CN111382635B - 一种商品类别识别方法、装置及电子设备 - Google Patents
一种商品类别识别方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111382635B CN111382635B CN201811638179.8A CN201811638179A CN111382635B CN 111382635 B CN111382635 B CN 111382635B CN 201811638179 A CN201811638179 A CN 201811638179A CN 111382635 B CN111382635 B CN 111382635B
- Authority
- CN
- China
- Prior art keywords
- feature vector
- commodity
- target
- library
- reference feature
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 239000013598 vector Substances 0.000 claims abstract description 464
- 238000013527 convolutional neural network Methods 0.000 claims description 26
- 238000004891 communication Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07F—COIN-FREED OR LIKE APPARATUS
- G07F9/00—Details other than those peculiar to special kinds or types of apparatus
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Control Of Vending Devices And Auxiliary Devices For Vending Devices (AREA)
Abstract
本发明实施例提供了一种商品类别识别方法、装置及电子设备，该方法包括：获取包含无人售货机中的商品区域的目标图像；对目标图像进行商品特征识别，得到目标图像包含的目标商品的目标特征向量；从预设的参考特征向量库中，确定与目标特征向量匹配的第一参考特征向量；将第一参考特征向量对应的商品类别，确定为目标商品的商品类别。通过本发明实施例提供的技术方案，在无人售货机添加新类别商品后，可以提取新类别商品的特征向量，并更新参考特征向量库，即可以实现对新类别商品的商品类别，从而可以实现快速地识别出新类别商品的商品类别，并缩短新类别商品的上新过程所消耗的时间。
Description
技术领域
本发明数据识别涉及领域，特别是涉及一种商品类别识别方法、装置及电子设备。
背景技术
随着科学技术的发展，无人售货机的应用范围越来越广，其中，该无人售货机可以为无人售货架或无人售货柜。例如，无人售货机可以应用到超市、办公室、校园、食堂、商场等。由于无人售货机没有工作人员的管理，为了确保无人售货机中的商品能够正常有序地销售，需要识别无人售货机中的商品的类别；例如，在无人售货机添加了商品后，需要识别所添加的商品的类别。
相关技术中，商品类别识别的具体过程为：利用包含无人机售货机中的商品的样本图像以及该无人售货机中的商品的商品类别，训练机器学习模型，例如卷积神经网络模型，从而在需要识别商品类别时，利用训练完成的机器学习模型识别该无人售货机中的商品的商品类别。
由于相关技术中所利用的机器学习模型是基于固定的商品类别所训练的，那么，一旦需要增加新类别商品，为了能够识别新类别商品的商品类别，便需要重新训练机器学习模型，这无疑导致新类别商品的上新过程耗时较长，进而无法快速实现新品类别识别。
发明内容
本发明实施例的目的在于提供一种商品类别识别方法、装置及电子设备，以使得在无人售货机添加新类别商品后，可以快速地识别出新类别商品的商品类别，进而缩短新类别商品的上新过程所消耗的时间。具体技术方案如下：
第一方面，本发明实施例提供了一种商品类别识别方法，所述方法包括：
获取包含无人售货机中的商品区域的目标图像；
对所述目标图像进行商品特征识别，得到所述目标图像包含的目标商品的目标特征向量；
从预设的参考特征向量库中，确定与所述目标特征向量匹配的第一参考特征向量，其中，所述参考特征向量库包含多个参考特征向量，每一参考特征向量对应一个商品类别；
将所述第一参考特征向量对应的商品类别，确定为所述目标商品的商品类别。
可选的，所述参考特征向量库包含多个特征向量子库，同一特征向量子库中的任意两个参考特征向量所对应的商品类别满足预定差异条件，两个商品类别满足的预定差异条件为：该两个商品类别所对应商品的外观间相似度小于第一相似度；
所述从预设的参考特征向量库中，确定与所述目标特征向量匹配的第一参考特征向量的步骤，包括：
从预设的参考特征向量库中，确定第一特征向量子库，其中，所述第一特征向量子库中包含：所对应商品类别符合预定匹配条件的参考特征向量，任一商品类别符合的预定匹配条件为：该商品类别所对应的商品与所述目标商品的外观间的相似度大于第二相似度；
从所述第一特征向量子库中，确定与所述目标特征向量匹配的第一参考特征向量。
可选的，所述从预设的参考特征向量库中，确定第一特征向量子库的步骤，包括：
针对预设的参考特征向量库中的每一特征向量子库，确定该特征向量子库中各个参考特征向量对应的参考外观数据，每一参考特征向量对应的参考外观数据为：该参考特征向量所对应商品类别的商品的外观数据；
从所述目标图像中获取所述目标商品的外观数据；
针对每一特征向量子库，计算该特征向量子库中各个参考特征向量对应的参考外观数据，与目标商品的外观数据的相似度，如果所计算得到的相似度中包含大于第二相似度的相似度，将该特征向量子库确定为第一特征向量子库。
可选的，所述从预设的参考特征向量库中，确定第一特征向量子库的步骤，包括：
从预设的参考特征向量库中，预先确定与目标商品对应的参考特征向量子库；
将所述与目标商品对应的参考特征向量子库确定为第一特征向量子库。
可选的，所述对所述目标图像进行商品特征识别，得到所述目标图像包含的目标商品的目标特征向量的步骤，包括：
基于预先训练好的卷积神经网络，对所述目标图像进行商品特征识别，得到所述目标图像包含的目标商品的目标特征向量，所述卷积神经网络是：基于多个包含商品的样本图像与所述多个样本图像所包含的商品的商品类别训练得到的。
可选的，所述基于预先训练好的卷积神经网络，对所述目标图像进行商品特征识别，得到所述目标图像包含的目标商品的目标特征向量的步骤，包括：
提取所述目标图像的感兴趣区域；
基于预先训练好的卷积神经网络，对所述感兴趣区域进行商品特征识别，得到所述目标图像包含的目标商品的目标特征向量。
可选的，所述从预设的参考特征向量库中，确定与所述目标特征向量匹配的第一参考特征向量的步骤，包括：
计算参考特征向量库中的各个参考特征向量与目标特征向量的相似度；
将与所述目标特征向量相似度最大的参考特征向量确定为第一参考特征向量。
第二方面，本发明实施例提供了一种商品类别识别装置，所述装置包括：
图像获取模块，用于获取包含无人售货机中的商品区域的目标图像；
特征识别模块，用于对所述目标图像进行商品特征识别，得到所述目标图像包含的目标商品的目标特征向量；
特征向量确定模块，用于从预设的参考特征向量库中，确定与所述目标特征向量匹配的第一参考特征向量，其中，所述参考特征向量库包含多个参考特征向量，每一参考特征向量对应一个商品类别；
商品类别确定模块，用于将所述第一参考特征向量对应的商品类别，确定为所述目标商品的商品类别。
可选的，所述参考特征向量库包含多个特征向量子库，同一特征向量子库中的任意两个参考特征向量所对应的商品类别满足预定差异条件，两个商品类别满足的预定差异条件为：该两个商品类别所对应商品的外观间相似度小于第一相似度；
所述特征向量确定模块，包括：
特征向量子库确定模块，用于从预设的参考特征向量库中，确定第一特征向量子库，其中，所述第一特征向量子库中包含：所对应商品类别符合预定匹配条件的参考特征向量，任一商品类别符合的预定匹配条件为：该商品类别所对应的商品与所述目标商品的外观间的相似度大于第二相似度；
从所述第一特征向量子库中，确定与所述目标特征向量匹配的第一参考特征向量。
可选的，所述特征向量子库确定模块，具体用于：
针对预设的参考特征向量库中的每一特征向量子库，确定该特征向量子库中各个参考特征向量对应的参考外观数据，每一参考特征向量对应的参考外观数据为：该参考特征向量所对应商品类别的商品的外观数据；
从所述目标图像中获取所述目标商品的外观数据；
针对每一特征向量子库，计算该特征向量子库中各个参考特征向量对应的参考外观数据，与目标商品的外观数据的相似度，如果所计算得到的相似度中包含大于第二相似度的相似度，将该特征向量子库确定为第一特征向量子库。
可选的，所述特征向量子库确定模块，具体用于：
从预设的参考特征向量库中，预先确定与目标商品对应的参考特征向量子库；
将所述与目标商品对应的参考特征向量子库确定为第一特征向量子库。
可选的，所述特征识别模块，包括：
特征识别单元，用于基于预先训练好的卷积神经网络，对所述目标图像进行商品特征识别，得到所述目标图像包含的目标商品的目标特征向量，所述卷积神经网络是：基于多个包含商品的样本图像与所述多个样本图像所包含的商品的商品类别训练得到的。
可选的，所述特征识别单元，具体用于：
提取所述目标图像的感兴趣区域；
基于预先训练好的卷积神经网络，对所述感兴趣区域进行商品特征识别，得到所述目标图像包含的目标商品的目标特征向量。
可选的，所述特征向量确定模块，具体用于：
计算参考特征向量库中的各个参考特征向量与目标特征向量的相似度；
将与所述目标特征向量相似度最大的参考特征向量确定为第一参考特征向量。
第三方面，本发明实施例提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现第一方面所述的商品类别识别方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述的商品类别识别方法。
可见，通过本发明实施例提供的技术方案，在识别目标商品的商品类别时，提取目标商品的目标特征向量，并从预设的参考特征向量库中，确定与目标特征向量匹配的第一参考特征向量，将第一参考特征向量对应的商品类别，确定为目标商品的商品类别。因此，在无人售货机添加新类别商品后，可以提取新类别商品的特征向量，并更新参考特征向量库，即可以实现对新类别商品的商品类别。而不用像相关技术那样，需要重新训练机器学习模型，从而可以实现快速地识别出新类别商品的商品类别，并缩短新类别商品的上新过程所消耗的时间。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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为本发明实施例所提供的一种商品类别识别方法的流程图；
图2为本发明实施例所提供的一种商品类别识别装置的示意图；
图3为本发明实施例所提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为了使得在无人售货机添加新类别商品后，可以快速地识别出新类别商品的商品类别，进而缩短新类别商品的上新过程所消耗的时间。本发明实施例提供了一种商品类别识别方法、装置及电子设备。
第一方面，下面首先对本发明实施例所提供的一种商品类别识别方法进行介绍。
需要说明的是，本发明实施例所提供的一种商品类别识别方法的执行主体可以为一种商品类别识别装置，该商品类别识别装置可以运行于电子设备中，其中，该电子设备可以为无人售货机，也可以是与无人售货机通信连接的后台服务器等，本发明实施例对该电子设备不做限定。
为了方案描述清楚，首先对本发明实施例提供的技术方案的应用场景进行阐述。在实际应用中，无人售货机可能有多台，且每台无人售货机可能设置有若干层货架，对于任一台无人售货机而言，可以在该台无人售货机的每层货架的顶部安装一图像采集设备，该图像采集设备所采集的图像包含该层货架中全部商品。
由上述描述可知，通过在多个无人售货机中设置多台图像采集设备，可以获取多个无人售货机中所有商品的商品图像，然后识别每张商品图像，得到每张商品图像包含的商品的特征向量，并基于所得到的商品的特征向量建立参考特征向量库。参考特征向量库可以包括各个售货机中的各个类别商品的特征向量，也就是说，参考特征向量库中的每一组特征向量对应一个商品类别。
可以理解的是，在实际场景中，不同类别的商品可能存在外观包装相似的情况，对于外观包装相似度的商品而言，对应的特征向量的相似度也较高，因此，如果将外观包装相似的商品的特征向量存入到同一参考特征向量库中，在实际识别商品类别时，可能导致商品类别有误。
举例而言，商品类别为A的商品与商品类别为B的商品，二者的外观包装相似度较高，因此，商品类别为A的商品的特征向量A与商品类别为B的商品的特征向量B相似度也较高。假设参考特征向量库中包含：特征向量A与特征向量B。在实际应用中，需要识别商品类别为A的商品的商品类别时，提取该商品的特征向量，由于所提取的特征向量与特征向量A的相似度较高，且所提取的特征向量与特征向量B的相似度也较高，因此，可能将该商品的商品类别确定为B，很显然，此时，商品类别识别有误。
为了提高商品类别的准确率，在实际应用中，除了可以建立包括各个售货机中的各个类别商品的特征向量的参考特征向量库外，还可以建立多个特征向量子库。建立多个特征向量子库的目的是将外观包装相似度较高的商品的特征向量存储于不同的特征向量子库中，这样，可以提高商品类别识别的准确度。
并且，对于一个特征向量子库而言，可以将该特征向量子库与一个无人售货机进行设备关联，这样，在识别该无人售货机中的商品的商品类别时，可以直接利用该特征向量子库进行商品类别识别，可以提高商品类别识别的速度。也就是说，每个无人售货机可以对应一个特征向量子库。
举例而言，假设有10种不同类别的商品，这10种不同类别的商品存在部分外观包装相似度较高的商品。这种情况下，首先，可以通过混淆分析方法得出外观包装相似度较高的商品，其中，该混淆分析方法可以是人眼观察判定、商家预先设定或者算法分析等，本发明实施例对混淆分析方法不作具体限定。然后，根据混淆分析方法所得到的结果，将外观包装相似度小于预设相似度的商品的特征向量放入到同一个特征向量子库中，也就是说，外观包装相似度大于预设相似度的商品的特征向量放入不同的特征向量子库中，从而可以提高商品识别的准确度。预设相似度的大小可以根据实际情况进行设定，本发明实施例对预设相似度的大小不做具体限定。
如图1所示，本发明实施例所提供的一种商品类别识别方法，可以包括如下步骤：
S110，获取包含无人售货机中的商品区域的目标图像。
由上述描述可知，无人售货机中可以设置图像采集设备，图像采集设备可以采集包含商品区域的图像。在图像采集设备采集到包含商品区域的图像后，作为执行主体的电子设备即可以获取包含商品区域的图像，为了方便描述，可以将包含商品区域的图像称为目标图像。
需要说明的是，作为执行主体的电子设备获取包含无人售货机中的商品区域的目标图像的方式可以有如下两种。
第一种方式：作为执行主体的电子设备可以实时检测图像采集设备是否采集到包含无人售货机的商品区域的目标图像，如果检测到图像采集设备采集到包含无人售货机的商品区域的目标图像，电子设备可以从图像采集设备获取到包含无人售货机的商品区域的目标图像。
第二种方式：图像采集设备在采集到包含无人售货机的商品区域的目标图像之后，可以将该包含无人售货机的商品区域的目标图像发送至作为执行主体的电子设备，从而作为执行主体的电子设备可以获取到包含无人售货架的商品区域的目标图像。
S120，对目标图像进行商品特征识别，得到目标图像包含的目标商品的目标特征向量。
作为执行主体的电子设备得到目标图像后，可以对目标图像进行商品特征识别，得到目标图像包含的目标商品的目标特征向量。其中，对目标图像进行商品特征识别，得到目标特征向量的方式可以有多种，例如，可以利用预先训练好的卷积神经网络来进行商品特征识别，进而得到目标特征向量；也可以基于目标图像的颜色直方图或梯度直方图等特征表示方法，来得到目标特征向量。这都是合理的，本发明实施例对对目标图像进行商品特征识别，得到目标特征向量的具体实现方式不做具体限定。
在一种实施方式中，对目标图像进行商品特征识别，得到目标图像包含的目标商品的目标特征向量的步骤，可以包括：
基于预先训练好的卷积神经网络，对目标图像进行商品特征识别，得到目标图像包含的目标商品的目标特征向量，其中，卷积神经网络是：基于多个包含商品的样本图像与所述多个样本图像所包含的商品的商品类别训练得到的。
在该实施方式中，在对目标图像进行商品特征识别之前，可以基于多个包含商品的样本图像与所述多个样本图像所包含的商品的商品类别，来训练卷积神经网络。其中，多个包含商品的样本图像可以是：各个无人售货机中设置的图像采集设备所采集的图像。因此，在对目标图像进行商品特征识别时，可以利用训练好的卷积神经网络对目标图像进行商品识别，从而得到目标图像包含的目标商品的目标特征向量。
作为本发明实施例的一种实现方式，基于预先训练好的卷积神经网络，对目标图像进行商品特征识别，得到目标图像包含的目标商品的目标特征向量的步骤，可以包括：
提取目标图像的感兴趣区域；
基于预先训练好的卷积神经网络，对感兴趣区域进行商品特征识别，得到目标图像包含的目标商品的目标特征向量。
由于商品图像的感兴趣区域通常是商品所在的区域，因此，通过提取目标图像的感兴趣区域，并对所提取的感兴趣区域进行商品特征识别，即可以得到目标图像包含的目标商品的目标特征向量。同样地，对目标图像的感兴趣区域进行商品特征识别，得到目标特征向量的方式可以有多种，例如，可以利用预先训练好的卷积神经网络来进行商品特征识别，进而得到目标特征向量；也可以基于目标图像的感兴趣区域的颜色直方图或梯度直方图等特征表示方法，来得到目标特征向量。本发明实施例也不对对感兴趣区域进行商品特征识别，得到目标图像包含的目标商品的目标特征向量的具体实现方式进行限定。
S130，从预设的参考特征向量库中，确定与目标特征向量匹配的第一参考特征向量，其中，参考特征向量库包含多个参考特征向量，每一参考特征向量对应一个商品类别。
在得到目标特征向量之后，可以从预设的参考特征向量库中，确定与目标特征向量匹配的第一参考特征向量。可以理解的是，由于第一参考特征向量与目标特征向量匹配，因此，第一参考特征向量对应的商品类别与目标特征向量对应的商品类别也匹配。
在一种实施方式中，从预设的参考特征向量库中，确定与目标特征向量匹配的第一参考特征向量的步骤，可以包括：
计算参考特征向量库中的各个参考特征向量与目标特征向量的相似度；
将与目标特征向量相似度最大的参考特征向量确定为第一参考特征向量。
本领域技术人员可以理解的是，计算参考特征向量与目标特征向量的相似度的方式有多种，在此不再赘述。
对于一个参考特征向量而言，如果该参考特征向量与目标特征向量的相似度较高，说明参考特征向量与目标特征向量越匹配，因此，可以将与目标特征向量相似度最大的参考特征向量确定为第一参考特征向量。
S140，将第一参考特征向量对应的商品类别，确定为目标商品的商品类别。
由于第一参考特征向量为与目标特征向量匹配的参考特征向量，因此，第一参考特征向量对应的商品类别，即为目标特征向量对应的商品类别；又由于目标特征向量是目标商品的特征向量，因此，可以将目标特征向量对应的商品类别确定为目标商品的商品类别。
可见，通过本发明实施例提供的技术方案，在识别目标商品的商品类别时，提取目标商品的目标特征向量，并从预设的参考特征向量库中，确定与目标特征向量匹配的第一参考特征向量，将第一参考特征向量对应的商品类别，确定为目标商品的商品类别。因此，在无人售货机添加新类别商品后，可以提取新类别商品的特征向量，并更新参考特征向量库，即可以实现对新类别商品的商品类别。而不用像相关技术那样，需要重新训练机器学习模型，从而可以实现快速地识别出新类别商品的商品类别，并缩短新类别商品的上新过程所消耗的时间。
为了提高商品类别识别的准确度，在一种实施方式中，参考特征向量库包含多个特征向量子库，同一特征向量子库中的任意两个参考特征向量所对应的商品类别满足预定差异条件，两个商品类别满足的预定差异条件为：该两个商品类别所对应商品的外观间相似度小于第一相似度；
从预设的参考特征向量库中，确定与目标特征向量匹配的第一参考特征向量的步骤，可以包括如下两个步骤S1和S2：
步骤S1，从预设的参考特征向量库中，确定第一特征向量子库，其中，第一特征向量子库中包含：所对应商品类别符合预定匹配条件的参考特征向量，任一商品类别符合的预定匹配条件为：该商品类别所对应的商品与目标商品的外观间的相似度大于第二相似度。
可以理解的是，为了避免商品类别的识别准确度，参考特征向量子库中包括的各个参考特征向量为：外观包装相似度较小的商品的特征向量；且为了能够识别出目标商品的商品类别，第一特征向量子库中应该包含目标特征向量，也就是说，第一特征向量子库中包含所对应商品类别符合预定匹配条件的参考特征向量。
举例而言，在需要识别商品类别为A的商品时，第一特征向量子库中应该包含：商品类别为A的商品的特征向量。否则，在后续步骤中，在第一特征向量子库中，无法确定出与商品类别为A的商品的特征向量匹配的参考特征向量。
作为本发明实施例的一种实现方式，从预设的参考特征向量库中，确定第一特征向量子库的步骤，可以包括：
针对预设的参考特征向量库中的每一特征向量子库，确定该特征向量子库中各个参考特征向量对应的参考外观数据，每一参考特征向量对应的参考外观数据为：该参考特征向量所对应商品类别的商品的外观数据；
从目标图像中获取目标商品的外观数据；
针对每一特征向量子库，计算该特征向量子库中各个参考特征向量对应的参考外观数据，与目标商品的外观数据的相似度，如果所计算得到的相似度中包含大于第二相似度的相似度，将该特征向量子库确定为第一特征向量子库。
需要说明的是，各个特征向量子库中所包含的参考特征向量，均是从包含无人售货机的商品区域的商品图像中提取得到的。也就是说，每个特征向量子库可以对应一个商品图像库。因此，对于每一特征向量子库，可以从该特征向量子库所对应的商品图像库所包含的商品图像，获取该特征向量子库中包含的每个参考特征向量对应的参考外观数据；从目标图像提取目标商品的外观数据；并计算所获得的各个参考外观数据与目标商品的外观数据的相似度，如果所计算得到的相似度中包含大于第二相似度的相似度，说明该特征向量子库中包含与目标特征向量匹配的参考特征向量，因此，可以将该特征向量子库确定为第一特征向量子库。
需要强调的是，第二相似度的大小可以根据实际情况进行设定，本发明实施例对第二相似度的大小不做具体限定。
作为本发明实施例的另一种实现方式，从预设的参考特征向量库中，确定第一特征向量子库的步骤，可以包括：
从预设的参考特征向量库中，确定与目标商品对应的参考特征向量子库；
将所述与目标商品对应的参考特征向量子库确定为第一特征向量子库。
由前面描述可知，每个无人售货机可以对应一个特征向量子库。而目标商品属于任一无人售货机，也就是说，对于一个目标商品而言，该目标商品也对应一个特征向量子库。因此，在从预设的参考特征向量库中，确定第一特征向量子库时，可以从预设的参考特征向量库中，确定与目标商品对应的参考特征向量子库，并将与目标商品对应的参考特征向量子库确定为第一特征向量子库。
步骤S2，从第一特征向量子库中，确定与目标特征向量匹配的第一参考特征向量。
在确定了第一特征向量子库后，可以从第一特征向量子库中，确定与目标特征向量匹配的第一参考特征向量。具体的，可以计算第一特征向量子库中包含的各个参考特征向量与目标特征向量的相似度，如果一个参考特征向量与目标特征向量的相似度大于第二预设相似度，说明该参考特征向量与目标特征向量相匹配，因此，可以将该参考特征向量确定为第一参考特征向量。
第二方面，本发明实施例提供了一种商品类别识别装置，如图2所示，所述装置包括：
图像获取模块210，用于获取包含无人售货机中的商品区域的目标图像；
特征识别模块220，用于对所述目标图像进行商品特征识别，得到所述目标图像包含的目标商品的目标特征向量；
特征向量确定模块230，用于从预设的参考特征向量库中，确定与所述目标特征向量匹配的第一参考特征向量，其中，所述参考特征向量库包含多个参考特征向量，每一参考特征向量对应一个商品类别；
商品类别确定模块240，用于将所述第一参考特征向量对应的商品类别，确定为所述目标商品的商品类别。
可见，通过本发明实施例提供的技术方案，在识别目标商品的商品类别时，提取目标商品的目标特征向量，并从预设的参考特征向量库中，确定与目标特征向量匹配的第一参考特征向量，将第一参考特征向量对应的商品类别，确定为目标商品的商品类别。因此，在无人售货机添加新类别商品后，可以提取新类别商品的特征向量，并更新参考特征向量库，即可以实现对新类别商品的商品类别。而不用像相关技术那样，需要重新训练机器学习模型，从而可以实现快速地识别出新类别商品的商品类别，并缩短新类别商品的上新过程所消耗的时间。
可选的，所述参考特征向量库包含多个特征向量子库，同一特征向量子库中的任意两个参考特征向量所对应的商品类别满足预定差异条件，两个商品类别满足的预定差异条件为：该两个商品类别所对应商品的外观间相似度小于第一相似度；
所述特征向量确定模块，包括：
特征向量子库确定模块，用于从预设的参考特征向量库中，确定第一特征向量子库，其中，所述第一特征向量子库中包含：所对应商品类别符合预定匹配条件的参考特征向量，任一商品类别符合的预定匹配条件为：该商品类别所对应的商品与所述目标商品的外观间的相似度大于第二相似度；
从所述第一特征向量子库中，确定与所述目标特征向量匹配的第一参考特征向量。
可选的，所述特征向量子库确定模块，具体用于：
针对预设的参考特征向量库中的每一特征向量子库，确定该特征向量子库中各个参考特征向量对应的参考外观数据，每一参考特征向量对应的参考外观数据为：该参考特征向量所对应商品类别的商品的外观数据；
从所述目标图像中获取所述目标商品的外观数据；
针对每一特征向量子库，计算该特征向量子库中各个参考特征向量对应的参考外观数据，与目标商品的外观数据的相似度，如果所计算得到的相似度中包含大于第二相似度的相似度，将该特征向量子库确定为第一特征向量子库。
可选的，所述特征向量子库确定模块，具体用于：
从预设的参考特征向量库中，确定与目标商品对应的参考特征向量子库；
将所述与目标商品对应的参考特征向量子库确定为第一特征向量子库。
可选的，所述特征识别模块，包括：
特征识别单元，用于基于预先训练好的卷积神经网络，对所述目标图像进行商品特征识别，得到所述目标图像包含的目标商品的目标特征向量，所述卷积神经网络是：基于多个包含商品的样本图像与所述多个样本图像中包含的商品的特征向量训练得到的。
可选的，所述特征识别单元，具体用于：
提取所述目标图像的感兴趣区域；
基于预先训练好的卷积神经网络，对所述感兴趣区域进行商品特征识别，得到所述目标图像包含的目标商品的目标特征向量。
可选的，所述特征向量确定模块，具体用于：
计算参考特征向量库中的各个参考特征向量与目标特征向量的相似度；
将与所述目标特征向量相似度最大的参考特征向量确定为第一参考特征向量。
第三方面，本发明实施例还提供了一种电子设备，如图3所示，包括处理器301、通信接口302、存储器303和通信总线304，其中，处理器301，通信接口302，存储器303通过通信总线304完成相互间的通信，
存储器303，用于存放计算机程序；
处理器301，用于执行存储器303上所存放的程序时，实现第一方面所述的商品类别识别方法。
可见，通过本发明实施例提供的技术方案，在识别目标商品的商品类别时，提取目标商品的目标特征向量，并从预设的参考特征向量库中，确定与目标特征向量匹配的第一参考特征向量，将第一参考特征向量对应的商品类别，确定为目标商品的商品类别。因此，在无人售货机添加新类别商品后，可以提取新类别商品的特征向量，并更新参考特征向量库，即可以实现对新类别商品的商品类别。而不用像相关技术那样，需要重新训练机器学习模型，从而可以实现快速地识别出新类别商品的商品类别，并缩短新类别商品的上新过程所消耗的时间。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述的商品类别识别方法。
可见，通过本发明实施例提供的技术方案，在识别目标商品的商品类别时，提取目标商品的目标特征向量，并从预设的参考特征向量库中，确定与目标特征向量匹配的第一参考特征向量，将第一参考特征向量对应的商品类别，确定为目标商品的商品类别。因此，在无人售货机添加新类别商品后，可以提取新类别商品的特征向量，并更新参考特征向量库，即可以实现对新类别商品的商品类别。而不用像相关技术那样，需要重新训练机器学习模型，从而可以实现快速地识别出新类别商品的商品类别，并缩短新类别商品的上新过程所消耗的时间。
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“包括一个……”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。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备、存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。
Claims (14)
1.一种商品类别识别方法，其特征在于，所述方法包括：
获取包含无人售货机中的商品区域的目标图像；
对所述目标图像进行商品特征识别，得到所述目标图像包含的目标商品的目标特征向量；
从预设的参考特征向量库中，确定与所述目标特征向量匹配的第一参考特征向量，其中，所述参考特征向量库包含多个参考特征向量，每一参考特征向量对应一个商品类别；
将所述第一参考特征向量对应的商品类别，确定为所述目标商品的商品类别；
所述参考特征向量库包含多个特征向量子库，同一特征向量子库中的任意两个参考特征向量所对应的商品类别满足预定差异条件，两个商品类别满足的预定差异条件为：该两个商品类别所对应商品的外观间相似度小于第一相似度；
所述从预设的参考特征向量库中，确定与所述目标特征向量匹配的第一参考特征向量的步骤，包括：
从预设的参考特征向量库中，确定第一特征向量子库，其中，所述第一特征向量子库中包含：所对应商品类别符合预定匹配条件的参考特征向量，任一商品类别符合的预定匹配条件为：该商品类别所对应的商品与所述目标商品的外观间的相似度大于第二相似度；
从所述第一特征向量子库中，确定与所述目标特征向量匹配的第一参考特征向量。
2.根据权利要求1所述的方法，其特征在于，所述从预设的参考特征向量库中，确定第一特征向量子库的步骤，包括：
针对预设的参考特征向量库中的每一特征向量子库，确定该特征向量子库中各个参考特征向量对应的参考外观数据，每一参考特征向量对应的参考外观数据为：该参考特征向量所对应商品类别的商品的外观数据；
从所述目标图像中获取所述目标商品的外观数据；
针对每一特征向量子库，计算该特征向量子库中各个参考特征向量对应的参考外观数据，与目标商品的外观数据的相似度，如果所计算得到的相似度中包含大于第二相似度的相似度，将该特征向量子库确定为第一特征向量子库。
3.根据权利要求1所述的方法，其特征在于，所述从预设的参考特征向量库中，确定第一特征向量子库的步骤，包括：
从预设的参考特征向量库中，预先确定与目标商品对应的参考特征向量子库；
将所述与目标商品对应的参考特征向量子库确定为第一特征向量子库。
4.根据权利要求1至3任一项所述的方法，其特征在于，所述对所述目标图像进行商品特征识别，得到所述目标图像包含的目标商品的目标特征向量的步骤，包括：
基于预先训练好的卷积神经网络，对所述目标图像进行商品特征识别，得到所述目标图像包含的目标商品的目标特征向量，所述卷积神经网络是：基于多个包含商品的样本图像与多个样本图像所包含的商品的商品类别训练得到的。
5.根据权利要求4所述的方法，其特征在于，所述基于预先训练好的卷积神经网络，对所述目标图像进行商品特征识别，得到所述目标图像包含的目标商品的目标特征向量的步骤，包括：
提取所述目标图像的感兴趣区域；
基于预先训练好的卷积神经网络，对所述感兴趣区域进行商品特征识别，得到所述目标图像包含的目标商品的目标特征向量。
6.根据权利要求1所述的方法，其特征在于，所述从预设的参考特征向量库中，确定与所述目标特征向量匹配的第一参考特征向量的步骤，包括：
计算参考特征向量库中的各个参考特征向量与目标特征向量的相似度；
将与所述目标特征向量相似度最大的参考特征向量确定为第一参考特征向量。
7.一种商品类别识别装置，其特征在于，所述装置包括：
图像获取模块，用于获取包含无人售货机中的商品区域的目标图像；
特征识别模块，用于对所述目标图像进行商品特征识别，得到所述目标图像包含的目标商品的目标特征向量；
特征向量确定模块，用于从预设的参考特征向量库中，确定与所述目标特征向量匹配的第一参考特征向量，其中，所述参考特征向量库包含多个参考特征向量，每一参考特征向量对应一个商品类别；
商品类别确定模块，用于将所述第一参考特征向量对应的商品类别，确定为所述目标商品的商品类别；
所述参考特征向量库包含多个特征向量子库，同一特征向量子库中的任意两个参考特征向量所对应的商品类别满足预定差异条件，两个商品类别满足的预定差异条件为：该两个商品类别所对应商品的外观间相似度小于第一相似度；
所述特征向量确定模块，包括：
特征向量子库确定模块，用于从预设的参考特征向量库中，确定第一特征向量子库，其中，所述第一特征向量子库中包含：所对应商品类别符合预定匹配条件的参考特征向量，任一商品类别符合的预定匹配条件为：该商品类别所对应的商品与所述目标商品的外观间的相似度大于第二相似度；
从所述第一特征向量子库中，确定与所述目标特征向量匹配的第一参考特征向量。
8.根据权利要求7所述的装置，其特征在于，所述特征向量子库确定模块，具体用于：
针对预设的参考特征向量库中的每一特征向量子库，确定该特征向量子库中各个参考特征向量对应的参考外观数据，每一参考特征向量对应的参考外观数据为：该参考特征向量所对应商品类别的商品的外观数据；
从所述目标图像中获取所述目标商品的外观数据；
针对每一特征向量子库，计算该特征向量子库中各个参考特征向量对应的参考外观数据，与目标商品的外观数据的相似度，如果所计算得到的相似度中包含大于第二相似度的相似度，将该特征向量子库确定为第一特征向量子库。
9.根据权利要求7所述的装置，其特征在于，所述特征向量子库确定模块，具体用于：
从预设的参考特征向量库中，预先确定与目标商品对应的参考特征向量子库；
将所述与目标商品对应的参考特征向量子库确定为第一特征向量子库。
10.根据权利要求7至9任一项所述的装置，其特征在于，所述特征识别模块，包括：
特征识别单元，用于基于预先训练好的卷积神经网络，对所述目标图像进行商品特征识别，得到所述目标图像包含的目标商品的目标特征向量，所述卷积神经网络是：基于多个包含商品的样本图像与多个样本图像所包含的商品的商品类别训练得到的。
11.根据权利要求10所述的装置，其特征在于，所述特征识别单元，具体用于：
提取所述目标图像的感兴趣区域；
基于预先训练好的卷积神经网络，对所述感兴趣区域进行商品特征识别，得到所述目标图像包含的目标商品的目标特征向量。
12.根据权利要求7所述的装置，其特征在于，所述特征向量确定模块，具体用于：
计算参考特征向量库中的各个参考特征向量与目标特征向量的相似度；
将与所述目标特征向量相似度最大的参考特征向量确定为第一参考特征向量。
13.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-6任一所述的方法步骤。
14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-6任一所述的方法步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811638179.8A CN111382635B (zh) | 2018-12-29 | 2018-12-29 | 一种商品类别识别方法、装置及电子设备 |
| PCT/CN2019/112523 WO2020134411A1 (zh) | 2018-12-29 | 2019-10-22 | 一种商品类别识别方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811638179.8A CN111382635B (zh) | 2018-12-29 | 2018-12-29 | 一种商品类别识别方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111382635A CN111382635A (zh) | 2020-07-07 |
| CN111382635B true CN111382635B (zh) | 2023-10-13 |
Family
ID=71126845
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811638179.8A Active CN111382635B (zh) | 2018-12-29 | 2018-12-29 | 一种商品类别识别方法、装置及电子设备 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN111382635B (zh) |
| WO (1) | WO2020134411A1 (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113065447A (zh) * | 2021-03-29 | 2021-07-02 | 南京掌控网络科技有限公司 | 一种图像集中自动识别商品的方法和设备 |
| CN113111800A (zh) * | 2021-04-19 | 2021-07-13 | 北京每日优鲜电子商务有限公司 | 无人货柜商品上架判断方法、设备和存储介质 |
| CN114140696A (zh) * | 2022-01-27 | 2022-03-04 | 深圳市慧为智能科技股份有限公司 | 商品识别系统优化方法、装置、设备及存储介质 |
| CN114549938B (zh) * | 2022-04-25 | 2022-09-09 | 广州市玄武无线科技股份有限公司 | 模型训练方法、图像信息管理方法、图像识别方法及装置 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8489689B1 (en) * | 2006-05-31 | 2013-07-16 | Proofpoint, Inc. | Apparatus and method for obfuscation detection within a spam filtering model |
| CN106255966A (zh) * | 2014-04-30 | 2016-12-21 | 谷歌公司 | 使用店面辨识来识别待考察实体 |
| CN106354735A (zh) * | 2015-07-22 | 2017-01-25 | 杭州海康威视数字技术股份有限公司 | 一种图像中目标的检索方法和装置 |
| CN106547744A (zh) * | 2015-09-16 | 2017-03-29 | 杭州海康威视数字技术股份有限公司 | 一种图像检索方法及系统 |
| CN106886795A (zh) * | 2017-02-17 | 2017-06-23 | 北京维弦科技有限责任公司 | 基于图像中的显著物体的物体识别方法 |
| CN106960214A (zh) * | 2017-02-17 | 2017-07-18 | 北京维弦科技有限责任公司 | 基于图像的物体识别方法 |
| CN107622397A (zh) * | 2017-08-07 | 2018-01-23 | 深圳益强信息科技有限公司 | 商标监测方法及系统 |
| CN107908685A (zh) * | 2017-10-31 | 2018-04-13 | 西安交通大学 | 基于迁移学习的多视角商品图像检索与识别方法 |
| CN108764068A (zh) * | 2018-05-08 | 2018-11-06 | 北京大米科技有限公司 | 一种图像识别方法和装置 |
| CN109035579A (zh) * | 2018-06-29 | 2018-12-18 | 深圳和而泰数据资源与云技术有限公司 | 一种商品识别方法、无人售货机及计算机可读存储介质 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5385759B2 (ja) * | 2009-10-30 | 2014-01-08 | キヤノン株式会社 | 画像処理装置及び画像処理方法 |
| CN103559504B (zh) * | 2013-11-04 | 2016-08-31 | 北京京东尚科信息技术有限公司 | 图像目标类别识别方法及装置 |
| CN106706677B (zh) * | 2015-11-18 | 2019-09-03 | 同方威视技术股份有限公司 | 检查货物的方法和系统 |
| CN105894047B (zh) * | 2016-06-28 | 2019-08-27 | 深圳市唯特视科技有限公司 | 一种基于三维数据的人脸分类系统 |
| US9972158B2 (en) * | 2016-10-01 | 2018-05-15 | Cantaloupe Systems, Inc. | Method and device of automatically determining a planogram in vending |
| US20180181569A1 (en) * | 2016-12-22 | 2018-06-28 | A9.Com, Inc. | Visual category representation with diverse ranking |
-
2018
- 2018-12-29 CN CN201811638179.8A patent/CN111382635B/zh active Active
-
2019
- 2019-10-22 WO PCT/CN2019/112523 patent/WO2020134411A1/zh active Application Filing
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8489689B1 (en) * | 2006-05-31 | 2013-07-16 | Proofpoint, Inc. | Apparatus and method for obfuscation detection within a spam filtering model |
| CN106255966A (zh) * | 2014-04-30 | 2016-12-21 | 谷歌公司 | 使用店面辨识来识别待考察实体 |
| CN106354735A (zh) * | 2015-07-22 | 2017-01-25 | 杭州海康威视数字技术股份有限公司 | 一种图像中目标的检索方法和装置 |
| CN106547744A (zh) * | 2015-09-16 | 2017-03-29 | 杭州海康威视数字技术股份有限公司 | 一种图像检索方法及系统 |
| CN106886795A (zh) * | 2017-02-17 | 2017-06-23 | 北京维弦科技有限责任公司 | 基于图像中的显著物体的物体识别方法 |
| CN106960214A (zh) * | 2017-02-17 | 2017-07-18 | 北京维弦科技有限责任公司 | 基于图像的物体识别方法 |
| CN107622397A (zh) * | 2017-08-07 | 2018-01-23 | 深圳益强信息科技有限公司 | 商标监测方法及系统 |
| CN107908685A (zh) * | 2017-10-31 | 2018-04-13 | 西安交通大学 | 基于迁移学习的多视角商品图像检索与识别方法 |
| CN108764068A (zh) * | 2018-05-08 | 2018-11-06 | 北京大米科技有限公司 | 一种图像识别方法和装置 |
| CN109035579A (zh) * | 2018-06-29 | 2018-12-18 | 深圳和而泰数据资源与云技术有限公司 | 一种商品识别方法、无人售货机及计算机可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020134411A1 (zh) | 2020-07-02 |
| CN111382635A (zh) | 2020-07-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111382635B (zh) | 一种商品类别识别方法、装置及电子设备 | |
| CN108335408B (zh) | 用于自动售货机的物品识别方法、装置、系统及存储介质 | |
| CN108549870B (zh) | 一种对物品陈列进行鉴别的方法及装置 | |
| CN108985199B (zh) | 商品取放操作的检测方法、装置及存储介质 | |
| US20140270361A1 (en) | Computer-based method and system of dynamic category object recognition | |
| 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 | |
| CN109685528A (zh) | 基于深度学习检测仿冒产品的系统和方法 | |
| CN107918767B (zh) | 目标检测方法、装置、电子设备及计算机可读介质 | |
| CN111340126A (zh) | 物品识别方法、装置、计算机设备和存储介质 | |
| CN110033027A (zh) | 一种物品识别方法、装置、终端及可读存储介质 | |
| CN111325151A (zh) | 展示优先级的获取方法、装置、终端及计算机可读介质 | |
| JP6904430B2 (ja) | 情報処理装置、制御方法、及びプログラム | |
| CN111222558B (zh) | 图像处理方法及存储介质 | |
| CN112364702A (zh) | 一种物品核验方法及装置 | |
| CN111222377B (zh) | 一种商品信息确定方法、装置及电子设备 | |
| CN111242094A (zh) | 商品识别方法、智能货柜及智能货柜系统 | |
| CN114359819A (zh) | 图像处理方法、装置、设备、存储介质及计算机程序产品 | |
| CN109740646B (zh) | 一种图像差异比对方法及其系统、电子装置 | |
| CN112700002A (zh) | 图神经网络的训练方法、装置、电子设备及可读存储介质 | |
| CN113569070A (zh) | 图像检测方法和装置、电子设备、存储介质 | |
| CN106446902B (zh) | 非文字图像识别方法和装置 | |
| CN109992691A (zh) | 一种图像识别方法和装置 | |
| CN115953635B (zh) | 一种多类别目标物的分拣方法、ar眼镜和系统 | |
| US11501320B2 (en) | System and method for handbag authentication | |
| CN110969119A (zh) | 一种行为识别方法 |
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 |