[发明专利]商品识别模型的动态调整方法及商品校验方法

说明书

本公开提供了商品识别模型的动态调整方法及商品校验方法。所述商品识别模型的动态调整方法包括：获取第一训练样本集，所述第一训练样本集包括当前商品识别模型的训练样本集和线上新采集到的商品样本集合；获取第二训练样本集，所述第二训练样本集为人工新采集到的商品样本的集合；按照预设条件从所述第一训练样本集和所述第二训练样本集中选取样本，对神经网络模型进行训练，生成商品识别模型。以此方式生成的商品识别模型，能够提高新上架的商品的识别准确率，进而能够准确记录交易记录，提高用户体验。

技术领域

本公开的实施例一般涉及互联网技术领域，并且更具体地，涉及商品识别模型的动态调整方法及商品校验方法。

背景技术

智能货柜是能够根据用户出示的支付码或者其他支付凭证实现自动付货的机器。智能货柜是商业自动化的常用设备，不受时间、地点的限制，能够节省人力、方便交易，是一种全新的商业零售形式，又被称为24小时营业的微型超市。智能货柜由于操作方便，只需在一定时间内进行有限次数的补货即可实现无人看守自动售货而受到广泛的应用。

随着智能货柜的发展，能够在智能货柜上进行售卖的商品的种类也越来越多，越来越频繁，导致商品识别模型的训练周期变短，新上架商品的样本不能够充分学习，使得新上架的商品的识别准确率越来越低，如果要充分学习又需要更大的计算成本与时间成本。当智能货柜在使用过程中发生错误和故障时，交易记录难以追溯，给经营者带来很多不必要的麻烦，同时影响消费者的用户体验。

发明内容

有鉴于此，根据本公开的实施例，提供了一种能够提高新上架的商品的识别准确率，进而能够准确记录交易记录，提高用户体验的商品识别模型的动态调整方案及商品校验方案。

在本公开的第一方面，提供了一种商品识别模型的动态调整方法，包括：

获取第一训练样本集，所述第一训练样本集为当前商品识别模型的训练样本集；

获取第二训练样本集，所述第二训练样本集为新采集到的商品样本的集合；

按照预设条件从所述第一训练样本集和所述第二训练样本集中选取样本，对神经网络模型进行训练，生成商品识别模型。

如上所述的方面和任一可能的实现方式，所述第一训练样本集为第1个采样周期至第n-1个采样周期内采集的用于训练当前商品识别模型的商品样本的集合和第n个采样周期内线上采集到的商品样本集合，所述第二训练样本集为第n个采样周期内人工采集到的商品样本的集合，其中第n个采样周期为最近的采样周期。

如上所述的方面和任一可能的实现方式，所述按照预设条件从所述第一训练样本集和所述第二训练样本集中选取样本，包括：

按照所述第一训练样本集和所述第二训练样本集中样本量的反比例从所述第一训练样本集和所述第二训练样本集中选取样本。

如上所述的方面和任一可能的实现方式，所述按照预设条件从所述第一训练样本集和所述第二训练样本集中选取样本，包括：

对于每个采样周期内采集到的商品样本，选取比例值为2i/（n²+n）的样本，其中n为采样周期的个数，i为采样周期的序号。

如上所述的方面和任一可能的实现方式，所述按照预设条件从所述第一训练样本集和所述第二训练样本集中选取样本，对神经网络模型进行训练，生成商品识别模型，包括：

从所述第一训练样本集中选取标注框数量小于第一预设阈值的商品样本作为第一子样本；

从所述第一训练样本集中除所述第一子样本外的其他训练样本中按比例选取人工采集的商品样本和线上采集的商品样本，作为第二子样本，并保证所述第二子样本中的标注框数量不低于第二预设阈值；

验证所述第一子样本、所述第二子样本和所述第二训练样本集中的样本总量是否低于第三预设阈值；