本技术涉及图像识别,尤其涉及一种图像识别方法、图像识别模型的训练方法、装置及设备。
背景技术:
1、在零售业领域,商家通常会将货品有规律地陈列在货架上,用户可以根据自身需求从货架上选取并购买货品,从而达到促进交易,提高货品销售数量的目的。
2、在实际应用中,商家需要及时对货架上的货品进行识别,以使及时补充货架上缺失的货品,或将位置摆放错误的货品进行归位等。目前,对货架上的货品进行识别主要通过获取货架上每一货品的图像,并通过图像识别技术获取该货品对应的最小存货单位(stockkeeping unit,sku),从而达到货品识别的目的。
3、然而,现有技术中,在多个货品的外包装类似或摆放重叠时,存在识别准确度较低的问题。
技术实现思路
1、本技术提供一种图像识别方法、图像识别模型的训练方法、装置及设备,以解决现有技术中识别货架上的货品准确度较低的问题。
2、第一方面,本技术实施例提供一种图像识别方法,包括:
3、根据多个存放区域中目标存放区域对应的拍摄图像,确定目标存放区域内每一待识别货品的识别结果,每一待识别货品的识别结果用于表示针对该待识别货品识别得到的多个货品标识;
4、根据各待识别货品的识别结果生成货品关系网络图,其中,所述货品关系网络图包括多个节点,所述节点用于表示货品标识,对应于不同待识别货品的任意两个节点通过边连接,所述边用于表示所述两个节点对应的货品在历史上处于同一存放区域的概率;
5、将所述货品关系网络图输入图神经网络模型中,获取每一待识别货品的目标标识。
6、在第一方面的一种可能设计中,所述根据各待识别货品的识别结果生成货品关系网络图,包括:
7、针对各待识别货品,根据所述待识别货品的识别结果确定参考的货品标识,其中,所述参考的货品标识与所述识别结果中的各货品标识对应的货品在历史上均不处于同一存放区域;
8、根据所述待识别货品的识别结果中的货品标识以及参考的货品标识,生成货品关系网络图。
9、可选的,在所述将所述货品关系网络图输入图神经网络模型中,获取每一待识别货品的目标标识之后,所述方法还包括:
10、获取各待识别货品的提醒信息,所述提醒信息用于提醒工作人员所述待识别货品是否属于所述目标存放区域。
11、在第一方面的另一种可能设计中,在所述根据多个存放区域中目标存放区域对应的拍摄图像,确定目标存放区域内每一待识别货品的识别结果之前,所述方法还包括:
12、根据各货品模板图像的视觉特征,构建视觉特征数据库;
13、获取多个存放区域中所述目标存放区域对应的拍摄图像;
14、相应的,所述根据多个存放区域中目标存放区域对应的拍摄图像,确定目标存放区域内每一待识别货品的识别结果,包括:
15、根据所述拍摄图像的目标视觉特征,从所述视觉特征数据库中确定出各待识别货品的识别结果。
16、在第一方面的再一种可能设计中,所述货品关系网络图的各节点还用于表示对应的货品与待识别货品的相似度。
17、第二方面,本技术实施例提供一种图像识别模型的训练方法,包括:
18、根据多个样本货品的货品模板图像,确定各样本货品的识别结果,每一样本货品的识别结果用于表示针对该样本货品识别得到的多个货品标识;
19、根据各样本货品的识别结果生成样本货品关系网络图,其中,所述样本货品关系网络图包括多个节点,所述节点用于表示货品标识,对应于不同样本货品的任意两个节点通过边连接,所述边用于表示所述两个节点对应的样本货品在历史上处于同一样本存放区域的概率;
20、根据所述样本货品关系网络图,对初始图神经网络模型进行训练,获取图神经网络模型。
21、在第二方面的一种可能设计中,所述根据各样本货品的识别结果生成样本货品关系网络图,包括:
22、针对各样本货品,根据所述样本货品的识别结果确定参考的货品标识,其中,所述参考的货品标识与所述识别结果中的各货品标识对应的样本货品在历史上均不处于同一样本存放区域;
23、根据所述样本货品的识别结果中的货品标识以及参考的货品标识,生成样本货品关系网络图。
24、在第二方面的另一种可能设计中,所述根据多个样本货品的货品模板图像,确定各样本货品的识别结果,包括:
25、针对各样本货品,对所述样本货品的货品模板图像进行数据增强,生成多个样本图像;
26、根据各样本货品的多个样本图像,确定各样本货品的识别结果。
27、在第二方面的再一种可能设计中,所述样本货品关系网络图的各节点还用于表示对应的样本货品与货品的相似度。
28、第三方面,本技术实施例提供一种图像识别装置,包括:
29、处理模块,用于根据多个存放区域中目标存放区域对应的拍摄图像,确定目标存放区域内每一待识别货品的识别结果,每一待识别货品的识别结果用于表示针对该待识别货品识别得到的多个货品标识;
30、所述处理模块,还用于根据各待识别货品的识别结果生成货品关系网络图,其中,所述货品关系网络图包括多个节点,所述节点用于表示货品标识,对应于不同待识别货品的任意两个节点通过边连接,所述边用于表示所述两个节点对应的货品在历史上处于同一存放区域的概率;
31、输入模块,用于将所述货品关系网络图输入图神经网络模型中,获取每一待识别货品的目标标识。
32、在第三方面的一种可能设计中,所述处理模块,具体用于:
33、针对各待识别货品,根据所述待识别货品的识别结果确定参考的货品标识,其中,所述参考的货品标识与所述识别结果中的各货品标识对应的货品在历史上均不处于同一存放区域;
34、根据所述待识别货品的识别结果中的货品标识以及参考的货品标识,生成货品关系网络图。
35、可选的,在所述将所述货品关系网络图输入图神经网络模型中,获取每一待识别货品的目标标识之后,所述装置还包括:
36、获取模块,用于获取各待识别货品的提醒信息,所述提醒信息用于提醒工作人员所述待识别货品是否属于所述目标存放区域。
37、在第三方面的另一种可能设计中,在所述根据多个存放区域中目标存放区域对应的拍摄图像,确定目标存放区域内每一待识别货品的识别结果之前,所述处理模块还用于根据各货品模板图像的视觉特征,构建视觉特征数据库;
38、所述获取模块还用于获取多个存放区域中所述目标存放区域对应的拍摄图像;
39、相应的,处理模块具体用于:
40、根据所述拍摄图像的目标视觉特征,从所述视觉特征数据库中确定出各待识别货品的识别结果。
41、在第三方面的再一种可能设计中,所述货品关系网络图的各节点还用于表示对应的货品与待识别货品的相似度。
42、第四方面,本技术实施例提供一种图像识别模型的训练装置,包括:
43、处理模块,用于根据多个样本货品的货品模板图像,确定各样本货品的识别结果,每一样本货品的识别结果用于表示针对该样本货品识别得到的多个货品标识;
44、所述处理模块,还用于根据各样本货品的识别结果生成样本货品关系网络图,其中,所述样本货品关系网络图包括多个节点,所述节点用于表示货品标识,对应于不同样本货品的任意两个节点通过边连接,所述边用于表示所述两个节点对应的样本货品在历史上处于同一样本存放区域的概率;
45、训练模块,用于根据所述样本货品关系网络图,对初始图神经网络模型进行训练,获取图神经网络模型。
46、在第四方面的一种可能设计中,所述处理模块,具体用于:
47、针对各样本货品,根据所述样本货品的识别结果确定参考的货品标识,其中,所述参考的货品标识与所述识别结果中的各货品标识对应的样本货品在历史上均不处于同一样本存放区域;
48、根据所述样本货品的识别结果中的货品标识以及参考的货品标识,生成样本货品关系网络图。
49、在第四方面的另一种可能设计中,所述处理模块,具体用于:
50、针对各样本货品,对所述样本货品的货品模板图像进行数据增强,生成多个样本图像;
51、根据各样本货品的多个样本图像,确定各样本货品的识别结果。
52、在第四方面的再一种可能设计中,所述样本货品关系网络图的各节点还用于表示对应的样本货品与货品的相似度。
53、第五方面,本技术实施例提供一种电子设备,包括:处理器、存储器及存储在所述存储器上并可在处理器上运行的计算机程序指令,所述处理器执行所述计算机程序指令时用于实现第一方面、第二方面以及各可能设计提供的方法。
54、第六方面,本技术实施例可提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现第一方面、第二方面以及各可能设计提供的方法。
55、第七方面,本技术实施例提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时用于实现第一方面、第二方面以及各可能设计提供的方法。
56、本技术实施例提供的图像识别方法、图像识别模型的训练方法、装置及设备,在图像识别方法中,电子设备根据多个存放区域中目标存放区域对应的拍摄图像,确定目标存放区域内每一待识别货品的识别结果,根据各待识别货品的识别结果生成货品关系网络图,最后将货品关系网络图输入图神经网络模型中,获取每一待识别货品的目标标识。其中,货品关系网络图包括多个节点,节点用于表示货品标识,对应于不同待识别货品的任意两个节点通过边连接,边用于表示两个节点对应的货品在历史上处于同一存放区域的概率。通过各货品在历史上处于同一存放区域的概率从识别结果的多个货品标识中确定出目标标识,从而获取最有可能放置在目标存放区域内的货品标识集合,有效的提高了识别的准确度。