CN111292155A - 具有颜色编码信息的载体、商品识别方法和结算方法 - Google Patents
具有颜色编码信息的载体、商品识别方法和结算方法 Download PDFInfo
- Publication number
- CN111292155A CN111292155A CN201811504570.9A CN201811504570A CN111292155A CN 111292155 A CN111292155 A CN 111292155A CN 201811504570 A CN201811504570 A CN 201811504570A CN 111292155 A CN111292155 A CN 111292155A
- Authority
- CN
- China
- Prior art keywords
- settlement
- information
- colors
- color
- commodity
- 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 76
- 239000003086 colorant Substances 0.000 claims abstract description 142
- 239000000969 carrier Substances 0.000 claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 47
- 238000001514 detection method Methods 0.000 claims description 40
- 238000013135 deep learning Methods 0.000 claims description 26
- 235000012054 meals Nutrition 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 8
- 230000010365 information processing Effects 0.000 claims description 7
- 235000013399 edible fruits Nutrition 0.000 claims description 4
- 235000013311 vegetables Nutrition 0.000 claims description 4
- 235000003166 Opuntia robusta Nutrition 0.000 description 35
- 244000218514 Opuntia robusta Species 0.000 description 35
- 238000013527 convolutional neural network Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 11
- 235000013305 food Nutrition 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 239000000047 product Substances 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 5
- 235000012055 fruits and vegetables Nutrition 0.000 description 4
- 235000008446 instant noodles Nutrition 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 235000013410 fast food Nutrition 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012856 packing Methods 0.000 description 3
- 238000004806 packaging method and process Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 208000022531 anorexia Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 206010061428 decreased appetite Diseases 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000000796 flavoring agent Substances 0.000 description 1
- 235000019634 flavors Nutrition 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Multimedia (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Cash Registers Or Receiving Machines (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种具有颜色编码信息的载体、商品识别方法和结算方法。所述商品结算方法包括：获取用于结算的图像信息，图像信息中包括一个或多个具有颜色编码信息的载体，其中，具有颜色编码信息的载体用于容纳待结算商品，颜色编码信息以至少两种颜色表征，至少两种颜色中的任意两种颜色在颜色空间中的距离大于预定距离；根据图像信息中每个载体上的颜色编码信息，分别确定每个载体对应的结算信息，用于商品结算。根据本发明实施例能够提高自助结算的准确率。
Description
技术领域
本发明涉及数据处理，尤其涉及一种具有颜色编码信息的载体、商品识别方法和结算方法。
