CN108596137A - 一种基于图像识别算法的商品扫描录入方法 - Google Patents
一种基于图像识别算法的商品扫描录入方法 Download PDFInfo
- Publication number
- CN108596137A CN108596137A CN201810411114.3A CN201810411114A CN108596137A CN 108596137 A CN108596137 A CN 108596137A CN 201810411114 A CN201810411114 A CN 201810411114A CN 108596137 A CN108596137 A CN 108596137A
- Authority
- CN
- China
- Prior art keywords
- commodity
- image
- record method
- recognition algorithm
- network model
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/32—Digital ink
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像识别算法的商品扫描录入方法,属于计算机人工智能技术领域。本发明的基于图像识别算法的商品扫描录入方法,收集、标注商品图像样本,训练深度卷积网络模型识别商品类别,将深度卷积网络模型部署到应用前端,依靠图像扫描系统拍摄商品图像到深度卷积网络模型,自动识别图像内商品,实现商品的录入。该发明的基于图像识别算法的商品扫描录入方法不需要借助条形码等额外信息,通过物体外形识别商品,从而节约工作人员工作时间,提高工作效率,具有很好的推广应用价值。
Description
技术领域
本发明涉及计算机人工智能技术领域,具体提供一种基于图像识别算法的商品扫描录入方法。
背景技术
在商场、超市等柜台的支付系统中,首先需要柜台人员使用条形码扫描仪扫描商品外包装上印刷的条形码,识别预先录入的商品信息。通过条形码录入商品信息的方法被广泛应用在商场、超市等计算系统中。该方法首先由商品生产商为商品申请、生成条形码,将生成的条形码打印在商品包装上,出售给商店,商店在出售商品时通过条形码扫描仪扫描商品包装上的条形码进行商品录入并结算。条形码是迄今为止最经济适用的一种自动识别技术,但是其最大的缺点是必须借助条形码编码商品信息,如果条形码污损,或者在快餐店等商品受限于形态、成本等原因无法印刷条形码的场所,依然需要人眼识别条形码,然后柜台人员手动输入商品信息进行录入。手动录入商品信息不仅耗时,并且容易出错,是目前线下商品结算系统的瓶颈之一。
发明内容
本发明的技术任务是针对上述存在的问题,提供一种不需要借助条形码等额外信息,只需通过物体外形识别商品,从而节约工作人员工作时间,提高工作效率的基于图像识别算法的商品扫描录入方法。
为实现上述目的,本发明提供了如下技术方案:
一种基于图像识别算法的商品扫描录入方法,所述商品扫描录入方法收集、标注商品图像样本数据,利用商品图像样本数据训练深度卷积网络模型来识别商品类别,将深度卷积网络模型部署到应用前端,依靠图像扫描系统拍摄商品图像到深度卷积网络模型,自动识别图像内商品,实现商品的录入。
所述应用前端可以是如计算机、手机等设备。
在计算机视觉方面,针对图像的物体分类、检测等问题,深度卷积网已经成为算法模型的基本方法,VGG、GoogLeNet、ResNet、Faster R-CNN、YOLO、SSD等多个基于卷积网络的模型被先后提出,不仅分类、识别准确率更高,算法运行速度也更快,达到了实时识别的级别。其中SSD模型是一个基于卷积网络的图像物体检测模型,输入一张彩色图像到模型,输出该图像内的可识别物体、物体类别的可信度和每个物体在图像中的像素位置,位置以矩形框限定。
所述基于图像识别算法的商品扫描录入方法,以容易识别的角度拍摄商品,将商品图像传入到训练后的深度卷积网络模型,输出该商品的标识码,根据标识码到数据库中检索对应的商品信息,如商品名称、生产日期、价格等信息,自动填入到结算系统中。
作为优选,该商品扫描录入方法具体包括以下步骤:
S1:收集商品图像样本数据
拍摄商品图像,围绕商品区分度较大、易识别的侧面图和全景图进行拍摄,一张图像中包含一件商品,每类商品的图像样本数量不少于20张;
S2:为每一类商品分配唯一标识码;
S3:标注商品图像样本数据
标注每一张图像,得到图像样本数据集合,图像样本数据集合包括图像文件和每一个图像文件对应的标注文件;
S4:训练深度卷积网络模型:喂入商品图像样本数据,得到训练后的模型;
S5:将训练后的深度卷积网络模型部署到应用前端;
S6:扫描商品,将扫描的商品图像输入到深度卷积网络模型自动识别图像内商品,完成商品的录入。
拍摄商品图像时,商品成像和拍摄距离、角度、光线有关。光线应该足够明亮,并且分布均匀,拍摄角度和距离应根据每类商品的形态特点和应用场景而定。
标注商品图像样本时使用标注工具,例如labelImg等,标注每一张图像商品。
训练深度卷积网络模型时,在Caffe、TensorFlow等现代深度学习开源框架中训练SSD模型,喂入训练集数据。
作为优选,步骤S1中,商品图像的全景图不少于5张,商品图像的侧面图不少于10张。
作为优选,步骤S2中标识码为计算机容易存储和表示的字符。
作为优选,所述标识码包括商品名、商品ID或任意字母数字串。
作为优选,步骤S3中,标注商品图像样本数据的标注信息为商品在图像中的像素位置和商品的标识码。
作为优选,所述商品图像样本的标注信息以XML或JSON格式保存。
作为优选,步骤S4中,将整个图像样本数据划分为训练集和测试集,训练集和测试集的比例为3:1,在训练过程中喂入训练集数据,定期统计深度卷积网络模型测试集的正确率,正确率不低于99%时停止训练,得到训练后的模型。
与现有技术相比,本发明的基于图像识别算法的商品扫描录入方法具有以下突出的有益效果:所述基于图像识别算法的商品扫描录入方法,模拟人类视觉系统,通过物体外形识别商品,满足部分商品无法通过条形码扫描录入的问题,无需借助条形码等额外信息,避免了手动录入商品信息耗时并且容易出错的弊端,具有良好的推广应用价值。
附图说明
图1是本发明所述基于图像识别算法的商品扫描录入方法的流程图。
具体实施方式
下面将结合附图和实施例,对本发明的基于图像识别算法的商品扫描录入方法作进一步详细说明。
实施例
本发明的基于图像识别算法的商品扫描录入方法,收集、标注商品图像样本数据,利用商品图像样本数据训练深度卷积网络模型来识别商品类别,将深度卷积网络模型部署到应用前端,依靠图像扫描系统拍摄商品图像到深度卷积网络模型,自动识别图像内商品,实现商品的录入。
该基于图像识别算法的商品扫描录入方法具体包括以下步骤:
S1:收集商品图像样本数据
拍摄需要识别的商品图像时,光线应足够明亮,并且分布均匀。拍摄图像时拍摄角度和距离应根据每类商品的形态特点和应用场景而定,主要原则是围绕商品区分度较大、易识别的侧面图和全景图进行拍摄,一张图像中只包含一件商品,每类商品的图像样本数量不少于20张,其中全景图不少于5张,侧面图不少于10张。
S2:为每一类商品分配唯一标识码
标识码可以为商品名、商品ID、任意字母数字串等计算机容易存储和表示的字符。
S3:标注商品图像样本数据
使用标注工具,例如labelImg标注每一张图像,主要标注信息为商品在图像中的像素位置和商品的标识码,使用留存法划分整个商品图像样本数据集为训练集和测试集,商品图像样本数据的训练集和测试集的比例设定为3:1。标注信息可以以XML、JSON等格式保存。标注完成后,得到数据样本集合,包括图像文件和每一个图像文件对应的标注文件。
S4:训练深度卷积网络模型
在Caffe、TensorFlow等现代深度学习开源框架中训练SSD模型,喂入训练集数据,在训练过程中定期统计模型测试集的正确率,达到99%以上停止训练。得到训练后的模型。
S5:部署训练后的深度卷积网络模型到应用前端
借助Caffe、TensorFlow等开源框架在计算机或手机等应用前端载入训练好的深度卷积网络模型。
S6:每次录入商品时,通过图像采集系统采集单件商品图像,将采集的商品图像输入到训练后的深度卷积网络模型,自动识别该商品的标识码。根据标识码等信息,检索数据库匹配的商品的价格等信息,返回给应用前端。
以上所述的实施例,只是本发明较优选的具体实施方式,本领域的技术人员在本发明技术方案范围内进行的通常变化和替换都应包含在本发明的保护范围内。
Claims (8)
1.一种基于图像识别算法的商品扫描录入方法,其特征在于:所述商品扫描录入方法收集、标注商品图像样本数据,利用商品图像样本数据训练深度卷积网络模型来识别商品类别,将深度卷积网络模型部署到应用前端,依靠图像扫描系统拍摄商品图像到深度卷积网络模型,自动识别图像内商品,实现商品的录入。
2.根据权利要求1所述的基于图像识别算法的商品扫描录入方法,其特征在于:该商品扫描录入方法具体包括以下步骤:
S1:收集商品图像样本数据
拍摄商品图像,围绕商品区分度较大、易识别的侧面图和全景图进行拍摄,一张图像中包含一件商品,每类商品的图像样本数量不少于20张;
S2:为每一类商品分配唯一标识码;
S3:标注商品图像样本数据
标注每一张图像,得到图像样本数据集合,图像样本数据集合包括图像文件和每一个图像文件对应的标注文件;
S4:训练深度卷积网络模型:喂入商品图像样本数据,得到训练后的模型;
S5:将训练后的深度卷积网络模型部署到应用前端;
S6:扫描商品,将扫描的商品图像输入到深度卷积网络模型自动识别图像内商品,完成商品的录入。
3.根据权利要求2所述的基于图像识别算法的商品扫描录入方法,其特征在于:步骤S1中,商品图像的全景图不少于5张,商品图像的侧面图不少于10张。
4.根据权利要求2或3所述的基于图像识别算法的商品扫描录入方法,其特征在于:步骤S2中标识码为计算机容易存储和表示的字符。
5.根据权利要求4所述的基于图像识别算法的商品扫描录入方法,其特征在于:所述标识码包括商品名、商品ID或任意字母数字串。
6.根据权利要求5所述的基于图像识别算法的商品扫描录入方法,其特征在于:步骤S3中,标注商品图像样本数据的标注信息为商品在图像中的像素位置和商品的标识码。
7.根据权利要求6所述的基于图像识别算法的商品扫描录入方法,其特征在于:所述商品图像样本的标注信息以XML或JSON格式保存。
8.根据权利要求7所述的基于图像识别算法的商品扫描录入方法,其特征在于:步骤S4中,将整个图像样本数据划分为训练集和测试集,训练集和测试集的比例为3:1,在训练过程中喂入训练集数据,定期统计深度卷积网络模型测试集的正确率,正确率不低于99%时停止训练,得到训练后的模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810411114.3A CN108596137A (zh) | 2018-05-02 | 2018-05-02 | 一种基于图像识别算法的商品扫描录入方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810411114.3A CN108596137A (zh) | 2018-05-02 | 2018-05-02 | 一种基于图像识别算法的商品扫描录入方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108596137A true CN108596137A (zh) | 2018-09-28 |
Family
ID=63620597
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810411114.3A Pending CN108596137A (zh) | 2018-05-02 | 2018-05-02 | 一种基于图像识别算法的商品扫描录入方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108596137A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109523518A (zh) * | 2018-10-24 | 2019-03-26 | 浙江工业大学 | 一种轮胎x光病疵检测方法 |
CN109543486A (zh) * | 2018-10-29 | 2019-03-29 | 华南理工大学 | 基于神经网络的条形码定位方法及系统 |
CN109635690A (zh) * | 2018-11-30 | 2019-04-16 | 任飞翔 | 基于视觉的商品识别检测方法及装置 |
CN109649091A (zh) * | 2018-12-28 | 2019-04-19 | 泉州装备制造研究所 | 基于计算机视觉的汽车轮胎监测系统 |
CN109902733A (zh) * | 2019-02-22 | 2019-06-18 | 北京三快在线科技有限公司 | 录入物品信息的方法、装置及存储介质 |
CN110044899A (zh) * | 2019-04-18 | 2019-07-23 | 中国矿业大学 | 一种基于机器视觉的甲烷传感器信号采集装置及方法 |
CN110175952A (zh) * | 2019-05-28 | 2019-08-27 | 合肥晌玥科技有限公司 | 一种基于目标检测的玉石加工路径的自动生成方法及装置 |
CN110348514A (zh) * | 2019-07-10 | 2019-10-18 | 合肥晌玥科技有限公司 | 一种基于Faster R-CNN模型的玉石识别方法及装置 |
CN111062404A (zh) * | 2018-10-17 | 2020-04-24 | 新汉智能系统股份有限公司 | 自动建立物件辨识模型的方法 |
CN112801578A (zh) * | 2021-01-18 | 2021-05-14 | 哈尔滨工业大学 | 一种应用于个体商贩的商品出入库管理系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110137821A1 (en) * | 2009-12-07 | 2011-06-09 | Predictive Technologies Group, Llc | Calculating predictive technical indicators |
CN104715023A (zh) * | 2015-03-02 | 2015-06-17 | 北京奇艺世纪科技有限公司 | 基于视频内容的商品推荐方法和系统 |
CN107329925A (zh) * | 2017-06-29 | 2017-11-07 | 卜涛 | 一种智能电子秤、应用其的超市计价系统及方法 |
CN107369063A (zh) * | 2017-06-15 | 2017-11-21 | 东南大学 | 一种Android平台下基于扫码和图像处理的进销存方法 |
CN107944859A (zh) * | 2017-11-15 | 2018-04-20 | 深圳码隆科技有限公司 | 一种基于图像识别技术的无人售货方法和设备 |
-
2018
- 2018-05-02 CN CN201810411114.3A patent/CN108596137A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110137821A1 (en) * | 2009-12-07 | 2011-06-09 | Predictive Technologies Group, Llc | Calculating predictive technical indicators |
CN104715023A (zh) * | 2015-03-02 | 2015-06-17 | 北京奇艺世纪科技有限公司 | 基于视频内容的商品推荐方法和系统 |
CN107369063A (zh) * | 2017-06-15 | 2017-11-21 | 东南大学 | 一种Android平台下基于扫码和图像处理的进销存方法 |
CN107329925A (zh) * | 2017-06-29 | 2017-11-07 | 卜涛 | 一种智能电子秤、应用其的超市计价系统及方法 |
