CN110942050A - 一种基于图像处理的自动售卖机商品识别系统 - Google Patents
一种基于图像处理的自动售卖机商品识别系统 Download PDFInfo
- Publication number
- CN110942050A CN110942050A CN201911330019.1A CN201911330019A CN110942050A CN 110942050 A CN110942050 A CN 110942050A CN 201911330019 A CN201911330019 A CN 201911330019A CN 110942050 A CN110942050 A CN 110942050A
- Authority
- CN
- China
- Prior art keywords
- commodity
- vending machine
- image
- identification
- module
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 18
- 238000012423 maintenance Methods 0.000 claims abstract description 13
- 238000005286 illumination Methods 0.000 claims abstract description 10
- 238000004891 communication Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000000034 method Methods 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 9
- 238000007726 management method Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000013024 troubleshooting Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 230000008901 benefit Effects 0.000 description 4
- 239000003086 colorant Substances 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07F—COIN-FREED OR LIKE APPARATUS
- G07F11/00—Coin-freed apparatus for dispensing, or the like, discrete articles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (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)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Control Of Vending Devices And Auxiliary Devices For Vending Devices (AREA)
Abstract
本发明公开了一种基于图像处理的自动售卖机商品识别系统。所述系统包括自动售卖机终端、服务器端和监管端；自动售卖机终端包括自动售卖机控制模块、照明模块、图像采集模块及通信模块；服务器端包括服务器、数据库及商品识别模块；监管端包括运营商、维修人员及管理中心；自动售卖机终端获取每次购物及补货前后的售卖机内部货道商品图像信息，将获取的待处理图像发送至服务器端，由商品识别模块识别自动售卖机货道上的商品种类和数量信息，得出最终识别结果并将其发送到监管端，监管端对自动售卖机进行监管。解决了自动售卖机内部商品重叠摆放难以识别的问题，能够实时获取自动售卖机内部商品信息，为科学管理和自动补货提供可靠依据。
Description
技术领域
本发明属于自动售卖领域，特别涉及一种基于图像处理的自动售卖机商品识别系统。
背景技术
科学技术迅速发展的浪潮下，人类社会从互联网时代逐步跨入人工智能时代，各行各业逐步走向智能化。
在自动售卖机领域，第三方支付方式的应用，取代了传统的投币式自动售卖机，大大降低成本，提高购物效率。然而，自动售卖机内部商品种类、数量的实时数据采集，依然依靠人工，准确性差且效率低下，存在严重数据不透明现象，提高运营商的管理成本，容易造成运营商的利益损失。
根据梁永馨等学者研究，目前自动售卖机存在后台检测不及时、不到位，从而导致自动售卖机容易长时间缺货、断货等现象(梁永馨,王凤越.自动售货机的发展现状及趋势[J].当代经济,2019,494(02):82-85.)。因此，开发一种基于图像处理的自动售卖机商品识别系统是十分关键的。
发明内容
本发明的目的在于克服现有技术的缺点与不足，提供一种基于图像处理的自动售卖机商品识别系统，解决目前自动售卖机内部商品种类、数量等数据信息不透明的现象，能够给运营商补货提供科学的数据依据，便于运营商管理分布在各地的终端自动售卖机，降低管理成本，同时增加自动售卖机的数据透明度，以免造成利益损失。
本发明的目的至少通过如下技术方案之一实现。
一种基于图像处理的自动售卖机商品识别系统，包括自动售卖机终端、服务器端和监管端；所述自动售卖机终端包括自动售卖机控制模块、照明模块、图像采集模块及通信模块；所述服务器端包括服务器、数据库及商品识别模块；所述监管端包括运营商、维修人员及管理中心；
自动售卖机终端获取每次购物及补货前后的售卖机内部货道商品图像信息，将获取的待处理图像发送至服务器端，基于服务器端的数字图像匹配算法以及智能识别算法，识别自动售卖机货道上的商品种类和数量信息，得出最终识别结果并将其发送到监管端，监管端根据接收到的信息对自动售卖机进行监管。
进一步地，自动售卖机控制模块响应每次购物及补货的指令请求，控制图像采集模块采集每次购物及补货前后的图像信息；自动售卖机控制模块控制通信模块，将图像采集模块每次采集的图像信息通过互联网发送至服务器端。
进一步地，所述图像采集模块的摄像头布置为斜顶部布局，即在顶部正中间两侧，倾斜布局双摄像头；所述照明模块为图像采集提供均匀光照，保证采集的图像质量。
进一步地，服务器端中的服务器接收图像采集模块发送过来的图像信息并对图像信息进行预处理，将预处理后的图像信息发送到商品识别模块并将其存储于数据库内，然后由商品识别模块进行商品的种类、数量识别。
进一步地，所述图像预处理是指通过预设参数对图像进行分割，将整张商品图像切分为每个货道的子商品图像；对子商品图像应用八叉树算法提取商品颜色块矩阵信息；并利用灰度增强、二值化方法预处理图像，利用canny算子进行边缘检测，得出子商品图像中包含的商品边缘轮廓的矩阵信息。
进一步地，所述商品识别模块通过级联式识别方法识别商品，输出最终识别结果并将其通过互联网发送到监管端，级联式识别方法包括数字图像匹配算法与智能识别算法。
进一步地，所述数字图像匹配算法通过对货道内商品颜色和商品的形状特征进行相似度计算，并与数据库商品进行颜色匹配及形状特征匹配，初步确定商品类别；
所述数字图像匹配算法利用余弦相似度公式，计算经过图像预处理得到的商品颜色块矩阵信息、商品轮廓矩阵信息与数据库内部存储的商品颜色块矩阵信息、商品轮廓矩阵信息之间的相似度，根据预设的相似度阈值，可初步确定商品类别。
进一步地，所述智能识别算法为卷积神经网络，将经过图像预处理所得到的商品颜色块矩阵、边缘轮廓矩阵作为输入，输出结果即为商品的类别；
所述的卷积神经网络，为预先训练好的算法模型；通过手工标记，建立商品的颜色块、边缘轮廓的有标签数据集，并划分训练数据集和测试数据集；将去除标签的数据集作为模型输入，并将其输出与标签对比；反复交叉验证，得出在训练数据集和测试数据集上分类准确度均达到预设阈值的模型参数，完成卷积神经网络的模型训练。
进一步地，所述监管端中的运营商、维修人员及管理中心能够实时查看各站点自动售卖机内部商品实时数据信息，管理中心和运营商能可靠地进行科学管理和自动补货，同时维修人员能够及时进行自动售卖机的故障排查、维护。
进一步地，当服务器端的商品识别模块无法识别商品时，服务器端立即启动系统故障报警，由管理中心进行人工识别匹配，输出最终识别结果，最大程度降低误识别率。
本发明与现有技术相比，具有如下优点和有益效果：
本发明所提供的一种基于图像处理的自动售卖机商品识别系统，解决了自动售卖机内部商品重叠摆放难以识别的问题，能够实时获取自动售卖机内部商品信息，增加自动售卖机的数据透明度，为科学管理和自动补货提供可靠依据。能够降低运营商的管理成本，减少运营商的利益损失。
附图说明
图1是基于图像处理的自动售卖机商品识别系统的总体结构示意图。
图2是本发明实施例中的图像采集模块的摄像头布局图。
图3是本发明实施例中的级联式识别方法流程图。
具体实施方式
下面结合实施例及附图对本发明的具体实施作进一步详细的描述，但本发明的实施方式不限于此。
实施例：
如图1所示，一种基于图像处理的自动售卖机商品识别系统包括自动售卖机终端、服务器端和监管端。自动售卖机终端包括自动售卖机控制模块、照明模块、图像采集模块及通信模块，其中自动售卖机控制模块为Android工业计算机。服务器端包括服务器、数据库及商品识别模块。监管端包括运营商、维修人员及管理中心。
自动售卖机控制模块响应每次购物及补货的指令请求，控制图像采集模块采集每次购物及补货前后的图像信息；并控制通信模块，将图像采集模块每次采集的图像信息通过互联网发送至服务器端。服务器端中的服务器接收图像采集模块发送过来的图像信息并对图像信息进行预处理，将预处理后的图像信息发送到商品识别模块并将其存储于数据库内，然后由商品识别模块进行商品的种类、数量识别，得出最终识别结果并将其通过互联网发送到监管端。最终识别结果能通过终端APP实现在线可视化，提高自动售卖机的数据透明度，监管端中的运营商、维修人员及管理中心能够实时查看各站点自动售卖机内部商品实时数据信息，为管理中心和运营商的科学管理和自动补货提供可靠依据，同时维修人员能够及时进行自动售卖机的故障排查、维护。
所述图像预处理是指通过预设参数对图像进行分割，将整张商品图像切分为每个货道的子商品图像；对子商品图像应用八叉树算法提取商品颜色块矩阵信息；并利用灰度增强、二值化方法预处理图像，利用canny算子进行边缘检测，得出子商品图像中包含的商品边缘轮廓的矩阵信息。
本实施例中，所述照明模块使用条形LED光源，为图像采集提供均匀光照，保证采集的图像质量。
如图2所示，图像采集模块的摄像头布局采用斜顶部布局方式，即在顶部正中间两侧，倾斜布局双摄像头。充分利用自动售卖机层间空间、第一布局摄像头1和第二布局摄像头2，增加空间利用率。本实施例中，以四货道自动售卖机为例，第一布局摄像头1采集货道1和货道2的商品图像信息，第二布局摄像头2采集货道3和货道4的商品图像信息。此布局方式，能够最大程度降低同货道商品之间的相互遮掩影响，提高商品的可识别率。异货道之间商品存在一定程度遮掩，但可通过商品摆放规则即售卖机空间设计降低影响。
商品识别模块通过级联式识别方法识别商品，级联式识别方法包括数字图像匹配算法与智能识别算法。数字图像匹配算法通过图像分割，对货道内商品颜色和商品的形状特征进行编码，通过与数据库商品进行颜色匹配及形状特征匹配，初步确定商品类别。智能识别算法为卷积神经网络，对经过数字图像匹配算法的商品类别进一步精确匹配分类，得出最终识别结果。
如图3所示，级联式识别方法包括数字图像匹配算法与智能识别算法。数字图像匹配算法通过对货道内商品颜色和商品的形状特征进行相似度计算，并与数据库商品进行颜色匹配及形状特征匹配，初步确定商品类别，缩小识别范围。智能识别算法为卷积神经网络，将所得到的商品颜色块矩阵、边缘轮廓矩阵作为卷积神经网络输入，其输出结果即为商品的类别，从而对经过数字图像匹配算法的商品类别进一步精确匹配分类，若匹配成功，则输出最终识别结果。否则，立即启动系统故障报警，由后台管理中心进行人工识别匹配，输出最终识别结果，最大程度降低误识别率。
所述数字图像匹配算法利用余弦相似度公式，计算经过图像预处理得到的商品颜色块矩阵信息、商品轮廓矩阵信息与数据库内部存储的商品颜色块矩阵信息、商品轮廓矩阵信息之间的相似度，根据预设的相似度阈值，可初步确定商品类别。
所述的卷积神经网络，为预先训练好的算法模型。通过手工标记，建立商品的颜色块、边缘轮廓的有标签数据集，并划分训练数据集和测试数据集。将去除标签的数据集作为模型输入，并将其输出与标签对比；反复交叉验证，得出在训练数据集和测试数据集上分类准确度均达到预设阈值的模型参数，完成卷积神经网络的模型训练。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (10)
1.一种基于图像处理的自动售卖机商品识别系统，其特征在于：包括自动售卖机终端、服务器端和监管端；所述自动售卖机终端包括自动售卖机控制模块、照明模块、图像采集模块及通信模块；所述服务器端包括服务器、数据库及商品识别模块；所述监管端包括运营商、维修人员及管理中心；
自动售卖机终端获取每次购物及补货前后的售卖机内部货道商品图像信息，将获取的待处理图像发送至服务器端，基于服务器端的数字图像匹配算法以及智能识别算法，识别自动售卖机货道上的商品种类和数量信息，得出最终识别结果并将其发送到监管端，监管端根据接收到的信息对自动售卖机进行监管。
2.根据权利要求1所述的一种基于图像处理的自动售卖机商品识别系统，其特征在于，自动售卖机控制模块响应每次购物及补货的指令请求，控制图像采集模块采集每次购物及补货前后的图像信息；自动售卖机控制模块控制通信模块，将图像采集模块每次采集的图像信息通过互联网发送至服务器端。
3.根据权利要求1所述的一种基于图像处理的自动售卖机商品识别系统，其特征在于，所述图像采集模块的摄像头布置为斜顶部布局，即在顶部正中间两侧，倾斜布局双摄像头；所述照明模块为图像采集提供均匀光照，保证采集的图像质量。
4.根据权利要求1所述的一种基于图像处理的自动售卖机商品识别系统，其特征在于，服务器端中的服务器接收图像采集模块发送过来的图像信息并对图像信息进行预处理，将预处理后的图像信息发送到商品识别模块并将其存储于数据库内，然后由商品识别模块进行商品的种类、数量识别。
5.根据权利要求4所述的一种基于图像处理的自动售卖机商品识别系统，其特征在于，所述图像预处理是指通过预设参数对图像进行分割，将整张商品图像切分为每个货道的子商品图像；对子商品图像应用八叉树算法提取商品颜色块矩阵信息；并利用灰度增强、二值化方法预处理图像，利用canny算子进行边缘检测，得出子商品图像中包含的商品边缘轮廓的矩阵信息。
6.根据权利要求1所述的一种基于图像处理的自动售卖机商品识别系统，其特征在于，所述商品识别模块通过级联式识别方法识别商品，输出最终识别结果并将其通过互联网发送到监管端，级联式识别方法包括数字图像匹配算法与智能识别算法。
7.根据权利要求6所述的一种基于图像处理的自动售卖机商品识别系统，其特征在于，所述数字图像匹配算法通过对货道内商品颜色和商品的形状特征进行相似度计算，并与数据库商品进行颜色匹配及形状特征匹配，初步确定商品类别；
所述数字图像匹配算法利用余弦相似度公式，计算经过图像预处理得到的商品颜色块矩阵信息、商品轮廓矩阵信息与数据库内部存储的商品颜色块矩阵信息、商品轮廓矩阵信息之间的相似度，根据预设的相似度阈值，初步确定商品类别。
8.根据权利要求6所述的一种基于图像处理的自动售卖机商品识别系统，其特征在于，所述智能识别算法为卷积神经网络，将经过图像预处理所得到的商品颜色块矩阵、边缘轮廓矩阵作为输入，输出结果即为商品的类别；
所述的卷积神经网络，为预先训练好的算法模型；通过手工标记，建立商品的颜色块、边缘轮廓的有标签数据集，并划分训练数据集和测试数据集；将去除标签的数据集作为模型输入，并将其输出与标签对比；反复交叉验证，得出在训练数据集和测试数据集上分类准确度均达到预设阈值的模型参数，完成卷积神经网络的模型训练。
9.根据权利要求1所述的一种基于图像处理的自动售卖机商品识别系统，其特征在于，所述监管端中的运营商、维修人员及管理中心能够实时查看各站点自动售卖机内部商品实时数据信息，管理中心和运营商能可靠地进行科学管理和自动补货，同时维修人员能够及时进行自动售卖机的故障排查、维护。
10.根据权利要求1所述的一种基于图像处理的自动售卖机商品识别系统，其特征在于，当服务器端的商品识别模块无法识别商品时，服务器端立即启动系统故障报警，由管理中心进行人工识别匹配，输出最终识别结果，最大程度降低误识别率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911330019.1A CN110942050A (zh) | 2019-12-20 | 2019-12-20 | 一种基于图像处理的自动售卖机商品识别系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911330019.1A CN110942050A (zh) | 2019-12-20 | 2019-12-20 | 一种基于图像处理的自动售卖机商品识别系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110942050A true CN110942050A (zh) | 2020-03-31 |
Family
ID=69912258
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911330019.1A Pending CN110942050A (zh) | 2019-12-20 | 2019-12-20 | 一种基于图像处理的自动售卖机商品识别系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110942050A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111696264A (zh) * | 2020-06-19 | 2020-09-22 | 李德政 | 一种具有自动识别功能的智能终端及运营系统和运营方法 |
| CN111867211A (zh) * | 2020-07-14 | 2020-10-30 | 深圳市千百辉照明工程有限公司 | 一种智慧灯的自动调节方法、装置和系统 |
| CN112530086A (zh) * | 2020-12-16 | 2021-03-19 | 合肥美的智能科技有限公司 | 自动售货柜及其商品sku计算方法、系统以及远程服务器 |
| CN112990135A (zh) * | 2021-04-29 | 2021-06-18 | 北京每日优鲜电子商务有限公司 | 设备控制方法、装置、电子设备和计算机可读介质 |
| CN114821894A (zh) * | 2022-06-06 | 2022-07-29 | 广东便捷神科技股份有限公司 | 一种基于物联网的智能饮品售卖机及其控制方法 |
| CN116682209A (zh) * | 2023-06-15 | 2023-09-01 | 南昌交通学院 | 一种基于机器视觉的自动售货机库存管理方法及系统 |
| CN116704666A (zh) * | 2023-06-21 | 2023-09-05 | 合肥中科类脑智能技术有限公司 | 售卖方法及计算机可读存储介质、自动售卖机 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106781014A (zh) * | 2017-01-24 | 2017-05-31 | 广州市蚁道互联网有限公司 | 自动售货机及其运行方法 |
| CN108875664A (zh) * | 2018-06-27 | 2018-11-23 | 北京京东尚科信息技术有限公司 | 选购商品的识别方法、装置以及售货机 |
| CN108922026A (zh) * | 2018-07-09 | 2018-11-30 | 深圳码隆科技有限公司 | 一种自动售货机的补货管理方法、装置和用户终端 |
| WO2019062017A1 (zh) * | 2017-09-27 | 2019-04-04 | 缤果可为（北京）科技有限公司 | 基于神经网络的商品识别方法、装置、自助收银台 |
| CN109670546A (zh) * | 2018-12-14 | 2019-04-23 | 武汉市哈哈便利科技有限公司 | 一种基于预设模板的商品匹配及数量回归识别算法 |
| WO2019184646A1 (zh) * | 2018-03-27 | 2019-10-03 | 合肥美的智能科技有限公司 | 货品识别方法及装置、货柜 |
-
2019
- 2019-12-20 CN CN201911330019.1A patent/CN110942050A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106781014A (zh) * | 2017-01-24 | 2017-05-31 | 广州市蚁道互联网有限公司 | 自动售货机及其运行方法 |
| WO2019062017A1 (zh) * | 2017-09-27 | 2019-04-04 | 缤果可为（北京）科技有限公司 | 基于神经网络的商品识别方法、装置、自助收银台 |
| WO2019184646A1 (zh) * | 2018-03-27 | 2019-10-03 | 合肥美的智能科技有限公司 | 货品识别方法及装置、货柜 |
| CN108875664A (zh) * | 2018-06-27 | 2018-11-23 | 北京京东尚科信息技术有限公司 | 选购商品的识别方法、装置以及售货机 |
| CN108922026A (zh) * | 2018-07-09 | 2018-11-30 | 深圳码隆科技有限公司 | 一种自动售货机的补货管理方法、装置和用户终端 |
| CN109670546A (zh) * | 2018-12-14 | 2019-04-23 | 武汉市哈哈便利科技有限公司 | 一种基于预设模板的商品匹配及数量回归识别算法 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111696264A (zh) * | 2020-06-19 | 2020-09-22 | 李德政 | 一种具有自动识别功能的智能终端及运营系统和运营方法 |
| CN111867211A (zh) * | 2020-07-14 | 2020-10-30 | 深圳市千百辉照明工程有限公司 | 一种智慧灯的自动调节方法、装置和系统 |
| CN112530086A (zh) * | 2020-12-16 | 2021-03-19 | 合肥美的智能科技有限公司 | 自动售货柜及其商品sku计算方法、系统以及远程服务器 |
| CN112990135A (zh) * | 2021-04-29 | 2021-06-18 | 北京每日优鲜电子商务有限公司 | 设备控制方法、装置、电子设备和计算机可读介质 |
| CN114821894A (zh) * | 2022-06-06 | 2022-07-29 | 广东便捷神科技股份有限公司 | 一种基于物联网的智能饮品售卖机及其控制方法 |
| CN116682209A (zh) * | 2023-06-15 | 2023-09-01 | 南昌交通学院 | 一种基于机器视觉的自动售货机库存管理方法及系统 |
| CN116704666A (zh) * | 2023-06-21 | 2023-09-05 | 合肥中科类脑智能技术有限公司 | 售卖方法及计算机可读存储介质、自动售卖机 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110942050A (zh) | 一种基于图像处理的自动售卖机商品识别系统 | |
| CN108537154A (zh) | 基于hog特征和机器学习的输电线路鸟巢识别方法 | |
| CN104992449A (zh) | 基于机器视觉的信息识别及表面缺陷在线检测方法 | |
| CN110264440B (zh) | 基于深度学习的大规模列车移位故障检测方法及系统 | |
| CN102609730B (zh) | 基于动静触头接触比例的刀闸状态合位可靠性判别方法 | |
| CN112183313A (zh) | 一种基于SlowFast的电力作业现场动作识别方法 | |
| CN114049343A (zh) | 基于深度学习的裂纹扩展历程复杂缺失纹理的追溯方法 | |
| CN115511367A (zh) | 生产线的质量智能管理系统 | |
| CN114441452B (zh) | 一种光纤尾纤检测方法 | |
| CN117078670B (zh) | 一种云相框的生产控制系统 | |
| CN113469938A (zh) | 基于嵌入式前端处理服务器的管廊视频分析方法及系统 | |
| CN117035669A (zh) | 基于人工智能的企业安全生产管理方法及系统 | |
| CN116958035A (zh) | 产品零件缺陷检测方法、装置、介质及电子设备 | |
| CN116739991A (zh) | 基于深度学习的液晶显示屏表面缺陷检测方法及电子装置 | |
| CN114330477B (zh) | 一种基于混合现实设备的电力设备缺陷检测系统及方法 | |
| CN116523853A (zh) | 一种基于深度学习的芯片检测系统及方法 | |
| CN114742850A (zh) | 基于ugnx模型分析的电极形体自动识别的实现方法 | |
| CN110956366A (zh) | 一种装维质检中分光器施工一致性检验方法 | |
| CN114078234B (zh) | 供电台区施工工艺的检测方法、系统、存储介质及设备 | |
| Liu et al. | Mobile-Deep Based PCB Image Segmentation Algorithm Research. | |
| CN113807244B (zh) | 一种基于深度学习的机柜布置图绘制方法 | |
| CN117576098B (zh) | 基于分割的细胞分裂均衡度评估方法及设备 | |
| CN111860123B (zh) | 一种识别工作区域边界的方法 | |
| CN112329863B (zh) | 一种牵引变电所内隔离开关状态识别方法 | |
| CN115116000A (zh) | 基于人工智能检测人员离岗的方法、系统及存储介质 |
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 |
Application publication date: 20200331 |
|
| RJ01 | Rejection of invention patent application after publication |