CN109035558B - 一种用于无人售货柜的商品识别算法在线学习系统 - Google Patents
一种用于无人售货柜的商品识别算法在线学习系统 Download PDFInfo
- Publication number
- CN109035558B CN109035558B CN201810601040.XA CN201810601040A CN109035558B CN 109035558 B CN109035558 B CN 109035558B CN 201810601040 A CN201810601040 A CN 201810601040A CN 109035558 B CN109035558 B CN 109035558B
- Authority
- CN
- China
- Prior art keywords
- online
- algorithm
- data
- service
- commodity
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07F—COIN-FREED OR LIKE APPARATUS
- G07F9/00—Details other than those peculiar to special kinds or types of apparatus
- G07F9/002—Vending machines being part of a centrally controlled network of vending machines
-
- 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
Abstract
本发明提供一种用于无人售货柜的商品识别算法在线学习系统，包括相互通信连接的用户终端、无人售货柜和控制平台，所述控制平台是提供调度服务、线上AI算法服务、在线AI算法标注服务、在线AI算法学习服务和线上AI算法数据库的服务器平台。本发明从在线订单数据中获取不置信数据、负反馈数据和抽查数据，对这些数据进行标注后用于在线AI算法的学习并更新线上AI算法，充分有效的利用了在线订单数据，实现了商品识别算法的在线学习，不断从在线订单数据中挖掘足够的训练数据来迭代完善所应用的AI算法，逐步提高难样本的识别准确率和针对真实环境的鲁棒性。
Description
技术领域
本发明涉及无人售货柜技术领域，具体涉及一种用于无人售货柜的商品识别算法在线学习系统。
背景技术
当前无人售货柜主要有两种技术路线，一种是基于传统的射频识别(RadioFrequency Identification；RFID)技术，其缺点是设备和运营成本高，而且RFID技术受液体和金属的影响大，有无法逾越的技术瓶颈；另一种是基于计算机视觉技术，采用动态纯视觉解决方案、深度学习、机器视觉等AI技术，不需贴RFID，即可识别标品和非标品，消费者可一次拿取多件商品，同时，这种技术对于商品的陈列位置没有限制，从而降低了运维成本，能容纳更多的商品数量，另外，利用计算机视觉和机器学习平台处理数据，可以达到人工处理无法达到的细颗粒度与精确程度。
目前主要是基于物体识别算法实现对无人售货柜内商品的识别，物体识别算法主要有两种，一种是基于人工特征的物体识别算法，另一种是基于深度学习模型的物体识别算法。基于深度学习模型的物体识别算法通过层次化的网络结构自主学习数据集底层到高层的特征，并利用softmax等分类器进行分类；其所面临的问题是：对于难样本，比如因为部分遮挡、形状变形、环境光变化、少见位置与姿态、摄像头畸变不均等引起的难识别照片，在算法训练阶段难以得到足够的训练数据，因此对难样本的识别准确率很差。
申请号201510015226公开了一种基于在线学习的渐进式图像分割方法，该专利描述了基于用户标注，训练及更新分割模型，通过迭代循环，渐进地实现对图像的精确分割。申请号201110184798公开了在线学习算法的并行化，该专利描述的是动态地并行地更新模型。申请号200710121728公开了一种基于在线学习的运动目标分类方法，该专利描述的是对运动目标通过特征向量聚类算法进行在线分类和迭代优化。但是，这些专利没有对在线数据从算法角度进行充分利用，也不能应用于无人售货柜的商品识别算法。
发明内容
为克服上述现有技术的不足，本发明提供一种用于无人售货柜的商品识别算法在线学习系统。所述系统利用在线订单中的数据筛查出不易识别的难样本，获取到大量的真实的数据，并以获得的真实数据用于算法迭代完善，可使得所应用算法的准确度大大提高，难样本的识别准确率大幅提高，并且针对真实环境的鲁棒性越来越好。
本发明是通过以下技术方案予以实现的：
一种用于无人售货柜的商品识别算法在线学习系统，包括相互通信连接的用户终端、无人售货柜和控制平台，所述控制平台是提供调度服务、线上AI算法服务、在线AI算法标注服务、在线AI算法学习服务和线上AI算法数据库的服务器平台；
消费者或者工作人员打开所述无人售货柜，拿取或补充商品后将其关上，所述无人售货柜生成在线订单，所述在线订单发送至所述控制平台；
所述调度服务基于所述在线订单生成识别请求，并将所述识别请求发送至所述线上AI算法服务，所述线上AI算法服务对所述识别请求进行处理后反馈识别结果至所述调度服务；
所述调度服务将所述识别结果发送至所述用户终端，所述用户终端对所述识别结果进行处理后生成反馈记录，并将所述反馈记录发送至所述调度服务，所述调度服务将所述在线订单、识别结果和反馈记录储存于所述线上AI算法数据库；
所述线上AI算法数据库将所述在线订单、识别结果和反馈记录分别储存为在线订单数据、置信数据、不置信数据和负反馈数据；
所述在线AI算法标注服务从所述线上AI算法数据库中提取不置信数据和负反馈数据并从所述线上AI算法数据库的在线订单数据中提取抽查数据，所述在线AI算法标注服务对提取的不置信数据、负反馈数据和抽查数据进行标注后将标注后的数据储存于所述线上AI算法数据库；
所述在线AI算法学习服务定期或定量的从所述线上AI算法数据库中提取储存的标注后的数据用于在线AI算法学习，并将学习结果发送至所述线上AI算法服务，以更新线上AI算法。
优选地，所述AI算法是基于深度学习的物体识别算法。
优选地，所述AI算法的特征提取网络包括Inception、ResNet、DenseNet；所述AI算法的检测分类网络包括Faster R-CNN、Mask R-CNN、YOLO、SSD、FCN。
优选地，所述识别结果包括商品存在概率和商品分类概率的综合结果。
优选地，所述不置信数据是指所述识别结果中置信度低的数据，包括：商品分类预测置信度低的数据和商品数量预测置信度低的数据。
优选地，所述置信度低包括：(1)所述商品存在概率介于0.3～0.5之间并且所述商品分类概率大于0.75；(2)所述商品存在概率介于0.5～0.7之间并且所述商品分类概率介于0.5～0.75。
具体地，当所述商品存在概率介于0.3～0.5之间并且所述商品分类概率大于0.75时，说明有一定概率存在商品漏识别，所述商品的置信度低；当所述商品存在概率介于0.5～0.7之间并且所述商品分类概率介于0.5～0.75时，说明有一定概率存在商品多识别，所述商品的置信度低。
优选地，所述负反馈数据是指消费者或者工作人员通过所述用户终端对所述识别结果进行了负反馈操作后形成的数据。
优选地，所述负反馈操作是指向所述调度服务反馈包括商品识别错误、商品数量错误、商品库存数量错误和商品未识别的操作。
具体地，所述负反馈操作包括：(1)消费者通过所述用户终端向所述调度服务反馈：消费者在打开无人售货柜的柜门、拿取商品并关上柜门后，消费者在其用户终端上收到所述调度服务发送的线上AI算法生成的基于消费者消费订单的识别结果，如果所述识别结果和消费者的实际消费订单不一致，则消费者可以选择反馈操作，比如反馈商品识别错误、商品数量错误等信息至所述调度服务；(2)工作人员通过所述用户终端向所述调度服务反馈：工作人员在打开无人售货柜的柜门、上货并关上柜门后，工作人员在其用户终端上收到所述调度服务发送的线上AI算法生成的基于工作人员补货订单的识别结果，如果所述识别结果和工作人员实际补货订单不一致，则工作人员可以选择反馈操作，比如反馈商品未识别、商品数量错误、商品库存数量错误等信息至所述调度服务。
优选地，所述抽查数据是指对所述在线订单的数据进行随机抽查后得到的数据。
优选地，所述抽查数据的获取方式包括：(1)从所述在线订单的数据中每隔一定时间按一定比例随机抽取；(2)从所述在线订单的数据中每隔一定时间随机抽取固定数量的数据。
具体地，所述抽查数据的获取方式包括：(1)从所述在线订单的数据中每隔7天按5％随机抽取；(2)从所述在线订单的数据中每隔7天随机抽取1000条的数据。
与现有技术相比，本发明的有益效果在于，1)本发明从在线订单数据中获取不置信数据、负反馈数据和抽查数据，对这些数据进行标注后用于在线AI算法的学习并更新线上AI算法，这样的在线学习系统可以筛查出不易识别的难样本，获取到大量的真实的数据，并利用这些真实的数据进行线上AI算法的迭代完善，可以大大提高所应用算法的识别准确度，提高难样本的识别准确率，并且针对真实环境的鲁棒性越来越好；2)本发明充分有效的利用了在线订单数据，实现了商品识别算法的在线学习，不断从在线订单数据中挖掘足够的训练数据来迭代完善所应用的AI算法，逐步提高难样本的识别准确率和针对真实环境的鲁棒性。
附图说明
图1为根据实施例的一种用于无人售货柜的商品识别算法在线学习系统的结构框图；
图2为根据实施例的一种用于无人售货柜的商品识别算法在线学习系统的流程示意图。
具体实施方式
以下将结合附图对本发明各实施例的技术方案进行清楚、完整的描述，显然，所描述发实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例，都属于本发明所保护的范围。
一种用于无人售货柜的商品识别算法在线学习系统，包括相互通信连接的用户终端、无人售货柜和控制平台，所述控制平台是提供调度服务、线上AI算法服务、在线AI算法标注服务、在线AI算法学习服务和线上AI算法数据库的服务器平台；消费者或者工作人员打开所述无人售货柜，拿取或补充商品后将其关上，所述无人售货柜生成在线订单，所述在线订单发送至所述控制平台；所述调度服务基于所述在线订单生成识别请求，并将所述识别请求发送至所述线上AI算法服务，所述线上AI算法服务对所述识别请求进行处理后反馈识别结果至所述调度服务；所述调度服务将所述识别结果发送至所述用户终端，所述用户终端对所述识别结果进行处理后生成反馈记录，并将所述反馈记录发送至所述调度服务，所述调度服务将所述在线订单、识别结果和反馈记录储存于所述线上AI算法数据库；所述线上AI算法数据库将所述在线订单、识别结果和反馈记录分别储存为在线订单数据、置信数据、不置信数据和负反馈数据；所述在线AI算法标注服务从所述线上AI算法数据库中提取不置信数据和负反馈数据并从所述线上AI算法数据库的在线订单数据中提取抽查数据，所述在线AI算法标注服务对提取的不置信数据、负反馈数据和抽查数据进行标注后将标注后的数据储存于所述线上AI算法数据库；所述在线AI算法学习服务定期或定量的从所述线上AI算法数据库中提取储存的标注后的数据用于在线AI算法学习，并将学习结果发送至所述线上AI算法服务，以更新线上AI算法。
具体地，所述AI算法是基于深度学习的物体识别算法。所述AI算法的特征提取网络包括Inception、ResNet、DenseNet；所述AI算法的检测分类网络包括Faster R-CNN、MaskR-CNN、YOLO、SSD、FCN。
具体地，所述用户终端包括智能手机、平板电脑、移动智能电子设备、可穿戴设备。
具体地，所述无人售货柜上设置有多个摄像机用于拍摄柜内商品的图像数据，所述多个摄像机在无人售货柜的柜门打开时拍摄一次图像数据，在柜门关闭时再拍摄一次图像数据，前后两次拍摄的图像数据通过通信网络传送至所述控制平台；所述调度服务发送识别请求至所述线上AI算法服务，所述线上AI算法服务对前后两次的图像数据进行识别后得到识别结果，所述调度服务将所述识别结果发送至所述用户终端进行显示，消费者或者工作人员通过所述用户终端查看所述识别结果，并核实所述识别结果与实际的消费订单或者补货订单是否一致，若不一致，则发送反馈数据至所述控制平台。
具体地，所述识别结果包括商品存在概率和商品分类概率的综合结果。所述识别结果可分为置信数据和不置信数据，所述不置信数据是指所述识别结果中置信度低的数据，包括：商品分类预测置信度低的数据和商品数量预测置信度低的数据。
具体地，所述线上AI算法服务对柜内商品变动前后的图像数据进行识别，得到包括商品存在概率和商品分类概率的识别结果。所述识别结果储存于所述线上AI算法数据库中。所述在线AI算法标注服务提取所述线上AI算法数据库中储存的识别结果，并对所述识别结果进行置信度的判断，当所述商品存在概率介于0.3～0.5之间并且所述商品分类概率大于0.75时，说明有一定概率存在商品漏识别，所述商品的置信度低；当所述商品存在概率介于0.5～0.7之间并且所述商品分类概率介于0.5～0.75时，说明有一定概率存在商品多识别，所述商品的置信度低。这些置信度低的商品的数据属于不置信数据，所述在线AI算法标注服务对所述不置信数据进行标注后将其储存于所述线上AI算法数据库中。
具体地，所述调度服务将所述识别结果发送至所述用户终端进行显示，消费者或者工作人员通过所述用户终端对所述识别结果进行查看、核实并在所述识别结果与实际的消费订单或补货订单不一致时进行负反馈操作，所述负反馈操作形成的负反馈数据通过通信网络发送至所述控制平台，所述在线AI算法标注服务对所述负反馈数据进行标注后将其储存于所述线上AI算法数据库中。
具体地，所述负反馈操作包括：(1)消费者通过所述用户终端向所述调度服务反馈：消费者在打开无人售货柜的柜门、拿取商品并关上柜门后，消费者在其用户终端上收到所述调度服务发送的线上AI算法生成的基于消费者消费订单的识别结果，如果所述识别结果和消费者的实际消费订单不一致，则消费者可以选择反馈操作，比如反馈商品识别错误、商品数量错误等信息至所述调度服务；(2)工作人员通过所述用户终端向所述调度服务反馈：工作人员在打开无人售货柜的柜门、上货并关上柜门后，工作人员在其用户终端上收到所述调度服务发送的线上AI算法生成的基于工作人员补货订单的识别结果，如果所述识别结果和工作人员实际补货订单不一致，则工作人员可以选择反馈操作，比如反馈商品未识别、商品数量错误、商品库存数量错误等信息至所述调度服务。
具体地，所述抽查数据是指对所述在线订单的数据进行随机抽查后得到的数据。所述抽查数据用于监控和统计在线AI算法的准确率，并将抽查出的算法错误数据用于完善所述在线AI算法。
具体地，所述抽查数据的获取方式包括：(1)从所述在线订单的数据中每隔一定时间按一定比例随机抽取；(2)从所述在线订单的数据中每隔一定时间随机抽取固定数量的数据。在实际应用中，所述每隔一定时间可根据需要来设定，比如每隔7天、15天或30天；所述按一定比例随机抽取中的比例也可以视情况而定，如5％、10％等；所述抽取固定数量的数据中的固定数量可以是500条、1000条等，获取所述抽查数据的时间和方式可以人为选择设置。
通过上述技术方案，可以克服现有技术关于在线数据不能有效利用的缺点，实现商品识别算法的在线学习、不断从在线订单中充分挖掘可利用数据来迭代完善所述线上AI算法。对于因为部分遮挡、形状变形、环境光变化、少见位置与姿态、摄像头畸变不均等引起的难识别照片，可以从在线订单数据中获取足够的真实的训练数据，大大提高对难样本的识别准确率，并可以逐步提高针对真实环境的鲁棒性。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案。
Claims (8)
1.一种用于无人售货柜的商品识别算法在线学习系统，其特征在于，包括相互通信连接的用户终端、无人售货柜和控制平台，所述控制平台是提供调度服务、线上AI算法服务、在线AI算法标注服务、在线AI算法学习服务和线上AI算法数据库的服务器平台；
消费者或者工作人员打开所述无人售货柜，拿取或补充商品后将其关上，所述无人售货柜生成在线订单，所述在线订单发送至所述控制平台；
所述调度服务基于所述在线订单生成识别请求，并将所述识别请求发送至所述线上AI算法服务，所述线上AI算法服务对所述识别请求进行处理后反馈识别结果至所述调度服务；
所述调度服务将所述识别结果发送至所述用户终端，所述用户终端对所述识别结果进行处理后生成反馈记录，并将所述反馈记录发送至所述调度服务，所述调度服务将所述在线订单、识别结果和反馈记录储存于所述线上AI算法数据库；
所述线上AI算法数据库将所述在线订单、识别结果和反馈记录分别储存为在线订单数据、置信数据、不置信数据和负反馈数据；所述负反馈数据是指消费者或者工作人员通过所述用户终端对所述识别结果进行了负反馈操作后形成的数据；所述负反馈操作是指向所述调度服务反馈包括商品识别错误、商品数量错误、商品库存数量错误和商品未识别的操作；
所述在线AI算法标注服务从所述线上AI算法数据库中提取不置信数据和负反馈数据并从所述线上AI算法数据库的在线订单数据中提取抽查数据，所述在线AI算法标注服务对提取的不置信数据、负反馈数据和抽查数据进行标注后将标注后的数据储存于所述线上AI算法数据库；
所述在线AI算法学习服务定期或定量的从所述线上AI算法数据库中提取储存的标注后的数据用于在线AI算法学习，并将学习结果发送至所述线上AI算法服务，以更新线上AI算法。
2.如权利要求1所述的一种用于无人售货柜的商品识别算法在线学习系统，其特征在于，所述AI算法是基于深度学习的物体识别算法。
3.如权利要求2所述的一种用于无人售货柜的商品识别算法在线学习系统，其特征在于，所述AI算法的特征提取网络包括Inception、ResNet、DenseNet；所述AI算法的检测分类网络包括Faster R-CNN、Mask R-CNN、YOLO、SSD、FCN。
4.如权利要求1所述的一种用于无人售货柜的商品识别算法在线学习系统，其特征在于，所述识别结果包括商品存在概率和商品分类概率的综合结果。
5.如权利要求4所述的一种用于无人售货柜的商品识别算法在线学习系统，其特征在于，所述不置信数据是指所述识别结果中置信度低的数据，包括：商品分类预测置信度低的数据和商品数量预测置信度低的数据。
6.如权利要求5所述的一种用于无人售货柜的商品识别算法在线学习系统，其特征在于，所述置信度低包括：(1)所述商品存在概率介于0.3～0.5之间并且所述商品分类概率大于0.75；(2)所述商品存在概率介于0.5～0.7之间并且所述商品分类概率介于0.5～0.75。
7.如权利要求1所述的一种用于无人售货柜的商品识别算法在线学习系统，其特征在于，所述抽查数据是指对所述在线订单的数据进行随机抽查后得到的数据。
8.如权利要求7所述的一种用于无人售货柜的商品识别算法在线学习系统，其特征在于，所述抽查数据的获取方式包括：(1)从所述在线订单的数据中每隔一定时间按一定比例随机抽取；(2)从所述在线订单的数据中每隔一定时间随机抽取固定数量的数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810601040.XA CN109035558B (zh) | 2018-06-12 | 2018-06-12 | 一种用于无人售货柜的商品识别算法在线学习系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810601040.XA CN109035558B (zh) | 2018-06-12 | 2018-06-12 | 一种用于无人售货柜的商品识别算法在线学习系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109035558A CN109035558A (zh) | 2018-12-18 |
| CN109035558B true CN109035558B (zh) | 2020-08-25 |
Family
ID=64612795
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810601040.XA Active CN109035558B (zh) | 2018-06-12 | 2018-06-12 | 一种用于无人售货柜的商品识别算法在线学习系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109035558B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109783062B (zh) * | 2019-01-14 | 2020-10-09 | 中国科学院软件研究所 | 一种人在回路的机器学习应用开发方法和系统 |
| CN109919211A (zh) * | 2019-02-26 | 2019-06-21 | 南京旷云科技有限公司 | 商品识别方法、装置、系统和计算机可读介质 |
| CN110188753A (zh) * | 2019-05-21 | 2019-08-30 | 北京以萨技术股份有限公司 | 一种基于稠密连接卷积神经网络目标跟踪算法 |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5590049B2 (ja) * | 2012-01-13 | 2014-09-17 | 日本電気株式会社 | 物品陳列棚、人物行動調査方法および人物行動調査用プログラム |
| CN104143097B (zh) * | 2013-05-09 | 2017-02-08 | 腾讯科技（深圳）有限公司 | 分类函数获取方法、人脸年龄识别方法、装置和设备 |
| WO2016004235A2 (en) * | 2014-07-01 | 2016-01-07 | Hay Ronny | Computer-controlled, unattended, automated checkout store outlet and related method |
| CN104269003A (zh) * | 2014-09-12 | 2015-01-07 | 李龙龙 | 一种食物识别方法、装置及系统 |
| CN105095919A (zh) * | 2015-09-08 | 2015-11-25 | 北京百度网讯科技有限公司 | 图像识别方法和装置 |
| US10083369B2 (en) * | 2016-07-01 | 2018-09-25 | Ricoh Company, Ltd. | Active view planning by deep learning |
| CN105931371B (zh) * | 2016-07-12 | 2018-12-18 | 帮团成都电子商务有限责任公司 | 自动售货机及自动售货方法 |
| CN107248222B (zh) * | 2017-06-09 | 2019-08-23 | 深圳正品创想科技有限公司 | 一种售货方法、装置 |
| CN107491433A (zh) * | 2017-07-24 | 2017-12-19 | 成都知数科技有限公司 | 基于深度学习的电商异常金融商品识别方法 |
| CN107316035A (zh) * | 2017-08-07 | 2017-11-03 | 北京中星微电子有限公司 | 基于深度学习神经网络的对象识别方法及装置 |
| CN107506793B (zh) * | 2017-08-21 | 2020-12-18 | 中国科学院重庆绿色智能技术研究院 | 基于弱标注图像的服装识别方法及系统 |
| CN107833083B (zh) * | 2017-09-25 | 2020-09-04 | 阿里巴巴集团控股有限公司 | 一种货物订单处理方法、装置、服务器、购物终端及系统 |
| CN107679573A (zh) * | 2017-09-30 | 2018-02-09 | 深圳市锐曼智能装备有限公司 | 智慧货柜的物品识别系统及其方法 |
-
2018
- 2018-06-12 CN CN201810601040.XA patent/CN109035558B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN109035558A (zh) | 2018-12-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11188783B2 (en) | Reverse neural network for object re-identification | |
| US10878372B2 (en) | Method, system and device for association of commodities and price tags | |
| US11615623B2 (en) | Object detection in edge devices for barrier operation and parcel delivery | |
| CN111340126B (zh) | 物品识别方法、装置、计算机设备和存储介质 | |
| CN108229297B (zh) | 人脸识别方法和装置、电子设备、计算机存储介质 | |
| CN108416901A (zh) | 智能货柜内货品识别方法及装置、智能货柜 | |
| CN109035558B (zh) | 一种用于无人售货柜的商品识别算法在线学习系统 | |
| US11907339B1 (en) | Re-identification of agents using image analysis and machine learning | |
| CN110431560A (zh) | 目标人物的搜索方法和装置、设备、程序产品和介质 | |
| CN112100425B (zh) | 基于人工智能的标签标注方法、装置、电子设备及介质 | |
| CN111626201A (zh) | 商品检测方法、装置及可读存储介质 | |
| CN111507253B (zh) | 基于人工智能的陈列物品审核方法、装置 | |
| WO2020134102A1 (zh) | 物品识别方法、装置、售货系统和存储介质 | |
| CN109034694B (zh) | 基于智能制造的生产原料智能存储方法及系统 | |
| CN111310706B (zh) | 一种商品价签识别方法及装置、电子设备、存储介质 | |
| CN110049121B (zh) | 一种基于增强现实技术的数据中心巡检系统 | |
| CN111061890A (zh) | 一种标注信息验证的方法、类别确定的方法及装置 | |
| CN110992305A (zh) | 基于深度学习和多目标跟踪技术的包裹计数方法及系统 | |
| CN111353452A (zh) | 一种基于rgb图像的行为识别方法、装置、介质及设备 | |
| CN112580657B (zh) | 一种自学习字符识别方法 | |
| CN115115825A (zh) | 图像中的对象检测方法、装置、计算机设备和存储介质 | |
| WO2021233058A1 (zh) | 监控货架上的物品的方法、计算机和系统 | |
| US11893084B2 (en) | Object detection systems and methods including an object detection model using a tailored training dataset | |
| Achakir et al. | An automated AI-based solution for out-of-stock detection in retail environments | |
| Merrad et al. | A Real-time Mobile Notification System for Inventory Stock out Detection using SIFT and RANSAC. |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: An Online Learning System for Product Identification Algorithm for Unmanned Containers Effective date of registration: 20230530 Granted publication date: 20200825 Pledgee: Bank of China Limited Wuhan Donghu New Technology Development Zone Branch Pledgor: WUHAN HAHA CONVENIENCE TECHNOLOGY Co.,Ltd. Registration number: Y2023980041842 |