CN107844970A - 图像识别方法及追溯秤终端 - Google Patents

Abstract

本发明实施例提供了一种图像识别方法及追溯秤终端，涉及信息处理技术领域。图像识别方法包括信息处理模块接收到称重模块采集的待测对象的重量信息后，向图像采集模块发送图像采集指令。图像采集模块基于图像采集指令，采集待测对象的初始图像及将初始图像发送给所述信息处理模块。然后信息处理模块对初始图像进行品类识别，获得待测对象的识别结果。通过对采集待测对象的图像，再进行自动识别的方式，提高采集数据的准确度，节省人力成本和时间。

Description

图像识别方法及追溯秤终端

技术领域

本发明涉及信息处理技术领域，具体而言，涉及一种图像识别方法及追溯秤终端。

背景技术

蔬菜零售价格是消费者从商户采购蔬菜的价格，传统的蔬菜零售价格采集方法是由特定人员入市到点(即深入农贸市场)调查，按照“定点、定时、定品种”的原则，调查商户在当天集中交易时间段各类蔬菜的销售价格，人工记录或是借助移动终端录入采集的数据信息。由于各地农贸市场点多面广，每天需要大量的询价员在各个点人工询问菜价信息，费时费力。这种询价方式得到的数据采样数据比较少，数据可信度降低。追溯秤自动采集方式是在零售过程中追溯秤自动记录重量数据、商户提供的蔬菜品种及单价，通过数据上报接口提交零售数据。这种方式的优点是能够全面收集到实际发生的每笔零售数据，但是降低了数据采集和上报的人力成本。

目前追溯秤自动采集方式中蔬菜的品种信息是需要商户人工操作追溯秤进行输入确认的，主要有两种方式：(1)选择菜品快捷键输入。追溯秤的键盘通常可以设计若干个菜品快捷键，商户在交易时选择相应的菜品快捷键输入蔬菜品种。(2)输入菜品的商品编码。商户在交易时也可以直接使用追溯秤的输入键盘手动输入蔬菜类别代码。

现有的追溯秤终端蔬菜零售数据自动采集方式存在以下问题存在以下问题：商户容易出现操作错误的情况，即商户在使用追溯秤称重计价时需要使用追溯秤的菜品快捷键或者输入菜品的商品编码，由于蔬菜品种众多，商户在选择和输入的过程中容易出现操作错误的情况。还有商户容易出现不确认蔬菜类别的情况，即商户称重时确认商品代码意识薄弱，尤其是在早晚两个蔬菜销售高峰，商户为提高交易便捷性，往往不确认追溯秤称重的菜品编码直接交易。耗费人力成本，人工确认容易导致采集的交易菜品与实际交易菜品不符的情况，造成大量无意义数据，降低采集数据的准确度。

发明内容

本发明的目的在于提供一种图像识别方法及追溯秤终端，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：

第一方面，本发明实施例提供了一种图像识别方法，应用于追溯秤终端，所述追溯秤终端包括称重模块、图像采集模块和信息处理模块，所述信息处理模块分别与所述称重模块、所述图像采集模块电连接，所述方法包括：所述称重模块将获取到的待测对象的重量信息发送给所述信息处理模块；所述信息处理模块接收到所述重量信息后，向所述图像采集模块发送图像采集指令；所述图像采集模块基于所述图像采集指令，采集所述待测对象的初始图像及将所述初始图像发送给所述信息处理模块；所述信息处理模块对所述初始图像进行品类识别，获得所述待测对象的识别结果。

第二方面，本发明实施例提供了一种追溯秤终端，包括称重模块、图像采集模块和信息处理模块。所述信息处理模块分别与所述称重模块、所述图像采集模块电连接。所述称重模块，用于将获取到的待测对象的重量信息发送给所述信息处理模块。所述信息处理模块，用于接收到所述重量信息后，向所述图像采集模块发送图像采集指令。所述图像采集模块，用于基于所述图像采集指令，采集所述待测对象的初始图像及将所述初始图像发送给所述信息处理模块。所述信息处理模块，用于对所述初始图像进行品类识别，获得所述待测对象的识别结果。

本发明实施例的有益效果是：所述信息处理模块接收到称重模块采集的待测对象的重量信息后，向所述图像采集模块发送图像采集指令。所述图像采集模块基于所述图像采集指令，采集所述待测对象的初始图像及将所述初始图像发送给所述信息处理模块。然后所述信息处理模块对所述初始图像进行品类识别，获得所述待测对象的识别结果。通过对采集待测对象的图像，再进行自动识别的方式，提高采集数据的准确度，节省人力成本和时间。

本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，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相关的附图。

图1为本发明实施例提供的追溯秤终端的结构框图；

图2为本发明实施例提供的图像识别方法的流程图；

图3为本发明实施例提供的图像识别方法中以蔬菜为例的种类数据结果示意图；

图4为本发明实施例提供的图像识别方法中以蔬菜为例的子类数据结果示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通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，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

请参阅图1，示出了一种可应用于本发明实施例中的追溯秤终端100的结构框图。追溯秤终端100可以包括称重模块110、图像采集模块120和信息处理模块130。所述信息处理模块130分别与所述称重模块110、所述图像采集模块120电连接。

所述称重模块110，用于将获取到的待测对象的重量信息发送给所述信息处理模块130。

在本实施例中，称重模块110可以包括称体和称重传感器。所述称重传感器设置于所述称体处，所述称重传感器与所述信息处理模块连接。待测对象可以为待称的物品，如蔬菜、水果、肉、水产类等。例如，将待称的物品放置在称体上，在称重稳定状态下，称重传感器采集待称的物品的重量信息并发送给所述信息处理模块130。

所述信息处理模块130，用于接收到所述重量信息后，向所述图像采集模块120发送图像采集指令。

所述图像采集模块120，用于基于所述图像采集指令，采集所述待测对象的初始图像及将所述初始图像发送给所述信息处理模块130。

所述信息处理模块130，用于对所述初始图像进行品类识别，获得所述待测对象的识别结果。

在本实施例中，所述图像采集模块120可以包括摄像头。摄像头与所述信息处理模块130电连接。

所述追溯秤终端100还可以包括支架，所述支架与所述称体连接。所述支架上安装有摄像头。

例如，将待称的物品放置在称体上，在称重稳定状态下，称重传感器采集待称的物品的重量信息并发送给所述信息处理模块130。所述信息处理模块130，接收到所述重量信息后，向所述摄像头发送图像采集指令，所述摄像头进行拍摄所述待称的物品，拍摄完成后，将拍摄的待称的物品初始图像发送给所述信息处理模块130。

在本实施例中，信息处理模块130可以包括存储器132、存储控制器134、一个或多个(图1中仅示出一个)处理器136和外设接口138。

所述追溯秤终端100还可以包括音频模块140、显示模块150。所述追溯秤终端100还可以包括输入输出模块160和射频模块170。

存储器132、存储控制器134、处理器136、外设接口138、音频模块140、显示模块150、输入输出模块160和射频模块170各元件之间直接或间接地电连接，以实现数据的传输或交互。例如，这些元件之间可以通过一条或多条通讯总线或信号总线实现电连接。图像识别方法分别包括至少一个可以以软件或固件(firmware)的形式存储于存储器132中的软件功能模块。

存储器132可以存储各种软件程序以及模块，如本申请实施例提供的图像识别方法对应的程序指令/模块。处理器134通过运行存储在存储器132中的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现本申请实施例中的图像识别方法。

存储器132可以包括但不限于随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。

处理模块134可以是一种集成电路芯片，具有信号处理能力。上述处理模块可以是通用处理模块，包括中央处理模块(Central Processing Unit，简称CPU)、网络处理模块(Network Processor，简称NP)等；还可以是数字信号处理模块(DSP)、专用集成电路(ASIC)、现成可编程门阵列(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。其可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理模块可以是微处理模块或者该处理模块也可以是任何常规的处理模块等。

所述外设接口136将各种输入/输入装置耦合至处理器134以及存储器132。在一些实施例中，外设接口136、处理器134以及存储控制器134可以在单个芯片中实现。在其他一些实例中，他们可以分别由独立的芯片实现。

音频模块140向用户提供音频接口，其可包括一个或多个麦克风、一个或者多个扬声器以及音频电路。

显示模块150在追溯秤终端100与用户之间提供一个交互界面(例如用户操作界面)或用于显示图像数据给用户参考。在本实施例中，所述显示模块114可以是液晶显示器或触控显示器。若为触控显示器，其可为支持单点和多点触控操作的电容式触控屏或电阻式触控屏等。支持单点和多点触控操作是指触控显示器能感应到来自该触控显示器上一个或多个位置处同时产生的触控操作，并将该感应到的触控操作交由处理器134进行计算和处理。

输入输出模块160用于提供给用户输入数据实现用户与追溯秤终端100的交互。所述输入输出模块160可以是，但不限于，鼠标和键盘等。

射频模块170用于接收以及发送电磁波，实现电磁波与电信号的相互转换，从而与通信网络或者其他设备进行通信。

可以理解，图1所示的结构仅为示意，追溯秤终端100还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。

请参阅图2，本发明实施例提供了一种图像识别方法，应用于追溯秤终端，所述追溯秤终端包括称重模块、图像采集模块和信息处理模块。所述信息处理模块分别与所述称重模块、所述图像采集模块电连接。所述方法可以包括：步骤S200、步骤S210、步骤S220和步骤S230。

步骤S200：所述称重模块将获取到的待测对象的重量信息发送给所述信息处理模块。

在本实施例中，称重模块110可以包括称体和称重传感器。所述称重传感器设置于所述称体处，所述称重传感器与所述信息处理模块连接。待测对象可以为待称的物品，如蔬菜、水果、肉、水产类等。例如，将待称的物品放置在称体上，在称重稳定状态下，称重传感器采集待称的物品的重量信息并发送给所述信息处理模块130。

步骤S210：所述信息处理模块接收到所述重量信息后，向所述图像采集模块发送图像采集指令。

步骤S220：所述图像采集模块基于所述图像采集指令，采集所述待测对象的初始图像及将所述初始图像发送给所述信息处理模块。

步骤S230：所述信息处理模块对所述初始图像进行品类识别，获得所述待测对象的识别结果。

在本实施例中，所述图像采集模块120可以包括摄像头。摄像头与所述信息处理模块130电连接。

作为一种实施方式，在步骤S220之后，步骤S230之前，所述方法还可以包括：

所述信息处理模块基于所述初始图像及预设的图像对比度计算规则，获得所述初始图像的对比度；所述信息处理模块判断得出所述对比度小于预设阈值时，基于图像增强算法对所述初始图像进行图像增强，以获得图像增强后的初始图像。相应地，基于步骤S230，所述信息处理模块对所述图像增强后的初始图像进行品类识别，获得所述待测对象的识别结果。

进一步地，所述图像增强算法为多尺度Retinex图像增强算法。

多尺度Retinex(MSR，Multi Scale Retinex)图像增强算法数学形式是多个单尺度的Retinex的输出进行加权相加。其公式可以表示为：其中，f为初始图像。g为滤波函数，一般为高斯函数。K为高斯函数的个数或尺度的个数。W_k表示与高斯函数相关的权重，且W_k,k＝1,2,…K之和等于1。在本实施例中，K＝3，W_k,k＝1,2,3均为1/3。MSR图像增强算法具有色彩增强、颜色恒常性、局部范围压缩、全局动态范围压缩等优点。

图像对比度指的是一幅图像中明暗区域最亮的白和最暗的黑之间不同亮度层级的测量。差异范围越大代表对比越大，差异范围越小代表对比越小。好的对比率如120:1就可显示生动、丰富的色彩。一般来说对比度越大，图像越清晰醒目，色彩也越鲜明艳丽；而对比度小，则会让整个画面都灰蒙蒙的。

进一步地，所述预设的图像对比度计算规则为所述信息处理模块基于获得所述初始图像的对比度，其中，C_δ为所述初始图像的对比度，i,j均为所述初始图像中像素对应的灰度值，δ(i,j)＝|i-j|为所述初始图像中相邻像素间的灰度差，P_δ(i,j)为所述初始图像中相邻像素间的灰度差为δ的像素分布概率。

作为一种实施方式，基于步骤S230，所述信息处理模块基于深度残差神经网络算法对所述图像增强后的初始图像进行品类识别，若识别成功，获得所述待测对象的种类信息。

传统的神经网络由于本身算法的局限性，随着网络层数增加网络梯度迷失，导致神经网络的训练和测试的误差增加。深度残差神经网络使用了一个全新的“残差学习”原则来指导神经网络结构的设计，本发明中使用三层残差学习单元。残差学习最重要的突破在于重构了学习的过程，并重新定向了深层神经网络中的信息流，解决了深层神经网络层级与准确度之间的矛盾。

深度残差神经网络(DRN，Deep residual networks)算法使用交叉熵代价函数(cross-entropy cost function)。其交叉熵代价函数公式为：x表示样本，n表示样本的总数，y为期望输出，a为神经元的实际输出，a＝σ(z),z＝∑w_j×X_j+b，C为代价函数的值。交叉熵代价函数具有非负性特征，当实际输出a与期望输出y接近的时候，代价函数的值接近于0，比如y＝0,a→0；y＝1,a→1，代价函数都接近0，所以尽可能最小化代价函数，克服方差代价函数更新权重过慢的问题。

进一步地，在若识别成功，获得所述待测对象的种类信息之后，所述方法还可以包括：

所述信息处理模块判断所述待测对象是否含有子类，在为是时，对所述图像增强后的初始图像进行子类识别，确定所述待测对象的子类信息。

进一步地，所述信息处理模块判断所述待测对象是否含有子类，在为是时，基于灰度直方图分析算法对所述图像增强后的初始图像进行子类识别，获得所述待测对象的子类信息。

为了描述方便，本实施例中以待测对象为蔬菜举例说明，蔬菜中同一品类的蔬菜可能因颜色不同，需要细分蔬菜子类，如白米苋、红米苋只是主茎的颜色不同，销售时因零售价格不同要对两个商品进行区分。如图3所示，进行了6次不同的蔬菜称重，每次均获得了蔬菜的种类信息包括蔬菜识别代码、种类代码和名称，例如蔬菜识别代码为1-6各自对应的种类代码00001-00006，各自对应的名称为大白菜、菠菜、土豆、茄子、芹菜和米苋，判断得出蔬菜识别代码为5和6的芹菜和米苋均具有子类，判断得出蔬菜识别代码1-4的蔬菜没有子类。

对含有子类的蔬菜种类，调用灰度直方图分析算法对图像进行进一步的灰度直方图分析，根据设置的颜色占图像的百分比来确定蔬菜子类。在灰度直方图识别过程中不对每种颜色进行统计，而是针对蔬菜子类业务表中子类的已有颜色进行统计。如果统计的结果与该蔬菜子类表中某一子类匹配，识别程序返回该子类代码和名称，否则返回缺省子类的代码和名称，缺省子类是指蔬菜子类表中颜色百分比为0的蔬菜子种类。如图4所示，蔬菜识别代码为5和6的芹菜和米苋均具有子类，各自获得子类信息包括子类代码、子类名称、颜色值和颜色百分比，蔬菜识别代码为5的芹菜包括2个子类信息，分别为子类代码为000051，西芹，子类代码为000052，黄芹；蔬菜识别代码为6的米苋包括2个子类，分别为子类代码为000061，白米苋，子类代码为000062，红米苋等信息。在深度残差神经网络分类算法的基础上增加灰度直方图分析算法的子类识别，既保证了神经网络的泛化能力，又满足蔬菜种类基于颜色的子类细分需求。提高采集的零售数据的准确度，为菜品零售价格分析提供优质数据来源。能够提高用户使用追溯秤的可操作性，节省用户蔬菜零售交易时间。

进一步地，基于步骤S230，所述追溯秤终端还包括音频模块，所述音频模块与所述信息处理模块电连接，所述信息处理模块对所述图像增强后的初始图像进行品类识别，若识别失败，向所述音频模块发送提示指令；所述音频模块基于所述提示指令，触发无法识别信息，以使所述追溯秤终端接收用户输入的所述待测对象的种类信息。

具体地，所述信息处理模块对所述图像增强后的初始图像进行品类识别，若识别失败，向所述音频模块发送提示指令，触发无法识别信息，提醒用户手动选择追溯秤终端的菜品快捷键或者使用输入键盘录入菜品的商品编码，以便确定蔬菜的品种，并接收用户输入的品种信息。

进一步地，所述追溯秤终端还包括显示模块，所述显示模块与所述信息处理模块电连接，所述方法还可以包括：

所述信息处理模块基于所述种类信息，获得所述待测对象的价格信息并将所述种类信息、所述价格信息、所述重量信息发送给所述显示模块；所述显示模块显示所述种类信息、所述价格信息、所述重量信息。

所述信息处理模块基于所述种类信息或子类信息，查找到所述种类信息或子类信息对应的单价信息，计算单价信息乘以对应的重量信息获得价格信息，并将所述种类信息或子类信息、所述价格信息、所述重量信息发送给所述显示模块；所述显示模块显示所述种类信息或子类信息、所述价格信息、所述重量信息。

本发明实施例提供的一种图像识别方法，所述信息处理模块接收到称重模块采集的待测对象的重量信息后，向所述图像采集模块发送图像采集指令。所述图像采集模块基于所述图像采集指令，采集所述待测对象的初始图像及将所述初始图像发送给所述信息处理模块。然后所述信息处理模块对所述初始图像进行品类识别，获得所述待测对象的识别结果。通过对采集待测对象的图像，再进行自动识别的方式，提高采集数据的准确度，节省人力成本和时间。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于方法类实施例而言，由于其与追溯秤实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (10)

1.一种图像识别方法，其特征在于，应用于追溯秤终端，所述追溯秤终端包括称重模块、图像采集模块和信息处理模块，所述信息处理模块分别与所述称重模块、所述图像采集模块电连接，所述方法包括：

所述称重模块将获取到的待测对象的重量信息发送给所述信息处理模块；

所述信息处理模块接收到所述重量信息后，向所述图像采集模块发送图像采集指令；

所述图像采集模块基于所述图像采集指令，采集所述待测对象的初始图像及将所述初始图像发送给所述信息处理模块；

所述信息处理模块对所述初始图像进行品类识别，获得所述待测对象的识别结果。

2.根据权利要求1所述的方法，其特征在于，在所述图像采集模块基于所述图像采集指令，采集所述待测对象的初始图像及将所述初始图像发送给所述信息处理模块之后，在所述信息处理模块对所述初始图像进行品类识别，获得所述待测对象的识别结果之前，所述方法还包括：

所述信息处理模块基于所述初始图像及预设的图像对比度计算规则，获得所述初始图像的对比度；

所述信息处理模块判断得出所述对比度小于预设阈值时，基于图像增强算法对所述初始图像进行图像增强，以获得图像增强后的初始图像；

相应地，所述信息处理模块对所述初始图像进行品类识别，获得所述待测对象的识别结果，包括：

所述信息处理模块对所述图像增强后的初始图像进行品类识别，获得所述待测对象的识别结果。

3.根据权利要求2所述的方法，其特征在于，所述图像增强算法为多尺度Retinex图像增强算法。

4.根据权利要求2所述的方法，其特征在于，所述信息处理模块基于所述初始图像及预设的图像对比度计算规则，获得所述初始图像的对比度，包括：

所述信息处理模块基于获得所述初始图像的对比度，其中，C_δ为所述初始图像的对比度，i,j均为所述初始图像中像素对应的灰度值，δ(i,j)＝|i-j|为所述初始图像中相邻像素间的灰度差，P_δ(i,j)为所述初始图像中相邻像素间的灰度差为δ的像素分布概率。

5.根据权利要求2所述的方法，其特征在于，所述信息处理模块对所述图像增强后的初始图像进行品类识别，获得所述待测对象的识别结果，包括：

所述信息处理模块基于深度残差神经网络算法对所述图像增强后的初始图像进行品类识别，若识别成功，获得所述待测对象的种类信息。

6.根据权利要求5所述的方法，其特征在于，在若识别成功，获得所述待测对象的种类信息之后，所述方法还包括：

所述信息处理模块判断所述待测对象是否含有子类，在为是时，对所述图像增强后的初始图像进行子类识别，确定所述待测对象的子类信息。

7.根据权利要求6所述的方法，其特征在于，所述信息处理模块判断所述待测对象是否含有子类，在为是时，对所述图像增强后的初始图像进行子类识别，获得所述待测对象的子类信息，包括：

所述信息处理模块判断所述待测对象是否含有子类，在为是时，基于灰度直方图分析算法对所述图像增强后的初始图像进行子类识别，获得所述待测对象的子类信息。

8.根据权利要求2所述的方法，其特征在于，所述追溯秤终端还包括音频模块，所述音频模块与所述信息处理模块电连接，所述信息处理模块对所述图像增强后的初始图像进行品类识别，获得所述待测对象的识别结果，包括：

所述信息处理模块对所述图像增强后的初始图像进行品类识别，若识别失败，向所述音频模块发送提示指令；

所述音频模块基于所述提示指令，触发无法识别信息，以使所述追溯秤终端接收用户输入的所述待测对象的种类信息。

9.根据权利要求5-8任一项所述的方法，其特征在于，所述追溯秤终端还包括显示模块，所述显示模块与所述信息处理模块电连接，所述方法还包括：

所述信息处理模块基于所述种类信息，获得所述待测对象的价格信息并将所述种类信息、所述价格信息、所述重量信息发送给所述显示模块；

所述显示模块显示所述种类信息、所述价格信息、所述重量信息。

10.一种追溯秤终端，其特征在于，包括称重模块、图像采集模块和信息处理模块，所述信息处理模块分别与所述称重模块、所述图像采集模块电连接；

所述称重模块，用于将获取到的待测对象的重量信息发送给所述信息处理模块；

所述信息处理模块，用于接收到所述重量信息后，向所述图像采集模块发送图像采集指令；

所述图像采集模块，用于基于所述图像采集指令，采集所述待测对象的初始图像及将所述初始图像发送给所述信息处理模块；

所述信息处理模块，用于对所述初始图像进行品类识别，获得所述待测对象的识别结果。