CN111667012A - 分类结果修正方法、装置、修正设备及可读存储介质 - Google Patents

分类结果修正方法、装置、修正设备及可读存储介质 Download PDF

Info

Publication number
CN111667012A
CN111667012A CN202010526768.8A CN202010526768A CN111667012A CN 111667012 A CN111667012 A CN 111667012A CN 202010526768 A CN202010526768 A CN 202010526768A CN 111667012 A CN111667012 A CN 111667012A
Authority
CN
China
Prior art keywords
classification result
scene picture
target commodity
scene
detection frame
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.)
Granted
Application number
CN202010526768.8A
Other languages
English (en)
Other versions
CN111667012B (zh
Inventor
柯政远
李明达
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Alnnovation Guangzhou Technology Co ltd
Original Assignee
Alnnovation Guangzhou Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Alnnovation Guangzhou Technology Co ltd filed Critical Alnnovation Guangzhou Technology Co ltd
Priority to CN202010526768.8A priority Critical patent/CN111667012B/zh
Publication of CN111667012A publication Critical patent/CN111667012A/zh
Application granted granted Critical
Publication of CN111667012B publication Critical patent/CN111667012B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
    • G06Q30/0635—Processing of requisition or of purchase orders
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供一种分类结果修正方法、装置、修正设备及可读存储介质，该方法通过获取当前订单中，目标商品的第一分类结果，并获取历史订单对应的第二场景图片中，目标商品的第二分类结果，进而对第二分类结果和第一分类结果进行一致性校验，在校验不通过时，根据第二分类结果对目标商品的第一分类结果进行修正，得到修正后的目标商品的最终分类结果。这样，即利用历史订单对应的图片中该目标商品的第二分类结果来对本次识别得到的第一分类结果进行修正，从而在一定程度上提高当前订单中该目标商品的分类结果的准确性。

Description

分类结果修正方法、装置、修正设备及可读存储介质
技术领域
本申请涉及数据处理技术领域，具体而言，涉及一种分类结果修正方法、装置、修正设备及可读存储介质。
背景技术
在零售行业中，智能货柜采用深度学习技术对每层商品进行检测与识别，但是货柜中的商品受用户的摆放拿取动作以及外界光照变化等因素的影响，可能出现对同一个商品错误分类的问题。而分类错误往往会导致订单结果出错，比如用户实际购买的是A商品，由于错误的识别，导致系统认为用户实际购买的是B商品，从而给出了错误的订单结果。
发明内容
本申请实施例的目的在于提供一种分类结果修正方法、装置、修正设备及可读存储介质，用以提高系统最终输出的商品分类结果的准确性。
本申请实施例提供了一种分类结果修正方法，包括：获取当前订单中，目标商品的第一分类结果；获取历史订单对应的第二场景图片中，所述目标商品的第二分类结果；对所述第二分类结果和所述第一分类结果进行一致性校验；在校验不通过时，根据所述第二分类结果对所述目标商品的第一分类结果进行修正，得到修正后的所述目标商品的最终分类结果。
在上述实现过程中，通过获取当前订单中目标商品的第一分类结果，以及获取历史订单中目标商品的第二分类结果，进而通过对第二分类结果与第一分类结果进行一致性校验，在校验不通过时，即根据历史订单对应的第二分类结果对第一分类结果进行修正，从而在一定程度上提高当前订单中该目标商品的分类结果的准确性。
进一步地，获取历史订单对应的第二场景图片中，所述目标商品的第二分类结果，包括：获取当前订单中，用户取走所述目标商品后的第一场景图片，以及获取历史订单中，具有所述目标商品的第二场景图片；确定所述第二场景图片中，与所述第一场景图片相比发生变化的图像变化区域；从所述图像变化区域中的各检测框中，确定出所述目标商品的检测框；获取所述目标商品的检测框对应的分类结果；所述目标商品的检测框对应的分类结果为所述目标商品的第二分类结果。
在上述实现过程中，通过比对当前订单中，用户取走所述目标商品后的第一场景图片，和历史订单中具有所述目标商品的第二场景图片，可以确定出两张图片中发生变化的区域。而目标商品对应的检测框，必然是位于这发生变化的图像变化区域中，因此只需要从图像变化区域中确定出目标商品的检测框，进而获取到目标商品的检测框对应的分类结果，即可以快速得到目标商品的第二分类结果。整个过程排除了第二场景图片中不可能存在目标商品的区域，从极大地降低了对于目标商品的检测框的确定过程中的运算量，提高了运算效率。
进一步地，确定所述第二场景图片中，与所述第一场景图片相比发生变化的图像变化区域，包括：对所述第二场景图片和所述第一场景图片进行亮度调整，以使所述第二场景图片和所述第一场景图片在YUV空间的Y通道上保持亮度一致；对亮度调整后的所述第二场景图片和所述第一场景图片作差，得到差值大于预设像素阈值的像素点的集合区域；所述集合区域为所述第二场景图片中，与所述第一场景图片相比发生变化的图像变化区域。
在实际应用过程中，不同订单对应的图片被采集到的时间是不同的，比如可能一个订单对应的图片是在上午采集到的，而另一个订单对应的图片则是在晚上被采集到的。这就导致不同图片之间的光照等环境因素不同。而为了降低光照等环境因素对于图像变化区域的确定过程的影响，得到更为准确的图像变化区域，本申请实施例中可以对第二场景图片和第一场景图片进行亮度调整，以使第二场景图片和第一场景图片在YUV空间的Y通道(即亮度信息所在的通道)上保持亮度一致，从而同一亮度标准，降低光照等环境因素的影响，使得得到的图像变化区域更为准确。
进一步地，对所述第二场景图片和所述第一场景图片进行亮度调整，包括：将所述第一场景图片和第二场景图片由RGB空间转到YUV空间；按照以下公式，对所有场景图片中的Y通道数据进行调整，所述所有场景图片中包括所述第一场景图片和第二场景图片；
Figure BDA0002532245580000031
I′X＝IX-(MeanX-M)，
式中：所述M表征待调整亮度，Meani表征第i张场景图片的平均亮度，
Figure BDA0002532245580000032
表征求i从1取到n的n个Meani之和，n表征所述所有场景图片的图片总数；MeanX表征第X张场景图片的平均亮度，IX表征第X张场景图片的原始Y通道数据，I′X表征第X张场景图片的调整后的Y通道数据。
在上述实现过程中，可以将第一场景图片和第二场景图片中的亮度按照同一标准进行调整，进而有效降低光照等环境因素的影响，使得得到的图像变化区域更为准确。
进一步地，所述对亮度调整后的所述第二场景图片和所述第一场景图片做差包括：将亮度调整后的所述第二场景图片和所述第一场景图片缩小K倍；所述K为大于1的常数；获取缩小后的所述第二场景图片与所述第一场景图片的差值。
在上述实现过程中，通过对亮度调整后的所述第二场景图片和所述第一场景图片进行缩小，从而减少了图片中的像素点数量，进而就降低了运算量，提高了处理效率。
进一步地，从所述图像变化区域中的各检测框中，确定出所述目标商品的检测框，包括：获取所述目标商品在当前订单的第三场景图片中的检测框所在区域Areax；所述第三场景图片为当前订单中用户取走所述目标商品前的场景图片；分别计算所述图像变化区域中的各检测框与所述Areax的交并比；根据所述交并比，确定出所述图像变化区域中的各检测框中，所述目标商品的检测框。
应当理解的是，在实际应用中，检测模型在对图片进行检测时，会针对图片中所有的商品进行识别，从而图片中每一个商品都会存在一个检测框。而实际应用过程中影响图片的因素有许多，比如可能图片中存在购买者的身影，这就导致虽然在理想情况下，在图像变化区域中仅会存在目标商品的检测框，但是实际应用过程中可能存在图像变化区域还覆盖有其余商品的检测框的情况。因此为了确定出图像变化区域中目标商品的检测框，可以通过IOU(交并比)来进行目标商品的检测框的确定。IOU(交并比)可以反映两个检测框的重合度或相似度，据此即可以有效确定出目标商品的检测框。
进一步地，根据所述交并比，确定出所述图像变化区域中的各检测框中，所述目标商品的检测框包括：按照以下公式计算所述图像变化区域中的检测框与所述Areax的交并比：
Figure BDA0002532245580000041
Figure BDA0002532245580000042
式中：Areayi为所述图像变化区域中的第i个检测框所在区域，IOUxi(x,y)和IOUyi(x,y)为计算得到的所述图像变化区域中的第i个检测框与所述Areax的两个交并比；在所述IOUxi(x,y)和IOUyi(x,y)中的任一个大于等于预设交并比阈值时，确定所述第i个检测框为所述目标商品的检测框。
在实际应用过程中，可能存在有购买者遮挡了部分目标商品的情况。为了在第二场景图片或第三场景图片出现这种情况时，仍旧可以确定出目标商品的检测框，本申请中设定了IOU的算法如上，从而使得在IOUxi(x,y)和IOUyi(x,y)中的任一个大于等于预设交并比阈值时，即确定第i个检测框为目标商品的检测框，从而降低传统IOU测算方式对于两检测框的重合度要求，使之更适应于商品购买场景。
进一步地，获取历史订单对应的第二场景图片中，所述目标商品的第二分类结果，包括：获取在所有历史订单中的任一历史订单对应的第二场景图片中，所述目标商品的第二分类结果；对应的，对所述第二分类结果和所述第一分类结果进行一致性校验，包括：确定所述任一历史订单对应的第二分类结果，是否与所述第一分类结果一致；对应的，在校验不通过时，根据所述第二分类结果对所述目标商品的第一分类结果进行修正，包括：在所述任一历史订单对应的第二分类结果与所述第一分类结果不一致时，获取在所有历史订单中，除所述任一历史订单外的其余历史订单对应的第二场景图片中，所述目标商品的第二分类结果；根据所述任一历史订单对应的第二分类结果和所述其余历史订单对应的第二分类结果对所述目标商品的第一分类结果进行修正。
在上述实现过程中，可以仅从所有历史订单中获取一个历史订单对应的第二场景图片中，所述目标商品的第二分类结果，然后据此进行一致性校验。在校验不通过时，才获取所有历史订单中，其余历史订单对应的第二分类结果，然后基于所有第二分类结果进行修正。这样，在一致性校验结果为一致时，只需要获取一个历史订单对应的第二分类结果，从而可以有效降低运算量，提高处理效率。
进一步地，所述任一历史订单为所述当前订单的上一订单。
需要说明的是，通常当前订单的上一订单与当前订单相比，区别仅在于当前订单中被取走的目标商品。因此在上述实现过程中，取当前订单的上一订单与当前订单做分类结果的一致性校验，可以在提取图像变化区域时，使得得到的图像变化区域更小，从而减少图像变化区域内的检索框数量，降低运算量，提高处理效率。
进一步地，获取历史订单对应的第二场景图片中，所述目标商品的第二分类结果，包括：获取所有历史订单对应的第二场景图片中，所述目标商品的第二分类结果；对应的，对所述第二分类结果和所述第一分类结果进行一致性校验，包括：确定所有所述第二分类结果是否均与所述第一分类结果一致；对应的，在校验不通过时，根据所述第二分类结果对所述目标商品的第一分类结果进行修正，包括：在任一所述第二分类结果与所述第一分类结果不一致时，根据所有所述第二分类结果对所述目标商品的第一分类结果进行修正。
在上述实现过程中，所有历史订单对应的第二分类结果都会与第一分类结果进行一致性校验。在任一个第二分类结果与第一分类结果不一致时，就会进行修正。这样，可以确保修正过程的可靠性，从而避免出现漏修正的情况。
本申请实施例还提供了一种分类结果修正装置，包括：获取模块、判断模块和修正模块；所述获取模块，用于获取当前订单中，目标商品的第一分类结果，以及获取历史订单对应的第二场景图片中，所述目标商品的第二分类结果；所述判断模块，用于对所述第二分类结果和所述第一分类结果进行一致性校验；所述修正模块，用于在校验不通过时，根据所述第二分类结果对所述目标商品的第一分类结果进行修正，得到修正后的所述目标商品的最终分类结果。
上述实现过程可以根据历史订单对应的该目标商品的分类结果对当前订单的分类结果进行修正，从而在一定程度上提高当前订单中该目标商品的分类结果的准确性。
本申请实施例还提供了一种修正设备，包括：包括处理器、存储器及通信总线；所述通信总线用于实现所述处理器和存储器之间的连接通信；所述处理器用于执行存储器中存储的一个或者多个程序，以实现上述任一种的分类结果修正方法。
本申请实施例中还提供了一种可读存储介质，所述可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述任一种的分类结果修正方法。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例提供的一种分类结果修正方法的流程示意图；
图2为本申请实施例提供的一种可行的修正过程示意图；
图3为本申请实施例提供的一种图像变化区域中目标商品的分类结果的确定过程示意图；
图4为本申请实施例提供的另一种可行的修正过程示意图；
图5为本申请实施例提供的一种分类结果修正装置的结构示意图；
图6为本申请实施例提供的一种修正设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
实施例一：
在零售行业中，智能货柜采用深度学习技术对每层商品进行检测与识别。具体而言，会在能够拍摄到智能货柜中各类商品的相应位置处设置摄像装置，在用户购买商品的过程，摄像装置进行场景拍摄，并传回给后台系统。后台系统可以根据深度学习算法确定出摄像装置传回的场景图片中，各个商品对应的检测框以及各检测框对应的分类结果(即各个检测框对应的商品的类别)，然后基于摄像装置传回的用户购买前的场景图片和用户购买后的场景图片，确定出用户本次购买的商品有哪些，并生成当前订单。
但是货柜中的商品受摆放拿取与外界光照变化等影响，可能出现对同一个商品错误分类的情况。因此为了提高当前订单所输出的商品的分类结果的准确性，本申请实施例在前述采用深度学习技术进行商品类型检测的基础上，提出了一种分类结果修正方法。
参见图1所示，本申请实施例中提供的分类结果修正方法包括：
S101：获取当前订单中，目标商品的第一分类结果。
在本申请实施例中，目标商品的第一分类结果为系统根据深度学习技术进行分类检测后所得到的分类结果。
S102：获取历史订单对应的第二场景图片中，该目标商品的第二分类结果。
需要注意的是，在本申请实施例中，在获取历史订单对应的第二分类结果(为了便于表述，本申请实施例中将历史订单对应的第二场景图片中目标商品的第二分类结果，简述为历史订单对应的第二分类结果，后文相同)之前，还可以先判断是否存在历史订单。在存在历史订单时，才执行步骤S102至步骤S104，否则，可以以第一分类结果作为该目标商品的最终分类结果，不进行修正。
S103：对第二分类结果和第一分类结果进行一致性校验。
S104：在校验不通过时，根据第二分类结果对该目标商品的第一分类结果进行修正，得到修正后的该目标商品的最终分类结果。
在本申请实施例中，在校验不通过时，可以通过投票机制来实现对第一分类结果的修正。例如，可以根据各历史订单对应的第二分类结果中，处于多数分类结果来作为当前订单中该目标商品的最终分类结果。比如，共5个历史订单，在这五个历史订单对应的第二场景图片中，一个第二场景图片中的目标商品被识别为A商品，而其余4个第二场景图片中的目标商品被识别为B商品，那么可以以B商品作为该目标商品的最终分类结果。
在本申请实施例中，在校验通过时，即不需要进行修正，可以将第一分类结果作为该目标商品的最终分类结果。
需要理解的是，在本申请实施例中，历史订单可能有一个或多个。
在仅存在一个历史订单时，此时即获取该历史订单对应的第二分类结果。步骤S103中，即可依据该历史订单对应的第二分类结果确定是否与第一分类结果一致，从而实现一致性校验。相应的，在步骤S104中，在该历史订单对应的第二分类结果与第一分类结果不一致时(即校验不通过时)，依据该历史订单对应的第二分类结果对该目标商品的第一分类结果进行修正即可。
而在存在多个历史订单时，一种可行的实施方式是：
仅从所有历史订单中获取一个历史订单对应的第二分类结果。此时在步骤S103中，即可依据该历史订单对应的第二分类结果确定是否与第一分类结果一致。进而在不一致时，认为校验不通过，再获取所有历史订单中，其余各历史订单对应的第二分类结果，然后依据所有历史订单对应的第二分类结果对第一分类结果进行修正。
在存在多个历史订单时，另一种可行的实施方式是：
可以获取所有历史订单对应的第二分类结果。此时步骤S103中，至少存在两种可行的校验方式：
其一，将所有第二分类结果均与第一分类结果进行比对，确定是否一致。在所有第二分类结果中的任一个第二分类结果与第一分类结果不一致时，即校验不通过。在所有第二分类结果中均与第一分类结果一致时，校验通过。
其二，从所有第二分类结果中选择一个历史订单对应的第二分类结果，将该历史订单对应的第二分类结果与第一分类结果进行比对，确定是否一致。在一致时，校验通过。在不一致时，校验不通过。
需要注意的是，在实际应用过程中，相邻两个订单所对应的场景图片中，所发生的商品改变应该是最小的。因此在上述两可行实施方式中，可以设定所选择的那一个历史订单为当前订单的上一订单。
在本申请实施例中，要实现对于目标商品的第一分类结果的修正，那么对于历史订单对应的第二分类结果的准确获取就显得尤为重要了。但在实际应用过程中，历史订单所对应的第二场景图片中，往往会存在许多商品，那么如何从这些商品中确定出目标商品就成为了获取历史订单对应的第二分类结果的关键。
为了从历史订单所对应的第二场景图片中，确定出目标商品，进而得到目标商品的第二分类结果，在本申请实施例中，可以获取当前订单中用户取走目标商品后的第一场景图片，并获取历史订单中具有目标商品的第二场景图片。
这里需要说明的是，对于一个订单而言，其至少存在两张场景图片，一张为用户取走目标商品后的图片(本申请实施例中后文称之为关门图片，当前订单中的关门图片即为第一场景图片)，另一张为用户取走目标商品之前的图片(本申请实施例中后文称之为开门图片，当前订单中的开门图片为第三场景图片)。本申请实施例中，历史订单所对应的开门图片和关门图片中理论上都会存在有目标商品，因此可以从历史订单所对应的开门图片和关门图片中任选一张作为历史订单对应的第二场景图片。示例性的，可以以历史订单所对应的关门图片作为该历史订单对应的第二场景图片。
然后，可以基于第一场景图片，确定出第二场景图片中与第一场景图片相比发生变化的图像变化区域。
可以预见的，第一场景图片中目标商品已被用户取走，而第二场景图片中目标商品仍旧存在，因此目标商品必然存在于该图像变化区域中。此后，只需要从该图像变化区域中确定出目标商品即可。
需要说明的是，在本申请实施例中，所有被采用的场景图片可以为经过深度学习算法处理后的图片，此时所有的场景图片中都会具有各个商品对应的检测框，以及各检测框对应的分类结果。需要理解的是，在深度学习算法进行处理时，每一个检测框对应图中的一个商品，检测框所对应的分类结果就是检测框所对应的商品的分类结果。这样，在确定出第二场景图片中的图像变化区域后，图像变化区域中会存在检测框，此时只要确定出图像变化区域中哪一个检测框是目标商品的检测框即可。在识别出目标商品的检测框后即可得到历史订单中该目标商品的第二分类结果。
需要注意的是，若被采用的场景图片为不含检测框的图片，那么在确定出第二场景图片中的图像变化区域后，可以采用深度学习算法进行识别，得到图像变化区域中的各个商品对应的检测框以及各检测框对应的分类结果。
在本申请实施例中，可以通过在采用深度学习算法对当前订单中目标商品进行识别时，所确定出的目标商品在第三场景图片中的检测框来与第二场景图片中的图像变化区域中的各检测框进行IOU运算，从而确定出图像变化区域中目标商品的检测框。
在本申请实施例中，可以获取目标商品在当前订单的第三场景图片中的检测框所在区域Areax，然后分别计算图像变化区域中的各检测框与Areax的IOU，进而根据计算得到的IOU，确定出图像变化区域中的各检测框中，目标商品的检测框。
示例性的，可以按照公式
Figure BDA0002532245580000121
求取各图像变化区域中的各检测框与Areax的IOU。式中：Areayi为图像变化区域中的第i个检测框所在区域，IOUi(x,y)为计算得到的图像变化区域中的第i个检测框与Areax的IOU值，进而在IOUi(x,y)大于等于预设的第一交并比阈值时，确定第i个检测框为目标商品的检测框。
需要注意的是，在实际应用过程中，可能存在有购买者遮挡了部分目标商品的情况。而在第二场景图片或第三场景图片出现这种情况时，按照上述方式则可能会导致图像变化区域中没有检测框能够满足第一交并比阈值的要求。为此，在本申请实施例中的另一可行示例中，可以按照公式计算所述图像变化区域中的检测框与所述Areax的交并比：
Figure BDA0002532245580000122
Figure BDA0002532245580000123
式中：Areayi为图像变化区域中的第i个检测框所在区域，IOUxi(x,y)和IOUyi(x,y)为计算得到的图像变化区域中的第i个检测框与Areax的两个交并比，进而在IOUxi(x,y)和IOUyi(x,y)中的任一个大于等于预设的第二交并比阈值时，即可确定第i个检测框为目标商品的检测框。
需要理解的是，前述第一交并比阈值和第二交并比阈值可以由工程师根据实际需要进行设置。
在本申请实施例中，可以通过将第二场景图片和第一场景图片作差的方式，来确定出第二场景图片中，与第一场景图片相比发生变化的图像变化区域。例如，可以将第二场景图片和第一场景图片作差，将差值大于预设像素阈值的像素点的集合作为图像变化区域。
但是在实际应用过程中，不同订单对应的图片被采集到的时间是不同的，比如可能一个订单对应的图片是在上午采集到的，而另一个订单对应的图片则是在晚上被采集到的。这就导致不同图片之间的光照等环境因素不同。而不同的光照等因素，可能会导致直接将第二场景图片和第一场景图片作差时，即使是同一商品，但是像素点相减后的差值仍旧非常大，从而导致确定出的图像变化区域不准确或范围过大。
为此，在本申请实施例中可以先对第二场景图片和第一场景图片进行亮度调整，以使第二场景图片和第一场景图片在YUV空间的Y通道上保持亮度一致，进而对亮度调整后的第二场景图片和第一场景图片作差，得到差值大于预设像素阈值的像素点的集合区域(即第二场景图片中，与第一场景图片相比发生变化的图像变化区域)。需要理解的是，本申请实施例中让第二场景图片和第一场景图片在YUV空间的Y通道上保持亮度一致并非是将第二场景图片和第一场景图片中各像素点在YUV空间的Y通道上的数据调整为相同数据，而是将第二场景图片和第一场景图片中各像素点按照同一标准在Y通道上进行调整，相当于使得第二场景图片和第一场景图片受到了相同的外部光照因素的影响。
示例性的，首先可以将第一场景图片和第二场景图片由RGB空间转到YUV空间。然后再按照以下公式，对所有场景图片中的Y通道数据进行调整：
Figure BDA0002532245580000131
I′X＝IX-(MeanX-M)，
式中：M表征待调整亮度，Meani表征第i张场景图片的平均亮度，
Figure BDA0002532245580000132
表征求i从1取到n的n个Meani之和，n表征所有场景图片的图片总数；MeanX表征第X张场景图片的平均亮度，IX表征第X张场景图片的原始Y通道数据，I′X表征第X张场景图片的调整后的Y通道数据。
需要理解的是，在进行相减操作时，是针对每一个像素点进行相减，对于高清图片而言，其像素点数量很多，运算量较大。为此，在本申请实施例中可以将亮度调整后的第二场景图片和第一场景图片缩小K倍后，再作差，这样即可有效降低运算量。其中，K的值可以由工程师根据需要进行设置，可以设置为大于1的常数，比如设置为4。
需要注意的是，前述预设的像素阈值可以由工程师根据实际需要进行设定，本申请实施例中不做限定。
值得注意的是，在实际应用过程中会存在对商品的上货和整理等情况，在对商品进行了诸如上货或整理等会导致商品位置变化的操作后，可以将历史订单归零，以确保本申请方案可被正常执行。
本申请实施例中提供的分类结果修正方法，通过获取当前订单中目标商品的第一分类结果，以及获取历史订单中目标商品的第二分类结果，进而通过对第二分类结果与第一分类结果进行一致性校验，在校验不通过时，即根据历史订单对应的第二分类结果对第一分类结果进行修正，从而在一定程度上提高当前订单中该目标商品的分类结果的准确性。
实施例二：
本实施例在实施例一的基础上，以两种具体的修正过程对本申请的方案进行示例说明。
本申请实施例中，设历史订单有5个，依次为订单1、订单2、订单3、订单4和订单5，当前订单为订单6。
第一种，参见图2所示：
S201：获取根据深度学习算法确定出的当前订单中目标商品的第一分类结果。
在获取该第一分类结果的同时，可以获取到当前订单中，用户取走目标商品后的第一场景图片和用户取走目标商品前的第三场景图片。当然，第一场景图片和第三场景图片也可以在步骤S203中进行获取。
S202：判断是否存在历史订单，若存在，转至步骤S203，否则，转至步骤S210。
本申请实施例中设定的存在历史订单，故转至步骤S203。
S203：获取订单1至订单5的第二场景图片。
需要注意的是，订单1至订单5的第二场景图片共有5张，分别记为场景图片1至场景图片5；记第一场景图片为场景图片6。
S204：按照以下公式，对场景图片1至场景图片6进行亮度调整，得到亮度调整后的场景图片1至场景图片6。
Figure BDA0002532245580000151
I′X＝IX-(MeanX-M)，
式中：所述M表征待调整亮度，Meani表征场景图片i的平均亮度，平均亮度为场景图片中所有像素点的亮度值的平均值；
Figure BDA0002532245580000152
表征求i从1取到6的6个Meani之和；MeanX表征场景图片X的平均亮度，IX表征场景图片X的原始Y通道数据，I′X表征场景图片X的调整后的Y通道数据。
S205：将亮度调整后的场景图片1至场景图片6缩小4倍。
S206：缩小4倍后的场景图片1至场景图片5分别与缩小4倍后的场景图片6构成5对图片组，计算每一对图片组的差值，提取出场景图片1至场景图片5中差值大于预设像素阈值的像素点的集合区域。
场景图片1至场景图片5中的集合区域分别记为图像变化区域1至图像变化区域5。
S207：获取图像变化区域1至图像变化区域5中，目标商品的第二分类结果。
针对图像变化区域1至图像变化区域5，均按照图3所示的过程进行检测框确认，从而确定出各图像变化区域中目标商品的第二分类结果：
S301：按照以下公式计算图像变化区域中的各检测框，与通过深度学习算法确定出的当前订单的第三场景图片中的目标商品的检测框的交并比：
Figure BDA0002532245580000161
Figure BDA0002532245580000162
式中：Areax为第三场景图片中的目标商品的检测框所在区域，Areayi为图像变化区域中的第i个检测框所在区域，IOUxi(x,y)和IOUyi(x,y)为计算得到的两个交并比。
S302：在IOUxi(x,y)和IOUyi(x,y)中的任一个大于等于预设交并比阈值时，确定第i个检测框为目标商品的检测框。
S303：获取图像变化区域中，第i个检测框对应分类结果。
需要理解的是，第二场景图片为历史订单所对应的图片，在生成历史订单时，已通过深度学习算法进行过处理，所以第二场景图片中各商品对应的检测框以及各检测框对应的分类结果已知，在确定出第二场景图片的图像变化区域中的目标商品的检测框后，即可获取到该检测框对应分类结果，该分类结果即为目标商品的第二分类结果。
S208：判断第一分类结果是否与场景图片1至场景图片5的第二分类结果都相同。若是，转至步骤S210，否则，转至步骤S209。
S209：确定场景图片1至场景图片5所对应的5个第二分类结果中，数量最多的那一种分类结果，将该分类结果作为当前订单中目标商品的最终分类结果。
S210：将第一分类结果作为当前订单中目标商品的最终分类结果。
第二种，参见图4所示：
S401：获取根据深度学习算法确定出的当前订单中目标商品的第一分类结果。
在获取该第一分类结果的同时，可以获取到当前订单中，用户取走目标商品后的第一场景图片和用户取走目标商品前的第三场景图片。当然，第一场景图片和第三场景图片也可以在步骤S403中进行获取。
S402：判断是否存在历史订单，若存在，转至步骤S403，否则，转至步骤S411。
本申请实施例中设定的存在历史订单，故转至步骤S403。
S403：获取订单5的第二场景图片。
本示例中，记订单5的第二场景图片为场景图片5，并记第一场景图片为场景图片6。
S404：按照以下公式，对场景图片5和场景图片6进行亮度调整，得到亮度调整后的场景图片5和场景图片6。
Figure BDA0002532245580000171
I′X＝IX-(MeanX-M)，
式中：所述M表征待调整亮度，Meani表征场景图片i的平均亮度，平均亮度为场景图片中所有像素点的亮度值的平均值；
Figure BDA0002532245580000172
表征求i从1取到2的两个Meani之和；MeanX表征场景图片X的平均亮度，IX表征场景图片X的原始Y通道数据，I′X表征场景图片X的调整后的Y通道数据。
S405：将亮度调整后的场景图片5和场景图片6缩小4倍。
S406：计算缩小4倍后的场景图片5和场景图片6的差值，提取出场景图片5中差值大于预设像素阈值的像素点的集合区域。
场景图片5中的集合区域记为图像变化区域5。
S407：获取图像变化区域5中，目标商品的第二分类结果。
获取方式可按照图3所示的过程进行，此处不再赘述。
S408：判断第一分类结果是否与场景图片5的第二分类结果相同。若是，转至步骤S411，否则，转至步骤S409。
S409：获取订单1至订单4的第二场景图片，并获取订单1至订单4的第二场景图片对应的第二分类结果。
订单1至订单4的第二场景图片对应的第二分类结果的获取过程与订单5的第二场景图片对应的第二分类结果的获取过程一致，在此不再赘述。
S410：确定订单1至订单5所对应的5个第二分类结果中，数量最多的那一种分类结果，将该分类结果作为当前订单中目标商品的最终分类结果。
S411：将第一分类结果作为当前订单中目标商品的最终分类结果。
本申请实施例，通过历史订单所对应的场景图片实现了对于深度学习算法输出的分类结果的修正，提高了对图片中商品的识别正确率，可以有效避免商品受外界环境影响的错误分类。
实施例三：
基于同一发明构思，本申请实施例中还提供了一种分类结果修正装置。请参阅图5所示，图5示出了与实施例一所示的方法对应的分类结果修正装置100。应理解，分类结果修正装置100具体的功能可以参见上文中的描述，为避免重复，此处适当省略详细描述。分类结果修正装置100包括至少一个能以软件或固件的形式存储于存储器中或固化在分类结果修正装置100的操作系统中的软件功能模块。具体地：
参见图5所示，分类结果修正装置100包括：获取模块101、判断模块102和修正模块103。其中：
获取模块101，用于获取当前订单中，目标商品的第一分类结果，以及获取历史订单对应的第二场景图片中，目标商品的第二分类结果；
判断模块102，用于确定第二分类结果是否与第一分类结果一致；
修正模块103，用于在不一致时，根据第二分类结果对目标商品的第一分类结果进行修正，得到修正后的目标商品的最终分类结果。
在本申请实施例中，获取模块101具体用于获取当前订单中，用户取走目标商品后的第一场景图片，以及获取历史订单中，具有目标商品的第二场景图片；确定第二场景图片中，与第一场景图片相比发生变化的图像变化区域；从图像变化区域中的各检测框中，确定出目标商品的检测框；获取目标商品的检测框对应的分类结果；目标商品的检测框对应的分类结果为目标商品的第二分类结果。
在本申请实施例的一种可行实施方式中，获取模块101具体用于对第二场景图片和第一场景图片进行亮度调整，以使第二场景图片和第一场景图片在YUV空间的Y通道上保持亮度一致；对亮度调整后的第二场景图片和第一场景图片作差，得到差值大于预设像素阈值的像素点的集合区域；集合区域为第二场景图片中，与第一场景图片相比发生变化的图像变化区域。
在上述可行实施方式中，获取模块101具体用于将第一场景图片和第二场景图片由RGB空间转到YUV空间；按照以下公式，对所有场景图片中的Y通道数据进行调整，所有场景图片中包括第一场景图片和第二场景图片；
Figure BDA0002532245580000191
I′X＝IX-(MeanX-M)，
式中：M表征待调整亮度，Meani表征第i张场景图片的平均亮度，
Figure BDA0002532245580000192
表征求i从1取到n的n个Meani之和，n表征所有场景图片的图片总数；MeanX表征第X张场景图片的平均亮度，IX表征第X张场景图片的原始Y通道数据，I′X表征第X张场景图片的调整后的Y通道数据。
在上述可行实施方式中，获取模块101具体用于将亮度调整后的第二场景图片和第一场景图片缩小K倍；K为大于0的常数；获取缩小后的第二场景图片与第一场景图片的差值。
在本申请实施例中，获取模块101具体用于获取目标商品在当前订单的第三场景图片中的检测框所在区域Areax；第三场景图片为当前订单中用户取走目标商品前的场景图片；分别计算图像变化区域中的各检测框与Areax的交并比；根据交并比，确定出图像变化区域中的各检测框中，目标商品的检测框。
在本申请实施例中，获取模块101具体用于按照以下公式计算图像变化区域中的检测框与Areax的交并比：
Figure BDA0002532245580000201
Figure BDA0002532245580000202
式中：Areayi为图像变化区域中的第i个检测框所在区域，IOUxi(x,y)和IOUyi(x,y)为计算得到的图像变化区域中的第i个检测框与Areax的两个交并比；
在IOUxi(x,y)和IOUyi(x,y)中的任一个大于等于预设交并比阈值时，确定第i个检测框为目标商品的检测框。
在本申请实施例的一种可行实施方式中，获取模块101具体用于获取在所有历史订单中的任一历史订单对应的第二场景图片中，目标商品的第二分类结果。获取模块101还用于在修正模块103根据第二分类结果对目标商品的第一分类结果进行修正之前，获取在所有历史订单中，除任一历史订单外的其余历史订单对应的第二场景图片中，目标商品的第二分类结果；修正模块103具体用于根据任一历史订单对应的第二分类结果和其余历史订单对应的第二分类结果对目标商品的第一分类结果进行修正。
在上述可行实施方式中，该任一历史订单为当前订单的上一订单。
在本申请实施例的另一种可行实施方式中，获取模块101具体用于获取所有历史订单对应的第二场景图片中，目标商品的第二分类结果；判断模块102具体用于确定所有第二分类结果是否均与第一分类结果一致；修正模块103具体用于在任一第二分类结果与第一分类结果不一致时，根据所有第二分类结果对目标商品的第一分类结果进行修正。
需要理解的是，出于描述简洁的考量，部分实施例一中描述过的内容在本实施例中不再赘述。
实施例四：
本实施例提供了一种修正设备，参见图6所示，其包括处理器601、存储器602以及通信总线603。其中：
通信总线603用于实现处理器601和存储器602之间的连接通信。
处理器601用于执行存储器602中存储的一个或多个程序，以实现上述实施例一/二中的分类结果修正方法。
可以理解，图6所示的结构仅为示意，修正设备还可包括比图6中所示更多或者更少的组件，或者具有与图6所示不同的配置，例如还可以具有显示屏、数据输入/输出组件等部件。
本实施例还提供了一种可读存储介质，如软盘、光盘、硬盘、闪存、U盘、SD(SecureDigital Memory Card，安全数码卡)卡、MMC(Multimedia Card，多媒体卡)卡等，在该可读存储介质中存储有实现上述各个步骤的一个或者多个程序，这一个或者多个程序可被一个或者多个处理器执行，以实现上述实施例一/二中的分类结果修正方法。在此不再赘述。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
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。
在本文中，多个是指两个或两个以上。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (13)

1.一种分类结果修正方法，其特征在于，包括：
获取当前订单中，目标商品的第一分类结果；
获取历史订单对应的第二场景图片中，所述目标商品的第二分类结果；
对所述第二分类结果和所述第一分类结果进行一致性校验；
在校验不通过时，根据所述第二分类结果对所述目标商品的第一分类结果进行修正，得到修正后的所述目标商品的最终分类结果。
2.如权利要求1所述的分类结果修正方法，其特征在于，获取历史订单对应的第二场景图片中，所述目标商品的第二分类结果，包括：
获取当前订单中，用户取走所述目标商品后的第一场景图片，以及获取历史订单中，具有所述目标商品的第二场景图片；
确定所述第二场景图片中，与所述第一场景图片相比发生变化的图像变化区域；
从所述图像变化区域中的各检测框中，确定出所述目标商品的检测框；
获取所述目标商品的检测框对应的分类结果；所述目标商品的检测框对应的分类结果为所述目标商品的第二分类结果。
3.如权利要求2所述的分类结果修正方法，其特征在于，确定所述第二场景图片中，与所述第一场景图片相比发生变化的图像变化区域，包括：
对所述第二场景图片和所述第一场景图片进行亮度调整，以使所述第二场景图片和所述第一场景图片在YUV空间的Y通道上保持亮度一致；
对亮度调整后的所述第二场景图片和所述第一场景图片作差，得到差值大于预设像素阈值的像素点的集合区域；所述集合区域为所述第二场景图片中，与所述第一场景图片相比发生变化的图像变化区域。
4.如权利要求3所述的分类结果修正方法，其特征在于，对所述第二场景图片和所述第一场景图片进行亮度调整，包括：
将所述第一场景图片和第二场景图片由RGB空间转到YUV空间；
按照以下公式，对所有场景图片中的Y通道数据进行调整，所述所有场景图片中包括所述第一场景图片和第二场景图片；
Figure FDA0002532245570000021
I′X＝IX-(MeanX-M)，
式中：所述M表征待调整亮度，Meani表征第i张场景图片的平均亮度，
Figure FDA0002532245570000022
表征求i从1取到n的n个Meani之和，n表征所述所有场景图片的图片总数；MeanX表征第X张场景图片的平均亮度，IX表征第X张场景图片的原始Y通道数据，I′X表征第X张场景图片的调整后的Y通道数据。
5.如权利要求3所述的分类结果修正方法，其特征在于，所述对亮度调整后的所述第二场景图片和所述第一场景图片做差包括：
将亮度调整后的所述第二场景图片和所述第一场景图片缩小K倍；所述K为大于1的常数；
获取缩小后的所述第二场景图片与所述第一场景图片的差值。
6.如权利要求2-5任一项所述的分类结果修正方法，其特征在于，从所述图像变化区域中的各检测框中，确定出所述目标商品的检测框，包括：
获取所述目标商品在当前订单的第三场景图片中的检测框所在区域Areax；所述第三场景图片为当前订单中用户取走所述目标商品前的场景图片；
分别计算所述图像变化区域中的各检测框与所述Areax的交并比；
根据所述交并比，确定出所述图像变化区域中的各检测框中，所述目标商品的检测框。
7.如权利要求6所述的分类结果修正方法，其特征在于，根据所述交并比，确定出所述图像变化区域中的各检测框中，所述目标商品的检测框包括：
按照以下公式计算所述图像变化区域中的检测框与所述Areax的交并比：
Figure FDA0002532245570000031
Figure FDA0002532245570000032
式中：Areayi为所述图像变化区域中的第i个检测框所在区域，IOUxi(x,y)和IOUyi(x,y)为计算得到的所述图像变化区域中的第i个检测框与所述Areax的两个交并比；
在所述IOUxi(x,y)和IOUyi(x,y)中的任一个大于等于预设交并比阈值时，确定所述第i个检测框为所述目标商品的检测框。
8.如权利要求1-5任一项所述的分类结果修正方法，其特征在于，获取历史订单对应的第二场景图片中，所述目标商品的第二分类结果，包括：
获取在所有历史订单中的任一历史订单对应的第二场景图片中，所述目标商品的第二分类结果；
对应的，对所述第二分类结果和所述第一分类结果进行一致性校验，包括：
确定所述任一历史订单对应的第二分类结果，是否与所述第一分类结果一致；
对应的，在校验不通过时，根据所述第二分类结果对所述目标商品的第一分类结果进行修正，包括：
在所述任一历史订单对应的第二分类结果与所述第一分类结果不一致时，获取在所有历史订单中，除所述任一历史订单外的其余历史订单对应的第二场景图片中，所述目标商品的第二分类结果；
根据所述任一历史订单对应的第二分类结果和所述其余历史订单对应的第二分类结果对所述目标商品的第一分类结果进行修正。
9.如权利要求8所述的分类结果修正方法，其特征在于，所述任一历史订单为所述当前订单的上一订单。
10.如权利要求1-5任一项所述的分类结果修正方法，其特征在于，获取历史订单对应的第二场景图片中，所述目标商品的第二分类结果，包括：
获取所有历史订单对应的第二场景图片中，所述目标商品的第二分类结果；
对应的，对所述第二分类结果和所述第一分类结果进行一致性校验，包括：
确定所有所述第二分类结果是否均与所述第一分类结果一致；
对应的，在校验不通过时，根据所述第二分类结果对所述目标商品的第一分类结果进行修正，包括：
在任一所述第二分类结果与所述第一分类结果不一致时，根据所有所述第二分类结果对所述目标商品的第一分类结果进行修正。
11.一种分类结果修正装置，其特征在于，包括：获取模块、判断模块和修正模块；
所述获取模块，用于获取当前订单中，目标商品的第一分类结果，以及获取历史订单对应的第二场景图片中，所述目标商品的第二分类结果；
所述判断模块，用于对所述第二分类结果和所述第一分类结果进行一致性校验；
所述修正模块，用于在校验不通过时，根据所述第二分类结果对所述目标商品的第一分类结果进行修正，得到修正后的所述目标商品的最终分类结果。
12.一种修正设备，其特征在于，包括处理器、存储器及通信总线；
所述通信总线用于实现所述处理器和存储器之间的连接通信；
所述处理器用于执行存储器中存储的一个或者多个程序，以实现如权利要求1至10任一项所述的分类结果修正方法。
13.一种可读存储介质，其特征在于，所述可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1至10任一项所述的分类结果修正方法。
CN202010526768.8A 2020-06-10 2020-06-10 分类结果修正方法、装置、修正设备及可读存储介质 Active CN111667012B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010526768.8A CN111667012B (zh) 2020-06-10 2020-06-10 分类结果修正方法、装置、修正设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010526768.8A CN111667012B (zh) 2020-06-10 2020-06-10 分类结果修正方法、装置、修正设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN111667012A true CN111667012A (zh) 2020-09-15
CN111667012B CN111667012B (zh) 2023-06-06

Family

ID=72386785

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010526768.8A Active CN111667012B (zh) 2020-06-10 2020-06-10 分类结果修正方法、装置、修正设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN111667012B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117152539A (zh) * 2023-10-27 2023-12-01 浙江由由科技有限公司 基于降维特征机器校验的生鲜商品分类修正方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108648338A (zh) * 2018-04-12 2018-10-12 广州杰赛科技股份有限公司 自动售货机的商品信息采集方法、装置和售货机
CN108734162A (zh) * 2018-04-12 2018-11-02 上海扩博智能技术有限公司 商品图像中目标识别方法、系统、设备及存储介质
CN109360331A (zh) * 2017-12-29 2019-02-19 广州Tcl智能家居科技有限公司 一种基于物品识别的自动售货方法及自动售货机
CN109597858A (zh) * 2018-12-14 2019-04-09 拉扎斯网络科技（上海）有限公司 一种商户的分类方法及其装置和商户的推荐方法及其装置
WO2020001197A1 (zh) * 2018-06-29 2020-01-02 Oppo广东移动通信有限公司 图像处理方法、电子设备、计算机可读存储介质
CN110795992A (zh) * 2019-09-11 2020-02-14 北京云迹科技有限公司 训练数据的获取方法、商品识别方法及对应装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109360331A (zh) * 2017-12-29 2019-02-19 广州Tcl智能家居科技有限公司 一种基于物品识别的自动售货方法及自动售货机
CN108648338A (zh) * 2018-04-12 2018-10-12 广州杰赛科技股份有限公司 自动售货机的商品信息采集方法、装置和售货机
CN108734162A (zh) * 2018-04-12 2018-11-02 上海扩博智能技术有限公司 商品图像中目标识别方法、系统、设备及存储介质
WO2020001197A1 (zh) * 2018-06-29 2020-01-02 Oppo广东移动通信有限公司 图像处理方法、电子设备、计算机可读存储介质
CN109597858A (zh) * 2018-12-14 2019-04-09 拉扎斯网络科技（上海）有限公司 一种商户的分类方法及其装置和商户的推荐方法及其装置
CN110795992A (zh) * 2019-09-11 2020-02-14 北京云迹科技有限公司 训练数据的获取方法、商品识别方法及对应装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117152539A (zh) * 2023-10-27 2023-12-01 浙江由由科技有限公司 基于降维特征机器校验的生鲜商品分类修正方法
CN117152539B (zh) * 2023-10-27 2024-01-26 浙江由由科技有限公司 基于降维特征机器校验的生鲜商品分类修正方法

Also Published As

Publication number Publication date
CN111667012B (zh) 2023-06-06

Similar Documents

Publication Publication Date Title
US8488881B2 (en) Object segmentation at a self-checkout
CN102667810B (zh) 数字图像中的面部识别
US11699290B1 (en) Pedestrian re-identification method and apparatus based on local feature attention
US11250570B2 (en) Display rack image processing device, image processing method, and recording medium
CN111860462B (zh) 货架陈列反馈方法和装置
CN112115979B (zh) 一种红外图像和可见图像的融合方法及设备
US11861668B2 (en) Method, device, electronic apparatus and storage medium for generating order
CN111612000B (zh) 一种商品分类方法、装置、电子设备及存储介质
CN104065863A (zh) 图像处理方法及处理装置
WO2023124172A1 (zh) 商品结算处理方法、装置、终端设备及存储介质
CN108491857B (zh) 一种视域重叠的多摄像机目标匹配方法
US11430154B2 (en) Classification of change related to display rack
CN111667012A (zh) 分类结果修正方法、装置、修正设备及可读存储介质
CN111428740A (zh) 网络翻拍照片的检测方法、装置、计算机设备及存储介质
CN111160450A (zh) 一种基于神经网络的果蔬称重方法及储存介质、装置
CN114332602A (zh) 一种智能货柜的商品识别方法
CN114926464B (zh) 在双录场景下的图像质检方法、图像质检装置及系统
CN115374517A (zh) 布线软件的测试方法、装置、电子设备及存储介质
Achakir et al. An automated AI-based solution for out-of-stock detection in retail environments
CN114913118A (zh) 工业视觉检测方法、装置、电子设备以及存储介质
CN114255377A (zh) 一种智能货柜的差异商品检测分类方法
CN114581360A (zh) 光伏组件标签检测方法、装置、设备和计算机存储介质
CN112634143A (zh) 图像色彩校正模型训练方法、装置及电子设备
Dai et al. OAMatcher: An overlapping areas-based network with label credibility for robust and accurate feature matching
CN111275725B (zh) 图像的色温与色调的确定方法及装置、存储介质、终端

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