具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是根据本公开一些实施例的物品信息推送方法的应用场景的一个示意图。
在图1的应用场景中,首先,计算设备101可以获取用户所获取的物品总重量102和与上述物品总重量102对应的物品组中的每个物品的物品信息,得到物品信息集103。其中,上述物品信息包括物品名称和对应上述物品名称的物品重量。其次,计算设备101可以对上述物品信息集103所包括的各个物品重量进行组合处理,得到物品重量组集104。其中,上述物品重量组集104中的物品重量组满足预设条件,上述预设条件为物品重量组中各个物品重量的和大于等于上述物品总重量102和预设重量误差的差值以及上述物品重量组中各个物品重量的和小于等于上述物品总重量102和上述预设重量误差的和。然后,计算设备101可以获取上述物品组中的每个物品的物品图像特征组,得到物品图像特征组集105。接着,计算设备101可以基于上述物品重量组集104和上述物品图像特征组集105,生成推荐物品信息106。最后,计算设备101可以将上述推荐物品信息106发送至具有显示功能和语音播放功能的补货设备107。
需要说明的是,上述计算设备101可以是硬件,也可以是软件。当计算设备为硬件时,可以实现成多个服务器或终端设备组成的分布式集群,也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时,可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的计算设备的数目仅仅是示意性的。根据实现需要,可以具有任意数目的计算设备。
继续参考图2,示出了根据本公开的物品信息推送方法的一些实施例的流程200。该方法可以由图1中的计算设备101来执行。该物品信息推送方法,包括以下步骤:
步骤201,获取用户所获取的物品总重量和与上述物品总重量对应的物品组中的每个物品的物品信息,得到物品信息集。
在一些实施例中,物品信息推送方法的执行主体(例如,图1所示的计算设备101)可以通过有线连接方式或者无线连接方式从设备终端获取用户所获取的物品总重量和与上述物品总重量对应的物品组中的每个物品的物品信息,得到物品信息集。其中,上述物品信息包括物品名称和对应上述物品名称的物品重量。这里,物品总重量可以是自动售货柜中的重量检测设备所检测到用户所获取的各个物品的总重量。作为示例,用户A从自动售货柜中获取的各个物品的物品总重量可以为“250g”。物品信息集可以是“[干脆面,50g];[饼干,90g]”。
步骤202,对上述物品信息集所包括的各个物品重量进行组合处理,得到物品重量组集。
在一些实施例中,上述执行主体可以通过排列组合的方式对上述物品信息集所包括的各个物品重量进行组合处理,得到物品重量组集。其中,上述物品重量组集中的物品重量组满足预设条件,上述预设条件为物品重量组中各个物品重量的和大于等于上述物品总重量和预设重量误差的差值以及上述物品重量组中各个物品重量的和小于等于上述物品总重量和上述预设重量误差的和。这里,预设重量误差可以是预先设定重量的误差值。
作为示例,上述物品总重量“250g”和预设重量误差“50g”的差值为“200g”。上述物品总重量“250g”和预设重量误差“50g”的和为“300g”。预设条件为“物品重量组中各个物品重量的和大于等于“200g”以及上述物品重量组中各个物品重量的和小于等于“300g”。 物品重量组集可以是[[50g,90g,90g];[50g,50g,50g,90g];[50g,50g,90g,90g];[50g,50g,50g,50g,90g]]。
在一些实施例的一些可选的实现方式中,上述执行主体可以通过以下步骤得到物品重量组集:
第一步,建立物品重量空队列。
第二步,对于上述物品信息集中的每个物品重量,执行如下处理步骤:
第一子步骤,将物品重量添加至物品重量空队列中以生成物品重量队列。
第二子步骤,确定物品重量队列是否满足目标条件。这里,目标条件可以是“物品重量队列中各个物品重量的和大于等于上述物品总重量和预设重量误差的差值以及上述物品重量队列中各个物品重量的和小于等于上述物品总重量和上述预设重量误差的和”。
第三子步骤,响应于满足,将物品重量队列确定为物品重量组。
第三步,响应于不满足,将物品重量队列确定为物品重量空队列,再次执行上述处理步骤。
实践中,已知用户可能拿取的物品共有X种,每种物品的重量已知,可以为G1,G2,...,Gx。可以将上述物品总重量确定为W,可以将上述预设重量误差确定为m。可以得到重量范围[W-m,W+m]。可以将重量范围内[W-m,W+m]对应的每一个可能的重量值确定为Wn。可以将每一个重量值Wn对应的物品重量组合确定为Sn{N_g1*w_g1,N_g2*w_g2...,N_gx*w_gx}。这里,每一个物品重量组合Sn都满足N_g1*w_g1+N_g2*w_g2+...+N_gx*w_gx=Wn的关系。其中,N_gx表示Gx这种物品在组合中的数量,w_gx表示Gx这种物品的重量值。对于每一个可能的重量值Wn,可以求Wn对应的所有组合,如果抽取单个物品x,其对应的重力为Gx。可以确定Wn-Gx的所有组合,再将Wn-Gx的所有组合都加上单个物品x,即为Wn对应的所有组合。
作为示例,第一步,可以建立物品重量空队列(即初始化重力0对应的组合为空)。第二步,对所得到每一种物品(物品名称对应的物品)进行测试,以及确定W-Gx重量是否包含物品重量组合(因为存在重量值无法由物品重量组合,单个物品重量值对应的物品重量组合可能为空,即无组合构成该重量;但如果包含,根据算法,该重量对应的所有可能的物品重量组合都已知)。第三步,如果W-Gx不包含重力组合,则重新执行第二步,测试未使用的物品重量。第四步,如果W-Gx包含重力组合,将W-Gx包含的所有物品重量组合每一个都加上增加的物品名称相同的物品,作为W对应的所有物品重量组合,重新执行第二步,测试未使用的物品。
在一些实施例的一些可选的实现方式中,上述执行主体可以将上述物品信息集中所包括的各个物品重量输入至预先训练的排列神经网络中,得到物品重量组集。这里,预先训练的排列神经网络可以是BP(Back Propagation Neural Network,误差逆向传播算法)神经网络。
可选地,上述执行主体还可以通过构建有向无环图或决策树的方式对上述物品信息集所包括的各个物品重量进行组合处理,得到物品重量组集。
步骤203,获取上述物品组中的每个物品的物品图像特征组,得到物品图像特征组集。
在一些实施例中,上述执行主体可以通过有线连接方式或者无线连接方式从设备终端获取上述物品组中的每个物品的物品图像特征组,得到物品图像特征组集。这里,物品的物品图像特征组可以是通过提取包含上述物品的视频中提取出的图像特征序列。
作为示例,上述物品组可以是“干脆面,饼干”。上述“干脆面”的物品图像特征组可以是[(1,2),(1,1)];上述“饼干”的的物品图像特征组可以是[(10,1),(10,1)]。得到物品图像特征组集{[(1,2),(1,1)];[(10,1),(10,1)]}。
步骤204,基于上述物品重量组集和上述物品图像特征组集,生成推荐物品信息。
在一些实施例中,首先,上述执行主体可以确定上述物品重量组集中的每个物品重量组所包括的各个物品重量的重量总和,得到重量总和组。然后,再确定上述物品图像特征组集中的物品图像特征之间的关联度。接着,可以确定每个物品在重量总和中所占重量的比重,将比重较大的物品对应的关联度与重量总和相乘,以生成推荐评分值,得到推荐评分值组。其中,可以将上述推荐评分值组中数值最大的推荐评分值对应的物品重量组确定为目标物品重量组。最后,可以将上述目标物品重量组对应的各个物品名称确定为推荐物信息。
作为示例,物品重量组集可以是[[50,90,90];[50,50,50,90];[50,50,90,90];[50,50,50,50,90]]。可以确定上述物品重量组集中的每个物品重量组所包括的各个物品重量的重量总和,得到重量总和组[230,240,280,290]。上述物品图像特征组集可以是{[(1,2),(1,1)];[(10,1),(10,1)]}。物品图像特征(1,2)和(1,1)间的相似度可以为
。物品图像特征(10,1)和(10,1)间的相似度可以为1。首先,在第1个物品重量组中,饼干的比重较大,所以,将“1”与“230”相乘以生成推荐评分值“230”。在第2个物品重量组中,干脆面的比重较大,所以,将“0.95”与“240” 相乘以生成推荐评分值“228”。在第3个物品重量组中,饼干的比重较大,所以,将“1”与“280”相乘以生成推荐评分值“280”。在第4个个物品重量组中,干脆面的比重较大,所以,将“0.95”与“290”相乘以生成推荐评分值“275.5”。然后,将推荐评分值“280”对应的物品重量组[50,50,90,90]确定为目标物品重量组。将目标物品重量组[50,50,90,90]对应的各个物品名称“干脆面,干脆面,饼干,饼干”确定为推荐物品信息。
步骤205,将上述推荐物品信息发送至具有显示功能和语音播放功能的补货设备。
在一些实施例中,上述执行主体可以将上述推荐物品信息发送至具有显示功能和语音播放功能的补货设备。例如,可以将推荐物品信息“干脆面,干脆面,饼干,饼干”发送至具有显示功能和语音播放功能的补货设备“A”,以供补货人员进行参考。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的物品信息推送方法,提高了物品检测结果的准确度,物品补货的效率有所提高。具体来说,造成物品补货的效率不高的原因在于:未考虑不同物品的重量和物品图像特征,导致对用户获取的物品的检测结果的准确度不高,由此导致为了满足物品的补货需求而进行物品的反复补货,造成对物品补货的效率不高。基于此,本公开的一些实施例的物品信息推送方法,首先,获取用户所获取的物品总重量和与上述物品总重量对应的物品组中的每个物品的物品信息,得到物品信息集。由此,为后续提高用户获取的物品的检测结果的准确度提供了数据支持。其次,对上述物品信息集所包括的各个物品重量进行组合处理,得到物品重量组集。由此,可以快速组合出用户可能获取的物品的组合。然后,获取上述物品组中的每个物品的物品图像特征组,得到物品图像特征组集。由此,为后续提高用户获取的物品的检测结果的准确度进一步提供了数据支持。接着,基于上述物品重量组集和上述物品图像特征组集,生成推荐物品信息。由此,考虑了不同物品的重量和物品图像特征,提高了用户获取的物品的检测结果的准确度。最后,将上述推荐物品信息发送至具有显示功能和语音播放功能的补货设备。从而,避免了为了满足物品的补货需求而进行物品的反复补货,提高了物品补货的效率。
进一步参考图3,示出了根据本公开的物品信息推送方法的另一些实施例的流程300。该方法可以由图1的计算设备101来执行。该物品信息推送方法,包括以下步骤:
步骤301,获取用户所获取的物品总重量和与上述物品总重量对应的物品组中的每个物品的物品信息,得到物品信息集。
步骤302,对上述物品信息集所包括的各个物品重量进行组合处理,得到物品重量组集。
步骤303,获取上述物品组中的每个物品的物品图像特征组,得到物品图像特征组集。
在一些实施例中,步骤301-303的具体实现方式及所带来的技术效果可以参考图2对应的那些实施例中的步骤201-203,在此不再赘述。
步骤304,将上述物品重量组集中的每个物品重量组对应的各个物品名称确定为备选物品名称组,得到备选物品名称组集。
在一些实施例中,物品信息推送方法的执行主体(例如,图1所示的计算设备101)可以将上述物品重量组集中的每个物品重量组对应的各个物品名称确定为备选物品名称组,得到备选物品名称组集。
作为示例,上述物品重量组集可以是[[50,90,90];[50,50,50,90];[50,50,90,90];[50,50,50,50,90]]。可以将第1个物品重量组[50,90,90]对应的各个物品名称“干脆面,饼干,饼干”确定为备选物品名称组。可以将第2个物品重量组[50,50,50,90]对应的各个物品名称“干脆面,干脆面,干脆面,饼干”确定为备选物品名称组。可以将第3个物品重量组[50,50,90,90] 对应的各个物品名称“干脆面,干脆面,饼干,饼干”确定为备选物品名称组。可以将第4个物品重量组[50,50,50,50,90]对应的的各个物品名称“干脆面,干脆面,干脆面,干脆面,饼干”。得到备选物品名称组集:[干脆面,饼干,饼干];[干脆面,干脆面,干脆面,饼干];[干脆面,干脆面,饼干,饼干];[干脆面,干脆面,干脆面,干脆面,饼干]。
步骤305,对于上述备选物品名称组集中的每个备选物品名称组,执行处理步骤。
在一些实施例中,上述执行主体可以将上述备选物品名称组中的每个备选物品名称的频次确定为置信度,得到置信度组。
作为示例,上述备选物品名称组可以为:[干脆面,饼干,饼干]。其中,可以将物品名称[干脆面]出现的频次“1”确定为置信度。可以将物品名称[饼干]出现的频次“2”确定为置信度。得到置信度组:[干脆面]-[1];[饼干]-[2]。
作为另外一个示例,上述备选物品名称组可以为:[干脆面,干脆面,干脆面,饼干],得到置信度组:[干脆面]-[3];[饼干]-[1]。上述备选物品名称组可以为:[干脆面,干脆面,饼干,饼干],得到置信度组:[干脆面]-[2];[饼干]-[2]。上述备选物品名称组可以为:[干脆面,干脆面,干脆面,干脆面,饼干],得到置信度组:[干脆面]-[4];[饼干]-[1]。
步骤306,基于上述物品图像特征组集、上述物品重量组集和所生成的置信度组,生成推荐物品信息。
在一些实施例中,上述执行主体可以通过以下步骤基于上述物品图像特征组集、上述物品重量组集和所生成的置信度组,生成推荐物品信息:
第一步,将上述物品重量组集中的每个物品重量组所包括的各个物品重量的和确定为组合重量,得到组合重量集。
作为示例,物品重量组集可以是[[50,90,90];[50,50,50,90];[50,50,90,90];[50,50,50,50,90]]。可以将上述物品重量组集中的每个物品重量组所包括的各个物品重量的重量总和确定为组合重量,得到组合重量集[230,240,280,290]。
第二步,将上述物品重量组集中的每个物品重量组中的各个物品重量的平均值确定为组合均值,得到组合均值集。
作为示例,物品重量组集可以是[[50,90,90];[50,50,50,90];[50,50,90,90];[50,50,50,50,90]]。可以将上述物品重量组集中的每个物品重量组所包括的各个物品重量的平均值确定为组合均值,得到组合均值集[76,60,70,58]。这里,组合均值的取值可以保留至整数位。
第三步,将上述组合重量集中的每个组合重量和上述物品总重量的偏差值确定为组合偏差值,得到组合偏差值集。
作为示例,组合重量集可以是[230,240,280,290]。可以将第1个组合重量[230]与物品总重量[250]的偏差值“20”确定为组合偏差值。可以将第2个组合重量[240]与物品总重量[250]的偏差值“10”确定为组合偏差值。可以将第3个组合重量[280]与物品总重量[250]的偏差值“30”确定为组合偏差值。可以将第4个组合重量[290]与物品总重量[250]的偏差值“40”确定为组合偏差值。得到组合偏差值集:[20,10,30,40]。
第四步,将上述组合偏差值集中的每个组合偏差值和与上述组合偏差值对应的组合均值的比值确定为第一比值,得到第一比值组。
作为示例,上述组合偏差值集可以是:[20,10,30,40]。可以将第1个组合偏差值“20”和与组合偏差值“20”对应的组合均值“76”的比值“0.26”确定为第一比值。这里,第一比值的取值可以保留至小数点后两位有效数字。可以将第2个组合偏差值“10”和与组合偏差值“10”对应的组合均值“60”的比值“0.16”确定为第一比值。可以将第3个组合偏差值“30”和与组合偏差值“30”对应的组合均值“70”的比值“0.42”确定为第一比值。可以将第4个组合偏差值“40”和与组合偏差值“40”对应的组合均值“58”的比值“0.69”确定为第一比值。得到第一比值组“0.26,0.16,0.42,0.69”。
第五步,基于上述物品图像特征组集中的每个物品图像特征组,生成上述物品图像特征组中的各个物品图像特征间的各个距离作为特征距离组,得到特征距离组集。这里,上述执行主体可以通过欧式距离公式生成上述物品图像特征组中的各个物品图像特征间的各个距离作为特征距离组,得到特征距离组集。
作为示例,上述物品图像特征组集可以是:[(1,2),(1,1),(1,1)];[(10,1),(10,1),(10,1)]。上述执行主体可以生成物品图像特征组[(1,2),(1,1),(1,1)]中物品图像特征(1,2)和(1,1)、(1,2)和(1,1)、(1,1)和(1,1)间的欧式距离。生成的欧式距离分别为
、
和
。可以将上述欧式距离1、1和0分别作为特征距离。生成的特征距离组为[1,1,0]。上述执行主体可以生成物品图像特征组[(10,1),(10,1),(10,1)]中物品图像特征(10,1)和(10,1)、(10,1)和(10,1)、(10,1)和(10,1)间的欧式距离。生成的欧式距离分别为0、0和0。生成的特征距离组为[0,0,0]。
第六步,基于上述特征距离组集中的每个特征距离组,生成特征信息,得到特征信息组。其中,上述特征信息组中的特征信息包括最小特征距离、最大特征距离和特征距离均值。
实践中,上述第六步可以包括以下子步骤:
第一子步骤,将上述特征距离组中的各个特征距离的最小值确定为最小特征距离。
第二子步骤,将上述特征距离组中的各个特征距离的最大值确定为最大特征距离。
第三子步骤,将上述特征距离组中的各个特征距离的平均值确定为特征距离均值。
作为示例,上述特征距离组可以为[1,1,0]。首先,上述执行主体可以将上述特征距离组[1,1,0]所包括的特征距离的最小值[0]确定为最小特征距离。然后,可以将上述特征距离组[1,1,0]所包括的特征距离的最大值[1]确定为最大特征距离。最后,可以将上述特征距离组[1,1,0]所包括的各个特征距离的平均值[2/3]确定为特征距离均值。
第七步,基于上述特征信息组、上述第一比值组和所生成的置信度组,生成推荐物品信息。
实践中,上述第七步可以包括以下子步骤:
第一子步骤,基于上述特征信息组中的每个特征信息、与上述特征信息对应的第一比值和与上述第一比值对应的置信度组,生成推荐评分值,得到推荐评分值组。
实践中,首先,上述执行主体可以将上述置信度组中的各个置信度的平均值确定为置信度均值。然后,通过公式,生成推荐评分值:
其中,
表示推荐评分值。
表示上述置信度均值。
表示上述特征信息包括的特征距离均值。
表示对应上述特征信息组的物品图像特征组中物品图像特征的序号。
表示上述物品图像特征组所包括的物品图像特征的数量。
表示欧拉数。
表示上述物品图像特征组中的第
个物品图像特征。
表示预设的第一特征误差参数。
表示上述特征信息包括的最大特征距离。
表示上述特征信息包括的最小特征距离。
表示预设的第二特征误差参数。
表示上述第一比值,
表示上述置信度组包括的置信度的数量。
表示对应上述置信度组的物品重量组所包括的物品重量的数量。
表示预设评分误差调整值,
表示取绝对值运算。这里,对应上述特征信息组的物品图像特征组可以是在物品重量组中物品重量所占比重较大的物品对应的物品图像特征组。
第二子步骤,将上述推荐评分值组中数值最大的推荐评分值确定为目标推荐评分值。
第三子步骤,将上述目标推荐评分值对应的物品重量组确定为目标物品重量组。
第四子步骤,将上述目标物品重量组中的每个目标物品重量对应的物品名称确定为目标物品名称,得到目标物品名称组。
第五子步骤,将上述目标物品名称组确定为推荐物品信息。
步骤306中的公式及其相关内容作为本公开的一个发明点,解决了背景技术提及的技术问题二“未对由所检测的各个物品组成的物品组合进行评分处理,导致所输出的物品组合与用户获取的物品有所偏差,进一步造成对物品补货的效率不高”。造成物品补货的效率不高的因素往往如下:未对由所检测的各个物品组成的物品组合进行评分处理,导致所输出的物品组合与用户获取的物品有所偏差。如果解决了上述因素,就能够达到提高物品补货效率的效果。为了达到这一效果,本公开可以通过考虑视频中各个视频帧所包括的物品的物品图像特征,减少了因为重复对物品进行检测而造成的误差。由此,初步为降低所输出的物品组合与用户获取的物品的偏差提供了数据支持。接着,通过引入预设的第一特征误差参数和第二特征误差参数进一步减少了因为重复对物品进行检测而造成的误差。然后,通过考量每个物品组合的置信度和第一比值。由此,可以综合物品图像、物品重量、物品频次和表征偏差值比值的第一比值等四个方面,对所生成的物品组合进行综合评分。从而,可以精准地对由所检测的各个物品组成的物品组合进行评分处理。降低了所输出的物品组合与用户获取的物品的偏差率。进而,有效避免了物品的反复补货,提高了对物品补货的效率。
步骤307,将上述推荐物品信息发送至具有显示功能和语音播放功能的补货设备。
在一些实施例中,步骤307的具体实现方式及所带来的技术效果可以参考图2对应的那些实施例中的步骤205,在此不再赘述。
从图3可以看出,与图2对应的一些实施例的描述相比,图3对应的一些实施例中的物品信息推送方法的流程300体现了对由所检测的各个物品组成的物品组合进行评分的步骤。可以综合物品图像、物品重量、物品频次和表征偏差值比值的第一比值等四个方面,对所生成的物品组合进行综合评分。从而,可以精准地对由所检测的各个物品组成的物品组合进行评分处理。降低了所输出的物品组合与用户获取的物品的偏差率。进而,有效避免了物品的反复补货,提高了对物品补货的效率。
进一步参考图4,作为对上述各图所示方法的实现,本公开提供了一种物品信息推送装置的一些实施例,这些装置实施例与图2上述的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,一些实施例的物品信息推送装置400包括:第一获取单元401、组合单元402、第二获取单元403、生成单元404和发送单元405。其中,第一获取单元401被配置成获取用户所获取的物品总重量和与上述物品总重量对应的物品组中的每个物品的物品信息,得到物品信息集,其中,上述物品信息包括物品名称和对应上述物品名称的物品重量;组合单元402被配置成对上述物品信息集所包括的各个物品重量进行组合处理,得到物品重量组集,其中,上述物品重量组集中的物品重量组满足预设条件,上述预设条件为物品重量组中各个物品重量的和大于等于上述物品总重量和预设重量误差的差值以及上述物品重量组中各个物品重量的和小于等于上述物品总重量和上述预设重量误差的和;第二获取单元403被配置成获取上述物品组中的每个物品的物品图像特征组,得到物品图像特征组集;生成单元404被配置成基于上述物品重量组集和上述物品图像特征组集,生成推荐物品信息;发送单元405被配置成将上述推荐物品信息发送至具有显示功能和语音播放功能的补货设备。
可以理解的是,该装置400中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置400及其中包含的单元,在此不再赘述。
下面参考图5,其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的计算设备101)500的结构示意图。图5示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图5所示,电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常,以下装置可以连接至I/O接口505:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507;包括例如磁带、硬盘等的存储装置508;以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图5中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置509从网络上被下载和安装,或者从存储装置508被安装,或者从ROM 502被安装。在该计算机程序被处理装置501执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述装置中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取用户所获取的物品总重量和与上述物品总重量对应的物品组中的每个物品的物品信息,得到物品信息集,其中,上述物品信息包括物品名称和对应上述物品名称的物品重量;对上述物品信息集所包括的各个物品重量进行组合处理,得到物品重量组集,其中,上述物品重量组集中的物品重量组满足预设条件,上述预设条件为物品重量组中各个物品重量的和大于等于上述物品总重量和预设重量误差的差值以及上述物品重量组中各个物品重量的和小于等于上述物品总重量和上述预设重量误差的和;获取上述物品组中的每个物品的物品图像特征组,得到物品图像特征组集;基于上述物品重量组集和上述物品图像特征组集,生成推荐物品信息;将上述推荐物品信息发送至具有显示功能和语音播放功能的补货设备。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括第一获取单元、组合单元、第二获取单元、生成单元和发送单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,发送单元还可以被描述为“将上述推荐物品信息发送至具有显示功能和语音播放功能的补货设备的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。