【技术实现步骤摘要】
本申请涉及人工智能，具体涉及一种包裹图像多标签分类方法、包裹多标签分类模型训练方法、装置、计算机可读存储介质及计算机设备。
技术介绍
1、目前的深度学习模型在对包裹图像进行分类处理时，利用一个深度学习模型识别包裹图像得到一个维度下的分类结果，如果需要两个或两个以上维度下的分类结果时通常需要两个或多个深度学习模型才能得到。而在物流领域中，在数字化转型的背景下，为了精细化管理，多个维度下的分类结果在物流应用场景中是比较常见的情况，而多个维度下的分类结果需要多个深度学习模型得到，这降低了得到多个维度下的分类结果的效率。
技术实现思路
1、本申请实施例提供一种包裹图像多标签分类方法、包裹多标签分类模型训练方法、装置、计算机可读存储介质及计算机设备，可以同时得到包裹在至少两个不同包裹维度下的目标类别，提高了得到多个包裹维度下的目标类别的效率。
2、本申请实施例提供了一种包裹图像多标签分类方法，包括：
3、获取包裹的包裹图像和所述包裹的运单号；
4、将所述包裹图像输入至包裹多标签分类模型中，利用包裹多标签分类模型对所述包裹图像进行包裹分类处理，以得到所述包裹在至少两个不同包裹维度下的多个类别概率，其中，每个不同包裹维度下存在至少两个不同类别，每个类别对应一个类别概率；
5、根据所述多个类别概率确定所述包裹在至少两个不同包裹维度下所属的至少两个目标类别，并将至少两个目标类别和所述运单号进行绑定。
6、本申请实施例提供了一种包裹多标签分类
7、获取训练数据集中的多个训练样本和初始包裹多标签分类模型，每个训练样本中包括包裹样本的样本运单号、样本包裹图像和至少两个不同包裹维度下的多个类别标签，其中，每个不同包裹维度下存在至少两个不同类别，每个类别对应一个类别标签；
8、将每个训练样本中的所述样本包裹图像输入至所述初始包裹多标签分类模型中，利用初始包裹多标签分类模型对所述样本包裹图像进行包裹分类处理，以得到所述包裹样本在至少两个不同包裹维度下的多个类别概率；
9、根据多个类别概率和多个类别标签，确定所述初始包裹多标签分类模型中的损失值；
10、根据所述损失值更新所述初始包裹多标签分类模型中的网络参数，以得到包裹多标签分类模型。
11、本申请实施例还提供一种包裹图像多标签分类装置，包括：
12、第一获取模块，用于获取包裹的包裹图像和所述包裹的运单号；
13、第一概率确定模块，用于将所述包裹图像输入至包裹多标签分类模型中，利用包裹多标签分类模型对所述包裹图像进行包裹分类处理，以得到所述包裹在至少两个不同包裹维度下的多个类别概率，其中，每个不同包裹维度下存在至少两个不同类别，每个类别对应一个类别概率；
14、类别确定模块，用于根据所述多个类别概率确定所述包裹在至少两个不同包裹维度下所属的目标类别；
15、绑定模块，用于将所述目标类别和所述运单号进行绑定。
16、本申请实施例还提供一种包裹多标签分类模型训练装置，包括：
17、第二获取模块，用于获取训练数据集中的多个训练样本和初始包裹多标签分类模型，每个训练样本中包括包裹样本的样本运单号、样本包裹图像和至少两个不同包裹维度下的多个类别标签，其中，每个不同包裹维度下存在至少两个不同类别，每个类别对应一个类别标签；
18、第二概率确定模块，用于将每个训练样本中的所述样本包裹图像输入至所述初始包裹多标签分类模型中，利用初始包裹多标签分类模型对所述样本包裹图像进行包裹分类处理，以得到所述包裹样本在至少两个不同包裹维度下的多个类别概率；
19、损失确定模块，用于根据多个类别概率和多个类别标签，确定所述初始包裹多标签分类模型中的损失值；
20、更新模块，用于根据所述损失值更新所述初始包裹多标签分类模型中的网络参数，以得到包裹多标签分类模型。
21、本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序适于处理器进行加载，以执行如上任一实施例所述的方法中的步骤。
22、本申请实施例还提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器通过调用所述存储器中存储的所述计算机程序，执行如上任一实施例所述的方法中的步骤。
23、本申请实施例提供的包裹图像多标签分类方法、包裹多标签分类模型训练方法、装置、计算机可读存储介质及计算机设备，通过获取包裹的包裹图像和包裹的运单号，将包裹图像输入至包裹多标签分类模型中，利用包裹多标签分类模型对包裹图像进行包裹分类处理，以得到包裹在至少两个不同包裹维度下的多个类别概率，根据多个类别概率确定包裹在至少两个不同包裹维度下所属的至少两个目标类别，即本申请实施例中利用一个深度学习模型如包裹多标签分类模型，同时得到包裹在至少两个不同包裹维度下所属的至少两个目标类别，提高了得到多个包裹维度下的目标类别的效率，也即对包裹分类的效率，且只需训练一个包裹多标签分类模型即可，无需训练多个模型，提高了训练效率。
本文档来自技高网...【技术保护点】
1.一种包裹图像多标签分类方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述包裹多标签分类模型包括骨干网络模块和多标签分类头模块，所述多标签分类头模块中包括与多个类别匹配的多个标签分类头，所述利用包裹多标签分类模型对所述包裹图像进行包裹分类处理，以得到所述包裹在至少两个不同包裹维度下的多个类别概率的步骤，包括：
3.根据权利要求2所述的方法，其特征在于，所述多标签分类头模块中还包括全连接层，所述多标签分类头模块中的每个标签分类头中包括一个概率映射函数，所述利用所述多标签分类头模块进行分类处理，以得到与每个标签分类头匹配的类别的类别概率的步骤，包括：
4.根据权利要求1所述的方法，其特征在于，所述包裹的至少两个不同包裹维度包括所述包裹的包裹形状和包裹材质，所述包裹在至少两个不同包裹维度下的多个类别概率包括所述包裹在包裹形状下的至少两个类别概率和所述包裹在包裹材质下的至少两个类别概率，所述包裹在至少两个不同包裹维度下所属的目标类别包括所述包裹的目标包裹形状和目标包裹材质，所述方法还包括：
5.一种包裹多标签分类模型
6.根据权利要求5所述的方法，其特征在于，所述根据多个类别概率和多个类别标签，确定所述初始包裹多标签分类模型中的损失值的步骤，包括：
7.根据权利要求5所述的方法，其特征在于，所述初始包裹多标签分类模型中包括骨干网络模块和多标签分类头模块，所述多标签分类头模块中包括与多个类别匹配的多个标签分类头；所述利用初始包裹多标签分类模型对所述样本包裹图像进行包裹分类处理，以得到所述包裹样本在至少两个不同包裹维度下的多个类别概率的步骤，包括：
8.一种包裹图像多标签分类装置，其特征在于，包括：
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序适于处理器进行加载，以执行如权利要求1-7任一项所述的方法中的步骤。
10.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器通过调用所述存储器中存储的所述计算机程序，执行如权利要求1-7任一项所述的方法中的步骤。
...【技术特征摘要】
1.一种包裹图像多标签分类方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述包裹多标签分类模型包括骨干网络模块和多标签分类头模块，所述多标签分类头模块中包括与多个类别匹配的多个标签分类头，所述利用包裹多标签分类模型对所述包裹图像进行包裹分类处理，以得到所述包裹在至少两个不同包裹维度下的多个类别概率的步骤，包括：
3.根据权利要求2所述的方法，其特征在于，所述多标签分类头模块中还包括全连接层，所述多标签分类头模块中的每个标签分类头中包括一个概率映射函数，所述利用所述多标签分类头模块进行分类处理，以得到与每个标签分类头匹配的类别的类别概率的步骤，包括：
4.根据权利要求1所述的方法，其特征在于，所述包裹的至少两个不同包裹维度包括所述包裹的包裹形状和包裹材质，所述包裹在至少两个不同包裹维度下的多个类别概率包括所述包裹在包裹形状下的至少两个类别概率和所述包裹在包裹材质下的至少两个类别概率，所述包裹在至少两个不同包裹维度下所属的目标类别包括所述包裹的目标包裹形状和目标包裹材质，所述方法还包括：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。