CN111768553A - 一种自动售货柜的售货方法及自动售货柜 - Google Patents
一种自动售货柜的售货方法及自动售货柜 Download PDFInfo
- Publication number
- CN111768553A CN111768553A CN201910262721.2A CN201910262721A CN111768553A CN 111768553 A CN111768553 A CN 111768553A CN 201910262721 A CN201910262721 A CN 201910262721A CN 111768553 A CN111768553 A CN 111768553A
- Authority
- CN
- China
- Prior art keywords
- picture
- sales counter
- commodity
- automatic sales
- target
- 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
Images
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Control Of Vending Devices And Auxiliary Devices For Vending Devices (AREA)
Abstract
本申请公开了一种自动售货柜的售货方法及自动售货柜。该方法包括:在检测到自动售货柜的柜门打开时,控制摄像头采集第一图片,其中,摄像头安装在自动售货柜内,第一图片为自动售货柜内全部商品的图片;在检测到自动售货柜的柜门关闭时,控制摄像头采集第二图片,其中,第二图片为自动售货柜内全部商品的图片;调用商品识别模型对第一图片与第二图片进行对比分析,确定目标商品的信息,其中,商品识别模型是预先通过自动售货柜中的商品的图片进行训练生成的模型,目标商品为被购买的商品;根据目标商品的信息确定交易扣款。通过本申请,解决了相关技术中用户通过自动售货柜进行自助购物时,操作繁琐,造成用户自助购物体验不佳的技术问题。
Description
技术领域
本申请涉及自动售货领域,具体而言,涉及一种自动售货柜的售货方法及自动售货柜。
背景技术
自动售货机是新零售的一个主要分支。自动售货机大大提升了人们的购物体验,也使得零售的成本大大减低,但是现在市面上的自动售货机需要用户在挑选商品后手动生成购物订单,并根据订单进行付款结账,因此,现在的自动收货柜的自助购物流程比较繁琐,使得用户的购物体验不高。
针对相关技术中存在的上述的问题,目前尚未提出有效的解决方案。
发明内容
本申请的主要目的在于提供一种自动售货柜的售货方法及自动售货柜,以解决了相关技术中,用户通过自动售货柜进行自助购物时,操作繁琐,造成用户自助购物体验不佳的技术问题。
为了实现上述目的,根据本申请的一个方面,提供了一种自动售货柜的售货方法。该方法包括:在检测到自动售货柜的柜门打开时,控制摄像头采集第一图片,其中,摄像头安装在自动售货柜内,第一图片为自动售货柜内全部商品的图片;在检测到自动售货柜的柜门关闭时,控制摄像头采集第二图片,其中,第二图片为自动售货柜内全部商品的图片;调用商品识别模型对第一图片与第二图片进行对比分析,确定目标商品的信息,其中,商品识别模型是预先通过自动售货柜中的商品的图片进行训练生成的模型,目标商品为被购买的商品;根据目标商品的信息确定交易扣款。
进一步地,调用商品识别模型对第一图片与第二图片进行对比分析,确定目标商品的信息之前,该方法还包括:通过深度卷积神经网络算法构建神经网络结构;获取训练样本,其中,训练样本是经过标注的图片数据集,图片数据集中的图片是摄像头视角下自动售货柜中的商品的图片;通过训练样本训练神经网络结构获得商品识别模型。
进一步地,神经网络结构包括:输入层、卷积编码网络、反卷积编码网络和像素级别分类层,其中,像素级别分类层由一个Softmax分类器组成,用于通过将输入神经网络结构的图片中不同位置的图片像素进行分类来确定图片中包含的商品种类。
进一步地,在检测到自动售货柜的柜门打开时,通过摄像头采集第一图片之前,该方法还包括:接收目标应用的绑定请求,其中,目标应用中包含有目标账户;基于绑定请求完成目标应用与自动售货柜的绑定并发送柜门打开指令;根据柜门打开指令控制自动售货柜的柜门打开。
进一步地,调用商品识别模型对第一图片与第二图片进行对比分析,确定目标商品的信息包括:将第一图片与第二图片输入商品识别模型进行对比分析;通过对比分析确定目标商品的数量与种类。
进一步地,根据目标商品的信息确定交易扣款包括:依据目标商品的数量与种类生成交易账单;根据交易账单在目标账户中进行扣款。
为了实现上述目的,根据本申请的另一方面,提供了一种自动售货柜。该自动售货柜包括:摄像头,设置在自动售货柜内,用于在检测到自动售货柜的柜门打开时,采集自动售货柜中全部商品的第一图片,在检测到自动售货柜的柜门关闭时,采集自动售货柜中全部商品的第二图片;商品识别器,用于调用商品识别模型对第一图片与第二图片进行对比分析,确定目标商品的信息,其中,商品识别模型是预先通过自动售货柜中的商品的图片进行训练生成的模型,目标商品为被购买的商品。
进一步地,商品识别器还用于接收输入的第一图片与第二图片并对比分析第一图片与第二图片,以确定目标商品的种类及数量。
进一步地,自动售货柜还包括:处理器,用于通过目标商品的种类及数量确定交易账单,并根据交易账单在目标应用中完成扣款,其中,目标应用为与自动售货柜绑定的应用。
进一步地,自动售货柜还包括:控制器,用于基于目标应用的绑定请求完成目标应用与自动售货柜的绑定,在完成绑定后控制自动售货柜的柜门打开。
通过本申请,采用以下步骤:在检测到自动售货柜的柜门打开时,控制摄像头采集第一图片,其中,摄像头安装在自动售货柜内,第一图片为自动售货柜内全部商品的图片;在检测到自动售货柜的柜门关闭时,控制摄像头采集第二图片,其中,第二图片为自动售货柜内全部商品的图片;调用商品识别模型对第一图片与第二图片进行对比分析,确定目标商品的信息,其中,商品识别模型是预先通过自动售货柜中的商品的图片进行训练生成的模型,目标商品为被购买的商品;根据目标商品的信息确定交易扣款,解决了相关技术中用户通过自动售货柜进行自助购物时,操作繁琐,造成用户自助购物体验不佳的技术问题,进而通过自动售货柜中的商品识别模型对被购买的商品进行自动识别,简化了用户操作,提高自动售货柜智能性,进而提升用户自助的购物体验的效果。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例提供的一种自动售货柜的售货方法的流程图;
图2是根据本申请实施例提供的深度卷积神经网络结构的示意图;
图3是根据本申请实施例提供的卷积编码网络的示意图;以及
图4是根据本申请实施例提供的反卷积编码网络的示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本申请方案,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清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,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,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本申请的实施例,提供了一种自动售货柜的售货方法。
图1是根据本申请实施例提供的一种自动售货柜的售货方法的流程图。如图1所示,该方法包括以下步骤:
步骤S101,在检测到自动售货柜的柜门打开时,控制摄像头采集第一图片,其中,摄像头安装在自动售货柜内,第一图片为自动售货柜内全部商品的图片。
具体地,自动售货柜中安装有摄像头,用于采集自动售货柜中的所有商品的图片。在检测到自动售货柜柜门打开时,首先控制摄像头采集图片,通过采集到的第一图片反映此时自动售货柜中存在的所有商品。
需要说明的是,自动售货柜中的摄像头因为安装的角度不同,可以是一个也可以是多个,多个摄像头通过采集的多张图片,称为第一图片,用以反映自动售货柜中的全部商品。
可选地,在检测到自动售货柜的柜门打开时,通过摄像头采集第一图片之前,该方法还包括:接收目标应用的绑定请求,其中,目标应用中包含有目标账户;基于绑定请求完成目标应用与自动售货柜的绑定并发送柜门打开指令;根据柜门打开指令控制自动售货柜的柜门打开。
具体地,在没有控制摄像头采集自动售货柜中的商品图片前,说明用户还没有通过移动终端中的应用开启自动售货柜进行自助购物。当用户开启柜门进行购物前,需要通过目标应用与自动售货柜进行绑定,请求绑定的方式可以为通过目标应用扫描售货柜上的二维码,其中,目标应用中包括用户的账户信息,例如微信、支付宝等。在目标应用与自动售货柜完成绑定后会发送绑定指令,基于绑定指令可以控制自动售货柜的柜门打开,用户可以自主选购任意想要购买的商品。
步骤S102,在检测到自动售货柜的柜门关闭时,控制摄像头采集第二图片,其中,第二图片为自动售货柜内全部商品的图片。
具体地,在检测到自动售货柜的柜门关闭时,即可确定用户自助购物完成,即用户已经拿走挑选出来需要购买的商品,此时,控制摄像头采集用户购物完毕后自动售货柜中的所有商品的图片,称为第二图片。
步骤S103,调用商品识别模型对第一图片与第二图片进行对比分析,确定目标商品的信息,其中,商品识别模型是预先通过自动售货柜中的商品的图片进行训练生成的模型,目标商品为被购买的商品。
具体地,用户自助购物完成后,已经采集到第一图片与第二图片,此时需要调用存储在自动购物柜中的商品识别模型对第一图片与第二图片进行对比分析,因为第一图片中为用户没有挑选任何商品时自动售货柜中的全部商品,第二图片中为用户拿走挑选购买的商品后的自动售货柜中的所有商品的图片,通过对比分析,确定被用户购买走的商品的信息。
可选地,调用商品识别模型对第一图片与第二图片进行对比分析,确定目标商品的信息之前,该方法还包括:通过深度卷积神经网络算法构建神经网络结构;获取训练样本,其中,训练样本是经过标注的图片数据集,图片数据集中的图片是摄像头视角下自动售货柜中的商品的图片;通过训练样本训练神经网络结构获得商品识别模型。
上述地,在调用商品识别模型对比分析第一图片与第二图片前,需要获得商品识别模型,首先需要构建一个神经网络结构,通过训练神经网络结构获得商品识别模型。
可选地,神经网络结构包括:输入层、卷积编码网络、反卷积编码网络和像素级别分类层,其中,像素级别分类层由一个Softmax分类器组成,用于通过将输入神经网络结构的图片中不同位置的图片像素进行分类来确定图片中包含的商品种类。
具体地,在商品的识别这一过程中,商品识别模型的构建主要基于深度卷积神经网络算法,首先基于深度卷积神经网络算法构建一个神经网络模型,该神经网络模型一个多层的卷积编码网络和一个对应有相同层数的反卷积神经网络组成,解码网络后面跟随一个分类层。具体结构如图2、图3、图4所示,大致可以分为输入层,卷积编码网络,反卷积解码网络,像素级别分类层(输出层),分别对应图2中的Input images、code module、decodemodule、output images。其中,Input images用来将图片输入到网络,code module是个全卷积神经网络,每层卷积层后都接有下采样层,该卷积编码神经网络结构与为物体分类而设计的VGG-19神经网络结构的亲前16层卷积神经层相似,同时抛弃了VGG-19的全连接层,这样有利于在最深层的编码器中输出高分辨率的特征图,并减少了网络的参数,从而减少网络的训练时间。与之对应的反卷积解码层decode module也有16个卷积层,所以整个神经网络结构达到了32层。最后的output images是由一个Softmax分类器组成,它用来将对应位置的像素点分类为各个类别,计算出归属于哪个类别的概率。
编码过程如图3所示,在卷积编码网络中,每一次的卷积操作都是通过3x3大小的卷积核对上一层的输出进行特征提取,然后对所提取的特征进行批正则化操作(BatchNormalization),并利用激活函数ReLu对特征进行非线性映射,再利用Dropout层使得网络中的节点以一定的概率关闭,最后进行池化操作(Pooling),统一采用最大池化(Max-Pooling)。池化后每个特征的长宽都变为原来的二分之一,最大池化可以获取图像在小空间位移变化上的平移不变性,而多个最大池化可以为分类器获得更加鲁棒性的的特征,但不断的进行池化下采样,会造成图片不断失真,边界信息丢失,并不利于图像的分割任务。所以相对应的为后续设置解码网络,为了尽可能的还原图像信息,还需要在池化的过程中记录最大特征值的索引位置。
解码的过程如图4所示,每个解码器使用池化过程记录的特征索引对输入特征进行上采样(Upsampleing),再使用一个可训练的卷积核对上采样的稀疏特征图进行卷积操作得到稠密的特征图,然后同编码过程类似,紧接着进行批正则化、ReLu激活函数。
最后的图像输出层为SoftMax分类器,单独的为每个像素进行分类,其输出的是每个像素对应的类别概率,每个像素的最大概率的分类就是预测的分类。
在该神经网络结构中,为了克服深度神经网络难以训练的缺点并加速网络的训练过程,在每个卷积层后添加批正则化层,防止了深度网络在训练过程中容易出现的梯度消失问题,有助于提高训练的收敛速度和模型精度,同时使用Dropout以防止模型出现过拟合的现象。
设计好神经网络结构后,需要对其进行训练来得到预测模型。为训练过程准备数据集,采集一些图片制作数据集,数据集拍取摄像头安装视角下的图片,并对数据集进行手工标注,将每个像素点分为不同的商品种类,为了方便计算机读取数据,通过训练样本就可以得到商品识别模型,该模型可以对输入图片进行识别。
可选地,调用商品识别模型对第一图片与第二图片进行对比分析,确定目标商品的信息包括:将第一图片与第二图片输入商品识别模型进行对比分析;通过对比分析确定目标商品的数量与种类。
通过上述描述可知,通过训练生成了成熟的商品识别模型,将采集到的第一图片与第二图片输入商品识别模型,通过商品识别模型对两种图片的识别,确定用户购买走的商品数量与种类。例如,可以确定出用户购买走了三瓶可口可乐,一瓶果粒橙。
步骤S104,根据目标商品的信息确定交易扣款。
具体地,通过上述确定的目标商品的数量与种类可以通过目标应用发生交易扣款。
可选地,根据目标商品的信息确定交易扣款包括:依据目标商品的数量与种类生成交易账单;根据交易账单在目标账户中进行扣款。
具体地,在确定用户购买走的商品的数量与种类后根据这些信息生成交易账单,生成账单后根据账单在目标应用中发生扣款。
需要说明的是,自动售货柜中的商品处会标有相应的商品价格,也可以把所有商品的价格表张贴在售货柜某处,这样用户挑选商品的时候也可以参考价格。
通过上述描述可知,对于用户来说,通过自动售货柜购物的整个自助流程,只需要利用目标应用绑定自动售货柜,从自动售货柜中挑选完商品后,关闭柜门即可,无需用户通过挑选商品手动在目标应用中生成订单才能关闭柜门结束购物,整个过程无缝衔接,十分流畅,大大提升了用户的购物体验。
本申请实施例提供的一种自动售货柜的售货方法,通过在检测到自动售货柜的柜门打开时,控制摄像头采集第一图片,其中,摄像头安装在自动售货柜内,第一图片为自动售货柜内全部商品的图片;在检测到自动售货柜的柜门关闭时,控制摄像头采集第二图片,其中,第二图片为自动售货柜内全部商品的图片;调用商品识别模型对第一图片与第二图片进行对比分析,确定目标商品的信息,其中,商品识别模型是预先通过自动售货柜中的商品的图片进行训练生成的模型,目标商品为被购买的商品;根据目标商品的信息确定交易扣款,解决了相关技术中用户通过自动售货柜进行自助购物时,操作繁琐,造成用户自助购物体验不佳的技术问题,进而通过自动售货柜中的商品识别模型对被购买的商品进行自动识别,简化了用户操作,提高自动售货柜智能性,进而提升用户自助的购物体验的效果。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例还提供了一种自动售货柜,需要说明的是,本申请实施例的一种自动售货柜可以用于执行本申请实施例所提供的一种自动售货柜的售货方法。以下对本申请实施例提供的一种自动售货柜的售货方法进行介绍。
根据本申请实施例的另一方面,提供了一种自动售货柜。该自动售货柜包括:摄像头,设置在自动售货柜内,用于在检测到自动售货柜的柜门打开时,采集自动售货柜中全部商品的第一图片,在检测到自动售货柜的柜门关闭时,采集自动售货柜中全部商品的第二图片;商品识别器,用于调用商品识别模型对第一图片与第二图片进行对比分析,确定目标商品的信息,其中,商品识别模型是预先通过自动售货柜中的商品的图片进行训练生成的模型,目标商品为被购买的商品。
可选地,商品识别器还用于接收输入的第一图片与第二图片并对比分析第一图片与第二图片,以确定目标商品的种类及数量。
可选地,自动售货柜还包括:处理器,用于通过目标商品的种类及数量确定交易账单,并根据交易账单在目标应用中完成扣款,其中,目标应用为与自动售货柜绑定的应用。
可选地,自动售货柜还包括:控制器,用于基于目标应用的绑定请求完成目标应用与自动售货柜的绑定,在完成绑定后控制自动售货柜的柜门打开。
本申请实施例提供的一种自动售货柜,通过摄像头、商品识别器,解决了相关技术中用户通过自动售货柜进行自助购物时,操作繁琐,造成用户自助购物体验不佳的技术问题,进而通过自动售货柜中的商品识别模型对被购买的商品进行自动识别,简化了用户操作,提高自动售货柜智能性,进而提升用户自助的购物体验的效果。
一种自动售货柜包括处理器和存储器,上述商品识别器等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来解决用户通过自动售货柜进行自助购物时,操作繁琐,造成用户自助购物体验不佳的技术问题。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本发明实施例提供了一种存储介质,其上存储有程序,该程序被处理器执行时实现一种自动售货柜的售货方法。
本发明实施例提供了一种处理器,处理器用于运行程序,其中,程序运行时执行一种自动售货柜的售货方法。
本发明实施例提供了一种设备,设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现以下步骤:在检测到自动售货柜的柜门打开时,控制摄像头采集第一图片,其中,摄像头安装在自动售货柜内,第一图片为自动售货柜内全部商品的图片;在检测到自动售货柜的柜门关闭时,控制摄像头采集第二图片,其中,第二图片为自动售货柜内全部商品的图片;调用商品识别模型对第一图片与第二图片进行对比分析,确定目标商品的信息,其中,商品识别模型是预先通过自动售货柜中的商品的图片进行训练生成的模型,目标商品为被购买的商品;根据目标商品的信息确定交易扣款。
可选地,调用商品识别模型对第一图片与第二图片进行对比分析,确定目标商品的信息之前,该方法还包括:通过深度卷积神经网络算法构建神经网络结构;获取训练样本,其中,训练样本是经过标注的图片数据集,图片数据集中的图片是摄像头视角下自动售货柜中的商品的图片;通过训练样本训练神经网络结构获得商品识别模型。
可选地,神经网络结构包括:输入层、卷积编码网络、反卷积编码网络和像素级别分类层,其中,像素级别分类层由一个Softmax分类器组成,用于通过将输入神经网络结构的图片中不同位置的图片像素进行分类来确定图片中包含的商品种类。
可选地,在检测到自动售货柜的柜门打开时,通过摄像头采集第一图片之前,该方法还包括:接收目标应用的绑定请求,其中,目标应用中包含有目标账户;基于绑定请求完成目标应用与自动售货柜的绑定并发送柜门打开指令;根据柜门打开指令控制自动售货柜的柜门打开。
可选地,调用商品识别模型对第一图片与第二图片进行对比分析,确定目标商品的信息包括:将第一图片与第二图片输入商品识别模型进行对比分析;通过对比分析确定目标商品的数量与种类。
可选地,根据目标商品的信息确定交易扣款包括:依据目标商品的数量与种类生成交易账单;根据交易账单在目标账户中进行扣款。本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有如下方法步骤的程序:在检测到自动售货柜的柜门打开时,控制摄像头采集第一图片,其中,摄像头安装在自动售货柜内,第一图片为自动售货柜内全部商品的图片;在检测到自动售货柜的柜门关闭时,控制摄像头采集第二图片,其中,第二图片为自动售货柜内全部商品的图片;调用商品识别模型对第一图片与第二图片进行对比分析,确定目标商品的信息,其中,商品识别模型是预先通过自动售货柜中的商品的图片进行训练生成的模型,目标商品为被购买的商品;根据目标商品的信息确定交易扣款。
可选地,调用商品识别模型对第一图片与第二图片进行对比分析,确定目标商品的信息之前,该方法还包括:通过深度卷积神经网络算法构建神经网络结构;获取训练样本,其中,训练样本是经过标注的图片数据集,图片数据集中的图片是摄像头视角下自动售货柜中的商品的图片;通过训练样本训练神经网络结构获得商品识别模型。
可选地,神经网络结构包括:输入层、卷积编码网络、反卷积编码网络和像素级别分类层,其中,像素级别分类层由一个Softmax分类器组成,用于通过将输入神经网络结构的图片中不同位置的图片像素进行分类来确定图片中包含的商品种类。
可选地,在检测到自动售货柜的柜门打开时,通过摄像头采集第一图片之前,该方法还包括:接收目标应用的绑定请求,其中,目标应用中包含有目标账户;基于绑定请求完成目标应用与自动售货柜的绑定并发送柜门打开指令;根据柜门打开指令控制自动售货柜的柜门打开。
可选地,调用商品识别模型对第一图片与第二图片进行对比分析,确定目标商品的信息包括:将第一图片与第二图片输入商品识别模型进行对比分析;通过对比分析确定目标商品的数量与种类。
可选地,根据目标商品的信息确定交易扣款包括:依据目标商品的数量与种类生成交易账单;根据交易账单在目标账户中进行扣款。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商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、商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,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理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权利要求范围之内。
Claims (10)
1.一种自动售货柜的售货方法,其特征在于,包括:
在检测到自动售货柜的柜门打开时,控制摄像头采集第一图片,其中,所述摄像头安装在所述自动售货柜内,所述第一图片为所述自动售货柜内全部商品的图片;
在检测到所述自动售货柜的柜门关闭时,控制摄像头采集第二图片,其中,所述第二图片为所述自动售货柜内全部商品的图片;
调用商品识别模型对所述第一图片与所述第二图片进行对比分析,确定目标商品的信息,其中,所述商品识别模型是预先通过自动售货柜中的商品的图片进行训练生成的模型,所述目标商品为被购买的商品;
根据所述目标商品的信息确定交易扣款。
2.根据权利要求1所述的方法,其特征在于,调用商品识别模型对所述第一图片与所述第二图片进行对比分析,确定目标商品的信息之前,所述方法还包括:
通过深度卷积神经网络算法构建神经网络结构;
获取训练样本,其中,所述训练样本是经过标注的图片数据集,所述图片数据集中的图片是所述摄像头视角下所述自动售货柜中的商品的图片;
通过所述训练样本训练所述神经网络结构获得所述商品识别模型。
3.根据权利要求2所述的方法,其特征在于,所述神经网络结构包括:输入层、卷积编码网络、反卷积编码网络和像素级别分类层,其中,所述像素级别分类层由一个Softmax分类器组成,用于通过将输入所述神经网络结构的图片中不同位置的图片像素进行分类来确定所述图片中包含的商品种类。
4.根据权利要求1所述的方法,其特征在于,在检测到自动售货柜的柜门打开时,通过摄像头采集第一图片之前,所述方法还包括:
接收目标应用的绑定请求,其中,所述目标应用中包含有目标账户;
基于所述绑定请求完成所述目标应用与所述自动售货柜的绑定并发送柜门打开指令;
根据所述柜门打开指令控制所述自动售货柜的柜门打开。
5.根据权利要求4所述的方法,其特征在于,调用商品识别模型对所述第一图片与所述第二图片进行对比分析,确定目标商品的信息包括:
将所述第一图片与所述第二图片输入所述商品识别模型进行对比分析;
通过所述对比分析确定所述目标商品的数量与种类。
6.根据权利要求5所述的方法,其特征在于,根据所述目标商品的信息确定交易扣款包括:
依据所述目标商品的数量与种类生成交易账单;
根据所述交易账单在所述目标账户中进行扣款。
7.一种自动售货柜,其特征在于,应用上述权利要求1至5中任意一项所述方法,包括:
摄像头,设置在自动售货柜内,用于在检测到所述自动售货柜的柜门打开时,采集所述自动售货柜中全部商品的第一图片,在检测到所述自动售货柜的柜门关闭时,采集所述自动售货柜中全部商品的第二图片;
商品识别器,用于调用商品识别模型对所述第一图片与所述第二图片进行对比分析,确定目标商品的信息,其中,所述商品识别模型是预先通过所述自动售货柜中的商品的图片进行训练生成的模型,所述目标商品为被购买的商品。
8.根据权利要求7所述的自动售货柜,其特征在于,所述商品识别器还用于接收输入的所述第一图片与所述第二图片并对比分析所述第一图片与所述第二图片,以确定所述目标商品的种类及数量。
9.根据权利要求8所述的自动售货柜,其特征在于,所述自动售货柜还包括:处理器,用于通过所述目标商品的种类及数量确定交易账单,并根据所述交易账单在目标应用中完成扣款,其中,所述目标应用为与所述自动售货柜绑定的应用。
10.根据权利要求9所述的自动售货柜,其特征在于,所述自动售货柜还包括:控制器,用于基于目标应用的绑定请求完成所述目标应用与所述自动售货柜的绑定,在完成绑定后控制所述自动售货柜的柜门打开。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910262721.2A CN111768553A (zh) | 2019-04-02 | 2019-04-02 | 一种自动售货柜的售货方法及自动售货柜 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910262721.2A CN111768553A (zh) | 2019-04-02 | 2019-04-02 | 一种自动售货柜的售货方法及自动售货柜 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111768553A true CN111768553A (zh) | 2020-10-13 |
Family
ID=72717963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910262721.2A Pending CN111768553A (zh) | 2019-04-02 | 2019-04-02 | 一种自动售货柜的售货方法及自动售货柜 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111768553A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112767596A (zh) * | 2021-01-08 | 2021-05-07 | 格力电器(武汉)有限公司 | 自助售货设备及其监控方法、设备、系统和存储介质 |
CN112883784A (zh) * | 2021-01-13 | 2021-06-01 | 北京每日优鲜电子商务有限公司 | 智能售货柜的立体视觉检测方法、设备和存储介质 |
CN113053027A (zh) * | 2021-02-23 | 2021-06-29 | 深兰科技(上海)有限公司 | 售货柜、售货柜的控制方法及装置 |
CN113537196A (zh) * | 2021-07-21 | 2021-10-22 | 拉扎斯网络科技(上海)有限公司 | 图片识别方法、装置、计算机设备及计算机可读存储介质 |
CN113723383A (zh) * | 2021-11-03 | 2021-11-30 | 武汉星巡智能科技有限公司 | 异视角同步识别同区域商品的订单生成方法及智能售货机 |
CN113743530A (zh) * | 2021-09-16 | 2021-12-03 | 广东佩服科技有限公司 | 一种基于动态视觉的自动售货识别方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090240572A1 (en) * | 2003-08-15 | 2009-09-24 | Rentrak Corporation | Business transaction reporting system |
CN107679573A (zh) * | 2017-09-30 | 2018-02-09 | 深圳市锐曼智能装备有限公司 | 智慧货柜的物品识别系统及其方法 |
CN108073876A (zh) * | 2016-11-14 | 2018-05-25 | 北京三星通信技术研究有限公司 | 面部解析设备和面部解析方法 |
CN108520273A (zh) * | 2018-03-26 | 2018-09-11 | 天津大学 | 一种基于目标检测的稠密小商品快速检测识别方法 |
CN108647671A (zh) * | 2018-06-28 | 2018-10-12 | 武汉市哈哈便利科技有限公司 | 一种光学标识视觉识别方法及基于该方法的无人售货柜 |
CN208384704U (zh) * | 2018-05-15 | 2019-01-15 | 南京多吃得儿电子商务有限公司 | 一种自动付款智能售货柜装置 |
CN109345735A (zh) * | 2018-10-12 | 2019-02-15 | 南京理工大学 | 一种无人售货机商品识别方法及系统 |
-
2019
- 2019-04-02 CN CN201910262721.2A patent/CN111768553A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090240572A1 (en) * | 2003-08-15 | 2009-09-24 | Rentrak Corporation | Business transaction reporting system |
CN108073876A (zh) * | 2016-11-14 | 2018-05-25 | 北京三星通信技术研究有限公司 | 面部解析设备和面部解析方法 |
CN107679573A (zh) * | 2017-09-30 | 2018-02-09 | 深圳市锐曼智能装备有限公司 | 智慧货柜的物品识别系统及其方法 |
CN108520273A (zh) * | 2018-03-26 | 2018-09-11 | 天津大学 | 一种基于目标检测的稠密小商品快速检测识别方法 |
CN208384704U (zh) * | 2018-05-15 | 2019-01-15 | 南京多吃得儿电子商务有限公司 | 一种自动付款智能售货柜装置 |
CN108647671A (zh) * | 2018-06-28 | 2018-10-12 | 武汉市哈哈便利科技有限公司 | 一种光学标识视觉识别方法及基于该方法的无人售货柜 |
CN109345735A (zh) * | 2018-10-12 | 2019-02-15 | 南京理工大学 | 一种无人售货机商品识别方法及系统 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112767596A (zh) * | 2021-01-08 | 2021-05-07 | 格力电器(武汉)有限公司 | 自助售货设备及其监控方法、设备、系统和存储介质 |
CN112883784A (zh) * | 2021-01-13 | 2021-06-01 | 北京每日优鲜电子商务有限公司 | 智能售货柜的立体视觉检测方法、设备和存储介质 |
CN113053027A (zh) * | 2021-02-23 | 2021-06-29 | 深兰科技(上海)有限公司 | 售货柜、售货柜的控制方法及装置 |
CN113537196A (zh) * | 2021-07-21 | 2021-10-22 | 拉扎斯网络科技(上海)有限公司 | 图片识别方法、装置、计算机设备及计算机可读存储介质 |
CN113743530A (zh) * | 2021-09-16 | 2021-12-03 | 广东佩服科技有限公司 | 一种基于动态视觉的自动售货识别方法 |
CN113743530B (zh) * | 2021-09-16 | 2022-07-22 | 广东佩服科技有限公司 | 一种基于动态视觉的自动售货识别方法 |
CN113723383A (zh) * | 2021-11-03 | 2021-11-30 | 武汉星巡智能科技有限公司 | 异视角同步识别同区域商品的订单生成方法及智能售货机 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111768553A (zh) | 一种自动售货柜的售货方法及自动售货柜 | |
CN109740670B (zh) | 视频分类的方法及装置 | |
CN107392218B (zh) | 一种基于图像的车辆定损方法、装置及电子设备 | |
CN109003390B (zh) | 一种商品识别方法、无人售货机及计算机可读存储介质 | |
CN108985359B (zh) | 一种商品识别方法、无人售货机及计算机可读存储介质 | |
CN108960119B (zh) | 一种用于无人售货柜的多角度视频融合的商品识别算法 | |
CN108416902B (zh) | 基于差异识别的实时物体识别方法和装置 | |
EP3910608B1 (en) | Article identification method and system, and electronic device | |
Izidio et al. | An embedded automatic license plate recognition system using deep learning | |
CN109508974B (zh) | 一种基于特征融合的购物结账系统和方法 | |
CN109979130A (zh) | 一种商品自动识别和结算售货柜、方法以及系统 | |
WO2019095884A1 (zh) | 一种基于图像识别技术的无人售货方法、装置、电子设备及计算机存储介质 | |
CN111263224B (zh) | 视频处理方法、装置及电子设备 | |
CN108198315A (zh) | 一种身份验证方法以及身份验证装置 | |
CN108108976A (zh) | 一种无人商店中刷脸支付的方法及装置 | |
CN110009800B (zh) | 一种识别方法和设备 | |
CN108256442A (zh) | 改进的从卡的数字图像中提取金融账户信息 | |
CN110033027A (zh) | 一种物品识别方法、装置、终端及可读存储介质 | |
CN113627411A (zh) | 一种基于超分辨率的商品识别与价格匹配方法及系统 | |
CN114898249B (zh) | 用于购物车内商品数量确认的方法、系统及存储介质 | |
CN111612657A (zh) | 一种客户类型识别方法、装置、电子设备及存储介质 | |
CN114943586A (zh) | 一种基于位置检测的商品推荐方法、装置及设备 | |
CN111310531B (zh) | 图像分类方法、装置、计算机设备及存储介质 | |
CN111260685B (zh) | 视频处理方法、装置及电子设备 | |
CN110929668A (zh) | 一种基于无人货架的商品检测方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201013 |
|
RJ01 | Rejection of invention patent application after publication |