Товар картинки: D1 82 d0 be d0 b2 d0 b0 d1 80: скачать картинки, стоковые фото D1 82 d0 be d0 b2 d0 b0 d1 80 в хорошем качестве

Приветствую. Если удалять товары запросом в базе по нужному мне условию, тогда модуль будет удалять изображения ?

Ответ:

Не будет. Только через админку.

Красивый визуал для рекламы: примеры создания визуального образа

Картинка – это большая часть успеха рекламы. Картинку люди видят первой, а уже потом читают текст. Даже простые товары можно показать в выгодном свете. А яйца Фаберже и Мону Лизу – сфотографировать так, что никто ими не заинтересуется. Как же делать красивые фото для рекламы? Фото, которые одним своим видом продадут товар зрителю? Какой фотоконтент должен быть у любого бизнеса? И что точно делать не стоит? На эти вопросы ответим подробно в этой статье.

Что фото товара даст вам в цифрах?

Начнём с самого простого. Привлекательные картинки не только собирают много лайков в соцсетях, но и лучше продают товар. Больше заинтересованных пользователей – больше людей увидят рекламный посыл, который вы придумали для них, а значит больше шанс довести пользователей до продажи. Кроме того, в случае хорошего фото, цена за клик снижается, а значит вы тратите меньше денег и получаете больше потенциальных клиентов. В общем, ваша выгода очевидна.

Их две: увеличить продажи и цену товара. Первая очевидна – человек должен страстно возжелать ваш товар. Фотографией нужно убедить его, что это то, что ему просто необходимо купить. Это сиюминутная задача. А вот вторая – долгосрочная. Её можно выполнить, если хорошо поработать с продвижением бренда. Чтобы люди покупали ваш товар как товар с именем. Не просто смартфон, а iPhone. Не просто джинсы, а Levi’s. Не просто браслет, а Pandora. Не просто продукт, а Ваш Продукт. Вокруг вашего бренда должна сформироваться особая философия, которая оправдает высокую цену. И часто с этой задачей справляются красивые и статусные фотографии.

Типы фото для рекламы:

Кроме собственно продающих фото, на ваш бренд будут работать репутационные. Что же можно выложить в формате фотографий?

Обзор товара

Показываете товар и описываете его лучшие качества.

Социальные доказательства

Это может быть отзыв клиента, его пост о вашей компании или каком-то товаре. Здесь качество фотографии не так важно, потому что иллюстрацию делает сам клиент.

Атмосферные фото

Они как раз продают философию. Покажите образ жизни ваших покупателей и внедрите туда ваш товар. Они должны видеть, что ваш продукт – это обязательная часть их жизни.

Завлекающие баннеры

Расскажите о ваших скидках, акциях, конкурсах, розыгрышах, аукционах, всём, что вовлекает аудиторию в какой-то процесс. Это броские фото с одним-максимум двумя словами. Все условия и детали убирайте в текстовый блок. 

Технические характеристики

Формат – JPG или PNG, они считываются любыми платформами. Разрешение по меньшей стороне должно быть больше 1600 пикселей. Никаких смазанных фото, только чёткие и резкие. Нет обработке и стандартным фильтрам. Без пересветов и желтизны, с правильным балансом белого. Ваш товар должен находиться в фокусе.

У каждой платформы свои более точные требования к размерам и форматам фотографии, обычно все их пишут сразу при выкладывании фото или в подсказках в отдельном блоке.

Принципы фото и визуального стиля аккаунтов

Выкладывайте только качественные фото и с разрешения автора. Высокое качество картинки должно передаваться продукту.

Стиль должен быть

Это особенно критично для Instagram, где визуал – это главное. Вы должны разработать фирменный стиль: логотип, шаблоны, цветовую гамму или общий принцип построения аккаунта. Он должен быть ярким, но не пёстрым, а сдержанно-доверительным. 

Вы можете ограничиться как просто красивыми фотографиями в едином стиле:

Так и оформить аккаунт с помощью шаблонов:

Можно сделать целую сетку для своего профиля (Левое фото), а можно придерживаться четкой структуры (Правое фото)

Также стоит избегать таких моментов, если они не являются частью вашего стиля:

• коллажи;
• картинки с белым фоном, как из каталога;
• фото без людей.

Человек использующий…

Вы продаёте товар людям, но ни на одном фото нет даже намёка на человека? Плохо! Роскошное колье будет лучше смотреться на красивой шее. Диван – с привлекательной девушкой. А рубашка – на плечах брутального парня. 

…или милые животные

Милых котиков и забавных собачек в интернете любят. Уж что-что, а лайкать ваши фото с мопсом в очках или котиком на сиденье машины точно будут.

Идеи и темы для фото

Образ жизни

Ненавязчиво донесите до пользователей мысль, что с вашим товаром им будет жить легче и веселее. Это могут быть атмосферные фото, где продукт – это как бы неглавная деталь.

Или раскладки, где ваши товары перемешиваются с вещами, которые хорошо знакомы аудитории.

Люди

Человек постоянно ищет лучшую жизнь. Где-то трава всегда зеленее. Если он видит фото довольных и уверенных в себе людей, он думает «Я хочу также». То есть покажите своей аудитории её улучшенное отражение. Покажите девушкам красивую и улыбающуюся модель. Парням – сильного и уверенного мужчину. Они должны ассоциировать себя с картинкой, вы должны вызвать в них мысль «Это могу быть я».

Кроме того, можно лишь намекнуть на присутствие человека на фото. Руки, ноги, шея, туловище – выбирайте ту часть тела, которая ближе к вашему товару.

Товары

Самый очевидный вариант. Показываем товар крупно, с самого выгодного ракурса.  

Можно показать качество через макрофотографию: аккуратные швы, красивая сварка, обработанные края, сверкающие камни и всё такое.

Кроме одного броского фото, можно выложить подборку из нескольких, где товар показывается с разных сторон. Так пользователи убедятся, что вы ничего не скрываете, и у продукта нет замалчиваемых дефектов. Из-за этого лучше постить именно живые фото, а не рендеры.

Напомним, фото как из каталога – это не самый лучший выбор. Если оно выбивается из общего фона, то добавьте его в подборку после первого, чтобы оно не было видно в сетке.

Рабочий процесс

Вы производите не колбасу, сосиски или какую-то технику, где производство закрытое? Отлично тогда вы можете показать, как ваши товары проходят путь от материалов до готового продукта. Это сработает на вашу репутацию и заодно ответит на вопросы, точно ли вы делаете всё так, как рассказываете. Покажите аудитории мастеров за работой. Сделайте фото инструментов или деталей. Посвятите своих бесценных покупателей в эту тайну – им будет интересно увидеть, как это всё происходит. 

Что дальше?

Прочитали статью? Возникли мысли, как это может выглядеть в вашем бизнесе Прекрасно! Это первый шаг к тому, чтобы фотографии в любых каналах начали увеличивать ваши продажи и строить бренд. Теперь вам необходимо изложить все свои идеи в письменном виде, набросать эскизы – и вперёд, к камере (ну, или отдайте ТЗ фотографу). Главное, помните что важно соблюдать свой индивидуальный визуальный стиль и принципы компании!

Как сделать поиск по картинке с мобильного телефона

С развитием технологий любую из миллиардов картинок в сети Интернет можно найти буквально парой нажатий кнопок. Проверить уникальность фотографии, распознать ее, найти похожее изображение или дубликат тоже не проблема. А некоторые поисковые системы умеют даже находить исходное изображение или его фрагмент среди измененных копий.

Как это работает

Первоначально поисковые системы использовали только метаданные картинок – атрибуты Alt (описание в коде страницы), заголовки и тексты ссылок. То есть анализировали только текстовую информацию, относящуюся к изображению. С развитием технологии машинного зрения анализ стал производиться на основе содержимого (CBIR-системы) и набора признаков – формы, цвета и текстуры графического файла. Это решило задачу поиска картинок, максимально похожих на оригинал. В настоящее время реализована еще более сложная задача – поиск одинаковых изображений по группе отдельных признаков или их совокупности.

Способы поиска изображений на мобильных устройствах

Поиск по картинке на телефонах производится по-разному:

• Путем загрузки картинки с внутреннего хранилища или карты памяти в поисковую систему.
• Через загрузку снимка в поисковик непосредственно с камеры.
• Добавлением ссылки на изображение.

Способ выбирают по ситуации.

