[发明专利]适用于电商平台的尺码表检测方法

说明书

本申请公开了本申请提供了一种适用于电商平台的尺码表检测方法，包括如下步骤：训练一个用于检测的卷积神经网络模型；将待检测的图片输入所述卷积神经网络模型；使所述卷积神经网络模型输出检测框的位置数据和检测框的位置数据的置信度；除去置信度低于预设置信度阈值的检测框并合并IOU值超过预设合并阈值的检测框。本申请的有益之处在于提供一种通过对尺码表本身进行人工智能判断从而在产品图片中检测出带有尺码表的图片的适用于电商平台的尺码表检测方法。

技术领域

本申请涉及一种尺码表检测方法，具体涉及一种适用于电商平台的尺码表检测方法。

背景技术

如今，各电商平台不断发展壮大，入驻店铺数量在不断增加。其中，在服饰，鞋，内衣等行业店铺中，消费者通过尺码表的指引来实现自助购物，因此针对商品尺码进行咨询的数量很大。本项发明主要适用群体为使用客服机器人的商家，为了满足智能问答的需求，需要商家后台人员在每一款商品的详情页图中找出尺码表图，并且手动的配置到问答系统中。这对于操作人员来说，从找尺码表图到进行配置，是一项耗时、枯燥且易出错的工作。导致人员成本变高，工作效率低下。

发明内容

为了解决现有技术的不足之处，本申请提供了一种适用于电商平台的尺码表检测方法，包括如下步骤：训练一个用于检测的卷积神经网络模型；将待检测的图片输入所述卷积神经网络模型；使所述卷积神经网络模型输出检测框的位置数据和检测框的位置数据的置信度；除去置信度低于预设置信度阈值的检测框并合并IOU值超过预设合并阈值的检测框。

进一步地，所述训练所述卷积神经网络模型的方法包括如下步骤：对含有尺码表的训练图像进行检测框的标注。

进一步地，所述训练所述卷积神经网络模型的方法包括如下步骤：对所述训练图像的检测框进行聚类。

进一步地，所述训练所述卷积神经网络模型的方法包括如下步骤：对所述训练图像进行卷积操作。

进一步地，所述训练所述卷积神经网络模型的方法包括如下步骤：计算预测边框与真实边框的损失值。

进一步地，所述训练所述卷积神经网络模型的方法包括如下步骤：根据所述损失值反向传播进行参数更新。

进一步地，所述训练所述卷积神经网络模型的方法包括如下步骤：判断所训练的卷积神经网络模型是否收敛，当所述卷积神经网络模型收敛后，停止训练。

进一步地，采用矩形框框选出所述训练图片中的尺码表的位置和范围。

进一步地，对所述训练图像的检测框进行聚类时采用的聚类算法为K- means算法，指定聚类簇的数量n后，可自动产生n个候选框，得到每个候选框的宽和高的值。

进一步地，所述卷积神经网络模型为全卷积神经网络模型。

本申请的有益之处在于：提供一种通过对尺码表本身进行人工智能判断从而在产品图片中检测出带有尺码表的图片的适用于电商平台的尺码表检测方法。

附图说明

构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请一种实施例的适用于电商平台的尺码表检测方法中卷积神经网络模型训练的步骤示意框图；

图2是根据本申请一种实施例的适用于电商平台的尺码表检测方法进行检测时的步骤示意框图；

图3是根据本申请一种实施例的适用于电商平台的尺码表检测方法中卷积神经网络的架构图；

图4是根据本申请一种实施例的适用于电商平台的尺码表检测方法对一个示例图片进行处理时处理前和处理后图片的示例。