一种二手箱包奢侈品的品质检测及估价方法与流程

1.本发明涉及二手奢侈品评估技术领域，具体涉及到一种二手箱包奢侈品的品质检测及估价方法。


背景技术：

2.二手奢侈品的成色鉴定是二手奢侈品市场中估价的重要环节，需要在交易之前对奢侈品的真伪进行鉴定、识别，确认为真品后才可进行交易，也是消费者选择时的关键评判标准。
3.在目前的奢侈品市场中，奢侈品成色鉴定主要靠人工鉴定来完成，随着需要鉴定的奢侈品的数量不断增长，现有的成色评估师已经不能满足日均鉴定需求，且由于工作量的增加导致成色评估师对奢侈品的成色鉴定出现了较大的误差，鉴定失误开始出现，造成当前二手奢侈品的成色鉴定的精准度出现下滑，且一件奢侈品从上交鉴定到最后拿到结果需要的时间过于漫长，严重影响了卖家的交易时间，延缓了交易流程，鉴定效率较低。
4.另外，在目前二手奢侈品市场中，二手奢侈品的定价是随时都在浮动的，随着二手奢侈品的市场越来越大，对于箱包的定价并不是那么规律，呈现出一种不规律不稳定的状态。当前在二手奢侈品市场中，箱包的定价过程主要依靠人工判断进行定价，存在效率低下、估价错误时有发生的情况，因此，存在待改进之处。


技术实现要素：

5.针对现有技术所存在的不足，本发明目的在于提出一种二手箱包奢侈品的品质检测及估价方法，具体方案如下：
6.一种二手箱包奢侈品的品质检测及估价方法，包括：
7.s1：获取待鉴定箱包的图像：
8.s2：根据所述待鉴定箱包的图像确定所述待鉴定箱包的款型以及成色等级，其中，款型包括品牌 款式、材料以及大小尺寸，成色等级包括s、a、b以及c等级，具体为将所述待鉴定箱包的图像输入到预先训练的款型识别模型中进行识别，先确定好所述待鉴定箱包的品牌 款式，再确定所述待鉴定箱包的材料以及大小尺寸，确定好所述待鉴定箱包的款型之后，由用户根据所述待鉴定箱包进行成色等级的自选；
9.s3：所述待鉴定箱包的成色等级确定好之后进行自动估价，给到所述待鉴定箱包的估价范围。
10.进一步的，所述款型识别模型包括款式识别模型，基于所述待鉴定箱包的图像的正面照与预设的款式图库比对，先确定所述待鉴定箱包的品牌 款式，再由消费者自行根据给定的材料种类、大小尺寸种类确定所述待鉴定箱包的材料、大小尺寸。
11.进一步的，所述款型识别模型还可包括材料识别模型、大小尺寸识别模型；
12.所述材料识别模型根据预设的不同品牌材料数据库进行比对反推出对应的材料；
13.所述大小尺寸识别模型根据拍摄距离数据算法计算出对应的大小尺寸，或者根据
消费者输入的原始购买价格数据算法反推出对应的大小尺寸。
14.进一步的，所述待鉴定箱包的图像可以表示为大小为h*w*3的三维矩阵，其中h*w是图片的长度、宽度，3是rgb三个信道，x
h*w*3
；
15.所述三维矩阵通过卷积层，产生特征矩阵[f0，f1，
···
，f
k-1
]，其中，k是卷积层的数量，给定卷积层i，0≤i≤k
–
1，对应的特征矩阵f是大小为hi*wi*ci的三维矩阵，其中，ci是对应卷积层的信道数量，给定信道数j，0≤j≤c-1，得到对应的特征矩阵f
i，j
，其中，其中h
i，j
*w
i，j
是该卷积层的大小，f是对应位置的特征值。
[0016]
进一步的，所述待鉴定箱包的图像包括高价值特征区域，所述高价值特征区域表示为(i,xm,ym,hm,wm)，其中i是卷积特征层数，(xm,ym)表示区域的中心坐标，(hm,wm)代表区域的大小；
[0017]
对所有的高价值特征区域，提取对应的卷积特征，然后进行分类训练和回归训练。
[0018]
进一步的，所述分类训练关注于高价值特征区域的主体是否包含箱包，采用如下的训练损失函数：
[0019][0020]
其中，yi代表对于第i个高价值特征区域是否包含箱包的实际结果，pi是深度学习神经网络对第i个高价值特征区域产出的包含箱包的概率。
[0021]
进一步的，所述回归训练关注于箱包的边界和高价值特征区域的重合度，采用如下的训练损失函数：
[0022][0023]
其中，t
x
是对检测位置中的x参数做归一化处理的结果，t
x
＝(x-xa)/wa。
[0024]
进一步的，在所述步骤s3中，所述自动估价采用箱包估价模型，所述箱包估价模型的核心为先根据市场销售价以及利润率控制成本价，再通过成本价给到所述待鉴定箱包的估价范围。
[0025]
进一步的，所述利润率通过平均利润率模型进行训练以及调整，所述平均利润率模型的核心为实际售卖的箱包根据对应的市场客单价、毛利作为数值点进行曲线拟合，该曲线的精准度和不同品牌中不同款式的爆款程度挂钩，将箱包是否为爆款作为一个维度对该曲线进行精度调整。
[0026]
与现有技术相比，本发明的有益效果如下：
[0027]
(1)消费者或者商家通过拍摄待鉴定箱包的图像，款型识别模型根据图像确定待鉴定箱包的品牌 款式、材料、大小尺寸，同时只需消费者或者商家确定待鉴定箱包对应的成色等级，消费者或者商家便可快速得到待鉴定箱包的估价范围，因此，本发明可同时实现对待鉴定箱包的真伪、价值进行鉴定，相较于评估师的存在一定主观影响因素的人工鉴定，本发明的鉴定效率以及鉴定精准度大大提高，通过以上方式获得的箱包款型、成色评估值以及估价范围更加的客观、具体，参考性具有很大程度上的专业度。
[0028]
(2)款式识别模型结合材料识别模型、大小尺寸模型配合使用能更客观、直接且准确的实现对待鉴定箱包的款型识别，不同模型的参数具有不同的梯度值，可以全方位兼容多种类型、特点的箱包；
[0029]
(3)通过对待鉴定箱包的图像进行三维矩阵式的特征识别，得到对应的特征矩阵，根据待鉴定箱包的图像中对应的高价值特征区域，高价值特征区域的特点是大概率包含箱包的可见部分，然后对特征矩阵提取对应的卷积特征，进行分类训练以及回归训练，该两个训练通过深度学习和机器视觉的技术对特征区域中是否包含箱包、箱包的边界与高价值特征的重合度，推理得到箱包的品牌以及材料种类，最终以概率的形式表示，提高了二手奢侈品箱包的检测速率以及检测精准度，而且该方法的实质为首先检测图像上是否有箱包以及箱包的位置，再对检测出的箱包进行品牌 款式的识别，最终以一种容易理解的方式即概率，相较于现有的其他通过图像处理的箱包识别方法，本发明通过概率的大小向消费者或者商家展示箱包鉴定的最终结果，通俗易懂。
[0030]
(4)本发明采用的估价方式通过市场销售价(客单价)来获知消费者对箱包的可支付能力，同时，商家通过利润率来控制对箱包的成本价，便于商家选择合适的箱包货源，通过成本价最终展示的估价范围是在基于商家设定的利润率得到，满足商家、用户双方的各自需求。结合市场上消费者和商家的两种角度来确定当前箱包的实时行情，另外，利润率作为一个不断变化的参考值，平均利润率模型根据市场上箱包交易的实时行情对其进行调整，使得最终得到的预估价格更具有准确性，提高了箱包估价的精确度。
附图说明
[0031]
图1为本发明中的特征矩阵展示图。
具体实施方式
[0032]
下面结合实施例及附图对本发明作进一步的详细说明，但本发明的实施方式不仅限于此。
[0033]
一种二手箱包奢侈品的品质检测及估价方法，该方法可同时实现对待鉴定箱包的真伪、价值进行鉴定、评估，在二手奢侈品市场中，可用于对比如香奈儿等各种品牌进行检测、估价，便于商家快速对某个箱包进行定价，从而进行公开售卖，同时，也可便于对消费者试图购买二手箱包或者售卖箱包时给到评估参考。另外，本发明的品质检测及估价方法不仅可适用于二手市场的箱包类产品，在不改变本发明的核心原理的前提下，还可适用于二手手表、首饰等产品。
[0034]
本发明的方法具体包括如下步骤：
[0035]
s1：获取待鉴定箱包的图像：
[0036]
s2：根据待鉴定箱包的图像确定待鉴定箱包的款型以及成色等级，其中，款型包括品牌 款式、材料以及大小尺寸，成色等级包括s、a、b以及c等级，具体为将待鉴定箱包的图像输入到预先训练的款型识别模型中进行识别，先确定好待鉴定箱包的品牌 款式，再确定待鉴定箱包的材料以及大小尺寸，确定好待鉴定箱包的款型之后，由消费者根据待鉴定箱包进行成色等级的自选；
[0037]
s3：待鉴定箱包的成色等级确定好之后进行自动估价，给到待鉴定箱包的估价范围。
[0038]
消费者或者商家通过拍摄待鉴定箱包的图像，款型识别模型根据图像确定待鉴定箱包的品牌 款式、材料、大小尺寸，同时只需消费者或者商家确定待鉴定箱包对应的成色
等级，消费者或者商家便可快速得到待鉴定箱包的估价范围。
[0039]
详述来说，本发明的方法可采用实用app、或者小程序的方式实现，在上述的步骤s1中，获取图像的方式可采用拍摄照片的形式，比如使用手机、平板等终端，或者通过照相机等装置，拍摄之后的图像通过蓝牙、4g、5g、无线网络等方式上传至app、或者小程序中，再进行后续的步骤。
[0040]
详述来说，在上述的步骤s2中，款型识别模型包括款式识别模型，基于待鉴定箱包的图像的正面照与预设的款式图库比对，先确定待鉴定箱包的品牌 款式，鉴于图像的成像质量与箱包本身存在一定的误差，而且用户一般在初始购买箱包时就了解箱包的材料以及尺寸，为保证对待鉴定箱包的材料、尺寸的鉴定准确度，再由消费者自行根据给定的材料种类、大小尺寸种类确定待鉴定箱包的材料、大小尺寸。
[0041]
优化的，款型识别模型还可包括材料识别模型、大小尺寸识别模型，材料识别模型、大小尺寸识别模型可参考款式识别模型进行训练直至熟练。具体来说，材料识别模型根据预设的不同品牌材料数据库进行比对反推出对应的材料，大小尺寸识别模型根据拍摄距离数据算法计算出对应的大小尺寸，或者根据消费者输入的原始购买价格数据算法反推出对应的大小尺寸。当材料识别模型、大小尺寸识别模型根据大量的原始数据训练完毕之后，而且随着数据的积累，此两个模型的识别准确率会逐渐提高直至稳定，在上述的步骤s2中，待鉴定箱包的图像便可在款型识别模型中同时得到对应的品牌 款式、材料以及大小尺寸。
[0042]
款式识别模型结合材料识别模型、大小尺寸模型配合使用能更客观、直接且准确的实现对待鉴定箱包的款型识别，不同模型的参数具有不同的梯度值，可以全方位兼容多种类型、特点的箱包。
[0043]
至于款型识别模型如何识别出待鉴定箱包的图像的是否包含箱包、箱包的位置、箱包的款型，如下所述，本发明是基于图像处理、深度学习和机器视觉技术实现。
[0044]
待鉴定箱包的图像可以表示为大小为h*w*3的三维矩阵，其中h*w是图片的长度、宽度，3是rgb三个信道，x
h*w*3
。
[0045]
三维矩阵通过卷积层，产生特征矩阵[f0，f1，
···
，f
k-1
]，其中，k是卷积层的数量，给定卷积层i，0≤i≤k
–
1，对应的特征矩阵f是大小为hi*wi*ci的三维矩阵，其中，ci是对应卷积层的信道数量，给定信道数j，0≤j≤c-1，得到对应的特征矩阵f
i，j
，可如图1所示，其中，其中h
i，j
*w
i，j
是该卷积层的大小，f是对应位置的特征值。
[0046]
待鉴定箱包的图像包括高价值特征区域，高价值特征区域表示为为(i,xm,ym,hm,wm)，其中i是卷积特征层数，(xm,ym)表示区域的中心坐标，(hm,wm)代表区域的大小，对所有的高价值特征区域，提取对应的卷积特征，然后进行分类训练和回归训练。
[0047]
通过对待鉴定箱包的图像进行三维矩阵式的特征识别，得到对应的特征矩阵，根据待鉴定箱包的图像中对应的高价值特征区域，高价值特征区域的特点是大概率包含箱包的可见部分，然后对特征矩阵提取对应的卷积特征，进行分类训练以及回归训练，该两个训练通过深度学习和机器视觉的技术对特征区域中是否包含箱包、箱包的边界与高价值特征的重合度，推理得到箱包的品牌以及材料种类，最终以概率的形式表示，提高了二手奢侈品箱包的检测速率以及检测精准度。
[0048]
详述来说，分类训练关注于高价值特征区域的主体是否包含箱包，采用如下的训练损失函数：
[0049][0050]
其中，yi代表对于第i个高价值特征区域是否包含箱包的实际结果，pi是深度学习神经网络对第i个高价值特征区域产出的包含箱包的概率。
[0051]
回归训练关注于箱包的边界和高价值特征区域的重合度，采用如下的训练损失函数：
[0052][0053]
其中，t
x
是对检测位置中的x参数做归一化处理的结果，t
x
＝(x-xa)/wa。
[0054]
当待鉴定箱包的款型以及成色均确定好之后，在步骤s3中，自动估价采用箱包估价模型，箱包估价模型的核心为先根据市场销售价以及利润率控制成本价，再通过成本价给到所述待鉴定箱包的估价范围。
[0055]
针对商家来说，通过在外部市场收集不同箱包近30天的数据，该数据包括图像、客单价、成色、款式以及材料中的一种或者多种，此时的客单价为市场销售价，所有数据形成参考数据库，将商家供货价与该参考数据库进行比对，同时参考不同品牌内不同款式的爆款程度去设定不同箱包对应的利润率，根据设定的利润率确定不同箱包的成本价，最后根据成本价选择合适的商家供货价，进而确定箱包货源。而且，商家还可以根据成本价以及对应的估价范围对某个二手箱包进行定价，从而进行公开售卖。
[0056]
针对购买者来说，根据给到的估价范围也能和自身的心理价位进行比对，从而判断是否要购买或者售卖该二手箱包。
[0057]
优化的，本发明中，利润率通过平均利润率模型进行训练以及调整，平均利润率模型的核心为实际售卖的箱包根据对应的市场客单价、毛利作为数值点进行曲线拟合，该曲线的精准度和不同品牌中不同款式的爆款程度挂钩，将箱包是否为爆款作为一个维度对该曲线进行精度调整。利润率作为一个不断变化的参考值，平均利润率模型根据市场上箱包交易的实时行情对其进行调整，使得最终得到的预估价格更具有准确性，提高了箱包估价的精确度。
[0058]
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。