背景技术
餐饮和生活用品是人们生活中必不可少的，目前的餐饮行业和生活超市一般都采用的是人工结算。由于人工结算速度慢，在用餐高峰期以及购物高峰期人流量非常大，则会容易造成计算错误，因此人工结算方法不但耽误时间还影响结算效率。
随着人们生活节奏的增加，人们越来越追求利用自助结算以实现高效省时。例如，目前有利用菜品识别、餐盘形状识别等方法进行自助结算。但是识别餐盘时易受菜品影响，造成餐盘形状的识别率不高，并且识别菜品的准确率也不高，容易出现错误。
发明内容
本发明实施例提供一种具有颜色编码信息的载体、商品识别方法和结算方法，可提高自助结算的准确率。
在本发明一个实施例中，提供一种商品结算方法，包括：
获取用于结算的图像信息，图像信息中包括一个或多个具有颜色编码信息的载体，其中，具有颜色编码信息的载体用于容纳待结算商品，颜色编码信息以至少两种颜色表征，至少两种颜色中的任意两种颜色在颜色空间中的距离大于预定距离；
根据图像信息中每个载体上的颜色编码信息，分别确定每个载体对应的结算信息，用于商品结算。
在一个实施例中，通过基于深度学习的目标检测算法处理图像信息，得到图像信息中的每个载体的包围盒，通过深度学习算法提取每个包围盒内的颜色编码信息。
在一个实施例中，基于深度学习的目标检测算法包括单次多盒检测SSD算法和/或Yolo算法。
在一个实施例中，至少两种颜色是从多种颜色中提取的，提取时，将所有颜色进行对比处理，利用颜色空间距离最大化原则提取至少两种颜色。
在一个实施例中，至少两种颜色包括从蔬菜和/或水果中提取的颜色。
在一个实施例中，颜色编码信息与价格信息一一对应。
在一个实施例中，载体为餐盘，颜色编码信息以沿餐盘的边缘布置的两种颜色的环状色带表征。
在本发明另一个实施例中，提供了一种商品结算系统，包括：摄像头、具有颜色编码信息的载体和结算信息处理装置，其中，
摄像头用于获取用于结算的图像信息，图像信息中包括一个或多个具有颜色编码信息的载体；
具有颜色编码信息的载体，用于容纳待结算商品，颜色编码信息以至少两种颜色表征，至少两种颜色中的任意两种颜色在颜色空间中的距离大于预定距离；
结算信息处理装置用于根据图像信息中每个载体上的颜色编码信息，分别确定每个载体对应的结算信息，用于商品结算。
在本发明另一个实施例中，提供了一种商品结算装置，装置包括：
获取模块，用于获取用于结算的图像信息，图像信息中包括一个或多个具有颜色编码信息的载体，其中，具有颜色编码信息的载体用于容纳待结算商品，颜色编码信息以至少两种颜色表征，至少两种颜色中的任意两种颜色在颜色空间中的距离大于预定距离；
结算模块，用于根据图像信息中每个载体上的颜色编码信息，分别确定每个载体对应的结算信息，用于商品结算。
在本发明另一个实施例中，提供了一种具有颜色编码信息的载体，载体用于容纳待结算商品，颜色编码信息以至少两种颜色表征，至少两种颜色中的任意两种颜色在颜色空间中的距离大于预定距离。
在一个实施例中，至少两种颜色是从多种颜色中提取的，提取时，将所有颜色进行对比处理，利用颜色空间距离最大化原则提取至少两种颜色。
在一个实施例中，载体为餐盘，颜色编码信息以沿餐盘的边缘布置的两种颜色的环状色带表征。
在本发明另一个实施例中，提供了一种商品识别方法，方法包括：
获取用于识别的图像信息，图像信息中包括一个或多个具有颜色编码信息的商品放置区域，其中，具有颜色编码信息的商品放置区域用于放置商品，颜色编码信息以至少两种颜色表征，至少两种颜色中的任意两种颜色在颜色空间中的距离大于预定距离；
根据图像信息中每个商品放置区域的颜色编码信息，分别确定每个商品放置区域对应的商品信息，用于商品识别。
在一个实施例中，通过基于深度学习的目标检测算法处理图像信息，得到图像信息中的每个商品放置区域的包围盒，通过深度学习算法提取每个包围盒内的颜色编码信息。
在一个实施例中，基于深度学习的目标检测算法包括SSD算法和/或Yolo算法。
在一个实施例中，至少两种颜色是从多种颜色中提取的，提取时，将所有颜色进行对比处理，利用颜色空间距离最大化原则提取至少两种颜色。
在一个实施例中，颜色编码信息与商品信息一一对应。
在一个实施例中，一个或多个商品放置区域属于商品置物架或仓库，颜色编码信息以沿商品放置区域的边缘布置的两种颜色的环状色带表征。
在本发明另一个实施例中，提供了一种计算设备，包括：处理器以及存储有计算机程序指令的存储器；
处理器执行计算机程序指令时实现如本发明实施例提供的商品结算方法。
在本发明另一个实施例中，提供了一种计算机存储介质，计算机存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现如本发明实施例提供的商品结算方法。
根据本发明实施例，首先检测出载体具有的以至少两种颜色表征的颜色编码信息，然后利用载体上的颜色编码信息确定待结算商品的结算信息，进而实现对待结算商品的自助结算。通过利用两种以上颜色表征商品的结算信息，提供了更多的辨识信息，提高了自助结算的准确率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的商品结算方法的流程框图；
图2为本发明实施例的商品结算方法的原理示意图；
图3为本发明实施例的商品结算系统的结构框图；
图4为本发明实施例的商品结算装置的结构框图；
图5为本发明实施例供的商品识别方法的流程框图；
图6为本发明实施例的商品结算设备的示例性硬件架构的结构框图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例，为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本发明，并不被配置为限定本发明。对于本领域技术人员来说，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
为了更好的理解本发明，下面通过具体实施例，详细描述本发明的实现方式，这些实施例并不是用来限制本发明保护的范围。
图1示出根据本发明实施例的商品结算方法100的流程示意图。如图1所示，本发明实施例提供的商品结算方法包括以下步骤：
