CN110032654B - 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 PDFInfo
- Publication number
- CN110032654B CN110032654B CN201910316909.0A CN201910316909A CN110032654B CN 110032654 B CN110032654 B CN 110032654B CN 201910316909 A CN201910316909 A CN 201910316909A CN 110032654 B CN110032654 B CN 110032654B
- Authority
- CN
- China
- Prior art keywords
- commodity
- neural network
- supermarket
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 60
- 238000003062 neural network model Methods 0.000 claims abstract description 54
- 238000013528 artificial neural network Methods 0.000 claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims description 15
- 238000002372 labelling Methods 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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 Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Library & Information Science (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (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
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 (7)
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；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；
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。
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。
5.根据权利要求1-4中任一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。
6.一种基于人工智能的超市商品录入系统，其特征在于，如权利要求1-5中任一项用于实现基于人工智能的超市商品录入方法的系统，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。
7.根据权利要求6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。
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 CN110032654A (zh) | 2019-07-19 |
| CN110032654B true 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) |
Families Citing this family (4)
| 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 (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9665802B2 (en) * | 2014-11-13 | 2017-05-30 | Nec Corporation | Object-centric fine-grained image classification |
| US10853702B2 (en) * | 2017-07-24 | 2020-12-01 | Yi Tunnel (Beijing) Technology Co., Ltd. | Method and apparatus for checkout based on image identification technique of convolutional neural network |
| CN108269371B (zh) * | 2017-09-27 | 2020-04-03 | 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 |
| 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 |
-
2019
- 2019-04-19 CN CN201910316909.0A patent/CN110032654B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110032654A (zh) | 2019-07-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110032654B (zh) | 一种基于人工智能的超市商品录入方法及系统 | |
| CN111095296B (zh) | 使用机器学习对字符串进行分类 | |
| CN109859164B (zh) | 一种通过快速型卷积神经网络对pcba外观检验的方法 | |
| Schlüter et al. | Vision-based identification service for remanufacturing sorting | |
| CN108229588B (zh) | 一种基于深度学习的机器学习识别方法 | |
| CN108564102A (zh) | 图像聚类结果评价方法和装置 | |
| CN113821674A (zh) | 一种基于孪生神经网络的智能货物监管方法及系统 | |
| CN110287940B (zh) | 一种基于人工智能的掌纹识别方法及系统 | |
| CN112348107A (zh) | 图像数据清洗方法及装置、电子设备和介质 | |
| CN112613569A (zh) | 图像识别方法、图像分类模型的训练方法及装置 | |
| CN115457458A (zh) | 一种非接触式智能盘点系统和方法 | |
| CN117252842A (zh) | 一种飞机蒙皮缺陷检测及网络模型训练方法 | |
| CN110766026A (zh) | 一种快速识别卡号的方法及装置、模型训练方法及装置 | |
| CN112560902A (zh) | 基于书脊视觉信息的图书识别方法及系统 | |
| CN114494703B (zh) | 一种智能车间场景目标轻量级语义分割方法 | |
| CN108345943B (zh) | 一种基于嵌入编码与对比学习的机器学习识别方法 | |
| CN115909335A (zh) | 一种商品标注方法及装置 | |
| Novoselov et al. | Automated module for product identification by their visual characteristics | |
| Ngo et al. | Designing image processing tools for testing concrete bridges by a drone based on deep learning | |
| CN115457540B (zh) | 点云目标检测模型的构建方法、目标检测标注方法及装置 | |
| CN117058432B (zh) | 图像查重方法、装置、电子设备及可读存储介质 | |
| CN118570212B (zh) | 一种基于强化特征提取网络的显示屏缺陷检测方法及系统 | |
| CN111221995B (zh) | 一种基于大数据和集合理论的序列匹配方法 | |
| CN115272814B (zh) | 一种远距离空间自适应多尺度的小目标检测方法 | |
| CN109934219B (zh) | 一种判断网络餐饮商家证照缺失的方法 |
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 |
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. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| 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. |
|
| TR01 | Transfer of patent right |