CN110032654A - 一种基于人工智能的超市商品录入方法及系统 - Google Patents

一种基于人工智能的超市商品录入方法及系统 Download PDF

Info

Publication number
CN110032654A
CN110032654A CN201910316909.0A CN201910316909A CN110032654A CN 110032654 A CN110032654 A CN 110032654A CN 201910316909 A CN201910316909 A CN 201910316909A CN 110032654 A CN110032654 A CN 110032654A
Authority
CN
China
Prior art keywords
commodity
supermarket
neural network
network model
training
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
Application number
CN201910316909.0A
Other languages
English (en)
Other versions
CN110032654B (zh
Inventor
戴鸿君
于治楼
裘肖明
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.)
Shandong Inspur Science Research Institute Co Ltd
Original Assignee
Jinan Inspur Hi Tech Investment and Development 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 Jinan Inspur Hi Tech Investment and Development Co Ltd filed Critical Jinan Inspur Hi Tech Investment and Development Co Ltd
Priority to CN201910316909.0A priority Critical patent/CN110032654B/zh
Publication of CN110032654A publication Critical patent/CN110032654A/zh
Application granted granted Critical
Publication of CN110032654B publication Critical patent/CN110032654B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Library & Information Science (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于人工智能的超市商品录入方法及系统，属于图像处理技术领域，本发明要解决的技术问题为如何在深度神经网络的基础通过人工智能完成超市商品的录入，提高工作效率，降低人工劳动强度，节省劳动力，采用的技术方案为：①该方法是使用超市已有的商品来训练级联深度卷积神经网络模型，当需要录入新进商品时只需要将商品放入摄像头下扫描即可自动填入商品的名称、分类以及价格的信息，从而完成商品录入。②该系统包括商品数据集建立模块、图片预处理模块、级联深度神经网络模型建立模块、级联深度神经网络模型训练模块以及自动录入模块。

Description

一种基于人工智能的超市商品录入方法及系统
技术领域
本发明涉及图像处理技术领域，具体地说是一种基于人工智能的超市商品录入方法及系统。
背景技术
目前超市引进一批货物时要将货物录入后台管理系统，这个过程一般需要人工处理，但是由于货物种类较多、录入条目繁多，因此会花费大量时间和精力。深度神经网络是解决该问题的一个重要途径，但是由于对超市商品繁多因此输出值维度较大且神经网络极为复杂，因此训练困难、训练周期长、效果差的特点，因此处理该问题效果并不理想。故如何在深度神经网络的基础通过人工智能完成超市商品的录入，提高工作效率，降低人工劳动强度，节省劳动力是目前现有技术中急需解决的技术问题。
专利号为CN107045641A的专利文献公开了一种基于图像识别技术的货架识别方法，其具体包括如下步骤：S1、对目标产品进行360度摄像采集商品各个角度的图片并进行数据处理作为样本图片集，通过其他渠道获得不包含目标产品的货架图片作为训练的验证图片集；S2、将采集到的样本图片集和验证图片集交给训练机进行模式训练，得到具备图像识别能力的识别引擎；S3、采集货架商品陈列图片并上传到PC端进行数据预处理；S4、将步骤S3数据预处理后的图片集放入到识别引擎进行识别。但是该不能解决由于对超市商品繁多因此输出值维度较大且神经网络极为复杂，因此训练困难、训练周期长、效果差的特点，因此完成超市商品录入效果不理想的问题。
专利号为CN109344924A的专利文献公开了基于二维码识别的海量商品的快速定位和检索和基于深度学习的准确的面料识别方法，包括(1)基于二维码识别的商品所在的仓库位置的检索和更新；(2)基于二维码识别的展厅陈列商品属性更新；(3)基于商品图片识别的客户线上下单。但是该不能解决由于对超市商品繁多因此输出值维度较大且神经网络极为复杂，因此训练困难、训练周期长、效果差的特点，因此完成超市商品录入效果不理想的问题。
发明内容
本发明的技术任务是提供一种基于人工智能的超市商品录入方法及系统，来解决如何在深度神经网络的基础通过人工智能完成超市商品的录入，提高工作效率，降低人工劳动强度，节省劳动力的问题。
本发明的技术任务是按以下方式实现的，一种基于人工智能的超市商品录入方法，该方法是使用超市已有的商品来训练级联深度卷积神经网络模型，当需要录入新进商品时只需要将商品放入摄像头下扫描即可自动填入商品的名称、分类以及价格的信息，从而完成商品录入；具体包括如下步骤：
S1、建立商品数据集：将超市已有商品拍照形成图片，并将所有图片输入到商品数据集中；
S2、对商品数据集中的图片进行预处理，完成对商品数据集的标注；
S3、建立由多个独立的卷积深度神经网络构成的级联深度神经网络模型；
S4、使用步骤S2中标注完成的商品数据集训练步骤S3中的级联深度神经网络模型；
S5、通过级联神经网络模型对超市新进的商品进行识别并将商品自动录入到超市数据库系统中。
作为优选，所述步骤S2中对商品数据集中的图片进行预处理的具体步骤如下：
S201、进行商品数据集标注工作：将每个商品的图片标注上对应的名称、分类以及价格信息，并对每个商品进行one-hot编码处理定性特征；
S202、对商品数据集中的图片进行灰度化(如果是彩色图像)、降噪、二值化、字符切分以及归一化处理。
作为优选，所述步骤S3中建立由多个独立的卷积深度神经网络构成的级联深度神经网络模型的具体步骤如下：
S301、级联神经网络由三个小型的卷积神经网络组成，构成级联神经网络的每个独立卷积神经网络由卷积层、池化层和全连接层组成；
S302、第一层卷积神经网络使用三层5x5的卷积、三层3x3的卷积和两层全连接层完成图像信息的特征提取，获得提取后的特征图；
S303、第二层卷积神经网络使用五层3x3的卷积、四层1x1的卷积和2层全连接层；其中，只有两层有池化层完成特征图降维，1x1的卷积是为了降低特征图纬度，减少计算量；
S304、第三层卷积神经网络使用五层3x3卷积、三层全连接层和softmax层，得到的特征图经过五层3x3卷积和三层全连接层，最后经过softmax得到输出结果完成分类。
作为优选，所述步骤S4中使用步骤S2中标注完成的商品数据集训练步骤S3中的级联深度神经网络模型具体为：将商品数据集使用10折交叉验证方法划分，使用小批量梯度下降算法训练级联深度神经网络模型，得到的级联深度神经网络模型计算错误率，根据错误率选择最优的级联深度神经网络模型。
更优地，所述步骤S4中使用步骤S2中标注完成的商品数据集训练步骤S3中的级联深度神经网络模型具体步骤如下：
S401、使用商品图片作为训练样本，将训练集按照1:5划分成训练测试集和验证集；
S402、训练测试集使用十折交叉验证法进行划分和验证，训练测试集中的十分之一作为测试集，剩余的十分之九作为训练集；
S403、训练过程使用训练集和测试集训练级联深度神经网络模型；
S404、使用投票法进行投票得到预测结果，使用验证集计算得到级联深度神经网络模型的准确率；
S405、根据准确率选择最优的模型。
作为优选，所述步骤S5中通过级联神经网络模型对超市新进的商品进行识别并将商品自动录入到超市数据库系统中的具体步骤如下：
S501、将新进商品放入摄像头下通过级联神经网络模型进行预测，并对超市新进的商品进行识别得到商品编号；
S502、使用python脚本查询商品数据集获得商品全部信息，并将获得的信息填入超市数据库系统；
S503、识别阶段首先识别商品，获得商品的唯一编码，即每种商品对应一个编码；因为需要查询商品数据集，因此对已有的管理系统进行了修改，即得到商品编码后的商品数据集；
S504、将查询信息填入自动录入表单，完成录入工作。
一种基于人工智能的超市商品录入系统，该系统包括，
商品数据集建立模块，用于将超市已有商品拍照形成图片，并将所有图片输入到商品数据集中；
图片预处理模块，用于对商品数据集中的图片进行预处理，完成对商品数据集的标注；
级联深度神经网络模型建立模块，用于由多个独立的卷积深度神经网络建立级联深度神经网络模型；
级联深度神经网络模型训练模块，用于使用标注完成的商品数据集训练级联深度神经网络模型；
自动录入模块，用于通过级联神经网络模型对超市新进的商品进行识别并将商品自动录入到超市数据库系统中。
作为优选，所述图片预处理模块对图片进行灰度化、降噪、二值化、字符切分以及图像归一化的处理。
本发明的基于人工智能的超市商品录入方法及系统具有以下优点：
(一)、本发明在深度神经网络的基础通过人工智能完成超市商品的录入，提高工作效率，降低人工劳动强度，节省劳动力，相比人工录入提高了录入效率，节省了时间，节约了成本；
(二)、在深度神经网络的基础上引入了级联算法体系，加快训练时间，提高训练效果，大大提高了工作效率，使得简单、繁琐的工作自动化，节约时间；
(三)、本发明采用多层级联深度卷积网络，每层都是独立深度卷积神经网络，后一层在前一层的基础上完成更精确的预测和分类，如此一来提高了精确度，减少了训练时间。
附图说明
下面结合附图对本发明进一步说明。
附图1为基于人工智能的超市商品录入方法流程框图；
附图2为基于人工智能的超市商品录入系统的结构框图。
具体实施方式
参照说明书附图和具体实施例对本发明的一种基于人工智能的超市商品录入方法及系统作以下详细地说明。
实施例：
如附图1所示，本发明的基于人工智能的超市商品录入方法及系统,该方法是使用超市已有的商品来训练级联深度卷积神经网络模型，当需要录入新进商品时只需要将商品放入摄像头下扫描即可自动填入商品的名称、分类以及价格的信息，从而完成商品录入；具体包括如下步骤：
S1、建立商品数据集：将超市已有商品拍照形成图片，并将所有图片输入到商品数据集中；
S2、对商品数据集中的图片进行预处理，完成对商品数据集的标注，具体步骤如下：
S201、进行商品数据集标注工作：将每个商品的图片标注上对应的名称、分类以及价格信息，并对每个商品进行one-hot编码处理定性特征；
S202、对商品数据集中的图片进行灰度化(如果是彩色图像)、降噪、二值化、字符切分以及归一化处理。
S3、建立由多个独立的卷积深度神经网络构成的级联深度神经网络模型，具体步骤如下：
S301、级联神经网络由三个小型的卷积神经网络组成，构成级联神经网络的每个独立卷积神经网络由卷积层、池化层和全连接层组成；
S302、第一层卷积神经网络使用三层5x5的卷积、三层3x3的卷积和两层全连接层完成图像信息的特征提取，获得提取后的特征图；
S303、第二层卷积神经网络使用五层3x3的卷积、四层1x1的卷积和2层全连接层；其中，只有两层有池化层完成特征图降维，1x1的卷积是为了降低特征图纬度，减少计算量；
S304、第三层卷积神经网络使用五层3x3卷积、三层全连接层和softmax层，得到的特征图经过五层3x3卷积和三层全连接层，最后经过softmax得到输出结果完成分类。
S4、使用步骤S2中标注完成的商品数据集训练步骤S3中的级联深度神经网络模型，具体为：将商品数据集使用10折交叉验证方法划分，使用小批量梯度下降算法训练级联深度神经网络模型，得到的级联深度神经网络模型计算错误率，根据错误率选择最优的级联深度神经网络模型。
其中，使用步骤S2中标注完成的商品数据集训练步骤S3中的级联深度神经网络模型具体步骤如下：
S401、使用5万商品图片作为训练样本，将训练集按照1:5划分成训练测试集和验证集；
S402、训练测试集使用十折交叉验证法进行划分和验证，训练测试集中的十分之一作为测试集，剩余的十分之九作为训练集；
S403、训练过程使用十组训练集和测试集训练级联深度神经网络模型；
S404、使用投票法进行投票得到预测结果，使用验证集计算得到级联深度神经网络模型的准确率；
S405、根据准确率选择最优的模型。
S5、通过级联神经网络模型对超市新进的商品进行识别并将商品自动录入到超市数据库系统中，具体步骤如下：
S501、将新进商品放入摄像头下通过级联神经网络模型进行预测，并对超市新进的商品进行识别得到商品编号；
S502、使用python脚本查询商品数据集获得商品全部信息，并将获得的信息填入超市数据库系统；
S503、识别阶段首先识别商品，获得商品的唯一编码，即每种商品对应一个编码；因为需要查询商品数据集，因此对已有的管理系统进行了修改，即得到商品编码后的商品数据集；
S504、将查询信息填入自动录入表单，完成录入工作。
实施例2：
如附图2所示，本发明的基于人工智能的超市商品录入系统，该系统包括，
商品数据集建立模块，用于将超市已有商品拍照形成图片，并将所有图片输入到商品数据集中；
图片预处理模块，用于对商品数据集中的图片进行预处理，完成对商品数据集的标注；图片预处理模块对图片进行灰度化、降噪、二值化、字符切分以及图像归一化的处理。
级联深度神经网络模型建立模块，用于由多个独立的卷积深度神经网络建立级联深度神经网络模型；
级联深度神经网络模型训练模块，用于使用标注完成的商品数据集训练级联深度神经网络模型；
自动录入模块，用于通过级联神经网络模型对超市新进的商品进行识别并将商品自动录入到超市数据库系统中。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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：其依然可以对前述各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各实施例技术方案的范围。

Claims (8)

1.一种基于人工智能的超市商品录入方法，其特征在于，该方法是使用超市已有的商品来训练级联深度卷积神经网络模型，当需要录入新进商品时只需要将商品放入摄像头下扫描即可自动填入商品的名称、分类以及价格的信息，从而完成商品录入；具体包括如下步骤：
S1、建立商品数据集：将超市已有商品拍照形成图片，并将所有图片输入到商品数据集中；
S2、对商品数据集中的图片进行预处理，完成对商品数据集的标注；
S3、建立由多个独立的卷积深度神经网络构成的级联深度神经网络模型；
S4、使用步骤S2中标注完成的商品数据集训练步骤S3中的级联深度神经网络模型；
S5、通过级联神经网络模型对超市新进的商品进行识别并将商品自动录入到超市数据库系统中。
2.根据权利要求1所述的基于人工智能的超市商品录入方法，其特征在于，所述步骤S2中对商品数据集中的图片进行预处理的具体步骤如下：
S201、进行商品数据集标注工作：将每个商品的图片标注上对应的名称、分类以及价格信息，并对每个商品进行one-hot编码处理定性特征；
S202、对商品数据集中的图片进行灰度化、降噪、二值化、字符切分以及归一化处理。
3.根据权利要求1所述的基于人工智能的超市商品录入方法，其特征在于，所述步骤S3中建立由多个独立的卷积深度神经网络构成的级联深度神经网络模型的具体步骤如下：
S301、级联神经网络由三个小型的卷积神经网络组成，构成级联神经网络的每个独立卷积神经网络由卷积层、池化层和全连接层组成；
S302、第一层卷积神经网络使用三层5x5的卷积、三层3x3的卷积和两层全连接层完成图像信息的特征提取，获得提取后的特征图；
S303、第二层卷积神经网络使用五层3x3的卷积、四层1x1的卷积和2层全连接层；其中，只有两层有池化层完成特征图降维，1x1的卷积是为了降低特征图纬度，减少计算量；
S304、第三层卷积神经网络使用五层3x3卷积、三层全连接层和softmax层，得到的特征图经过五层3x3卷积和三层全连接层，最后经过softmax得到输出结果完成分类。
4.根据权利要求1所述的基于人工智能的超市商品录入方法，其特征在于，所述步骤S4中使用步骤S2中标注完成的商品数据集训练步骤S3中的级联深度神经网络模型具体为：将商品数据集使用10折交叉验证方法划分，使用小批量梯度下降算法训练级联深度神经网络模型，得到的级联深度神经网络模型计算错误率，根据错误率选择最优的级联深度神经网络模型。
5.根据权利要求1或4所述的基于人工智能的超市商品录入方法，其特征在于，所述步骤S4中使用步骤S2中标注完成的商品数据集训练步骤S3中的级联深度神经网络模型具体步骤如下：
S401、使用商品图片作为训练样本，将训练集按照1:5划分成训练测试集和验证集；
S402、训练测试集使用十折交叉验证法进行划分和验证，训练测试集中的十分之一作为测试集，剩余的十分之九作为训练集；
S403、训练过程使用训练集和测试集训练级联深度神经网络模型；
S404、使用投票法进行投票得到预测结果，使用验证集计算得到级联深度神经网络模型的准确率；
S405、根据准确率选择最优的模型。
6.根据权利要求1所述的基于人工智能的超市商品录入方法，其特征在于，所述步骤S5中通过级联神经网络模型对超市新进的商品进行识别并将商品自动录入到超市数据库系统中的具体步骤如下：
S501、将新进商品放入摄像头下通过级联神经网络模型进行预测，并对超市新进的商品进行识别得到商品编号；
S502、使用python脚本查询商品数据集获得商品全部信息，并将获得的信息填入超市数据库系统；
S503、识别阶段首先识别商品，获得商品的唯一编码，即每种商品对应一个编码；
S504、将查询信息填入自动录入表单，完成录入工作。
7.一种基于人工智能的超市商品录入系统，其特征在于，该系统包括，
商品数据集建立模块，用于将超市已有商品拍照形成图片，并将所有图片输入到商品数据集中；
图片预处理模块，用于对商品数据集中的图片进行预处理，完成对商品数据集的标注；
级联深度神经网络模型建立模块，用于由多个独立的卷积深度神经网络建立级联深度神经网络模型；
级联深度神经网络模型训练模块，用于使用标注完成的商品数据集训练级联深度神经网络模型；
自动录入模块，用于通过级联神经网络模型对超市新进的商品进行识别并将商品自动录入到超市数据库系统中。
8.根据权利要求7所述的基于人工智能的超市商品录入系统，其特征在于，所述图片预处理模块对图片进行灰度化、降噪、二值化、字符切分以及图像归一化的处理。
CN201910316909.0A 2019-04-19 2019-04-19 一种基于人工智能的超市商品录入方法及系统 Active CN110032654B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910316909.0A CN110032654B (zh) 2019-04-19 2019-04-19 一种基于人工智能的超市商品录入方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910316909.0A CN110032654B (zh) 2019-04-19 2019-04-19 一种基于人工智能的超市商品录入方法及系统

Publications (2)

Publication Number Publication Date
CN110032654A true CN110032654A (zh) 2019-07-19
CN110032654B CN110032654B (zh) 2021-02-09

Family

ID=67239234

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910316909.0A Active CN110032654B (zh) 2019-04-19 2019-04-19 一种基于人工智能的超市商品录入方法及系统

Country Status (1)

Country Link
CN (1) CN110032654B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110675106A (zh) * 2019-09-12 2020-01-10 创新奇智(合肥)科技有限公司 一种基于动态商品库存信息的无人货柜商品识别方法
CN111105396A (zh) * 2019-12-12 2020-05-05 山东浪潮人工智能研究院有限公司 一种基于人工智能的印刷品质量检测方法及系统
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
CN113570427A (zh) * 2021-07-22 2021-10-29 上海普洛斯普新数字科技有限公司 一种提取识别线上或系统商品特征信息的系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160140424A1 (en) * 2014-11-13 2016-05-19 Nec Laboratories America, Inc. Object-centric Fine-grained Image Classification
CN107316383A (zh) * 2017-05-11 2017-11-03 河北中燕科技服务有限公司 一种具有数据挖掘商品库存和动态定价的自动柜台机
CN108269371A (zh) * 2017-09-27 2018-07-10 缤果可为（北京）科技有限公司 商品自动结算方法、装置、自助收银台
CN108491799A (zh) * 2018-03-23 2018-09-04 海深科技（宁波）有限公司 一种基于图像识别的智能售货柜商品管理方法及系统
CN207993164U (zh) * 2017-07-24 2018-10-19 图灵通诺（北京）科技有限公司 基于卷积神经网络的图像识别技术的结算装置
CN109063570A (zh) * 2018-07-04 2018-12-21 青岛海信智能商用系统股份有限公司 商品识别训练方法和系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160140424A1 (en) * 2014-11-13 2016-05-19 Nec Laboratories America, Inc. Object-centric Fine-grained Image Classification
CN107316383A (zh) * 2017-05-11 2017-11-03 河北中燕科技服务有限公司 一种具有数据挖掘商品库存和动态定价的自动柜台机
CN207993164U (zh) * 2017-07-24 2018-10-19 图灵通诺（北京）科技有限公司 基于卷积神经网络的图像识别技术的结算装置
CN108269371A (zh) * 2017-09-27 2018-07-10 缤果可为（北京）科技有限公司 商品自动结算方法、装置、自助收银台
CN108491799A (zh) * 2018-03-23 2018-09-04 海深科技（宁波）有限公司 一种基于图像识别的智能售货柜商品管理方法及系统
CN109063570A (zh) * 2018-07-04 2018-12-21 青岛海信智能商用系统股份有限公司 商品识别训练方法和系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110675106A (zh) * 2019-09-12 2020-01-10 创新奇智(合肥)科技有限公司 一种基于动态商品库存信息的无人货柜商品识别方法
CN111105396A (zh) * 2019-12-12 2020-05-05 山东浪潮人工智能研究院有限公司 一种基于人工智能的印刷品质量检测方法及系统
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
CN113570427A (zh) * 2021-07-22 2021-10-29 上海普洛斯普新数字科技有限公司 一种提取识别线上或系统商品特征信息的系统

Also Published As

Publication number Publication date
CN110032654B (zh) 2021-02-09

Similar Documents

Publication Publication Date Title
CN110032654A (zh) 一种基于人工智能的超市商品录入方法及系统
Ibragimov et al. Automated pavement distress detection using region based convolutional neural networks
US8965116B2 (en) Computer-aided assignment of ratings to digital samples of a manufactured web product
CN106446750A (zh) 一种条形码读取方法及装置
CN110647875B (zh) 一种血细胞分割、识别模型构造的方法及血细胞识别方法
CN109829467A (zh) 图像标注方法、电子装置及非暂态电脑可读取储存媒体
CN108229588B (zh) 一种基于深度学习的机器学习识别方法
CN106203490A (zh) 一种安卓平台下基于属性学习和交互反馈的图像在线识别、检索方法
CN109472280B (zh) 一种更新物种识别模型库的方法、存储介质及电子设备
CN109284779A (zh) 基于深度全卷积网络的物体检测方法
CN109753853A (zh) 一种同时完成行人检测与行人重识别的方法
CN110929746A (zh) 一种基于深度神经网络的电子卷宗标题定位提取与分类方法
CN103632247A (zh) 一种基于智能仓储系统的表计信息识别系统及方法
CN109284799A (zh) 一种基于深度学习的rfid标签相对位置定位方法
CN110059625B (zh) 一种基于mixup的人脸训练与识别方法
CN109377441A (zh) 具有隐私保护功能的舌像采集方法和系统
CN112464766A (zh) 一种农田地头自动识别方法及系统
Hussain et al. A Simple and Efficient Deep Learning‐Based Framework for Automatic Fruit Recognition
CN113850799A (zh) 一种基于YOLOv5的微量DNA提取工作站工件检测方法
CN115457458A (zh) 一种非接触式智能盘点系统和方法
CN110287940A (zh) 一种基于人工智能的掌纹识别方法及系统
CN117540935B (zh) 一种基于区块链技术的dao运营管理方法
CN112580382B (zh) 基于目标检测二维码定位方法
CN110378269A (zh) 通过影像查询定位视频中未预习的活动的方法
CN114022688A (zh) 一种实时的牲畜身份识别方法

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20210118

Address after: No. 1036, Shandong high tech Zone wave road, Ji'nan, Shandong

Applicant after: INSPUR GROUP Co.,Ltd.

Address before: 250100 First Floor of R&D Building 2877 Kehang Road, Sun Village Town, Jinan High-tech Zone, Shandong Province

Applicant before: JINAN INSPUR HIGH-TECH TECHNOLOGY DEVELOPMENT Co.,Ltd.

GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230414

Address after: 250000 building S02, No. 1036, Langchao Road, high tech Zone, Jinan City, Shandong Province

Patentee after: Shandong Inspur Scientific Research Institute Co.,Ltd.

Address before: No. 1036, Shandong high tech Zone wave road, Ji'nan, Shandong

Patentee before: INSPUR GROUP Co.,Ltd.