基于深度学习的商品图像分类方法、服务器及系统技术方案

本发明专利技术公开了基于深度学习的商品图像分类方法、服务器及系统。其中该方法，包括获取商品图像并进行标注分类，形成商品图像分类训练数据集和商品图像分类测试数据集；采用SVM算法对训练数据集中的商品图像进行背景分割；将背景分割后的训练数据集输入至预训练完成的图像分类的卷积神经网络中，并采用迁移学习的方法对预训练完成的图像分类的卷积神经网络进行参数调整，构建出商品图像分类模型；将商品图像分类测试数据集输入至商品图像分类模型中进行预测分类，直至商品图像分类模型输出的预测分类达到预设精度，最终训练完成商品图像分类模型；将待分类的商品图像输入至训练完成的商品图像分类模型中，输出预测分类结果。

Classification Method, Server and System of Commodity Image Based on Deep Learning

The invention discloses a commodity image classification method, a server and a system based on depth learning. The method includes acquiring commodity images and labeling and classifying them, forming training data sets of commodity image classification and testing data sets of commodity image classification; background segmentation of commodity images in training data sets using SVM algorithm; and input training data sets after background segmentation into pre-training volume of image classification. In the product neural network, the convolution neural network of the pre-trained image classification is adjusted by the method of transfer learning, and the classification model of commodity image is constructed. The test data set of commodity image classification is input into the classification model of commodity image to predict and classify until the output of the classification model of commodity image is pre-classified. Finally, the classification model of commodity image is trained, and the classified commodity image is input into the classified model of commodity image which is trained, and the predicted classification result is output.

【技术实现步骤摘要】
基于深度学习的商品图像分类方法、服务器及系统
本专利技术属于图像识别
，尤其涉及一种基于深度学习的商品图像分类方法、服务器及系统。
技术介绍
物联网时代到来之后，电子商务急速发展，越来越多的人习惯于使用网络购物。网络购物带来了极大的便利，足不出户即可买遍全球，现如今主流的网络购物平台，如淘宝，京东，亚马逊等等，大多数是基于关键字的商品搜索系统。这种方式存在很大弊端：一方面，基于关键字的商品搜索系统要求商家首先对商品图像进行分类，然后添加对应的文字标注，但是，这些标注很难全面反映商品特征，同时由于商品图像数量的急剧增加，人工标注耗时耗力，大大降低了商家的工作效率。另一方面，用户根据自己的商品需求输入关键字进行搜索时带有主观性，这会大概率出现不同的用户需求却输入了相同的关键字，或者是相同的用户需求输入了不同的关键字，这两种情况都会导致网站检索出现的商品图像结果与用户期望不一致，也会大大降低用户购买期望商品的效率。如何能够提高购物网站的商品检索效率已经成为了人们广泛关注的问题，利用图像数据在网站上进行搜索可以减少检索对于文字的依赖性，是值得研究的一种解决方案。随着电子科技的发展，通过电子信息技术能极大的弥补这些缺陷，基于商品图像内容的图像处理方式应运而生，通过这种方式，可以直观地展示出商品的信息，无需人工进行标注，简单而又高效，应用逐渐广泛。但同时，传统的基于特征的图像分类方法提取特征复杂，单一特征无法获得较好的分类准确率。综上所述，如何解决大量商品图像的准确分类问题，尚缺乏有效的解决方案。
技术实现思路
为了解决现有技术的不足，本专利技术的第一目的是提供一种基于深度学习的商品图像分类方法，其能够快速准确地对大量商品图像进行分类。本专利技术的一种基于深度学习的商品图像分类方法，包括：获取商品图像并进行标注分类，形成商品图像分类训练数据集和商品图像分类测试数据集；采用SVM算法对商品图像分类训练数据集中的商品图像进行背景分割；将背景分割后的商品图像分类训练数据集输入至预训练完成的图像分类的卷积神经网络中，并采用迁移学习的方法对预训练完成的图像分类的卷积神经网络进行参数调整，构建出商品图像分类模型；将商品图像分类测试数据集输入至商品图像分类模型中进行预测分类，直至商品图像分类模型输出的预测分类达到预设精度，最终训练完成商品图像分类模型；将待分类的商品图像输入至训练完成的商品图像分类模型中，输出预测分类结果。进一步的，采用SVM算法对商品图像分类训练数据集中的商品图像进行背景分割的过程，包括：将待分割的商品图像做前景标签和背景标签；分别从前景标签和背景标签中若干个像素点作为训练样本，并提取相应特征；确定SVM分类器的参数和核函数，采用提取的相应特征训练SVM分类器；利用训练完成的SVM分类器对待分割商品图像的像素点进行分类，实现商品图像的背景分割。进一步的，SVM分类器的核函数选择多项式核函数。进一步的，在采用迁移学习的方法对预训练完成的图像分类的卷积神经网络进行参数调整的过程中，依据卷积核容量原则对预训练完成的图像分类的卷积神经网络进行改进。本专利技术的第二目的是一种基于深度学习的商品图像分类服务器。本专利技术的一种基于深度学习的商品图像分类服务器，包括：数据集获取模块，其被配置为：获取商品图像并进行标注分类，形成商品图像分类训练数据集和商品图像分类测试数据集；背景分割模块，其被配置为：采用SVM算法对商品图像分类训练数据集中的商品图像进行背景分割；商品图像分类模型构建模块，其被配置为：将背景分割后的商品图像分类训练数据集输入至预训练完成的图像分类的卷积神经网络中，并采用迁移学习的方法对预训练完成的图像分类的卷积神经网络进行参数调整，构建出商品图像分类模型；商品图像分类模型测试模块，其被配置为：将商品图像分类测试数据集输入至商品图像分类模型中进行预测分类，直至商品图像分类模型输出的预测分类达到预设精度，最终训练完成商品图像分类模型；预测分类模块，其被配置为：将待分类的商品图像输入至训练完成的商品图像分类模型中，输出预测分类结果。进一步的，所述背景分割模块，包括：标签设置模块，其被配置为：将待分割的商品图像做前景标签和背景标签；特征提取模块，其被配置为：分别从前景标签和背景标签中若干个像素点作为训练样本，并提取相应特征；SVM分类器训练模块，其被配置为：确定SVM分类器的参数和核函数，采用提取的相应特征训练SVM分类器；SVM分类器分类模块，其被配置为：利用训练完成的SVM分类器对待分割商品图像的像素点进行分类，实现商品图像的背景分割。进一步的，在所述SVM分类器训练模块中，SVM分类器的核函数选择多项式核函数。进一步的，在所述商品图像分类模型构建模块中，依据卷积核容量原则对预训练完成的图像分类的卷积神经网络进行改进。本专利技术的第三目的是提供一种基于深度学习的商品图像分类系统。本专利技术的一种基于深度学习的商品图像分类系统，包括上述所述的基于深度学习的商品图像分类服务器。与现有技术相比，本专利技术的有益效果是：(1)本专利技术采用了SVM分类器对商品图像进行了背景分割，相比于传统图像分类，在对商品图像背景进行分割之后，可提高分类的准确率。(2)本专利技术还对网络结构进行了预训练，预训练后的参数迁移到新的网络中作为初始化参数，将商品图像分类测试数据集输入至商品图像分类模型中进行预测分类，直至商品图像分类模型输出的预测分类达到预设精度，最终训练完成商品图像分类模型，提高了商品图像分类的准确率。附图说明构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。图1是本专利技术的一种基于深度学习的商品图像分类方法流程图。图2是空间映射示意图。图3(a)是分割前的商品图像。图3(b)是SVM背景分割后的图像。图4是本专利技术采用的预训练完成的图像分类的卷积神经网络结构示意图。图5是卷积层示意图。图6(a)是Sigmoid函数。图6(b)是ReLU激活函数。图7是AlexNet结构示意图。图8是本专利技术的一种基于深度学习的商品图像分类服务器结构示意图。具体实施方式应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属
的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。图1是本专利技术的一种基于深度学习的商品图像分类方法流程图。如图1所示，本专利技术的一种基于深度学习的商品图像分类方法，包括：步骤1：获取商品图像并进行标注分类，形成商品图像分类训练数据集和商品图像分类测试数据集。具体地，本实施例的数据集来自于目前使用比较广泛的淘宝天猫、京东、亚马逊等各大购物网站，共包含10类商品，其中部分图像具有背景，图像大小为256*256，图像格式为.jpg。步骤2：采用SVM算法对商品图像分类训练数据集中的商品图像进行背景分割。本实施例的商品图像背景的分本文档来自技高网...

【技术保护点】
1.一种基于深度学习的商品图像分类方法，其特征在于，包括：获取商品图像并进行标注分类，形成商品图像分类训练数据集和商品图像分类测试数据集；采用SVM算法对商品图像分类训练数据集中的商品图像进行背景分割；将背景分割后的商品图像分类训练数据集输入至预训练完成的图像分类的卷积神经网络中，并采用迁移学习的方法对预训练完成的图像分类的卷积神经网络进行参数调整，构建出商品图像分类模型；将商品图像分类测试数据集输入至商品图像分类模型中进行预测分类，直至商品图像分类模型输出的预测分类达到预设精度，最终训练完成商品图像分类模型；将待分类的商品图像输入至训练完成的商品图像分类模型中，输出预测分类结果。

【技术特征摘要】
1.一种基于深度学习的商品图像分类方法，其特征在于，包括：获取商品图像并进行标注分类，形成商品图像分类训练数据集和商品图像分类测试数据集；采用SVM算法对商品图像分类训练数据集中的商品图像进行背景分割；将背景分割后的商品图像分类训练数据集输入至预训练完成的图像分类的卷积神经网络中，并采用迁移学习的方法对预训练完成的图像分类的卷积神经网络进行参数调整，构建出商品图像分类模型；将商品图像分类测试数据集输入至商品图像分类模型中进行预测分类，直至商品图像分类模型输出的预测分类达到预设精度，最终训练完成商品图像分类模型；将待分类的商品图像输入至训练完成的商品图像分类模型中，输出预测分类结果。2.如权利要求1所述的一种基于深度学习的商品图像分类方法，其特征在于，采用SVM算法对商品图像分类训练数据集中的商品图像进行背景分割的过程，包括：将待分割的商品图像做前景标签和背景标签；分别从前景标签和背景标签中若干个像素点作为训练样本，并提取相应特征；确定SVM分类器的参数和核函数，采用提取的相应特征训练SVM分类器；利用训练完成的SVM分类器对待分割商品图像的像素点进行分类，实现商品图像的背景分割。3.如权利要求2所述的一种基于深度学习的商品图像分类方法，其特征在于，SVM分类器的核函数选择多项式核函数。4.如权利要求1所述的一种基于深度学习的商品图像分类方法，其特征在于，在采用迁移学习的方法对预训练完成的图像分类的卷积神经网络进行参数调整的过程中，依据卷积核容量原则对预训练完成的图像分类的卷积神经网络进行改进。5.一种基于深度学习的商品图像分类服务器，其特征在于，包括：数据集获取模块，其被配置为：获取商品图像并进行标注分类，形成商品图像分类训练数据集和商品图像分类测试数据集；...

【专利技术属性】
技术研发人员：宋连嵩，王晶晶，孙昂，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：山东,37