一种基于深度学习的商品图像识别方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110414532A(43)申请公布日2019.11.05(21)申请号201910543429.8(22)申请日2019.06.21(71)申请人广州利科科技有限公司地址510000广东省广州市南沙区丰泽东路106号（自编1号楼）X1301-B5699（集群注册）(JM)(72)发明人金耀初何卫灵刘华(74)专利代理机构广州润禾知识产权代理事务所(普通合伙)44446代理人凌衍芬欧秋望(51)Int.Cl.G06K9/46(2006.01)G06K9/62(2006.01)权利要求书2页说明书6页附图1页(54)发明名称一种基于深度学习的商品图像识别方法(57)摘要本发明提供一种基于深度学习的商品图像识别方法，包括以下步骤：提取商品图像的轮廓特征图像；将所述轮廓特征图像输入第一深度学习模型，得到所述商品的类别匹配结果；根据类别匹配结果选取对应的第二深度学习模型，所述第二深度学习模型为多个，不同的第二深度学习模型对应不同的商品类别，所述商品类别根据商品的轮廓进行分类；提取商品图像的颜色特征图像和/或纹理特征图像；将所述颜色特征图像和/或纹理特征图像输入所述类别匹配结果对应的第二深度学习模型，得到所述商品的最终匹配结果。本发明既可以提高商品识别的准确性，又可以提高商品识别的效率。CN110414532ACN110414532A权利要求书1/2页1.一种基于深度学习的商品图像识别方法，其特征在于，包括以下步骤：提取商品图像的轮廓特征图像；将所述轮廓特征图像输入第一深度学习模型，得到所述商品的类别匹配结果；根据类别匹配结果选取对应的第二深度学习模型，所述第二深度学习模型为多个，不同的第二深度学习模型对应不同的商品类别，所述商品类别根据商品的轮廓进行分类；提取商品图像的颜色特征图像和/或纹理特征图像；将所述颜色特征图像和/或纹理特征图像输入所述类别匹配结果对应的第二深度学习模型，得到所述商品的最终匹配结果。2.根据权利要求1所述的一种基于深度学习的商品图像识别方法，其特征在于，所述第一深度学习模型采用以下步骤进行训练：将不同商品类别的样本商品在正常状态下以及预设变形状态下的轮廓样本图像作为第一样本集；根据第一样本集训练第一深度学习模型。3.根据权利要求1所述的一种基于深度学习的商品图像识别方法，其特征在于，所述第二深度学习模型采用以下步骤进行训练：将同一个商品类别的样本商品在正常状态下的颜色样本图像和/或纹理样本图像作为该商品类别对应的第二样本集；根据不同类别对应的第二样本集训练不同商品类别对应的第二深度学习模型。4.根据权利要求2或3所述的一种基于深度学习的商品图像识别方法，其特征在于，所述轮廓样本图像为样本商品多个不同空间角度的轮廓样本图像，所述颜色样本图像为样本商品多个不同空间角度的颜色样本图像，所述纹理样本图像为样本商品多个不同空间角度的纹理样本图像。5.根据权利要求1至3任一项所述的一种基于深度学习的商品图像识别方法，其特征在于，还包括以下步骤：当最终匹配结果错误时，显示类别匹配结果；若显示类别匹配结果为错误时，根据用户的输入纠正类别匹配结果；根据纠正后的类别匹配结果重新选取对应的第二深度学习模型；将颜色特征图像和/或纹理特征图像输入重新选取的第二深度学习模型，重新得到最终匹配结果。6.根据权利要求5所述的一种基于深度学习的商品图像识别方法，其特征在于，还包括以下步骤：当根据用户输入纠正类别匹配结果后，将所述轮廓特征图像作为轮廓样本图像，更新第一样本集；根据更新后的第一样本集重新训练第一深度学习模型。7.根据权利要求5所述的一种基于深度学习的商品图像识别方法，其特征在于，还包括以下步骤：若显示类别匹配结果为正确时，根据用户输入纠正最终匹配结果；当根据用户输入纠正最终匹配结果后，将所述颜色特征图像作为颜色样本图像和/或将所述纹理特征图像作为纹理样本图像，更新第二样本集；2CN110414532A权利要求书2/2页根据更新后的第二样本集重新训练第二深度学习模型。8.根据权利要求1至3、6、7任一项所述的一种基于深度学习的商品图像识别方法，其特征在于，所述提取商品图像的颜色特征图像和/或纹理特征图像，具体包括以下步骤：根据所述轮廓特征图像过滤商品图像的背景部分，得到商品图像的非背景部分；提取商品图像的非背景部分的颜色特征图像和/或纹理特征图像。9.根据权利要求1至3、6、7任一项所述的一种基于深度学习的商品图像识别方法，其特征在于，在提取商品图像的颜色特征图像和/或纹理特征图像之前，还包括以下步骤：测量所述商品的中部的颜色参数；根据所述颜色参数调整所述商品图像的颜色。10.根据权利要求9所述的一种基于深度学习的商品图像识别方法，其特征在于，所述颜色参数包