CN113591882A - 汽车配件识别方法、计算机装置及可读存储介质 - Google Patents
汽车配件识别方法、计算机装置及可读存储介质 Download PDFInfo
- Publication number
- CN113591882A CN113591882A CN202110921132.8A CN202110921132A CN113591882A CN 113591882 A CN113591882 A CN 113591882A CN 202110921132 A CN202110921132 A CN 202110921132A CN 113591882 A CN113591882 A CN 113591882A
- Authority
- CN
- China
- Prior art keywords
- automobile
- identified
- automobile part
- information
- data
- 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 47
- 238000004458 analytical method Methods 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 18
- 230000006870 function Effects 0.000 description 11
- 238000007635 classification algorithm Methods 0.000 description 4
- 238000001816 cooling Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000000446 fuel Substances 0.000 description 4
- 238000009434 installation Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000005461 lubrication Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种汽车配件识别方法，包括：根据待识别的汽车配件的第一相关数据获取该待识别的汽车配件的第二相关数据，基于所述第二相关数据获得该待识别的汽车配件的补充信息，并输出所述第二相关数据及补充信息。本发明可以针对不同的用户需求，进行汽车配件的识别，提升配件识别准确率。本发明还提供实现所述汽车配件识别方法的计算机装置及可读存储介质。
Description
技术领域
本发明涉及物件识别技术领域，具体涉及一种汽车配件识别方法、计算机装置及可读存储介质。
背景技术
汽车配件种类繁多，用途各异，对于非专业人员，会出现看见部件不知道用途，或者知道用途叫不出名字等等情况，导致用户无法进行汽车配件准确识别。
发明内容
鉴于以上内容，有必要提出一种汽车配件识别方法、计算机装置及可读存储介质，可以供用户准确识别各种汽车配件。
本发明的第一方面提供一种汽车配件识别方法，包括：获取待识别的汽车配件的第一相关数据；基于所述第一相关数据，获取所述待识别的汽车配件的第二相关数据；基于所述第二相关数据，获得所述待识别的汽车配件的补充信息；及输出所述待识别的汽车配件的第二相关数据及补充信息。
可选地，所述方法还包括：建立数据库，所述数据库包括多种汽车配件的关联数据；其中，所述关联数据中的任意一种汽车配件的关联数据包括任意一种汽车配件的图片数据和文本数据；其中，所述任意一种汽车配件的图片数据包括所述任意一种汽车配件的照片，所述任意一种汽车配件的文本数据包括所述任意一种汽车配件的类别、形状、大小、用途、价格中的一种或多种。
可选地，当所述第一相关数据为所述待识别的汽车配件的图片时，所述基于所述第一相关数据，获取所述待识别的汽车配件的第二相关数据；具体包括：将所述待识别的汽车配件的图片输入预先构建的汽车配件类别识别模型，获得所述待识别的汽车配件的类别；基于所述待识别的汽车配件的类别，从所述数据库中获取多张图片，其中，所述多张图片是指所述数据库中同属于所述待识别的汽车配件的类别的汽车配件的图片；获取所述待识别的汽车配件的图片与所述多张图片中的每张图片之间的匹配分值，基于所述待识别的汽车配件的图片与所述多张图片中的每张图片之间的匹配分值，从所述多张图片中确定目标图片，并将所述数据库中与所述目标图片所对应的文本数据作为所述待识别的汽车配件的所述第二相关数据。
可选地，所述方法还包括：构建所述待识别的汽车配件类别识别模型，包括：获取样本集，所述样本集包括多种类别的汽车配件分别对应的样本图片；获得每张样本图片所对应的汽车配件的整体特征和局部特征；对每张样本图片所对应的汽车配件的整体特征和局部特征分别加上位置几何约束和边框约束；将所述每张样本图片所对应的汽车配件的整体特征和所述每张样本图片所对应的汽车配件的局部特征进行融合得到融合特征，并将所述融合特征作为输入，训练SVM分类器获得所述待识别的汽车配件类别识别模型。
可选地，所述方法使用SIFT匹配算法获取所述待识别的汽车配件的图片与所述多张图片中的每张图片之间的匹配分值。
可选地，当所述第一相关数据为用于描述所述待识别的汽车配件的至少一种信息所对应的文本数据时，所述基于所述第一相关数据，获取所述待识别的汽车配件的第二相关数据；具体包括：为所述至少一种信息中的每种信息分别设置权重；将所述至少一种信息以及所述至少一种信息分别对应的权重输入分布式搜索分析引擎，利用分布式搜索分析引擎从与所述数据库中获取所述待识别的汽车配件的第二相关数据。
可选地，所述为所述至少一种信息中的每种信息分别设置权重包括：响应用户的输入对所述至少一种信息中的每种信息分别赋予权重；或者设置所述至少一种信息中的每种信息的权重分别相等；其中，所述至少一种信息中的所有信息的权重之和为1。
可选地，所述基于所述第二相关数据，获得所述待识别的汽车配件的补充信息包括：基于所述第二相关数据，通过网络搜索并获得与所述第二相关数据匹配的信息，将搜索获得的信息作为所述补充信息。
本发明第二方面提供一种计算机装置，所述计算机装置包括存储器和处理器，所述存储器用于存储至少一个指令，所述处理器用于执行所述至少一个指令实现所述的汽车配件识别方法。
本发明第三方面提供一种计算机可读存储介质，所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现所述的汽车配件识别方法。
相较于现有技术，本发明可以帮助用户准确识别各种汽车配件。
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的前提下，还可以根据提供的附图获得其他的附图。
图1是本发明较佳实施例提供的汽车配件识别方法的流程图。
图2是本发明较佳实施例提供的汽车配件识别系统的功能模块图。
图3是本发明较佳实施例提供的计算机装置的结构图。
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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他实施例，都属于本发明保护的范围。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
图1是本发明较佳实施例提供的汽车配件识别方法的流程图。
在本实施例中，所述待识别的汽车配件识别方法可以应用于计算机装置(例如图3所示的计算机装置3中)中，对于需要执行汽车配件识别的计算机装置，可以直接在计算机装置上集成本发明的方法所提供的用于汽车配件识别的功能，或者以软件开发工具包(Software Development Kit，SDK)的形式运行在计算机装置上。
如图1所示，所述待识别的汽车配件识别方法具体包括以下步骤，根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
步骤S1、计算机装置建立数据库，所述数据库包括多种汽车配件的关联数据。
在一个实施例中，所述多种汽车配件的关联数据中的任意一种汽车配件的关联数据包括任意一种汽车配件的图片数据和文本数据。该任意一种汽车配件的图片数据包括，但不限于，该任意一种汽车配件的照片；该任意一种汽车配件的文本数据包括该任意一种汽车配件的名称、类别、形状、大小、用途、价格中的一种或多种。
在其他实施例中，所述任意一种汽车配件的图片数据还可以包括所述任意一种汽车配件安装到汽车上后，对该任意一种汽车配件所拍摄的图片，该拍摄的图片中可以包括该任意一种汽车配件的部分或者全部轮廓，以及该任意一种汽车配件的周边配件。在其他实施例中，所述任意一种汽车配件的文本数据还可以包括，该任意一种汽车配件在汽车上的安装位置。
为清楚说明本发明，以所述多种汽车配件包括火花塞、高压线、燃油泵、燃油管、水泵、水管为例，则在所述数据库中，火花塞的图片数据包括火花塞的图片；火花塞的文本数据包括名称(即火花塞)、类别(即点火系配件)、形状、大小、用途、价格等。又如，水管的图片数据包括水管的图片；水管的文本数据包括名称(即水管)、类别(即冷却系配件)、形状、大小、用途、价格等。需要说明的是，以上仅为举例说明，不应解释为对本发明的限制。
步骤S2、计算机装置获取待识别的汽车配件的第一相关数据。
在一个实施例中，所述第一相关数据可以为所述待识别的汽车配件的图片。所述第一相关数据也可以为用于描述所述待识别的汽车配件的至少一种信息所对应的文本数据。例如，该至少一种信息可以是所述待识别的汽车配件的名称、类别、形状、大小、用途、价格中一者或多者。
在其他实施例中，所述第一相关数据也可以为所述待识别的汽车配件的图片以及所述待识别的汽车配件的名称、类别、形状、大小、用途、价格中的至少一者。
步骤S3、计算机装置基于所述第一相关数据从所述数据库中获取所述待识别的汽车配件的第二相关数据。
在一个实施例中，当所述第一相关数据为所述待识别的汽车配件的图片时，所述基于所述第一相关数据获取所述待识别的汽车配件的第二相关数据；具体包括(a1)-(a3)：
(a1)将所述待识别的汽车配件的图片输入预先构建的汽车配件类别识别模型，获得所述待识别的汽车配件的类别。
在一个实施例中，计算机装置构建所述待识别的汽车配件类别识别模型的方法，包括(a11)-(a14)：
(a11)获取样本集，该样本集包括多种类别的汽车配件分别对应的样本图片。
例如，该样本集包括类别为冷却系配件例如水泵、水管、水箱、散热器风扇分别所对应的一张或多张图片、类别为润滑系配件例如机油泵、机油滤芯、机油压力传感器分别所对应的一张或多张图片，以及其他类别配件分别所对应的图片。
(a12)获得每张样本图片所对应的汽车配件的整体特征和局部特征。
在一个实施例中，可以利用细粒度图像分类算法来获得每张样本图片所对应的汽车配件的整体特征和局部特征。需要说明的是，细粒度图像分类算法是一种基于R-CNN区域卷积网络来提取特征的算法。
(a13)对每张样本图片所对应的汽车配件的整体特征和局部特征分别加上位置几何约束和边框约束。例如可以对汽车配件的整体形状，几何偏移进行约束。
(a14)将每张样本图片所对应的汽车配件的整体特征和该每张样本图片所对应的汽车配件的局部特征进行融合得到融合特征，并将所述融合特征作为输入，训练SVM分类器获得所述待识别的汽车配件类别识别模型。
(a2)基于所述待识别的汽车配件的类别，从所述数据库中获取多张图片，其中，所述多张图片是指所述数据库中同属于所述待识别的汽车配件的类别的汽车配件的图片。
举例而言，所述待识别的汽车配件的类别为点火系配件，则计算机装置从所述数据库中获取所有属于点火系配件的汽车配件的图片例如火花塞的图片、高压线的图片等。
(a3)获取所述待识别的汽车配件的图片与所述多张图片中的每张图片之间的匹配分值，基于所述待识别的汽车配件的图片与所述多张图片中的每张图片之间的匹配分值，从所述多张图片中确定目标图片，并将所述数据库中与所述目标图片所对应的文本数据作为所述待识别的汽车配件的所述第二相关数据。
在一个实施例中，计算机装置使用SIFT(Scale Invariant Feature Transform)匹配算法获取所述待识别的汽车配件的图片与所述多张图片中的每张图片之间的分值(为便于描述，这里称为“匹配分值”)。
在一个实施例中，所述目标图片可以为所述多张图片中，与最高匹配分值对应的图片。
举例而言，假设所述第一相关数据为火花塞的图片，则计算机装置可以于(a3)中，从所述数据库中获取到火花塞的文本数据如名称、类别、形状、大小、用途、价格、安装位置等。
在其他实施例中，当所述第一相关数据为用于描述所述待识别的汽车配件的至少一种信息(例如所述待识别的汽车配件的名称、类别、形状、大小、用途、价格中的至少一者)所对应的文本数据时，所述基于所述第一相关数据获取该待识别的汽车配件的第二相关数据；具体包括(b1)-(b2)：
(b1)为所述至少一种信息中的每种信息分别设置权重。
在一个实施例中，计算机装置可以响应用户的输入对所述至少一种信息中的每种信息分别赋予权重；或者计算机装置可以直接设置所述至少一种信息中的每种信息的权重分别相等。需要说明的是，所述至少一种信息中的所有信息的权重之和为1。
(b2)将所述至少一种信息以及所述至少一种信息分别对应的权重输入分布式搜索分析引擎(如ES(Elasticsearch)分布式搜索分析引擎)，利用分布式搜索分析引擎基于所述至少一种信息以及所述至少一种信息分别对应的权重从所述数据库中获取所述待识别的汽车配件的第二相关数据。
在一个实施例中，当所述第一相关数据为用于描述所述待识别的汽车配件的至少一种信息所对应的文本数据时，从所述数据库中所获取的所述待识别的汽车配件的第二相关数据可以包括该待识别的汽车配件的图片数据，以及除所述第一相关数据之外的其他文本数据。
举例而言，假设待识别的汽车配件为火花塞，所述第一相关数据包括火花塞的名称和价格，那么从所述数据库中所获取的火花塞的第二相关数据可以包括火花塞的图片数据，以及除火花塞的名称和价格之外的其他文本数据例如形状、大小、类别等数据。
步骤S4、计算机装置基于所述第二相关数据获得所述待识别的汽车配件的补充信息。
在一个实施例中，所述基于所述第二相关数据获得所述待识别的汽车配件的补充信息包括:
基于所述第二相关数据，通过网络搜索并获得与所述第二相关数据匹配的信息，将搜索获得的信息作为所述补充信息。
例如，计算机装置可以通过互联网搜索百度百科、知乎等资料平台获得与所述第二相关数据匹配的信息。所述与所述第二相关数据匹配的信息可以包括图片、文本数据、与所述第二相关数据匹配的信息所对应的网址链接等。
步骤S5、计算机装置输出所述第二相关数据及补充信息。
例如，可以将所述第二相关数据及补充信息显示到计算机装置的显示屏上，供用户查阅。
综上所述，本发明实施例中所述的汽车配件识别方法，针对不同的用户需求与场景，可以进行图片识别与文本识别。在图片识别中，使用细粒度分类技术进行识别，以及使用SIFT匹配算法进行二次筛选；在文本匹配中，使用ES分布式搜索分析引擎和信息加权，可以有效提升汽车配件识别和搜索的准确率。
上述图1详细介绍了本发明的汽车配件识别方法，下面结合图2和图3，对实现所述待识别的汽车配件识别方法的软件系统的功能模块以及实现所述待识别的汽车配件识别方法的硬件装置架构进行介绍。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
参阅图2所示，是本发明较佳实施例提供的汽车配件识别系统的结构图。
在一些实施例中，所述汽车配件识别系统30运行于计算机装置中。所述汽车配件识别系统30可以包括多个由程序代码段所组成的功能模块。所述汽车配件识别系统30中的各个程序段的程序代码可以存储于计算机装置的存储器中，并由所述计算机装置的至少一个处理器所执行，以实现(详见图1描述)汽车配件识别功能。
本实施例中，所述汽车配件识别系统30根据其所执行的功能，可以被划分为多个功能模块。所述功能模块可以包括：执行模块301以及获取模块302。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。在本实施例中，关于各模块的功能将在后续的实施例中详述。
执行模块301可以建立数据库，所述数据库包括多种汽车配件的关联数据。
在一个实施例中，所述多种汽车配件的关联数据中的任意一种汽车配件的关联数据包括任意一种汽车配件的图片数据和文本数据。该任意一种汽车配件的图片数据包括，但不限于，该任意一种汽车配件的照片；该任意一种汽车配件的文本数据包括该任意一种汽车配件的名称、类别、形状、大小、用途、价格中的一种或多种。
在其他实施例中，所述任意一种汽车配件的图片数据还可以包括所述任意一种汽车配件安装到汽车上后，对该任意一种汽车配件所拍摄的图片，该拍摄的图片中可以包括该任意一种汽车配件的部分或者全部轮廓，以及该任意一种汽车配件的周边配件。在其他实施例中，所述任意一种汽车配件的文本数据还可以包括，该任意一种汽车配件在汽车上的安装位置。
为清楚说明本发明，以所述多种汽车配件包括火花塞、高压线、燃油泵、燃油管、水泵、水管为例，则在所述数据库中，火花塞的图片数据包括火花塞的图片；火花塞的文本数据包括名称(即火花塞)、类别(即点火系配件)、形状、大小、用途、价格等。又如，水管的图片数据包括水管的图片；水管的文本数据包括名称(即水管)、类别(即冷却系配件)、形状、大小、用途、价格等。需要说明的是，以上仅为举例说明，不应解释为对本发明的限制。
获取模块302获取待识别的汽车配件的第一相关数据。
在一个实施例中，所述第一相关数据可以为所述待识别的汽车配件的图片。所述第一相关数据也可以为用于描述所述待识别的汽车配件的至少一种信息所对应的文本数据。例如该至少一种信息可以是所述待识别的汽车配件的名称、类别、形状、大小、用途、价格中一者或多者。
在其他实施例中，所述第一相关数据也可以为所述待识别的汽车配件的图片以及所述待识别的汽车配件的名称、类别、形状、大小、用途、价格中的至少一者。
执行模块301基于所述第一相关数据获取所述待识别的汽车配件的第二相关数据。
在一个实施例中，当所述第一相关数据为所述待识别的汽车配件的图片时，所述基于所述第一相关数据获取所述待识别的汽车配件的第二相关数据；具体包括(a1)-(a3)：
(a1)将所述待识别的汽车配件的图片输入预先构建的汽车配件类别识别模型，获得所述待识别的汽车配件的类别。
在一个实施例中，执行模块301构建所述待识别的汽车配件类别识别模型的方法，包括(a11)-(a14)：
(a11)获取样本集，该样本集包括多种类别的汽车配件分别对应的样本图片。
例如，该样本集包括类别为冷却系配件例如水泵、水管、水箱、散热器风扇分别所对应的一张或多张图片、类别为润滑系配件例如机油泵、机油滤芯、机油压力传感器分别所对应的一张或多张图片，以及其他类别配件分别所对应的图片。
(a12)获得每张样本图片所对应的汽车配件的整体特征和局部特征。
在一个实施例中，可以利用细粒度图像分类算法来获得每张样本图片所对应的汽车配件的整体特征和局部特征。需要说明的是，细粒度图像分类算法是一种基于R-CNN区域卷积网络来提取特征的算法。
(a13)对每张样本图片所对应的汽车配件的整体特征和局部特征分别加上位置几何约束和边框约束。例如可以对汽车配件的整体形状，几何偏移进行约束。
(a14)将每张样本图片所对应的汽车配件的整体特征和该每张样本图片所对应的汽车配件的局部特征进行融合得到融合特征，并将所述融合特征作为输入，训练SVM分类器获得所述待识别的汽车配件类别识别模型。
(a2)基于所述待识别的汽车配件的类别，从所述数据库中获取多张图片，其中，所述多张图片是指所述数据库中同属于所述待识别的汽车配件的类别的汽车配件的图片。
举例而言，所述待识别的汽车配件的类别为点火系配件，则执行模块301从所述数据库中获取所有属于点火系配件的汽车配件的图片例如火花塞的图片、高压线的图片等。
(a3)获取所述待识别的汽车配件的图片与所述多张图片中的每张图片之间的匹配分值，基于所述待识别的汽车配件的图片与所述多张图片中的每张图片之间的匹配分值，从所述多张图片中确定目标图片，并将所述数据库中与所述目标图片所对应的文本数据作为所述待识别的汽车配件的所述第二相关数据。
在一个实施例中，执行模块301使用SIFT(Scale Invariant Feature Transform)匹配算法获取所述待识别的汽车配件的图片与所述多张图片中的每张图片之间的分值(为便于描述，这里称为“匹配分值”)。
在一个实施例中，所述目标图片可以为所述多张图片中，与最高匹配分值对应的图片。
举例而言，假设所述第一相关数据为火花塞的图片，则执行模块301可以于(a3)中，从所述数据库中获取到火花塞的文本数据如名称、类别、形状、大小、用途、价格、安装位置等。
在其他实施例中，当所述第一相关数据为用于描述所述待识别的汽车配件的至少一种信息(例如所述待识别的汽车配件的名称、类别、形状、大小、用途、价格中的至少一者)所对应的文本数据时，所述基于所述第一相关数据获取所述待识别的汽车配件的第二相关数据；具体包括(b1)-(b2)：
(b1)为所述至少一种信息中的每种信息分别设置权重。
在一个实施例中，执行模块301可以响应用户的输入对所述至少一种信息中的每种信息分别赋予权重；或者执行模块301可以直接设置所述至少一种信息中的每种信息的权重分别相等。需要说明的是，所述至少一种信息中的所有信息的权重之和为1。
(b2)将所述至少一种信息以及所述至少一种信息分别对应的权重输入分布式搜索分析引擎(如ES(Elasticsearch)分布式搜索分析引擎)，利用分布式搜索分析引擎基于所述至少一种信息以及所述至少一种信息分别对应的权重从所述数据库中获取所述待识别的汽车配件的第二相关数据。
在一个实施例中，当所述第一相关数据为用于描述所述待识别的汽车配件的至少一种信息所对应的文本数据时，从所述数据库中所获取的所述待识别的汽车配件的第二相关数据可以包括该待识别的汽车配件的图片数据，以及除所述第一相关数据之外的其他文本数据。
举例而言，假设待识别的汽车配件为火花塞，所述第一相关数据包括火花塞的名称和价格，那么从所述数据库中所获取的火花塞的第二相关数据可以包括火花塞的图片数据，以及除火花塞的名称和价格之外的其他文本数据例如形状、大小、类别等数据。
执行模块301基于所述第二相关数据获得所述待识别的汽车配件的补充信息。
在一个实施例中，所述基于所述第二相关数据获得所述待识别的汽车配件的补充信息包括:
基于所述第二相关数据，通过网络搜索并获得与所述第二相关数据匹配的信息，将搜索获得的信息作为所述补充信息。
例如，执行模块301可以通过互联网搜索百度百科、知乎等资料平台获得与所述第二相关数据匹配的信息。所述与所述第二相关数据匹配的信息可以包括图片、文本数据、与所述第二相关数据匹配的信息所对应的网址链接等。
执行模块301输出所述待识别的汽车配件的第二相关数据及补充信息。
例如，可以将所述待识别的汽车配件的第二相关数据及补充信息显示到计算机装置的显示屏上，供用户查阅。
参阅图3所示，为本发明较佳实施例提供的计算机装置的结构示意图。在本发明较佳实施例中，所述计算机装置3包括存储器31、至少一个处理器32、至少一条通信总线33、显示屏34。本领域技术人员应该了解，图3示出的计算机装置的结构并不构成本发明实施例的限定，既可以是总线型结构，也可以是星形结构，所述计算机装置3还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置。
在一些实施例中，所述计算机装置3包括一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的终端，其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。
需要说明的是，所述计算机装置3仅为举例，其他现有的或今后可能出现的电子产品如可适应于本发明，也应包含在本发明的保护范围以内，并以引用方式包含于此。
在一些实施例中，所述存储器31用于存储程序代码和各种数据，例如安装在所述计算机装置3中的汽车配件识别系统30，并在计算机装置3的运行过程中实现高速、自动地完成程序或数据的存取。所述存储器31包括只读存储器(Read-Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器(Programmable Read-OnlyMemory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory，OTPROM)、电子擦除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(Compact Disc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
在一些实施例中，所述至少一个处理器32可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述至少一个处理器32是所述计算机装置3的控制核心(Control Unit)，利用各种接口和线路连接整个计算机装置3的各个部件，通过运行或执行存储在所述存储器31内的程序或者模块，以及调用存储在所述存储器31内的数据，以执行计算机装置3的各种功能和处理数据，例如执行识别汽车配件的功能。
在一些实施例中，所述至少一条通信总线33被设置为实现所述存储器31以及所述至少一个处理器32等之间的连接通信。
尽管未示出，所述计算机装置3还可以包括给各个部件供电的电源(比如电池)，优选的，电源可以通过电源管理装置与所述至少一个处理器32逻辑相连，从而通过电源管理装置实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述计算机装置3还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块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装置(可以是服务器、个人电脑等)或处理器(processor)执行本发明各个实施例所述方法的部分。
在进一步的实施例中，结合图2，所述至少一个处理器32可执行所述计算机装置3的操作装置以及安装的各类应用程序(如所述的汽车配件识别系统30)、程序代码等，例如，上述的各个模块。
所述存储器31中存储有程序代码，且所述至少一个处理器32可调用所述存储器31中存储的程序代码以执行相关的功能。例如，图2中所述的各个模块是存储在所述存储器31中的程序代码，并由所述至少一个处理器32所执行，从而实现所述各个模块的功能以达到执行识别汽车配件的目的。
在本发明的一个实施例中，所述存储器31存储多个指令，所述多个指令被所述至少一个处理器32所执行以实现汽车配件识别的目的。具体步骤参图1所示，于此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，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，所述模块的划分，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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块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模块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，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种汽车配件识别方法，其特征在于，所述方法包括：
获取待识别的汽车配件的第一相关数据；
基于所述第一相关数据，获取所述待识别的汽车配件的第二相关数据；
基于所述第二相关数据，获得所述待识别的汽车配件的补充信息；及
输出所述待识别的汽车配件的第二相关数据及补充信息。
2.如权利要求1所述的汽车配件识别方法，其特征在于，所述方法还包括：
建立数据库，所述数据库包括多种汽车配件的关联数据；
其中，所述关联数据中的任意一种汽车配件的关联数据包括任意一种汽车配件的图片数据和文本数据；
其中，所述任意一种汽车配件的图片数据包括所述任意一种汽车配件的照片，所述任意一种汽车配件的文本数据包括所述任意一种汽车配件的类别、形状、大小、用途、价格中的一种或多种。
3.如权利要求2所述的汽车配件识别方法，其特征在于，当所述第一相关数据为所述待识别的汽车配件的图片时，所述基于所述第一相关数据，获取所述待识别的汽车配件的第二相关数据；具体包括：
将所述待识别的汽车配件的图片输入预先构建的汽车配件类别识别模型，获得所述待识别的汽车配件的类别；
基于所述待识别的汽车配件的类别，从所述数据库中获取多张图片，其中，所述多张图片是指所述数据库中同属于所述待识别的汽车配件的类别的汽车配件的图片；
获取所述待识别的汽车配件的图片与所述多张图片中的每张图片之间的匹配分值，基于所述待识别的汽车配件的图片与所述多张图片中的每张图片之间的匹配分值，从所述多张图片中确定目标图片，并将所述数据库中与所述目标图片所对应的文本数据作为所述待识别的汽车配件的所述第二相关数据。
4.如权利要求3所述的汽车配件识别方法，其特征在于，所述方法还包括：
构建所述待识别的汽车配件类别识别模型，包括：
获取样本集，所述样本集包括多种类别的汽车配件分别对应的样本图片；
获得每张样本图片所对应的汽车配件的整体特征和局部特征；
对每张样本图片所对应的汽车配件的整体特征和局部特征分别加上位置几何约束和边框约束；
将所述每张样本图片所对应的汽车配件的整体特征和所述每张样本图片所对应的汽车配件的局部特征进行融合得到融合特征，并将所述融合特征作为输入，训练SVM分类器获得所述待识别的汽车配件类别识别模型。
5.如权利要求3所述的汽车配件识别方法，其特征在于，所述方法使用SIFT匹配算法获取所述待识别的汽车配件的图片与所述多张图片中的每张图片之间的匹配分值。
6.如权利要求2所述的汽车配件识别方法，其特征在于，当所述第一相关数据为用于描述所述待识别的汽车配件的至少一种信息所对应的文本数据时，所述基于所述第一相关数据，获取所述待识别的汽车配件的第二相关数据；具体包括：
为所述至少一种信息中的每种信息分别设置权重；
将所述至少一种信息以及所述至少一种信息分别对应的权重输入分布式搜索分析引擎，利用分布式搜索分析引擎从与所述数据库中获取所述待识别的汽车配件的第二相关数据。
7.如权利要求6所述的汽车配件识别方法，其特征在于，所述为所述至少一种信息中的每种信息分别设置权重包括：
响应用户的输入对所述至少一种信息中的每种信息分别赋予权重；或者设置所述至少一种信息中的每种信息的权重分别相等；
其中，所述至少一种信息中的所有信息的权重之和为1。
8.如权利要求1所述的汽车配件识别方法，其特征在于，所述基于所述第二相关数据，获得所述待识别的汽车配件的补充信息包括：
基于所述第二相关数据，通过网络搜索并获得与所述第二相关数据匹配的信息，将搜索获得的信息作为所述补充信息。
9.一种计算机装置，其特征在于，所述计算机装置包括存储器和处理器，所述存储器用于存储至少一个指令，所述处理器用于执行所述至少一个指令实现如权利要求1至8中任意一项所述的汽车配件识别方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现如权利要求1至8中任意一项所述的汽车配件识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110921132.8A CN113591882A (zh) | 2021-08-11 | 2021-08-11 | 汽车配件识别方法、计算机装置及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110921132.8A CN113591882A (zh) | 2021-08-11 | 2021-08-11 | 汽车配件识别方法、计算机装置及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113591882A true CN113591882A (zh) | 2021-11-02 |
Family
ID=78257322
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110921132.8A Pending CN113591882A (zh) | 2021-08-11 | 2021-08-11 | 汽车配件识别方法、计算机装置及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113591882A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114494729A (zh) * | 2022-04-02 | 2022-05-13 | 广州市开富信息科技有限责任公司 | 基于ai识别技术的汽车配件识别方法及装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1952935A (zh) * | 2006-09-22 | 2007-04-25 | 南京搜拍信息技术有限公司 | 综合利用图像及文字信息的搜索系统及搜索方法 |
| CN1969275A (zh) * | 2004-04-30 | 2007-05-23 | 诺基亚公司 | 用于执行基于元数据的搜索的系统以及关联管理设备、方法和计算机程序产品 |
| WO2008003095A2 (en) * | 2006-06-29 | 2008-01-03 | Google Inc. | Recognizing text in images |
| US8639680B1 (en) * | 2012-05-07 | 2014-01-28 | Google Inc. | Hidden text detection for search result scoring |
| CN105426854A (zh) * | 2015-11-24 | 2016-03-23 | 大连楼兰科技股份有限公司 | 基于车辆识别代号和零部件编码的车辆零件识别与显示方法及实现该方法的智能眼镜 |
| CN110738090A (zh) * | 2018-07-19 | 2020-01-31 | 塔塔咨询服务公司 | 使用神经网络进行端到端手写文本识别的系统和方法 |
| CN111553445A (zh) * | 2020-05-20 | 2020-08-18 | 北京三一智造科技有限公司 | 零部件识别方法、装置、存储介质和电子设备 |
-
2021
- 2021-08-11 CN CN202110921132.8A patent/CN113591882A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1969275A (zh) * | 2004-04-30 | 2007-05-23 | 诺基亚公司 | 用于执行基于元数据的搜索的系统以及关联管理设备、方法和计算机程序产品 |
| WO2008003095A2 (en) * | 2006-06-29 | 2008-01-03 | Google Inc. | Recognizing text in images |
| CN1952935A (zh) * | 2006-09-22 | 2007-04-25 | 南京搜拍信息技术有限公司 | 综合利用图像及文字信息的搜索系统及搜索方法 |
| US8639680B1 (en) * | 2012-05-07 | 2014-01-28 | Google Inc. | Hidden text detection for search result scoring |
| CN105426854A (zh) * | 2015-11-24 | 2016-03-23 | 大连楼兰科技股份有限公司 | 基于车辆识别代号和零部件编码的车辆零件识别与显示方法及实现该方法的智能眼镜 |
| CN110738090A (zh) * | 2018-07-19 | 2020-01-31 | 塔塔咨询服务公司 | 使用神经网络进行端到端手写文本识别的系统和方法 |
| CN111553445A (zh) * | 2020-05-20 | 2020-08-18 | 北京三一智造科技有限公司 | 零部件识别方法、装置、存储介质和电子设备 |
Non-Patent Citations (1)
| Title |
|---|
| 陈鹏等: "中小型企业ERP供应管理模块定制开发", 《西华大学学报（自然科学版）》, vol. 33, no. 3, pages 16 - 22 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114494729A (zh) * | 2022-04-02 | 2022-05-13 | 广州市开富信息科技有限责任公司 | 基于ai识别技术的汽车配件识别方法及装置 |
| CN114494729B (zh) * | 2022-04-02 | 2022-07-12 | 广州市开富信息科技有限责任公司 | 基于ai识别技术的汽车配件识别方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111932562B (zh) | 基于ct序列的图像识别方法、装置、电子设备及介质 | |
| CN112100425B (zh) | 基于人工智能的标签标注方法、装置、电子设备及介质 | |
| CN111986744B (zh) | 医疗机构的患者界面生成方法、装置、电子设备及介质 | |
| CN113094674A (zh) | 页面展示方法、装置、电子设备及存储介质 | |
| CN113591882A (zh) | 汽车配件识别方法、计算机装置及可读存储介质 | |
| CN111831708A (zh) | 基于缺失数据的样本分析方法、装置、电子设备及介质 | |
| CN114880449A (zh) | 智能问答的答复生成方法、装置、电子设备及存储介质 | |
| CN114022841A (zh) | 人员监控识别方法、装置、电子设备及可读存储介质 | |
| CN113240351A (zh) | 业务数据一致性检查方法、装置、电子设备及介质 | |
| CN112948705A (zh) | 一种基于政策大数据的智能匹配方法、装置及介质 | |
| CN110515929B (zh) | 书籍展示方法、计算设备及存储介质 | |
| CN111429085A (zh) | 合同数据生成方法、装置、电子设备及存储介质 | |
| EP3647969A1 (en) | Method and system for automated exchange of data | |
| CN114757787A (zh) | 基于大数据的车险人伤定损方法、装置、电子设备及介质 | |
| CN110598527B (zh) | 基于机器学习的理赔保单号码识别方法及相关设备 | |
| CN114780688A (zh) | 基于规则匹配的文本质检方法、装置、设备及存储介质 | |
| CN114120347A (zh) | 表单校验方法、装置、电子设备及存储介质 | |
| CN113221888A (zh) | 车牌号管理系统测试方法、装置、电子设备及存储介质 | |
| CN113434660A (zh) | 基于多领域分类的产品推荐方法、装置、设备及存储介质 | |
| CN113469649A (zh) | 项目进度分析方法、装置、电子设备及存储介质 | |
| CN111667411A (zh) | 一种图像传输方法、装置、电子设备及存储介质 | |
| CN111026954A (zh) | 一种车辆信息推荐方法及装置 | |
| CN111383050A (zh) | 产品数据整合及分析方法、装置及计算机可读存储介质 | |
| CN111414398B (zh) | 数据分析模型确定方法、装置及存储介质 | |
| CN113783956B (zh) | 基于人脸识别的智能呼叫方法、装置、电子设备及介质 |
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 | ||
| AD01 | Patent right deemed abandoned | ||
| AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20240329 |