CN110580505A - 一种基于餐盘识别的智慧收银方法 - Google Patents
一种基于餐盘识别的智慧收银方法 Download PDFInfo
- Publication number
- CN110580505A CN110580505A CN201910805031.7A CN201910805031A CN110580505A CN 110580505 A CN110580505 A CN 110580505A CN 201910805031 A CN201910805031 A CN 201910805031A CN 110580505 A CN110580505 A CN 110580505A
- Authority
- CN
- China
- Prior art keywords
- network
- dinner plate
- dinner
- identification
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于餐盘识别的智慧收银方法,采集餐盘照片分为训练样本和测试样本、预处理,分批次将训练样本输入模型网络训练,稳定后输入测试样本集,损失率低于阈值则关联识别结果与价格,开始收银并计时;收银处采集待收银餐盘照片,对照片进行预处理,获得1个或多个餐盘的图像,逐次输入当前识别模型网络,基于识别结果和对应的餐盘个数获得总价,用户确认无误后付款;不间断确认是否到达更新时间或更新批次。本发明免去人工结算的繁琐,采集一次餐盘图片信息并训练得到稳定的识别网络后,可以使用一段时间,结算效率高,不需要额外增设结算通道,大大缓解排队情况,结算准确度高,便于餐厅管理,不需要定制餐盘,运营成本低,容错率高。
Description
技术领域
本发明涉及专门适用于行政、商业、金融、管理、监督或预测目的的数据处理系统或方法的技术领域,特别涉及一种基于餐盘识别的智慧收银方法。
背景技术
随着城市生活节奏的不断加快,越来越多的人通过餐厅解决饮食问题,而正是由于如此,食堂性质的餐厅、快餐连锁店陆续在各个城市落地、发展,这些类型的餐饮连锁一般采用自主挑选菜式、统一计算收银的模式作业。
现有技术中,食堂性质的餐厅、快餐连锁店的收银结算主要通过人工结算或芯片识别来完成。
对于人工结算来说,随着社会发展的加速,企业附近、各大高校机关的园区食堂的就餐人次越来越多,基于成本考虑,一般的餐厅并不会开设多条点选菜品及结算的通道,这导致结算效率非常低,在就餐高峰期更是由于结算速度过慢而导致取餐通道严重排队;进一步来说,人工结算的过程中对于就餐人员、结算人员和餐厅来说需要建立信任链,而对于结算金额的准确性把控往往需要适当放宽,这对于三者来说均存在产生误解或矛盾的隐患,并不利于餐厅的管理。
而对于芯片识别来说,除了传统的在餐盘内植入芯片外,还可以在餐盘上涂置二维码、条码等;就芯片识别来说,餐厅的运营成本较高,餐盘需要特别定制,同时如RFID技术等存在干扰、误读的可能性,事实上在结算的过程中出错的可能性也不小,且读码错误后,除了重新读之外无法纠错;而就编码识别来说,需要分别读码,条码易损,整体来说还是无形中增加了餐具的成本。
发明内容
本发明解决了现有技术中,食堂性质的餐厅、快餐连锁店的收银结算主要通过人工结算或芯片识别,无法达到快捷、便利、错误率低、成本低的需求的问题,提供了一种优化的基于餐盘识别的智慧收银方法。
本发明所采用的技术方案是,一种基于餐盘识别的智慧收银方法,所述方法包括以下步骤:
步骤1:判断是否达到预设的更新时间T和/或存在更新批次的餐盘,若是,进行下一步,否则,T持续计时,进行步骤6;
步骤2:T清零;采集餐盘照片,将餐盘照片分为训练样本和测试样本;
步骤3:对训练样本和测试样本分别进行预处理,建立训练样本集和测试样本集;
步骤4:分批次将训练样本输入深度学习识别模型网络训练,直至得到稳定的识别模型网络;
步骤5:将测试样本集输入训练好的识别模型网络,若损失率低于阈值,则关联识别结果与价格,进行下一步,否则,返回步骤3;
步骤6:收银处采集待收银餐盘照片,对照片进行预处理,获得1个或多个餐盘的图像;
步骤7:将1个或多个餐盘的图像逐次输入当前识别模型网络,基于识别结果和对应的餐盘个数获得总价;
步骤8:用户确认无误,付款;
步骤9:若存在新的待收银信息,则返回步骤1,否则结束。
优选地,所述步骤3中,预处理包括以下步骤:
步骤3.1:取任一未处理样本,复制一次;
步骤3.2:取一份样本图像二值化,去除离散点;以canny算法得到边缘,根据边缘确定图像中心点,根据边缘的角点得到餐盘形状;
步骤3.3:将另一份样本图像调整至预设的亮度及对比度,获取CMYK模式的颜色组成百分比;
步骤3.4:将当前样本的图像中心点、餐盘形状和颜色组成百分比作为当前样本的特征进行标识;
步骤3.5:若已处理完所有样本,则建立训练样本集和测试样本集,否则,返回步骤3.1。
优选地,所述步骤3.2中,若边缘存在缺口,根据另一份样本图像判断为光斑或缺损;若为光斑,则根据边缘趋势将缺口补全,若为缺损,则以图像中心点为圆心建立XOY坐标,记录缺口点的坐标。
优选地,所述步骤4包括以下步骤:
步骤4.1:设置基础特征网络和检测网络,构建深度学习识别模型网络;
步骤4.2:设置学习率、损失函数和优化函数;
步骤4.3:分批次对训练样本进行数据扩增;
步骤4.4:分批次将数据扩增后的训练样本输入步骤4.1的模型网络,根据输出结果进行学习率调整,重复步骤4.4,直至得到稳定的识别模型网络。
优选地,所述基础特征网络为ResNet分类网络,所述检测网络为SSD网络。
优选地,深度学习识别模型网络中,采用SSD网络作为主干网络,在多尺度的特征图上进行检测,在SSD网络的每一层连接处分别设置ResNet分类网络中的残差结构。
优选地,所述优化函数为Adam函数。
优选地,所述步骤4.3中,数据扩增为对训练样本进行旋转、翻转和裁剪后获得的新的训练样本。
优选地,步骤4中,输出结果为包括图像中心点、餐盘形状和颜色组成百分比的特征。
优选地,所述步骤6包括以下步骤:
步骤6.1:收银处采集待收银餐盘照片;
步骤6.2:将照片调整至预设的亮度及对比度;
步骤6.3:将步骤6.2调整后的图片二值化,去除离散点,以canny算法得到1个或多个餐盘的边缘;
步骤6.4:根据边缘将待收银餐盘照片分割为1个或多个餐盘的图像。
本发明提供了一种优化的基于餐盘识别的智慧收银方法,通过采集餐盘照片并分为训练样本和测试样本,对训练样本和测试样本分别进行预处理,分批次将训练样本输入深度学习识别模型网络训练,直至得到稳定的识别模型网络后,将测试样本集输入训练好的识别模型网络,若损失率低于阈值,则关联识别结果与价格,开始收银,与此同时计时开始;收银处采集待收银餐盘照片,对照片进行预处理,获得1个或多个餐盘的图像,逐次输入当前识别模型网络,基于识别结果和对应的餐盘个数获得总价,用户确认无误后付款;期间,不间断确认是否到达更新时间或更新批次,如果不需要更新则收银处继续正常作业即可。
本发明免去了人工结算的繁琐,采集一次餐盘图片信息并训练得到稳定的识别网络后,可以使用一段时间,每次使用时,只需要采集1个或多个餐盘的照片即可,结算效率高,不需要额外增设结算通道,单个通道最多只需配备一名工作人员引导即可,大大缓解排队情况,结算准确度高,依托于机器网络,最大程度避免了人工干涉,就餐人员、结算人员和餐厅间可能造成误解或矛盾的隐患小,便于餐厅管理;本发明同时也不需要定制餐盘,运营成本低,容错率高。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合实施例对本发明做进一步的详细描述,但本发明的保护范围并不限于此。
本发明涉及一种基于餐盘识别的智慧收银方法,利用深度学习目标检测技术,让智能收银应用于更广泛的场景,相比传统收银,提高了结账效率,降低了收银的失误率,提高客户满意度,提高餐厅的运营效率和用户体验,降低店内的人员的劳务成本、培训成本和流失成本。
所述方法包括以下步骤。
步骤1:判断是否达到预设的更新时间T和/或存在更新批次的餐盘,若是,进行下一步,否则,T持续计时,进行步骤6。
本发明中,以更新时间T或出现更新批次的餐盘为更新标识,若更新标识不存在,则无需更新,直接进行下一次收银阶段的餐盘识别且T持续计时。
本发明中,一般情况下,更新时间T或出现更新批次的餐盘应同时被视为更新标识。
步骤2:T清零;采集餐盘照片,将餐盘照片分为训练样本和测试样本。
本发明中,如果收银与新一轮的训练同时进行,则采集餐盘照片的工作需要维持若干天。
本发明中,训练样本和测试样本的划分为随机。
步骤3:对训练样本和测试样本分别进行预处理,建立训练样本集和测试样本集。
所述步骤3中,预处理包括以下步骤。
步骤3.1:取任一未处理样本,复制一次。
步骤3.2:取一份样本图像二值化,去除离散点;以canny算法得到边缘,根据边缘确定图像中心点,根据边缘的角点得到餐盘形状。
所述步骤3.2中,若边缘存在缺口,根据另一份样本图像判断为光斑或缺损;若为光斑,则根据边缘趋势将缺口补全,若为缺损,则以图像中心点为圆心建立XOY坐标,记录缺口点的坐标。
本发明中,首先应该去除二值化后的样本图像中的离散点,实际上即是去噪,使得后续利用canny算法得到边缘的成功率更高,边缘的拟合度更好。
本发明中,一般情况下,餐盘为规则结构,故可以基于边缘获得图像中心点,并根据边缘的角点对应标记餐盘形状,如角点为0则为圆形餐盘、角点为3个则为三角形餐盘等。
本发明中,部分餐盘使用过一段时间后可能存在微小的缺陷,但事实上不影响使用,这种情况下的餐盘缺口会以边缘的形式呈现,取初始图像人工判断是否确实为缺陷,当为缺陷时,需要基于图像中心点标记缺陷的位置,便于训练和识别,而当此非缺陷,而是光斑时,为图像采集过程中的瑕疵,光斑一般不会太大,不涉及到遗漏角点的问题,此时按照正常的边缘将其补齐即可。
步骤3.3:将另一份样本图像调整至预设的亮度及对比度,获取CMYK模式的颜色组成百分比。
本发明中,为了保证训练过程中图像的基础参数一致,故在预处理过程中均需要将样本图像调整至预设的亮度及对比度。
本发明中,以CMYK模式对餐盘的颜色进行标定,CMYK可以较为准确的知道各种颜色的成分,当然,在实际操作过程中,RGB模式的颜色组成百分比也是可以被应用的。
步骤3.4:将当前样本的图像中心点、餐盘形状和颜色组成百分比作为当前样本的特征进行标识。
本发明中,以餐盘的形状和颜色作为主要的标识相,图像中心点主要用于在后续处理过程中的对准,以图像中心点可以获取餐盘的大小、缺口等信息。
步骤3.5:若已处理完所有样本,则建立训练样本集和测试样本集,否则,返回步骤3.1。
步骤4:分批次将训练样本输入深度学习识别模型网络训练,直至得到稳定的识别模型网络。
所述步骤4包括以下步骤:
步骤4.1:设置基础特征网络和检测网络,构建深度学习识别模型网络;
所述基础特征网络为ResNet分类网络,所述检测网络为SSD网络。
深度学习识别模型网络中,采用SSD网络作为主干网络,在多尺度的特征图上进行检测,在SSD网络的每一层连接处分别设置ResNet分类网络中的残差结构。
本发明中,基础特征网络主要包含VGG、Inception、MobileNet、ResNet,检测网络主要包括FasterRCNN、SSD、DSSD、FSSD;在考察VGG、Inception、MobileNet和ResNet后不难发现,VGG模型有500M,虽然网络简单有效,但是模型参数量过多,部署速度上存在瓶颈,Inception引入了incp模块增加网络宽度,通过1*1的卷积减少参数,网络速度和效果中规中矩,MobileNet模型压缩,故参数较少,适合部署在手机等设备上,而ResNet网络利用恒等映射,层次深不容易退化,并且准确率较高,比较适合部署在机柜上;在考察不同的检测网络的性能和准确率的过程中,FasterRCNN是two-stage的模型,选择RP数等于300,精度虽高,但是运行速度较慢,故主要考虑SSD算法,基于多尺度检测、不同尺度和比例的的默认框进行卷积预测,速度和精度能达到均衡;故最终选择了ResNet与SSD对接的模型。
本发明中,构建深度学习识别模型网络,该模型的主干网络采用SSD网络在多尺度的特征图上做检测,并且在主干网络的每一层连接处分别设置ResNet网络中的残差结构。
步骤4.2:设置学习率、损失函数和优化函数;
所述优化函数为Adam函数。
本发明中,在超参数调整的过程中,主要需要对学习率、批次参数、优化函数进行一些调整,并且要考虑内存占用的问题,故优化函数选择Adam函数。
步骤4.3:分批次对训练样本进行数据扩增;
所述步骤4.3中,数据扩增为对训练样本进行旋转、翻转和裁剪后获得的新的训练样本。
步骤4.4:分批次将数据扩增后的训练样本输入步骤4.1的模型网络,根据输出结果进行学习率调整,重复步骤4.4,直至得到稳定的识别模型网络。
本发明中,分批次对训练样本进行数据扩增,在有限的情况下增加数据的训练样本。
本发明中,数据扩增的方法包括但不限于随机对样本进行90°旋转、镜像翻转和固定尺度裁剪,将数据扩增之后的更大的训练样本集输入步骤模型网络中进行训练。
本发明中,调整的过程中学习率逐渐衰减。
本发明中,批次参数一般选择64。
步骤5:将测试样本集输入训练好的识别模型网络,若损失率低于阈值,则关联识别结果与价格,进行下一步,否则,返回步骤3。
步骤4中,输出结果为包括图像中心点、餐盘形状和颜色组成百分比的特征。
本发明中,关联输出结果与价格是指以图像中心点、餐盘形状和颜色组成百分比构成的特征与价格间的关联。
本发明中,事实上,亦可以基于Tensorflow进行数据预处理、模型训练、模型搭配、模型固化、模型部署,效果良好稳定。
步骤6:收银处采集待收银餐盘照片,对照片进行预处理,获得1个或多个餐盘的图像。
所述步骤6包括以下步骤。
步骤6.1:收银处采集待收银餐盘照片。
本发明中,为了更好的进行图像划分,事实上用户可以使用托盘将1个或多个餐盘整合到一定范围的框内,亦可以便于归整餐盘的位置,便于取像及后续处理。
步骤6.2:将照片调整至预设的亮度及对比度。
步骤6.3:将步骤6.2调整后的图片二值化,去除离散点,以canny算法得到1个或多个餐盘的边缘。
步骤6.4:根据边缘将待收银餐盘照片分割为1个或多个餐盘的图像。
本发明中,步骤6.2-步骤6.4与训练过程中的预处理基本一致,主要是在预设的亮度及对比度的前提下,对餐盘进行识别和划分。
步骤7:将1个或多个餐盘的图像逐次输入当前识别模型网络,基于识别结果和对应的餐盘个数获得总价。
本发明中,将1个或多个餐盘的图像逐次输入模型网络后,基于识别结果与价格的关联,可以获得当前餐盘所盛放的菜品对应的单价,进而进行价格的累加。
步骤8:用户确认无误,付款。
步骤9:若存在新的待收银信息,则返回步骤1,否则结束。
本发明通过采集餐盘照片并分为训练样本和测试样本,对训练样本和测试样本分别进行预处理,分批次将训练样本输入深度学习识别模型网络训练,直至得到稳定的识别模型网络后,将测试样本集输入训练好的识别模型网络,若损失率低于阈值,则关联识别结果与价格,开始收银,与此同时计时开始;收银处采集待收银餐盘照片,对照片进行预处理,获得1个或多个餐盘的图像,逐次输入当前识别模型网络,基于识别结果和对应的餐盘个数获得总价,用户确认无误后付款;期间,不间断确认是否到达更新时间或更新批次,如果不需要更新则收银处继续正常作业即可。
本发明免去了人工结算的繁琐,采集一次餐盘图片信息并训练得到稳定的识别网络后,可以使用一段时间,每次使用时,只需要采集1个或多个餐盘的照片即可,结算效率高,不需要额外增设结算通道,单个通道最多只需配备一名工作人员引导即可,大大缓解排队情况,结算准确度高,依托于机器网络,最大程度避免了人工干涉,就餐人员、结算人员和餐厅间可能造成误解或矛盾的隐患小,便于餐厅管理;本发明同时也不需要定制餐盘,运营成本低,容错率高。
Claims (10)
1.一种基于餐盘识别的智慧收银方法,其特征在于:所述方法包括以下步骤:
步骤1:判断是否达到预设的更新时间T和/或存在更新批次的餐盘,若是,进行下一步,否则,T持续计时,进行步骤6;
步骤2:T清零;采集餐盘照片,将餐盘照片分为训练样本和测试样本;
步骤3:对训练样本和测试样本分别进行预处理,建立训练样本集和测试样本集;
步骤4:分批次将训练样本输入深度学习识别模型网络训练,直至得到稳定的识别模型网络;
步骤5:将测试样本集输入训练好的识别模型网络,若损失率低于阈值,则关联识别结果与价格,进行下一步,否则,返回步骤3;
步骤6:收银处采集待收银餐盘照片,对照片进行预处理,获得1个或多个餐盘的图像;
步骤7:将1个或多个餐盘的图像逐次输入当前识别模型网络,基于识别结果和对应的餐盘个数获得总价;
步骤8:用户确认无误,付款;
步骤9:若存在新的待收银信息,则返回步骤1,否则结束。
2.根据权利要求1所述的一种基于餐盘识别的智慧收银方法,其特征在于:所述步骤3中,预处理包括以下步骤:
步骤3.1:取任一未处理样本,复制一次;
步骤3.2:取一份样本图像二值化,去除离散点;以canny算法得到边缘,根据边缘确定图像中心点,根据边缘的角点得到餐盘形状;
步骤3.3:将另一份样本图像调整至预设的亮度及对比度,获取CMYK模式的颜色组成百分比;
步骤3.4:将当前样本的图像中心点、餐盘形状和颜色组成百分比作为当前样本的特征进行标识;
步骤3.5:若已处理完所有样本,则建立训练样本集和测试样本集,否则,返回步骤3.1。
3.根据权利要求2所述的一种基于餐盘识别的智慧收银方法,其特征在于:所述步骤3.2中,若边缘存在缺口,根据另一份样本图像判断为光斑或缺损;若为光斑,则根据边缘趋势将缺口补全,若为缺损,则以图像中心点为圆心建立XOY坐标,记录缺口点的坐标。
4.根据权利要求1所述的一种基于餐盘识别的智慧收银方法,其特征在于:所述步骤4包括以下步骤:
步骤4.1:设置基础特征网络和检测网络,构建深度学习识别模型网络;
步骤4.2:设置学习率、损失函数和优化函数;
步骤4.3:分批次对训练样本进行数据扩增;
步骤4.4:分批次将数据扩增后的训练样本输入步骤4.1的模型网络,根据输出结果进行学习率调整,重复步骤4.4,直至得到稳定的识别模型网络。
5.根据权利要求4所述的一种基于餐盘识别的智慧收银方法,其特征在于:所述基础特征网络为ResNet分类网络,所述检测网络为SSD网络。
6.根据权利要求5所述的一种基于餐盘识别的智慧收银方法,其特征在于:深度学习识别模型网络中,采用SSD网络作为主干网络,在多尺度的特征图上进行检测,在SSD网络的每一层连接处分别设置ResNet分类网络中的残差结构。
7.根据权利要求4所述的一种基于餐盘识别的智慧收银方法,其特征在于:所述优化函数为Adam函数。
8.根据权利要求4所述的一种基于餐盘识别的智慧收银方法,其特征在于:所述步骤4.3中,数据扩增为对训练样本进行旋转、翻转和裁剪后获得的新的训练样本。
9.根据权利要求2所述的一种基于餐盘识别的智慧收银方法,其特征在于:步骤4中,输出结果为包括图像中心点、餐盘形状和颜色组成百分比的特征。
10.根据权利要求1所述的一种基于餐盘识别的智慧收银方法,其特征在于:所述步骤6包括以下步骤:
步骤6.1:收银处采集待收银餐盘照片;
步骤6.2:将照片调整至预设的亮度及对比度;
步骤6.3:将步骤6.2调整后的图片二值化,去除离散点,以canny算法得到1个或多个餐盘的边缘;
步骤6.4:根据边缘将待收银餐盘照片分割为1个或多个餐盘的图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910805031.7A CN110580505A (zh) | 2019-08-29 | 2019-08-29 | 一种基于餐盘识别的智慧收银方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910805031.7A CN110580505A (zh) | 2019-08-29 | 2019-08-29 | 一种基于餐盘识别的智慧收银方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110580505A true CN110580505A (zh) | 2019-12-17 |
Family
ID=68812296
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910805031.7A Pending CN110580505A (zh) | 2019-08-29 | 2019-08-29 | 一种基于餐盘识别的智慧收银方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110580505A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101928A (zh) * | 2020-08-31 | 2020-12-18 | 佛山科学技术学院 | 一种自助餐厅的自动结算方法及系统 |
CN113833526A (zh) * | 2020-06-08 | 2021-12-24 | 兰州资源环境职业技术学院 | 一种矿山设备安全预警系统 |
CN114023017A (zh) * | 2021-11-30 | 2022-02-08 | 韩晓博 | 一种基于扫码通讯的智能称量结算系统设备 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103208156A (zh) * | 2013-02-06 | 2013-07-17 | 浙江科技学院 | 一种餐饮自动结算系统和方法 |
US20170130813A1 (en) * | 2014-07-11 | 2017-05-11 | Nissan Motor Co., Ltd. | Final drive device |
CN107038425A (zh) * | 2017-04-25 | 2017-08-11 | 上海理工大学 | 基于机器视觉的智能餐厅的结算系统 |
CN107563372A (zh) * | 2017-07-20 | 2018-01-09 | 济南中维世纪科技有限公司 | 一种基于深度学习ssd框架的车牌定位方法 |
CN108460382A (zh) * | 2018-03-26 | 2018-08-28 | 西安电子科技大学 | 基于深度学习单步检测器的光学遥感图像舰船检测方法 |
CN108960198A (zh) * | 2018-07-28 | 2018-12-07 | 天津大学 | 一种基于残差ssd模型的交通标志检测与识别方法 |
CN109086678A (zh) * | 2018-07-09 | 2018-12-25 | 天津大学 | 一种基于深度监督学习提取图像多级特征的行人检测方法 |
CN109145839A (zh) * | 2018-08-29 | 2019-01-04 | 福建超汇信息技术有限公司 | 基于机器视觉识别的计价方法及计算机可读存储介质 |
CN109522855A (zh) * | 2018-11-23 | 2019-03-26 | 广州广电银通金融电子科技有限公司 | 结合ResNet和SENet的低分辨率行人检测方法、系统及存储介质 |
CN109615358A (zh) * | 2018-11-01 | 2019-04-12 | 北京伟景智能科技有限公司 | 一种基于深度学习图像识别的餐厅自动结算方法及系统 |
CN109671236A (zh) * | 2018-12-28 | 2019-04-23 | 广东美电贝尔科技集团股份有限公司 | 周界目标物体的检测方法及其系统 |
CN109740579A (zh) * | 2019-03-01 | 2019-05-10 | 上海柏珍信息科技有限公司 | 一种基于碗盘智能识别的快餐收银系统 |
CN109829400A (zh) * | 2019-01-18 | 2019-05-31 | 青岛大学 | 一种快速车辆检测方法 |
-
2019
- 2019-08-29 CN CN201910805031.7A patent/CN110580505A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103208156A (zh) * | 2013-02-06 | 2013-07-17 | 浙江科技学院 | 一种餐饮自动结算系统和方法 |
US20170130813A1 (en) * | 2014-07-11 | 2017-05-11 | Nissan Motor Co., Ltd. | Final drive device |
CN107038425A (zh) * | 2017-04-25 | 2017-08-11 | 上海理工大学 | 基于机器视觉的智能餐厅的结算系统 |
CN107563372A (zh) * | 2017-07-20 | 2018-01-09 | 济南中维世纪科技有限公司 | 一种基于深度学习ssd框架的车牌定位方法 |
CN108460382A (zh) * | 2018-03-26 | 2018-08-28 | 西安电子科技大学 | 基于深度学习单步检测器的光学遥感图像舰船检测方法 |
CN109086678A (zh) * | 2018-07-09 | 2018-12-25 | 天津大学 | 一种基于深度监督学习提取图像多级特征的行人检测方法 |
CN108960198A (zh) * | 2018-07-28 | 2018-12-07 | 天津大学 | 一种基于残差ssd模型的交通标志检测与识别方法 |
CN109145839A (zh) * | 2018-08-29 | 2019-01-04 | 福建超汇信息技术有限公司 | 基于机器视觉识别的计价方法及计算机可读存储介质 |
CN109615358A (zh) * | 2018-11-01 | 2019-04-12 | 北京伟景智能科技有限公司 | 一种基于深度学习图像识别的餐厅自动结算方法及系统 |
CN109522855A (zh) * | 2018-11-23 | 2019-03-26 | 广州广电银通金融电子科技有限公司 | 结合ResNet和SENet的低分辨率行人检测方法、系统及存储介质 |
CN109671236A (zh) * | 2018-12-28 | 2019-04-23 | 广东美电贝尔科技集团股份有限公司 | 周界目标物体的检测方法及其系统 |
CN109829400A (zh) * | 2019-01-18 | 2019-05-31 | 青岛大学 | 一种快速车辆检测方法 |
CN109740579A (zh) * | 2019-03-01 | 2019-05-10 | 上海柏珍信息科技有限公司 | 一种基于碗盘智能识别的快餐收银系统 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113833526A (zh) * | 2020-06-08 | 2021-12-24 | 兰州资源环境职业技术学院 | 一种矿山设备安全预警系统 |
CN112101928A (zh) * | 2020-08-31 | 2020-12-18 | 佛山科学技术学院 | 一种自助餐厅的自动结算方法及系统 |
CN114023017A (zh) * | 2021-11-30 | 2022-02-08 | 韩晓博 | 一种基于扫码通讯的智能称量结算系统设备 |
CN114023017B (zh) * | 2021-11-30 | 2024-02-02 | 广东小样数据技术股份公司 | 一种基于扫码通讯的智能称量结算系统设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110580505A (zh) | 一种基于餐盘识别的智慧收银方法 | |
TWI598839B (zh) | Method and apparatus for determining a target location | |
CN108846835B (zh) | 基于深度可分离卷积网络的图像变化检测方法 | |
CN111028016A (zh) | 销量数据预测方法、装置以及相关设备 | |
CN109508664B (zh) | 一种基于深度学习的菜品识别计价方法 | |
CN106777177A (zh) | 检索方法和装置 | |
CN111680603A (zh) | 一种菜品检测和识别方法 | |
CN111401419A (zh) | 基于改进RetinaNet的员工着装规范检测方法 | |
CN108282860A (zh) | 数据处理方法及装置 | |
CN107808358A (zh) | 图像水印自动检测方法 | |
CN109636474A (zh) | 房源排序展示方法、装置、设备及存储介质 | |
CN109992605B (zh) | 基于手机信令数据的人口识别方法及系统 | |
CN110909640A (zh) | 水位线的确定方法及装置、存储介质、电子装置 | |
CN107124476A (zh) | 信息推送方法和装置 | |
CN109242552B (zh) | 一种基于大数据的商铺定位方法 | |
CN110493363B (zh) | 一种智能手机随机mac地址的辨别系统及方法 | |
CN106022405A (zh) | 一种基于形状的餐盘自动计价系统 | |
CN109426756A (zh) | 一种条码识别结果的查错方法及装置 | |
CN108197301A (zh) | 一种用于量化不同券商app行情刷新速度的方法 | |
CN114359235A (zh) | 一种基于改进YOLOv5l网络的木材表面缺陷检测方法 | |
CN106535325A (zh) | 定位方法、信息处理方法、定位装置及信息处理装置 | |
CN110334590A (zh) | 图像采集引导方法以及装置 | |
CN110415051A (zh) | 一种店铺陈列选址方法及装置 | |
CN106714099A (zh) | 照片信息处理及景点识别方法、客户端、服务器 | |
CN114077877B (zh) | 一种新增垃圾识别方法、装置、计算机设备及存储介质 |
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: 20191217 |