CN114511822A - 一种根据监控画面预测销售额的日用杂品销售系统 - Google Patents

一种根据监控画面预测销售额的日用杂品销售系统 Download PDF

Info

Publication number
CN114511822A
CN114511822A CN202210407618.4A CN202210407618A CN114511822A CN 114511822 A CN114511822 A CN 114511822A CN 202210407618 A CN202210407618 A CN 202210407618A CN 114511822 A CN114511822 A CN 114511822A
Authority
CN
China
Prior art keywords
data
module
sales
daily
image
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
CN202210407618.4A
Other languages
English (en)
Other versions
CN114511822B (zh
Inventor
李国权
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.)
Guangzhou Fanglian Technology Co ltd
Original Assignee
Guangzhou Fanglian 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 Fanglian Technology Co ltd filed Critical Guangzhou Fanglian Technology Co ltd
Priority to CN202210407618.4A priority Critical patent/CN114511822B/zh
Publication of CN114511822A publication Critical patent/CN114511822A/zh
Application granted granted Critical
Publication of CN114511822B publication Critical patent/CN114511822B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • 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
    • G06Q30/0202—Market predictions or forecasting for commercial activities

Abstract

本发明公开一种根据监控画面预测销售额的日用杂品销售系统，包括主控模块和分别与所述主控模块连接的监控装置、图像处理模块、分类模块、评估模块、数据存储模块、数据显示模块和数据通信接口，其中所述主控模块为日用杂品销售管理中心；所述数据存储模块为日用杂品销售信息存储硬件或者云存储模块，所述数据显示模块为显示日用杂品销售数据信息的可视化硬件，所述数据通信接口为兼容远程数据信息无线信息通信的接口。本发明能够自动化提取销售监控画面，对不同日用杂品按照一定的数据属性进行分类，进而对销售额进行预测。

Description

一种根据监控画面预测销售额的日用杂品销售系统
技术领域
本发明涉及图像数据处理领域，且更确切地涉及一种根据监控画面进行预测销售额的日用杂品销售系统。
背景技术
图像数据处理是利用图像数据去噪、图形分割、图像数据增强等手段根据需求对图像数据进行处理的技术。图像数据处理技术基本可以分成两大类：模拟图像处理（AnalogImage Processing）和数字图像处理（Digital Image Processing）。近年来，图像处理技术日趋成熟，逐步被多种行业广泛应用，日用杂品通常包括炊事用具、炉灶用其、夏底品、清洁卫生用品、日用陶瓷器皿、土纸、鞭炮及竹、木、棕、藤、荆、柳、草制品等。这些物品在销售时种类繁多，一些用品不分时间季节，是常年销售的商品，一些用品是生活用品，还有一些用品是根据用户需求进行，由于这些数据信息参差不齐，在预测销售额时很容易出现预测结果不准确、预测精度低下等问题。
发明内容
针对上述技术的不足，本发明公开一种根据监控画面预测销售额的日用杂品销售系统，能够自动化提取销售监控画面，对不同日用杂品按照一定的数据属性进行分类，进而对销售额进行预测。
为了实现上述技术效果，本发明采用以下技术方案：
一种根据监控画面预测销售额的日用杂品销售系统，包括主控模块和分别与所述主控模块连接的监控装置、图像处理模块、分类模块、评估模块、数据存储模块、数据显示模块和数据通信接口，其中所述主控模块为日用杂品销售管理中心；所述数据存储模块为日用杂品销售信息存储硬件或者云存储模块，所述数据显示模块为显示日用杂品销售数据信息的可视化硬件，所述数据通信接口为兼容远程数据信息无线信息通信的接口；
所述监控装置包括处理器模块和分别与所述处理器模块连接的图像采集模块、A/D转换模块、数据获取总线、图像采集驱动模块和处理器加速器，其中所述图像采集模块的输出端与所述A/D转换模块的输入端连接，其中所述处理器模块为基于FPGA处理器的处理模块和ARM处理器的处理模块，FPGA处理器为基于EP4CE10F17C8芯片的处理模块，所述ARM处理器为基于CortexM3的STM32F103VE型号ARM处理器，并且所述FPGA处理器与ARM处理器通信连接；处理器加速器为基于图像采集的矢量化加速运算层次结构实现日用杂品销售图像采集的加速；
所述图像处理模块包括图像分割单元、目标图像提取单元、目标图像识别单元和特征匹配目标计算单元，其中所述图像分割单元的输出端与目标图像提取单元的输入端连接，所述目标图像提取单元的输出端与目标图像识别单元的输入端连接，所述目标图像识别单元的输出端与所述特征匹配目标计算单元的输入端连接；
所述分类模块包括基于C5.0决策树模型的分类器；
所述评估模块包括基于GA-BP神经网络模型的评估模块；
在上述实施例中，所述处理器加速器实现数据处理加速的方法是：
通过构建矢量化加速运算层次结构，将日用杂品融入矢量化加速运算层次结构，通过扫描字符数量，将输入的字符进行快速扫描，以最为原始的地址访问输入到矢量加速结构中，进而通过不同层次求解，将图像采集结果与图像计算进行匹配，进而提高图像采集模块的速度加速。
在本发明中，目标图像提取单元为基于图像归一化后的字符进行信息提取的模块。
在本发明中，目标图像识别单元为基于SPCA563B芯片的图像识别单元。
在本发明中，特征匹配目标计算单元是采用利用目标的局部模板在当前帧进行匹配获取目标候选区域，利用改进的距离加权彩色直方图计算候选区域与局部模板的相似度，结合直方图的相似度和卡尔曼预测确定目标的位置。
在上述实施例中，所述图像处理模块对日用杂品销售信息提取的方法是：
步骤1、通过图像分割单元将图像中具有不同类型的日用杂货数据信息按照不同的属性进行区域划分；
步骤2、通过目标图像提取单元对监控画面中的不同日用杂货数据信息进行信息提取；
步骤3、通过目标图像识别单元对目标图像提取单元提取的数据信息进行目标识别；
步骤4、通过特征匹配目标计算单元对目标图像识别单元识别出的数据信息进行匹配；在本步骤中，通过SAD运算子模块将16*16窗生成的子模块生成的目标模板与候选目标内的像素点按公式进行匹配运算；在进行匹配时首先选取模板图像，然后在图像区域中的所有的未知物体进行SAD运算，扫描整幅图像寻找SAD值最小的点，将SAD最小值的点所在的领域作为所寻找的目标物体。
在上述实施例中，所述C5.0决策树模型实现分类的方法为：
日用杂品数据信息集合为
Figure 452968DEST_PATH_IMAGE001
，销售额预测信息记作为
Figure 355065DEST_PATH_IMAGE002
，则：
Figure 976671DEST_PATH_IMAGE003
(1)
在公式(1)中，
Figure 93880DEST_PATH_IMAGE004
为日用杂品在进行销售额评估时，
Figure 685398DEST_PATH_IMAGE004
在进行数据接收时，数据发送端子在发出预测数据
Figure 973160DEST_PATH_IMAGE005
的同时，并同时接收到数据
Figure 172191DEST_PATH_IMAGE005
时的概率数，其中m表示日用杂品数据信息的个数，n表示销售额预测信息的个数，该数据通过概率表示为：
Figure 951928DEST_PATH_IMAGE006
（2）
通过计算数据发送端子和数据接收端子之间的数据信息，被评估的数据集信息情况。
在上述实施例中，所述GA-BP神经网络模型实现销售额度数据信息评估的方法包括以下步骤：
（1）设置BP网络结构模型，所述BP网络结构模型包括输入层、隐含层和输出层，每个不同的层次之间的神经元都采用了全连接的形式，BP网络对数据信号处理的整体过程如下：日用杂货销售额数据信息预测所需要的相关数据信息通过输入层进入BP网络中，在BP网络内部由隐含层对输入的相关数据信息进行处理计算，最终输出的数据值会与预设值进行对比；
（2）BP网络结构模型计算，BP网络输出的数据与预设的数据值之间的误差E(n)满足：
Figure 143875DEST_PATH_IMAGE007
（3）
式（3）中，
Figure 36876DEST_PATH_IMAGE008
和
Figure 859339DEST_PATH_IMAGE009
分别代表经BP网络处理后的输出值与预设的数据值；
(3)误差诊断，当输出的误差的值大于用户事先预设的阈值，系统就会将最终输出的值按照输出层、隐含层、输入层的顺序进行反向传播，此时需要更新阈值，BP网络会依据误差由公式将权值更新，更新公式为：
Figure 923110DEST_PATH_IMAGE010
Figure DEST_PATH_IMAGE012AAA
Figure DEST_PATH_IMAGE014_8A
（4）
式（4）中，
Figure DEST_PATH_IMAGE016_7A
是输入层到隐含层的数据权值，
Figure DEST_PATH_IMAGE018_8A
是隐含层到输出层的数据权值；
Figure 748108DEST_PATH_IMAGE010
表示在隐层
Figure 761195DEST_PATH_IMAGE019
个点的情况下的隐含层参数，
Figure DEST_PATH_IMAGE021AAA
表示在隐层
Figure 895504DEST_PATH_IMAGE022
个点时隐含层参数的权重，
Figure 446571DEST_PATH_IMAGE023
表示在隐层
Figure 652425DEST_PATH_IMAGE024
个点的情况下的隐含层参数，融入GA模型以提高诊断精度，根据BP网络输出值与预设值的误差来确定适应函数，适应函数SE的公式为：
Figure 785597DEST_PATH_IMAGE025
（5）
式（5）中，
Figure 684283DEST_PATH_IMAGE026
表示训练日用杂货数据信息样本的总体数量，
Figure 457067DEST_PATH_IMAGE027
表示训练日用杂货数据信息样本的总体数量中的某一项样本数量，
Figure 341977DEST_PATH_IMAGE028
代表输出层拥有的节点数量，
Figure 719869DEST_PATH_IMAGE029
代表日用杂货数据信息样本个体在训练样本下的输出值，
Figure 851773DEST_PATH_IMAGE030
代表日用杂货数据信息样本预测销售额真实输出值；
Figure 190481DEST_PATH_IMAGE027
表示训练样本时的日用杂货数据信息个数，
Figure 738137DEST_PATH_IMAGE031
表示在数据训练样本为
Figure 32853DEST_PATH_IMAGE027
时的BP网络数据信息输出值；
Figure 883128DEST_PATH_IMAGE032
表示适应函数SE的影响因子，通过公式（6）表示：
Figure 833767DEST_PATH_IMAGE033
（6）
式（6）中，SE表示适应函数；
式（5）迭代计算，设置迭代次数为100次；并不断地循环计算；
式（6）日用杂品销售额评估输出。
本发明公开一种根据监控画面预测销售额的日用杂品销售系统，包括主控模块和分别与所述主控模块连接的监控装置、图像处理模块、分类模块、评估模块、数据存储模块、数据显示模块和数据通信接口，能够自动化提取销售监控画面，对不同日用杂品按照一定的数据属性进行分类，进而对销售额进行预测，提高日用杂货的数据分类能力。
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简单地介绍，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性的前提下，还可以根据这些附图获得其他的附图，其中：
图1为本发明的总体架构示意图；
图2为本发明中监控装置原理结构示意图；
图3为本发明中处理器加速器工作原理示意图
图4为本发明中图像处理模块的结构示意图；
图5为本发明中图像处理模块工作方法示意图；
图6为本发明中评估模块工作结构示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的实施例仅用于说明和解释本发明，并不用于限定本发明。
如图1-图6所示，一种根据监控画面预测销售额的日用杂品销售系统，包括主控模块和分别与所述主控模块连接的监控装置、图像处理模块、分类模块、评估模块、数据存储模块、数据显示模块和数据通信接口，其中所述主控模块为日用杂品销售管理中心；所述数据存储模块为日用杂品销售信息存储硬件或者云存储模块，所述数据显示模块为显示日用杂品销售数据信息的可视化硬件，所述数据通信接口为兼容远程数据信息无线信息通信的接口；
所述监控装置包括处理器模块和分别与所述处理器模块连接的图像采集模块、A/D转换模块、数据获取总线、图像采集驱动模块和处理器加速器，其中所述图像采集模块的输出端与所述A/D转换模块的输入端连接，其中所述处理器模块为基于FPGA处理器的处理模块和ARM处理器的处理模块，FPGA处理器为基于EP4CE10F17C8芯片的处理模块，所述ARM处理器为基于CortexM3的STM32F103VE型号ARM处理器，并且所述FPGA处理器与ARM处理器通信连接；处理器加速器为基于图像采集的矢量化加速运算层次结构实现日用杂品销售图像采集的加速；
所述图像处理模块包括图像分割单元、目标图像提取单元、目标图像识别单元和特征匹配目标计算单元，其中所述图像分割单元的输出端与目标图像提取单元的输入端连接，所述目标图像提取单元的输出端与目标图像识别单元的输入端连接，所述目标图像识别单元的输出端与所述特征匹配目标计算单元的输入端连接；
所述分类模块包括基于C5.0决策树模型的分类器；
所述评估模块包括基于GA-BP神经网络模型的评估模块；
在上述实施例中，所述处理器加速器实现数据处理加速的方法是：
通过构建矢量化加速运算层次结构，将日用杂品融入矢量化加速运算层次结构，通过扫描字符数量，将输入的字符进行快速扫描，以最为原始的地址访问输入到矢量加速结构中，进而通过不同层次求解，将图像采集结果与图像计算进行匹配，进而提高图像采集模块的速度加速。
在具体实施例中，通过构建设立矢量加速匹配架构，对系统提取的具有采集监控销售额画面特征数据进行匹配。将画面监控端与所要匹配的采集图像连接，通过参考最佳安全匹配进行划分层次，即炊事用具、炉灶用品、土纸和草制品等不同的数据信息通过字符提取，将采集的图像信息，按不同层次通过求解分析出图像过程，进而进行矢量加速匹配，提高采集效率，在另一种实施例中，通过使用超高速FPGA处理器的处理模块和ARM处理器的处理模块的方式实现提高图像信息采集能力。
在上述实施例中，系统采用FPGA+ARM的系统构架，能够实现图像数据信息的快速处理，其中系统的前端即FPGA之上的系统主要完成外部芯片驱动以及数据流的采集和缓存功能，FPGA提供CCD、AD芯片正常工作所需的驱动时序。线阵CCD在FPGA的驱动脉冲控制下进行自扫描，每个像素点将进行光电转换将光信号转换为电信号，并通过移位寄存器输出，线阵CCD的输出信号包含暗电流信号、直流分量信号以及各类噪声信号，为了取得良好的信噪比需要在CCD输出的后端接一级信号调理放大电路并配合AD芯片，AD芯片在FPGA产生的采样时钟的控制下将CCD的模拟信号转成相应的数字信号，并通过FPGA进行采集。ARM与FPGA数据的交互主要通过ARM总线接口控制器完成，ARM通过对对应地址的读写操作完成采集系统的配置以及数据的采集工作。ARM微处理器采用意法半导体的STM32f103系列芯片，其内核基于CortexM3，具有72 MHz的主频，存储容量包括512 kbit的Flash以及64 kbit的RAM，外设方面包括UART、SPI、USB等常用通信接口，可以方便的实现外部各类通信方式，同时该系列芯片具有静态存储器控制器（FSMC）可外接片外存储器芯片，在本系统中，通过将FPGA连接至该控制器，实现ARM与FPGA的数据交互。
在上述实施例中，图像分割单元可将图像中具有不同类型的图像单元（比如，字符、日用杂货数据信息等）等不同的区域分开来，该单元能够对不连续性和相似性的特性进行分割。不连续性是基于监控画面的不连续变化而进行图像的边缘分割。相似性的特性分割可以根据事先定制的准则将图像分割为相似的区域，比如门图像处理、字符处理、区域分离和聚合等，在监控画面检测中，对系统的实时性的要求较高，要求分割处理的速度尽量快一些。
在本发明中，目标图像提取单元为基于图像归一化后的字符进行信息提取的模块。
目标图像提取单元能够对视频序列中检测新到的目标及运动区域，然后对新检测的目标进行特征提取，预测的目标在下一刻可能运动的位置，确定目标在下一刻的搜索范围，在预测搜索范围内，用前一时刻的特征信息进行匹配搜索，寻找最佳匹配位置，当在预测范围内未找到目标时需要进行例外处理。本发明利用匹配的目标图像，重新修正被跟踪目标的特征数据，如此反复，就可以跟踪到这个目标的运动轨迹。该单元能够找到具有比较好的有效性的特征，再运动合理的特征匹配算法，跟踪的实时性可以得到保证。
在本发明中，目标图像识别单元为基于SPCA563B芯片的图像识别单元。
在上述实施例中，能够对目标图像提取单元提取的图像进行识别，对图像进行处理、分析，该单元具有图片识别与处理能力，其提供320*240的8位CMOS图像传感器接口，具有自动白平衡和获得参数控制功能，具有图像颜色校正和图像Gamma校正功能，同时也具有良好的减少噪声的滤波器。
在本发明中，特征匹配目标计算单元是采用利用目标的局部模板在当前帧进行匹配获取目标候选区域，利用改进的距离加权彩色直方图计算候选区域与局部模板的相似度，结合直方图的相似度和卡尔曼预测确定目标的位置。
在具体实施例中，在进行特征匹配时，首选要判断目标的运动状态，比如，新的行车目标的出现、旧的行车目标的消失、目标匹配、目标分裂以及目标之间的相互遮挡，在该实施例中，利用目标的运动特征建立数据关联矩阵判断目标的运动状态，然后对各状态分别进行针对性的处理。
在上述实施例中，所述图像处理模块对日用杂品销售信息提取的方法是：
步骤1、通过图像分割单元将图像中具有不同类型的日用杂货数据信息按照不同的属性进行区域划分；
步骤2、通过目标图像提取单元对监控画面中的不同日用杂货数据信息进行信息提取；
步骤3、通过目标图像识别单元对目标图像提取单元提取的数据信息进行目标识别；
步骤4、通过特征匹配目标计算单元对目标图像识别单元识别出的数据信息进行匹配；在本步骤中，通过SAD运算子模块将16*16窗生成的子模块生成的目标模板与候选目标内的像素点按公式进行匹配运算；在进行匹配时首先选取模板图像，然后在图像区域中的所有的未知物体进行SAD运算，扫描整幅图像寻找SAD值最小的点，将SAD最小值的点所在的领域作为所寻找的目标物体。
在具体实施例中，将电路分成四级，在每一级设置寄存器组用于存放中间数据，以减少逻辑运算的延时，以提高系统运行速度，也提供了匹配跟踪的准确度，使得系统的图像处理单元有更快的处理速度和更高的实时性。
在上述实施例中，所述C5.0决策树模型实现分类的方法为：
日用杂品数据信息集合为
Figure 513010DEST_PATH_IMAGE001
，销售额预测信息记作为
Figure 209701DEST_PATH_IMAGE002
，则：
Figure 886670DEST_PATH_IMAGE034
(1)
在公式(1)中，
Figure 918080DEST_PATH_IMAGE004
为日用杂品在进行销售额评估时，
Figure 886167DEST_PATH_IMAGE004
在进行数据接收时，数据发送端子在发出预测数据
Figure 827578DEST_PATH_IMAGE005
的同时，并同时接收到数据
Figure 534503DEST_PATH_IMAGE005
时的概率数，其中m表示日用杂品数据信息的个数，n表示销售额预测信息的个数，该数据通过概率表示为：
Figure 7204DEST_PATH_IMAGE006
（2）
通过计算数据发送端子和数据接收端子之间的数据信息，被评估的数据集信息情况。
为了提高模型的计算精度，在应用C5.0决策树分类模型C5.0决策树分类模型时，对决策树进行减枝，假设C5.0决策树分类模型中的存在
Figure 965933DEST_PATH_IMAGE035
个节点，一共有
Figure 89747DEST_PATH_IMAGE036
个日用杂品评估数据样本，
Figure 718305DEST_PATH_IMAGE037
表示在进行数据传递过程中的错误估计数，则误差率为：
Figure 865253DEST_PATH_IMAGE038
(3)
在公式（3）存在的情况下，决策树节点
Figure 424410DEST_PATH_IMAGE039
在置信度为
Figure 204061DEST_PATH_IMAGE040
情况下的准确度误差
Figure 128155DEST_PATH_IMAGE041
表示为：
Figure 824715DEST_PATH_IMAGE042
（4）
在公式（4）中，构建出的C5.0决策树分类模型中的每个节点存在的准确误差
Figure 613DEST_PATH_IMAGE041
具有的上限为：
Figure 833440DEST_PATH_IMAGE043
（5）
在所有的日用杂品评估输出的评估数据进行误差计算后，为了提高数据计算的精度，还需要对不同的叶子节点进行二次加权计算，则存在以下关系式：
Figure 272642DEST_PATH_IMAGE044
（6）
其中
Figure 128603DEST_PATH_IMAGE045
，则
Figure 91880DEST_PATH_IMAGE046
为C5.0决策树分类模型中第
Figure 795525DEST_PATH_IMAGE039
个节点在所有C5.0决策树分类模型中节点的占比，
Figure 327000DEST_PATH_IMAGE047
表示C5.0决策树分类模型中根节点的误差估计值，当分节点的加权误差估计值大于根节点时，则表示在修剪C5.0决策树分类模型时，达到了最佳值。通过这种方法实现诸如炊事用具、炉灶用其、夏底品、清洁卫生用品、日用陶瓷器皿、土纸、鞭炮及竹、木、棕、藤、荆、柳、草制品等不同数据的输出。
在上述实施例中，所述GA-BP神经网络模型实现销售额度数据信息评估的方法包括以下步骤：
（1）设置BP网络结构模型，所述BP网络结构模型包括输入层、隐含层和输出层，每个不同的层次之间的神经元都采用了全连接的形式，BP网络对数据信号处理的整体过程如下：日用杂货销售额数据信息预测所需要的相关数据信息通过输入层进入BP网络中，在BP网络内部由隐含层对输入的相关数据信息进行处理计算，最终输出的数据值会与预设值进行对比；
（2）BP网络结构模型计算，BP网络输出的数据与预设的数据值之间的误差E(n)满足：
Figure 732574DEST_PATH_IMAGE048
（7）
式（7）中，
Figure 515853DEST_PATH_IMAGE049
和
Figure 995376DEST_PATH_IMAGE050
分别代表经BP网络处理后的输出值与预设的数据值；
(3)误差诊断，当输出的误差的值大于用户事先预设的阈值，系统就会将最终输出的值按照输出层、隐含层、输入层的顺序进行反向传播，此时需要更新阈值，BP网络会依据误差由公式将权值更新，更新公式为：
Figure 25649DEST_PATH_IMAGE010
Figure DEST_PATH_IMAGE012AAAA
Figure DEST_PATH_IMAGE014_9A
（8）
式（8）中，
Figure DEST_PATH_IMAGE051A
是输入层到隐含层的数据权值，
Figure DEST_PATH_IMAGE052AA
是隐含层到输出层的数据权值；
Figure 233033DEST_PATH_IMAGE010
表示在隐层
Figure 85582DEST_PATH_IMAGE053
个点的情况下的隐含层参数，
Figure DEST_PATH_IMAGE054A
表示在隐层
Figure 826136DEST_PATH_IMAGE055
个点时隐含层参数的权重，
Figure 778043DEST_PATH_IMAGE023
表示在隐层
Figure 423788DEST_PATH_IMAGE024
个点的情况下的隐含层参数，融入GA模型以提高诊断精度，根据BP网络输出值与预设值的误差来确定适应函数，适应函数SE的公式为：
Figure 220973DEST_PATH_IMAGE056
（9）
式（9）中，
Figure 268564DEST_PATH_IMAGE026
表示训练日用杂货数据信息样本的总体数量，
Figure 188110DEST_PATH_IMAGE027
表示训练日用杂货数据信息样本的总体数量中的某一项样本数量，
Figure 55571DEST_PATH_IMAGE057
代表输出层拥有的节点数量，
Figure 843399DEST_PATH_IMAGE058
代表日用杂货数据信息样本个体在训练样本下的输出值，
Figure 230649DEST_PATH_IMAGE059
代表日用杂货数据信息样本预测销售额真实输出值；
Figure 304784DEST_PATH_IMAGE027
表示训练样本时的日用杂货数据信息个数，
Figure 331646DEST_PATH_IMAGE060
表示在数据训练样本为
Figure 747932DEST_PATH_IMAGE027
时的BP网络数据信息输出值；
Figure 301274DEST_PATH_IMAGE032
表示适应函数SE的影响因子，通过公式（10）表示：
Figure DEST_PATH_IMAGE061
（10）
式（10）中，SE表示适应函数；
式（9）迭代计算，设置迭代次数为100次；并不断地循环计算；
在每一次的迭代过程中，通过适应度函数最终计算得到的值的大小，对集群当中的样本个体进行排序，并通过交叉和变异的操作生成新的日用杂品销售额数据种群；遗传算法（Genetic Algorithm，GA）对BP网络进行优化。
式（10）日用杂品销售额评估输出。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些具体实施方式仅是举例说明，本领域的技术人员在不脱离本发明的原理和实质的情况下，可以对上述方法和系统的细节进行各种省略、替换和改变。例如，合并上述方法步骤，从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此，本发明的范围仅由所附权利要求书限定。

Claims (8)

1.一种根据监控画面预测销售额的日用杂品销售系统，其特征在于：包括主控模块和分别与所述主控模块连接的监控装置、图像处理模块、分类模块、评估模块、数据存储模块、数据显示模块和数据通信接口，其中所述主控模块为日用杂品销售管理中心；所述数据存储模块为日用杂品销售信息存储硬件或者云存储模块，所述数据显示模块为显示日用杂品销售数据信息的可视化硬件，所述数据通信接口为兼容远程数据信息无线信息通信的接口；
所述监控装置包括处理器模块和分别与所述处理器模块连接的图像采集模块、A/D转换模块、数据获取总线、图像采集驱动模块和处理器加速器，其中所述图像采集模块的输出端与所述A/D转换模块的输入端连接，其中所述处理器模块为基于FPGA处理器的处理模块和ARM处理器的处理模块，FPGA处理器为基于EP4CE10F17C8芯片的处理模块，所述ARM处理器为基于CortexM3的STM32F103VE型号ARM处理器，并且所述FPGA处理器与ARM处理器通信连接；处理器加速器为基于图像采集的矢量化加速运算层次结构实现日用杂品销售图像采集的加速；
所述图像处理模块包括图像分割单元、目标图像提取单元、目标图像识别单元和特征匹配目标计算单元，其中所述图像分割单元的输出端与目标图像提取单元的输入端连接，所述目标图像提取单元的输出端与目标图像识别单元的输入端连接，所述目标图像识别单元的输出端与所述特征匹配目标计算单元的输入端连接；
所述分类模块包括基于C5.0决策树模型的分类器；
所述评估模块包括基于GA-BP神经网络模型的评估模块。
2.根据权利要求1所述的一种根据监控画面预测销售额的日用杂品销售系统，其特征在于：所述处理器加速器实现数据处理加速的方法是：
通过构建矢量化加速运算层次结构，将日用杂品融入矢量化加速运算层次结构，通过扫描字符数量，将输入的字符进行快速扫描，以最为原始的地址访问输入到矢量加速结构中，进而通过不同层次求解，将图像采集结果与图像计算进行匹配，进而提高图像采集模块的速度加速。
3.根据权利要求1所述的一种根据监控画面预测销售额的日用杂品销售系统，其特征在于：所述目标图像提取单元为基于图像归一化后的字符进行信息提取的模块。
4.根据权利要求1所述的一种根据监控画面预测销售额的日用杂品销售系统，其特征在于：所述目标图像识别单元为基于SPCA563B芯片的图像识别单元。
5.根据权利要求1所述的一种根据监控画面预测销售额的日用杂品销售系统，其特征在于：所述特征匹配目标计算单元是采用利用目标的局部模板在当前帧进行匹配获取目标候选区域，利用改进的距离加权彩色直方图计算候选区域与局部模板的相似度，结合直方图的相似度和卡尔曼预测确定目标的位置。
6.根据权利要求1所述的一种根据监控画面预测销售额的日用杂品销售系统，其特征在于：所述图像处理模块对日用杂品销售信息提取的方法是：
步骤1、通过图像分割单元将图像中具有不同类型的日用杂货数据信息按照不同的属性进行区域划分；
步骤2、通过目标图像提取单元对监控画面中的不同日用杂货数据信息进行信息提取；
步骤3、通过目标图像识别单元对目标图像提取单元提取的数据信息进行目标识别；
步骤4、通过特征匹配目标计算单元对目标图像识别单元识别出的数据信息进行匹配；在本步骤中，通过SAD运算子模块将16*16窗生成的子模块生成的目标模板与候选目标内的像素点按公式进行匹配运算；在进行匹配时首先选取模板图像，然后在图像区域中的所有的未知物体进行SAD运算，扫描整幅图像寻找SAD值最小的点，将SAD最小值的点所在的领域作为所寻找的目标物体。
7.根据权利要求1所述的一种根据监控画面预测销售额的日用杂品销售系统，其特征在于：所述C5.0决策树模型实现分类的方法为：
日用杂品数据信息集合为
Figure 402750DEST_PATH_IMAGE001
，销售额预测信息记作为
Figure 406478DEST_PATH_IMAGE002
，则：
Figure 847824DEST_PATH_IMAGE003
(1)
在公式(1)中，
Figure 789366DEST_PATH_IMAGE004
为日用杂品在进行销售额评估时，
Figure 341570DEST_PATH_IMAGE004
在进行数据接收时，数据发送端子在发出预测数据
Figure 668646DEST_PATH_IMAGE005
的同时，并同时接收到数据
Figure 31625DEST_PATH_IMAGE005
时的概率数，其中m表示日用杂品数据信息的个数，n表示销售额预测信息的个数，该数据通过概率表示为：
Figure 975311DEST_PATH_IMAGE006
（2）
通过计算数据发送端子和数据接收端子之间的数据信息，被评估的数据集信息情况。
8.根据权利要求1所述的一种根据监控画面预测销售额的日用杂品销售系统，其特征在于：所述GA-BP神经网络模型实现销售额度数据信息评估的方法包括以下步骤：
（1）设置BP网络结构模型，所述BP网络结构模型包括输入层、隐含层和输出层，每个不同的层次之间的神经元都采用了全连接的形式，BP网络对数据信号处理的整体过程如下：日用杂货销售额数据信息预测所需要的相关数据信息通过输入层进入BP网络中，在BP网络内部由隐含层对输入的相关数据信息进行处理计算，最终输出的数据值会与预设值进行对比；
（2）BP网络结构模型计算，BP网络输出的数据与预设的数据值之间的误差E(n)满足：
Figure 268889DEST_PATH_IMAGE007
（3）
式（3）中，
Figure 732362DEST_PATH_IMAGE008
和
Figure 249931DEST_PATH_IMAGE009
分别代表经BP网络处理后的输出值与预设的数据值；
(3)误差诊断，当输出的误差的值大于用户事先预设的阈值，系统就会将最终输出的值按照输出层、隐含层、输入层的顺序进行反向传播，此时需要更新阈值，BP网络会依据误差由公式将权值更新，更新公式为：
Figure 415333DEST_PATH_IMAGE010
Figure 60072DEST_PATH_IMAGE011
Figure 627320DEST_PATH_IMAGE012
（4）
式（4）中，
Figure 66523DEST_PATH_IMAGE013
是输入层到隐含层的数据权值，
Figure 984800DEST_PATH_IMAGE014
是隐含层到输出层的数据权值；
Figure 620181DEST_PATH_IMAGE015
表示在隐层
Figure 601124DEST_PATH_IMAGE016
个点的情况下的隐含层参数，
Figure DEST_PATH_IMAGE018AAAA
表示在隐层
Figure 726075DEST_PATH_IMAGE016
个点时隐含层参数的权重，
Figure 413539DEST_PATH_IMAGE019
表示在隐层
Figure 852611DEST_PATH_IMAGE020
个点的情况下的隐含层参数，融入GA模型以提高诊断精度，根据BP网络输出值与预设值的误差来确定适应函数，适应函数SE的公式为：
Figure 394450DEST_PATH_IMAGE021
（5）
式（5）中，
Figure 441035DEST_PATH_IMAGE022
表示训练日用杂货数据信息样本的总体数量，
Figure 599484DEST_PATH_IMAGE023
表示训练日用杂货数据信息样本的总体数量中的某一项样本数量，
Figure 327399DEST_PATH_IMAGE024
代表输出层拥有的节点数量，
Figure 520483DEST_PATH_IMAGE025
代表日用杂货数据信息样本个体在训练样本下的输出值，
Figure 190499DEST_PATH_IMAGE026
代表日用杂货数据信息样本预测销售额真实输出值；
Figure 790239DEST_PATH_IMAGE023
表示训练样本时的日用杂货数据信息个数，
Figure 367851DEST_PATH_IMAGE027
表示在数据训练样本为
Figure 884283DEST_PATH_IMAGE028
时的BP网络数据信息输出值；
Figure 210353DEST_PATH_IMAGE029
表示适应函数SE的影响因子，通过公式（6）表示：
Figure 608973DEST_PATH_IMAGE030
（6）
在公式（6）中，SE表示适应函数；
式（5）迭代计算，设置迭代次数为100次；并不断地循环计算；
式（6）日用杂品销售额评估输出。
CN202210407618.4A 2022-04-19 2022-04-19 一种根据监控画面预测销售额的日用杂品销售系统 Active CN114511822B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210407618.4A CN114511822B (zh) 2022-04-19 2022-04-19 一种根据监控画面预测销售额的日用杂品销售系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210407618.4A CN114511822B (zh) 2022-04-19 2022-04-19 一种根据监控画面预测销售额的日用杂品销售系统

Publications (2)

Publication Number Publication Date
CN114511822A true CN114511822A (zh) 2022-05-17
CN114511822B CN114511822B (zh) 2022-07-12

Family

ID=81554854

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210407618.4A Active CN114511822B (zh) 2022-04-19 2022-04-19 一种根据监控画面预测销售额的日用杂品销售系统

Country Status (1)

Country Link
CN (1) CN114511822B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110443418A (zh) * 2019-07-31 2019-11-12 西安科技大学 基于ga-bp神经网络的城市用水量预测方法
CN111932292A (zh) * 2020-07-10 2020-11-13 广西中烟工业有限责任公司 一种基于深度神经网络的卷烟产品销量预测方法及装置
CN112036470A (zh) * 2020-08-28 2020-12-04 扬州大学 一种基于云传输的多传感器融合的黄瓜烟粉虱识别方法
CN113435726A (zh) * 2021-06-22 2021-09-24 布瑞克农业大数据科技集团有限公司 一种商品管理方法和系统
CN113450147A (zh) * 2021-06-29 2021-09-28 未鲲(上海)科技服务有限公司 基于决策树的产品匹配方法、装置、设备及存储介质
CN113538021A (zh) * 2020-04-09 2021-10-22 上海丙晟科技有限公司 一种商场门店存续预测机器学习算法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110443418A (zh) * 2019-07-31 2019-11-12 西安科技大学 基于ga-bp神经网络的城市用水量预测方法
CN113538021A (zh) * 2020-04-09 2021-10-22 上海丙晟科技有限公司 一种商场门店存续预测机器学习算法
CN111932292A (zh) * 2020-07-10 2020-11-13 广西中烟工业有限责任公司 一种基于深度神经网络的卷烟产品销量预测方法及装置
CN112036470A (zh) * 2020-08-28 2020-12-04 扬州大学 一种基于云传输的多传感器融合的黄瓜烟粉虱识别方法
CN113435726A (zh) * 2021-06-22 2021-09-24 布瑞克农业大数据科技集团有限公司 一种商品管理方法和系统
CN113450147A (zh) * 2021-06-29 2021-09-28 未鲲(上海)科技服务有限公司 基于决策树的产品匹配方法、装置、设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
葛春靖 等: "基于GA-BP神经网络玉露香梨可溶性固形物高光谱技术检测", 《现代食品科技》 *

Also Published As

Publication number Publication date
CN114511822B (zh) 2022-07-12

Similar Documents

Publication Publication Date Title
CN109360226B (zh) 一种基于时间序列多特征融合的多目标跟踪方法
CN106846355B (zh) 基于提升直觉模糊树的目标跟踪方法及装置
US20090018981A1 (en) Learning classifiers using combined boosting and weight trimming
US20090018985A1 (en) Histogram-based classifiers having variable bin sizes
CN111984817B (zh) 一种基于自注意力机制加权的细粒度图像检索方法
Jia et al. RS-Net: Robust segmentation of green overlapped apples
CN104616002A (zh) 用于年龄段判断的面部识别设备
CN116027324B (zh) 基于毫米波雷达的跌倒检测方法、装置及毫米波雷达设备
CN113592060A (zh) 一种神经网络优化方法以及装置
CN115187786A (zh) 一种基于旋转的CenterNet2目标检测方法
CN110929670A (zh) 基于yolo3技术的渣土车洁净度视频识别分析方法
KR20210095671A (ko) 이미지 처리 방법 및 관련 장치
CN110163130B (zh) 一种用于手势识别的特征预对齐的随机森林分类系统及方法
Li et al. SGML: A symmetric graph metric learning framework for efficient hyperspectral image classification
Wei et al. Novel green-fruit detection algorithm based on D2D framework
CN114511822B (zh) 一种根据监控画面预测销售额的日用杂品销售系统
CN111291785A (zh) 目标检测的方法、装置、设备及存储介质
Robi et al. Image Detection and Classification of Oil Palm Fruit Bunches
CN115984202A (zh) 一种斑马鱼心血管功能智能识别与评价方法
CN113723833B (zh) 造林实绩质量评价方法、系统、终端设备及存储介质
CN111950586B (zh) 一种引入双向注意力的目标检测方法
CN114998731A (zh) 智能终端导航场景感知识别的方法
CN114926764A (zh) 一种工业场景下的遗留物检测方法和系统
CN114612506A (zh) 一种简易高效抗干扰的高空抛物轨迹识别与定位方法
WO2021017736A1 (zh) 一种图像分析装置

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