CN108224895A - 基于深度学习的物品信息录入方法、装置、冰箱和介质 - Google Patents
基于深度学习的物品信息录入方法、装置、冰箱和介质 Download PDFInfo
- Publication number
- CN108224895A CN108224895A CN201810026397.XA CN201810026397A CN108224895A CN 108224895 A CN108224895 A CN 108224895A CN 201810026397 A CN201810026397 A CN 201810026397A CN 108224895 A CN108224895 A CN 108224895A
- Authority
- CN
- China
- Prior art keywords
- information
- article
- deep learning
- image informations
- images
- 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.)
- Granted
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000003709 image segmentation Methods 0.000 claims abstract description 27
- 238000009877 rendering Methods 0.000 claims description 84
- 230000006870 function Effects 0.000 claims description 43
- 238000003860 storage Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 8
- 239000012141 concentrate Substances 0.000 claims description 2
- 238000003475 lamination Methods 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 description 8
- 230000000306 recurrent effect Effects 0.000 description 8
- 230000009467 reduction Effects 0.000 description 8
- 230000011218 segmentation Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000006116 polymerization reaction Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004806 packaging method and process Methods 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
- F25D29/00—Arrangement or mounting of control or safety devices
- F25D29/003—Arrangement or mounting of control or safety devices for movable devices
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
- F25D29/00—Arrangement or mounting of control or safety devices
- F25D29/005—Mounting of control devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Thermal Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于深度学习的物品信息录入方法、装置、冰箱和介质，方法包括：采集3D图像信息；根据3D图像信息和预先训练好的物品图像分割模型，创建指定物品的3D空间立体坐标信息；根据3D空间立体坐标信息，确定指定物品的录入信息，录入信息包括体积信息和/或重量信息。通过本发明的技术方案，根据3D图像信息和预先训练好的物品图像分割模型来创建指定物品的3D空间立体坐标信息，进而实现指定物品体积信息和/或重量信息的确定，物品信息录入更加智能化和自动化，而且准确性和实时性较高，可以适用于复杂场景。
Description
技术领域
本发明涉及智能冰箱技术领域，具体而言，涉及一种基于深度学习的物品信息录入方法、一种基于深度学习的物品信息录入装置、一种冰箱和一种计算机可读存储介质。
背景技术
随着信息化技术的发展，冰箱不仅仅承载了储存食材的功能，也逐渐朝着智能家居，为用户提供更多智能化服务的方向发展，而物品信息录入及管理已经成为冰箱智能化的核心功能。
相关技术中，一般通过物品包装上的体积与重量等相关信息进行人工录入或者通过刻度尺与称来测量后进行人工录入或者拍摄物品包装上的图片解析出包装上的体积与重量进行录入，存在以下技术缺陷：
(1)人工录入相对比较繁琐，既浪费时间，由浪费精力，智能化水平较差。
(2)拍摄解析物品包装进行录入，难以应用于复杂的场景，而且准确率较低。
发明内容
本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。
为此，本发明的一个目的在于提供一种基于深度学习的物品信息录入方法。
本发明的另一个目的在于提供一种基于深度学习的物品信息录入装置。
本发明的再一个目的在于提供一种冰箱。
本发明的又一个目的在于提供一种计算机可读存储介质。
为了实现上述目的，本发明的第一方面的技术方案提供了一种基于深度学习的物品信息录入方法，包括：采集3D图像信息；根据3D图像信息和预先训练好的物品图像分割模型，创建指定物品的3D空间立体坐标信息；根据3D空间立体坐标信息，确定指定物品的录入信息，录入信息包括体积信息和/或重量信息。
在该技术方案中，通过采集3D图像信息为物品信息录入提供了数据依据，通过根据3D图像信息和预先训练好的物品图像分割模型，创建指定物品的3D空间立体坐标信息，有利于实现指定物品的录入信息的确定，而且准确率较高，可适用于复杂场景，通过根据3D空间立体坐标信息，确定指定物品的录入信息，录入信息包括体积信息和/或重量信息，实现了指定物品的录入信息的自动确定和录入，而且具有较高的实时性和准确性。
在上述技术方案中，优选地，根据3D图像信息和预先训练好的物品图像分割模型，创建指定物品的3D空间立体坐标信息，包括：转换3D图像信息为对应的多个2D图像信息；输入多个2D图像信息至物品图像分割模型中，并确定多个2D图像信息对应的指定物品的坐标位置信息；根据3D图像信息对应的三维角度，正交结合坐标位置信息，创建指定物品的3D空间立体坐标信息。
在该技术方案中，通过转换3D图像信息为对应的多个2D图像信息，有利于物品图像分割模型的识别，通过输入多个2D图像信息至物品图像分割模型中，并确定多个2D图像信息对应的指定物品的坐标位置信息，有利于实现指定物品的3D空间立体坐标信息的确定，通过根据3D图像信息对应的三维角度，正交结合坐标位置信息，创建指定物品的3D空间立体坐标信息，指定物品的3D空间立体坐标信息更加准确，进一步有利于提升指定物品的录入信息的确定准确性。
需要说明的是，3D图像信息即三维立体图像信息，2D图像信息即二维平面图像信息，三维立体图像可以由某一点的冠状面、矢状面和横断面的三个二维平面图像组合在一起，作为RGB色彩模式，也即红绿蓝色彩模式的三个通道，从而与二维彩色平面图像兼容，其中，冠状面，是指通过铅垂轴与横轴的平面及与其平行的所有平面，这些平面将物品分成前后两个部分；矢状面，是将物品分成左右两部门的面，可以左右对等，也可以左右不对等；横断面，是从垂直于物品的轴心线的方向切断物品后所露出的表面，将物品分成上下两部分，可以上下对等，也可以上下不对等。
在上述任一项技术方案中，优选地，根据3D空间立体坐标信息，确定指定物品的录入信息，包括：根据3D空间立体坐标信息，计算指定物品的体积信息；根据体积信息和指定物品对应的预设密度信息，计算指定物品的重量信息。
在该技术方案中，通过根据3D空间立体坐标信息，计算指定物品的体积信息，实现了指定物品的体积信息的确定，有利于实时录入更加准确的体积信息，通过根据体积信息和指定物品对应的预设密度信息，计算指定物品的重量信息，实现了指定物品的重量信息的确定，有利于实时录入更加准确的重量信息，进而有利于实现智能化的物品管理。
在上述任一项技术方案中，优选地，还包括：预先采集构建多种物品的3D图像信息集，并转换为对应的2D图像信息集；对应标记2D图像信息集中的每一2D图像信息的坐标位置信息；基于深度学习，以2D图像信息集中的每一2D图像信息为输入样本，依次经卷积层操作、池化层操作、全连接层操作，输出结果信息；根据结果信息和输入样本的标记信息，计算损失函数值；根据损失函数值，更新卷积层操作、池化层操作、全连接层操作的对应参数，以训练构建物品图像分割模型；判断损失函数值的绝对值是否小于预设阈值；若判定损失函数值的绝对值大于或等于预设阈值，则继续以2D图像信息集中的每一2D图像信息为输入样本，训练构建物品图像分割模型；若判定损失函数值小于预设阈值，则存储训练好的物品图像分割模型。
在该技术方案中，通过预先采集构建多种物品的3D图像信息集，并转换为对应的2D图像信息集，之后对应标记2D图像信息集中的每一2D图像信息的坐标位置信息，为物品图像分割模型的预先训练构建提供了数据依据，通过基于深度学习，以2D图像信息集中的每一2D图像信息为输入样本，依次经卷积层操作、池化层操作、全连接层操作，输出结果信息，之后根据结果信息和输入样本的标记信息，计算损失函数值，有利于根据损失函数值确定物品图像分割模型是否已经训练构建达到要求，通过根据损失函数值，更新卷积层操作、池化层操作、全连接层操作的对应参数，以训练构建物品图像分割模型，实现了物品图像分割模型的逐渐训练构建完善，使得训练出来的物品图像分割模型更贴合实际，确定出来的坐标位置信息更加准确，有利于创建更加准确的3D空间立体坐标信息，通过判断损失函数值的绝对值是否小于预设阈值，并在判定损失函数值的绝对值大于或等于预设阈值时，继续以2D图像信息集中的每一2D图像信息为输入样本，训练构建物品图像分割模型，在判定损失函数值小于预设阈值，则存储训练好的物品图像分割模型，一方面，有利于提升物品图像分割模型的训练有效性，另一方面，使得训练出来的物品图像分割模型更贴合实际，准确性更高。
需要说明的是，深度学习可以是卷积神经网络深度学习，也可以是递归神经网络深度学习，还可以是循环神经网络深度学习。
还需要说明的是，卷积层操作是指采用指定卷积核对2D图像信息进行卷积运算，增加偏置，特征提取，得到特征图像信息，可以实现2D图像信息的降维；池化层操作是指利用空间相关性，池化降采样聚合，降低特征图像信息的冗余度；全连接层操作是指综合特征图像信息得到特征向量。
还需要说明的是，第二预设阈值为接近于0的数值，比如0.001。
在上述任一项技术方案中，优选地，还包括：基于深度学习，按照预设周期，以物品信息录入过程中采集的3D图像信息对应的2D图像信息为样本，训练更新物品图像分割模型。
在该技术方案中，通过基于深度学习，按照预设周期，以物品信息录入过程中采集的3D图像信息对应的2D图像信息为样本，训练更新物品图像分割模型，实现了物品图像分割模型的监督学习优化，有利于提升物品图像分割模型的适用范围，也有利于提升物品图像分割模型的准确性。
需要说明的是，可以以坐标位置信息确定错误的2D图像信息为训练更新物品图像分割模型的样本，提升准确性，还可以以识别失败的2D图像信息，并增加同类更多的3D图像信息转换为2D图像信息作为训练更新物品图像分割模型的样本，提升适用范围。
本发明的第二方面的技术方案提出了一种基于深度学习的物品信息录入装置，包括：采集单元，用于采集3D图像信息；创建单元，用于根据3D图像信息和预先训练好的物品图像分割模型，创建指定物品的3D空间立体坐标信息；确定单元，用于根据3D空间立体坐标信息，确定指定物品的录入信息，录入信息包括体积信息和/或重量信息。
在该技术方案中，通过采集3D图像信息为物品信息录入提供了数据依据，通过根据3D图像信息和预先训练好的物品图像分割模型，创建指定物品的3D空间立体坐标信息，有利于实现指定物品的录入信息的确定，而且准确率较高，可适用于复杂场景，通过根据3D空间立体坐标信息，确定指定物品的录入信息，录入信息包括体积信息和/或重量信息，实现了指定物品的录入信息的自动确定和录入，而且具有较高的实时性和准确性。
在上述技术方案中，优选地，还包括：转换单元，用于转换3D图像信息为对应的多个2D图像信息；确定单元还用于：输入多个2D图像信息至物品图像分割模型中，并确定多个2D图像信息对应的指定物品的坐标位置信息；创建单元还用于：根据3D图像信息对应的三维角度，正交结合坐标位置信息，创建指定物品的3D空间立体坐标信息。
在该技术方案中，通过转换3D图像信息为对应的多个2D图像信息，有利于物品图像分割模型的识别，通过输入多个2D图像信息至物品图像分割模型中，并确定多个2D图像信息对应的指定物品的坐标位置信息，有利于实现指定物品的3D空间立体坐标信息的确定，通过根据3D图像信息对应的三维角度，正交结合坐标位置信息，创建指定物品的3D空间立体坐标信息，指定物品的3D空间立体坐标信息更加准确，进一步有利于提升指定物品的录入信息的确定准确性。
需要说明的是，3D图像信息即三维立体图像信息，2D图像信息即二维平面图像信息，三维立体图像可以由某一点的冠状面、矢状面和横断面的三个二维平面图像组合在一起，作为RGB色彩模式，也即红绿蓝色彩模式的三个通道，从而与二维彩色平面图像兼容，其中，冠状面，是指通过铅垂轴与横轴的平面及与其平行的所有平面，这些平面将物品分成前后两个部分；矢状面，是将物品分成左右两部门的面，可以左右对等，也可以左右不对等；横断面，是从垂直于物品的轴心线的方向切断物品后所露出的表面，将物品分成上下两部分，可以上下对等，也可以上下不对等。
在上一项技术方案中，优选地，还包括：计算单元，用于根据3D空间立体坐标信息，计算指定物品的体积信息；计算单元还用于：根据体积信息和指定物品对应的预设密度信息，计算指定物品的重量信息。
在该技术方案中，通过根据3D空间立体坐标信息，计算指定物品的体积信息，实现了指定物品的体积信息的确定，有利于实时录入更加准确的体积信息，通过根据体积信息和指定物品对应的预设密度信息，计算指定物品的重量信息，实现了指定物品的重量信息的确定，有利于实时录入更加准确的重量信息，进而有利于实现智能化的物品管理。
在上一项技术方案中，优选地，还包括：采集构建单元，用于预先采集构建多种物品的3D图像信息集，并转换为对应的2D图像信息集；标记单元，用于对应标记2D图像信息集中的每一2D图像信息的坐标位置信息；输出单元，用于基于深度学习，以2D图像信息集中的每一2D图像信息为输入样本，依次经卷积层操作、池化层操作、全连接层操作，输出结果信息；计算单元还用于：根据结果信息和输入样本的标记信息，计算损失函数值；训练构建单元，用于根据损失函数值，更新卷积层操作、池化层操作、全连接层操作的对应参数，以训练构建物品图像分割模型；判断单元，用于判断损失函数值的绝对值是否小于预设阈值；训练构建单元还用于：若判定损失函数值的绝对值大于或等于预设阈值，则继续以2D图像信息集中的每一2D图像信息为输入样本，训练构建物品图像分割模型；存储单元，用于若判定损失函数值小于预设阈值，则存储训练好的物品图像分割模型。
在该技术方案中，通过预先采集构建多种物品的3D图像信息集，并转换为对应的2D图像信息集，之后对应标记2D图像信息集中的每一2D图像信息的坐标位置信息，为物品图像分割模型的预先训练构建提供了数据依据，通过基于深度学习，以2D图像信息集中的每一2D图像信息为输入样本，依次经卷积层操作、池化层操作、全连接层操作，输出结果信息，之后根据结果信息和输入样本的标记信息，计算损失函数值，有利于根据损失函数值确定物品图像分割模型是否已经训练构建达到要求，通过根据损失函数值，更新卷积层操作、池化层操作、全连接层操作的对应参数，以训练构建物品图像分割模型，实现了物品图像分割模型的逐渐训练构建完善，使得训练出来的物品图像分割模型更贴合实际，确定出来的坐标位置信息更加准确，有利于创建更加准确的3D空间立体坐标信息，通过判断损失函数值的绝对值是否小于预设阈值，并在判定损失函数值的绝对值大于或等于预设阈值时，继续以2D图像信息集中的每一2D图像信息为输入样本，训练构建物品图像分割模型，在判定损失函数值小于预设阈值，则存储训练好的物品图像分割模型，一方面，有利于提升物品图像分割模型的训练有效性，另一方面，使得训练出来的物品图像分割模型更贴合实际，准确性更高。
需要说明的是，深度学习可以是卷积神经网络深度学习，也可以是递归神经网络深度学习，还可以是循环神经网络深度学习。
还需要说明的是，卷积层操作是指采用指定卷积核对2D图像信息进行卷积运算，增加偏置，特征提取，得到特征图像信息，可以实现2D图像信息的降维；池化层操作是指利用空间相关性，池化降采样聚合，降低特征图像信息的冗余度；全连接层操作是指综合特征图像信息得到特征向量。
还需要说明的是，第二预设阈值为接近于0的数值，比如0.001。
在上一项技术方案中，优选地，还包括：训练更新单元，用于基于深度学习，按照预设周期，以物品信息录入过程中采集的3D图像信息对应的2D图像信息为样本，训练更新物品图像分割模型。
在该技术方案中，通过基于深度学习，按照预设周期，以物品信息录入过程中采集的3D图像信息对应的2D图像信息为样本，训练更新物品图像分割模型，实现了物品图像分割模型的监督学习优化，有利于提升物品图像分割模型的适用范围，也有利于提升物品图像分割模型的准确性。
需要说明的是，可以以坐标位置信息确定错误的2D图像信息为训练更新物品图像分割模型的样本，提升准确性，还可以以识别失败的2D图像信息，并增加同类更多的3D图像信息转换为2D图像信息作为训练更新物品图像分割模型的样本，提升适用范围。
本发明的第三方面的技术方案提出了一种冰箱，冰箱包括上述本发明的第二方面的技术方案提出的任一项的基于深度学习的物品信息录入装置；图像采集器，设于冰箱内，与物品信息录入装置相连，用于在物品信息录入装置的控制下采集3D图像信息。
在该技术方案中，冰箱包括上述本发明的第二方面的技术方案提出的任一项的基于深度学习的物品信息录入装置，因此具有上述本发明的第二方面的技术方案提出的任一项的基于深度学习的物品信息录入装置的全部有益效果，在此不再赘述，通过设于冰箱内且与物品信息录入装置相连的图像采集器可以在物品信息录入装置的控制下采集3D图像信息，有利于采集到较准确的3D图像信息，进而有利于提升物品信息录入的准确性。
本发明的第四方面的技术方案提出了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现本发明的第一方面的技术方案提出的任一项的基于深度学习的物品信息录入方法的步骤。
在该技术方案中，计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现本发明的第一方面的技术方案提出的任一项的基于深度学习的物品信息录入方法的步骤，因此具有上述本发明的第一方面的技术方案提出的任一项的基于深度学习的物品信息录入方法的全部有益效果，在此不再赘述。
通过以上技术方案，基于深度学习预先训练物品图像分割模型，然后实时采集3D图像信息，根据3D图像信息和预先训练好的物品图像分割模型来创建指定物品的3D空间立体坐标信息，进而实现指定物品体积信息和/或重量信息的确定，物品信息录入更加智能化和自动化，而且准确性和实时性较高，可以适用于复杂场景。
本发明的附加方面和优点将在下面的描述部分中给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1示出了根据本发明的一个实施例的基于深度学习的物品信息录入方法的示意流程图；
图2示出了根据本发明的一个实施例的基于深度学习的物品信息录入装置的示意框图；
图3示出了根据本发明的一个实施例的冰箱的示意框图；
图4示出了根据本发明的另一个实施例的基于深度学习的物品信息录入方法的示意流程图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了根据本发明的一个实施例的基于深度学习的物品信息录入方法的示意流程图。
如图1所示，根据本发明的实施例的基于深度学习的物品信息录入方法，包括：
S102，采集3D图像信息；
S104，根据3D图像信息和预先训练好的物品图像分割模型，创建指定物品的3D空间立体坐标信息；
S106，根据3D空间立体坐标信息，确定指定物品的录入信息，录入信息包括体积信息和/或重量信息。
在该实施例中，通过采集3D图像信息为物品信息录入提供了数据依据，通过根据3D图像信息和预先训练好的物品图像分割模型，创建指定物品的3D空间立体坐标信息，有利于实现指定物品的录入信息的确定，而且准确率较高，可适用于复杂场景，通过根据3D空间立体坐标信息，确定指定物品的录入信息，录入信息包括体积信息和/或重量信息，实现了指定物品的录入信息的自动确定和录入，而且具有较高的实时性和准确性。
在上述实施例中，优选地，根据3D图像信息和预先训练好的物品图像分割模型，创建指定物品的3D空间立体坐标信息，包括：转换3D图像信息为对应的多个2D图像信息；输入多个2D图像信息至物品图像分割模型中，并确定多个2D图像信息对应的指定物品的坐标位置信息；根据3D图像信息对应的三维角度，正交结合坐标位置信息，创建指定物品的3D空间立体坐标信息。
在该实施例中，通过转换3D图像信息为对应的多个2D图像信息，有利于物品图像分割模型的识别，通过输入多个2D图像信息至物品图像分割模型中，并确定多个2D图像信息对应的指定物品的坐标位置信息，有利于实现指定物品的3D空间立体坐标信息的确定，通过根据3D图像信息对应的三维角度，正交结合坐标位置信息，创建指定物品的3D空间立体坐标信息，指定物品的3D空间立体坐标信息更加准确，进一步有利于提升指定物品的录入信息的确定准确性。
需要说明的是，3D图像信息即三维立体图像信息，2D图像信息即二维平面图像信息，三维立体图像可以由某一点的冠状面、矢状面和横断面的三个二维平面图像组合在一起，作为RGB色彩模式，也即红绿蓝色彩模式的三个通道，从而与二维彩色平面图像兼容，其中，冠状面，是指通过铅垂轴与横轴的平面及与其平行的所有平面，这些平面将物品分成前后两个部分；矢状面，是将物品分成左右两部门的面，可以左右对等，也可以左右不对等；横断面，是从垂直于物品的轴心线的方向切断物品后所露出的表面，将物品分成上下两部分，可以上下对等，也可以上下不对等。
在上述任一项实施例中，优选地，根据3D空间立体坐标信息，确定指定物品的录入信息，包括：根据3D空间立体坐标信息，计算指定物品的体积信息；根据体积信息和指定物品对应的预设密度信息，计算指定物品的重量信息。
在该实施例中，通过根据3D空间立体坐标信息，计算指定物品的体积信息，实现了指定物品的体积信息的确定，有利于实时录入更加准确的体积信息，通过根据体积信息和指定物品对应的预设密度信息，计算指定物品的重量信息，实现了指定物品的重量信息的确定，有利于实时录入更加准确的重量信息，进而有利于实现智能化的物品管理。
在上述任一项实施例中，优选地，还包括：预先采集构建多种物品的3D图像信息集，并转换为对应的2D图像信息集；对应标记2D图像信息集中的每一2D图像信息的坐标位置信息；基于深度学习，以2D图像信息集中的每一2D图像信息为输入样本，依次经卷积层操作、池化层操作、全连接层操作，输出结果信息；根据结果信息和输入样本的标记信息，计算损失函数值；根据损失函数值，更新卷积层操作、池化层操作、全连接层操作的对应参数，以训练构建物品图像分割模型；判断损失函数值的绝对值是否小于预设阈值；若判定损失函数值的绝对值大于或等于预设阈值，则继续以2D图像信息集中的每一2D图像信息为输入样本，训练构建物品图像分割模型；若判定损失函数值小于预设阈值，则存储训练好的物品图像分割模型。
在该实施例中，通过预先采集构建多种物品的3D图像信息集，并转换为对应的2D图像信息集，之后对应标记2D图像信息集中的每一2D图像信息的坐标位置信息，为物品图像分割模型的预先训练构建提供了数据依据，通过基于深度学习，以2D图像信息集中的每一2D图像信息为输入样本，依次经卷积层操作、池化层操作、全连接层操作，输出结果信息，之后根据结果信息和输入样本的标记信息，计算损失函数值，有利于根据损失函数值确定物品图像分割模型是否已经训练构建达到要求，通过根据损失函数值，更新卷积层操作、池化层操作、全连接层操作的对应参数，以训练构建物品图像分割模型，实现了物品图像分割模型的逐渐训练构建完善，使得训练出来的物品图像分割模型更贴合实际，确定出来的坐标位置信息更加准确，有利于创建更加准确的3D空间立体坐标信息，通过判断损失函数值的绝对值是否小于预设阈值，并在判定损失函数值的绝对值大于或等于预设阈值时，继续以2D图像信息集中的每一2D图像信息为输入样本，训练构建物品图像分割模型，在判定损失函数值小于预设阈值，则存储训练好的物品图像分割模型，一方面，有利于提升物品图像分割模型的训练有效性，另一方面，使得训练出来的物品图像分割模型更贴合实际，准确性更高。
需要说明的是，深度学习可以是卷积神经网络深度学习，也可以是递归神经网络深度学习，还可以是循环神经网络深度学习。
还需要说明的是，卷积层操作是指采用指定卷积核对2D图像信息进行卷积运算，增加偏置，特征提取，得到特征图像信息，可以实现2D图像信息的降维；池化层操作是指利用空间相关性，池化降采样聚合，降低特征图像信息的冗余度；全连接层操作是指综合特征图像信息得到特征向量。
还需要说明的是，第二预设阈值为接近于0的数值，比如0.001。
在上述任一项实施例中，优选地，还包括：基于深度学习，按照预设周期，以物品信息录入过程中采集的3D图像信息对应的2D图像信息为样本，训练更新物品图像分割模型。
在该实施例中，通过基于深度学习，按照预设周期，以物品信息录入过程中采集的3D图像信息对应的2D图像信息为样本，训练更新物品图像分割模型，实现了物品图像分割模型的监督学习优化，有利于提升物品图像分割模型的适用范围，也有利于提升物品图像分割模型的准确性。
需要说明的是，可以以坐标位置信息确定错误的2D图像信息为训练更新物品图像分割模型的样本，提升准确性，还可以以识别失败的2D图像信息，并增加同类更多的3D图像信息转换为2D图像信息作为训练更新物品图像分割模型的样本，提升适用范围。
图2示出了根据本发明的一个实施例的基于深度学习的物品信息录入装置200的示意框图。
如图2所示，根据本发明的实施例的基于深度学习的物品信息录入装置200，包括：采集单元202，用于采集3D图像信息；创建单元204，用于根据3D图像信息和预先训练好的物品图像分割模型，创建指定物品的3D空间立体坐标信息；确定单元206，用于根据3D空间立体坐标信息，确定指定物品的录入信息，录入信息包括体积信息和/或重量信息。
在该实施例中，通过采集3D图像信息为物品信息录入提供了数据依据，通过根据3D图像信息和预先训练好的物品图像分割模型，创建指定物品的3D空间立体坐标信息，有利于实现指定物品的录入信息的确定，而且准确率较高，可适用于复杂场景，通过根据3D空间立体坐标信息，确定指定物品的录入信息，录入信息包括体积信息和/或重量信息，实现了指定物品的录入信息的自动确定和录入，而且具有较高的实时性和准确性。
在上述实施例中，优选地，还包括：转换单元208，用于转换3D图像信息为对应的多个2D图像信息；确定单元206还用于：输入多个2D图像信息至物品图像分割模型中，并确定多个2D图像信息对应的指定物品的坐标位置信息；创建单元204还用于：根据3D图像信息对应的三维角度，正交结合坐标位置信息，创建指定物品的3D空间立体坐标信息。
在该实施例中，通过转换3D图像信息为对应的多个2D图像信息，有利于物品图像分割模型的识别，通过输入多个2D图像信息至物品图像分割模型中，并确定多个2D图像信息对应的指定物品的坐标位置信息，有利于实现指定物品的3D空间立体坐标信息的确定，通过根据3D图像信息对应的三维角度，正交结合坐标位置信息，创建指定物品的3D空间立体坐标信息，指定物品的3D空间立体坐标信息更加准确，进一步有利于提升指定物品的录入信息的确定准确性。
需要说明的是，3D图像信息即三维立体图像信息，2D图像信息即二维平面图像信息，三维立体图像可以由某一点的冠状面、矢状面和横断面的三个二维平面图像组合在一起，作为RGB色彩模式，也即红绿蓝色彩模式的三个通道，从而与二维彩色平面图像兼容，其中，冠状面，是指通过铅垂轴与横轴的平面及与其平行的所有平面，这些平面将物品分成前后两个部分；矢状面，是将物品分成左右两部门的面，可以左右对等，也可以左右不对等；横断面，是从垂直于物品的轴心线的方向切断物品后所露出的表面，将物品分成上下两部分，可以上下对等，也可以上下不对等。
在上一项实施例中，优选地，还包括：计算单元210，用于根据3D空间立体坐标信息，计算指定物品的体积信息；计算单元210还用于：根据体积信息和指定物品对应的预设密度信息，计算指定物品的重量信息。
在该实施例中，通过根据3D空间立体坐标信息，计算指定物品的体积信息，实现了指定物品的体积信息的确定，有利于实时录入更加准确的体积信息，通过根据体积信息和指定物品对应的预设密度信息，计算指定物品的重量信息，实现了指定物品的重量信息的确定，有利于实时录入更加准确的重量信息，进而有利于实现智能化的物品管理。
在上一项实施例中，优选地，还包括：采集构建单元212，用于预先采集构建多种物品的3D图像信息集，并转换为对应的2D图像信息集；标记单元214，用于对应标记2D图像信息集中的每一2D图像信息的坐标位置信息；输出单元216，用于基于深度学习，以2D图像信息集中的每一2D图像信息为输入样本，依次经卷积层操作、池化层操作、全连接层操作，输出结果信息；计算单元210还用于：根据结果信息和输入样本的标记信息，计算损失函数值；训练构建单元218，用于根据损失函数值，更新卷积层操作、池化层操作、全连接层操作的对应参数，以训练构建物品图像分割模型；判断单元220，用于判断损失函数值的绝对值是否小于预设阈值；训练构建单元218还用于：若判定损失函数值的绝对值大于或等于预设阈值，则继续以2D图像信息集中的每一2D图像信息为输入样本，训练构建物品图像分割模型；存储单元222，用于若判定损失函数值小于预设阈值，则存储训练好的物品图像分割模型。
在该实施例中，通过预先采集构建多种物品的3D图像信息集，并转换为对应的2D图像信息集，之后对应标记2D图像信息集中的每一2D图像信息的坐标位置信息，为物品图像分割模型的预先训练构建提供了数据依据，通过基于深度学习，以2D图像信息集中的每一2D图像信息为输入样本，依次经卷积层操作、池化层操作、全连接层操作，输出结果信息，之后根据结果信息和输入样本的标记信息，计算损失函数值，有利于根据损失函数值确定物品图像分割模型是否已经训练构建达到要求，通过根据损失函数值，更新卷积层操作、池化层操作、全连接层操作的对应参数，以训练构建物品图像分割模型，实现了物品图像分割模型的逐渐训练构建完善，使得训练出来的物品图像分割模型更贴合实际，确定出来的坐标位置信息更加准确，有利于创建更加准确的3D空间立体坐标信息，通过判断损失函数值的绝对值是否小于预设阈值，并在判定损失函数值的绝对值大于或等于预设阈值时，继续以2D图像信息集中的每一2D图像信息为输入样本，训练构建物品图像分割模型，在判定损失函数值小于预设阈值，则存储训练好的物品图像分割模型，一方面，有利于提升物品图像分割模型的训练有效性，另一方面，使得训练出来的物品图像分割模型更贴合实际，准确性更高。
需要说明的是，深度学习可以是卷积神经网络深度学习，也可以是递归神经网络深度学习，还可以是循环神经网络深度学习。
还需要说明的是，卷积层操作是指采用指定卷积核对2D图像信息进行卷积运算，增加偏置，特征提取，得到特征图像信息，可以实现2D图像信息的降维；池化层操作是指利用空间相关性，池化降采样聚合，降低特征图像信息的冗余度；全连接层操作是指综合特征图像信息得到特征向量。
还需要说明的是，第二预设阈值为接近于0的数值，比如0.001。
在上一项实施例中，优选地，还包括：训练更新单元224，用于基于深度学习，按照预设周期，以物品信息录入过程中采集的3D图像信息对应的2D图像信息为样本，训练更新物品图像分割模型。
在该实施例中，通过基于深度学习，按照预设周期，以物品信息录入过程中采集的3D图像信息对应的2D图像信息为样本，训练更新物品图像分割模型，实现了物品图像分割模型的监督学习优化，有利于提升物品图像分割模型的适用范围，也有利于提升物品图像分割模型的准确性。
需要说明的是，可以以坐标位置信息确定错误的2D图像信息为训练更新物品图像分割模型的样本，提升准确性，还可以以识别失败的2D图像信息，并增加同类更多的3D图像信息转换为2D图像信息作为训练更新物品图像分割模型的样本，提升适用范围。
图3示出了根据本发明的一个实施例的冰箱300的示意框图。
如图3所示，根据本发明的实施例的冰箱300，冰箱300包括上述本发明的实施例提出的任一项的基于深度学习的物品信息录入装置200；图像采集器302，设于冰箱300内，与物品信息录入装置200相连，用于在物品信息录入装置200的控制下采集3D图像信息。
在该实施例中，冰箱300包括上述本发明的实施例提出的任一项的基于深度学习的物品信息录入装置200，因此具有上述本发明的实施例提出的任一项的基于深度学习的物品信息录入装置200的全部有益效果，在此不再赘述，通过设于冰箱300内且与物品信息录入装置200相连的图像采集器302可以在物品信息录入装置200的控制下采集3D图像信息，有利于采集到较准确的3D图像信息，进而有利于提升物品信息录入的准确性。
根据本发明的实施例的计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述本发明的实施例提出的任一项的基于深度学习的物品信息录入方法的步骤。
在该实施例中，计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述本发明的实施例提出的任一项的基于深度学习的物品信息录入方法的步骤，因此具有上述本发明的实施例提出的任一项的基于深度学习的物品信息录入方法的全部有益效果，在此不再赘述。
图4示出了根据本发明的另一个实施例的基于深度学习的物品信息录入方法的示意流程图。
如图4所示，根据本发明的实施例的基于深度学习的物品信息录入方法，包括：
S402，采集3D图像信息；
S404，转换3D图像信息为对应的多个2D图像信息；
S406，输入多个2D图像信息至物品图像分割模型中，并确定多个2D图像信息对应的指定物品的坐标位置信息；
S408，根据3D图像信息对应的三维角度，正交结合坐标位置信息，创建指定物品的3D空间立体坐标信息；
S410，根据3D空间立体坐标信息，计算指定物品的体积信息；
S412，根据体积信息和指定物品对应的预设密度信息，计算指定物品的重量信息。
以上结合附图详细说明了本发明的技术方案，本发明提出了一种基于深度学习的物品信息录入方法、一种基于深度学习的物品信息录入装置、一种冰箱和一种计算机可读存储介质，通过基于深度学习预先训练物品图像分割模型，然后实时采集3D图像信息，根据3D图像信息和预先训练好的物品图像分割模型来创建指定物品的3D空间立体坐标信息，进而实现指定物品体积信息和/或重量信息的确定，物品信息录入更加智能化和自动化，而且准确性和实时性较高，可以适用于复杂场景。
本发明方法中的步骤可根据实际需要进行顺序调整、合并和删减。
本发明装置中的单元可根据实际需要进行合并、划分和删减。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质包括只读存储器(Read-Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器(Programmable Read-only Memory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory，OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
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。
Claims (12)
1.一种基于深度学习的物品信息录入方法，其特征在于，包括：
采集3D图像信息；
根据所述3D图像信息和预先训练好的物品图像分割模型，创建指定物品的3D空间立体坐标信息；
根据所述3D空间立体坐标信息，确定所述指定物品的录入信息，所述录入信息包括体积信息和/或重量信息。
2.根据权利要求1所述的基于深度学习的物品信息录入方法，其特征在于，所述根据所述3D图像信息和预先训练好的物品图像分割模型，创建指定物品的3D空间立体坐标信息，包括：
转换所述3D图像信息为对应的多个2D图像信息；
输入所述多个2D图像信息至所述物品图像分割模型中，并确定所述多个2D图像信息对应的所述指定物品的坐标位置信息；
根据所述3D图像信息对应的三维角度，正交结合所述坐标位置信息，创建所述指定物品的所述3D空间立体坐标信息。
3.根据权利要求1所述的基于深度学习的物品信息录入方法，其特征在于，所述根据所述3D空间立体坐标信息，确定所述指定物品的录入信息，包括：
根据所述3D空间立体坐标信息，计算所述指定物品的所述体积信息；
根据所述体积信息和所述指定物品对应的预设密度信息，计算所述指定物品的所述重量信息。
4.根据权利要求1至3中任一项所述的基于深度学习的物品信息录入方法，其特征在于，还包括：
预先采集构建多种物品的3D图像信息集，并转换为对应的2D图像信息集；
对应标记所述2D图像信息集中的每一所述2D图像信息的所述坐标位置信息；
基于深度学习，以所述2D图像信息集中的每一所述2D图像信息为输入样本，依次经卷积层操作、池化层操作、全连接层操作，输出结果信息；
根据所述结果信息和所述输入样本的标记信息，计算损失函数值；
根据所述损失函数值，更新所述卷积层操作、池化层操作、全连接层操作的对应参数，以训练构建所述物品图像分割模型；
判断所述损失函数值的绝对值是否小于预设阈值；
若判定所述损失函数值的绝对值大于或等于所述预设阈值，则继续以所述2D图像信息集中的每一所述2D图像信息为输入样本，训练构建所述物品图像分割模型；
若判定所述损失函数值小于所述预设阈值，则存储训练好的所述物品图像分割模型。
5.根据权利要求1至3中任一项所述的基于深度学习的物品信息录入方法，其特征在于，还包括：
基于深度学习，按照预设周期，以物品信息录入过程中采集的所述3D图像信息对应的所述2D图像信息为样本，训练更新所述物品图像分割模型。
6.一种基于深度学习的物品信息录入装置，其特征在于，包括：
采集单元，用于采集3D图像信息；
创建单元，用于根据所述3D图像信息和预先训练好的物品图像分割模型，创建指定物品的3D空间立体坐标信息；
确定单元，用于根据所述3D空间立体坐标信息，确定所述指定物品的录入信息，所述录入信息包括体积信息和/或重量信息。
7.根据权利要求6所述的基于深度学习的物品信息录入装置，其特征在于，还包括：
转换单元，用于转换所述3D图像信息为对应的多个2D图像信息；
所述确定单元还用于：输入所述多个2D图像信息至所述物品图像分割模型中，并确定所述多个2D图像信息对应的所述指定物品的坐标位置信息；
所述创建单元还用于：根据所述3D图像信息对应的三维角度，正交结合所述坐标位置信息，创建所述指定物品的所述3D空间立体坐标信息。
8.根据权利要求6所述的基于深度学习的物品信息录入装置，其特征在于，还包括：
计算单元，用于根据所述3D空间立体坐标信息，计算所述指定物品的所述体积信息；
所述计算单元还用于：根据所述体积信息和所述指定物品对应的预设密度信息，计算所述指定物品的所述重量信息。
9.根据权利要求6至8中任一项所述的基于深度学习的物品信息录入装置，其特征在于，还包括：
采集构建单元，用于预先采集构建多种物品的3D图像信息集，并转换为对应的2D图像信息集；
标记单元，用于对应标记所述2D图像信息集中的每一所述2D图像信息的所述坐标位置信息；
输出单元，用于基于深度学习，以所述2D图像信息集中的每一所述2D图像信息为输入样本，依次经卷积层操作、池化层操作、全连接层操作，输出结果信息；
所述计算单元还用于：根据所述结果信息和所述输入样本的标记信息，计算损失函数值；
训练构建单元，用于根据所述损失函数值，更新所述卷积层操作、池化层操作、全连接层操作的对应参数，以训练构建所述物品图像分割模型；
判断单元，用于判断所述损失函数值的绝对值是否小于预设阈值；
所述训练构建单元还用于：若判定所述损失函数值的绝对值大于或等于所述预设阈值，则继续以所述2D图像信息集中的每一所述2D图像信息为输入样本，训练构建所述物品图像分割模型；
存储单元，用于若判定所述损失函数值小于所述预设阈值，则存储训练好的所述物品图像分割模型。
10.根据权利要求6至8中任一项所述的基于深度学习的物品信息录入装置，其特征在于，还包括：
训练更新单元，用于基于深度学习，按照预设周期，以物品信息录入过程中采集的所述3D图像信息对应的所述2D图像信息为样本，训练更新所述物品图像分割模型。
11.一种冰箱，其特征在于，包括：
如权利要求6至10中任一项所述的基于深度学习的物品信息录入装置；
图像采集器，设于所述冰箱内，与所述物品信息录入装置相连，用于在所述物品信息录入装置的控制下采集3D图像信息。
12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的基于深度学习的物品信息录入方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810026397.XA CN108224895B (zh) | 2018-01-08 | 2018-01-08 | 基于深度学习的物品信息录入方法、装置、冰箱和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810026397.XA CN108224895B (zh) | 2018-01-08 | 2018-01-08 | 基于深度学习的物品信息录入方法、装置、冰箱和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108224895A true CN108224895A (zh) | 2018-06-29 |
| CN108224895B CN108224895B (zh) | 2020-11-10 |
Family
ID=62641633
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810026397.XA Active CN108224895B (zh) | 2018-01-08 | 2018-01-08 | 基于深度学习的物品信息录入方法、装置、冰箱和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108224895B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109508401A (zh) * | 2018-11-23 | 2019-03-22 | 维沃移动通信有限公司 | 一种提示方法及移动终端 |
| CN109934170A (zh) * | 2019-03-13 | 2019-06-25 | 武汉大学 | 一种基于计算机视觉的矿山资源统计方法 |
| CN110378266A (zh) * | 2019-07-09 | 2019-10-25 | Oppo广东移动通信有限公司 | 指纹识别方法及相关设备 |
| CN110689945A (zh) * | 2019-09-30 | 2020-01-14 | 佛山市顺德区美的洗涤电器制造有限公司 | 用于菜谱搭配的方法、装置和存储介质 |
| CN111860629A (zh) * | 2020-06-30 | 2020-10-30 | 北京滴普科技有限公司 | 首饰分类系统、方法、装置以及存储介质 |
| CN113124634A (zh) * | 2019-12-31 | 2021-07-16 | 海信集团有限公司 | 冰箱 |
| CN115371347A (zh) * | 2021-05-18 | 2022-11-22 | 青岛海尔电冰箱有限公司 | 冰箱储物间室使用状态的检测方法、检测系统和冰箱 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101719272A (zh) * | 2009-11-26 | 2010-06-02 | 上海大学 | 基于三维改进型脉冲耦合神经网络的三维图像分割方法 |
| CN104778374A (zh) * | 2015-05-04 | 2015-07-15 | 哈尔滨理工大学 | 一种基于图像处理识别方法的自动膳食评估装置 |
| CN105580052A (zh) * | 2013-07-02 | 2016-05-11 | 豪夫迈·罗氏有限公司 | 食物体积和碳水化合物的估计 |
| CN106709525A (zh) * | 2017-01-05 | 2017-05-24 | 北京大学 | 一种相机测量食物营养成分方法 |
| CN106907890A (zh) * | 2017-02-23 | 2017-06-30 | 海信（山东）冰箱有限公司 | 一种智能冰箱的食材管理方法及智能冰箱 |
| CN107330522A (zh) * | 2017-07-04 | 2017-11-07 | 北京百度网讯科技有限公司 | 用于更新深度学习模型的方法、装置及系统 |
| US20170357879A1 (en) * | 2017-08-01 | 2017-12-14 | Retina-Ai Llc | Systems and methods using weighted-ensemble supervised-learning for automatic detection of ophthalmic disease from images |
| CN107480677A (zh) * | 2017-08-07 | 2017-12-15 | 北京深睿博联科技有限责任公司 | 一种识别三维ct图像中感兴趣区域的方法及装置 |
| CN107525342A (zh) * | 2017-07-26 | 2017-12-29 | 合肥美的智能科技有限公司 | 物品信息录入方法、系统和冰箱 |
| CN107545309A (zh) * | 2016-06-23 | 2018-01-05 | 西门子保健有限责任公司 | 使用深度生成机器学习模型的图像质量评分 |
-
2018
- 2018-01-08 CN CN201810026397.XA patent/CN108224895B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101719272A (zh) * | 2009-11-26 | 2010-06-02 | 上海大学 | 基于三维改进型脉冲耦合神经网络的三维图像分割方法 |
| CN105580052A (zh) * | 2013-07-02 | 2016-05-11 | 豪夫迈·罗氏有限公司 | 食物体积和碳水化合物的估计 |
| CN104778374A (zh) * | 2015-05-04 | 2015-07-15 | 哈尔滨理工大学 | 一种基于图像处理识别方法的自动膳食评估装置 |
| CN107545309A (zh) * | 2016-06-23 | 2018-01-05 | 西门子保健有限责任公司 | 使用深度生成机器学习模型的图像质量评分 |
| CN106709525A (zh) * | 2017-01-05 | 2017-05-24 | 北京大学 | 一种相机测量食物营养成分方法 |
| CN106907890A (zh) * | 2017-02-23 | 2017-06-30 | 海信（山东）冰箱有限公司 | 一种智能冰箱的食材管理方法及智能冰箱 |
| CN107330522A (zh) * | 2017-07-04 | 2017-11-07 | 北京百度网讯科技有限公司 | 用于更新深度学习模型的方法、装置及系统 |
| CN107525342A (zh) * | 2017-07-26 | 2017-12-29 | 合肥美的智能科技有限公司 | 物品信息录入方法、系统和冰箱 |
| US20170357879A1 (en) * | 2017-08-01 | 2017-12-14 | Retina-Ai Llc | Systems and methods using weighted-ensemble supervised-learning for automatic detection of ophthalmic disease from images |
| CN107480677A (zh) * | 2017-08-07 | 2017-12-15 | 北京深睿博联科技有限责任公司 | 一种识别三维ct图像中感兴趣区域的方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| 卢宏涛 等: "深度卷积神经网络在计算机视觉中的应用研究综述", 《数据采集与处理》 * |
| 方波: "基于动态拍照的食品图像识别技术研究", 《家电科技》 * |
| 李英: "基于图像处理技术的冰箱食物管理系统研究", 《中国知网硕士学位论文库》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109508401A (zh) * | 2018-11-23 | 2019-03-22 | 维沃移动通信有限公司 | 一种提示方法及移动终端 |
| CN109934170A (zh) * | 2019-03-13 | 2019-06-25 | 武汉大学 | 一种基于计算机视觉的矿山资源统计方法 |
| CN110378266A (zh) * | 2019-07-09 | 2019-10-25 | Oppo广东移动通信有限公司 | 指纹识别方法及相关设备 |
| CN110378266B (zh) * | 2019-07-09 | 2022-02-18 | Oppo广东移动通信有限公司 | 指纹识别方法及相关设备 |
| CN110689945A (zh) * | 2019-09-30 | 2020-01-14 | 佛山市顺德区美的洗涤电器制造有限公司 | 用于菜谱搭配的方法、装置和存储介质 |
| CN113124634A (zh) * | 2019-12-31 | 2021-07-16 | 海信集团有限公司 | 冰箱 |
| CN113124634B (zh) * | 2019-12-31 | 2022-05-13 | 海信集团有限公司 | 冰箱 |
| CN111860629A (zh) * | 2020-06-30 | 2020-10-30 | 北京滴普科技有限公司 | 首饰分类系统、方法、装置以及存储介质 |
| CN115371347A (zh) * | 2021-05-18 | 2022-11-22 | 青岛海尔电冰箱有限公司 | 冰箱储物间室使用状态的检测方法、检测系统和冰箱 |
| CN115371347B (zh) * | 2021-05-18 | 2024-03-12 | 青岛海尔电冰箱有限公司 | 冰箱储物间室使用状态的检测方法、检测系统和冰箱 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108224895B (zh) | 2020-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108224895A (zh) | 基于深度学习的物品信息录入方法、装置、冰箱和介质 | |
| US20220012495A1 (en) | Visual feature tagging in multi-view interactive digital media representations | |
| CN103530881B (zh) | 适用于移动终端的户外增强现实无标志点跟踪注册方法 | |
| CN106327469B (zh) | 一种语义标签引导的视频对象分割方法 | |
| CN104781849B (zh) | 单眼视觉同时定位与建图(slam)的快速初始化 | |
| US10950032B2 (en) | Object capture coverage evaluation | |
| CN104272731B (zh) | 用于处理3d信息的设备和方法 | |
| CN108550176A (zh) | 图像处理方法、设备及存储介质 | |
| CN108895981A (zh) | 一种三维测量方法、装置、服务器和存储介质 | |
| CN110136175A (zh) | 一种基于神经网络的室内典型场景匹配定位方法 | |
| CN108734776A (zh) | 一种基于散斑的三维人脸重建方法及设备 | |
| CN106959691A (zh) | 可移动电子设备和即时定位与地图构建方法 | |
| CN107341442A (zh) | 运动控制方法、装置、计算机设备和服务机器人 | |
| CN108733417A (zh) | 智能设备的工作模式选择方法和装置 | |
| CN108388649A (zh) | 处理音视频的方法、系统、设备及存储介质 | |
| CN112562001B (zh) | 一种物体6d位姿估计方法、装置、设备及介质 | |
| CN106570478A (zh) | 视觉跟踪中的目标丢失判断方法和装置 | |
| CN108764247A (zh) | 基于稠密连接的深度学习物体检测方法及装置 | |
| US20190293412A1 (en) | Three-dimensional measuring system and measuring method with multiple measuring modes | |
| CN108124489A (zh) | 信息处理方法、装置、云处理设备以及计算机程序产品 | |
| CN109063549A (zh) | 基于深度神经网络的高分辨率航拍视频运动目标检测方法 | |
| CN109155067A (zh) | 可移动平台的控制方法、设备、计算机可读存储介质 | |
| CN107818596A (zh) | 一种场景参数确定方法、装置及电子设备 | |
| US20180247431A1 (en) | Process, system and apparatus for machine colour characterisation of digital media | |
| CN108597036B (zh) | 虚拟现实环境危险感知方法及装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |