CN117634988B - 一种基于先验信息的商品合格抽样检验方法及系统 - Google Patents

Abstract

本发明涉及商品抽样检验技术领域，具体公开一种基于先验信息的商品合格抽样检验方法及系统，该方法包括：获取销售平台的各在售商品的先验信息集，分析各在售商品的先验表征值，得到各在售商品的约束抽样数据，处理筛选未达标抽样商品进行智能辅助管理提示，本发明解决了目前对销售平台的各在售商品进行合格抽样检验局限于只对在售商品进行固态化等比例抽样，缺乏对在售商品的先验信息进行分析的问题，通过对约束抽样数据的分析获取，提高了各在售商品合格抽样检验的精准性，有效提高了在售商品的抽样检验效率，并减少抽样检验的成本，更好的对各在售商品进行合格程度的智能辅助管理提示。

Description

一种基于先验信息的商品合格抽样检验方法及系统

技术领域

本发明涉及商品抽样检验技术领域，具体为一种基于先验信息的商品合格抽样检验方法及系统。

背景技术

抽样检验是通过对商品进行合格抽样检验，保障在售商品质量及其合规性的重要管理方法，通过抽样检验有助于确保在售商品符合预定的质量标准，有效监测产品的质量水平，还可以及早发现潜在的问题和缺陷，从而减少由于在售商品潜在的质量问题而导致的风险，如退货、客户投诉的问题，因此需要建立合适的商品合格抽样检验方法，以便在保证质量的前提下，更经济、高效地利用资源。

例如公告号为：CN111612340B的发明专利，公开的基于大数据的网销商品检验抽样方法，该方法中针对某同类商品的情感得分计算步骤包括：采集网络平台上属于该同类商品的网销商品链接及其对应的包括品牌数据、评论数据、销售量数据在内的数据信息；通过基于评论分析词典的情感倾向分析方法，对步骤采集的各网销商品链接的各条评论进行情感分析，计算得到各网销商品链接下各条评论的情感得分；基于各网销商品链接下各条评论的情感得分，计算得到各网销商品链接的商品情感得分。本发明可以在网销商品各类复杂的情况下，尤其是总体商品总数不确定的情况下，即可获得相对适合的入样概率和抽样数量，使质量监控或抽检工作目标性更强，效率更高，更为科学合理。

例如公告号为：CN103761656B的发明专利，公开的一种商品信息的印刷检验方法及装置，包括：首先对商品信息进行加密、分割，形成唯一对应的两个半码；接着将一个半码储存在数据库中，另一个半码作为防伪信息印刷到标签上，同时将商品信息采用单向函数计算出商品信息要约值后作为标志印刷到商品上；然后在检验时获取被检验商品上的标签图像信息和标志图像信息，并抽出包含的商品信息半码和商品信息要约值；最后将抽出的商品信息半码与数据库中唯一对应的半码合成、计算出商品信息和商品信息要约值，并与抽出的商品信息要约值进行对比，以实现商品信息的检验。既可有效地对商品信息的进行检验，又可极大地提高被检验商品的商品信息的安全性，防伪效果极佳。

基于上述方案发现，如今，对在售商品进行合格抽样检验方面还存在一些不足，具体体现在当前对在售商品进行合格抽样检验局限于对在售商品等比例抽样，缺乏对在售商品的先验信息进行分析，因此无法知晓在售商品的历史缺陷程度，不能依据在售商品的先验信息情况作出合理的抽样优化改善，从而影响商品合格抽样检验的精准性，也进一步间接增加了商品抽样检验的成本，无法有效提升商品的抽样检验效率。

发明内容

针对现有技术的不足，本发明提供了一种基于先验信息的商品合格抽样检验方法及系统，能够有效解决上述背景技术中涉及的问题。

为实现以上目的，本发明通过以下技术方案予以实现：本发明第一方面提供了一种基于先验信息的商品合格抽样检验方法，包括：获取销售平台的各在售商品的先验信息集，分析各在售商品的先验表征值。

根据所述各在售商品的先验表征值，分析得到各在售商品的约束抽样数据。

根据所述各在售商品的约束抽样数据，处理筛选未达标抽样商品进行智能辅助管理提示。

作为进一步的方法，所述各在售商品的先验信息集，包括先验生产数据和先验市场营销反馈数据，其中先验生产数据包括出厂质检合格率、产线生产残损率，先验市场营销反馈数据包括先验周期中的退货比例、差评平均字节数、评论差评占比、销售数量、销售额。

作为进一步的方法，所述各在售商品的先验表征值，具体通过各在售商品的先验生产数据和先验市场营销反馈数据进行综合数值分析处理得到，用于对各在售商品进行先验信息的整合量化处理，并作为各在售商品的约束抽样数据的分析依据。

作为进一步的方法，所述各在售商品的先验表征值，具体计算公式为：

。

式中，为第/>个在售商品的先验表征值，/>、/>分别为第/>个在售商品的生产先验表征值、营销反馈先验表征值，/>、/>分别为设定的生产先验表征值、营销反馈先验表征值的权重因子，/>为各在售商品的编号，/>，/>为在售商品总数。

作为进一步的方法，所述在售商品的生产先验表征值、营销反馈先验表征值，分别用于表示产品质检的的质量状况和市场营销顾客满意程度，并作为各在售商品的约束抽样数据的分析依据。

作为进一步的方法，所述分析得到各在售商品的约束抽样数据，具体分析过程为：根据各在售商品的先验表征值，统计各在售商品的预置抽样数和预置抽样检验合格评估阈值。

将各在售商品的先验表征值与销售平台数据库中存储的先验表征参照值进行比对。

若某在售商品的先验表征值低于先验表征参照值，则将该在售商品记为第一检验商品，并统计各第一检验商品的先验表征偏差值，与销售平台数据库中存储的第一检验商品在各先验表征偏差值范围中的参照增升抽样数和检验合格增升阈值进行比对，得到各第一检验商品的参照增升抽样数和检验合格增升阈值，并提取各第一检验商品的预置抽样数和预置抽样检验合格评估阈值，依次累加处理得到各第一检验商品的定格抽样数和定格抽样检验合格评估阈值，作为各第一检验商品的约束抽样数据。

若某在售商品的先验表征值等于先验表征参照值，则将该在售商品记为第二检验商品，统计各第二检验商品的预置抽样数和预置抽样检验合格评估阈值作为各第二检验商品的约束抽样数据。

若某在售商品的先验表征值高于先验表征参照值，则将该在售商品记为第三检验商品，并统计各第三检验商品的先验表征偏差值，与销售平台数据库中存储的第三检验商品在各先验表征偏差值范围中的参照减损抽样数和检验合格减损阈值进行比对，得到各第三检验商品的参照减损抽样数和检验合格减损阈值，并提取各第三检验商品的预置抽样数和预置抽样检验合格评估阈值，依次相减处理得到各第三检验商品的定格抽样数和定格抽样检验合格评估阈值，作为各第三检验商品的约束抽样数据。

作为进一步的方法，所述处理筛选未达标抽样商品进行智能辅助管理提示，具体过程为：分别统计各第一检验商品、各第二检验商品、各第三检验商品的抽样检验数据，各第一检验商品的抽样检验数据、各第二检验商品的抽样检验数据以及各第三检验商品的抽样检验数据均包括抽样三维扫描图像和抽样集成质检信息；

其中抽样集成质检信息包括：各湿度检验约束条件下的采集点的颜色值、各温度检验约束条件下的采集检验线的线条形变长度、形变线条轮廓和质检重量。

从销售平台数据库中分别提取各第一检验商品、各第二检验商品、各第三检验商品的参考校验三维扫描图像，通过依次比对提取各第一检验商品、各第二检验商品、各第三检验商品的抽样检验差异集，包括：各组件中心点位置偏移量、外表边缘轮廓偏离总长。

从销售平台数据库中提取各第一检验商品、各第二检验商品、各第三检验商品的抽样集成比对质检信息，具体包括各湿度检验约束条件下的采集点的参照颜色值、各温度检验约束条件下的采集检验线的线条形变界定长度和参照形变线条轮廓以及质检核对重量。

根据各第一检验商品、各第二检验商品、各第三检验商品在各温度检验约束条件下的采集检验线的形变线条轮廓，并与相应的参照形变线条轮廓进行比对，统计各第一检验商品、各第二检验商品、各第三检验商品在各温度检验约束条件下的采集检验线的最长偏移宽度。

依据各第一检验商品、各第二检验商品、各第三检验商品的抽样检验差异集、抽样集成质检信息以及抽样集成比对质检信息，进行数值拟合处理得到各第一检验商品、各第二检验商品、各第三检验商品的抽样检验合格程度评估值。

将各第一检验商品、各第二检验商品、各第三检验商品的抽样检验合格程度评估值分别与相应的抽样检验合格评估阈值进行比对，若各第一检验商品、各第二检验商品、各第三检验商品的抽样检验合格程度评估值低于相应的抽样检验合格评估阈值，则统一标记为未达标抽样商品进行智能辅助管理提示。

作为进一步的方法，所述各第一检验商品、各第二检验商品、各第三检验商品的抽样检验合格程度评估值，具体计算公式为：

。

式中，、/>、/>分别为第/>个第一检验商品、第/>个第二检验商品、第/>个第三检验商品的抽样检验合格程度评估值，/>、/>分别为第一检验商品/>的外观质检和集成质检合格程度评估值，/>、/>分别为第二检验商品/>的外观质检和集成质检合格程度评估值，/>、/>分别为第三检验商品/>的外观质检和集成质检合格程度评估值，/>、/>依次为设定的第一检验商品的外观质检和集成质检合格程度评估值的权重因子，/>、/>依次为设定的第二检验商品的外观质检和集成质检合格程度评估值的权重因子，/>、/>依次为设定的第三检验商品的外观质检和集成质检合格程度评估值的权重因子，/>为各第一检验商品的编号，/>，/>为第一检验商品总数，/>为各第二检验商品的编号，，/>为第二检验商品总数，/>为各第三检验商品的编号，/>，为第三检验商品总数。

作为进一步的方法，第一检验商品的抽样检验合格程度评估值，具体通过第一检验商品的三维扫描图像和抽样集成比对质检信息进行综合数值分析处理得到第一检验商品的抽样检验合格程度评估值，用于对第一检验商品进行抽样检验合格程度进行整合量化处理，并作为第一检验商品的抽样检验合格程度的分析依据。

第二检验商品的抽样检验合格程度评估值，具体通过第二检验商品的三维扫描图像和抽样集成比对质检信息进行综合数值分析处理得到第二检验商品的抽样检验合格程度评估值，用于对第二检验商品进行抽样检验合格程度进行整合量化处理，并作为第二检验商品的抽样检验合格程度的分析依据;

第三检验商品的抽样检验合格程度评估值，具体通过第三检验商品的三维扫描图像和抽样集成比对质检信息进行综合数值分析处理得到第三检验商品的抽样检验合格程度评估值，用于对第三检验商品进行抽样检验合格程度进行整合量化处理，并作为第三检验商品的抽样检验合格程度的分析依据。

本发明第二方面提供了一种基于先验信息的商品合格抽样检验系统，包括：先验信息获取模块，用于获取销售平台的各在售商品的先验信息集，分析各在售商品的先验表征值。

约束抽样数据获取模块，用于根据所述各在售商品的先验表征值，分析得到各在售商品的约束抽样数据。

辅助管理提示评估模块，用于根据所述各在售商品的约束抽样数据，处理筛选未达标抽样商品进行智能辅助管理提示。

销售平台数据库，用于存储先验表征参照值、第一检验商品在各先验表征偏差值范围中的参照增升抽样数和检验合格增升阈值、第二检验商品的预置抽样数和预置抽样检验合格评估阈值、第三检验商品在各先验表征偏差值范围中的参照减损抽样数和检验合格减损阈值、各湿度检验约束条件下的采集点的参照颜色值、各温度检验约束条件下的采集检验线的线条形变界定长度和参照形变线条轮廓以及质检核对重量、抽样检验合格评估阈值。

相对于现有技术，本发明的实施例至少具有如下优点或有益效果：（1）本发明通过提供一种基于先验信息的商品合格抽样检验方法及系统，建立合适的基于先验信息的商品合格抽样检验方法，对销售平台的各在售商品的先验信息集进行分析，有助于准确的对销售平台的各在售商品的历史缺陷程度进行判断，能够依据在售商品的先验信息情况作出合理的抽样优化改善，提高各在售商品合格抽样检验的精准性，进而提高各在售商品的整体质量。

（2）本发明通过对约束抽样数据的分析获取，并针对性通过对销售平台的各在售商品进行合格抽样检验，减少了商品抽样检验的成本，同时有效提升了商品的抽样检验效率，不仅有助于增加客户满意度和忠诚度，还有助于在保证质量的前提下，更经济、高效地利用资源。

（3）本发明通过分析各在售商品的先验表征值，不仅有助于及时发现并解决各在售商品的潜在质量问题，从而提高各在售商品的质量，还有助于优化各在售商品的供应链管理，确保各在售商品供应链的稳定性和可靠性。

附图说明

利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。

图1为本发明的方法步骤流程示意图。

图2为本发明的系统模块连接示意图。

图3为本发明实施例涉及的采集检验线的形变线条轮廓示意图。

附图标记，1、参照形变线条轮廓；2、采集检验线的形变线条轮廓；3、最长偏移线。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，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。

参照图1所示，本发明第一方面提供了一种基于先验信息的商品合格抽样检验方法，包括：S1.获取销售平台的各在售商品的先验信息集，分析各在售商品的先验表征值。

具体的，各在售商品的先验信息集，包括先验生产数据和先验市场营销反馈数据，其中先验生产数据包括出厂质检合格率，出厂质检合格率是指在生产制造过程中进行质量检验后，产品达到规定质量标准并通过检验的比率，出厂质检合格率=合格产品数量/总产品数量，产线生产残损率，产线生产残损率是指在制造产线上生产过程中，由于各种原因导致的产品损坏或废品的比率，产线生产残损率=残损产品数量/总生产数量，先验市场营销反馈数据包括先验周期中的退货比例，退货比例是指在销售过程中，顾客因为各种原因将购买的商品退还给商家的比例，退货比例=退货数量/销售数量，差评平均字节数，差评平均字节数是指在所有差评中，用户所撰写的文字评论的平均字节数，差评平均字节数=所有差评文字评论的总字节数/差评数量，评论差评占比，评论差评占比是指在用户对在售商品进行评价的所有评论中，差评所占的比例，评论差评占比=差评数量/总评价数量，销售数量，销售数量是指在先验周期内销售出的在售商品的总量，销售额，销售额指的是在先验周期内销售出的在售商品的金额的总量。

在一个具体的实施例中，先验生产数据有助于识别成本高昂的环节，并制定相应的成本控制策略，这可以帮助相关企业在生产过程中更有效地利用资源，降低制造成本，通过分析产品的质量数据，各在售商品的生产企业可以识别产品缺陷或质量问题，这样的信息可以用于改进生产流程，提高产品质量，增强客户满意度，还有助于了解供应链的稳定性和效率，先验市场营销反馈数据通过分析客户反馈和市场调查数据，企业可以识别产品的优势和不足，从而进行必要的改进，了解客户对产品或服务的反馈有助于企业更好地了解市场需求和趋势，这可以帮助企业调整其市场定位和战略，以更好地满足客户需求。

进一步的，各在售商品的先验表征值，具体通过各在售商品的先验生产数据和先验市场营销反馈数据进行综合数值分析处理得到，用于对各在售商品进行先验信息的整合量化处理，并作为各在售商品的约束抽样数据的分析依据。

具体的，各在售商品的先验表征值，不仅可以通过将上述生产先验表征值、营销反馈先验表征值的权重因子通过机器学习集成模型进一步分析得到，使用集成方法如朴素贝叶斯模型或随机森林模型，将多个基础模型的预测结果进行组合，以获得更准确的在售商品的先验表征值，还可以通过结合上述生产先验表征值、营销反馈先验表征值的权重因子通过以下方式计算得到，各在售商品的先验表征值的具体计算公式为：

。

式中，为第/>个在售商品的先验表征值，/>、/>分别为第/>个在售商品的生产先验表征值、营销反馈先验表征值，/>、/>分别为设定的生产先验表征值、营销反馈先验表征值的权重因子，/>为各在售商品的编号，/>，/>为在售商品总数。

需要解释的是，上述第个在售商品的生产先验表征值/>，具体计算公式为：

。

式中，、/>分别为第/>个在售商品的出厂质检合格率和产线生产残损率，/>、分别为销售平台数据库中存储的第/>个在售商品的出厂质检界定合格率和产线生产界定残损率，/>、/>分别为设定的出厂质检合格率和产线生产残损率的补偿因子。

需要解释的是，上述各在售商品的生产先验表征值是通过各在售商品生产过程中的先验生产数据计算得到，包括各在售商品的出厂质检合格率和产线生产残损率，对各在售商品的生产过程的先验信息进行评估，有助于分析产品的质量数据，保证各在售商品的质量稳定性。

上述第个在售商品的营销反馈先验表征值/>，具体计算公式为：

。

式中，、/>、/>、/>、/>分别为第/>个在售商品的先验周期中的退货比例、差评平均字节数、评论差评占比、销售数量和销售额，/>、/>、/>、/>、/>分别为销售平台数据库中存储的第/>个在售商品的界定退货比例、差评平均参照字节数、评论差评参照占比、参照销售数量和参照销售额，/>、/>、/>、/>、/>分别为设定的退货比例、差评平均字节数、评论差评占比、销售数量和销售额的补偿因子。

需要解释的是，上述各在售商品的营销反馈先验表征值是通过各在售商品生产过程中的先验市场营销反馈数据计算得到，包括各在售商品的先验周期中的退货比例、差评平均字节数、评论差评占比、销售数量和销售额，对各在售商品的市场营销的先验数据进行评估，有助于帮助销售平台相关工作人员更好的识别产品的优势和不足，从而进行必要的改进，进而更好的满足客户的需求。

需要解释的是，上述通过分析各在售商品的先验表征值，不仅有助于及时发现并解决各在售商品的潜在质量问题，从而提高各在售商品的质量，还有助于优化各在售商品的供应链管理，确保各在售商品供应链的稳定性和可靠性。

进一步的，所述在售商品的生产先验表征值、营销反馈先验表征值，分别用于表示产品质检的的质量状况和市场营销顾客满意程度，并作为各在售商品的约束抽样数据的分析依据。

S2.根据各在售商品的先验表征值，分析得到各在售商品的约束抽样数据。

进一步的，分析得到各在售商品的约束抽样数据，具体分析过程为：根据各在售商品的先验表征值，统计各在售商品的预置抽样数和预置抽样检验合格评估阈值。

将各在售商品的先验表征值与销售平台数据库中存储的先验表征参照值进行比对。

若某在售商品的先验表征值低于先验表征参照值，则将该在售商品记为第一检验商品，并统计各第一检验商品的先验表征偏差值，与销售平台数据库中存储的第一检验商品在各先验表征偏差值范围中的参照增升抽样数和检验合格增升阈值进行比对，得到各第一检验商品的参照增升抽样数和检验合格增升阈值，并提取各第一检验商品的预置抽样数和预置抽样检验合格评估阈值/>，依次累加处理得到各第一检验商品的定格抽样数和定格抽样检验合格评估阈值，即各第一检验商品的定格抽样数为/>，其中，，各第一检验商品的定格抽样检验合格评估阈值为/>，其中，，/>为各第一检验商品的参照增升抽样数，/>为各第一检验商品的参照检验合格增升阈值，将各第一检验商品的定格抽样数和定格抽样检验合格评估阈值作为各第一检验商品的约束抽样数据。

若某在售商品的先验表征值等于先验表征参照值，则将该在售商品记为第二检验商品，统计各第二检验商品的预置抽样数和预置抽样检验合格评估阈值/>作为各第二检验商品的约束抽样数据，即各第二检验商品的定格抽样数为/>，其中，/>，各第二检验商品的定格抽样检验合格评估阈值为/>，其中，/>。

若某在售商品的先验表征值高于先验表征参照值，则将该在售商品记为第三检验商品，并统计各第三检验商品的先验表征偏差值，与销售平台数据库中存储的第三检验商品在各先验表征偏差值范围中的参照减损抽样数和检验合格减损阈值进行比对，得到各第三检验商品的参照减损抽样数和检验合格减损阈值，并提取各第三检验商品的预置抽样数和预置抽样检验合格评估阈值/>，依次相减处理得到各第三检验商品的定格抽样数和定格抽样检验合格评估阈值，即各第三检验商品的定格抽样数为/>，其中，，各第三检验商品的定格抽样检验合格评估阈值为/>，其中，，/>为各第三检验商品的参照减损抽样数，/>为各第三检验商品的参照检验合格减损阈值，将各第三检验商品的定格抽样数和定格抽样检验合格评估阈值作为各第三检验商品的约束抽样数据。

在一个具体的实施例中，不同各在售商品对质量的要求不同，通过设定不同的约束抽样数据，企业可以更好地了解每种在售商品的质量标准，有助于制定和维护高质量的生产标准，了解不同各在售商品的市场表现和消费者反馈可以帮助企业更好地评估市场风险，对各在售商品进行约束抽样有助于预测和应对潜在的市场挑战。

在一个具体的实施例中，通过对约束抽样数据的分析获取，并针对性通过对销售平台的各在售商品进行合格抽样检验，减少了商品抽样检验的成本，同时有效提升了商品的抽样检验效率，不仅有助于增加客户满意度和忠诚度，还有助于在保证质量的前提下，更经济、高效地利用资源。

S3.根据各在售商品的约束抽样数据，处理筛选未达标抽样商品进行智能辅助管理提示。

具体的，处理筛选未达标抽样商品进行智能辅助管理提示，具体过程为：分别统计各第一检验商品、各第二检验商品、各第三检验商品的抽样检验数据，各第一检验商品的抽样检验数据、各第二检验商品的抽样检验数据以及各第三检验商品的抽样检验数据均包括抽样三维扫描图像和抽样集成质检信息；其中抽样集成质检信息包括：各湿度检验约束条件下的采集点的颜色值，各湿度检验约束条件下的采集点的颜色值为在不同湿度条件下，各在售商品的采集点的颜色值，各温度检验约束条件下的采集检验线的线条形变长度，温度检验约束条件下的采集检验线的线条形变长度指的是在温度检验下，在售商品预设的采集检验线的线条发生的线性尺寸变化长度，形变线条轮廓，形变线条轮廓指的是通过处理图像得到采集检验线的表观轮廓，质检重量，质检重量指的是对各在售商品进行质量检验时所测得的重量。

从销售平台数据库中分别提取各第一检验商品、各第二检验商品、各第三检验商品的参考校验三维扫描图像，通过依次比对提取各第一检验商品、各第二检验商品、各第三检验商品的抽样检验差异集，包括：各组件中心点位置偏移量，各组件中心点位置偏移量指的是各在售商品各组件通常都有一个中心点，中心点位置偏移量是指这些组件中心点相对于参考校验三维扫描图像中对应组件中心点位置的偏移量，在一个具体的实施例中，该在售商品为衣服，衣服的组件包括口袋、扣子、标牌等，外表边缘轮廓偏离总长，外表边缘轮廓偏离总长指的是各在售商品的外表边缘轮廓与参考校验三维扫描图像的外表边缘轮廓进行重合检验后轮廓线条的的偏移总长。

从销售平台数据库中提取各第一检验商品、各第二检验商品、各第三检验商品的抽样集成比对质检信息，具体包括各湿度检验约束条件下的采集点的参照颜色值、各温度检验约束条件下的采集检验线的线条形变界定长度和参照形变线条轮廓以及质检核对重量。

根据各第一检验商品、各第二检验商品、各第三检验商品在各温度检验约束条件下的采集检验线的形变线条轮廓，并与相应的参照形变线条轮廓进行比对，统计各第一检验商品、各第二检验商品、各第三检验商品在各温度检验约束条件下的采集检验线的最长偏移宽度。

如图3所示，采集检验线的形变线条轮廓2，与参照形变线条轮廓1进行比较，得到最长偏移线3，以此提取采集检验线的最长偏移宽度。

依据各第一检验商品、各第二检验商品、各第三检验商品的抽样检验差异集、抽样集成质检信息以及抽样集成比对质检信息，进行数值拟合处理得到各第一检验商品、各第二检验商品、各第三检验商品的抽样检验合格程度评估值。

将各第一检验商品、各第二检验商品、各第三检验商品的抽样检验合格程度评估值分别与相应的各第一检验商品、第二检验商品、第三检验商品的约束抽样数据对应的抽样检验合格程度参照评估值进行比对，若各在售商品的综合合格程度评估值低于相应的抽样检验合格程度参照评估值，则统一标记为未达标抽样商品进行智能辅助管理提示。

需要解释的是，上述三维扫描图像提供了各在售商品的全面形态信息，这种全面性使得在评估各在售商品质量时更为精确，相比传统的二维图像或描述，提供更丰富的细节，抽样集成的质检信息是经过系统和标准化处理的数据，这种客观性有助于减少主观因素对质量评估的影响，提高评估的可靠性，三维扫描图像和质检信息通常可以记录并存档，这有助于建立起商品质量的溯源和追踪体系，能够更容易地追溯到质量问题的根源，有助于制定更加有效的质量控制策略和改进措施。

进一步的，数值拟合处理得到各第一检验商品、各第二检验商品、各第三检验商品的抽样检验合格程度评估值，不仅可以通过将外观质检和集成质检合格程度评估值的权重因子通过机器学习集成模型进一步分析得到，使用集成方法如K均值聚类模型或支持向量机模型，将多个基础模型的预测结果进行组合，以获得更准确的各第一检验商品、各第二检验商品、各第三检验商品的抽样检验合格程度评估值，还可以结合上述的外观质检和集成质检合格程度评估值的权重因子通过以下计算方式得到，具体计算公式为：

。

式中，、/>、/>分别为第/>个第一检验商品、第/>个第二检验商品、第/>个第三检验商品的抽样检验合格程度评估值，/>、/>分别为第一检验商品/>的外观质检和集成质检合格程度评估值，/>、/>分别为第二检验商品/>的外观质检和集成质检合格程度评估值，/>、/>分别为第三检验商品/>的外观质检和集成质检合格程度评估值，/>、/>依次为设定的第一检验商品的外观质检和集成质检合格程度评估值的权重因子，/>、/>依次为设定的第二检验商品的外观质检和集成质检合格程度评估值的权重因子，/>、/>依次为设定的第三检验商品的外观质检和集成质检合格程度评估值的权重因子，/>为各第一检验商品的编号，/>，/>为第一检验商品总数，/>为各第二检验商品的编号，，/>为第二检验商品总数，/>为各第三检验商品的编号，/>，为第三检验商品总数。

需要解释的是，上述为第/>个第一检验商品的抽样检验合格程度评估值，具体通过第一检验商品/>的外观质检和集成质检合格程度评估值进行综合数值分析处理得到，用于对第一检验商品i的抽样检验合格程度评估值进行整合量化处理，并作为第一检验商品i的抽样检验合格程度的分析依据。

为第/>个第二检验商品的抽样检验合格程度评估值，具体通过第二检验商品的外观质检和集成质检合格程度评估值进行综合数值分析处理得到，用于对第二检验商品/>的抽样检验合格程度评估值进行整合量化处理，并作为第二检验商品/>的抽样检验合格程度的分析依据。

为第/>个第三检验商品的抽样检验合格程度评估值，具体通过第三检验商品的外观质检和集成质检合格程度评估值进行综合数值分析处理得到，用于对第三检验商品/>的抽样检验合格程度评估值进行整合量化处理，并作为第三检验商品/>的抽样检验合格程度的分析依据。

需要解释的是，上述、/>、/>，具体计算公式如下：

。

式中，为第一检验商品i的集成质检合格程度评估值，具体通过第一检验商品i的采集点的颜色值、采集点的采集检验线的线条形变长度、采集点的采集检验线的最长偏移宽度和质检重量进行综合数值分析处理得到，用于对第一检验商品i的集成质检合格程度评估值进行整合量化处理，并作为第一检验商品i的集成质检合格程度的分析依据。

为第二检验商品q的集成质检合格程度评估值，具体通过第二检验商品q的采集点的颜色值、采集点的采集检验线的线条形变长度、采集点的采集检验线的最长偏移宽度和质检重量进行综合数值分析处理得到，用于对第二检验商品q的集成质检合格程度评估值进行整合量化处理，并作为第二检验商品q的集成质检合格程度的分析依据。

为第三检验商品n的集成质检合格程度评估值,具体通过第三检验商品n的采集点的颜色值、采集点的采集检验线的线条形变长度、采集点的采集检验线的最长偏移宽度和质检重量进行综合数值分析处理得到，用于对第三检验商品n的集成质检合格程度评估值进行整合量化处理，并作为第三检验商品n的集成质检合格程度的分析依据。/>、、/>依次为第一检验商品i、第二检验商品q、第三检验商品n在第/>个湿度检验约束条件下的采集点的颜色值，/>、/>、/>依次为第一检验商品i、第二检验商品q、第三检验商品n在第/>个温度检验约束条件下的采集点的采集检验线的线条形变长度，/>、/>、依次为第一检验商品i、第二检验商品q、第三检验商品n在第/>个温度检验约束条件下的采集点的采集检验线的最长偏移宽度，/>、/>、/>依次为第一检验商品i、第二检验商品q、第三检验商品n的质检重量，/>、/>、/>依次为销售平台数据库中存储第一检验商品i、第二检验商品q、第三检验商品n在第/>个湿度检验约束条件下的采集点的参照颜色值，/>、/>、/>依次为销售平台数据库中存储的第一检验商品i、第二检验商品q、第三检验商品n在第/>个温度检验约束条件下的采集检验线的线条形变界定长度，/>、、/>依次为销售平台数据库中存储的第一检验商品i、第二检验商品q、第三检验商品n在第/>个温度检验约束条件下的采集检验线的界定偏移宽度，/>、/>、/>依次为销售平台数据库中存储的第一检验商品i、第二检验商品q、第三检验商品n的质检核对重量，/>、/>、/>、/>依次为设定的采集点的颜色值、采集检验线的线条形变长度、最长偏移宽度和质检重量的补偿因子，/>各湿度检验约束条件的编号，/>，/>为湿度检验约束条件总数，/>为各温度检验约束条件的编号，/>，/>为温度检验约束条件总数。

需要解释的是，上述、/>、/>，具体计算公式如下：

。

式中，为第一检验商品i的外观质检合格程度评估值，具体通过第一检验商品i的组件中心点位置偏移量和外表边缘轮廓偏离总长进行综合数值分析处理得到，用于对第一检验商品i的外观质检合格程度评估值进行整合量化处理，并作为第一检验商品i的外观质检合格程度的分析依据。

为第二检验商品q的外观质检合格程度评估值，具体通过第二检验商品q的组件中心点位置偏移量和外表边缘轮廓偏离总长进行综合数值分析处理得到，用于对第二检验商品q的外观质检合格程度评估值进行整合量化处理，并作为第二检验商品q的外观质检合格程度的分析依据。

为第三检验商品n的外观质检合格程度评估值，具体通过第三检验商品n的组件中心点位置偏移量和外表边缘轮廓偏离总长进行综合数值分析处理得到，用于对第三检验商品n的外观质检合格程度评估值进行整合量化处理，并作为第三检验商品n的外观质检合格程度的分析依据。

、/>、/>依次为第一检验商品i、第二检验商品q、第三检验商品n的第e个组件中心点位置偏移量，/>、/>、/>依次为第一检验商品i、第二检验商品q、第三检验商品n的外表边缘轮廓偏离总长，/>、/>、/>依次为销售平台数据库中存储的各检验商品第一检验商品i、第二检验商品q、第三检验商品n的第/>个组件中心点位置参照偏移量，、/>、/>依次为销售平台数据库中存储的各检验商品第一检验商品i、第二检验商品q、第三检验商品n的外表边缘轮廓偏离参照总长，/>、/>依次为设定的各组件中心点位置偏移量、外表边缘轮廓偏离总长的补偿因子，/>为各组件的编号，/>，/>为组件总数。

进一步的，第一检验商品的抽样检验合格程度评估值，具体通过第一检验商品的三维扫描图像和抽样集成比对质检信息进行综合数值分析处理得到第一检验商品的抽样检验合格程度评估值，用于对第一检验商品进行抽样检验合格程度进行整合量化处理，并作为第一检验商品的抽样检验合格程度的分析依据;

第二检验商品的抽样检验合格程度评估值，具体通过第二检验商品的三维扫描图像和抽样集成比对质检信息进行综合数值分析处理得到第二检验商品的抽样检验合格程度评估值，用于对第二检验商品进行抽样检验合格程度进行整合量化处理，并作为第二检验商品的抽样检验合格程度的分析依据;

第三检验商品的抽样检验合格程度评估值，具体通过第三检验商品的三维扫描图像和抽样集成比对质检信息进行综合数值分析处理得到第三检验商品的抽样检验合格程度评估值，用于对第三检验商品进行抽样检验合格程度进行整合量化处理，并作为第三检验商品的抽样检验合格程度的分析依据。

参照图2所示，本发明第二方面提供了一种基于先验信息的商品合格抽样检验系统，包括：先验信息获取模块、约束抽样数据获取模块、辅助管理提示评估模块模块和销售平台数据库。

先验信息获取模块，用于获取销售平台的各在售商品的先验信息集，分析各在售商品的先验表征值。

约束抽样数据获取模块，用于根据各在售商品的先验表征值，分析得到各在售商品的约束抽样数据。

辅助管理提示评估模块，用于根据各在售商品的约束抽样数据，处理筛选未达标抽样商品进行智能辅助管理提示。

销售平台数据库，用于存储各在售商品通过先验信息进行抽样检验和获取各在售商品约束抽样数据所需的参照值。

在具体实施例中，上述销售平台数据库还包括：出厂质检界定合格率和产线生产界定残损率、界定退货比例、差评平均参照字节数、评论差评参照占比、参照销售数量、参照销售额、先验表征参照值、第一检验商品在各先验表征偏差值范围中的参照增升抽样数和检验合格增升阈值、第二检验商品的预置抽样数和预置抽样检验合格评估阈值、第三检验商品在各先验表征偏差值范围中的参照减损抽样数和检验合格减损阈值、各湿度检验约束条件下的采集点的参照颜色值、各温度检验约束条件下的采集检验线的线条形变界定长度、参照形变线条轮廓、质检核对重量、组件中心点位置参照偏移量、外表边缘轮廓偏离参照总长、抽样检验合格评估阈值。

需要解释的是，通过提供一种基于先验信息的商品合格抽样检验方法及系统，建立合适的基于先验信息的商品合格抽样检验方法，对销售平台的各在售商品的先验信息集进行分析，有助于准确的对销售平台的各在售商品的历史缺陷程度进行判断，能够依据在售商品的先验信息情况作出合理的抽样优化改善，提高各在售商品合格抽样检验的精准性，进而提高各在售商品的整体质量。

以上内容仅仅是对本发明结构所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (6)

1.一种基于先验信息的商品合格抽样检验方法，其特征在于，包括：

获取销售平台的各在售商品的先验信息集，分析各在售商品的先验表征值；

根据所述各在售商品的先验表征值，分析得到各在售商品的约束抽样数据；

根据所述各在售商品的约束抽样数据，处理筛选未达标抽样商品进行智能辅助管理提示；

所述各在售商品的先验信息集，包括先验生产数据和先验市场营销反馈数据，其中先验生产数据包括出厂质检合格率、产线生产残损率，先验市场营销反馈数据包括先验周期中的退货比例、差评平均字节数、评论差评占比、销售数量、销售额；

所述各在售商品的先验表征值，具体通过各在售商品的先验生产数据和先验市场营销反馈数据进行综合数值分析处理得到，用于对各在售商品进行先验信息的整合量化处理，并作为各在售商品的约束抽样数据的分析依据；

所述分析得到各在售商品的约束抽样数据，具体分析过程为：

根据各在售商品的先验表征值，统计各在售商品的预置抽样数和预置抽样检验合格评估阈值；

将各在售商品的先验表征值与销售平台数据库中存储的先验表征参照值进行比对；

若某在售商品的先验表征值低于先验表征参照值，则将该在售商品记为第一检验商品，并统计各第一检验商品的先验表征偏差值，与销售平台数据库中存储的第一检验商品在各先验表征偏差值范围中的参照增升抽样数和检验合格增升阈值进行比对，得到各第一检验商品的参照增升抽样数和检验合格增升阈值，并提取各第一检验商品的预置抽样数和预置抽样检验合格评估阈值，依次累加处理得到各第一检验商品的定格抽样数和定格抽样检验合格评估阈值，作为各第一检验商品的约束抽样数据；

若某在售商品的先验表征值等于先验表征参照值，则将该在售商品记为第二检验商品，统计各第二检验商品的预置抽样数和预置抽样检验合格评估阈值作为各第二检验商品的约束抽样数据；

若某在售商品的先验表征值高于先验表征参照值，则将该在售商品记为第三检验商品，并统计各第三检验商品的先验表征偏差值，与销售平台数据库中存储的第三检验商品在各先验表征偏差值范围中的参照减损抽样数和检验合格减损阈值进行比对，得到各第三检验商品的参照减损抽样数和检验合格减损阈值，并提取各第三检验商品的预置抽样数和预置抽样检验合格评估阈值，依次相减处理得到各第三检验商品的定格抽样数和定格抽样检验合格评估阈值，作为各第三检验商品的约束抽样数据;

所述处理筛选未达标抽样商品进行智能辅助管理提示，具体过程为：

分别统计各第一检验商品、各第二检验商品、各第三检验商品的抽样检验数据，各第一检验商品的抽样检验数据、各第二检验商品的抽样检验数据以及各第三检验商品的抽样检验数据均包括抽样三维扫描图像和抽样集成质检信息；

其中抽样集成质检信息包括：各湿度检验约束条件下的采集点的颜色值、各温度检验约束条件下的采集检验线的线条形变长度、形变线条轮廓和质检重量；

从销售平台数据库中分别提取各第一检验商品、各第二检验商品、各第三检验商品的参考校验三维扫描图像，通过依次比对提取各第一检验商品、各第二检验商品、各第三检验商品的抽样检验差异集，包括：各组件中心点位置偏移量、外表边缘轮廓偏离总长；

从销售平台数据库中提取各第一检验商品、各第二检验商品、各第三检验商品的抽样集成比对质检信息，具体包括各湿度检验约束条件下的采集点的参照颜色值、各温度检验约束条件下的采集检验线的线条形变界定长度和参照形变线条轮廓以及质检核对重量；

根据各第一检验商品、各第二检验商品、各第三检验商品在各温度检验约束条件下的采集检验线的形变线条轮廓，并与相应的参照形变线条轮廓进行比对，统计各第一检验商品、各第二检验商品、各第三检验商品在各温度检验约束条件下的采集检验线的最长偏移宽度；

依据各第一检验商品、各第二检验商品、各第三检验商品的抽样检验差异集、抽样集成质检信息以及抽样集成比对质检信息，进行数值拟合处理得到各第一检验商品、各第二检验商品、各第三检验商品的抽样检验合格程度评估值；

将各第一检验商品、各第二检验商品、各第三检验商品的抽样检验合格程度评估值分别与相应的抽样检验合格评估阈值进行比对，若各第一检验商品、各第二检验商品、各第三检验商品的抽样检验合格程度评估值低于相应的抽样检验合格评估阈值，则统一标记为未达标抽样商品进行智能辅助管理提示。

2.根据权利要求1所述的一种基于先验信息的商品合格抽样检验方法，其特征在于：所述各在售商品的先验表征值，具体计算公式为：

；

式中，为第/>个在售商品的先验表征值，/>、/>分别为第/>个在售商品的生产先验表征值、营销反馈先验表征值，/>、/>分别为设定的生产先验表征值、营销反馈先验表征值的权重因子，/>为各在售商品的编号，/>，/>为在售商品总数。

3.根据权利要求2所述的一种基于先验信息的商品合格抽样检验方法，其特征在于：所述在售商品的生产先验表征值、营销反馈先验表征值，分别用于表示产品质检的的质量状况和市场营销顾客满意程度，并作为各在售商品的约束抽样数据的分析依据。

4.根据权利要求1所述的一种基于先验信息的商品合格抽样检验方法，其特征在于：所述各第一检验商品、各第二检验商品、各第三检验商品的抽样检验合格程度评估值，具体计算公式为：

；

式中，、/>、/>分别为第/>个第一检验商品、第/>个第二检验商品、第/>个第三检验商品的抽样检验合格程度评估值，/>、/>分别为第一检验商品/>的外观质检和集成质检合格程度评估值，/>、/>分别为第二检验商品/>的外观质检和集成质检合格程度评估值，/>、/>分别为第三检验商品/>的外观质检和集成质检合格程度评估值，/>、/>依次为设定的第一检验商品的外观质检和集成质检合格程度评估值的权重因子，/>、/>依次为设定的第二检验商品的外观质检和集成质检合格程度评估值的权重因子，/>、/>依次为设定的第三检验商品的外观质检和集成质检合格程度评估值的权重因子，/>为各第一检验商品的编号，/>，/>为第一检验商品总数，/>为各第二检验商品的编号，，/>为第二检验商品总数，/>为各第三检验商品的编号，/>，为第三检验商品总数。

5.根据权利要求4所述的一种基于先验信息的商品合格抽样检验方法，其特征在于：第一检验商品的抽样检验合格程度评估值，具体通过第一检验商品的三维扫描图像和抽样集成比对质检信息进行综合数值分析处理得到第一检验商品的抽样检验合格程度评估值，用于对第一检验商品进行抽样检验合格程度进行整合量化处理，并作为第一检验商品的抽样检验合格程度的分析依据;

第二检验商品的抽样检验合格程度评估值，具体通过第二检验商品的三维扫描图像和抽样集成比对质检信息进行综合数值分析处理得到第二检验商品的抽样检验合格程度评估值，用于对第二检验商品进行抽样检验合格程度进行整合量化处理，并作为第二检验商品的抽样检验合格程度的分析依据;

第三检验商品的抽样检验合格程度评估值，具体通过第三检验商品的三维扫描图像和抽样集成比对质检信息进行综合数值分析处理得到第三检验商品的抽样检验合格程度评估值，用于对第三检验商品进行抽样检验合格程度进行整合量化处理，并作为第三检验商品的抽样检验合格程度的分析依据。

6.一种基于先验信息的商品合格抽样检验系统，其特征在于：包括：

先验信息获取模块，用于获取销售平台的各在售商品的先验信息集，分析各在售商品的先验表征值；

约束抽样数据获取模块，用于根据所述各在售商品的先验表征值，分析得到各在售商品的约束抽样数据；

辅助管理提示评估模块，根据所述各在售商品的约束抽样数据，处理筛选未达标抽样商品进行智能辅助管理提示;

销售平台数据库，用于存储先验表征参照值、第一检验商品在各先验表征偏差值范围中的参照增升抽样数和检验合格增升阈值、第二检验商品的预置抽样数和预置抽样检验合格评估阈值、第三检验商品在各先验表征偏差值范围中的参照减损抽样数和检验合格减损阈值、各湿度检验约束条件下的采集点的参照颜色值、各温度检验约束条件下的采集检验线的线条形变界定长度和参照形变线条轮廓以及质检核对重量、抽样检验合格评估阈值;

所述各在售商品的先验信息集，包括先验生产数据和先验市场营销反馈数据，其中先验生产数据包括出厂质检合格率、产线生产残损率，先验市场营销反馈数据包括先验周期中的退货比例、差评平均字节数、评论差评占比、销售数量、销售额；

所述各在售商品的先验表征值，具体通过各在售商品的先验生产数据和先验市场营销反馈数据进行综合数值分析处理得到，用于对各在售商品进行先验信息的整合量化处理，并作为各在售商品的约束抽样数据的分析依据；

所述分析得到各在售商品的约束抽样数据，具体分析过程为：

根据各在售商品的先验表征值，统计各在售商品的预置抽样数和预置抽样检验合格评估阈值；

将各在售商品的先验表征值与销售平台数据库中存储的先验表征参照值进行比对；

若某在售商品的先验表征值低于先验表征参照值，则将该在售商品记为第一检验商品，并统计各第一检验商品的先验表征偏差值，与销售平台数据库中存储的第一检验商品在各先验表征偏差值范围中的参照增升抽样数和检验合格增升阈值进行比对，得到各第一检验商品的参照增升抽样数和检验合格增升阈值，并提取各第一检验商品的预置抽样数和预置抽样检验合格评估阈值，依次累加处理得到各第一检验商品的定格抽样数和定格抽样检验合格评估阈值，作为各第一检验商品的约束抽样数据；

若某在售商品的先验表征值等于先验表征参照值，则将该在售商品记为第二检验商品，统计各第二检验商品的预置抽样数和预置抽样检验合格评估阈值作为各第二检验商品的约束抽样数据；

若某在售商品的先验表征值高于先验表征参照值，则将该在售商品记为第三检验商品，并统计各第三检验商品的先验表征偏差值，与销售平台数据库中存储的第三检验商品在各先验表征偏差值范围中的参照减损抽样数和检验合格减损阈值进行比对，得到各第三检验商品的参照减损抽样数和检验合格减损阈值，并提取各第三检验商品的预置抽样数和预置抽样检验合格评估阈值，依次相减处理得到各第三检验商品的定格抽样数和定格抽样检验合格评估阈值，作为各第三检验商品的约束抽样数据;

所述处理筛选未达标抽样商品进行智能辅助管理提示，具体过程为：

分别统计各第一检验商品、各第二检验商品、各第三检验商品的抽样检验数据，各第一检验商品的抽样检验数据、各第二检验商品的抽样检验数据以及各第三检验商品的抽样检验数据均包括抽样三维扫描图像和抽样集成质检信息；

其中抽样集成质检信息包括：各湿度检验约束条件下的采集点的颜色值、各温度检验约束条件下的采集检验线的线条形变长度、形变线条轮廓和质检重量；

从销售平台数据库中分别提取各第一检验商品、各第二检验商品、各第三检验商品的参考校验三维扫描图像，通过依次比对提取各第一检验商品、各第二检验商品、各第三检验商品的抽样检验差异集，包括：各组件中心点位置偏移量、外表边缘轮廓偏离总长；

从销售平台数据库中提取各第一检验商品、各第二检验商品、各第三检验商品的抽样集成比对质检信息，具体包括各湿度检验约束条件下的采集点的参照颜色值、各温度检验约束条件下的采集检验线的线条形变界定长度和参照形变线条轮廓以及质检核对重量；

根据各第一检验商品、各第二检验商品、各第三检验商品在各温度检验约束条件下的采集检验线的形变线条轮廓，并与相应的参照形变线条轮廓进行比对，统计各第一检验商品、各第二检验商品、各第三检验商品在各温度检验约束条件下的采集检验线的最长偏移宽度；

依据各第一检验商品、各第二检验商品、各第三检验商品的抽样检验差异集、抽样集成质检信息以及抽样集成比对质检信息，进行数值拟合处理得到各第一检验商品、各第二检验商品、各第三检验商品的抽样检验合格程度评估值；

将各第一检验商品、各第二检验商品、各第三检验商品的抽样检验合格程度评估值分别与相应的抽样检验合格评估阈值进行比对，若各第一检验商品、各第二检验商品、各第三检验商品的抽样检验合格程度评估值低于相应的抽样检验合格评估阈值，则统一标记为未达标抽样商品进行智能辅助管理提示。