将指甲油初始图像的尺寸调整至特征提取模型所需图像尺寸的操作。
随机截取操作指的是在获取到的指甲油初始图像数量较少时，通过随机从指甲油初始图像中截取特征提取模型所需图像尺寸的部分图像作为后续指甲油中间图像的操作。
需要说明的是，本实施例中的特征提取模型是指用于从图像中提取数值型特征的模型，该特征提取模型可以采用残差网络，如ResNet-50，也可以采用特征金字塔网络FPN(Feature Pyramid Networks)，等等，本发明实施例对此不作限制。
在获取到多张指甲油初始图像后，可以分别对每张指甲油初始图像进行尺寸调整操作和随机截取操作，在不同的像素尺度对指甲油初始图像进行截取和调整，得到不同像素尺寸的多种指甲油中间图像，这样可以扩充用于训练目标图像分割模型的样本数量，提高模型的训练效率。
其中，像素尺寸可以分别设定为(1000，1024)，(800，1000)，(600，800)等，本发明实施例对此不作限制。
S13、根据多张指甲油中间图像两两之间的相似度比对结果，对多张指甲油中间图像进行筛选，得到指甲油训练图像集。
在本发明的一个示例中，由于在多张指甲油中间图像中，可能存在部分重复截取导致所反映的特征属于相似或完全相同的情况发生，此时可以进一步提取每张指甲油中间图像的特征进行两两比对，以确定指甲油中间图像的相似度情况，对指甲油中间图像进行筛选，采用筛选后的指甲油中间图像构建指甲油训练图像集。
进一步地，步骤S13可以包括以下子步骤：
将多张指甲油中间图像分别输入预设的特征提取模型，得到与各指甲油中间图像对应的多维特征；
计算每两个多维特征之间的距离，得到对应的两张指甲油中间图像的相似度；
若相似度小于预设的相似度阈值，则从两张指甲油中间图像中删除任意一张，得到指甲油训练图像；
采用全部指甲油训练图像构建指甲油训练图像集。
在本发明的一个示例中，可以通过将多张指甲油中间图像分别输入到预设的特征提取模型，以获取到各张指甲油中间图像对应的多维特征；再通过计算每两个多维特征之间的距离，得到多维特征所关联的两张指甲油中间图像之间的相似度。若是相似度小于预设的相似度阈值，则可以从两张指甲油中间图像中任意选择一张进行删除，保留余下的指甲油中间图像作为指甲油训练图像；重复上述基于相似度去重的过程，当指甲油中间图像两两之间的距离均是大于或等于相似度阈值时，以当前时候保留的全部指甲油训练图像作为数据源，构建指甲油训练图像集。
其中，本实施例中的每个多维特征之间的距离可以包括但不限于欧几里得距离、余弦距离等，本发明实施例对具体距离类型不作限制。
在本实施例中，相似度阈值可以设置为20、30等，本发明实施例对此不作限制。
在具体实现中，为凸显指甲油的特征与多样性，网络爬虫所获取到的指甲油初始图像通常包括纯色、多色混合、图案或特殊纹理等各种不同种类的特征，若是直接以此作为数据集进行模型训练，由于图像中所包含的特征种类过多，模型收敛的速度会较慢，且训练得到的模型也会受到各种特征的组合所限制。为此，在模型训练之前，可以对网络爬虫得到的多张指甲油初始图像进行尺寸调整，以图像插值、缩放等方式为后续模型训练的数据集增加不同尺度的像素尺寸；同时由于部分指甲区域在图像中的比例可能较低，在事前标注的阶段没有及时进行标注，此时还可以对各张指甲油初始图像进行随机截取，对同一张指甲油初始图像进行部分提取，得到指甲油中间图像，以实现在数据量不足或标注缺失的情况下，对图像数量进行扩充，并避免特征丢失的发生。
而在获取到指甲油中间图像后，前述的随机截取操作可能会有部分特征重复出现的情况，为减少后续模型的无效学习，可以通过特征提取模型例如resnet等从指甲油中间图像提取多维特征；再基于每两个多维特征之间的距离作为指甲油中间图像之间的相似度，若是相似度小于相似度阈值，表明此时指甲油中间图像所反映的两个多维特征之间的相似度较高，也就是可能两张指甲油中间图像仅是指甲油位置可能不同，实质上所蕴含的是同样的信息，此时可以从多维特征所对应的指甲油中间图像中删除任意一张以得到指甲油训练图像，直至全部指甲油训练图像两两之间的相似度均大于或等于相似度阈值，采用全部指甲油训练图像构建指甲油训练图像集。通过上述的图像集构建，使得所获取到指甲油训练图像所涵盖的特征种类、特征数量和特征质量都处于较高的状态，进而更为高效地进行后续的模型训练过程，使得训练后的模型对指甲油的各种特征的检测泛化性更高。
S14、采用指甲油训练图像集训练预设的初始图像分割模型，得到目标图像分割模型。
在本发明的一个示例中，所述指甲油训练图像集内的每张指甲油训练图像均标注有训练指甲区域和真实特征，步骤S14可以包括以下子步骤：
将指甲油训练图像输入预设的初始图像分割模型；
通过初始图像分割模型从各个训练指甲区域分别提取训练特征；
比对训练特征与真实特征，确定当前训练正确率；
若当前训练正确率小于预设训练阈值，则通过预设的梯度下降算法对初始图像分割模型内的模型参数进行调整，并累加模型训练次数；
当当前的模型训练次数小于或等于预设的训练次数阈值时，将初始图像分割模型的学习率设定为预设的初始学习率，直至当前的模型训练次数大于训练阈值；
若当前训练正确率大于或等于训练阈值，则将当前时刻的初始图像分割模型确定为目标图像分割模型。
在本发明实施例中，指甲油训练图像集内包括多个指甲油训练图像，所述指甲油训练图像集内的每张指甲油训练图像均标注有对应的训练指甲区域，以便于模型进行指甲区域的学习，同时还标注有真实特征，以便于后续进行模型结果的验证。
在获取到指甲油训练数据集后，可以通过将其中的指甲油训练图像输入到预设的初始图像分割模型，通过初始图像分割模型从各个训练指甲区域分别按照训练的类别提取训练特征，例如颜色特征、图案特征或纹理特征等。当获取到全部训练指甲区域所提取的训练特征后，可以通过比对各个训练特征和真实特征，以确定当前训练正确率，若是训练正确率小于预设训练阈值，则可以通过梯度下降算法对初始图像分割模型内的模型参数进行调整，同时累加模型训练次数。
其中，在采用梯度下降算法调整模型参数的过程中，还可以通过CosineAnnealing余弦退火法动态调整模型的学习率。
而为进一步提高模型的训练效率，在当前的模型训练次数小于或等于预设的训练次数阈值时，例如3次，5次，8次等，此时可以将初始图像分割模型的学习率设定为初始学习率，以避免前期训练模型参数过大的震荡，加快模型收敛，例如采用Cosine-Warmup的训练策略对模型进行训练。
当当前训练正确率大于或等于训练阈值时，表明此时模型已经收敛，可以将当前时刻的初始图像分割模型确定为目标图像分割模型。
本实施例中所采用的初始图像分割模型可以选择任一常用的图像分割模型，例如CNN、R-CNN、Faster R-CNN、Mask R-CNN等，本实施例对此不作限定。
但值得一提的是，优选的，本实施例中预设的初始图像分割模型可以为改进后的Mask RCNN，其中，对原网络架构中的特征提取部分进行改进，即利用MobileNetV3网络替换原网络中的ResNet，同时在训练过程中增加部分trick层，以使得模型训练时间更短，后续目标图像分割模型的特征提取速率更快。
对于上述改进的MobileNetV3，其与传统的MobileNet模型具有以下区别：(1)互补搜索技术组合：由资源受限的自动感知网络架构(NAS)执行模块进行级搜索，NetAdapt执行局部搜索。(2)网络结构改进：将最后一步的平均池化层前移并移除最后一个卷积层，在保证聚类准确度的基础上，减少时延，此外，为降低在移动设备上的计算开销，引入h-swish激活函数。
步骤202，将每张指甲油图像输入预设的目标图像分割模型。
步骤203，通过目标图像分割模型对指甲油图像进行区域分割，确定对应的指甲区域。
在本发明实施例中，可以通过目标图像分割模型对每张指甲油图像进行区域分割，以确定在每张指甲油图像内的指甲区域。
例如，目标图像分割模型可以对指甲油图像进行网格分割，以从中识别包括指甲区域的网格，以此作为指甲区域。
步骤204，通过目标图像分割模型从指甲区域中截取预设规格的像素区域。
在本发明实施例中，针对纯色或多种颜色的指甲区域，由于其存在一定的规律分布，为降低对整个指甲区域的像素颜色进行统计所带来的资源浪费，可以通过目标图像分割模型从指甲区域中截取预设规格的指甲区域作为像素区域，等待进一步的颜色统计。
步骤205，通过目标图像分割模型对像素区域进行颜色统计，得到颜色特征。
在得到像素区域后，目标图像分割模型可以对像素区域内的每个颜色进行颜色统计，以确定该指甲油图像对应的颜色特征。
例如，通过步骤204从指甲区域的中间部分截取40*40的像素区域，目标图像分割模型对该像素区域内的每个像素的颜色进行RGB统计，以出现次数最多的RGB颜色作为该指甲油图像对应的颜色。
