CN109559186A - 一种自动分发购物袋的方法、装置及应用 - Google Patents

一种自动分发购物袋的方法、装置及应用 Download PDF

Info

Publication number
CN109559186A
CN109559186A CN201811126052.8A CN201811126052A CN109559186A CN 109559186 A CN109559186 A CN 109559186A CN 201811126052 A CN201811126052 A CN 201811126052A CN 109559186 A CN109559186 A CN 109559186A
Authority
CN
China
Prior art keywords
commodity
shopping bag
merchandise news
image
information
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
CN201811126052.8A
Other languages
English (en)
Inventor
陈子林
王良旗
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.)
Beijing Bangle Network Technology Co Ltd
Original Assignee
Beijing Bangle Network Technology Co Ltd
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 Beijing Bangle Network Technology Co Ltd filed Critical Beijing Bangle Network Technology Co Ltd
Publication of CN109559186A publication Critical patent/CN109559186A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0641—Shopping interfaces
    • 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
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种自动分发购物袋的方法，包括：获得含有商品数量和商品堆积体积数据的商品信息；根据所述含有商品数量和商品堆积体积数据的商品信息计算得到推荐的购物袋信息。本申请还公开了采用上述自动分发购物袋的方法的自动分发购物袋装置和无人商店收银台。

Description

一种自动分发购物袋的方法、装置及应用
技术领域
本申请涉及一种自动分发购物袋的方法，属于图像识别和自动控制技术领域。
背景技术
“自2008年6月1日起，所有超市、商场、集贸市场等商品零售场所一律不得免费提供塑料购物袋。商品零售场所必须对塑料购物袋明码标价，并在商品价外收取塑料购物袋价款。”
如何在没有服务人员情况下，准确获取用户是否需要购物袋，并计算出需要的购物袋大小，同时还要给以用户选择的权利，只有用户真正传达出需要信息的情况下，才完成剩余步骤并扣费，这是在无人便利店场景内一个重要的用户体验问题。
发明内容
为解决上述技术问题，本申请提供一种自动分发购物袋的方法，其特征在于，包括：
获得含有商品数量和商品堆积体积数据的商品信息；
根据所述含有商品数量和商品堆积体积数据的商品信息计算得到推荐的购物袋信息。
可选地，所述购物袋信息包括购物袋数量和购物袋种类。
可选地，所述购物袋种类为1～10种。
可选地，所述购物袋种类为1种，所述购物袋信息是购物袋数量。
可选地，还包括：
根据所述推荐的购物袋信息弹出购物袋；和/或
根据所述推荐的购物袋信息卷出至少一个购物袋的部分袋体，手动取出所需购物袋的其他部分；和/或
根据所述推荐的购物袋信息卷出至少一个购物袋的部分袋体，手动取出所需购物袋的其他部分，自动切段。
可选地，还包括限定手动取出购物袋的个数与所述推荐的购物袋信息中的购物袋数量的差值不高于预设阈值。
可选地，所述预设阈值为0、1、2、3中的至少一个整数。
可选地，还包括：
将推荐的购物袋信息反馈至用户操作界面；
用户在所述用户操作界面选择不提供购物袋或者推荐的购物袋信息；
按照不提供购物袋或按照推荐的购物袋信息提供购物袋。
可选地，还包括：
将推荐的购物袋信息反馈至用户操作界面；
用户在所述用户操作界面选择不提供购物袋、推荐的购物袋信息或者用户自定义的购物袋信息；
不提供购物袋、按照推荐的购物袋信息提供购物袋或者按照用户自定义的购物袋信息提供购物袋。
可选地，还包括：
根据用户选择的购物袋信息将购物袋的费用计入商品总费用中。
所述提供购物袋的方式包括：
弹出购物袋；和/或
卷出至少一个购物袋的部分袋体，手动取出所需购物袋的其他部分；和/或
卷出至少一个购物袋的部分袋体，手动取出所需购物袋的其他部分，自动切段。
可选地，还包括：
限定手动取出购物袋的个数与所述推荐的购物袋信息中的购物袋数量的差值不高于预设阈值。
可选地，所述预设阈值为0、1、2、3中的至少一个整数。
作为一种可选的实施方案，采用基于深度学习的商品识别方法和购物袋分配方法，该方法通过图像识别的方法来解决自助结算场景下商品机器识别问题，通过普通摄像头抓取商品画面，利用基于深度学习的图像识别算法直接识别出商品。该方法不需要借助任何第三方标识识别商品，用户只要将选购商品放在桌面即可实现识别。
可选地，所述商品堆积体积数据包括商品的外观体积、商品的相关体积中的至少一种。
可选地，所述商品的相关体积为所述商品的外观体积的倍数；其中，所述倍数为0.8～1.2倍中的至少一个和/或0.8～1.2倍中的至少一个范围。
可选地，所述商品的个数大于1时，所述商品的相关体积为单个商品的相关体积的加和；任一商品的相关体积独立地选自商品的外观体积的0.8～1.2倍中的至少一个和/或0.8～1.2倍中的至少一个范围。
可选地，所述商品的个数大于1时，所述商品的相关体积为所有商品的外观体积的加和的倍数；其中，所述倍数为0.8～1.2倍中的至少一个和/或0.8～1.2倍中的至少一个范围。可选地，所述含有商品数量和商品堆积体积数据的商品信息，采用包含如下步骤的方法获得：获得含有待检测商品的图像；
将所述含有待检测商品的图像输入基于神经网络的识别系统，所述基于神经网络的识别系统输出待检测商品信息。
可选地，所述获得含有待检测商品的图像至少为二维图像。
可选地，所述获得含有待检测商品的图像至少包括角度和/或景深不同第一图像至第N图像；N≥2。
可选地，所述获得含有待检测商品的图像至少包括不同角度和/或不同景深的第一图像至第N图像；N＝2～4。
可选地，所述基于神经网络的识别系统包括基于区域卷积神经网络的第一神经网络；所述商品的识别方法包括步骤：
(a1)将所述第一图像输入所述第一神经网络，所述第一神经网络输出第一商品信息；将所述第N图像输入所述第一神经网络，所述第一神经网络输出第N商品信息；
(b1)判断所述第N商品信息是否包含在所述第一商品信息中：
如判断结果为是，则将所述第一商品信息作为待检测商品信息输出；
如判断结果为否，则输出反馈结果。
可选地，所述基于神经网络的识别系统包括基于区域卷积神经网络的第一神经网络；所述商品识别方法包括步骤：
(a2)将所述第一图像输入所述第一神经网络，所述第一神经网络输出第一商品信息；
(b2)计算所述第一商品信息中商品总重量，与实际称量的商品总重量对比得到差分数据，判断所述差分数据是否小于等于预设阈值：
如判断结果为是，则将所述第一商品信息作为待检测商品信息输出；
如判断结果为否，则输出反馈结果。
可选地，所述基于神经网络的识别系统包括基于区域卷积神经网络的第一神经网络；所述商品的识别方法包括步骤：
包括步骤：
(a3)将所述第一图像输入所述第一神经网络，所述第一神经网络输出第一商品信息；将所述第N图像输入所述第一神经网络，所述第一神经网络输出第N商品信息；
(b3)判断所述第N商品信息是否包含在所述第一商品信息中；
如判断结果为是，则将所述第一商品信息作为待检测商品信息输出；
如判断结果为否，则执行后续步骤；
(c3)计算所述第一商品信息中商品总重量，与实际称量的商品总重量对比得到差分数据，判断所述差分数据是否小于等于预设阈值：
如判断结果为是，则将所述第一商品信息作为所述待检测商品信息输出；
如判断结果为否，则输出反馈结果。
可选地，所述步骤(b1)和步骤(b3)中判断所述第N商品信息是否包含在所述第一商品信息中的方法为，判断所述第N商品信息中的商品种类是否均存在于所述第一商品信息中。
可选地，所述步骤(b1)和步骤(b3)中判断所述第N商品信息是否包含在所述第一商品信息中的方法为，判断所述第N商品信息中的商品数量是否小于等于所述第一商品信息中的商品数量。
可选地，所述步骤(b1)和步骤(b3)中判断所述第N商品信息是否包含在所述第一商品信息中的方法为，判断所述第N商品信息中的每种商品的数量是否小于等于所述第一商品信息中的商品数量。
可选地，所述步骤(b1)和步骤(b3)中判断所述第N信息是否包含在所述第一商品信息中的方法为，判断所述第N商品信息中的商品堆积体积是否小于等于所述第一商品信息中的商品堆积体积。
可选地，所述步骤(b1)和步骤(b3)为判断所述第N商品信息是否于所述第一商品信息一致；
如判断结果为是，则将所述第一商品信息作为待检测商品信息输出；
如判断结果为否，则执行后续步骤。
可选地，所述步骤(b1)和步骤(b3)中所述第N商品信息是否与所述第一商品信息一致，包括商品种类一致和每种商品的数量一致。
可选地，所述步骤(b2)和步骤(c3)中预设阈值为0.1g至10kg中的至少一个数值。
可选地，所述步骤(b2)和步骤(c3)中预设阈值为第一商品信息中重量最小的商品重量。
可选地，所述步骤(b2)和步骤(c3)中预设阈值为第一商品信息中重量最小的商品重量的10％至80％中的至少一个数值。
可选地，所述步骤(b2)和步骤(c3)中反馈结果包括堆叠提示、错误报告中的至少一种。
可选地，所述含有待检测商品的图像中待检测商品的数量≥1。
可选地，所述含有待检测商品的图像中待检测商品的数量为1～1000。
可选地，所述含有待检测商品的图像中待检测商品的种类≥1。
可选地，所述待检测商品的种类为1～1000。
可选地，基于神经网络的识别系统包括基于区域卷积神经网络的第二神经网络，所述基于神经网络的识别系统由包括以下步骤的方法得到：
获得每件在售商品多角度图像的第一图像集；
使用所述第一图像集训练所述第二神经网络，得到第一神经网络。
可选地，所述训练所述第二神经网络的方法为监督学习方法。
可选地，所述训练所述第二神经网络的方法为：
采用监督学习，使用第一图像集训练所述第二神经网络，得到第三神经网络；
获得在售商品图像的第二图像集；
用第二图像集训练所述第三神经网络，得到第一神经网络。
可选地，所述第二图像集包括经基于神经网络的识别系统输出待检测商品信息的待检测商品的图像。
可选地，所述第二神经网络对商品的识别准确率为80％以上。
可选地，所述用第二图像集训练所述第三神经网络的过程为无监督学习。
可选地，所述商品的识别方法，包括步骤：
(c1)所述步骤(b1)中判断结果为否的情况下，识别所述第一商品信息与所述第N商品信息中差异商品；
(d1)获取步骤(c1)中的所述差异商品的第二图像集，用上述第二图像集强化训练所述第一神经网络。
作为其中一种具体的实施方式，所述商品的识别方法，包括步骤：
(a1)将所述第一图像输入所述第一神经网络，所述第一神经网络输出第一商品信息；将所述第N图像输入所述第一神经网络，所述第一神经网络输出第N商品信息；
(b1)判断所述第N商品信息是否包含在所述第一商品信息中；
(c1)所述步骤(b1)中判断结果为否的情况下，识别所述第一商品信息与所述第N商品信息中差异商品；
(d1)获取步骤(c1)中的所述差异商品的第二图像集，用上述第二图像集强化训练所述第一神经网络。
可选地，所述商品的识别方法，包括步骤：
(c2)收集所述步骤(b2)中判断结果为否的情况下，识别所述第一商品信息中的商品；
(d2)获取步骤(c2)中的所述识别商品的第二图像集，用上述第二图像集强化训练所述第一神经网络。
可选地，所述商品的识别方法，包括步骤：
(d3)所述步骤(c3)中判断结果为否的情况下，识别所述第一商品信息与所述第N商品信息中差异商品；
(e3)获取步骤(d3)中的所述差异商品的第二图像集，用上述第二图像集强化训练所述第一神经网络。
作为其中一种实施方式，所述商品的识别方法，包括步骤：
(a3)将所述第一图像输入所述第一神经网络，所述第一神经网络输出第一商品信息；将所述第N图像输入所述第一神经网络，所述第一神经网络输出第N商品信息；
(b3)判断所述第N商品信息是否包含在所述第一商品信息中；
如判断结果为是，则将所述第一商品信息作为所述待检测商品信息输出；
如判断结果为否，则执行后续步骤；
(c3)计算所述第一商品信息中商品总重量，与实际称量的商品总重量对比得到差分数据，判断所述差分数据是否小于等于预设阈值：
(d3)所述步骤(c3)中判断结果为否的情况下，识别所述第一商品信息与所述第N商品信息中差异商品；
(e3)获取步骤(d3)中的所述差异商品的第二图像集，用上述第二图像集强化训练所述第一神经网络。
可选地，所述商品的识别方法，包括步骤：
(a2)将所述第一图像输入所述第一神经网络，所述第一神经网络输出第一商品信息；
(b2)计算所述第一商品信息中商品总重量，与实际称量的商品总重量对比得到差分数据，判断所述差分数据是否小于等于预设阈值：
(c2)收集所述步骤(b2)中判断结果为否的情况下，识别所述第一商品信息中的商品；
(d2)获取步骤(c2)中的所述识别商品的第二图像集，用上述第二图像集强化训练所述第一神经网络。
可选地，所述商品的识别方法，包括步骤：
(a3)将所述第一图像输入所述第一神经网络，所述第一神经网络输出第一商品信息；将所述第N图像输入所述第一神经网络，所述第一神经网络输出第N商品信息；
(b3)判断所述第N商品信息是否包含在所述第一商品信息中；
如判断结果为是，则将所述第一商品信息作为所述待检测商品信息输出；
如判断结果为否，则执行后续步骤；
(c3)计算所述第一商品信息中商品总重量，与实际称量的商品总重量对比得到差分数据，判断所述差分数据是否小于等于预设阈值：
(d3)收集所述步骤(c3)中判断结果为否的情况下，识别所述第一商品信息中的商品；
(e3)获取步骤(d3)中的所述识别商品的第二图像集，用上述第二图像集强化训练所述第一神经网络。
本申请所述商品识别方法与无人店现有技术商品检测识别方案的差别如表1所示。
表1
本申请的又一方面，提供了一种自动分发购物袋装置，其特征在于，所述自动分发购物袋装置包括：
商品识别单元，用于识别商品的种类、数量、重量、体积中的至少一种；
购物袋发放单元，根据识别到的识别商品的种类、数量、重量、体积中的至少一种，提供购物袋；
所述购物袋发放单元与所述商品识别单元电连接。
可选地，所述体积选自商品的外观体积、商品的相关体积中的至少一种。
可选地，所述提供购物袋的方式包括：
选择相应的购物袋并弹出；和/或根据用户的选择，弹出相应购物袋；和/或
卷出至少一个购物袋的部分袋体，用户手动取出所需购物袋的其他部分；和/或
卷出至少一个购物袋的部分袋体，用户手动取出所需购物袋的其他部分，自动切段。
可选地，所述购物袋发放单元还包括限位机构，
根据识别到的识别商品的种类、数量、重量、体积中的至少一种，限定提供购物袋的数量。
可选地，所述限位机构限定提供购物袋的数量与根据识别到的识别商品的种类、数量、重量、体积中的至少一种推荐的购物袋的数量的差值不高于预设阈值。
可选地，所述预设阈值为0、1、2、3中的至少一个整数。
可选地，所述商品识别单元包括载物台，所述载物台含有重量传感器，用于测量所述载物台上商品总重量。
可选地，所述商品识别单元还包括计算单元，用于运行神经网络识别系统，处理所述摄像单元获取的商品图像；
所述商品识别单元还包括摄像单元，用于获取商品图像；
所述摄像单元与所述计算单元电连接，所述摄像单元获得的商品图像经计算单元，输出识别的商品信息；
所述重量传感器与所述计算单元电连接，将所述载物台上商品的总重量输入所述计算单元。
可选地，所述摄像单元包括至少一个摄像头。
可选地，所述商品识别单元还包括显示单元；
所述显示单元与所述计算单元电连接，所述显示单元显示所述计算单元输出的商品信息。
可选地，所述计算单元可选用常见的本地或者云端识别服务器。
根据本申请的又一方面，提供一种商品识别装置，其特征在于，所述商品识别装置包括：
摄像单元，用于获取商品图像；
计算单元，用于运行神经网络识别系统，处理所述摄像单元获取的商品图像；
显示单元，用于显示所述计算单元输出的商品信息；
所述计算单元与所述摄像单元和所述显示单元电连接。
可选地，所述摄像单元包括至少两个获取不同角度和/或景深的商品图像的摄像头。
可选地，所述摄像单元包括至少2至4个获取不同角度和/或景深的商品图像的摄像头。
可选地，所述摄像单元包括第一摄像头和第二摄像头；
所述第一摄像头和第二摄像头分别从不同角度获取商品图像。
可选地，商品识别装置包括载物台，所述载物台含有重量传感器，用于测量所述载物台上商品总重量；
所述重量传感器与所述计算单元电连接，将所述载物台上商品的总重量输入所述计算单元。在2D图像识别中，一个严重的异常是因为堆叠或极端角度某一物品完全被另外物品遮挡或大部分被遮挡，没要足够的细节来用以识别。为了准确判断商品内有无堆叠情况，本申请结合重量传感器来解决该问题，合计识别结果中的物品重量与识别装置内的重量传感器实际称重，如果不一致，给出堆叠结论。
可选地，所述摄像单元包括二个普通网络摄像头，二个可调整任意角度的固定器，一台可运行图片上传的持续的计算机，一个高精度重量传感器。主要工作流程为：计算机上运行一个图像抓取程序，该程序可以将同一时间的两个摄像头抓取的画面图像上传到远程服务器，远程服务器将识别结果返回。此方案成本极低，工作计算机也只需要最基础配置即可。
可选地，所述摄像单元包括2-4个固定镜头高清摄像头，相应数量的可调节角度固定器，一个高精度重量传感器，一台带显存2G以上显卡的计算机。主要工作流程为，算机上运行一个图像抓取程序，该程序可以将同一时间的两个摄像头抓取的画面图像在本地识别。
可选地，商品识别装置可批量检测(低成本方案)，采用多个普通摄像头，从不同角度获得待检测商品的图像。
多个不同角度的摄像头可以解决商品在同一个2D图片中因为摆放角度和物品高度差异产生的遮挡问题。基本上3个摄像头可以实现无死角获取待识别所需信息，合适的摄像头机位情况下，2个摄像头也可以达到较理想效果。
根据本申请的又一方面，提供一种无人商品收银台，其特征在于，所述无人商品收银台采用上述任一商品识别方法进行商品识别。
根据本申请的又一方面，提供一种无人商品收银台，其特征在于，所述无人商品收银台采用上述任一商品识别装置。
根据本申请的又一方面，提供一种无人商品收银台，其特征在于，所述无人商品收银台采用上述任一项所述的自动分发购物袋装置中的至少一种。
本申请的有益效果包括但不限于：
(1)本申请所提供的自动分发购物袋装置和方法，是基于深度学习的可持续性学习的方法，不需要借助任何第三方标识识别商品，用户只要将选购商品放在桌面即可实现识别并自动给出适合的购物袋。
(2)本申请所提供的自动分发购物袋装置和方法，通过普通摄像头抓取商品画面，可实现批量商品的快速检测，大幅降低了商品识别的成本和速度，并使得智能分配购物袋更加高效和适用。
附图说明
图1是本申请一种实施方式中商品识别方法的流程图。
图2是本申请一种实施方式中自动分发购物袋的流程图。
图3应用了本申请一种实施方式中无人商品收银台的无人便利店的时序图。
具体实施方式
下面结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本申请的一部分实施例，而不是全部实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本申请保护的范围。
如无特殊说明，本申请所用元器件、仪器设备均来自商业购买，未经改装直接使用，所用仪器设备采用厂家推荐的方案和参数。
图1是本申请一种具体实施方式中商品识别方法的流程图。图1采用包括N个摄像头的商品识别装置(装置图未示出)，N个摄像头中，位于载物台正上方的摄像头为主摄像头，记为第一摄像头；商品识别方法包括如下步骤：
N个摄像头分别从不同的角度，获得待识别物品的图片，分别记为P1、P2.....PN，其中主摄像头拍摄的图片为P1；
将P1、P2......PN上传到本地识别服务器或云端识别服务器，对各张图片进行识别，识别出的商品信息分别记为R1、R2....RN，商品信息中包括商品的类别信息和数量信息，其中，主摄像头的识别结果R1为第一商品信息，其他摄像头的识别结果R2......RN分别为第二商品信息......第N商品信息；
以两个摄像头为例，判断R2(第二商品信息)是否包含在R1(第一商品信息)中；
如果如判断结果为是，则将R1作为所述待检测商品信息输出；
如判断结果为否，则输出最终识别结果并计算所述R1中商品的总重量，其与实际称量的商品总重量对比得到差分数据，判断所述差分数据是否小于等于预设阈值：
如判断结果为是，则将所述R1作为所述待检测商品信息输出，显示R1中的信息，即包含商品的类别信息、数量信息、重量信息和价格信息的商品列表；
如判断结果为否，则显示堆叠提示信息。
作为可选地实施方式，所述含有商品数量和商品堆积体积数据的商品信息，采用包含如下步骤的方法获得：
获得含有待检测商品的图像；
将所述含有待检测商品的图像输入基于神经网络的识别系统，所述基于神经网络的识别系统输出商品信息。
可选地，所述获得含有待检测商品的图像至少包括不同角度和/或不同景深的第一图像至第N图像；N＝2～4。
可选地，所述基于神经网络的识别系统包括基于区域卷积神经网络的第一神经网络；所述商品的识别方法包括步骤：
(a1)将所述第一图像输入所述第一神经网络，所述第一神经网络输出第一商品信息；将所述第N图像输入所述第一神经网络，所述第一神经网络输出第N商品信息；
(b1)判断所述第N商品信息是否包含在所述第一商品信息中；
如判断结果为是，则将所述第一商品信息作为待检测商品信息输出；
如判断结果为否，则输出反馈结果。
可选地，所述基于神经网络的识别系统包括基于区域卷积神经网络的第一神经网络；所述商品的识别方法包括步骤：
(a2)将所述第一图像输入所述第一神经网络，所述第一神经网络输出第一商品信息；
(b2)计算所述第一商品信息中商品总重量，与实际称量的商品总重量对比得到差分数据，判断所述差分数据是否小于等于预设阈值：
如判断结果为是，则将所述第一商品信息作为待检测商品信息输出；
如判断结果为否，则输出反馈结果。
可选地，所述基于神经网络的识别系统包括基于区域卷积神经网络的第一神经网络；所述商品的识别方法包括步骤：
(a3)将所述第一图像输入所述第一神经网络，所述第一神经网络输出第一商品信息；将所述第N图像输入所述第一神经网络，所述第一神经网络输出第N商品信息；
(b3)判断所述第N商品信息是否包含在所述第一商品信息中；
如判断结果为是，则将所述第一商品信息作为待检测商品信息输出；
如判断结果为否，则执行后续步骤；
(c3)计算所述第一商品信息中商品总重量，与实际称量的商品总重量对比得到差分数据，判断所述差分数据是否小于等于预设阈值：
如判断结果为是，则将所述第一商品信息作为所述待检测商品信息输出；
如判断结果为否，则输出反馈结果。
可选地，所述步骤(b1)和步骤(b3)中判断所述第N商品信息是否包含在所述第一商品信息中的方法为，判断所述第N商品信息中的商品种类是否均存在于所述第一商品信息中。
可选地，所述步骤(b1)和步骤(b3)中判断所述第N商品信息是否包含在所述第一商品信息中的方法为，判断所述第N商品信息中的商品数量是否小于等于所述第一商品信息中的商品数量。
可选地，所述步骤(b1)和步骤(b3)中判断所述第N商品信息是否包含在所述第一商品信息中的方法为，判断所述第N商品信息中的每种商品的数量是否小于等于所述第一商品信息中的商品数量。
可选地，所述步骤(b1)和步骤(b3)中判断所述第N信息是否包含在所述第一商品信息中的方法为，判断所述第N商品信息中的商品体积是否小于等于所述第一商品信息中的商品体积。
可选地，所述步骤(b1)和步骤(b3)为判断所述第N商品信息是否与所述第一商品信息一致；
如判断结果为是，则将所述第一商品信息作为待检测商品信息输出；
如判断结果为否，则执行后续步骤。
可选地，所述步骤(b1)和步骤(b3)中所述第N商品信息是否与所述第一商品信息一致，包括商品种类一致和每种商品的数量一致。
可选地，所述步骤(b2)和步骤(c3)中预设阈值为0.1g至10kg中的至少一个数值。
可选地，所述步骤(b2)和步骤(c3)中预设阈值为第一商品信息中重量最小的商品重量。
可选地，所述步骤(b2)和步骤(c3)中预设阈值为第一商品信息中重量最小的商品重量的10％至80％中的至少一个数值。
可选地，所述步骤(b2)和步骤(c3)中反馈结果包括堆叠提示、错误报告中的至少一种。
可选地，所述含有待检测商品的图像中待检测商品的数量≥1。
可选地，所述含有待检测商品的图像中待检测商品的数量为1～1000。
可选地，所述含有待检测商品的图像中待检测商品的种类≥1。
可选地，所述待检测商品的种类为1～1000。
可选地，基于神经网络的识别系统包括基于区域卷积神经网络的第二神经网络，所述基于神经网络的识别系统由包括以下步骤的方法得到：
获得每件在售商品多角度图像的第一图像集；
使用所述第一图像集训练所述第二神经网络，得到第一神经网络。
可选地，所述训练所述第二神经网络的方法为监督学习方法。
可选地，所述训练所述第二神经网络的方法为：
采用监督学习，使用第一图像集训练所述第二神经网络，得到第三神经网络；
获得在售商品图像的第二图像集；
用所述第二图像集训练所述第三神经网络，得到第一神经网络。
可选地，所述第二图像集包括经基于神经网络的识别系统输出待检测商品信息的待检测商品的图像。
可选地，所述第二神经网络对商品的识别准确率为80％以上。
所述用第二图像集训练所述第三神经网络的过程为无监督学习。
可选地，所述商品的识别方法，包括步骤：
(c1)所述步骤(b1)中判断结果为否的情况下，识别所述第一商品信息与所述第N商品信息中差异商品；
(d1)获取步骤(c1)中的所述差异商品的第二图像集，用上述第二图像集强化训练所述第一神经网络。
可选地，所述商品的识别方法，包括步骤：
(c2)收集所述步骤(b2)中判断结果为否的情况下，识别所述第一商品信息中的商品；
(d2)获取步骤(c2)中的所述识别商品的第二图像集，用上述第二图像集强化训练所述第一神经网络。
可选地，所述商品的识别方法，包括步骤：
(d3)所述步骤(c3)中判断结果为否的情况下，识别所述第一商品信息与所述第N商品信息中差异商品；
(e3)获取步骤(d3)中的所述差异商品的第二图像集，用上述第二图像集强化训练所述第一神经网络。
可选地，所述商品的识别方法，包括步骤：
(d3)收集所述步骤(c3)中判断结果为否的情况下，识别所述第一商品信息中的商品；
(e3)获取步骤(d3)中的所述识别商品的第二图像集，用上述第二图像集强化训练所述第一神经网络。
本申请的自动分发购物袋的方法，如图2所示，包括步骤：
步骤101：获得含有商品数量和商品堆积体积数据的商品信息；
步骤102：根据所述含有商品数量和商品堆积体积数据的商品信息计算得到推荐的购物袋信息。
本步骤中，一个可选的具体的实施方式是，所述购物袋信息包括购物袋数量和购物袋种类。
本步骤中，一个可选的具体的实施方式是，所述购物袋种类为1～10种。
本步骤中，一个可选的具体的实施方式是，所述购物袋种类为1种，所述购物袋信息是购物袋数量。
可选地，还包括：
根据所述推荐的购物袋信息弹出购物袋；和/或
根据所述推荐的购物袋信息卷出至少一个购物袋的部分袋体，手动取出所需购物袋的其他部分；和/或
根据所述推荐的购物袋信息卷出至少一个购物袋的部分袋体，手动取出所需购物袋的其他部分，自动切段。
可选地，还包括：
限定手动取出购物袋的个数与所述推荐的购物袋信息中的购物袋数量的差值不高于预设阈值。
作为一种可选地实施方式，所述预设阈值为0、1、2、3中的至少一个整数。
可选地，还包括：
将推荐的购物袋信息反馈至用户操作界面；
用户在所述用户操作界面选择不提供购物袋或者推荐的购物袋信息；
按照不提供购物袋或按照推荐的购物袋信息提供购物袋。
可选地，还包括：
将推荐的购物袋信息反馈至用户操作界面；
用户在所述用户操作界面选择不提供购物袋、推荐的购物袋信息或者用户自定义的购物袋信息；
不提供购物袋、按照推荐的购物袋信息提供购物袋或者按照用户自定义的购物袋信息提供购物袋。
可选地，还包括：
根据用户选择的购物袋信息将购物袋的费用计入商品总费用中。
作为一种可选地实施方式，所述提供购物袋的方式包括：弹出购物袋。
作为一种可选地实施方式，所述提供购物袋的方式包括：卷出至少一个购物袋的部分袋体，手动取出所需购物袋的其他部分。
作为一种可选地实施方式，所述提供购物袋的方式包括：卷出至少一个购物袋的部分袋体，手动取出所需购物袋的其他部分，自动切段。
作为一种可选地实施方式，所述提供购物袋的方式包括：弹出购物袋。
可选地，还包括：
限定手动取出购物袋的个数与所述推荐的购物袋信息中的购物袋数量的差值不高于预设阈值。
作为一种可选地实施方式，所述预设阈值为0、1、2、3中的至少一个整数。
所述商品堆积体积数据包括商品的外观体积、商品的相关体积中的至少一种。
可选地，所述商品的相关体积为所述商品的外观体积的倍数；其中，所述倍数为0.8～1.2倍中的至少一个和/或0.8～1.2倍中的至少一个范围。
可选地，所述商品的个数大于1时，所述商品的相关体积为单个商品的相关体积的加和；任一商品的相关体积独立地选自商品的外观体积的0.8～1.2倍中的至少一个和/或0.8～1.2倍中的至少一个范围。
可选地，所述商品的个数大于1时，所述商品的相关体积为所有商品的外观体积的加和的倍数；其中，所述倍数为0.8～1.2倍中的至少一个和/或0.8～1.2倍中的至少一个范围。
如以2个商品为例，商品的相关体积为商品1和商品2的外观体积相加，然后乘以0.8倍；或，商品的相关体积为商品1的外观体积的0.8倍与商品2的外观体积的1.1倍的加和。
作为一种可选的实施方案，采用基于深度学习的商品识别方法和购物袋分配方法，该方法通过图像识别的方法来解决自助结算场景下商品机器识别问题，通过普通摄像头抓取商品画面，利用基于深度学习的图像识别算法直接识别出商品。该方法不需要借助任何第三方标识识别商品，用户只要将选购商品放在桌面即可实现识别。
图3应用了本申请一种实施方式中无人商品收银台的无人便利店的时序图。如图3所示，顾客在无人便利店中的购物步骤如下：
顾客选择完商品后，将所有商品放置于无人商品收银台(也是商品识别装置中的载物台)上；
载物台感应到重量>0，触发商品识别装置启动商品识别程序；
摄像头拍摄载物台上的商品，获得商品图片，并将商品图片Base64编码POST到图像识别服务器，进行图像识别；
图像识别的结果(包括所有商品品名、价格、总重量)的信息与载物台实际称量得到的总重量比对，得到差分数据；
当差分数据小于等于预设阈值时，判断为[实际称重与范围重量一致]，则向订单处理接口请求生成订单；
当差分数据大于预设阈值时，判断为[实际称重与范围重量不一致]，则在操作界面显示堆叠提示，提示顾客挪动商品，使摄像头可拍摄到堆叠在下层被遮挡住的商品；摄像头重新拍摄载物台上的商品，获得新的商品图片...直至差分数据小于等于预设阈值，向订单处理接口请求生成订单；
订单处理接口收到生成订单请求，发出支付二维码字符串，在操作界面生成支付二维码；
顾客扫描支付二维码；
支付成功后，消息SOCKET发送支付成功的消息，对载物台上的商品进行消磁；
消息SOCKET向安全通道发送人脸识别消息；
顾客携带商品通过包括检测装置的安全通道，如未检测到未消磁标签，大门开启，顾客走出无人购物便利店；如检测到未消磁标签，则发出未支付警告，大门不开启。
作为其中一种实施方式，所述无人商品收银台(包含自动分发购物袋装置)，所述自动分发购物袋装置包括：
商品识别单元，用于识别商品的种类、数量、重量、体积中的至少一种；
购物袋发放单元，根据识别到的识别商品的种类、数量、重量、体积中的至少一种，提供购物袋；
所述购物袋发放单元与所述商品识别单元电连接。
可选地，所述提供购物袋的方式包括：
选择相应的购物袋并弹出；和/或根据用户的选择，弹出相应购物袋；和/或
卷出至少一个购物袋的部分袋体，用户手动取出所需购物袋的其他部分；和/或
卷出至少一个购物袋的部分袋体，用户手动取出所需购物袋的其他部分，自动切段。
可选地，所述购物袋发放单元还包括限位机构，
根据识别到的识别商品的种类、数量、重量、体积中的至少一种，限定提供购物袋的数量。
可选地，所述限位机构限定提供购物袋的数量与根据识别到的识别商品的种类、数量、重量、体积中的至少一种推荐的购物袋的数量的差值不高于预设阈值。
可选地，所述预设阈值为0、1、2、3中的至少一个整数。
可选地，所述商品识别单元包括载物台，所述载物台含有重量传感器，用于测量所述载物台上商品总重量。
可选地，所述商品识别单元还包括计算单元，用于运行神经网络识别系统，处理所述摄像单元获取的商品图像；
所述商品识别单元还包括摄像单元，用于获取商品图像；
所述摄像单元与所述计算单元电连接，所述摄像单元获得的商品图像经计算单元，输出识别的商品信息；
所述重量传感器与所述计算单元电连接，将所述载物台上商品的总重量输入所述计算单元。
可选地，所述商品识别单元还包括显示单元；
所述显示单元与所述计算单元电连接，所述显示单元显示所述计算单元输出的商品信息。
以上所述，仅是本申请的几个实施例，并非对本申请做任何形式的限制，虽然本申请以较佳实施例揭示如上，然而并非用以限制本申请，任何熟悉本专业的技术人员，在不脱离本申请技术方案的范围内，利用上述揭示的技术内容做出些许的变动或修饰均等同于等效实施案例，均属于技术方案范围内。

Claims (10)

1.一种自动分发购物袋的方法，其特征在于，包括：
获得含有商品数量和商品堆积体积数据的商品信息；
根据所述含有商品数量和商品堆积体积数据的商品信息计算得到推荐的购物袋信息。
2.根据权利要求1所述的自动分发购物袋的方法，其特征在于，所述购物袋信息包括购物袋数量和购物袋种类；
优选地，所述购物袋种类为1种，所述购物袋信息是购物袋数量；
还包括：
根据所述推荐的购物袋信息弹出购物袋；和/或
根据所述推荐的购物袋信息卷出至少一个购物袋的部分袋体，手动取出所需购物袋的其他部分；和/或
根据所述推荐的购物袋信息卷出至少一个购物袋的部分袋体，手动取出所需购物袋的其他部分，自动切段；
优选地，还包括：
将推荐的购物袋信息反馈至用户操作界面；
用户在所述用户操作界面选择不提供购物袋或者推荐的购物袋信息；
按照不提供购物袋或按照推荐的购物袋信息提供购物袋；
优选地，还包括：
将推荐的购物袋信息反馈至用户操作界面；
用户在所述用户操作界面选择不提供购物袋、推荐的购物袋信息或者用户自定义的购物袋信息；
不提供购物袋、按照推荐的购物袋信息提供购物袋或者按照用户自定义的购物袋信息提供购物袋；
优选地，所述商品堆积体积数据包括商品的外观体积、商品的相关体积中的至少一种；
优选地，所述含有商品数量和商品堆积体积数据的商品信息，采用包含如下步骤的方法获得：
获得含有待检测商品的图像；
将所述含有待检测商品的图像输入基于神经网络的识别系统，所述基于神经网络的识别系统输出商品信息。
3.根据权利要求2所述的自动分发购物袋的方法，其特征在于，所述购物袋种类为1～10种；
优选地，还包括：
限定手动取出购物袋的个数与所述推荐的购物袋信息中的购物袋数量的差值不高于预设阈值；
优选地，还包括：
根据用户选择的购物袋信息将购物袋的费用计入商品总费用中；
优选地，所述提供购物袋的方式包括：
弹出购物袋；和/或
卷出至少一个购物袋的部分袋体，手动取出所需购物袋的其他部分；和/或
卷出至少一个购物袋的部分袋体，手动取出所需购物袋的其他部分，自动切段；
优选地，所述商品的相关体积为所述商品的外观体积的倍数；其中，所述倍数为0.8～1.2倍中的至少一个和/或0.8～1.2倍中的至少一个范围；
优选地，所述商品的个数大于1时，所述商品的相关体积为单个商品的相关体积的加和；任一商品的相关体积独立地选自商品的外观体积的0.8～1.2倍中的至少一个和/或0.8～1.2倍中的至少一个范围；
优选地，所述商品的个数大于1时，所述商品的相关体积为所有商品的外观体积的加和的倍数；其中，所述倍数为0.8～1.2倍中的至少一个和/或0.8～1.2倍中的至少一个范围；
优选地，所述获得含有待检测商品的图像至少包括不同角度和/或不同景深的第一图像至第N图像；N＝2～4；
优选地，所述含有待检测商品的图像中待检测商品的数量≥1；
优选地，所述含有待检测商品的图像中待检测商品的数量为1～1000；
优选地，所述含有待检测商品的图像中待检测商品的种类≥1；
优选地，所述待检测商品的种类为1～1000；
优选地，基于神经网络的识别系统包括基于区域卷积神经网络的第二神经网络，所述基于神经网络的识别系统由包括以下步骤的方法得到：
获得每件在售商品多角度图像的第一图像集；
使用所述第一图像集训练所述第二神经网络，得到第一神经网络；
优选地，所述预设阈值为0、1、2、3中的至少一个整数；
优选地，还包括：
限定手动取出购物袋的个数与所述推荐的购物袋信息中的购物袋数量的差值不高于预设阈值；
优选地，所述基于神经网络的识别系统包括基于区域卷积神经网络的第一神经网络；所述商品的识别方法包括步骤：
(a1)将所述第一图像输入所述第一神经网络，所述第一神经网络输出第一商品信息；将所述第N图像输入所述第一神经网络，所述第一神经网络输出第N商品信息；
(b1)判断所述第N商品信息是否包含在所述第一商品信息中；
如判断结果为是，则将所述第一商品信息作为待检测商品信息输出；
如判断结果为否，则输出反馈结果；
优选地，所述基于神经网络的识别系统包括基于区域卷积神经网络的第一神经网络；所述商品的识别方法包括步骤：
(a2)将所述第一图像输入所述第一神经网络，所述第一神经网络输出第一商品信息；
(b2)计算所述第一商品信息中商品总重量，与实际称量的商品总重量对比得到差分数据，判断所述差分数据是否小于等于预设阈值：
如判断结果为是，则将所述第一商品信息作为待检测商品信息输出；
如判断结果为否，则输出反馈结果；
优选地，所述基于神经网络的识别系统包括基于区域卷积神经网络的第一神经网络；所述商品的识别方法包括步骤：
(a3)将所述第一图像输入所述第一神经网络，所述第一神经网络输出第一商品信息；将所述第N图像输入所述第一神经网络，所述第一神经网络输出第N商品信息；
(b3)判断所述第N商品信息是否包含在所述第一商品信息中；
如判断结果为是，则将所述第一商品信息作为待检测商品信息输出；
如判断结果为否，则执行后续步骤；
(c3)计算所述第一商品信息中商品总重量，与实际称量的商品总重量对比得到差分数据，判断所述差分数据是否小于等于预设阈值：
如判断结果为是，则将所述第一商品信息作为所述待检测商品信息输出；
如判断结果为否，则输出反馈结果；
优选地，所述训练所述第二神经网络的方法为监督学习方法；
优选地，所述训练所述第二神经网络的方法为：
采用监督学习，使用第一图像集训练所述第二神经网络，得到第三神经网络；
获得在售商品图像的第二图像集；
用所述第二图像集训练所述第三神经网络，得到第一神经网络。
4.根据权利要求3所述的自动分发购物袋的方法，其特征在于，所述预设阈值为0、1、2、3中的至少一个整数；
优选地，所述步骤(b1)和步骤(b3)中判断所述第N商品信息是否包含在所述第一商品信息中的方法为，判断所述第N商品信息中的商品种类是否均存在于所述第一商品信息中；
优选地，所述步骤(b1)和步骤(b3)中判断所述第N商品信息是否包含在所述第一商品信息中的方法为，判断所述第N商品信息中的商品数量是否小于等于所述第一商品信息中的商品数量；
优选地，所述步骤(b1)和步骤(b3)中判断所述第N商品信息是否包含在所述第一商品信息中的方法为，判断所述第N商品信息中的每种商品的数量是否小于等于所述第一商品信息中的商品数量；
优选地，所述步骤(b1)和步骤(b3)中判断所述第N信息是否包含在所述第一商品信息中的方法为，判断所述第N商品信息中的商品堆积体积是否小于等于所述第一商品信息中的商品堆积体积；
优选地，所述步骤(b1)和步骤(b3)为判断所述第N商品信息是否与所述第一商品信息一致；
如判断结果为是，则将所述第一商品信息作为待检测商品信息输出；
如判断结果为否，则执行后续步骤；
优选地，所述步骤(b2)和步骤(c3)中预设阈值为0.1g至10kg中的至少一个数值；
优选地，所述步骤(b2)和步骤(c3)中预设阈值为第一商品信息中重量最小的商品重量；
优选地，所述步骤(b2)和步骤(c3)中预设阈值为第一商品信息中重量最小的商品重量的10％至80％中的至少一个数值；
优选地，所述步骤(b2)和步骤(c3)中反馈结果包括堆叠提示、错误报告中的至少一种；
优选地，所述第二图像集包括经基于神经网络的识别系统输出待检测商品信息的待检测商品的图像；
优选地，所述第二神经网络对商品的识别准确率为80％以上；
优选地，所述用第二图像集训练所述第三神经网络的过程为无监督学习；
优选地，所述商品的识别方法，包括步骤：
(c1)所述步骤(b1)中判断结果为否的情况下，识别所述第一商品信息与所述第N商品信息中差异商品；
(d1)获取步骤(c1)中的所述差异商品的第二图像集，用上述第二图像集强化训练所述第一神经网络；
优选地，所述商品的识别方法，包括步骤：
(c2)收集所述步骤(b2)中判断结果为否的情况下，识别所述第一商品信息中的商品；
(d2)获取步骤(c2)中的所述识别商品的第二图像集，用上述第二图像集强化训练所述第一神经网络；
优选地，所述商品的识别方法，包括步骤：
(d3)所述步骤(c3)中判断结果为否的情况下，识别所述第一商品信息与所述第N商品信息中差异商品；
(e3)获取步骤(d3)中的所述差异商品的第二图像集，用上述第二图像集强化训练所述第一神经网络；
优选地，所述商品的识别方法，包括步骤：
(d3)收集所述步骤(c3)中判断结果为否的情况下，识别所述第一商品信息中的商品；
(e3)获取步骤(d3)中的所述识别商品的第二图像集，用上述第二图像集强化训练所述第一神经网络。
5.根据权利要求6所述的自动分发购物袋的方法，其特征在于，所述步骤(b1)和步骤(b3)中所述第N商品信息是否与所述第一商品信息一致，包括商品种类一致和每种商品的数量一致。
6.一种自动分发购物袋装置，其特征在于，所述自动分发购物袋装置包括：
商品识别单元，用于识别商品的种类、数量、重量、体积中的至少一种；
购物袋发放单元，根据识别到的识别商品的种类、数量、重量、体积中的至少一种，提供购物袋；
所述购物袋发放单元与所述商品识别单元电连接。
7.根据权利要求6所述的自动分发购物袋装置，其特征在于，所述提供购物袋的方式包括：
选择相应的购物袋并弹出；和/或根据用户的选择，弹出相应购物袋；和/或
卷出至少一个购物袋的部分袋体，用户手动取出所需购物袋的其他部分；和/或
卷出至少一个购物袋的部分袋体，用户手动取出所需购物袋的其他部分，自动切段；
优选地，所述购物袋发放单元还包括限位机构，
根据识别到的识别商品的种类、数量、重量、体积中的至少一种，限定提供购物袋的数量；
优选地，所述商品识别单元包括载物台，所述载物台含有重量传感器，用于测量所述载物台上商品总重量；
优选地，所述商品识别单元还包括计算单元，用于运行神经网络识别系统，处理所述摄像单元获取的商品图像；
所述商品识别单元还包括摄像单元，用于获取商品图像；
所述摄像单元与所述计算单元电连接，所述摄像单元获得的商品图像经计算单元，输出识别的商品信息；
所述重量传感器与所述计算单元电连接，将所述载物台上商品的总重量输入所述计算单元。
8.根据权利要求7所述的自动分发购物袋的装置，其特征在于，所述限位机构限定提供购物袋的数量与根据识别到的识别商品的种类、数量、重量、体积中的至少一种推荐的购物袋的数量的差值不高于预设阈值；
优选地，所述商品识别单元还包括显示单元；
所述显示单元与所述计算单元电连接，所述显示单元显示所述计算单元输出的商品信息。
9.根据权利要求8所述的自动分发购物袋的装置，其特征在于，所述预设阈值为0、1、2、3中的至少一个整数。
10.一种无人商品收银台，其特征在于，所述无人商品收银台采用权利要求6至9任一项所述的自动分发购物袋装置中的至少一种。
CN201811126052.8A 2017-09-27 2018-09-26 一种自动分发购物袋的方法、装置及应用 Pending CN109559186A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2017108909995 2017-09-27
CN201710890999 2017-09-27

Publications (1)

Publication Number Publication Date
CN109559186A true CN109559186A (zh) 2019-04-02

Family

ID=65864803

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811126052.8A Pending CN109559186A (zh) 2017-09-27 2018-09-26 一种自动分发购物袋的方法、装置及应用

Country Status (1)

Country Link
CN (1) CN109559186A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111311095A (zh) * 2020-02-14 2020-06-19 浙江大华技术股份有限公司 执行提示处理的方法、装置、存储介质及电子装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6189789B1 (en) * 1998-09-09 2001-02-20 International Business Machines Corporation Method and system for a merchandise checkout system
CN102326187A (zh) * 2008-12-23 2012-01-18 数据逻辑扫描公司 识别和结算物体的方法和系统
DE202013003854U1 (de) * 2013-04-25 2013-06-14 Falk Bäker Tragetaschen-Set zum passgerechten Einhängen in Einkaufswagen
CN104103135A (zh) * 2014-07-17 2014-10-15 张国铭 一种基于射频识别的物品自动结算纠错系统及方法
CN203941580U (zh) * 2014-02-21 2014-11-12 陆卫先 一种自助购物系统
CN106779531A (zh) * 2016-11-25 2017-05-31 慈溪太平鸟物流有限公司 一种拣货路径生成方法及装置
CN107878520A (zh) * 2018-02-05 2018-04-06 张鹏 一种可拼接的手推车

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6189789B1 (en) * 1998-09-09 2001-02-20 International Business Machines Corporation Method and system for a merchandise checkout system
CN102326187A (zh) * 2008-12-23 2012-01-18 数据逻辑扫描公司 识别和结算物体的方法和系统
DE202013003854U1 (de) * 2013-04-25 2013-06-14 Falk Bäker Tragetaschen-Set zum passgerechten Einhängen in Einkaufswagen
CN203941580U (zh) * 2014-02-21 2014-11-12 陆卫先 一种自助购物系统
CN104103135A (zh) * 2014-07-17 2014-10-15 张国铭 一种基于射频识别的物品自动结算纠错系统及方法
CN106779531A (zh) * 2016-11-25 2017-05-31 慈溪太平鸟物流有限公司 一种拣货路径生成方法及装置
CN107878520A (zh) * 2018-02-05 2018-04-06 张鹏 一种可拼接的手推车

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李姗姗: "基于PCA的实时人脸识别系统的设计与实现", 《中国优秀硕士学位论文全文数据库》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111311095A (zh) * 2020-02-14 2020-06-19 浙江大华技术股份有限公司 执行提示处理的方法、装置、存储介质及电子装置
CN111311095B (zh) * 2020-02-14 2023-09-01 浙江大华技术股份有限公司 执行提示处理的方法、装置、存储介质及电子装置

Similar Documents

Publication Publication Date Title
CN109559457B (zh) 基于神经网络识别商品的收银方法以及自助收银台
KR102454854B1 (ko) 영상 모니터링에 기반하는 물품 감지 시스템 및 물품 감지 방법
CN108269371B (zh) 商品自动结算方法、装置、自助收银台
CN109300263B (zh) 基于卷积神经网络的图像识别技术的结算方法和装置
CN109559453A (zh) 用于自动结算的人机交互装置及其应用
US10943128B2 (en) Constructing shopper carts using video surveillance
US11587149B2 (en) Associating shoppers together
CN108460908A (zh) 自动售货方法和系统以及自动售货装置和自动贩售机
CN109508974B (zh) 一种基于特征融合的购物结账系统和方法
CN111222870B (zh) 结算方法、装置和系统
KR101960900B1 (ko) 제품 식별 방법
WO2020134102A1 (zh) 物品识别方法、装置、售货系统和存储介质
WO2019127618A1 (zh) 结算方法、装置和系统
CN109726759A (zh) 无人售货方法、装置、系统、电子设备及计算机可读介质
US12093889B2 (en) Method, a device and a system for checkout
CN110276892A (zh) 无人售货方法、装置、设备及存储介质
WO2019165895A1 (zh) 自动售货方法和系统以及自动售货装置和自动贩售机
CN109190706A (zh) 无人售货方法、装置及系统
CN107798790A (zh) 信息处理装置及控制方法、终端设备
CN108961559A (zh) 智能化售货系统及其售货方法
CN111428743B (zh) 商品识别方法、商品处理方法、装置及电子设备
CN109460505A (zh) 一种推荐购物袋的方法
CN109559186A (zh) 一种自动分发购物袋的方法、装置及应用
CN110955879A (zh) 设备控制方法、装置、计算机设备和存储介质
CN208433046U (zh) 自动贩售机和自动售货系统

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

Application publication date: 20190402