CN114282818A - 一种最大化销售额的生鲜区电子标签管控方法 - Google Patents
一种最大化销售额的生鲜区电子标签管控方法 Download PDFInfo
- Publication number
- CN114282818A CN114282818A CN202111607502.7A CN202111607502A CN114282818A CN 114282818 A CN114282818 A CN 114282818A CN 202111607502 A CN202111607502 A CN 202111607502A CN 114282818 A CN114282818 A CN 114282818A
- Authority
- CN
- China
- Prior art keywords
- price
- freshness
- goods
- commodity
- fresh
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种最大化销售额的生鲜区电子标签管控方法,包括:对生鲜商品的整体新鲜度进行评估;得到预设价格调整周期T内的历史整体新鲜度变化曲线和销售量曲线;得到价格J条件下整体新鲜度和销售量的关系函数;将价格J条件下整体新鲜度和销售量的关系函数导入趋势分析模块,查找与下一个价格调整周期T对应的价格范围,对该价格范围内不同价格条件下的整体新鲜度和销售量的变化曲线进行预估,根据下述公式计算得到下个价格调整周期的理想价格J*。本发明能够对生鲜区商品的新鲜度等级和销售量进行预估,以最大化销售额为目标,根据用户预先设定的促销方案自动调整商品价格标签,大幅降低了人工调整和确认商品信息的时间。
Description
技术领域
本发明涉及生鲜区电子标签管理技术领域,具体而言涉及一种最大化销售额的生鲜区电子标签管控方法。
背景技术
采用电子纸的电子标签因为显示效果优异,便于更新价格等优势,在超市中得到普及,逐渐代替原始的纸质标签。当商品价格需要调整时,只需要将调整后的商品价格图像发送给对应的电子标签单体,就可以实现全商超范围内的价格更新。电子标签的尺寸多样,以超市为例,可以根据原先采用的纸质标签的尺寸更换成相同尺寸的电子标签,如在生鲜区选用10寸以上的大屏幕电子标签,通过将其悬挂在生鲜商品上方的方式提供顾客价格提示服务。
生鲜区商品保质期短,因此商家通常会采用分批上新的方式断续补货,加上生鲜区商品种类繁多,使得生鲜区上新频繁。同时,很多生鲜商品在同一天内就会因为水分丢失等原因降低售卖几率,对于这一问题,商家会采用降价促销等方式来提高售卖几率。在更换电子标签后,工作人员可以在查看生鲜区商品现状后通过人工的方式在后台更改,再将更改结果显示在电子标签上。
然而,前述电子标签的更新方法仍然存在以下两个技术问题:第一,目前大多数电子标签的更新是通过人工后台处理实现,也有少部分研究方案提出通过一些读取设备对商品识别后进行电子标签的自动更新。2019年10月18日公开的申请号为201810299344.5的发明中公开了一种商品信息自动识别方法,能够结合商品自动识别的技术自动调整电子货架标签上的商品信息,大大提高了工作效率,同时避免了商品错发导致的信息不一致。但该申请是采用RFID读写器的方式去实现对商品信息的识别,并且只能对单个商品对应的电子标签进行更新。但这并不能减少生鲜区工作人员的工作量,一旦电子标签对应多个商品且商品占据的位置区域发生变化时,则无法实现对价格标签的自动更新。目前尚未出现对同时显示多个商品的大屏幕电子标签的价格标签自动更新方法。第二,生鲜区商品的促销价格调整需要专业人员执行,相关专业人员需要同时兼备生鲜商品的相关知识和营销知识。
前述两个技术问题导致即使生鲜区改成了电子标签提示价格,也并不能大幅度减少生鲜区服务人员的工作量。
发明内容
本发明针对现有技术中的不足,提供一种最大化销售额的生鲜区电子标签管控方法,能够对生鲜区商品的新鲜度等级和销售量进行预估,以最大化销售额为目标,根据用户预先设定的促销方案自动调整商品价格标签,大幅降低了人工调整和确认商品信息的时间。
为实现上述目的,本发明采用以下技术方案:
一种最大化销售额的生鲜区电子标签管控方法,用于对分布安装在生鲜区的电子标签的显示内容进行自动管控,所述管控方法包括以下步骤:
S1,构建新鲜度评估模型,该新鲜度评估模型采用若干张呈堆叠状的同类生鲜商品样本图像训练得到;
S2,按照预设采集周期拍摄指定货品摆放区的生鲜商品图像,将生鲜商品图像导入新鲜度评估模型,对生鲜商品的整体新鲜度进行评估;指定货品摆放区的生鲜商品设置有弹性价格,不同新鲜度等级对应不同的价格范围;
S3,以时间为横轴,对自当前时刻起向前统计到的n个采集周期内评估得到的生鲜商品的历史整体新鲜度数据和相应的销售数据进行拟合,得到预设价格调整周期T内的历史整体新鲜度变化曲线X(t)和销售量曲线S(t);
S4,根据预设价格调整周期T对当前价格调整周期内生鲜商品的价格J、历史整体新鲜度变化曲线X(t)和销售量曲线Y(t)进行分析,得到价格J条件下整体新鲜度和销售量的关系函数S[J,X(t)]:
式中:XT是历史时段T开始时的整体新鲜度,F1(t)是由水分流失引起的新鲜度损耗值,F2[Y(t)]是由销售量Y(t)引起的新鲜度损耗值;
S5,将价格J条件下整体新鲜度和销售量的关系函数S[J,X(t)]导入趋势分析模块,查找与下一个价格调整周期T对应的价格范围,对该价格范围内不同价格条件下的整体新鲜度和销售量的变化曲线进行预估,根据下述公式计算得到下个价格调整周期的理想价格J*:
Y*(t)=S[J*,X*(t)]
X*(t)=X0-F1(t)-F2[Y*(t)]
式中:X0是当前时刻的整体新鲜度,X*(t)是预估新鲜度变化曲线,Y*(t)是预估销售量变化曲线。
为优化上述技术方案,采取的具体措施还包括:
进一步地,步骤S1中,所述新鲜度评估模型包括依次连接的特征提取单元、第一特征融合单元、第二特征融合单元、自适应最大池化层、全局平均池化层和全连接层;
所述特征提取单元包括三个卷积模块,对导入的指定货品摆放区的生鲜商品图像进行逐层特征提取;所述第一特征融合单元用于将第二卷积模块和第三卷积模块的输出提取出来,进行不同尺寸的特征融合;所述第二特征融合单元用于将第一特征融合单元的输出与第一卷积模块的输出进行再次特征融合;所述第二特征融合单元融合后的特征分别经自适应最大池化层和全局平均池化层进行自适应最大池化和全局平均池化处理后,提取得到生鲜商品图像全局特征;所述全连接层用于对提取得到的生鲜商品图像全局特征进行分类处理,计算得到该生鲜商品图像全局特征属于每个新鲜度等级的概率,输出当前生鲜商品图像的新鲜度等级。
进一步地,步骤S4中,根据预设价格调整周期T对当前价格调整周期内生鲜商品的价格J、历史整体新鲜度变化曲线X(t)和销售量曲线Y(t)进行分析,得到价格J条件下整体新鲜度和销售量的关系函数S[J,X(t)]的过程包括以下步骤:
针对不同外界因素条件,采集生鲜商品在价格范围[J-ΔJ,J+ΔJ]内的整体新鲜度变化曲线、销售量曲线,以及整体新鲜度-销售量关系曲线,生成若干组价格J对应的样本数据,构建训练集;ΔJ是预设的该生鲜商品的允许价格误差;
基于神经网络构建关系评估模型,采用训练集对关系评估模型进行训练,直至收敛;
将当前价格调整周期内生鲜商品的价格J、历史整体新鲜度变化曲线X(t)和销售量曲线Y(t)导入关系评估模型,分类得到价格J条件下整体新鲜度和销售量的关系函数S[J,X(t)]。
进一步地,步骤S5中,将价格J条件下整体新鲜度和销售量的关系函数S[J,X(t)]导入趋势分析模块,查找与当前时刻整体新鲜度X0对应的价格范围,对不同价格条件下的整体新鲜度和销售量的变化趋势进行预估的过程包括以下步骤:
基于注意力机制的GRU网络模型构建得到趋势分析模块,该趋势分析模块的输出是自当前时刻起向前统计到的m个采样周期对应的生鲜商品的历史新鲜度等级数据,输出为自当前时刻起向后统计到的m个采样周期的预估新鲜度等级数据;
根据预估新鲜度等级数据查找得到相应的价格范围;
调用关系评估模型对该价格范围内的不同价格条件下的整体新鲜度和销售量的变化曲线进行预估。
进一步地,所述管控方法还包括以下步骤:
A1,生成电子标签与单元货品区的对应关系;
A2,定期拍摄以每个电子标签对应的单元货品区为中心的预设视野范围内的该单元货品区所属的货架图像;
A3,以单元货品区为单位,对货架图像进行初步划分,对相邻单元货品区的图像进行相似度判断,将相似度高于相似度阈值的相邻单元货品区视为同一个货品摆放区,初步整合货架图像上的单元货品区,生成若干个货品摆放区,对每个货品摆放区进行标识;再调用商品识别模型对每个货品摆放区的商品类型进行识别;
A4,根据货品摆放区出现频次,将只对应一个电子标签的货品摆放区定义为第一摆放区,将剩余货品摆放区定义为第二摆放区,根据图像占比面积确定每个第二摆放区的主标签;
A5,调取每个货品摆放区对应的商品标签图像,根据货架图像上各个货品摆放区的位置关系拼接调取的商品标签图像,生成电子标签价格牌;其中,除主标签之外的第二摆放区的标签图像根据该第二摆放区在货架图像上的占比面积进行缩放;
A6,将生成的电子标签价格牌发送至相应的电子标签进行显示。
进一步地,步骤A4中,当其中一个货品摆放区包含两种以上的商品时,将其所包含的商品类型与邻近货品摆放区的商品类型进行匹配,如果全部商品类型匹配成功,清除该货品摆放区,否则,根据匹配不成功的商品类型生成相应的货品摆放区;邻近货品摆放区是指同属于一个电子标签显示覆盖范围内的货品摆放区。
进一步地,步骤A5中,生成电子标签价格牌的过程包括以下步骤:
A51,针对每个电子标签读取当前验证周期其所包含的货品摆放区编号和每个货品摆放区上的商品类型,根据商品类型调取每个货品摆放区对应的商品标签图像数据;
A52,根据每个货品摆放区占据的单元货品区的位置信息生成标签模板,标签模板中包含若干个标签填充框,每个标签填充框对应一个货品摆放区;
A53,判断电子标签是否与除主标签之外的第二摆放区相对应,如果存在前述对应关系,调用缩放组件根据该第二摆放区在货架图像上的占比面积对相应的标签填充框在预设的图像尺寸范围内进行缩放;
A54,将调取的商品标签图像数据填充至相应的标签填充框,生成当前采集周期内的电子标签价格牌。
进一步地,所述管控方法还包括以下步骤:
在电子标签更新后,调取任意一个第二摆放区对应的若干个电子标签的显示图像数据,通过核对所有调取的显示图像数据中该第二摆放区对应的商品标签图像数据的相似性和缩放尺寸,对本次电子标签更新结果进行推估。
本发明的有益效果是:
第一,本发明的最大化销售额的生鲜区电子标签管控方法,能够对生鲜区商品的新鲜度等级和销售量进行预估,以最大化销售额为目标,根据用户预先设定的促销方案自动调整商品价格标签,大幅降低了人工调整和确认商品信息的时间。
第二,本发明的最大化销售额的生鲜区电子标签管控方法,能够根据货架上商品的实时状态,自动调整大屏幕电子标签的显示图像;以用户的视觉范围为基准,使用户能够在任意角度获取到近距离可视范围内的商品类型(包括错放商品)的价格信息,提高用户体验。另外,由于价格标签显示内容能够包含所有错放商品的价格信息,可以通过吸引用户购买的方式减少人工重新摆放的几率。
第三,本发明的最大化销售额的生鲜区电子标签管控方法,能够结合部分商品的重复价格标签实现对更新结果的自动验证,验证结果可靠性高。
附图说明
图1是本发明的最大化销售额的生鲜区电子标签管控方法流程图。
图2是本发明的新鲜度评估模型结构图。
图3是本发明的价格更新方法流程图。
图4是本发明的验证方法流程图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。
需要注意的是,发明中所引用的如“上”、“下”、“左”、“右”、“前”、“后”等的用语,亦仅为便于叙述的明了,而非用以限定本发明可实施的范围,其相对关系的改变或调整,在无实质变更技术内容下,当亦视为本发明可实施的范畴。
图1是本发明的最大化销售额的生鲜区电子标签管控方法流程图。参见图1,该管控方法包括以下步骤:
S1,构建新鲜度评估模型,该新鲜度评估模型采用若干张呈堆叠状的同类生鲜商品样本图像训练得到。
S2,按照预设采集周期拍摄指定货品摆放区的生鲜商品图像,将生鲜商品图像导入新鲜度评估模型,对生鲜商品的整体新鲜度进行评估;指定货品摆放区的生鲜商品设置有弹性价格,不同新鲜度等级对应不同的价格范围。
S3,以时间为横轴,对自当前时刻起向前统计到的n个采集周期内评估得到的生鲜商品的历史整体新鲜度数据和相应的销售数据进行拟合,得到预设价格调整周期T内的历史整体新鲜度变化曲线X(t)和销售量曲线S(t)。
S4,根据预设价格调整周期T对当前价格调整周期内生鲜商品的价格J、历史整体新鲜度变化曲线X(t)和销售量曲线Y(t)进行分析,得到价格J条件下整体新鲜度和销售量的关系函数S[J,X(t)]:
式中:XT是历史时段T开始时的整体新鲜度,F1(t)是由水分流失引起的新鲜度损耗值,F2[Y(t)]是由销售量Y(t)引起的新鲜度损耗值。
S5,将价格J条件下整体新鲜度和销售量的关系函数S[J,X(t)]导入趋势分析模块,查找与下一个价格调整周期T对应的价格范围,对该价格范围内不同价格条件下的整体新鲜度和销售量的变化曲线进行预估,根据下述公式计算得到下个价格调整周期的理想价格J*:
Y*(t)=S[J*,X*(t)]
X*(t)=X0-F1(t)-F2[Y*(t)]
式中:X0是当前时刻的整体新鲜度,X*(t)是预估新鲜度变化曲线,Y*(t)是预估销售量变化曲线。
下面结合附图对本实施例的优选技术方案做进一步的详细阐述。
本实施例中提到了四个数据处理周期,为了便于阐述方案,在此对四个数据处理周期先行解释。第一个数据处理周期为生鲜商品图像的采集周期,并且对生鲜商品图像进行同步处理,分析得到相应的整体新鲜度,第一个数据周期越短,对生鲜商品的新鲜度监控精准度越高,同时运算量也越大,用户根据自身需求平衡精准度和运算量,得出第一个数据处理周期的时长。第二个数据处理周期为价格调整周期,价格调整周期具有最小限值且通常远大于第一个数据处理周期;这是因为在商超中,商品的价格如果频繁变动,是不利于商品的售卖的;用户可以结合售卖时段等设置价格调整周期。第三个数据处理周期为电子标签的更新周期,此更新周期不同于第二个数据处理周期中的电子标签更新,在第二个数据处理周期中,电子标签的更新是对指定商品的价格数值进行更新,而在第三个数据处理周期中,是对电子标签的显示商品类型和商品价格显示位置进行更新,即对电子标签的显示内容进行重新编排,但不涉及价格值的更新。第四个数据处理周期是验证周期,一般发生在每次电子标签更新后,通过对电子标签的显示数据进行再次验证,判断是否更新成功。
一、新鲜度判断
参见图2,新鲜度评估模型包括依次连接的特征提取单元、第一特征融合单元、第二特征融合单元、自适应最大池化层、全局平均池化层和全连接层。
特征提取单元包括三个卷积模块,对导入的指定货品摆放区的生鲜商品图像进行逐层特征提取;第一特征融合单元用于将第二卷积模块和第三卷积模块的输出提取出来,进行不同尺寸的特征融合;第二特征融合单元用于将第一特征融合单元的输出与第一卷积模块的输出进行再次特征融合;第二特征融合单元融合后的特征分别经自适应最大池化层和全局平均池化层进行自适应最大池化和全局平均池化处理后,提取得到生鲜商品图像全局特征;全连接层用于对提取得到的生鲜商品图像全局特征进行分类处理,计算得到该生鲜商品图像全局特征属于每个新鲜度等级的概率,输出当前生鲜商品图像的新鲜度等级。
第一特征融合单元用于融合第二卷积模块输出的中层特征值和第三卷积模块输出的深层特征值,得到第一融合特征,用以表征是生鲜商品的语义信息。第二特征融合单元用于融合第二卷积模块输出的中层特征值和第三卷积模块输出的深层特征值,得到第一融合特征。第一卷积模块则更侧重于提取生鲜商品的几何细节特征。再采用第二特征融合单元将第一融合特征(更侧重于生鲜商品的表皮语义特征)与第一卷积模块输出的浅层特征值(更侧重于生鲜商品的几何细节特征)进行再次特征融合,得到生鲜商品图像全局特征。另外,本实施例是针对生鲜商品的整体新鲜度进行判断,同时兼顾了评估结果的精准性和效率,并且只需要采用三层卷积网络即可执行,实现了生鲜区运算轻量级需求。
新鲜度评估模型采用的训练样本的采集过程包括:
针对不同数量和不同新鲜度等级的指定生鲜商品,间隔搅拌,且在搅拌间隙分批次采集得到初始样本图像;对每个批次的初始样本图像进行增强,采用缩放、旋转、变换、翻转多种方法以扩充数据集。例如,将某一生鲜商品的新鲜度划分成20%以下、20%~40%、40%~60%、60%~80%和80%~100%五个等级,针对每个新鲜度等级,分别设置200个、100个、50个和20个四种数量,总计20种原始生鲜商品样本。对这20种原始生鲜商品样本进行搅拌动作,在搅拌间隙进行图像采集,如此循环,采集得到初始样本图像数据。对初始样本图像数据进行增强后,再采用缩放、旋转、变换、翻转进行扩充,最终可得16400张不同分辨率的生鲜图像样本数据。在实际应用中,新鲜度等级和数量等级都是可以自行设定的,并不局限于前述这一种。
考虑到判断效率,本实施例提出对生鲜商品整体进行新鲜度判断,而非单个生鲜商品。在商超内,灯光等环境因素通常保持一致,即使因为人体遮挡等原因导致部分商品环境光降低,只需要对采集图像做相应的筛选就可以忽视光强对新鲜度判断的影响。在此基础上,生鲜商品的新鲜度变化与两个因素相关:随时间变化的水分流失量,顾客挑选导致剩余商品的生鲜度配比变化。对于前者,水分流失导致的新鲜度变化曲线相对平缓,对于后者,顾客会更倾向于挑选更为新鲜的商品,因此,顾客购买商品的行为会导致剩余商品的生鲜度发生突变。例如,将某一生鲜商品,如苹果,由于商超仓库通常会设置有保鲜区,我们默认刚放至货品摆放区的苹果是新鲜的(从整体角度判断,并非对苹果单个个体),随着时间的流逝,苹果个体的水分会丢失,并且由于客户更倾向于选取新鲜度更高的水果,货品摆放区的苹果的整体新鲜度等级不断下降。
二、以最大化销售额为优化目标对价格进行计算更新
本实施例的价格更新方法基于以下根据历史数据分析得到的购物假设:同一新鲜度等级下的销售量趋于稳定,但与季节、售卖价格和当前超市提供的同类商品数量等因素相关,其中,季节、当前超市提供的同类商品数量属于不可控的外界因素。换言之,当外界因素稳定时,生鲜商品的新鲜度等级、价格、销售量是存在着相对固定的关系的。外界因素的分析过程相当复杂,如果逐一分析,运算量将非常大。因此,在本实施例中,采用基于神经网络构建的关系评估模型对导入的历史新鲜度等级、价格、销售量进行分析,通过分类器得到相应的生鲜商品的新鲜度等级、价格、销售量之间的关系函数。具体的,根据预设价格调整周期T对当前价格调整周期内生鲜商品的价格J、历史整体新鲜度变化曲线X(t)和销售量曲线Y(t)进行分析,得到价格J条件下整体新鲜度和销售量的关系函数S[J,X(t)]的过程包括以下步骤:
S41,针对不同外界因素条件,采集生鲜商品在价格范围[J-ΔJ,J+ΔJ]内的整体新鲜度变化曲线、销售量曲线,以及整体新鲜度-销售量关系曲线,生成若干组价格J对应的样本数据,构建训练集;ΔJ是预设的该生鲜商品的允许价格误差。
S42,基于神经网络构建关系评估模型,采用训练集对关系评估模型进行训练,直至收敛。
S43,将当前价格调整周期内生鲜商品的价格J、历史整体新鲜度变化曲线X(t)和销售量曲线Y(t)导入关系评估模型,分类得到价格J条件下整体新鲜度和销售量的关系函数S[J,X(t)],且该关系函数S[J,X(t)]满足以下基本条件:
式中:XT是历史时段T开始时的整体新鲜度,F1(t)是由水分流失引起的新鲜度损耗值,F2[Y(t)]是由销售量Y(t)引起的新鲜度损耗值。
本实施例避开对外界因素的分析,通过对不同外界因素下的历史数据进行分析,得到若干组不同价格条件下的整体新鲜度和销售量的关系函数,再对实时采集到的整体新鲜度、销售量、价格进行分析,判断整体新鲜度和销售量的变化趋势与哪种外界因素条件下的关系函数吻合度更高,从而得到相应的关系函数。
在获知整体新鲜度和销售量的关系函数之后,再以销售额最大化为优化目标计算得到最优价格。具体的,将价格J条件下整体新鲜度和销售量的关系函数S[J,X(t)]导入趋势分析模块,查找与当前时刻整体新鲜度X0对应的价格范围,对不同价格条件下的整体新鲜度和销售量的变化趋势进行预估的过程包括以下步骤:
S51,基于注意力机制的GRU网络模型构建得到趋势分析模块,该趋势分析模块的输出是自当前时刻起向前统计到的m个采样周期对应的生鲜商品的历史新鲜度等级数据,输出为自当前时刻起向后统计到的m个采样周期的预估新鲜度等级数据。
S52,根据预估新鲜度等级数据查找得到相应的价格范围。
S53,调用关系评估模型对该价格范围内的不同价格条件下的整体新鲜度和销售量的变化曲线进行预估。
根据下述公式计算得到下个价格调整周期的理想价格J*:
Y*(t)=S[J*,X*(t)]
X*(t)=X0-F1(t)-F1[Y*(t)]
式中:X0是当前时刻的整体新鲜度,X*(t)是预估新鲜度变化曲线,Y*(t)是预估销售量变化曲线。
优选的,该趋势分析模块采用整体新鲜度和销售量的关系函数S[J,X(t)]对应的若干个生鲜商品的新鲜度等级序列数据和各个新鲜度等级条件下不同销售量导致的新鲜度变化样本数据训练得到。根据趋势分析模块输出的自当前时刻起向后统计到的m个采样周期的预估新鲜度等级数据,查找得到其所对应的价格范围,从该价格范围中选取一个最优价格,使下一个价格调整周期的销售额最高,这是由生鲜区商品的售卖周期短、上新快和频繁补货的特性决定,生鲜区商品只需要关注短期内(例如一个价格调整周期)的销售额。区别于只根据新鲜度进行价格促销的模式,本实施例综合考虑新鲜度和销售量,以销售额为判断基准,对价格进行调整,使得商户的收益最大,且无需专业人员频繁参与。例如,虽然某商品的新鲜度等级降到40%,但在下一个价格调整周期内新鲜度等级还会出现较大幅度的降低且销售额符合商家的心理预期,客户对商品的心理接受度仍然较高,此时可以选择维持原价或者小幅降价;反之,如果某商品的新鲜度等级降到40%且在下一个价格调整周期内销售额很低且新鲜度等级持续平稳下降,说明客户对商品的心理接受度很低,为了不使商品因新鲜度等级持续走低而产生滞销,可以选择较大幅度的降价。
示例性地,当选取的最优价格J*对应的销售额小于预设销售额时,提醒工作人员进行补货或者采用其他人工促销方式。本实施例能够减少人工干预,通过预估新鲜度等级和商品销售量,以最大化销售额为优化目标对商品价格进行管理,同时减少了人工检查商品和人工更新价格标签(即使是更新电子标签)的工作量。新鲜度等级对应的价格范围可以由用户预先设定。
三、多商品价格标签显示
本实施例的多商品价格标签显示的管控方法包括以下步骤:
步骤1,生成电子标签与单元货品区的对应关系。
生鲜区由于商品种类繁多,通常会采用中等高度的货台结构且一个货台上会设置十几个甚至几十个单元货品区。商家针对每个商品设置一个10寸左右的电子标签,摆放在相应商品的正前方,由于指示价格。用户需要将商品和电子标签一一对应后,移动查看商品价格。为此,本实施例提出,在一个电子标签上同时显示多个商品价格。电子标签的显示内容受用户的视觉范围影响,即,每个生鲜区的电子标签要能够显示以对应商品为中心的用户一定视野范围内的其他商品的价格,相对于根据商品摆放位置一一对应地设置与商品数量相当的电子标签,极大地减少了用户查找价格需要花费的精力。
示例性地,电子标签与单元货品区的对应关系可以预先设定,也可以根据以拍摄图像对应的商品识别结果来自动重新生成电子标签和单元货品区的对应关系。当电子标签或者商品的位置发生移动时,也可以确保标签与商品的一致性。工作人员只需要关注电子标签的分布是否能够确保拍摄到的总商品类型是否完整(电子标签的视角覆盖范围足够完整)即可。
步骤2,定期拍摄以每个电子标签对应的单元货品区为中心的预设视野范围内的该单元货品区所属的货架图像。
货架图像的采集可以通过分布在生鲜区的拍摄装置实现,也可以同步结合人工巡视拍摄,如果需要结合人工巡视拍摄,人工巡视拍摄的图像可以再次进行校调,或间接计算其与固定点位拍摄图像之间的相关性,再做价格更新应用使用。在本实施例中,价格更新除了会在商品上架时执行,还可以体现在商超的日常运维中,例如某货架上的其中一个商品售罄了,也可以通过定期更新来及时调整价格标签避免用户产生误解,尤其适配于生鲜区商品的短周期售卖特性。
步骤3,价格更新。
参见图3,价格更新的过程包括以下步骤:
以单元货品区为单位,对货架图像进行初步划分,对相邻单元货品区的图像进行相似度判断,将相似度高于相似度阈值的相邻单元货品区视为同一个货品摆放区,初步整合货架图像上的单元货品区,生成若干个货品摆放区,对每个货品摆放区进行标识;再调用商品识别模型对每个货品摆放区的商品类型进行识别。
示例性地,对每个货品摆放区的商品类型进行识别的过程为:
采集若干张商超所包含的商品图像样本,构建训练集,商品图像样本包含多个同类商品的堆叠图像样本。基于神经网络构建商品识别模型,采用训练集对商品识别模型进行训练。商品识别模型可以采用现有技术中的图像识别技术,例如2020年10月02日公开的申请号为202010874612.9的发明中公开了一种商品识别管理方法,通过对目标商品的图像进行训练识别,得到商品的类别和型号信息。以单元货品区为单位,对货架图像进行初步划分,对相邻单元货品区的图像进行相似度判断,将相似度高于相似度阈值的相邻单元货品区视为同一个货品摆放区;初步整合货架图像上的单元货品区,生成若干个货品摆放区,对每个货品摆放区进行标识。将每个货品摆放区的图像导入商品识别模型,对每个货品摆放区的商品类型进行识别。
当其中一个货品摆放区包含两种以上的商品时,将其所包含的商品类型与邻近货品摆放区的商品类型进行匹配,如果全部商品类型匹配成功,清除该货品摆放区,否则,根据匹配不成功的商品类型生成相应的货品摆放区;邻近货品摆放区是指同属于一个电子标签显示覆盖范围内的货品摆放区。这是考虑到在商超环境中,由于是开放式的购物环境,因此会经常出现用户拿取商品后错放至另一个区域的情况。在现有技术中,对于这一情况,通常是通过人工巡查或者图像识别结合数据库校对等方式发现错放货品,再通知工作人员重新摆放商品的方式实现对商品的位置纠正。而在本实施例中,并不将其视为单纯的错放商品,而是将其视为次选商品在大屏幕电子标签中同时显示其价格信息,以此来增加用户购买该商品的几率,减轻工作人员的拣放工作量。
根据货品摆放区出现频次,将只对应一个电子标签的货品摆放区定义为第一摆放区,将剩余货品摆放区定义为第二摆放区,根据图像占比面积确定每个第二摆放区的主标签。
在本实施例中,第二摆放区上的商品除了对应错放的次选商品之外,还包含同一视角方向上因为占地区域较小从而不太容易吸引用户注意力的商品。这部分商品在视角方向A上因为角度问题占地区域较小且只能部分展示,但很可能在视角方向B上可以完整显示(例如某电子标签位于商品1的正前方,因此,以该电子标签朝向为视角中心采集货架图像时,商品1会占据较大的面积,使得该电子标签成为商品1的主标签)。当然在某些例子中,也可以通过后台绑定标签和商品的关系来指定商品的主标签;但前一个主标签的确认过程更符合用户购物时的视觉规律,尤其是当商品移位、商品重复摆放多个单元货品区或者标签位置偏移时,仍然能够实现电子标签价格显示的自我修正。结合多商品显示的特性,在确保商品价格显示完全的基础上,确保客户能够持续快速获得正确的价格信息。
调取每个货品摆放区对应的商品标签图像,根据货架图像上各个货品摆放区的位置关系拼接调取的商品标签图像,生成电子标签价格牌;其中,除主标签之外的第二摆放区的标签图像根据该第二摆放区在货架图像上的占比面积进行缩放。
生成电子标签价格牌的过程为:针对每个电子标签读取当前采集周期其所包含的货品摆放区编号和每个货品摆放区上的商品类型,根据商品类型调取每个货品摆放区对应的商品标签图像数据;根据每个货品摆放区占据的单元货品区的位置信息生成标签模板,标签模板中包含若干个标签填充框,每个标签填充框对应一个货品摆放区;判断电子标签是否与除主标签之外的第二摆放区相对应,如果有,根据该第二摆放区在货架图像上的占比面积对相应的标签填充框在预设的图像尺寸范围内进行缩放;将调取的商品标签图像数据填充至相应的标签填充框,生成当前采集周期内的电子标签价格牌。
在获取到电子标签和货品摆放区的对应关系后,就可以根据货品摆放区的位置关系实现对商品价格标签的拼接过程。本实施例的电子标签价格牌根据商品的位置关系拼接而成,能够正确引导客户了解商品信息;同时,电子标签价格牌中的商品标签图像与当前视角情况下用户的注意力相关,能够降低用户获取价格信息需要付出的精力,同时减少错判率。
在本实施例中,商品标签图像虽然会缩放,但是仍在人眼视觉合理范围内的缩放,而货架对应的电子标签的尺寸和数量可以结合该货架的商品类型和数量决定。
最后,将拼接后的电子标签价格牌发送至相应的电子标签进行显示。
在本实施例中,设置第二摆放区的目的除了使用户能够完整快速地了解视线范围内所有商品的价格之外,还有另一个重要的意义,就是作为更新结果的校验标准。
目前对价格标签显示结果的校验仍然是通过人工来实现,生鲜区的商品类型众多,促销打折的几率也高,即使是经验丰富的工作人员也难以记清大部分商品的实时价格。如果更新较为频繁,则工作人员的工作量将会呈几何量级增长。对于多商品价格显示的大屏幕价格标签更是如此。为此,本实施例提出,对重复显示的第二摆放区的价格标签图像数据进行一致性验证,实现对整个电子标签显示结果的推估。
参见图4,验证过程包括:在电子标签更新后,调取任意一个第二摆放区对应的若干个电子标签的显示图像数据,通过核对所有调取的显示图像数据中该第二摆放区对应的商品标签图像数据的相似性和缩放尺寸,对本次电子标签更新结果进行推估。具体的,包括以下步骤:
A72,调用前述电子标签对应的原始采集的货架图像数据集合并根据第二摆放区a占据的单元货品区的位置信息,从电子标签的显示图像数据集合中提取得到相应的第二摆放区a的图像数据集合{a(k)};k=1,2,...,K。
A73,判断图像数据集合{a(k)}中的商品标签图像数据是否完整,如果完整,转入步骤A74,否则,输出更新失败结果,结束流程。
A75,根据缩放比例集合对数据图像数据集合{a(k)}中的图像进行缩放,得到缩放后的验证集{b(k)},再判断验证集{b(k)}中的图像尺寸是否一致,如果一致,转入步骤A76,否则,输出更新失败结果,结束流程。
A76,对验证集{b(k)}中的图像与第二摆放区a上相应商品的商品价格标签的相似度进行判断,如果相似度高于预设的相似度阈值,输出更新成功结果,否则,输出更新失败结果。
以四边货台为例,假设位于东面的货台上摆放着若干个商品1,从南边和北边过道也能够观察到部分商品1,该四边货台包括三个电子标签,其中一个电子标签正对东边,对应商品1,而另外两个电子标签分别朝向西南和西北,对应商品2和3。经分析,朝向东的电子标签1为主标签,朝向西南和西北的电子标签2和3为副标签。电子标签1、2和3分别根据商品1在其对应的货架图像上的占比面积以及位置对商品1的商品价格图像进行了处理显示。在电子标签2中,商品1的价格图像较小且偏右显示,在电子标签3中,商品1的价格图像较小且偏左显示。
在验证过程中,分别采集了电子标签1、2和3的完整显示图像,根据电子标签模板从完整显示图像中的设定位置处截取出相应的摆放区价格图像,如果摆放区价格图像不完整,则说明当前电子标签更新失败,且很可能是未接收到更新后的图像数据;否则,通过再次对原始货架图像进行处理,计算得到缩放比例,对截取的摆放区价格图像进行缩放后再比较一致性,同时对原始货架图像的计算结果、缩放比例以及图像数据显示进行验证。此处的原始货架图像是指电子标签更新时的数据依据,而不单指商品上架时的图像,这是为了在商品售卖过程中电子标签更新时的验证工作。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (8)
1.一种最大化销售额的生鲜区电子标签管控方法,用于对分布安装在生鲜区的电子标签的显示内容进行自动管控,其特征在于,所述管控方法包括以下步骤:
S1,构建新鲜度评估模型,该新鲜度评估模型采用若干张呈堆叠状的同类生鲜商品样本图像训练得到;
S2,按照预设采集周期拍摄指定货品摆放区的生鲜商品图像,将生鲜商品图像导入新鲜度评估模型,对生鲜商品的整体新鲜度进行评估;指定货品摆放区的生鲜商品设置有弹性价格,不同新鲜度等级对应不同的价格范围;
S3,以时间为横轴,对自当前时刻起向前统计到的n个采集周期内评估得到的生鲜商品的历史整体新鲜度数据和相应的销售数据进行拟合,得到预设价格调整周期T内的历史整体新鲜度变化曲线X(t)和销售量曲线S(t);
S4,根据预设价格调整周期T对当前价格调整周期内生鲜商品的价格J、历史整体新鲜度变化曲线X(t)和销售量曲线Y(t)进行分析,得到价格J条件下整体新鲜度和销售量的关系函数S[J,X(t)]:
式中:XT是历史时段T开始时的整体新鲜度,F1(t)是由水分流失引起的新鲜度损耗值,F2[Y(t)]是由销售量Y(t)引起的新鲜度损耗值;
S5,将价格J条件下整体新鲜度和销售量的关系函数S[J,X(t)]导入趋势分析模块,查找与下一个价格调整周期T对应的价格范围,对该价格范围内不同价格条件下的整体新鲜度和销售量的变化曲线进行预估,根据下述公式计算得到下个价格调整周期的理想价格J*:
Y*(t)=S[J*,X*(t)]
X*(t)=X0-F1(t)-F2[Y*(t)]
式中:X0是当前时刻的整体新鲜度,X*(t)是预估新鲜度变化曲线,Y*(t)是预估销售量变化曲线。
2.根据权利要求1所述的最大化销售额的生鲜区电子标签管控方法,其特征在于,步骤S1中,所述新鲜度评估模型包括依次连接的特征提取单元、第一特征融合单元、第二特征融合单元、自适应最大池化层、全局平均池化层和全连接层;
所述特征提取单元包括三个卷积模块,对导入的指定货品摆放区的生鲜商品图像进行逐层特征提取;所述第一特征融合单元用于将第二卷积模块和第三卷积模块的输出提取出来,进行不同尺寸的特征融合;所述第二特征融合单元用于将第一特征融合单元的输出与第一卷积模块的输出进行再次特征融合;所述第二特征融合单元融合后的特征分别经自适应最大池化层和全局平均池化层进行自适应最大池化和全局平均池化处理后,提取得到生鲜商品图像全局特征;所述全连接层用于对提取得到的生鲜商品图像全局特征进行分类处理,计算得到该生鲜商品图像全局特征属于每个新鲜度等级的概率,输出当前生鲜商品图像的新鲜度等级。
3.根据权利要求1所述的最大化销售额的生鲜区电子标签管控方法,其特征在于,步骤S4中,根据预设价格调整周期T对当前价格调整周期内生鲜商品的价格J、历史整体新鲜度变化曲线X(t)和销售量曲线Y(t)进行分析,得到价格J条件下整体新鲜度和销售量的关系函数S[J,X(t)]的过程包括以下步骤:
针对不同外界因素条件,采集生鲜商品在价格范围[J-ΔJ,J+ΔJ]内的整体新鲜度变化曲线、销售量曲线,以及整体新鲜度-销售量关系曲线,生成若干组价格J对应的样本数据,构建训练集;ΔJ是预设的该生鲜商品的允许价格误差;
基于神经网络构建关系评估模型,采用训练集对关系评估模型进行训练,直至收敛;
将当前价格调整周期内生鲜商品的价格J、历史整体新鲜度变化曲线X(t)和销售量曲线Y(t)导入关系评估模型,分类得到价格J条件下整体新鲜度和销售量的关系函数S[J,X(t)]。
4.根据权利要求3所述的最大化销售额的生鲜区电子标签管控方法,其特征在于,步骤S5中,将价格J条件下整体新鲜度和销售量的关系函数S[J,X(t)]导入趋势分析模块,查找与当前时刻整体新鲜度X0对应的价格范围,对不同价格条件下的整体新鲜度和销售量的变化趋势进行预估的过程包括以下步骤:
基于注意力机制的GRU网络模型构建得到趋势分析模块,该趋势分析模块的输出是自当前时刻起向前统计到的m个采样周期对应的生鲜商品的历史新鲜度等级数据,输出为自当前时刻起向后统计到的m个采样周期的预估新鲜度等级数据;
根据预估新鲜度等级数据查找得到相应的价格范围;
调用关系评估模型对该价格范围内的不同价格条件下的整体新鲜度和销售量的变化曲线进行预估。
5.根据权利要求1-4任一项中所述的最大化销售额的生鲜区电子标签管控方法,其特征在于,所述管控方法还包括以下步骤:
A1,生成电子标签与单元货品区的对应关系;
A2,定期拍摄以每个电子标签对应的单元货品区为中心的预设视野范围内的该单元货品区所属的货架图像;
A3,以单元货品区为单位,对货架图像进行初步划分,对相邻单元货品区的图像进行相似度判断,将相似度高于相似度阈值的相邻单元货品区视为同一个货品摆放区,初步整合货架图像上的单元货品区,生成若干个货品摆放区,对每个货品摆放区进行标识;再调用商品识别模型对每个货品摆放区的商品类型进行识别;
A4,根据货品摆放区出现频次,将只对应一个电子标签的货品摆放区定义为第一摆放区,将剩余货品摆放区定义为第二摆放区,根据图像占比面积确定每个第二摆放区的主标签;
A5,调取每个货品摆放区对应的商品标签图像,根据货架图像上各个货品摆放区的位置关系拼接调取的商品标签图像,生成电子标签价格牌;其中,除主标签之外的第二摆放区的标签图像根据该第二摆放区在货架图像上的占比面积进行缩放;
A6,将生成的电子标签价格牌发送至相应的电子标签进行显示。
6.根据权利要求5所述的最大化销售额的生鲜区电子标签管控方法,其特征在于,步骤A4中,当其中一个货品摆放区包含两种以上的商品时,将其所包含的商品类型与邻近货品摆放区的商品类型进行匹配,如果全部商品类型匹配成功,清除该货品摆放区,否则,根据匹配不成功的商品类型生成相应的货品摆放区;邻近货品摆放区是指同属于一个电子标签显示覆盖范围内的货品摆放区。
7.根据权利要求5所述的最大化销售额的生鲜区电子标签管控方法,其特征在于,步骤A5中,生成电子标签价格牌的过程包括以下步骤:
A51,针对每个电子标签读取当前验证周期其所包含的货品摆放区编号和每个货品摆放区上的商品类型,根据商品类型调取每个货品摆放区对应的商品标签图像数据;
A52,根据每个货品摆放区占据的单元货品区的位置信息生成标签模板,标签模板中包含若干个标签填充框,每个标签填充框对应一个货品摆放区;
A53,判断电子标签是否与除主标签之外的第二摆放区相对应,如果存在前述对应关系,调用缩放组件根据该第二摆放区在货架图像上的占比面积对相应的标签填充框在预设的图像尺寸范围内进行缩放;
A54,将调取的商品标签图像数据填充至相应的标签填充框,生成当前采集周期内的电子标签价格牌。
8.根据权利要求5所述的最大化销售额的生鲜区电子标签管控方法,其特征在于,所述管控方法还包括以下步骤:
在电子标签更新后,调取任意一个第二摆放区对应的若干个电子标签的显示图像数据,通过核对所有调取的显示图像数据中该第二摆放区对应的商品标签图像数据的相似性和缩放尺寸,对本次电子标签更新结果进行推估。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111607502.7A CN114282818A (zh) | 2021-12-24 | 2021-12-24 | 一种最大化销售额的生鲜区电子标签管控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111607502.7A CN114282818A (zh) | 2021-12-24 | 2021-12-24 | 一种最大化销售额的生鲜区电子标签管控方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114282818A true CN114282818A (zh) | 2022-04-05 |
Family
ID=80875704
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111607502.7A Pending CN114282818A (zh) | 2021-12-24 | 2021-12-24 | 一种最大化销售额的生鲜区电子标签管控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114282818A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116596575A (zh) * | 2023-07-17 | 2023-08-15 | 华夏技术(临沂)有限公司 | 一种基于人工智能的生鲜产品收银控制系统 |
-
2021
- 2021-12-24 CN CN202111607502.7A patent/CN114282818A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116596575A (zh) * | 2023-07-17 | 2023-08-15 | 华夏技术(临沂)有限公司 | 一种基于人工智能的生鲜产品收银控制系统 |
CN116596575B (zh) * | 2023-07-17 | 2023-10-10 | 华夏技术(临沂)有限公司 | 一种基于人工智能的生鲜产品收银控制系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109300263B (zh) | 基于卷积神经网络的图像识别技术的结算方法和装置 | |
CN108922026B (zh) | 一种自动售货机的补货管理方法、装置和用户终端 | |
CN104732413B (zh) | 一种智能个性化视频广告推送方法及系统 | |
CN108537166B (zh) | 确定货架浏览量以及分析浏览量的方法和装置 | |
CN114282816A (zh) | 一种生鲜区大屏幕电子标签自动管理系统 | |
CN111340126B (zh) | 物品识别方法、装置、计算机设备和存储介质 | |
CN109726759B (zh) | 无人售货方法、装置、系统、电子设备及计算机可读介质 | |
CN110489457B (zh) | 基于图像识别的商品信息分析方法、系统及存储介质 | |
CN111222389B (zh) | 商超货架上商品的分析方法和系统 | |
CN108629318B (zh) | 一种基于图像识别技术的货架陈列识别方法、装置和系统 | |
US11748787B2 (en) | Analysis method and system for the item on the supermarket shelf | |
CN114997956B (zh) | 基于大数据的母婴产品智能推荐系统 | |
CN114282818A (zh) | 一种最大化销售额的生鲜区电子标签管控方法 | |
CN111222388B (zh) | 基于视觉识别的结算方法和系统 | |
CN113139768B (zh) | 一种基于无人售货机的缺货监测方法 | |
CN110826481A (zh) | 数据处理方法、商品识别方法、服务器和存储介质 | |
CN115761457A (zh) | 商品识别方法、装置、电子设备及计算机可读介质 | |
CN109858448A (zh) | 一种零售场景下的物品识别方法及设备 | |
Kumari et al. | CertiMart: Use Computer Vision to Digitize and Automate Supermarket with Fruit Quality Measuring and Maintaining | |
US11727470B2 (en) | Optical scanning for weights and measures | |
CN114582067B (zh) | 一种基于图像识别技术的大数据分类统计方法 | |
CN116645375B (zh) | 一种基于三维重建算法的卷烟零售商户库存盘点方法 | |
CN112270562B (zh) | 一种用于农产品商超的农产品自动调价结算方法及系统 | |
CN116310528A (zh) | 基于yolox的展柜饮料陈列检测方法 | |
CN114185912A (zh) | 一种具有校验功能的商超大屏幕电子标签自动更新方法 |
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 |