CN114662340B - 称重模型方案的确定方法、装置、计算机设备及存储介质 - Google Patents
称重模型方案的确定方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN114662340B CN114662340B CN202210474515.XA CN202210474515A CN114662340B CN 114662340 B CN114662340 B CN 114662340B CN 202210474515 A CN202210474515 A CN 202210474515A CN 114662340 B CN114662340 B CN 114662340B
- Authority
- CN
- China
- Prior art keywords
- weighing
- node
- model
- matched
- target
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
- G06F16/24553—Query execution of query operations
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Cash Registers Or Receiving Machines (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种称重模型方案的确定方法、装置、计算机设备及存储介质。该方法包括:若确定第一节点中与目标商品类型匹配的称重模型满足学习完成条件,则获取第二节点中与目标商品类型匹配的称重模型;其中,第一节点的数量可以为一个或多个;将第一节点中与目标商品类型匹配的称重模型与第二节点中与目标商品类型匹配的称重模型进行比对,确定与目标商品类型匹配的目标称重模型;将与各商品类型匹配的目标称重模型进行组合,确定称重模型方案。使用本发明的技术方案,可以实现提高称重模型的精度和通用性,减少部署、维护和升级的成本。
Description
技术领域
本发明涉及智能称重技术领域,尤其涉及一种称重模型方案的确定方法、装置、计算机设备及存储介质。
背景技术
随着物联网技术的发展,很多商超收银系统都部署了智能称重设备,对于单个智能称重设备,需要通过现场的自学习,不断强化称重模型的精度。
现有技术中这种各个智能称重设备独立进行称重模型学习的方式,由于不同智能称重设备的应用场景不同,因此各智能称重设备的模型学习成果不一,无法评估其学习效果。并且对于大型连锁商超,各门店的商品种类相同,在增开新门店时,仍需重复进行智能称重设备的部署和称重模型学习,成本较高,影响用户体验。
发明内容
本发明提供了一种称重模型方案的确定方法、装置、计算机设备及存储介质,以实现提高称重模型的精度和通用性,减少部署、维护和升级的成本。
第一方面,本发明实施例提供了一种称重模型方案的确定方法,该方法包括:
若确定第一节点中与目标商品类型匹配的称重模型满足学习完成条件,则获取第二节点中与目标商品类型匹配的称重模型;其中,第一节点的数量可以为一个或多个;
将第一节点中与目标商品类型匹配的称重模型与第二节点中与目标商品类型匹配的称重模型进行比对,确定与目标商品类型匹配的目标称重模型;
将与各商品类型匹配的目标称重模型进行组合,确定称重模型方案。
第二方面,本发明实施例还提供了一种称重模型方案的确定装置,该装置包括:
学习完成条件判断模块,用于若确定第一节点中与目标商品类型匹配的称重模型满足学习完成条件,则获取第二节点中与目标商品类型匹配的称重模型;其中,第一节点的数量可以为一个或多个;
称重模型比对模块,用于若将第一节点中与目标商品类型匹配的称重模型与第二节点中与目标商品类型匹配的称重模型进行比对,确定与目标商品类型匹配的目标称重模型;
称重模型方案确定模块,用于将与各商品类型匹配的目标称重模型进行组合,确定称重模型方案。
第三方面,本发明实施例还提供了一种计算机设备,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如本发明实施例中任一所述的称重模型方案的确定方法。
第四方面,本发明实施例还提供了一种存储计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如本发明实施例中任一所述的称重模型方案的确定方法。
本发明实施例的技术方案,通过在第一节点的目标商品类型的称重模型学习完成之后,将第一节点中与目标商品类型匹配的称重模型与第二节点中与目标商品类型匹配的称重模型进行比对,确定与目标商品类型匹配的目标称重模型,对各商品类型分别确定匹配的目标称重模型之后,组合成为最终的称重模型方案。解决了现有技术中各个智能称重设备独立进行称重模型学习的方式,模型学习成果不一,无法评估其学习效果的问题,以及称重模型的部署、学习,成本较高,影响用户体验的问题,提高了称重模型的精度和通用性,减少了部署、维护和升级的成本。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的一种称重模型方案的确定方法的流程图;
图2a是本发明实施例二提供的一种称重模型方案的确定方法的流程图;
图2b是本发明实施例二提供的一种节点间交互过程的示意图;
图3a是本发明实施例三提供的一种称重模型方案的确定方法的流程图;
图3b是本发明实施例三提供的一种节点间交互过程的示意图;
图4a是本发明实施例四提供的一种称重模型方案的确定方法的流程图;
图4b是本发明实施例四提供的一种节点间交互过程的示意图;
图5是本发明实施例五提供的一种称重模型方案的确定方法的流程图;
图6是本发明实施例六提供的一种称重模型方案的确定装置的结构示意图;
图7是本发明实施例七提供的一种计算机设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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,所描述的实施例仅仅是本发明一部分的实施例,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做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供了一种称重模型方案的确定方法的流程图,本实施例可适用于确定收银系统中各智能称重设备的称重模型方案的情况,该方法可以由称重模型方案的确定装置来执行,该称重模型方案的确定装置可以采用硬件和/或软件的形式实现,该称重模型方案的确定装置可配置于智能称重设备等计算机设备或者服务器中。
如图1所示,该方法包括:
S110、若确定第一节点中与目标商品类型匹配的称重模型满足学习完成条件,则获取第二节点中与目标商品类型匹配的称重模型。
其中,第一节点的数量可以为一个或多个。第一节点和第二节点是对各商品类型部署了初始称重模型的智能称重设备,在对第一节点和第二节点中的各商品类型部署初始称重模型之后,第一节点和第二节点分别在使用过程中,进行各商品类型的称重模型的自学习。模型自学习是指模型已经训练好并发布为服务之后,通过补充新的数据重新进行训练,以提高模型准确性的过程。
商品类型可以是苹果、土豆等需要进行称重的商品,与目标商品类型匹配的称重模型可以包括目标商品类型识别模型,识别模型对称重商品进行识别,得到称重商品的商品类型,称重模型即可根据预先设置的商品类型与单价之间的关系,确定称重商品的单价以及重量,最终得到称重商品的价格。在本发明实施例中,称重模型可以对应一个或者多个商品类型,节点中的称重模型的数量可以为一个或多个。可选的,可以对形状相似的商品设置同一称重模型,以实现相似商品类型的精细识别。
可选的,确定第一节点中与目标商品类型匹配的称重模型满足学习完成条件,可以包括:若确定第一节点中,与目标商品类型匹配的称重模型的模型精度大于或等于预设精度阈值,则确定与目标商品类型匹配的称重模型满足学习完成条件。
模型精度用于表示模型预测为真且实际为真的样本数量占模型总预测为真的样本数量的比例。在本发明实施例中,通过模型精度是否大于或等于预设精度阈值判断模型的训练结果是否稳定。还可以通过准确率、召回率等参数,判断称重模型是否满足学习完成条件,本实施例对此不进行限制。
第一节点中与目标商品类型匹配的称重模型满足学习完成条件,既可以是部署第一节点时对目标商品类型设置的称重模型,在自学习过程中,模型精度达到预设精度阈值,也可以是在第一节点中的各称重模型的自学习过程中,新增目标商品类型之后,新增与目标商品类型匹配的称重模型,并在自学习过程中,模型精度达到预设精度阈值。
本实施例对称重模型与商品类型的对应关系不进行限制,当第一节点中存在某一个或某多个商品类型对应的称重模型满足学习完成条件时,即进行该一个或多个商品类型的称重模型的重新确认,这样设置可以实现节点间称重模型训练成果的共享。
S120、将第一节点中与目标商品类型匹配的称重模型与第二节点中与目标商品类型匹配的称重模型进行比对,确定与目标商品类型匹配的目标称重模型。
在本发明实施例中,当第一节点中与目标商品类型匹配的称重模型学习完成之后,将第一节点中与目标商品类型匹配的称重模型与第二节点中与目标商品类型匹配的称重模型进行比对,选择最优的称重模型,作为称重模型方案中与目标商品类型匹配的称重模型。
可选的,将第一节点中与目标商品类型匹配的称重模型与第二节点中与目标商品类型匹配的称重模型进行比对,确定与目标商品类型匹配的目标称重模型,可以包括:确定与目标商品类型匹配的各称重模型的模型精度;将模型精度最大的称重模型,作为与目标商品类型匹配的目标称重模型。
由于第一节点可以有一个或多个,因此,与目标商品类型匹配的称重模型至少为两个,在与目标商品类型匹配的各称重模型中,选择精度最高的称重模型作为最终的称重模型方案中,与目标商品类型匹配的目标称重模型。
S130、将与各商品类型匹配的目标称重模型进行组合,确定称重模型方案。
本发明实施例通过各节点间称重模型的共享、比对和组合,对各商品类型均确定了最优的称重模型,提高了称重模型方案的识别精度和通用性。在大型商超收银系统的适用场景中,在增开新门店时,无需重复进行智能称重设备中称重模型的自学习,只需对各智能称重设备部署称重模型方案即可,大大减少了智能称重设备的部署、维护和升级的成本。
本发明实施例的技术方案,通过在第一节点的目标商品类型的称重模型学习完成之后,将第一节点中与目标商品类型匹配的称重模型与第二节点中与目标商品类型匹配的称重模型进行比对,确定与目标商品类型匹配的目标称重模型,对各商品类型分别确定匹配的目标称重模型之后,组合成为最终的称重模型方案。解决了现有技术中各个智能称重设备独立进行称重模型学习的方式,模型学习成果不一,无法评估其学习效果的问题,以及称重模型的部署、学习,成本较高,影响用户体验的问题,提高了称重模型的精度和通用性,减少了部署、维护和升级的成本。
实施例二
图2a为本发明实施例二提供的一种称重模型方案的确定方法的流程图,本发明实施例在上述实施例的基础上,明确了第一节点和第二节点为同一局域网中的节点时,确定称重模型方案的过程,并对学习完成条件的判断过程和确定与目标商品类型匹配的目标称重模型进行了进一步的具体化。
如图2a所示,该方法包括:
S210、判断第一节点中,与目标商品类型匹配的称重模型的模型精度是否大于或等于预设精度阈值,若是,则执行S220,否则返回执行S210。
本实施例以模型精度是否大于等于预设精度阈值为例,判断称重模型是否学习完成,还可以通过对模型准确率是否大于等于预设准确率阈值、模型召回率是否大于等于预设召回率阈值,对称重模型是否学习完成进行判断,本实施例对此不进行限制。
S220、将第一节点中与目标商品类型匹配的称重模型发送至第二节点。
在本发明实施例中,第一节点和第二节点为同一局域网中的节点,“第一”、“第二”不用于表示顺序等,而是用于表示对称重模型已完成学习的节点和其他节点的区分,第一节点和第二节点都可以为一个或多个。图2b提供了一种节点间交互过程的示意图,如图2b所示,节点间可以进行双向通信,各节点可以预先通过广播的形式,获取其他节点的IP地址(Internet Protocol Address,互联网协议地址),从而根据IP地址进行数据传输。
当第一节点中与目标商品类型匹配的称重模型学习完成之后,第一节点将与目标商品类型匹配的称重模型发送至同一局域网中的其他节点。第二节点接收到第一节点发送的与目标商品类型匹配的称重模型之后,将接收到的称重模型与本节点中与目标商品类型匹配的称重模型进行比对。
S230、获取第二节点中与目标商品类型匹配的称重模型。
S240、确定与目标商品类型匹配的各称重模型的模型精度。
第二节点可以通过比对称重模型的模型精度,确定与目标商品类型匹配的目标称重模型。
S250、将模型精度最大的称重模型,作为与目标商品类型匹配的目标称重模型。
具体的,若第一节点发送的与目标商品类型匹配的称重模型,模型精度高于第二节点中与目标商品类型匹配的称重模型,则将第二节点中与目标商品类型匹配的称重模型替换为接收到的称重模型。否则,则不进行替换,继续使用第二节点中与目标商品类型匹配的称重模型。
S260、将与各商品类型匹配的目标称重模型进行组合,作为第二节点的称重模型方案。
对第二节点中的各商品类型,均根据第一节点发送的称重模型,与本地的称重模型进行比对,从而确定最优的目标称重模型。将各商品类型的目标称重模型进行组合,即为第二节点的称重模型方案。
在本发明实施例中,各节点都可以根据其他节点发送的学习完成的称重模型,对本节点同一商品类型的称重模型进行比对和替换,从而实现各节点间称重模型训练成果的共享,可以快速提高各节点的称重模型方案的识别精度。
实施例三
图3a是本发明实施例三提供的一种称重模型方案的确定方法的流程图,本发明实施例在上述实施例的基础上,明确了第一节点为局域网中的从节点,第二节点为局域网中的主节点时,确定称重模型方案的过程。
如图3a所示,该方法包括:
S310、判断第一节点中,与目标商品类型匹配的称重模型的模型精度是否大于或等于预设精度阈值,若是,则执行S320,否则返回执行S310。
S320、将第一节点中与目标商品类型匹配的称重模型发送至第二节点。
在本发明实施例中,第一节点为局域网中的从节点,第二节点为局域网中的主节点。可选的,本实施例中主节点的选择可以通过随机选取的方式,也可以获取局域网中各节点的称重模型的当前平均模型精度,选择当前平均模型精度最高的节点作为主节点,也即第二节点,本实施例对此不进行限制。
图3b提供了一种节点间交互过程的示意图,如图3b所示,图中心的节点为主节点,其他节点为从节点。主节点与各从节点之间可以进行双向通信。
在本发明实施例中,从节点中与目标商品类型匹配的称重模型学习完成后,从节点将学习完成的称重模型发送至主节点。
S330、获取第二节点中与目标商品类型匹配的称重模型。
S340、确定与目标商品类型匹配的各称重模型的模型精度。
S350、将模型精度最大的称重模型,作为与目标商品类型匹配的目标称重模型。
在本发明实施例中,对于目标商品类型,主节点根据各从节点发送的学习完成的称重模型,以及主节点中的称重模型,选择模型精度最高的称重模型,作为与目标商品类型匹配的目标称重模型。
S360、将与各商品类型匹配的目标称重模型进行组合,生成称重模型方案。
主节点对各商品类型,均确定匹配的目标称重模型之后,将各商品类型匹配的目标称重模型进行组合,确定最终的称重模型方案。
