CN113643075A - 基于机器学习的智能海报生成方法、装置及存储介质 - Google Patents

Abstract

本申请公开了一种基于机器学习的智能海报生成方法、装置及存储介质，其中方法包括如下步骤：获取用户选定的原料图片；将所述原料图片输入至一个图片分类模型以使所述图片分类模型输出所述原料图片的图片类型；将所述原料图片及其图片类型输入至一个海报分析模型以使所述海报分析模型输出一个预设海报模板；获取用户的操作指令以将所述原料图片对应至所述预设海报模板的预设位置处；将促销数据或价格数据匹配至所述预设海报模板中所述原料图片的周边位置。本申请的有益之处在于提供了一种根据用户选定的原料图片即能自动选定模板并快捷生成原料图片组合而成的基于机器学习的智能海报生成方法。

Description

基于机器学习的智能海报生成方法、装置及存储介质

技术领域

本申请涉及电商平台数据管理领域，具体而言，涉及一种基于机器学习的智能海报生成方法、装置及存储介质。

背景技术

电商平台通过互联网为买家提供商品选购等服务，由于移动互联网技术的发展，电商平台的交易规模和交易频率均出现了大幅的增长。区别于传统线下销售，线上电商平台销售往往需要进行线上获客引流的工作。比如，电商平台的工作人员需要在社交平台通过海报等方式进行促销信息的发布，以促进买家在电商平台的购物意愿。

现有的电商平台促销活动的海报一般包括两种，一种是固定促销日期，比如618、双十一以及法定节假日，由电商平台的美工人员统一制作，然后发送到各个电商平台的销售人员，再由销售人员在社交平台上进行投放，另外一种是由电商平台的销售人员根据市场情况发起，由电商平台的美工人员制作或由销售人员制作，但是无论由美工人员制作还是由销售人员进行制作，均面临着海报制作时间过长，价格数据滞后以及海报出图较慢的问题。

发明内容

为了解决现有技术的不足之处，本申请提供了一种基于机器学习的智能海报生成方法，包括如下步骤：获取用户选定的原料图片；将所述原料图片输入至一个图片分类模型以使所述图片分类模型输出所述原料图片的图片类型；将所述原料图片及其图片类型输入至一个海报分析模型以使所述海报分析模型输出一个预设海报模板；获取用户的操作指令以将所述原料图片对应至所述预设海报模板的预设位置处；将促销数据或价格数据匹配至所述预设海报模板中所述原料图片的周边位置。

进一步地，所述图片分类模型输出的图片类型包括：商品、背景、插画、标语。

进一步地，所述图片分类模型为一个CNN神经网络模型。

进一步地，所述基于机器学习的智能海报生成方法还包括如下步骤：根据历史海报的素材数据获取历史海报中的商品、背景、插画和标语分别的图片数据。

进一步地，所述基于机器学习的智能海报生成方法还包括如下步骤：将所述商品、背景、插画和标语的图片数据作为输入数据，以图片类型为输出数据训练所述图片分类模型。

进一步地，所述基于机器学习的智能海报生成方法还包括如下步骤：将所述商品、背景、插画和标语的图片数据以及图片类型作为输入数据，以历史海报作为输出数据训练所述海报分析模型。

进一步地，所述基于机器学习的智能海报生成方法还包括如下步骤：根据历史海报的素材数据获取历史海报中的商品、背景、插画和标语图片的图片坐标；根据所述历史海报中的图片的所述图片坐标生成标示图片填充位置的矩形图框。

进一步地，所述基于机器学习的智能海报生成方法还包括如下步骤：根据所述图片坐标调整所述原料图片的大小。

作为本申请的另一方面，本申请还提供一种基于机器学习的智能海报生成装置，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现如前所述的基于机器学习的智能海报生成方法。

作为本申请的另一方面，本申请还提供一种计算机客户存储介质，所述计算机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实现如前所述的基于机器学习的智能海报生成装置。

本申请的有益之处在于：提供了一种根据用户选定的原料图片即能自动选定模板并快捷生成原料图片组合而成的基于机器学习的智能海报生成方法。

附图说明

构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请一种实施例的适用于电商平台的智能海报生成方法的步骤示意图；

图2是根据本申请一种实施例的购买意愿预测模型的原理示意图；

图3是根据本申请一种实施例的订单特征数据的矩阵示意图；

图4是图1所示的方法中用户选定的海报模板的示意图；

图5是根据图1所示的方法生成的一个海报的示意图；

图6是根据本申请一种实施例的基于机器学习的智能海报生成方法的步骤示意图；

图7是根据本申请一种实施例的图片分类模型的原理示意图；

图8是根据本申请一种实施例的海报分析模型的原理示意图；

图9是图6所示的方法中一个历史海报的示意图；

图10是图6所示的方法中插图类型的原料图片；

图11是图6所示的方法中标语类型的原料图像；

图12是根据图6所示的方法生成的一个海报的示意图；

图13是根据本申请一种实施例的执行方法的装置模块组成示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

为了方便介绍本申请的技术方案，以下先对本申请的方法所适用的电商平台和应用场景进行介绍。

本申请所适用的电商平台主要面向的买方为24小时便利店、小型超市等店铺，在店铺从电商平台采购商品后，电商平台将店铺通过电商平台采购的订单通过“拼单”的方式组合后匹配至对应的供应商和物流承运方，从而实现以更优惠的价格和更快捷配送完成店铺的采购。相较于面向个人买家，面向店铺电商平台存在采购频率低但采购量较大的特点，虽然以上所介绍的电商平台通过互联网技术降低了单次采购量，使采购更灵活。但是，由于店铺采购固有的特点，由于单次采购量较大，店铺对商品促销较为敏感，因此，电商平台的销售人员会根据实际情况向店铺发送促销海报等促销信息以提高销量或消除库存。本申请的智能海报生成方法的应用场景为帮助电商平台的销售人员通过简单操作即可从系统获取所需的宣传海报。

参照图1所示，本申请的适用于电商平台的智能海报生成方法包括如下步骤：

S101：获取用户选定的店铺范围。

S102：根据店铺范围内的店铺的历史订单数据生成促销商品列表。

S103：根据促销商品列表获取对应的商品图片和商品促销价格数据。

S103：获取用户选定的海报模板。

S104：根据促销商品列表的排序将商品图片和商品促销价格数据填充至海报模板的指定位置。

作为具体方案，本申请的适用于电商平台的智能海报生成方法主要针对的用户为电商平台的销售人员。即本申请所指的“用户”均指电商平台的销售人员。

一般而言，电商平台的销售人员负责固定的客户群体，系统记录了对应的客户和销售人员的对应关系，即店铺和用户的对应关系。所以作为优选方案，获取用户选定的店铺范围可以由系统根据店铺和用户的对应关系直接自动进行选定。具体而言，用户在登录电商平台系统后，在客群管理界面即可以显示其所管理的店铺的详情列表，用户可以通过店铺全选的功能选择其所管理的所有用户，也可以由用户手动方式选定其想针对的多个店铺。

作为进一步的优选方案，系统将用户所维护的店铺根据店铺的历史采购订单进行分类，从而形成不同的店铺属性集合，用户可以通过选定店铺属性集合的方式选定一定范围的店铺。具体而言，店铺属性集合的分类方法包括如下步骤：获取店铺的历史采购订单数据；根据店铺的历史采购订单数据生成店铺的三维属性坐标；以店铺的三维属性坐标的坐标值进行K-Means聚类运算；根据K-Means聚类运算的结果划分成若干店铺属性集合。更具体而言，维属性坐标构建包括如下步骤：设置一个商品分类表将商品分为快消类、生活类和文具类；根据商品分类表将一个店铺的历史采购订单数据中商品分别归类至商品分类表的分类中；计算店铺在每个商品分类表的分类中商品的分类总价；以商品分类表的三个分类分别作为坐标轴建立三维属性坐标的坐标系，以店铺的在这三个分类的分类总价作为坐标值。

作为优选方案，系统根据分析需要，可以设定采集历史采购订单的时间周期长度，比如设定为季度或年度。作为优选方案，如果为了获得较为稳定的订单预测模型和店铺属性集合，将采集时间周期长度设定为年度。

