CN113298542A - 数据更新的方法、自助设备及存储介质 - Google Patents
数据更新的方法、自助设备及存储介质 Download PDFInfo
- Publication number
- CN113298542A CN113298542A CN202010108193.8A CN202010108193A CN113298542A CN 113298542 A CN113298542 A CN 113298542A CN 202010108193 A CN202010108193 A CN 202010108193A CN 113298542 A CN113298542 A CN 113298542A
- Authority
- CN
- China
- Prior art keywords
- image
- preliminary
- recommended
- images
- self
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000003860 storage Methods 0.000 title claims description 16
- 230000004044 response Effects 0.000 claims abstract description 22
- 238000012216 screening Methods 0.000 claims abstract description 14
- 238000002360 preparation method Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 12
- 238000005303 weighing Methods 0.000 description 25
- 230000005484 gravity Effects 0.000 description 13
- 230000008569 process Effects 0.000 description 11
- 230000003993 interaction Effects 0.000 description 9
- 238000010606 normalization Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000013145 classification model Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 235000013311 vegetables Nutrition 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 235000014443 Pyrus communis Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 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
- 238000006748 scratching Methods 0.000 description 1
- 230000002393 scratching effect Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0282—Rating or review of business operators or products
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- Finance (AREA)
- Library & Information Science (AREA)
- Software Systems (AREA)
- Accounting & Taxation (AREA)
- Economics (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
本申请适用于自助设备技术领域,提供了数据更新的方法,包括:获取第一图像;将第一图像与推荐对象集中每个第一对象进行匹配,获得匹配结果;根据匹配结果展示推荐对象集中的第一对象;展示备选对象集中的第二对象;响应于针对目标对象的选择操作确定目标对象,目标对象为第一对象或第二对象;若目标对象为备选对象集中的第二对象,则将第一图像添加到与目标对象对应的预备图像集;响应于数据更新触发条件,对预备图像集中的第一图像进行筛选获得第一预备图像子集;若第一预备图像子集中的第一图像数量满足第一预设数量,则将第一预备图像子集中的各个第一图像,添加到与目标对象对应的样本图像集,并将目标对象从备选对象集移至推荐对象集。
Description
技术领域
本申请属于自助设备技术领域,尤其涉及数据更新的方法、自助及存储介质。
背景技术
零售领域中的自助设备开始得到广泛的应用,其中的自助称重设备或自助收银设备可帮助商户节省人力成本。以自助称重设备为例,通过计算机视觉技术识别待称重的目标物,可以为消费者使用自助称重设备带来方便。但是,自助称重的待称重目标物多为水果、蔬菜和干杂等商品,这些商品具有商品更新快、品种多的特点。传统的方法对更新商品的数据进行采集需要很大的人力和经济成本。自助收银设备等自助设备也面临同样的问题。因此需要一种能及时、便捷更新自助设备可识别的货品品类的方法。
发明内容
本申请实施例提供了一种数据更新的方法、自助设备及存储介质,可以解决以上问题的至少一部分。
第一方面,本申请实施例提供了一种数据更新的方法,包括:
获取第一图像;
将所述第一图像与推荐对象集中每个第一对象进行匹配,获得匹配结果;
根据所述匹配结果展示所述推荐对象集中的所述第一对象;展示备选对象集中的第二对象;
响应于针对目标对象的选择操作,确定目标对象,所述目标对象为所述第一对象或所述第二对象;
若所述目标对象为所述备选对象集中的所述第二对象,则将所述第一图像添加到与所述目标对象对应的预备图像集;
响应于数据更新触发条件的满足,对所述预备图像集中的第一图像进行筛选获得第一预备图像子集;
若所述第一预备图像子集中的第一图像数量满足第一预设数量,则将第一预备图像子集中的各个第一图像,添加到与所述目标对象对应的样本图像集,并将所述目标对象从所述备选对象集移至所述推荐对象集。
可以理解的是,根据待识别商品的第一图像和推荐对象集中的每个第一对象进行匹配的匹配结果,展示第一对象,展示备选对象集中的第二对象;通过消费者的选择操作确定目标对象为第二对象,可以利用消费者对商品的认知,对第一图像的所属的商品品类进行确认,如果该商品是新品类,则将该第一图像加入预备图像集,并因数据更新触发条件将对预备图像集进行筛选,进而实现新品类对应的第二对象转换为可识别品类的第一对象的转换,通过若干次的消费者的消费行为,自动的完成新商品品类的自动数据更新;从而缩短了数据更新的时间,节省了人力,提高了效率。
第二方面,本申请实施例提供了一种数据更新的装置,包括:
图像获取模块,用于获取第一图像。
匹配模块,用于将所述第一图像与推荐对象集中每个第一对象进行匹配,获得匹配结果。
展示模块,用于根据所述匹配结果展示所述推荐对象集中的所述第一对象;展示备选对象集中的第二对象。
目标对象确定模块,用于响应于针对目标对象的选择操作,确定目标对象,所述目标对象为所述第一对象或所述第二对象;
图像添加模块,用于若所述目标对象为所述备选对象集中的所述第二对象,则将所述第一图像添加到与所述目标对象对应的预备图像集;
筛选模块,用于响应于数据更新触发条件的满足,对所述预备图像集中的第一图像进行筛选获得第一预备图像子集;
更新模块,用于若所述第一预备图像子集中的第一图像数量满足第一预设条件,则将第一预备图像子集中的各个第一图像,添加到与所述目标对象对应的样本图像集,并将所述目标对象从所述备选对象集移至所述推荐对象集。
第三方面,本申请实施例提供了一种自助设备,包括:
包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现上述第一方面所述的方法步骤。
第四方面,本申请实施例提供了一种计算机可读存储介质,包括:所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面所述的方法步骤。
第五方面,本申请实施例提供了一种计算机程序产品,当计算机程序产品在电子设备上运行时,使得电子设备执行上述第一方面所述的方法步骤。
可以理解的是,上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案,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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的自助设备的结构示意图;
图2是本申请另一实施例提供的自助设备的结构示意图;
图3是本申请一实施例提供的数据更新的方法的流程示意图;
图4是本申请另一实施例提供的数据更新的方法的流程示意图;
图5是本申请另一实施例提供的数据更新的方法的流程示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
零售领域中的自助设备开始得到广泛的应用。其中的自助称重设备或自助收银设备可帮助商户节省人力成本。以自助称重设备为例,通过计算机视觉技术识别待称重的目标物,可以为消费者使用自助称重设备带来方便。但是,自助称重的待称重目标物多为水果、蔬菜和干杂等商品,这些商品具有商品更新快、品种多的特点。传统的更新货品的方法中,零售商需要采集大量新商品的图像,上传到数据处理服务商,数据处理服务商采用新货品的图像训练商品识别网络,并为零售商更新模型。可见,传统的方法对更新商品的数据进行采集需要很大的人力和经济成本。但是自助称重的待称重目标物多为水果、蔬菜和干杂等商品,具有商品更新快、品种多的特点。传统的处理方式带来增加了零售商采集商品样本图像的负担,指导零售商获得符合样本质量要求的图像也需要投入大量的人力,新商品上新流程繁琐复杂导致上新周期长,不适合零售商上新频繁的应用场景。鉴于传统的方法对更新货品的数据进行采集需要很大的人力和经济成本,因此需要一种能及时、便捷更新自助设备的商品识别模型数据,以达到可识别的新的商品品类的方法。对与零售领域,自助收银设备等自助设备也面临同样的问题。
本申请的实施例提供了一种数据更新的方法,用于为部署自助设备的零售商提供方便快捷的自动更新自助设备商品数据的方法。本申请的实施例还提供了一种自助设备,用于实现本申请实施例提供的数据更新的方法。
在本申请的实施例中,自助设备中包含已经可以通过自助设备进行识别的商品的推荐标签,自助设备通过对商品的识别,从这些推荐标签中选择与商品最为匹配的标签推荐给消费者选择,以帮助消费者实现快速称重或快速收银结账,这里可以视推荐标签为第一对象,一个或多个第一对象构成推荐对象集。
实施本申请实施例时,可以将推荐标签,即第一对象处理为计算机可处理的数据对象。每个推荐标签具有与该标签对应的样本图像集,以及通过特征提取模型获取的各个样本图像集的特征向量。在对待识别商品进行识别时,通过特征提取模型提取获取该待识别商品图像的特征向量,并与各个推荐标签的样本图像集的特征向量进行匹配,获得待识别商品与推荐标签匹配度的匹配结果。以此方法作为自助设备的商品识别方法,一方面每次进行识别时,只需要提取待识别商品的图像的特征向量,与已保存的样本图像集的特征向量进行匹配,可以提高识别速度;另一方面,此种识别方法可以在样本图像集的样本数量较少的情况下实现对货品的识别,避免了传统的识别网络,需要大量样本图像训练识别网络的缺陷;再一方面,此种识别方法因所需样本数量较少,为本申请的数据更新方法提供了自动获取样本的基础,使得本方法提供的数据更新的方法,在消费者选择若干次后就能实现对新商品的识别,从而提高了自动上新的效率。
在本申请的实施例中,在需要在自助设备添加新的品类商品时,即上新时,零售商只需要在自助设备中登记新的商品种类,即设置新商品的标签,以下称新标签。实施本申请实施例时,可以将货品标签处理为计算机可处理的数据对象,例如图标、按钮或选择框。
在消费者使用自助设备时,摄像组件获取待识别商品的第一图像,对该第一图像进行识别,根据识别结果展示推荐标签和新标签。
如果用户选择了推荐标签中的品类,说明待识别的商品是属于可被自助设备识别的商品,直接进行后续的交易处理流程;如果用户选择了新标签,说明该商品不属于可被自助设备识别的货品,此时将第一图像添加到与新标签对应的预备图像库中。该图像库可以为数据库中的图像集合,也可以为新标签项下的文件集合。
