本技術(shù)涉及圖像處理，尤其是涉及面向大規(guī)模商品庫(kù)的商品外觀圖像處理方法。

背景技術(shù)：

1、隨著電子商務(wù)的快速發(fā)展，大規(guī)模商品庫(kù)的建立和管理變得至關(guān)重要。在商品庫(kù)中，商品外觀圖像是展示商品信息、吸引消費(fèi)者的重要元素。

2、然而，現(xiàn)有的商品外觀圖像處理方法在實(shí)際應(yīng)用過程中還存在以下不足：

3、對(duì)于海量的商品圖像，傳統(tǒng)處理方式效率低下，且在進(jìn)入商品庫(kù)時(shí)的準(zhǔn)確性得不到保證；

4、另一方面，在處理海量商品圖像效率低，難以滿足快速更新和檢索需求，不能動(dòng)態(tài)選擇較優(yōu)的節(jié)點(diǎn)進(jìn)行處理。

5、因此，推出面向大規(guī)模商品庫(kù)的商品外觀圖像處理方法。

技術(shù)實(shí)現(xiàn)思路

1、為了解決背景技術(shù)中所提出的問題，本技術(shù)提供面向大規(guī)模商品庫(kù)的商品外觀圖像處理方法。

2、本技術(shù)提供的面向大規(guī)模商品庫(kù)的商品外觀圖像處理方法采用如下的技術(shù)方案：面向大規(guī)模商品庫(kù)的商品外觀圖像處理方法，包括：

3、建立分類模型：收集商品庫(kù)內(nèi)所存儲(chǔ)各種類商品的圖像樣本，并對(duì)各種類商品的圖像樣本進(jìn)行預(yù)處理；預(yù)處理完成后對(duì)預(yù)處理后的各種類商品圖像樣本進(jìn)行特征提取，提取商品庫(kù)內(nèi)所存儲(chǔ)各種類商品圖像樣本的顏色特征、紋理特征以及形狀特征，并根據(jù)預(yù)先選擇的模型架構(gòu)，將提取的特征輸入模型結(jié)構(gòu)內(nèi)，建立當(dāng)前商品庫(kù)所對(duì)應(yīng)的分類模型；

4、輸入商品圖像：當(dāng)新商品需要進(jìn)入商品庫(kù)時(shí)，獲取新商品圖像并進(jìn)行預(yù)處理后提取顏色特征、紋理特征以及形狀特征，并輸入分類模型中進(jìn)行綜合評(píng)估，從而輸出當(dāng)前新商品與分類模型中各類商品之間的種類偏向指數(shù)tri；其中i表示各種類商品的編號(hào)，i=1，2，......，k，k為商品種類的總數(shù)；

5、輸出商品種類：根據(jù)當(dāng)前新商品與分類模型中各類商品之間的種類偏向指數(shù)tri，從各組種類偏向指數(shù)tri中，選取最高種類偏向指數(shù)tri所對(duì)應(yīng)的種類，作為當(dāng)前新商品的預(yù)估種類，并將新商品通過自動(dòng)化設(shè)備輸送至商品庫(kù)內(nèi)對(duì)應(yīng)預(yù)估種類的存儲(chǔ)位置。

6、可選的，獲取新商品圖像并進(jìn)行預(yù)處理后提取顏色特征、紋理特征以及形狀特征，并輸入分類模型中進(jìn)行綜合評(píng)估，具體為：

7、s1：對(duì)于新商品圖像和分類模型中各類商品圖像樣本的顏色特征，統(tǒng)計(jì)新商品圖像和各類商品圖像樣本中每個(gè)顏色區(qū)間內(nèi)像素的數(shù)量，得到新商品圖像和各類商品圖像樣本的顏色直方圖；

8、計(jì)算新商品圖像和各類商品圖像樣本顏色直方圖的巴氏距離，作為各類商品圖像樣本與新商品圖像的顏色相似指數(shù)mai；

9、s2：對(duì)于新商品圖像和分類模型中各類商品圖像樣本的紋理特征，分別生成灰度共生矩陣；從灰度共生矩陣中提取對(duì)比度、相關(guān)性、能量以及熵特征，由此構(gòu)建新商品圖像和分類模型中各類商品圖像樣本的紋理特征向量；

10、計(jì)算新商品圖像和各類商品圖像樣本紋理特征向量的馬氏距離，作為各類圖像樣本與新商品圖像的紋理相似指數(shù)mbi；

11、s3：對(duì)于新商品圖像和分類模型中各類商品圖像樣本的形狀特征，提取新商品圖像和各類商品圖像樣本的輪廓，并計(jì)算輪廓的周長(zhǎng)、面積、圓形度以及偏心率，由此構(gòu)建新商品圖像和分類模型中各類商品圖像樣本的形狀描述子；

12、利用歐式距離計(jì)算新商品圖像與各類商品圖像形狀描述子之間的距離，作為各類圖像樣本與新商品圖像的形狀相似指數(shù)mci。

13、可選的，輸出當(dāng)前新商品與分類模型中各類商品之間的種類偏向指數(shù)tri，具體為：

14、s4：預(yù)設(shè)顏色參考相似指數(shù)、紋理參考相似指數(shù)以及形狀參考相似指數(shù)，并標(biāo)記為yai、ybi以及yci；提取新商品圖像與各類圖像樣本的顏色相似指數(shù)mai、紋理相似指數(shù)mbi以及形狀相似指數(shù)mci，并代入公式進(jìn)行加權(quán)計(jì)算，從而得到當(dāng)前新商品與分類模型中各類商品之間的種類偏向指數(shù)tri；其中、以及分別為顏色相似指數(shù)mai、紋理相似指數(shù)mbi以及形狀相似指數(shù)mci的影響權(quán)重因子。

15、可選的，還包括：

16、商品處理優(yōu)化：將構(gòu)建的分類模型部署到各個(gè)節(jié)點(diǎn)上進(jìn)行并行處理，當(dāng)有新商品需要進(jìn)入商品庫(kù)時(shí)，分析各節(jié)點(diǎn)的負(fù)載參數(shù)，得到各節(jié)點(diǎn)的負(fù)載評(píng)估指數(shù)fzp，并選擇負(fù)載評(píng)估指數(shù)fzp最低的節(jié)點(diǎn)作為新商品圖像的分配節(jié)點(diǎn)；其中負(fù)載參數(shù)包括任務(wù)隊(duì)列長(zhǎng)度、平均任務(wù)處理時(shí)長(zhǎng)、cpu使用率以及內(nèi)存使用率。

17、可選的，分析各節(jié)點(diǎn)的負(fù)載參數(shù)，具體為：

18、獲取各節(jié)點(diǎn)在當(dāng)前時(shí)間點(diǎn)等待處理的新商品圖像數(shù)量，從而得到各節(jié)點(diǎn)的任務(wù)隊(duì)列長(zhǎng)度；

19、獲取各節(jié)點(diǎn)在當(dāng)前時(shí)間點(diǎn)前處理e組新商品圖像的所用處理時(shí)長(zhǎng)；從而計(jì)算出各節(jié)點(diǎn)在當(dāng)前時(shí)間點(diǎn)的平均任務(wù)處理時(shí)長(zhǎng)，即通過所用處理時(shí)長(zhǎng)除以e計(jì)算得到；

20、獲取各節(jié)點(diǎn)在當(dāng)前時(shí)間點(diǎn)的cpu使用率和內(nèi)存使用率，設(shè)定cpu使用率和內(nèi)存使用率所分別對(duì)應(yīng)的權(quán)重系數(shù)，將各節(jié)點(diǎn)在當(dāng)前時(shí)間點(diǎn)的cpu使用率和內(nèi)存使用率分別與對(duì)應(yīng)設(shè)定的權(quán)重系數(shù)相乘，然后求和得到各節(jié)點(diǎn)在當(dāng)前時(shí)間點(diǎn)的運(yùn)算狀態(tài)指數(shù)。

21、可選的，得到各節(jié)點(diǎn)的負(fù)載評(píng)估指數(shù)fzp，具體為：

22、分別預(yù)設(shè)任務(wù)隊(duì)列長(zhǎng)度、平均任務(wù)處理時(shí)長(zhǎng)以及運(yùn)算狀態(tài)指數(shù)所對(duì)應(yīng)的各組長(zhǎng)度取值范圍、時(shí)長(zhǎng)取值范圍以及指數(shù)取值范圍；設(shè)定每組長(zhǎng)度取值范圍分別對(duì)應(yīng)一個(gè)任務(wù)負(fù)載評(píng)分、每組時(shí)長(zhǎng)取值范圍分別對(duì)應(yīng)一個(gè)節(jié)點(diǎn)時(shí)效評(píng)分、每組指數(shù)取值范圍分別對(duì)應(yīng)一個(gè)節(jié)點(diǎn)負(fù)載評(píng)分；

23、將各節(jié)點(diǎn)在當(dāng)前時(shí)間點(diǎn)的任務(wù)隊(duì)列長(zhǎng)度、平均任務(wù)處理時(shí)長(zhǎng)以及運(yùn)算狀態(tài)指數(shù)與對(duì)應(yīng)的各組長(zhǎng)度取值范圍、時(shí)長(zhǎng)取值范圍以及指數(shù)取值范圍匹配，從而確定各節(jié)點(diǎn)在當(dāng)前時(shí)間點(diǎn)的任務(wù)負(fù)載評(píng)分、節(jié)點(diǎn)時(shí)效評(píng)分以及節(jié)點(diǎn)負(fù)載評(píng)分；

24、設(shè)定任務(wù)負(fù)載評(píng)分、節(jié)點(diǎn)時(shí)效評(píng)分以及節(jié)點(diǎn)負(fù)載評(píng)分所分別對(duì)應(yīng)的權(quán)重系數(shù)，將各節(jié)點(diǎn)在當(dāng)前時(shí)間點(diǎn)的任務(wù)負(fù)載評(píng)分、節(jié)點(diǎn)時(shí)效評(píng)分以及節(jié)點(diǎn)負(fù)載評(píng)分分別與對(duì)應(yīng)設(shè)定的權(quán)重系數(shù)相乘，然后求和得到各節(jié)點(diǎn)在當(dāng)前時(shí)間點(diǎn)的負(fù)載評(píng)估指數(shù)fzp。

25、可選的，還包括：

26、分類模型驗(yàn)證：建立當(dāng)前商品庫(kù)所對(duì)應(yīng)的分類模型后，根據(jù)設(shè)定的評(píng)估時(shí)間間隔，在到達(dá)設(shè)定的評(píng)估時(shí)間間隔后，隨機(jī)從預(yù)先構(gòu)建的圖片數(shù)據(jù)庫(kù)內(nèi)各種類商品圖像中各抽取x張商品圖像；并輸入分類模型中進(jìn)行驗(yàn)證，從而得到分類模型在當(dāng)前時(shí)間點(diǎn)的分類效果評(píng)估指數(shù)yu，根據(jù)分類模型在當(dāng)前時(shí)間點(diǎn)的分類效果評(píng)估指數(shù)yu，選擇性的觸發(fā)調(diào)整信令并發(fā)送給技術(shù)人員。

27、可選的，根據(jù)分類模型在當(dāng)前時(shí)間點(diǎn)的分類效果評(píng)估指數(shù)yu，選擇性的觸發(fā)調(diào)整信令并發(fā)送給技術(shù)人員，具體為：

28、將抽取的各種類x張商品圖像輸入建立的分類模型中，并輸出x張商品圖像所對(duì)應(yīng)的預(yù)估種類；

29、并將各種類x張商品圖像所分別對(duì)應(yīng)的預(yù)估種類與圖片數(shù)據(jù)庫(kù)的抽取種類區(qū)域進(jìn)行匹配，若匹配成功，則判定為正確分類，反之則判定的異常分類；

30、對(duì)于各種類所抽取的x張商品圖像，統(tǒng)計(jì)各種類中正確分類的占比，即通過正確分類數(shù)量/x計(jì)算得到，得到分類模型對(duì)于各種類商品的分類準(zhǔn)確率fai；

31、預(yù)設(shè)各種類商品的及格準(zhǔn)確率，并標(biāo)記為fbi；

32、依據(jù)公式對(duì)各種類商品的分類準(zhǔn)確率fai進(jìn)行加權(quán)計(jì)算，從而得到分類模型在當(dāng)前時(shí)間點(diǎn)的分類效果評(píng)估指數(shù)yu；其中為各種類商品分類準(zhǔn)確率fai的影響權(quán)重因子；

33、將分類模型在當(dāng)前時(shí)間點(diǎn)的分類效果評(píng)估指數(shù)yu與預(yù)設(shè)的效果閾值指數(shù)進(jìn)行比對(duì)，若分類模型在當(dāng)前時(shí)間點(diǎn)的分類效果評(píng)估指數(shù)yu小于預(yù)設(shè)的效果閾值指數(shù)，則觸發(fā)調(diào)整信令并發(fā)送給技術(shù)人員。

34、綜上所述，本技術(shù)包括以下至少一種有益技術(shù)效果：

35、本發(fā)明通過當(dāng)新商品需要進(jìn)入商品庫(kù)時(shí)，獲取新商品圖像并進(jìn)行預(yù)處理后提取顏色特征、紋理特征以及形狀特征，并輸入分類模型中進(jìn)行綜合評(píng)估，從而計(jì)算新商品與分類模型中各類商品的種類偏向指數(shù)，選取最高指數(shù)對(duì)應(yīng)的種類作為預(yù)估種類，能基于新商品的圖像特征進(jìn)行較為精準(zhǔn)的分類，有助于商品庫(kù)對(duì)商品進(jìn)行有序管理，解決了現(xiàn)有技術(shù)中對(duì)于海量的商品圖像傳統(tǒng)處理方式效率低下，且在進(jìn)入商品庫(kù)時(shí)的準(zhǔn)確性得不到保證的問題；

36、本發(fā)明通過將分類模型部署到多個(gè)節(jié)點(diǎn)并行處理，分析任務(wù)隊(duì)列長(zhǎng)度、平均任務(wù)處理時(shí)長(zhǎng)?、cpu使用率和內(nèi)存使用率等負(fù)載參數(shù)，計(jì)算負(fù)載評(píng)估指數(shù)，把新商品圖像分配到負(fù)載最低的節(jié)點(diǎn)，避免任務(wù)積壓，提高了處理效率，實(shí)現(xiàn)快速處理和檢索商品圖像；

37、本發(fā)明通過建立分類模型后，設(shè)定評(píng)估時(shí)間間隔，從動(dòng)態(tài)更新的圖片數(shù)據(jù)庫(kù)抽取圖像驗(yàn)證，計(jì)算分類效果評(píng)估指數(shù)，與預(yù)設(shè)閾值比對(duì)，若低于閾值，觸發(fā)調(diào)整信令通知技術(shù)人員，使模型能及時(shí)優(yōu)化，保證分類模型的穩(wěn)定運(yùn)行。