在本发明实施例中,主节点可以每隔预设时间间隔,根据接收到的学习完成的称重模型,重新生成新的称重模型方案
S370、通过主节点将称重模型方案发送至局域网中的从节点。
在本发明实施例中,主节点在确定称重模型方案之后,将称重模型方案发送至各从节点,各从节点无须再进行模型精度的比对,可以直接对称重模型方案进行适用。
实施例四
图4a是本发明实施例四提供的一种称重模型方案的确定方法的流程图,本发明实施例在上述实施例的基础上,明确了第一节点为局域网中的主节点,第二节点为局域网中的从节点时,确定称重模型方案的过程。
如图4a所示,该方法包括:
S410、判断第一节点中,与目标商品类型匹配的称重模型的模型精度是否大于或等于预设精度阈值,若是,则执行S420,否则返回执行S410。
S420、将第一节点中与目标商品类型匹配的称重模型发送至第二节点。
所述第一节点为局域网中的主节点,所述第二节点为局域网中的从节点,所述第一节点的数量为一个。在本发明实施例中,局域网中为主节点向从节点进行单向数据传输。
图4b提供了一种节点间交互过程的示意图,如图4b所示,图中心的节点为主节点,其他节点为从节点。主节点可以向各从节点进行单向的数据传输。
优选的,本实施例中,可以每隔预设时间间隔,获取局域网中各节点的称重模型的当前平均模型精度,选择当前平均模型精度最高的节点作为主节点。
在本发明实施例中,从节点无需向主节点发送称重模型,主节点可以每隔预设时间间隔,或者在称重模型学习完成之后,将称重模型发送至各从节点。
S430、获取第二节点中与目标商品类型匹配的称重模型。
S440、确定与目标商品类型匹配的各称重模型的模型精度。
S450、将模型精度最大的称重模型,作为与目标商品类型匹配的目标称重模型。
从节点在接受到主节点发送的称重模型之后,将本地的称重模型与主节点发送的称重模型进行比对,保留模型精度最高的称重模型作为本地的称重模型。
S460、将与各商品类型匹配的目标称重模型进行组合,作为第二节点的称重模型方案。
在本发明实施例中,选择平均模型精度最高的节点作为主节点,并将主节点中学习完成的称重模型发送至从节点,以使从节点进行称重模型的比对和替换,实现了主节点向各从节点的模型训练成果共享,提高了各从节点的称重模型方案的识别精度。
实施例五
图5是本发明实施例五提供的一种称重模型方案的确定方法的流程图,本发明实施例在上述实施例的基础上,明确了第一节点和第二节点为同一局域网中或者不同局域网中的节点时,确定称重模型方案的过程。
如图5所示,该方法包括:
S510、判断第一节点中,与目标商品类型匹配的称重模型的模型精度是否大于或等于预设精度阈值,若是,则执行S520,否则返回执行S510。
S520、通过服务器获取第一节点发送的与目标商品类型匹配的称重模型。
在本发明实施例中,第一节点和第二节点可以为同一局域网中或者不同局域网中的节点,节点与服务器之间通过外部网络进行通信。各局域网中的节点可以为地位平等的节点,也可以为主节点和从节点的模式,本实施例对此不进行限制。
各节点中与目标商品类型匹配的称重模型学习完成之后,均将学习完成的称重模型发送至服务器。具体的,当节点所在的局域网为主节点和从节点的模式时,从节点中与目标商品类型匹配的称重模型学习完成之后,将学习完成的称重模型发送至主节点,由主节点将学习完成的称重模型发送至服务器。当节点所在的局域网中各节点的地位相等,该节点可以直接将学习完成的称重模型发送至服务器。
S530、通过所述服务器获取第二节点发送的与目标商品类型匹配的满足学习完成条件的称重模型。
S540、确定与目标商品类型匹配的各称重模型的模型精度。
S550、将模型精度最大的称重模型,作为与目标商品类型匹配的目标称重模型。
服务器对各节点发送的称重模型的模型精度进行比对,确定模型精度最大的称重模型作为与目标商品类型匹配的目标称重模型。
S560、将与各商品类型匹配的目标称重模型进行组合,生成称重模型方案。
在本发明实施例中,服务器对不同局域网中的节点传送的称重模型进行比对和融合,提高了称重模型方案的通用性和识别精度。
S570、通过服务器将称重模型方案发送至第一节点和第二节点。
同样的,当节点所在的局域网为主节点和从节点的模式时,可以由服务器将称重模型方案发送主节点,主节点再将称重模型方案分发至各从节点。当节点所在的局域网中各节点的地位相等,服务器可以直接将称重模型方案发送至各节点,也可以发送至该局域网中的某一节点,由该节点将称重模型方案转发至其他节点。本发明实施例对称重模型方案的发送方式不进行限制。
实施例六
图6为本发明实施例六提供的一种称重模型方案的确定装置的结构示意图。如图6所示,该装置包括:学习完成条件判断模块610、称重模型比对模块620以及称重模型方案确定模块630。其中:
学习完成条件判断模块610,用于若确定第一节点中与目标商品类型匹配的称重模型满足学习完成条件,则获取第二节点中与目标商品类型匹配的称重模型;其中,第一节点的数量可以为一个或多个;
称重模型比对模块620,用于若将第一节点中与目标商品类型匹配的称重模型与第二节点中与目标商品类型匹配的称重模型进行比对,确定与目标商品类型匹配的目标称重模型;
称重模型方案确定模块630,用于将与各商品类型匹配的目标称重模型进行组合,确定称重模型方案。
本发明实施例的技术方案,通过在第一节点的目标商品类型的称重模型学习完成之后,将第一节点中与目标商品类型匹配的称重模型与第二节点中与目标商品类型匹配的称重模型进行比对,确定与目标商品类型匹配的目标称重模型,对各商品类型分别确定匹配的目标称重模型之后,组合成为最终的称重模型方案。解决了现有技术中各个智能称重设备独立进行称重模型学习的方式,模型学习成果不一,无法评估其学习效果的问题,以及称重模型的部署、学习,成本较高,影响用户体验的问题,提高了称重模型的精度和通用性,减少了部署、维护和升级的成本。
在上述实施例的基础上,学习完成条件判断模块610,包括:
模型精度判断单元,用于若确定第一节点中,与目标商品类型匹配的称重模型的模型精度大于或等于预设精度阈值,则确定与目标商品类型匹配的称重模型满足学习完成条件。
在上述实施例的基础上,称重模型比对模块620,包括:
模型精度确定单元,用于确定与目标商品类型匹配的各称重模型的模型精度;
目标称重模型确定单元,用于将模型精度最大的称重模型,作为与目标商品类型匹配的目标称重模型。
在上述实施例的基础上,所述第一节点和所述第二节点为同一局域网中的节点;
所述装置,还包括:
第一称重模型发送模块,用于将第一节点中与目标商品类型匹配的称重模型发送至第二节点;
称重模型方案确定模块630,包括:
第一称重模型方案确定单元,用于将与各商品类型匹配的目标称重模型进行组合,作为第二节点的称重模型方案。
在上述实施例的基础上,所述第一节点为局域网中的从节点,所述第二节点为局域网中的主节点;
所述装置,还包括:
第二称重模型发送模块,用于将第一节点中与目标商品类型匹配的称重模型发送至第二节点;
称重模型方案确定模块630,包括:
第二称重模型方案生成单元,用于将与各商品类型匹配的目标称重模型进行组合,生成称重模型方案;
第二称重模型方案发送单元,用于通过主节点将称重模型方案发送至局域网中的从节点。
在上述实施例的基础上,所述第一节点为局域网中的主节点,所述第二节点为局域网中的从节点,所述第一节点的数量为一个;
所述装置,还包括:
第三称重模型发送模块,用于将第一节点中与目标商品类型匹配的称重模型发送至第二节点;
称重模型方案确定模块630,包括:
第三称重模型方案确定单元,用于将与各商品类型匹配的目标称重模型进行组合,作为第二节点的称重模型方案。
在上述实施例的基础上,所述第一节点和所述第二节点为同一局域网中或者不同局域网中的节点;
所述装置,还包括:
第一节点称重模型接收模块,用于通过服务器获取第一节点发送的与目标商品类型匹配的称重模型;
学习完成条件判断模块610,包括:
第二节点称重模型接收单元,用于通过所述服务器获取第二节点发送的与目标商品类型匹配的满足学习完成条件的称重模型;
称重模型方案确定模块630,包括:
第四称重模型方案生成单元,用于将与各商品类型匹配的目标称重模型进行组合,生成称重模型方案;
第四称重模型方案发送单元,用于通过服务器将称重模型方案发送至第一节点和第二节点。
本发明实施例所提供的称重模型方案的确定装置可执行本发明任意实施例所提供的称重模型方案的确定方法,具备执行方法相应的功能模块和有益效果。
实施例七
图7为本发明实施例七提供的一种计算机设备的结构示意图,如图7所示,该计算机设备包括处理器70、存储器71、输入装置72和输出装置73;计算机设备中处理器70的数量可以是一个或多个,图7中以一个处理器70为例;计算机设备中的处理器70、存储器71、输入装置72和输出装置73可以通过总线或其他方式连接,图7中以通过总线连接为例。
存储器71作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的称重模型方案的确定方法对应的模块(例如,称重模型方案的确定装置中的学习完成条件判断模块610、称重模型比对模块620以及称重模型方案确定模块630)。处理器70通过运行存储在存储器71中的软件程序、指令以及模块,从而执行计算机设备的各种功能应用以及数据处理,即实现上述的称重模型方案的确定方法。该方法包括:
若确定第一节点中与目标商品类型匹配的称重模型满足学习完成条件,则获取第二节点中与目标商品类型匹配的称重模型;其中,第一节点的数量可以为一个或多个;
将第一节点中与目标商品类型匹配的称重模型与第二节点中与目标商品类型匹配的称重模型进行比对,确定与目标商品类型匹配的目标称重模型;
将与各商品类型匹配的目标称重模型进行组合,确定称重模型方案。
存储器71可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器71可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器71可进一步包括相对于处理器70远程设置的存储器,这些远程存储器可以通过网络连接至计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置72可用于接收输入的数字或字符信息,以及产生与计算机设备的用户设置以及功能控制有关的键信号输入。输出装置73可包括显示屏等显示设备。
实施例八
本发明实施例八还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种称重模型方案的确定方法,该方法包括:
若确定第一节点中与目标商品类型匹配的称重模型满足学习完成条件,则获取第二节点中与目标商品类型匹配的称重模型;其中,第一节点的数量可以为一个或多个;
将第一节点中与目标商品类型匹配的称重模型与第二节点中与目标商品类型匹配的称重模型进行比对,确定与目标商品类型匹配的目标称重模型;
将与各商品类型匹配的目标称重模型进行组合,确定称重模型方案。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的称重模型方案的确定方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是,上述称重模型方案的确定装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (9)
1.一种称重模型方案的确定方法,其特征在于,包括:
若确定第一节点中与目标商品类型匹配的称重模型满足学习完成条件,则获取第二节点中与目标商品类型匹配的称重模型;其中,第一节点的数量可以为一个或多个;其中,所述第一节点中与目标商品类型匹配的称重模型满足学习完成条件,是部署第一节点时对目标商品类型设置的称重模型,在模型自学习过程中,模型精度达到预设精度阈值;其中,所述模型自学习是指称重模型已经训练好并发布为服务之后,通过补充新的数据重新进行训练,以提高所述称重模型准确性的过程;
将第一节点中与目标商品类型匹配的称重模型与第二节点中与目标商品类型匹配的称重模型进行比对,确定与目标商品类型匹配的目标称重模型;
将与各商品类型匹配的目标称重模型进行组合,确定称重模型方案;
所述确定第一节点中与目标商品类型匹配的称重模型满足学习完成条件,包括:
若确定第一节点中,与目标商品类型匹配的称重模型的模型精度大于或等于预设精度阈值,则确定与目标商品类型匹配的称重模型满足学习完成条件。
2.根据权利要求1所述的方法,其特征在于,将第一节点中与目标商品类型匹配的称重模型与第二节点中与目标商品类型匹配的称重模型进行比对,确定与目标商品类型匹配的目标称重模型,包括:
确定与目标商品类型匹配的各称重模型的模型精度;
将模型精度最大的称重模型,作为与目标商品类型匹配的目标称重模型。
3.根据权利要求1所述的方法,其特征在于,所述第一节点和所述第二节点为同一局域网中的节点;
在获取第二节点中与目标商品类型匹配的称重模型之前,还包括:
将第一节点中与目标商品类型匹配的称重模型发送至第二节点;
将与各商品类型匹配的目标称重模型进行组合,确定称重模型方案,包括:
将与各商品类型匹配的目标称重模型进行组合,作为第二节点的称重模型方案。
4.根据权利要求1所述的方法,其特征在于,所述第一节点为局域网中的从节点,所述第二节点为局域网中的主节点;
在获取第二节点中与目标商品类型匹配的称重模型之前,还包括:
将第一节点中与目标商品类型匹配的称重模型发送至第二节点;
将与各商品类型匹配的目标称重模型进行组合,确定称重模型方案,包括:
将与各商品类型匹配的目标称重模型进行组合,生成称重模型方案;
通过主节点将称重模型方案发送至局域网中的从节点。
5.根据权利要求1所述的方法,其特征在于,所述第一节点为局域网中的主节点,所述第二节点为局域网中的从节点,所述第一节点的数量为一个;
在获取第二节点中与目标商品类型匹配的称重模型之前,还包括:
将第一节点中与目标商品类型匹配的称重模型发送至第二节点;
将与各商品类型匹配的目标称重模型进行组合,确定称重模型方案,包括:
将与各商品类型匹配的目标称重模型进行组合,作为第二节点的称重模型方案。
6.根据权利要求1所述的方法,其特征在于,所述第一节点和所述第二节点为同一局域网中或者不同局域网中的节点;
在获取第二节点中与目标商品类型匹配的称重模型之前,还包括:
通过服务器获取第一节点发送的与目标商品类型匹配的称重模型;
获取第二节点中与目标商品类型匹配的称重模型,包括:
通过所述服务器获取第二节点发送的与目标商品类型匹配的满足学习完成条件的称重模型;
将与各商品类型匹配的目标称重模型进行组合,确定称重模型方案,包括:
将与各商品类型匹配的目标称重模型进行组合,生成称重模型方案;
通过服务器将称重模型方案发送至第一节点和第二节点。
7.一种称重模型方案的确定装置,其特征在于,包括:
学习完成条件判断模块,用于若确定第一节点中与目标商品类型匹配的称重模型满足学习完成条件,则获取第二节点中与目标商品类型匹配的称重模型;其中,第一节点的数量可以为一个或多个;其中,所述第一节点中与目标商品类型匹配的称重模型满足学习完成条件,是部署第一节点时对目标商品类型设置的称重模型,在模型自学习过程中,模型精度达到预设精度阈值;其中,所述模型自学习是指称重模型已经训练好并发布为服务之后,通过补充新的数据重新进行训练,以提高所述称重模型准确性的过程;
称重模型比对模块,用于若将第一节点中与目标商品类型匹配的称重模型与第二节点中与目标商品类型匹配的称重模型进行比对,确定与目标商品类型匹配的目标称重模型;
称重模型方案确定模块,用于将与各商品类型匹配的目标称重模型进行组合,确定称重模型方案;
其中,学习完成条件判断模块,包括:
模型精度判断单元,用于若确定第一节点中,与目标商品类型匹配的称重模型的模型精度大于或等于预设精度阈值,则确定与目标商品类型匹配的称重模型满足学习完成条件。
8.一种计算机设备,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,其特征在于,所述处理器执行所述程序时实现如权利要求1-6中任一所述的称重模型方案的确定方法。
9.一种存储计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-6中任一所述的称重模型方案的确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210474515.XA CN114662340B (zh) | 2022-04-29 | 2022-04-29 | 称重模型方案的确定方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210474515.XA CN114662340B (zh) | 2022-04-29 | 2022-04-29 | 称重模型方案的确定方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114662340A CN114662340A (zh) | 2022-06-24 |
CN114662340B true CN114662340B (zh) | 2023-02-28 |
Family
ID=82036660
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210474515.XA Active CN114662340B (zh) | 2022-04-29 | 2022-04-29 | 称重模型方案的确定方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114662340B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106340137A (zh) * | 2016-11-14 | 2017-01-18 | 贵州师范学院 | 一种基于深度学习的自动称重机及其程序控制方法 |
CN110335426A (zh) * | 2019-05-09 | 2019-10-15 | 杨伟 | 商品计价方法、智能电子秤和收银系统 |
CN110333994A (zh) * | 2019-07-08 | 2019-10-15 | 深圳乐信软件技术有限公司 | 一种数据集匹配的模型确定方法、装置、设备及存储介质 |
CN110442457A (zh) * | 2019-08-12 | 2019-11-12 | 北京大学深圳研究生院 | 基于联邦学习的模型训练方法、装置及服务器 |
CN110858358A (zh) * | 2018-08-23 | 2020-03-03 | 营利度富信息系统(上海)有限公司 | 应用于自助收银的安全秤防损策略 |
CN212675641U (zh) * | 2020-11-26 | 2021-03-09 | 融讯伟业(北京)科技有限公司 | 基于计算机视觉技术的智能称重装置 |
CN112749811A (zh) * | 2020-12-24 | 2021-05-04 | 上海柏珍信息科技有限公司 | 一种基于无感知自学习ai算法的称重识别系统 |
CN112990276A (zh) * | 2021-02-20 | 2021-06-18 | 平安科技(深圳)有限公司 | 基于自组织集群的联邦学习方法、装置、设备及存储介质 |
CN113780744A (zh) * | 2021-08-13 | 2021-12-10 | 唯品会(广州)软件有限公司 | 货物组合方法、装置及电子设备 |
WO2021259090A1 (zh) * | 2020-06-23 | 2021-12-30 | 华为技术有限公司 | 联邦学习的方法、装置和芯片 |
CN113919417A (zh) * | 2021-09-15 | 2022-01-11 | 深圳市修远文化创意有限公司 | 一种智能称重方法及系统 |
CN114020469A (zh) * | 2021-11-09 | 2022-02-08 | 中国电信股份有限公司 | 基于边缘节点的多任务学习方法、装置、介质与设备 |
-
2022
- 2022-04-29 CN CN202210474515.XA patent/CN114662340B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106340137A (zh) * | 2016-11-14 | 2017-01-18 | 贵州师范学院 | 一种基于深度学习的自动称重机及其程序控制方法 |
CN110858358A (zh) * | 2018-08-23 | 2020-03-03 | 营利度富信息系统(上海)有限公司 | 应用于自助收银的安全秤防损策略 |
CN110335426A (zh) * | 2019-05-09 | 2019-10-15 | 杨伟 | 商品计价方法、智能电子秤和收银系统 |
CN110333994A (zh) * | 2019-07-08 | 2019-10-15 | 深圳乐信软件技术有限公司 | 一种数据集匹配的模型确定方法、装置、设备及存储介质 |
CN110442457A (zh) * | 2019-08-12 | 2019-11-12 | 北京大学深圳研究生院 | 基于联邦学习的模型训练方法、装置及服务器 |
WO2021259090A1 (zh) * | 2020-06-23 | 2021-12-30 | 华为技术有限公司 | 联邦学习的方法、装置和芯片 |
CN212675641U (zh) * | 2020-11-26 | 2021-03-09 | 融讯伟业(北京)科技有限公司 | 基于计算机视觉技术的智能称重装置 |
CN112749811A (zh) * | 2020-12-24 | 2021-05-04 | 上海柏珍信息科技有限公司 | 一种基于无感知自学习ai算法的称重识别系统 |
CN112990276A (zh) * | 2021-02-20 | 2021-06-18 | 平安科技(深圳)有限公司 | 基于自组织集群的联邦学习方法、装置、设备及存储介质 |
CN113780744A (zh) * | 2021-08-13 | 2021-12-10 | 唯品会(广州)软件有限公司 | 货物组合方法、装置及电子设备 |
CN113919417A (zh) * | 2021-09-15 | 2022-01-11 | 深圳市修远文化创意有限公司 | 一种智能称重方法及系统 |
CN114020469A (zh) * | 2021-11-09 | 2022-02-08 | 中国电信股份有限公司 | 基于边缘节点的多任务学习方法、装置、介质与设备 |
Also Published As
Publication number | Publication date |
---|---|
CN114662340A (zh) | 2022-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110400219A (zh) | 业务处理方法及系统、交易监控方法及系统 | |
CN110336676A (zh) | 一种区块链交易广播方法和系统、设备及存储介质 | |
CN113869521A (zh) | 构建预测模型的方法、装置、计算设备和存储介质 | |
CN107294811A (zh) | 网络检测方法、网络检测装置及智能终端 | |
CN115314499B (zh) | 适用于电力领域的多终端协同工作方法及系统 | |
CN112764900A (zh) | 结合云网融合和人工智能的业务数据处理方法及云端平台 | |
CN112637024A (zh) | 控制方法、装置、电子设备及存储介质 | |
CN114169536A (zh) | 数据管控方法及相关装置 | |
CN114091610A (zh) | 智能决策方法及装置 | |
CN114662340B (zh) | 称重模型方案的确定方法、装置、计算机设备及存储介质 | |
CN114155009A (zh) | 欺诈检测方法、装置、电子设备及存储介质 | |
CN113220421A (zh) | 一种服务器集群的管理方法、管理服务器及管理系统 | |
CN114579311B (zh) | 执行分布式计算任务的方法、装置、设备以及存储介质 | |
CN116684302A (zh) | 车载以太网的测试方法及装置 | |
CN107911315B (zh) | 报文分类方法及网络设备 | |
CN115563160A (zh) | 数据处理方法、装置、计算机设备和计算机可读存储介质 | |
CN111315026A (zh) | 信道的选择方法、装置、网关及计算机可读存储介质 | |
CN114722300A (zh) | 消息提醒方法、装置、电子设备及存储介质 | |
CN112948256A (zh) | 一种客户端程序的测试方法、装置、存储介质及电子设备 | |
CN112631810A (zh) | 一种链路选择系统及方法 | |
CN113965563A (zh) | 基于模型的业务处理方法及装置、服务器 | |
CN113297467A (zh) | 推荐方法、装置及计算机存储介质 | |
CN110688623A (zh) | 高阶lr模型的训练优化方法、装置、设备及存储介质 | |
CN115242687B (zh) | 一种节点探活方法、装置、设备及介质 | |
CN113965900B (zh) | 流量资源动态扩容的方法、装置、计算设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |