CN116994007B - 商品纹理检测处理方法及装置 - Google Patents
商品纹理检测处理方法及装置 Download PDFInfo
- Publication number
- CN116994007B CN116994007B CN202311253999.6A CN202311253999A CN116994007B CN 116994007 B CN116994007 B CN 116994007B CN 202311253999 A CN202311253999 A CN 202311253999A CN 116994007 B CN116994007 B CN 116994007B
- Authority
- CN
- China
- Prior art keywords
- texture
- commodity
- section
- feature
- image
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 248
- 238000003672 processing method Methods 0.000 title claims abstract description 25
- 238000000605 extraction Methods 0.000 claims abstract description 89
- 230000001960 triggered effect Effects 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims description 83
- 238000012545 processing Methods 0.000 claims description 72
- 230000000007 visual effect Effects 0.000 claims description 44
- 238000004891 communication Methods 0.000 claims description 38
- 238000003860 storage Methods 0.000 claims description 34
- 230000011218 segmentation Effects 0.000 claims description 26
- 238000006243 chemical reaction Methods 0.000 claims description 19
- 238000010191 image analysis Methods 0.000 claims description 19
- 230000003993 interaction Effects 0.000 claims description 5
- 239000007787 solid Substances 0.000 claims description 5
- 230000003828 downregulation Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 description 49
- 239000002023 wood Substances 0.000 description 25
- 238000010586 diagram Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 9
- 230000006872 improvement Effects 0.000 description 9
- 235000013372 meat Nutrition 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 235000015278 beef Nutrition 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 239000002994 raw material Substances 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 4
- 241000533950 Leucojum Species 0.000 description 3
- 241000221035 Santalaceae Species 0.000 description 3
- 235000008632 Santalum album Nutrition 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000003306 harvesting Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000002441 reversible effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 235000015277 pork Nutrition 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- DSSYKIVIOFKYAU-XCBNKYQSSA-N (R)-camphor Chemical compound C1C[C@@]2(C)C(=O)C[C@@H]1C2(C)C DSSYKIVIOFKYAU-XCBNKYQSSA-N 0.000 description 1
- 241000287828 Gallus gallus Species 0.000 description 1
- 241000371484 Machilus nanmu Species 0.000 description 1
- 244000082946 Tarchonanthus camphoratus Species 0.000 description 1
- 235000005701 Tarchonanthus camphoratus Nutrition 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 235000013330 chicken meat Nutrition 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000796 flavoring agent Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000004383 yellowing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
-
- 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]
- G06Q30/0623—Item investigation
- G06Q30/0625—Directed, with specific intent or strategy
- G06Q30/0629—Directed, with specific intent or strategy for generating comparisons
-
- 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]
- G06Q30/0641—Shopping interfaces
- G06Q30/0643—Graphical representation of items or shoppers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本说明书实施例提供了商品纹理检测处理方法及装置,其中,一种商品纹理检测处理方法包括:在获取到进行质量检测的商品配置的实体介质被触发后采集的截面纹理图像后,确定截面纹理图像对应的截面类型,按照截面类型对应的纹理提取方式,从截面纹理图像中提取截面纹理特征,并借助包含截面纹理特征的特征数据集对截面纹理特征进行特征检测,获得商品的检测结果。
Description
技术领域
本文件涉及数据处理技术领域,尤其涉及一种商品纹理检测处理方法及装置。
背景技术
随着互联网技术的不断发展与用户生活水平的不断提高,用户开始倾向于购买各种商品,比如用户在线下门店或者通过服务方提供的线上服务进行交易,购买各种类型的商品;但在用户购买商品的过程中,可能会遇到以次充好的商品,而用户对以次充好的商品无法进行肉眼识别,在此过程中,对商品的提供方或者服务方提出了更高的要求,也使得商品的提供方或者服务方面临更大的挑战。
发明内容
本说明书一个或多个实施例提供了一种商品纹理检测处理方法,包括:获取进行质量检测的商品配置的实体介质被触发后采集的截面纹理图像。所述商品具有开放式的纹理截面,所述截面纹理图像通过对所述纹理截面进行图像采集获得。对所述截面纹理图像进行图像解析处理,获得所述截面纹理图像对应的截面类型。按照所述截面类型对应的纹理提取方式,对所述截面纹理图像进行特征提取,获得截面纹理特征。根据包含所述截面纹理特征的特征数据集对所述截面纹理特征进行特征检测,获得所述商品的检测结果。
本说明书一个或多个实施例提供了一种商品纹理检测处理装置,包括:图像获取模块,被配置为获取进行质量检测的商品配置的实体介质被触发后采集的截面纹理图像。所述商品具有开放式的纹理截面,所述截面纹理图像通过对所述纹理截面进行图像采集获得。图像解析模块,被配置为对所述截面纹理图像进行图像解析处理,获得所述截面纹理图像对应的截面类型。特征提取模块,被配置为按照所述截面类型对应的纹理提取方式,对所述截面纹理图像进行特征提取,获得截面纹理特征。特征检测模块,被配置为根据包含所述截面纹理特征的特征数据集对所述截面纹理特征进行特征检测,获得所述商品的检测结果。
本说明书一个或多个实施例提供了一种商品纹理检测处理设备,包括:处理器;以及,被配置为存储计算机可执行指令的存储器,所述计算机可执行指令在被执行时使所述处理器:获取进行质量检测的商品配置的实体介质被触发后采集的截面纹理图像。所述商品具有开放式的纹理截面,所述截面纹理图像通过对所述纹理截面进行图像采集获得。对所述截面纹理图像进行图像解析处理,获得所述截面纹理图像对应的截面类型。按照所述截面类型对应的纹理提取方式,对所述截面纹理图像进行特征提取,获得截面纹理特征。根据包含所述截面纹理特征的特征数据集对所述截面纹理特征进行特征检测,获得所述商品的检测结果。
本说明书一个或多个实施例提供了一种存储介质,用于存储计算机可执行指令,所述计算机可执行指令在被处理器执行时实现以下流程:获取进行质量检测的商品配置的实体介质被触发后采集的截面纹理图像。所述商品具有开放式的纹理截面,所述截面纹理图像通过对所述纹理截面进行图像采集获得。对所述截面纹理图像进行图像解析处理,获得所述截面纹理图像对应的截面类型。按照所述截面类型对应的纹理提取方式,对所述截面纹理图像进行特征提取,获得截面纹理特征。根据包含所述截面纹理特征的特征数据集对所述截面纹理特征进行特征检测,获得所述商品的检测结果。
附图说明
为了更清楚地说明本说明书一个或多个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说明书中记载的一些实施例,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他的附图;
图1为本说明书一个或多个实施例提供的一种商品纹理检测处理方法实施环境的示意图;
图2为本说明书一个或多个实施例提供的一种商品纹理检测处理方法处理流程图;
图3为本说明书一个或多个实施例提供的一种应用于第一商品的商品检测场景的商品纹理检测处理方法处理流程图;
图4为本说明书一个或多个实施例提供的一种应用于第二商品的商品检测场景的商品纹理检测处理方法处理流程图;
图5为本说明书一个或多个实施例提供的一种商品纹理检测处理装置实施例的示意图;
图6为本说明书一个或多个实施例提供的一种商品纹理检测处理设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书一个或多个实施例中的技术方案,下面将结合本说明书一个或多个实施例中的附图,对本说明书一个或多个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说明书的一部分实施例,而不是全部的实施例。基于本说明书一个或多个实施例,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,都应当属于本文件的保护范围。
参照图1,本说明书一个或多个实施例提供的商品纹理检测处理方法实施环境的示意图。
本说明书一个或多个实施例提供的商品纹理检测处理方法,可适用于对商品的截面纹理图像中的截面纹理特征进行特征检测这一实施环境,本方法的实施环境至少包括服务器101。此外,该实施环境还可包括终端设备102。
其中,服务器101可以是一台服务器,或者由若干台服务器组成的服务器集群,或者是云计算平台中的一个或者多个云服务器,服务器101用于根据进行质量检测的商品配置的实体介质被触发后采集的截面纹理图像进行特征提取,获得截面纹理特征,并对截面纹理特征进行特征检测,获得商品的检测结果。
终端设备102可以是手机、个人电脑、平板电脑、电子书阅读器、基于VR(VirtualReality,虚拟现实技术)进行信息交互的设备、车载终端、IoT(Internet of Things,物联网)设备、穿戴式智能设备、膝上型便携计算机和台式计算机等等,终端设备102用于触发进行质量检测的商品配置的实体介质,在实体介质被触发后采集商品的截面纹理图像向服务器101上传。
该实施环境中,终端设备102可触发进行质量检测的商品配置的实体介质,在实体介质被触发后,对商品的开放式的纹理截面进行图像采集获得截面纹理图像,将截面纹理图像向服务器101上传,服务器101接收到商品的截面纹理图像后,确定截面纹理图像对应的截面类型,并按照截面类型对应的纹理提取方式,对截面纹理图像进行特征提取,获得截面纹理特征,根据包含截面纹理特征的特征数据集对截面纹理特征进行特征检测,获得商品的检测结果,以此通过商品的截面纹理图像确定商品的检测结果,提升商品检测的精确度,同时通过按照截面类型对应的纹理提取方式进行特征提取,来提升特征提取的灵活性。
本说明书提供的一种商品纹理检测处理方法的一个或多个实施例如下:
参照图2,本实施例提供的商品纹理检测处理方法,具体包括步骤S202至步骤S208。
步骤S202,获取进行质量检测的商品配置的实体介质被触发后采集的截面纹理图像。
实际应用中,用户在线下购买商品的过程中,可能会遇到以次充好的商品,或者在线上交易场景中,收到的商品与产品介绍中的商品存在出入,用户很难鉴别商品的真实性,针对于此,本实施例通过获取用户购买的商品的截面纹理图像,通过从截面纹理图像中提取的截面纹理特征进行特征检测,获得商品的检测结果。
本实施例所述商品是指具有开放式的纹理截面的商品;可选的,所述商品具有开放式的纹理截面,所述截面纹理图像通过对所述纹理截面进行图像采集获得。所述开放式的纹理截面是指开放在外部的、能够被直观看见的纹理截面;所述纹理截面包括具有不同样式、不同颜色、不同结构和/或不同种类的纹理的截面,所述纹理截面可以是纹理平面、也可以是纹理曲面。所述商品包括木材类商品和/或肉类商品,所述木材类商品可以是直接采伐所得的木材原料商品,比如金丝楠木、檀木,还可以是对采伐所得的木材原料进行加工获得的木材加工商品,比如实木家具。此外,所述商品也可以是产自特定地理区域的,以地理名称命名的商品,比如,地理标志产品中的木材和/或肉,具体比如xx地区的金丝楠木、xx地区的雪花牛肉。此外,所述商品还可包括其他类型的具有开放式的纹理截面的商品,比如药材。
所述截面纹理图像,是指对所述纹理截面进行图像采集获得的图像;所述截面纹理图像可以是一张或者多张;所述截面纹理图像可以是在与所述纹理截面的不同距离处采集的图像,比如在与纹理截面相距x1毫米处采集的第一截面纹理图像、相距x2毫米处采集的第二截面纹理图像。本实施例可应用于服务器、也可应用于终端设备。
实际应用中,为了便于商品的检测,可针对商品配置实体介质,所述实体介质可以是标识码和/或近场通信标签;标识码的形式不限,可以是条形码、二维码等;终端设备可在进行质量检测的商品配置的实体介质被触发后采集截面纹理图像向服务器上传,服务器获取进行质量检测的商品配置的实体介质被触发后采集的截面纹理图像;可选的,所述实体介质被触发,包括通过终端设备扫描所述商品配置的标识码,或者通过所述终端设备的近场通信组件与所述商品配置的近场通信标签进行近场通信交互。
其中,所述近场通信标签包括NFC(Near Field Communication,近场通信技术)标签。所述商品可配置所述标识码和/或所述近场通信标签,在所述标识码和所述近场通信标签二者中的任意一者被触发后对纹理截面进行图像采集获得截面纹理图像。
具体的,一种情况下,终端设备可通过扫描商品配置的标识码跳转至图像采集页,通过图像采集页采集截面纹理图像向服务器上传,服务器获取进行质量检测的商品配置的标识码被触发后采集的截面纹理图像;另一种情况下,终端设备可通过近场通信组件与商品配置的近场通信标签进行近场通信交互,在交互过程中跳转至图像采集页,通过图像采集页采集截面纹理图像向服务器上传,服务器获取进行质量检测的商品配置的近场通信标签被触发后采集的截面纹理图像。
步骤S204,对所述截面纹理图像进行图像解析处理,获得所述截面纹理图像对应的截面类型。
上述获取进行质量检测的商品配置的实体介质被触发后采集的截面纹理图像,本步骤中,确定截面纹理图像对应的截面类型,具体可对截面纹理图像进行图像解析处理,获得截面纹理图像对应的截面类型;所述截面类型是指所述商品的开放式的纹理截面的类型,比如商品为木材类商品的情况下,截面类型包括横截面类型和/或纵截面类型;商品为肉类商品的情况下,截面类型包括顺纹理截面类型和/或逆纹理截面类型。
实际应用中,不同类型的商品的检测方式可能不同,比如商品为木材类商品和商品为肉类商品两种情况下的检测方式可能不同,针对于此,为了提升商品检测的针对性和灵活性,下述对两种商品检测的可选实施方式进行详细说明,这两种商品检测的方式分别针对第一商品和第二商品,比如第一商品为木材类商品、第二商品为肉类商品。
(1)第一商品
具体实施时,在对截面纹理图像进行图像解析处理,获得截面纹理图像对应的截面类型的过程中,可根据截面纹理图像中的截面纹理形状,确定截面纹理图像对应的截面类型;具体的,本实施例提供的第一种可选实施方式中,在对所述截面纹理图像进行图像解析处理,获得所述截面纹理图像对应的截面类型的过程中,执行如下操作:
基于所述截面纹理图像进行形状识别,获得所述截面纹理图像中的截面纹理形状;
根据所述截面纹理形状确定所述截面纹理图像对应的截面类型。
其中,所述截面纹理形状,包括截面纹理图像中包含的纹理的形状。例如,若截面纹理图像中的截面纹理形状为圆圈形状,根据圆圈形状确定截面纹理图像对应的截面类型为纵截面类型;若截面纹理图像中的截面纹理形状为除了圆圈形状的其他纹理形状,确定截面纹理图像对应的截面类型为横截面类型。
另外,在对所述截面纹理图像进行图像解析处理,获得所述截面纹理图像对应的截面类型的过程中,也可基于所述截面纹理图像进行形状识别,获得所述截面纹理图像中的截面纹理形状;根据截面纹理形状确定商品品类,并基于截面纹理形状和商品品类确定所述截面纹理图像对应的截面类型。
此外,对于木材原料商品而言,即采伐获得且还未加工的木材商品,为了提升确定截面类型的便捷性;在对所述截面纹理图像进行图像解析处理,获得所述截面纹理图像对应的截面类型的过程中,还可检测所述截面纹理图像中的截面边界信息,并基于所述截面边界信息识别所述截面纹理图像对应的截面形状;根据所述截面形状确定所述截面纹理图像对应的截面类型。其中,所述截面形状可以是圆形和方形,在圆形的情况下,截面纹理图像对应的截面类型为纵截面类型,在方形的情况下,截面纹理图像对应的截面类型为横截面类型。
(2)第二商品
实际应用中,对于第二商品而言,可能存在顺纹理和逆纹理两种情况,为了提升确定截面类型的便捷性和有效性,可根据截面纹理图像对应的纹理方向,确定截面纹理图像对应的截面类型;本实施例提供的第二种可选实施方式中,在对截面纹理图像进行图像解析处理,获得截面纹理图像对应的截面类型的过程中,执行如下操作:
基于所述截面纹理图像进行纹理方向识别,获得所述截面纹理图像对应的纹理方向;可选的,所述纹理方向包括顺纹理方向和逆纹理方向;
根据所述纹理方向确定所述截面纹理图像对应的截面类型。
具体的,基于截面纹理图像进行纹理方向识别,获得截面纹理图像对应的纹理方向;若纹理方向为顺纹理方向,则确定截面纹理图像对应的截面类型为顺纹理截面类型,若纹理方向为逆纹理方向,则确定截面纹理图像对应的截面类型为逆纹理截面类型。
需要说明的是,在对截面纹理图像进行图像解析处理,获得截面纹理图像对应的截面类型的过程中,对于第一商品而言,也可采用第二种可选实施方式确定截面类型,还可结合第一种和第二种可选实施方式确定截面类型,类似地,对于第二商品而言,也可采用第一种可选实施方式确定截面类型,还可结合第一种和第二种可选实施方式确定截面类型,在结合两种可选实施方式的过程中,可基于所述截面纹理图像进行形状识别,获得所述截面纹理图像中的截面纹理形状,以及基于所述截面纹理图像进行纹理方向识别,获得所述截面纹理图像对应的纹理方向,根据所述截面纹理形状和所述纹理方向确定截面纹理图像对应的截面类型。
需要补充的是,步骤S204可被替换为,基于截面纹理图像进行形状识别和/或纹理方向识别,根据获得的截面纹理形状和/或纹理方向确定商品的商品品类,并判断所述商品品类是否与所述商品配置的实体介质绑定的商品品类相同;若否,不作处理即可,若是,根据所述截面纹理形状和/或纹理方向确定截面纹理图像对应的截面类型。例如,截面纹理形状为圆圈形状,确定商品的商品品类为木材类,并在与实体介质绑定的商品品类相同的情况下,根据圆圈形状确定截面类型为纵截面类型;再比如,纹理方向为顺纹理方向,确定商品品类为肉类,并在与实体介质绑定的商品品类相同的情况下,根据顺纹理方向确定截面类型为顺纹理截面类型;并与本实施例提供的其他处理步骤组成新的实现方式。此处的判断商品品类是否相同可以是确定商品品类是否为木材类或者肉类。
步骤S206,按照所述截面类型对应的纹理提取方式,对所述截面纹理图像进行特征提取,获得截面纹理特征。
在上述获得截面纹理图像对应的截面类型的基础上,本步骤中,按照截面类型对应的纹理提取方式对截面纹理图像进行特征提取,获得截面纹理特征;所述纹理提取方式是指进行特征提取的方式;所述截面纹理特征是指表征截面纹理图像中的纹理粗细、纹理结构、纹理颜色等信息的特征。
上述针对第一商品和第二商品说明了确定截面纹理图像对应的截面类型的可选实施方式,相应的,下述分别针对第一商品和第二商品,详细说明对截面纹理图像进行特征提取的具体实现方式。
(1)第一商品
实际应用中,不同截面类型下的截面纹理图像中包含的纹理可能不同,比如木材类商品,横截面类型下的截面纹理图像中可能存在纹理颜色、纹理结构,纵截面类型下的截面纹理图像中可能存在其他纹理信息;为了提升特征提取的灵活性和有效性,可按照截面类型对应的纹理提取方式对截面纹理图像进行特征提取,获得截面纹理特征;本实施例提供的第一种可选实施方式中,在按照所述截面类型对应的纹理提取方式,对所述截面纹理图像进行特征提取,获得截面纹理特征的过程中,执行如下操作:
按照所述截面类型对应的纹理提取方式,对所述截面纹理图像进行语义分割,并从语义分割结果中提取关键图像块;
将所述关键图像块输入纹理提取模型进行纹理特征提取,获得所述关键图像块中的纹理可视特征。
其中,所述语义分割是指按照类别对截面纹理图像进行划分,得到的一个或多个图像块;所述语义分割结果是指截面纹理图像中的一个或多个图像块或者图像区域,比如截面纹理图像中的背景图像块和对应于纹理截面的图像块;所述关键图像块是指截面纹理图像中对应于纹理截面的图像块。所述纹理可视特征是指可视化的纹理特征。
此外,在上述从语义分割结果中提取关键图像块后,为了提升关键图像块的精确度,避免噪声干扰,也可对关键图像块进行去噪处理,将去噪后的关键图像块输入纹理提取模型进行纹理特征提取,获得去噪后的关键图像块中的纹理可视特征。
另外,在按照所述截面类型对应的纹理提取方式,对所述截面纹理图像进行特征提取,获得截面纹理特征的过程中,也可执行如下操作:若截面类型为纵截面类型,按照纵截面类型对应的纹理提取方式,对截面纹理图像进行语义分割,并从语义分割结果中提取关键图像块,基于关键图像块进行纹理特征提取,获得纹理可视特征;若截面类型为横截面类型,可对截面纹理图像进行语义分割,并从语义分割结果中提取关键图像块,基于关键图像块进行纹理特征提取,获得纹理颜色特征和/或纹理结构特征,或者,还可不对截面纹理图像进行语义分割,直接从截面纹理图像中提取纹理颜色特征和/或纹理结构特征。
其中,所述纹理颜色特征是指表征纹理的颜色的特征;所述纹理结构特征是指表征纹理的结构的特征,所述纹理结构特征包括纹理形状特征、各纹理形状的纹理长度特征,此外,纹理结构特征还可包括其他类型的纹理特征。
除此之外,也可直接基于截面纹理图像进行纹理特征提取,获得纹理可视特征。
需要补充的是,还可在上述提供的第一种对截面纹理图像进行图像解析处理,获得截面纹理图像对应的截面类型的可选实施方式的基础上,执行此处提供的第一种对截面纹理图像进行特征提取的可选实施方式;该可选实施方式可以是针对截面类型为纵截面类型的情况。
(2)第二商品
针对第二商品而言,在按照截面类型对应的纹理提取方式,对截面纹理图像进行特征提取,获得截面纹理特征的过程中,可执行如下操作:
若截面类型为顺纹理截面类型,按照顺纹理截面类型对应的纹理提取参数,对截面纹理图像进行纹理特征提取,获得纹理结构特征和/或纹理颜色特征;
若截面类型为逆纹理截面类型,按照逆纹理截面类型对应的纹理提取参数,对截面纹理图像进行纹理特征提取,获得纹理结构特征和/或纹理颜色特征。
其中,纹理提取参数可以是分辨率,纹理提取参数还可以是其他提取参数。
此外,在针对第二商品进行特征提取的过程中,也可先对截面纹理图像进行语义分割,并从语义分割结果中提取关键图像块,基于关键图像块进行纹理特征提取,获得纹理结构特征和/或纹理颜色特征。
实际应用中,进行商品检测的商品与该商品配置的实体介质绑定的商品品类可以相同、也可以不同,若直接对商品进行商品检测,则导致商品检测的流程增加,针对于此,为了提升商品检测的效率,降低商品检测的无效率,可在获得截面纹理特征之后,在商品的商品品类与商品配置的实体介质绑定的商品品类一致的情况下,再进行特征检测,确定商品的检测结果;具体的,本实施例提供的一种可选实施方式中,在按照截面类型对应的纹理提取方式,对截面纹理图像进行特征提取,获得截面纹理特征执行之后,还执行如下操作:
根据所述截面类型和所述截面纹理特征中的纹理颜色特征确定所述商品的商品品类;
判断所述商品品类是否与所述商品配置的近场通信标签绑定的商品品类相同;
若是,执行下述步骤S208,根据包含所述截面纹理特征的特征数据集对所述截面纹理特征进行特征检测,获得所述商品的检测结果;
若否,不作处理即可。
其中,所述商品品类是指商品的品种,比如商品品类可以是牛肉、猪肉或者鸡肉,或者还可以是牛肉中的雪花牛肉或者卤牛肉等。
此外,也可根据截面类型或者纹理结构特征和/或纹理颜色特征确定商品的商品品类;另外,在上述针对第二商品确定截面类型的可选实施方式的基础上,可根据截面类型和纹理结构特征确定商品的商品品类,并在品类相同的情况下,执行下述步骤S208。
除此之外,在上述步骤S206,按照所述截面类型对应的纹理提取方式,对所述截面纹理图像进行特征提取,获得截面纹理特征执行之后,还可根据所述截面类型和/或截面纹理特征确定所述商品的商品品类;判断所述商品品类是否与所述商品配置的近场通信标签绑定的商品品类相同,若是,执行步骤S208,若否,不作处理即可。此处的截面纹理特征针对第一商品和第二商品而言,表现为不同的纹理特征,可以是针对第一商品和第二商品,基于截面纹理图像提取获得的截面纹理特征,在上述已详细说明。
需要补充的是,上述提到所述截面纹理图像可以是在与所述纹理截面的不同距离处采集的图像,比如在与纹理截面相距x1毫米处采集的第一截面纹理图像、相距x2毫米处采集的第二截面纹理图像;在此前提下,针对第一商品,在按照截面类型对应的纹理提取方式,对截面纹理图像进行特征提取,获得截面纹理特征的过程中,可执行如下操作:
若截面类型为横截面类型,在多个截面纹理图像中确定第一纹理图像和第二纹理图像,并从第一纹理图像中提取纹理颜色特征,以及从第二纹理图像中提取纹理结构特征;
若截面类型为纵截面类型,从多个截面纹理图像中确定目标纹理图像,并按照纵截面类型对应的纹理提取方式,从目标纹理图像中提取纹理可视特征。
可选的,所述第二纹理图像的采集距离小于所述第一纹理图像的采集距离。所述目标纹理图像可以是多个截面纹理图像中采集距离的排序位次为预设位次的纹理图像。所述采集距离是指对纹理截面进行图像采集时与纹理截面的距离。
具体的,由于纹理结构特征比纹理颜色特征的特征提取要求高,所以可从采集距离较近的纹理图像中采集纹理结构特征,而对纹理颜色特征,可从采集距离较远的纹理图像中采集获得,从而提升特征提取的效率和针对性。
类似地,对于第二商品而言,在按照截面类型对应的纹理提取方式,对截面纹理图像进行特征提取,获得截面纹理特征的过程中,也可执行如下操作:
按照截面类型对应的纹理提取方式,在多个截面纹理图像中确定第一纹理图像和/或第二纹理图像,并从第一纹理图像中提取纹理颜色特征和/或从第二纹理图像中提取纹理结构特征。
具体的,若截面类型为顺纹理截面类型,按照顺纹理截面类型对应的纹理提取方式,在多个截面纹理图像中确定第一纹理图像和/或第二纹理图像,并从第一纹理图像中提取纹理颜色特征和/或从第二纹理图像中提取纹理结构特征;
若截面类型为逆纹理截面类型,按照逆纹理截面类型对应的纹理提取方式,在多个截面纹理图像中确定第一纹理图像和/或第二纹理图像,并从第一纹理图像中提取纹理颜色特征和/或从第二纹理图像中提取纹理结构特征。
步骤S208,根据包含所述截面纹理特征的特征数据集对所述截面纹理特征进行特征检测,获得所述商品的检测结果。
上述按照截面类型对应的纹理提取方式,对截面纹理图像进行特征提取,获得截面纹理特征,本步骤中,借助包含截面纹理特征的特征数据集对截面纹理特征进行特征检测,获得商品的检测结果;所述特征数据集可仅包含截面纹理特征,也可包含除截面纹理特征之外的其他特征数据,该其他特征数据可以是商品的气味特征,也可以是商品重量,还可以是其他类型的特征数据。
