CN110307887A - 一种应用于智能货柜的基于纯重力识别商品的方法 - Google Patents
一种应用于智能货柜的基于纯重力识别商品的方法 Download PDFInfo
- Publication number
- CN110307887A CN110307887A CN201910599955.6A CN201910599955A CN110307887A CN 110307887 A CN110307887 A CN 110307887A CN 201910599955 A CN201910599955 A CN 201910599955A CN 110307887 A CN110307887 A CN 110307887A
- Authority
- CN
- China
- Prior art keywords
- commodity
- array
- result
- weight
- commodities
- 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
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01G—WEIGHING
- G01G19/00—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups
- G01G19/40—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups with provisions for indicating, recording, or computing price or other quantities dependent on the weight
- G01G19/413—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups with provisions for indicating, recording, or computing price or other quantities dependent on the weight using electromechanical or electronic computing means
- G01G19/414—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups with provisions for indicating, recording, or computing price or other quantities dependent on the weight using electromechanical or electronic computing means using electronic computing means only
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07F—COIN-FREED OR LIKE APPARATUS
- G07F11/00—Coin-freed apparatus for dispensing, or the like, discrete articles
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及无人零售领域，其公开了一种应用于智能货柜的基于纯重力识别商品的方法，解决传统技术中的纯重力商品识别方案存在的成本高和稳定性差的问题。该方法包括：根据商品交易前后的重量差，采用深度优先搜索算法从货柜中的所有商品类型中搜索可能的商品组合结果，然后对各个商品组合结果求取对应的置信度，从而获得可能的商品组合以及对应的置信度的输出结果。本发明适用于所有带重力检测的智能货柜中的商品识别。
Description
技术领域
本发明涉及无人零售领域，特别涉及一种应用于智能货柜的基于纯重力识别商品的方法。
背景技术
当前在无人零售领域，智能售卖终端蓬勃发展，扫码开门式智能货柜由于其体验高效、体积小巧、成本低廉，逐渐占有一定市场份额。目前智能货柜在商品识别场景下分为纯图像识别、纯重力识别、RFID识别、图像+重力综合识别四种。
在纯重力识别方面，目前行业内使用重力传感器进行商品识别的检测原理是，通过拿取商品前后的重量差除以单个商品重量获得商品数量，因此一个传感器只能对应识别一类价格、重量都相同的商品，那么针对货柜内有多种商品，就要针对每一个种类设置一个传感器来进行识别该种类的商品，成本高；此外，对于一个货柜内有多种商品的情况，用户在选购的时候如果中途将商品放回，则必须要放回到同种类商品区的空位上，否则会造成无法识别，因此识别的稳定性差。
发明内容
