[发明专利]基于机器视觉与数据采样的货品深度学习训练方法

权利要求书

1.基于机器视觉与数据采样的货品深度学习训练方法，其特征在于，包括以下步骤：

S1、获取目标领域现有货品的训练数据，并利用训练数据在服务平台预先建立各货品初始深度学习模型；

S2、通过智能终端采集所收纳货品的基础数据，并将基础数据传输至服务平台；

S3、服务平台接收基础数据后，调用初始深度学习模型对智能终端收纳货品的类别进行模糊判断，列出所有可能项以及判定概率最高的一项，根据各可能项的概率评出相应系统得分，并将所有可能项和基础数据传输至智能终端用户的移动终端；

S4、移动终端将基础数据和所有可能项显示出来供用户进行选择，并将选择结果反馈至服务平台；

S5、服务平台收集所有用户的选择结果并得出各可能项的用户得分，然后将各可能项的用户得分和系统得分进行加权计算，得到各可能项的最终得分，最终得分最高的一项判定为智能终端收纳货品的分类项，被反馈至智能终端，智能终端将收纳货品存入对应分类项存储区；

S6、服务平台将最终判定分类项与步骤3中模糊判断概率最高的一项进行比对：当两者为不同项或者为同一项但模糊判断的概率低于设定阈值时，记为系统判定失败，服务平台调取货品的基础数据进行特征点提取，并采用深度学习方法将提取的特征点补充训练进对应的货品初始深度学习模型，供下次的训练模型调取使用；当两者为同一项且模糊判断的概率达到设定阈值时，记为系统判定成功；

S7、服务平台将每次系统判定失败和系统判定成功的次数进行累计，并进行系统判定成功率计算，然后取最近设定判定次数的累计系统判定成功率作为步骤S5中系统得分的计算权重。

2.根据权利要求1所述的基于机器视觉与数据采样的货品深度学习训练方法，其特征在于，步骤S2中，智能终端采集的收纳货品基础数据包括外形图像数据、X光图像数据、重量数据和物态数据。

3.根据权利要求1所述的基于机器视觉与数据采样的货品深度学习训练方法，其特征在于，步骤S3中，各可能项的系统得分取值范围为0～100，步骤S5中各可能项的用户得分取值范围为0～100。

4.根据权利要求1所述的基于机器视觉与数据采样的货品深度学习训练方法，其特征在于，步骤S3中，当服务平台列出的可能项仅为一项时，移动终端只显示该可能项的正确和错误判断选项，当服务平台收集所有用户的选择结果为错误多于正确时，服务平台发出报错信息，并由维护人员进行货品类型纠正，当次判定记为系统判定失败，服务平台将调取对应货品的基础数据进行特征点提取，并采用深度学习方法将提取的特征点补充训练进对应的货品初始深度学习模型。

5.根据权利要求4所述的基于机器视觉与数据采样的货品深度学习训练方法，其特征在于，步骤S4中，移动终端除显示所有可能项外，还显示一个全否选项，当服务平台收集所有用户的选择结果并得出全否选项的得分最高时，服务平台发出报错信息，并由维护人员进行货品类型纠正，当次判定记为系统判定失败，服务平台将调取对应货品的基础数据进行特征点提取，并采用深度学习方法将提取的特征点补充训练进对应的货品初始深度学习模型。

6.根据权利要求1所述的基于机器视觉与数据采样的货品深度学习训练方法，其特征在于，智能终端用户通过移动终端每完成一次选择，且选择结果最终正确，则服务平台向该用户移动终端发送设定奖励。

7.根据权利要求1所述的基于机器视觉与数据采样的货品深度学习训练方法，其特征在于，步骤S1中，利用现有货品的训练数据建立货品初始深度学习模型的过程包括：将现有货品的训练数据进行特征降维，获得低维度特征，再利用低维度特征训练K最近邻分类模型，最终获得各货品初始深度学习模型。

8.根据权利要求2所述的基于机器视觉与数据采样的货品深度学习训练方法，其特征在于，步骤S6中，服务平台通过基础数据进行货品特征点提取时，采用基于区域的全卷积神经网络算法来对外形图像和X光图像进行特征点提取。

9.根据权利要求1所述的基于机器视觉与数据采样的货品深度学习训练方法，其特征在于，在步骤S6中，采用深度学习方法将提取的特征点补充训练进对应的货品初始深度学习模型时，测定特征点相对于初始深度学习模型的相对形态变化量，并根据相对形态变化量对初始深度学习模型进行形态拓展。