一种基于物品相似分析的方法技术

本发明专利技术提供一种基于物品相似分析的方法，涉及物品相似分析技术领域，包括以下步骤：S1、商品相似度计算；S2、设置互斥规则库；S3、动态GPU资源分配，本申请中，操作流程是使用深度卷积网络来提取商品的特征，根据特征判断商品之间的相似度，利用商品之间的相似度和容易识别错误的经验库作为商品规则库，来约束补货时的操作，从而可以避免因柜内出现大量相似商品而导致识别错误，之后根据柜内商品相似度计算平均相似度，并结合视频长度来预测算法处理订单视频的时间，根据整体的待处理视频的时间来动态调整GPU资源。态调整GPU资源。态调整GPU资源。

【技术实现步骤摘要】
一种基于物品相似分析的方法


[0001]本专利技术涉及物品相似分析
，特别的为一种基于物品相似分析的方法。

技术介绍

[0002]在无人零售行业中物品识别是依赖于商品外观颜色、商标信息、纹理特征等属性信息进行识别的。由于物品的种类繁多，很多商品具有相似的外观、颜色和纹理信息，这些因素会导致物品识别的困难。尤其是在无人货柜领域中用户在拿取物品过程中存在遮挡，无疑给物品识别增加了更多的困难，这些困难依据现有的技术还不能很好的解决。
[0003]同时无人零售的商品识别是利用GPU资源进行算法运算处理，一定的GPU资源，也就是决定了算法的算力，也就是决定了在同一时间中能够处理的待识别视频的数量。在实际应用的过程中，待识别的视频的数量是不固定的，也就是在不同的时期，所需的GPU资源也是不定，无法准确地计算所需的GPU资源，就会导致GPU资源的紧张或浪费，当GPU资源紧张的时候会导致视频订单的处理延迟，影响用户体验，当GPU资源浪费的时候，就会增加识别的成本。