本发明所要解决的技术问题是：提出一种应用于智能货柜的基于纯重力识别商品的方法，解决传统技术中的纯重力商品识别方案存在的成本高和稳定性差的问题。
本发明解决上述技术问题所采用的技术方案是：
一种应用于智能货柜的基于纯重力识别商品的方法，包括：
根据商品交易前后的重量差，采用深度优先搜索算法从货柜中的所有商品类型中搜索可能的商品组合结果，然后对各个商品组合结果求取对应的置信度，从而获得可能的商品组合以及对应的置信度的输出结果。
作为进一步优化，所述深度优先搜索算法具体包括以下步骤：
步骤1、输入相关参数，包括：
货柜中的商品清单BL，为可遍历数组，每个商品包含商品ID、标重IG、误差范围IE；
商品交易前后的重量变化总量G；
设定的重力传感器误差e；
货柜中重量变化大于e的传感器个数m；
最低置信度c，可根据算法测试结果进行调整。
步骤2、创建变量，包括：
单个可能的商品组合R，为可遍历数组，子元素格式与BL子元素格式相同。
所有可能的商品组合的集合RES,RES＝[R1,R2,……,Rn]，为可遍历二维数组；
多个待遍历商品清单的堆栈stack，为可遍历二维数组；
当前遍历中剩余重量lastG。
步骤3、对商品清单、称误差以及搜索的目标商品的范围进行预处理；
步骤4、采用while循环执行以下遍历搜索：
步骤4.1、判断待遍历商品的堆栈stack中的子元素的个数是否为空，若是，则执行步骤4.9，若否，则执行步骤4.2；
步骤4.2、判断stack中最后一个子元素的数组长度是否小于等于0，若是，则删除该项，执行步骤4.3，若否，则抽取stack中最后一个数组的第一项商品加入到R数组的末尾，执行步骤4.4；
步骤4.3、判断当前已搜索到的可能商品组合R的数组个数是否大于0，若是，则从R中取出最后一项商品，将lastG加上该项商品的最小重量minIG，返回步骤4.1执行下一轮遍历；
步骤4.4、从lastG减去该商品的最小重量minIG，执行步骤4.5；
步骤4.5、从BL中选取所有最小重量minIG小于lastG的商品，按照从大到小排序形成下一层深度的可能商品清单数组DL，执行步骤4.6；
步骤4.6、判断DL的长度是否大于0，若是，则执行步骤4.7，若否，则执行步骤4.8；
步骤4.7、将DL添加到stack的末尾，返回步骤4.1执行下一轮遍历；
步骤4.8、将R复制一份添加到RES末尾，将lastG加上本次遍历商品的最小重量minIG，删除R中最后一个商品元素，然后返回步骤4.1执行下一轮遍历；
步骤4.9、去除RES中商品组合方式相同的重复结果，执行步骤4.10；
步骤4.10、将RES中每个结果代入置信度计算公式求得每个结果对应的置信度，执行步骤4.11；
步骤4.11、将RES以及其中每个结果对应的置信度数组作为结果输出，结束流程。
本方案中，通过深度优先搜索算法实现对各个可能的商品组合的快速搜索，并通过置信度计算获得可能商品组合的对应置信度，从而提高识别准确性。
作为进一步优化，步骤4.10中，所述置信度计算公式为：
其中，G为商品交易前后的重量变化总量，IG为商品的标重，n为可能的商品组合中商品的个数。
通过上述置信度公式求取各个可能的商品组合对应的置信度，置信度越高，则该商品组合为真实交易的商品组合的可能性越大。
作为进一步优化，步骤4.11中，在将RES以及其中每个结果对应的置信度数组作为结果输出之前还包括：去除RES中置信度低于最低置信度c的结果。
通过对低于最低置信度c的结果进行剔除，可以排除掉明显不可信的结果。
作为进一步优化，步骤3中，所述对商品清单、称误差以及搜索的目标商品的范围进行预处理，具体包括
处理商品清单：遍历商品清单BL，在每个商品数据中添加最小重量minIG，并将BL中的商品按minIG的值从大到小进行排序；
处理称误差：按本次交易发生重量变化与货柜中的哪些传感器相关，计算应该加上的称误差，获得本次交易前后的最大重量变化量maxG；
缩小目标商品清单并加入待遍历堆栈stack：将stack置空，从商品清单BL中选出所有最小重量minIG小于本次交易前后的最大重量变化量maxG的商品，按从大到小排序形成目标商品数组NL，如果NL子元素个数大于0，则添加到stack数组中；如果NL子元素个数等于0，则将空数组作为深度优先搜索算法结果输出，并退出深度优先搜索算法。
本方案中，通过相关预处理手段，可以对传感器称重误差和商品误差进行较好处理，从而提高商品识别精度，通过对目标商品的范围缩小处理，可以提前规避干扰因素，提高商品识别效率。
本发明的有益效果是：
采用深度优先搜索算法能够在当前整个智能货柜的库存商品中去搜索满足目标重量差值的商品组合，再通过置信度计算获得最可靠的结果。因此可以只使用一个重力传感器就能识别重量不同的多种商品，从而可以节约成本；此外，由于本发明通过交易前后的重量差与整个货柜中的可能的商品组合的重量之和进行匹配，对于用户选购商品过程中未将商品放回原位的情况也能准确识别，从而提高了识别的稳定性。
附图说明
图1为实施例中的深度优先搜索算法流程图。
具体实施方式
本发明旨在提出一种应用于智能货柜的基于纯重力识别商品的方法，解决传统技术中的纯重力商品识别方案存在的成本高和稳定性差的问题。
其核心思想是：根据商品交易前后的重量差，采用深度优先搜索算法从货柜中的所有商品类型中搜索可能的商品组合结果，然后对各个商品组合结果求取对应的置信度，从而获得可能的商品组合以及对应的置信度的输出结果。
实施例：
本实施例中，深度优先搜索算法的流程如图1所示，其包括：
步骤1、输入相关参数，包括：
货柜中的商品清单BL，其中每个商品包含商品ID、标重IG、误差范围IE；
商品交易前后的重量变化总量G；
设定的重力传感器误差e；
货柜中重量变化大于e的传感器个数m；
最低置信度c；
步骤2、创建变量，包括：
单个可能的商品组合R，为可遍历数组；
所有可能的商品组合的集合RES,RES＝[R1,R2,……,Rn]，为可遍历二维数组；
多个待遍历商品清单的堆栈stack，为可遍历二维数组；
当前遍历中剩余重量lastG；
步骤3、对商品清单、称误差以及搜索的目标商品的范围进行预处理：
处理商品清单：遍历商品清单BL，在每个商品数据中添加最小重量minIG，并将BL中的商品按minIG的值从大到小进行排序；
处理称误差：按本次交易发生重量变化与货柜中的哪些传感器相关，计算应该加上的称误差，获得本次交易前后的最大重量变化量maxG；
需要说明的是，理论上采用本发明的方案可以仅在货柜中布置一个传感器就能够完成重量不同的多种商品，而实际使用过程中，通常使用的货柜为4到5个层架，每个层架上有多种不同重量不同类型的商品，由于结构所限，需要每个层架都设置一个传感器，因此本申请的算法可以支持布置一个或多个传感器的货柜的商品识别；那么在处理称误差的时候，对于只布置一个传感器的情况，那么本次交易发生重量变化肯定与该传感器相关，那么maxG＝传感器测量的重量变化G+重量传感器误差e；对于布置多个传感器的情况，本次交易如果从2个货架上拿取了商品，则maxG＝传感器测量的重量变化之和G+2*重量传感器误差e，同理如果从3个货架上拿取了商品，则maxG＝传感器测量的重量变化之和G+3*重量传感器误差e…以此类推。
缩小目标商品清单并加入待遍历堆栈stack：将stack置空，从商品清单BL中选出所有最小重量minIG小于本次交易前后的最大重量变化量maxG的商品，按从大到小排序形成目标商品数组NL，如果NL子元素个数大于0，则添加到stack数组中；如果NL子元素个数等于0，则将空数组作为深度优先搜索算法结果输出，并退出深度优先搜索算法。
通过相关预处理手段，可以对传感器称重误差和商品误差进行较好处理，从而提高商品识别精度，通过对目标商品的范围缩小处理，可以提前规避干扰因素，提高商品识别效率。
步骤4、采用while循环执行以下遍历搜索：使用while循环进行遍历搜索，而不使用forEach循环，可以优化算法内存消耗，避免内存溢出
步骤4.1、判断待遍历商品的堆栈stack中的子元素的个数是否为空，若是，则执行步骤4.9，若否，则执行步骤4.2；
步骤4.2、判断stack中最后一个子元素的数组长度是否小于等于0，若是，则删除该项，执行步骤4.3，若否，则抽取stack中最后一个数组的第一项商品加入到R数组的末尾，执行步骤4.4；
步骤4.3、判断当前已搜索到的可能商品组合R的数组个数是否大于0，若是，则从R中取出最后一项商品，将lastG加上该项商品的最小重量minIG，返回步骤4.1执行下一轮遍历；
步骤4.4、从lastG减去该商品的最小重量minIG，执行步骤4.5；
步骤4.5、从BL中选取所有最小重量minIG小于lastG的商品，按照从大到小排序形成下一层深度的可能商品清单数组DL，执行步骤4.6；
步骤4.6、判断DL的长度是否大于0，若是，则执行步骤4.7，若否，则执行步骤4.8；
步骤4.7、将DL添加到stack的末尾，返回步骤4.1执行下一轮遍历；
步骤4.8、将R复制一份添加到RES末尾，将lastG加上本次遍历商品的最小重量minIG，删除R中最后一个商品元素，然后返回步骤4.1执行下一轮遍历；
步骤4.9、去除RES中商品组合方式相同的重复结果，执行步骤4.10；
步骤4.10、将RES中每个结果代入置信度计算公式求得每个结果对应的置信度，执行步骤4.11；
所述置信度计算公式为：
其中，G为商品交易前后的重量变化总量，IG为商品的标重，n为可能的商品组合中商品的个数。
通过上述置信度公式求取各个可能的商品组合对应的置信度，置信度越高，则该商品组合为真实交易的商品组合的可能性越大。
步骤4.11、去除RES中置信度低于最低置信度c的结果，将RES以及其中每个结果对应的置信度数组作为结果输出，结束流程。
Claims (5)
1.一种应用于智能货柜的基于纯重力识别商品的方法，其特征在于，包括：