可选地，本方法还可以包括以下步骤：
通过目标图像分割模型从指甲区域中分别提取图案特征，和/或，纹理特征。
在本发明的一个示例中，目标图像分割模型可以通过确认指甲区域内的各个颜色区域所构成的色块形状，利用预设的指甲油的图案库，将该图案库中存储的图案模板与指甲区域内的色块形状进行比对的方式，确定指甲区域内的图案特征。
此外，当指甲区域内除颜色特征外还存在亮片、金箔等纹理特征时，目标图像分割模型则可以通过识别指甲区域内的纹理作为目标纹理，基于预设的纹理模板与该目标纹理进行比对的方式，确定指甲区域内的纹理特征。
在本发明的另一个示例中，目标图像分割模型包括特征金字塔网络FPN，特征金字塔网络FPN包括多个网络层，可以利用特征金字塔网络FPN提取指甲区域中的图案特征和/或纹理特征，在具体实现中，将获取到的指甲油图像输入目标图像分割模型，在前向传播的过程中利用FPN对指甲油图像进行指甲区域的划分，提取前向传播过程中每一层网络层生成的初始特征图，初始特征图包含从指甲油图像中提取得到的初始的图案特征和/或纹理特征；参照前向传播的顺序确定所有初始特征图自下而上的顺序，以最上层的初始特征图作为起点，按照自上而下的顺序，针对每一层的初始特征图，对当前层的初始特征图进行上采样，将经过上采样后的初始特征图与下一层的初始特征图进行叠加，得到中间特征图，其中，将最上层的初始特征图经过卷积操作后所获得的特征图作为该层的中间特征图，中间特征图包含相邻网络层中的相似特征融合后的图案特征和/或纹理特征，此时提取的图案特征和/或纹理特征比初始的图案特征和/或纹理特征更为精准；为了消除上采样的混叠效应，对每一层获取到的中间特征图再次执行卷积操作，得到目标特征图；基于目标特征图确定指甲区域内的图案特征和/或纹理特征。
步骤206，对指甲油特征进行聚类，得到多个指甲油特征聚类簇。
当从指甲油图像中提取到对应的指甲油特征后，为便于后续结合指甲油特征进行指甲油的销售推荐，此时可以通过纹理、颜色和图案等特征类别对指甲油特征进行聚类，以获取到多个指甲油特征聚类簇。
在本发明的一个示例中，若提取到的指甲油特征不仅包括颜色特征还包括图案特征，则可以进一步结合预存的图案类型对指甲油特征中的图案特征进行聚类，以得到各种图案所对应的指甲油特征聚类簇。
在本发明的另一个示例中，若提取到的指甲油特征不仅包括颜色特征还包括纹理特征，则可以进一步结合预存的纹理类型对指甲油特征中的纹理特征进行聚类，以得到各种纹理所对应的指甲油特征聚类簇。
在本发明的又一个示例中，若提取到的指甲油特征不仅包括颜色特征还包括纹理特征和图案特征，则可以进一步结合预存的图案类型和预存的纹理类型分别对指甲油特征中的纹理特征和图案特征进行聚类，以得到各种图案所对应的指甲油特征聚类簇和各种纹理所对应的指甲油特征聚类簇。
步骤207，基于多个指甲油特征聚类簇和销量信息，生成指甲油推荐信息。
在本发明的另一个示例中，步骤207可以包括以下子步骤：
基于每个指甲油特征聚类簇所包含的指甲油特征关联的目标指甲油图像，从销量信息中提取与目标指甲油图像对应的目标销量信息；
以目标销量信息作为权重，计算每个指甲油特征聚类簇对应的聚类结果；
按照各个聚类结果分别构建柱状图，得到指甲油推荐信息。
在本发明实施例的一种实现方式中，在得到各个指甲油聚类簇后，为生成后续的指甲油推荐信息，可以基于每个聚类簇内的指甲油特征所关联的目标指甲油图像，提取对应的目标销量信息，按照目标销量信息作为权重，确定每个指甲油特征所对应的实际特征，再按照指甲油特征聚类簇所表示的类别组合各个实际特征，得到各个指甲油特征聚类簇所对应的聚类结果；最后按照各个聚类结果从高到低分别构建柱状图，生成指甲油销售报告，以该指甲油销售报告作为指甲油推荐信息。可以按照柱状图所反映的销售数量和对应的指甲油的颜色、纹理和图案等特征，选取排序在前的多个特征作为后续销售的重点信息，从而确定指甲油推荐信息反馈给业务人员。
在本发明实施例中，获取多张指甲油图像以及对应的销量信息，采用预设的目标图像分割模型对每张指甲油图像进行特征提取，得到与指甲油图像对应的指甲油特征，该指甲油特征能够反映指甲油的各类属性，例如颜色、纹理和图案等，对指甲油特征进行聚类，得到多个不同维度的指甲油特征聚类簇，将指甲油特征聚类簇与销量信息进行结合，生成指甲油推荐信息；上述方案通过目标图像分割模型对指甲油图像进行特征提取，可以分析出不同指甲油图像中的指甲油在多个维度下的指甲油特征，保证指甲油特征提取的全面性，提高指甲油特征提取的精度，同时，利用提取得到的较高精度的指甲油特征在不同维度下进行聚类，可以避免现有技术中人工检测指甲油的颜色容易出错、耗费时间长的缺陷，将指甲油特征聚类后的结果与各类指甲油的销量信息进行结合所生成的指甲油推荐信息能够精准地反映当前阶段的指甲油销售情况，为后续指甲油的销售和制造提供更为准确的推荐信息，减少指甲油在供销中的成本浪费，更为有效地减少推荐分析时间。
请参阅图4，图4为本发明实施例三提供的一种指甲油推荐装置的结构框图。
本发明实施例提供的一种指甲油推荐装置，包括：
数据获取模块401，用于获取多张指甲油图像和对应的销量信息；
特征提取模块402，用于采用预设的目标图像分割模型对每张指甲油图像进行特征提取，得到与指甲油图像对应的指甲油特征；
特征聚类模块403，用于对指甲油特征进行聚类，得到多个指甲油特征聚类簇；
销售推荐生成模块404，用于基于多个指甲油特征聚类簇和销量信息，生成指甲油推荐信息。
可选地，指甲油特征包括颜色特征；特征提取模块402包括：
第一模型输入子模块，用于将每张指甲油图像输入预设的目标图像分割模型；
指甲区域划分子模块，用于通过目标图像分割模型对指甲油图像进行区域分割，确定对应的指甲区域；
像素区域提取子模块，用于通过目标图像分割模型从指甲区域中截取预设规格的像素区域；
颜色特征提取子模块，用于通过目标图像分割模型对像素区域进行颜色统计，得到颜色特征。
可选地，指甲油特征还包括图案特征和纹理特征，特征提取模块402还包括：
图案与纹理特征提取模块，用于通过目标图像分割模型从指甲区域中分别提取图案特征，和/或，纹理特征。
可选地，装置还包括：
初始图像获取模块，用于通过预设的网络爬虫脚本获取多张指甲油初始图像；
中间图像处理模块，用于对每张指甲油初始图像分别执行尺寸调整操作和随机截取操作，得到具有不同像素尺度的多张指甲油中间图像；
训练图像集构建模块，用于根据多张指甲油中间图像两两之间的相似度比对结果，对多张指甲油中间图像进行筛选，得到指甲油训练图像集；
模型训练模块，用于采用指甲油训练图像集训练预设的初始图像分割模型，得到预设的目标图像分割模型。
可选地，训练图像集构建模块包括：
第二模型输入子模块，用于将多张指甲油中间图像分别输入预设的特征提取模型，得到与各指甲油中间图像对应的多维特征；
相速度计算子模块，用于计算每两个多维特征之间的距离，得到对应的两张指甲油中间图像的相似度；
指甲油训练图像生成子模块，用于若相似度小于预设的相似度阈值，则从两张指甲油中间图像中删除任意一张，得到指甲油训练图像；
图像集构建子模块，用于采用全部指甲油训练图像构建指甲油训练图像集。
可选地，指甲油训练图像集内的每张指甲油训练图像均标注有训练指甲区域和真实特征，模型训练模块包括：
第三模型输入子模块，用于将指甲油训练图像输入预设的初始图像分割模型；
训练特征提取子模块，用于通过初始图像分割模型从各个训练指甲区域分别提取训练特征；
训练正确率确定子模块，用于比对训练特征与真实特征，确定当前训练正确率；
模型参数调整子模块，用于若当前训练正确率小于预设训练阈值，则通过预设的梯度下降算法对初始图像分割模型内的模型参数进行调整，并累加模型训练次数；
模型预热子模块，用于当当前的模型训练次数小于或等于预设的训练次数阈值时，将初始图像分割模型的学习率设定为预设的初始学习率，直至当前的模型训练次数大于训练阈值；
训练完成子模块，用于若当前训练正确率大于或等于训练阈值，则将当前时刻的初始图像分割模型确定为预设的目标图像分割模型。
可选地，销售推荐生成模块404包括：
目标销量信息提取子模块，用于基于每个指甲油特征聚类簇所包含的指甲油特征关联的目标指甲油图像，从销量信息中提取与目标指甲油图像对应的目标销量信息；
聚类子模块，用于以目标销量信息作为权重，计算每个指甲油特征聚类簇对应的聚类结果；
报告生成子模块，用于按照各个聚类结果分别构建柱状图，得到指甲油推荐信息。
本发明实施例还提供了一种电子设备，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如本发明任一实施例所述的指甲油推荐方法。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序用于实现如本发明任一实施例所述的指甲油推荐方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置、模块和子模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种指甲油推荐方法，其特征在于，包括：
获取多张指甲油图像和对应的销量信息；
采用预设的目标图像分割模型对每张所述指甲油图像进行特征提取，得到与所述指甲油图像对应的指甲油特征；
对所述指甲油特征进行聚类，得到多个指甲油特征聚类簇；
基于所述多个指甲油特征聚类簇和所述销量信息，生成指甲油推荐信息。
2.根据权利要求1所述的方法，其特征在于，所述指甲油特征包括颜色特征；所述采用预设的目标图像分割模型对每张所述指甲油图像进行特征提取，得到与所述指甲油图像对应的指甲油特征的步骤，包括：
将每张所述指甲油图像输入预设的目标图像分割模型；
通过所述目标图像分割模型对所述指甲油图像进行区域分割，确定对应的指甲区域；
通过所述目标图像分割模型从所述指甲区域中截取预设规格的像素区域；
通过所述目标图像分割模型对所述像素区域进行颜色统计，得到颜色特征。
3.根据权利要求2所述的方法，其特征在于，所述指甲油特征还包括图案特征和纹理特征，所述采用预设的目标图像分割模型对每张所述指甲油图像进行特征提取，得到与所述指甲油图像对应的指甲油特征的步骤，还包括：
通过所述目标图像分割模型从所述指甲区域中分别提取所述图案特征，和/或，所述纹理特征。
4.根据权利要求1-3任一所述的方法，其特征在于，所述方法还包括：
通过预设的网络爬虫脚本获取多张指甲油初始图像；
对每张所述指甲油初始图像分别执行尺寸调整操作和随机截取操作，得到具有不同像素尺度的多张指甲油中间图像；
根据所述多张指甲油中间图像两两之间的相似度比对结果，对所述多张指甲油中间图像进行筛选，得到指甲油训练图像集；
采用所述指甲油训练图像集训练预设的初始图像分割模型，得到目标图像分割模型。
5.根据权利要求4所述的方法，其特征在于，所述根据所述多张指甲油中间图像两两之间的相似度比对结果，对所述多张指甲油中间图像进行筛选，得到指甲油训练图像集的步骤，包括：
将所述多张指甲油中间图像分别输入预设的特征提取模型，得到与各指甲油中间图像对应的多维特征；
计算每两个所述多维特征之间的距离，得到对应的两张所述指甲油中间图像的相似度；
若所述相似度小于预设的相似度阈值，则从两张所述指甲油中间图像中删除任意一张，得到指甲油训练图像；
采用全部所述指甲油训练图像构建指甲油训练图像集。
6.根据权利要求5所述的方法，其特征在于，每张所述指甲油训练图像均标注有训练指甲区域和真实特征，所述采用所述指甲油训练图像集训练预设的初始图像分割模型，得到目标图像分割模型的步骤，包括：
将所述指甲油训练图像输入预设的初始图像分割模型；
通过所述初始图像分割模型从各个训练指甲区域分别提取训练特征；
比对所述训练特征与所述真实特征，确定当前训练正确率；
若所述当前训练正确率小于预设训练阈值，则通过预设的梯度下降算法对所述初始图像分割模型内的模型参数进行调整，并累加模型训练次数；
当当前的所述模型训练次数小于或等于预设的训练次数阈值时，将所述初始图像分割模型的学习率设定为预设的初始学习率，直至所述当前的所述模型训练次数大于所述训练阈值；
若所述当前训练正确率大于或等于所述训练阈值，则将当前时刻的初始图像分割模型确定为目标图像分割模型。
7.根据权利要求1所述的方法，其特征在于，所述基于所述多个指甲油特征聚类簇和所述销量信息，生成指甲油推荐信息的步骤，包括：
基于每个指甲油特征聚类簇所包含的指甲油特征关联的目标指甲油图像，从所述销量信息中提取与所述目标指甲油图像对应的目标销量信息；
以所述目标销量信息作为权重，计算每个所述指甲油特征聚类簇对应的聚类结果；
按照各个所述聚类结果分别构建柱状图，得到指甲油推荐信息。
8.一种指甲油推荐装置，其特征在于，包括：
数据获取模块，用于获取多张指甲油图像和对应的销量信息；
特征提取模块，用于采用预设的目标图像分割模型对每张所述指甲油图像进行特征提取，得到与所述指甲油图像对应的指甲油特征；
特征聚类模块，用于对所述指甲油特征进行聚类，得到多个指甲油特征聚类簇；
销售推荐生成模块，用于基于所述多个指甲油特征聚类簇和所述销量信息，生成指甲油推荐信息。
9.一种电子设备，其特征在于，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1-7任一项所述的指甲油推荐方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序用于实现如权利要求1-7任一项所述的指甲油推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110832484.6A CN113435982A (zh) | 2021-07-22 | 2021-07-22 | 一种指甲油推荐方法、装置、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110832484.6A CN113435982A (zh) | 2021-07-22 | 2021-07-22 | 一种指甲油推荐方法、装置、设备和介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113435982A true CN113435982A (zh) | 2021-09-24 |
Family
ID=77761457
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110832484.6A Pending CN113435982A (zh) | 2021-07-22 | 2021-07-22 | 一种指甲油推荐方法、装置、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113435982A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010055391A (ja) * | 2008-08-28 | 2010-03-11 | Fujifilm Corp | 商品分析装置、商品提案装置、商品分析方法及びプログラム |
| JP2015041121A (ja) * | 2013-08-20 | 2015-03-02 | 株式会社日立製作所 | 販売予測システム及び販売予測方法 |
| CN106651879A (zh) * | 2016-12-23 | 2017-05-10 | 深圳市拟合科技有限公司 | 一种指甲图像的提取方法及系统 |
| WO2017142361A1 (ko) * | 2016-02-17 | 2017-08-24 | 옴니어스 주식회사 | 스타일 특징을 이용한 상품 추천 방법 |
| CN108388600A (zh) * | 2018-02-02 | 2018-08-10 | 广东欧珀移动通信有限公司 | 化妆品推荐方法及相关装置 |
| CN111507778A (zh) * | 2020-05-09 | 2020-08-07 | 苏州中仑网络科技有限公司 | 基于商品销售数据进行策略推荐的方法和装置 |
| CN111739028A (zh) * | 2020-05-26 | 2020-10-02 | 华南理工大学 | 指甲区域图像获取方法、系统、计算设备及存储介质 |
-
2021
- 2021-07-22 CN CN202110832484.6A patent/CN113435982A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010055391A (ja) * | 2008-08-28 | 2010-03-11 | Fujifilm Corp | 商品分析装置、商品提案装置、商品分析方法及びプログラム |
| JP2015041121A (ja) * | 2013-08-20 | 2015-03-02 | 株式会社日立製作所 | 販売予測システム及び販売予測方法 |
| WO2017142361A1 (ko) * | 2016-02-17 | 2017-08-24 | 옴니어스 주식회사 | 스타일 특징을 이용한 상품 추천 방법 |
| CN106651879A (zh) * | 2016-12-23 | 2017-05-10 | 深圳市拟合科技有限公司 | 一种指甲图像的提取方法及系统 |
| CN108388600A (zh) * | 2018-02-02 | 2018-08-10 | 广东欧珀移动通信有限公司 | 化妆品推荐方法及相关装置 |
| CN111507778A (zh) * | 2020-05-09 | 2020-08-07 | 苏州中仑网络科技有限公司 | 基于商品销售数据进行策略推荐的方法和装置 |
| CN111739028A (zh) * | 2020-05-26 | 2020-10-02 | 华南理工大学 | 指甲区域图像获取方法、系统、计算设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 周永章 等: "《地球科学大数据挖掘与机器学习》", 广州：中山大学出版社 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110163198B (zh) | 一种表格识别重建方法、装置和存储介质 | |
| JP6843086B2 (ja) | 画像処理システム、画像においてマルチラベル意味エッジ検出を行う方法、および、非一時的コンピューター可読記憶媒体 | |
| US9741137B2 (en) | Image-based color palette generation | |
| CN105144239B (zh) | 图像处理装置、图像处理方法 | |
| CN109165645A (zh) | 一种图像处理方法、装置以及相关设备 | |
| CN110738207A (zh) | 一种融合文字图像中文字区域边缘信息的文字检测方法 | |
| CN109697434A (zh) | 一种行为识别方法、装置和存储介质 | |
| JP2009251850A (ja) | 類似画像検索を用いた商品推薦システム | |
| CN111737473B (zh) | 文本分类方法、装置及设备 | |
| CN108734159B (zh) | 一种图像中敏感信息的检测方法及系统 | |
| CN108447064B (zh) | 一种图片处理方法及装置 | |
| CN109993753B (zh) | 遥感影像中城市功能区的分割方法及装置 | |
| US20210166058A1 (en) | Image generation method and computing device | |
| CN112102929A (zh) | 医学图像标注方法、装置、存储介质及电子设备 | |
| CN112528058B (zh) | 基于图像属性主动学习的细粒度图像分类方法 | |
| CN112132232A (zh) | 医学图像的分类标注方法和系统、服务器 | |
| CN115953821A (zh) | 一种虚拟人脸图像生成方法、装置及电子设备 | |
| CN110956157A (zh) | 基于候选框选择的深度学习遥感影像目标检测方法及装置 | |
| CN113821296A (zh) | 可视化界面生成方法、电子设备及存储介质 | |
| CN113657196A (zh) | Sar图像目标检测方法、装置、电子设备和存储介质 | |
| CN106469437B (zh) | 图像处理方法和图像处理装置 | |
| CN111199248A (zh) | 一种基于深度学习目标检测算法的服装属性检测方法 | |
| CN113435982A (zh) | 一种指甲油推荐方法、装置、设备和介质 | |
| CN116246161A (zh) | 领域知识引导下的遥感图像目标精细类型识别方法及装置 | |
| CN113343832B (zh) | 视频封面判别方法、装置、设备及计算机可读介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210924 |
|
| RJ01 | Rejection of invention patent application after publication |