Практически все современные web-поисковики предоставляют возможность загрузки изображения или ссылки на него прямо в поисковую строку. Сервис «Яндекс.Картинки» в этом плане умеет чуть больше, чем остальные: в нем есть функция «Спросить картинкой», при выборе которой можно указать, что делать с фото. Эта функция позволяет распознавать текст, находить товар в интернет-магазинах и определять модель изображенного на картинке автомобиля. Самые скромные возможности поиска графики у сервиса «YAHOO!», но и он довольно неплохо справляется со своей задачей.

Далее рассмотрено практическое применение технологий поиска на мобильных устройствах Android и IOS при помощи специальных приложений и браузеров.

Приложения для Android

Search by Image

Приложение «Search by Image» имеет простой интерфейс и может использоваться бесплатно. Помимо обычного поиска, в нем есть функция «мультипоиск» — одновременная загрузка картинки в Google, Yandex и Tineye. Для удобства подготовки изображения к поиску в приложении есть редактор, который позволяет вырезать нужный фрагмент (crop), отразить, перевернуть (flip) и повернуть картинку (rotate).

Загрузить графический объект в приложение можно из хранилища и с камеры устройства.

Внешний вид интерфейса приложения показан на скриншоте ниже:

После того как объект загружен, становится доступным встроенный редактор:

На следующем скриншоте показан результат работы мультипоиска (он функционирует несколько медленнее, чем обычный, который использует один движок по умолчанию). Для переключения между поисковиками в нижней части программы есть иконки. На примере показан результат работы «Яндекс.Картинки»:

Search by Image хорошо справляется со своей задачей, но некоторым пользователям может помешать отсутствие русского языка и реклама.

PictPicks

Программа PictPicks способна искать картинки по текстовому описанию и загруженным файлам. В качестве поисковой системы она использует только Google. Впрочем, вы и так без труда во всем разберетесь, поскольку в PictPicks есть поддержка русского языка.

Внешний вид программы показан на скриншоте ниже. Здесь – на главном экране, есть меню, где доступна предварительная установка разных фильтров: размера, цвета, формы, типа картинок, формата файлов. Также здесь можно задать период выборки и безопасный вывод (исключающий непристойности).

После загрузки графического объекта становится доступной функция кадрирования и поворота:

А вот так выглядят результаты поиска (фильтры установлены по умолчанию):

Photo Sherlock

Для поиска картинок русскоязычная программа Photo Sherlock использует движки Google и Yandex, кроме того, она умеет проверять графические объекты на уникальность. Загрузку объектов для анализа можно производить из галереи или с камеры телефона. Из функций редактирования здесь есть только обрезка.

При запуске интерфейс Photo Sherlock выглядит так:

Ниже показан выбор фотографии для анализа:

А так выглядит результат («Найти это фото») по данным Google:

Система Yandex нашла похожие картинки:

Использование поисковых систем в мобильных браузерах

Внимание! Чтобы у вас всё получилось, установите в контекстном меню браузеров Google Chrome и Яндекс галку «Полная версия».

Yandex

Чтобы найти картинку с помощью web-сервиса Яндекс, запустите на смартфоне любой браузер и перейдите на сайт «Яндекс.Картинки» https://yandex.ru/images/. Как вы помните, отличительной особенностью этого сервиса является функция «Спросить картинкой».

Яндекс-поиск — один из самых интеллектуальных. К примеру, по одному кадру фильма в нем можно найти массу полезной информации: название картины, что изображено на фрагменте и т. д.

Чтобы спросить картинкой, нажмите на область пустой строки:

И выберите интересующий файл:

После этого Яндекс не только выведет результаты, но и попытается определить, что на этом изображении. В нашем примере это фрагмент из фильма «Москва – Кассиопея».

Однако на этом функции «Спросить картинкой» не закончены. С его помощью также легко и приятно искать товары, определять модели автомобилей и распознавать тексты.

Google

Для поиска по картинке с помощью сервиса Google откройте эту страницу https://www.google.ru/imghp?hl. В него вы можете загрузить ссылку, фотографию, отснятую на камеру, рисунок из галереи и т. д. Кстати, если хотите, просто перетащите изображение (Drag-and-Drop) в область поиска.

TinEye

Система TinEye использует собственный движок, особенность которого в том, что он умеет проверять изображения на уникальность. На «Википедии» есть интересная заметка (https://ru.wikipedia.org/wiki/TinEye) о том, что сервис помог идентифицировать личность неизвестного солдата с помощью снимка, сделанного в Нормандии.

TinEye, как и его аналоги, поддерживает загрузку изображений с камеры, из документов и по ссылкам. Сервис находится по адресу https://www.tineye.com

Web поиск товаров в магазинах

Некоторые интернет-магазины имеют функцию поиска товара по картинке на своем сайте. Это особенно удобно для покупателей таких гигантов, как «Aliexpress». Кроме него, поиск по изображению доступен в интернет-магазинах Kupinatao и «Бесконечный шоппинг в Китае».

Приложения для мобильных устройств Apple на базе IOS

Reversee

Бесплатное приложение Reversee, доступное для загрузки из «App Store», использует в работе движок Google. Его расширенная версия — «Pro», имеет функцию мультипоиска на нескольких движках: Google, Bing и Yandex. Фотографии для обработки загружаются из галереи.

Помимо приложения, Reversee существует в формате виджета, который имеет такой же набор функций.

Поиск по Фото

Программа «Поиск по фото» для iPhone и iPad — довольно необычное решение. Она не просто выполняет основную задачу, а позволяет предварительно задавать размеры искомой картинки.

Несмотря на сложность алгоритмов анализа изображений, машинное зрение постоянно развивается, а границы применения расширяются с пользой для человека.

Что происходит, когда фотография становится товаром? — Фоторедактор

Я считаю, что большая часть фотографии уже является товаром, и я планирую рассказать об этом во время симпозиума ASMP в следующий четверг 27-го числа в Нью-Йорке в Times Center. Тема мероприятия (подробнее здесь) — « Устойчивые бизнес-модели: проблемы и тенденции, с которыми сталкиваются художники изобразительного искусства », о которой я размышлял и писал с тех пор, как начал вести этот блог. Далее в ASMP говорится, что «правила игры изменились, и на сегодняшнем переполненном рынке изобразительного искусства это уже не так, как обычно», что для меня приводит к очевидному выводу: фотография — это товар.

Коммодификация — страшная мысль. Это означает, что вы соревнуетесь в цене и стремитесь ко дну.

Хорошо, это плохие новости. Но есть и положительный момент. Прежде чем мы перейдем к этому, давайте разрушим это клише, которое я все время слышу о том, как «это сделали фотографы», потому что они ничего не сделали, чтобы предотвратить это. Вся эта скука и нытье про слабовольных фотографов, которые не сдерживаются, и клиентов, которые не платят гонорары. Коммодификация — это естественный рыночный процесс. Вы не можете это остановить.

Чтобы увидеть положительные стороны, вам нужно взглянуть на фотографию более тонко. Вы должны рассматривать услуги фотографии как цепочку создания стоимости, а акт фотографирования, который я люблю называть «оператором камеры», — как часть этой цепочки создания стоимости. Вы также должны понимать, что коммодификация происходит, когда улучшения продукта превышают потребности клиента. Лучшее оборудование и методы мало что значат для большинства клиентов. Всегда будут исключения, но, к сожалению, кажется, что мы все уже прошли точку достаточно хорошего (даже если в некоторых частях отрасли достаточно хорошее является чрезвычайно низким).Тем не менее, не зацикливайтесь на этом. Технологии, поразившие вас десять лет назад, теперь полностью превращены в товар. Это не остановить.

Положительным моментом является то, что если у вас есть коммодификация, где-то еще в цепочке создания стоимости работает обратный процесс декоммодитизации. В книге, которую я сейчас читаю (Решение новатора), автор Клейтон М. Кристенсен продолжает, что «коммодитизация разрушает способность компании получать прибыль, подрывая дифференцируемость, декоммодитизация предоставляет возможности для создания и получения потенциально огромного богатства.”

Вам просто нужно найти место в цепочке создания стоимости, где производительность еще недостаточно высока, где вы можете выделиться, будучи лучше других. Интересно, правда?

У меня есть много мыслей по этому поводу, которые я затрону во время симпозиума, но вот одно простое наблюдение.

Не так давно ваша личность мало что значила в фотографии. Вы могли бы быть самым отвратительным придурком и получить всю работу, которую хотели, если бы ваша фотография была потрясающей.Теперь я вижу множество доказательств того, что это больше невозможно. Арт-директор, с которым я сидел на панели, даже сказал: «Все 5 лучших фотографов, снимающих автомобили, имеют квалификацию, чтобы делать эту работу. Все сводится к личности человека, который получит работу ». Личность — это крошечная часть цепочки создания стоимости, но теперь она важнее фотографии. Это поразительно.

Печально, если вам нравится работать с фотоаппаратами, но очень интересно, если вам нравится вся производственно-сбытовая цепочка фотографических услуг. Мои любимые фотографы всегда умели решать творческие проблемы.Теперь я ясно вижу, как работает демомедизация.

Определение, список, примеры, торговый рынок

Сырьевые товары — это твердые активы, от пшеницы до золота и нефти. Правительство США определяет товары в Законе о товарных биржах 1936 года. Закон касается торговли сельскохозяйственными товарами и товарами из природных ресурсов. Хотя Закон рассматривает финансовые продукты как товары, он не считает их товарами. Закон также запрещает торговлю луком как товаром.

Основные выводы

• Товары — это твердые активы, к которым можно прикоснуться.
• Они сгруппированы в сельскохозяйственные, энергетические и металлургические.
• Их цены ежедневно торгуются на товарном рынке.
• В результате цены на бензин и многие продукты питания часто меняются.

Виды товаров

Поскольку товаров очень много, их можно разделить на три основные категории: сельское хозяйство, энергия и металлы.

Сельское хозяйство

Сельскохозяйственные товары включают:

• То, что вы пьете, например сахар, какао, кофе и апельсиновый сок.Это так называемые «мягкие» рынки.
• Зерновые, такие как пшеница, соевые бобы, соевое масло, рис, овес и кукуруза.
• Животные, которые становятся пищей, например живой рогатый скот и свинина (называемые постными свиньями).
• Вещи, которые вы бы не стали есть, например хлопок и пиломатериалы.

Энергия

Категория энергетики включает сырую нефть, бензин RBOB, природный газ и топочный мазут. Торговля сырьевыми товарами является важным фактором при установлении цен на нефть.

Металлы

Металлы включают добытые товары, такие как золото, медь, серебро и платина.Лондонская биржа металлов объявила о запуске фьючерсных контрактов на металлы, используемые в батареях, и ожидает, что рынок таких металлов будет большим, поскольку спрос на электромобили будет расти.

Как работает рынок товарной торговли

Торговля товарами определяет цены на все товары. В результате цены на самые важные предметы, которые вы используете каждый день, нестабильны. В некоторых случаях, как и в случае с бензином, они меняются изо дня в день.

Дилеры торгуют товарами на бирже.Это означает, что цены меняются каждый день. Это может быть сложной задачей для потребителя, которому приходится сталкиваться с колебаниями цен на повседневные товары, такие как бензин, мясо и зерно.

Торговля сырьевыми товарами особенно влияет на людей с низким доходом во всем мире, которые платят большую часть своего ограниченного дохода на еду и транспорт. Это также делает сельское хозяйство более рискованным. Это одна из причин, по которой правительство США предоставляет фермерские субсидии.

Значительный объем торговли происходит с нефтью, золотом и сельскохозяйственной продукцией.Поскольку никто не хочет перевозить эти тяжелые материалы, вместо этого они торгуют фьючерсными контрактами. Это соглашения о покупке или продаже по согласованной цене на определенную дату. Контракты на сырьевые товары оцениваются в долларах США. Итак, когда стоимость доллара растет, нужно меньше долларов, чтобы купить такое же количество товаров. Это приводит к падению цен на сырьевые товары.

Финансовые инструменты также торгуются на фьючерсных рынках. К ним относятся такие валюты, как трехмесячный евродоллар и евро. Он также включает процентные ставки, такие как 10-летние казначейские обязательства.Существуют также фьючерсы на фондовые индексы, такие как S&P 500. Но Закон о товарных биржах не определяет их как товары.

CFTC решил, что виртуальные валюты, такие как биткойн, являются товаром. Это означает, что виртуальные валюты подлежат надзору со стороны CFTC.

Товарные рынки и надзор

Товарные рынки США находятся в Чикаго, Нью-Йорке и Атланте. CME Group владеет всеми, кроме одного. Чикагская товарная биржа специализируется на сельскохозяйственных товарах, а Чикагская торговая биржа специализируется на зерновых.Нью-Йоркская товарная биржа специализируется на энергии и металлах.

Товарная биржа находится в Нью-Йорке, хотя ей владеет чикагская CME Group. Межконтинентальная биржа в Атланте теперь владеет Торговым советом Нью-Йорка. Торгуется в основном на мягких рынках.

В 1975 году Комиссия по торговле товарными фьючерсами начала регулировать товары. Комиссия заменила Управление товарной биржи и Комиссию товарной биржи. В 1936 году в соответствии с Законом о товарных биржах были созданы эти органы для исполнения Закона и установления пределов спекулятивных позиций на федеральном уровне.Взаимодействие с другими людьми

Товары как бизнес-термин

В бизнесе товары можно определить как любые товары или услуги, которые покупаются и продаются исключительно по цене. К ним относятся торгуемые товары. Они также могут включать продукты, которые не отличаются от других по бренду, преимуществам или другим отличительным характеристикам.

Например, Coca-Cola — это брендовый продукт, пользующийся лояльностью и более высокой ценой из-за его кажущейся дифференциации от других напитков колы.Бренд недорогого магазина — это скорее товар, потому что он не сильно отличается от других торговых марок. Его покупают в первую очередь из-за низкой цены, а не из-за вкусовых качеств.

Товарные запасы, опасения по поводу инфляции подтолкнули FTSE 100 к более чем 5-недельному минимуму

Офисы Лондонской фондовой биржи находятся в лондонском Сити, Великобритания, 29 декабря 2017 года. REUTERS / Toby Melville

Лондонский FTSE 100 упал в четверг , снизился из-за потерь в акциях тяжелых сырьевых товаров и Burberry Group, в то время как опасения по поводу всплеска инфляции по мере восстановления экономики повредили спрос на акции.

Индекс голубых фишек (.FTSE) упал на 0,6% до самого низкого уровня с 7 апреля.

Горнодобывающие компании, такие как Rio Tinto (RIO.L), Anglo American (AAL.L) и BHP Group (BHPB.L) ) и крупные нефтяные компании BP (BP.L) и Royal Dutch Shell (RDSa.L) были одними из самых больших потерь, следя за снижением цен на нефть и сырье.

Внутренний индекс FTSE 250 со средней капитализацией (.FTMC) снизился на 0,2%.

Во всем мире акции упали после того, как шокирующий рост инфляции в США обрушился на Уолл-стрит и привел к росту доходности облигаций из-за опасений, что Федеральной резервной системе, возможно, придется действовать в ближайшее время в связи с ужесточением политики.

«Опасения по поводу инфляции преследовали рынок всю неделю и мало признаков ослабления», — сказала Софи Гриффитс, аналитик рынка Великобритании и Европы, Ближнего Востока и Африки из OANDA.

«Хотя некоторая инфляция благоприятна для компаний и рынка, последние данные о потребительских ценах в США указывают на то, что баланс слишком далеко движется в одном направлении».

После роста на 11% в этом году из-за возобновившегося оптимизма, FTSE 100 сократил некоторые из этих достижений на последних нескольких сессиях из-за опасений, что центральные банки могут ужесточить свою сверхмягкую денежно-кредитную политику раньше, чем ожидалось, для сдерживания инфляции.

Роскошный бренд Burberry (BRBY.L) упал на 4,2% в четверг после сообщения о снижении годовых продаж из-за закрытия магазинов и сокращения туризма. подробнее

BT Group (BT.L), крупнейший британский провайдер широкополосной связи и мобильной связи, упал на 5,9% после того, как компания сообщила о снижении прибыли за год до конца марта и прогнозировала, что скорректированная выручка в этом году в целом не изменится. подробнее

Акции канадского разработчика компьютерных микросхем Alphawave IP Group (AWE.L) упали на 16,3% во время их дебюта на лондонском рынке.подробнее

Однако советник по кибербезопасности NCC Group (NCCG.L) прибавил 14,2% после того, как предложил купить бизнес по управлению интеллектуальной собственностью Iron Mountain Inc (IRM.N).

Наши стандарты: принципы доверия Thomson Reuters.

Что такое товарные деньги? (с иллюстрациями)

Товарные деньги — это форма денег, которая имеет внутреннюю ценность, то есть она стоит чего-то отдельного, а не просто является признаком финансовой ценности, например банкнотой.Самая известная форма — это золотые или серебряные монеты, хотя эту роль может выполнять любой товар.

Большинство видов наличных денег, используемых сегодня, не имеют реальной внутренней стоимости. Например, банкнота практически бесполезна сама по себе и имеет ценность только потому, что общество принимает ее как меру валюты и единицу обмена. Этот тип валюты известен как бумажные деньги.

Исторически использовались другие формы денег, которые действительно имели основную ценность, такие как продукты питания, топливо или металлы.Такие товары не используются широко в современной экономике, поскольку их базовая стоимость может сильно отличаться от их согласованной валютной стоимости. Проблема также в том, что многие из этих предметов подвержены порче или ухудшению качества.

Некоторые формы товарных денег могут выполнять роль денег только в очень определенных обстоятельствах.Возможно, наиболее известным примером является использование сигарет в качестве валюты в тюрьмах. При отсутствии у заключенных наличных денег сигареты могут служить средством обмена, что позволяет избежать необходимости полагаться на бартер для прямого обмена. Сигареты также имеют внутреннюю ценность, так как их можно курить.

То, что служит товарными деньгами, должно иметь ценность только само по себе, а не быть полезным для предъявителя.Например, большинство людей мало что может сделать с золотой монетой, а если кто-то курит, то более практичным будет сигарета. Однако золотая монета имеет гораздо более высокую ценность, поскольку ювелир или ювелир может использовать ее для изготовления дорогостоящего предмета.

Если металлические монеты используются в качестве официально признанной валюты, правительство устанавливает фиксированную стоимость для каждого типа монеты.В экономике преобладает именно эта стоимость, а не реальная стоимость металла в каждой монете. Обычно номинальная стоимость монеты превышает фактическую стоимость составляющих металлов. В некоторых редких ситуациях, когда инфляция обесценивает валюту, и цены на металлы растут, монета может стоить больше как металл, чем как единица валюты. Если это будет продолжаться, правительство может принять решение об изъятии этой денежной единицы из обращения.

сырьевых товаров: хеджирование портфеля

Большинство людей представляют себе торговую площадку на фьючерсной бирже как сцену полного хаоса, с яростными криками матчей, неистовыми сигналами руками и нервными трейдерами, пытающимися выполнить свои приказы, что не так уж далеко от истины.На этих рынках покупатели и продавцы собираются вместе, чтобы торговать постоянно расширяющимся списком товаров. Сегодня этот список включает сельскохозяйственные товары, металлы и нефть, а также такие продукты, как финансовые инструменты, иностранную валюту и фондовые индексы, которые торгуются на товарной бирже.

В центре этого предполагаемого беспорядка находятся продукты, которые предлагают своего рода убежище — защиту от инфляции. Поскольку цены на сырьевые товары обычно повышаются при ускорении инфляции, они обеспечивают защиту от воздействия инфляции.Немногие активы выигрывают от растущей инфляции, особенно неожиданной инфляции, но сырьевые товары обычно выигрывают. По мере роста спроса на товары и услуги цены на товары и услуги растут, как и цены на товары, используемые для производства этих товаров и услуг. Таким образом, фьючерсные рынки используются в качестве постоянных аукционных рынков и клиринговых палат для получения последней информации о спросе и предложении.

Ключевые выводы

• Сырьевые товары — это производимые или добываемые продукты, часто природные ресурсы или сельскохозяйственные товары, которые часто используются в качестве ресурсов для других процессов.
• Многие эксперты рекомендуют инвестировать часть вашего портфеля в сырьевые товары, поскольку это рассматривается как класс диверсифицирующих активов.
• Более того, некоторые сырьевые товары, например драгоценные металлы и энергоносители, обычно служат хорошей страховкой от инфляции.

Что такое товары?

Товары — это товары, которые более или менее одинаковы по качеству и полезности независимо от их источника. Например, когда покупатели покупают кукурузный початок или мешок пшеничной муки в супермаркете, большинство не обращает особого внимания на то, где они были выращены или размолоты.Товарные товары взаимозаменяемы, и, согласно этому широкому определению, целый ряд товаров, бренд которых не особо интересует, потенциально может считаться товаром. Инвесторы склонны придерживаться более конкретного взгляда, чаще всего имея в виду избранную группу основных товаров, пользующихся спросом во всем мире. Многие товары, на которые обращают внимание инвесторы, являются сырьем для производства готовой продукции.

Инвесторы делят товары на две категории: твердые и мягкие.Твердые товары требуют добычи или бурения, чтобы найти такие металлы, как золото, медь и алюминий, и энергетические продукты, такие как сырая нефть, природный газ и неэтилированный бензин. Мягкие товары относятся к выращиваемым или разводимым вещам, таким как кукуруза, пшеница, соя и крупный рогатый скот.

Контрольные показатели для широкого инвестирования в сырьевые товары

Сравнительный анализ эффективности вашего портфеля имеет решающее значение, поскольку он позволяет вам оценить вашу устойчивость к риску и ожидаемую доходность. Что еще более важно, сравнительный анализ обеспечивает основу для сравнения эффективности вашего портфеля с остальным рынком.

Для сырьевых товаров индекс общей доходности S&P GSCI считается широким товарным индексом и хорошим ориентиром. Он содержит все фьючерсные контракты на такие сырьевые товары, как нефть, пшеница, кукуруза, алюминий, живой скот и золото. S&P GSCI — это взвешенный по производству индекс, основанный на значении каждого товара в мировой экономике или товаров, которые производятся в больших количествах, поэтому это лучший показатель их стоимости на рынке, аналогичный индексам, взвешенным по рыночной капитализации для акций.Индекс считается более репрезентативным для товарного рынка по сравнению с аналогичными индексами.

Почему товары добавляют ценность

Сырьевые товары, как правило, имеют низкую или отрицательную корреляцию с традиционными классами активов, такими как акции и облигации. Коэффициент корреляции — это число от -1 до 1, которое измеряет степень линейной связи двух переменных. Если существует идеальная линейная зависимость, коэффициент корреляции будет 1. Положительная корреляция означает, что, когда одна переменная имеет высокое (низкое) значение, то же самое делает и другая.Если между двумя переменными существует идеальная отрицательная связь, коэффициент корреляции будет равен -1. Отрицательная корреляция означает, что когда одна переменная имеет низкое (высокое) значение, другая будет иметь высокое (низкое) значение. Коэффициент корреляции 0 означает, что между переменными нет линейной зависимости.

Как правило, акции США, будь то в форме акций или паевых инвестиционных фондов, тесно связаны друг с другом и имеют тенденцию иметь положительную корреляцию друг с другом.С другой стороны, сырьевые товары делают ставку на неожиданную инфляцию, и их корреляция с другими классами активов от низкой до отрицательной.

По словам Николаса Рейнольдса, помощника вице-президента и портфельного менеджера отдела управления капиталом и консультационных услуг Washington Trust Bank, годовые показатели сырьевых товаров с 2011 года были отрицательными (за исключением 2016 года). Многие инвесторы сомневаются в ценности сырьевых товаров в портфели, и если сырьевые товары будут продолжать снижаться в будущем.

Сырьевые товары могут предлагать превосходную доходность, но они по-прежнему являются одним из наиболее изменчивых доступных классов активов. Они несут более высокое стандартное отклонение (или риск), чем большинство других вложений в акционерный капитал. Однако при добавлении товаров в портфель активов, которые менее волатильны, общий риск портфеля уменьшается из-за отрицательной корреляции.

Насколько изменчивы разные сырьевые товары

Динамика спроса и предложения — основная причина изменения цен на сырьевые товары.Когда есть большой урожай определенной культуры, ее цена обычно снижается, в то время как засуха может вызвать рост цен из-за опасений, что в будущем поставки будут меньше, чем ожидалось. Точно так же, когда погода холодная, спрос на природный газ для отопления часто вызывает рост цен, в то время как теплый период в зимние месяцы может снизить цены.

Поскольку характеристики спроса и предложения часто меняются, волатильность товаров обычно выше, чем акций, облигаций и других типов активов.Некоторые товары демонстрируют большую стабильность, чем другие, например золото, которое также служит резервным активом для центральных банков, чтобы защитить их от волатильности. Тем не менее, даже золото иногда становится волатильным, а другие товары имеют тенденцию переключаться между стабильными и нестабильными условиями в зависимости от динамики рынка.

История товарной торговли

Люди тысячелетиями торговали различными товарными товарами. Самые ранние формальные товарные биржи относятся к Амстердаму в 16 веке и Осаке, Япония, в 17 веке.Только в середине XIX века торговля товарными фьючерсами началась на Чикагской торговой палате, которая была предшественницей того, что в конечном итоге стало известно как Нью-Йоркская товарная биржа.

Многие ранние рынки торговли сырьевыми товарами были результатом объединения производителей с общими интересами. Объединив ресурсы, производители могут обеспечить упорядоченность рынков и избежать беспощадной конкуренции. Вначале многие площадки для торговли сырьевыми товарами были сосредоточены на отдельных товарах, но со временем эти рынки объединились, чтобы стать более широкими рынками торговли товарами с различными товарами в одном месте.

Как инвестировать в сырьевые товары?

Есть четыре способа инвестировать в сырьевые товары:

1. Инвестиции напрямую в товар.
2. Использование товарных фьючерсных контрактов для инвестирования.
3. Покупка акций биржевых фондов (ETF), специализирующихся на сырьевых товарах.
4. Покупка акций компаний, производящих товары.

Непосредственное инвестирование в товар требует его приобретения и хранения. Продать товар — значит найти покупателя и заняться логистикой доставки.Это могло бы быть осуществимо в случае металлических товаров, слитков или монет, но бушели кукурузы или бочки сырой нефти более сложны.

Контракты на товарные фьючерсы позволяют напрямую зависеть от изменений цен на товары. Некоторые ETF также предлагают товарные позиции. Если вы предпочитаете инвестировать в фондовый рынок, вы можете торговать акциями компаний, производящих данный товар.

Контракты на товарные фьючерсы требуют от инвестора купить или продать определенное количество данного товара в определенное время в будущем по заданной цене.Для торговли фьючерсами инвесторам требуется брокерский счет или биржевой маклер, предлагающий торговлю фьючерсами.

Когда цены на товар растут, стоимость контракта покупателя повышается, а продавец терпит убытки. И наоборот, когда цена товара падает, продавец фьючерсного контракта получает прибыль за счет покупателя.

Фьючерсные контракты предназначены для крупных компаний соответствующей сырьевой отрасли. Для одного контракта на золото может потребоваться покупка 100 унций золота, что может быть обязательством в размере 150 000 долларов, что представляет собой большую подверженность риску, чем средний инвестор хочет от своих портфелей.

Большинство индивидуальных инвесторов выбирают ETF с товарными позициями. Некоторые товарные ETF покупают физические товары, а затем предлагают инвесторам акции, которые представляют определенное количество определенного товара.

Некоторые товарные ETF используют фьючерсные контракты. Однако фьючерсные цены учитывают стоимость хранения данного товара. Следовательно, товар, хранение которого обходится дорого, может не показать прироста, даже если спотовая цена на сам товар вырастет.

Инвесторы также могут покупать акции компаний, производящих товары.Например, компании, добывающие сырую нефть и природный газ, или компании, которые выращивают сельскохозяйственные культуры и продают их производителям продуктов питания. Инвесторы в товарные запасы знают, что стоимость компании не обязательно будет отражать цену производимого ею товара, что наиболее важно, сколько товара компания производит с течением времени. Цена акций может резко упасть, если компания не производит то, что ожидали инвесторы.

Итог

В периоды инфляции многие инвесторы обращаются к классам активов, таким как облигации и товары с реальной доходностью (и, возможно, иностранные облигации и недвижимость), чтобы защитить покупательную способность своего капитала.Добавляя эти разнообразные классы активов в свои портфели, инвесторы стремятся обеспечить несколько степеней защиты от убытков и потенциала роста. Важно то, что инвестор определяет максимальную корреляцию прибыли, которую он может принять между своими классами активов, и мудро выбирает классы активов.

Анализ роли и надежности искусственного интеллекта в распознавании изображений товаров в нейронной сети с глубоким обучением

Образец цитирования: Chen R, Wang M, Lai Y (2020) Анализ роли и надежности искусственного интеллекта в распознавании изображений товаров в условиях нейронная сеть глубокого обучения.PLoS ONE 15 (7): e0235783. https://doi.org/10.1371/journal.pone.0235783

Редактор: Жихан Львов, Университетский колледж Лондона, СОЕДИНЕННОЕ КОРОЛЕВСТВО

Поступило: 25 февраля 2020 г .; Дата принятия: 22 июня 2020 г .; Опубликовано: 7 июля 2020 г.

Авторские права: © 2020 Chen et al. Это статья в открытом доступе, распространяемая в соответствии с условиями лицензии Creative Commons Attribution License, которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии указания автора и источника.

Доступность данных: Все соответствующие данные находятся в рукописи и ее файлах с вспомогательной информацией.

Финансирование: Эта работа была поддержана Проектом фундаментальных исследований естественных наук провинции Шэньси в рамках гранта № 2019JM-605.

Конкурирующие интересы: Авторы заявили, что никаких конкурирующих интересов не существует.

1. Введение

В настоящее время крупные торговые центры, супермаркеты и небольшие розничные магазины предлагают широкий выбор товаров для потребителей, что дает людям богатый и удобный опыт покупок, а также значительно стимулирует и способствует ускорению социального развития.В настоящее время на розничном рынке часто используется режим работы кладовщика, самостоятельный выбор потребителя, разовая работа и многочасовая работа, а магазины повседневного спроса могут предоставить потребителям удобные и своевременные возможности совершения покупок и повысить эффективность жизненных услуг. [1]. Вначале технология штрих-кода в основном использовалась для идентификации товаров. Он должен идентифицировать каждый товар со штрих-кодом, напечатанным на внешней упаковке. Однако напечатанные штрих-коды разных товаров не совпадают, поэтому необходимо вручную определять местоположение штрих-кодов, чтобы облегчить распознавание машин, поэтому степень автоматизации относительно невысока [2,3].В последние годы автоматизированные розничные магазины последовательно появляются в стране и за рубежом. Этот магазин использует технологию искусственного интеллекта для реализации автоматизированных продаж товаров без участия человека. Для повышения производительности очень важно использовать технологию визуализации изображений для идентификации товаров.

Идеальная технология распознавания товаров состоит в том, чтобы выполнять распознавание только с помощью компьютерного оборудования и оборудования для сбора изображений, а интеллектуальное распознавание изображений товаров требует высокой точности распознавания, высокой скорости распознавания и высокой степени автоматизации.При идентификации и классификации товаров на основе технологии распознавания изображений основной технологией является алгоритм машинного обучения. В настоящее время алгоритмы глубокого обучения наиболее широко используются в области компьютерного зрения [4]. Too et al. (2019) построили систему распознавания образов лезвия на основе глубокой сверточной нейронной сети, и результаты показывают, что точность распознавания этого метода составляет до 99,75% [5]. По сравнению с другими классическими моделями, модель MS-CNN в глубоком обучении имеет характеристики быстрой сходимости, низкой скорости обнаружения ошибок и высокой точности распознавания.Dai et al. (2017) предложили метод распознавания поражения изображения глазного дна, основанный на модели MS-CNN, и обнаружили, что точность распознавания этого метода составила 99,7%, а частота отзыва — 87,8% [6]. Zhai et al. (2019) показали, что обучение данных в модели MS-CNN может улучшить эффект извлечения надежных функций и избежать переобучения [7]. Поэтому, чтобы удовлетворить потребность в автоматическом распознавании товаров и повысить эффективность распознавания и сократить расходы, я провел исследование интеллектуальной технологии CIR, основанной на алгоритме глубокого обучения, чтобы удовлетворить потребность приложений в автоматическом распознавании отдельных продавцов.

2. Обзор литературы

2.1. Прогресс исследований технологии распознавания товарных изображений

Среди автоматизированных технологий распознавания товаров наиболее развитой является технология распознавания штрих-кода. Ren et al. (2018) обнаружили, что индексное количество штрих-кодов может ускорить скорость обнаружения, а применение штрих-кода ДНК в биометрии может эффективно реализовать распознавание различных видов [8]. Lin et al. (2017) обнаружили, что автоматическое определение местоположения штрих-кодов является ключевым шагом в системе распознавания изображения штрих-кода, в то время как обобщение традиционного алгоритма определения местоположения штрих-кода чрезвычайно ограничено, поэтому предлагается метод точного определения местоположения штрих-кодов, который может эффективно реализовать распознавание штрих-кодов в любом регионе [9].Однако штрих-код будет поврежден в процессе транспортировки товара, что повлияет на эффект распознавания штрих-кода. Затем люди представили широко используемую технологию беспроводного распознавания радиочастот (RFID). Zou et al. (2017) применили технологию COTS RFID для распознавания жестов и, наконец, обнаружили, что точность распознавания в различных положениях была выше 90% с сильной защитой от помех [10]. Cappai et al. (2018) объединили технологию RFID с молекулярной технологией ДНК и применили ее для распознавания мясных товаров.Наконец, они обнаружили, что он может реализовать интеллектуальное распознавание товаров за короткое время и значительно сократить расходы [11]. С быстрым развитием технологии компьютерного зрения исследования по применению технологии машинного зрения для распознавания товаров также получили большое внимание, среди которых технология распознавания точек SIFT / SURF является самой классической. Хоу и Чжоу (2017) выбрали многофункциональную шкалу ключевых точек, основанную на функции ядра Габора, и применили ее к распознаванию изображений, и наконец обнаружили, что она может повысить надежность сопоставления признаков изображения [12].Лю и др. (2018) предложили метод распознавания локальной текстуры и особенностей структуры на основе SIFT и HOG и, наконец, обнаружили, что метод, предложенный в этом исследовании, имеет более высокую производительность [13]. Он показывает, что SIFT и другие методы могут повысить точность и скорость распознавания изображений, но все технологии SIFT и SURF используются для извлечения локальных характерных точек изображений, а точность извлечения локальных характерных точек при массовом распознавании изображений относительно невысока.

2.2. Применение глубокого обучения в распознавании изображений

Существует все больше и больше исследований по применению глубокого обучения в распознавании изображений, и многие исследования показывают, что алгоритм распознавания изображений, основанный на глубоком обучении, может эффективно повысить точность распознавания.Бычков и др. (2018) предложили модель распознавания и прогнозирования образов рака на основе глубокой сети [14]. Wurfl et al. (2018) предложили метод реконструкции изображения на основе структуры глубокого обучения и, наконец, обнаружили, что его пиковое отношение сигнал / шум увеличилось на 23%, и сетевая модель может завершить автоматическое обучение [15]. Wang et al. (2019) предложили метод распознавания нечетких изображений на основе глубокой сверточной нейронной сети и обнаружили, что этот метод имеет более высокую производительность, чем Alexent и GoogleNet [16].Zhu et al. (2019) предложили метод распознавания функций изображения транспортных средств, основанный на глубоком обучении, и применили его к базам данных VeRi и VehicleID для проверки и обнаружили, что этот метод имеет высокую производительность распознавания для распознавания образов транспортных средств [17]. На основе глубокого обучения Nodera et al. (2019) предложили метод распознавания и классификации изображений электромиографической иглы в состоянии покоя пациента, и было обнаружено, что этот метод может эффективно выполнять классификацию сигналов [18]. Барбедо (2019) предложил метод распознавания болезней на изображениях растений, основанный на глубоком обучении, и результаты показали, что средняя точность распознавания этого метода была на 15% выше, чем у исходного изображения [19].

Подводя итог, можно сказать, что алгоритмы глубокого обучения широко используются при распознавании изображений и могут достигать высоких результатов обнаружения. Однако исследований по его применению в CIR немного. Поэтому предлагается алгоритм для CIR, основанный на модели DLNN, и посредством построения базы данных товарных изображений выполняется обучение и верификация модели, затем анализируется точность распознавания и надежность модели. Целью данного исследования является создание теоретической основы для исследования интеллектуальной системы распознавания товаров.

3. Методология

3.1. Характеристики товарных изображений

Чтобы повысить желание потребителей покупать товары и обеспечить их узнаваемость, производители стремятся разнообразить дизайн упаковки. Дизайн упаковки товаров по цвету, форме и стилю символов придает товарам богатые возможности изображения. Среди них товарная упаковка имеет насыщенные и яркие цвета, которые могут произвести сильное визуальное впечатление на потребителей.Цветовое пространство в основном делится на две категории: цифровая обработка изображений и аппаратный анализ для мониторов. Наиболее часто используемые пространства двух типов цветового пространства — это пространство красный-зеленый-синий (RGB) и пространство значения насыщенности оттенка (HSV) [20]. Цветовое распределение этих двух пространств показано на рис. 1.

Из рисунка 1A можно сделать вывод, что все исследования в пространстве RGB состоят из красного, зеленого и синего цветов. В каждом канале 255 уровней, а значение канала — любое значение от 0 до 255.Общий цвет может быть получен путем сложения трех векторов каналов, и уравнение расчета выглядит следующим образом.

Из рисунка 1B можно сделать вывод, что доминирующим цветом пространства HSV является оттенок, а различные значения оттенка представлены углом конуса (0–360 °), где красный — 0 °. Серая гистограмма — это способ подсчета количества пикселей в значении пикселя изображения. Он может нормализовать изображение, а затем получить соотношение между количеством пикселей в каждом изображении и общим количеством пикселей в изображении.

Помимо цвета, для разных видов товаров различается и форма внешней упаковки. Например, напитки обычно упаковываются в банки и бутылки, закуски — в пакеты, йогурты — в коробки и так далее. В процессе цифровой обработки изображений особенности формы товарных изображений можно разделить на региональные особенности и граничные признаки. Основные методы, используемые для описания региональной характерной формы, включают площадь, вогнутый и выпуклый тип, соотношение по горизонтали и вертикали и так далее.Основные методы, используемые для описания формы границы признака, включают дескриптор формы Фурье и обнаружение преобразования Хафа [21]. На примере напитка в бутылках описываются его характерные очертания. Эффект показан на рис. 2. На контурной диаграмме на рис. 2В синяя замкнутая кривая состоит из бесчисленных точек на контурной границе товара, красная линия — это направление товара на замкнутой кривой, а зеленая круг — центр тяжести в этой области.

Текстурная особенность товарного изображения — относительно сложная особенность. С точки зрения зрения, локальная текстура изображения часто показывает неправильное состояние, но общее изображение показывает регулярность и периодичность. Методы, обычно используемые для фильтрации текстур и элементов краев в изображениях, включают методы Собела, Превитта и Кэнни и т. Д. На примере COINS эффект обнаружения различных детекторов краев показан на рис. 3.

Точечный объект относится к ключевым точкам изображения.Анализируя изображение с помощью этих локальных ключевых характерных точек, изображение может быть точно позиционировано и точность распознавания изображения может быть улучшена. Особые точки масштабно-независимого преобразования признаков (SIFT) в основном принимают локальное максимальное значение изображения и масштабного пространства [22]. Метод, принятый в Speeded up robust feature (SURF), похож на метод SIFT, но в нем в основном используется гауссовский фильтр для ответа [23], поэтому эффективность вычислений выше.

3.2. DLNN

Машинное обучение — это способ изучения компьютерных симуляций и реализации поведения человека при обучении.Получены новые знания и навыки, позволяющие реорганизовать существующие структуры знаний и улучшить собственную производительность. Как еще одна производная от машинного обучения, глубокое обучение имеет более интеллектуальные характеристики. CNN — это первый алгоритм обучения для успешного обучения многоуровневой сетевой структуры, который может использовать пространственные отношения для уменьшения количества параметров обучения и повышения эффективности обучения прямого алгоритма BP. Модель CNN представляет собой многослойную искусственную нейронную сеть, в которой каждый слой состоит из нескольких двумерных плоскостей, а каждая плоскость состоит из нескольких независимых нейронов.Структурная схема CNN представлена ​​на рис. 4.

Инициализация модели CNN в основном предназначена для инициализации ядра свертки и смещения в сверточном слое и выходном слое. Ядро свертки (вес) часто обрабатывается со случайной инициализацией, в то время как смещение обычно равно 0. Когда вычисляется прямое распространение модели CNN, входной слой, сверточный слой, уровень объединения (слой выборки) и выходной слой конструкции рассчитываются по-разному.На входном слое нет точного входного значения, только одно выходное векторное значение, то есть матрица размера изображения 32 * 32; входное значение сверточного слоя поступает из входного слоя или слоя объединения, и все графы функций в сверточном слое имеют сверточное ядро ​​одинакового размера. Различные размеры сверточного ядра имеют важное влияние на скорость сходимости и точность распознавания модели CNN. Предполагая, что размер ядра свертки равен 2 * 2, размер входного графа признаков равен 4 * 4, тогда размер выходного графа признаков сверточного слоя равен 3 * 3.В слое SC3 на рис. 5 имеется 6 * 12 ядер свертки, поэтому разные графы признаков в сверточном слое представляют собой разные ядра свертки для выполнения свертки в графе признаков верхнего уровня. После накопления получается смещение, и для расчета используется функция Sigmod. Уровень объединения в основном выполняет обработку выборки для выходных данных характеристического графа верхнего уровня, то есть совокупная статистика выполняется на прилегающих небольших участках характеристического графа верхнего уровня.

Процесс расчета корректировки обратного веса — самый сложный процесс в модели CNN. Остаточная величина выходного слоя модели CNN рассчитывается иначе, чем остаточная величина выходного слоя, в то время как остаточная величина выходного слоя представляет собой значение ошибки выходного значения и стандартного значения класса. Уравнение расчета остаточной стоимости выходного слоя выглядит следующим образом.

В уравнении 2 n ₁ — выходной слой, y — выходное значение, а h _{W, b} — значение класса, a — константа, вычисленная после деформации уравнения.

Если следующим слоем сверточного слоя является слой объединения, то остаток слоя объединения расширяется товаром Кронекера с матрицей Scale * Scale full 1. Кроме того, остаточная размерность объединяющего слоя согласуется с размерностью предыдущего графа выходной характеристики, а остаточная величина получается вычислением свертки. Если следующий уровень ниже уровня объединения является сверточным слоем, тогда сверточное ядро ​​необходимо повернуть на 180 °, а объем и доказательство расширены до 0, чтобы найти единицу, связанную с весом в графе признаков.Наконец, ядро ​​свертки используется для обработки свертки и получается остаток слоя объединения.

В модели CNN слой Softmax в основном используется в качестве выходного уровня. Если предположить, что количество образцов в наборе образцов равно m, то набор образцов выражается как {( x ¹ , y ¹ ), ( x ² , y ² ), ⋯, ( x ^м , y ^м )}.Среди них x — векторное значение входной выборки, y — метка категории выборки и y ∈ {1, 2, ⋯, k}. Предположим, что входное значение слоя Softmax — z, тогда выходное значение — Z = f (z). Среди них Z является векторным столбцом размерности m. На данный момент классификатор Softmax выглядит следующим образом.

Тогда нормированное выражение выглядит следующим образом.

Сумма вероятностей между размерами выборки равна 1. Функция потерь применима для измерения разницы между значением метки входной выборки, предсказанной нейронной сетью, и фактическим значением, тогда функцию можно обозначить как L (θ).Среди них θ — текущее пространство нейронной сети. В модели CNN данного исследования используется функция Softmaxloss, и ее выражение выглядит следующим образом.

В уравнении 5 m — истинное значение метки. Чем больше значение z ^m , тем меньше значение L (θ). Когда f (z ^m ) приближается к 1, L (θ) приближается к 0; в то время как когда f (z ^m ) приближается к 0, L (θ) стремится к бесконечности.

После вычисления остатков различных уровней в модели CNN, значение веса и смещение в сети корректируются и обновляются, а производительность сети корректируется посредством повторного обучения.

3.3. Строительство платформы CIR

В этом исследовании 80 видов популярных напитков, закусок, предметов первой необходимости и других товаров в супермаркетах выбраны в качестве объектов эксперимента CIR. В соответствии с характеристиками внешнего вида различных товаров создается экспериментальная платформа для изображений товаров, включая сбор, предварительную обработку, создание базы данных и расширение изображений товаров. Конкретный экспериментальный процесс показан на рисунке 5.

В данном исследовании CMOS-камера используется для съемки товарных изображений с разрешением 640 * 480 пикселей. Затем в качестве источника света для съемки выбирается обычная светодиодная лампа, а режим освещения — рассеянный. Затем VS013 и Python IDLE выбираются в качестве основной среды разработки, OpenCV, база данных компьютерного зрения с открытым исходным кодом, используется в качестве инструмента обработки изображений, а MXNet используется в качестве экспериментальной основы глубокого обучения. Процесс этого эксперимента завершен в системе Windows.

Затем создается изображение товара. Кубовидные товары в основном снимаются на 6 плоскостях, и на каждой плоскости снимается по 10 изображений. Цилиндрические товары в основном снимаются путем поворота плоскости, и на каждый поворот на 60 ° снимается 8 изображений. Пластиковая упаковка товаров в основном фотографируется в передней и задней 2 самолетах, и для каждого самолета снимается по 20 изображений. Длина и ширина всех изображений, снятых в этом эксперименте, установлены равными 350 * 350 мм, а исходный размер товарных изображений в модели CNN составляет 640 * 480, и все они являются пространственными цветами RGB.Затем изображение товара предварительно обрабатывается, целевой порог определяется OTSU, а изображение сегментируется по пороговому значению. Сначала цветное изображение, полученное при съемке, преобразуется в серое изображение, затем уравнение вычисления значения серого выглядит следующим образом.

Затем OTSU используется для сегментации изображения. Путем маркировки пикселей в контуре изображения определяется контурная область целевого товара, получается информация о краях изображения товара и выделяется интересующая область (ROI).Размер обработанного изображения составляет 300 * 300, и к товарному изображению добавляются перец, соль и гауссов шум, а поворот изображения под разными углами обрабатывается для повышения точности обучения модели.

3,4. CIR на основе DLNN

Классический CNN — это сеть Lenet-5, и размер входной выборки обычно составляет 28 * 28, что не может использоваться для распознавания изображений сложных категорий. Однако изображения товаров более сложны. Поэтому в качестве объекта исследования взята модель MS-CNN.Между тем, для повышения эффективности обучения сети улучшена модель MS-CNN. Основные этапы улучшения заключаются в следующем: I. Увеличен размер входной выборки; II. улучшена функция активации в сети. Значение градиента функции tanh () в исходной сети невелико. Следовательно, когда размер входной выборки велик, время обучения будет слишком большим. Следовательно, линейный коэффициент α увеличивается на основе исходной функции, α = 0,16; III. настраивается количество нейронов в выходном слое; IV.увеличена глубина скрытого слоя; Сеть V. обучается на основе идеи обучения Dropout. Таким образом, структура модели MS-CNN, построенная в этом исследовании, показана на рис. 6.

Конкретные параметры, установленные в модели MS-CNN, использованной в этом исследовании, показаны в таблице 1.

Максимальное количество итераций, установленное в этом исследовании, составляет 4500, и значение ошибки будет выводиться каждые 10 раз. Затем из библиотеки фотографий Baidu выбираются различные типы изображений товаров для создания базы данных обнаружения.В конце концов, в общей сложности 50 000 изображений, содержащих различные товары, включены, чтобы проверить эффект распознавания модели, построенной в этом исследовании.

4. Результаты и обсуждение

4.1. Влияние различных настроек параметров на точность распознавания модели MS-CNN

Чтобы оценить влияние размера ядра свертки и скорости выпадения на точность распознавания модели MS-CNN, в этом исследовании модель MS-CNN обучается с использованием самостоятельно созданной базы данных изображений товаров.Во-первых, метод обучения в модели MS-CNN установлен как метод SGD, а коэффициент отбрасывания Dropout равен 0,1. Затем сравнивается влияние изменения размера ядра свертки на точность распознавания. Из рисунка 7A можно сделать вывод, что различные размеры ядра свертки мало влияют на точность и надежность CIR. Когда методом обучения в модели MS-CNN является метод SGD, а размер ядра свертки в сверточном слое 1 составляет 3 * 3, сравнивается влияние изменения скорости отбрасывания Dropout на точность распознавания.Как следует из рис. 7B, частота выпадения из системы имеет большое влияние на точность и надежность распознавания товаров [24]. Когда коэффициент выпадения равен 0,6, величина потерь является наибольшей, когда коэффициент выпадения составляет 0,1, величина потерь наименьшая.

Затем сравниваются результаты обучения модели MS-CNN с разными параметрами. Из таблицы 2 можно сделать вывод, что средняя точность распознавания является самой высокой (97,8%), когда размер ядра свертки составляет 2 * 2 и 3 * 3, время обучения является самым коротким (340 с), когда размер свертки ядро составляет 2 * 2, а время обучения является самым длинным, когда размер ядра свертки составляет 10 * 10 (1003 с).Средняя точность распознавания самая высокая (97,8%), когда коэффициент отсева равен 0,1. Время обучения самое короткое (340 с), когда коэффициент отсева составляет 0,6, но точность распознавания самая низкая (82,5%). Установлено, что с увеличением размера ядра свертки точность модели MS-CNN в CIR составляет более 96%, но время обучения увеличивается. Это может быть связано с тем, что слишком большой размер ядра свертки увеличит объем вычислений сетевой операции, тем самым увеличив время обучения [25].Размер ядра свертки 2 * 2. Если размер ядра свертки слишком мал, информация о выходном изображении будет слишком маленькой, а функции изображения будут слишком плохими. Большой размер ядра свертки приведет к увеличению количества вычислений, что не только плохо для увеличения глубины модели, но и снизит производительность расчета модели [26]. В то время как ядро ​​свертки размером 3 * 3 широко используется в различных моделях. Для обеспечения точности распознавания и эффективности работы сети сверточное ядро ​​с размерами 3 * 3 и 5 * 5 и параметрами с Dropout rate равным 0.1 окончательно отбираются для последующих экспериментов.

4,2. Влияние модификации метки на точность предсказания модели MS-CNN

По результатам тестирования начальная скорость обучения установлена ​​равной 0,01, метод обучения установлен как стохастический градиентный спуск (SGD), размер ядра начальной свертки установлен как 3 * 3, частота выпадения установлена ​​как 0,1 , а максимальное количество итераций установлено равным 10000 для проведения эксперимента CIR. Затем значение p вероятности модификации этикетки выбирается случайным образом в пределах диапазона изображения товара, и сначала сравнивается разница в точности предсказания при различных вероятностях.Как следует из рисунка 8A, по мере увеличения значения p точность сетевого предсказания резко снижается, если метки ошибочны. Ошибка является наибольшей, когда значение p равно 0,12. Как следует из рисунка 8B, с увеличением значения p разница между значением точности окончательного прогноза этой исследовательской модели и значением точности прогноза без ошибок также увеличивается. Когда p составляет 0,03 и 0,05, разница между прогнозируемыми значениями точности мала.

Рис 8.Влияние модификации метки на точность предсказания модели MS-CNN (A — изменение окончательного значения точности предсказания модели в этом исследовании; B — изменение окончательного значения точности предсказания, когда метка неверна).

https://doi.org/10.1371/journal.pone.0235783.g008

Как следует из таблицы 3, когда значение p увеличивается до 0,09 и 0,12, точность сетевого предсказания снижается до очень низкого уровня; однако точность прогноза модели MS-CNN, построенной в этом исследовании, может достигать 96%, когда значение p равно 0.12; точность прогнозирования снижается всего на 3,3% по сравнению с точностью прогнозирования, когда метки верны, что указывает на то, что модель MS-CNN, построенная в этом исследовании, эффективно снижает негативное влияние ошибок маркировки изображений товаров и эффективно повышает надежность CIR, что согласуется с результатами исследования Xuan et al. (2017) [27].

4.3. Модуль MS-CNN для обнаружения CIR

Чтобы проверить эффект построения модели MS-CNN в CIR в этом исследовании, несколько товарных баз данных, созданных на ранней стадии, используются для проверки эффекта распознавания модели MS-CNN.Чтобы проверить надежность алгоритма, предложенного в этом исследовании, в обучение модели вводится шум соли и перца. Процесс добавления шума следующий. I. SNR выбирается в диапазоне [0,1]. II. вычисляется общее количество пикселей в тренировочном образе и вычисляется (1-SNR) / общее количество точек шума пикселей. III. пиксель в обучающем изображении выбирается случайным образом, и значение пикселя позиции устанавливается на 0 или 255. IV. предыдущий шаг повторяется до тех пор, пока изображение не будет сохранено.В процессе эксперимента для сравнения точности распознавания выбираются значения SNR 0, 0,03, 0,05, 0,07 и 0,1. Алгоритм сравнивается с алгоритмом стохастического градиентного спуска Минитча, и результаты показаны в таблице 4. Оба алгоритма имеют худшую точность распознавания, когда SNR = 0,1, и самую высокую точность распознавания, когда SNR = 0. Однако при разных условиях SNR распознавание Точность предложенного алгоритма значительно выше, чем у алгоритма стохастического градиентного спуска Минитча.Это указывает на то, что предложенный алгоритм классификации может эффективно улучшить обобщающую способность модели и надежность модели.

Затем результаты этого исследования сравниваются с результатами других. Уравнения 7 и 8 используются для расчета скорости отзыва и точности каждого алгоритма.

Среди них P — точность; R — скорость отзыва; TP — истинное положительное число; FP — ложноотрицательное число; FN — это ложноположительное число.

В этом исследовании эффект распознавания построенной сетевой модели сравнивается с SIFT [28], VGG19 [29] и Resnet [30].Базовые структуры сетевых моделей SIFT, VGG19 и Resent показаны на рис. 9, в таблицах 5 и 6 соответственно.

В настоящее время для распознавания изображений широко используются SIFT, VGG19 и Resnet. VGG19 содержит 16 сверточных слоев (размер ядра свертки 3 * 3), 5 максимальных слоев пула и 3 полностью связанных слоя. Функция активации — ReLU. Resnet также является классической структурной моделью, а функция активации — ReLU. Эти два метода обучения, набор обучающих данных и время итераций согласуются с моделью MS-CNN, построенной в этом исследовании.

Из таблицы 7 можно сделать вывод, что частота отзыва и точность метода, построенного в этом исследовании, превышают 90%. Более того, метод, построенный в этом исследовании, может быть использован для распознавания и классификации одного и нескольких изображений товаров и значительно улучшает характеристики распознавания. Однако эффект распознавания модели VGG19 и Resnet оставляет желать лучшего. Это может быть связано с тем, что от распознавания одного изображения товара до распознавания и позиционирования нескольких изображений товара перекрестное распознавание делает производительность двух моделей очень низкой.

Explainer: Что происходит с ценами на промышленные товары в Китае?

(Рейтер) — Цены в Китае на такие сырьевые товары, как железная руда, стальная арматура, уголь и медь, в этом месяце выросли до рекордных максимумов, что побудило правительство вмешаться, чтобы ограничить «необоснованное» повышение цен для потребителей.

КАКИЕ СДЕЛАННЫЕ ЦЕНЫ НА ТОВАРЫ?

Как завод в мире и крупнейший строительный рынок, Китай уже более десяти лет является основным двигателем глобальных рынков металлов.

С начала года до середины мая цены на китайскую стальную арматуру, горячекатаную стальную катушку и медь, жизненно важные для строительства машин, зданий, оборудования и транспортных средств, выросли более чем на 30% в связи с возрождением строительства. и производство увеличило спрос со стороны крупнейшего в мире потребителя металла.

(Графика: промышленные металлы Китая сильно пострадали после того, как Пекин заявил, что усилит управление рынком: https://fingfx.thomsonreuters.com/gfx/ce/yxmvjmxllpr/ChinaIndustrialMetalsMay2021.png)

Множество других жизненно важных промышленных ресурсов, включая железную руду, энергетический уголь, серную кислоту и стекло, также продемонстрировали двузначную прибыль на пути к рекордным максимумам, поскольку общий рост потребления опережал предложение.

ЧТО ПРОИСХОДИТ С ЭКОНОМИКОЙ КИТАЯ?

Восстановление экономики Китая резко ускорилось в первом квартале после спада, вызванного коронавирусом в начале прошлого года, при этом валовой внутренний продукт (ВВП) подскочил на рекордные 18,3%.

(График: ВВП Китая вырос на рекордные 18.3% в первом квартале 2021 года в условиях возрождения после пандемии: https://fingfx.thomsonreuters.com/gfx/ce/xklpywoqepg/ChinaGDP.png)

Агрессивные меры государственного стимулирования, запущенные в разгар COVID Блокировка 19 в прошлом году помогла возродить строительную деятельность, в то время как крупнейшая в мире производственная база извлекала выгоду из быстро растущего спроса на бытовую технику, тренажеры и оборудование в заблокированном мире с середины 2020 года.

Китай также предпринял шаги по сокращению выбросов за счет закрытия устаревших дымовых труб, что еще больше поддержало цены на металлы.

Производство металлов от стали до меди и алюминия стабильно растет из года в год, поскольку рафинировочные, плавильные и перерабатывающие предприятия выпускают промежуточные металлы, используемые производителями.

ЧТО ДЕЛАЕТ ПРАВИТЕЛЬСТВО СЕЙЧАС?

В связи с ростом цен на сырье, вызывающим опасения инфляции, правительство призвало производителей угля увеличить добычу, пообещав расследовать поведение, которое приводит к росту цен. Национальный кабинет пообещал усилить управление спросом и предложением на сырьевые товары, включая создание запасов и усиление проверок как на спотовом, так и на фьючерсном рынках.

Регулирующие органы в Шанхае и сталелитейном центре Таншаня также предупредили заводы в этом месяце от взвинчивания цен, сговора и нарушений, и заявили, что они закроют предприятия тех, кто серьезно нарушает рыночные заказы.

КАК ЭТО ВЛИЯЕТ НА МИРОВЫЕ РЫНКИ?

Австралия была крупным бенефициаром высокого спроса на металл в Китае: рекордный экспорт железной руды смягчил ее экономику, несмотря на торговую напряженность с Китаем в других секторах.

Тем не менее, из-за агрессивной активности закупок в Китае общие запасы руды и металла в других регионах стали относительно ограниченными, при этом запасы меди на Лондонской бирже металлов и на CME колеблются недалеко от многолетних минимумов.