CN107944859A (zh) * | 2017-11-15 | 2018-04-20 | 深圳码隆科技有限公司 | 一种基于图像识别技术的无人售货方法和设备 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111062404A (zh) * | 2018-10-17 | 2020-04-24 | 新汉智能系统股份有限公司 | 自动建立物件辨识模型的方法 |
CN109523518A (zh) * | 2018-10-24 | 2019-03-26 | 浙江工业大学 | 一种轮胎x光病疵检测方法 |
CN109543486A (zh) * | 2018-10-29 | 2019-03-29 | 华南理工大学 | 基于神经网络的条形码定位方法及系统 |
CN109635690A (zh) * | 2018-11-30 | 2019-04-16 | 任飞翔 | 基于视觉的商品识别检测方法及装置 |
CN109649091A (zh) * | 2018-12-28 | 2019-04-19 | 泉州装备制造研究所 | 基于计算机视觉的汽车轮胎监测系统 |
CN109902733A (zh) * | 2019-02-22 | 2019-06-18 | 北京三快在线科技有限公司 | 录入物品信息的方法、装置及存储介质 |
CN110044899A (zh) * | 2019-04-18 | 2019-07-23 | 中国矿业大学 | 一种基于机器视觉的甲烷传感器信号采集装置及方法 |
CN110175952A (zh) * | 2019-05-28 | 2019-08-27 | 合肥晌玥科技有限公司 | 一种基于目标检测的玉石加工路径的自动生成方法及装置 |
CN110175952B (zh) * | 2019-05-28 | 2023-12-05 | 合肥晌玥科技有限公司 | 一种基于目标检测的玉石加工路径的自动生成方法及装置 |
CN110348514A (zh) * | 2019-07-10 | 2019-10-18 | 合肥晌玥科技有限公司 | 一种基于Faster R-CNN模型的玉石识别方法及装置 |
CN112801578A (zh) * | 2021-01-18 | 2021-05-14 | 哈尔滨工业大学 | 一种应用于个体商贩的商品出入库管理系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108596137A (zh) | 一种基于图像识别算法的商品扫描录入方法 | |
US11151427B2 (en) | Method and apparatus for checkout based on image identification technique of convolutional neural network | |
CN109446883B (zh) | 商品状态识别方法、装置、电子设备及可读存储介质 | |
CN108320404B (zh) | 基于神经网络的商品识别方法、装置、自助收银台 | |
CN107045641B (zh) | 一种基于图像识别技术的货架识别方法 | |
CN107463946B (zh) | 一种结合模板匹配与深度学习的商品种类检测方法 | |
CN108960737B (zh) | 基于机器视觉的仓库自动巡检系统及方法 | |
WO2019184646A1 (zh) | 货品识别方法及装置、货柜 | |
CN107463945B (zh) | 一种基于深度匹配网络的商品种类识别方法 | |
CN108686978B (zh) | 基于arm的水果类别和色泽的分拣方法及系统 | |
CN111340126B (zh) | 物品识别方法、装置、计算机设备和存储介质 | |
CN108345912A (zh) | 一种基于rgbd信息与深度学习的商品快速结算系统 | |
CN108961547A (zh) | 一种商品识别方法、无人售货机及计算机可读存储介质 | |
CN110264645A (zh) | 一种商品的自助收银方法和设备 | |
CN111222389B (zh) | 商超货架上商品的分析方法和系统 | |
CN109035579A (zh) | 一种商品识别方法、无人售货机及计算机可读存储介质 | |
US11748787B2 (en) | Analysis method and system for the item on the supermarket shelf | |
CN112767382A (zh) | 一种基于深度学习的鱼苗计数方法 | |
CN106709474A (zh) | 一种手写电话号码识别、校验及信息发送系统 | |
CN114282816A (zh) | 一种生鲜区大屏幕电子标签自动管理系统 | |
CN109345733A (zh) | 智能秤的计价方法及系统 | |
CN113935774A (zh) | 图像处理方法、装置、电子设备及计算机存储介质 | |
CN111539468A (zh) | 一种自动售卖设备的货物清点方法 | |
CN103745198A (zh) | 行邮辅助识别及对比的方法与装置 | |
CN107766862A (zh) | 商品价格标签数字识别方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180928 |
|
WD01 | Invention patent application deemed withdrawn after publication |