CN112308064B - 货架边缘定位方法及装置 - Google Patents
货架边缘定位方法及装置 Download PDFInfo
- Publication number
- CN112308064B CN112308064B CN201910676721.7A CN201910676721A CN112308064B CN 112308064 B CN112308064 B CN 112308064B CN 201910676721 A CN201910676721 A CN 201910676721A CN 112308064 B CN112308064 B CN 112308064B
- Authority
- CN
- China
- Prior art keywords
- shelf
- edge
- shelf edge
- determining
- pictures
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000013136 deep learning model Methods 0.000 claims abstract description 54
- 238000012549 training Methods 0.000 claims abstract description 21
- 230000008569 process Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 238000010586 diagram Methods 0.000 description 11
- 239000003550 marker Substances 0.000 description 8
- 238000012545 processing Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000003708 edge detection Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
Classifications
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种货架边缘定位方法及装置，该方法包括：获得多张货架边缘图片；将所述多张货架边缘图片输入至深度学习模型，确定多张货架图片对应的边缘类型，所述深度学习模型是根据历史货架边缘图片训练获得，用于确定货架图片对应的边缘类型；根据多张货架边缘图片和对应的边缘类型，确定多条货架边缘线；根据多条货架边缘线，确定货架顶点坐标。本发明可以对货架边缘进行定位，效率高，成本低，准确率高。
Description
技术领域
本发明涉及互联网领域，尤其涉及一种货架边缘定位方法及装置。
背景技术
随机计算机技术的飞速发展，企业以互联网为依托，通过运用大数据、人工智能等先进技术手段，对商品的生产、流通与销售过程进行升级改造，进而重塑业态结构与生态圈，并对线上服务、线下体验以及现代物流进行深度融合，新零售模式将是零售行业发展趋势。如何构建智慧门店，对超市商品进行智能，高效，便捷地管理对新零售发展至关重要。
超市商品通常以货架为基本单元，货架定位即货架边缘检测是进行陈列缺货等检测操作的第一步，因此货架边缘检测是智慧门店构建的关键步骤。目前使用的货架边缘检测方法通常为两种，一种是传统的手动标注法，该方法通过工堪人员手动逐一货架进行标注，该方法虽然精度高但是工作量大，耗时长，因此需要的成本高，效率低，后期维护更新困难；第二种是标识物法，通过附加货架边缘标识物，增强货架边缘特征后再进行货架边缘检测，该方法需要在部署时对所有货架添加标识物，将投入巨大的人力，物力，时间等成本，对于人员流动性的大超市，增加标识物法不能保证货架边缘检测标识物不被移动，货架边缘定位的准确率低，并且附加标识物一会影响货架美观度。因此，现有方法在对货架边缘定位时，存在效率低、准确率低的问题。
发明内容
本发明实施例提出一种货架边缘定位方法，用以对货架边缘进行定位，效率高，成本低，准确率高，该方法包括：
获得多张货架边缘图片；
将所述多张货架边缘图片输入至深度学习模型，确定多张货架图片对应的边缘类型，所述深度学习模型是根据历史货架边缘图片训练获得，用于确定货架图片对应的边缘类型；
根据多张货架边缘图片和对应的边缘类型，确定多条货架边缘线；
根据多条货架边缘线，确定货架顶点坐标。
本发明实施例提出一种货架边缘定位装置，用以对货架边缘进行定位，效率高，成本低，准确率高，该装置包括：
图片获得模块，用于获得多张货架边缘图片；
边缘类型确定模块，用于将所述多张货架边缘图片输入至深度学习模型，确定多张货架图片对应的边缘类型，所述深度学习模型是根据历史货架边缘图片训练获得，用于确定货架图片对应的边缘类型；
货架边缘线确定模块，用于根据多张货架边缘图片和对应的边缘类型，确定多条货架边缘线；
货架顶点坐标确定模块，用于根据多条货架边缘线，确定货架顶点坐标。
本发明实施例还提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述货架边缘定位方法。
本发明实施例还提出了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述货架边缘定位方法的计算机程序。
在本发明实施例中，获得多张货架边缘图片；将所述多张货架边缘图片输入至深度学习模型，确定多张货架图片对应的边缘类型，所述深度学习模型是根据历史货架边缘图片训练获得，用于确定货架图片对应的边缘类型；根据多张货架边缘图片和对应的边缘类型，确定多条货架边缘线；根据多条货架边缘线，确定货架顶点坐标。在上述过程中，只需要获得多张货架边缘图片并将其输入至深度学习模型，即可自动确定货架顶点坐标，实现货架边缘定位，效率高，且上述过程不需要手工操作，成本低；不需要对货架添加标志物，因此不存在标志物被移动造成的影响，定位准确率高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。在附图中：
图1为本发明实施例中货架边缘定位方法的流程图；
图2为货架边缘类型的示意图；
图3-图6为本发明实施例中确定货架顶点坐标的示意图；
图7为本发明实施例提出的货架边缘定位方法的详细流程图；
图8为本发明实施例提出的货架边缘定位装置的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
图1为本发明实施例中货架边缘定位方法的流程图，如图1所示，该方法包括：
步骤101，获得多张货架边缘图片；
步骤102，将所述多张货架边缘图片输入至深度学习模型，确定多张货架图片对应的边缘类型，所述深度学习模型是根据历史货架边缘图片训练获得，用于确定货架图片对应的边缘类型；
步骤103，根据多张货架边缘图片和对应的边缘类型，确定多条货架边缘线；
步骤104，根据多条货架边缘线，确定货架顶点坐标。
在本发明实施例中，获得多张货架边缘图片；将所述多张货架边缘图片输入至深度学习模型，确定多张货架图片对应的边缘类型，所述深度学习模型是根据历史货架边缘图片训练获得，用于确定货架图片对应的边缘类型；根据多张货架边缘图片和对应的边缘类型，确定多条货架边缘线；根据多条货架边缘线，确定货架顶点坐标。在上述过程中，只需要获得多张货架边缘图片并将其输入至深度学习模型，即可自动确定货架顶点坐标，实现货架边缘定位，效率高，且上述过程不需要手工操作，成本低；不需要对货架添加标志物，因此不存在标志物被移动造成的影响，定位准确率高。
具体实施时，多张货架边缘图片可以从通过摄像机进行拍摄，然后发送过来，深度学习模型有很多，最常见的深度学习模型包括卷积神经网络模型、递归神经网络模型，可根据实际情况选择使用，以相机拍摄货架的角度为依据，确定货架的边缘类型，图2为货架边缘类型的示意图，边缘类型一般包括左边缘型(货架边缘线与货架边缘图片中水平方向之间的夹角A大于90度)，右边缘型(货架边缘线与货架边缘图片中水平方向之间的夹角A小于90度),垂直型(货架边缘线与货架边缘图片中水平方向之间的夹角A等于90度)。根据多张货架边缘图片和对应的边缘类型，即对每张货架边缘图片，从图片中找出货架边缘的线条1，最后根据货架边缘线1，即可确定货架顶点坐标2。
具体实施时，深度学习模型可采用多种方法获得，下面给出其中一个方法。
在一实施例中，深度学习模型采用如下方式训练获得：
获得历史货架边缘图片；
提取历史货架边缘图片的特征向量；
利用所述特征向量训练深度学习模型；
在训练的过程中调整深度学习模型的参数，直至深度学习模型损失函数满足预设收敛条件，获得训练后的深度学习模型。
具体实施时，根据多张货架边缘图片和对应的边缘类型，确定多条货架边缘线的方法有多种，下面给出其中一个实施例。
在一实施例中，根据多张货架边缘图片和对应的边缘类型，确定多条货架边缘线，包括：
对每一张货架边缘图片，确定该货架边缘图片中的货架边缘线所在区域；
根据该张货架边缘图片对应的边缘类型，从货架边缘线所在区域中确定货架边缘线。
在上述实施例中，一张货架边缘图片一般为货架边缘线所在的区域，因此，从照片中可解析出来货架边缘线所在区域，然后，根据该张货架边缘图片对应的边缘类型，例如，左边缘型，就可以按照左边缘型的特点，找出货架上每一层的边缘点进行连线，从而形成货架边缘线。
