CN113111821A - 一种自动售货机货道控制方法及装置 - Google Patents
一种自动售货机货道控制方法及装置 Download PDFInfo
- Publication number
- CN113111821A CN113111821A CN202110433456.7A CN202110433456A CN113111821A CN 113111821 A CN113111821 A CN 113111821A CN 202110433456 A CN202110433456 A CN 202110433456A CN 113111821 A CN113111821 A CN 113111821A
- Authority
- CN
- China
- Prior art keywords
- goods
- channel
- goods channel
- vending machine
- lane
- 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
- G06F18/21—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
- 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
- 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
- G07—CHECKING-DEVICES
- G07F—COIN-FREED OR LIKE APPARATUS
- G07F11/00—Coin-freed apparatus for dispensing, or the like, discrete articles
- G07F11/02—Coin-freed apparatus for dispensing, or the like, discrete articles from non-movable magazines
- G07F11/04—Coin-freed apparatus for dispensing, or the like, discrete articles from non-movable magazines in which magazines the articles are stored one vertically above the other
- G07F11/16—Delivery means
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Control Of Vending Devices And Auxiliary Devices For Vending Devices (AREA)
Abstract
本发明涉及信息处理技术领域,尤其涉及一种自动售货机货道控制方法及装置,该方法包括:在预设时间段内,依次扫描自动售货机货架的每个货道,获得每个货道的当前图片;将每个货道的当前图片输入分类模型中,获得每个货道的存货状况的分类结果,基于每个货道的存货状况的分类结果,对每种货品类型的货源进行安排,进而提高了对货道的存货情况的检测精度,确保自动售货机的正常使用。
Description
技术领域
本发明涉及信息处理技术领域,尤其涉及一种自动售货机货道控制方法及装置。
背景技术
现有的自动售货机中每个货道的情况是系统根据原有货道的数量以及订单情况进行统计的,但是,在实际使用中,常常会出现货道问题,比如,会有多余的物品被意外带出货道,或者人为录入错误,这样会导致货品的统计错误,或者造成货品缺货。
因此,现有的自动售货机存在无法准确获取当前存货状况的技术问题,影响其正常使用。
发明内容
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的自动售货机货道控制方法及装置。
第一方面,本发明提供了一种自动售货机货道控制方法,包括:
在预设时间段内,依次扫描所述自动售货机货架的每个货道,获得所述每个货道的当前图片;
将所述每个货道的当前图片输入用于对货道的存货状况进行分类的分类模型中,获得所述每个货道的存货状况的分类结果;
基于所述每个货道的存货状况的分类结果,对每种货品类型的货源进行安排。
优选地,所述分类模型通过如下方式获得,包括:
获取N个货道样本,N为正整数;
从所述N个货道样本中提取每个货道的样本图片以及每个货道所标注的存货状况信息;
将所述每个货道的样本图片和所述每个货道所标注的存货状况信息均输入神经网络模型,以对所述神经网络模型进行训练,得到用于对货道的存货状况进行分类的分类模型。
优选地,所述每个货道的存货状况信息为如下任意一种:空货道、满货道、即将空货。
优选地,所述在预设时间段内,依次扫描所述自动售货机货架的每个货道,获得所述每个货道的当前图片,包括:
位于所述自动售货机前侧或后侧设置有滑轨组件,所述滑轨组件包括横轴轨道和纵轴轨道,所述纵轴轨道上设置有第一滑块,图片采集装置设置在所述第一滑块上,所述纵轴轨道通过第二滑块与所述横轴轨道连接;
在预设时间段内,通过控制所述图片采集装置沿着所述滑轨组件移动,从而扫描所述自动售货机货架的每个货道,获得所述每个货道的当前图片。
优选地,所述基于所述每个货道的存货状况的分类结果,对每种货品类型的货源进行安排,包括:
获取每个货道的编号信息;
基于所述每个货道的编号信息,获得所述每个货道的货品类型;
基于每个货道的存货状况的分类信息和每个货道的货品类型,对每种货品类型的货源进行安排。
优选地,所述获取每个货道的编号信息,包括:
从所述每个货道的当前图片中提取每个货道的编号信息;或者
基于所述滑轨组件的移动位置,获取每个货道的编号信息。
优选地,所述基于每个货道的存货状况的分类信息和每个货道的货品类型,对每种货品类型的货源进行安排,包括:
在所述货道的存货状况的分类结果为空货道时,向供货端发送相应的货品类型已空货的信息,并提示及时补货;
在所述货道的存货状况的分类结果为即将空货时,向所述供货端发送相应的货品即将空货的信息,并提示以确保相应的货品类型的货源充足;
在所述货道的存货状况的分类结果为满货道时,向所述供货端发送相应的货品类型为满货道的信息,并提示所述供货端无需对相应的货品类型囤货。
第二方面,本发明还提供了一种自动售货机货道控制装置,包括:
图片获取模块,用于在预设时间段内,依次扫描所述自动售货机货架的每个货道,获得所述每个货道的当前图片;
分类模块,将所述每个货道的当前图片输入用于对货道的存货状况进行分类的分类模型中,获得所述每个货道的存货状况的分类结果。
第三方面,本发明实施例还提供一种自动售货机,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,所述处理器执行上述方法的步骤。
第四方面,本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现上述方法的步骤。
本发明实施例中的一个或多个技术方案,至少具有如下技术效果或优点:
本发明提供的一种自动售货机货道控制方法,通过采用神经网络算法,得到用于对货道的存货状况进行分类的分类模型,进而通过扫描自动售货机货架的每个货道,然后利用该分类模型,从而获得每个货道的存货状况的分类结果,基于每个货道的存货状况的分类结果,对每种货品类型的货源进行安排,解决了现有技术中根据订单情况进行统计,获得货道的存货情况,无法避免出现货道问题时,造成的统计错误,从而影响自动售货机正常使用的技术问题,进而提高了对货道的存货情况的检测精度,确保自动售货机的正常使用。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考图形表示相同的部件。在附图中:
图1示出了本发明实施例一中自动售货机货道控制方法的步骤流程示意图;
图2示出了本发明实施例一中滑轨组件的结构示意图;
图3示出了本发明实施例一中空货道情况的样本图片示意图;
图4示出了本发明实施例一中满货道情况的样本图片示意图;
图5示出了本发明实施例一中即将空货情况的样本图片示意图;
图6示出了本发明实施例一中图像采集装置沿着滑轨组件对自动售货机货架的每个货道依次扫描的轨迹图;
图7示出了本发明实施例二中自动售货机货道控制装置的结构示意图;
图8示出了本发明实施例三中自动售货机的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
实施例一
本发明实施例提供了一种自动售货机货道控制方法,如图1所示,包括:
S101,在预设时间段内,依次扫描自动售货机货架的每个货道,获得每个货道的当前图片;
S102,将每个货道的当前图片输入用于对货道的存货状况进行分类的分类模型中,获得每个货道的存货状况的分类结果;
S103,基于每个货道的存货状况的分类结果,对每种货品类型的货源进行安排。
首先,该自动售货机包括多排货架,每排货架都包括多列存放不同货品的货道,位于同一货道的货品种类是相同的,比如,可以存放不同种类的饮料或者零食等等。
该自动售货机的前侧或者后侧,与该多排货架平行的位置设置有滑轨组件,如图2所示,该滑轨组件包括横轴轨道201和纵轴轨道202,纵轴轨道202上设置有第一滑块203,图像采集装置205设置在该第一滑块203上,该纵轴轨道202通过第二滑块204与横轴轨道201连接,该图像采集装置205可随着第一滑块203在纵轴轨道202上滑动,该纵轴轨道202可随着第二滑块204在横轴轨道201上滑动,这样,使得图像采集装置205任意移动,可以扫描位于自动售货机的货架上的每个货道。
采用上述的滑轨组件使得该图像采集装置扫描位于自动售货机的货架上的每个货道,由此获得每个货道的当前图片。
下面对该分类模型的获取过程进行描述:
获取N个货道样本,N为正整数。
该N个货道样本为对M个自动售货机的货架上的多个货道进行获取的。该N个货道样本中每个货道样本均包括货道图片以及该货道所标注的存货状况。
从N个货道样本中提取每个货道的样本图片以及每个货道所标注的存货状况信息,该每个货道的存货状况信息为如下任意一种:空货道、满货道、即将空货。
将每个货道的样本图片和每个货道所标注的存货状况信息均输入神经网络模型,以对神经网络模型进行训练,得到用于对货道的存货状况进行分类的分类模型。
该N个货道样本包括每个货道的样本图片和每个货道所标注的存货状况信息。
比如,01货道的样本图片1、以及01货道所标注的存货状况为空货道,如图3所示;02货道的样本图片2、以及02货道所标注的存货状况为满货道,如图4所示;01货道的样本图片3、以及01货道所标注的存货状况为即将空货,如图5所示等等,01货道的样本图片1和图片3为不同时刻拍摄的。
然后,将每个货道的样本图片和每个货道所标注的存货状况信息均输入神经网络模型,以对神经网络模型进行训练,得到用于对货道的存货状况进行分类的分类模型。
以上述的样本为例,具体是将01货道的样本图片1、01货道的样本图片3(样本图片1和样本图片3为不同时刻的图片)、02货道的样本图片2作为输入样本输入该神经网络模型中,将01货道所标注的存货状况为空货道、01货道所标注的存货状况为即将空货、02货道所标注的存货状况为满货道作为该神经网络模型的输出,当然,除此之外应该还有很多的训练样本,在此就不再详细赘述了,通过类似于上述例子的N个货道样本各自的样本图片以及样本图片上货道所标注的存货状况信息共同对神经网络模型进行训练。
其中,该神经网络模型具体可以是卷积神经网络模型、递归神经网络模型、迭代的决策树算法模型中的任意一种,当然,还可以采用其他的机器学习模型,在本发明实施例中就不再详细赘述了。
在通过该卷积神经网络模型进行训练时,通过一层卷积层、一层池化层,最后加上全连接层进行输出,训练的过程是将这些向量不断进行调整的过程。
由此,得到用于对货道的存货状况进行分类的分类模型。
在获得该分类模型之后,执行S101,在预设时间段内,依次扫描自动售货机货架的每个货道,获得每个货道的当前图片。
在一种可选的实施方式中,借助该滑轨组件,通过滑轨组件上设置的图像采集装置依次扫描自动售货机货架的每个货道,从而获得每个货道的当前图片。
如图6所示,为图像采集装置沿着该滑轨组件对自动售货机货架的每个货道依次扫描的轨迹,沿着a→b→c→d→e→f→g→h→i→j→k→l→m→n→o→p的方向,该扫描的轨迹,在此并不作限定。
预设时间段可以根据不同的情况进行设置,比如,每隔一个小时的预设时间段,或者根据自动售卖机的使用情况,选择使用频率较低的时间段作为预设时间段等等,在此并不作限定。
接着,执行S102,将每个货道的当前图片输入该用于对货道的存货状况进行分类的分类模型中,获得每个货道的存货状况的分类结果。
在一种可选的实施方式中,比如,通过对整个自动售货机货架的所有货道进行扫描,其中,对于05货道的当前图片4输入该分类模型中,由此,得到了该05货道的存货状况的分类结果为空货道。其他货道的当前图片输入该分类模型中,得到的其他货道的存货状况的分类结果为满货道。
采用上述的分类模型,对货道的当前图片进行分类,从而获得的货道的存货状态的分类结果更加准确。
因此,在获得每个货道的存货状态的分类结果之后,执行S103,基于该每个货道的存货状况的分类结果,对每种货品的货源进行安排。
在一种可选的实施方式中,首先,获取每个货道的编号信息;然后,基于每个货道的编号信息,获得每个货道的货品类型;基于每个货道的存货情况的分类结果和每个货道的货品类型,对每种货品类型的货源进行安排。
其中,获取每个货道的编号信息,具体可以是从每个货道的当前图片中提取每个货道的编号信息;或者基于滑轨组件的移动位置,获取每个货道的编号信息。在此并不作限定。
由于每个货道对应一种货品类型,对每个货道进行编号,例如,上述的01、02、03、05等,针对每个货道的编号,预置相应的货品类型,在放置货品时,可以按照对应的关系,放置相应类型的货品。可以预先设置这样的对应表格,以便于查找。
根据每个货道的存货情况的分类信息和每个货道的货品类型,对每种货品类型的货源进行安排,具体包括:
在货道的存货状况的分类结果为空货道时,向供货端发送相应的货品类型已空货的信息,并提示及时补货;
在货道的存货状况的分类结果为即将空货时,向供货端发送相应的货品类型即将空货的信息,并提示以确保相应的货品类型的货源充足;
在货道的存货状况的分类结果为满货道时,向供货端发送相应的货品类型为满货道的信息,并提示供货端无需对相应的货品类型囤货。
该自动售货机主要就是为了识别空货道,在识别到空货道时,能够及时提醒货源端对相应货道的货品种类进行补货,避免影响该自动售货机的正常使用。
当然,自动售货机还可以识别满货道的情况,在识别到满货道时,能够提醒货源端对相应货道的货品种类无需囤货,避免货品积压造成浪费。
该自动售货机还可以识别即将空货的情况,在识别到货道即将空货时,能够提醒货源端以确保相应货道的货品种类的货源充足。
本发明实施例中的一个或多个技术方案,至少具有如下技术效果或优点:
本发明提供的一种自动售货机货道控制方法,通过采用神经网络算法,得到用于对货道的存货状况进行分类的分类模型,进而通过扫描自动售货机货架的每个货道,然后利用该分类模型,从而获得每个货道的存货状况的分类结果,基于每个货道的存货状况的分类结果,对每种货品类型的货源进行安排,解决了现有技术中通过订单情况的统计方式,获得货道的存货情况中,无法避免出现货道问题时,造成的统计错误,从而影响自动售货机正常使用的技术问题,进而提高了对货道的存货情况的检测精度,确保自动售货机的正常使用。
实施例二
基于相同的发明构思,本发明实施例还提供了一种自动售货机货道控制装置,如图7所示,包括:
图片获取模块704,用于在预设时间段内,依次扫描所述自动售货机货架的每个货道,获得所述每个货道的当前图片;
分类模块705,用于将所述每个货道的当前图片输入所述分类模型中,获得所述每个货道的存货状况的分类结果;
安排模块703,用于基于所述每个货道的存货状况的分类结果,对每种货品类型的货源进行安排。
在一种可选的实施方式中,还包括:所述分类模型获得模块,包括:
样本获取单元,用于获取N个货道样本,N为正整数;
提取单元,用于从所述N个货道样本中提取每个货道的样本图片以及每个货道所标注的存货状况信息;
分类模型获得单元,用于将所述每个货道的样本图片和所述每个货道所标注的存货状况信息均输入神经网络模型,以对所述神经网络模型进行训练,得到用于对货道的存货状况进行分类的分类模型。
在一种可选的实施方式中,所述每个货道的存货状况信息为如下任意一种:空货道、满货道、即将空货。
在一种可选的实施方式中,该装置还包括:位于所述自动售货机前侧或后侧设置有滑轨组件,所述滑轨组件包括横轴轨道和纵轴轨道,所述纵轴轨道上设置有第一滑块,图片采集装置设置在所述第一滑块上,所述纵轴轨道通过第二滑块与所述横轴轨道连接;
所述图片获取模块701用于:在预设时间段内,通过控制所述图片采集装置沿着所述滑轨组件移动,从而扫描所述自动售货机货架的每个货道,获得所述每个货道的当前图片。
在一种可选的实施方式中,所述安排模块,包括:
编号信息获取单元,用于获取每个货道的编号信息;
货品类型获得单元,用于基于所述每个货道的编号信息,获得所述每个货道的货品类型;
安排单元,用于基于每个货道的存货状况的分类信息和每个货道的货品类型,对每种货品类型的货源进行安排。
在一种可选的实施方式中,所述编号信息获取单元,用于:从所述每个货道的当前图片中提取每个货道的编号信息;或者
基于所述滑轨组件的移动位置,获取每个货道的编号信息。
在一种可选的实施方式中,安排单元,包括:
第一安排子单元,用于在所述货道的存货状况的分类结果为空货道时,向供货端发送相应的货品类型已空货的信息,并提示及时补货;
第二安排子单元,用于在所述货道的存货状况的分类结果为即将空货时,向所述供货端发送相应的货品即将空货的信息,并提示以确保相应的货品类型的货源充足;
第三安排子单元,用于在所述货道的存货状况的分类结果为满货道时,向所述供货端发送相应的货品类型为满货道的信息,并提示所述供货端无需对相应的货品类型囤货。
实施例三
基于相同的发明构思,本发明第三实施例还提供了一种自动售货机,如图8所示,包括存储器804、处理器802及存储在存储器804上并可在处理器802上运行的计算机程序,所述处理器802执行所述程序时实现上述实施例一中的自动售货机货道控制方法中的任一方法的步骤。
其中,在图8中,总线架构(用总线800来代表),总线800可以包括任意数量的互联的总线和桥,总线800将包括由处理器802代表的一个或多个处理器和存储器804代表的存储器的各种电路链接在一起。总线800还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口806在总线800和接收器801和发送器803之间提供接口。接收器801和发送器803可以是同一个元件,即收发机,提供用于在传输介质上与各种其他装置通信的单元。处理器802负责管理总线800和通常的处理,而存储器804可以被用于存储处理器802在执行操作时所使用的数据。
实施例四
基于相同的发明构思,本发明第四实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现前文实施例一中的所述自动售货机货道控制方法的任一方法的步骤。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的自动售货机货道控制装置、自动售货机中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (10)
1.一种自动售货机货道控制方法,其特征在于,包括:
在预设时间段内,依次扫描自动售货机货架的每个货道,获得所述每个货道的当前图片;
将所述每个货道的当前图片输入用于对货道的存货状况进行分类的分类模型中,获得所述每个货道的存货状况的分类结果;
基于所述每个货道的存货状况的分类结果,对每种货品类型的货源进行安排。
2.如权利要求1所述的方法,其特征在于,所述分类模型通过如下方式获得,包括:
获取N个货道样本,N为正整数;
从所述N个货道样本中提取每个货道的样本图片以及每个货道所标注的存货状况信息;
将所述每个货道的样本图片和所述每个货道所标注的存货状况信息均输入神经网络模型,以对所述神经网络模型进行训练,得到用于对货道的存货状况进行分类的分类模型。
3.如权利要求2所述的方法,其特征在于,所述每个货道的存货状况信息为如下任意一种:空货道、满货道、即将空货。
4.如权利要求1所述的方法,其特征在于,所述在预设时间段内,依次扫描所述自动售货机货架的每个货道,获得所述每个货道的当前图片,包括:
位于所述自动售货机前侧或后侧设置有滑轨组件,所述滑轨组件包括横轴轨道和纵轴轨道,所述纵轴轨道上设置有第一滑块,图片采集装置设置在所述第一滑块上,所述纵轴轨道通过第二滑块与所述横轴轨道连接;
在预设时间段内,通过控制所述图片采集装置沿着所述滑轨组件移动,从而扫描所述自动售货机货架的每个货道,获得所述每个货道的当前图片。
5.如权利要求4所述的方法,其特征在于,所述基于所述每个货道的存货状况的分类结果,对每种货品类型的货源进行安排,包括:
获取每个货道的编号信息;
基于所述每个货道的编号信息,获得所述每个货道的货品类型;
基于每个货道的存货状况的分类信息和每个货道的货品类型,对每种货品类型的货源进行安排。
6.如权利要求5所述的方法,其特征在于,所述获取每个货道的编号信息,包括:
从所述每个货道的当前图片中提取每个货道的编号信息;或者
基于所述滑轨组件的移动位置,获取每个货道的编号信息。
7.如权利要求5所述的方法,其特征在于,所述基于每个货道的存货状况的分类信息和每个货道的货品类型,对每种货品类型的货源进行安排,包括:
在所述货道的存货状况的分类结果为空货道时,向供货端发送相应的货品类型已空货的信息,并提示及时补货;
在所述货道的存货状况的分类结果为即将空货时,向所述供货端发送相应的货品即将空货的信息,并提示以确保相应的货品类型的货源充足;
在所述货道的存货状况的分类结果为满货道时,向所述供货端发送相应的货品类型为满货道的信息,并提示所述供货端无需对相应的货品类型囤货。
8.一种自动售货机货道控制装置,其特征在于,包括:
图片获取模块,用于在预设时间段内,依次扫描所述自动售货机货架的每个货道,获得所述每个货道的当前图片;
分类模块,用于将所述每个货道的当前图片输入用于对货道的存货状况进行分类的分类模型中,获得所述每个货道的存货状况的分类结果;
安排模块,用于基于所述每个货道的存货状况的分类结果,对每种货品类型的货源进行安排。
9.一种自动售货机,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程序时实现如权利要求1-7中任一权利要求所述的方法步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一权利要求所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110433456.7A CN113111821A (zh) | 2021-04-16 | 2021-04-16 | 一种自动售货机货道控制方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110433456.7A CN113111821A (zh) | 2021-04-16 | 2021-04-16 | 一种自动售货机货道控制方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113111821A true CN113111821A (zh) | 2021-07-13 |
Family
ID=76719271
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110433456.7A Pending CN113111821A (zh) | 2021-04-16 | 2021-04-16 | 一种自动售货机货道控制方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113111821A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114022999A (zh) * | 2021-10-27 | 2022-02-08 | 北京云迹科技有限公司 | 一种自动售货机的缺货检测方法、装置、设备和介质 |
-
2021
- 2021-04-16 CN CN202110433456.7A patent/CN113111821A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114022999A (zh) * | 2021-10-27 | 2022-02-08 | 北京云迹科技有限公司 | 一种自动售货机的缺货检测方法、装置、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10878286B2 (en) | Learning device, learning method, and recording medium | |
DE102010061901B4 (de) | Dynamische Tourenplanung | |
CN110070572B (zh) | 使用稀疏深度数据生成距离图像的方法和系统 | |
CN105144239B (zh) | 图像处理装置、图像处理方法 | |
CN109255356B (zh) | 一种文字识别方法、装置及计算机可读存储介质 | |
CN106383895B (zh) | 信息推荐方法、装置以及终端设备 | |
CN110610169B (zh) | 图片标注方法和装置、存储介质及电子装置 | |
CN104528244A (zh) | 一种光学物流拣选导引方法和系统 | |
CN111768629B (zh) | 车辆调度方法、装置和系统 | |
CN109754089B (zh) | 一种模型训练系统及方法 | |
CN114127805A (zh) | 深度网络的训练方法 | |
Beheshtinia et al. | A multi-objective and integrated model for supply chain scheduling optimization in a multi-site manufacturing system | |
CN204507906U (zh) | 一种光学物流拣选导引系统 | |
US20230368884A1 (en) | System and method for augmented reality detection of loose pharmacy items | |
Hildebrandt et al. | Supervised learning for arrival time estimations in restaurant meal delivery | |
CN113111821A (zh) | 一种自动售货机货道控制方法及装置 | |
CN112053211A (zh) | 商品的铺货方法、铺货装置、电子设备及可读存储介质 | |
CN112613508A (zh) | 一种物体识别方法、装置及设备 | |
CN107978095A (zh) | 一种基于射频技术的快递柜存放控制系统 | |
CN107423304A (zh) | 检索词分类方法及装置 | |
Chee et al. | Milk-run kanban system for raw printed circuit board withdrawal to surface-mounted equipment | |
CN109993165A (zh) | 药片板药名识别及药片板信息获取方法、装置与系统 | |
CN111160330B (zh) | 电子标签识别辅助提升图像识别准确度的训练方法 | |
CN113178032A (zh) | 一种视频处理方法、系统及存储介质 | |
CN111860263A (zh) | 信息录入方法、装置及计算机可读存储介质 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: Room 702, 7th floor, NO.67, Beisihuan West Road, Haidian District, Beijing 100089 Applicant after: Beijing Yunji Technology Co.,Ltd. Address before: Room 702, 7 / F, 67 North Fourth Ring Road West, Haidian District, Beijing Applicant before: BEIJING YUNJI TECHNOLOGY Co.,Ltd. |