CN111931882B - 货物自动结账方法、系统及存储介质 - Google Patents

货物自动结账方法、系统及存储介质 Download PDF

Info

Publication number
CN111931882B
CN111931882B CN202010697839.0A CN202010697839A CN111931882B CN 111931882 B CN111931882 B CN 111931882B CN 202010697839 A CN202010697839 A CN 202010697839A CN 111931882 B CN111931882 B CN 111931882B
Authority
CN
China
Prior art keywords
convolution
goods
dynamic
layer
cargo
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
Application number
CN202010697839.0A
Other languages
English (en)
Other versions
CN111931882A (zh
Inventor
应自炉
王发官
宣晨
陈俊娟
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.)
Wuyi University
Original Assignee
Wuyi University
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 Wuyi University filed Critical Wuyi University
Priority to CN202010697839.0A priority Critical patent/CN111931882B/zh
Publication of CN111931882A publication Critical patent/CN111931882A/zh
Application granted granted Critical
Publication of CN111931882B publication Critical patent/CN111931882B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
    • G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device
    • G06K17/0025—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device the arrangement consisting of a wireless interrogation device in combination with a device for optically marking the record carrier
    • 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
    • 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
    • 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
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/08—Payment architectures
    • G06Q20/20—Point-of-sale [POS] network systems
    • G06Q20/208—Input by product or record sensing, e.g. weighing or scanner processing
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Accounting & Taxation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Finance (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了货物自动结账方法、系统及存储介质，其中方法包括输入货物图像，通过识别网络识别货物图像得到货物种类，根据货物种类计算货物价格；在识别网络中，使货物图像通过多个动态卷积层进行动态卷积操作，通过第一卷积层进行卷积操作，通过由多个第二卷积层组成的主胶囊层进行卷积操作，通过数字胶囊层利用动态路由法得到货物种类。通过基于动态胶囊网络的图像识别技术自动识别出货物种类，然后实现自动化结账，方便快捷，且能减少人力成本和降低犯错率。

Description

货物自动结账方法、系统及存储介质
技术领域
本发明涉及智能支付领域，特别是货物自动结账方法、系统及存储介质。
背景技术
货物结账可以通过扫描货物上的标签进行结账。但部分货物不利于贴标签，例如蔬果、肉类等。这时货物结账通常是通过人工输入货物单价以及货物的数量或重量，进而计算得到货物总价。但人工输入存在较大的错误率，而这往往容易引起客户的投诉和纠纷。
发明内容
本发明的目的在于至少解决现有技术中存在的技术问题之一，提供货物自动结账方法、系统及存储介质。
本发明解决其问题所采用的技术方案是：
本发明的第一方面，货物自动结账方法，包括以下步骤：
输入货物图像；
通过识别网络识别所述货物图像得到货物种类；
根据所述货物种类计算货物价格；
其中，在所述识别网络中，使所述货物图像通过多个动态卷积层进行动态卷积操作，通过第一卷积层进行卷积操作，通过由多个第二卷积层组成的主胶囊层进行卷积操作，通过数字胶囊层利用动态路由法得到所述货物种类。
根据本发明的第一方面，所述动态路由法包括以下步骤：
对输入量做矩阵乘法，得到第一结果；
对所述第一结果做标量加权，得到第二结果；
对所述第二结果做求和处理，得到第三结果；
对所述第三结果做非线性化处理，得到第四结果。
根据本发明的第一方面，所述通过数字胶囊层利用动态路由法得到货物种类还包括以下步骤：将所述第四结果输入至分类器得到所述货物种类。
根据本发明的第一方面，在所述输入货物图像后，还进行以下步骤：对所述货物图像进行预处理。
根据本发明的第一方面，所述卷积操作对应的公式具体为：y＝g(WTx+b)；其中，g表示激活函数，W表示第一权重矩阵，b表示偏置量。
根据本发明的第一方面，所述动态卷积操作对应的公式具体为： 其中，πk(x)表示第k个注意力权重，/>表示第二权重矩阵的转置，/>表示偏置向量。
根据本发明的第一方面，货物自动结账方法，还包括以下步骤：判断所述货物种类的正确性；若错误，将对应的所述货物图像输入至所述识别网络训练并优化所述识别网络的参数。
本发明的第二方面，货物自动结账系统，应用如本发明第一方面所述的货物自动结账方法，所述货物自动结账系统包括：
图像输入模块，用于输入货物图像；
识别网络，用于使所述货物图像通过多个动态卷积层进行动态卷积操作，通过第一卷积层进行卷积操作，通过由多个第二卷积层组成的主胶囊层进行卷积操作，通过数字胶囊层利用动态路由法得到所述货物种类；
结账模块，用于根据所述货物种类计算货物价格。
根据本发明的第二方面，所述动态卷积层有4个，每个所述动态卷积层包括第一动态卷积子层、第二动态卷积子层、第三动态卷积子层、第四动态卷积子层和聚合层；所述第一动态卷积子层具有96个第一卷积核，所述第一卷积核的大小为3x3，步长为1，填充为1；所述第二动态卷积子层具有96个第二卷积核，所述第二卷积核的大小为3x3，步长为1，填充为1，膨胀系数为1；所述第三动态卷积子层具有96个第三卷积核，所述第三卷积核的大小为3x3，步长为1，填充为2，膨胀系数为2；所述第四动态卷积子层具有96个第二卷积核，所述第二卷积核的大小为3x3，步长为1，填充为3，膨胀系数为3；所述聚合层将所述第一动态卷积子层的输出、所述第二动态卷积子层的输出、所述第三动态卷积子层的输出和所述第四动态卷积子层的输出进行聚合。
本发明的第三方面，存储介质存储有可执行指令，可执行指令能被计算机执行，使所述计算机执行如本发明第一方面所述的货物自动结账方法。
上述方案至少具有以下的有益效果是：通过基于动态胶囊网络的图像识别技术自动识别出货物种类，然后实现自动化结账，方便快捷，且能减少人力成本和降低犯错率。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
下面结合附图和实例对本发明作进一步说明。
图1是本发明实施例货物自动结账方法的流程图；
图2是本发明实施例货物自动结账系统的结构图；
图3是图2中的识别网络的结构图；
图4是动态卷积层的结构图。
具体实施方式
本部分将详细描述本发明的具体实施例，本发明之较佳实施例在附图中示出，附图的作用在于用图形补充说明书文字部分的描述，使人能够直观地、形象地理解本发明的每个技术特征和整体技术方案，但其不能理解为对本发明保护范围的限制。
在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
参照图2，本发明的一个实施例，货物自动结账系统,包括：
图像输入模块10，用于输入货物图像；
识别网络20，用于使货物图像通过多个动态卷积层101进行动态卷积操作，通过第一卷积层102进行卷积操作，通过由多个第二卷积层组成的主胶囊层103进行卷积操作，通过数字胶囊层104利用动态路由法得到货物种类；
结账模块30，用于根据货物种类计算货物价格。
在该实施例中，图像输入模块10是摄像头。客户将货物放在传送带上，相同种类的货物置于同一个包装袋内。传送带将货物传送到称重台，图像输入模块10安装在称重台上，称重台对货物称重得到货物重量。图像输入模块10对货物拍照得到货物图像。将货物图像输入至识别网络20。当然在输入至识别网络20前，通常是需要对货物图像进行预处理的，例如进行图像裁剪、图像对齐、像素优化等。
参照图3，对于识别网络20，包括4个动态卷积层101、第一卷积层102、由多个第二卷积层组成的主胶囊层103和数字胶囊层104。