S110，获取用于结算的图像信息，图像信息中包括一个或多个具有颜色编码信息的载体，其中，具有颜色编码信息的载体用于容纳待结算商品，颜色编码信息以至少两种颜色表征，至少两种颜色中的任意两种颜色在颜色空间中的距离大于预定距离。
S120，根据图像信息中每个载体上的颜色编码信息，分别确定每个载体对应的结算信息，用于商品结算。
本发明实施例提供的商品结算方法，通过利用载体上的以至少两种颜色表征的颜色编码信息，确定待结算商品的结算信息。相对于单一颜色，具有更多的辨识信息，在结算时不易受待结算商品自身颜色的影响，提高了自助结算的准确率。
在本发明实施例中，具有颜色编码信息的载体即为具有颜色编码信息的结算用品。下面将以结算用品代替载体进行详细叙述商品结算方法的具体实现过程。
其中，结算用品用于容纳待结算的商品，以快餐店的场景为例，当用户在快餐店用餐时，用户选取的食物为待结算商品，容纳用户所选取食物的餐盘、餐碗等餐具即为结算用品。
在本发明的实施例中，结算用品可以为以下结算用品中的任意一种：餐盘、商品包装盒、商品包装袋。以超市的场景为例，当用户去超市购物时，用户选取的商品为待结算商品，容纳待结算商品的包装盒或包装袋为结算用品。
其中，结算用品上的颜色编码信息可以利用结算用品上预先设置的结算标识进行表征。也就是说，通过利用商品包装盒或商品包装袋上预先设置的结算标识，即可以获取待结算商品的结算信息。对于结算用品的种类和形状，本发明实施例不做具体限制。
在一些示例中，可以从图像采集设备中获取结算用品的图像信息。例如，图像采集设备可以为拍摄图像信息的摄像头。
在一些示例中，在获取结算用品的图像信息之前，图像采集设备先判断指定采集区域内是否有结算用品放入。在判断有结算用品放入的情况下，启动图像采集设备拍摄指定采集区域内结算用品的图像信息。
在实际应用中，当有结算用品放置在图像采集设备的指定采集区域内时，才启动图像采集设备拍摄结算用品的图像信息。当指定采集区域内没有放入结算用品时，可以不启动图像采集设备，以节省资源，并可以保证图像采集设备采集的图像中必定存在结算用品。
因此，需要结算商品的用户可以将容纳待算商品的结算用品放置在图像采集设备的指定采集区域。当高分辨率摄像头检测到指定采集区域中放入结算用品之后，将会对该指定采集区域中的结算用品进行拍照，以获取结算用品的高分辨率图像信息。
当获取结算用品的图像信息后，需要根据结算用品的图像信息确定结算用品容纳的待结算商品的结算信息。在本发明的一些实施例中，步骤S110包括以下步骤：
S1101，利用基于深度学习的目标检测算法对图像信息进行处理，得到图像信息中的每个载体的包围盒。
其中，包围盒是指体积稍大且特性简单的几何体，用于近似代替复杂的几何对象。一个物体的包围盒就是将该物体完全包容起来的一个封闭空间。将复杂物体封装在简单的包围盒中，用简单的包围盒形状来近似代替复杂几何体的形状。
在本发明的实施例中，基于深度学习的目标检测算法可以为单次多盒检测(Single Shot MultiBox Detector，SSD)算法或Yolo(You Only Look Once)目标检测算法。
其中，Yolo目标检测算法一种在卷积神经网络(Convolutional Neural Network，CNN)的基础上发展起来的新的目标检测方法，它将目标区域预测和目标类别预测整合于单个神经网络模型中，实现在准确率较高的情况下快速进行目标检测与识别。
具体的，Yolo方法将把目标区域预测和目标类别预测合二为一，采用单个卷积神经网络，该神经网络利用整个图像的信息来预测目标的边框、识别目标的类别，实现端到端的目标检测，检测速度快，可实现实时检测。
其中，SSD算法是一种直接预测目标框的坐标和类别的目标检测算法。SSD算法以16层深卷积网络VGG-16为基础网络，将两个全连接层改成卷积层再增加4个卷积层构造网络结构。SSD算法同时使用多个卷积层的输出来做分类和位置回归，保持了很高的识别速度。
在本发明的实施例中，利用基于深度学习的目标检测算法对结算用品的图像进行目标检测之后，即可以输出图像中每个结算用品的包围盒以及每个包围盒中的物体所对应的类别。
以快餐店的应用场景为例，结算用品为餐盘，当获取到多个承载有待结算商品的餐盘的图像信息后，则采用基于深度学习的目标检测算法对包括多个餐盘的图像进行检测，即可得到每个餐盘的包围盒。
其中，基于SSD或者Yolo的目标检测算法具有准确率更高，鲁棒性更好等优点。因此，通过利用基于SSD或者Yolo的目标检测算法对结算用品的图像信息进行目标检测，可以准确的识别出图像中包括的结算用品，从而提高结算的准确性。并且，基于SSD或者Yolo的目标检测算法的识别速度高，因此可以大大提高结算的速度。
S1102，基于预先训练的卷积神经网络，从包围盒中获取结算用品上预先设置的结算标识，并提取结算标识的颜色编码信息。
在本发明的实施例中，在利用结算用品的结算标识进行结算之前，需要在结算用品上预先设置结算标识。其中，结算标识用于表征结算用品上的颜色编码信息。其中，结算标识包括至少两种颜色，用于增加辨识信息的种类，以提高辨识的精确度。换句话说，载体上的颜色编码信息以至少两种颜色进行表征。
在一些示例中，在获取结算用品的图像信息之前，包括以下步骤：
A，从多类商品中提取多种颜色。
在本发明的实施例中，在设置结算标识之前，需要先提取结算标识中所用的颜色。为了保证结算标识中的颜色更自然真实，提高用户的良好体验，因此结算标识中的颜色是从多种商品中提取的商品的本色。
作为一个示例，结算用品为餐盘，餐盘上的结算标识中的颜色可以是从水果和蔬菜中提取的本色。参见图2，首先从蔬菜和水果中提取多种食物的食物本色。其中，提取的食物本色的类别可以大于100。从水果和蔬菜中提取的颜色更自然真实，不会影响就餐人的视觉感官，因此不会导致就餐人的厌食情绪。
B，利用颜色空间距离最大化原则从多种颜色中，选取结算标识中所用的颜色。
继续参见图2，可以利用空间距离最大化原则从多种食物本色中提取N中本色，用于作为结算标识中所用的颜色。颜色空间距离是指颜色之间的差距。通常两个颜色之间的颜色空间距离越大，两个颜色相差越大。两个颜色相差越大，则越容易对颜色进行辨识。
作为一个具体示例，在RGB空间内，两个颜色之间的距离的计算公式与计算两点之间的欧式距离类似。
作为一个示例，可以预先从多类水果和蔬菜中识别出10种颜色，然后可以利用颜色空间距离最大化原则从10种颜色中选取4种颜色作为结算信息标识区中的所用颜色。具体地，首先计算10种颜色中每两个颜色之间的距离，即45个距离。然后，根据计算出的45个距离，选取距离相差最大的4种颜色。
在本发明的实施例中，通过颜色空间距离最大化原则提取N中本色，能够让结算标识中的不同颜色具有更高的辨识性，进而提高识别准确率。
C，利用选取的结算标识中所用的颜色，设置结算标识。
在本发明的实施例中，当选取好结算标识中所用的多种颜色之后，对多种颜色进行组合分类，并利用分配好的多个颜色组合在结算用品上设置结算标识。其中，每个颜色组合与不同的颜色编码信息对应。每个颜色组合用于标记结算用品的类别，并标识结算用品上承载的商品的结算信息。其中，具有不同颜色组合的结算标识对应的结算信息不同。也就是说，以不同的结算标识表征的颜色编码信息对应的结算信息不同。
在一些示例中，结算信息可以为商品的价格信息或用于表示商品的价值的其他信息。
作为一个示例，参见图2，当利用颜色空间距离最大化原则从水果和蔬菜的多种本色中，提取N种用于设置结算标识的颜色后，将N种颜色中的任意两个颜色进行两两组合，形成多种颜色组合。餐盘的结算标识的颜色信息可以包括任一颜色组合中的两种颜色。其中，餐盘的结算标识包括的两个颜色用于标识该餐盘上承载的食物的结算信息。
参见图2，将选取的N种本色两两组合，生成多种颜色组合。根据N的个数不同可以生成16种、32种或64种等多种颜色组合。当确定用于设置结算标识的颜色组合之后，将以上述颜色组合表征的结算标识印制在结算用品上。
作为一个示例，图2示出在餐盘上印制的4种不同的结算标识。每个结算标识包括两种不同颜色的色环。对于左上角，外层色环的颜色为粉红色，内层色环的颜色为深红色。对于右上角，外层色环的颜色为绿色，内层色环的颜色为红色。对于左下角，外层色环的颜色为绿色，内层色环的颜色为黄色。对于右下角，外层色环的颜色为黄色，内层色环的颜色为黑色。
但是，若仅根据结算标识中颜色的种类和个数信息，而不考虑颜色的排列信息，则会降低用于表示结算信息的颜色组合的个数。
例如，餐盘上印制的结算标识为圆形餐盘的边缘设置的两个色环。也就是说，餐盘的颜色编码信息以沿餐盘边缘布置的两种颜色的环状色带进行表征。其中，从外周向餐盘中心的延伸方向上，两个色环的颜色为红色和黄色。若不考虑颜色的排列信息，则只要结算标识中包括红黄两种颜色，则对应的结算信息均相同。
为了获取更多可以标识结算信息的颜色组合，可以对颜色信息进行排序。例如从外周向餐盘中心的延伸方向上，红黄和黄红对应的结算信息不同。即两种颜色能够形成至少两种结算标识，每个结算标识与唯一的颜色编码信息相对应，即每个结算标识与唯一的价格信息相对应。
也就是说，即使结算标识中的颜色种类相同，但是若沿预定方向上颜色的排列不同，则对应的颜色编码信息不同，即对应的结算信息也不同。作为一个具体示例，若餐盘上结算标识的颜色信息为红黄，则餐盘上食物的价格为10元，若餐盘上结算标识的颜色信息为红蓝，则餐盘上食物的价格为8元。
可选的，结算用品上的结算标识还可以包括三种颜色或三种以上颜色。
在一些示例中，结算标识包括多个间隔设置的颜色子区域，每个颜色子区域均包括一种颜色。其中，至少两个颜色子区域包括的颜色不同。
作为另外一个示例，若预先分配好的颜色组合包括红绿和红蓝这两种颜色组合。例如结算标识可以为在圆形餐盘的边缘间隔设置的三个色环。其中，三个色环包括一个红色色环和两个绿色色环。再例如，结算标识的三个色环包括一个红色色环和两个蓝色色环。在该示例中，结算标识中至少两个颜色子区域包括的颜色不同。
在一些示例中，通过让多个颜色子区域之间成间隔设置，可以避免两个相邻颜色子区域之间颜色的干扰，从而提高对颜色识别的准确率。
在一些示例中，为了进一步提高对结算标识中颜色信息识别的精确性，则可以使每个颜色子区域中的颜色均不相同。
作为一个示例，若预先分配好的颜色组合包括红绿蓝和红黄蓝这两种颜色组合。例如结算标识可以为在圆形餐盘的边缘间隔设置的三个环状色环。其中，结算标识包括一个红色色环、一个绿色色环和一个蓝色色环。再例如，结算标识包括一个红色色环、一个黄色色环和一个蓝色色环。
在一些示例中，当每个颜色子区域中的颜色均不相同时，每相邻两个颜色子区域的间隔可以近似为0，以减小结算标识所占区域，避免给用户造成杂乱的感觉。
作为一个具体示例，若结算用品为餐盘，颜色子区域可以为沿餐盘外周方向延伸的环状色带。并且每个颜色子区域包括的颜色均不相同。例如，可以在餐盘的外表面上设置多个环状色带，每个色环的颜色均不相同。
优选地，可以在餐盘边缘设置两种以上颜色的色环。通过在餐盘边缘印制多种颜色的色环，能够有效克服各种光照和遮挡的影响。因为只需要很少一段色环就可以有效识别结算标识中的多种颜色信息，进而提高识别的效率，鲁棒性高。
在一些示例中，可以在结算用品上印制结算标识。
在本发明的实施例中，将商品放置在与该商品的结算信息对应的结算用品上之后，即可以利用结算用品上的结算标识所表征的颜色编码信息结算商品。
在一些示例中，预先训练的卷积神经网络是能够同时完成语义分割和目标检测的网络。目标检测是指对于给定的一幅图像，可以找到一类目标所在的矩形框。语义分割是对图像中的每个像素都划分出对应的类别，即对一幅图像实现像素级别的分类。
作为一个具体示例，利用样本图像预先训练的卷积神经网络为Mask R-CNN卷积神经网络。Mask R-CNN卷积神经网络可以完成目标检测，并对每个目标进行分类，以及在每个目标中实现像素级的高质量目标分割。
由于Mask R-CNN卷积神经网络可以实现高质量语义分割，因此通过利用Mask R-CNN卷积神经网络可以提取每个包围盒内部的结算标识，并能够精确的提取结算标识中的颜色信息。
在本发明的实施例中，基于Mask R-CNN卷积神经网络提取每个餐盘上结算信息标识区的颜色信息精度更好，不易受菜品和台面背景影响。并且，提取结算标识的颜色信息只需要比较少的像素点，所以餐盘即使有比较大的遮挡也能够准确识别出结算标识的颜色信息，鲁棒性强。
在本发明的实施例中，通过基于深度学习的方法进行结算用品检测和结算标识中颜色的提取，检测效果更好，提取精度更高，同时只需比较少的像素点就可以识别出结算标识中颜色，不受遮挡影响，鲁棒性好。
作为一个具体示例，继续参见图2，若结算用品为餐盘，当用户将承有待结算商品的多个餐盘放入指定检测区域之后，摄像头将会获取餐盘图片。当从摄像头处获取餐盘图片之后，基于深度学习目标检测算法得到每个餐盘的包围盒，再利用基于深度学习算法提取每个包围盒中的结算标识区域，并利用深度学习算法提取每个餐盘上结算标识的颜色信息。
然后，根据预先设置的颜色编码信息与颜色信息的对应关系，可以得到结算标识中颜色信息对应的颜色编码信息。其中，可对结算标识中的颜色信息进行预先编码，得到颜色信息与颜色编码信息的预设对应关系。
作为一个示例，在预设的颜色信息与颜色编码信息的对应关系中，从外周向餐盘中心的延伸方向上，红黄蓝、红蓝黄、黄蓝红三种不同的颜色信息所对应的颜色编码分别为1、2和3。其中，不同的颜色编码信息对应的结算信息不同。
在本发明的实施例中，基于预设的颜色编码信息与结算信息的对应关系，确定每个结算标识表征的颜色编码信息所对应的结算信息，并将颜色编码信息对应的结算信息作为结算标识所在的餐盘上承载的商品的结算信息。
在上述示例中，若在结算用品的结算标识中，从外周向餐盘中心的延伸方向上的颜色信息为红黄蓝，则可以得到红黄蓝对应的颜色编码为1。根据预设的颜色编码信息与结算信息的对应关系，即可以得到颜色编码1对应的结算信息。其中，颜色编码信息对应的结算信息也就是结算用品上的待结算商品的结算信息。
根据每个餐盘上结算标识所表征的颜色编码信息，即可以获取每个餐盘上待结算商品的价格信息，以计算本次结算的总价。
在本发明的一些实施例中，可以直接利用提取的结算标识中的颜色信息，直接获取结算用品上承载的待结算商品的结算信息，用于商品结算。
具体地，按照预先设置的颜色信息与结算信息的对应关系，以及提取的结算标识中的颜色信息，得到结算标识中的颜色信息对应的结算信息。然后将结算标识中的颜色信息对应的结算信息作为待结算商品的结算信息，并基于待结算商品的结算信息，结算待结算商品。
本发明实施例提供的商品结算方法，通过在结算用品上印制定制的用以表征颜色编码信息的结算标识就可以实现准确识别，自助结算。结算用品无需额外改造，具有成本低，识别速度快准确率高等特点。并且，对于需要洗涤的结算用品可以反复洗涤，延长结算用品的使用时间。
图3示出了根据本发明一实施例提供的商品结算系统的结构示意图。本发明实施例提供的商品结算系统包括：具有颜色编码信息的载体310、摄像头320和结算信息处理装置330，其中，
摄像头320用于获取用于结算的图像信息，图像信息中包括一个或多个具有颜色编码信息的载体310。
具有颜色编码信息的载体310用于容纳待结算商品，颜色编码信息以至少两种颜色表征，至少两种颜色中的任意两种颜色在颜色空间中的距离大于预定距离；。
结算信息处理装置330用于根据图像信息中每个载体上的颜色编码信息，分别确定每个载体对应的结算信息，用于商品结算。
在本发明的实施例中，结算信息处理装置330通过基于深度学习的目标检测算法处理图像信息，得到图像信息中的每个载体的包围盒，并通过深度学习算法提取每个包围盒内的颜色编码信息。
在本发明的实施例中，基于深度学习的目标检测算法包括单次多盒检测SSD算法和/或Yolo算法。
在本发明的实施例中，至少两种颜色是从多种颜色中提取的，提取时，将所有颜色进行对比处理，利用颜色空间距离最大化原则提取至少两种颜色。在本发明的实施例中，至少两种颜色包括从蔬菜和/或水果中提取的颜色。
在本发明的实施例中，颜色编码信息与价格信息一一对应。
在本发明的实施例中，载体为餐盘，颜色编码信息以沿餐盘的边缘布置的两种颜色的环状色带表征。
根据本发明实施例的商品结算系统的其他细节与以上结合图1至图2描述的根据本发明实施例的方法类似，在此不再赘述。
本发明实施例提供的商品结算系统，通过利用两种以上颜色标识商品的结算信息，提供了更多的辨识信息，提高了自助结算的准确率。
图4示出了根据本发明一实施例提供的商品结算装置的结构示意图。如图4所示，商品结算装置400包括：
获取模块410，用于获取用于结算的图像信息，图像信息中包括一个或多个具有颜色编码信息的载体，其中，具有颜色编码信息的载体用于容纳待结算商品，颜色编码信息以至少两种颜色表征，至少两种颜色中的任意两种颜色在颜色空间中的距离大于预定距离。
结算模块420，用于根据图像信息中每个载体上的颜色编码信息，分别确定每个载体对应的结算信息，用于商品结算。
本发明实施例提供的商品结算系统，通过利用结算用品上预先设置的包括至少两种颜色的结算标识，确定待结算商品的结算信息。相对于单一颜色，具有更多的辨识信息，在结算时不易受待结算商品自身颜色的影响，提高了自助结算的准确率。
根据本发明实施例的商品结算装置的其他细节与以上结合图1至图2描述的根据本发明实施例的方法类似，在此不再赘述。
图5示出本发明实施例提供的商品识别方法500的流程示意图，如图5所示，本发明实施例提供的商品识别方法包括以下步骤：
S510，获取用于识别的图像信息，图像信息中包括一个或多个具有颜色编码信息的商品放置区域，其中，具有颜色编码信息的商品放置区域用于放置商品，颜色编码信息以至少两种颜色表征，至少两种颜色中的任意两种颜色在颜色空间中的距离大于预定距离。
S520，根据图像信息中每个商品放置区域的颜色编码信息，分别确定每个商品放置区域对应的商品信息，用于商品识别。
本发明实施例提供的商品识别方法，通过利用商品放置区域上的以至少两种颜色表征的颜色编码信息，确定商品信息。相对于单一颜色，具有更多的辨识信息，提高了商品识别的准确率。
下面以超市的货架整理的应用场景介绍本发明实施例的商品识别方法的具体实现过程。在超市的商品货架上均会有指定的商品放置区域用于放置不同的商品。随着商品的卖出，有些商品放置区域会出现空闲。当商品放置区域出现空闲时，需要超市管理人员及时补充对应的商品至空闲的商品放置区域。
通过利用本发明实施例提供的商品识别方法，可以自动识别出空闲的商品放置区域应该放置的商品类型，然后通知超市管理人员补充相应类型的商品。
作为一个示例，在货物架上共有10个D商品放置区域用于放置红烧味的方便面，并且还有5个F商品放置区域放置香辣味的方便面。其中，相同商品的商品放置区域上的颜色编码信息相同。也就是说，10个D商品放置区域的颜色编码信息相同，5个F商品放置区域的颜色编码信息相同。
与上述商品结算方法相类似，可预先在商品放置区域印制用以表征颜色编码信息的识别标识。其中，每个识别标识均包括至少两种颜色。并且每个识别标识均有对应的颜色编码信息。
与上述商品结算方法相类似，商品放置区域中的颜色是从多种颜色中提取的。在提取时，将所有颜色进行对比处理，利用颜色空间距离最大化原则提取多种便于区分的颜色，在此不再赘述。
在本发明的实施例中，每个商品放置区域的颜色编码信息与商品放置区域上放置的商品信息一一对应。商品信息可以包括商品类型和该类型的商品的数量。
作为一个具体示例，商品放置区域的识别标识为沿商品放置区域的边缘布置的两种颜色的色环。若放置红烧味的方便面的D商品放置区域的边缘由内向外印制了红色环和黄色环，而放置香辣味的方便面的F商品放置区域的边缘由内向外印制了黑色环和绿色环。
当一个或多个商品放置区域上未放置相应商品时，即可以获取包括一个或多个具有颜色编码信息的未放置商品的商品放置区域的图像信息。作为一个示例，若有2个D商品放置区域和2个F商品放置区域未放置商品，则获取这4个商品放置区域的图像信息。
然后，通过利用基于深度学习的目标检测算法对图像信息进行处理，即可以得到图像信息中的每个商品放置区域的包围盒得到图像信息中每个商品放置区域的包围盒。然后基于深度学习算法提取每个包围盒内的颜色信息。其中，基于深度学习的目标检测算法可以为SSD目标检测算法或Yolo目标检测算法。
其中，D商品放置区域对应的颜色信息为由内向外排列的红色和黄色，F商品放置区域对应的颜色信息为由内向外排列的黑色和绿色。
接着，根据预存的颜色信息与颜色编码信息的对应关系，即可以获取红色和黄色对应的第一颜色编码，以及黑色和绿色对应的第二颜色编码。
再根据颜色编码信息与商品信息的对应关系，即可以2个D商品放置区域对应的商品类型和2个F商品放置区域对应的商品类型。
当识别出商品放置区域对应的商品类型之后，可以将不同的商品放置区域对应的商品类型发送给超市管理人员，减少了人工的参与，提高了理货效率。
本发明实施例提供的商品识别方法，也适用于超市中盘货的应用场景。此种应用场景下，商品放置区域为仓库。每个商品放置区域可以放置具有预定数量的同种类型的商品。每个商品放置区域的颜色编码信息对应的商品信息为商品类型和该类型的商品对应的数量。
通过识别未放置商品的商品放置区域的颜色编码信息，可以得出仓库中少了哪种类型的商品，以及该商品的数量，从而帮助超市管理人员进行自动盘货。
结合图1、图2和图4描述的根据本发明实施例的商品结算方法和装置可以由商品结算设备来实现。图6是示出根据发明实施例的商品结算设备的硬件结构600示意图。
如图6所示，商品结算设备600包括输入设备601、输入接口602、中央处理器603、存储器604、输出接口605、以及输出设备606。其中，输入接口602、中央处理器603、存储器604、以及输出接口605通过总线610相互连接，输入设备601和输出设备606分别通过输入接口602和输出接口605与总线610连接，进而与商品结算设备600的其他组件连接。
具体地，输入设备601接收来自外部的输入信息，并通过输入接口602将输入信息传送到中央处理器603；中央处理器603基于存储器604中存储的计算机可执行指令对输入信息进行处理以生成输出信息，将输出信息临时或者永久地存储在存储器604中，然后通过输出接口605将输出信息传送到输出设备606；输出设备606将输出信息输出到商品结算设备600的外部供用户使用。
也就是说，图6所示的商品结算设备也可以被实现为包括：存储有计算机可执行指令的存储器；以及处理器，该处理器在执行计算机可执行指令时可以实现结合图1、图2和图3描述的商品结算方法和装置。
本发明实施例还提供一种计算机存储介质，该计算机存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现本发明实施例提供的商品结算方法。
以上的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
以上，仅为本发明的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (20)
1.一种商品结算方法，包括：
获取用于结算的图像信息，所述图像信息中包括一个或多个具有颜色编码信息的载体，其中，所述具有颜色编码信息的载体用于容纳待结算商品，所述颜色编码信息以至少两种颜色表征，所述至少两种颜色中的任意两种颜色在颜色空间中的距离大于预定距离；
根据所述图像信息中每个所述载体上的颜色编码信息，分别确定每个载体对应的结算信息，用于商品结算。
2.根据权利要求1所述的方法，其特征在于，通过基于深度学习的目标检测算法处理所述图像信息，得到所述图像信息中的每个载体的包围盒，通过深度学习算法提取每个包围盒内的所述颜色编码信息。
3.根据权利要求2所述的方法，其特征在于，所述基于深度学习的目标检测算法包括单次多盒检测SSD算法和/或Yolo算法。
4.根据权利要求1所述的方法，其特征在于，所述至少两种颜色是从多种颜色中提取的，提取时，将所有颜色进行对比处理，利用颜色空间距离最大化原则提取所述至少两种颜色。
5.根据权利要求1所述的方法，其特征在于，所述至少两种颜色包括从蔬菜和/或水果中提取的颜色。
6.根据权利要求1所述的方法，其特征在于，所述颜色编码信息与价格信息一一对应。
7.根据权利要求1-6中任一项所述的方法，其特征在于，所述载体为餐盘，所述颜色编码信息以沿餐盘的边缘布置的两种颜色的环状色带表征。
8.一种商品结算系统，包括：摄像头、具有颜色编码信息的载体和结算信息处理装置，其中，
所述摄像头用于获取用于结算的图像信息，所述图像信息中包括一个或多个具有颜色编码信息的载体；
所述具有颜色编码信息的载体，用于容纳待结算商品，所述颜色编码信息以至少两种颜色表征，所述至少两种颜色中的任意两种颜色在颜色空间中的距离大于预定距离；
所述结算信息处理装置用于根据所述图像信息中每个所述载体上的颜色编码信息，分别确定每个载体对应的结算信息，用于商品结算。
9.一种商品结算装置，其特征在于，所述装置包括：
获取模块，用于获取用于结算的图像信息，所述图像信息中包括一个或多个具有颜色编码信息的载体，其中，所述具有颜色编码信息的载体用于容纳待结算商品，所述颜色编码信息以至少两种颜色表征，所述至少两种颜色中的任意两种颜色在颜色空间中的距离大于预定距离；
结算模块，用于根据所述图像信息中每个所述载体上的颜色编码信息，分别确定每个载体对应的结算信息，用于商品结算。
10.一种具有颜色编码信息的载体，其特征在于，所述载体用于容纳待结算商品，所述颜色编码信息以至少两种颜色表征，所述至少两种颜色中的任意两种颜色在颜色空间中的距离大于预定距离。
11.根据权利要求10所述的方法，其特征在于，所述至少两种颜色是从多种颜色中提取的，提取时，将所有颜色进行对比处理，利用颜色空间距离最大化原则提取所述至少两种颜色。
12.根据权利要求10所述的方法，其特征在于，所述载体为餐盘，所述颜色编码信息以沿餐盘的边缘布置的两种颜色的环状色带表征。
13.一种商品识别方法，其特征在于，所述方法包括：
获取用于识别的图像信息，所述图像信息中包括一个或多个具有颜色编码信息的商品放置区域，其中，所述具有颜色编码信息的商品放置区域用于放置商品，所述颜色编码信息以至少两种颜色表征，所述至少两种颜色中的任意两种颜色在颜色空间中的距离大于预定距离；
根据所述图像信息中每个所述商品放置区域的颜色编码信息，分别确定每个商品放置区域对应的商品信息，用于商品识别。
14.根据权利要求13所述的方法，其特征在于，通过基于深度学习的目标检测算法处理所述图像信息，得到所述图像信息中的每个商品放置区域的包围盒，通过深度学习算法提取每个包围盒内的所述颜色编码信息。
15.根据权利要求14所述的方法，其特征在于，所述基于深度学习的目标检测算法包括SSD算法和/或Yolo算法。
16.根据权利要求13所述的方法，其特征在于，所述至少两种颜色是从多种颜色中提取的，提取时，将所有颜色进行对比处理，利用颜色空间距离最大化原则提取所述至少两种颜色。
17.根据权利要求13所述的方法，其特征在于，所述颜色编码信息与商品信息一一对应。
18.根据权利要求13-17中任一项所述的方法，其特征在于，所述一个或多个商品放置区域属于商品置物架或仓库，所述颜色编码信息以沿商品放置区域的边缘布置的两种颜色的环状色带表征。
19.一种计算设备，其特征在于，所述计算设备包括：处理器以及存储有计算机程序指令的存储器；
所述处理器执行所述计算机程序指令时实现如权利要求1-7任意一项所述的商品结算方法。
20.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1-7任意一项所述的商品结算方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811504570.9A CN111292155A (zh) | 2018-12-10 | 2018-12-10 | 具有颜色编码信息的载体、商品识别方法和结算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811504570.9A CN111292155A (zh) | 2018-12-10 | 2018-12-10 | 具有颜色编码信息的载体、商品识别方法和结算方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111292155A true CN111292155A (zh) | 2020-06-16 |
Family
ID=71025298
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811504570.9A Pending CN111292155A (zh) | 2018-12-10 | 2018-12-10 | 具有颜色编码信息的载体、商品识别方法和结算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111292155A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000011262A (ja) * | 1998-06-17 | 2000-01-14 | Glory Ltd | 自動精算ハンディ端末装置、自動精算ハンディ端末装置用の食器及び自動精算方法 |
| CN103426240A (zh) * | 2013-08-01 | 2013-12-04 | 浙江大学 | 自选餐厅自助付费装置及其使用方法 |
| CN103971471A (zh) * | 2014-05-08 | 2014-08-06 | 上海海事大学 | 基于颜色识别的餐盘自动计价方法及其系统 |
| CN104463167A (zh) * | 2014-11-20 | 2015-03-25 | 中国科学院上海微系统与信息技术研究所 | 一种餐厅自动结算方法及系统 |
| CN106056487A (zh) * | 2016-06-06 | 2016-10-26 | 杭州汇萃智能科技有限公司 | 基于餐具图案的菜品自动识别系统的计价方法 |
| CN106056802A (zh) * | 2016-06-06 | 2016-10-26 | 杭州汇萃智能科技有限公司 | 基于餐具颜色的菜品自动识别系统的计价方法 |
-
2018
