CN114611863A - 一种基于大数据的电商产品包装品质检测方法 - Google Patents
一种基于大数据的电商产品包装品质检测方法 Download PDFInfo
- Publication number
- CN114611863A CN114611863A CN202111381539.2A CN202111381539A CN114611863A CN 114611863 A CN114611863 A CN 114611863A CN 202111381539 A CN202111381539 A CN 202111381539A CN 114611863 A CN114611863 A CN 114611863A
- Authority
- CN
- China
- Prior art keywords
- data
- commerce product
- commerce
- product
- packaging
- 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
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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
- G06F18/24—Classification 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
- G06N3/08—Learning methods
-
- 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
- G06Q30/01—Customer relationship services
- G06Q30/012—Providing warranty services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Accounting & Taxation (AREA)
- Molecular Biology (AREA)
- Finance (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于大数据的电商产品包装品质检测方法,包括如下步骤:步骤S1、用户上传的电商产品为未识产品,根据未识产品,获得未识产品的名称和种类,根据未识产品的名称和种类,获得初识产品;步骤S2、根据初识产品,获得初识产品信息,根据初识产品信息,提取获得初识产品简介;步骤S3、根据大数据和初识产品简介,获得电商产品包装数据,并将包装数据发送至管理平台。通过设备的整体结构,通过对电商产品包装进行颜色客观品质评价,对包装的外观颜色评价结果更加准确合理,实现品质评价规范化,数据化、可控化,且对电商产品包装进行颜色客观品质评价,进一步改善了色差评价的视觉一致性,使印刷色差品质评价更加规范数据化。
Description
技术领域
本发明涉及电商技术领域,具体地说,涉及一种基于大数据的电商产品包装品质检测方法。
背景技术
电商是以数据网络技术为手段,以商品交换为中心的商务活动;也可理解为在互联网、企业内部网和增值网上以电子交易方式进行交易活动和相关服务的活动,是传统商业活动各环节的电子化、网络化、数据化。
大数据技术的战略意义在于对庞大的、含有意义的数据进行专业化处理,是实时交互式的查询效率和分析能力。
而在电商产品的销售时,电商产品的包装的品质不仅会影响包装成本,而且也会影响其在消费市场的市场竞争力,品质好的电商产品的包装可以提升品牌价值因,此我们提出了一种基于大数据的电商产品包装品质检测方法。
发明内容
本发明的目的在于提供一种基于大数据的电商产品包装品质检测方法,达到了通过对电商产品包装进行颜色客观品质评价,对包装的外观颜色评价结果更加准确合理,实现品质评价规范化,数据化、可控化,且对电商产品包装进行颜色客观品质评价,进一步改善了色差评价的视觉一致性,使印刷色差品质评价更加规范数据化的效果。
本发明公开的一种基于大数据的电商产品包装品质检测方法所采用的技术方案是:一种基于大数据的电商产品包装品质检测方法,包括如下步骤:
步骤S1、用户上传的电商产品为未识产品,根据未识产品,获得未识产品的名称和种类,根据未识产品的名称和种类,获得初识产品;
步骤S2、根据初识产品,获得初识产品信息,根据初识产品信息,提取获得初识产品简介;
步骤S3、根据大数据和初识产品简介,获得电商产品包装数据,并将包装数据发送至管理平台;
步骤S4、对电商产品进行打包,且对电商产品包装品质进行检测。
作为优选方案,对电商产品进行打包后,对电商产品的包装品质进行检测具体如下:
步骤1、通过图像采集设备获得电商产品包装的图片数据,对图片数据进行图像上颜色评估,获得电商产品包装的颜色评估数据;
步骤2、将电商产品包装的图片数据和标准电商产品的图片数据进行比较分析,获得差异数据;
步骤3、根据颜色评估数据和差异数据,获得电商产品包装的品质数据;
步骤4、根据气密性特征分类树,对电商产品包装进行气密性检测标准分类,并根据气密性检测标准分类结果,获得电商产品包装气密性检测标准数据;
步骤5、将电商产品包装气密性检测标准数据和电商产品包装内外压差输入电商产品气密性模型中,获得气密性数据;
步骤6、根据电商产品包装的颜色品质数据和气密性数据,获得电商产品包装品质检测数据。
作为优选方案,所述获得电商产品包装的颜色评估数据还包括如下步骤:
步骤11、采用色域映射对电商产品包装的图片数据进行处理,获得图片颜色数据,并根据获得的图片颜色数据,对电商产品包装的图片数据进行图片分块,获得预设数量的图片颜色区块;
步骤12、将获得的预设数量的图片颜色区块与标准电商产品包装的图片颜色区块和进行比较,获得相对预设数量的色相差异数据,并按照预设比重值,对相对预设数量的色相差异数据进行加权运算,获得电商产品包装的色差数据:
步骤13、对电商产品包装的色差数据进行色差级别分类,获得色差级别分类数据,并根据色差级别分类,获得电商产品包装的颜色评估数据。
作为优选方案,所述获得电商产品包装的色差数据还包括如下数据:
建立色相差异坐标,并将标准电商产品包装颜色数据和预设数量的图片颜色区块的明度值和色相值输入所述色相差异坐标,获得相对数量的色相差异向量,获得预设权重值,按照预设权重值对相对数量的色相差异向量的模进行加权运算,即可获得电商产品包装的色差数据。
作为优选方案,所述获得电商产品包装气密性检测标准数据还包括如下步骤:
步骤41、建立电商产品包装检测标准库,获得电商产品包装的基础数据,并根据电商产品包装的基础数据与所述电商产品包装检测标准库,选取电商产品包装检测标准模型;
步骤42、从电商产品包装的基础数据中提取电商产品包装的材料特性数据和包装结构数据,并将材料特性数据和包装结构数据输入选取的电商产品包装检测标准模型中,即可获得电商产品包装气密性检测标准数据。
作为优选方案,所述建立电商产品包装检测标准库包括如下步骤:
步骤411、获得现有电商产品包装检测数据,建立包装气密性分类树,建立包装气密性特性分类树,根据包装气密性特性分类树,对现有电商产品包装检测数据进行分类;
步骤412、分别将不同类型的现有电商产品包装检测数据信息输入神经网络模型,获得与不同类型的现有电商产品包装检测数据信息相对应的电商产品包装检测标准模型;
步骤413、根据各个电商产品包装检测标准模型,建立电商产品包装检测标准模型库。
作为优选方案,所述获取电商产品包装品质检测数据还包括如下步骤:
步骤61、获得电商产品的含量数据,根据电商产品的含量数据,选取包装材料避光级别;
步骤62、根据包装材料避光级别,获得品质影响原因,且根据品质影响原因,对电商产品包装品质检测数据进行修改,获得新电商产品包装品质检测数据;
步骤63、根据电商产品运输级别,获得预估包装撞击系数,并根据电商产品抗撞击系数和预估包装撞击系数差值,获得新品质影响原因;
步骤64、根据新品质影响原因和新电商产品包装品质检测数据,获得新电商产品包装品质检测数据。
作为优选方案,所述图片采集装置通过导线连接计算机,且计算机内部设有存储模块和数据处理模块,所述计算机通过导线连接有大数据、输入装置、打包装置和显示装置,所述输入装置可以为键盘和语音输入设备,所述显示装置具体为显示屏。
作为优选方案,所述基于大数据的电商产品包装品质检测方法和系统存储于运算机构架的APP内部,通过烧录的程序进行驱动运行,包括总线架构、处理器、存储器和总线接口,总线架构可以包括任意数量的互联的总线和桥,总线架构将包括由处理器代表的一个或多个处理器和存储器代表的存储器的各种电路链接在一起,总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,总线接口在总线架构和接收器和发送器之间提供接口,接收器和发送器可以是同一个元件,即收发机,提供用于在传输介质上与各种其他系统通信的单元。
本发明公开的一种基于大数据的电商产品包装品质检测方法的有益效果是:
通过设备的整体结构,通过对电商产品包装进行颜色客观品质评价,对包装的外观颜色评价结果更加准确合理,实现品质评价规范化,数据化、可控化的技术效果,且通过对电商产品包装进行颜色客观品质评价,进一步改善了色差评价的视觉一致性,使印刷色差品质评价更加规范数据化的技术效果。
本申请整体结构通过获得模型的训练输出结果即气密性性检测标准,为电商产品包装的气密性性能检测提供指导性依据,使得品质检测数据更加全面准确,从而保证电商产品包装品质效果,提高电商产品市场竞争力的技术效果,并且在建立电商产品包装检测标准模型库,使得建立的多层级包装气密性特征分类树分类更加准确,基于分类后的现有电商产品包装检测数据信息进行神经网络模型训练,使最终建立的电商产品包装检测标准模型库更加合理准确,同时新电商产品包装质量检测数据进行修正,获得最新电商产品包装质量检测数据。综合电商产品包装的抗撞击性能对包装质量进行检测评估,提高电商产品包装质量检测的准确性和可行度,使得质量检测数据更加全面准确,从而保证电商产品包装质量效果。
附图说明
图1为本发明整体原理图;
图2为本发明整体步骤框架结构示意图;
图3为本发明产品打包品质检测框架结构示意图;
图4为本发明步骤1内部框架结构图;
图5为本发明图1中步骤4内部框架结构图;
图6为本发明图5中步骤41内部框架结构图;
图7为本发明图1中步骤6内部框架结构图。
具体实施方式
下面结合具体实施例和说明书附图对本发明做进一步阐述和说明:
一种基于大数据的电商产品包装品质检测方法,包括如下步骤:
步骤S1、用户上传的电商产品为未识产品,根据未识产品,获得未识产品的名称和种类,根据未识产品的名称和种类,获得初识产品;
具体而言,进行电商产品进行识别时,通过外部的扫码识别装置,对产品的二维码进行扫描读取而进行识别。
步骤S2、根据初识产品,获得初识产品信息,根据初识产品信息,提取获得初识产品简介;
步骤S3、根据大数据和初识产品简介,获得电商产品包装数据,并将包装数据发送至管理平台;
具体而言,管理平台采用市场上现有的平台,通过运算机进行搭建。
步骤S4、通过打包装置,对电商产品进行打包,且对电商产品包装品质进行检测。
所述对电商产品进行打包后,对电商产品的包装品质进行检测具体如下:
步骤1、通过图像采集设备获得电商产品包装的图片数据,对图片数据进行图像上颜色评估,获得电商产品包装的颜色评估数据;
具体而言:图像采集装置为市场上现有的摄像头,通过摄像头对电商产品包装进行拍照,即可获得电商产品包装的图片,而进行电商产品包装的图片进行收集,即当电商产品包装传输到达预定的位置时,就能够通过摄像头进行电商产品包装采集获得图片数据。电商产品包装的图片数据包括电商产品包装颜色、电商产品包装尺寸、电商产品包装图案设计、电商产品包装结构形状等。
步骤2、将电商产品包装的图片数据和标准电商产品的图片数据进行比较分析,获得差异数据;
具体而言:套印误差是印刷中的常见缺陷,在多色套印过程,每一色不能完全重叠,不免有一定的偏差,进而影响印品品质,套印误差越大,表明印刷品质越差。
步骤3、根据颜色评估数据和差异数据,获得电商产品包装的颜色品质数据:
步骤4、根据气密性特征分类树,对电商产品包装进行气密性检测标准分类,并根据气密性检测标准分类结果,获得电商产品包装气密性检测标准数据;
具体而言:分类树是在已知各种情况发生概率的基础上,通过构成分类树来求取净现值的期望值大于等于零的概率,评价项目风险,判断其可行性的决策分析方法,是直观运用概率分析的一种图解法。由于这种决策分支画成图形很像一棵树的枝干,故称分类树。在机器学习中,分类树是一个预测模型,他代表的是对象属性与对象值之间的一种映射关系,这种分类器能够对新出现的对象给出正确的分类,由根节点、内部节点以及叶节点组成,分类树是一种十分常用的分类方法,它是一种监督学习,所谓监督学习就是给定一堆样本,每个样本都有一组属性和一个类别,这些类别是事先确定的,那么通过学习得到一个分类器,这个分类器能够对新出现的对象给出正确的分类,这样的机器学习就被称之为监督学习。
步骤5、将电商产品包装气密性检测标准数据和电商产品包装内外压差输入电商产品气密性模型中,获得气密性数据;
具体而言:电商产品包装内外压差是电商产品包装内外两种压力,内外的压力之差就是电商产品包装的内外压差,将电商产品包装气密性检测标准数据和商产品包装内外压差输入电商产品气密性模型中,电商产品气密性模型为神经网络模型,神经网络模型是经过大量的数据进行监督学习,而使得神经网络模型处理输入信息才会更加准确,进而使得模型输出的气密性数据更加合理、准确,为电商产品包装的气密性性能检测提供指导性的依据。
步骤6、根据电商产品包装的品质数据和气密性数据,获得电商产品包装品质检测数据。
所述获得电商产品包装的颜色评估数据还包括如下步骤:
步骤11、采用色域映射对电商产品包装的图片数据进行处理,获得图片颜色数据,并根据获得的图片颜色数据,对电商产品包装的图片数据进行图片分块,获得预设数量的图片颜色区块;
步骤12、将获得的预设数量的图片颜色区块与标准电商产品包装的图片颜色区块和进行比较,获得相对预设数量的色相差异数据,并按照预设比重值,对相对预设数量的色相差异数据进行加权运算,获得电商产品包装的色差数据;
步骤13、对电商产品包装的色差数据进行色差级别分类,获得色差级别分类数据,并根据色差级别分类,获得电商产品包装的颜色评估数据。
具体而言:对电商产品包装的图片数据进行色域映射,色域是对一种颜色进行编码的方法,也指一个技术系统能够产生的颜色的总和。在计算机图形处理中,色域是颜色的某个完全的子集。颜色子集最常见的应用是用来精确地代表一种给定的情况。图片分块就是把图片分成若干个独立条状的区块,通过图片彩色数据对电商产品包装的图片数据进行图像分块,获得图片分块后的预设数量的图片颜色区块。将标准的电商产品包装颜色信息和分块的若干数量的图片颜色区块进行对比分析,这样就能够比较得出电商产品包装颜色和标准的电商产品包装颜色的差别,即可得到电商产品包装的色差数据,而色相误差是电商产品包装的颜色和标准电商产品包装颜色对比的颜色偏差值,色相误差越大,表明包装颜色的偏差越大,对包装色相差异信息进行偏差等级分类,色差偏差越大,偏差等级越高,且按照预定权重值对预设数量的色相差异数据进行加权运算,预定权重值按照包装的各个颜色区块面积大小进行权重值分配,获得加权运算的色差数据,获得对应的偏差等级分类结果,并根据偏差等级分类结果对电商产品包装进行颜色评价,获得电商产品包装的颜色评估数据。通过对电商产品包装进行颜色客观品质评价,对包装的外观颜色评价结果更加准确合理,实现品质评价规范化,数据化、可控化的技术效果。
所述获得电商产品包装的色差数据还包括如下数据:
建立色相差异坐标,并将标准电商产品包装颜色数据和预设数量的图片颜色区块的明度值和色相值输入所述色相差异坐标,获得相对数量的色相差异向量,获得预设权重值,按照预设权重值对相对数量的色相差异向量的模进行加权运算,即可获得电商产品包装的色差数据。
具体而言:色相差异坐标系具体为多维坐标系,包括红绿色相、黄蓝色相和明度值。将标准电商产品包装颜色信息和预设数量的图片颜色区块的明度值和色相值输入色相差异坐标系,获得电商产品包装色差相对数量的色相差异向量,预定权重值按照颜色面积区块大小进行权重值分配,预定权重值总和为1,按照预定权重值对相对数量的色相差异向量的模进行加权运算,获得运算后的电商产品包装色差信息。通过对电商产品包装进行颜色客观品质评价,进一步改善了色差评价的视觉一致性,使印刷色差品质评价更加规范数据化的技术效果。
所述获得电商产品包装气密性检测标准数据还包括如下步骤:
步骤41、建立电商产品包装检测标准库,获得电商产品包装的基础数据,并根据电商产品包装的基础数据与所述电商产品包装检测标准库,选取电商产品包装检测标准模型;
步骤42、从电商产品包装的基础数据中提取电商产品包装的材料特性数据和包装结构数据,并将材料特性数据和包装结构数据输入选取的电商产品包装检测标准模型中,即可获得电商产品包装气密性检测标准数据,材料特性信息包括电商产品包装材料的抗撞击性能、密度、材质、拉伸性能等,包装结构信息为电商产品包装材料的结构形状,如圆锥体、四方体、半球形等。
具体而言,电商产品包装检测标准库包括多个类型电商产品包装检测模型。根据电商产品包装的基本信息,从电商产品包装检测标准库中抽取相对应的电商产品包装检测标准模型,然后把电商产品包装数据输入抽取的相对应的电商产品包装检测标准模型内部,获得模型的训练输出结果即气密性性检测标准。为电商产品包装的气密性性能检测提供指导性依据,使得品质检测数据更加全面准确,从而保证电商产品包装品质效果,提高电商产品市场竞争力的技术效果。
所述建立电商产品包装检测标准库包括如下步骤:
步骤411、获得现有电商产品包装检测数据,建立包装气密性分类树,建立包装气密性特性分类树,根据包装气密性特性分类树,对现有电商产品包装检测数据进行分类;
步骤412、分别将不同类型的现有电商产品包装检测数据信息输入神经网络模型,获得与不同类型的现有电商产品包装检测数据信息相对应的电商产品包装检测标准模型;
步骤413、根据各个电商产品包装检测标准模型,建立电商产品包装检测标准模型库。
具体而言,现有电商产品包装检测数据为现有的进行电商产品包装检测的数据信息,现有电商产品包装检测数据包括现有电商产品包装的基本信息。根据分类树,能够对现有电商产品包装检测数据信息进行分类,这样分别将不同类别的现有电商产品包装检测数据信息输入神经网络模型,获得不同类别的现有电商产品包装检测数据信息相对应的电商产品包装检测标准模型。使得建立的多层级包装气密性特征分类树分类更加准确,基于分类后的现有电商产品包装检测数据信息进行神经网络模型训练,使最终建立的电商产品包装检测标准模型库更加合理准确的技术效果。
所述获取电商产品包装品质检测数据还包括如下步骤:
步骤61、获得电商产品的含量数据,根据电商产品的含量数据,选取包装材料避光级别;
步骤62、根据包装材料避光级别,获得品质影响原因,且根据品质影响原因,对电商产品包装品质检测数据进行修改,获得新电商产品包装品质检测数据:
步骤63、根据电商产品运输级别,获得预估包装撞击系数,并根据电商产品抗撞击系数和预估包装撞击系数差值,获得新品质影响原因;
步骤64、根据新品质影响原因和新电商产品包装品质检测数据,获得新电商产品包装品质检测数据。
具体而言,电商产品的含量信息为组成电商产品的任何一种物质或多种物质的混合物,选择一个电商产品,即电商产品在可见光或紫外线的照射下吸收光是否能够发生的化学反应,若电商产品在可见光或紫外线的照射下发生反应,则具有光化学反应特性,这样的电商产品包装需要选择避光包装材料,反之不具有光化学反应特性,电商产品包装不需要选择避光包装材料。并且根据包装材料避光等级,品质影响原因,包装材料的避光等级越高,包装材料的品质越好,对最终品质的影响越小。综合所述电商产品材料的避光性能对包装品质进行检测评估,提高电商产品包装品质检测的准确性和可行度,使得品质检测数据更加全面准确,从而保证电商产品包装品质效果。
电商产品包装运输等级是由不同的运输方式决定,如通过飞机对电商产品进行运输,运输等级就较高,不易损坏包装;火车运输方式次之,然后汽车运输方式在火车运输之下;预定包装抗撞击系数为与电商产品包装运输等级所对应的抗撞击强度,运输等级越低,对电商产品包装的抗撞击性能要求就越高。综合电商产品包装的抗撞击性能对包装质量进行检测评估,提高电商产品包装质量检测的准确性和可行度,使得质量检测数据更加全面准确,从而保证电商产品包装质量效果。
所述图片采集装置通过导线连接计算机,且计算机内部设有存储模块和数据处理模块,所述计算机通过导线连接有大数据、输入装置、打包装置和显示装置,所述输入装置可以为键盘和语音输入设备,所述显示装置具体为显示屏。
所述基于大数据的电商产品包装品质检测方法和系统存储于计算机构架的APP内部,通过烧录的程序进行驱动运行,包括总线架构、处理器、存储器和总线接口,总线架构可以包括任意数量的互联的总线和桥,总线架构将包括由处理器代表的一个或多个处理器和存储器代表的存储器的各种电路链接在一起,总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,总线接口在总线架构和接收器和发送器之间提供接口,接收器和发送器可以是同一个元件,即收发机,提供用于在传输介质上与各种其他系统通信的单元。
最后应当说明的是,本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和 /或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/ 或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的系统。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令系统的制造品,该指令系统实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (9)
1.一种基于大数据的电商产品包装品质检测方法,其特征在于:包括如下步骤:
步骤S1、用户上传的电商产品为未识产品,根据未识产品,获得未识产品的名称和种类,根据未识产品的名称和种类,获得初识产品;
步骤S2、根据初识产品,获得初识产品信息,根据初识产品信息,提取获得初识产品简介;
步骤S3、根据大数据和初识产品简介,获得电商产品包装数据,并将包装数据发送至管理平台;
步骤S4、对电商产品进行打包,且对电商产品包装品质进行检测。
2.根据权利要求1所述的一种基于大数据的电商产品包装品质检测方法,其特征在于:对电商产品进行打包后,对电商产品的包装品质进行检测具体如下:
步骤1、通过图像采集设备获得电商产品包装的图片数据,对图片数据进行颜色评估,获得电商产品包装的颜色评估数据;
步骤2、将电商产品包装的图片数据和标准电商产品的图片数据进行比较分析,获得差异数据;
步骤3、根据颜色评估数据和差异数据,获得电商产品包装的颜色品质数据;
步骤4、根据气密性特征分类树,对电商产品包装进行气密性检测标准分类,并根据气密性检测标准分类结果,获得电商产品包装气密性检测标准数据;
步骤5、将电商产品包装气密性检测标准数据和电商产品包装内外压差输入电商产品包装气密性模型中,获得气密性数据;
步骤6、根据电商产品包装的颜色品质数据和气密性数据,获得电商产品包装品质检测数据。
3.根据权利要求2所述的一种基于大数据的电商产品包装品质检测方法,其特征在于:所述获得电商产品包装的颜色评估数据还包括如下步骤:
步骤11、采用色域映射对电商产品包装的图片数据进行处理,获得图片颜色数据,并根据获得的图片颜色数据,对电商产品包装的图片数据进行图片分块,获得预设数量的图片颜色区块;
步骤12、将获得的预设数量的图片颜色区块与标准电商产品包装的图片颜色区块和进行比较,获得相对预设数量的色相差异数据,并按照预设比重值,对相对预设数量的色相差异数据进行加权运算,获得电商产品包装的色差数据;
步骤13、对电商产品包装的色差数据进行色差级别分类,获得色差级别分类数据,并根据色差级别分类,获得电商产品包装的颜色评估数据。
4.根据权利要求3所述的一种基于大数据的电商产品包装品质检测方法,其特征在于:所述获得电商产品包装的色差数据还包括如下数据:
建立色相差异坐标,并将标准电商产品包装颜色数据和预设数量的图片颜色区块的明度值和色相值输入所述色相差异坐标,获得相对数量的色相差异向量,获得预设权重值,按照预设权重值对相对数量的色相差异向量的模进行加权运算,即可获得电商产品包装的色差数据。
5.根据权利要求1所述的一种基于大数据的电商产品包装品质检测方法,其特征在于:所述获得电商产品包装气密性检测标准数据还包括如下步骤:
步骤41、建立电商产品包装检测标准库,获得电商产品包装的基础数据,并根据电商产品包装的基础数据与所述电商产品包装检测标准库,选取电商产品包装检测标准模型;
步骤42、从电商产品包装的基础数据中提取电商产品包装的材料特性数据和包装结构数据,并将材料特性数据和包装结构数据输入选取的电商产品包装检测标准模型中,即可获得电商产品包装气密性检测标准数据。
6.根据权利要求5述的一种基于大数据的电商产品包装品质检测方法,其特征在于:所述建立电商产品包装检测标准库包括如下步骤:
步骤411、获得现有电商产品包装检测数据,建立气密性特性分类树,并利用气密性特性分类树,对现有电商产品包装检测数据进行分类;
步骤412、分别将不同类型的现有电商产品包装检测数据信息输入神经网络模型,获得与不同类型的现有电商产品包装检测数据信息相对应的电商产品包装检测标准模型;
步骤413、根据各个电商产品包装检测标准模型,建立电商产品包装检测标准模型库。
7.根据权利要求1所述的一种基于大数据的电商产品包装品质检测方法,其特征在于:所述获取电商产品包装品质检测数据还包括如下步骤:
步骤61、获得电商产品的含量数据,根据电商产品的含量数据,选取包装材料避光级别;
步骤62、根据包装材料避光级别,获得品质影响原因,且根据品质影响原因,对电商产品包装品质检测数据进行修改,获得新电商产品包装品质检测数据;
步骤63、根据电商产品运输级别,获得预估包装撞击系数,并根据电商产品抗撞击系数和预估包装撞击系数差值,获得新品质影响原因;
步骤64、根据新品质影响原因和新电商产品包装品质检测数据,获得新电商产品包装品质检测数据。
8.根据权利要求1-7所述的一种基于大数据的电商产品包装品质检测方法的系统,其特征在于:所述图片采集装置通过导线连接计算机,且计算机内部设有存储模块和数据处理模块,所述计算机通过导线连接有大数据、输入装置、打包装置和显示装置,所述输入装置可以为键盘和语音输入设备,所述显示装置具体为显示屏。
9.根据权利要求1所述的一种基于大数据的电商产品包装品质检测方法,其特征在于:所述基于大数据的电商产品包装品质检测方法和系统存储于运算机构架的APP内部,通过烧录的程序进行驱动运行,包括总线架构、处理器、存储器和总线接口,总线架构可以包括任意数量的互联的总线和桥,总线架构将包括由处理器代表的一个或多个处理器和存储器代表的存储器的各种电路链接在一起,总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,总线接口在总线架构和接收器和发送器之间提供接口,接收器和发送器可以是同一个元件,即收发机,提供用于在传输介质上与各种其他系统通信的单元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111381539.2A CN114611863A (zh) | 2021-11-21 | 2021-11-21 | 一种基于大数据的电商产品包装品质检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111381539.2A CN114611863A (zh) | 2021-11-21 | 2021-11-21 | 一种基于大数据的电商产品包装品质检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114611863A true CN114611863A (zh) | 2022-06-10 |
Family
ID=81858029
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111381539.2A Pending CN114611863A (zh) | 2021-11-21 | 2021-11-21 | 一种基于大数据的电商产品包装品质检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114611863A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116433097A (zh) * | 2023-04-19 | 2023-07-14 | 北京市永康药业有限公司 | 一种注射剂包装质量检测方法及系统 |
-
2021
- 2021-11-21 CN CN202111381539.2A patent/CN114611863A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116433097A (zh) * | 2023-04-19 | 2023-07-14 | 北京市永康药业有限公司 | 一种注射剂包装质量检测方法及系统 |
CN116433097B (zh) * | 2023-04-19 | 2023-11-21 | 北京市永康药业有限公司 | 一种注射剂包装质量检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10878283B2 (en) | Data generation apparatus, data generation method, and data generation program | |
CN108229485A (zh) | 用于测试用户界面的方法和装置 | |
EP3904866A1 (en) | Defect inspecting device, defect inspecting method, and program for same | |
CN112070135B (zh) | 电力设备图像检测方法、装置、电力设备及存储介质 | |
CN115731164A (zh) | 基于改进YOLOv7的绝缘子缺陷检测方法 | |
CN113920107A (zh) | 一种基于改进yolov5算法的绝缘子破损检测方法 | |
CN111222478A (zh) | 一种工地安全防护检测方法和系统 | |
CN113642474A (zh) | 一种基于yolov5的危险区域人员监控方法 | |
CN114299036B (zh) | 电子元件的检测方法及装置、存储介质、电子设备 | |
WO2023116565A1 (zh) | 智能设计网络安全架构图的方法 | |
CN111597857B (zh) | 一种物流包裹检测方法、装置、设备及可读存储介质 | |
US11594015B1 (en) | Detecting changes in forest composition | |
CN113221947A (zh) | 一种基于图像识别技术的工业质检方法及系统 | |
CN114611863A (zh) | 一种基于大数据的电商产品包装品质检测方法 | |
US20190272627A1 (en) | Automatically generating image datasets for use in image recognition and detection | |
CN108664906B (zh) | 一种基于卷积网络的火灾场景中内容的检测方法 | |
CN116959099B (zh) | 一种基于时空图卷积神经网络的异常行为识别方法 | |
CN117671585A (zh) | 一种基于YOLOv5的拌合站物料识别方法 | |
CN111414855B (zh) | 基于端到端回归模型的电线杆标牌目标检测及识别方法 | |
CN117557860A (zh) | 基于YOLOv8的货运列车异物检测方法及系统 | |
CN115292722B (zh) | 基于不同色彩空间的模型安全检测方法和装置 | |
CN114998330B (zh) | 无监督的晶圆缺陷检测方法、装置、设备及存储介质 | |
CN114913513A (zh) | 一种公章图像的相似度计算方法、装置、电子设备和介质 | |
CN113239994A (zh) | 基于YOLOv4-tiny算法的电网缺陷检测方法、装置、存储介质及电子设备 | |
CN113505784A (zh) | 甲片自动标注解析方法及装置、电子设备及存储介质 |
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 |