技术实现思路

[0004]本专利技术提供的专利技术目的在于提供一种基于物品相似分析的方法，提出了构建一个规则库，即相似的商品作为互斥，同一柜中不允许放相似的商品，在补货的时候进行约束。同时根据已有的历史数据来预测处理订单视频的时间，从而动态调整GPU资源。
[0005]为实现以上目的，本专利技术通过以下技术方案予以实现：一种基于物品相似分析的方法，包括以下步骤：
[0006]S1、商品相似度计算；
[0007]S2、设置互斥规则库；
[0008]S3、动态GPU资源分配。
[0009]优选的，根据S1中的操作步骤，商品相似度计算的方法为：
[0010]S11、相似度计算是先使用resnet50进行训练，训练数据是选用的是实际中的商品共1000种类，每个种类共有400张图片，每一张图像是320
×
320分辨率大小；
[0011]S12、采用图像增强方法，并沿着中心、左上、左下、右上、右下以256*256 的大小进行裁剪，并对裁剪之后的进行水平翻转、以60度、30度进行旋转，加入随机噪声、颜色扰动和随机加入噪声，之后从增强的数据中随机抽取1000类别的1000张图像，训练分类识别初始模型。
[0012]优选的，根据S2中的操作步骤，规则库指的是比较相似的商品是不允许放在同一个柜子中，规则库分为相似互斥和经验库。
[0013]优选的，根据S3中的操作步骤，算法处理订单视频的耗时与商品复杂度和视频的长短密切相关，其中商品复杂度可以定义为柜内整体识别复杂度(相似度)：
[0014]柜内整体识别复杂度是计算柜内商品的相互之间的相似度，并对其求和取平均，
假设柜内商品数量为M，计算如下：
[0015][0016]其中i≠j，n＝(M
‑
D*M/2；
[0017]其中v代表特征向量，i≠j，i和j表示不同的特征向量,n为无人货柜内商品之间计算相似度的次数，计算公式为n＝(M
‑
1)*M/2，f
θ
为点积计算公式；
[0018]一般是在补货后计算，并将计算后的柜内平均复杂度，写入到数据库中存储；
[0019]算法处理时间的预测是根据历史数据中获取到柜内的平均复杂度θ
m
、视频的时长t
v
和实际算法处理时间t
p
的数据3000条，记平均复杂度θ
m
、视频的时长t
v
为变量X＝{x1，x2}，实际处理时间t
p
为Y＝{t
p
}，对历史数据进行非线性拟合，预测Y，预测采用常用的非线性回归，选用二次方进行回归预测，最终预测模型为：
[0020][0021]T
p
(x1，x2)为预测模型二次方的通用公式，其中x1，x2分别为输入的平均复杂度θ
m
、视频的时长t
v
的两个变量，其中a，b，c，d，f，e为二次项的系数。
[0022]非线性回归通常转化为线性回归，再按照线性回归求解，线性回归通常采用给定的函数值与模型预测值之差的平方和最小为损失函数，并使用最小二乘法和梯度下降法来计算最终的拟合参数，模型求解采用的是机器学习sklearn 库进行求解；
[0023]最终是输入视频长度t
r
和柜内商品的复杂度θ
m
到函数T
p
(x1，x2)，即可计算出所需时间：
[0024]t
p
＝T
p
(θ
m
，t
v
)
[0025]设当前队列中待识别订单的数量为N，当前在用的GPU实例的数量为k，计算当前待识别订单的预测时间的总和为：
[0026][0027]待识别订单的数量为N，i指当前待识别订单中的某一单，T是计算当前待识别订单的预测时间的总和；
[0028]根据经验一般一个订单最大的等待时间t不超过40s，计算待识别订单所需要的GPU实例数m：
[0029][0030]T是计算当前待识别订单的预测时间的总和，t为最大等待时间40s，m就是需要的GPU实例的个数。
[0031]根据待识别订单所需要的GPU实例数m和实际在线的GPU实例的数量为k，来计算是否要新增或减少GPU实例数，公式如下：
[0032][0033]计算出来需要新增或减少的GPU实例，则可以调用GPU弹性伸缩的接口进行动态调整GPU服务。
[0034]优选的，根据S12中的操作步骤，训练参数为：
[0035]优化器选择SGD，损失函数采用的交叉熵损失，初始化学习率为0.1，递减衰减系数为0.1，训练之后保存训练模型；
[0036]修改模型去掉softmax层，并添加PCA降维将维度为1000的特征向量，降维为512个维度；
[0037]既最终的特征向量，如下：
[0038]v＝f
v
(x)＝f
pca
(f
cnn
(x))
[0039]其中x代表输入的图像像素，f
cnn
代表经过resnet50卷积层输出的1*1000 维的特征向量v
′
，经过f
pca
降维处理后变为1*512维的特征向量v；
[0040]相似度计算方法采用两个特征向量点乘：
[0041]θ＝f
θ
(v1，v2)
[0042]其中v1，v2为两个特征向量，f
θ
为将两个特征向量点乘，输出的结果θ，即为两个特征向量的相似度。
[0043]优选的，相似互斥就是根据商品相似度计算来判断，当商品库新增商品的时候，会对该商品进行特征提取，并与库存商品进行商品相似度计算，当相似度大于0.85的时候就标记该库存商品为相似互斥商品本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于物品相似分析的方法，其特征在于，包括以下步骤：S1、商品相似度计算；S2、设置互斥规则库；S3、动态GPU资源分配。2.根据权利要求1所述的一种基于物品相似分析的方法，其特征在于，包括以下步骤：根据S1中的操作步骤，商品相似度计算的方法为：S11、相似度计算是使用resnet50进行训练，训练数据是选用的是实际中的商品共1000种类，每个种类共有400张图片，每一张图像是320
×
320分辨率大小；S12、采用图像增强方法，并沿着中心、左上、左下、右上、右下以256*256的大小进行裁剪，并对裁剪之后的进行水平翻转、以60度、30度进行旋转，加入随机噪声、颜色扰动和随机加入噪声，之后从增强的数据中随机抽取1000类别的1000张图像，训练分类识别初始模型。3.根据权利要求1所述的一种基于物品相似分析的方法，其特征在于，包括以下步骤：根据S2中的操作步骤，规则库指的是比较相似的商品是不允许放在同一个柜子中，规则库分为相似互斥和经验库。4.根据权利要求1所述的一种基于物品相似分析的方法，其特征在于，包括以下步骤：根据S3中的操作步骤，算法处理订单视频的耗时与商品复杂度和视频的长短密切相关，其中商品复杂度可定义为柜内整体识别复杂度(相似度)：柜内整体识别复杂度是计算柜内商品的相互之间的相似度，并对其求和取平均，假设柜内商品数量为M，计算如下：其中i≠j，n＝(M
‑
1)*M/2；其中v代表特征向量，i≠j，i和j表示不同的特征向量，n为无人货柜内商品之间计算相似度的次数，计算公式为n＝(M
‑
1)*M/2，f
θ
为点积计算公式；算法处理时间的预测是根据历史数据中获取到柜内的平均复杂度θ
m
、视频的时长t
v
和实际算法处理时间t
p
的数据3000条，记平均复杂度θ
m
、视频的时长t
v
为变量X＝{x1，x2}，实际处理时间t
p
为Y＝{t
p
}，对历史数据进行非线性拟合，预测Y，预测采用常用的非线性回归，选用二次方进行回归预测，预测模型为：T
p
(x1，x2)为预测模型二次方的通用公式，其中x1，x2分别为输入的平均复杂度θ
m
、视频的时长t
v
的两个变量，其中a，b，c，d，f，e为二次项的系数；非线性回归通常转化为线性回归，再按照线性回归求解，线性回归通常采用给定的函数值与模型预测值之差的平方和最小为损失函数，并使用最小二乘法和梯度下降法来计算最终的拟合参数，模型求解采用的是机...

【专利技术属性】
技术研发人员：庞明锋，李攀星，庞楼阳，
申请(专利权)人：杭州福柜科技有限公司，
类型：发明
国别省市：