[发明专利]一种基于深度学习的大规模商品识别方法

权利要求书

1.一种基于深度学习的大规模商品识别方法，其特征在于：包括如下步骤：

S1：建立商品检测模型；

S2：将待检测图片输入至商品检测模型，获取待检测图片中所有的商品定位数据；

S3：建立商品分类模型；

S4：将待检测图片输入至商品分类模型，根据所有的商品定位数据，获取对应的商品类别数据。

2.根据权利要求1所述的基于深度学习的大规模商品识别方法，其特征在于：所述的步骤S1中，建立商品检测模型的具体方法包括如下步骤：

S1-1：将现有的多场景多商品数据集进行数据增强处理；

S1-2：将增强后数据集输入检测网络进行迭代训练；

S1-3：判断是否符合检测网络迭代结束条件，若是则输出最优的商品检测模型，否则返回步骤S1-2；

当前交并比达到预设检测网络交并比阈值或当前迭代次数达到预设检测网络迭代次数阈值，符合检测网络迭代结束条件。

3.根据权利要求2所述的基于深度学习的大规模商品识别方法，其特征在于：所述的步骤S1-1中，将多场景多商品数据集分为检测网络训练集和检测网络测试集，所述的检测网络训练集包括不少于90000张训练图片，所述的训练图片内包括不少于1300类商品和场景数据；

所述的检测网络测试集包括不少于20000张测试图片，所述的测试图片内包括不少于1000类商品和场景数据。

4.根据权利要求2所述的基于深度学习的大规模商品识别方法，其特征在于：所述的步骤S1-1中，数据增强处理的方法包括旋转、裁剪、平移、镜像和亮度改变。

5.根据权利要求2所述的基于深度学习的大规模商品识别方法，其特征在于：所述的步骤S1-2中，使用SoftNMS算法进行迭代训练。

6.根据权利要求1所述的基于深度学习的大规模商品识别方法，其特征在于：所述的步骤S3中，建立商品分类模型的具体方法包括如下步骤：

S3-1：将负样本加入现有的商品单类数据集；

S3-2：将商品单类数据集输入分类网络，进行迭代训练；

S3-3：判断是否符合分类网络迭代结束条件，若是则输出最优的商品分类模型，否则返回步骤S3-2；

当交并比达到预设分类网络交并比阈值或当前迭代次数达到预设分类网络迭代次数阈值，符合分类网络迭代结束条件。

7.根据权利要求6所述的基于深度学习的大规模商品识别方法，其特征在于：所述的步骤S3-1中，将商品单类数据集分为分类网络训练集和分类网络测试集，所述的分类网络训练集包括不少于90000张训练图片，所述的训练图片内包括不少于1300类商品和场景数据，且每类商品的训练图片数量属于60-100张；

所述的分类网络测试集包括不少于20000张测试图片，所述的测试图片内包括不少于1000类商品和场景数据，且每类商品的测试图片数量属于60-100张。

8.根据权利要求1所述的基于深度学习的大规模商品识别方法，其特征在于：还包括以下步骤：

周期性获取新商品数据集，并更新多场景多商品数据集和商品单类数据集，其中，所述的新商品数据集的新商品图片数量不少于60张。

9.根据权利要求1所述的基于深度学习的大规模商品识别方法，其特征在于：所述的步骤S4中，商品类别数据的商品类别与商品单类数据集中的商品类别保持一致。