电子标签识别辅助提升图像识别准确度的训练方法技术

本发明专利技术公开了一种电子标签识别辅助提升图像识别准确度的训练方法，包括步骤：对用于图像识别的检测模型进行初步训练和测试，所述检测模型的图像识别准确率达到第一合格阈值，进而得到中间检测模型；通过电子标签和所述中间检测模型同时对发生变化的待检测商品进行识别，在两者识别结果不一致时，使用所述通过电子标签识别到的信息以及商品发生变化前后的图像信息对所述中间检测模型进行更新，重复该过程且统计所述中间检测模型的识别准确率，直到该识别准确率达到第二合格阈值，进而得到优化的检测模型。所述优化的检测模型可封装为可调用的程序模块，在使用过程中不再需要设置电子标签，且所述检测模型在商品变化的场景中具有较好的可靠性。

The training method of improving the accuracy of image recognition assisted by electronic tag recognition

【技术实现步骤摘要】
电子标签识别辅助提升图像识别准确度的训练方法
本专利技术属于图像识别领域，具体为一种电子标签识别辅助提升图像识别准确度的训练方法。
技术介绍
目前，无人零售行业异常火爆,其中涉及的关键技术是对零售商品的识别。在人工成本高昂的今天,商品自动识别技术是保障商品高效流通的重要技术之一，在无人零售场景下有很大的需求。现有商品自动识别技术有条码识别技术、RFID(射频识别标签)、计算机图像识别技术等。其中条码识别技术是现阶段最成熟的商品识别技术，但仍然存在诸多不足：1)通常需要人工对准条码位置进行扫码识别，无法实现全自动化；2)条码标签容易变形、损坏，影响识别准确率，用户体验不太好。RFID解决了所述条码识别技术存在的技术问题，也是一种比较成熟的技术。但其缺陷是成本过高，涉及标签本身成本、贴标人力成本、贴标时间成本等，尤其是对于单品利润极低的部分零售商品而言，成本相对过高，难以应用。计算机图像识别技术，涉及图像处理技术和深度学习技术，发展迅速。对于图像识别技术而言，不需要条码标签、RFID，通过商品本身的图像特征进行识别，兼具自动化程度高、成本低、准确率高的特点。同时，基于神经网络的图像识别技术在应用中，人工参与度低，商品维护要求低，用户体验感好。但由于神经网络图像识别准确度的提升需要在模型训练方面投入巨大的人力物力，一旦商品品类发生变化就需要重新投入人力进行图像采集、标注、训练，所以在推广方面也会受到限制。
技术实现思路
为了克服现有RFID的成本高以及基于神经网络的图像识别技术在商品品类发生变化时对模型进行再训练的成本较高的缺陷，本专利技术提供了一种电子标签识别辅助提升图像识别准确度的训练方法。本专利技术解决其技术问题所采用的技术方案是：一种电子标签识别辅助提升图像识别准确度的训练方法，包括步骤：S1、采集图像，并进行预处理，用以构造训练集和测试集；S2、将所述训练集输入SSD神经网络算法对检测模型进行训练，训练完成后得到并输出待验证的检测模型；S3、通过所述测试集对所述待验证的检测模型进行测试并统计测试结果，若所述待验证的检测模型的识别准确率不低于第一合格阈值，将所述待验证的检测模型作为中间检测模型；否则，根据测试结果调整所述SSD神经网络算法的损失函数和卷积参数，并重复步骤S2，对所述待验证的检测模型进行再次训练；S4、通过电子标签识别方式和所述中间检测模型的图像识别方式同时对发生变化的待检测商品进行识别；S5、判断步骤S4中两种识别方式的结果是否一致，若不一致，则将变化前和变化后的图像信息及图像中发生变化的区域的信息、以及步骤S4中通过所述电子标签识别到的商品信息输入所述SSD神经网络算法，对所述中间检测模型进行更新，即通过所述电子标签识别的结果反馈到所述SSD神经网络算法，进而对所述中间检测模型进行优化训练；在该步骤中，默认所述电子标签识别的结果均为正确；S6、统计所述中间检测模型的识别结果以及所述中间检测模型的训练次数，若该中间检测模型的识别准确率不低于第二合格阈值且所述中间检测模型的训练次数达到预定义的次数，则结束训练并得到优化的检测模型；否则，调整待检测商品的变化情况，并重复步骤S4以对所述中间检测模型进行优化训练。根据一个优选实施例，所述图像包含商品的特征面，且包含该特征面的图像不少于3000张。根据一个优选实施例，所述图像的分辨率为640×480。根据一个优选实施例，所述预处理步骤包括对各个图像中的ROI进行标注。根据一个优选实施例，所述第一合格阈值的范围为80％～92％。根据一个优选实施例，所述第二合格阈值的范围为93％～99％。根据一个优选实施例，所述电子标签为RFID标签。根据一个优选实施例，所述预定义的次数不少于5000次。与现有技术相比，本专利技术的有益效果是：1、在训练阶段引入电子标签的反馈，以对所述检测模型进行优化训练，提升了检测模型的图像识别的准确率，尤其是在商品品类发生变化时，无需再次投入巨大的人力和物力进行训练。2、完成对检测模型的优化训练后可封装为可调用程序模块，进而避免了单纯使用电子标签识别的成本过高的问题。附图说明图1为实施例的电子标签识别辅助提升图像识别准确度的训练方法的详细流程示意图。图2为实施例的一种系统部署方案的示意图。图号说明：10.图像识别系统，11.图像采集设备，20.电子标签识别系统，21.电子标签阅读器，30.硬件平台，40.各类商品，41.电子标签。具体实施方式以下结合附图和具体实施例对本专利技术进一步说明。本专利技术中，SSD神经网络算法是指应用CNN(神经网络)的SSD(singleshotmultiboxdetector)算法，这是本领域的常规技术，其中还涉及根据训练结果对所述损失函数以及卷积参数进行调整，均是本领域的常规技术手段，因此以下实施例中，不再对算法本身作详细介绍。如图1所示，本实施例的电子标签识别辅助提升图像识别准确度的训练方法，包括步骤：S1、采集图像，并进行预处理，用以构造训练集和测试集；其中，图像的背景与待识别商品相比应具有较大的色差，优选的，预处理过程包括：将各类待识别商品放置于商品放置柜中，并配置相应的光源，使用相机采集所述商品放置中各类商品的最大特征面的图像，所述最大特征面是指能够反映该商品的突出特征的一面或者多个面，图像采集过程中，调整所述各类商品的位置、在所述相机的拍摄视野中的位置等信息，每类商品的每个特征面至少采集3000张分辨率为640×480的图像，并对各个图像中的ROI(感兴趣区域)进行标注，这些图像及其对应的ROI标注数据一部分作为训练集，余下部分作为测试集；S2、将所述训练集输入SSD神经网络算法对检测模型进行训练，包括识别商品的种类和数量，训练完成后得到并输出待验证的检测模型；S3、通过所述测试集对所述待验证的检测模型进行测试并统计测试结果，若所述待验证的检测模型的识别准确率不低于第一合格阈值，该第一合格阈值的优选范围为80％～92％，将所述待验证的检测模型作为中间检测模型；否则，根据测试结果调整所述SSD神经网络算法的损失函数和卷积参数，并重复步骤S2，对所述待验证的检测模型进行再次训练；S4、通过电子标签识别方式和所述中间检测模型的图像识别方式同时对发生变化的待检测商品进行识别，该步骤待检测商品的变化涉及多种情况，例如因发生消费，图像识别的视野中商品数量减少，商品的品类减少，商品的排布方式、排放位置等发生变化等；该步骤中，为所述待检测商品均设置电子标签，本实施例中优选为RFID，并设置相应的电子标签识别系统、电子标签阅读器以进行商品识别；S5、判断步骤S4中两种识别方式的结果是否一致，若不一致，则将变化前和变化后的图像信息及图像中发生变化的区域的信息、以及步骤S4中通过所述电子标签识别到的商品信息输入所述SSD神经网络算法，对所述中间检测本文档来自技高网...

【技术保护点】
1.电子标签识别辅助提升图像识别准确度的训练方法，其特征在于包括步骤：/nS1、采集图像，并进行预处理，用以构造训练集和测试集；/nS2、将所述训练集输入SSD神经网络算法对检测模型进行训练，训练完成后得到并输出待验证的检测模型；/nS3、通过所述测试集对所述待验证的检测模型进行测试并统计测试结果，若所述待验证的检测模型的识别准确率不低于第一合格阈值，将所述待验证的检测模型作为中间检测模型；否则，根据测试结果调整所述SSD神经网络算法的损失函数和卷积参数，并重复步骤S2，对所述待验证的检测模型进行再次训练；/nS4、通过电子标签识别方式和所述中间检测模型的图像识别方式同时对发生变化的待检测商品进行识别；/nS5、判断步骤S4中两种识别方式的结果是否一致，若不一致，则将变化前和变化后的图像信息及图像中发生变化的区域的信息、以及步骤S4中通过所述电子标签识别到的商品信息输入所述SSD神经网络算法，对所述中间检测模型进行更新，即通过所述电子标签识别的结果反馈到所述SSD神经网络算法，进而对所述中间检测模型进行优化训练；在该步骤中，默认所述电子标签识别的结果均为正确；/nS6、统计所述中间检测模型的识别结果以及所述中间检测模型的训练次数，若该中间检测模型的识别准确率不低于第二合格阈值且所述中间检测模型的训练次数达到预定义的次数，则结束训练并得到优化的检测模型；否则，调整待检测商品的变化情况，并重复步骤S4以对所述中间检测模型进行优化训练。/n...

【技术特征摘要】
1.电子标签识别辅助提升图像识别准确度的训练方法，其特征在于包括步骤：
S1、采集图像，并进行预处理，用以构造训练集和测试集；
S2、将所述训练集输入SSD神经网络算法对检测模型进行训练，训练完成后得到并输出待验证的检测模型；
S3、通过所述测试集对所述待验证的检测模型进行测试并统计测试结果，若所述待验证的检测模型的识别准确率不低于第一合格阈值，将所述待验证的检测模型作为中间检测模型；否则，根据测试结果调整所述SSD神经网络算法的损失函数和卷积参数，并重复步骤S2，对所述待验证的检测模型进行再次训练；
S4、通过电子标签识别方式和所述中间检测模型的图像识别方式同时对发生变化的待检测商品进行识别；
S5、判断步骤S4中两种识别方式的结果是否一致，若不一致，则将变化前和变化后的图像信息及图像中发生变化的区域的信息、以及步骤S4中通过所述电子标签识别到的商品信息输入所述SSD神经网络算法，对所述中间检测模型进行更新，即通过所述电子标签识别的结果反馈到所述SSD神经网络算法，进而对所述中间检测模型进行优化训练；在该步骤中，默认所述电子标签识别的结果均为正确；
S6、统计所述中间检测模...

【专利技术属性】
技术研发人员：徐坚强，胡注娇，
申请(专利权)人：华东理工大学，上海孚恩电子科技有限公司，
类型：发明
国别省市：上海;31