商品识别方法、装置、设备以及计算机可读存储介质

技术领域

本申请涉及图像识别技术领域，具体涉及商品识别方法、装置、设备以及计算机可读存储介质。

背景技术

近些年来，伴随着人工智能(Artificial Intelligence，AI)技术的蓬勃发展，AI技术不再是象牙塔中的“高精尖”技术，投入至越来越多的实际应用中，使得广大用户的生活和工作愈加地智能化。

以无人超市为例，典型的，就应用了人脸识别技术以及图像识别技术，人脸识别技术可以帮助实时精准定位超市中的消费者，并准确掌握他们的位置和行为，图像识别技术则可以实时自动分析超市货架上的商品状况，实时采集消费者拿取商品前后的动作，并通过系统分析，判断消费者购买或退回商品的行为，通过两者的结合，促使了无人化智慧超市的实现。

与此同时需要明白的是，无人超市的背后，依靠的是不断进步的AI技术，而在实际应用中发现，现有的图像识别技术所实现的商品识别，其识别精度仍待提升，这在一定程度上限制了无人超市的正常运行以及用户体验。

发明内容

本申请实施例提供了商品识别方法、装置、设备以及计算机可读存储介质，用于在一定程度上提高图像中的商品的识别精度。

第一方面，本申请实施例提供了商品识别方法，方法包括：

获取待识别的目标图像；

将目标图像输入商品特征识别模型进行商品特征识别处理，得到目标图像对应的商品特征信息，其中，商品特征识别模型将全连接层输出的特征向量输出至卷积层，以使得卷积层根据全连接层输出的特征向量进行优化处理；

根据商品特征信息，识别目标图像中的商品。

在示例性的实施例中，优化处理包括：

将全连接层输出的特征向量转化为维数与卷积层的维数相对应的第一特征向量；

将第一特征向量与卷积层对应的第二特征向量相乘，得到的乘积作为权重系数；

将权重系数与卷积层对应的第二特征向量相乘，得到第三特征向量，并作为卷积层的输出。

在示例性的实施例中，当卷积层包括多个的子卷积层时，分别对每个子卷积层进行优化处理。

在示例性的实施例中，获取待识别的目标图像包括：

获取待识别的初始图像；

将初始图像输入二分类模型进行商品图像筛选处理，得到从初始图像剔除背景图像后的商品图像，作为待识别的目标图像。

在示例性的实施例中，将目标图像输入商品特征识别模型进行商品特征识别处理之前，方法还包括：

获取训练集，其中，训练集包括不同商品特征信息对应的图像；

根据训练集以及预设的损失函数，对初始模型进行训练，并将完成训练的模型作为商品特征识别模型。

在示例性的实施例中，商品特征识别模型的模型结构为残差网络模型结构。

在示例性的实施例中，根据商品特征信息，识别目标图中的商品包括：

将商品特征信息与商品特征信息集合中的不同商品特征信息进行匹配；

将匹配到的目标商品特征信息对应的商品确定为目标图像的商品识别结果。

第二方面，本申请实施例提供了商品识别装置，装置包括：

获取单元，用于获取待识别的目标图像；

输入单元，用于将目标图像输入商品特征识别模型进行商品特征识别处理，得到目标图像对应的商品特征信息，其中，商品特征识别模型将全连接层输出的特征向量输出至卷积层，以使得卷积层根据全连接层输出的特征向量进行优化处理；

识别单元，用于根据商品特征信息，识别目标图像中的商品。

在示例性的实施例中，优化处理包括：

将全连接层输出的特征向量转化为维数与卷积层的维数相对应的第一特征向量；

将第一特征向量与卷积层对应的第二特征向量相乘，得到的乘积作为权重系数；

将权重系数与卷积层对应的第二特征向量相乘，得到第三特征向量，并作为卷积层的输出。

在示例性的实施例中，当卷积层包括多个的子卷积层时，分别对每个子卷积层进行优化处理。

在示例性的实施例中，获取单元，具体用于：

获取待识别的初始图像；

将初始图像输入二分类模型进行商品图像筛选处理，得到从初始图像剔除背景图像后的商品图像，作为待识别的目标图像。

在示例性的实施例中，装置还包括训练单元，用于：

获取训练集，其中，训练集包括不同商品特征信息对应的图像；

根据训练集以及预设的损失函数，对初始模型进行训练，并将完成训练的模型作为商品特征识别模型。

在示例性的实施例中，商品特征识别模型的模型结构为残差网络模型结构。

在示例性的实施例中，识别单元，具体用于：

将商品特征信息与商品特征信息集合中的不同商品特征信息进行匹配；

将匹配到的目标商品特征信息对应的商品确定为目标图像的商品识别结果。

第三方面，本申请实施例还提供了一种商品识别设备，包括处理器和存储器，存储器中存储有计算机程序，处理器调用存储器中的计算机程序时执行本申请实施例提供的任一种商品识别方法中的步骤。

第四方面，本申请实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有多条指令，指令适于处理器进行加载，以执行本申请实施例提供的任一种商品识别方法中的步骤。

从以上内容可得出，本申请实施例具有以下的有益效果：

商品特征识别模型通过在全连接层和卷积层之间构建了一条通道，位于模型高层的全连接层输出的特征向量可输出至位于模型底层的卷积层，由于全连接层输出的特征向量用于表示商品的特征，包含了商品的特征信息，因此可引导卷积层进行优化处理，更加关注商品的特征，对于待识别商品的特征具有更高的针对性，进而，商品特征识别模型输入待识别的目标图像后，在一定程度上可输出具有更高精确度的商品特征信息，根据该商品特征信息可识别得到更加精确的商品识别结果。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例的一种场景示意图；

图2是本申请实施例商品识别方法的一种流程示意图；

图3是本申请实施例的又一种场景示意图；

图4是本申请实施例商品识别方法中优化处理的一种流程示意图；

图5是本申请实施例的又一种场景示意图；

图6是本申请实施例商品识别方法的又一种流程示意图；

图7是本申请实施例训练商品特征识别模型的一种流程示意图；

图8是本申请实施例残差网络模型结构的一种结构示意图；

图9是本申请实施例商品识别方法的又一种流程示意图；

图10是本申请实施例商品识别装置的一种结构示意图；

图11是本申请实施例商品识别设备的一种结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

在以下的说明中，本申请的具体实施例将参考由一部或多部计算机所执行的步骤及符号来说明，除非另有述明。因此，这些步骤及操作将有数次提到由计算机执行，本文所指的计算机执行包括了由代表了以一结构化型式中的数据的电子信号的计算机处理单元的操作。此操作转换该数据或将其维持在该计算机的内存系统中的位置处，其可重新配置或另外以本领域测试人员所熟知的方式来改变该计算机的运作。该数据所维持的数据结构为该内存的实体位置，其具有由该数据格式所定义的特定特性。但是，本申请原理以上述文字来说明，其并不代表为一种限制，本领域测试人员将可了解到以下所述的多种步骤及操作亦可实施在硬件当中。

本申请的原理使用许多其它泛用性或特定目的运算、通信环境或组态来进行操作。所熟知的适合用于本申请的运算系统、环境与组态的范例可包括(但不限于)手持电话、个人计算机、服务器、多处理器系统、微电脑为主的系统、主架构型计算机、及分布式运算环境，其中包括了任何的上述系统或装置。

本申请中的术语“第一”、“第二”和“第三”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。

首先，在介绍本申请实施例之前，先介绍下本申请实施例关于应用背景的相关内容。

本申请实施例提及的商品识别方法，其执行主体可以为商品识别装置，或者集成了该商品识别装置的服务器设备、物理主机或者用户设备(User Equipment，UE)等不同类型的商品识别设备，其中，商品识别装置可以采用硬件或者软件的方式实现，UE具体可以为智能手机、平板电脑、笔记本电脑、掌上电脑、台式电脑或者个人数字助理(PersonalDigital Assistant，PDA)等终端设备。

其中，商品识别设备还可分为多个设备并共同执行本申请实施例提供的商品识别方法，如图1示出的本申请实施例的一种场景示意图，无人超市的现场部署的摄像装置，例如PDA101、平板电脑102或者笔记本电脑103可采集商品货架上的商品的图像，并将该待识别的图像通过网络104上传至服务器105，由服务器105进行商品的识别，进而服务器105可分析超市货架上的商品状况及其铺货策略。

摄像装置可以为摄像头，或者也可以为包括摄像头的设备，例如上述的PDA101、平板电脑102以及笔记本电脑103；网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等；服务器105可以是多个服务器组成的服务器集群等，服务器105也可以为云服务器。根据实际需要，可以具有任意数目的摄像装置、网络104和服务器105。

商品识别方法，除了可应用于无人超市场景，也可应用于普通超市场景，例如工作人员可在超市现场通过PDA、智能手机等具有摄像头的设备采集商品货架上的商品的图像，并将该待识别的图像上传至服务器或者传输至超市里的物理主机进行商品识别。当然，设备也可直接在超市现场采集商品货架上的商品的图像，并进行商品识别。

在现有的相关技术中，其由于在商品识别过程中所采用的识别模型的识别精度较低，而导致无法精确识别待识别图像中的商品，尤其在商品陈列的情况较为复杂时，仍需要工作人员的参与，才能达到商品识别的精度要求。

基于现有的相关技术存在的上述缺陷，本申请实施例提供了商品识别方法，至少在一定程度上克服现有的相关技术所存在的缺陷。

图2示出了本申请实施例中商品识别方法的一种流程示意图，如图2示出的，本申请实施例提供的商品识别方法，具体可包括如下步骤：

步骤S201，获取待识别的目标图像；

步骤S202，将目标图像输入商品特征识别模型进行商品特征识别处理，得到目标图像对应的商品特征信息，其中，商品特征识别模型将全连接层(Fully Connected Layer)输出的特征向量输出至卷积层(Convolutional Layer)，以使得卷积层根据全连接层输出的特征向量进行优化处理；

步骤S203，根据商品特征信息，识别目标图像中的商品。

结合图3示出的本申请实施例的又一种场景示意图，在图2所示实施例提出的技术方案中，商品特征识别模型通过在全连接层和卷积层之间构建了一条通道，位于模型高层的全连接层输出的特征向量可输出至位于模型底层的卷积层，由于全连接层输出的特征向量用于表示商品的特征，包含了商品的特征信息，因此可引导卷积层进行优化处理，不断融合底层的细节特征和高层的语义特征，更加关注商品的特征，对于待识别商品的特征具有更高的针对性，进而，商品特征识别模型输入待识别的目标图像后，在一定程度上可输出具有更高精确度的商品特征信息，根据该商品特征信息可识别得到更加精确的商品识别结果。

此外，由于位于模型高层的全连接层输出的特征向量可输出至位于模型底层的卷积层，卷积层可更加关注商品的特征，对于待识别商品的特征具有更高的针对性，因此，在模型的训练过程中，可重点关注商品中具有特征的部分，把平滑的区域滤掉，从而使得模型能够取得更好的学习效果和收敛效果，达到提升学习效率的目的。

以下继续对图2所示实施例的各个步骤的具体实施方式进行详细阐述：

在示例性的实施例中，作为上述步骤S202所提及的优化处理的具体实现方式，如图4示出的本申请实施例优化处理的一种流程示意图，该优化处理可包括步骤S401至步骤S403：

步骤S401，将全连接层输出的特征向量转化为维数与卷积层的维数相对应的第一特征向量；

步骤S402，将第一特征向量与卷积层对应的第二特征向量相乘，得到的乘积作为权重系数；

步骤S403，将权重系数与卷积层对应的第二特征向量相乘，得到第三特征向量，并作为卷积层的输出。

容易理解的，商品特征识别模型中包括多个层，目标图像在输入商品特征识别模型中，即先通过商品特征识别模型中的输入层(Input Layer)，转化成特征向量，该特征向量再经过卷积层进行底层的商品特征的抽取，卷积层抽取得到的底层的商品特征(即通常意义上的feature map)再输出至全连接层，由全连接层转化为高层的商品特征，此时，全连接层得到的高层的商品特征，与现有的相关技术不同的是，可通过本申请实施例在全连接层与卷积层之间构建的新的通道，输出至卷积层。

此时，卷积层抽取出的特征向量可与全连接层输出的特征向量做一个点积，作为指示相关性的权重系数，相关性越大，则值越大，相关性越小，则值越小，从而可以将该权重系数继续与卷积层抽取出的特征向量继续做点积，权重大的特征区域得以保留，没有特征或者权重小的干扰区域被过滤，达到利用高层的语义信息来引导底层重点关注有特征的地方的目的。

由于全连接层输出的特征向量的维度可能与卷积层的维度不同，即通道数不同，则可先将全连接层输出的特征向量进行维度的转化，转化为未读与卷夹层的维度相同的特征向量，再进行后续的点积。

举例而言，若是卷积层的维数为1000(feature map的大小为h*w，h*w＝1000)，那就将全连接层输出的特征向量转换成1000维数的特征向量；若是卷积层的维数为500(feature map的大小为h*w，h*w＝500)，那就按将全连接层输出的特征向量转化为500维数的特征向量。全连接层输出的特征向量可以理解为特征矩阵，比如是2000维数的特征向量，要转换成1000维数的特征向量，那么全连接层输出的特征向量经过转化后，其大小就是2000*1000。

在示例性的实施例中，如图5示出的本申请实施例的又一种场景示意图，当卷积层包括多个的子卷积层时，可分别对每个子卷积层进行优化处理。

如图5示出的，卷积层包括子卷积层1、子卷积层2以及子卷积层3，每个子卷积层与全连接层之间分别构建了一条通道，位于模型高层的全连接层输出的特征向量可分别输出至位于模型底层的不同子卷积层，进而可分别引导每个子卷积层进行优化处理，更加关注商品的特征，对于待识别商品的特征具有更高的针对性。

在进行优化处理的过程中，若是每个子卷积层的维数不同，则全连接层输出的特征向量对应每个子卷积层转化得到的特征向量也不同。

需要说明的是，图5中示出了3个子卷积层，并不限定卷积层仅仅由3个子卷积层组成，根据实际需要，卷积层可以具有任意层数的子卷积层。

在示例性的实施例中，如图6示出的本申请实施例商品识别方法的又一种流程示意图，作为图2对应实施例步骤S201的具体实现方式，具体可包括：

步骤S601，获取待识别的初始图像；

可以理解，输入商品特征识别模型的目标图像，还可以为经过预处理的图像，对应的，再进行预处理之前，获取待识别的初始图像，该初始图像中包含了待识别商品的图像。

步骤S602，将初始图像输入二分类模型进行商品图像筛选处理，得到从初始图像剔除背景图像后的商品图像，作为待识别的目标图像。

在本申请实施例中，对于待识别商品的图像，可进行二分类处理，应当理解，在超市现场所拍摄得到的图像，除了商品，还包括货架以及其他无关的背景图像。为剔除背景图像对于商品特征识别的干扰，可训练一个二分类模型，将密集的、不规则的、不同的商品图像都归为一类，不加以区分，而规则的背景图像，即成长条状的货架图像(包括货架中的商品标签图像)以及纯色、大面积的墙图像可以归为另一类，通过二分类模型进行商品图像筛选处理，提取出初始图像中剔除背景图像后的商品图像，作为待识别的目标图像，进一步提高目标图像中的有效图像信息。

其中，二分类模型，可以通过包括不同商品图像以及超市中的背景图像的训练集，结合损失函数训练初始模型得到。

举例而言，二分类模型在剔除初始模型中的背景图像后，还可在剩下的商品图像中，为每一个商品添加对应的商品标识(Identification，ID)，后续将商品图像输入商品特征识别模型时，商品特征识别模型即可根据商品ID，一一提取其商品特征，进行商品的识别，以进一步方便商品识别的进行，提高商品识别的识别效率。

在示例性的实施例中，对于图2对应实施例步骤S202所提及的商品特征识别模型，如图7示出的本申请实施例训练商品特征识别模型的一种流程示意图，本申请实施例提供的商品识别方法还可包括该模型的训练处理：

步骤S701，获取训练集，其中，训练集包括不同商品特征信息对应的图像；

在训练商品特征识别模型前，可预配置训练模型所需的训练集，例如可根据超市中的商品存货单元(Stock Keeping Unit，SKU)，配置每个最小库存单元的商品特征对应的图像，并汇总形成训练集，或者，也可根据超市可存放以及计划存放的商品，配置对应的商品特征对应的图像，并汇总形成训练集。

可以由摄像装置可以为摄像头或者包括摄像头的设备在超市现场采集商品图像，并上传至服务器，服务器将根据收集的商品图像提取商品特征，结合工作人员赋予的商品语义信息，形成不同商品特征信息的图像；或者，也可由执行本申请实施例商品识别方法的商品识别装置或者商品识别设备在在超市现场采集商品图像结合工作人员赋予的商品语义信息，形成不同商品特征信息的图像。

步骤S702，根据训练集以及预设的损失函数，对初始模型进行训练，并将完成训练的模型作为商品特征识别模型。

在获得训练集后，即可结合损失函数进行模型的训练，即将训练集中的图像输入初始模型，进行正向传播，再根据模型输出的商品特征识别结果计算计算损失函数，根据该损失函数进行反向传播，调整模型的参数，通过多次的正反向传播，达到训练模型的目的。

其中，示例性的，损失函数可以包括交叉熵损失函数、Triplet损失函数以及中心损失函数中的至少一种。

交叉熵损失函数：

其中，y和i为两种样本标签，p

Triplet损失函数：

L

其中，d

中心损失函数：

其中，yi是第j个图像的标签，c

其中，由于tripletloss损失函数只考虑了d

若是结合交叉熵损失函数、Triplet损失函数以及中心损失函数作为最终的损失函数，则最终的损失函数可以为：

L

其中β可取0.0005。

在示例性的实施例中，本申请实施例中的商品特征识别模型，其模型结构可以为残差网络模型结构，也就是说，训练前的初始模型，其模型结构为残差网络模型结构。

在残差网络模型结构中，可在两个卷积层之间、卷积层与全连接层之间等相同层或者不同层之间，形成残差块结构。

结合图8示出的残差网络模型结构的一种结构示意图，x表示残差块的输入，F(x)表示残差块在第二层激活函数之前的输出，即F(x)＝W

当没有捷径连接(Shortcut Connection)(即图8右侧从x到

示例性的，本申请实施例的残差网络模型结构可以是ResNet50残差网络模型结构，该网络结构包含多个卷积层，卷积层再连接的softmax层，它的输出个数就是训练集中类别的个数，比如训练集中提供了2000个商品类型，那么类别个数就设置为2000，如果是10000，那就设置为10000。由于引入了残差网络模型结构，可进一步融合低层的细节信息和高层的特征信息，使得商品特征识别模型容易训练，且还可避免梯度爆炸的问题。

在示例性的实施例中，作为上述步骤S203的具体实现方式，如图8示出的本申请实施例商品识别方法的又一种流程示意图，步骤S203可包括：

步骤S901，将商品特征信息与商品特征信息集合中的不同商品特征信息进行匹配；

可以理解，可以预先根据是商品库里的商品，抽取或者建立一一对应的商品特征信息，汇总形成商品特征信息集合，用于商品特征的记录以及后续的商品匹配。

步骤S902，将匹配到的目标商品特征信息对应的商品确定为目标图像的商品识别结果。

在通过商品特征识别模型得到当前目标图像中的商品特征后，即可将其与商品特征信息集合中的不同商品特征信息进行匹配，由此可匹配到相对应的目标商品特征信息，该目标商品特征信息所对应的商品即目标图像中的商品所识别得到的商品识别结果。

为便于更好的实施本申请实施例提供的商品识别方法，本申请实施例还提供商品识别装置。

参阅图10，图10为本申请实施例商品识别装置的一种结构示意图，在本申请实施例中，商品识别装置1000具体可包括如下结构：

获取单元1001，用于获取待识别的目标图像；

输入单元1002，用于将目标图像输入商品特征识别模型进行商品特征识别处理，得到目标图像对应的商品特征信息，其中，商品特征识别模型将全连接层输出的特征向量输出至卷积层，以使得卷积层根据全连接层输出的特征向量进行优化处理；

识别单元1003，用于根据商品特征信息，识别目标图像中的商品。

在示例性的实施例中，优化处理包括：

将全连接层输出的特征向量转化为维数与卷积层的维数相对应的第一特征向量；

将第一特征向量与卷积层对应的第二特征向量相乘，得到的乘积作为权重系数；

将权重系数与卷积层对应的第二特征向量相乘，得到第三特征向量，并作为卷积层的输出。

在示例性的实施例中，当卷积层包括多个的子卷积层时，分别对每个子卷积层进行优化处理。

在示例性的实施例中，获取单元1001，具体用于：

获取待识别的初始图像；

将初始图像输入二分类模型进行商品图像筛选处理，得到从初始图像剔除背景图像后的商品图像，作为待识别的目标图像。

在示例性的实施例中，装置还包括训练单元1004，用于：

获取训练集，其中，训练集包括不同商品特征信息的图像；

根据训练集以及预设的损失函数，对初始模型进行训练，并将完成训练的模型作为商品特征识别模型。

在示例性的实施例中，商品特征识别模型的模型结构为残差网络模型结构。

在示例性的实施例中，识别单元1003，具体用于：

将商品特征信息与商品特征信息集合中的不同商品特征信息进行匹配；

将匹配到的目标商品特征信息对应的商品确定为目标图像的商品识别结果。

本申请还提供了商品识别设备，参阅图11，图11示出了本申请商品识别设备的一种结构示意图，具体的，本申请提供的商品识别设备包括处理器1101，处理器1101用于执行存储器1102中存储的计算机程序时实现如图1至图9对应任意实施例中商品识别方法的各步骤；或者，处理器1101用于执行存储器1102中存储的计算机程序时实现如图10对应实施例中各单元的功能。

示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器1102中，并由处理器1101执行，以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在计算机装置中的执行过程。

商品识别设备可包括，但不仅限于处理器1101、存储器1102。本领域技术人员可以理解，示意仅仅是商品识别设备的示例，并不构成对商品识别设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如商品识别设备还可以包括输入输出设备、网络接入设备、总线等，处理器1101、存储器1102、输入输出设备以及网络接入设备等通过总线相连。

处理器1101可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，处理器是商品识别设备的控制中心，利用各种接口和线路连接整个商品识别设备的各个部分。

存储器1102可用于存储计算机程序和/或模块，处理器1101通过运行或执行存储在存储器1102内的计算机程序和/或模块，以及调用存储在存储器1102内的数据，实现计算机装置的各种功能。存储器1102可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据商品识别设备的使用所创建的数据(比如音频数据、视频数据等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的商品识别装置、设备及其相应单元的具体工作过程，可以参考如图1至图9对应任意实施例中商品识别方法的说明，具体在此不再赘述。

本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。

为此，本申请实施例提供一种计算机可读存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本申请如图1至图9对应任意实施例中商品识别方法中的步骤，具体操作可参考如图1至图9对应任意实施例中商品识别方法的说明，在此不再赘述。

其中，该计算机可读存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。

由于该计算机可读存储介质中所存储的指令，可以执行本申请如图1至图9对应任意实施例中商品识别方法中的步骤，因此，可以实现本申请如图1至图9对应任意实施例中商品识别方法所能实现的有益效果，详见前面的说明，在此不再赘述。

以上对本申请提供的商品识别方法、装置、设备以及计算机可读存储介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。