具体实施时，根据多条货架边缘线，确定货架顶点坐标的方法有多种，下面给出其中一个实施例。
在一实施例中，根据多条货架边缘线，确定货架顶点坐标，包括：
确定多条货架边缘线的顶点纵坐标的最小值和最大值；
对每一货架边缘线，获得该货架边缘线的斜率和偏移量；
根据该货架边缘线的斜率和偏移量，所述最大值和最小值，确定该货架边缘线对应的货架顶点坐标。
图3-图6为本发明实施例中确定货架顶点坐标的示意图，首先，图3为一个货架的照片，图4为根据该货架照片，确定了矩形框确定的货架边缘线所在区域，和左边缘型、右边缘型两种边缘类型，确定了两条虚线表示的货架边缘线，图5中确定了两条虚线的定点坐标A(x1,y1)、B(x2,y2)、C(x3,y3)和D(x4,y4)，从坐标A、B、C和D中确定两条货架边缘线的顶点纵坐标的最小值和最大值，分别坐标C的纵坐标和坐标D的纵坐标，然后，根据坐标A和B表示的货架边缘线，确定该货架边缘线的斜率k和偏移量b，然后延长坐标A和B表示的货架边缘线，根据该货架边缘线的斜率k和偏移量b，坐标C的纵坐标和坐标D的纵坐标，确定该货架边缘线对应的货架顶点坐标A'(x5，y5)和B'(x6，y6)，具体可采用如下公式：
y5＝y3，x5＝(y5/k)+b
y6＝y4，x6＝(y6/k)+b
最后，可得A'(x5，y5)和B'(x6，y6)，C(x3,y3)和D(x4,y4)为4个货架顶点坐标，如图6所示。
在一实施例中，货架边缘定位方法还包括：
根据货架顶点坐标，确定货架区域。
在上述实施例中，即连接4个货架顶点坐标，形成的区域为货架区域。
基于上述实施例，本发明提出如下一个实施例来说明货架边缘定位方法的详细流程，图7为本发明实施例提出的货架边缘定位方法的详细流程图，如图7所示，在一实施例中，货架边缘定位方法的详细流程包括：
步骤701，获得多张货架边缘图片；
步骤702，获得历史货架边缘图片；
步骤703，提取历史货架边缘图片的特征向量；
步骤704，利用所述特征向量训练深度学习模型；
步骤705，在训练的过程中调整深度学习模型的参数，直至深度学习模型损失函数满足预设收敛条件，获得训练后的深度学习模型；
步骤706，将所述多张货架边缘图片输入至深度学习模型，确定多张货架图片对应的边缘类型；
步骤707，对每一张货架边缘图片，确定该货架边缘图片中的货架边缘线所在区域；
步骤708，根据该张货架边缘图片对应的边缘类型，从货架边缘线所在区域中确定货架边缘线；
步骤709，确定多条货架边缘线的顶点纵坐标的最小值和最大值；
步骤710，对每一货架边缘线，获得该货架边缘线的斜率和偏移量；
步骤711，根据该货架边缘线的斜率和偏移量，所述最大值和最小值，确定该货架边缘线对应的货架顶点坐标。
当然，可以理解的是，上述货架边缘定位方法的详细流程还可以有其他变化例，相关变化例均应落入本发明的保护范围。
在本发明实施例提出的方法中，获得多张货架边缘图片；将所述多张货架边缘图片输入至深度学习模型，确定多张货架图片对应的边缘类型，所述深度学习模型是根据历史货架边缘图片训练获得，用于确定货架图片对应的边缘类型；根据多张货架边缘图片和对应的边缘类型，确定多条货架边缘线；根据多条货架边缘线，确定货架顶点坐标。在上述过程中，只需要获得多张货架边缘图片并将其输入至深度学习模型，即可自动确定货架顶点坐标，实现货架边缘定位，效率高，且上述过程不需要手工操作，成本低；不需要对货架添加标志物，因此不存在标志物被移动造成的影响，定位准确率高。
基于同样的发明构思，本发明实施例还提供了一种货架边缘定位装置，如下面的实施例所述。由于这些解决问题的原理与货架边缘定位方法相似，因此装置的实施可以参见方法的实施，重复之处不在赘述。
图8为本发明实施例提出的货架边缘定位装置的示意图，如图8所示，该装置包括：
图片获得模块801，用于获得多张货架边缘图片；
边缘类型确定模块802，用于将所述多张货架边缘图片输入至深度学习模型，确定多张货架图片对应的边缘类型，所述深度学习模型是根据历史货架边缘图片训练获得，用于确定货架图片对应的边缘类型；
货架边缘线确定模块803，用于根据多张货架边缘图片和对应的边缘类型，确定多条货架边缘线；
货架顶点坐标确定模块804，用于根据多条货架边缘线，确定货架顶点坐标。
在一实施例中，深度学习模型采用如下方式训练获得：
获得历史货架边缘图片；
提取历史货架边缘图片的特征向量；
利用所述特征向量训练深度学习模型；
在训练的过程中调整深度学习模型的参数，直至深度学习模型损失函数满足预设收敛条件，获得训练后的深度学习模型。
在一实施例中，货架边缘线确定模块803具体用于：
对每一张货架边缘图片，确定该货架边缘图片中的货架边缘线所在区域；
根据该张货架边缘图片对应的边缘类型，从货架边缘线所在区域中确定货架边缘线。
在一实施例中，货架顶点坐标确定模块804具体用于：
确定多条货架边缘线的顶点纵坐标的最小值和最大值；
对每一货架边缘线，获得该货架边缘线的斜率和偏移量；
根据该货架边缘线的斜率和偏移量，所述最大值和最小值，确定该货架边缘线对应的货架顶点坐标。
在一实施例中，货架边缘定位装置还包括货架区域确定模块805，用于：根据货架顶点坐标，确定货架区域。
在本发明实施例提出的装置中，获得多张货架边缘图片；将所述多张货架边缘图片输入至深度学习模型，确定多张货架图片对应的边缘类型，所述深度学习模型是根据历史货架边缘图片训练获得，用于确定货架图片对应的边缘类型；根据多张货架边缘图片和对应的边缘类型，确定多条货架边缘线；根据多条货架边缘线，确定货架顶点坐标。在上述过程中，只需要获得多张货架边缘图片并将其输入至深度学习模型，即可自动确定货架顶点坐标，实现货架边缘定位，效率高，且上述过程不需要手工操作，成本低；不需要对货架添加标志物，因此不存在标志物被移动造成的影响，定位准确率高。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。
本发明是参照根据本发明实施例的方法、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。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种货架边缘定位方法，其特征在于，包括：
获得多张货架边缘图片；
将所述多张货架边缘图片输入至深度学习模型，确定多张货架图片对应的边缘类型，所述深度学习模型是根据历史货架边缘图片训练获得，用于确定货架图片对应的边缘类型；
根据多张货架边缘图片和对应的边缘类型，确定多条货架边缘线；
根据多条货架边缘线，确定货架顶点坐标；
根据多张货架边缘图片和对应的边缘类型，确定多条货架边缘线，包括：对每一张货架边缘图片，确定该货架边缘图片中的货架边缘线所在区域；根据该张货架边缘图片对应的边缘类型，从货架边缘线所在区域中确定货架边缘线；
根据多条货架边缘线，确定货架顶点坐标，包括：确定多条货架边缘线的顶点纵坐标的最小值和最大值；对每一货架边缘线，获得该货架边缘线的斜率和偏移量；根据该货架边缘线的斜率和偏移量，所述最大值和最小值，确定该货架边缘线对应的货架顶点坐标。
2.如权利要求1所述的货架边缘定位方法，其特征在于，深度学习模型采用如下方式训练获得：
获得历史货架边缘图片；
提取历史货架边缘图片的特征向量；
利用所述特征向量训练深度学习模型；
在训练的过程中调整深度学习模型的参数，直至深度学习模型损失函数满足预设收敛条件，获得训练后的深度学习模型。
3.如权利要求1所述的货架边缘定位方法，其特征在于，还包括：
根据货架顶点坐标，确定货架区域。
4.一种货架边缘定位装置，其特征在于，包括：
图片获得模块，用于获得多张货架边缘图片；
边缘类型确定模块，用于将所述多张货架边缘图片输入至深度学习模型，确定多张货架图片对应的边缘类型，所述深度学习模型是根据历史货架边缘图片训练获得，用于确定货架图片对应的边缘类型；
货架边缘线确定模块，用于根据多张货架边缘图片和对应的边缘类型，确定多条货架边缘线；
货架顶点坐标确定模块，用于根据多条货架边缘线，确定货架顶点坐标；
根据多张货架边缘图片和对应的边缘类型，确定多条货架边缘线，包括：对每一张货架边缘图片，确定该货架边缘图片中的货架边缘线所在区域；根据该张货架边缘图片对应的边缘类型，从货架边缘线所在区域中确定货架边缘线；
根据多条货架边缘线，确定货架顶点坐标，包括：确定多条货架边缘线的顶点纵坐标的最小值和最大值；对每一货架边缘线，获得该货架边缘线的斜率和偏移量；根据该货架边缘线的斜率和偏移量，所述最大值和最小值，确定该货架边缘线对应的货架顶点坐标。
5.如权利要求4所述的货架边缘定位装置，其特征在于，深度学习模型采用如下方式训练获得：
获得历史货架边缘图片；
提取历史货架边缘图片的特征向量；
利用所述特征向量训练深度学习模型；
在训练的过程中调整深度学习模型的参数，直至深度学习模型损失函数满足预设收敛条件，获得训练后的深度学习模型。
6.如权利要求4所述的货架边缘定位装置，其特征在于，还包括货架区域确定模块，用于：根据货架顶点坐标，确定货架区域。
7.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至3任一项所述方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有执行权利要求1至3任一项所述方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910676721.7A CN112308064B (zh) | 2019-07-25 | 2019-07-25 | 货架边缘定位方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910676721.7A CN112308064B (zh) | 2019-07-25 | 2019-07-25 | 货架边缘定位方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112308064A CN112308064A (zh) | 2021-02-02 |
| CN112308064B true CN112308064B (zh) | 2023-12-26 |
Family
ID=74329625
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910676721.7A Active CN112308064B (zh) | 2019-07-25 | 2019-07-25 | 货架边缘定位方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112308064B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2404255A1 (fr) * | 1977-09-22 | 1979-04-20 | Centre Nat Etd Spatiales | Systeme de poursuite du soleil pour cellules solaires |
| DE102009058135A1 (de) * | 2009-12-12 | 2011-06-16 | Robert Bosch Gmbh | Verfahren zum Nachführen einer Solarzelleneinheit |
| CN103294067A (zh) * | 2013-05-30 | 2013-09-11 | 天津职业技术师范大学 | 太阳能自动追踪器 |
| CN104156005A (zh) * | 2014-08-07 | 2014-11-19 | 福建农林大学 | 一种太阳能追光装置 |
| CN204515545U (zh) * | 2015-04-13 | 2015-07-29 | 东北石油大学 | 一种具有自动追光功能的太阳能供电器电路 |
| CN204719546U (zh) * | 2015-06-17 | 2015-10-21 | 安徽建筑大学 | 一种自动追光的太阳能充电装置 |
| CN106292743A (zh) * | 2016-10-13 | 2017-01-04 | 哈尔滨工业大学 | 太阳能双轴自动跟踪系统及跟踪方法 |
| CN206805302U (zh) * | 2017-05-17 | 2017-12-26 | 赵鑫川 | 一种可测量旋转角度的太阳能追光系统 |
-
2019
- 2019-07-25 CN CN201910676721.7A patent/CN112308064B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2404255A1 (fr) * | 1977-09-22 | 1979-04-20 | Centre Nat Etd Spatiales | Systeme de poursuite du soleil pour cellules solaires |
| DE102009058135A1 (de) * | 2009-12-12 | 2011-06-16 | Robert Bosch Gmbh | Verfahren zum Nachführen einer Solarzelleneinheit |
| CN103294067A (zh) * | 2013-05-30 | 2013-09-11 | 天津职业技术师范大学 | 太阳能自动追踪器 |
| CN104156005A (zh) * | 2014-08-07 | 2014-11-19 | 福建农林大学 | 一种太阳能追光装置 |
| CN204515545U (zh) * | 2015-04-13 | 2015-07-29 | 东北石油大学 | 一种具有自动追光功能的太阳能供电器电路 |
| CN204719546U (zh) * | 2015-06-17 | 2015-10-21 | 安徽建筑大学 | 一种自动追光的太阳能充电装置 |
| CN106292743A (zh) * | 2016-10-13 | 2017-01-04 | 哈尔滨工业大学 | 太阳能双轴自动跟踪系统及跟踪方法 |
| CN206805302U (zh) * | 2017-05-17 | 2017-12-26 | 赵鑫川 | 一种可测量旋转角度的太阳能追光系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112308064A (zh) | 2021-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107103613B (zh) | 一种三维手势姿态估计方法 | |
| CN109840477B (zh) | 基于特征变换的受遮挡人脸识别方法及装置 | |
| CN110415521A (zh) | 交通数据的预测方法、装置和计算机可读存储介质 | |
| US11170581B1 (en) | Supervised domain adaptation | |
| CN109840503B (zh) | 一种确定种类信息的方法及装置 | |
| CN111461164B (zh) | 样本数据集的扩容方法及模型的训练方法 | |
| CN109189878B (zh) | 一种人群热力图获得方法及装置 | |
| CN109711472B (zh) | 训练数据生成方法和装置 | |
| US11462005B1 (en) | Image partitioning for re-identification | |
| CN107507188B (zh) | 一种基于机器学习提取图像信息的方法及装置 | |
| CN111340834B (zh) | 基于激光雷达和双目相机数据融合的衬板装配系统及方法 | |
| CN113112542A (zh) | 一种视觉定位方法、装置、电子设备及存储介质 | |
| CN115601672A (zh) | 一种基于深度学习的vr智能巡店方法及装置 | |
| GB2606807A (en) | Image creation for computer vision model training | |
| CN112308064B (zh) | 货架边缘定位方法及装置 | |
| CN112434582A (zh) | 一种车道线颜色识别方法、系统、电子设备及存储介质 | |
| CN112115910A (zh) | 人脸库更新方法及装置 | |
| CN110017998A (zh) | 车辆检测方法、装置和设备 | |
| WO2021030924A1 (zh) | 货架物品识别方法、装置及系统 | |
| WO2021012268A1 (zh) | 货架边缘定位方法及装置 | |
| CN114220006A (zh) | 一种基于商品指纹的商品识别方法及系统 | |
| JP2008181124A5 (zh) | ||
| CN113920269A (zh) | 工程进度获取方法、装置、电子设备及介质 | |
| CN113487538A (zh) | 一种多目标分割缺陷检测方法、装置及其计算机存储介质 | |
| CN105513050A (zh) | 一种目标图像提取方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 314031 podium Building 1 / F, 4 / F and 7 / F, building 5 / F, No.1 building, Jiaxing photovoltaic technology innovation park, 1288 Kanghe Road, Xiuzhou District, Jiaxing City, Zhejiang Province Applicant after: Hanshuo Technology Co.,Ltd. Address before: 314000 33 buildings in Zhifu center, Xiuzhou District, Jiaxing, Zhejiang. Applicant before: ZHEJIANG HANSHOW TECHNOLOGY Co.,Ltd. |
|
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |