CN112115906A - 基于深度学习目标检测和度量学习的开放性菜品识别方法 - Google Patents
基于深度学习目标检测和度量学习的开放性菜品识别方法 Download PDFInfo
- Publication number
- CN112115906A CN112115906A CN202011026245.3A CN202011026245A CN112115906A CN 112115906 A CN112115906 A CN 112115906A CN 202011026245 A CN202011026245 A CN 202011026245A CN 112115906 A CN112115906 A CN 112115906A
- Authority
- CN
- China
- Prior art keywords
- dish
- identification
- feature
- target detection
- method based
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/68—Food, e.g. fruit or vegetables
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于深度学习目标检测和度量学习的开放性菜品识别方法,建立特征检索库,通过度量学习训练出可提取各种类别菜品图像的特征向量并录入特征检索库的识别模型;采集菜品图像,通过目标检测网络训练出的目标检测模型将菜品图像中的菜品进行定位框选出来;将框选出来的菜品裁剪形成菜品子图,通过识别模型提取菜品子图中的特征向量与特征检索库内的特征向量进行相似度搜索,比较两特征向量的距离,获取当前菜品类别,若是判定为需要添加的新菜品类别;识别模型将提取到的新菜品类别的特征向量上传更新到特征检索库存储。可快速识别出新增加的菜品类别,实现了可实时更新菜品类别,增强食堂新加菜品的鲁棒性和灵活性。
Description
技术领域
本发明涉及图像识别技术领域,具体是基于深度学习目标检测和度量学习的开放性菜品识别方法。
背景技术
随着社会的快速发展,为了体现方便快捷,现阶段大部分的餐厅都采用了自主挑选菜品,排队进行结账。由于结账分为人工计价和自动计价,随着食客人数的增多,人工计价效率低,正确率无法得到保障等缺点就会显露出来。随着人工智能以及移动端互联网的规模急速增长,人们对于“智能化”的需求越来越大,因此近年来出现了一些自动计价方法。在餐饮行业方面,当前越来越多许高校以及大型企业的食堂,引入菜品智能识别与结算设备。
现有的基于目标检测与图像分类的菜品识别方法,其通过目标检测网络定位出菜品的具体位置,然后将各个菜品裁剪出来,再把每个菜品子图送进分类网络识别出各个菜品的类别,从而实现自动关联,快速计算价格。该种方法目标检测只负责菜品检出,虽然能够增强检测模型的泛化能力,目标检出率高。但是,图像分类网络只能做固定类别的分类任务,必须提前设定好固定类别数,即增加一个新种类的菜品,就要重新定义网络模型,从头开始训练一遍,这训练过程非常麻烦,操作复杂。
还有一种基于深度学习的菜品识别计价方法,其通过采集餐盘样本数据;使用卷积神经网络分别训练菜品模型和餐具模型;通过摄像头获取待检测的餐盘图像;通过已训练好的模型得到菜品和餐具的检测信息;对检测信息进行融合判断,得到最终结果。该种方法需要通过深度学习分别训练菜品模型和餐具模型,在识别过程中,由这两个模型分别检测得到餐盘中的菜品信息和餐具信息,在菜品信息中加入餐具信息融合判断后进行计价。这种方法需要融合餐具信息获取最后识别结果,这仍然是一种餐具依赖型的识别方法,缺乏灵活性,且同样只适合做固定类别的任务。
发明内容
本发明提供一种可以自由定义菜品类别,解决常规深度学习只能做固定类别任务的问题,可快速添加新菜品类别的基于深度学习目标检测和度量学习的开放性菜品识别方法。
本发明所述的基于深度学习目标检测和度量学习的开放性菜品识别方法,包括以下步骤:
S1,建立特征检索库,通过度量学习训练出可提取各种类别菜品图像的特征向量并录入特征检索库的识别模型;
S2,采集菜品图像,通过目标检测网络训练出的目标检测模型将菜品图像中的菜品进行定位框选出来;
S3,将框选出来的菜品裁剪形成菜品子图,通过识别模型提取菜品子图中的特征向量与特征检索库内的特征向量一一进行相似度搜索,比较两特征向量的距离,获取当前菜品类别,若未能识别出有对应菜品类别的,人工辅助判断当前菜品真实类别是否已录入特征检索库,若没有则添加新菜品类别,若有则进行价格纠正;
S4,识别模型将提取到的新菜品类别的特征向量上传更新到特征检索库存储。
所述的基于深度学习目标检测和度量学习的开放性菜品识别方法,通过度量学习训练出可学习的识别模型,在无法将目标检测模型框选出来的菜品的特征向量与特征检索库内的特征向量一一对应时,该识别模型可将未识别出的新菜品类别的特征向量上传更新到特征检索库内,因通过度量学习的识别模型是比较图像特征向量的距离,若是下一次需要识别新添加的菜品,就可判断两张图片的菜品是否属于同一类别,可快速识别出新增加的菜品类别,实现了可实时更新菜品类别,解决了常规图像识别只能做固定类别的问题,增强食堂新加菜品的鲁棒性和灵活性。
附图说明
图1为基于深度学习目标检测和度量学习的开放性菜品识别方法的步骤框图。
具体实施方式
如图1所示,一种基于深度学习目标检测和度量学习的开放性菜品识别方法,包括以下步骤:
S1,建立特征检索库,通过度量学习训练出可提取各种类别菜品图像的特征向量并录入特征检索库的识别模型;
S2,采集菜品图像,通过目标检测网络训练出的目标检测模型将菜品图像中的菜品进行定位框选出来;
S3,将框选出来的菜品裁剪形成菜品子图,通过识别模型提取菜品子图中的特征向量与特征检索库内的特征向量一一进行相似度搜索,比较两特征向量的距离,获取当前菜品类别,若未能识别出有对应菜品类别的,人工辅助判断当前菜品真实类别是否已录入特征检索库,若没有则添加新菜品类别,若有则进行价格纠正;
S4,识别模型将提取到的新菜品类别的特征向量上传更新到特征检索库存储。
所述的基于深度学习目标检测和度量学习的开放性菜品识别方法,通过度量学习训练出可学习的识别模型,在无法将目标检测模型框选出来的菜品的特征向量与特征检索库内的特征向量一一对应时,该识别模型可将未识别出的新菜品类别的特征向量上传更新到特征检索库内,因通过度量学习的识别模型是比较图像特征向量的距离,若是下一次需要识别新添加的菜品,就可判断两张图片的菜品是否属于同一类别,可快速识别出新增加的菜品类别,实现了可实时更新菜品类别,解决了常规图像识别只能做固定类别的问题,增强食堂新加菜品的鲁棒性和灵活性。
所述的基于深度学习目标检测和度量学习的开放性菜品识别方法,通过度量学习训练的识别模型包括负责早餐菜品识别的早餐识别模型和负责正餐菜品识别的正餐识别模型。通过早餐识别模型和正餐识别模型分别负责早餐和正餐的识别,可降低菜品之间的相互干扰,提高菜品识别精度,同时,分餐模型识别也有利于各个模型的更新迭代和专项优化。
所述的基于深度学习目标检测和度量学习的开放性菜品识别方法,所述步骤S2还包括以下步骤:对菜品采集连续的多帧图片,求取每一帧图片中各个菜品的中心坐标,利用曼哈顿距离公式计算连续的前后两帧图片中同一个菜品对应的中心坐标差值,直到该中心坐标差值小于设定阈值,取最后一帧图片进行菜品识别。在采集菜品图片的过程中,一般采用实时采集图像的方式,该种方式容易把手、手机等于菜品无关的干扰物拍进来,会增加模型识别的难度。另外,实时采集会导致同一笔订单中,随着菜品的移动或晃动,该订单的价格单的价格发生连续跳变,大大增加订单少算或多算的风险。对次,通过动静检测方法采集菜品图片,即当菜品被置于识别区域时,设备会对其连续采集N帧图片,对每一帧图片求取各个菜品的中心坐标(x1,y1),(x2,y2),... (xn,yn),然后使用公式,即曼哈顿距离公式(城市街区距离),计算前后两帧图片同一个菜品对应的中心坐标差值是否均小于设定阈值,若是,说明当前菜品处于稳定待识别状态,取第N帧图片进行菜品识别,获取识别结果;反之,如果前后两帧图片同一个菜品对应的中心坐标差值出现有大于设定阈值的,说明当前菜品未进入稳定待识别状态,需要从第N帧起重新对当前菜品采集图像。动静检测方法,保证了识别的图片均处于稳定状态,可获取稳定图像帧,有效解决价格跳变导致订单少算或多算问题,降低识别过程中外物干扰的风险,有利于提高菜品识别精度。
所述的基于深度学习目标检测和度量学习的开放性菜品识别方法,所述步骤S3菜品识别还包括以下步骤:目标检测模型返回菜品定位信息,裁剪各个菜品子图,对每个菜品子图分别进行随机旋转和翻转,结合亮度和对比度随机调整得到多张增强图片,使用基于度量学习训练的识别模型分别提取各个菜品对应的所有图片的特征,并求其特征均值,用求得的特征均值与特征检索库里的特征一一进行相似度计算,根据检索库中与之相似度最大的特征所对应的菜品ID,匹配菜品的类别。通过数据增强处理,能够增加训练样本的数据量,提高识别模型的泛化能力;能够增加噪声数据,提升识别模型鲁棒性。
所述的基于深度学习目标检测和度量学习的开放性菜品识别方法,还包括以下步骤:在菜品识别时,当识别到有新品增加时,及时在菜品识别界面报警提醒,转由人工进行选择更新所有菜品特征或者更新单个或多个菜品特征到特征检索库内。通过预警提醒对识别结果进行处理,可进行人工二次校验,在识别过程中可通过自由新增菜品类别或菜品纠错,更新特征向量,实现开放式菜品识别;另外通过人工二次校验还可极大减少因菜品工艺变化或其他环境因素带来的误识别问题。
Claims (5)
1.一种基于深度学习目标检测和度量学习的开放性菜品识别方法,其特征在于,包括以下步骤:
S1,建立特征检索库,通过度量学习训练出可提取各种类别菜品图像的特征向量并录入特征检索库的识别模型;
S2,采集菜品图像,通过目标检测网络训练出的目标检测模型将菜品图像中的菜品进行定位框选出来;
S3,将框选出来的菜品裁剪形成菜品子图,通过识别模型提取菜品子图中的特征向量与特征检索库内的特征向量一一进行相似度搜索,比较两特征向量的距离,获取当前菜品类别,若未能识别出有对应菜品类别的,人工辅助判断当前菜品真实类别是否已录入特征检索库,若没有则添加新菜品类别,若有则进行价格纠正;
S4,识别模型将提取到的新菜品类别的特征向量上传更新到特征检索库存储。
2.根据权利要求1所述的基于深度学习目标检测和度量学习的开放性菜品识别方法,其特征在于,通过度量学习训练的识别模型包括负责早餐菜品识别的早餐识别模型和负责正餐菜品识别的正餐识别模型。
3.根据权利要求1所述的基于深度学习目标检测和度量学习的开放性菜品识别方法,其特征在于,所述步骤S2还包括以下步骤:对菜品采集连续的多帧图片,求取每一帧图片中各个菜品的中心坐标,利用曼哈顿距离公式计算连续的前后两帧图片中同一个菜品对应的中心坐标差值,直到该中心坐标差值小于设定阈值,取最后一帧图片进行菜品识别。
4.根据权利要求1所述的基于深度学习目标检测和度量学习的开放性菜品识别方法,其特征在于,所述步骤S3菜品识别还包括以下步骤:目标检测模型返回菜品定位信息,裁剪各个菜品子图,对每个菜品子图分别进行随机旋转和翻转,结合亮度和对比度随机调整得到多张增强图片,使用基于度量学习训练的识别模型分别提取各个菜品对应的所有图片的特征,并求其特征均值,用求得的特征均值与特征检索库里的特征一一进行相似度计算,根据检索库中与之相似度最大的特征所对应的菜品ID,匹配菜品的类别。
5.根据权利要求1所述的基于深度学习目标检测和度量学习的开放性菜品识别方法,其特征在于,还包括以下步骤:在菜品识别时,当有识别到有新品增加时,及时在菜品识别界面报警提醒,转由人工进行选择更新菜品特征到特征检索库内。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011026245.3A CN112115906A (zh) | 2020-09-25 | 2020-09-25 | 基于深度学习目标检测和度量学习的开放性菜品识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011026245.3A CN112115906A (zh) | 2020-09-25 | 2020-09-25 | 基于深度学习目标检测和度量学习的开放性菜品识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112115906A true CN112115906A (zh) | 2020-12-22 |
Family
ID=73796997
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011026245.3A Pending CN112115906A (zh) | 2020-09-25 | 2020-09-25 | 基于深度学习目标检测和度量学习的开放性菜品识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112115906A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112508131A (zh) * | 2020-12-28 | 2021-03-16 | 神思电子技术股份有限公司 | 一种基于芯片和深度学习的半自动菜品样本采集方法 |
CN112784822A (zh) * | 2021-03-08 | 2021-05-11 | 口碑(上海)信息技术有限公司 | 对象识别方法、装置、电子设备、存储介质及程序产品 |
CN112800257A (zh) * | 2021-02-10 | 2021-05-14 | 上海零眸智能科技有限公司 | 一种基于以图搜图快速添加样本训练数据的方法 |
CN113033706A (zh) * | 2021-04-23 | 2021-06-25 | 广西师范大学 | 基于视觉目标检测和重识别的多源两阶段菜品识别方法 |
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 |
CN113536014A (zh) * | 2021-06-30 | 2021-10-22 | 杭州电子科技大学 | 一种融合容器信息的菜品信息检索方法 |
CN113780284A (zh) * | 2021-09-17 | 2021-12-10 | 焦点科技股份有限公司 | 一种基于目标检测和度量学习的logo检测方法 |
CN115761729A (zh) * | 2022-10-24 | 2023-03-07 | 湖北公众信息产业有限责任公司 | 一种基于深度学习的菜品精准识别方法及系统 |
CN116343198A (zh) * | 2023-04-18 | 2023-06-27 | 北京荣智震宇科技有限公司 | 一种基于多模型的菜品识别方法及设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017024963A1 (zh) * | 2015-08-11 | 2017-02-16 | 阿里巴巴集团控股有限公司 | 图像识别方法、度量学习方法、图像来源识别方法及装置 |
CN107122730A (zh) * | 2017-04-24 | 2017-09-01 | 乐金伟 | 自选餐厅自动计价方法 |
CN109376731A (zh) * | 2018-08-24 | 2019-02-22 | 北京三快在线科技有限公司 | 一种文字识别方法和装置 |
CN109871891A (zh) * | 2019-02-13 | 2019-06-11 | 深兰科技(上海)有限公司 | 一种物体识别方法、装置和存储介质 |
CN111046910A (zh) * | 2019-11-12 | 2020-04-21 | 北京三快在线科技有限公司 | 图像分类、关系网络模型训练、图像标注方法及装置 |
CN111274972A (zh) * | 2020-01-21 | 2020-06-12 | 北京妙医佳健康科技集团有限公司 | 基于度量学习的菜品识别方法及装置 |
CN111523483A (zh) * | 2020-04-24 | 2020-08-11 | 北京邮电大学 | 中餐菜品图像识别方法及装置 |
CN111680603A (zh) * | 2020-05-28 | 2020-09-18 | 浙江师范大学 | 一种菜品检测和识别方法 |
-
2020
- 2020-09-25 CN CN202011026245.3A patent/CN112115906A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017024963A1 (zh) * | 2015-08-11 | 2017-02-16 | 阿里巴巴集团控股有限公司 | 图像识别方法、度量学习方法、图像来源识别方法及装置 |
CN106446754A (zh) * | 2015-08-11 | 2017-02-22 | 阿里巴巴集团控股有限公司 | 图像识别方法、度量学习方法、图像来源识别方法及装置 |
CN107122730A (zh) * | 2017-04-24 | 2017-09-01 | 乐金伟 | 自选餐厅自动计价方法 |
CN109376731A (zh) * | 2018-08-24 | 2019-02-22 | 北京三快在线科技有限公司 | 一种文字识别方法和装置 |
CN109871891A (zh) * | 2019-02-13 | 2019-06-11 | 深兰科技(上海)有限公司 | 一种物体识别方法、装置和存储介质 |
CN111046910A (zh) * | 2019-11-12 | 2020-04-21 | 北京三快在线科技有限公司 | 图像分类、关系网络模型训练、图像标注方法及装置 |
CN111274972A (zh) * | 2020-01-21 | 2020-06-12 | 北京妙医佳健康科技集团有限公司 | 基于度量学习的菜品识别方法及装置 |
CN111523483A (zh) * | 2020-04-24 | 2020-08-11 | 北京邮电大学 | 中餐菜品图像识别方法及装置 |
CN111680603A (zh) * | 2020-05-28 | 2020-09-18 | 浙江师范大学 | 一种菜品检测和识别方法 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112508131B (zh) * | 2020-12-28 | 2023-04-07 | 神思电子技术股份有限公司 | 一种基于芯片和深度学习的半自动菜品样本采集方法 |
CN112508131A (zh) * | 2020-12-28 | 2021-03-16 | 神思电子技术股份有限公司 | 一种基于芯片和深度学习的半自动菜品样本采集方法 |
CN112800257A (zh) * | 2021-02-10 | 2021-05-14 | 上海零眸智能科技有限公司 | 一种基于以图搜图快速添加样本训练数据的方法 |
CN112784822A (zh) * | 2021-03-08 | 2021-05-11 | 口碑(上海)信息技术有限公司 | 对象识别方法、装置、电子设备、存储介质及程序产品 |
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 |
CN113033706A (zh) * | 2021-04-23 | 2021-06-25 | 广西师范大学 | 基于视觉目标检测和重识别的多源两阶段菜品识别方法 |
CN113033706B (zh) * | 2021-04-23 | 2022-04-29 | 广西师范大学 | 基于视觉检测和重识别的多源两阶段菜品识别方法 |
CN113536014A (zh) * | 2021-06-30 | 2021-10-22 | 杭州电子科技大学 | 一种融合容器信息的菜品信息检索方法 |
CN113536014B (zh) * | 2021-06-30 | 2023-09-01 | 青岛中科英泰商用系统股份有限公司 | 一种融合容器信息的菜品信息检索方法 |
CN113780284A (zh) * | 2021-09-17 | 2021-12-10 | 焦点科技股份有限公司 | 一种基于目标检测和度量学习的logo检测方法 |
CN113780284B (zh) * | 2021-09-17 | 2024-04-19 | 焦点科技股份有限公司 | 一种基于目标检测和度量学习的logo检测方法 |
CN115761729A (zh) * | 2022-10-24 | 2023-03-07 | 湖北公众信息产业有限责任公司 | 一种基于深度学习的菜品精准识别方法及系统 |
CN116343198A (zh) * | 2023-04-18 | 2023-06-27 | 北京荣智震宇科技有限公司 | 一种基于多模型的菜品识别方法及设备 |
CN116343198B (zh) * | 2023-04-18 | 2024-01-16 | 北京荣智震宇科技有限公司 | 一种基于多模型的菜品识别方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112115906A (zh) | 基于深度学习目标检测和度量学习的开放性菜品识别方法 | |
CN109948425B (zh) | 一种结构感知自注意和在线实例聚合匹配的行人搜索方法及装置 | |
CA3066029A1 (en) | Image feature acquisition | |
CN108470354A (zh) | 视频目标跟踪方法、装置和实现装置 | |
CN104615986B (zh) | 利用多检测器对场景变化的视频图像进行行人检测的方法 | |
CN108596010B (zh) | 行人重识别系统的实现方法 | |
CN111680603A (zh) | 一种菜品检测和识别方法 | |
CN112085072B (zh) | 基于时空特征信息的草图检索三维模型的跨模态检索方法 | |
CN111931703B (zh) | 基于人-物体交互弱监督标签的物体检测方法 | |
CN111241338B (zh) | 一种基于注意力机制的深度特征融合视频拷贝检测方法 | |
Shimoda et al. | Learning food image similarity for food image retrieval | |
CN108416314A (zh) | 图片重要人脸检测方法 | |
CN111275010A (zh) | 一种基于计算机视觉的行人重识别方法 | |
AU2021203869A1 (en) | Methods, devices, electronic apparatuses and storage media of image processing | |
CN116385430A (zh) | 一种机器视觉瑕疵检测方法、装置、介质及设备 | |
CN115457458A (zh) | 一种非接触式智能盘点系统和方法 | |
CN114155610B (zh) | 基于上半身姿态估计的面板装配关键动作识别方法 | |
CN115330833A (zh) | 一种改进多目标跟踪的果实产量估算方法 | |
CN112232334B (zh) | 一种智能售货商品识别检测方法 | |
CN109886206A (zh) | 一种三维物体识别方法及设备 | |
CN107563327B (zh) | 一种基于自步反馈的行人重识别方法及系统 | |
CN115187972A (zh) | 基于特征对比的菜品识别方法 | |
CN113743382B (zh) | 一种货架陈列检测方法、装置及系统 | |
CN113763418B (zh) | 一种基于头肩检测的多目标跟踪方法 | |
CN112115903A (zh) | 提升基于深度学习的菜品识别系统识别精度的方法 |
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 |