根据商品交易前后的重量差，采用深度优先搜索算法从货柜中的所有商品类型中搜索可能的商品组合结果，然后对各个商品组合结果求取对应的置信度，从而获得可能的商品组合以及对应的置信度的输出结果。
2.如权利要求1所述的一种应用于智能货柜的基于纯重力识别商品的方法，其特征在于，所述深度优先搜索算法具体包括以下步骤：
步骤1、输入相关参数，包括：
货柜中的商品清单BL，为可遍历数组，每个商品包含商品ID、标重IG、误差范围IE；
商品交易前后的重量变化总量G；
设定的重力传感器误差e；
货柜中重量变化大于e的传感器个数m；
最低置信度c，可根据算法测试结果进行调整；
步骤2、创建变量，包括：
单个可能的商品组合R，为可遍历数组，子元素格式与BL子元素格式相同；
所有可能的商品组合的集合RES,RES＝[R1,R2,……,Rn]，为可遍历二维数组；
多个待遍历商品清单的堆栈stack，为可遍历二维数组；
当前遍历中剩余重量lastG；
步骤3、对商品清单、称误差以及搜索的目标商品的范围进行预处理；
步骤4、采用while循环执行以下遍历搜索：
步骤4.1、判断待遍历商品的堆栈stack中的子元素的个数是否为空，若是，则执行步骤4.9，若否，则执行步骤4.2；
步骤4.2、判断stack中最后一个子元素的数组长度是否小于等于0，若是，则删除该项，执行步骤4.3，若否，则抽取stack中最后一个数组的第一项商品加入到R数组的末尾，执行步骤4.4；
步骤4.3、判断当前已搜索到的可能商品组合R的数组个数是否大于0，若是，则从R中取出最后一项商品，将lastG加上该项商品的最小重量minIG，返回步骤4.1执行下一轮遍历；
步骤4.4、从lastG减去该商品的最小重量minIG，执行步骤4.5；
步骤4.5、从BL中选取所有最小重量minIG小于lastG的商品，按照从大到小排序形成下一层深度的可能商品清单数组DL，执行步骤4.6；
步骤4.6、判断DL的长度是否大于0，若是，则执行步骤4.7，若否，则执行步骤4.8；
步骤4.7、将DL添加到stack的末尾，返回步骤4.1执行下一轮遍历；
步骤4.8、将R复制一份添加到RES末尾，将lastG加上本次遍历商品的最小重量minIG，删除R中最后一个商品元素，然后返回步骤4.1执行下一轮遍历；
步骤4.9、去除RES中商品组合方式相同的重复结果，执行步骤4.10；
步骤4.10、将RES中每个结果代入置信度计算公式求得每个结果对应的置信度，执行步骤4.11；
步骤4.11、将RES以及其中每个结果对应的置信度数组作为结果输出，结束流程。
3.如权利要求2所述的一种应用于智能货柜的基于纯重力识别商品的方法，其特征在于，步骤4.10中，所述置信度计算公式为：
其中，G为商品交易前后的重量变化总量，IG为商品的标重，n为可能的商品组合中商品的个数。
4.如权利要求3所述的一种应用于智能货柜的基于纯重力识别商品的方法，其特征在于，步骤4.11中，在将RES以及其中每个结果对应的置信度数组作为结果输出之前还包括：去除RES中置信度低于最低置信度c的结果。
5.如权利要求2所述的一种应用于智能货柜的基于纯重力识别商品的方法，其特征在于，步骤3中，所述对商品清单、称误差以及搜索的目标商品的范围进行预处理，具体包括
处理商品清单：遍历商品清单BL，在每个商品数据中添加最小重量minIG，并将BL中的商品按minIG的值从大到小进行排序；
处理称误差：按本次交易发生重量变化与货柜中的哪些传感器相关，计算应该加上的称误差，获得本次交易前后的最大重量变化量maxG；
缩小目标商品清单并加入待遍历堆栈stack：将stack置空，从商品清单BL中选出所有最小重量minIG小于本次交易前后的最大重量变化量maxG的商品，按从大到小排序形成目标商品数组NL，如果NL子元素个数大于0，则添加到stack数组中；如果NL子元素个数等于0，则将空数组作为深度优先搜索算法结果输出，并退出深度优先搜索算法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910599955.6A CN110307887B (zh) | 2019-07-04 | 2019-07-04 | 一种应用于智能货柜的基于纯重力识别商品的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910599955.6A CN110307887B (zh) | 2019-07-04 | 2019-07-04 | 一种应用于智能货柜的基于纯重力识别商品的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110307887A true CN110307887A (zh) | 2019-10-08 |
| CN110307887B CN110307887B (zh) | 2021-01-26 |
Family
ID=68078866
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910599955.6A Active CN110307887B (zh) | 2019-07-04 | 2019-07-04 | 一种应用于智能货柜的基于纯重力识别商品的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110307887B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111127750A (zh) * | 2019-12-24 | 2020-05-08 | 西安科技大学 | 一种基于重力传感器数据的商品移位识别方法 |
| CN112102559A (zh) * | 2020-08-13 | 2020-12-18 | 四川虹美智能科技有限公司 | 基于重力感应的商品识别方法和装置 |
| CN112348248A (zh) * | 2020-11-03 | 2021-02-09 | 北京京东乾石科技有限公司 | 商品布局数据的获取方法、装置、货柜、设备和介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080173708A1 (en) * | 2004-07-01 | 2008-07-24 | American Express Travel Related Services Company, Inc. | Biometric safeguard method with a smartcard |
| CN104253851A (zh) * | 2014-03-11 | 2014-12-31 | 哈尔滨工程大学 | 一种移动ccn中数据缓存的节点分组方法 |
| CN107358734A (zh) * | 2017-07-17 | 2017-11-17 | 北京牧家科技有限公司 | 基于重力感应实现无人售卖的方法和系统 |
| CN108615298A (zh) * | 2018-06-13 | 2018-10-02 | 上海韬林机械有限公司 | 一种组合使用商品识别技术的售卖机 |
| CN109353398A (zh) * | 2018-09-20 | 2019-02-19 | 北京旷视科技有限公司 | 商品识别方法、装置和系统及存储介质及购物车 |
| CN208538226U (zh) * | 2018-06-15 | 2019-02-22 | 盈奇科技（深圳）有限公司 | 重力感应无人售货柜 |
| CN109649916A (zh) * | 2018-11-27 | 2019-04-19 | 上海京东到家元信信息技术有限公司 | 一种智能货柜货物识别方法和装置 |
| CN109741531A (zh) * | 2018-09-07 | 2019-05-10 | 盈奇科技（深圳）有限公司 | 一种无人重力感应售货柜重量校准方法 |
| MX2018010426A (es) * | 2016-02-29 | 2019-07-01 | Www Trustscience Com Inc | Extrapolación de tendencias en puntajes de confianza. |
-
2019
- 2019-07-04 CN CN201910599955.6A patent/CN110307887B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080173708A1 (en) * | 2004-07-01 | 2008-07-24 | American Express Travel Related Services Company, Inc. | Biometric safeguard method with a smartcard |
| CN104253851A (zh) * | 2014-03-11 | 2014-12-31 | 哈尔滨工程大学 | 一种移动ccn中数据缓存的节点分组方法 |
| MX2018010426A (es) * | 2016-02-29 | 2019-07-01 | Www Trustscience Com Inc | Extrapolación de tendencias en puntajes de confianza. |
| CN107358734A (zh) * | 2017-07-17 | 2017-11-17 | 北京牧家科技有限公司 | 基于重力感应实现无人售卖的方法和系统 |
| CN108615298A (zh) * | 2018-06-13 | 2018-10-02 | 上海韬林机械有限公司 | 一种组合使用商品识别技术的售卖机 |
| CN208538226U (zh) * | 2018-06-15 | 2019-02-22 | 盈奇科技（深圳）有限公司 | 重力感应无人售货柜 |
| CN109741531A (zh) * | 2018-09-07 | 2019-05-10 | 盈奇科技（深圳）有限公司 | 一种无人重力感应售货柜重量校准方法 |
| CN109353398A (zh) * | 2018-09-20 | 2019-02-19 | 北京旷视科技有限公司 | 商品识别方法、装置和系统及存储介质及购物车 |
| CN109649916A (zh) * | 2018-11-27 | 2019-04-19 | 上海京东到家元信信息技术有限公司 | 一种智能货柜货物识别方法和装置 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111127750A (zh) * | 2019-12-24 | 2020-05-08 | 西安科技大学 | 一种基于重力传感器数据的商品移位识别方法 |
| CN112102559A (zh) * | 2020-08-13 | 2020-12-18 | 四川虹美智能科技有限公司 | 基于重力感应的商品识别方法和装置 |
| CN112102559B (zh) * | 2020-08-13 | 2022-04-19 | 四川虹美智能科技有限公司 | 基于重力感应的商品识别方法和装置 |
| CN112348248A (zh) * | 2020-11-03 | 2021-02-09 | 北京京东乾石科技有限公司 | 商品布局数据的获取方法、装置、货柜、设备和介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110307887B (zh) | 2021-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110307887A (zh) | 一种应用于智能货柜的基于纯重力识别商品的方法 | |
| CN103729383B (zh) | 商品信息的推送方法和装置 | |
| CN102004944B (zh) | 物件跟踪系统和方法 | |
| CN107562818A (zh) | 信息推荐系统及方法 | |
| CN108510000A (zh) | 复杂场景下行人细粒度属性的检测与识别方法 | |
| CN105138690B (zh) | 确定关键词的方法和装置 | |
| CN109886169B (zh) | 应用于无人货柜的物品识别方法、装置、设备及存储介质 | |
| CN110472082A (zh) | 数据处理方法、装置、存储介质及电子设备 | |
| CN108922084A (zh) | 一种商品识别方法及装置 | |
| US20160275446A1 (en) | Apparatus and method for determining hs code | |
| CN110211285A (zh) | 商品识别方法和装置 | |
| CN110428548A (zh) | 一种识别从售卖机中取出的货物的方法及装置 | |
| CN113888254A (zh) | 货架商品管理方法和电子设备 | |
| CN110197416A (zh) | 通过重力识别商品的方法和装置 | |
| CN112232334A (zh) | 一种智能售货商品识别检测方法 | |
| CN109993887A (zh) | 一种商品售卖方法及自动售货控制装置 | |
| CN103597485A (zh) | 模式提取装置及其方法 | |
| CN115659031A (zh) | 一种基于lfm模型的建材智能推荐方法及招标系统 | |
| Singh et al. | Two warehouses inventory model for non-instantaneous deteriorating items with stock-dependent demand | |
| JP2001092975A (ja) | 商品認識システムおよび商品認識方法 | |
| CN106651548A (zh) | 售卖方法及系统 | |
| CN117391599A (zh) | 一种基于大数据的商品分拣方法 | |
| CN109034290A (zh) | 一种售货产品rfid智能管理系统 | |
| CN110525872A (zh) | 自动分拣补货方法及系统 | |
| Wolpert et al. | Improving search algorithms by using intelligent coordinates |
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 |