技术特征：
1.一种商品检测方法，其特征在于，包括：获取待检测的商品图像；利用预先训练好的基本检测模型对所述商品图像进行检测，得到包含k个检测商品的基本信息的原始检测结果，所述基本信息包括检测商品的边框信息、预测得分以及特征向量，k为正整数；基于k个检测商品各自的边框信息、预测得分以及特征向量，得到由k个二维高斯分布混合的第一高斯混合分布；基于所述第一高斯混合分布对所述原始检测结果进行处理，得到最终的商品检测结果。2.根据权利要求1所述的方法，其特征在于，基于k个检测商品各自的边框信息、预测得分以及特征向量，得到由k个二维高斯分布混合的第一高斯混合分布，包括：基于k个检测商品各自的边框信息、预测得分以及特征向量得到k个检测商品各自对应的高斯分布系数；基于k个检测商品各自的边框信息得到各自对应的二维高斯分布；根据k个检测商品各自对应的高斯分布系数以及二维高斯分布，得到所述第一高斯混合分布。3.根据权利要求2所述的方法，其特征在于，基于k个检测商品各自的边框信息、预测得分以及特征向量得到k个检测商品各自对应的高斯分布系数，包括：根据k个检测商品的预测得分的排序结果得到各自的序号，并将各个序号分别转换为高维向量；将由k个高维向量构成的向量矩阵与由k个检测商品各自的特征向量构成的特征向量矩阵相加；基于k个检测商品各自的边框信息，计算k个检测商品中任意两个商品的相对四维坐标；将各个相对四维坐标分别转换为高维向量；利用注意力机制对各个相对四维坐标对应的高维向量以及相加后得到的向量矩阵进行处理，得到处理结果；将所述处理结果的维度映射到与所述原始检测结果的维度一致，得到k个检测商品各自对应的高斯分布系数。4.根据权利要求2所述的方法，其特征在于，基于k个检测商品各自的边框信息得到各自对应的二维高斯分布，包括：针对每一个检测商品，获取该检测商品的边框的中心点坐标，以及边框的宽和高；根据所述中心点坐标，以及所述边框的宽和高，得到该检测商品对应的二维高斯分布，其中，该二维高斯分布的均值为所述中心点坐标，该二维高斯分布在宽度方向的方差为该边框的宽的一半，该二维高斯分布在高度方向的方差为该边框的高的一半。5.根据权利要求1所述的方法，其特征在于，基于所述第一高斯混合分布对所述原始检测结果进行处理，得到最终的商品检测结果，包括：基于所述第一高斯混合分布计算预设的第二高斯混合分布的参数，其中，所述第二高斯混合分布所包含的二维高斯分布个数小于所述第一高斯混合分布所包含的二维高斯分
布个数；获取所述第二高斯混合分布中任意两个分布的重合度，筛选出重合度大于预设阈值的二维高斯分布，并剔除重合度大于预设阈值的两个分布中系数较小的二维高斯分布；针对所述第二高斯混合分布中剩余的每一个二维高斯分布，获取落在该二维高斯分布a倍标准差区间内的原始检测商品，a为正数；基于获取的落在该二维高斯分布a倍标准差区间内的原始检测商品，得到最终检测商品。6.根据权利要求5所述的方法，其特征在于，所述基本信息还包括检测商品所属的类型，基于获取的落在该二维高斯分布a倍标准差区间内的原始检测商品，得到最终检测商品之后，所述方法还包括：基于获取的落在该高斯分布a倍标准差区间内的原始检测商品所属的类型，确定所述最终检测商品的类型。7.根据权利要求1所述的方法，其特征在于，在利用预先训练好的基本检测模型对所述商品图像进行检测，得到包含k个检测商品的基本信息的原始检测结果之前，所述方法还包括：获取多张商品图像，并对每张商品图像进行标记，得到样本数据；利用所述样本数据对深度学习模型进行训练的，得到所述训练好的基本检测模型。8.一种商品检测装置，其特征在于，包括：获取模块，用于获取待检测的商品图像；处理模块，用于利用预先训练好的基本检测模型对所述商品图像进行检测，得到包含k个检测商品的基本信息的原始检测结果，所述基本信息包括检测商品的边框信息、预测得分以及特征向量，k为正整数，以及基于k个检测商品各自的边框信息、预测得分以及特征向量，得到由k个二维高斯分布混合的第一高斯混合分布；以及还用于基于所述第一高斯混合分布对所述原始检测结果进行处理，得到最终的商品检测结果。9.一种电子设备，其特征在于，包括：存储器和处理器，所述处理器与所述存储器连接；所述存储器，用于存储程序；所述处理器，用于调用存储于所述存储器中的程序，以执行如权利要求1-7中任一项所述的方法。10.一种存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器运行时，执行如权利要求1-7中任一项所述的方法。