CN108182406A - 零售终端的物品陈列识别方法及系统 - Google Patents

零售终端的物品陈列识别方法及系统 Download PDF

Info

Publication number
CN108182406A
CN108182406A CN201711463337.6A CN201711463337A CN108182406A CN 108182406 A CN108182406 A CN 108182406A CN 201711463337 A CN201711463337 A CN 201711463337A CN 108182406 A CN108182406 A CN 108182406A
Authority
CN
China
Prior art keywords
retail terminal
display
target
video
obtains
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201711463337.6A
Other languages
English (en)
Inventor
仝西鲁
尚彦
郑云帆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Huihe Information Technology Co ltd
Original Assignee
Individual
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN201711463337.6A priority Critical patent/CN108182406A/zh
Publication of CN108182406A publication Critical patent/CN108182406A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/757—Matching configurations of points or features

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种零售终端的物品陈列识别方法及系统，该方法包括：获取零售终端内目标物品的陈列视频；对陈列视频进行切片，获取视频关键帧；对切片获得的图片进行预处理，获取目标图片；提取目标图片内表征目标物品的特征；根据图像样本内的样本特征对目标图片的特征进行识别，判断零售端陈列的目标物品是否合格；将识别结果推送至零售终端所在的智能设备上。

Description

零售终端的物品陈列识别方法及系统
技术领域
本发明涉及计算机领域，且特别涉及一种零售终端的物品陈列识别方法及系统。
背景技术
为提高客户对品牌的了解和认可，品牌商会对商品的零售终端(超市、便利店、小卖铺等)作地堆或陈列等活动考核，如考核零售终端对商品的摆放是否符合要求。
目前的考核方式为：将陈列柜上的商品进行拍照并上传，系统把图像作为一个整体来和样本图做匹配，以识别陈列是否满足考核要求。由于受图像背景干扰、拍摄光线及拍摄目标商品远近距离影响，这种考核方法识别率极低，必须需要人工再审核，浪费了大量的人力、物力。另一方面，这种采用静态图来进行考核识别的方法，存在图片更改或替换等弄虚作假的潜在问题。
发明内容
本发明为了克服现有陈列摆放考核方法中静态图片受干扰因素影响而识别率低的问题，提供一种识别率高的零售终端的物品陈列识别方法及系统。
为了实现上述目的，本发明提供一种零售终端的物品陈列识别方法，该方法包括：
获取零售终端处目标物品的陈列视频；
对陈列视频进行切片，获取视频关键帧；
对切片获得的图片进行预处理，获取目标图片；
提取目标图片内表征目标物品的目标特征；
根据图像样本内的样本特征对目标特征进行识别，判断零售端陈列的目标物品是否合格；
将识别结果推送至零售终端所在的智能设备上。
根据本发明的一实施例，零售终端的物品陈列识别方法还包括：
获取图像样本文件并对图像样本文件进行分类，形成至少两类图像集；
对形成的至少两类图像集进行深度学习，获得样本特征。
根据本发明的一实施例，在获取样本特征时，根据历史的匹配值大小进行逐步筛选，获得最强特征点，在进行识别时，将目标特征与最强特征点进行匹配。
根据本发明的一实施例，当识别结果显示目标图片与图像样本不匹配时，将目标图片纳入图像样本文件内并进行分类，更新图像样本文件。
根据本发明的一实施例，对切片获得的图片进行预处理，获取目标图片，这一步骤包括：
计算获取到的视频关键帧的梯度统计特征，根据梯度阈值选取满足要求的图片；
计算图片在灰度图上的均值和方差，根据均值阈值和方差阈值选取满足要求的图片；
将满足上述要求的图片统一分辨率。
根据本发明的一实施例，在视频切片时，预加载陈列视频，间隔一段时间识别视频关键帧，并获取关键帧的位置，进行切片保存。
另一方面，本发明还提供一种零售终端的物品陈列识别系统，该系统包括获取模块、切片模块、预处理模块、提取模块、识别模块以及推送模块。获取模块获取零售终端内目标物品的陈列视频。切片模块对陈列视频进行切片，获取视频关键帧。预处理模块对切片获得的图片进行预处理，获取目标图片。提取模块提取目标图片内表征目标物品的目标特征。识别模块根据图像样本内的样本特征对目标特征进行识别，判断零售端陈列的目标物品是否合格。推送模块将识别结果推送至零售终端所在的智能设备上。
根据本发明的一实施例，零售终端的物品陈列识别系统还包括分类模块和学习模块。分类模块获取图像样本文件并对图像样本文件进行分类，形成至少两类图像集。学习模块对形成的至少两类图像集进行深度学习，获得样本特征。
根据本发明的一实施例，零售终端的物品陈列识别系统还包括更新模块，当识别结果显示目标图片与图像样本不匹配时，将目标图片纳入图像样本文件内并进行分类，更新图像样本文件。
根据本发明的一实施例，获取模块包括位于智能设备上的摄像头和与该摄像头关联的APP，APP将摄像头获取的陈列视频推送至切片模块。
综上所述，本发明提供的零售终端的物品陈列识别方法及系统，通过获取目标物品的陈列视频来真实的反应陈列柜上目标物品的摆放方式。对视频进行切片并经过预处理后获得清晰的且保真度高的目标图片。对目标图片内表征目标物品的目标特征进行提取，将提取的目标特征与样本特征进行比对从而判断陈列方式是否合格。本发明提供的零售终端的物品陈列识别方法及系统采用特征比对的方式来自动识别陈列物品的摆放方式，有效解决了图像背景干扰、拍摄光线及拍摄目标商品远近等因素影响的干扰，快速且精准的识别是否满足考核要求。
此外，在进行预处理时通过计算图像的梯度统计特征来剔除失焦的模糊图片，通过灰度图上的均值和方差来去除过度曝光或曝光不足的图片，从而保留高清晰度的且无抖动的目标图片，保证了图片识别的准确度。为提高识别效率且避免图片大小对识别结果的干扰，在预处理时统一目标图片的分辨率。
为让本发明的上述和其它目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合附图，作详细说明如下。
附图说明
图1所示为本发明一实施例提供的零售终端的物品陈列识别方法的流程图。
图2所示为图1中步骤S30的流程图。
图3所示为本发明一实施例提供的零售终端的物品陈列识别系统的结构示意图。
具体实施方式
请参见图1，其示出了根据本发明一个实施例的零售终端的物品陈列识别方法的流程图。其基本过程为：获取零售终端处目标物品的陈列视频(步骤S10)。然后，对陈列视频进行切片，获取视频关键帧(步骤S20)。对切片获得的图片进行预处理，以获取目标图片(步骤S30)。提取目标图片内表征目标物品的目标特征(步骤S40)。根据图像样本内的样本特征对目标特征进行识别，判断零售端陈列的目标物品是否合格(步骤S50)；最后，将识别结果推送至零售终端所在的智能设备上(步骤S60)。以下进一步结合图1，对本实施例提供的零售终端的物品陈列识别方法进行详细的描述。
该方法始于步骤S10，该步骤为获取零售终端内目标物品的陈列视频。相比传统的静态图像比对考核方法，本实施例采用动态视频的方式来获取陈列柜内物品的摆放方式，动态的过程可真实的反应陈列的效果，有效避免了静态图对比考核中存在的修改或替换图片的问题，实现考核的真实有效性。
在步骤S10中陈列视频的获取一般是由智能设备上的摄像头对准陈列柜上的目标物品进行拍摄，形成陈列视频；之后应用程序(APP)将陈列视频推送至服务器上进行切片等后续处理。所述的应用程序可以为安装在智能设备上的独立的APP程序，也可以为嵌入在微信或QQ等社交APP内的关联程序。这里所指的智能设备可以是智能手机或平板电脑。
当获得陈列视频后，在步骤S20内对陈列视频进行切片，获得视频关键帧。具体而言，在视频切片时，预加载陈列视频，间隔一段时间(如1秒钟)识别视频关键帧，并获取该关键帧位置，进行切片保存。在实际的拍摄过程中，受拍摄抖动和光线等因素的影响，切片获得的视频关键帧中存在大量的失焦模糊、曝光过度或曝光不足的图片，故在切片完成后需要执行步骤S30，对对切片获得的图片进行预处理，获取目标图片。
具体而言，如图2所示，在进行图片的预处理时包括：
步骤S31、计算获取到的视频关键帧的梯度统计特征，根据梯度阈值选取满足要求的图片。通常失焦的图片主要表现就是画面模糊，本实施例采用梯度统计特征来衡量画面模糊的指标，梯度值越高，画面的边缘信息越丰富，图像越清晰。故当某一视频关键帧的梯度值小于梯度阈值时，将该视频关键帧剔除，去除因抖动而产生的失焦图片。
步骤S32、计算图片在灰度图上的均值和方差，根据均值阈值和方差阈值选取满足要求的图片。当图片存在亮度异常时，灰度图上的均值会偏离均值点，方差也会偏小，故通过均值阈值和方差阈值可剔除掉曝光不足或曝光过度的图片，解决因光线而产生的干扰。步骤S31和步骤S32不分先后顺序，最后可以通过排序筛选的方式综合考虑梯度阈值、均值阈值以及方差阈值来获得一个或多个目标图片。
最后，执行步骤S33、将满足上述要求的目标图片统一分辨率。统一分辨率可有效避免因图片大小差异而引起的识别不准确的问题，大大提高识别的准确率。
在获得目标图片后执行步骤S40，提取目标图片内表征目标物品的目标特征。如对于饮料产品而言，饮料瓶体的形状以及瓶体上的标签是该饮料产品的特征。
之后执行步骤S50、根据图像样本内的样本特征对目标特征进行识别，判断零售端陈列的目标物品摆放是否合格。在该步骤中识别的两个对象分别是目标特征和样本特征。一个准确的样本特征是识别的基础，故为获得准确的样本特征，于本实施例中，如图1所示，零售终端的物品陈列识别方法还包括：获取图像样本文件并对图像样本文件进行分类，形成至少两类图像集(步骤S70)。对形成的至少两类图像集进行深度学习，获得样本特征(步骤S80)。
具体而言，首先将多个图像样本进行分类，形成正样本集(符合要求的图片集)和负样本集(不符合要求的图片集)。然而，本发明对此不作任何限定。于其它实施例中，可将多个图像样本分为三个以上的类别。之后通过机器学习的方式来不断的学习这两个图片集，从而获得样本特征。于本实施例中，机器学习采用的是opencv中的机器学习法。然而，本发明对此不作任何限定。以饮料产品为例，拍摄各种场景下的图片，但是每个图片内均包含有饮料瓶的环形标签，机器通过深度学习后就可将环形标签上的图案作为样本特征。在步骤S50中，通过比对样本特征和目标特征来识别零售端陈列的目标物品是否合格。特征的比对可完全屏蔽目标图片内背景等因素的干扰，大大提高识别的准确度。
在识别的过程中，为进一步提高识别的效率，在获取样本特征时，根据历史的匹配值大小进行逐步筛选，获得最强特征点，在进行识别时，将目标特征与最强特征点进行匹配识别。识别完成后执行步骤S60，将识别的结果推送至零售终端所在的智能设备上。为不断的丰富图像样本文件以提高识别的准确度，于本实施例中，当识别结果显示目标图片与图像样本不匹配时，将目标图片纳入图像样本文件内并进行分类，更新图像样本文件(步骤S90)。
另一方面，本实施例还提供一种零售终端的物品陈列识别系统，该系统包括获取模块10、切片模块20、预处理模块30、提取模块40、识别模块50以及推送模块60。获取模块10获取零售终端处目标物品的陈列视频。切片模块20对陈列视频进行切片，获取视频关键帧。预处理模块30对切片获得的图片进行预处理，获取目标图片。提取模块40提取目标图片内表征目标物品的目标特征。识别模块50根据图像样本内的样本特征对目标特征进行识别，判断零售端陈列的目标物品是否合格。推送模块60将识别结果推送至零售终端所在的智能设备上。
于本实施例中，获取模块10包括位于智能设备上的摄像头和与该摄像头关联的APP，APP将摄像头获取的陈列视频推送至切片模块20。进一步的，与本实施例中，零售终端的物品陈列识别系统还包括分类模块70、学习模块80以及更新模块90。分类模块70获取图像样本文件并对图像样本文件进行分类，形成至少两类图像集。学习模块80对形成的至少两类图像集进行深度学习，获得样本特征。当识别结果显示目标图片与图像样本不匹配时，更新模块90将目标图片纳入图像样本文件内并进行分类，不断地更新图像样本文件，从而逐渐的提高识别准确度。
随着图像样本文件的不断更新，图像样本文件内的图片数量越来越多，为提高图片的识别速度，于本实施例中，更新模块90和图像样本文件存储独立于其它模块，更新模块90实时获取识别模块50的识别效果并进进行分析后纳入图像样本文件内。分类模块70调取图像样本文件内的文件并进行分类以供学习模块进行深度学习。
本实施例提供的零售终端的物品陈列识别系统的工作原理如本实施例提供的零售终端的物品陈列识别方法中步骤S10至步骤S90所述，在此不作赘述。
综上所述，本发明提供的零售终端的物品陈列识别方法及系统，通过获取目标物品的陈列视频来真实的反应陈列柜上目标物品的摆放方式。对视频进行切片并经过预处理后获得清晰的且保真度高的目标图片。对目标图片内表征目标物品的目标特征进行提取，将提取的目标特征与样本特征进行比对从而判断陈列方式是否合格。本发明提供的零售终端的物品陈列识别方法及系统采用特征比对的方式来自动识别陈列物品的摆放方式，有效解决了图像背景干扰、拍摄光线及拍摄目标商品远近等因素影响的干扰，快速且精准的识别是否满足考核要求。
此外，在进行预处理时通过计算图像的梯度统计特征来剔除失焦的模糊图片，通过灰度图上的均值和方差来去除过度曝光或曝光不足的图片，从而保留高清晰度的且无抖动的目标图片，保证了图片识别的准确度。为提高识别效率且避免图片大小对识别结果的干扰，在预处理时统一目标图片的分辨率。
虽然本发明已由较佳实施例揭露如上，然而并非用以限定本发明，任何熟知此技艺者，在不脱离本发明的精神和范围内，可作些许的更动与润饰，因此本发明的保护范围当视权利要求书所要求保护的范围为准。

Claims (10)

1.一种零售终端的物品陈列识别方法，其特征在于，包括：
获取零售终端处目标物品的陈列视频；
对陈列视频进行切片，获取视频关键帧；
对切片获得的图片进行预处理，获取目标图片；
提取目标图片内表征目标物品的目标特征；
根据图像样本内的样本特征对目标特征进行识别，判断零售端陈列的目标物品是否合格；
将识别结果推送至零售终端所在的智能设备上。
2.根据权利要求1所述的零售终端的物品陈列识别方法，其特征在于，所述零售终端的物品陈列识别方法还包括：
获取图像样本文件并对图像样本文件进行分类，形成至少两类图像集；
对形成的至少两类图像集进行深度学习，获得样本特征。
3.根据权利要求2所述的零售终端的物品陈列识别方法，其特征在于，在获取样本特征时，根据历史的匹配值大小进行逐步筛选，获得最强特征点，在进行识别时，将目标特征与最强特征点进行匹配。
4.根据权利要求2所述的零售终端的物品陈列识别方法，其特征在于，当识别结果显示目标图片与图像样本不匹配时，将目标图片纳入图像样本文件内并进行分类，更新图像样本文件。
5.根据权利要求1所述的零售终端的物品陈列识别方法，其特征在于，对切片获得的图片进行预处理，获取目标图片，这一步骤包括：
计算获取到的视频关键帧的梯度统计特征，根据梯度阈值选取满足要求的图片；
计算图片在灰度图上的均值和方差，根据均值阈值和方差阈值选取满足要求的图片；
将满足上述要求的图片统一分辨率。
6.根据权利要求1所述的零售终端的物品陈列识别方法，其特征在于，在视频切片时，预加载陈列视频，间隔一段时间识别视频关键帧，并获取关键帧的位置，进行切片保存。
7.一种零售终端的物品陈列识别系统，其特征在于，包括：
获取模块，获取零售终端处目标物品的陈列视频；
切片模块，对陈列视频进行切片，获取视频关键帧；
预处理模块，对切片获得的图片进行预处理，获取目标图片；
提取模块，提取目标图片内表征目标物品的目标特征；
识别模块，根据图像样本内的样本特征对目标特征进行识别，判断零售端陈列的目标物品是否合格；
推送模块，将识别结果推送至零售终端所在的智能设备上。
8.根据权利要求7所述的零售终端的物品陈列识别系统，其特征在于，零售终端的物品陈列识别系统还包括：
分类模块，获取图像样本文件并对图像样本文件进行分类，形成至少两类图像集；
学习模块，对形成的至少两类图像集进行深度学习，获得样本特征。
9.根据权利要求8所述的零售终端的物品陈列识别系统，其特征在于，所述零售终端的物品陈列识别系统还包括更新模块，当识别结果显示目标图片与图像样本不匹配时，将目标图片纳入图像样本文件内并进行分类，更新图像样本文件。
10.根据权利要求8所述的零售终端的物品陈列识别系统，其特征在于，所述获取模块包括位于智能设备上的摄像头和与该摄像头关联的APP，APP将摄像头获取的陈列视频推送至切片模块。
CN201711463337.6A 2017-12-28 2017-12-28 零售终端的物品陈列识别方法及系统 Pending CN108182406A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711463337.6A CN108182406A (zh) 2017-12-28 2017-12-28 零售终端的物品陈列识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711463337.6A CN108182406A (zh) 2017-12-28 2017-12-28 零售终端的物品陈列识别方法及系统

Publications (1)

Publication Number Publication Date
CN108182406A true CN108182406A (zh) 2018-06-19

Family

ID=62548578

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711463337.6A Pending CN108182406A (zh) 2017-12-28 2017-12-28 零售终端的物品陈列识别方法及系统

Country Status (1)

Country Link
CN (1) CN108182406A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111027894A (zh) * 2020-01-10 2020-04-17 秒针信息技术有限公司 基于知识图谱的冷库贮藏物品品质评估方法及装置
CN111860462A (zh) * 2020-08-07 2020-10-30 多点(深圳)数字科技有限公司 货架陈列反馈方法和装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102930264A (zh) * 2012-09-29 2013-02-13 李炳华 基于图像识别技术的商品陈列信息采集分析系统及方法
CN102982332A (zh) * 2012-09-29 2013-03-20 顾坚敏 基于云处理方式的零售终端货架影像智能分析系统
EP2613256A2 (en) * 2012-01-07 2013-07-10 Tata Consultancy Services Limited Retail peripherals management system
CN107292248A (zh) * 2017-06-05 2017-10-24 广州诚予国际市场信息研究有限公司 一种基于图像识别技术的商品管理方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2613256A2 (en) * 2012-01-07 2013-07-10 Tata Consultancy Services Limited Retail peripherals management system
CN102930264A (zh) * 2012-09-29 2013-02-13 李炳华 基于图像识别技术的商品陈列信息采集分析系统及方法
CN102982332A (zh) * 2012-09-29 2013-03-20 顾坚敏 基于云处理方式的零售终端货架影像智能分析系统
CN107292248A (zh) * 2017-06-05 2017-10-24 广州诚予国际市场信息研究有限公司 一种基于图像识别技术的商品管理方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111027894A (zh) * 2020-01-10 2020-04-17 秒针信息技术有限公司 基于知识图谱的冷库贮藏物品品质评估方法及装置
CN111860462A (zh) * 2020-08-07 2020-10-30 多点(深圳)数字科技有限公司 货架陈列反馈方法和装置
CN111860462B (zh) * 2020-08-07 2024-02-20 多点(深圳)数字科技有限公司 货架陈列反馈方法和装置

Similar Documents

Publication Publication Date Title
CN108288027B (zh) 一种图像质量的检测方法、装置及设备
WO2021042682A1 (zh) 变电站异物识别方法、装置、系统、电子设备和存储介质
CN107688808B (zh) 一种快速的自然场景文本检测方法
Kumar et al. Leafsnap: A computer vision system for automatic plant species identification
Huang et al. Real-time classification of green coffee beans by using a convolutional neural network
CN114387520B (zh) 一种用于机器人采摘的密集李子精准检测方法及其系统
CN109447169A (zh) 图像处理方法及其模型的训练方法、装置和电子系统
CN111160434B (zh) 目标检测模型的训练方法、装置及计算机可读存储介质
CN110222582B (zh) 一种图像处理方法和相机
CN113313692B (zh) 一种基于航拍可见光图像的香蕉幼株自动识别与计数方法
CN110967339A (zh) 一种玉米果穗性状分析的方法及装置、玉米性状分析设备
CN111784675A (zh) 物品纹理信息处理的方法、装置、存储介质及电子设备
CN110827312A (zh) 一种基于协同视觉注意力神经网络的学习方法
CN106529520A (zh) 基于运动员号码识别的马拉松比赛照片管理方法
CN109977899A (zh) 一种物品识别的训练、推理以及增加新种类的方法和系统
CN105678301B (zh) 一种自动识别并分割文本图像的方法、系统及装置
CN114511820A (zh) 货架商品检测方法、装置、计算机设备及存储介质
CN110119739B (zh) 一种冰晶图片的自动分类方法
CN110705620A (zh) 一种基于翻拍识别的陈列图像检测方法、装置及存储介质
CN108182406A (zh) 零售终端的物品陈列识别方法及系统
CN108876776A (zh) 一种分类模型生成方法、眼底图像分类方法及装置
CN110929788A (zh) 食材识别方法、装置、存储介质及电子设备
CN110222569A (zh) 对象检测方法、装置、电子设备及可读存储介质
CN116580026B (zh) 精密零部件外观缺陷自动光学检测方法、设备及存储介质
CN113469135A (zh) 对象身份信息的确定方法、装置、存储介质及电子装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20210210

Address after: Room 401-4, building 4, Zijin Qizhen building, 859 Shixiang West Road, Sandun Town, Xihu District, Hangzhou, Zhejiang 310000

Applicant after: HANGZHOU HUIHE INFORMATION TECHNOLOGY Co.,Ltd.

Address before: Room 401-4, building 4, Zijin Qizhen building, 859 Shixiang West Road, Sandun Town, Xihu District, Hangzhou, Zhejiang 310000

Applicant before: Tong Xi Lu

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180619