CN113962638A - 一种智能折扣估计与智能推广方法及系统 - Google Patents

一种智能折扣估计与智能推广方法及系统 Download PDF

Info

Publication number
CN113962638A
CN113962638A CN202111575174.7A CN202111575174A CN113962638A CN 113962638 A CN113962638 A CN 113962638A CN 202111575174 A CN202111575174 A CN 202111575174A CN 113962638 A CN113962638 A CN 113962638A
Authority
CN
China
Prior art keywords
fruit
storage area
vegetable
vegetables
training
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
Application number
CN202111575174.7A
Other languages
English (en)
Other versions
CN113962638B (zh
Inventor
李晓宗
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.)
Lanling Shenghui Food Co ltd
Original Assignee
Guangzhou Juntian 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 Guangzhou Juntian Technology Co ltd filed Critical Guangzhou Juntian Technology Co ltd
Priority to CN202111575174.7A priority Critical patent/CN113962638B/zh
Publication of CN113962638A publication Critical patent/CN113962638A/zh
Application granted granted Critical
Publication of CN113962638B publication Critical patent/CN113962638B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • G06N20/00—Machine learning
    • 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
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0206—Price or cost determination based on market factors
    • 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
    • G06Q30/0207—Discounts or incentives, e.g. coupons or rebates

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Storage Of Fruits Or Vegetables (AREA)

Abstract

本发明涉及人工智能技术领域，具体涉及一种智能折扣估计与智能推广方法及系统，该方法包括：基于不同存放时间，采集仓库中不同储放区域处的果蔬图像，构成训练数据集；获取训练数据集中每张果蔬图像的训练参与度，所述训练参与度表征果蔬图像中果蔬的变质是否是环境温湿度导致的；构建孪生网络，利用训练数据集中每张果蔬图像的训练参与度对对比损失进行加权后监督训练孪生网络；利用训练好的孪生网络对果蔬图像进行质量检测，基于果蔬质量进行果蔬售卖价格的估计和推广摆放位置的确定；其中，质量检测结果表征仅由环境温湿度导致的果蔬的变质情况。本发明可对果蔬质量进行准确检测。

