CN113971241A - 一种图书馆寻书方法及智能寻书机器人 - Google Patents
一种图书馆寻书方法及智能寻书机器人 Download PDFInfo
- Publication number
- CN113971241A CN113971241A CN202011372887.9A CN202011372887A CN113971241A CN 113971241 A CN113971241 A CN 113971241A CN 202011372887 A CN202011372887 A CN 202011372887A CN 113971241 A CN113971241 A CN 113971241A
- Authority
- CN
- China
- Prior art keywords
- reader
- book
- readers
- obtaining
- category
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 239000013598 vector Substances 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 230000001815 facial effect Effects 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Educational Administration (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种图书馆寻书方法及智能寻书机器人，通过获得读者的照片；根据所述照片识别出读者身份信息；根据读者身份信息，获得读者的历史借阅数据，根据所述历史借阅数据，推荐目标书本给所述读者。如此，不需要读者输入关键词，即可获得读者可能感兴趣的书本推荐给读者，另外，根据读者身份信息，获得读者的历史借阅数据，根据所述历史借阅数据，推荐目标书本给所述读者，目标书本不是随便找的，是通过分析读者的历史借阅数据预测出来的读者可能感兴趣的书本，如此提高了推荐的书本的准确性，提高了推荐的书本是读者感兴趣的书本的可能性，提高了读者的节约率，读者的使用体验感好。
Description
技术领域
本发明涉及机器人技术领域，具体而言，涉及一种面向读者的智能寻书机器人及电子设备。
背景技术
目前，主要是通过关键词给读者提供相应的书本推荐列表，但是很多情况下，读者借书之前并不清楚自己想看什么书，这个时候，读者根本没法输入相应的关键词，即读者无从下手，因此，在这种情况下，根据关键词给读者推荐书本的方式是失效的。为此，一种能够自动、准确地给读者推荐读者感兴趣的书本的方法能够解决上述问题。
发明内容
本发明的目的在于提供了一种面向读者的智能寻书机器人及电子设备，用以解决现有技术中存在的上述问题。
第一方面，本发明实施例提供了一种图书馆寻书方法，应用于智能寻书机器人，所述方法包括：
获得读者的照片；
根据所述照片识别出读者身份信息；
根据读者身份信息，获得读者的历史借阅数据，历史借阅数据包括读者的历史借阅书本名称、书本类别和借阅时间；
根据所述历史借阅数据，推荐目标书本给所述读者。
可选的，所述根据所述照片识别出读者身份信息，包括：
获得与所述照片匹配的视频，所述视频是读者预先录制存储在数据库中的，所述视频中包括多张读者图像，所述读者图像包括读者的人脸图像，所述人脸图像是所述读者图像的一个区域；
在所述读者图像中识别出人脸图像；
将所述视频中的人脸图像按照所述人脸图像所在的读者图像的拍摄顺序进行排列，得到人脸图像序列；人脸图像序列包括多张人脸图像；
将人脸图像序列输入卷积神经网络中，所述卷积神经网络基于人脸图像序列所述识别出人脸特征向量；
通过第一网络对所述人脸特征向量进行上卷积处理，得到三维特征图；以所述读者的人脸三维数据与所述三维特征图之间的第一交叉熵作为所述第一网络的损失函数；所述读者的人脸三维数据是通过三维摄像设备采集得到的；
基于第一网络的损失函数反向调整所述三维特征图；
以经过反向调整后的三维特征图作为目标，基于残差网络的损失函数反向调整人脸特征向量；
获得经过反向调整后的人脸特征向量与预先标注的样本标签之间的第二交叉熵；
以所述第一交叉熵和所述第二交叉熵满足预设条件时的人脸特征向量作为输出的人脸特征向量；
基于输出的人脸特征向量识别出读者身份信息。
可选的，所述卷积神经网络是残差网络，所述残差网络包括多个卷积层；多个卷积层用于提取人脸图像的特征向量；
可选的，所述基于输出的人脸特征向量识别出读者身份信息，包括：
在身份信息数据库中获得与所述输出的人脸特征向量匹配的身份信息，作为所述读者的身份信息。
可选的，所述第一交叉熵和所述第二交叉熵满足预设条件时，表示的是：所述第一交叉熵和所述第二交叉熵都收敛。
可选的，所述第一交叉熵和所述第二交叉熵满足预设条件时，表示的是：所述第一交叉熵小于第一定值，且所述第二交叉熵小于第二定值。
可选的，所述根据所述历史借阅数据，推荐目标书本给所述读者，包括：
获得历史借阅数据中的读者的历史借阅书本名称、书本类别和借阅时间；
根据所述借阅时间和所述书本类别，预测出读者感兴趣的书目类别；
获得所述读者感兴趣的书目类别的多本书本作为待选书本；
在图书大数据库中获得与所述书本类别对应的待选书本；
将与读者最近一次借阅的书本名称最相似书本作为目标书本推荐给所述读者。
可选的，所述根据所述借阅时间和所述书本类别，预测出读者感兴趣的书目类别；
获得读者对历史借阅数据中书本类别的打分，所述打分表征所述读者对所述书本的喜爱程度；
基于所述借阅时间，对所述书本类别的打分进行时间序列预测，得到所述读者对下一本书本的打分；
从评分数据库中获得与所述读者对下一本书本的打分相匹配的书目类别作为所述读者感兴趣的书目类别；所述数目类别与所述读者对下一本书本的打分相匹配，表示其他读者对所述数目类别的评分与所述读者对下一本书本的打分之间的差值在预设范围之内。
第二方面，本发明实施例提供了一种面向读者的智能寻书机器人，其特征在于，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，所述处理器执行所述程序时实现上述任一项所述方法的步骤。
第三方面，本发明实施例提供了一种电子设备，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，所述处理器执行所述程序时实现上述任一项所述方法的步骤。
相较于现有技术，本发明达到的有益效果是：
本发明实施例提供了一种图书馆寻书方法及智能寻书机器人，通过获得读者的照片；根据所述照片识别出读者身份信息；根据读者身份信息，获得读者的历史借阅数据，历史借阅数据包括读者的历史借阅书本名称、书本类别和借阅时间；根据所述历史借阅数据，推荐目标书本给所述读者。如此，不需要读者输入关键词，即可获得读者可能感兴趣的书本推荐给读者，另外，根据读者身份信息，获得读者的历史借阅数据，根据所述历史借阅数据，推荐目标书本给所述读者，目标书本不是随便找的，是通过分析读者的历史借阅数据预测出来的读者可能感兴趣的书本，如此提高了推荐的书本的准确性，提高了推荐的书本是读者感兴趣的书本的可能性，提高了读者的节约率，读者的使用体验感好。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1是本发明实施例提供的一种图书馆寻书方法流程图。
图2是本发明实施例提供的一种电子设备的方框结构示意图。
图标：500-总线；501-接收器；502-处理器；503-发送器；504-存储器；505-总线接口。
具体实施方式
下面结合附图，对本发明作详细的说明。
实施例
本发明实施例提供了一种图书馆寻书方法，应用于智能寻书机器人。如图1所示，所述方法包括：
S101：获得读者的照片。读者的照片是通过智能寻书机器人的摄像头拍摄得到的。
S102：根据所述照片识别出读者身份信息。
S103：根据读者身份信息，获得读者的历史借阅数据。
其中，历史借阅数据包括读者的历史借阅书本名称、书本类别和借阅时间。
S104：根据所述历史借阅数据，推荐目标书本给所述读者。
通过获得读者的照片；根据所述照片识别出读者身份信息；根据读者身份信息，获得读者的历史借阅数据，历史借阅数据包括读者的历史借阅书本名称、书本类别和借阅时间；根据所述历史借阅数据，推荐目标书本给所述读者。如此，不需要读者输入关键词，即可获得读者可能感兴趣的书本推荐给读者，另外，根据读者身份信息，获得读者的历史借阅数据，根据所述历史借阅数据，推荐目标书本给所述读者，目标书本不是随便找的，是通过分析读者的历史借阅数据预测出来的读者可能感兴趣的书本，如此提高了推荐的书本的准确性，提高了推荐的书本是读者感兴趣的书本的可能性，提高了读者的节约率，读者的使用体验感好。
可选的，所述根据所述照片识别出读者身份信息，包括：
获得与所述照片匹配的视频，所述视频是读者预先录制存储在数据库中的，所述视频中包括多张读者图像，所述读者图像包括读者的人脸图像，所述人脸图像是所述读者图像的一个区域；
在所述读者图像中识别出人脸图像；
将所述视频中的人脸图像按照所述人脸图像所在的读者图像的拍摄顺序进行排列，得到人脸图像序列；人脸图像序列包括多张人脸图像；
将人脸图像序列输入卷积神经网络中，所述卷积神经网络基于人脸图像序列所述识别出人脸特征向量；
通过第一网络对所述人脸特征向量进行上卷积处理，得到三维特征图；以所述读者的人脸三维数据与所述三维特征图之间的第一交叉熵作为所述第一网络的损失函数；所述读者的人脸三维数据是通过三维摄像设备采集得到的；第一网络可以是残差卷积神经网络，即RestNet backbone。
基于第一网络的损失函数反向调整所述三维特征图；
以经过反向调整后的三维特征图作为目标，基于残差网络的损失函数反向调整人脸特征向量；
获得经过反向调整后的人脸特征向量与预先标注的样本标签之间的第二交叉熵；
以所述第一交叉熵和所述第二交叉熵满足预设条件时的人脸特征向量作为输出的人脸特征向量；
基于输出的人脸特征向量识别出读者身份信息。
如此，提高了人脸特征表示读者人脸信息的准确性，进而提高了人脸识别的准确性。
可选的，所述卷积神经网络是残差网络，所述残差网络包括多个卷积层；多个卷积层用于提取人脸图像的特征向量。
可选的，所述基于输出的人脸特征向量识别出读者身份信息，包括：
在身份信息数据库中获得与所述输出的人脸特征向量匹配的身份信息，作为所述读者的身份信息。所述第一交叉熵和所述第二交叉熵满足预设条件时，表示的是：所述第一交叉熵和所述第二交叉熵都收敛。所述第一交叉熵和所述第二交叉熵满足预设条件时，表示的是：所述第一交叉熵小于第一定值，且所述第二交叉熵小于第二定值。第一定值的取值是0.4、0.6,第一定值的取值是0.6、0.4。
所述根据所述历史借阅数据，推荐目标书本给所述读者，包括：
获得历史借阅数据中的读者的历史借阅书本名称、书本类别和借阅时间；
根据所述借阅时间和所述书本类别，预测出读者感兴趣的书目类别；
获得所述读者感兴趣的书目类别的多本书本作为待选书本；
在图书大数据库中获得与所述书本类别对应的待选书本；
将与读者最近一次借阅的书本名称最相似书本作为目标书本推荐给所述读者。
所述根据所述借阅时间和所述书本类别，预测出读者感兴趣的书目类别；
获得读者对历史借阅数据中书本类别的打分，所述打分表征所述读者对所述书本的喜爱程度；
基于所述借阅时间，对所述书本类别的打分进行时间序列预测，得到所述读者对下一本书本的打分；
从评分数据库中获得与所述读者对下一本书本的打分相匹配的书目类别作为所述读者感兴趣的书目类别；所述数目类别与所述读者对下一本书本的打分相匹配，表示其他读者对所述数目类别的评分与所述读者对下一本书本的打分之间的差值在预设范围之内。预设范围可以是0.5到2之间。
基于上述的图书馆寻书方法，本发明实施例还提供了一种用于执行上述图书馆寻书方法额图书馆寻书系统，所述系统包括：
拍摄模块，用于获得读者的照片。读者的照片是通过智能寻书机器人的摄像头拍摄得到的。
识别身份模块，用于根据所述照片识别出读者身份信息。
获得数据，用于根据读者身份信息，获得读者的历史借阅数据。历史借阅数据存储在大数据库中。
其中，历史借阅数据包括读者的历史借阅书本名称、书本类别和借阅时间。
推荐模块，用于根据所述历史借阅数据，推荐目标书本给所述读者。
本发明实施例还提供了一种面向读者的智能寻书机器人，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，所述处理器执行所述程序时实现上述任一项所述方法的步骤。面向读者的智能寻书机器人也是一种电子设备，总的来说，本发明实施例还提供了一种电子设备。
其中，所述的服务端和客户端可以是所述的电子设备。如图2所示，包括存储器504、处理器502及存储在存储器504上并可在处理器502上运行的计算机程序，所述处理器502执行所述程序时实现前文所述任一方法的步骤。
其中，在图2中，总线架构(用总线500来代表)，总线500可以包括任意数量的互联的总线和桥，总线500将包括由处理器502代表的一个或多个处理器和存储器504代表的存储器的各种电路链接在一起。总线500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505在总线500和接收器501和发送器503之间提供接口。接收器501和发送器503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502负责管理总线500和通常的处理，而存储器504可以被用于存储处理器502在执行操作时所使用的数据。
本发明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所述任一方法的步骤。
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装置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。
Claims (10)
1.一种图书馆寻书方法，应用于智能寻书机器人，其特征在于，所述方法包括：
获得读者的照片；
根据所述照片识别出读者身份信息；
根据读者身份信息，获得读者的历史借阅数据，历史借阅数据包括读者的历史借阅书本名称、书本类别和借阅时间；
根据所述历史借阅数据，推荐目标书本给所述读者。
2.根据权利要求1所述的方法，其特征在于，所述根据所述照片识别出读者身份信息，包括：
获得与所述照片匹配的视频，所述视频是读者预先录制存储在数据库中的，所述视频中包括多张读者图像，所述读者图像包括读者的人脸图像，所述人脸图像是所述读者图像的一个区域；
在所述读者图像中识别出人脸图像；
将所述视频中的人脸图像按照所述人脸图像所在的读者图像的拍摄顺序进行排列，得到人脸图像序列；人脸图像序列包括多张人脸图像；
将人脸图像序列输入卷积神经网络中，所述卷积神经网络基于人脸图像序列所述识别出人脸特征向量；
通过第一网络对所述人脸特征向量进行上卷积处理，得到三维特征图；以所述读者的人脸三维数据与所述三维特征图之间的第一交叉熵作为所述第一网络的损失函数；所述读者的人脸三维数据是通过三维摄像设备采集得到的；
基于第一网络的损失函数反向调整所述三维特征图；
以经过反向调整后的三维特征图作为目标，基于残差网络的损失函数反向调整人脸特征向量；
获得经过反向调整后的人脸特征向量与预先标注的样本标签之间的第二交叉熵；
以所述第一交叉熵和所述第二交叉熵满足预设条件时的人脸特征向量作为输出的人脸特征向量；
基于输出的人脸特征向量识别出读者身份信息。
3.根据权利要求2所述的方法，其特征在于，所述卷积神经网络是残差网络，所述残差网络包括多个卷积层；多个卷积层用于提取人脸图像的特征向量。
4.根据权利要求2所述的方法，其特征在于，所述基于输出的人脸特征向量识别出读者身份信息，包括：
在身份信息数据库中获得与所述输出的人脸特征向量匹配的身份信息，作为所述读者的身份信息。
5.根据权利要求2所述的方法，其特征在于，所述第一交叉熵和所述第二交叉熵满足预设条件时，表示的是：所述第一交叉熵和所述第二交叉熵都收敛。
6.根据权利要求2所述的方法，其特征在于，所述第一交叉熵和所述第二交叉熵满足预设条件时，表示的是：所述第一交叉熵小于第一定值，且所述第二交叉熵小于第二定值。
7.根据权利要求1所述的方法，其特征在于，所述根据所述历史借阅数据，推荐目标书本给所述读者，包括：
获得历史借阅数据中的读者的历史借阅书本名称、书本类别和借阅时间；
根据所述借阅时间和所述书本类别，预测出读者感兴趣的书目类别；
获得所述读者感兴趣的书目类别的多本书本作为待选书本；
在图书大数据库中获得与所述书本类别对应的待选书本；
将与读者最近一次借阅的书本名称最相似书本作为目标书本推荐给所述读者。
8.根据权利要求7所述的方法，其特征在于，所述根据所述借阅时间和所述书本类别，预测出读者感兴趣的书目类别；
获得读者对历史借阅数据中书本类别的打分，所述打分表征所述读者对所述书本的喜爱程度；
基于所述借阅时间，对所述书本类别的打分进行时间序列预测，得到所述读者对下一本书本的打分；
从评分数据库中获得与所述读者对下一本书本的打分相匹配的书目类别作为所述读者感兴趣的书目类别；所述数目类别与所述读者对下一本书本的打分相匹配，表示其他读者对所述数目类别的评分与所述读者对下一本书本的打分之间的差值在预设范围之内。
9.一种面向读者的智能寻书机器人，其特征在于，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，所述处理器执行所述程序时实现权利要求1-8任一项所述方法的步骤。
10.一种电子设备，其特征在于，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，所述处理器执行所述程序时实现权利要求1-8任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011372887.9A CN113971241A (zh) | 2020-11-30 | 2020-11-30 | 一种图书馆寻书方法及智能寻书机器人 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011372887.9A CN113971241A (zh) | 2020-11-30 | 2020-11-30 | 一种图书馆寻书方法及智能寻书机器人 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113971241A true CN113971241A (zh) | 2022-01-25 |
Family
ID=79586136
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011372887.9A Pending CN113971241A (zh) | 2020-11-30 | 2020-11-30 | 一种图书馆寻书方法及智能寻书机器人 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113971241A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116644181A (zh) * | 2023-05-10 | 2023-08-25 | 广东天卷教育设备有限公司 | 一种图书馆机器人的数据处理方法、装置、设备及介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106202184A (zh) * | 2016-06-27 | 2016-12-07 | 华中科技大学 | 一种面向高校图书馆的图书个性化推荐方法和系统 |
| CN108090403A (zh) * | 2016-11-22 | 2018-05-29 | 上海银晨智能识别科技有限公司 | 一种基于3d卷积神经网络的人脸动态识别方法及系统 |
| CN108388591A (zh) * | 2018-01-30 | 2018-08-10 | 深圳市盛路物联通讯技术有限公司 | 图书的推荐方法、装置、系统及可读存储介质 |
| CN109255830A (zh) * | 2018-08-31 | 2019-01-22 | 百度在线网络技术（北京）有限公司 | 三维人脸重建方法和装置 |
| CN110489633A (zh) * | 2019-08-22 | 2019-11-22 | 广州图创计算机软件开发有限公司 | 一种基于图书馆数据的智慧大脑服务平台 |
| CN111507294A (zh) * | 2020-04-22 | 2020-08-07 | 上海第二工业大学 | 基于三维人脸重建和智能识别的教室安防预警系统及方法 |
| CN111784943A (zh) * | 2020-06-24 | 2020-10-16 | 深圳市海恒智能科技有限公司 | 一种快速借还书方法及系统 |
-
2020
- 2020-11-30 CN CN202011372887.9A patent/CN113971241A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106202184A (zh) * | 2016-06-27 | 2016-12-07 | 华中科技大学 | 一种面向高校图书馆的图书个性化推荐方法和系统 |
| CN108090403A (zh) * | 2016-11-22 | 2018-05-29 | 上海银晨智能识别科技有限公司 | 一种基于3d卷积神经网络的人脸动态识别方法及系统 |
| CN108388591A (zh) * | 2018-01-30 | 2018-08-10 | 深圳市盛路物联通讯技术有限公司 | 图书的推荐方法、装置、系统及可读存储介质 |
| CN109255830A (zh) * | 2018-08-31 | 2019-01-22 | 百度在线网络技术（北京）有限公司 | 三维人脸重建方法和装置 |
| CN110489633A (zh) * | 2019-08-22 | 2019-11-22 | 广州图创计算机软件开发有限公司 | 一种基于图书馆数据的智慧大脑服务平台 |
| CN111507294A (zh) * | 2020-04-22 | 2020-08-07 | 上海第二工业大学 | 基于三维人脸重建和智能识别的教室安防预警系统及方法 |
| CN111784943A (zh) * | 2020-06-24 | 2020-10-16 | 深圳市海恒智能科技有限公司 | 一种快速借还书方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 祝婷婷: "基于智能机器人技术的智慧图书馆建设研究", 《现代信息科技》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116644181A (zh) * | 2023-05-10 | 2023-08-25 | 广东天卷教育设备有限公司 | 一种图书馆机器人的数据处理方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109104620B (zh) | 一种短视频推荐方法、装置和可读介质 | |
| CN112000819A (zh) | 多媒体资源推荐方法、装置、电子设备及存储介质 | |
| CN112464093B (zh) | 一种面向读者的智能寻书机器人及电子设备 | |
| CN110909145B (zh) | 针对多任务模型的训练方法及装置 | |
| CN113516227B (zh) | 一种基于联邦学习的神经网络训练方法及设备 | |
| CN111400548B (zh) | 一种基于深度学习与马尔科夫链的推荐方法及设备 | |
| CN111738403B (zh) | 一种神经网络的优化方法及相关设备 | |
| CN114418030B (zh) | 图像分类方法、图像分类模型的训练方法及装置 | |
| CN110580278A (zh) | 根据用户画像的个性化搜索方法、系统、设备及存储介质 | |
| CN112766288B (zh) | 图像处理模型构建方法、装置、电子设备和可读存储介质 | |
| CN112308006A (zh) | 视线区域预测模型生成方法、装置、存储介质及电子设备 | |
| CN112364828A (zh) | 人脸识别方法及金融系统 | |
| CN116311370A (zh) | 一种基于多角度特征的牛脸识别方法及其相关设备 | |
| WO2024175079A1 (zh) | 一种模型的量化方法以及相关设备 | |
| CN113971241A (zh) | 一种图书馆寻书方法及智能寻书机器人 | |
| CN110162769B (zh) | 文本主题输出方法和装置、存储介质及电子装置 | |
| CN114329004A (zh) | 数字指纹生成、数据推送方法、装置和存储介质 | |
| CN111507396A (zh) | 缓解神经网络对未知类样本产生错误分类的方法及装置 | |
| CN116842384A (zh) | 多模态模型训练方法、装置、电子设备及可读存储介质 | |
| CN111191065A (zh) | 一种同源图像确定方法及装置 | |
| CN116227556A (zh) | 获取目标网络模型的方法、装置、计算机设备及存储介质 | |
| CN112329736B (zh) | 人脸识别方法及金融系统 | |
| CN116088717A (zh) | 一种模型的训练方法、数据处理方法以及相关设备 | |
| CN117036658A (zh) | 一种图像处理方法及相关设备 | |
| CN109451018B (zh) | 信息对象的推送方法、计算设备及计算机存储介质 |
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 |