珠宝特征信息获取方法、装置、计算机设备和存储介质与流程

1.本技术涉及数据处理技术领域，特别是涉及一种珠宝特征信息获取方法、装置、计算机设备和存储介质。


背景技术：

2.随着珠宝行业的不断发展以及消费者经济能力的不断提升，市面上的珠宝款式日益增多。
3.在现有技术中，珠宝在进入流通环节之前，往往需要由专门的工作人员对珠宝特征进行识别，例如识别出珠宝的款型后为珠宝设置对应的标签，以便后续进行销售。然而，现有的人工识别方式因工作人员的经验差异，其识别结果难以一致，且需要对工作人员进行专门的培训，存在识别效率低下的问题。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种珠宝特征信息获取方法、装置、计算机设备和存储介质。
5.一种珠宝特征信息获取方法，所述方法包括：
6.获取待识别珠宝对应的珠宝图像；
7.将所述珠宝图像输入到多个训练好的珠宝特征识别模型，以通过各个珠宝特征识别模型中的神经网络对所述珠宝图像进行识别，确定所述珠宝图像对应的珠宝特征信息；所述多个珠宝特征识别模型分别用于识别不同珠宝属性下的珠宝特征信息；
8.根据各个珠宝特征识别模型输出的珠宝特征信息，确定所述待识别珠宝对应的珠宝特征信息。
9.在其中一个实施例中，当所述珠宝属性包括镶嵌属性时，所述通过各个珠宝特征识别模型中的神经网络对所述珠宝图像进行识别，确定所述珠宝图像对应的珠宝特征信息，包括：
10.针对所述珠宝图像上的每个像素点，通过用于识别镶嵌属性的珠宝特征识别模型中的神经网络，获取以该像素点为中心的检测框所对应的检测框位置和检测框得分；所述检测框得分用于表征所述检测框对应的区域为宝石镶嵌区域的概率；
11.获取检测框得分超过预设阈值的目标检测框；
12.根据所述目标检测框对应的检测框位置，确定所述珠宝图像中的宝石镶嵌区域；
13.获取所述宝石镶嵌区域中宝石的镶嵌特征。
14.在其中一个实施例中，还包括：
15.获取作为训练样本的训练珠宝图像和所述训练珠宝图像对应的镶嵌特征标签；所述镶嵌特征标签包括镶嵌区域标签和镶嵌方式标签；
16.将所述训练珠宝图像输入到待训练的检测网络模型，以通过所述检测网络模型中的神经网络对所述训练珠宝图像进行识别，获取所述训练珠宝图像中的宝石镶嵌区域，并
确定所述宝石镶嵌区域中宝石对应的镶嵌方式信息；
17.根据所述宝石镶嵌区域、镶嵌方式信息和所述镶嵌特征标签，调整所述检测网络模型对应的模型参数，再次执行所述将所述训练珠宝图像输入到待训练的检测网络模型，直到满足训练结束条件，得到用于识别镶嵌属性的珠宝特征识别模型。
18.在其中一个实施例中，当所述珠宝属性包括工艺属性时，所述通过各个珠宝特征识别模型中的神经网络对所述珠宝图像进行识别，确定所述珠宝图像对应的珠宝特征信息，包括：
19.通过用于识别工艺属性的珠宝特征识别模型中的神经网络，获取所述珠宝图像中每个像素点对应的特征向量；所述特征向量中的每个分量表征对应工艺特征的概率；
20.根据特征向量中的各个分量，确定每个像素点对应的工艺特征；
21.获取各个工艺特征对应的像素点数量，并根据所述像素点数量，确定所述珠宝图像对应的工艺特征。
22.在其中一个实施例中，还包括：
23.获取作为训练样本的训练珠宝图像和所述训练珠宝图像对应的工艺特征标签；
24.将所述训练珠宝图像输入到待训练的语义分割模型，以通过所述语义分割模型中的神经网络识别对所述训练珠宝图像进行识别，获取所述训练珠宝图像对应的工艺特征；
25.根据所述工艺特征和所述工艺特征标签，调整所述语义分割模型对应的模型参数，再次执行所述将所述训练珠宝图像输入到待训练的语义分割模型，直到满足训练结束条件，得到用于识别工艺属性的珠宝特征识别模型。
26.在其中一个实施例中，所述通过各个珠宝特征识别模型中的神经网络对所述珠宝图像进行识别，确定所述珠宝图像对应的珠宝特征信息，包括：
27.通过用于识别款式属性的珠宝特征识别模型中的神经网络，对所述珠宝图像进行识别，确定所述珠宝图像对应的款式特征；
28.和/或，
29.通过用于识别材质属性的珠宝特征识别模型中的神经网络，对所述珠宝图像进行识别，确定所述珠宝图像对应的材质特征。
30.在其中一个实施例中，所述获取待识别珠宝对应的珠宝图像，包括：
31.获取待识别珠宝多个角度对应的珠宝图像；
32.所述根据各个珠宝特征识别模型输出的珠宝特征信息，确定所述待识别珠宝对应的珠宝特征信息，包括：
33.针对每个珠宝特征识别模型输出的珠宝特征信息，获取各珠宝特征信息对应的累计数量，并将累计数量满足预设数量条件的珠宝特征信息作为该珠宝特征识别模型的识别结果；
34.基于各个珠宝特征识别模型对应的识别结果，确定所述待识别珠宝对应的珠宝特征信息。
35.一种珠宝特征信息获取装置，所述装置包括：
36.珠宝图像获取模块，用于获取待识别珠宝对应的珠宝图像；
37.识别模块，用于将所述珠宝图像输入到多个训练好的珠宝特征识别模型，以通过各个珠宝特征识别模型中的神经网络对所述珠宝图像进行识别，确定所述珠宝图像对应的
珠宝特征信息；所述多个珠宝特征识别模型分别用于识别不同珠宝属性下的珠宝特征信息；
38.珠宝特征确定模块，用于根据各个珠宝特征识别模型输出的珠宝特征信息，确定所述待识别珠宝对应的珠宝特征信息。
39.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上任一项所述方法的步骤。
40.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上任一项所述方法的步骤。
41.上述一种珠宝特征信息获取方法、装置、计算机设备和存储介质，通过获取待识别珠宝对应的珠宝图像，将珠宝图像输入到多个训练好的珠宝特征识别模型，以通过各个珠宝特征识别模型中的神经网络对珠宝图像进行识别，确定珠宝图像对应的珠宝特征信息，进而可以根据各个珠宝特征识别模型输出的珠宝特征信息，确定待识别珠宝对应的珠宝特征信息，实现了珠宝特征的自动识别，能够批量识别不同珠宝的珠宝特征，并且识别标准一致，避免了经验差异而导致的识别错误，在提高识别准确性的同时提高识别速度，有效提升珠宝特征的识别效率。
附图说明
42.图1为一个实施例中一种珠宝特征信息获取方法的应用环境图；
43.图2为一个实施例中一种珠宝特征信息获取方法的流程示意图；
44.图3为一个实施例中一种珠宝特征信息获取装置的结构框图；
45.图4为一个实施例中计算机设备的内部结构图。
具体实施方式
46.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
47.本技术提供的一种珠宝特征信息获取方法，可以应用于如图1所示的应用环境中。在该应用环境中，终端102可以通过网络与服务器104进行通信，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
48.在一个实施例中，如图2所示，提供了一种珠宝特征信息获取方法，以该方法应用于图1中的服务器104为例进行说明，可以包括如下步骤：
49.步骤201，获取待识别珠宝对应的珠宝图像。
50.作为一示例，待识别珠宝可以是待识别的珠宝，该珠宝可以是基于金、银以及天然材料(矿物、岩石、生物等)中的至少一样制成的首饰、工艺品或其他藏品，也可以是玉石制品。
51.珠宝图像可以是待识别珠宝的图像，珠宝图像中的至少一部分为用于描述待识别珠宝的图像。例如，珠宝图像可以是用户通过专用摄像设备对待识别珠宝进行拍摄后得到的图像，也可以通过终端设备上的摄像功能对待识别珠宝拍摄后得到的，例如通过移动终
端的摄像功能对待识别珠宝拍摄、录制视频并进行处理后，得到珠宝图像。
52.在实际应用中，服务器可以获取待识别珠宝对应的珠宝图像。具体地，用户可以通过终端向服务器发送针对待识别珠宝对应珠宝特征信息获取请求，并将待识别珠宝对应的珠宝图像发送到服务器，服务器由此可以得到待识别珠宝对应的珠宝图像。
53.步骤202，将所述珠宝图像输入到多个训练好的珠宝特征识别模型，以通过各个珠宝特征识别模型中的神经网络对所述珠宝图像进行识别，确定所述珠宝图像对应的珠宝特征信息；
54.作为一示例，多个珠宝特征识别模型可以分别用于识别不同珠宝属性下的珠宝特征信息。珠宝属性可以包括以下至少两项：镶嵌属性、工艺属性、款式属性、材质属性。其中，镶嵌属性可以表征待识别珠宝是否存在镶嵌的宝石以及宝石的镶嵌方式；工艺属性可以表征待识别珠宝的加工方式；款式属性可以表征待识别珠宝的款式类型或佩戴方式；材质属性可以表征待识别珠宝的材质类型。
55.具体实现中，在获取到待识别珠宝对应的珠宝图像后，可以将珠宝图像输入到多个预先训练好的珠宝特征识别模型中，通过各个珠宝特征识别模型，分别对输入的该珠宝图像进行识别，进而可以确定出与该珠宝图像对应的珠宝特征信息。
56.步骤203，根据各个珠宝特征识别模型输出的珠宝特征信息，确定所述待识别珠宝对应的珠宝特征信息。
57.在各个珠宝特征识别模型分别对珠宝图像进行识别，并输出对应的珠宝特征信息后，服务器可以根据各个珠宝特征识别模型输出的珠宝特征信息，确定待识别珠宝对应的珠宝特征信息。例如，可以将各个珠宝特征识别模型输出的特征信息确定为待识别珠宝对应的珠宝特征信息，又如，可以对输出的珠宝特征信息作进一步筛选后，基于筛选结果确定待识别珠宝对应的珠宝特征信息。
58.在本实施例中，通过获取待识别珠宝对应的珠宝图像，将珠宝图像输入到多个训练好的珠宝特征识别模型，以通过各个珠宝特征识别模型中的神经网络对珠宝图像进行识别，确定珠宝图像对应的珠宝特征信息，进而可以根据各个珠宝特征识别模型输出的珠宝特征信息，确定待识别珠宝对应的珠宝特征信息，实现了珠宝特征的自动识别，能够批量识别不同珠宝的珠宝特征，并且识别标准一致，避免了经验差异而导致的识别错误，在提高识别准确性的同时提高识别速度，有效提升珠宝特征的识别效率。
59.在一个实施例中，当珠宝属性包括镶嵌属性时，所述通过各个珠宝特征识别模型中的神经网络对所述珠宝图像进行识别，确定所述珠宝图像对应的珠宝特征信息，可以包括如下步骤：
60.针对所述珠宝图像上的每个像素点，通过用于识别镶嵌属性的珠宝特征识别模型中的神经网络，获取以该像素点为中心的检测框所对应的检测框位置和检测框得分；获取检测框得分超过预设阈值的目标检测框；根据所述目标检测框对应的检测框位置，确定所述珠宝图像中的宝石镶嵌区域；获取所述宝石镶嵌区域中宝石的镶嵌特征。
61.作为一示例，镶嵌属性可以表征待识别珠宝是否存在镶嵌的宝石以及宝石的镶嵌方式，镶嵌属性下的珠宝特征信息可以包括以下至少一种：
62.存在镶嵌的宝石、不存在被镶嵌的宝石、爪镶方式、包镶方式、壁镶方式、卡镶方式、钉镶方式、共齿镶方式、藏镶方式、插镶方式、无边镶方式。
63.其中，镶嵌的宝石可以包括钻石、红宝石、蓝宝石、祖母绿、猫眼石、翡翠、木变石、碧玺、石榴石、珍珠、水晶、玛瑙、玉髓、碎碟、萤石、黑臛石、孔雀石、太阳石、海蓝宝、橄榄石、青金石、托帕石、葡萄石、天河石、欧泊、尖晶石、错石、密玉、黄玉、红纹石、天眼石、岫岩玉、珊瑚、珍珠、琥珀、蓝黄玉、碧玉、白玉、寿山石、鸡血石、绿松石、日光石、月长石、东陵石中的至少一种。
64.检测框位置可以包括检测框的高度和检测框的宽度，实际中，可以通过检测框四角的坐标确定检测框位置。检测框对应的检测框得分可用于表征检测框对应的区域为宝石镶嵌区域的概率；
65.在实际应用中，当珠宝属性包括镶嵌属性时，将待识别珠宝图像输入到多个珠宝特征识别模型后，用于识别镶嵌属性的珠宝特征识别模型可以通过该模型中的神经网络对珠宝图像进行识别。
66.在对珠宝图像识别时，针对珠宝图像中的每个像素点，该珠宝特征识别模型中的神经网络可以获取以该像素点为中心的检测框所对应的检测框位置，并针对该检测框输出对应的检测框得分。
67.在获取检测框对应的检测框得分后，可以确定检测框得分超过预设阈值的检测框，并将该检测框作为目标检测框。例如，针对珠宝图像中的每个像素点，神经网络可以输出一范围在[0,1]的检测框得分，进而可以将检测框得分高于预设阈值0.5的检测框确定为目标检测框。
[0068]
在确定目标检测框后，可以根据目标检测框对应的检测框位置确定珠宝图像中的宝石镶嵌区域，并获取宝石镶嵌区域中宝石的镶嵌特征。具体地，用于识别镶嵌属性的珠宝特征识别模型中的神经网络在确定目标检测框后可以针对该目标检测框生成一特征向量，该特征向量可以包括多个分量，特征向量中分量的数目与镶嵌方式的种类对应，每个分量分别为待识别宝石的镶嵌方式为特定镶嵌方式的概率。例如镶嵌方式的种类为n1，则特征向量包括n1个分量，n1个分量之和等于1。在生成目标检测框对应的特征向量后，可以将对应概率最高的镶嵌方式，确定为识别出的宝石镶嵌区域中宝石的镶嵌特征。
[0069]
在本实施例中，针对珠宝图像上的每个像素点，通过用于识别镶嵌属性的珠宝特征识别模型中的神经网络，获取以该像素点为中心的检测框所对应的检测框位置和检测框得分，获取检测框得分超过预设阈值的目标检测框，根据目标检测框对应的检测框位置，确定珠宝图像中的宝石镶嵌区域，获取宝石镶嵌区域中宝石的镶嵌特征，能够快速识别出待识别珠宝的镶嵌方式，有效提高珠宝特征的识别效率。
[0070]
在一个实施例中，所述方法还可以包括如下步骤：
[0071]
获取作为训练样本的训练珠宝图像和所述训练珠宝图像对应的镶嵌特征标签；将所述训练珠宝图像输入到待训练的检测网络模型，以通过所述检测网络模型中的神经网络对所述训练珠宝图像进行识别，获取所述训练珠宝图像中的宝石镶嵌区域，并确定所述宝石镶嵌区域中宝石对应的镶嵌方式信息；根据所述宝石镶嵌区域、镶嵌方式信息和所述镶嵌特征标签，调整所述检测网络模型对应的模型参数，再次执行所述将所述训练珠宝图像输入到待训练的检测网络模型，直到满足训练结束条件，得到用于识别镶嵌属性的珠宝特征识别模型。
[0072]
作为一示例，镶嵌特征标签包括镶嵌区域标签和镶嵌方式标签。
[0073]
在具体实现中，可以预先获取作为训练样本的训练珠宝图像。在一示例中，训练珠宝图像的拍摄条件可以与待识别珠宝对应的拍摄条件相同或相似。训练珠宝图像对应的珠宝可以为多种不同的珠宝，如后续模型使用过程中将要识别的珠宝。
[0074]
在获取训练珠宝图像后，可以对训练珠宝图像进行人工标注，设置各训练珠宝图像对应的镶嵌特征标签，例如可以采用矩形框的方式，框选出待训练珠宝图像中的宝石，得到对应的镶嵌区域标签，并标注矩形框中宝石对应的镶嵌方式，得到镶嵌方式标签。进而可以将训练珠宝图像输入到待训练的检测网络模型中，通过检测网络模型中的神经网络对训练珠宝图像进行识别，获取训练珠宝图像中的宝石镶嵌区域，并确定宝石镶嵌区域中宝石对应的镶嵌方式信息。
[0075]
在确定检测网络模型输出的宝石镶嵌区域和镶嵌方式信息后，可以根据已获取的宝石镶嵌区域、镶嵌方式信息和镶嵌特征标签，调整检测网络模型对应的模型参数，并再次执行将训练珠宝图像输入到待训练的检测网络模型的步骤，重复上述过程，直到满足训练结束条件时，可以将当前的检测网络模型作为用于识别镶嵌属性的珠宝特征识别模型。
[0076]
在本实施例中，通过获取作为训练样本的训练珠宝图像和所述训练珠宝图像对应的镶嵌特征标签，将训练珠宝图像输入到待训练的检测网络模型，通过检测网络模型中的神经网络对训练珠宝图像进行识别，获取训练珠宝图像中的宝石镶嵌区域，确定宝石镶嵌区域中宝石对应的镶嵌方式信息，进而可以根据宝石镶嵌区域、镶嵌方式信息和镶嵌特征标签，调整检测网络模型对应的模型参数，并再次执行将所述训练珠宝图像输入到待训练的检测网络模型，直到满足训练结束条件，得到用于识别镶嵌属性的珠宝特征识别模型，能够训练出用于识别镶嵌属性的珠宝特征识别模型，为后续提高珠宝特征识别效率提供基础。
[0077]
在一个实施例中，当珠宝属性包括工艺属性时，所述通过各个珠宝特征识别模型中的神经网络对所述珠宝图像进行识别，确定所述珠宝图像对应的珠宝特征信息，可以包括如下步骤：
[0078]
通过用于识别工艺属性的珠宝特征识别模型中的神经网络，获取所述珠宝图像中每个像素点对应的特征向量；根据特征向量中的各个分量，确定每个像素点对应的工艺特征；获取各个工艺特征对应的像素点数量，并根据所述像素点数量，确定所述珠宝图像对应的工艺特征。
[0079]
作为一示例，用于识别工艺属性的珠宝特征识别模型中的神经网络可以是语义分割模型。特征向量中的每个分量可以表征对应工艺特征的概率。特征向量中的工艺特征可以包括以下至少两种表面工艺特征：光面工艺、拉丝工艺、磨砂工艺、推砂工艺。
[0080]
具体实现中，当珠宝属性包括工艺属性时，将待识别珠宝图像输入到多个珠宝特征识别模型后，用于识别工艺属性的珠宝特征识别模型可以通过该模型中的神经网络对珠宝图像进行识别，获取珠宝图像中每个像素点对应的特征向量。
[0081]
具体地，在对珠宝图像识别时，模型中的神经网络可以获取珠宝图像中每个像素点对应的特征向量。具体例如，珠宝的工艺方式共有n2种，神经网络针对输入的珠宝图像，可以生成一大小与输入图像相同的特征图，特征图上的每个像素点对应一个包含n2个分量的向量，n2个分量的和为1，每一个分量可以表示该像素点为对应工艺方式的概率。
[0082]
在确定每个像素点对应的特征向量后，针对每个像素点，可以根据特征向量中的
各个分量，确定每个像素点对应的工艺特征。具体地，可以将特征向量中数值最大的分量所对应的工艺特征，确定为对应像素点的工艺特征。由此可以确定珠宝图像中各个像素点对应的工艺特征。
[0083]
在确定每个像素点对应的工艺特征后，可以对每种工艺特征对应的像素点数量进行统计，得到各个工艺特征对应的像素点数量，并根据像素点数量，确定珠宝图像对应的工艺特征，例如识别出的各种工艺特征，作为待识别珠宝的珠宝特征信息，或者，也可以将像素点数量超过阈值(如超过预设的数量阈值)的一种或多种工艺特征，确定为该珠宝图像对应的工艺特征。通过对珠宝图像中的各个像素点进行分析，能够快速确定出应用于待识别珠宝的多种处理工艺。
[0084]
在本实施例中，通过用于识别工艺属性的珠宝特征识别模型中的神经网络，获取珠宝图像中每个像素点对应的特征向量，根据特征向量中的各个分量，确定每个像素点对应的工艺特征，获取各个工艺特征对应的像素点数量，并根据像素点数量，确定珠宝图像对应的工艺特征，实现了快速识别出待识别珠宝的一种或多种工艺特征，提高工艺属性下多种工艺特征的识别效率。
[0085]
在一个实施例中，所述方法还可以包括如下步骤：
[0086]
获取作为训练样本的训练珠宝图像和所述训练珠宝图像对应的工艺特征标签；将所述训练珠宝图像输入到待训练的语义分割模型，以通过所述语义分割模型中的神经网络识别对所述训练珠宝图像进行识别，获取所述训练珠宝图像对应的工艺特征；根据所述工艺特征和所述工艺特征标签，调整所述语义分割模型对应的模型参数，再次执行所述将所述训练珠宝图像输入到待训练的语义分割模型，直到满足训练结束条件，得到用于识别工艺属性的珠宝特征识别模型。
[0087]
实际应用中，可以预先获取作为训练样本的训练珠宝图像。具体地，训练珠宝图像的拍摄条件可以与待识别珠宝对应的拍摄条件相同或相似。训练珠宝图像对应的珠宝可以为多种不同的珠宝，如后续模型使用过程中将要识别的珠宝。
[0088]
在获取训练珠宝图像后，可以对训练珠宝图像进行标注，设置各训练珠宝图像对应的工艺特征标签。具体例如，可以通过一个或多个多边形，框选出训练珠宝图像中具有相同工艺处理方式的一个或多个区域，并标注出每个区域对应的工艺特征标签。
[0089]
在确定训练珠宝图像对应的工艺特征标签后，可以将训练珠宝图像输入到待训练的语义分割模型中，通过语义分割模型中的神经网络对训练珠宝图像进行识别，获取训练珠宝图像对应的工艺特征。进而可以根据针对训练珠宝图像预测的工艺特征和工艺特征标签，调整检测网络模型对应的模型参数，并再次执行将训练珠宝图像输入到待训练的语义分割模型的步骤，重复上述过程，直到满足训练结束条件时，可以将当前的语义分割模型作为用于识别工艺属性的珠宝特征识别模型。
[0090]
在本实施例中，通过获取作为训练样本的训练珠宝图像和训练珠宝图像对应的工艺特征标签，将训练珠宝图像输入到待训练的语义分割模型，通过语义分割模型中的神经网络识别对所述训练珠宝图像进行识别，获取训练珠宝图像对应的工艺特征，根据工艺特征和工艺特征标签，调整语义分割模型对应的模型参数，再次执行将所述训练珠宝图像输入到待训练的语义分割模型，直到满足训练结束条件，得到用于识别工艺属性的珠宝特征识别模型，能够训练出用于识别工艺属性的珠宝特征识别模型，为后续提高珠宝特征识别
效率提供基础。
[0091]
在一个实施例中，所述通过各个珠宝特征识别模型中的神经网络对所述珠宝图像进行识别，确定所述珠宝图像对应的珠宝特征信息，还可以包括：
[0092]
通过用于识别款式属性的珠宝特征识别模型中的神经网络，对所述珠宝图像进行识别，确定所述珠宝图像对应的款式特征。
[0093]
作为一示例，款式属性对应的款式特征可以包括以下至少两种：戒指、吊坠、手镯、项链、耳环、耳钉。
[0094]
在实际应用中，可以预先训练用于识别款式属性的珠宝特征识别模型。具体地，可以获取训练珠宝图像，并对训练珠宝图像进行标注，设置各训练珠宝图像对应的款式特征标签，如每一训练珠宝图像标注一款式特征标签。
[0095]
在确定训练珠宝图像对应的款式特征标签后，可以将训练珠宝图像输入到待训练的分类网络模型中，通过分类网络模型中的神经网络对训练珠宝图像进行识别，获取训练珠宝图像对应的款式特征。进而可以以根据针对训练珠宝图像预测的款式特征和款式特征标签，调整分类网络模型对应的模型参数，并再次执行将训练珠宝图像输入到待训练的分类网络模型的步骤，重复上述过程，直到满足训练结束条件时，可以将当前的分类网络模型作为用于识别款式属性的珠宝特征识别模型。
[0096]
在实际识别过程中，可以通过用于识别款式属性的珠宝特征识别模型中的神经网络，对珠宝图像进行识别，确定珠宝图像对应的款式特征。具体而言，用于识别款式属性的珠宝特征识别模型可以是分类网络模型，针对输入的每张珠宝图像，该模型可以通过其中的神经网络生成一个特征向量，该特征向量中的每一个分量可以表示待识别珠宝的款式为对应款式特征的概率。例如，该特征向量可以是包括n3个分量的向量，n3个分量的和为1，每一个分量可以表示待识别珠宝款式为对应款式特征的概率。
[0097]
在获取到该特征向量后，珠宝特征识别模型可以基于该特征向量，将概率最高的款式特征，确定为珠宝图像对应的款式特征。
[0098]
所述通过各个珠宝特征识别模型中的神经网络对所述珠宝图像进行识别，确定所述珠宝图像对应的珠宝特征信息，也可以包括如下步骤：
[0099]
通过用于识别材质属性的珠宝特征识别模型中的神经网络，对所述珠宝图像进行识别，确定所述珠宝图像对应的材质特征。
[0100]
作为一示例，材质属性对应的材质特征可以包括多种用于加工珠宝的金属材质，具体例如，可以包括以下至少两种：金材质、银材质、铂金材质。
[0101]
在具体实现中，可以预先训练用于识别材质属性的珠宝特征识别模型。具体而言，可以获取训练珠宝图像，并标注各训练珠宝图像对应的材质特征标签，如每一训练珠宝图像设置一材质特征标签。
[0102]
在确定训练珠宝图像对应的材质特征标签后，可以将训练珠宝图像输入到待训练的分类网络模型中，通过分类网络模型中的神经网络对训练珠宝图像进行识别，获取训练珠宝图像对应的材质特征。进而可以以根据针对训练珠宝图像预测的材质特征和材质特征标签，调整分类网络模型对应的模型参数，并再次执行将训练珠宝图像输入到待训练的分类网络模型的步骤，重复上述过程，直到满足训练结束条件时，可以将当前的分类网络模型作为用于识别材质属性的珠宝特征识别模型。
[0103]
在实际应用中，可以通过用于识别材质属性的珠宝特征识别模型中的神经网络，对珠宝图像进行识别，确定珠宝图像对应的款式特征。具体而言，针对输入的每张珠宝图像，用于识别材质属性的珠宝特征识别模型，可以通过其中的神经网络生成一个特征向量，该特征向量中的每一个分量可以表示待识别珠宝的材质为对应材质特征的概率。例如，该特征向量可以是包括n4个分量的向量，n4个分量的和为1，每一个分量可以表示待识别珠宝材质为对应材质特征的概率。在获取到该特征向量后，珠宝特征识别模型可以基于该特征向量，将概率最高的材质特征，确定为珠宝图像对应的材质特征。
[0104]
在本实施例中，可以通过用于识别款式属性的珠宝特征识别模型中的神经网络，对珠宝图像进行识别，确定珠宝图像对应的款式特征，和/或，通过用于识别材质属性的珠宝特征识别模型中的神经网络，对珠宝图像进行识别，确定珠宝图像对应的材质特征，能够快出确定出待识别珠宝的款式或材质，有效提高识别效率。
[0105]
在一个实施例中，所述获取待识别珠宝对应的珠宝图像，可以包括如下步骤：
[0106]
获取待识别珠宝多个角度对应的珠宝图像，
[0107]
实际应用中，可以获取待识别珠宝多个角度对应的珠宝图像。具体地，可以将待识别珠宝摆放于平台上，并采用统一的背景作为待识别珠宝的拍摄背景，进而，可以使用专用摄像设备，在稳定的外部光线条件下，在预设距离处，对待识别珠宝进行拍照。拍照过程中，通过变换待识别珠宝的摆放姿态，可以获取到不同角度的多张珠宝图像。
[0108]
所述根据各个珠宝特征识别模型输出的珠宝特征信息，确定所述待识别珠宝对应的珠宝特征信息，可以包括如下步骤：
[0109]
针对每个珠宝特征识别模型输出的珠宝特征信息，获取各珠宝特征信息对应的累计数量，并将累计数量满足预设数量条件的珠宝特征信息作为该珠宝特征识别模型的识别结果；基于各个珠宝特征识别模型对应的识别结果，确定所述待识别珠宝对应的珠宝特征信息。
[0110]
具体实现中，由于可以获取到待识别珠宝对应的多张珠宝图像，每一珠宝图像通过珠宝特征模型识别后，都可以分别获取到对应的珠宝特征信息，但不同的珠宝图像，其对应的珠宝特征信息可以存在差异。例如，针对待识别珠宝a，获取到m张珠宝图像(m≥2)，其中，针对材质特征，珠宝图像m1识别出的材质特征为材质特征q1，而珠宝图像m1识别出的材质特征为材质特征q2，两者存在差异。
[0111]
基于此，针对用于识别不同珠宝属性的每个珠宝特征识别模型，可以对其输出的珠宝特征信息进行统计，获取各珠宝特征信息对应的累计数量，并将累计数量满足预设数量条件的珠宝特征信息，作为该珠宝特征识别模型的识别结果。
[0112]
例如，针对待识别珠宝对应的m张珠宝图像，在输入到用于识别镶嵌属性的珠宝特征识别模型后，该模型可以分别输出m个关于镶嵌属性的珠宝特征信息，则可以将对应的珠宝图像累计数量最高的镶嵌特征，确定为镶嵌属性下的珠宝特征信息。
[0113]
又如，针对工艺属性，当输入到用于识别工艺属性的珠宝特征识别模型后，可以对各种工艺特征对应的像素点数量进行统计，将累计的像素点数量作为对应工艺特征的累计数量。进而可以将累计数量超过像素点数量阈值的工艺特征，确定为工艺属性下的珠宝特征信息。
[0114]
或者，针对款式属性，可以将对应的珠宝图像累计数量最高的款式特征，确定为待
识别珠宝款式属性下的珠宝特征信息；相应地，针对材质属性，可以将对应的珠宝图像累计数量最高的材质特征，确定为待识别珠宝材质属性下的珠宝特征信息。
[0115]
在获取到各个珠宝特征识别模型对应的识别结果后，可以将各个识别结果，作为待识别珠宝对应的珠宝特征信息。
[0116]
在本实施例中，可以获取待识别珠宝多个角度对应的珠宝图像，针对每个珠宝特征识别模型输出的珠宝特征信息，获取各珠宝特征信息对应的累计数量，并将累计数量满足预设数量条件的珠宝特征信息作为该珠宝特征识别模型的识别结果，进而可以基于各个珠宝特征识别模型对应的识别结果，确定待识别珠宝对应的珠宝特征信息，能够基于多张珠宝图像的识别结果确定最终的待识别珠宝对应的珠宝特征信息，通过综合多张珠宝图像的信息，提高珠宝特征识别的准确性。
[0117]
在一个实施例中，在训练珠宝特征识别模型时，在获取用于包括多张训练珠宝图像的训练集后，可以按照预设比例对其进行划分，例如随机划分为90％和10％两份，其中90％的训练珠宝图像可用于模型训练，10％的训练珠宝图像可用于模型测试。针对同一珠宝属性的珠宝特征识别模型的训练，可以通过调整模型参数，分别训练不同的识别模型，并基于测试数据集对比各个识别模型的效果，选取测试数据集上识别准确率最高的模型，作为最终珠宝特征识别模型。
[0118]
应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0119]
在一个实施例中，如图3所示，提供了一种珠宝特征信息获取装置，所述装置包括：
[0120]
珠宝图像获取模块301，用于获取待识别珠宝对应的珠宝图像；
[0121]
识别模块302，用于将所述珠宝图像输入到多个训练好的珠宝特征识别模型，以通过各个珠宝特征识别模型中的神经网络对所述珠宝图像进行识别，确定所述珠宝图像对应的珠宝特征信息；所述多个珠宝特征识别模型分别用于识别不同珠宝属性下的珠宝特征信息；
[0122]
珠宝特征确定模块303，用于根据各个珠宝特征识别模型输出的珠宝特征信息，确定所述待识别珠宝对应的珠宝特征信息。
[0123]
在一个实施例中，当所述珠宝属性包括镶嵌属性时，所述识别模块302，包括：
[0124]
检测框得分获取子模块，用于针对所述珠宝图像上的每个像素点，通过用于识别镶嵌属性的珠宝特征识别模型中的神经网络，获取以该像素点为中心的检测框所对应的检测框位置和检测框得分；所述检测框得分用于表征所述检测框对应的区域为宝石镶嵌区域的概率；
[0125]
目标检测框确定子模块，用于获取检测框得分超过预设阈值的目标检测框；
[0126]
镶嵌区域识别子模块，用于根据所述目标检测框对应的检测框位置，确定所述珠宝图像中的宝石镶嵌区域；
[0127]
镶嵌特征获取子模块，用于获取所述宝石镶嵌区域中宝石的镶嵌特征。
[0128]
在一个实施例中，还包括：
[0129]
镶嵌特征标签获取模块，用于获取作为训练样本的训练珠宝图像和所述训练珠宝图像对应的镶嵌特征标签；所述镶嵌特征标签包括镶嵌区域标签和镶嵌方式标签；
[0130]
第一输入模块，用于将所述训练珠宝图像输入到待训练的检测网络模型，以通过所述检测网络模型中的神经网络对所述训练珠宝图像进行识别，获取所述训练珠宝图像中的宝石镶嵌区域，并确定所述宝石镶嵌区域中宝石对应的镶嵌方式信息；
[0131]
第一参数调整模块，用于根据所述宝石镶嵌区域、镶嵌方式信息和所述镶嵌特征标签，调整所述检测网络模型对应的模型参数，再次执行所述将所述训练珠宝图像输入到待训练的检测网络模型，直到满足训练结束条件，得到用于识别镶嵌属性的珠宝特征识别模型。
[0132]
在一个实施例中，当所述珠宝属性包括工艺属性时，所述识别模块302，包括：
[0133]
特征向量确定子模块，用于通过用于识别工艺属性的珠宝特征识别模型中的神经网络，获取所述珠宝图像中每个像素点对应的特征向量；所述特征向量中的每个分量表征对应工艺特征的概率；
[0134]
像素工艺确定子模块，用于根据特征向量中的各个分量，确定每个像素点对应的工艺特征；
[0135]
工艺特征确定子模块，用于获取各个工艺特征对应的像素点数量，并根据所述像素点数量，确定所述珠宝图像对应的工艺特征。
[0136]
在一个实施例中，还包括：
[0137]
工艺特征标签获取模块，用于获取作为训练样本的训练珠宝图像和所述训练珠宝图像对应的工艺特征标签；
[0138]
第二输入模块，用于将所述训练珠宝图像输入到待训练的语义分割模型，以通过所述语义分割模型中的神经网络识别对所述训练珠宝图像进行识别，获取所述训练珠宝图像对应的工艺特征；
[0139]
第二参数调整模块，用于根据所述工艺特征和所述工艺特征标签，调整所述语义分割模型对应的模型参数，再次执行所述将所述训练珠宝图像输入到待训练的语义分割模型，直到满足训练结束条件，得到用于识别工艺属性的珠宝特征识别模型。
[0140]
在一个实施例中，所述识别模块302，包括：
[0141]
款式特征识别子模块，用于通过用于识别款式属性的珠宝特征识别模型中的神经网络，对所述珠宝图像进行识别，确定所述珠宝图像对应的款式特征；
[0142]
和/或，
[0143]
材质特征识别子模块，用于通过用于识别材质属性的珠宝特征识别模型中的神经网络，对所述珠宝图像进行识别，确定所述珠宝图像对应的材质特征。
[0144]
在一个实施例中，所述珠宝图像获取模块301，具体用于获取待识别珠宝多个角度对应的珠宝图像；
[0145]
所述珠宝特征确定模块303，包括：
[0146]
识别结果统计子模块，用于针对每个珠宝特征识别模型输出的珠宝特征信息，获取各珠宝特征信息对应的累计数量，并将累计数量满足预设数量条件的珠宝特征信息作为该珠宝特征识别模型的识别结果；
[0147]
识别结果融合子模块，用于基于各个珠宝特征识别模型对应的识别结果，确定所述待识别珠宝对应的珠宝特征信息。
[0148]
关于一种珠宝特征信息获取装置的具体限定可以参见上文中对于一种珠宝特征信息获取方法的限定，在此不再赘述。上述一种珠宝特征信息获取装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0149]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储珠宝图像。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种珠宝特征信息获取方法。
[0150]
本领域技术人员可以理解，图4中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0151]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
[0152]
获取待识别珠宝对应的珠宝图像；
[0153]
将所述珠宝图像输入到多个训练好的珠宝特征识别模型，以通过各个珠宝特征识别模型中的神经网络对所述珠宝图像进行识别，确定所述珠宝图像对应的珠宝特征信息；所述多个珠宝特征识别模型分别用于识别不同珠宝属性下的珠宝特征信息；
[0154]
根据各个珠宝特征识别模型输出的珠宝特征信息，确定所述待识别珠宝对应的珠宝特征信息。
[0155]
在一个实施例中，处理器执行计算机程序时还实现上述其他实施例中的步骤。
[0156]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
[0157]
获取待识别珠宝对应的珠宝图像；
[0158]
将所述珠宝图像输入到多个训练好的珠宝特征识别模型，以通过各个珠宝特征识别模型中的神经网络对所述珠宝图像进行识别，确定所述珠宝图像对应的珠宝特征信息；所述多个珠宝特征识别模型分别用于识别不同珠宝属性下的珠宝特征信息；
[0159]
根据各个珠宝特征识别模型输出的珠宝特征信息，确定所述待识别珠宝对应的珠宝特征信息。
[0160]
在一个实施例中，计算机程序被处理器执行时还实现上述其他实施例中的步骤。
[0161]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可
包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read
‑
only memory，rom)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。
[0162]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0163]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。