Description

一种智能折扣估计与智能推广方法及系统
技术领域
本发明涉及人工智能领域，具体涉及一种智能折扣估计与智能推广方法及系统。
背景技术
瓜果蔬菜作为生活的必需品，任何人都离不开它，在越来越重视营养健康的今天，瓜果蔬菜的新鲜度和无公害是消费者消费时首要侧重的选择，而商家在具体销售时，仅仅能通过货源确定是否无公害进行定价，而新鲜度会随着时间的变化逐渐变差，从而会导致定价与实际产品不符，可能造成买卖双方的损失。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种智能折扣估计与智能推广方法及系统，所采用的技术方案具体如下：
第一方面，本发明一个实施例提供了一种智能折扣估计与智能推广方法，该方法包括以下具体步骤：
基于不同存放时间，采集仓库中不同储放区域处的果蔬图像，构成训练数据集；
获取训练数据集中每张果蔬图像的训练参与度，所述训练参与度表征果蔬图像中果蔬的变质是否是环境温湿度导致的；
构建孪生网络，利用训练数据集中每张果蔬图像的训练参与度对对比损失进行加权后监督训练孪生网络；
利用训练好的孪生网络对果蔬图像进行质量检测，基于果蔬质量进行果蔬售卖价格的估计和推广摆放位置的确定；其中，质量检测结果表征仅由环境温湿度导致的果蔬的变质情况。
进一步地，在每个储放区域采集的每张果蔬图像的训练参与度的获取具体为：
基于采集果蔬图像时果蔬的存放时间，获取各个储放区域对应的果蔬质量亏损度序列、环境温度序列和环境湿度序列；存放一段时间后果蔬重量与果蔬入库重量差值绝对值与果蔬入库重量的比值为果蔬质量亏损度；
基于果蔬质量亏损度序列计算每个储放区域与仓库整体存放条件的相似度S，基于相似度对储放区域进行分组；
对于每个分组中的每个储放区域，基于环境温度序列和环境湿度序列计算该储放区域与组内其他储放区域环境温湿度变化情况的相似度H；
根据每个储放区域对应的S和H计算在该储放区域采集的果蔬图像的训练参与度；对于每个储放区域，该储放区域与仓库整体存放条件越相似，该储放区域与所属组内其他储放区域环境温湿度变化情况越相似，所采集的果蔬图像中果蔬的变质越是环境温湿度导致的。
进一步地，基于果蔬质量亏损度序列计算每个储放区域与仓库整体存放条件的相似度S，具体地：
Figure 165243DEST_PATH_IMAGE002
Figure DEST_PATH_IMAGE003
表示当前储放区域与其他第
Figure 130794DEST_PATH_IMAGE004
个储放区域存放条件的相似度，
Figure DEST_PATH_IMAGE005
和
Figure 529414DEST_PATH_IMAGE006
分别表示当前储放区域与其他第
Figure 113979DEST_PATH_IMAGE004
个储放区域对应的果蔬质量亏损度序列；除当前储放区域外，仓库中还有
Figure DEST_PATH_IMAGE007
个储放区域；
Figure DEST_PATH_IMAGE009
Figure 547234DEST_PATH_IMAGE010
为基于果蔬质量亏损度序列
Figure 824632DEST_PATH_IMAGE005
和
Figure 648232DEST_PATH_IMAGE006
得到的皮尔逊相关系数，
Figure DEST_PATH_IMAGE011
为极差函数，
Figure 302067DEST_PATH_IMAGE012
为标准差函数。
进一步地，对于每个分组中的每个储放区域，基于环境温度序列和环境湿度序列计算该储放区域与组内其他储放区域环境温湿度变化情况的相似度H，具体地：
Figure 527512DEST_PATH_IMAGE014
Figure DEST_PATH_IMAGE015
和
Figure 975811DEST_PATH_IMAGE016
分别为当前储放区域与所属组内其他第
Figure DEST_PATH_IMAGE017
个储放区域对应的环境湿度序列；
Figure 817865DEST_PATH_IMAGE018
和
Figure DEST_PATH_IMAGE019
分别为当前储放区域与所属组内其他第
Figure 9812DEST_PATH_IMAGE017
个储放区域对应的环境温度序列；
Figure 89763DEST_PATH_IMAGE020
为基于动态时间规整算法计算的两个序列之间的距离，
Figure DEST_PATH_IMAGE021
为均值函数；当前储放区域所属组内除了当前储放区域，还有
Figure 974542DEST_PATH_IMAGE022
个储放区域。
进一步地，根据每个储放区域对应的S和H计算在该储放区域采集的果蔬图像的训练参与度，具体地：H和S的比值为所述训练参与度
Figure DEST_PATH_IMAGE023
。
进一步地，利用训练数据集中每张果蔬图像的训练参与度对对比损失进行加权后监督训练孪生网络，具体为：
Figure DEST_PATH_IMAGE025
基于训练数据集进行分批次训练，每个批次包括
Figure 569472DEST_PATH_IMAGE026
张果蔬图像；
Figure DEST_PATH_IMAGE027
为一个批次中第
Figure 565110DEST_PATH_IMAGE028
张果蔬图像的训练参与度，
Figure DEST_PATH_IMAGE029
为根据参考果蔬图像和一个批次中第
Figure 30726DEST_PATH_IMAGE028
张果蔬图像得到的对比损失；
Figure 820828DEST_PATH_IMAGE030
为最终监督训练孪生网络所用损失。
第二方面，本发明另一个实施例提供了一种智能折扣估计与智能推广系统，该系统包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被处理器执行时实现一种智能折扣估计与智能推广方法的步骤。
本发明实施例至少具有如下有益效果：本发明对孪生网络进行训练时考虑了训练样本即果蔬图像的训练参与度，训练参与度表征果蔬图像中果蔬的变质是否是环境温湿度导致的，若采集果蔬图像时的果蔬变质是环境温湿度导致的，则根据果蔬图像的训练参与度对对比损失进行加权后进行孪生网络的训练，即基于果蔬图像进行网络参数的调整，若采集果蔬图像时的果蔬变质不是环境温湿度导致的，则基于果蔬图像不调整或小幅度调整网络的参数，使得网络的学习更加准确，进行对果蔬质量进行准确检测。
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和优点，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的介绍，显而易见地，下面描述中的附图仅仅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它附图。
图1为本发明方法实施例的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种智能折扣估计与智能推广方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种智能折扣估计与智能推广方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种智能折扣估计与智能推广方法的步骤流程图，该方法包括以下步骤：
基于不同存放时间，采集仓库中不同储放区域处的果蔬图像，构成训练数据集；
获取训练数据集中每张果蔬图像的训练参与度，所述训练参与度表征果蔬图像中果蔬的变质是否是环境温湿度导致的；
构建孪生网络，利用训练数据集中每张果蔬图像的训练参与度对对比损失进行加权后监督训练孪生网络；
利用训练好的孪生网络对果蔬图像进行质量检测，基于果蔬质量进行果蔬售卖价格的估计和推广摆放位置的确定；其中，质量检测结果表征仅由环境温湿度导致的果蔬的变质情况。
下面对上述各个步骤进行详细展开：
步骤S1，基于不同存放时间，采集仓库中不同储放区域处的果蔬图像，构成训练数据集。
例如，可以在存放时间为1天、3天、5天、7天时，对仓库中不同储放区域处的果蔬进行图像采集，得到多张果蔬图像，基于多张果蔬图像构建训练数据集。
步骤S2，获取训练数据集中每张果蔬图像的训练参与度，所述训练参与度表征果蔬图像中果蔬的变质是否是环境温湿度导致的。
在每个储放区域采集的每张果蔬图像的训练参与度的获取具体为：
(1)基于采集果蔬图像时果蔬的存放时间，获取各个储放区域对应的果蔬质量亏损度序列
Figure 840736DEST_PATH_IMAGE005
、环境温度序列
Figure DEST_PATH_IMAGE031
和环境湿度序列
Figure 374486DEST_PATH_IMAGE032
；存放一段时间后果蔬重量与果蔬入库重量差值绝对值与果蔬入库重量的比值为果蔬质量亏损度。
实施例基于温湿度传感器获取环境温度和环境湿度，温湿度传感器在库房内以网格状均匀分布，分布间隔以每两个传感器相差两筐瓜果蔬菜的距离，从而获得库房内所有位置上的湿度信息，对于每个储放区域，该区域内所有温湿度传感器获取的温度数据的均值为该区域的温度数据，湿度数据的均值为该区域的湿度数据；传感器的数据每5s采集一次，仓库内每个区域都能记录一段时间的温湿度变化，从而得到环境温度序列和环境湿度序列。
对于刚入库的果蔬，认定其质量几乎未亏损，即果蔬的水分未流失；而经过一段时间的存放，因为环境的影响，瓜果蔬菜的质量会发生一定变化，例如周围环境湿度越小，瓜果蔬菜越容易失水，导致其质量下降，存放的温度同样影响着瓜果蔬菜的质量，如果库房内温度不稳定，例如温度高于储放推荐温度时，瓜果蔬菜的质量下降程度会加剧，从而缩短了存放时间，而质量下降的同时，其重量也会有一定的亏损。因此，需要定期对该批次入库的果蔬进行称重，在一定程度上能够表示该批次瓜果蔬菜的新鲜程度。对瓜果蔬菜进行称重，获得当前重量m与入库时重量m0进行比较，得到重量差ΔM=|m0-m|，从而得到果蔬质量亏损度ΔM/m；实施例中果蔬质量亏损程度每半天统计一次，进而可根据存放时间确定每个储放区域的果蔬质量亏损度序列。需要注意，不同的存放时间对应的果蔬质量亏损度序列、环境温度序列和环境湿度序列的序列长度不同。
(2)基于果蔬质量亏损度序列计算每个储放区域与仓库整体存放条件的相似度S，基于相似度对储放区域进行分组。
优选地，基于果蔬质量亏损度序列计算每个储放区域与仓库整体存放条件的相似度S，具体为：
Figure 429029DEST_PATH_IMAGE002
Figure 390032DEST_PATH_IMAGE003
表示当前储放区域与其他第
Figure 897237DEST_PATH_IMAGE004
个储放区域存放条件的相似度，
Figure 703519DEST_PATH_IMAGE005
和
Figure 878148DEST_PATH_IMAGE006
分别表示当前储放区域与其他第
Figure 744473DEST_PATH_IMAGE004
个储放区域对应的果蔬质量亏损度序列；除当前储放区域外，仓库中还有
Figure 738974DEST_PATH_IMAGE007
个储放区域；
Figure 348947DEST_PATH_IMAGE009
Figure 378083DEST_PATH_IMAGE010
为基于果蔬质量亏损度序列
Figure 149730DEST_PATH_IMAGE005
和
Figure 897106DEST_PATH_IMAGE006
得到的皮尔逊相关系数，
Figure 45190DEST_PATH_IMAGE011
为极差函数，
Figure 928833DEST_PATH_IMAGE012
为标准差函数，计算
Figure 136960DEST_PATH_IMAGE003
时引用两个序列的极差和标准差，能够进一步表现出两个序列在数值上的差异。
Figure 106053DEST_PATH_IMAGE003
的取值范围为[-1,1]，
Figure 57829DEST_PATH_IMAGE003
值越大，说明两个序列越相似，相应的，两个储放区域的存放条件越相似；进而，
Figure DEST_PATH_IMAGE033
值越小，说明当前储放区域与仓库整体存放条件越相似，当前储放区域与整个库房整体情况相近，反之，
Figure 327136DEST_PATH_IMAGE033
值越大，说明当前储放区域与仓库整体存放条件越不相似。
由于在库房同一储放区域内，环境情况即存放条件相似，果蔬质量亏损度也相似，而对于不同储放区域，果蔬质量亏损度会表现出差异，因此，根据果蔬质量亏损度对储放区域进行分组，以组为单位，对果蔬变质的原因进行分析。基于每个储放区域对应的
Figure 440585DEST_PATH_IMAGE033
值，实施例使用DBSCAN算法进行聚类后，得到多个分组，每个组中储放区域处果蔬的质量亏损度变化是相似的。
(3)对于每个分组中的每个储放区域，基于环境温度序列和环境湿度序列计算该储放区域与组内其他储放区域环境温湿度变化情况的相似度H。
优选地，对于每个分组中的每个储放区域，基于环境温度序列和环境湿度序列计算该储放区域与组内其他储放区域环境温湿度变化情况的相似度H，具体为：
Figure 896975DEST_PATH_IMAGE034
Figure 386862DEST_PATH_IMAGE015
和
Figure 245096DEST_PATH_IMAGE016
分别为当前储放区域与所属组内其他第
Figure 60606DEST_PATH_IMAGE017
个储放区域对应的环境湿度序列；
Figure 4291DEST_PATH_IMAGE018
和
Figure 32290DEST_PATH_IMAGE019
分别为当前储放区域与所属组内其他第
Figure 745031DEST_PATH_IMAGE017
个储放区域对应的环境温度序列；
Figure 465862DEST_PATH_IMAGE020
为基于动态时间规整算法计算的两个序列之间的距离，
Figure 896843DEST_PATH_IMAGE021
为均值函数；当前储放区域所属组内除了当前储放区域，还有
Figure 994112DEST_PATH_IMAGE022
个储放区域。
Figure DEST_PATH_IMAGE035
表示当前储放区域与所属组内其他第
Figure 826939DEST_PATH_IMAGE017
个储放区域的温湿度变化情况的相似度，
Figure 984251DEST_PATH_IMAGE015
和
Figure 636949DEST_PATH_IMAGE016
越相似，
Figure 272330DEST_PATH_IMAGE036
值越小，标准差差异越小，该项乘积的值越大，同理，
Figure 694084DEST_PATH_IMAGE018
和
Figure 22297DEST_PATH_IMAGE019
越相似，
Figure 162292DEST_PATH_IMAGE036
值越小，均值差异越小，该项乘积的值越大。式子中
Figure 601363DEST_PATH_IMAGE036
处理使用两种方式，这里考虑到两者影响权重不一样，温度对果蔬质量的影响比较高，因此，为温度分配一个函数下落比较快的，其精度比反比例函数要高一些，即同样的
Figure 143203DEST_PATH_IMAGE036
差异距离，温度所获得的结果要小。通过计算两个储放区域的温湿度变化相似度，确定两个储放区域内果蔬的变质条件即果蔬的质量亏损条件是否相似，温湿度变化相似度越高，表示组内两个区域果蔬的变质条件一致，湿度变化相似度越低，表示某一储放区域的变质条件由其他因素造成，例如外来的细菌直接影响。
对当前储放区域与所属组内每个其他储放区域环境温湿度变化情况的相似度进行求和，得到当前储放区域对应的
Figure DEST_PATH_IMAGE037
值，
Figure 907897DEST_PATH_IMAGE037
值越大，说明当前储放区域与其所属组内其他储放区域环境温湿度变化情况越相似，
Figure 535187DEST_PATH_IMAGE037
值越小，说明当前储放区域与其所属组内其他储放区域环境温湿度变化情况越不相似，即与组内整体温湿度变化情况差异越大。
(4)根据每个储放区域对应的S和H计算在该储放区域采集的果蔬图像的训练参与度；对于每个储放区域，该储放区域与仓库整体存放条件越相似，该储放区域与所属组内其他储放区域环境温湿度变化情况越相似，所采集的果蔬图像中果蔬的变质越是环境温湿度导致的。
根据每个储放区域对应的S和H计算在该储放区域采集的果蔬图像的训练参与度，具体地：每个储放区域对应的H和S的比值为相应的存放时间对应的所述训练参与度
Figure 246791DEST_PATH_IMAGE023
，即
Figure 908717DEST_PATH_IMAGE038
，
Figure 578732DEST_PATH_IMAGE023
值越大，说明当前对某一储放区域的果蔬进行图像采集时，果蔬的变质越是由环境温湿度导致的，反之，
Figure 693319DEST_PATH_IMAGE023
值越小，说明当前对某一储放区域的果蔬进行图像采集时，果蔬的变质越不是由环境温湿度导致的，即越是由其他因素导致的果蔬变质。
至此，训练数据集中每张果蔬图像都对应一个训练参与度，需要说明，获取的训练参与度需要进行归一化处理。
需要注意，对于一个储放区域，在该储放区域处采集的多张果蔬图像对应的存放时间不同，每张果蔬图像对应的训练参与度也可能不同；且计算训练参与度的过程中，不同的存放时间对应的分组情况可能也不同。
步骤S3，构建孪生网络，利用训练数据集中每张果蔬图像的训练参与度对对比损失进行加权后监督训练孪生网络。
利用训练数据集中每张果蔬图像的训练参与度对对比损失进行加权后监督训练孪生网络，具体为：
Figure DEST_PATH_IMAGE039
基于训练数据集进行分批次训练，每个批次包括
Figure 5352DEST_PATH_IMAGE026
张果蔬图像；
Figure 256204DEST_PATH_IMAGE027
为一个批次中第
Figure 97121DEST_PATH_IMAGE028
张果蔬图像的训练参与度，
Figure 433425DEST_PATH_IMAGE029
为根据参考果蔬图像和一个批次中第
Figure 17990DEST_PATH_IMAGE028
张果蔬图像得到的对比损失；
Figure 388928DEST_PATH_IMAGE030
为最终监督训练孪生网络所用损失。基于
Figure 135167DEST_PATH_IMAGE030
进行孪生网络的监督训练；其中，训练时孪生网络的两张输入图像分别为参考果蔬图像和训练数据集中的一张果蔬图像，所述参考果蔬图像为果蔬未变质时采集的果蔬图像。
需要说明，每种果蔬类型对应一个孪生网络。
步骤S4，利用训练好的孪生网络对果蔬图像进行质量检测，基于果蔬质量进行果蔬售卖价格的估计和推广摆放位置的确定；其中，质量检测结果表征仅由环境温湿度导致的果蔬的变质情况。
训练好孪生网络后，将实时采集的果蔬图像与参考图像输入孪生网络中，孪生网络输出质量评分，得到实时采集的果蔬图像中果蔬的质量。
基于果蔬质量进行果蔬售卖价格的估计和推广摆放位置的确定：
如果质量评分比较高，即分数在0.9以上，可以安排原价销售，或者给予一定的溢价，推广摆放位置为正常位置。
如果质量评分一般，即在0.7或0.8左右，说明果蔬质量受到一定程度的影响，但影响不大，可以定一个稍低于原价进行售卖，推广摆放位置稍微靠前。
如果质量评分较低，即在0.6至0.7左右，说明果蔬存放不当或者存放时间过长，但还能够进行售卖，因此给予较大的折扣，同时，将果蔬放置于醒目位置，同时大力宣传折扣内容，以便快速售出。
如果质量评分极低，即小于0.5，表明果蔬已经变质，不适合售卖，可以进行内部消化或进行其他处理。
基于与上述方法实施例相同的发明构思，本发明一个实施例提供了一种智能折扣估计与智能推广系统，该系统包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被处理器执行时实现一种智能折扣估计与智能推广方法的步骤。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，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、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种智能折扣估计与智能推广方法，其特征在于，该方法包括：
基于不同存放时间，采集仓库中不同储放区域处的果蔬图像，构成训练数据集；
获取训练数据集中每张果蔬图像的训练参与度，所述训练参与度表征果蔬图像中果蔬的变质是否是环境温湿度导致的；
构建孪生网络，利用训练数据集中每张果蔬图像的训练参与度对对比损失进行加权后监督训练孪生网络；
利用训练好的孪生网络对果蔬图像进行质量检测，基于果蔬质量进行果蔬售卖价格的估计和推广摆放位置的确定；其中，质量检测结果表征仅由环境温湿度导致的果蔬的变质情况。
2.如权利要求1所述的方法，其特征在于，在每个储放区域采集的每张果蔬图像的训练参与度的获取具体为：
基于采集果蔬图像时果蔬的存放时间，获取各个储放区域对应的果蔬质量亏损度序列、环境温度序列和环境湿度序列；存放一段时间后果蔬重量与果蔬入库重量差值绝对值与果蔬入库重量的比值为果蔬质量亏损度；
基于果蔬质量亏损度序列计算每个储放区域与仓库整体存放条件的相似度S，基于相似度对储放区域进行分组；
对于每个分组中的每个储放区域，基于环境温度序列和环境湿度序列计算该储放区域与组内其他储放区域环境温湿度变化情况的相似度H；
根据每个储放区域对应的S和H计算在该储放区域采集的果蔬图像的训练参与度；对于每个储放区域，该储放区域与仓库整体存放条件越相似，该储放区域与所属组内其他储放区域环境温湿度变化情况越相似，所采集的果蔬图像中果蔬的变质越是环境温湿度导致的。
3.如权利要求2所述的方法，其特征在于，基于果蔬质量亏损度序列计算每个储放区域与仓库整体存放条件的相似度S，具体地：
Figure DEST_PATH_IMAGE002
Figure DEST_PATH_IMAGE004
表示当前储放区域与其他第
Figure DEST_PATH_IMAGE006
个储放区域存放条件的相似度，
Figure DEST_PATH_IMAGE008
和
Figure DEST_PATH_IMAGE010
分别表示当前储放区域与其他第
Figure 508724DEST_PATH_IMAGE006
个储放区域对应的果蔬质量亏损度序列；除当前储放区域外，仓库中还有
Figure DEST_PATH_IMAGE012
个储放区域；
Figure DEST_PATH_IMAGE014
Figure DEST_PATH_IMAGE016
为基于果蔬质量亏损度序列
Figure 81657DEST_PATH_IMAGE008
和
Figure 392553DEST_PATH_IMAGE010
得到的皮尔逊相关系数，
Figure DEST_PATH_IMAGE018
为极差函数，
Figure DEST_PATH_IMAGE020
为标准差函数。
4.如权利要求3所述的方法，其特征在于，对于每个分组中的每个储放区域，基于环境温度序列和环境湿度序列计算该储放区域与组内其他储放区域环境温湿度变化情况的相似度H，具体地：
Figure DEST_PATH_IMAGE022
Figure DEST_PATH_IMAGE024
和
Figure DEST_PATH_IMAGE026
分别为当前储放区域与所属组内其他第
Figure DEST_PATH_IMAGE028
个储放区域对应的环境湿度序列；
Figure DEST_PATH_IMAGE030
和
Figure DEST_PATH_IMAGE032
分别为当前储放区域与所属组内其他第
Figure 364926DEST_PATH_IMAGE028
个储放区域对应的环境温度序列；
Figure DEST_PATH_IMAGE034
为基于动态时间规整算法计算的两个序列之间的距离，
Figure DEST_PATH_IMAGE036
为均值函数；当前储放区域所属组内除了当前储放区域，还有
Figure DEST_PATH_IMAGE038
个储放区域。
5.如权利要求4所述的方法，其特征在于，根据每个储放区域对应的S和H计算在该储放区域采集的果蔬图像的训练参与度，具体地：H和S的比值为所述训练参与度
Figure DEST_PATH_IMAGE040
。
6.如权利要求1所述的方法，其特征在于，利用训练数据集中每张果蔬图像的训练参与度对对比损失进行加权后监督训练孪生网络，具体为：
Figure DEST_PATH_IMAGE042
基于训练数据集进行分批次训练，每个批次包括
Figure DEST_PATH_IMAGE044
张果蔬图像；
Figure DEST_PATH_IMAGE046
为一个批次中第
Figure DEST_PATH_IMAGE048
张果蔬图像的训练参与度，
Figure DEST_PATH_IMAGE050
为根据参考果蔬图像和一个批次中第
Figure 22041DEST_PATH_IMAGE048
张果蔬图像得到的对比损失；
Figure DEST_PATH_IMAGE052
为最终监督训练孪生网络所用损失。
7.一种智能折扣估计与智能推广系统，包括存储器、处理器以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，所述计算机程序被处理器执行时实现如权利要求1-6任一项所述方法的步骤。
CN202111575174.7A 2021-12-22 2021-12-22 一种智能果蔬质量检测方法及系统 Active CN113962638B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111575174.7A CN113962638B (zh) 2021-12-22 2021-12-22 一种智能果蔬质量检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111575174.7A CN113962638B (zh) 2021-12-22 2021-12-22 一种智能果蔬质量检测方法及系统

Publications (2)

Publication Number Publication Date
CN113962638A true CN113962638A (zh) 2022-01-21
CN113962638B CN113962638B (zh) 2022-03-18

Family

ID=79473568

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111575174.7A Active CN113962638B (zh) 2021-12-22 2021-12-22 一种智能果蔬质量检测方法及系统

Country Status (1)

Country Link
CN (1) CN113962638B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117035618A (zh) * 2023-10-09 2023-11-10 山东爱福地生物股份有限公司 一种有机水溶肥储存料仓管理方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111043830A (zh) * 2019-12-23 2020-04-21 四川虹美智能科技有限公司 冰箱及检测冰箱内食物的变质情况的方法
US20200250531A1 (en) * 2019-02-06 2020-08-06 Tata Consultancy Services Limited System and method for monitoring and quality evaluation of perishable food items
US20200387122A1 (en) * 2019-06-05 2020-12-10 International Business Machines Corporation Automated transfer of items between compartments of a smart appliance
CN112740229A (zh) * 2018-09-21 2021-04-30 三星电子株式会社 用于提供与冰箱中的物体的状态有关的信息的方法和系统
CN112966541A (zh) * 2020-09-23 2021-06-15 北京豆牛网络科技有限公司 果蔬自动验货方法、系统、电子设备以及计算机可读介质
CN113447084A (zh) * 2021-08-31 2021-09-28 季华实验室 预估食品货架期的检测装置、系统、方法和存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112740229A (zh) * 2018-09-21 2021-04-30 三星电子株式会社 用于提供与冰箱中的物体的状态有关的信息的方法和系统
US20200250531A1 (en) * 2019-02-06 2020-08-06 Tata Consultancy Services Limited System and method for monitoring and quality evaluation of perishable food items
US20200387122A1 (en) * 2019-06-05 2020-12-10 International Business Machines Corporation Automated transfer of items between compartments of a smart appliance
CN111043830A (zh) * 2019-12-23 2020-04-21 四川虹美智能科技有限公司 冰箱及检测冰箱内食物的变质情况的方法
CN112966541A (zh) * 2020-09-23 2021-06-15 北京豆牛网络科技有限公司 果蔬自动验货方法、系统、电子设备以及计算机可读介质
CN113447084A (zh) * 2021-08-31 2021-09-28 季华实验室 预估食品货架期的检测装置、系统、方法和存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YERREN VAN SINT ANNALAND等: "Predicting Cherry Quality Using Siamese Networks", 《2020 35TH INTERNATIONAL CONFERENCE ON IMAGE AND VISION COMPUTING NEW ZEALAND (IVCNZ)》 *
岳林珊: "基于图像处理技术的冷冻冷藏果蔬品质研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅰ辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117035618A (zh) * 2023-10-09 2023-11-10 山东爱福地生物股份有限公司 一种有机水溶肥储存料仓管理方法及系统
CN117035618B (zh) * 2023-10-09 2024-01-12 山东爱福地生物股份有限公司 一种有机水溶肥储存料仓管理方法及系统

Also Published As

Publication number Publication date
CN113962638B (zh) 2022-03-18

Similar Documents

Publication Publication Date Title
Monchuk et al. Explaining production inefficiency in China's agriculture using data envelopment analysis and semi-parametric bootstrapping
Ramos-Giraldo et al. Drought stress detection using low-cost computer vision systems and machine learning techniques
JP2019502213A (ja) 時系列に基づいたデータ予測方法及び装置
CN108760655B (zh) 一种苹果味觉图谱信息可视化方法
CN113962638B (zh) 一种智能果蔬质量检测方法及系统
CN115261522B (zh) 一种微生物发酵的环境控制方法及系统
CN111882363A (zh) 销量预测方法、系统及终端
US20220067610A1 (en) Retail product assortment generation and recommendation
CN111881864A (zh) 一种智慧农业种植农作物生长全周期全动态监测管理系统
CN115860510A (zh) 一种基于大数据的生产效率分析评估方法
CN116596580A (zh) 一种基于天气预报信息的季节性服装短期销量预测方法
CN106290749A (zh) 基于特定气味指纹对水果进行货架期预测的方法及装置
CN116720881A (zh) 基于定位信息的农产品销售监管预警方法、系统及介质
CN115063105A (zh) 一种果蔬流通中智能数据分析监测系统及方法
Sharma et al. Price prediction model of fruits, vegetables and pulses according to weather
CN116776252A (zh) 一种改进Mallow's Cp变量选择的工业过程软测量方法和系统
CN116228051A (zh) 一种基于深度学习的水果筛选物流系统
Kumari et al. CertiMart: Use Computer Vision to Digitize and Automate Supermarket with Fruit Quality Measuring and Maintaining
CN117436936B (zh) 基于销量预测与bom成品加工系统及方法
CN116664172B (zh) 基于大数据的食品销售数据挖掘分析方法
Agarwal et al. Time Series forecasting of Agriculture Yield of Cotton with Regression Model Implementation
Bharti et al. Model forecasting of wheat production in Bihar
Haque et al. Wheat Production Forecasting in Bangladesh Using Deep Learning Techniques
Jeyanathan et al. Automated Crop Recommender System using Pattern Classifiers
CN108334975B (zh) 面向无水贮藏环境下的氧气含量动态预测方法及装置

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20230602

Address after: No. 426 Zhangzhuang Village, Moshan Town, Lanling County, Linyi City, Shandong Province, 277700

Patentee after: Lanling Shenghui Food Co.,Ltd.

Address before: 510000 room 905, No. 1 Pazhou Avenue East, Haizhu District, Guangzhou, Guangdong

Patentee before: GUANGZHOU JUNTIAN TECHNOLOGY Co.,Ltd.

TR01 Transfer of patent right