CN113065492A - 云边协同自动点货方法、装置、系统及其存储介质 - Google Patents

云边协同自动点货方法、装置、系统及其存储介质 Download PDF

Info

Publication number
CN113065492A
CN113065492A CN202110389490.9A CN202110389490A CN113065492A CN 113065492 A CN113065492 A CN 113065492A CN 202110389490 A CN202110389490 A CN 202110389490A CN 113065492 A CN113065492 A CN 113065492A
Authority
CN
China
Prior art keywords
goods
image
ordering
training
cloud
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
Application number
CN202110389490.9A
Other languages
English (en)
Inventor
刘青
叶建林
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.)
Beijing Deepexi Technology Co Ltd
Original Assignee
Beijing Deepexi Technology Co Ltd
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 Beijing Deepexi Technology Co Ltd filed Critical Beijing Deepexi Technology Co Ltd
Priority to CN202110389490.9A priority Critical patent/CN113065492A/zh
Publication of CN113065492A publication Critical patent/CN113065492A/zh
Pending legal-status Critical Current

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
    • G06F18/21—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
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • G06Q10/0875—Itemisation or classification of parts, supplies or services, e.g. bill of materials

Abstract

本发明涉及网络技术领域，具体涉及一种云边协同自动点货方法、装置、系统及其存储介质，其方法包括：获取包含有货物信息的训练图像；获取与所述训练图像相对应的门店设备的标识，并将所述标识与其训练图像相关联；将所述训练图像发送至云端的训练平台进行深度学习得到对应的检测模型，并根据与所述训练图像相关联的标识将该检测模型发送至对应的门店设备；所述门店设备接收训练平台所发送的检测模型；获取包含有货物信息的点货图像；将所述点货图像导入所述检测模型中，并通过将所述点货图像的特征与该检测模型的比对，识别出所述货物信息；本发明能实现对货物进行准确的识别，有效提高了识别的准确率和速度，利于自动点货技术在市面上的推广。

Description

云边协同自动点货方法、装置、系统及其存储介质
技术领域
本发明涉及网络技术领域，具体涉及一种云边协同自动点货方法、一种云边协同自动点货装置、一种云边协同自动点货系统以及一种存储有上述方法的可读存储介质。
背景技术
随着社会经济的迅速发展，商业活动也越来越频繁；在现有的大规模连锁门店及商场中，均需要定期对货架中的货物进行盘点；通过盘点，可以控制存货，以指导日常经营业务；同时也能够及时掌握损益情况，以便真实地把握经营绩效。
为了能快速高效地获取到盘点数据，在现今市面上的部分门店及商场均开始通过电子设备对货架中的货物进行自动点货；但在现有技术中，其需要用户携带电子设备到各个门店进行现场的货物图像数据采集，该电子设备将从所有门店中所采集到的货物图像数据进行统一的深度学习，得到检测模型算法，但由于线下门店数量较多，其很难完成对所有门店的货物图像数据进行采集，且每个门店及商场的现场环境差异很大，故其识别准确率不高，其不利于自动点货技术在市面上的推广。
发明内容
为克服上述缺陷，本发明的目的即在于提供一种准确率高的云边协同自动点货方法、装置、系统以及存储有其方法的可读存储介质。
本发明的目的是通过以下技术方案来实现的：
本发明是一种云边协同自动点货方法，其包括：
获取包含有货物信息的训练图像；
获取与所述训练图像相对应的门店设备的标识，并将所述标识与其训练图像相关联；
将所述训练图像发送至云端的训练平台进行深度学习得到对应的检测模型，并根据与所述训练图像相关联的标识将该检测模型发送至对应的门店设备；
所述门店设备接收训练平台所发送的检测模型；
获取包含有货物信息的点货图像；
将所述点货图像导入所述检测模型中，并通过将所述点货图像的特征与该检测模型的比对，识别出所述货物信息。
在本发明中，所述将所述点货图像导入所述检测模型中之前包括：
获取货架在所述点货图像中的坐标，然后根据所述坐标对所述点货图像进行截取。
在本发明中，所述获取货架在所述点货图像中的坐标包括：
通过卷积神经网络提取货架的特征，再通过回归来确定货架在所述点货图像中的坐标。
在本发明中，所述货物信息包括：货物的类别、货物的坐标、货物的数量。
在本发明中，所述识别出所述货物信息之后包括：
当识别到任一类别的货物其相应的货物的数量少于预定值时，则发出警报信号。
基于同样的构思，本发明还提供一种云边协同自动点货装置，其包括：
图像获取模块，所述图像获取模块用于获取包含有货物信息的训练图像，或获取包含有货物信息的点货图像；
图像关联模块，所述图像关联模块与所述图像获取模块相连接，用于获取与所述训练图像相对应的门店设备的标识，并将所述标识与其训练图像相关联；
平台通讯模块，所述平台通讯模块与所述图像关联模块相连接，用于将所述训练图像发送至云端的训练平台进行深度学习得到对应的检测模型；
货物识别模块，所述货物识别模块分别与所述图像获取模块和所述平台通讯模块相连接，用于对训练平台根据门店设备的标识定向发送的检测模型进行存储；将所述点货图像导入所述检测模型中，并通过将所述点货图像的特征与该检测模型的比对，识别出所述货物信息。
在本发明中，所述货物识别模块中包括：
图像截取单元，所述图像截取单元用于获取货架在所述点货图像中的坐标，然后根据所述坐标对所述点货图像进行截取。
基于同样的构思，本发明还提供一种云边协同自动点货系统，其特征在于，包括：训练平台以及如上所述的自动点货装置，所述训练平台通过通讯网络与所述自动点货装置相连接，所述训练平台用于对所述自动点货装置所发送的训练图像进行深度学习，得到对应的检测模型；并根据与所述训练图像相关联的标识将该检测模型发送至对应的所述自动点货装置中。
在本发明中，所述系统还包括：
摄像头，所述摄像头的数量为一个以上，其均与所述自动点货装置中的图像获取模块相连接；
货物管理平台，所述货物管理平台与所述自动点货装置相连接，用于获取自动点货装置所产生的货物信息，并对该货物信息进行处理。
基于同样的构思，本发明还提供一种计算机可读程序存储介质，其存储有计算机程序指令，当所述计算机程序指令被计算机执行时，使计算机执行如上所述的方法。
在本发明的云边协同自动点货方法中，其在对门店的货物图像进行采集后，将该货物图像发送至云端的训练平台进行深度学习，并将所生成的检测模型发送回对应的门店，故其不需要用户携带电子设备到各个门店进行现场的货物图像数据采集；在本发明中由于各个门店均有与其相对应的检测模型，其便于门店在点货时，根据其相应的检测模型对其所采集到的货物图像中的货物信息进行准确的识别，有效提高了识别的准确率和速度，有利于自动点货技术在市面上的推广。
附图说明
为了易于说明，本发明由下述的较佳实施例及附图作详细描述。
图1为本发明云边协同自动点货方法一个实施例的工作流程示意图；
图2为本发明云边协同自动点货方法另一个实施例的工作流程示意图；
图3为本发明云边协同自动点货装置的逻辑结构示意图；
图4为本发明云边协同自动点货系统的逻辑结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”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。此外，术语“第一”、“第二”仅用于描述目的，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。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接。可以是机械连接，也可以是电连接。可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
下面以一个实施例对本发明的一种云边协同自动点货方法进行具体描述，请参阅图1，其包括：
S101.获取训练图像
获取包含有货物信息的训练图像；其中，该训练图像为包含有本地门店的货物信息的图像，该图像可以采用用户预先拍摄好的图像，或者通过摄像头等设备在门店的货架上对图像进行现场采集。
S102.将标识与其训练图像相关联
获取与所述训练图像相对应的门店设备的标识，并将所述标识与其训练图像相关联；其中，每间门店均设有其唯一的标识，通过该标识能定位到对应的门店。以便于在后续步骤训练平台完成深度学习得到检测模型后，能将该检测模型准确地发送至该门店设备中。
S103.将样本数据发送至训练平台
将所述训练图像发送至云端的训练平台进行深度学习得到对应的检测模型，并根据与所述训练图像相关联的标识将该检测模型发送至对应的门店设备；在本步骤中，本地门店所获取到训练图像通过通讯网络发送至云端的训练平台上，并在训练平台进行深度学习，得到与该门店相对应的检测模型，再根据门店设备的标识，将检测模型定向发送至对应的门店设备中。
S104.接收检测模型
门店设备接收训练平台所发送的检测模型；具体地，本地门店通过通讯网络接收训练平台所生成的检测模型，该检测模型与当前门店的货物信息相匹配。
S105.获取点货图像
当门店需要进行点货时，则获取包含有货物信息的点货图像；其中，该点货图像为包含有本地门店的货物信息的图像；优选地，其可以通过设置于门店的摄像头对门店的货架上对货物图像进行实时采集。
S106.识别出所述货物信息
将所述点货图像导入所述检测模型中，并通过将所述点货图像的特征与该检测模型的比对，识别出所述货物信息。其中，该货物信息包括：货物的类别、货物的坐标、货物的数量；例如其所获得的结果可以为：货物A，数量10；货物B，数量15；货物C，数量3。
下面以另一个实施例对本发明的一种云边协同自动点货方法进行具体描述，请参阅图2，其包括：
S201.获取训练图像
获取包含有货物信息的训练图像；其中，该训练图像为包含有本地门店的货物信息的图像，该图像可以采用用户预先拍摄好的图像，或者通过摄像头等设备在门店的货架上对图像进行现场采集。
S202.将标识与其训练图像相关联
获取与所述训练图像相对应的门店设备的标识，并将所述标识与其训练图像相关联；其中，每间门店均设有其唯一的标识，通过该标识能定位到对应的门店。以便于在后续步骤训练平台完成深度学习得到检测模型后，能将该检测模型准确地发送至该门店设备中。
S203.将样本数据发送至训练平台
将所述训练图像发送至云端的训练平台进行深度学习得到对应的检测模型，并根据与所述训练图像相关联的标识将该检测模型发送至对应的门店设备；在本步骤中，本地门店所获取到训练图像通过通讯网络发送至云端的训练平台上，并在训练平台进行深度学习，得到与该门店相对应的检测模型，再根据门店设备的标识，将检测模型定向发送至对应的门店设备中。
S204.接收检测模型
门店设备接收训练平台所发送的检测模型；具体地，本地门店通过通讯网络接收训练平台所生成的检测模型，该检测模型与当前门店的货物信息相匹配。
S205.获取点货图像
当门店需要进行点货时，则获取包含有货物信息的点货图像；其中，该点货图像为包含有本地门店的货物信息的图像；优选地，其可以通过设置于门店的摄像头对门店的货架上对货物图像进行实时采集。
S206.截取图像中的货架区域
获取货架在所述点货图像中的坐标，然后根据所述坐标对所述点货图像进行截取，从而可以把货架部分从点货图像中分离出来。在本实施例中，其使用了基于卷积神经网络的单级检测器，该方法采用端到端的训练方式，通过卷积神经网络提取货架的特征，再通过回归来确定货架在所述点货图像中的坐标。在本步骤中，由于先对点货图像中的货架部分进行截取，再在所截取图像的基础上进行货物信息的识别，其有效地提高识别的准确率。
S207.识别出所述货物信息
将所述点货图像导入所述检测模型中，并通过将所述点货图像的特征与该检测模型的比对，识别出所述货物信息。其中，该货物信息包括：货物的类别、货物的坐标、货物的数量；例如其所获得的结果可以为：货物A，数量10；货物B，数量15；货物C，数量3。
S208.发出警报信号
当识别到任一类别的货物其相应的货物的数量少于预定值时，则发出警报信号。其中，每个类别的货物的预定值可以单独进行设置，如：货物A的预定值为12；货物B的预定值为10；货物C的预定值为10；故上述步骤中所述检测到货物A数量为10小于预定值12，则会发出警报信号；而检测到货物B数量为15大于预定值10，则不会发出警报信号；而警报信号可以以文字的形式进行呈现，如：“货物A需要补货”。
本发明包括一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。
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，其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、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。
以上可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
下面以一个实施例对本发明的一种云边协同自动点货装置进行具体描述，其中，该装置可以为一个电子计算终端，请参阅图3，其包括：
图像获取模块101，所述图像获取模块101用于获取包含有货物信息的训练图像，或获取包含有货物信息的点货图像；其中，该训练图像和点货图像为包含有本地门店的货物信息的图像，该图像可以采用用户预先拍摄好的图像，或者通过摄像头等设备在门店的货架上对图像进行现场采集。
图像关联模块102，所述图像关联模块102与所述图像获取模块101相连接，用于获取与所述训练图像相对应的门店设备的标识，并将所述标识与其训练图像相关联；其中，每间门店均设有其唯一的标识，通过该标识能定位到对应的门店。在本步骤中，由于将训练图像与各自门店的标识相关联，故在训练平台完成深度学习得到检测模型后，能将该检测模型发送至该门店设备中。
平台通讯模块103，所述平台通讯模块103与所述图像关联模块102相连接，用于将所述训练图像发送至云端的训练平台进行深度学习得到对应的检测模型；在本实施例中，其根据每个门店的训练图像，得到一个独立的检测模型；
货物识别模块104，所述货物识别模块104分别与所述图像获取模块101和所述平台通讯模块103相连接，用于对训练平台根据门店设备的标识定向发送的检测模型进行存储；将所述点货图像导入所述检测模型中，并通过将所述点货图像的特征与该检测模型的比对，识别出所述货物信息。在本实施例中，由于每个门店设有一个独立的检测模型，其识别将不受其他门店数据的干扰，使得比对更为精确。
在本实施例中，其利用了云边协同的方式进行数据采集，并每个门店均设有一个独立的检测模型，以此来完成货物盘点，针对大规模门店部署具有很强的操作性；其识别准确率能够达到98％以上。
在本实施例中，所述货物识别模块104中包括：
图像截取单元(未图示)，所述图像截取单元(未图示)用于获取货架在所述点货图像中的坐标，然后根据所述坐标对所述点货图像进行截取。为了减少外部环境对货物盘点的影响，在本实施例中先对点货图像进行截取以获取包含货架的主体图像，再在包含货架的主体图像中对货物信息进行识别，其有效地提高了识别的准确率。
下面以一个实施例对本发明的一种云边协同自动点货系统进行具体描述，请参阅图4，其包括：
训练平台200以及如上所述的自动点货装置100，所述训练平台200通过通讯网络与所述自动点货装置100相连接，所述训练平台200通过通讯网络与所述自动点货装置100相连接，所述训练平台200用于对所述自动点货装置100所发送的训练图像进行深度学习，得到对应的检测模型；并根据与所述训练图像相关联的标识将该检测模型发送至对应的所述自动点货装置100中。由于本实施例中采用云边协同方式将本地的样本信息上传至云端的训练平台200的方式，故一旦部署完成训练平台200很快可以获取所有门店的训练样本。
在本实施例中，所述系统还包括：
摄像头300，所述摄像头300的数量为一个以上，其均与所述自动点货装置100中的图像获取模块相连接；其中，该摄像头300被安装于门店内并且与货架相对准；
货物管理平台400，所述货物管理平台400与所述自动点货装置100相连接，用于获取自动点货装置100所产生的货物信息，并对该货物信息进行处理，其处理方式可以包括发出警报信号和将货物信息制作成报表和存储等；其中，该货物管理平台400可以为多个也可以为一个，当设置为多个时，可直接设置于该门店内，当设置为一个时，其可以为云端的对所有门店的货物信息进行统一管理的货物管理平台400。
在本说明书的描述中，参考术语“一个实施方式”、“一些实施方式”、“示意性实施方式”、“示例”、“具体示例”、或“一些示例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种云边协同自动点货方法，其特征在于，包括：
获取包含有货物信息的训练图像；
获取与所述训练图像相对应的门店设备的标识，并将所述标识与其训练图像相关联；
将所述训练图像发送至云端的训练平台进行深度学习得到对应的检测模型，并根据与所述训练图像相关联的标识将该检测模型发送至对应的门店设备；
所述门店设备接收训练平台所发送的检测模型；
获取包含有货物信息的点货图像；
将所述点货图像导入所述检测模型中，并通过将所述点货图像的特征与该检测模型的比对，识别出所述货物信息。
2.根据权利要求1所述的云边协同自动点货方法，其特征在于，所述将所述点货图像导入所述检测模型中之前包括：
获取货架在所述点货图像中的坐标，然后根据所述坐标对所述点货图像进行截取。
3.根据权利要求2所述的云边协同自动点货方法，其特征在于，所述获取货架在所述点货图像中的坐标包括：
通过卷积神经网络提取货架的特征，再通过回归来确定货架在所述点货图像中的坐标。
4.根据权利要求3所述的云边协同自动点货方法，其特征在于，所述货物信息包括：货物的类别、货物的坐标、货物的数量。
5.根据权利要求4所述的云边协同自动点货方法，其特征在于，所述识别出所述货物信息之后包括：
当识别到任一类别的货物其相应的货物的数量少于预定值时，则发出警报信号。
6.一种云边协同自动点货装置，其特征在于，包括：
图像获取模块，所述图像获取模块用于获取包含有货物信息的训练图像，或获取包含有货物信息的点货图像；
图像关联模块，所述图像关联模块与所述图像获取模块相连接，用于获取与所述训练图像相对应的门店设备的标识，并将所述标识与其训练图像相关联；
平台通讯模块，所述平台通讯模块与所述图像关联模块相连接，用于将所述训练图像发送至云端的训练平台进行深度学习得到对应的检测模型；
货物识别模块，所述货物识别模块分别与所述图像获取模块和所述平台通讯模块相连接，用于对训练平台根据门店设备的标识定向发送的检测模型进行存储；将所述点货图像导入所述检测模型中，并通过将所述点货图像的特征与该检测模型的比对，识别出所述货物信息。
7.根据权利要求6所述的云边协同自动点货装置，其特征在于，所述货物识别模块中包括：
图像截取单元，所述图像截取单元用于获取货架在所述点货图像中的坐标，然后根据所述坐标对所述点货图像进行截取。
8.一种云边协同自动点货系统，其特征在于，包括：训练平台以及如权利要求6至7任一项所述的自动点货装置，所述训练平台通过通讯网络与所述自动点货装置相连接，所述训练平台用于对所述自动点货装置所发送的训练图像进行深度学习，得到对应的检测模型；并根据与所述训练图像相关联的标识将该检测模型发送至对应的所述自动点货装置中。
9.根据权利要求8所述的云边协同自动点货系统，其特征在于，还包括：
摄像头，所述摄像头的数量为一个以上，其均与所述自动点货装置中的图像获取模块相连接；
货物管理平台，所述货物管理平台与所述自动点货装置相连接，用于获取自动点货装置所产生的货物信息，并对该货物信息进行处理。
10.一种计算机可读程序存储介质，其特征在于，其存储有计算机程序指令，当所述计算机程序指令被计算机执行时，使计算机执行根据权利要求1至5中任一项所述的方法。
CN202110389490.9A 2021-04-12 2021-04-12 云边协同自动点货方法、装置、系统及其存储介质 Pending CN113065492A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110389490.9A CN113065492A (zh) 2021-04-12 2021-04-12 云边协同自动点货方法、装置、系统及其存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110389490.9A CN113065492A (zh) 2021-04-12 2021-04-12 云边协同自动点货方法、装置、系统及其存储介质

Publications (1)

Publication Number Publication Date
CN113065492A true CN113065492A (zh) 2021-07-02

Family

ID=76566329

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110389490.9A Pending CN113065492A (zh) 2021-04-12 2021-04-12 云边协同自动点货方法、装置、系统及其存储介质

Country Status (1)

Country Link
CN (1) CN113065492A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116704666A (zh) * 2023-06-21 2023-09-05 合肥中科类脑智能技术有限公司 售卖方法及计算机可读存储介质、自动售卖机
CN116739467A (zh) * 2023-06-16 2023-09-12 暨南大学 基于云边协同的循环取送货路径规划方法、装置及介质

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140129599A1 (en) * 2012-11-07 2014-05-08 Intertrust Technologies Corporation Personalized data management systems and methods
CN107343052A (zh) * 2017-07-25 2017-11-10 苏州大学 一种wsn与rfid结合的物流监控系统
CN108416403A (zh) * 2018-03-08 2018-08-17 上海扩博智能技术有限公司 商品与标签的自动关联方法、系统、设备及存储介质
CN110309702A (zh) * 2019-04-18 2019-10-08 成都数之联科技有限公司 一种门店货柜视频监控管理系统
CN110348293A (zh) * 2019-05-29 2019-10-18 广州中科凯泽科技有限公司 一种商品识别方法及系统
CN110458256A (zh) * 2019-07-10 2019-11-15 锐捷网络股份有限公司 一种基于rfid的货物管理方法、电子设备及系统
CN110532978A (zh) * 2019-09-03 2019-12-03 北京百度网讯科技有限公司 仓储管理方法、装置、设备及存储介质
CN110705666A (zh) * 2019-10-22 2020-01-17 顺忠宝智能科技(深圳)有限公司 人工智能云计算展示架货架货物和标签监控与存储货物方法
US10607116B1 (en) * 2018-10-30 2020-03-31 Eyezon Ltd Automatically tagging images to create labeled dataset for training supervised machine learning models
CN110956237A (zh) * 2019-11-20 2020-04-03 武汉瑞莱保能源技术有限公司 仓储管理系统
KR20200085061A (ko) * 2019-01-04 2020-07-14 주식회사 인터파크 상품 관리 방법 및 장치
CN111612398A (zh) * 2020-05-21 2020-09-01 北京每日优鲜电子商务有限公司 仓库配货方法、装置、计算机设备及存储介质
CN111696258A (zh) * 2019-03-15 2020-09-22 万维数码智能有限公司 智能货架系统及其控制方法
CN111738245A (zh) * 2020-08-27 2020-10-02 创新奇智(北京)科技有限公司 商品识别管理方法、装置、服务器及可读存储介质
CN111898935A (zh) * 2020-06-24 2020-11-06 广州市玄武无线科技股份有限公司 一种基于图像处理的仓储盘点方法、系统存储及终端设备
CN112215167A (zh) * 2020-10-14 2021-01-12 上海爱购智能科技有限公司 一种基于图像识别的智能商店控制方法和系统
WO2021030924A1 (zh) * 2019-08-16 2021-02-25 浙江汉朔电子科技有限公司 货架物品识别方法、装置及系统

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140129599A1 (en) * 2012-11-07 2014-05-08 Intertrust Technologies Corporation Personalized data management systems and methods
CN107343052A (zh) * 2017-07-25 2017-11-10 苏州大学 一种wsn与rfid结合的物流监控系统
CN108416403A (zh) * 2018-03-08 2018-08-17 上海扩博智能技术有限公司 商品与标签的自动关联方法、系统、设备及存储介质
US10607116B1 (en) * 2018-10-30 2020-03-31 Eyezon Ltd Automatically tagging images to create labeled dataset for training supervised machine learning models
KR20200085061A (ko) * 2019-01-04 2020-07-14 주식회사 인터파크 상품 관리 방법 및 장치
CN111696258A (zh) * 2019-03-15 2020-09-22 万维数码智能有限公司 智能货架系统及其控制方法
CN110309702A (zh) * 2019-04-18 2019-10-08 成都数之联科技有限公司 一种门店货柜视频监控管理系统
CN110348293A (zh) * 2019-05-29 2019-10-18 广州中科凯泽科技有限公司 一种商品识别方法及系统
CN110458256A (zh) * 2019-07-10 2019-11-15 锐捷网络股份有限公司 一种基于rfid的货物管理方法、电子设备及系统
WO2021030924A1 (zh) * 2019-08-16 2021-02-25 浙江汉朔电子科技有限公司 货架物品识别方法、装置及系统
CN110532978A (zh) * 2019-09-03 2019-12-03 北京百度网讯科技有限公司 仓储管理方法、装置、设备及存储介质
CN110705666A (zh) * 2019-10-22 2020-01-17 顺忠宝智能科技(深圳)有限公司 人工智能云计算展示架货架货物和标签监控与存储货物方法
CN110956237A (zh) * 2019-11-20 2020-04-03 武汉瑞莱保能源技术有限公司 仓储管理系统
CN111612398A (zh) * 2020-05-21 2020-09-01 北京每日优鲜电子商务有限公司 仓库配货方法、装置、计算机设备及存储介质
CN111898935A (zh) * 2020-06-24 2020-11-06 广州市玄武无线科技股份有限公司 一种基于图像处理的仓储盘点方法、系统存储及终端设备
CN111738245A (zh) * 2020-08-27 2020-10-02 创新奇智(北京)科技有限公司 商品识别管理方法、装置、服务器及可读存储介质
CN112215167A (zh) * 2020-10-14 2021-01-12 上海爱购智能科技有限公司 一种基于图像识别的智能商店控制方法和系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
RUI CHEN等: "Analysis of the role and robustness of artificial intelligence in commodity image recognition under deep learning neural network", 《PLOS ONE》, vol. 15, no. 7, 7 July 2020 (2020-07-07), pages 1 - 17 *
YUCHEN WEI等: "Deep Learning for Retail Product Recognition: Challenges and Techniques", 《COMPUTATIONAL INTELLIGENCE AND NEUROSCIENCE》, vol. 2020, 12 November 2020 (2020-11-12), pages 1 - 23, XP093017658, DOI: 10.1155/2020/8875910 *
汪振杰: "基于深度学习的货架商品目标检测", 《中国优秀硕士学位论文全文数据库：信息科技辑》, no. 2020, 15 August 2020 (2020-08-15), pages 138 - 640 *
王建波: "北京永辉超市生鲜商品进销存管理研究", 《中国优秀硕士学位论文全文数据库：经济与管理科学辑》, no. 2021, 15 February 2021 (2021-02-15), pages 152 - 1113 *
陈威: "中石化易捷便利店业务发展存在问题及对策研究", 《中国优秀硕士学位论文全文数据库：经济与管理科学辑》, no. 2017, 15 March 2017 (2017-03-15), pages 150 - 584 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116739467A (zh) * 2023-06-16 2023-09-12 暨南大学 基于云边协同的循环取送货路径规划方法、装置及介质
CN116739467B (zh) * 2023-06-16 2024-02-02 暨南大学 基于云边协同的循环取送货路径规划方法、装置及介质
CN116704666A (zh) * 2023-06-21 2023-09-05 合肥中科类脑智能技术有限公司 售卖方法及计算机可读存储介质、自动售卖机

Similar Documents

Publication Publication Date Title
CN109308490B (zh) 用于生成信息的方法和装置
CN109376267B (zh) 用于生成模型的方法和装置
CN111915020B (zh) 检测模型的更新方法、装置及存储介质
CN109656973B (zh) 一种目标对象关联分析方法及装置
CN113065492A (zh) 云边协同自动点货方法、装置、系统及其存储介质
CN109492128A (zh) 用于生成模型的方法和装置
CN109447156A (zh) 用于生成模型的方法和装置
CN114359758B (zh) 一种输电线的检测方法、装置、计算机设备和存储介质
CN111292327B (zh) 机房巡检方法、装置、设备及存储介质
CN111078512A (zh) 告警记录生成方法、装置、告警设备及存储介质
CN112613569A (zh) 图像识别方法、图像分类模型的训练方法及装置
CN112770265B (zh) 一种行人身份信息获取方法、系统、服务器和存储介质
CN114428677B (zh) 任务处理方法、处理装置、电子设备及存储介质
CN113781767A (zh) 一种基于多源感知的交通数据融合方法及系统
CN111383246A (zh) 条幅检测方法、装置及设备
CN107666398B (zh) 基于用户行为的群组通知方法、系统以及存储介质
CN116150191A (zh) 一种用于云端数据架构的数据运算加速方法及系统
Li et al. An automatic plant leaf stoma detection method based on YOLOv5
CN110298302A (zh) 一种人体目标检测方法及相关设备
CN110909804B (zh) 基站异常数据的检测方法、装置、服务器和存储介质
WO2021138893A1 (zh) 车牌识别方法、装置、电子设备及存储介质
CN115393755A (zh) 视觉目标跟踪方法、装置、设备以及存储介质
CN112905722B (zh) 一种行为识别的方法、装置及存储介质
CN106650280A (zh) 应用人工智能技术自动分析人体历史健康数据的系统
CN112801688A (zh) 估值失败原因的定位方法和装置

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