在预备图像库中的第一图像的数量达到预设的图像数量时,对预备图像库中的第一图像进行筛选,剔除干扰图像,将该预备图像库中筛选后的第一图像作为新标签的样本图像库,通过对新标签的样本图像库进行识别,获得新标签的特征向量,并将该新标签作为推荐标签加入推荐对象集。由此,该自助设备即可实现对新标签对应品类的商品的识别,从而实现了新货品自动上新的功能,可以看出,通过本申请实施例提供的方法,一方面,免除了零售商拍摄大量新商品图像的繁琐操作;另一方面,也不需要数据服务商进行自助设备的维护工作;从而缩短了商品上新时间,提高了新货品上新的效率,降低了运营成本。
可以理解的是,本申请的实施例提供的数据更新的方法,通过识别待识别物品,展示推荐标签和新标签;通过消费者对商品的判断,帮助自助设备确定待识别物品是可通过自助设备识别的商品还是新商品;如果是新商品,则保存该图像到新标签项下的预备图像库;通过对预备图像库的筛选获得了该新商品的样本图像集,从而可以对该新货品进行自动识别,进而实现了自动上新的功能。
图1示出的是本申请实施例提供的一种自助设备的结构示意图。如图1所示,该实施例的自助设备D10包括:至少一个处理器D100(图1中仅示出一个)处理器、存储器D101以及存储在所述存储器D101中并可在所述至少一个处理器D100上运行的计算机程序D102,所述处理器D100执行所述计算机程序D102时实现本申请各实施提供的数据更新的方法的步骤。或者,所述处理器D100执行所述计算机程序D102时实现本申请各个实施例提供的数据更新的装置中各模块/单元的功能。
所述自助设备D10可以是自助称重设备、自助收银设备、自助售货柜、自动售货机等自助设备。该自助设备可包括,但不仅限于,处理器D100、存储器D101。本领域技术人员可以理解,图1仅仅是自助设备D10的举例,并不构成对自助设备D10的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括输入输出设备、网络接入设备等。
所称处理器D100可以是中央处理单元(Central Processing Unit,CPU),该处理器D100还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器D101在一些实施例中可以是所述自助设备D10的内部存储单元,例如自助设备D10的硬盘或内存。所述存储器D101在另一些实施例中也可以是所述自助设备D10的外部存储设备,例如所述自助设备D10上配备的插接式硬盘,智能存储卡(Smart MediaCard,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器D101还可以既包括所述自助设备D10的内部存储单元也包括外部存储设备。所述存储器D101用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器D101还可以用于暂时地存储已经输出或者将要输出的数据。
当本申请提供的电子设备D10是自助设备时,图2示出的是本申请实施例提供的一种自助设备的结构示意图。所述自助设备还包括:摄像组件D111、显示组件D112;
所述摄像组件D111与所述处理器D100通信耦合;所述显示组件D112与所述处理器D100通信耦合。
所述显示组件D112,用于通过用户交互界面D1121展示推荐对象集和展示备选对象集中的对象;
所述摄像组件D111,用于获取待识别商品的第一图像。
在本申请的一些非限定性的示例中,所述摄像组件D111通过有线或无线的方式与所述处理器D100通信;所述处理器D110可以内置于所述显示组件D112通过内部总线的方式通信,也可以通过有线或无线的方式与所述显示组件D112通信。
如图2所示,在本申请的一些实施中,所述自助设备还包括载物台组件D113,当所述自助设备为自助称重设备时,所述载物台组件为秤台组件。所述秤台组件D113用于承载待称重物品并获取所述待称重物品的重量。所述秤台组件D113通过重力传感器获取待称重物品的重量,所述重力传感器可以通过有线或无线的方式与所述处理器D100通信。
图3示出了本申请实施例提供的数据更新的方法,应用于上述图1所示自助设备,可由所述自助设备的软件和/或硬件实现。如图3所示,该方法包括步骤S110至S170。各个步骤的具体实现原理如下:
S110,获取第一图像。
非限定性的,所述第一图像包括但不限于置于自助称重设备秤台组件上待称重商品的图像,或置于自助收银设备的载物台上的待识别商品的图像。
在一个非限定性的示例中,消费者将待称重的商品放置在自助称设备上,该自助称重设备通过摄像组件拍摄一次或多次待称重商品的图像。
在一个非限定性的示例中,根据称重台的重力传感装置的重力信号的改变,例如,重力传感信号检测到重力增加超过称重阈值,触发摄像组件获取被称重物品的图像。
在一个非限定性的示例中,根据消费者的操作,触发通过摄像组件获取被称重物品的图像。例如,通过检测消费者在用户交互界面的选择操作,触发摄像组件获取被称重物品的图像。
在一个非限定性的示例中,通过结合重力传感装置的重力信号改变和检测消费者手部运动轨迹,触发通过摄像组件获取被称重物品的图像。例如,重力传感信号检测到重力增加超过称重阈值后,开始通过经训练的跟踪检测模型检测消费者手部的运动轨迹,当消费者手部运动轨迹移出自助设备载物台区域,则触发通过摄像组件获取被称重物品的图像。
S120,将所述第一图像与推荐对象集中每个第一对象进行匹配,获得匹配结果。
非限定性的,所述推荐对象集中的第一对象,为自助设备中包含已经可以通过自助设备进行识别的商品的商品标签,以下称推荐标签,自助设备通过对商品的识别,从这些推荐标签中选择与商品最为匹配的标签推荐给消费者选择,以帮助消费者实现快速称重或快速收银结账,这里可以视推荐标签为第一对象,一个或多个第一对象构成推荐对象集。实施本申请实施例时,可以将推荐标签处理为计算机可处理的数据对象,例如图标、按钮、选择框、数据库中的标签字段或程序实例中的标签数据等计算机可以处理的数据对象。
在一个非限定性的示例中,自助设备将所述第一图像与推荐对象集中每个第一对象进行匹配,获得匹配结果。非限定性的,通过经训练的商品分类模型对所述第一图像进行识别,获得所述第一图像为某一商品品类的概率,从而获得与代表的商品品类的第一对象之间的匹配关系。
在一个非限定性的示例中,自助设备将所述第一图像与所述推荐对象集中每个第一对象进行匹配,获得匹配结果前,还包括:针对推荐对象集中的每个第一对象的样本图像集,对该样本图像集进行特征提取,获得每个所述第一对象对应的第一特征向量。
将所述第一图像与所述推荐对象集中每个所述第一对象进行匹配,获得匹配结果,包括:提取所述第一图像的第二特征向量;
计算第二特征向量分别与推荐对象集中每个第一对象对应的第一特征向量的内积,将各个所述内积作为确定所述第一图像与推荐对象集中每个对象的相似度;
将所述第一图像与推荐对象集中每个第一对象的相似度作为所述匹配结果。
在一个具体的示例中,可以采用特征提取模型,例如,特征提取网络,获取图像的特征向量,所述图像包括第一图像和样本图像集中的图像。由此,针对推荐对象集中的每个第一对象的样本图像集,对该样本图像集进行特征提取,获得每个所述第一对象对应的第一特征向量。具体可以为:针对推荐对象集中每个第一对象的样本图像集,通过特征提取网络提取样本图像集中每个样本图像的特征,将每个样本图像相加后进行归一化处理,获得第一对象对应的第一特征向量;应理解,每个第一对象具有与其唯一对应的一个第一特征向量。非限定性的,所述归一化处理包括但不限于线性归一化处理或非线性归一化处理。其中,线性归一化处理包括但不限于最大最小值归一化处理;非线性归一化包括但不限于对数函数归一化转换、反余切函数归一化转换等。
在本申请的一些非限定性的具体示例中,特征提取网络采用Resnet网络,例如,Resnet 50网络,用以提取图像的特征向量。在另一些具体的示例中,在Resnet 50网络的输出端添加一个降维网络,用以提取图像的特征向量,该降维网络可以是将特征维度将至256维的网络。应理解,该降维网络可以是一层或多层的神经网络。可以理解的是,通过添加降维网络,可以既保证准确率,又不占用较多的存储空间,和保证较快的识别速度。可以理解的是,在一些具体的示例中,采用包含多种商品品类的图像的训练数据训练Resnet 50网络,或训练Resnet 50网络和降维网络的特征提取网络。可以理解的是,训练数据越丰富,特征提取网络的准确性会越高。
S130,根据所述匹配结果展示所述推荐对象集中的所述第一对象;展示备选对象集中的第二对象。
非限定性的,在需要在自助设备添加新的品类商品时,即上新时,零售商在自助设备中登记新的商品种类,即设置新商品的标签,以下称新标签。实施本申请实施例时,所述第二对象为新标签。多个新标签对应的第二对象构成备选对象集。实施本申请实施例时,可以将新标签处理为计算机可处理的数据对象,例如图标、按钮、选择框、数据库中的标签字段或程序实例中的标签数据等计算机可以处理的数据对象。
展示所述第一对象和展示所述第二对象,包括通过将第一对象或第二对象映射为可视的图标、按钮、选择框等提示信息的等方式进行展示。所述展示所述推荐对象集中的所述第一对象或所述第二对象包括但不限于:通过图2所示的显示组件显示;通过增强现实技术(Augmented Reality,AR),于用户AR设备显示;通过投影设备显示;经由语音合成和发声设备,通过语音方式展示。
非限定性的,在展示所述第一对象的同一用户界面,同时展示备选对象集中的第二对象。例如,在用户交互界面的两侧,同时显示推荐对象集的第一对象和备选对象集的第二对象。
非限定性的,在展示所述第一对象的同一用户交互界面,响应于消费者的页面选择操作,展示备选对象集中的第二对象。例如,在用户交互界面显示推荐对象集的第一对象,在用户选择了用户交互界面的下一页按钮后,显示备选对象集的第二对象。当然,也可以在用户交互界面的多个页面显示推荐对象集的第一对象和备选对象集的第二对象,通过消费者对页面的选择操作切换显示。
S140,响应于针对目标对象的选择操作,确定目标对象,所述目标对象为所述第一对象或所述第二对象。
非限定性的,所述选择操作包括但不限于针对展示于用户界面的第一对象或第二对象的按键选择操作、触摸屏触摸选择操作、语音选择指令和手势识别选择指令等。
在一个非限定性的示例中,消费者在用户操作界面,例如触摸屏,通过触摸选择操作,点选了在该触摸屏展示的任一个第一对象或第二对象。响应于该用户的选择操作,将用户选择的确定的第一对象或第二对象,作为目标对象。
应理解,用户可能选择推荐对象集中的第一对象,也可能选择备选对象集中的第二对象,这取决于对待识别商品的识别准确程度。本申请恰恰是利用了机器识别和消费者的识别能力的差异,通过消费者的选择,确定展示的物品是第一对象还是第二对象。从而可以确定待识别的商品是自助设备可准确识别的商品品类,还是自助设备尚不能识别的新的商品品类。
S150,若所述目标对象为所述备选对象集中的所述第二对象,则将所述第一图像添加到与所述目标对象对应的预备图像集。
非限定性的,所述预备图像集为备选对象集中的第二对象的备选图像库,可以是第二对象对应的保存第一图像的图像数据库,也可以是第二对象对应的第一图像文件集合,本领域技术人员可以在实现本申请实施例时根据实际情况选择。
在一个非限定性的示例中,当用户选择了的目标对象为备选对象集中的第二对象,说明当前被识别的商品的品类时新品类,则将该第一图像添加到与目标对象对应的预备图像集,例如,添加到目标对象的预备图库数据库,又例如,添加该第一图像的数据文件到目标对象对应的图像文件路径。
S160,响应于数据更新触发条件的满足,对所述预备图像集中的第一图像进行筛选获得第一预备图像子集。
非限定性的,所述数据更新触发条件包括但不限于:第二对象的预备图像集中图像数量达到预设数量、系统时间达到预设时间和预设的定时器超时等条件。
在一个非限定性的示例中,定时查询备选对象集每个第二对象的预备图像库中图像的数量,若任意一个第二对象的预备图像库中的第一图像的数量超过预设数量,例如,预设数量为30,则确定满足数据更新触发条件。自助设备响应于该触发条件的满足,开始数据更新的流程,对满足预设数量的预备图像集中的第一图像进行筛选获得第一预备图像子集。非限定性的,对预备图像集中的图像进行筛选包括但不限于:对第一图像进行分类筛选、对第一图像进行特征识别筛选。
S170,若所述第一预备图像子集中的第一图像数量满足第一预设数量,则将第一预备图像子集中的各个第一图像,添加到与所述目标对象对应的样本图像集,并将所述目标对象从所述备选对象集移至所述推荐对象集。
在一个非限定性的示例中,经过筛选后,第一预备图像子集中的第一图像数量为超过第一预设数量,例如超过15个,则将第一预备图像子集中的各个第一图像,添加到与所述目标对象对应的样本图像集。并将所述目标对象从所述备选对象集移至所述推荐对象集。相应的,自助设备提取该目标对象对应的样本图像集的特征向量,用于对待识别商品的识别。此时,该目标对象由第二对象,转变为第一对象,该目标对象对应的商品品类,成为自助设备可自动识别的商品品类。
可以理解的是,根据待识别商品的第一图像和推荐对象集中的每个第一对象进行匹配的匹配结果,展示第一对象,展示备选对象集中的第二对象;通过消费者的选择操作确定目标对象为第二对象,可以利用消费者对商品的认知,对第一图像的所属的商品品类进行确认,如果该商品是新品类,则将该第一图像加入预备图像集,并因数据更新触发条件将对预备图像集进行筛选,进而实现新品类对应的第二对象转换为可识别品类的第一对象的转换。可以看出,通过本申请实施例提供的数据更新的方法,不需要零售商提供大量的人力拍摄新商品的图像并上传给数据服务商;也不需要数据服务商重新训练模型完成自助设备的数据的更新,只需要零售商添加第二对象,即可通过若干次的消费者的消费行为,自动的完成新品类的自动数据更新;从而缩短了数据更新的时间,节省了人力,提高了效率。
在上述图3所示的数据更新的实施例的基础上,在步骤S110,获取第一图像,如图4所示,还包括步骤:S1001和步骤S1002。
S1001,响应于图像获取触发信号,获取第一目标区域的第二图像。
非限定性的,所述图像获取触发信号包括但不限于:消费者通过用户交互界面发出的触发信号,例如,消费者通过自助设备的用户交互界面发出的开始结账的指令,或开始称重的指令;自助设备的传感装置接收的到触发信号,例如,重力传感装置接收到的重力变化信号,又例如,检测到距离传感器接收到的物体靠近的传感信号。
非限定性的,所述第一目标区域包括但不限于自助设备的摄像组件可以拍摄到的区域,例如,摄像组件可以拍摄到的秤台组件所在区域。
在一个非限定性的示例中,秤台组件的重力传感装置检测到的重力增加信号,响应于该信号的触发,获取秤台所在区域的第二图像。该第二图像不仅包含秤台上物品的图像,也包含秤台周围的物品的图像。
可以理解的是,摄像组件即便经过人为的调整方向和角度,仍然不可避免的将包含秤台周围物品的图像拍摄下来,而秤台周围物品的图像,会对真正要识别的商品产生干扰。
S1002,提取所述第二图像中第二目标区域,获得所述第一图像。
非限定性的,所述第二目标区域包括,预设的区域,例如,载物台上标记出的区域,或跟踪网络训练样本标注区域,训练样本标注区域为训练样本图像中经人工标注的,需要被跟踪网络提取的区域。
在一个非限定性的示例中,通过识别载物台组件上的标记区域,通过图像分割算法提取该标记区域内的图像作为所述第一图像。
在一个非限定性的示例中,载物台组件为秤台组件,采用标注秤台区域的训练样本图像训练跟踪网络,例如,全连接孪生网络(Fully-Convolutional Siamese Networks,Siamese-FC),使该网络得到识别秤台区域的能力。应用训练过的该跟踪网络,识别秤台区域,并抠取秤台区域内的图像作为第一图像。当然,本领域技术人员可以在实施本申请实施例时选择合适的跟踪模型,例如相关滤波模型,或卷积神经网络模型,这里不对跟踪模型做具体的限定。
可以理解的是,通过检测器将载物台或预设区域内的物品抠取出来非常的关键,可以排除目标物品周围其他物品的干扰,提高识别的准确率。
在上述图3所示的数据更新的实施例的基础上,在步骤S150,将所述第一图像添加到与所述目标对象对应的预备图像集前,如图5所示,还包括步骤:S1401和步骤S1402。
S1401,判断所述第一图像的质量是否满足预设质量要求。
在消费者使用自助设备时,采集到的第一图像可能会因消费者的操作动作或其他物品产生遮挡;或者在一些意外的情况下第一图像的光照可能过度或者不足;如果将此种第一图像添加到预备图像集,将会降低自助设备的图像识别精度。因此需要在添加第一图像到预备图像集前,对第一图像的质量进行检测,以排除发生遮挡的图像,以及排除掉光照条件不符合要求的图像。
可以理解的是,这里指的添加第一图像到预备图像集前,可以为获取第一图像的步骤,以及该步骤到添加第一图像到预备图像集前的任意时刻。
在一个非限定性的示例中,采用经过训练的质量分类模型,对第一图像进行分类判断,确定第一图像是否为满足预设质量要求的图像。具体的,以第一图像作为质量分类模型的输入,通过质量分类模型输出该第一图像为满足预设质量要求的概率是否超过质量阈值,例如0.7,来确定该第一图像是否满足预设质量要求。可以理解,质量分类模型可以为质量分类网络,采用遮挡图像样本、光照过度样本和光照不足样本等不符合质量要求的负样本,以及采用符合质量要求的无遮挡、正常光照的正常样本,训练该质量分类网络。非限定性的,该质量分类网络可以是任意可实现分类任务的神经网络模型,例如,InceptionV3、Xception或MobileNet。本领域技术人员可以根据实际情况进行选择。
S1402,若所述第一图像满足预设质量要求,则将所述第一图像添加到与所述目标对象对应的所述预备图像集。
非限定性的,所述预设质量要求为第一图像为合格图像的概率大于质量阈值,例如,质量阈值为0.7。
在一个非限定性的示例中,若所述第一图像经质量分类模型分类,判断其满足预设质量要求的图像的概率为0.92,大于质量阈值0.7,则确定该第一图像满足预设的质量要求,将该第一图像添加到与目标对象对应的预备图像集。否则,丢弃该第一图像。
可以理解的是,通过对第一图像的质量进行检测,并滤除不符合质量要求的第一图像,可以提高自助设备的识别精度。
在上述图3所示的数据更新的实施例的基础上,所述数据更新触发条件为检测到所述预备图像集中的第一图像数量超过第一阈值,则步骤S170,响应于数据更新触发条件的满足,对所述预备图像集的图像进行筛选获得第一预备图像子集,包括步骤:S1701。
S1701,响应于检测到所述预备图像集中的第一图像数量超过第一阈值,对所述预备图像集中的所述第一图像进行分类,选择图像数量最多的类别作为第一预备子集。
非限定性的,所述第一阈值为预设的第一图像数量阈值,例如30,也就是说,检测到预备图像集中的第一图像数量超过30个,即达到数据更新的触发条件。
非限定性,可以通过统计模型、深度学习模型等分类模型对预备图像集中的第一图像进行分类。
可以理解的是,如果消费者选择的目标对象为备选对象集中的对象,则第一图像的与目标对象的匹配关系是通过消费者的选择确定的。虽然通过消费者的选择,确定了第一图像中的商品为新货品品类,但是应考虑到,消费者的选择也会出现偏差,例如消费者将黄色的苹果误认为是梨。但是可以认为,大部分消费者的选择大体上是正确的;因此,可以用分类的方法,将被错误添加到预备图像集中的第一图像滤除。第一图像数量多的子类可以认为是正确的对应于目标对象的第一图像,而第一图像数量较少的类别,可以认为是被误选添加到备选图像集的图像。通过对预备图像集分类后,第一图像数量最多的类别中的第一图像作为第一预备子集。可以降低误选图像的干扰,提高自助设备的识别精度。
在一个非限定性的示例中,对所述预备图像集中的所述第一图像进行分类,选择所述第一图像数量最多的类别作为第一预备子集,包括:
获取所述预备图像集中各个所述第一图像的特征向量;对各个所述特征向量进行聚类,将所述预备图像集中的所述第一图像分为第一预设数量个类别;迭代执行合并操作的步骤,直至两两类别间的相似度均小于或等于相似度阈值;所述合并操作包括:计算任两个类别之间的相似度,将相似度大于所述相似度阈值的两个类别进行合并;选取第一图像数量最多的类别作为第一预备子集。
在一个具体的示例中,采用上述特征提取模型获取所述预备图像集中各个所述第一图像的特征向量,采用K均值法对各个所述特征向量进行聚类,第一预设类别数量可以根据预备图像集中的图像第一图像数量,经有限次试验确定,例如第一预设类别数量可以设置为10个类别。一个具体的示例中,通过K均值法将预备图像集中的30个图像聚类为10个类别。通过判断各个聚类中心的距离是否小于相似度阈值,来判断两个聚类类别的相似度。计算任两个类别之间的相似度,将相似度大于相似阈值,即类中心距离小于预设阈值的两个类别进行合并。在一些示例中,可以任选一个类别,计算其与其他类别的相似度,若相似度小于相似阈值则将两个类别合并,重复任选一个类别计算其与其他类别的相似度,若相似度小于相似阈值则将两个类别合并的步骤;直至两两类别间的相似度均小于或等于相似度阈值。在另一些示例中,可以任选一个类别,计算其与其他所有类别的相似度,将该类别与其最相似的类别合并,再任选一个类别重复计算相似度和与最相似的类别合并的步骤。当经过以上的合并步骤后,得到的所有第二类别的两两之间的相似度均大于相似阈值,此时认为各个类别间的差异足够大,各个类别的图像分属不同的商品,不能再继续合并类别,选取第一图像数量最多的类别作为第一预备子集。
可以理解的是,消费者选择目标对象时,如果发生误选,通常是因为消费者认为商品与目标对象对应的商品是相似的,因此,如果起始类别数量,即第一预设类别数量较少的话,对预备图像集进行聚类的话,很可能将不属于一个类别的第一图像划分到同一类别。因此,先通过第一预设类别数量,将预备图像集中的图像划分为多个小类,再通判断小类间的相似度迭代的合并小类,获得类间相似度均大于相似度阈值的第二类别。通过以上步骤,可以提高分类精度,进而提高自助设备的识别精度。
对应于上述图3所示的数据更新的方法,本申请实施例提供的了一种数据更新的装置,包括:
图像获取模块M110,用于获取第一图像。
匹配模块M120,用于将所述第一图像与推荐对象集中每个第一对象进行匹配,获得匹配结果。
展示模块M130,用于根据所述匹配结果展示所述推荐对象集中的所述第一对象;展示备选对象集中的第二对象。
目标对象确定模块M140,用于响应于针对目标对象的选择操作,确定目标对象,所述目标对象为所述第一对象或所述第二对象;
图像添加模块M150,用于若所述目标对象为所述备选对象集中的所述第二对象,则将所述第一图像添加到与所述目标对象对应的预备图像集;
筛选模块M160,用于响应于数据更新触发条件的满足,对所述预备图像集中的第一图像进行筛选获得第一预备图像子集;
更新模块M170,用于若所述第一预备图像子集中的第一图像数量满足第一预设条件,则将第一预备图像子集中的各个第一图像,添加到与所述目标对象对应的样本图像集,并将所述目标对象从所述备选对象集移至所述推荐对象集。
可以理解的是,以上实施例中的各种实施方式和实施方式组合及其有益效果同样适用于本实施例,这里不再赘述。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例还提供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计算机程序,所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在自助设备上运行时,使得自助设备执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random AccessMemory,RAM)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/网络设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/网络设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种数据更新的方法,其特征在于,包括:
获取第一图像;
将所述第一图像与推荐对象集中每个第一对象进行匹配,获得匹配结果;
根据所述匹配结果展示所述推荐对象集中的所述第一对象;展示备选对象集中的第二对象;
响应于针对目标对象的选择操作,确定目标对象,所述目标对象为所述第一对象或所述第二对象;
若所述目标对象为所述备选对象集中的所述第二对象,则将所述第一图像添加到与所述目标对象对应的预备图像集;
响应于数据更新触发条件的满足,对所述预备图像集中的第一图像进行筛选获得第一预备图像子集;
若所述第一预备图像子集中的第一图像数量满足第一预设数量,则将第一预备图像子集中的各个第一图像,添加到与所述目标对象对应的样本图像集,并将所述目标对象从所述备选对象集移至所述推荐对象集。
2.如权利要求1所述的方法,其特征在于,获取第一图像,包括:
响应于图像获取触发信号,获取第一目标区域的第二图像;
提取所述第二图像中第二目标区域,获得所述第一图像。
3.如权利要求1所述的方法,其特征在于,将所述第一图像与所述推荐对象集中每个第一对象进行匹配,获得匹配结果前,还包括:
针对推荐对象集中的每个第一对象的样本图像集,对该样本图像集进行特征提取,获得每个所述第一对象对应的第一特征向量。
4.如权利要求3所述的方法,其特征在于,将所述第一图像与所述推荐对象集中每个第一对象进行匹配,获得匹配结果,包括:
提取所述第一图像的第二特征向量;
计算第二特征向量分别与推荐对象集中每个第一对象对应的第一特征向量的内积,将各个所述内积作为所述第一图像与推荐对象集中每个对象的相似度;
将所述第一图像与推荐对象集中每个第一对象的相似度作为所述匹配结果。
5.如权利要求1所述的方法,其特征在于,将所述第一图像添加到与所述目标对象对应的预备图像集前,还包括:
判断所述第一图像的质量是否满足预设质量要求;
若所述第一图像满足预设质量要求,则将所述第一图像添加到与所述目标对象对应的所述预备图像集。
6.如权利要求1所述的方法,其特征在于,所述数据更新触发条件为检测到所述预备图像集中的第一图像数量超过第一阈值;
响应于数据更新触发条件的满足,对所述预备图像集的图像进行筛选获得第一预备图像子集,包括:
响应于检测到所述预备图像集中的第一图像数量超过第一阈值,对所述预备图像集中的所述第一图像进行分类,选择图像数量最多的类别作为第一预备子集。
7.如权利要求6所述的方法,其特征在于,对所述预备图像集中的所述第一图像进行分类,选择所述第一图像数量最多的类别作为第一预备子集,包括:
获取所述预备图像集中各个所述第一图像的特征向量;
对各个所述特征向量进行聚类,将所述预备图像集中的所述第一图像分为第一预设类别数量个类别;
迭代执行合并操作的步骤,直至两两类别间的相似度均小于或等于相似度阈值;所述合并操作包括:计算任两个类别之间的相似度,将相似度大于所述相似度阈值的两个类别进行合并;
选取第一图像数量最多的类别作为第一预备子集。
8.一种自助设备,包括存储器、处理器以及存储在所述存储器中并可在所述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如权利要求1至7任一项所述的方法。
9.如权利要求8所述的自助设备,其特征在于,还包括:摄像组件和显示组件;
所述摄像组件与所述处理器通信耦合;所述显示组件与所述处理器通信耦合;
所述显示组件,用于展示推荐对象集中的第一对象,和展示备选对象集中的第二对象;
所述摄像组件,用于获取第一图像。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010108193.8A CN113298542B (zh) | 2020-02-21 | 2020-02-21 | 数据更新的方法、自助设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010108193.8A CN113298542B (zh) | 2020-02-21 | 2020-02-21 | 数据更新的方法、自助设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113298542A true CN113298542A (zh) | 2021-08-24 |
CN113298542B CN113298542B (zh) | 2024-05-17 |
Family
ID=77317570
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010108193.8A Active CN113298542B (zh) | 2020-02-21 | 2020-02-21 | 数据更新的方法、自助设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113298542B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009251850A (ja) * | 2008-04-04 | 2009-10-29 | Albert:Kk | 類似画像検索を用いた商品推薦システム |
WO2015196170A1 (en) * | 2014-06-20 | 2015-12-23 | June20 | A computerized product display system |
US20180068168A1 (en) * | 2016-09-07 | 2018-03-08 | Toshiba Tec Kabushiki Kaisha | Commodity registration apparatus configured to perform object recognition |
CN109697468A (zh) * | 2018-12-24 | 2019-04-30 | 苏州科达科技股份有限公司 | 样本图像的标注方法、装置及存储介质 |
US20190130285A1 (en) * | 2017-10-27 | 2019-05-02 | Amazon Technologies, Inc. | Artificial intelligence system for real-time visual feedback-based refinement of query results |
WO2019184219A1 (zh) * | 2018-03-26 | 2019-10-03 | 平安科技(深圳)有限公司 | 智能搜索方法、服务器及存储介质 |
CN110675207A (zh) * | 2018-07-03 | 2020-01-10 | 阿里巴巴集团控股有限公司 | 图像展示组合推荐方法、装置及设备 |
CN110793607A (zh) * | 2019-09-24 | 2020-02-14 | 浙江大华技术股份有限公司 | 自助称重方法、系统和计算机可读存储介质 |
-
2020
- 2020-02-21 CN CN202010108193.8A patent/CN113298542B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009251850A (ja) * | 2008-04-04 | 2009-10-29 | Albert:Kk | 類似画像検索を用いた商品推薦システム |
WO2015196170A1 (en) * | 2014-06-20 | 2015-12-23 | June20 | A computerized product display system |
US20180068168A1 (en) * | 2016-09-07 | 2018-03-08 | Toshiba Tec Kabushiki Kaisha | Commodity registration apparatus configured to perform object recognition |
US20190130285A1 (en) * | 2017-10-27 | 2019-05-02 | Amazon Technologies, Inc. | Artificial intelligence system for real-time visual feedback-based refinement of query results |
WO2019184219A1 (zh) * | 2018-03-26 | 2019-10-03 | 平安科技(深圳)有限公司 | 智能搜索方法、服务器及存储介质 |
CN110675207A (zh) * | 2018-07-03 | 2020-01-10 | 阿里巴巴集团控股有限公司 | 图像展示组合推荐方法、装置及设备 |
CN109697468A (zh) * | 2018-12-24 | 2019-04-30 | 苏州科达科技股份有限公司 | 样本图像的标注方法、装置及存储介质 |
CN110793607A (zh) * | 2019-09-24 | 2020-02-14 | 浙江大华技术股份有限公司 | 自助称重方法、系统和计算机可读存储介质 |
Non-Patent Citations (3)
Title |
---|
刘洁: "网上书店系统的研究与设计", 硕士电子期刊出版, 15 June 2005 (2005-06-15) * |
周铭柯;柯逍;杜明智;: "基于数据均衡的增进式深度自动图像标注", 软件学报, no. 07, 12 October 2016 (2016-10-12) * |
郭丹丹;陈渤;丛玉来;文伟;: "基于PGBN模型的SAR图像目标识别方法", 电子与信息学报, no. 12, 31 December 2016 (2016-12-31) * |
Also Published As
Publication number | Publication date |
---|---|
CN113298542B (zh) | 2024-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11853347B2 (en) | Product auditing in point-of-sale images | |
CN108256568B (zh) | 一种植物种类识别方法以及装置 | |
US11461753B2 (en) | Automatic vending method and apparatus, and computer-readable storage medium | |
US11151427B2 (en) | Method and apparatus for checkout based on image identification technique of convolutional neural network | |
CN111415461B (zh) | 物品识别方法及系统、电子设备 | |
CN107798333B (zh) | 信息处理装置及控制方法、终端设备、机器可读存储介质 | |
US20170068945A1 (en) | Pos terminal apparatus, pos system, commodity recognition method, and non-transitory computer readable medium storing program | |
CN111709816A (zh) | 基于图像识别的服务推荐方法、装置、设备及存储介质 | |
JP2017016539A (ja) | 商品棚認識装置、商品棚認識方法、プログラム及び画像処理装置 | |
JP5002441B2 (ja) | マーケティングデータ分析方法、マーケティングデータ分析システム、データ分析サーバ装置およびプログラム | |
CN111263224A (zh) | 视频处理方法、装置及电子设备 | |
CN113706227A (zh) | 一种货架商品推荐方法及装置 | |
CN110909698A (zh) | 电子秤识别结果输出方法、系统、装置以及可读存储介质 | |
CN108197980B (zh) | 个性化购物者的肖像生成方法/系统、存储介质及终端 | |
Sudana et al. | Mobile application for identification of coffee fruit maturity using digital image processing | |
JP7167421B2 (ja) | 複数の作業台を管理するためのプログラム、方法、装置及びシステム | |
US20240193995A1 (en) | Non-transitory computer-readable recording medium, information processing method, and information processing apparatus | |
CN111260685A (zh) | 视频处理方法、装置及电子设备 | |
CN113378601A (zh) | 防止货损的方法、自助设备及存储介质 | |
RU2724797C1 (ru) | Кассовая система и способ для идентификации блюд на подносе | |
WO2021048813A1 (en) | Scale and method for the automatic recognition of a product | |
JP2016024596A (ja) | 情報処理装置 | |
CN113298100A (zh) | 一种数据清洗的方法、自助设备及存储介质 | |
JP2015194791A (ja) | Pos端末装置 | |
CN113298542B (zh) | 数据更新的方法、自助设备及存储介质 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220701 Address after: Room 368, 302, 211 Fute North Road, China (Shanghai) pilot Free Trade Zone, Pudong New Area, Shanghai Applicant after: Shanghai Yuepu Investment Center (L.P.) Applicant after: Shenzhen mailong Intelligent Technology Co.,Ltd. Address before: 518000 floor 33, Yantian modern industry service center, 3018 Shayan Road, Shatoujiao street, Yantian District, Shenzhen City, Guangdong Province Applicant before: SHENZHEN MALONG TECHNOLOGY Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |