[发明专利]一种基于深度学习的大规模商品识别方法

说明书

本发明属于图像识别技术领域，公开了一种基于深度学习的大规模商品识别方法，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。本发明解决了现有技术存在的精度难以满足大规模项目需求、训练样本需求极大、无法快速迭代更新、样本复用性低、设备要求高、特征表达能力有限、工作量巨大以及运算速度慢的问题。

技术领域

本发明属于图像识别技术领域，具体涉及一种基于深度学习的大规模商品识别方法。

背景技术

商品自动结算主要是根据图片中的信息，利用目标检测方法，抽取图像中的信息，检测出图像中含有的商品列表。在一般情况下，都需要能够对多商品图像(图像中含有多款不同商品)进行检测识别，最终得到图像中商品列表。目标检测任务不仅仅需要识别静态图像中有什么物体，是什么类别，还需要预测物体所在的位置。在物体检测领域中，普遍使用目标检测或目标分割方法在一个模块中实现对物体位置的定位和分类，最终识别出静态图像中的所有目标物体。

现有技术存在的缺点：

1)现有技术的一般目标检测或分割方法，这对于小规模(目标类别较小)的商品自动结算项目，可以达到较好的效果，但是对于商品类别较为庞大的大规模商品自动结算项目，却显得逐渐乏力；

2)精度难以满足大规模项目需求；现有技术在识别数目上千时，模型训练难度大大增加，精度也随之下降，难以保证稳定性，无法达到项目商用要求；

3)训练样本需求极大，采集成本剧增；对于新增商品训练阶段需要采集的样本数目极大，大大增加人工标注的成本；

4)无法快速迭代更新。随着识别数目的增加，训练速度会随之骤减，同时训练次数要求也随之增加，最终导致模型更新周期更长，无法适应市场的快速迭代特性；

5)样本复用性低；现有技术所使用的训练样本耦合性强，即多个物体在同一张图，导致物体间数据存在一定的关系，无法实现完全的解耦，最终导致高成本采集得到的数据，只能服务于某些特定需求，无法适用于所有场景；

6)设备要求高；现有技术将定位与分类集合在一个模块中，对设备要求(如设备内存、显存)随着识别目标类别增加而极速增长，进而导致设备成本大大提高；特别针对高并发、响应速度快的应用需求，对于集群设备要求更高；

7)对于传统的检测和分类方法如SVM，相对深度学习由于结构简单，特征表达能力有限而无法应对大规模的目标识别；

8)在制作训练样本时需要对每个商品进行分割，这将带来巨大的工作量，且运算速度慢。

发明内容

为了解决现有技术存在的上述问题，本发明目的在于提供一种基于深度学习的大规模商品识别方法，用于解决现有技术存在的精度难以满足大规模项目需求、训练样本需求极大、无法快速迭代更新、样本复用性低、设备要求高、特征表达能力有限、工作量巨大以及运算速度慢的问题。

本发明所采用的技术方案为：

一种基于深度学习的大规模商品识别方法，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。

进一步地，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；