本实施例所述商品的检测结果包括商品的纹理检测结果、质量检测结果、溯源检测结果等,所述溯源检测结果是指检测商品所属的地理区域和/或检测商品的商品类别。此外,检测结果还可以包括其他类型的检测结果。
上述针对第一商品和第二商品说明了确定截面纹理图像对应的截面类型、对截面纹理图像进行特征提取的可选实施方式,相应的,下述分别针对第一商品和第二商品,对特征检测的过程进行说明。
(1)第一商品
实际应用中,用户购买商品后,比如用户购买地理标志产品后,存在对商品进行地理区域的检测的需求,在确定商品的地理区域后,可确定购买的商品是否为商品介绍中的地理标志产品,有效提升用户的消费体验;本实施例提供的第一种可选实施方式中,在根据包含截面纹理特征的特征数据集对截面纹理特征进行特征检测,获得商品的检测结果的过程中,可根据所述纹理可视特征中的纹理间隔特征,确定所述商品的生长环境数据,并基于所述生长环境数据确定所述商品所属的地理区域;具体的,可执行如下操作:
根据所述纹理可视特征中的纹理间隔特征,计算所述商品的生长环境数据,并基于所述商品的生长终止时间确定对应时间段的各地理区域的候选环境数据;
在所述候选环境数据中,检测与所述生长环境数据匹配的候选环境数据,并将所述匹配的候选环境数据对应的地理区域作为所述商品所属的地理区域。
其中,所述纹理间隔特征包括表征纹理的间隔或者表征纹理的宽度的特征,比如纹理间隔特征为年轮间隔特征,用于表征年轮之间的间隔或者宽度;所述生长环境数据包括商品的生长环境的相关数据,比如气候、降雨量、温度、阳光照射量;所述对应时间段包括商品的生长开始时间至生长终止时间的时间段;所述生长终止时间包括木材类商品的采伐时间。所述商品所属的地理区域包括商品生长的地理区域。
例如,根据木材类商品的年轮宽度特征,计算木材类商品的生长环境数据,并获取木材类商品的生长开始时间至生长终止时间的各地理区域的候选环境数据,在各地理区域的候选环境数据中,检测与木材类商品的生长环境数据匹配的候选环境数据,并将匹配的候选环境数据对应的地理区域作为木材类商品所属的地理区域。
在此基础上,在实际应用场景中,对于第一商品而言,除了确定商品所属的地理区域的需求,还存在识别商品的商品类别的需求,针对于此,为了进一步提升商品检测的多样性和全面性,满足用户的多样化需求;还可根据所述纹理可视特征中的纹理数量特征和纹理反射特征进行商品类别识别,获得所述商品的商品类别;具体的,本实施例提供的一种可选实施方式中,在根据包含所述截面纹理特征的特征数据集对所述截面纹理特征进行特征检测,获得所述商品的检测结果的过程中,还执行如下操作:
根据所述纹理可视特征中的纹理数量特征,计算所述商品的生长时长;
基于各商品类别对应的生长时长,确定所述商品的生长时长匹配的候选商品类别;
根据所述纹理可视特征中的纹理反射特征与所述候选商品类别对应的纹理反射特征,在所述候选商品类别中确定所述商品的商品类别。
其中,所述纹理数量特征是指表征纹理的数量的特征,比如纹理数量特征可以是年轮数量特征,用于表征年轮的数量;所述纹理反射特征是指表征纹理表面的反射程度(反射率)的特征,比如纹理反射特征可以是年轮反射特征,用于表征年轮表面的反射程度;所述生长时长是指商品的生长的时长。所述商品类别比如金丝楠木、檀木。
具体的,可根据纹理可视特征中的纹理数量特征,在数量与时长映射表中查找所述纹理数量特征映射的所述商品的生长时长,在各商品类别对应的候选生长时长中,检测与所述商品的生长时长匹配的候选生长时长,将匹配的候选生长时长对应的商品类别作为候选商品类别,根据纹理可视特征中的纹理反射特征与候选商品类别对应的纹理反射特征,在候选商品类别中确定商品的商品类别。
在根据纹理可视特征中的纹理反射特征与候选商品类别对应的纹理反射特征,在候选商品类别中确定商品的商品类别的过程中,可计算纹理可视特征中的纹理反射特征与候选商品类别对应的纹理反射特征的特征匹配度,并从候选商品类别中筛选出特征匹配度的排列位次为预设位次的商品类别作为所述商品的商品类别。
此外,在根据包含截面纹理特征的特征数据集对截面纹理特征进行特征检测,获得商品的检测结果的过程中,也可基于纹理可视特征中的纹理数量特征和/或纹理发射特征确定商品的商品类别。另外,还可在上述针对第一商品进行纹理特征提取,获得纹理可视特征的基础上,执行本实施例中的确定商品所属的地理区域或者确定商品的商品类别。
需要说明的是,上述进行特征检测获得商品所属的地理区域和商品类别可以是在截面类型为纵截面类型的基础上进行;下述在截面类型为横截面类型的情况下,可根据纹理颜色特征和/或纹理结构特征确定商品的检测结果,以此,针对不同的截面类型,提供不同的特征提取方式以及商品检测方式,来提升商品检测的灵活性和精确度,提升商品检测的有效性;本实施例提供的第二种可选实施方式中,在根据包含所述截面纹理特征的特征数据集对所述截面纹理特征进行特征检测,获得所述商品的检测结果的过程中,执行如下操作:
根据所述截面纹理特征中的纹理颜色特征和纹理结构特征,与所述商品配置的标识码绑定的出厂纹理图像的出厂纹理特征中的基准颜色特征和基准结构特征,计算特征匹配度;
若所述特征匹配度大于或者等于匹配度阈值,确定所述检测结果为检测通过。
其中,所述出厂纹理图像可以是所述商品在出厂时采集的截面纹理图像;所述出厂纹理特征可以是对出厂纹理图像进行特征提取获得的出厂纹理特征。所述特征匹配度可以是特征之间匹配的程度。在根据所述截面纹理特征中的纹理颜色特征和纹理结构特征,与所述商品配置的标识码绑定的出厂纹理图像的出厂纹理特征中的基准颜色特征和基准结构特征,计算特征匹配度的过程中,可先计算纹理颜色特征与基准颜色特征的第一匹配度,以及计算纹理结构特征与基准结构特征的第二匹配度,再根据第一匹配度和第二匹配度计算特征匹配度。
此外,也可根据截面纹理特征中的纹理颜色特征或者纹理结构特征,与商品配置的实体介质(标识码或者近场通信标签)绑定的出厂纹理图像的出厂纹理特征中的基准颜色特征或者基准结构特征,计算特征匹配度;若特征匹配度大于或者等于匹配度阈值,确定检测结果为检测通过,若特征匹配度小于匹配度阈值,确定检测结果为检测未通过。
实际应用中,用户购买的商品可能是存储时间较长的商品,而商品存储时间较长可导致商品的纹理变形、商品的纹理颜色变黄等情况发生,从而导致特征匹配度较低,针对于此,为了避免由于商品的存储时间过长导致检测不通过,提升商品检测的有效性;在上述获得特征匹配度的基础上,本实施例提供的一种可选实施方式中,在根据所述截面纹理特征中的纹理颜色特征和纹理结构特征,与所述商品配置的标识码绑定的出厂纹理图像的出厂纹理特征中的基准颜色特征和基准结构特征,计算特征匹配度执行之后,还执行如下操作:
若所述特征匹配度小于所述匹配度阈值,确定所述检测结果为检测未通过,并判断所述特征匹配度与所述匹配度阈值的差值是否小于差值阈值;
若否,不作处理即可;
若是,根据所述商品的存储时长对所述纹理颜色特征和所述纹理结构特征进行特征转换处理,获得实际颜色特征和实际结构特征;
根据所述实际颜色特征和所述实际结构特征进行二次特征检测,获得所述商品的二次检测结果。
其中,所述存储时长包括所述商品存储的时长。所述实际颜色特征是指对所述纹理颜色特征进行特征转换处理得到的纹理颜色特征;所述实际结构特征是指对所述纹理结构特征进行特征转换处理得到的纹理结构特征。
具体的,在根据所述商品的存储时长对所述纹理颜色特征和所述纹理结构特征进行特征转换处理,获得实际颜色特征和实际结构特征的过程中,可根据商品的存储时长在时长与颜色的转换因子中确定所述存储时长对应的第一转换因子,并基于所述纹理颜色特征和所述第一转换因子进行特征转换,获得所述实际颜色特征,以及根据商品的存储时长在时长与结构的转换因子中确定存储时长对应的第二转换因子,并基于所述纹理结构特征和所述第二转换因子进行特征转换,获得实际结构特征。在特征转换的过程中,可计算纹理颜色特征或者纹理结构特征与对应的转换因子的乘积作为实际颜色特征或者实际结构特征。其中,所述时长与颜色的转换因子可以是时长与颜色的转换系数,时长与结构的转换因子可以是时长与结构的转换系数,第一转换因子可以是第一转换系数,第二转换因子可以是第二转换系数。
在根据所述实际颜色特征和所述实际结构特征进行二次特征检测,获得所述商品的二次检测结果的过程中,可根据实际颜色特征和实际结构特征,与所述基准颜色特征和所述基准结构特征,计算第二特征匹配度;若第二特征匹配度大于或者等于匹配度阈值,确定商品的二次检测结果为检测通过;若第二特征匹配度小于匹配度阈值,确定商品的二次检测结果为检测未通过。
此外,上述第二种进行特征检测获得商品的检测结果的可选实施方式可被替换为,根据所述商品的存储时长对所述纹理颜色特征和所述纹理结构特征进行特征转换处理,获得实际颜色特征和实际结构特征;根据所述实际颜色特征和所述实际结构特征进行特征检测,获得所述商品的检测结果;此处的特征转换处理的过程已进行说明,不再赘述。
为了提升商品检测的全面性和多样性,也可对商品进行质量检测,从而提升用户对商品的满意度,而在质量检测的过程中,可引入商品的特征数据集,根据商品的特征数据集中除截面纹理特征之外的其他特征数据进行质量检测,有效提升商品检测的针对性和全面性;本实施例提供的一种可选实施方式中,在上述根据所述截面纹理特征中的纹理颜色特征和纹理结构特征,与所述商品配置的标识码绑定的出厂纹理图像的出厂纹理特征中的基准颜色特征和基准结构特征,计算特征匹配度执行之后,还执行如下操作:
基于所述特征数据集中包含的所述商品的气味特征,对所述特征匹配度进行修正处理,获得目标匹配度;
若所述目标匹配度大于预设匹配度阈值,确定所述商品的质量检测通过;
若目标匹配度小于或者等于预设匹配度阈值,确定商品的质量检测未通过。
其中,所述商品的气味特征是指表征商品的气味的特征;所述商品的气味特征可以是商品在各气味类别下的商品分数,也即用户对商品气味与各气味类别的气味的相似程度的评价分数,比如各气味类别有檀香、酱香、樟香,此外,各气味类别还可包括其他气味类别。
具体的,在基于特征数据集中包含的商品的气味特征,对特征匹配度进行修正处理,获得目标匹配度的过程中,可在特征数据集中包含的商品在各气味类别下的商品分数中确定目标分数,基于目标分数对特征匹配度进行修正处理,获得目标匹配度;具体可在特征数据集中包含的商品在各气味类别下的商品分数中确定排列位次处于预设位次之前的目标分数,在分数与比例映射表中确定所述目标分数映射的调整比例,按照所述调整比例对所述特征匹配度进行调整处理,得到所述目标匹配度。
(2)第二商品
为了提升特征检测的精细度,可根据截面纹理特征中各纹理颜色特征进行特征检测,从而确定商品的检测结果;本实施例提供的第三种可选实施方式中,在根据包含所述截面纹理特征的特征数据集对所述截面纹理特征进行特征检测,获得所述商品的检测结果的过程中,执行如下操作:
根据所述纹理颜色特征中包含的各纹理颜色特征,计算所述各纹理颜色特征的对比度;
基于所述对比度与所述近场通信标签绑定的出厂商品的纹理颜色对比度,确定所述检测结果。
其中,所述各纹理颜色特征包括一个或多个纹理颜色特征。所述各纹理颜色特征的对比度包括表征每个纹理颜色特征的多少的指标,比如2个纹理颜色特征之间的占比。所述出厂商品的纹理颜色对比度,是指出厂时的商品的纹理颜色的对比度,比如出厂时的肉类的红色纹理和白色纹理的对比度或者占比。
具体的,在基于所述对比度与所述实体介质绑定的出厂商品的纹理颜色对比度,确定所述检测结果的过程中,若所述对比度与所述纹理颜色对比度的差值小于或者等于差值阈值,可确定所述检测结果为检测通过;若所述差值大于差值阈值,可确定商品的检测结果为检测未通过。
此外,还可在上述根据截面类型和纹理结构特征确定商品的商品品类,并判断所述商品品类是否与所述商品配置的近场通信标签绑定的商品品类相同的基础上,执行此处的第三种进行特征检测的可选实施方式。
实际应用中,以次充好的商品的目标纹理颜色特征的形状和长度与实际商品的目标纹理颜色特征的形状和长度可能不同,比如对于雪花牛肉,以次充好的商品的白色纹理特征的形状可能是条状,白色纹理特征的长度可能较长,而实际商品的白色纹理特征可能是点状或者圈状,白色纹理特征长度可能较短;针对于此,本实施例提供的第四种可选实施方式中,在根据包含所述截面纹理特征的特征数据集对所述截面纹理特征进行特征检测,获得所述商品的检测结果的过程中,执行如下操作:
确定纹理结构特征中目标纹理元素的纹理参数,并基于所述纹理参数更新所述特征数据集,获得包含所述纹理参数的目标特征数据集;
基于所述目标特征数据集对所述纹理结构特征进行特征检测,获得所述商品的检测结果。
其中,所述目标纹理元素包括目标纹理特征,比如白色纹理特征;所述纹理参数可以是纹理形状和/或纹理长度。
在此基础上,为了实现商品检测的全面性,可继续对商品进行检测处理,本实施例提供的一种可选实施方式中,在基于所述目标特征数据集对所述纹理结构特征进行特征检测,获得所述商品的检测结果的过程中,执行如下操作:
基于所述目标特征数据集中包含的所述商品的商品重量,读取所述商品配置的近场通信标签绑定的所述商品重量下的基准纹理参数;
根据所述纹理参数和所述基准纹理参数对所述商品进行检测处理,获得所述商品的第二检测结果。
此外,也可基于特征数据集中包含的所述商品的商品重量,读取商品配置的近场通信标签绑定的商品重量下的基准纹理参数;根据所述纹理参数和所述基准纹理参数对所述商品进行检测处理,获得商品的第二检测结果。本实施例中的根据所述纹理参数和所述基准纹理参数对所述商品进行检测处理,获得所述商品的第二检测结果,可以是进行质量检测,获得商品的质量检测结果。
在根据所述纹理参数和所述基准纹理参数对所述商品进行检测处理,获得商品的第二检测结果的过程中,若纹理参数与所述基准纹理参数的参数差值小于预设差值阈值,确定商品的第二检测结果为检测通过;若所述参数差值大于或者等于预设差值阈值,确定商品的第二检测结果为检测未通过。
在实际的应用场景中,第二商品的表面温度也可影响商品检测的检测结果,比如表面温度过高,可能导致纹理变形、纹理颜色变化;针对于此,为了在第二商品的表面温度过高的情况下,依然可进行商品检测,提升商品检测的成功率;本实施例提供的第五种可选实施方式中,在根据包含所述截面纹理特征的特征数据集对所述截面纹理特征进行特征检测,获得所述商品的检测结果的过程中,执行如下操作:
根据所述截面纹理特征和所述实体介质绑定的所述截面类型下的出厂纹理图像的纹理特征,计算特征匹配度;
判断所述商品的表面温度是否高于温度阈值;
若是,对匹配度阈值进行下调处理得到目标匹配度阈值,并基于所述特征匹配度和所述目标匹配度阈值,确定所述商品的检测结果;
若否,基于所述特征匹配度和所述匹配度阈值确定商品的检测结果。
需要说明的是,本实施例中商品配置的实体介质可以是标识码和/或近场通信标签,即可仅配置标识码或者近场通信标签,也可同时配置标识码和近场通信标签。
此外,第五种可选实施方式也可在上述根据截面类型和纹理结构特征确定商品的商品品类,并判断所述商品品类是否与所述商品配置的近场通信标签绑定的商品品类相同的基础上执行。
另外,在上述根据所述截面纹理特征和所述实体介质绑定的所述断面类型下的出厂纹理图像的纹理特征,计算特征匹配度执行之前,也可判断所述商品的表面温度是否低于第二温度阈值;若否,执行所述根据所述截面纹理特征和所述实体介质绑定的所述断面类型下的出厂纹理图像的纹理特征,计算特征匹配度操作,若是,根据所述商品所处的环境温度和所述截面纹理特征,预测所述商品的检测时间;在所述检测时间届满后,执行所述根据所述截面纹理特征和所述实体介质绑定的所述断面类型下的出厂纹理图像的纹理特征,计算特征匹配度操作。
除此之外,在步骤S202执行之前,还可判断所述商品的表面温度是否低于第二温度阈值;若否,执行步骤S202,若是,根据所述商品所处的环境温度和所述截面纹理特征,预测所述商品的检测时间;在所述检测时间届满后,执行步骤S202。
可选的,所述按照所述截面类型对应的纹理提取方式,对所述截面纹理图像进行特征提取,获得截面纹理特征操作,以及所述根据包含所述截面纹理特征的特征数据集对所述截面纹理特征进行特征检测,获得所述商品的检测结果操作,基于纹理检测模型执行;可选的,所述纹理检测模型的输入包括所述截面类型和所述截面纹理图像,输出包括所述检测结果。
需要补充的是,步骤S208可被替换为,根据所述截面纹理特征和特征数据集对所述截面纹理特征进行特征检测,获得所述商品的检测结果,并与本实施例提供的其他处理步骤组成新的实现方式。再需要补充的是,为了提升特征检测的灵活性,上述提供的针对步骤S202至步骤S208中每个步骤的可选实施方式均可以相互结合、相互引用,针对第一商品和第二商品的可选实施方式也可以相互结合、相互引用,本实施例不作具体限定。
综上所述,本实施例提供的一种或者多种商品纹理检测处理方法,首先获取进行质量检测的商品配置的实体介质被触发后采集的截面纹理图像;商品具有开放式的纹理截面,截面纹理图像通过对纹理截面进行图像采集获得;其次,一种情况下,基于截面纹理图像进行形状识别,获得截面纹理图像中的截面纹理形状,根据截面纹理形状确定截面纹理图像对应的截面类型,按照截面类型对应的纹理提取方式,对截面纹理图像进行语义分割,并从语义分割结果中提取关键图像块,将关键图像块输入纹理提取模型进行纹理特征提取,获得关键图像块中的纹理可视特征;根据纹理可视特征中的年轮间隔特征,计算商品的生长环境数据,并基于商品的生长终止时间确定对应时间段的各地理区域的候选环境数据,在候选环境数据中,检测与生长环境数据匹配的候选环境数据,并将匹配的候选环境数据对应的地理区域作为商品所属的地理区域,以及根据纹理可视特征中的年轮数量特征,计算商品的生长时长,基于各商品类别对应的生长时长,确定商品的生长时长匹配的候选商品类别,根据纹理可视特征中的年轮反射特征与候选商品类别对应的年轮反射特征,在候选商品类别中确定商品的商品类别;
另一种情况下,基于截面纹理图像进行纹理方向识别,获得截面纹理图像对应的纹理方向,根据纹理方向确定截面纹理图像对应的截面类型,按照截面类型对应的纹理提取方式,对截面纹理图像进行特征提取,获得纹理颜色特征,根据纹理颜色特征中包含的各纹理颜色特征,计算各纹理颜色特征的对比度,基于对比度与实体介质绑定的出厂商品的纹理颜色对比度,确定商品的检测结果,以此通过商品的截面纹理图像确定商品的检测结果,提升商品检测的精确度,同时通过按照截面类型对应的纹理提取方式进行特征提取,来提升特征提取的灵活性。
下述以本实施例提供的一种商品纹理检测处理方法在第一商品的商品检测场景的应用为例,对本实施例提供的商品纹理检测处理方法进行进一步说明,参见图3,应用于第一商品的商品检测场景的商品纹理检测处理方法,具体包括如下步骤。
步骤S302,获取进行质量检测的第一商品配置的标识码被触发后采集的截面纹理图像。
可选的,第一商品具有开放式的纹理截面,截面纹理图像通过对纹理截面进行图像采集获得。此处的第一商品可以是木材类商品,具体可以是木材原料商品,也可以是对木材原料进行加工获得的木材加工商品。此处的标识码也可以是近场通信标签,第一商品可配置标识码和近场通信标签中的任意一者或者二者,在任意一者被触发后获取截面纹理图像。
步骤S304,基于截面纹理图像进行形状识别,获得截面纹理图像中的截面纹理形状。
步骤S306,根据截面纹理形状确定截面纹理图像对应的截面类型。
步骤S308,若截面类型为纵截面类型,对截面纹理图像进行语义分割,并从语义分割结果中提取关键图像块。
步骤S310,将关键图像块输入纹理提取模型进行纹理特征提取,获得关键图像块中的纹理可视特征。
步骤S312,根据纹理可视特征中的年轮间隔特征,计算第一商品的生长环境数据,并基于第一商品的生长终止时间确定对应时间段的各地理区域的候选环境数据。
步骤S314,在候选环境数据中,检测与生长环境数据匹配的候选环境数据,并将匹配的候选环境数据对应的地理区域作为第一商品所属的地理区域。
步骤S316,根据纹理可视特征中的年轮数量特征,计算第一商品的生长时长。
步骤S318,基于各商品类别对应的生长时长,确定第一商品的生长时长匹配的候选商品类别。
步骤S320,根据纹理可视特征中的年轮反射特征与候选商品类别对应的年轮反射特征,在候选商品类别中确定第一商品的商品类别。
需要说明的是,步骤S308至步骤S320可被替换为,若截面类型为横截面类型,从截面纹理图像中提取纹理颜色特征和/或纹理结构特征,根据纹理颜色特征和/或纹理结构特征,与第一商品配置的标识码绑定的出厂纹理图像的出厂纹理特征中的基准颜色特征和/或基准结构特征,计算特征匹配度,若特征匹配度大于或者等于匹配度阈值,确定第一商品的检测结果为检测通过;若特征匹配度小于匹配度阈值,确定第一商品的检测结果为检测未通过,并判断特征匹配度与匹配度阈值的差值是否小于差值阈值,若否,不作处理即可,若是,根据第一商品的存储时长对纹理颜色特征和/或纹理结构特征进行特征转换处理,获得实际颜色特征和/或实际结构特征;根据实际颜色特征和/或实际结构特征进行二次特征检测,获得第一商品的二次检测结果;或者,在步骤S308至步骤S320的执行过程中,也可同时执行此处提供的截面类型为横截面类型的实现过程,还可在步骤S308至步骤S320执行之后,执行此处提供的截面类型为横截面类型的实现过程,也可在此处提供的截面类型为横截面类型的实现过程执行之后,执行步骤S308至步骤S320。
下述以本实施例提供的一种商品纹理检测处理方法在第二商品的商品检测场景的应用为例,对本实施例提供的商品纹理检测处理方法进行进一步说明,参见图4,应用于第二商品的商品检测场景的商品纹理检测处理方法,具体包括如下步骤。
步骤S402,获取进行质量检测的第二商品配置的近场通信标签被触发后采集的截面纹理图像。
可选的,第二商品具有开放式的纹理截面,截面纹理图像通过对纹理截面进行图像采集获得。此处的第二商品可以是肉类商品。此处的近场通信标签也可以是标识码,第二商品可配置标识码和近场通信标签中的任意一者或者二者,在任意一者被触发后获取截面纹理图像。
步骤S404,基于截面纹理图像进行纹理方向识别,获得截面纹理图像对应的纹理方向。
步骤S406,根据纹理方向确定截面纹理图像对应的截面类型。
步骤S408,根据截面类型对应的特征提取参数,从截面纹理图像中提取纹理颜色特征和纹理结构特征。
步骤S410,根据截面类型和纹理结构特征确定第二商品的商品品类。
此处的商品品类比如牛肉、猪肉。
步骤S412,判断商品品类是否与第二商品配置的近场通信标签绑定的商品品类相同;
若否,不作处理即可;
若是,执行下述步骤S414至步骤S416。
步骤S414,根据纹理颜色特征中包含的各纹理颜色特征,计算各纹理颜色特征的对比度。
步骤S416,基于对比度与近场通信标签绑定的出厂商品的纹理颜色对比度,确定第二商品的检测结果。
需要补充的是,步骤S416执行之后,还可确定纹理结构特征中目标纹理元素的纹理形状和/或纹理长度,并基于纹理形状和/或纹理长度更新特征数据集,获得包含纹理形状和/或纹理长度的目标特征数据集;基于目标特征数据集中包含的第二商品的商品重量,读取第二商品配置的近场通信标签绑定的商品重量下的基准纹理形状和/或基准纹理长度;根据纹理形状与基准纹理形状和/或纹理长度与基准纹理形状对第二商品进行质量检测,获得第二商品的质量检测结果。
本说明书提供的一种商品纹理检测处理装置实施例如下:
在上述的实施例中,提供了一种商品纹理检测处理方法,与之相对应的,还提供了一种商品纹理检测处理装置,下面结合附图进行说明。
参照图5,其示出了本实施例提供的一种商品纹理检测处理装置实施例的示意图。
由于装置实施例对应于方法实施例,所以描述得比较简单,相关的部分请参见上述提供的方法实施例的对应说明即可。下述描述的装置实施例仅仅是示意性的。
本实施例提供一种商品纹理检测处理装置,包括:
图像获取模块502,被配置为获取进行质量检测的商品配置的实体介质被触发后采集的截面纹理图像;所述商品具有开放式的纹理截面,所述截面纹理图像通过对所述纹理截面进行图像采集获得;
图像解析模块504,被配置为对所述截面纹理图像进行图像解析处理,获得所述截面纹理图像对应的截面类型;
特征提取模块506,被配置为按照所述截面类型对应的纹理提取方式,对所述截面纹理图像进行特征提取,获得截面纹理特征;
特征检测模块508,被配置为根据包含所述截面纹理特征的特征数据集对所述截面纹理特征进行特征检测,获得所述商品的检测结果。
本说明书提供的一种商品纹理检测处理设备实施例如下:
对应上述描述的一种商品纹理检测处理方法,基于相同的技术构思,本说明书一个或多个实施例还提供一种商品纹理检测处理设备,该商品纹理检测处理设备用于执行上述提供的一种商品纹理检测处理方法,图6为本说明书一个或多个实施例提供的一种商品纹理检测处理设备的结构示意图。
本实施例提供的一种商品纹理检测处理设备,包括:
如图6所示,商品纹理检测处理设备可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上的处理器601和存储器602,存储器602中可以存储有一个或一个以上存储应用程序或数据。其中,存储器602可以是短暂存储或持久存储。存储在存储器602的应用程序可以包括一个或一个以上模块(图示未示出),每个模块可以包括商品纹理检测处理设备中的一系列计算机可执行指令。更进一步地,处理器601可以设置为与存储器602通信,在商品纹理检测处理设备上执行存储器602中的一系列计算机可执行指令。商品纹理检测处理设备还可以包括一个或一个以上电源603,一个或一个以上有线或无线网络接口604,一个或一个以上输入/输出接口605,一个或一个以上键盘606等。
在一个具体的实施例中,商品纹理检测处理设备包括有存储器,以及一个或一个以上的程序,其中一个或者一个以上程序存储于存储器中,且一个或者一个以上程序可以包括一个或一个以上模块,且每个模块可以包括对商品纹理检测处理设备中的一系列计算机可执行指令,且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令:
获取进行质量检测的商品配置的实体介质被触发后采集的截面纹理图像;所述商品具有开放式的纹理截面,所述截面纹理图像通过对所述纹理截面进行图像采集获得;
对所述截面纹理图像进行图像解析处理,获得所述截面纹理图像对应的截面类型;
按照所述截面类型对应的纹理提取方式,对所述截面纹理图像进行特征提取,获得截面纹理特征;
根据包含所述截面纹理特征的特征数据集对所述截面纹理特征进行特征检测,获得所述商品的检测结果。
本说明书提供的一种存储介质实施例如下:
对应上述描述的一种商品纹理检测处理方法,基于相同的技术构思,本说明书一个或多个实施例还提供一种存储介质。
本实施例提供的存储介质,用于存储计算机可执行指令,所述计算机可执行指令在被处理器执行时实现以下流程:
获取进行质量检测的商品配置的实体介质被触发后采集的截面纹理图像;所述商品具有开放式的纹理截面,所述截面纹理图像通过对所述纹理截面进行图像采集获得;
对所述截面纹理图像进行图像解析处理,获得所述截面纹理图像对应的截面类型;
按照所述截面类型对应的纹理提取方式,对所述截面纹理图像进行特征提取,获得截面纹理特征;
根据包含所述截面纹理特征的特征数据集对所述截面纹理特征进行特征检测,获得所述商品的检测结果。
需要说明的是,本说明书中关于一种存储介质的实施例与本说明书中关于一种商品纹理检测处理方法的实施例基于同一发明构思,因此该实施例的具体实施可以参见前述对应方法的实施,重复之处不再赘述。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同或者相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处,比如装置实施例、设备实施例和存储介质实施例,三者均相似于方法实施例,所以描述地比较简单,阅读装置实施例、设备实施例和存储介质实施例中的相关内容请参照方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
在20世纪30年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书一个或多个实施例可提供为方法、系统或计算机程序产品。因此,本说明书一个或多个实施例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,本说明书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。
本说明书是参照根据本说明书实施例的方法、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装置。
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装置的制造品,该指令装置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。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书的一个或多个实施例,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本文件的实施例而已,并不用于限制本文件。对于本领域技术人员来说,本文件可以有各种更改和变化。凡在本文件的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本文件的权利要求范围之内。
Claims (16)
1.一种商品纹理检测处理方法,包括:
获取进行质量检测的商品配置的实体介质被触发后采集的截面纹理图像;所述商品具有开放式的纹理截面,所述截面纹理图像通过对所述纹理截面进行图像采集获得;
基于所述截面纹理图像进行形状识别获得所述截面纹理图像中的截面纹理形状,根据所述截面纹理形状确定商品品类,并基于所述截面纹理形状和所述商品品类确定所述截面纹理图像对应的截面类型;
按照所述截面类型对应的纹理提取方式,对所述截面纹理图像进行语义分割,并从语义分割结果中提取关键图像块;
将所述关键图像块输入纹理提取模型进行纹理特征提取,获得所述关键图像块中的纹理可视特征;
根据包含所述纹理可视特征的特征数据集对所述纹理可视特征进行特征检测,获得所述商品的检测结果。
2.根据权利要求1所述的商品纹理检测处理方法,所述根据包含所述纹理可视特征的特征数据集对所述纹理可视特征进行特征检测,获得所述商品的检测结果,包括:
根据所述纹理可视特征中的纹理间隔特征,计算所述商品的生长环境数据,并基于所述商品的生长终止时间确定对应时间段的各地理区域的候选环境数据;
在所述候选环境数据中,检测与所述生长环境数据匹配的候选环境数据,并将所述匹配的候选环境数据对应的地理区域作为所述商品所属的地理区域。
3.根据权利要求2所述的商品纹理检测处理方法,所述根据包含所述纹理可视特征的特征数据集对所述纹理可视特征进行特征检测,获得所述商品的检测结果,还包括:
根据所述纹理可视特征中的纹理数量特征,计算所述商品的生长时长;
基于各商品类别对应的生长时长,确定所述商品的生长时长匹配的候选商品类别;
根据所述纹理可视特征中的纹理反射特征与所述候选商品类别对应的纹理反射特征,在所述候选商品类别中确定所述商品的商品类别。
4.根据权利要求1所述的商品纹理检测处理方法,还包括:
根据纹理颜色特征和纹理结构特征,与所述商品配置的标识码绑定的出厂纹理图像的出厂纹理特征中的基准颜色特征和基准结构特征,计算特征匹配度;
若所述特征匹配度大于或者等于匹配度阈值,确定所述商品的检测结果为检测通过。
5.根据权利要求4所述的商品纹理检测处理方法,所述根据纹理颜色特征和纹理结构特征,与所述商品配置的标识码绑定的出厂纹理图像的出厂纹理特征中的基准颜色特征和基准结构特征,计算特征匹配度子步骤执行之后,还包括:
若所述特征匹配度小于所述匹配度阈值,确定所述商品的检测结果为检测未通过,并判断所述特征匹配度与所述匹配度阈值的差值是否小于差值阈值;
若是,根据所述商品的存储时长对所述纹理颜色特征和所述纹理结构特征进行特征转换处理,获得实际颜色特征和实际结构特征;
根据所述实际颜色特征和所述实际结构特征进行二次特征检测,获得所述商品的二次检测结果。
6.根据权利要求4所述的商品纹理检测处理方法,所述根据纹理颜色特征和纹理结构特征,与所述商品配置的标识码绑定的出厂纹理图像的出厂纹理特征中的基准颜色特征和基准结构特征,计算特征匹配度子步骤执行之后,还包括:
基于所述商品的特征数据集中包含的所述商品的气味特征,对所述特征匹配度进行修正处理,获得目标匹配度;
若所述目标匹配度大于预设匹配度阈值,确定所述商品的质量检测通过。
7.根据权利要求1所述的商品纹理检测处理方法,所述实体介质被触发,包括通过终端设备扫描所述商品配置的标识码,或者通过所述终端设备的近场通信组件与所述商品配置的近场通信标签进行近场通信交互。
8.根据权利要求1所述的商品纹理检测处理方法,还包括:
基于所述截面纹理图像进行纹理方向识别,获得所述截面纹理图像对应的纹理方向;
根据所述纹理方向确定所述截面纹理图像对应的截面类型。
9.根据权利要求8所述的商品纹理检测处理方法,还包括:
根据纹理颜色特征中包含的各纹理颜色特征,计算所述各纹理颜色特征的对比度;
基于所述对比度与所述商品配置的近场通信标签绑定的出厂商品的纹理颜色对比度,确定所述商品的检测结果。
10.根据权利要求1所述的商品纹理检测处理方法,还包括:
确定纹理结构特征中目标纹理元素的纹理参数,并基于所述纹理参数更新所述商品的特征数据集,获得包含所述纹理参数的目标特征数据集;
基于所述目标特征数据集对所述纹理结构特征进行特征检测,获得所述商品的检测结果。
11.根据权利要求10所述的商品纹理检测处理方法,还包括:
基于所述目标特征数据集中包含的所述商品的商品重量,读取所述商品配置的近场通信标签绑定的所述商品重量下的基准纹理参数;
根据所述纹理参数和所述基准纹理参数对所述商品进行检测处理,获得所述商品的第二检测结果。
12.根据权利要求1所述的商品纹理检测处理方法,还包括:
根据所述商品的截面纹理特征和所述实体介质绑定的所述截面类型下的出厂纹理图像的纹理特征,计算特征匹配度;
判断所述商品的表面温度是否高于温度阈值;
若是,对匹配度阈值进行下调处理得到目标匹配度阈值,并基于所述特征匹配度和所述目标匹配度阈值,确定所述商品的检测结果。
13.根据权利要求1所述的商品纹理检测处理方法,所述按照所述截面类型对应的纹理提取方式,对所述截面纹理图像进行语义分割,并从语义分割结果中提取关键图像块步骤,所述将所述关键图像块输入纹理提取模型进行纹理特征提取,获得所述关键图像块中的纹理可视特征步骤,以及所述根据包含所述纹理可视特征的特征数据集对所述纹理可视特征进行特征检测,获得所述商品的检测结果步骤,基于纹理检测模型执行;
其中,所述纹理检测模型的输入包括所述截面类型和所述截面纹理图像,输出包括所述检测结果。
14.一种商品纹理检测处理装置,包括:
图像获取模块,被配置为获取进行质量检测的商品配置的实体介质被触发后采集的截面纹理图像;所述商品具有开放式的纹理截面,所述截面纹理图像通过对所述纹理截面进行图像采集获得;
图像解析模块,被配置为基于所述截面纹理图像进行形状识别获得所述截面纹理图像中的截面纹理形状,根据所述截面纹理形状确定商品品类,并基于所述截面纹理形状和所述商品品类确定所述截面纹理图像对应的截面类型;
特征提取模块,被配置为按照所述截面类型对应的纹理提取方式,对所述截面纹理图像进行语义分割,并从语义分割结果中提取关键图像块;将所述关键图像块输入纹理提取模型进行纹理特征提取,获得所述关键图像块中的纹理可视特征;
特征检测模块,被配置为根据包含所述纹理可视特征的特征数据集对所述纹理可视特征进行特征检测,获得所述商品的检测结果。
15.一种商品纹理检测处理设备,包括:
处理器;以及,被配置为存储计算机可执行指令的存储器,所述计算机可执行指令在被执行时使所述处理器:
获取进行质量检测的商品配置的实体介质被触发后采集的截面纹理图像;所述商品具有开放式的纹理截面,所述截面纹理图像通过对所述纹理截面进行图像采集获得;
基于所述截面纹理图像进行形状识别获得所述截面纹理图像中的截面纹理形状,根据所述截面纹理形状确定商品品类,并基于所述截面纹理形状和所述商品品类确定所述截面纹理图像对应的截面类型;
按照所述截面类型对应的纹理提取方式,对所述截面纹理图像进行语义分割,并从语义分割结果中提取关键图像块;
将所述关键图像块输入纹理提取模型进行纹理特征提取,获得所述关键图像块中的纹理可视特征;
根据包含所述纹理可视特征的特征数据集对所述纹理可视特征进行特征检测,获得所述商品的检测结果。
16.一种存储介质,用于存储计算机可执行指令,所述计算机可执行指令在被处理器执行时实现以下流程:
获取进行质量检测的商品配置的实体介质被触发后采集的截面纹理图像;所述商品具有开放式的纹理截面,所述截面纹理图像通过对所述纹理截面进行图像采集获得;
基于所述截面纹理图像进行形状识别获得所述截面纹理图像中的截面纹理形状,根据所述截面纹理形状确定商品品类,并基于所述截面纹理形状和所述商品品类确定所述截面纹理图像对应的截面类型;
按照所述截面类型对应的纹理提取方式,对所述截面纹理图像进行语义分割,并从语义分割结果中提取关键图像块;
将所述关键图像块输入纹理提取模型进行纹理特征提取,获得所述关键图像块中的纹理可视特征;
根据包含所述纹理可视特征的特征数据集对所述纹理可视特征进行特征检测,获得所述商品的检测结果。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410217187.4A CN118015300A (zh) | 2023-09-26 | 2023-09-26 | 商品纹理检测处理方法及装置 |
CN202311253999.6A CN116994007B (zh) | 2023-09-26 | 2023-09-26 | 商品纹理检测处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311253999.6A CN116994007B (zh) | 2023-09-26 | 2023-09-26 | 商品纹理检测处理方法及装置 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410217187.4A Division CN118015300A (zh) | 2023-09-26 | 2023-09-26 | 商品纹理检测处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116994007A CN116994007A (zh) | 2023-11-03 |
CN116994007B true CN116994007B (zh) | 2024-03-19 |
Family
ID=88530577
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311253999.6A Active CN116994007B (zh) | 2023-09-26 | 2023-09-26 | 商品纹理检测处理方法及装置 |
CN202410217187.4A Pending CN118015300A (zh) | 2023-09-26 | 2023-09-26 | 商品纹理检测处理方法及装置 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410217187.4A Pending CN118015300A (zh) | 2023-09-26 | 2023-09-26 | 商品纹理检测处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN116994007B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117975046B (zh) * | 2024-02-20 | 2024-09-10 | 蚂蚁云创数字科技(北京)有限公司 | 图像检测处理方法及装置 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014074024A2 (ru) * | 2012-11-12 | 2014-05-15 | Oparin Vladimir Vladimirovich | Способ обработки изделий из древесины поперек волокон в двух и более плоскостях различных форм поперечных сечений |
CN103903009A (zh) * | 2014-03-27 | 2014-07-02 | 北京大学深圳研究生院 | 一种基于机器视觉的工业品检测方法 |
KR101881693B1 (ko) * | 2017-04-14 | 2018-08-24 | 이은정 | 패션상품 디자인에 있어서 소재 직물 선택과 조명 조건하에서 패션상품의 비주얼 검토 장치 및 방법 |
CN109635886A (zh) * | 2018-11-02 | 2019-04-16 | 立旃(上海)科技有限公司 | 基于区块链的商标标记方法及装置 |
CN110334713A (zh) * | 2019-06-04 | 2019-10-15 | 徐州创源包装材料有限公司 | 一种内衬纸产品类型的智能识别方法 |
CN110414532A (zh) * | 2019-06-21 | 2019-11-05 | 广州利科科技有限公司 | 一种基于深度学习的商品图像识别方法 |
CN110458032A (zh) * | 2019-07-17 | 2019-11-15 | 华南农业大学 | 荔枝生长状况全程监控方法、系统、云服务器及存储介质 |
CN110866464A (zh) * | 2019-10-29 | 2020-03-06 | 上海躲猫猫信息技术有限公司 | 一种基于纹理分区的商品溯源防伪方法及系统 |
CN111060520A (zh) * | 2019-12-30 | 2020-04-24 | 歌尔股份有限公司 | 一种产品缺陷检测方法、装置与系统 |
CN111079592A (zh) * | 2019-12-04 | 2020-04-28 | 清华大学 | 陶瓷指纹图像生成、提取方法及装置 |
WO2020237481A1 (zh) * | 2019-05-27 | 2020-12-03 | 深圳市汇顶科技股份有限公司 | 反色区域的确定方法、指纹芯片及电子设备 |
CN113052790A (zh) * | 2020-11-12 | 2021-06-29 | 泰州市出彩网络科技有限公司 | 应用大数据存储的现场剔除平台及方法 |
WO2021135300A1 (zh) * | 2019-12-30 | 2021-07-08 | 歌尔股份有限公司 | 一种产品缺陷检测方法、装置与系统 |
CN115100119A (zh) * | 2022-06-02 | 2022-09-23 | 华中科技大学 | 一种基于异常特征分解与纹理背景转换的缺陷检测方法 |
CN116503357A (zh) * | 2023-04-28 | 2023-07-28 | 支付宝(杭州)信息技术有限公司 | 图像处理方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9129327B1 (en) * | 2014-02-18 | 2015-09-08 | Splendid Labs, Inc. | Screenshot-based e-commerce |
-
2023
- 2023-09-26 CN CN202311253999.6A patent/CN116994007B/zh active Active
- 2023-09-26 CN CN202410217187.4A patent/CN118015300A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014074024A2 (ru) * | 2012-11-12 | 2014-05-15 | Oparin Vladimir Vladimirovich | Способ обработки изделий из древесины поперек волокон в двух и более плоскостях различных форм поперечных сечений |
CN103903009A (zh) * | 2014-03-27 | 2014-07-02 | 北京大学深圳研究生院 | 一种基于机器视觉的工业品检测方法 |
KR101881693B1 (ko) * | 2017-04-14 | 2018-08-24 | 이은정 | 패션상품 디자인에 있어서 소재 직물 선택과 조명 조건하에서 패션상품의 비주얼 검토 장치 및 방법 |
CN109635886A (zh) * | 2018-11-02 | 2019-04-16 | 立旃(上海)科技有限公司 | 基于区块链的商标标记方法及装置 |
WO2020237481A1 (zh) * | 2019-05-27 | 2020-12-03 | 深圳市汇顶科技股份有限公司 | 反色区域的确定方法、指纹芯片及电子设备 |
CN110334713A (zh) * | 2019-06-04 | 2019-10-15 | 徐州创源包装材料有限公司 | 一种内衬纸产品类型的智能识别方法 |
CN110414532A (zh) * | 2019-06-21 | 2019-11-05 | 广州利科科技有限公司 | 一种基于深度学习的商品图像识别方法 |
CN110458032A (zh) * | 2019-07-17 | 2019-11-15 | 华南农业大学 | 荔枝生长状况全程监控方法、系统、云服务器及存储介质 |
CN110866464A (zh) * | 2019-10-29 | 2020-03-06 | 上海躲猫猫信息技术有限公司 | 一种基于纹理分区的商品溯源防伪方法及系统 |
CN111079592A (zh) * | 2019-12-04 | 2020-04-28 | 清华大学 | 陶瓷指纹图像生成、提取方法及装置 |
CN111060520A (zh) * | 2019-12-30 | 2020-04-24 | 歌尔股份有限公司 | 一种产品缺陷检测方法、装置与系统 |
WO2021135300A1 (zh) * | 2019-12-30 | 2021-07-08 | 歌尔股份有限公司 | 一种产品缺陷检测方法、装置与系统 |
CN113052790A (zh) * | 2020-11-12 | 2021-06-29 | 泰州市出彩网络科技有限公司 | 应用大数据存储的现场剔除平台及方法 |
CN115100119A (zh) * | 2022-06-02 | 2022-09-23 | 华中科技大学 | 一种基于异常特征分解与纹理背景转换的缺陷检测方法 |
CN116503357A (zh) * | 2023-04-28 | 2023-07-28 | 支付宝(杭州)信息技术有限公司 | 图像处理方法及装置 |
Non-Patent Citations (2)
Title |
---|
""Brick Path Detection from Shape Pattern and Texture Feature "";Byung-Seok Woo 等;《IEEE》;78-83 * |
"基于图像表面形状指数的图像纹理特征提取";申柯 等;《现代计算机》;第第28卷卷(第第24期期);71-77 * |
Also Published As
Publication number | Publication date |
---|---|
CN118015300A (zh) | 2024-05-10 |
CN116994007A (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112348117B (zh) | 场景识别方法、装置、计算机设备和存储介质 | |
CN116994007B (zh) | 商品纹理检测处理方法及装置 | |
CN113837257B (zh) | 一种目标检测方法及装置 | |
CN109508189B (zh) | 一种布局模板处理方法、装置及计算机可读存储介质 | |
CN116934907A (zh) | 图像生成方法、设备和存储介质 | |
CN110363206B (zh) | 数据对象的聚类、数据处理及数据识别方法 | |
CN117115571A (zh) | 一种细粒度智能商品识别方法、装置、设备及介质 | |
CN114638980A (zh) | 菜品种类识别处理方法及装置 | |
CN106933905B (zh) | 网页访问数据的监测方法和装置 | |
CN112966577B (zh) | 一种模型训练以及信息提供的方法及装置 | |
CN104102328A (zh) | 信息处理方法和信息处理设备 | |
CN111310531A (zh) | 图像分类方法、装置、计算机设备及存储介质 | |
CN116958135A (zh) | 纹理检测处理方法及装置 | |
CN110674388A (zh) | 推送项目的配图方法、装置、存储介质和终端设备 | |
CN108076227A (zh) | 一种用于移动终端的控制方法及移动终端 | |
CN112069342A (zh) | 图像分类方法、装置、电子设备及存储介质 | |
CN115187307B (zh) | 虚拟世界的广告投放处理方法及装置 | |
Obulesu et al. | Facial image retrieval based on local and regional features | |
CN114638613A (zh) | 基于身份识别的菜品结算处理方法及装置 | |
CN112017634B (zh) | 数据的处理方法、装置、设备以及存储介质 | |
CN107103096A (zh) | 信息显示方法及装置 | |
CN110263637B (zh) | 一种衣服智能收纳识别方法及系统 | |
CN116994248B (zh) | 纹理检测处理方法及装置 | |
CN116978003B (zh) | 食材商品的纹理检测处理方法及装置 | |
KR102508419B1 (ko) | 상품정보 이미지를 활용한 오프라인 리테일 환경에서의 상품 정보 검색 장치 및 이를 위한 제어방법 |
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 |