在时间周期长度为年度时，以上方法具体而言为：将一个店铺的年度采购订单进行汇总，按照商品分类表中的三个分类，将汇总中商品归类至三个分类中，分别统计三个分类中所有商品的分类总价，该店铺在三个分类下的分类总价即为该店铺在三维属性坐标中的坐标值，鉴于时间周期长度，分类总价的计数单位为百元，这样不至于导致坐标值过大从而导致聚类运算时由于计算单位导致代表电路的坐标点过于离散。

通过以上的三维属性坐标建立和聚类运算，可以将店铺分为不同的店铺属性集合。按照理想状态，按照快消类、生活类和文具类设计构思本身是想将店铺分为对应的商圈型、小区型和学校型，其中，商圈型的店铺采购订单中快消类为主要采购商品类别；小区型的店铺采购订单中生活类为主要采购商品类别；学校型的店铺采购订单中文具类为主要采购商品类别。作为可选方案，快消类可以包括：饮料、零食和方便面等；生活类可以包括：调料、清洗剂和生活用品；文具类可以包括：文具、玩具等。

而在实际数据整理和分析时，发现很多店铺的属性较为复杂，如果仅是为了分为商圈型、小区型和学校型，则可以采用分类后最高分类总价属于那一个分类即属于那种类型，但是通过后期模型构建和验证发现简单的分类给模型训练带来较大的难度。比如，即使是定位为学校型的店铺，其也存在快消类采购量大于文具类采购量的问题。所以简单分类并不能为后期分析和模型构建带来实际价值。

采用以上的方案，则可以通过维度划分和三维聚类实现将店铺根据实际情况分为店铺属性集合，这个店铺属性集合反映的是实际属性，而并非人为划分而成分类属性。

通过店铺属性集合的分类使用户在系统辅助下更有针对性的选择一定范围店铺进行针对性的海报推送，同时，由于店铺范围的选定对后继海报的生成也存在影响，因此，更精确的选定具有针对性的范围也有助于后期海报生成的效果。

作为具体方案，步骤S102具体包括如下步骤：

S1021：获取一个店铺范围中的店铺的历史订单数据。

S1022：从历史订单数据中解析出订单特征数据。

作为具体方案，步骤S1022的具体方法包括：设定历史订单数据的观测周期；将店铺在观测周期内的历史订单数据按照商品归集出每个商品的订单总数、汇总金额、订单频率值、频率价值；将归集出的每个商品的订单总数、汇总金额、订单频率值和频率价值对应至商品的编号后构建为一个如图3所示的数据矩阵作为订单特征数据。通过这样的数据矩阵可以体现该店铺在观测周期内，订单所涉及的商品的数量和金额情况。

其中，商品编号为商品的SKU值；订单总数为该商品在观测周期内所涉及的总订单总数据；汇总金额为该商品在观测周期内订单金额的总和；订单频率值为订单总数相对观测周期的平均值，频率价值为汇总金额与订单频率值的比值。如图3所示的数据矩阵中，以一周（周一至周日）作为一个观测周期。订单频率值的作用于反映该商品被购买的频率，其能比较直接的体现店铺对该商品的购买意愿，但是由于一些单价较为便宜的快消品，比如夏季的各种饮料，仅关注购买频率可能会导致忽略真实可能缺货或者店铺已经可能缺货的商品，尤其是在本申请所应用的电商平台本身就存在提高交易频率的促进作用。因此，在此基础上，在本申请的订单特征数据的数据矩阵（亦为购买意愿预测数据的数据矩阵）中增加了频率价值，根据频率价值的算法可知，频率价值反映了平均了的订单所涉及价格，即一个商品在观测周期内出现订单的平均订单金额。这个值越高说明，用户每次购买时付出的金额越高。所以综合订单频率值和频率价值可以综合分析出用户对某一商品的购买意愿。

此处历史订单数据的用途在于进行购买意愿的预测，并非是为了确定店铺的属性类型，因此，该处的历史订单数据为一定观测周期内的历史订单数据。并且，店铺范围是根据用户选择确定的，而不是所有店铺。

S1023：将订单特征数据输入至一个购买意愿预测模型以使购买意愿预测模型输出购买意愿预测数据。具体而言，购买意愿预测数据为一个与订单特征数据的数据矩阵相同的矩阵。购买意愿预测模型为一个用于根据历史数据进行预测的神经网络模型，作为优选方案，购买意愿预测模型为一个BP神经网络模型。可以采用历史订单数据构成如图3所示的数据矩阵，然后通过将一个店铺的历史订单数据所对应的数据矩阵训练BP神经网络模型直至收敛以作为购买意愿预测模型。需要说明的是，每个店铺均具有一个对应的购买意愿预测模型，在进行训练和预测时均以店铺为单位分别进行。

作为一种优选方案，鉴于促销商品书不宜过多，购买意愿预测数据与订单特征数据的数据矩阵的行数可以为设定值，该设定值的取值范围5至50；作为一种优选方案，为了获取足够的备选商品，该设定值的取值为20。

具体方法，在获取观测周期内历史数据时，先按照以上方法生成图3所示的矩阵，然后按照频率价值排序各行，将超过设定值的行舍弃，仅保留前20行作为数据矩阵，当商品行数不足20时，则将不足的行设置为对应格式的0值。换言之，通过设定值仅分析和选取观测周期内频率价值排在前20的商品。

S1024：根据购买意愿预测数据生成该店铺的促销商品子表。具体而言，该步骤S1024包括如下步骤：根据购买意愿预测数据的矩阵中的数据按照频率价值的大小作为行排序的依据使矩阵中的数据依次填充至一个表格数据中，该表格数据即为促销商品子表。

S1025：汇总店铺范围中所有店铺的促销商品子表形成促销商品列表。

具体而言，根据商品的SKU值将各个促销商品子表中的订单总数、汇总金额求和，然后再计算对应求和数据后的订单频率值和频率价值；根据频率价值的大小作为行排序的依据排列促销商品列表中行的顺序。更具体而言，这里汇总为根据商品SKU将不同商品的订单总数、汇总金额进行累加从而获得选定店铺范围总的属于该商品的订单总数、汇总金额值。需要说明的，订单频率值和频率价值也可以直接累加，但是由于生成各个店铺的子表时，订单频率值和频率价值存在四舍五入的情况，所以根据汇总后的订单总数、汇总金额重新计算的数据较为准确。

获得促销商品列表后，用户可以直接使用促销商品列表生成海报，也可以再手动进行选择促销商品列表中的某些商品。作为优选方案，促销商品列表可以以电商平台系统的管理软件中表格界面方式体现。用户可以通过操作管理软件的表格界面实现选择操作。需要说明的是，促销商品列表的产生是由系统在后台自动产生的，用户仅需要进行店铺范围的选择等操作。

在获取促销商品列表或基于促销商品列表选择的促销商品后，用户选择相应的商品添加至海报。具体而言，系统提示用户选择海报模板，用户可以根据促销商品数量和种类以及促销的时间，选择一个海报模板。海报模板如图4所示，该海报模板设有基本背景和填充位置。填充位置表现为图4中矩形框，然后根据填充位置的显著程度或者宣传效果，为每个填充位置设置填充序号，将显著程度高或宣传效果较好的填充位置设置较大的填充序号，然后根据填充序号将用户选中的商品的图片填充到填充位置。将促销商品列表中越靠前的商品填充到填充序号越大的填充位置中。

另外，作为优选方案，在海报模板中还可以设有非商品图片或宣传文字的填充位置，用户可以通过手动选择或输入的方式对这些填充位置进行填充，从而形成图5所示海报。

作为进一步优选方案，每个商品具有多种图片，用户可以根据需求选择这些图片，这些图片在系统中存储时通过在图片文件名中记录商品SKU值使这些商品图片填充到填充位置时，能从系统数据库中调用该商品现在的价格数据（包括促销价格）和商品名称、商品规格等数据，同时海报模板除了记载填充位置的坐标（四个坐标点确定的矩形框）外还记载了对应这些填充位置的价格、规则、商品名称的坐标位置以及它们的字体、颜色等数据。这样在填充对应的商品图片后自动生成对应的商品名称、价格、规格的文字数据。即作为优选方案，本申请的智能海报生成方法还包括如下的步骤：根据商品图片的SKU值获取商品的商品名称、商品价格、商品规格的文字数据，根据商品图片与填充位置的填充关系在填充位置的相对预设位置生成设定字体和颜色的文字数据。需要说明的是，这些文字数据在海报中可以与商品图片重叠也可以不重叠。

采用如上的适用于电商平台的智能海报生成方法，可以帮助用户从系统中选择某一组群的店铺作为受众，根据这些店铺购买意愿快速生成具有针对性的促销海报。

在以上方案中，用户仍需要自行选择海报模板，并且仅能在原有海报模板基础上进行加工，这样局限所能生成海报的多样性。

作为本申请的另一方面，本申请还提供一种基于机器学习的智能海报生成方法，该生成方法主要用于解决基于原料图片生成海报的问题，具体而言，基于机器学习的智能海报生成方法包括如下步骤：

S201：获取用户选定的原料图片。

S202：将原料图片输入至一个图片分类模型以使图片分类模型输出原料图片的图片类型。

S203：将原料图片及其图片类型输入至一个海报分析模型以使海报分析模型输出一个预设海报模板。

S204：获取用户的操作指令以将原料图片对应至预设海报模板的预设位置处。

S205：将促销数据或价格数据匹配至预设海报模板中原料图片的周边位置。

具体而言，步骤S201中，获取用户选定的图片可以包括：商品图片、背景图片、插画图片、标语图片。其中，商品图片可以由以上介绍的方法中的促销商品列表中商品获取。也就是说，用户可以通过以上方案选择出商品图。而背景图片、插画图片和标语图片可以由用户从图库或互联网获取。

在步骤S202中，可以通过一个图片分类模型获取这些选定图片的类型，具体而言，图片分类模型为一个CNN神经网络模型。

作为更具体的方案，可以通过如下步骤训练图片分类模型：根据历史海报的素材数据获取历史海报中的商品、背景、插画和标语分别的图片数据；将商品、背景、插画和标语的图片数据作为输入数据，以图片类型为输出数据训练图片分类模型；将商品、背景、插画和标语的图片数据以及图片类型作为输入数据，以历史海报作为输出数据训练海报分析模型。

系统将历史数据中由电商平台的美工人员制作海报以及原始素材存档，然后通过人工标注的方式，将原始素材中的图片分为商品、背景、插画和标语，然后进行图片分类模型的训练，作为另外的方案，也可以由人工对非原生的海报进行框选和人工标准从而将海报中图像分为商品、背景、插画和标语。当然，也可以利用外部已经训练好的神经网络模型作为图片分类模型。

进行图片分类后，将原料及其图片类型输入至一个海报分析模型，目的是通过海报分析模型输出一个预设海报模板。

具体而言，参照8所示，系统将历史数据中由电商平台的美工人员制作海报以及原始素材存档，然后通过人工标注的方式，将原始素材中的图片分为商品、背景、插画和标语然后将这些图片和图片类型作为输入数据，然后将对应的海报作为输出数据训练一个卷积神经网络作为海报分析模型。作为更具体方案，也可以将通过本申请的方法生成的新海报作为训练集继续训练该卷积神经网络，即通过该海报预测模型获得的海报模板后，将输入的原料图片和经过用户操作生成的最终海报分别作为海报预测模型的进一步训练集中的输入数据和输出数据，同时将生成的最终海报通过继承预设海报模板的模板属性的方式形成新的海报模板（也可以认为是预设海报模板）。具体而言，海报模板的模板属性包括各类图片的图片坐标以及如以上所介绍的自动生成文字数据的设定字体和颜色等数据。

作为具体方案，预设海报模板的设置还包括如下步骤：根据历史海报的素材数据获取历史海报中的商品、背景、插画和标语图片的图片坐标；根据历史海报中图片的图片坐标生成标示图片填充位置的矩形图框。

更具体而言，图片如果为矩形，则图片坐标为四个顶点的坐标值，并且在系统中针对该组坐标设置相应图片类型，比如设置值001代表商品图片，002代表背景图片；然后，再为该组坐标设置图片的图层顺序，比如001代表最上图层，通过这样方式可以确定图片的位置和显示的重叠关系。作为进一步方案，针对图片类型为商品图片的图片坐标其还附加了对应的商品名称、商品规格和商品价格等文字数据位置和字体参数。生成矩形图框的作用在于提供用户拖动图片进入海报模板参考位置。作为进一步的优选，海报模板在向用户展示时仍显示原有的图片，通过在拖动原料图片至对应位置时，系统提示用户是否替换模板中图片，用户可以选择保留原海报模板中的图片。

图9示出一种海报模板，图10为用户选定的插画图片，图11位用户选定的标语图片，假设用户选择商品图片仍未图9所示，系统按照以上方法，根据图9所示的海报模板和用户拖动图10和图11所示图片至图9所示的海报模板，从而生成图12所示的海报。通过输入图12中这些商品图片以及图片类型和图10、图11所示的图片和图片类型到海报分析模型可以获得如图9所示的海报模板。

通过以上的方法，可以使用户通过拖动原料图片自动获得所需的海报模板从而提高了海报生成的效率，而海报涉及的商品以及相关宣发数据则由前述的方法，通过选定受众店铺而自动生成。

作为本申请的另一方面，如图13所示，本申请还提供一种服务器300，即一种执行程序的装置，其包括存储器301和处理器302。其中，存储器301用于存储计算机程序，处理器302用于执行计算机程序时实现如上所提供的方法的步骤。

本申请还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上所提供的方法的步骤。

本申请还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上所提供的方法的步骤。

以上仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种基于机器学习的智能海报生成方法，其特征在于：

所述基于机器学习的智能海报生成方法包括如下步骤：

获取用户选定的原料图片；

将所述原料图片输入至一个图片分类模型以使所述图片分类模型输出所述原料图片的图片类型；

将所述原料图片及其图片类型输入至一个海报分析模型以使所述海报分析模型输出一个预设海报模板；

获取用户的操作指令以将所述原料图片对应至所述预设海报模板的预设位置处；

将促销数据或价格数据匹配至所述预设海报模板中所述原料图片的周边位置。

2.根据权利要求1所述的基于机器学习的智能海报生成方法，其特征在于：

所述图片分类模型输出的图片类型包括：商品、背景、插画、标语。

3.根据权利要求2所述的基于机器学习的智能海报生成方法，其特征在于：

所述图片分类模型为一个CNN神经网络模型。

4.根据权利要求3所述的基于机器学习的智能海报生成方法，其特征在于：

所述基于机器学习的智能海报生成方法还包括如下步骤：

根据历史海报的素材数据获取历史海报中的商品、背景、插画和标语分别的图片数据。

5.根据权利要求4所述的基于机器学习的智能海报生成方法，其特征在于：

所述基于机器学习的智能海报生成方法还包括如下步骤：

将所述商品、背景、插画和标语的图片数据作为输入数据，以图片类型为输出数据训练所述图片分类模型。

6.根据权利要求5所述的基于机器学习的智能海报生成方法，其特征在于：

所述基于机器学习的智能海报生成方法还包括如下步骤：

将所述商品、背景、插画和标语的图片数据以及图片类型作为输入数据，以历史海报作为输出数据训练所述海报分析模型。

7.根据权利要求6所述的基于机器学习的智能海报生成方法，其特征在于：

所述基于机器学习的智能海报生成方法还包括如下步骤：

根据历史海报的素材数据获取历史海报中的商品、背景、插画和标语图片的图片坐标；

根据所述历史海报中的图片的所述图片坐标生成标示图片填充位置的矩形图框。

8.根据权利要求7所述的基于机器学习的智能海报生成方法，其特征在于：

所述基于机器学习的智能海报生成方法还包括如下步骤：

根据所述图片坐标调整所述原料图片的大小。

9.一种基于机器学习的智能海报生成装置，其特征在于：

所述基于机器学习的智能海报生成装置包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如权利要求1至8任意一项所述的基于机器学习的智能海报生成方法。

10.一种计算机客户存储介质，其特征在于：所述计算机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实现如权利要求1至8任意一项所述的基于机器学习的智能海报生成装置。

Images