一种基于深度学习的商品识别方法及装置与流程

本发明涉及商品识别领域，特别涉及一种基于深度学习的商品识别方法及装置。

背景技术：

深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟忍耐进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像、声音和文本。而在电商系统中，给用户推荐商品是提高商品销量的常用手段，而在推荐过程中，商品模型至关重要，是整个电商系统的核心；目前，可以通过训练获取商品模型并根据商品模型来对待推荐商品进行模拟，获得待推荐商品的预测输出，进而向用户进行推荐。随着科学技术的发展，对于商品模型的训练要求生成的商品模型准确度越来越高，训练效率要求也越来越高，现有的商品模型训练方法逐渐不能满足当前的需求，因此一种基于深度学习的商品识别方法是当前所需要的。

技术实现要素：

本发明提供一种基于深度学习的商品识别方法及装置，将基于深度学习训练得到的商品模型应用至商品识别中，且该方法提升了商品识别的准确度和识别效率，提升了用户体验。

根据本发明实施例的第一方面，提供一种基于深度学习的商品识别方法，包括：

根据基于深度学习的检测方法训练商品图片，并获取商品模型；

获取视频节目中的图像，并根据所述商品模型识别所述图像中是否存在商品；

将自所述图像中识别出的所述商品与指定商城中的商城商品进行匹配；

从匹配的所述商城商品中，根据预设参数选取特定商城商品。

在一个实施例中，所述从匹配的所述商城商品中，根据预设参数选取特定商城商品之后，还包括：

将选取的所述特定商城商品的链接发送至用户。

在一个实施例中，所述基于深度学习的检测方法包括基于深度学习的faster-rcnn算法。

在一个实施例中，所述将自所述图像中识别出的所述商品与指定商城中的商城商品进行匹配，包括：

根据感知哈希算法，将自所述图像中识别出来的所述商品与指定商城中的商城商品进行匹配，并将所述指定商城中所有与所述商品匹配的商城商品设定为识别出的商城商品。

在一个实施例中，所述从匹配的所述商城商品中，根据预设参数选取特定商城商品，包括：

获取与识别出的所述商品匹配的各所述商城商品所处商城的地理位置；

获取各所述商城商品所处商城的地理位置与用户所在的地理位置之间的距离；

选取所处商城的地理位置与用户所在的地理位置之间的距离最短的商城商品作为特定商城商品。

根据本发明实施例的第二方面，还提供一种基于深度学习的商品识别装置，包括：

训练模块，用于根据基于深度学习的检测方法训练商品图片，并获取商品模型；

识别模块，用于获取视频节目中的图像，并根据所述商品模型识别所述图像中是否存在商品；

匹配模块，用于将自所述图像中识别出的所述商品与指定商城中的商城商品进行匹配；

选取模块，用于从匹配的所述商城商品中，根据预设参数选取特定商城商品。

在一个实施例中，所述装置还包括：

发送模块，用于将选取的所述特定商城商品的链接发送至用户。

在一个实施例中，所述基于深度学习的检测方法包括基于深度学习的faster-rcnn算法。

在一个实施例中，所述匹配模块包括：

匹配子模块，用于根据感知哈希算法，将自所述图像中识别出来的所述商品与指定商城中的商城商品进行匹配，并将所述指定商城中所有与所述商品匹配的商城商品设定为识别出的商城商品。

在一个实施例中，所述选取模块包括：

第一获取子模块，用于获取与识别出的所述商品匹配的各所述商城商品所处商城的地理位置；

第二获取子模块，用于获取各所述商城商品所处商城的地理位置与用户所在的地理位置之间的距离；

选取子模块，用于选取所处商城的地理位置与用户所在的地理位置之间的距离最短的商城商品作为特定商城商品。

本发明实施例提供的技术方案可产生以下有益效果：根据基于深度学习的检测方法训练商品图片，并获取商品模型；获取视频节目中的图像，并根据所述商品模型识别所述图像中是否存在商品；将自所述图像中识别出的所述商品与指定商城中的商城商品进行匹配；从匹配的所述商城商品中，根据预设参数选取特定商城商品。该方案将基于深度学习训练得到的商品模型应用至商品识别中，且该方法提升了商品识别的准确度和识别效率，提升了用户体验。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。

在附图中：

图1为本发明根据一示例性实施例示出的一种基于深度学习的商品识别方法的流程图。

图2为本发明根据一示例性实施例示出的另一种基于深度学习的商品识别方法的流程图。

图3为本发明根据一示例性实施例示出的一种基于深度学习的商品识别方法的步骤S30的流程图。

图4为本发明根据一示例性实施例示出的一种基于深度学习的商品识别方法的步骤S40的流程图。

图5为本发明根据一示例性实施例示出的一种基于深度学习的商品识别装置的框图。

图6为本发明根据一示例性实施例示出的另一种基于深度学习的商品识别装置的框图。

图7为本发明根据一示例性实施例示出的一种基于深度学习的商品识别装置的匹配模块63的框图。

图8为本发明根据一示例性实施例示出的一种基于深度学习的商品识别装置的选取模块64的框图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

本公开实施例提供了一种基于深度学习的商品识别方法，用于将基于深度学习训练得到的商品模型应用至商品识别中，且该方法提升了商品识别的准确度和识别效率，提升了用户体验。如图1所示，该方法包括步骤S10-S40：

在步骤S10中，根据基于深度学习的检测方法训练商品图片，并获取商品模型；其中，所述基于深度学习的检测方法可以根据需求进行设定，在一个实施例中，所述基于深度学习的检测方法为基于深度学习的faster-rcnn算法。但在本发明中，所述基于深度学习的检测方法不限定于以上算法，只要可以达到训练所需的商品模型的效果即可。

在步骤S20中，获取视频节目中的图像，并根据所述商品模型识别所述图像中是否存在商品；在本实施例中，首先需要自视频节目中获取图像，并根据预设检测方法(可以根据需求进行设定)检测所述图像中是否存在商品，当检测到所述图像中并不存在商品时，可以将所述图像丢弃并重新进行获取图像；当检测到所述图像中存在商品时，可以在以下步骤中将其与指定商城中的商城商品进行匹配。

在步骤S30中，将自所述图像中识别出的所述商品与指定商城中的商城商品进行匹配；其中，所述指定商城可以是用户指定的多个商城，也可以是在用户默认系统设置的商城。在视频节目中识别出商品完毕之后，可以将其与指定商城中的商城商品进行比对，且在比对之后，将与在视频节目中识别出商品匹配的商城商品，设定为在该商城中识别出的商城商品。

在步骤S40中，从匹配的所述商城商品中，根据预设参数选取特定商城商品。也即，所述预设参数可以根据用户需求进行设定，比如，根据商城与用户之间的地理位置的距离、商品价格、用户喜好、商品购买的频率及好评率等。

在一个实施例中，如图2所示，所述方法的步骤S40之后还包括步骤S50：

在步骤S50中，将选取的所述特定商城商品的链接发送至用户。也即，在将所述特定商城商品选取完毕之后，将该特定商城商品发送至用户，以供用户进行选择。

在一个实施例中，如图3所示，所述步骤S30包括：

步骤S301、根据感知哈希算法，将自所述图像中识别出来的所述商品与指定商城中的商城商品进行匹配，并将所述指定商城中所有与所述商品匹配的商城商品设定为识别出的商城商品。其中，所述指定商城可以是用户指定的多个商城，也可以是在用户默认系统设置的商城。在视频节目中识别出商品完毕之后，可以将其与指定商城中的商城商品进行比对，且在比对之后，将与在视频节目中识别出商品匹配的商城商品，设定为在该商城中识别出的商城商品。

在一个实施例中，如图4所示，所述步骤S40包括：

步骤S401、获取与识别出的所述商品匹配的各所述商城商品所处商城的地理位置；也即，在本实施例中，将所述预设参数设定为商品所处商城与用户之间的地理位置的距离，当两者之间的地理位置的距离最短时，将该商品设定为特定商城商品。

步骤S402、获取各所述商城商品所处商城的地理位置与用户所在的地理位置之间的距离；

步骤S403、选取所处商城的地理位置与用户所在的地理位置之间的距离最短的商城商品作为特定商城商品。也即，当两者之间的地理位置的距离最短时，将该商品设定为特定商城商品，并将该特定商城商品的连接提供给用户。

本发明实施例提供的上述方法，根据基于深度学习的检测方法训练商品图片，并获取商品模型；获取视频节目中的图像，并根据所述商品模型识别所述图像中是否存在商品；将自所述图像中识别出的所述商品与指定商城中的商城商品进行匹配；从匹配的所述商城商品中，根据预设参数选取特定商城商品。该方案将基于深度学习训练得到的商品模型应用至商品识别中，且该方法提升了商品识别的准确度和识别效率，提升了用户体验。

对应本发明实施例提供的基于深度学习的商品识别方法，本发明还提供基于深度学习的商品识别装置，如图5所示，该装置可包括：

训练模块61，用于根据基于深度学习的检测方法训练商品图片，并获取商品模型；其中，所述基于深度学习的检测方法可以根据需求进行设定，在一个实施例中，所述基于深度学习的检测方法为基于深度学习的faster-rcnn算法。但在本发明中，所述基于深度学习的检测方法不限定于以上算法，只要可以达到训练所需的商品模型的效果即可。

识别模块62，用于获取视频节目中的图像，并根据所述商品模型识别所述图像中是否存在商品；在本实施例中，首先需要自视频节目中获取图像，并根据预设检测方法(可以根据需求进行设定)检测所述图像中是否存在商品，当检测到所述图像中并不存在商品时，可以将所述图像丢弃并重新进行获取图像；当检测到所述图像中存在商品时，可以在以下步骤中将其与指定商城中的商城商品进行匹配。

匹配模块63，用于将自所述图像中识别出的所述商品与指定商城中的商城商品进行匹配；其中，所述指定商城可以是用户指定的多个商城，也可以是在用户默认系统设置的商城。在视频节目中识别出商品完毕之后，可以将其与指定商城中的商城商品进行比对，且在比对之后，将与在视频节目中识别出商品匹配的商城商品，设定为在该商城中识别出的商城商品。

选取模块64，用于从匹配的所述商城商品中，根据预设参数选取特定商城商品。也即，所述预设参数可以根据用户需求进行设定，比如，根据商城与用户之间的地理位置的距离、商品价格、用户喜好、商品购买的频率及好评率等。

在一个实施例中，如图6所示，所述装置还包括：

发送模块65，用于将选取的所述特定商城商品的链接发送至用户。也即，在将所述特定商城商品选取完毕之后，将该特定商城商品发送至用户，以供用户进行选择。

在一个实施例中，所述基于深度学习的检测方法包括基于深度学习的faster-rcnn算法。

在一个实施例中，如图7所示，所述匹配模块63包括：

匹配子模块631，用于根据感知哈希算法，将自所述图像中识别出来的所述商品与指定商城中的商城商品进行匹配，并将所述指定商城中所有与所述商品匹配的商城商品设定为识别出的商城商品。其中，所述指定商城可以是用户指定的多个商城，也可以是在用户默认系统设置的商城。在视频节目中识别出商品完毕之后，可以将其与指定商城中的商城商品进行比对，且在比对之后，将与在视频节目中识别出商品匹配的商城商品，设定为在该商城中识别出的商城商品。

在一个实施例中，如图8所示，所述选取模块64包括：

第一获取子模块641，用于获取与识别出的所述商品匹配的各所述商城商品所处商城的地理位置；也即，在本实施例中，将所述预设参数设定为商品所处商城与用户之间的地理位置的距离，当两者之间的地理位置的距离最短时，将该商品设定为特定商城商品。

第二获取子模块642，用于获取各所述商城商品所处商城的地理位置与用户所在的地理位置之间的距离；

选取子模块643，用于选取所处商城的地理位置与用户所在的地理位置之间的距离最短的商城商品作为特定商城商品。也即，当两者之间的地理位置的距离最短时，将该商品设定为特定商城商品，并将该特定商城商品的连接提供给用户。

本发明实施例提供的上述装置，将基于深度学习训练得到的商品模型应用至商品识别中，且该方法提升了商品识别的准确度和识别效率，提升了用户体验。

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和光学存储器等)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请求实现流程图和/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请求到通用计算机、专用计算机、嵌入式处理机或其他可编程信息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信息处理设备的处理器执行的请求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。

这些计算机程序请求也可存储在能引导计算机或其他可编程信息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请求产生包括请求装置的制造品，该请求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。

这些计算机程序请求也可装载到计算机或其他可编程信息处理设备上，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请求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。

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。