[发明专利]一种商品定位识别方法、装置、设备以及存储介质

权利要求书

1.一种商品定位识别方法，其特征在于，包括：

获取输入的待识别图像；

将所述待识别图像输入至预先训练的神经网络模型中，提取出所述待识别图像中商品对应的区域；所述预先训练的神经网络模型为Faster-RCNN网络模型；

截取所述商品对应的区域作为子图，输入至预先训练的图像分类神经网络模型；所述预先训练的图像分类神经网络模型为VGG-Net网络模型；

由所述图像分类神经网络模型计算出所述子图属于各个商品类别的概率，识别出所述待识别图像中商品的类别。

2.如权利要求1所述的商品定位识别方法，其特征在于，所述VGG-Net网络模型的训练过程包括：

对经过标注商品的训练样本图像进行预处理，输入至所述VGG-Net网络模型，加入已知的类别标签，用交叉熵作为损失函数，用随机梯度下降的方式计算反向传播梯度，用梯度优化网络参数，直到损失趋近于0。

3.如权利要求2所述的商品定位识别方法，其特征在于，所述预先训练的神经网络模型为采用inception-v2作为基础的Faster-RCNN网络模型，所述Faster-RCNN网络模型的训练过程包括：

将训练样本图像输入到所述Faster-RCNN网络模型中，由RPN预测的边框与已知的标注边框产生边框Smooth函数损失，由RPN预测的类别与已知的标注类别产生类别交叉熵损失，在全连接层与精修后的边框与类别产生第二次损失，使用随机梯度下降的方式优化损失，在优化过程中，第二步的损失所产生的梯度会被阻断在RPN层之后，不断对RPN及RPN层之前的网络参数进行优化。

4.如权利要求3所述的商品定位识别方法，其特征在于，采用tensorflow中冻结模型的模型为pb文件的方式来联合所述VGG-Net网络模型与所述Faster-RCNN网络模型。

5.如权利要求2至4任一项所述的商品定位识别方法，其特征在于，所述训练样本图像的生成过程包括：

将人工进行商品mask区域标注的图像作为训练图像，输入至DeepLab网络进行训练；

采用训练好的DeepLab网络对样本图像进行自动化标注，生成训练样本图像。

6.一种商品定位识别装置，其特征在于，包括：

图像获取模块，用于获取输入的待识别图像；

区域提取模块，用于将所述待识别图像输入至预先训练的神经网络模型中，提取出所述待识别图像中商品对应的区域；所述预先训练的神经网络模型为Faster-RCNN网络模型；

输入模块，用于截取所述商品对应的区域作为子图，输入至预先训练的图像分类神经网络模型；所述预先训练的图像分类神经网络模型为VGG-Net网络模型；

类别识别模块，用于由所述图像分类神经网络模型计算出所述子图属于各个商品类别的概率，识别出所述待识别图像中商品的类别。

7.如权利要求6所述的商品定位识别装置，其特征在于，所述VGG-Net网络模型为：对经过标注商品的训练样本图像进行预处理，输入至所述VGG-Net网络模型，加入已知的类别标签，用交叉熵作为损失函数，用随机梯度下降的方式计算反向传播梯度，用梯度优化网络参数，直到损失趋近于0。

8.如权利要求7所述的商品定位识别装置，其特征在于，所述预先训练的神经网络模型为采用inception-v2作为基础的Faster-RCNN网络模型，所述Faster-RCNN网络模型为：将训练样本图像输入到所述Faster-RCNN网络模型中，由RPN预测的边框与已知的标注边框产生边框Smooth函数损失，由RPN预测的类别与已知的标注类别产生类别交叉熵损失，在全连接层与精修后的边框与类别产生第二次损失，使用随机梯度下降的方式优化损失，在优化过程中，第二步的损失所产生的梯度会被阻断在RPN层之后，不断对RPN及RPN层之前的网络参数进行优化。