CN113569830B - 陈列物品行列位置的确定方法、装置、设备及存储介质 - Google Patents
陈列物品行列位置的确定方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113569830B CN113569830B CN202110692416.4A CN202110692416A CN113569830B CN 113569830 B CN113569830 B CN 113569830B CN 202110692416 A CN202110692416 A CN 202110692416A CN 113569830 B CN113569830 B CN 113569830B
- Authority
- CN
- China
- Prior art keywords
- row
- display
- coordinates
- determining
- line
- 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 60
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 238000001914 filtration Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims description 54
- 238000001514 detection method Methods 0.000 claims description 27
- 238000000605 extraction Methods 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 abstract description 7
- 241000208125 Nicotiana Species 0.000 description 32
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 32
- 235000019504 cigarettes Nutrition 0.000 description 25
- 238000010586 diagram Methods 0.000 description 19
- 238000012549 training Methods 0.000 description 14
- 238000005520 cutting process Methods 0.000 description 12
- 238000013527 convolutional neural network Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 4
- 239000000047 product Substances 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000001788 irregular Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Classifications
-
- 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
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种陈列物品行列位置的确定方法、装置、设备及存储介质,该方法包括:获取原陈列图像;根据所述原陈列图像,获取各陈列物品的中心坐标;滤除各中心坐标中离群的第一坐标,获得剩余的第二坐标;根据剩余的各第二坐标,确定最优行划分阈值;根据所述最优行划分阈值,确定各陈列物品的行值;根据每行陈列物品的第二坐标,确定各陈列物品的列值;将各陈列物品的行值和列值形成各陈列物品的行列位置。本发明通过滤除离群的陈列物品坐标,可有效避免行列划分受异常点影响导致陈列物品行列位置不够准确的情况,从而有效提高了陈列物品行列位置的准确性。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种陈列物品行列位置的确定方法、装置、设备及存储介质。
背景技术
在烟草行业中,主动收集烟草销售情报、了解掌握消费者的消费动向是研发新产品、制定销售方案的重要手段,现有技术中,通常通过分析烟包陈列信息来获得烟包的种类和变化频率信息,进而得到消费者的消费动向,烟包陈列信息则通常通过收集销售者柜台的烟包陈列图像来获得;能够从烟包陈列图像中准确地确定烟包的行列位置有助于确定其品牌的香烟在终端陈列的态势,是主力产品还是普通产品甚至是边缘产品。
现有技术中,通常采用基于凸包的行列计算方法来确定烟包的行列位置,但是容易受异常点影响,导致烟包行列位置不够准确。
发明内容
本发明实施例提供一种陈列物品行列位置的确定方法、装置、设备及存储介质,以解决现有技术烟包行列位置不够准确的问题。
第一个方面,本发明实施例提供一种陈列物品行列位置的确定方法,包括:
获取原陈列图像;
根据所述原陈列图像,获取各陈列物品的中心坐标;
滤除各中心坐标中离群的第一坐标,获得剩余的第二坐标;
根据剩余的各第二坐标,确定最优行划分阈值;
根据所述最优行划分阈值,确定各陈列物品的行值;
根据每行陈列物品的第二坐标,确定各陈列物品的列值;
将各陈列物品的行值和列值形成各陈列物品的行列位置。
第二个方面,本发明实施例提供一种陈列物品行列位置的确定装置,包括:
获取模块,用于获取原陈列图像;
提取模块,用于根据所述原陈列图像,获取各陈列物品的中心坐标;
检测模块,用于滤除各中心坐标中离群的第一坐标,获得剩余的第二坐标;
第一处理模块,用于根据剩余的各第二坐标,确定最优行划分阈值;
第二处理模块,用于根据所述最优行划分阈值,确定各陈列物品的行值;
第三处理模块,用于根据每行陈列物品的第二坐标,确定各陈列物品的列值;
确定模块,用于将各陈列物品的行值和列值形成各陈列物品的行列位置。
第三个方面,本发明实施例提供一种电子设备,包括:存储器、收发器及至少一个处理器;
所述处理器、所述存储器与所述收发器通过电路互联;
所述存储器存储计算机执行指令;所述收发器,用于接收陈列图像;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如上第一个方面以及第一个方面各种可能的设计所述的方法。
第四个方面,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如上第一个方面以及第一个方面各种可能的设计所述的方法。
本发明实施例提供的陈列物品行列位置的确定方法、装置、设备及存储介质,通过滤除离群的陈列物品坐标,可有效避免行列划分受异常点影响导致陈列物品行列位置不够准确的情况,从而有效提高了陈列物品行列位置的准确性。
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一简单地介绍,显而易见地,下面描述中的附图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。
图1为本发明一实施例提供的陈列物品行列位置的确定方法的流程示意图;
图2为本发明一实施例提供的对子样本进行切割训练的过程示意图;
图3为本发明一实施例提供的原陈列图像的示例性示意图;
图4为本发明一实施例提供的目标检测模型提取出的图3对应的中心点位置示意图;
图5为本发明一实施例提供的采用孤立森林算法去除离群点后的烟包位置示意图;
图6为本发明一实施例提供的指标最优但行数错误的结果示意图;
图7为本发明一实施例提供的矫正后的最终行回归线的示意图;
图8为本发明一实施例提供的陈列物品行列位置的确定装置的结构示意图;
图9为本发明一实施例提供的第一处理模块的一种示例性结构示意图;
图10为本发明一实施例提供的第二处理模块的一种示例性结构示意图;
图11为本发明一实施例提供的陈列物品行列位置的确定装置的一种示例性结构示意图;
图12为本发明一实施例提供的电子设备的结构示意图。
通过上述附图,已示出本发明明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本发明构思的范围,而是通过参考特定实施例为本领域技术人员说明本发明的概念。
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,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
首先,对本发明所涉及的名词进行解释:
Faster-RCNN:也称Faster R-CNN,Faster Region CNN,Faster区域卷积神经网络,是继2014年推出R-CNN,2015年推出Fast R-CNN之后,目标检测界的领军人物RossGirshick团队在2015年推出的力作:Faster R-CNN,使简单网络目标检测速度达到17fps,在PASCAL VOC上准确率为59.9%,复杂网络达到5fps,准确率78.8%。Faster R-CNN主要由三个部分组成:(1)基础特征提取网络,(2)用区域生成网络(Region Proposal Network,简称:RPN),(3)Fast-RCNN。其中RPN和Fast-RCNN共享特征提取卷积层,思路上依旧延续提取proposal+分类的思想,Faster R-CNN用RPN来代替Fast R-CNN中的Selective Search(选择性搜索)方法,使得检测速度大幅提升。RPN的核心思想是使用卷积神经网络直接产生候选框region proposal,使用的方法本质上是滑动窗口。RPN的设计比较巧妙,RPN只需在最后的卷积层上滑动一遍,因为anchor机制和边框回归可以得到多尺度、多长宽比的regionproposal,3*3滑窗对应的每个特征区域同时预测输入图像3种尺度(128,256,512),3种长宽比(1:1,1:2,2:1)的region proposal,这种映射的机制称为anchor。Faster-RCNN的训练过程如下:(1)输入测试图像;(2)将整张图像输入基础特征提取网络,进行特征提取;(3)用RPN先生成一批Anchor box,对其进行裁剪过滤后通过softmax判断Anchors属于前景(foreground)或者后景(background),即是物体或不是物体,也即这是一个二分类;同时,另一分支边框回归(bounding box regression)修正Anchor box,形成较精确的候选框(proposal);(4)把候选框映射到CNN的最后一层卷积特征图(feature map)上;(5)通过RoIpooling层使每个RoI生成固定尺寸的feature map;(6)利用Softmax Loss(探测分类概率)和Smooth L1 Loss(探测边框回归)对分类概率和边框回归(Bounding box regression)联合训练。其中,特征提取部分可以采用ResNet或其他可实施的网络。
此外,术语“第一”、“第二”等仅用于描述目的,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。在以下各实施例的描述中,“多个”的含义是两个及两个以上,除非另有明确具体的限定。
下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本发明的实施例进行描述。
本发明一实施例提供一种陈列物品行列位置的确定方法,用于烟草陈列中烟包的位置确定,也可用于其他类似陈列物品的位置的确定。本实施例的执行主体为陈列物品行列位置的确定装置,该装置可以设置在电子设备中,该电子设备可以是服务器或者其他可实现的计算机设备。
如图1所示,为本实施例提供的陈列物品行列位置的确定方法的流程示意图,该方法包括:
步骤101,获取原陈列图像。
具体的,原陈列图像可以是通过各种方式收集的各类陈列物品在柜台或展架中的摆放方式的图像,比如香烟、酒等在柜台中摆放方式的图像,比如通过专人手持拍照设备定期定点收集,通过在柜台上方设置摄像设备实时或定时自动收集等收集方式,具体可以根据实际需求设置;原陈列图像可以是存储在预设区域,在需要处理时,则可以从预设区域获取原陈列图像。
本发明实施例中陈列物品以香烟烟包为例进行说明,其他陈列物品的行列位置确定流程与烟包一致。
步骤102,根据原陈列图像,获取各陈列物品的中心坐标。
具体的,在获取到原陈列图像后,可以基于原陈列图像获取其中包含的各陈列物品的中心坐标,具体获取中心坐标的方式可以根据实际需求设置。
示例性的,陈列物品以烟包为例,可以基于训练好的目标检测模型来提取各烟包的四个角点坐标,进一步根据四个角点坐标确定烟包的中心坐标。其中,目标检测模型可以采用现有技术中任意可实施的目标检测模型,本实施例不做限定,比如Faster-RCNN模型或其改进版本,或者其他模型。
步骤103,滤除各中心坐标中离群的第一坐标,获得剩余的第二坐标。
具体的,在获得各陈列物品的中心坐标后,可以滤除各中心坐标中离群的中心坐标(为了区分称为第一坐标),将剩余的中心坐标称为第二坐标,滤除的每个第一坐标代表一个陈列物品,也即将陈列中位置异常的陈列物品滤除,剩余的第二坐标代表有效陈列物品。
在实际应用中,离群的第一坐标可以根据任意可实施的方式来确定,具体可以根据实际需求设置,本实施例不做限定。
示例性的,可以采用孤立森林算法来确定离群的第一坐标,或者还可以采用其他异常点检测算法来确定离群的第一坐标。
步骤104,根据剩余的各第二坐标,确定最优行划分阈值。
具体的,在滤除离群的第一坐标后,则可以基于剩余的第二坐标来划分行列,由于滤除了离群的坐标,也即滤除了异常点,从而有效提高行列划分的准确性,即能够准确地确定各陈列物品的行列位置,解决了现有技术行列划分容易受异常点影响导致烟包位置不够准确的问题。
在实际应用中,最优行划分阈值可以通过任意可实施的方式获得,最优行划分阈值包括划分成行的每行的纵坐标阈值范围和/或每行的行高。
示例性的,可以根据剩余烟包的角点坐标中的纵坐标最大值和最小值作为上界和下界,将第二坐标进行多种行数的划分,按照一定规则从多种行数划分方式中确定出最优的一种划分方式即获得了最优行划分阈值,比如剩余烟包中角点坐标的纵坐标的最大值为Y1,最小值为Y2,可以将Y1和Y2分别作为上界和下界,将第二坐标按照多种阈值划分成3行、4行、5行、…、10行,在每种划分方式下计算表示其优劣的指标,根据指标来确定最优的划分方式,比如4行最优,则将划分为4行的阈值作为最优行划分阈值。
在上述划分成行时,比如划分为3行,划分阈值为Y01和Y02,也即划分范围为Y1-Y01、Y01-Y02、Y02-Y2,对于每个烟包,根据烟包第二坐标中纵坐标值所属范围来确定烟包的行,然后计算指标值。
对于指标,可以根据实际需求设置,本实施例不做限定。
示例性的,指标可以是每行烟包中心坐标的方差、每行烟包排列斜率的方差、每行烟包中纵坐标的最大值与最小值的差值与平均烟包高度的比值、行斜率的波动值,等等。
可选地,还可以针对多种阈值划分方式,按照每行陈列物品数的变异系数先筛选出一定数量的划分方式,然后再基于预设指标从这一定数量的划分方式中确定最优划分方式,从而获得最优行划分阈值。
步骤105,根据最优行划分阈值,确定各陈列物品的行值。
具体的,在确定了最优行划分阈值后,则可以根据该最优行划分阈值来确定各陈列物品的行值。具体来说,将第二坐标按最优行划分阈值划分成一定的行数,陈列物品所在行的行值即为陈列物品的行值。
可选地,为了进一步提高行划分的准确性,各陈列物品的行值可以进一步基于线性回归来确定陈列物品的陈列线,基于陈列物品与陈列线的距离来确定陈列物品归属于哪一行,具体来说可以通过预设行回归算法来确定每行的回归线作为陈列线,并判断相邻回归线是否会在已知横坐标范围内产生交点,若产生交点则该两回归线代表的两行需要合并,确定最终的划分行数,并进一步确定各陈列物品的行值,从而可以进一步提高行列划分的准确性。
步骤106,根据每行陈列物品的第二坐标,确定各陈列物品的列值。
在确定了各陈列物品的行值之后,可以根据每行陈列物品的第二坐标来确定各陈列物品的列值,具体来说根据第二坐标中的横坐标的排序来确定陈列物品的列值。
示例性的,第一行中第一个烟包的列值即为1,第二个烟包的列值即为2,以此类推,其他行同理,比如第3行第1个烟包的列值为1,在此不再赘述。
步骤107,将各陈列物品的行值和列值形成各陈列物品的行列位置。
具体的,在确定了个陈列物品的行值和列值即可以确定陈列物品的行列位置,示例性的,可以将烟包的行值和列值形成类似坐标的行列位置,比如第1行第6列的烟包的行列位置为(1,6),具体行列位置的表示方式可以根据实际需求设置,本实施例不做限定。
本实施例提供的陈列物品行列位置的确定方法,通过滤除离群的陈列物品坐标,可有效避免行列划分受异常点影响导致陈列物品行列位置不够准确的情况,从而有效提高了陈列物品行列位置的准确性。
为了使本发明的技术方案更加清楚,本发明另一实施例对上述实施例提供的方法做进一步补充说明。
作为一种可实施的方式,为了能够准确滤除离群的坐标,在上述实施例的基础上,该方法还可以包括:
基于各中心坐标,采用孤立森林算法确定离群的第一坐标;将离群的各第一坐标从中心坐标中滤除,获得剩余的第二坐标。
具体的,孤立森林算法是基于Ensemble的异常检测算法,因此具有线性的时间复杂度,且精准度较高,在处理大数据时速度快,孤立森林算法是通过递归随机切割数据集(本发明中即为中心坐标集),直到所有的样本点都是孤立的,在这种随机切割的策略下,异常点(即离群点)通常具有较短的路径,也即密度很高的簇需要被切割很多次才能被孤立,而密度很低的点很容易就可以被孤立,每个点被切割至孤立点的过程可以称为其切割的路径,切割次数即为路径的长度,因此,可以将原陈列图像中包括的各陈列物品的中心坐标形成中心坐标集作为被切割的数据集,根据每个中心坐标被孤立的路径长度来确定离群的点(即第一坐标),从而可以将离群的第一坐标从中心坐标集中滤除,获得剩下的各第二坐标,可以称为第二坐标集。
在实际应用中,孤立森林需要预先进行训练,具体可以基于训练数据集(本发明中即为中心坐标集)进行多次反复从头开始切割至孤立的过程,实现孤立森林算法的训练,训练结束后,获得生成的孤立森林,则可以用生成的孤立森林来评估测试数据集。
示例性的,孤立森林的训练及测试过程如下:
1、单棵树的训练
(1)从训练数据中随机选择L个点(即中心坐标)作为子样本,放入一棵孤立树的根节点。
(2)随机指定一个维度(本发明中可以是横坐标或纵坐标),在当前节点数据范围内,随机产生一个切割点p,切割点产生于当前节点数据中指定维度的最大值与最小值之间。
(3)此切割点的选取生成了一个超平面,将当前节点数据空间切分为2个子空间:把当前所选维度下小于p的点放在当前节点的左分支,把大于或等于p的点放在当前节点的右分支。
(4)在节点的左分支和右分支递归上述步骤(2)、(3),不断构造新的叶子节点,直至叶子节点上只有一个数据(即无法再继续切割)或树已经生长到了预设高度。
示例性的,如图2所示,为本实施例提供的对子样本进行切割训练的过程示意图,可见,xi处于密度较高的区域,因此切割了十几次才被分到了单独的子空间,而xo落在边缘分布较稀疏的区域,只经历了四次切割就被孤立了。
2、整合全部孤立树的结果
由于切割过程是完全随机的,所以需要用ensemble的方法来使结果收敛,即反复从头开始切,然后计算每次切分结果的平均值。
获得t个孤立树后,单棵树的训练结束。接下来就可以用生成的孤立树来评估测试数据,即计算异常分数s,具体来说,对于每个样本x,需要对其综合计算每棵树的结果,通过以下公式计算异常得分:
其中,h(x)为样本x在每棵树的高度,c(L)为给定样本数L时路径长度的平均值,E(h(x))用来对样本x的路径长度h(x)进行标准化处理。
在实际应用中孤立树的数量可以根据实际需求设置,比如可以根据孤立树的数量与每个样本点的平均高度的关系,来选取使得平均高度稳定的数量作为孤立树的数量,比如当数量在10以内时,平均高度非常不稳定,当数量达到100后平均高度就趋于稳定,则可以将孤立树的数量设置为100,棵数过少可能不稳定,过多则浪费系统开销,因此可以根据实际需求设置合适的数量。
对于每个样本,若其异常得分接近1,则表示该样本是异常点;若异常得分远小于0.5,则表示该样本不是异常点;若异常得分所有点的得分都在0.5左右,则表示样本中很可能不存在异常点。
可选地,也可以根据t个孤立树确定每个样本为异常点的概率,并根据实际需求设置概率阈值,来确定最终的异常点,具体可以根据实际需求设置。
作为另一种可实施的方式,为了进一步提高行列划分准确性,在上述实施例的基础上,可选地,根据剩余的各第二坐标,确定最优行划分阈值,包括:
获取各第二坐标对应的陈列物品角点坐标中纵坐标的第一最大值和第一最小值;根据第一最大值和第一最小值,确定多个第一划分阈值;针对每个第一划分阈值,将各第二坐标水平均匀划分成第一划分阈值对应数量的行,并获取每行包含陈列物品数的第一变异系数;将第一变异系数最小的N个第一划分阈值作为第一待选阈值;遍历各第一待选阈值,基于第一预设指标确定最优行划分阈值。
具体的,可以首先从多种划分方式中基于变异系数筛选出部分划分方式待选,再进一步基于第一预设指标确定出最优划分阈值。
示例性的,可以根据剩余烟包的角点坐标中的纵坐标最大值(即第一最大值)和最小值(即第一最小值)作为上界和下界,将第二坐标进行多种行数的划分,比如剩余烟包中角点坐标的纵坐标的最大值为Y1,最小值为Y2,可以将Y1和Y2分别作为上界和下界,将第二坐标按照多种阈值划分成3行、4行、5行、…、10行,在每种划分方式下计算每行烟包数的变异系数(为了区分称为第一变异系数),比如3行对应的第一变异系数为A1、4行为A2、…、10行为A8,则根据第一变异系数从这8种划分方式中,选择第一变异系数最小的3种方式作为待选方式,比如3行、4行、5行这三种第一变异系数最小,则进一步遍历这三种方式,计算每种方式下的第一预设指标,再根据第一预设指标,确定出最优的划分方式,比如4行最优,则将划分为4行的阈值作为最优行划分阈值;其中第一预设指标可以根据实际需求设置。
第一变异系数可以基于每行烟包数的平均值和标准差进行计算。
示例性的,以划分4行为例,各行烟包数分别为X1、X2、X3、X4,将X1、X2、X3、X4作为样本,确定对应的第一变异系数CV:
其中,SD为样本标准偏差,Mean为样本平均值。
其中,n表示样本数量(本示例中n=4),即为样本X1、X2、X3、X4的平均值,也即上述的Mean。
进一步地,遍历各第一待选阈值,基于第一预设指标确定最优行划分阈值,包括:
针对每个第一待选阈值,确定每行陈列物品中心坐标的方差,作为第一指标;确定每行陈列物品中纵坐标的最大值与最小值的差值与平均陈列物品高度的比值,作为第二指标;确定每行陈列物品排列斜率的方差,作为第三指标;确定行斜率的波动值,作为第四指标;根据各第一待选阈值的第一指标、第二指标、第三指标和第四指标中的至少一种指标,确定最优行划分阈值。
具体的,每行陈列物品中心坐标的方差即表示每行陈列物品中心点的波动水平是否在一条直线上,具体是计算每行陈列物品中心点坐标的纵坐标的方差;每行陈列物品中纵坐标的最大值与最小值可以通过每个陈列物品的四个角点坐标的纵坐标大小来确定,差值与平均陈列物品高度的比值表示一行之中陈列物品的波动范围能容纳几个陈列物品;每行陈列物品排列斜率的方差表示每行陈列物品的波动程度,具体可以通过计算每行前20%,40%,60%,80%,100%陈列物品排列的斜率,基于各斜率计算方差;行斜率的波动值表示所有行陈列物品排列斜率的波动值;各指标均为越小越好,因此综合这几个指标来判断待选阈值对应的待选方式中最优的划分方式。
在实际应用中,第一预设指标除上述四种指标外,还可以根据实际需求设置其他指标,具体不做限定。
作为另一种可实施的方式,为了进一步提高行划分的准确性,在上述实施例的基础上,根据最优行划分阈值,确定各陈列物品的行值,包括:
针对最优行划分阈值的划分方式,根据各行陈列物品的第二坐标确定每行陈列物品的行回归线;根据每行陈列物品的行回归线及各陈列物品的第二坐标,确定各陈列物品与各行回归线的距离;对于每个陈列物品,将距该陈列物品最近的回归线所对应的行值作为该陈列物品的行值。
具体的,在确定的最优划分方式下,可以根据各行陈列物品的第二坐标来确定各行陈列物品的行回归线,可以基于线性回归分析来确定每行陈列物品的行回归线,具体可以是基于最小二乘法来确定行回归线,具体线性回归分析的原理为现有技术,在此不再赘述;在确定了每行陈列物品的行回归线后,则可以根据每行陈列物品的行回归线及各陈列物品的第二坐标来确定各陈列物品与各行回归线的距离,对于每个陈列物品,将距该陈列物品最近的回归线所对应的行值作为该陈列物品的行值。
进一步地,由于原陈列图像受实际摆放情况、拍摄角度、拍摄环境等因素的影响,提取获得的每行陈列物品可能是倾斜的,在按划分阈值划分成行时,有可能将实际为一行的陈列物品划分到了两行中,但是基于预设指标来判断确实是最好的,从而产生重复的行,为了避免这种情况,在确定了每行的行回归线后,还可以判断任意相邻的两个行回归线是否在已知横坐标范围内产生交点,若产生交点,则表示该相邻两行回归线属于同一行,则可以将这两行进行合并,具体来说可以取该两行回归线的斜率和截距的平均值,作为新的行回归线,再基于各陈列物品的第二坐标离各行回归线的距离将各陈列物品划分到各行。
作为另一种可实施的方式,为了避免漏掉陈列物品,在上述实施例的基础上,根据原陈列图像,获取各陈列物品的中心坐标,包括:
基于训练好的目标检测模型提取原陈列图像中各陈列物品的四个角点坐标;基于各陈列物品的四个角点坐标确定各陈列物品的中心坐标。
具体的,由于现有技术采用基于凸包的行列计算来确定烟包行列位置,需要截取外接矩形,容易漏掉烟包,本发明不需要截取外接矩形,而是基于计算机视觉的目标检测模型提取原陈列图像中各陈列物品的四个角点坐标,进而可以获取各陈列物品的中心坐标,有效解决现有技术容易漏掉烟包的问题。
进一步地,为了提高目标检测的准确性,将训练好的改进的Faster-RCNN模型作为目标检测模型,用于提取原陈列图像中各陈列物品的四个角点坐标。
改进的Faster-RCNN模型,采用Resnext101结合FPN(Feature Pyramid Networks,特征图金字塔网络)来代替Faster-RCNN中的ResNet网络,Resnext101相对于ResNet网络具有更高的精度,FPN能够同时利用低层特征稿分辨率和高层特征的高语义信息,从而有效提高模型预测结果的准确性。
示例性的,以烟包为例,改进的Faster-RCNN模型的训练过程为:获取训练陈列图像及对应的标签数据,标签数据包括训练陈列图像中每个烟包的四个角点坐标,然后将训练陈列图像输入到预先建立的改进的Faster-RCNN网络,预测各烟包对应的水平矩形框,具体来说,首先通过RPN预测初始矩形框(即预测该矩形框的中心点位置及宽高),由于中心点和宽高只能计算出一个标准矩形框,而陈列图像受拍摄角度等影响,其中的烟包实际上并不是标准的矩形框,而是不规则的四边形,为了提高预测准确性,需要计算四个角点的相对偏移量,该相对偏移量由Fast-RCNN模块来预测,比如预测获得(x,y,w,h,x1,y1,x2,y2,x3,y3,x4,y4)一共12个数据,其中(x,y,w,h)四个数据是烟包中心点坐标和宽高的相对偏移量,基于这四个数据对RPN预测的标准矩形框的中心点和宽高进行初步调整,获得调整后的矩形框(仍为标准矩形框),然后用Fast-RCNN预测的角点偏移量(x1,y1,x2,y2,x3,y3,x4,y4)对调整后的矩形框的角点坐标进行调整就得到各了烟包最终的候选框的角点坐标,针对每个烟包,将该烟包最终的候选框的四个角点坐标与标签数据中对应的四个角点坐标的距离之和(即每个角点确定一个距离值,四个角点的距离值之和)作为损失函数,根据损失最小的原则来确定最佳候选框,确定了最佳候选框后基于多边形非极大值抑制去除多余的矩形框,具体原理为现有技术,在此不再赘述。
进一步地,为了保证要处理的陈列图像能够进行行列划分,在基于各陈列物品的四个角点坐标确定各陈列物品的中心坐标之后,该方法还包括:
基于各陈列物品的中心坐标,判断原陈列图像是否符合行列划分条件;相应的,滤除各中心坐标中离群的第一坐标,获得剩余的第二坐标,包括:
若原陈列图像符合行列划分条件,则滤除各中心坐标中离群的第一坐标,获得剩余的第二坐标。
具体的,行列计算的前提是确定陈列图像中提取出来的陈列物品位置可以计算行列,受限于陈列物品摆放位置、拍摄角度、陈列柜形状等客观陈列条件,即使采集的陈列图像中包含陈列架,且可以提取陈列物品位置、品类,但是其位置分布不一定可以形成有规律的行列排列,对于无法形成有规律的行列排列的陈列图像,对其进行行列计算意义不大,因此,为了获得更有效的陈列物品行列数据,在进行行列计算之前可以先判断原陈列图像是否符合行列划分条件,若符合则进行后续的行列划分处理,若不符合则可以不再进行后续处理,从而提高数据处理效率,避免对无效的陈列图像进行行列划分处理占用系统资源。
进一步地,为了能够准确判断陈列图像是否符合行列划分条件,基于各陈列物品的中心坐标,判断原陈列图像是否符合行列划分条件,包括:
获取各陈列物品角点坐标中纵坐标的第二最大值和第二最小值;根据第二最大值和第二最小值,确定多个第二划分阈值;针对每个第二划分阈值,将各中心坐标水平均匀划分成第二划分阈值对应数量的行,并获取每行包含陈列物品数的第二变异系数;将第二变异系数最小的M个第二划分阈值作为第二待选阈值;遍历各第二待选阈值,基于第二预设指标判断原陈列图像是否符合行列划分条件。
具体的,可以获取各陈列物品角点坐标中纵坐标的最大值(称为第二最大值)和最小值(称为第二最小值),将第二最大值和第二最小值分别作为上界和下界,按照预设规则确定多个第二划分阈值,针对每个第二划分阈值,将各中心坐标水平均匀划分成该第二划分阈值对应数量的行,并获取每行陈列物品数的第二变异系数,基于第二变异系数选择最小的M个第二划分阈值作为第二待选阈值,遍历第二待选阈值,基于第二预设指标来判断原陈列图像是否符合行列划分条件;具体的第二划分阈值及第二变异系数的确定与前述的第一划分阈值及第一变异系数原理类似,在此不再赘述;第二预设指标可以根据实际需求设置,比如第二预设指标可以包括每行陈列物品排列倾角、每行陈列物品中纵坐标的最大值与最小值的差值与平均陈列物品高度的比值、陈列物品纵坐标的波动范围等;可以基于第二预设阈值从第二待选阈值中确定最佳阈值,最后根据最佳阈值下各指标是否超过指标阈值(可以称为第二指标阈值)来确定是否符合行列划分条件。
示例性的,每行烟包中纵坐标的最大值与最小值的差值与平均烟包高度的比值表示了该行高度能容纳的烟包数量,若该比值为超过3,即能容纳烟包数量超过3,则表示计算行列无意义,可以不对该原陈列图像进行烟包行列位置计算。
本发明的方法基于计算机视觉模型提取陈列物品四个角点坐标,结合孤立森林算法滤除异常点,基于变异系数及预设指标确定最优划分方式,并进一步基于线性回归校准最优划分方式,可以有效解决陈列物品陈列位置分布不规律、有离群陈列物品、陈列物品倾斜、陈列物品遮挡、跨柜陈列、拍摄角度倾斜角度过大等场景下的陈列物品行列位置确定问题,有效提高陈列物品行列位置的检测结果的准确性。
在一示例性实施方式中,以一具体示例对本发明的陈列物品行列位置的确定方法的整体流程进行详细说明。
如图3所示,为本实施例提供的原陈列图像的示例性示意图,该原陈列图像为烟包陈列图像,该原陈列图像跨柜陈列导致遮挡、拍摄倾角较大导致分布呈现梯形近大远小、陈列不规律烟包分布稀疏、转角陈列导致行列位置不对齐等;如图4所示,为本实施例提供的目标检测模型提取出的图3对应的中心点位置示意图,通过烟包中心坐标散点图可以看出计算机视觉模型提取后的位置信息是比较杂乱的,无法形成规律的行列;本发明为了降低异常陈列位置的影响,首先采用孤立森林算法检测陈列中的离群点,然后去除对于行列位置干扰较大的离群烟包,获得剩余烟包的中心坐标(即第二坐标),如图5所示,为本实施例提供的采用孤立森林算法去除离群点后的烟包位置示意图,结合前图可见,左边转角柜中的烟包基本被去除了,烟包行列分布变得更加规律,大大降低了行列确定的难度。
而后,针对去除离群点后的烟包第二坐标,本发明基于变异系数筛选待选划分行数,首先分别计算将第二坐标划分为3-50行时的行列数组的变异系数(即第一变异系数),第一变异系数越小则表示每行中烟包数分布越均匀,本示例中取第一变异系数最小的5个划分行数作为待选划分行数,在获得可能的待选划分行数后,比如3,4,5,6,7行,遍历每种情况,分别计算第二坐标划分为3,4,5,6,7行的各项指标(即第一预设指标),第一预设指标可以包括:(1)每行烟包纵坐标(可以称为Y轴坐标)的波动,(2)变异系数,(3)每行的行高除以该行烟包的平均高度,(4)每行烟包排列斜率的方差,即先计算每行前20%,40%,60%,80%,100%的点的斜率,然后计算斜率的波动,如果行列较为规律,则波动较小,即无论取较少的点还是较多的点,斜率变化不大,(5)行之间斜率的变化方差,即行斜率的波动值,若行划分准确,则行之间斜率也相差较小,方差也较小。本示例中综合以上五个指标,得到最优的行数为6行,根据前图5可见,实际上这个最优行数是错误的,如图6所示,为本实施例提供的指标最优但行数错误的结果示意图,分为6行是因为分为6行时各项指标综合评价时是最优的,但实际情况是第二行和第三行重合了,实际上应该是五行,真实陈列也是五行,针对这种情况,本示例通过行回归算法解决行数错误问题,具体来说,首先基于各烟包第二坐标计算每行的回归线,然后计算两两相邻的行回归线是否会在已知横坐标范围内产生交点,若产生交点(如上图6第二行第三行),则将该两行进行合并,取该两行回归线的斜率和截距的平均值作为新的行回归线,如图7所示,为本实施例提供的矫正后的最终行回归线的示意图;行合并完成之后,再计算当前共有多少行作为最优行数,再基于各烟包的第二坐标离各行回归线的距离俩将各烟包划分进各行,即确定了各烟包的行值,确定了烟包的行值之后,则可以基于各烟包的横坐标大小来为烟包划分列数,从而确定烟包的行列位置。
需要说明的是,本实施例中各可实施的方式可以单独实施,也可以在不冲突的情况下以任意组合方式结合实施本发明不做限定。
本实施例提供的陈列物品行列位置的确定方法,通过采用孤立森林算法滤除离群点,降低行列划分难度,进一步提高行列划分的准确性;还通过基于变异系数和多指标评价确定最优划分方式,进一步提高陈列物品行列位置的准确性;还通过行回归分析矫正行划分错误,进一步提高行列划分的准确性;还通过预先判断陈列图像是否符合行列划分条件,排除无意义的陈列图像,提高数据处理效率即行列划分数据的有效性;此外,通过计算机视觉模型提取陈列图像中陈列物品的角点坐标,有效解决现有技术容易漏掉陈列物品的问题,进一步提高陈列物品行列位置的准确性;本发明的方法,将孤立森林算法和行回归检验结合,使得本发明具有相当强的鲁棒性。
本发明再一实施例提供一种陈列物品行列位置的确定装置,用于执行上述实施例的方法。
如图8所示,为本实施例提供的陈列物品行列位置的确定装置的结构示意图。该装置30包括:获取模块31、提取模块32、检测模块33、第一处理模块34、第二处理模块35、第三处理模块36和确定模块37。
其中,获取模块,用于获取原陈列图像;提取模块,用于根据原陈列图像,获取各陈列物品的中心坐标;检测模块,用于滤除各中心坐标中离群的第一坐标,获得剩余的第二坐标;第一处理模块,用于根据剩余的各第二坐标,确定最优行划分阈值;第二处理模块,用于根据最优行划分阈值,确定各陈列物品的行值;第三处理模块,用于根据每行陈列物品的第二坐标,确定各陈列物品的列值;确定模块,用于将各陈列物品的行值和列值形成各陈列物品的行列位置。
具体的,该装置的获取模块可以从预设区域获取原陈列图像或者实时接收终端发送的陈列图像作为原陈列图像,并发送给提取模块,提取模块根据原陈列图像获取各陈列物品的中心坐标,发送给检测模块,检测模块滤除各中心坐标中离群的第一坐标,获得剩余的第二坐标,并发送给第一处理模块,第一处理模块根据剩余的各第二坐标,确定最优行划分阈值,并发送给第二处理模块,第二处理模块根据最优行划分阈值,确定各陈列物品的行值,并发送给第三处理模块,还可以发送给确定模块,第三处理模块根据每行陈列物品的第二坐标,确定各陈列物品的列值,发送给确定模块,确定模块根据陈列物品的行值和列值形成陈列物品的行列位置。
关于本实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,且能够达到相同的技术效果,此处将不做详细阐述说明。
为了使本发明的装置更加清楚,本发明又一实施例对上述实施例提供的装置做进一步补充说明。
作为一种可实施的方式,为了能够准确滤除离群的坐标,在上述实施例的基础上,检测模块,具体用于:
基于各中心坐标,采用孤立森林算法确定离群的第一坐标;将离群的各第一坐标从中心坐标中滤除,获得剩余的第二坐标。
作为另一种可实施的方式,如图9所示,为本实施例提供的第一处理模块的一种示例性结构示意图,为了进一步提高行列划分准确性,在上述实施例的基础上,可选地,第一处理模块34,包括获取子模块341、第一确定子模块342、处理子模块343、选择子模块344和第二确定子模块345。
其中,获取子模块,用于获取各第二坐标对应的陈列物品角点坐标中纵坐标的第一最大值和第一最小值;第一确定子模块,用于根据第一最大值和第一最小值,确定多个第一划分阈值;处理子模块,用于针对每个第一划分阈值,将各第二坐标水平均匀划分成第一划分阈值对应数量的行,并获取每行包含陈列物品数的第一变异系数;选择子模块,用于将第一变异系数最小的N个第一划分阈值作为第一待选阈值;第二确定子模块,用于遍历各第一待选阈值,基于第一预设指标确定最优行划分阈值。
具体的,获取子模块接收检测模块发送的第二坐标,获取各第二坐标对应的陈列物品角点坐标中纵坐标的第一最大值和第一最小值,并发送给第一确定子模块,第一确定子模块根据第一最大值和第一最小值,确定多个第一划分阈值,并发送给处理子模块,处理子模块针对每个第一划分阈值,将各第二坐标水平均匀划分成第一划分阈值对应数量的行,并获取每行包含陈列物品数的第一变异系数,并发送给选择子模块,选择子模块将第一变异系数最小的N个第一划分阈值作为第一待选阈值,并发送给第二确定子模块,第二确定子模块遍历各第一待选阈值,基于第一预设指标确定最优行划分阈值。
进一步地,第二确定子模块,具体用于:
针对每个第一待选阈值,确定每行陈列物品中心坐标的方差,作为第一指标;确定每行陈列物品中纵坐标的最大值与最小值的差值与平均陈列物品高度的比值,作为第二指标;确定每行陈列物品排列斜率的方差,作为第三指标;确定行斜率的波动值,作为第四指标;根据各第一待选阈值的第一指标、第二指标、第三指标和第四指标中的至少一种指标,确定最优行划分阈值。
作为另一种可实施的方式,如图10所示,为本实施例提供的第二处理模块的一种示例性结构示意图,为了进一步提高行划分的准确性,在上述实施例的基础上,第二处理模块35,包括第一处理子模块351、第二处理子模块352和第三处理子模块353。
其中,第一处理子模块,用于针对最优行划分阈值的划分方式,根据各行陈列物品的第二坐标确定每行陈列物品的行回归线;第二处理子模块,用于根据每行陈列物品的行回归线及各陈列物品的第二坐标,确定各陈列物品与各行回归线的距离;第三处理子模块,用于对于每个陈列物品,将距该陈列物品最近的回归线所对应的行值作为该陈列物品的行值。
具体的,第一处理子模块接收第一处理模块发送的最优行划分阈值,针对最优行划分阈值的划分方式,根据各行陈列物品的第二坐标确定每行陈列物品的行回归线,并发送给第二处理子模块,第二处理子模块根据每行陈列物品的行回归线及各陈列物品的第二坐标,确定各陈列物品与各行回归线的距离,并发送给第三处理子模块,第三处理子模块对于每个陈列物品,将距该陈列物品最近的回归线所对应的行值作为该陈列物品的行值,并发送给第三处理模块,第三处理模块根据每行陈列物品的第二坐标,确定各陈列物品的列值。
进一步地,为了进一步提高行列划分的准确性,第二处理模块,还包括:矫正子模块354。
其中,矫正子模块,用于针对任意两个相邻的行回归线,判断该两个行回归线是否属于同一行,如属于同一行,则将该两个行回归线对应的两行进行合并,确定新的行回归线;第二处理子模块,具体用于:根据合并后的每行陈列物品的行回归线及各陈列物品的第二坐标,确定各陈列物品与各行回归线的距离。
具体的,第一处理子模块将每行陈列物品的行回归线发送给矫正子模块,矫正子模块针对任意两个相邻的行回归线,判断该两个行回归线是否属于同一行,如属于同一行,则将该两个行回归线对应的两行进行合并,确定新的行回归线,并发送给第二处理子模块,第二处理子模块根据合并后的每行陈列物品的行回归线及各陈列物品的第二坐标,确定各陈列物品与各行回归线的距离。
作为另一种可实施的方式,为了避免漏掉陈列物品,在上述实施例的基础上,提取模块包括:提取子模块和第三确定子模块。
其中,提取子模块,用于基于训练好的目标检测模型提取原陈列图像中各陈列物品的四个角点坐标;第三确定子模块,用于基于各陈列物品的四个角点坐标确定各陈列物品的中心坐标。
具体的,提取子模块接收获取模块发送的原陈列图像,基于训练好的目标检测模型提取原陈列图像中各陈列物品的四个角点坐标,并发送给第三确定子模块,第三确定子模块基于各陈列物品的四个角点坐标确定各陈列物品的中心坐标。
进一步地,如图11所示,为本实施例提供的陈列物品行列位置的确定装置的一种示例性结构示意图,为了保证要处理的陈列图像能够进行行列划分,该装置还包括:判断模块38。
其中,判断模块,用于基于各陈列物品的中心坐标,判断原陈列图像是否符合行列划分条件;相应的,检测模块,具体用于:若原陈列图像符合行列划分条件,则滤除各中心坐标中离群的第一坐标,获得剩余的第二坐标。
具体的,提取模块将各陈列物品的中心坐标发送给判断模块,判断模块基于各陈列物品的中心坐标,判断原陈列图像是否符合行列划分条件,若符合则将判断结果发送给检测模块,检测模块滤除各中心坐标中离群的第一坐标,获得剩余的第二坐标。
进一步地,为了能够准确判断陈列图像是否符合行列划分条件,判断模块,具体用于:
获取各陈列物品角点坐标中纵坐标的第二最大值和第二最小值;根据第二最大值和第二最小值,确定多个第二划分阈值;针对每个第二划分阈值,将各中心坐标水平均匀划分成第二划分阈值对应数量的行,并获取每行包含陈列物品数的第二变异系数;将第二变异系数最小的M个第二划分阈值作为第二待选阈值;遍历各第二待选阈值,基于第二预设指标判断原陈列图像是否符合行列划分条件。需要说明的是,本实施例中各可实施的方式可以单独实施,也可以在不冲突的情况下以任意组合方式结合实施本发明不做限定。
关于本实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,且能够达到相同的技术效果,此处将不做详细阐述说明。
本发明再一实施例提供一种电子设备,用于执行上述实施例提供的方法。该电子设备可以是服务器或其他可实现的计算机设备。
如图12所示,为本实施例提供的电子设备的结构示意图。该电子设备50包括:存储器51、收发器52及至少一个处理器53。
其中,处理器、存储器与收发器通过电路互联;存储器存储计算机执行指令;收发器,用于接收陈列图像;至少一个处理器执行存储器存储的计算机执行指令,使得至少一个处理器执行如上任一实施例提供的方法。
具体的,可以通过终端手动或自动拍摄陈列图像发送给该电子设备,该电子设备的收发器接收陈列图像发送给处理器,处理器将陈列图像进行存储,或直接作为原陈列图像进行后续的行列划分处理,处理器读取并执行存储器存储的计算机执行指令,以实现如上任一实施例提供的方法。
本发明实施例提供的电子设备可以应用于烟草行业为了掌握消费者消费动向,收集销售者柜台陈列物品具体陈列情况的场景,也可以应用于其他行业相应物品或产品陈列情况的场景,比如酒,具体可以根据实际需求应用。
需要说明的是,本实施例的电子设备能够实现上述任一实施例提供的方法,且能够达到相同的技术效果,在此不再赘述。
本发明又一实施例提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,当处理器执行计算机执行指令时,实现如上任一实施例提供的方法。
需要说明的是,本实施例的计算机可读存储介质能够实现上述任一实施例提供的方法,且能够达到相同的技术效果,在此不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由下面的权利要求书指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求书来限制。
Claims (10)
1.一种陈列物品行列位置的确定方法,其特征在于,包括:
获取原陈列图像;
根据所述原陈列图像,获取各陈列物品的中心坐标;
滤除各中心坐标中离群的第一坐标,获得剩余的第二坐标;
获取各第二坐标对应的陈列物品角点坐标中纵坐标的第一最大值和第一最小值;根据所述第一最大值和所述第一最小值,确定多个第一划分阈值;针对每个第一划分阈值,将各第二坐标水平均匀划分成所述第一划分阈值对应数量的行,并获取每行包含陈列物品数的第一变异系数;将第一变异系数最小的N个第一划分阈值作为第一待选阈值;针对每个第一待选阈值,确定每行陈列物品中心坐标的方差,作为第一指标;确定每行陈列物品中纵坐标的最大值与最小值的差值与平均陈列物品高度的比值,作为第二指标;确定每行陈列物品排列斜率的方差,作为第三指标;确定行斜率的波动值,作为第四指标;根据各第一待选阈值的所述第一指标、所述第二指标、所述第三指标和所述第四指标中的至少一种指标,确定最优行划分阈值;
根据所述最优行划分阈值,确定各陈列物品的行值;
根据每行陈列物品的第二坐标,确定各陈列物品的列值;
将各陈列物品的行值和列值形成各陈列物品的行列位置。
2.根据权利要求1所述的方法,其特征在于,所述滤除各中心坐标中离群的第一坐标,获得剩余的第二坐标,包括:
基于各中心坐标,采用孤立森林算法确定离群的第一坐标;
将离群的各第一坐标从中心坐标中滤除,获得剩余的所述第二坐标。
3.根据权利要求1所述的方法,其特征在于,所述根据所述最优行划分阈值,确定各陈列物品的行值,包括:
针对所述最优行划分阈值的划分方式,根据各行陈列物品的第二坐标确定每行陈列物品的行回归线;
根据每行陈列物品的行回归线及各陈列物品的第二坐标,确定各陈列物品与各行回归线的距离;
对于每个陈列物品,将距该陈列物品最近的回归线所对应的行值作为该陈列物品的行值。
4.根据权利要求3所述的方法,其特征在于,在针对所述最优行划分阈值的划分方式,根据各行陈列物品的第二坐标确定每行陈列物品的行回归线之后,所述方法还包括:
针对任意两个相邻的行回归线,判断该两个行回归线是否属于同一行,如属于同一行,则将该两个行回归线对应的两行进行合并,确定新的行回归线;
所述根据每行陈列物品的行回归线及各陈列物品的第二坐标,确定各陈列物品与各行回归线的距离,包括:
根据合并后的每行陈列物品的行回归线及各陈列物品的第二坐标,确定各陈列物品与各行回归线的距离。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述根据所述原陈列图像,获取各陈列物品的中心坐标,包括:
基于训练好的目标检测模型提取所述原陈列图像中各陈列物品的四个角点坐标;
基于各陈列物品的四个角点坐标确定各陈列物品的中心坐标。
6.根据权利要求5所述的方法,其特征在于,在基于各陈列物品的四个角点坐标确定各陈列物品的中心坐标之后,所述方法还包括:
基于各陈列物品的中心坐标,判断所述原陈列图像是否符合行列划分条件;
所述滤除各中心坐标中离群的第一坐标,获得剩余的第二坐标,包括:
若所述原陈列图像符合行列划分条件,则滤除各中心坐标中离群的第一坐标,获得剩余的第二坐标。
7.根据权利要求6所述的方法,其特征在于,所述基于各陈列物品的中心坐标,判断所述原陈列图像是否符合行列划分条件,包括:
获取各陈列物品角点坐标中纵坐标的第二最大值和第二最小值;
根据所述第二最大值和所述第二最小值,确定多个第二划分阈值;
针对每个第二划分阈值,将各中心坐标水平均匀划分成所述第二划分阈值对应数量的行,并获取每行包含陈列物品数的第二变异系数;
将第二变异系数最小的M个第二划分阈值作为第二待选阈值;
遍历各第二待选阈值,基于第二预设指标判断所述原陈列图像是否符合行列划分条件。
8.一种陈列物品行列位置的确定装置,其特征在于,包括:
获取模块,用于获取原陈列图像;
提取模块,用于根据所述原陈列图像,获取各陈列物品的中心坐标;
检测模块,用于滤除各中心坐标中离群的第一坐标,获得剩余的第二坐标;
第一处理模块,用于获取各第二坐标对应的陈列物品角点坐标中纵坐标的第一最大值和第一最小值;根据所述第一最大值和所述第一最小值,确定多个第一划分阈值;针对每个第一划分阈值,将各第二坐标水平均匀划分成所述第一划分阈值对应数量的行,并获取每行包含陈列物品数的第一变异系数;将第一变异系数最小的N个第一划分阈值作为第一待选阈值;针对每个第一待选阈值,确定每行陈列物品中心坐标的方差,作为第一指标;确定每行陈列物品中纵坐标的最大值与最小值的差值与平均陈列物品高度的比值,作为第二指标;确定每行陈列物品排列斜率的方差,作为第三指标;确定行斜率的波动值,作为第四指标;根据各第一待选阈值的所述第一指标、所述第二指标、所述第三指标和所述第四指标中的至少一种指标,确定最优行划分阈值;
第二处理模块,用于根据所述最优行划分阈值,确定各陈列物品的行值;
第三处理模块,用于根据每行陈列物品的第二坐标,确定各陈列物品的列值;
确定模块,用于将各陈列物品的行值和列值形成各陈列物品的行列位置。
9.一种电子设备,其特征在于,包括:存储器、收发器及至少一个处理器;
所述处理器、所述存储器与所述收发器通过电路互联;
所述存储器存储计算机执行指令;所述收发器,用于接收陈列图像;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如权利要求1-7任一项所述的方法。
10.一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中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110692416.4A CN113569830B (zh) | 2021-06-22 | 2021-06-22 | 陈列物品行列位置的确定方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110692416.4A CN113569830B (zh) | 2021-06-22 | 2021-06-22 | 陈列物品行列位置的确定方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113569830A CN113569830A (zh) | 2021-10-29 |
CN113569830B true CN113569830B (zh) | 2024-08-02 |
Family
ID=78162470
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110692416.4A Active CN113569830B (zh) | 2021-06-22 | 2021-06-22 | 陈列物品行列位置的确定方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113569830B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114972710B (zh) * | 2022-07-27 | 2022-10-28 | 深圳爱莫科技有限公司 | 一种在图像中实现多形状目标检测的方法及系统 |
CN115359117B (zh) * | 2022-08-30 | 2023-05-02 | 创新奇智(广州)科技有限公司 | 商品陈列位置确定方法、装置及可读存储介质 |
CN115601631B (zh) * | 2022-12-15 | 2023-04-07 | 深圳爱莫科技有限公司 | 一种卷烟陈列图像识别方法、系统、设备及储存介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108549870A (zh) * | 2018-04-16 | 2018-09-18 | 图麟信息科技(深圳)有限公司 | 一种对物品陈列进行鉴别的方法及装置 |
CN110705424A (zh) * | 2019-09-25 | 2020-01-17 | 广州市玄武无线科技股份有限公司 | 一种商品陈列位置的定位方法、装置及存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014136559A1 (ja) * | 2013-03-04 | 2014-09-12 | 日本電気株式会社 | 物品管理システム、情報処理装置およびその制御方法と制御プログラム |
JP7305320B2 (ja) * | 2018-03-27 | 2023-07-10 | 株式会社デンソーウェーブ | 位置関係検出装置 |
CN111161346B (zh) * | 2019-12-30 | 2023-09-12 | 北京三快在线科技有限公司 | 将商品在货架中进行分层的方法、装置和电子设备 |
CN111507253B (zh) * | 2020-04-16 | 2023-06-30 | 腾讯科技(深圳)有限公司 | 基于人工智能的陈列物品审核方法、装置 |
-
2021
- 2021-06-22 CN CN202110692416.4A patent/CN113569830B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108549870A (zh) * | 2018-04-16 | 2018-09-18 | 图麟信息科技(深圳)有限公司 | 一种对物品陈列进行鉴别的方法及装置 |
CN110705424A (zh) * | 2019-09-25 | 2020-01-17 | 广州市玄武无线科技股份有限公司 | 一种商品陈列位置的定位方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113569830A (zh) | 2021-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113569830B (zh) | 陈列物品行列位置的确定方法、装置、设备及存储介质 | |
CN106845383A (zh) | 人头检测方法和装置 | |
CN112102409B (zh) | 目标检测方法、装置、设备及存储介质 | |
CN108960011B (zh) | 部分遮挡的柑橘果实图像识别方法 | |
CN109800619B (zh) | 成熟期柑橘果实图像识别方法 | |
CN103544691A (zh) | 图像处理方法及设备 | |
CN109345513B (zh) | 一种具有烟包姿态计算的卷烟包装缺陷检测方法 | |
CN109949229A (zh) | 一种多平台多视角下的目标协同检测方法 | |
CN112135188A (zh) | 视频裁剪方法、电子设备及计算机可读存储介质 | |
CN112819796A (zh) | 烟丝异物识别方法及设备 | |
CN117437271B (zh) | 基于人工智能的三维目标测量方法 | |
CN112508803B (zh) | 一种三维点云数据的去噪方法、装置及存储介质 | |
CN116226697B (zh) | 空间数据聚类方法、系统、设备及介质 | |
CN111523535A (zh) | 基于机器视觉与深度学习的类圆对象识别计数检测算法 | |
CN111652140A (zh) | 基于深度学习的题目精准分割方法、装置、设备和介质 | |
CA3150597A1 (en) | Pedestrian detecting method and device | |
CN113932712B (zh) | 一种基于深度相机和关键点的瓜果类蔬菜尺寸测量方法 | |
CN115619710A (zh) | 基于分步跟踪检测的物品数量统计方法、装置及设备 | |
CN110766715A (zh) | 一种结合单目标轨迹的多目标跟踪方法 | |
CN111353992A (zh) | 一种基于纹理特征的农产品缺陷检测方法及系统 | |
CN109934126B (zh) | 车辆尾烟检测方法及系统 | |
CN114863108B (zh) | 点云处理的方法、系统、电子设备及计算机可读存储介质 | |
CN115620196A (zh) | 一种关键帧提取方法、物品识别方法及装置 | |
CN107767372B (zh) | 一种分层并行计算的芯片管脚在线视觉检测系统及其方法 | |
CN115830289A (zh) | 一种基于主动光源的开口物体识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |