CN111860371A - 一种商品种类、数量及纯净度检测的方法及其冰柜 - Google Patents
一种商品种类、数量及纯净度检测的方法及其冰柜 Download PDFInfo
- Publication number
- CN111860371A CN111860371A CN202010724481.6A CN202010724481A CN111860371A CN 111860371 A CN111860371 A CN 111860371A CN 202010724481 A CN202010724481 A CN 202010724481A CN 111860371 A CN111860371 A CN 111860371A
- Authority
- CN
- China
- Prior art keywords
- image
- commodities
- area
- freezer
- 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 38
- 238000002372 labelling Methods 0.000 claims abstract description 8
- 230000011218 segmentation Effects 0.000 claims description 34
- 239000003086 colorant Substances 0.000 claims description 20
- 238000001514 detection method Methods 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 239000011521 glass Substances 0.000 description 6
- 230000008901 benefit Effects 0.000 description 3
- 235000013361 beverage Nutrition 0.000 description 3
- 241000531116 Blitum bonus-henricus Species 0.000 description 1
- 235000008645 Chenopodium bonus henricus Nutrition 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000013410 fast food Nutrition 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明专利属于商品冰柜展示技术领域,特指一种商品种类、数量及纯净度检测的方法及其冷柜,包括步骤(1)采集冰柜中存放商品的实时图像Isrc;步骤(2)通过训练好的实例分割模型对实时图像Isrc进行处理,步骤(3)依次在实时图像Isrc上标注指定商品区域和非指定商品区域,并输出标注后图像Idst至系统终端;该方法能够实时对图像中冰柜背景、指定商品进行像素级的分割和识别,通过计算指定商品在除去冰柜后所有商品中的占比,来得到商品的纯净度,相比现有的识别方式,其识别更为精确,且该识别方式适用于商品散乱放置的卧式冷柜以及立式冷柜,应用场景多样化。
Description
技术领域
本专利属于商品冰柜展示技术领域,特指一种商品种类、数量及纯净度检测的方法及其冷柜。
背景技术
品牌商会免费赠予冰柜给商场、超市,并要求商场、超市中冰柜必须出售或展示品牌商的商品。但在实际使用中,品牌商赠予的冰柜中常常出现非品牌商商品的情况,严重损害了这些品牌商的利益。与此同时,由于商场、超市过多,加上人员耗费等问题,品牌商难以做到实时现场监管来确保冰柜中商品的纯净度。其中,纯净度是指冰柜中品牌商商品占冰柜中所有商品的比例。
中国发明专利202010180622.2公开了一种基于图像识别技术获取冰箱纯净度的方法,包括以下步骤:(1)在基于清楚冰箱属性信息的前提下,采集对应冰箱的图像信息,将图像信息输入资产管理系统中;(2)资产管理系统根据所收集的商品图片对所采集的图像进行训练,识别出图片中的商品,之后辨别出位于冰箱内部的商品;(3)从区分的商品中获取商品的宽度信息,并进一步获得所识别的所有商品的总长度,将所获得的所有商品的总长度与冰箱可摆放商品的总长度的比值作为冰箱的纯净度。
该对比文件存在以下缺陷,该对比文件是通过计算商品的总长度与冰箱可摆放商品的总长度的比值进行检测冰柜中的商品纯净度的;现有的冰柜包括立柜和横柜,立柜通常用于放置罐装饮品,这些饮品都具有固定的形状从而便于检测其长度数据;但是该对比文件不适用于横柜,其一在于在不做整理的情况下,横柜中的商品通常是无规则的摆放在横柜中的,而且横柜中会摆放一些无规则轮廓的产品,例如冰棍、冰冻速食一类产品,上述原因会影响商品长度的检测,从而影响纯净度的判断。现亟需一种可以在立柜、横柜中均可以应用的商品种类、数量及纯净度检测的方法。
发明内容
本发明专利的目的是提供一种结构简单,通过识别冰柜中商品的面积来计算纯净度的方法。
本发明专利的目的是这样实现的:
一种商品种类、数量及纯净度检测的方法,包括
步骤(1)采集冰柜中存放商品的实时图像Isrc;
步骤(2)通过训练好的实例分割模型对实时图像Isrc进行处理,其具体内容为:
(2-1)对实时图像Isrc进行像素级分割,得到彩色掩膜图像Imap;
(2-2)将彩色掩膜图像Imap转换为灰度图Igray;
(2-3)对灰度图Igray进行灰度阈值分割,区分指定商品区域、非指定商品区域以及冰柜区域的灰度值,得到处理后图像Itemp;
(2-4)计算得到处理后图像Itemp中指定商品区域的面积a1和非指定商品区域的面积 a2;
(2-5)计算纯净度=a2/(a1+a2);
(2-6)反馈指定商品种类、指定商品数量和冰柜的纯净度;
当纯净度小于指定纯净度的时候,还包括
步骤(3)依次在实时图像Isrc上标注指定商品区域和非指定商品区域,并输出标注后图像Idst至系统终端。
进一步地,所述步骤(2-1)中彩色掩膜图像Imap内的冰柜颜色RGB值输出为 (255,255,255),非指定商品区域a2的颜色RGB值输出为(0,0,0),指定商品区域的颜色的灰度值输出为0至255之间;
所述步骤(2-3)中将处理后图像Itemp中灰度值位于0至255之间的区域输出为128。
进一步地,所述步骤(3)包括
(3-1)赋于处理后图像Itemp中非指定商品区域(指定商品区域)以及冰柜区域相同的灰度值b1,赋于指定商品区域(非指定商品区域)灰度值b2;
(3-2)依次查找所有灰度值为b2区域的外轮廓;
(3-3)遍历所述外轮廓,计算各外轮廓的最小外接矩形;
(3-4)在图像Idst中各外轮廓上标注所述最小外接矩形;
(3-5)输出标注后图像Idst至系统终端。
进一步地,所述步骤(2)中所述实例分割模型通过深度学习算法训练得到,包括MASK R-CNN实例分割算法。
进一步地,所述实例分割模型的训练方法为:
①.在冰柜中置入若干数量及若干种类的商品,商品在冰柜中随机摆放角度、位置、堆叠状态、遮挡状态;
②.采集冰柜中商品在不同摆放状态下的n张图像Is;
③.在图像Is中扣取出不同指定商品的封闭多边形实例,并根据商品种类赋予标签:
④.在图像Is中扣取出冰柜区域的封闭多边形实例,并赋予标签:冰柜;
⑤.创建n张掩膜图,每张掩膜图与图像Is逐一对应;根据图像Is中各封闭多边形实例的所处位置,来在掩膜图中相应位置进行颜色填充,不同标签填充的颜色不同;
⑥.结合处理后的掩膜图和Is,训练用于识别商品的实例分割模型。
进一步地,所述步骤⑤中,在对掩膜图进行颜色填充后,在至少保留三种未使用的颜色。
一种冰柜,采用上述的商品种类、数量及纯净度检测的方法,包括
冰柜主体,用于放置商品,冰柜主体一侧设有用于展示商品的玻璃门;
捕捉摄像头,用于采集冰柜中存放商品的实时图像Isrc;
控制主板,用于通过上述方法处理捕捉到的图像,并在终端上输出商品种类、数量及纯净度的结果。
所述冰柜为卧式冰柜;所述冰柜上还设有用于放置所述捕捉摄像头的置物架,所述捕捉摄像头于置物架上自向下设置。
本发明专利相比现有技术突出且有益的技术效果是:
本发明提供了一种基于图像处理的商品种类、数量以及纯净度检测方法及冰柜,该方法能够实时对图像中冰柜背景、指定商品进行像素级的分割和识别,通过计算指定商品在除去冰柜后所有商品中的占比,来得到商品的纯净度;其好处在于,相比现有的识别方式,其识别更为精确,且该识别方式适用于商品散乱放置的卧式冷柜以及立式冷柜,应用场景多样化。
附图说明
图1是本专利的结构示意图;
图2是图1中A处放大图;
图3是流程示意图。
图中标号所表示的含义:
1、冰柜主体;2、玻璃门;3、捕捉摄像头;4、控制主板;5、置物架
具体实施方式
下面结合具体实施例对本发明作进一步描述:
一种商品种类、数量及纯净度检测的方法,步骤(1)采集冰柜中存放商品的实时图像 Isrc;
如图1至3所示,本实施例中,该方式应用于卧式冰柜;包括冰柜主体1,冰柜主体1中设有制冷设备,以及用于放置商品的置容腔,于置容腔上设有用于展示商品的玻璃门2,可透过该玻璃门2观察捕捉到位于冰柜内部的商品。
玻璃门2表面设有防雾贴膜,能够防止冰柜在日常使用时玻璃门2发生起雾现象,进而影响摄像头图像采集的质量。
冰柜上设有用于实时捕捉冰柜主体1中商品的图像,具体来说,所述冷柜主体上连接有置物架5,所述捕捉摄像头3设置在置物架5上,并于置物加上自向下设有,使得其摄像头对向冰柜上的玻璃门2,从而进行商品的摄像捕捉。
在该置物架5上还设有控制主板4,用于处理捕捉到的图像,通过上述识别方法进行对商品种类、数量及纯净度的检测,并在终端上输出商品种类、数量及纯净度的检测结果;本实例中,该控制主板4为一安卓主板,其终端设备可以是显示屏或是手机,
该置物架5还可以在使用的时候放置杂物,其可以增加储物空间,便于使用。
其中需要说明是,所述实例分割模型的训练方法为
①.在冰柜中置入若干数量及若干种类的商品,商品在冰柜中随机摆放角度、位置、堆叠状态、遮挡状态;
②.采集冰柜中商品在不同摆放状态下的n张图像Is;
具体来说,在采集图像Is的过程中,需要尽可能的还原商品的真实堆放情况,令摄像头采集到尽可能多的不同的照片。
③.在图像Is中扣取出不同指定商品的封闭多边形实例,并根据商品种类赋予标签和序号:
④.在图像Is中扣取出冰柜区域的封闭多边形实例,并赋予标签:冰柜;
具体来说,对于不同指定产品,采用由多个点围成的封闭多边形将图像中商品的区域给扣取出来,同时赋予每个多边形对应的标签,并在标签后添加实例的序号,序号从1开始。例如:在一副图中,存在三瓶不同饮品,在其图像中依次扣取各饮品所占的区域,并依次标注为饮品1、饮品2、饮品3。
同理对于冰柜区域,将其扣取出来的冰柜图片直接标注为冰柜。
⑤.创建n张掩膜图,每张掩膜图与图像Is逐一对应;根据图像Is中各封闭多边形实例的所处位置,来在掩膜图中相应位置进行颜色填充,不同标签填充的颜色不同;
具体来说,根据图像Is的形状大小新建出数量相同的掩膜图,且各掩膜图的RGB值初始化为(0,0,0);各掩膜图与所述Is一一对应,并根据已经在图像Is的扣取出来的封闭多边形实例所处的位置,在对应掩膜图中的对应位置填充不同RGB值的颜色,即RGB值(0,0,0)至(255,255,255)这一区间的颜色;举例,存在图像Is1,图像Is1中设有饮品1、饮品2、饮品3三个封闭多边形实例,在相应的掩膜图1中,分别在饮品1、饮品2、饮品3所处的位置填充三组不同的颜色,得到处理后的掩膜图,依次类推得到掩膜图2、掩膜图3。
上述两种标注方式分别用于对图像进行目标检测和语义分割,从而通过两种的相结合进行产品的实例分割。
进一步地,所述实例分割模型通过深度学习算法训练得到,深度学习算法包括但不限于 MASK R-CNN实例分割算法。
MASK R-CNN实例分割算法为深度学习中的一种算法,其可以用来做“目标检测”、“目标实例分割”、“目标关键点检测”。使用的时候,将上述实例图片与掩膜图输入至MASKR-CNN 实例分割算法中,来训练实例分割模型,训练好的实例分割模型用于识别实时图像Isrc中的商品。
除上述MASK R-CNN实例分割算法外,在其他实施例中还可以采用FAST R-CNN算法,但是相比起来,MASK R-CNN实例分割算法由于其构架不同,其具有高速、准确、简单直观、易于使用的优点。
接下来步骤(2)通过训练好的实例分割模型对实时图像Isrc进行处理,其具体内容为:
(2-1)将彩色掩膜图像Imap转换为灰度图Igray;
(2-2)计算得到处理后图像Itemp中指定商品区域的面积a1和非指定商品区域的面积 a2;
(2-3)对实时图像Isrc进行像素级分割,得到彩色掩膜图像Imap;
具体来说,训练后的实例分割模型不仅能够识别出商品的类别与数量,输出每个商品实例的最小外接矩形框,而且实例分割模型会对Isrc进行像素级分割,根据上述所采集的实例图以及掩膜图,得到关于Isrc的彩色掩膜图像Imap;在彩色掩膜图像Imap中,每一种颜色区域代表与标注过的类别的颜色一致,本实例中,冰柜的颜色被标注为(255,255,255),即白色,二没有被标注过的颜色被标注成(0,0,0),即黑色,而指定商品颜色为PGB值(0,0,0) 至(255,255,255)之间的颜色,其主要为了将冰柜、非指定商品与指定商品区分开来。
(2-4)对灰度图Igray进行灰度阈值分割,区分指定商品区域、非指定商品区域以及冰柜区域的灰度值,得到处理后图像Itemp;
(2-5)计算纯净度=a2/(a1+a2);
(2-6)反馈指定商品种类、指定商品数量和冰柜的纯净度
其中,阈值分割指将像素灰度值大于0且小于255的像素灰度值设为128,像素灰度值为0或者255的保持不变;128处于255、0之间,与前后两种灰度存在鲜明对比,且灰度值255与0也存在鲜明对比,从而便于使用进行识别;此时得到处理后图像Itemp,在该图像中,存在仅三种颜色,其灰度值分别为128、255、0,其中灰度值为128的区域为指定商品,灰度值为255的区域为冰柜,灰度值为0的区域为非指定商品,计算灰度值为128的区域面积以及,灰度值为0的区域面积得到面积a1和a2,通过计算面积a1与所有商品面积a1+a2的比值得到纯净度。
进一步地,当纯净度小于指定纯净度的时候,还包括
步骤(3)依次在实时图像Isrc上标注指定商品区域和非指定商品区域,并输出标注后图像Idst至系统终端。
首先,图像Idst是在捕捉到Isrc后,新建的一张与Isrc大小一致的图像Idst并克隆Isrc的数据在Idst上,再在Idst上进行标注输出;指定纯净度值一般在冰柜出场前就设置,控制主板会自动检测纯净度值,当小于指定纯净度值时,则会进行报警输出。
进一步地,所述步骤(3)包括
(3-1)赋于处理后图像Itemp中非指定商品区域(指定商品区域)以及冰柜区域相同的灰度值b1,赋于指定商品区域(非指定商品区域)灰度值b2;
(3-2)依次查找所有灰度值为b2区域的外轮廓;
(3-3)遍历所述外轮廓,计算各外轮廓的最小外接矩形;
(3-4)在图像Idst中各外轮廓上标注所述最小外接矩形;
(3-5)输出标注后图像Idst至系统终端。
在本实施例中,有两种形式,一是通过标注非指定商品区域来体现商品的纯净度情况,二是通过标注指定商品区域来体现商品的纯净度情况;而本实例中,将处理后图像Itemp中灰度值等于0的像素赋值为255,灰度值128和255的像素灰度值赋值为0,得到新图Ibin,通过轮廓查找查找所有图像Ibin所有灰度值为255区域的外轮廓C1,C2,C3…,此时遍历这些外轮廓C1,C2,C3…,计算每个轮廓包围的面积A1,A2,A3…,此时如果该面积大于Ibin图像面积的千分之一,则该区域有效,并画出该外轮廓的最小外接矩形,将该最小外接矩形在Idst依次进行标注,并用一种颜色画出,可以采用RGB值为(255,0,0)颜色标注。同时训练后的实例分割模型本身具有指定商品的识别功能,其可以直接在Idst上用不同颜色标注出每个指定商品的最小外接矩形框,最终在图像Idst上用最小外接矩形框分别标注出非指定商品和不同指定商品,通过最小外接矩形框使得输出后的图像简单了然的说明了识别情况。
进一步地,为保证在步骤(2)中可以有效将冰柜、未指定商品和指定商品区分开来,以及在步骤(3)中有不同的颜色将非指定商品的最小外接矩形框标注出来,在进行掩膜图填充的时候,所采用的填充颜色至少保留三种颜色,即将上述RGB值分别为(255,255,255)、 (0,0,0)、(255,0,0)保留进行使用;其他实施例中可以采用其他颜色进行标注,上述的颜色存在显著的差异,故应用。
上述实施例仅为本专利的较佳实施例,并非依此限制本专利的保护范围,故:凡依本专利的结构、形状、原理所做的等效变化,均应涵盖于本专利的保护范围之内。
Claims (8)
1.一种商品种类、数量及纯净度检测的方法,其特征在于:包括
步骤(1)采集冰柜中存放商品的实时图像Isrc;
步骤(2)通过训练好的实例分割模型对实时图像Isrc进行处理,其具体内容为:
(2-1)对实时图像Isrc进行像素级分割,得到彩色掩膜图像Imap;
(2-2)将彩色掩膜图像Imap转换为灰度图Igray;
(2-3)对灰度图Igray进行灰度阈值分割,区分指定商品区域、非指定商品区域以及冰柜区域的灰度值,得到处理后图像Itemp;
(2-4)计算得到处理后图像Itemp中指定商品区域的面积a1和非指定商品区域的面积a2;
(2-5)计算纯净度=a2/(a1+a2);
(2-6)反馈指定商品种类、指定商品数量和冰柜的纯净度;
当纯净度小于指定纯净度的时候,还包括
步骤(3)依次在实时图像Isrc上标注指定商品区域和非指定商品区域,并输出标注后图像Idst至系统终端。
2.根据权利要求1所述的一种商品种类、数量及纯净度检测的方法,其特征在于:
所述步骤(2-1)中彩色掩膜图像Imap内的冰柜颜色RGB值输出为(255,255,255),非指定商品区域a2的颜色RGB值输出为(0,0,0),指定商品区域的颜色的灰度值输出为0至255之间;
所述步骤(2-3)中将处理后图像Itemp中灰度值位于0至255之间的区域输出为128。
3.根据权利要求1所述的商品种类、数量及纯净度检测的方法,其特征在于:所述步骤(3)包括
(3-1)赋于处理后图像Itemp中非指定商品区域(指定商品区域)以及冰柜区域相同的灰度值b1,赋于指定商品区域(非指定商品区域)灰度值b2;
(3-2)依次查找所有灰度值为b2区域的外轮廓;
(3-3)遍历所述外轮廓,计算各外轮廓的最小外接矩形;
(3-4)在图像Idst中各外轮廓上标注所述最小外接矩形;
(3-5)输出标注后图像Idst至系统终端。
4.根据权利要求1所述的商品种类、数量及纯净度检测的方法,其特征在于:所述步骤(2)中所述实例分割模型通过深度学习算法训练得到,包括MASK R-CNN实例分割算法。
5.根据权利要求1所述的一种商品种类、数量及纯净度检测的方法,其特征在于:所述实例分割模型的训练方法为:
①.在冰柜中置入若干数量及若干种类的商品,商品在冰柜中随机摆放角度、位置、堆叠状态、遮挡状态;
②.采集冰柜中商品在不同摆放状态下的n张图像Is;
③.在图像Is中扣取出不同指定商品的封闭多边形实例,并根据商品种类赋予标签:
④.在图像Is中扣取出冰柜区域的封闭多边形实例,并赋予标签:冰柜;
⑤.创建n张掩膜图,每张掩膜图与图像Is逐一对应;根据图像Is中各封闭多边形实例的所处位置,来在掩膜图中相应位置进行颜色填充,不同标签填充的颜色不同;
⑥.结合处理后的掩膜图和Is,训练用于识别商品的实例分割模型。
6.根据权利要求5所述的一种商品种类、数量及纯净度检测的方法,其特征在于:所述步骤⑤中,在对掩膜图进行颜色填充后,至少保留三种未使用的颜色。
7.一种冰柜,其特征在于:采用如权利要求1至6中任意一项所述的商品种类、数量及纯净度检测的方法,包括
冰柜主体,用于放置商品,冰柜主体一侧设有用于展示商品的玻璃门;
捕捉摄像头,用于采集冰柜中存放商品的实时图像Isrc;
控制主板,用于通过上述方法处理捕捉到的图像,并在终端上输出商品种类、数量及纯净度的结果。
8.根据权利要求7所述的一种冰柜,其特征在于:所述冰柜为卧式冰柜;所述冰柜上还设有用于放置所述捕捉摄像头的置物架,所述捕捉摄像头于置物架上自向下设置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010724481.6A CN111860371A (zh) | 2020-07-24 | 2020-07-24 | 一种商品种类、数量及纯净度检测的方法及其冰柜 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010724481.6A CN111860371A (zh) | 2020-07-24 | 2020-07-24 | 一种商品种类、数量及纯净度检测的方法及其冰柜 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111860371A true CN111860371A (zh) | 2020-10-30 |
Family
ID=72949592
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010724481.6A Pending CN111860371A (zh) | 2020-07-24 | 2020-07-24 | 一种商品种类、数量及纯净度检测的方法及其冰柜 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111860371A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112257649A (zh) * | 2020-11-03 | 2021-01-22 | 深圳创新奇智科技有限公司 | 一种物品识别方法、模型训练方法、装置及电子设备 |
CN112580647A (zh) * | 2020-12-11 | 2021-03-30 | 湖北工业大学 | 一种面向堆叠物体的识别方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101625722A (zh) * | 2009-08-11 | 2010-01-13 | 中国农业大学 | 载物识别图像的分类方法 |
CN104867026A (zh) * | 2014-02-21 | 2015-08-26 | 北京京东尚科信息技术有限公司 | 提供商品图像的方法和系统以及输出商品图像的终端装置 |
CN108596187A (zh) * | 2018-03-30 | 2018-09-28 | 青岛海尔智能技术研发有限公司 | 商品纯净度检测方法及展示柜 |
CN109003390A (zh) * | 2018-06-29 | 2018-12-14 | 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 |
CN109977251A (zh) * | 2019-03-05 | 2019-07-05 | 武汉摩小超科技有限公司 | 一种构建基于rgb直方图特征识别商品的方法 |
CN110276260A (zh) * | 2019-05-22 | 2019-09-24 | 杭州电子科技大学 | 一种基于深度摄像头的商品检测方法 |
CN111310729A (zh) * | 2020-03-16 | 2020-06-19 | 南京掌控网络科技有限公司 | 基于图像识别技术获取冰箱纯净度的方法及资产管理系统 |
-
2020
- 2020-07-24 CN CN202010724481.6A patent/CN111860371A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101625722A (zh) * | 2009-08-11 | 2010-01-13 | 中国农业大学 | 载物识别图像的分类方法 |
CN104867026A (zh) * | 2014-02-21 | 2015-08-26 | 北京京东尚科信息技术有限公司 | 提供商品图像的方法和系统以及输出商品图像的终端装置 |
CN108596187A (zh) * | 2018-03-30 | 2018-09-28 | 青岛海尔智能技术研发有限公司 | 商品纯净度检测方法及展示柜 |
CN109003390A (zh) * | 2018-06-29 | 2018-12-14 | 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 |
CN109977251A (zh) * | 2019-03-05 | 2019-07-05 | 武汉摩小超科技有限公司 | 一种构建基于rgb直方图特征识别商品的方法 |
CN110276260A (zh) * | 2019-05-22 | 2019-09-24 | 杭州电子科技大学 | 一种基于深度摄像头的商品检测方法 |
CN111310729A (zh) * | 2020-03-16 | 2020-06-19 | 南京掌控网络科技有限公司 | 基于图像识别技术获取冰箱纯净度的方法及资产管理系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112257649A (zh) * | 2020-11-03 | 2021-01-22 | 深圳创新奇智科技有限公司 | 一种物品识别方法、模型训练方法、装置及电子设备 |
CN112580647A (zh) * | 2020-12-11 | 2021-03-30 | 湖北工业大学 | 一种面向堆叠物体的识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10410253B2 (en) | Systems and methods for dynamic digital signage based on measured customer behaviors through video analytics | |
CN111860371A (zh) | 一种商品种类、数量及纯净度检测的方法及其冰柜 | |
CN108345912A (zh) | 一种基于rgbd信息与深度学习的商品快速结算系统 | |
CN107493488A (zh) | 基于Faster R‑CNN模型的视频内容物智能植入的方法 | |
CN106991427A (zh) | 果蔬新鲜度的识别方法及装置 | |
US11880863B2 (en) | Shelf interaction methods and shelves | |
CN110008793A (zh) | 人脸识别方法、装置及设备 | |
US20210279784A1 (en) | Analysis method and system for the item on the supermarket shelf | |
CN113468914B (zh) | 一种商品纯净度的确定方法、装置及设备 | |
CN111951258A (zh) | 一种基于边缘计算的货架缺货预警分析系统及方法 | |
CN108509879B (zh) | 一种实现信息处理的方法及装置 | |
CN108459705A (zh) | 一种测试图像吸引力的方法、装置和计算机可读存储介质 | |
CN110992103A (zh) | 一种基于人脸交互的智能货柜商品促销方法 | |
CN114155453B (zh) | 冰柜商品图像识别训练方法、识别方法及占有率计算方法 | |
CN106779043A (zh) | 一种基于人头检测的计数方法 | |
WO2021091481A1 (en) | System for object identification and content quantity estimation through use of thermal and visible spectrum images | |
CN106354838B (zh) | 一种基于语义共鸣色彩的数据可视化方法 | |
CN110475046A (zh) | 一种售卖机装机阶段定位检测区域的方法 | |
CN114155374B (zh) | 冰激凌图像训练方法、检测方法及处理设备 | |
CN111444796A (zh) | 售货机器人的商品摆放判断方法及装置 | |
CN109171321A (zh) | 一种饮料冰柜视觉识别系统及识别方法 | |
CN105261019B (zh) | 一种玻璃ic的检测方法和系统 | |
CN108074248A (zh) | 一种基于图像内容的osd自动检测方法及装置 | |
US20240046699A1 (en) | Method, apparatus and system for customer group analysis, and storage medium | |
CN110175937A (zh) | 一种基于叫号器图像的顾客等待时长评估方法 |
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 |