CN111143585A - 自动化大数据排序方法 - Google Patents
自动化大数据排序方法 Download PDFInfo
- Publication number
- CN111143585A CN111143585A CN201910290500.6A CN201910290500A CN111143585A CN 111143585 A CN111143585 A CN 111143585A CN 201910290500 A CN201910290500 A CN 201910290500A CN 111143585 A CN111143585 A CN 111143585A
- Authority
- CN
- China
- Prior art keywords
- image
- dish
- captured image
- hall
- foreground
- 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
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 41
- 238000001914 filtration Methods 0.000 claims description 32
- 238000012937 correction Methods 0.000 claims description 26
- 238000010606 normalization Methods 0.000 claims description 22
- 235000013311 vegetables Nutrition 0.000 claims description 20
- 238000012163 sequencing technique Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000003384 imaging method Methods 0.000 claims description 3
- 235000020061 kirsch Nutrition 0.000 claims description 3
- 235000013305 food Nutrition 0.000 description 9
- 238000013461 design Methods 0.000 description 6
- 210000004556 brain Anatomy 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 206010049976 Impatience Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000006694 eating habits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种自动化大数据排序方法，所述方法包括提供一种自动化大数据排序平台，用于对就餐大厅当前摆放完整的各种菜品目标的数量进行针对性检测，基于每一种菜品目标归属的菜系类型统计出每一种菜系所拥有的菜品目标的数量，还基于每一种菜系所拥有的菜品目标的数量的多少对各种菜系进行排序，以将对各种菜系进行排序的排序结果无线发送给餐厅管理人员的手机上。
Description
技术领域
本发明涉及自动控制领域，尤其涉及一种自动化大数据排序方法。
背景技术
自动控制(automatic control)是指在没有人直接参与的情况下，利用外加的设备或装置，使机器、设备或生产过程的某个工作状态或参数自动地按照预定的规律运行。自动控制是相对人工控制概念而言的。
自动控制技术的研究有利于将人类从复杂、危险、繁琐的劳动环境中解放出来并大大提高控制效率。自动控制是工程科学的一个分支。他涉及利用反馈原理的对动态系统的自动影响，以使得输出值接近我们想要的值。从方法的角度看，它以数学的系统理论为基础。我们今天称作自动控制的是二十世纪中叶产生的控制论的一个分支。基础的结论是由诺伯特·维纳，鲁道夫·卡尔曼提出的。
发明内容
本发明需要具备以下两处重要的发明点：
(1)对就餐大厅当前摆放完整的各种菜品目标的数量进行针对性检测，基于每一种菜品目标归属的菜系类型统计出每一种菜系所拥有的菜品目标的数量，还基于每一种菜系所拥有的菜品目标的数量的多少对各种菜系进行排序，以将对各种菜系进行排序的排序结果无线发送给餐厅管理人员的手机上，从而供餐厅管理人员参考以方便进行后续经营活动的布局；
(2)识别出图像中占据像素点的数量超限的各个目标，并将所述各个目标的数量作为现场目标数量以用于决定是否执行运算量偏大的垂直方向锐化处理。
根据本发明的一方面，提供一种自动化大数据排序方法，所述方法包括提供一种自动化大数据排序平台，用于对就餐大厅当前摆放完整的各种菜品目标的数量进行针对性检测，基于每一种菜品目标归属的菜系类型统计出每一种菜系所拥有的菜品目标的数量，还基于每一种菜系所拥有的菜品目标的数量的多少对各种菜系进行排序，以将对各种菜系进行排序的排序结果无线发送给餐厅管理人员的手机上，所述自动化大数据排序平台包括：
特征鉴定设备，与曲线处理设备连接，用于基于每一种菜品的成像特征对曲线处理图像执行菜品目标识别，以获得所述曲线处理图像中每一种菜品目标的数量；
菜系分析设备，与所述特征鉴定设备连接，用于接收所述曲线处理图像中各种菜品目标的数量，并基于每一种菜品目标归属的菜系类型统计出所述曲线处理图像中每一种菜系所拥有的菜品目标的数量；
排序控制设备，与所述菜系分析设备连接，用于基于所述曲线处理图像中每一种菜系所拥有的菜品目标的数量的多少对各种菜系进行排序；
无线发送设备，与所述排序控制设备连接，用于将对各种菜系进行排序的排序结果无线发送给餐厅管理人员的手机上；
鱼眼捕获设备，设置在就餐大厅的房顶上，用于对下方的就餐大厅执行图像捕获动作，以获得对应的大厅捕获图像；
同态滤波设备，与所述鱼眼捕获设备连接，用于接收所述大厅捕获图像，对所述大厅捕获图像执行同态滤波处理，以获得并输出滤波后图像；
前景剥离设备，与所述同态滤波设备连接，用于接收所述滤波后图像，将所述滤波后图像中灰度值在前景上限灰度值和前景下限灰度值之间的像素点作为前景像素点，基于所述滤波后图像中的各个前景像素点组成所述滤波后图像对应的现场前景图像；
目标辨识设备，与所述前景剥离设备连接，用于接收所述现场前景图像，识别出所述现场前景图像中占据像素点的数量超限的各个目标，并将所述各个目标的数量作为现场目标数量输出；
垂直方向锐化设备，分别与所述同态滤波设备和所目标辨识设备连接，用于接收所述滤波后图像，并在接收到的现场目标数量小于等于预设数量阈值时，对所述滤波后图像执行垂直方向锐化处理，以获得并输出相应的垂直方向锐化图像；
算子锐化设备，与所述垂直方向锐化设备连接，用于对接收到的垂直方向锐化图像执行基于Kirsch算子的锐化操作，以获得对应的算子锐化图像。
本发明的自动化大数据排序平台简化操作，数据可靠。由于基于每一种菜品目标归属的菜系类型统计出每一种菜系所拥有的菜品目标的数量，还基于每一种菜系所拥有的菜品目标的数量的多少对各种菜系进行排序，从而方便后续经营活动的布局。
具体实施方式
下面将对本发明的实施方案进行详细说明。
图像识别是人工智能的一个重要领域。为了编制模拟人类图像识别活动的计算机程序，人们提出了不同的图像识别模型。例如模板匹配模型。这种模型认为，识别某个图像，必须在过去的经验中有这个图像的记忆模式，又叫模板。当前的刺激如果能与大脑中的模板相匹配，这个图像也就被识别了。例如有一个字母A，如果在脑中有个A模板，字母A的大小、方位、形状都与这个A模板完全一致，字母A就被识别了。这个模型简单明了，也容易得到实际应用。但这种模型强调图像必须与脑中的模板完全符合才能加以识别，而事实上人不仅能识别与脑中的模板完全一致的图像，也能识别与模板不完全一致的图像。例如，人们不仅能识别某一个具体的字母A，也能识别印刷体的、手写体的、方向不正、大小不同的各种字母A。同时，人能识别的图像是大量的，如果所识别的每一个图像在脑中都有一个相应的模板，也是不可能的。
现有技术中，为了迎合顾客就餐的习惯和需求，餐馆需要不断对顾客进行人工填单调查，然而这种调查模式过于原始，一方面，需要耗费顾客的时间，造成顾客的不耐烦，另一方面，顾客填单的数据不够真实，很容易对餐馆经营者的后续经营活动造成误导。
为了克服上述不足，本发明搭建一种自动化大数据排序方法，所述方法包括提供一种自动化大数据排序平台，用于对就餐大厅当前摆放完整的各种菜品目标的数量进行针对性检测，基于每一种菜品目标归属的菜系类型统计出每一种菜系所拥有的菜品目标的数量，还基于每一种菜系所拥有的菜品目标的数量的多少对各种菜系进行排序，以将对各种菜系进行排序的排序结果无线发送给餐厅管理人员的手机上。所述自动化大数据排序平台能够有效解决相应的技术问题。
根据本发明实施方案示出的自动化大数据排序平台包括：
特征鉴定设备，与曲线处理设备连接，用于基于每一种菜品的成像特征对曲线处理图像执行菜品目标识别，以获得所述曲线处理图像中每一种菜品目标的数量；
菜系分析设备，与所述特征鉴定设备连接，用于接收所述曲线处理图像中各种菜品目标的数量，并基于每一种菜品目标归属的菜系类型统计出所述曲线处理图像中每一种菜系所拥有的菜品目标的数量；
排序控制设备，与所述菜系分析设备连接，用于基于所述曲线处理图像中每一种菜系所拥有的菜品目标的数量的多少对各种菜系进行排序；
无线发送设备，与所述排序控制设备连接，用于将对各种菜系进行排序的排序结果无线发送给餐厅管理人员的手机上；
鱼眼捕获设备，设置在就餐大厅的房顶上，用于对下方的就餐大厅执行图像捕获动作，以获得对应的大厅捕获图像；
同态滤波设备，与所述鱼眼捕获设备连接，用于接收所述大厅捕获图像，对所述大厅捕获图像执行同态滤波处理，以获得并输出滤波后图像；
前景剥离设备，与所述同态滤波设备连接，用于接收所述滤波后图像，将所述滤波后图像中灰度值在前景上限灰度值和前景下限灰度值之间的像素点作为前景像素点，基于所述滤波后图像中的各个前景像素点组成所述滤波后图像对应的现场前景图像；
目标辨识设备，与所述前景剥离设备连接，用于接收所述现场前景图像，识别出所述现场前景图像中占据像素点的数量超限的各个目标，并将所述各个目标的数量作为现场目标数量输出；
垂直方向锐化设备，分别与所述同态滤波设备和所目标辨识设备连接，用于接收所述滤波后图像，并在接收到的现场目标数量小于等于预设数量阈值时，对所述滤波后图像执行垂直方向锐化处理，以获得并输出相应的垂直方向锐化图像；
算子锐化设备，与所述垂直方向锐化设备连接，用于对接收到的垂直方向锐化图像执行基于Kirsch算子的锐化操作，以获得对应的算子锐化图像；
最小值滤波设备，与所述算子锐化设备连接，用于对接收到的算子锐化图像进行最小值滤波处理，以获得并输出对应的最小值滤波图像；
曲线处理设备，与所述最小值滤波设备连接，用于接收所述最小值滤波图像，将所述最小值滤波图像中各条曲线的弧度都调整到预设曲线最大弧度阈值之下，以获得并输出对应的曲线处理图像；
其中，所述垂直方向锐化设备还用于在接收到的现场目标数量大于预设数量阈值时，停止对所述滤波后图像执行垂直方向锐化处理，将所述滤波后图像作为垂直方向锐化图像输出。
接着，继续对本发明的自动化大数据排序平台的具体结构进行进一步的说明。
所述自动化大数据排序平台中还可以包括：
动态随机存取存储设备，分别与所述曲线处理设备和所述最小值滤波设备连接，用于接收并暂存所述曲线处理图像。
所述自动化大数据排序平台中：
所述菜系分析设备、所述排序控制设备、所述最小值滤波设备、所述算子锐化设备、所述曲线处理设备和所述垂直方向锐化设备分别采用不同型号的CPLD芯片来实现。
所述自动化大数据排序平台中还可以包括：
归一化校正设备，分别与所述鱼眼捕获设备和所述同态滤波图像连接，用于接收所述大厅捕获图像，基于所述大厅捕获图像的清晰度等级距离预设下限清晰度等级的远近将所述大厅捕获图像平均分割成相应块大小的各个分块。
所述自动化大数据排序平台中：
所述归一化校正设备对每一个分块，基于该分块的像素值方差选择对应的不同力度的归一化校正处理以获得调整分块，将获得的各个调整分块合并以获得归一化校正图像。
所述自动化大数据排序平台中：
在所述归一化校正设备中，所述大厅捕获图像的清晰度等级距离预设下限清晰度等级越远，将所述大厅捕获图像平均分割成的相应块越大，以及在所述归一化校正设备中，对每一个分块，该分块的像素值方差越大，选择的归一化校正处理的力度越小。
所述自动化大数据排序平台中：
所述归一化校正设备还用于将所述归一化校正图像替换所述大厅捕获图像发送给所述同态滤波设备。
所述自动化大数据排序平台中还可以包括：
清晰度提升设备，用于与所述归一化校正设备连接，用于在所述归一化校正设备对所述大厅捕获图像执行归一化校正之前，当所述大厅捕获图像的清晰度等级小于所述预设下限清晰度等级时，对所述大厅捕获图像执行清晰度提升操作，将执行清晰度提升操作后的大厅捕获图像替换大厅捕获图像输入到所述归一化校正设备，当所述大厅捕获图像的清晰度等级大于等于所述预设下限清晰度等级时，对所述大厅捕获图像不执行清晰度提升操作。
另外，CPLD具有编程灵活、集成度高、设计开发周期短、适用范围宽、开发工具先进、设计制造成本低、对设计者的硬件经验要求低、标准产品无需测试、保密性强、价格大众化等特点，可实现较大规模的电路设计，因此被广泛应用于产品的原型设计和产品生产(一般在10,000件以下)之中。几乎所有应用中小规模通用数字集成电路的场合均可应用CPLD器件。CPLD器件已成为电子产品不可缺少的组成部分，它的设计和应用成为电子工程师必备的一种技能。CPLD是一种用户根据各自需要而自行构造逻辑功能的数字集成电路。其基本设计方法是借助集成开发软件平台，用原理图、硬件描述语言等方法，生成相应的目标文件，通过下载电缆(“在系统”编程)将代码传送到目标芯片中，实现设计的数字系统。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。
虽然本发明已以实施例揭示如上，但其并非用以限定本发明，任何所属技术领域的普通技术人员，在不脱离本发明的精神和范围内，应当可以做出适当的改动和同等替换。因此本发明的保护范围应当以本申请权利要求所界定的范围为准。
Claims (8)
1.一种自动化大数据排序方法，所述方法包括提供一种自动化大数据排序平台，用于对就餐大厅当前摆放完整的各种菜品目标的数量进行针对性检测，基于每一种菜品目标归属的菜系类型统计出每一种菜系所拥有的菜品目标的数量，还基于每一种菜系所拥有的菜品目标的数量的多少对各种菜系进行排序，以将对各种菜系进行排序的排序结果无线发送给餐厅管理人员的手机上，所述自动化大数据排序平台包括：
特征鉴定设备，与曲线处理设备连接，用于基于每一种菜品的成像特征对曲线处理图像执行菜品目标识别，以获得所述曲线处理图像中每一种菜品目标的数量；
菜系分析设备，与所述特征鉴定设备连接，用于接收所述曲线处理图像中各种菜品目标的数量，并基于每一种菜品目标归属的菜系类型统计出所述曲线处理图像中每一种菜系所拥有的菜品目标的数量；
排序控制设备，与所述菜系分析设备连接，用于基于所述曲线处理图像中每一种菜系所拥有的菜品目标的数量的多少对各种菜系进行排序；
无线发送设备，与所述排序控制设备连接，用于将对各种菜系进行排序的排序结果无线发送给餐厅管理人员的手机上；
鱼眼捕获设备，设置在就餐大厅的房顶上，用于对下方的就餐大厅执行图像捕获动作，以获得对应的大厅捕获图像；
同态滤波设备，与所述鱼眼捕获设备连接，用于接收所述大厅捕获图像，对所述大厅捕获图像执行同态滤波处理，以获得并输出滤波后图像；
前景剥离设备，与所述同态滤波设备连接，用于接收所述滤波后图像，将所述滤波后图像中灰度值在前景上限灰度值和前景下限灰度值之间的像素点作为前景像素点，基于所述滤波后图像中的各个前景像素点组成所述滤波后图像对应的现场前景图像；
目标辨识设备，与所述前景剥离设备连接，用于接收所述现场前景图像，识别出所述现场前景图像中占据像素点的数量超限的各个目标，并将所述各个目标的数量作为现场目标数量输出；
垂直方向锐化设备，分别与所述同态滤波设备和所目标辨识设备连接，用于接收所述滤波后图像，并在接收到的现场目标数量小于等于预设数量阈值时，对所述滤波后图像执行垂直方向锐化处理，以获得并输出相应的垂直方向锐化图像；
算子锐化设备，与所述垂直方向锐化设备连接，用于对接收到的垂直方向锐化图像执行基于Kirsch算子的锐化操作，以获得对应的算子锐化图像；
最小值滤波设备，与所述算子锐化设备连接，用于对接收到的算子锐化图像进行最小值滤波处理，以获得并输出对应的最小值滤波图像；
曲线处理设备，与所述最小值滤波设备连接，用于接收所述最小值滤波图像，将所述最小值滤波图像中各条曲线的弧度都调整到预设曲线最大弧度阈值之下，以获得并输出对应的曲线处理图像；
其中，所述垂直方向锐化设备还用于在接收到的现场目标数量大于预设数量阈值时，停止对所述滤波后图像执行垂直方向锐化处理，将所述滤波后图像作为垂直方向锐化图像输出。
2.如权利要求1所述的方法，其特征在于，所述平台还包括：
动态随机存取存储设备，分别与所述曲线处理设备和所述最小值滤波设备连接，用于接收并暂存所述曲线处理图像。
3.如权利要求2所述的方法，其特征在于：
所述菜系分析设备、所述排序控制设备、所述最小值滤波设备、所述算子锐化设备、所述曲线处理设备和所述垂直方向锐化设备分别采用不同型号的CPLD芯片来实现。
4.如权利要求3所述的方法，其特征在于，所述平台还包括：
归一化校正设备，分别与所述鱼眼捕获设备和所述同态滤波图像连接，用于接收所述大厅捕获图像，基于所述大厅捕获图像的清晰度等级距离预设下限清晰度等级的远近将所述大厅捕获图像平均分割成相应块大小的各个分块。
5.如权利要求4所述的方法，其特征在于：
所述归一化校正设备对每一个分块，基于该分块的像素值方差选择对应的不同力度的归一化校正处理以获得调整分块，将获得的各个调整分块合并以获得归一化校正图像。
6.如权利要求5所述的方法，其特征在于：
在所述归一化校正设备中，所述大厅捕获图像的清晰度等级距离预设下限清晰度等级越远，将所述大厅捕获图像平均分割成的相应块越大，以及在所述归一化校正设备中，对每一个分块，该分块的像素值方差越大，选择的归一化校正处理的力度越小。
7.如权利要求6所述的方法，其特征在于：
所述归一化校正设备还用于将所述归一化校正图像替换所述大厅捕获图像发送给所述同态滤波设备。
8.如权利要求7所述的方法，其特征在于，所述平台还包括：
清晰度提升设备，用于与所述归一化校正设备连接，用于在所述归一化校正设备对所述大厅捕获图像执行归一化校正之前，当所述大厅捕获图像的清晰度等级小于所述预设下限清晰度等级时，对所述大厅捕获图像执行清晰度提升操作，将执行清晰度提升操作后的大厅捕获图像替换大厅捕获图像输入到所述归一化校正设备，当所述大厅捕获图像的清晰度等级大于等于所述预设下限清晰度等级时，对所述大厅捕获图像不执行清晰度提升操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910290500.6A CN111143585A (zh) | 2019-04-11 | 2019-04-11 | 自动化大数据排序方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910290500.6A CN111143585A (zh) | 2019-04-11 | 2019-04-11 | 自动化大数据排序方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111143585A true CN111143585A (zh) | 2020-05-12 |
Family
ID=70516562
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910290500.6A Pending CN111143585A (zh) | 2019-04-11 | 2019-04-11 | 自动化大数据排序方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111143585A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112837497A (zh) * | 2020-10-29 | 2021-05-25 | 泰州程顺制冷设备有限公司 | 基于目标位置分析的报警触发系统 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1991908A (zh) * | 2005-12-29 | 2007-07-04 | 英特尔公司 | 用于视频锐度增强的选择性局部瞬时改进和峰化 |
| CN101477729A (zh) * | 2008-12-30 | 2009-07-08 | 于忠清 | 自助售饭系统以及该系统的信息处理方法 |
| US20140133704A1 (en) * | 2012-11-15 | 2014-05-15 | Toshiba Tec Kabushiki Kaisha | Commodity recognition apparatus and commodity recognition method |
| CN104077842A (zh) * | 2014-07-02 | 2014-10-01 | 浙江大学 | 基于图像识别的自选餐厅自助付费装置及其使用方法 |
| CN105938553A (zh) * | 2016-04-14 | 2016-09-14 | 厦门理工学院 | 一种食堂餐盘自动计费方法及系统 |
| CN106845527A (zh) * | 2016-12-29 | 2017-06-13 | 南京江南博睿高新技术研究院有限公司 | 一种菜品识别方法 |
| CN107122730A (zh) * | 2017-04-24 | 2017-09-01 | 乐金伟 | 自选餐厅自动计价方法 |
| CN107766827A (zh) * | 2017-10-26 | 2018-03-06 | 珠海格力电器股份有限公司 | 点餐系统和数据处理方法 |
| CN107801189A (zh) * | 2017-11-13 | 2018-03-13 | 李金平 | 一种即时小区数量分配方法 |
| CN108256474A (zh) * | 2018-01-17 | 2018-07-06 | 百度在线网络技术（北京）有限公司 | 用于识别菜品的方法和装置 |
| CN108596233A (zh) * | 2018-04-16 | 2018-09-28 | 上海小蚁科技有限公司 | 菜品监测方法及装置、存储介质、终端 |
| CN207965958U (zh) * | 2017-12-21 | 2018-10-12 | 陕西伟景机器人科技有限公司 | 基于图像识别的餐厅自动结账装置 |
| CN109214409A (zh) * | 2018-07-10 | 2019-01-15 | 上海斐讯数据通信技术有限公司 | 一种菜品识别方法及系统 |
| CN109581520A (zh) * | 2018-12-05 | 2019-04-05 | 余姚德诚科技咨询有限公司 | 传送式人员扫描系统 |
-
2019
- 2019-04-11 CN CN201910290500.6A patent/CN111143585A/zh active Pending
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1991908A (zh) * | 2005-12-29 | 2007-07-04 | 英特尔公司 | 用于视频锐度增强的选择性局部瞬时改进和峰化 |
| CN101477729A (zh) * | 2008-12-30 | 2009-07-08 | 于忠清 | 自助售饭系统以及该系统的信息处理方法 |
| US20140133704A1 (en) * | 2012-11-15 | 2014-05-15 | Toshiba Tec Kabushiki Kaisha | Commodity recognition apparatus and commodity recognition method |
| CN104077842A (zh) * | 2014-07-02 | 2014-10-01 | 浙江大学 | 基于图像识别的自选餐厅自助付费装置及其使用方法 |
| CN105938553A (zh) * | 2016-04-14 | 2016-09-14 | 厦门理工学院 | 一种食堂餐盘自动计费方法及系统 |
| CN106845527A (zh) * | 2016-12-29 | 2017-06-13 | 南京江南博睿高新技术研究院有限公司 | 一种菜品识别方法 |
| CN107122730A (zh) * | 2017-04-24 | 2017-09-01 | 乐金伟 | 自选餐厅自动计价方法 |
| CN107766827A (zh) * | 2017-10-26 | 2018-03-06 | 珠海格力电器股份有限公司 | 点餐系统和数据处理方法 |
| CN107801189A (zh) * | 2017-11-13 | 2018-03-13 | 李金平 | 一种即时小区数量分配方法 |
| CN207965958U (zh) * | 2017-12-21 | 2018-10-12 | 陕西伟景机器人科技有限公司 | 基于图像识别的餐厅自动结账装置 |
| CN108256474A (zh) * | 2018-01-17 | 2018-07-06 | 百度在线网络技术（北京）有限公司 | 用于识别菜品的方法和装置 |
| CN108596233A (zh) * | 2018-04-16 | 2018-09-28 | 上海小蚁科技有限公司 | 菜品监测方法及装置、存储介质、终端 |
| CN109214409A (zh) * | 2018-07-10 | 2019-01-15 | 上海斐讯数据通信技术有限公司 | 一种菜品识别方法及系统 |
| CN109581520A (zh) * | 2018-12-05 | 2019-04-05 | 余姚德诚科技咨询有限公司 | 传送式人员扫描系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112837497A (zh) * | 2020-10-29 | 2021-05-25 | 泰州程顺制冷设备有限公司 | 基于目标位置分析的报警触发系统 |
| CN112837497B (zh) * | 2020-10-29 | 2021-09-21 | 江苏华东造纸机械东台有限公司 | 基于目标位置分析的报警触发系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111860533B (zh) | 图像的识别方法及装置、存储介质和电子装置 | |
| Aquino et al. | A new methodology for estimating the grapevine-berry number per cluster using image analysis | |
| CN109002820B (zh) | 一种车牌识别方法、装置及相关设备 | |
| CN110197474B (zh) | 图像处理方法和装置及神经网络模型的训练方法 | |
| CN112862770B (zh) | 一种基于人工智能的缺陷分析诊断系统、方法、装置 | |
| CN111160186B (zh) | 智能垃圾分类处理方法及相关产品 | |
| CN108121943A (zh) | 基于图片的判别方法及装置和计算设备 | |
| CN111008560A (zh) | 一种牲畜的重量确定方法、装置、终端及计算机存储介质 | |
| Güneş et al. | Determination of the varieties and characteristics of wheat seeds grown in Turkey using image processing techniques | |
| CN110928889A (zh) | 训练模型更新方法、设备以及计算机存储介质 | |
| CN112070000A (zh) | 智能识别算法训练方法、装置、终端服务器及可存储介质 | |
| CN111143585A (zh) | 自动化大数据排序方法 | |
| CN108090426A (zh) | 一种基于机器视觉的群养猪身份识别方法 | |
| CN111079617B (zh) | 家禽识别方法、装置、可读存储介质及电子设备 | |
| CN107368847B (zh) | 一种作物叶部病害识别方法及系统 | |
| CN111627555B (zh) | 一种基于深度学习的智能检查诊断系统 | |
| CN111815086A (zh) | 自动化大数据排序平台 | |
| CN113177922A (zh) | 一种原料异物识别方法、系统、介质及电子终端 | |
| CN114596243A (zh) | 缺陷检测方法、装置、设备及计算机可读存储介质 | |
| CN111184513B (zh) | 手持医用扫描仪功率调节系统 | |
| CN112070791B (zh) | 一种提升畜牧个体点数精度和效率的方法和系统 | |
| CN109993816B (zh) | 联合绘画方法、装置、终端设置及计算机可读存储介质 | |
| JP2023005822A (ja) | 異常検知プログラム、異常検知装置、異常検知システム及び異常検知方法 | |
| CN109344799B (zh) | 物品识别方法、装置及设备、存储介质、电子装置 | |
| CN111402275A (zh) | 镂空检测方法、系统、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: 20200512 |