- 2018-12-10 CN CN201811504570.9A patent/CN111292155A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000011262A (ja) * | 1998-06-17 | 2000-01-14 | Glory Ltd | 自動精算ハンディ端末装置、自動精算ハンディ端末装置用の食器及び自動精算方法 |
| CN103426240A (zh) * | 2013-08-01 | 2013-12-04 | 浙江大学 | 自选餐厅自助付费装置及其使用方法 |
| CN103971471A (zh) * | 2014-05-08 | 2014-08-06 | 上海海事大学 | 基于颜色识别的餐盘自动计价方法及其系统 |
| CN104463167A (zh) * | 2014-11-20 | 2015-03-25 | 中国科学院上海微系统与信息技术研究所 | 一种餐厅自动结算方法及系统 |
| CN106056487A (zh) * | 2016-06-06 | 2016-10-26 | 杭州汇萃智能科技有限公司 | 基于餐具图案的菜品自动识别系统的计价方法 |
| CN106056802A (zh) * | 2016-06-06 | 2016-10-26 | 杭州汇萃智能科技有限公司 | 基于餐具颜色的菜品自动识别系统的计价方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10692231B1 (en) | Composite agent representation | |
| US10909667B1 (en) | Image rectification using transformation data | |
| US9524486B2 (en) | System and method for retail store promotional price tag detection and maintenance via heuristic classifiers | |
| CN102538379B (zh) | 一种冰箱食品信息管理装置及方法 | |
| CN109064270B (zh) | 智能购物车、服务器、智能购物系统及方法 | |
| CN107767590A (zh) | 物品自动识别商用条码电子秤及物品自动识别方法 | |
| CA3078985A1 (en) | Automatically monitoring retail products based on captured images | |
| US8320633B2 (en) | System and method for identifying produce | |
| US10810539B1 (en) | Re-establishing tracking of a user within a materials handling facility | |
| CN110705424B (zh) | 一种商品陈列位置的定位方法、装置及存储介质 | |
| CN106056487A (zh) | 基于餐具图案的菜品自动识别系统的计价方法 | |
| CN109635705B (zh) | 一种基于二维码和深度学习的商品识别方法及装置 | |
| US11462005B1 (en) | Image partitioning for re-identification | |
| WO2019073063A1 (en) | METHOD FOR INITIALIZING OR UPDATING REALOGRAMS DATABASE DATA FOR RADIANCE SPACE, USING OPTICAL SIGNALS ISSUED BY ELECTRONIC SHELF LABELS | |
| US10679177B1 (en) | Using depth sensing cameras positioned overhead to detect and track a movement of a user within a materials handling facility | |
| US11409977B1 (en) | Universal product labeling for vision-based commerce | |
| US20230069472A1 (en) | Identifying items using cascading algorithms | |
| US20220036042A1 (en) | Information acquisition system, control apparatus, information acquisition method, and storage medium | |
| CN109801138A (zh) | 商品图片的搜索方法及装置 | |
| CN109409964A (zh) | 优质品牌的识别方法及装置 | |
| EP3931750A1 (en) | Method and system for object recognition via a computer vision application | |
| US11600084B2 (en) | Method and apparatus for detecting and interpreting price label text | |
| CN109345733A (zh) | 智能秤的计价方法及系统 | |
| CN110837824B (zh) | 用于售货装置中的商品识别方法、售货装置及存储介质 | |
| US11205270B1 (en) | Collecting user pattern descriptors for use in tracking a movement of a user within a materials handling facility |
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 |