参照图4，每个动态卷积层101包括第一动态卷积子层201、第二动态卷积子层202、第三动态卷积子层203、第四动态卷积子层204和聚合层205。第一动态卷积子层201具有96个第一卷积核，第一卷积核的大小为3x3，步长为1，填充为1；第二动态卷积子层202具有96个第二卷积核，第二卷积核的大小为3x3，步长为1，填充为1，膨胀系数为1；第三动态卷积子层203具有96个第三卷积核，第三卷积核的大小为3x3，步长为1，填充为2，膨胀系数为2；第四动态卷积子层204具有96个第二卷积核，第二卷积核的大小为3x3，步长为1，填充为3，膨胀系数为3。动态卷积层101还包括注意力模型206，注意力模型206由平均池化层、一个全连接层、ReLU层、另一个全连接层和softmax层组成。注意力模型206和4个动态卷积层101的卷积核叠加，将注意力值分配给4个动态卷积层101。聚合层205将第一动态卷积子层201的输出、第二动态卷积子层202的输出、第三动态卷积子层203的输出和第四动态卷积子层204的输出进行聚合。当然，聚合层205后还可以有BN层和ReLU层。
需要说明的是，第一个动态卷积层101a的输出是96张大小为224×224的特征图；第二个动态卷积层101b的输出是128张大小为112×112的特征图；第三个动态卷积层101c的输出是256张大小为56×56的特征图；第四个动态卷积层101d的输出是256张大小为28×28的特征图。
其中多个动态卷积层101对输入的货物图像作动态卷积操作，对应的公式具体为： 其中，πk(x)表示第k个注意力权重，/>表示第二权重矩阵的转置，/>表示偏置向量。
对于第一卷积层102，其具有256个大小为9x9的卷积核，步长为1，无填充和膨胀系数。后接ReLU层，输出特征图大小为20×20×256。第一卷积层102对输入作卷积操作，而卷积操作对应的公式具体为：y＝g(WTx+b)；其中，g表示激活函数，W表示第一权重矩阵，b表示偏置量。
由多个第二卷积层组成的主胶囊层103，具有32个第二卷积层，第二卷积层采用大小为9x9x256的卷积核，步长为2，则输出大小为6x6x8的特征图向量。即每一个特征图向量的维度为8，且每一维具有1152个胶囊神经元。
对于数字胶囊层104，具有多个胶囊，胶囊的数量与数字胶囊层104分类得到的货物种类的数量对应。在该实施例中，数字胶囊层104具有30个胶囊，即可以分类得到30个货物种类。每个胶囊的输出向量长度为32。数字胶囊层104采用动态路由法对输入量处理，分类得到货物种类。其中，动态路由法包括以下步骤：对输入量做矩阵乘法，得到第一结果；对第一结果做标量加权，得到第二结果；对第二结果做求和处理，得到第三结果；对第三结果做非线性化处理，得到第四结果。然后将第四结果输入至sofamax分类器得到货物种类。sofamax分类器对应的公式为：其中n取30，为该实施例中货物种类的数量。
需要说明的是，动态路由法可以通过以下的式子进行表述：
式中，i表示第l层的第i个胶囊，j表示第l+1层的第j个胶囊。Vj表示第j个胶囊输出的向量，sj表示第j个胶囊的总输入向量，表示预测向量，ui表示第i个胶囊的输出向量，cij表示耦合系数，bij初始为0。
需要说明的是，需要对识别网络20进行训练。将包含要分类的货物种类对应的多张货物图像输入到识别网络20对识别网络20进行训练，用于训练的多种货物图像已经被标记有正确的货物种类。另外，在使用过程中，同样在分类完后根据识别结果的正确性，对识别网络20进行优化。判断货物种类的正确性；若错误，将对应的货物图像输入至识别网络20训练并优化识别网络20的参数。
识别网络20的损失函数如下：即为交叉熵。
对于结账模块30，对一个包装袋内的货物识别出货物种类后，根据货物种类查询对应货物的单价，根据货物单价和货物重量得到一个包装袋内的货物的价格。合算同一批次的货物的价格得到一个客户所有货物的总价。
在该实施例中，通过基于动态胶囊网络的图像识别技术自动识别出货物种类，然后实现自动化结账，方便快捷，且能减少人力成本和降低犯错率。只需要摄像头、称重器及计算机即可完成自动结账，对硬件要求低。
参照图1，本发明的一个实施例，货物自动结账方法，包括以下步骤：
步骤S100、输入货物图像；
步骤S200、通过识别网络20识别货物图像得到货物种类；
步骤S300、根据货物种类计算货物价格；
其中，在步骤S200中，货物图像通过多个动态卷积层101进行动态卷积操作，通过第一卷积层102进行卷积操作，通过由多个第二卷积层组成的主胶囊层103进行卷积操作，通过数字胶囊层104利用动态路由法得到货物种类。
装置实施例的货物自动结账系统采用该货物自动结账方法。该货物自动结账方法的各个步骤与装置实施例的货物自动结账系统的各个模块一一对应，具有与货物自动结账系统相同的技术效果，在此不再详述。
本发明的另一个实施例，存储介质存储有可执行指令，可执行指令能被计算机执行，使计算机执行如方法实施例的货物自动结账方法。
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。
以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，都应属于本发明的保护范围。

Claims (9)

1.货物自动结账方法，其特征在于，包括以下步骤：
输入货物图像；
通过识别网络识别所述货物图像得到货物种类；
根据所述货物种类计算货物价格；
其中，在所述识别网络中，使所述货物图像通过多个动态卷积层进行动态卷积操作，通过第一卷积层进行卷积操作，通过由多个第二卷积层组成的主胶囊层进行卷积操作，通过数字胶囊层利用动态路由法得到所述货物种类；
其中，所述动态卷积操作对应的公式具体为：
0≤πk(x)≤1，
其中，πk表示第k个注意力权重，表示第二权重矩阵的转置，/>表示偏置向量。
2.根据权利要求1所述的货物自动结账方法，其特征在于，所述动态路由法包括以下步骤：
对输入量做矩阵乘法，得到第一结果；
对所述第一结果做标量加权，得到第二结果；
对所述第二结果做求和处理，得到第三结果；
对所述第三结果做非线性化处理，得到第四结果。
3.根据权利要求2所述的货物自动结账方法，其特征在于，所述通过数字胶囊层利用动态路由法得到货物种类还包括以下步骤：将所述第四结果输入至分类器得到所述货物种类。
4.根据权利要求1所述的货物自动结账方法，其特征在于，在所述输入货物图像后，还进行以下步骤：对所述货物图像进行预处理。
5.根据权利要求1所述的货物自动结账方法，其特征在于，所述卷积操作对应的公式具体为：y＝g(WTx+b)；其中，g表示激活函数，W表示第一权重矩阵，b表示偏置量。
6.根据权利要求1所述的货物自动结账方法，其特征在于，还包括以下步骤：判断所述货物种类的正确性；若错误，将对应的所述货物图像输入至所述识别网络训练并优化所述识别网络的参数。
7.货物自动结账系统，其特征在于，应用如权利要求1至6任一项所述的货物自动结账方法，所述货物自动结账系统包括：
图像输入模块，用于输入货物图像；
识别网络，用于使所述货物图像通过多个动态卷积层进行动态卷积操作，通过第一卷积层进行卷积操作，通过由多个第二卷积层组成的主胶囊层进行卷积操作，通过数字胶囊层利用动态路由法得到所述货物种类；
结账模块，用于根据所述货物种类计算货物价格。
8.根据权利要求7所述的货物自动结账系统，其特征在于，所述动态卷积层有4个，每个所述动态卷积层包括第一动态卷积子层、第二动态卷积子层、第三动态卷积子层、第四动态卷积子层和聚合层；
所述第一动态卷积子层具有96个第一卷积核，所述第一卷积核的大小为3x3，步长为1，填充为1；
所述第二动态卷积子层具有96个第二卷积核，所述第二卷积核的大小为3x3，步长为1，填充为1，膨胀系数为1；
所述第三动态卷积子层具有96个第三卷积核，所述第三卷积核的大小为3x3，步长为1，填充为2，膨胀系数为2；
所述第四动态卷积子层具有96个第二卷积核，所述第二卷积核的大小为3x3，步长为1，填充为3，膨胀系数为3；
所述聚合层将所述第一动态卷积子层的输出、所述第二动态卷积子层的输出、所述第三动态卷积子层的输出和所述第四动态卷积子层的输出进行聚合。
9.存储介质，其特征在于，所述存储介质存储有可执行指令，可执行指令能被计算机执行，使所述计算机执行如权利要求1至6任一项所述的货物自动结账方法。
CN202010697839.0A 2020-07-20 2020-07-20 货物自动结账方法、系统及存储介质 Active CN111931882B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010697839.0A CN111931882B (zh) 2020-07-20 2020-07-20 货物自动结账方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010697839.0A CN111931882B (zh) 2020-07-20 2020-07-20 货物自动结账方法、系统及存储介质

Publications (2)

Publication Number Publication Date
CN111931882A CN111931882A (zh) 2020-11-13
CN111931882B true CN111931882B (zh) 2023-07-21

Family

ID=73313479

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010697839.0A Active CN111931882B (zh) 2020-07-20 2020-07-20 货物自动结账方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN111931882B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112464792A (zh) * 2020-11-25 2021-03-09 北京航空航天大学 一种基于动态卷积的遥感图像舰船目标细粒度分类方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108764031A (zh) * 2018-04-17 2018-11-06 平安科技（深圳）有限公司 识别人脸的方法、装置、计算机设备和存储介质
WO2020087848A1 (zh) * 2018-11-01 2020-05-07 山东大学 一种基于Lora和Capsule的实时行为识别系统及其工作方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108269371B (zh) * 2017-09-27 2020-04-03 缤果可为（北京）科技有限公司 商品自动结算方法、装置、自助收银台
CN108985316B (zh) * 2018-05-24 2022-03-01 西南大学 一种改进重构网络的胶囊网络图像分类识别方法
CN110009097B (zh) * 2019-04-17 2023-04-07 电子科技大学 胶囊残差神经网络、胶囊残差神经网络的图像分类方法
CN110399827A (zh) * 2019-07-23 2019-11-01 华北电力大学（保定） 一种基于卷积神经网络的手写体数字识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108764031A (zh) * 2018-04-17 2018-11-06 平安科技（深圳）有限公司 识别人脸的方法、装置、计算机设备和存储介质
WO2020087848A1 (zh) * 2018-11-01 2020-05-07 山东大学 一种基于Lora和Capsule的实时行为识别系统及其工作方法

Also Published As

Publication number Publication date
CN111931882A (zh) 2020-11-13

Similar Documents

Publication Publication Date Title
CN111612751B (zh) 基于嵌入分组注意力模块的Tiny-yolov3网络的锂电池缺陷检测方法
CN110473083B (zh) 树状风险账户识别方法、装置、服务器及存储介质
CN108711093B (zh) 一种基于深度学习的实物租赁智能合约方法及系统
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
CN109649916B (zh) 一种智能货柜货物识别方法和装置
CN111931882B (zh) 货物自动结账方法、系统及存储介质
CN111626279A (zh) 一种负样本标注训练方法及高度自动化的票据识别方法
CN111724114A (zh) 一种基于大数据的电商商品分配物流智能管理系统
CN113506055A (zh) 物品入库方法及装置
CN116645586A (zh) 一种基于改进YOLOv5的港口集装箱损伤检测方法及系统
CN112541916B (zh) 一种基于稠密连接的废旧塑料图像分割方法
CN110163717A (zh) 一种产品推荐方法、装置、计算机可读存储介质及服务器
CN116206096A (zh) 一种铁路货车图像关键故障识别方法、装置、设备及介质
CN115761457A (zh) 商品识别方法、装置、电子设备及计算机可读介质
CN114418969A (zh) 缺陷检测方法、装置、设备及存储介质
CN111414882A (zh) 一种基于多级分辨率平衡网络的红外目标检测方法
CN113610460A (zh) 物品封装方法、装置、电子设备和计算机可读介质
CN114693402B (zh) 一种基于电子商务平台的商品销售管理方法及系统
CN114494710A (zh) 一种基于注意力YOLOv5模型的自动水果识别方法
CN116934348B (zh) 一种交易售后数据的分析方法、装置、设备以及存储介质
CN113657153B (zh) 改进EfficientNet用于安全带检测的方法
CN117115814A (zh) 智能早餐系统商品添加方法、上位机及智能早餐系统
CN114781472A (zh) 一种基于自适应卷积核的跨门店生鲜识别方法
CN115311450A (zh) 轻量化商品识别追踪系统、方法、存储介质、设备、终端
CN114049534A (zh) 图像处理方法、装置、计算机可读介质及电子设备

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