[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

说明书

本发明公开了基于机器视觉与数据采样的货品深度学习训练方法，包括以下步骤：S1、建立各货品初始深度学习模型；S2、智能终端采集所收纳货品的基础数据；S3、服务平台对货品的类别进行模糊判断；S4、对货品所有可能项进行用户进行选择；S5、用户选择结果与系统判定结果进行加权计算，确定货品最终类别；S6、若系统模糊判断失败，则通过基础数据进行特征点提取，并采用深度学习方法将特征点补充训练进对应的货品初始深度学习模型；S7、系统判定失败和成功的次数累计。其应用时，可以采用深度学习训练方法建立智能终端收纳货品的分类识别模型，并通过数据采样和特征补充来不断完善分类识别模型。

技术领域

本发明涉及深度学习技术领域，具体涉及基于机器视觉与数据采样的货品深度学习训练方法。

背景技术

随着移动互联网和智能终端技术的快速发展，市面上开始出现各种各样的物品收纳终端，可用于收纳快递物品、废旧回收物品、生活垃圾等，但这样的物品收纳终端通常只是将物品集中收纳后再运抵分拣中心进行人工分拣，在智能终端安装的摄像头和X光扫描装置也仅用作人员监控和危险品检测的作用，而不能实现对智能终端收纳物品的智能分类。要实现对智能终端收纳物品的智能分类就需要运用基于识别模型的图像识别技术，而识别模型需要通过大量的特征数据训练来获得，以提高特征表达的全面性和准确性。

发明内容

本发明针对现有技术存在的不足，提供基于机器视觉与数据采样的货品深度学习训练方法，其应用时，可以采用深度学习训练方法建立智能终端收纳货品的分类识别模型，并通过数据采样和特征补充来不断完善分类识别模型，使其可用于智能终端收纳货品的智能、精准分类。

本发明通过以下技术方案实现：

基于机器视觉与数据采样的货品深度学习训练方法，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。

优选地，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。

优选地，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。