一种零售场景下的物品识别方法及设备技术

本发明专利技术公开了一种零售场景下的物品识别方法及设备，涉及物品细分技术领域，用以解决现有技术中，在零售场景下，存在无法对大量外表相似，但实际物品种类不同的物品进行精确分类识别的问题，本发明专利技术方法包括：获取物品的物品图像，将所述物品图像输入基于深度学习构建的特征识别模型，提取所述物品图像中映射物品种类的特征数据并以向量的形式输出，根据基于所述特征识别模型所构建的向量和物品种类的映射关系，获取所述特征识别模型输出的向量对应的物品种类。

A Method and Equipment for Identifying Items in Retail Scene

The invention discloses a method and equipment for identifying items in retail scenarios, which relates to the technical field of subdivision of items. It is used to solve the problem of accurately classifying and identifying a large number of items with similar appearance but different kinds of actual items in the retail scenario. The method of the invention includes: acquiring the image of items and inputting the image of the items into the base. Based on the feature recognition model constructed by in-depth learning, the feature data of the object type mapped in the object image are extracted and output in the form of vectors. According to the mapping relationship between the vector constructed by the feature recognition model and the object type, the object type corresponding to the vector output by the feature recognition model is obtained.

【技术实现步骤摘要】
一种零售场景下的物品识别方法及设备
本专利技术涉及物品细分
，特别涉及一种零售场景下的物品识别方法及设备。
技术介绍
随着科技互联网的大力发展，近年来，实体经济转型、电商流量红利消失，商业模式不断革新，线上线下融合升级的新零售时代正在来临，新零售就是以消费者体验为中心从“货-场-人”到“人-货-场”的转变，从单一零售转向多元零售形态，从“物品+服务”到“物品+服务+内容+其他”的转化，让消费场景无处不在，让社交体验灵活方便，新零售场景下的物品可追踪，可优化数据分析，让线上线下相融相生。在新零售场景下，无人售货，顾客只需将货物自动扫描图像或标签即可，但在完成零售支付的过程中，现有技术只能通过图像或标签技术，对物品实现大致分类，且随着计算机视觉技术、深度学习技术的发展，目前越来越多的人使用卷积神经网络CNN对物品图片进行分类，如在识别食品时，提供诸如牛奶、瓜子、面包、薯片等标签，在利用CNN对上述食品进行识别时，可以对上述外表不相似的商品其进行较为准确的识别分类，如所述食品系列、所属生产厂家等，但对于大量外表相似的物品，却无法准确的识别出上述食品(如牛奶)的具体口味(如原味、香蕉牛本文档来自技高网...

【技术保护点】
1.一种零售场景下的物品识别方法，其特征在于，该方法包括：获取物品的物品图像；将所述物品图像输入基于深度学习构建的特征识别模型，提取所述物品图像中映射物品种类的特征数据并以向量的形式输出；根据基于所述特征识别模型所构建的向量和物品种类的映射关系，获取所述特征识别模型输出的向量对应的物品种类。

【技术特征摘要】
1.一种零售场景下的物品识别方法，其特征在于，该方法包括：获取物品的物品图像；将所述物品图像输入基于深度学习构建的特征识别模型，提取所述物品图像中映射物品种类的特征数据并以向量的形式输出；根据基于所述特征识别模型所构建的向量和物品种类的映射关系，获取所述特征识别模型输出的向量对应的物品种类。2.如权利要求1所述的方法，其特征在于，基于深度学习构建特征识别模型，包括：获取包括多个训练样本的训练样本集及包括多个测试样本的测试样本集，每个训练样本/测试样本包括物品的物品图像及所述物品所属物品种类；随机化深度学习网络模型的模型参数得到初始的预测识别模型，所述预测识别模型包括多个特征提取网络层；触发模型训练时，利用所述训练样本集中的预设数量的训练样本，对当前预测识别模型进行至少一次训练，每次训练结束后，利用所述测试样本集中的测试样本对训练后的预测识别模型进行测试，确定测试结果满足预设精度要求时，结束训练过程，将除去最后一个特征提取网络层的当前的预测识别模型输出为所述特征识别模型。3.如权利要求2所述的方法，其特征在于，每次利用所述训练样本集中的预设数量的训练样本，对当前预测识别模型进行训练，包括：将预设数量的训练样本中的物品图像输入当前的预测识别模型，输出与所述物品图像对应的预测物品种类；根据所述物品图像的预测物品种类和所述物品图像在训练样本中对应的物品种类，通过损失函数调整当前的预测识别模型的模型参数。4.如权利要求2所述的方法，其特征在于，每次训练结束后，确定测试结果不满足预设精度要求，还包括：利用当前的预测识别模型筛选所述训练样本集的训练样本，将筛选后的训练样本集作为新的训练样本集，并重新触发模型训练。5.如权利要求4所述的方法，其特征在于，利用当前的预测识别模型筛选所述训练样本集的训练样本，将筛选后的训练样本集作为新的训练样本集，包括：分别将...

【专利技术属性】
技术研发人员：陈海波，
申请(专利权)人：深兰科技上海有限公司，
类型：发明
国别省市：上海,31