首饰分类系统、方法、装置以及存储介质制造方法及图纸

本申请公开了一种首饰分类系统、方法、装置以及存储介质。其中，该系统包括：图像处理服务器、用于采集待分类首饰的图像信息的图像采集装置、用于采集待分类首饰的重量信息的称重装置，并且图像采集装置和称重装置与图像处理服务器连接，其中图像处理服务器配置用于执行以下操作：从图像采集装置接收图像信息，利用预先训练的深度学习模型对图像信息进行计算，确定待分类首饰所属的类别；从称重装置接收重量信息，将重量信息与待分类首饰所属的类别对应的重量信息进行比对；以及根据比对的结果对深度学习模型进行优化。

Jewelry classification system, method, device and storage medium

【技术实现步骤摘要】
首饰分类系统、方法、装置以及存储介质
本申请涉及人工智能
，特别是涉及一种首饰分类系统、方法、装置以及存储介质。
技术介绍
传统的首饰分拣主要采用人工称重进行分拣，采取人工称重分拣的方式需要大量的熟练分拣员,且受到分拣精度主观和熟练度影响。随着技术的发展，为了提高工人分拣效率，开始研制首饰款式智能分类装置,它综合了深度学习图像处理技术机器学习技术,视觉检测技术。这类智能自动检查装置能针对工人分拣不同款式首饰培训难度大错捡多的问题进行了改善,能进一步提高首饰厂的效率。然而，现有的用于首饰分类的深度学习模型在训练过程中只是采用首饰图像训练模型，缺少对模型的监督训练，因此模型的精准度还有待提升。针对上述的现有技术中存在的首饰分拣的方法只是利用图像识别模型对首饰图像进行识别，无法对模型的识别结果进行监督，因此影响模型的精准度的技术问题，目前尚未提出有效的解决方案。
技术实现思路
本公开的实施例提供了一种首饰分类系统、方法、装置以及存储介质，以至少解决现有技术中存在的首饰分拣的方法只是利用图像识别模型对首饰图像进行识别，无法对模型的识别结果进行监督，因此影响模型的精准度。根据本公开实施例的一个方面，提供了一种首饰分类系统，包括：图像处理服务器、用于采集待分类首饰的图像信息的图像采集装置、用于采集待分类首饰的重量信息的称重装置，并且图像采集装置和称重装置与图像处理服务器连接，其中图像处理服务器配置用于执行以下操作：从图像采集装置接收图像信息，利用预先训练的深度学习模型对图像信息进行计算，确定待分类首饰所属的类别；从称重装置接收重量信息，将重量信息与待分类首饰所属的类别对应的重量信息进行比对；以及根据比对的结果对深度学习模型进行优化。根据本公开实施例的另一方面，还提供了一种首饰分类的方法，包括：获取待分类首饰的图像信息和重量信息；利用预先训练的深度学习模型对图像信息进行计算，确定待分类首饰所属的类别；将重量信息与待分类首饰所属的类别对应的重量信息进行比对；以及根据比对的结果对深度学习模型进行优化。根据本公开实施例的另一个方面，还提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时由处理器执行以上任意一项所述的方法。根据本公开实施例的另一个方面，还提供了一种首饰分类的装置，包括：数据获取模块，用于获取待分类首饰的图像信息和重量信息；类别确定模块，用于利用预先训练的深度学习模型对图像信息进行计算，确定待分类首饰所属的类别；比对模块，用于将重量信息与待分类首饰所属的类别对应的重量信息进行比对；以及优化模块，用于根据比对的结果对深度学习模型进行优化。根据本公开实施例的另一个方面，还提供了一种首饰分类的装置，包括：处理器；以及存储器，与处理器连接，用于为处理器提供处理以下处理步骤的指令：获取待分类首饰的图像信息和重量信息；利用预先训练的深度学习模型对图像信息进行计算，确定待分类首饰所属的类别；将重量信息与待分类首饰所属的类别对应的重量信息进行比对；以及根据比对的结果对深度学习模型进行优化。在本公开实施例中，图像处理服务器可以利用预先训练的深度学习模型对图像信息进行计算，确定待分类首饰所属的类别，然后将重量信息与待分类首饰所属的类别对应的重量信息进行比对，最终根据比对的结果对深度学习模型进行优化。从而与现有技术相比，本方案可以利用称重的重量信息对深度学习模型的计算结果进行监督，进而对模型做出优化。从而达到了提高模型识别结果的精准度的技术效果。进而解决了现有技术中存在的首饰分拣的方法只是利用图像识别模型对首饰图像进行识别，无法对模型的识别结果进行监督，因此影响模型的精准度的技术问题。附图说明此处所说明的附图用来提供对本公开的进一步理解，构成本申请的一部分，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。在附图中：图1是用于实现根据本公开实施例1所述的方法的计算设备的硬件结构框图；图2是根据本公开实施例1所述的首饰分类系统的示意图；图3是根据本公开实施例1的第一个方面所述的图像处理器执行操作的流程示意图；图4是根据本公开实施例1所述的模型的训练以及使用的示意图；图5a是根据本公开实施例1所述的深度学习模型架构的示意图；图5b是根据本公开实施例1所述的深度学习模型中的特征提取模型架构的示意图图6是根据本公开实施例1所述的深度学习模型输入层结构示意图；图7是根据本公开实施例1所述的特征提取层的一部分结构示意图；图8示出了与图7的结构对应的Bottleneckblock结构示意图；图9是根据本公开实施例1所述的待分类首饰的多个角度的图像信息；图10是根据本公开实施例1的第二个方面所述的首饰分类方法的流程示意图；图11是根据本公开实施例2所述的首饰分类装置的示意图；以及图12是根据本公开实施例3所述的首饰分类装置的示意图。具体实施方式为了使本
的人员更好地理解本公开的技术方案，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本公开一部分的实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本公开保护的范围。需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。实施例1根据本实施例，提供了一种首饰分类的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。本实施例所提供的方法实施例可以在服务器或者类似的计算设备中执行。图1示出了一种用于实现首饰分类方法的计算设备的硬件结构框图。如图1所示，计算设备可以包括一个或多个处理器(处理器可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器、以及用于通信功能的传输装置。除此以外，还可以包括：显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为I/O接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算设备还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。本文档来自技高网...

【技术保护点】
1.一种首饰分类系统，其特征在于，包括：图像处理服务器、用于采集待分类首饰的图像信息的图像采集装置、用于采集所述待分类首饰的重量信息的称重装置，并且所述图像采集装置和所述称重装置与所述图像处理服务器连接，其中所述图像处理服务器配置用于执行以下操作：/n从所述图像采集装置接收所述图像信息，利用预先训练的深度学习模型对所述图像信息进行计算，确定所述待分类首饰所属的类别；/n从所述称重装置接收所述重量信息，将所述重量信息与所述待分类首饰所属的类别对应的重量信息进行比对；以及/n根据比对的结果对所述深度学习模型进行优化。/n

【技术特征摘要】
20200630 CN 20201062193381.一种首饰分类系统，其特征在于，包括：图像处理服务器、用于采集待分类首饰的图像信息的图像采集装置、用于采集所述待分类首饰的重量信息的称重装置，并且所述图像采集装置和所述称重装置与所述图像处理服务器连接，其中所述图像处理服务器配置用于执行以下操作：
从所述图像采集装置接收所述图像信息，利用预先训练的深度学习模型对所述图像信息进行计算，确定所述待分类首饰所属的类别；
从所述称重装置接收所述重量信息，将所述重量信息与所述待分类首饰所属的类别对应的重量信息进行比对；以及
根据比对的结果对所述深度学习模型进行优化。


2.根据权利要求1所述的系统，其特征在于，所述图像信息为多个不同角度的图像信息，并且利用预先训练的深度学习模型对所述图像信息进行计算，确定所述待分类首饰所属的类别，包括：
利用所述深度学习模型包含的多个特征提取模型分别提取所述多个不同角度的图像信息的特征信息；
将每个所述特征提取模型提取的特征信息进行合并；以及
利用分类器对合并后的特征信息进行计算，确定所述待分类首饰所属的类别。


3.根据权利要求2所述的系统，其特征在于，每个所述特征提取模型包括串行连接的一个输入层和多个特征提取层。


4.根据权利要求3所述的系统，其特征在于，所述特征提取层是基于Resnet的网络结构。


5.根据权利要求1所述的系统，其特征在于，根据比对的结果对所述深度学习模型进行优化，包括：...

【专利技术属性】
技术研发人员：钟宗余，张挺杰，
申请(专利权)人：北京滴普科技有限公司，
类型：发明
国别省市：北京;11