CN115048355B - 一种识别模型的更新方法、装置、设备及介质 - Google Patents

Abstract

本发明公开了一种识别模型的更新方法、装置、设备及介质。该方法包括：若检测到称重事件，则获取所述称重设备当前使用的原识别模型的识别日志数据；根据所述识别日志数据，确定物品的异常改价次数，并确定更新数据；若存在至少一种物品的异常改价次数超过预设次数阈值，则通过所述学习设备根据所述更新数据训练得到改进识别模型，并用改进识别模型更新原识别模型。本技术方案可以解决智能称重设备在使用过程中受不规范操作影响导致识别模型的识别精度下降的问题，可以及时监测识别模型识别效果，保证高精度识别。

Description

一种识别模型的更新方法、装置、设备及介质

技术领域

本发明涉及计算机视觉技术领域，尤其涉及一种识别模型的更新方法、装置、设备及介质。

背景技术

在农贸市场、生鲜超市以及社区便利店等物品售卖场所，散装物品通常需要称重打印价签后再结算，称重作业员要事前记住条码才能完成称重作业，而培养称重作业员需要花费大量成本。智能称重设备可以通过物品识别自动完成称重作业。一方面降低了称重作业员的聘用门槛，另一方面可以给店铺节约大量人员培训成本。

目前，智能称重设备在现场部署时，需要现场称重作业员手动录入一遍要称重的物品数据即现场学习。部署完成后，智能称重设备每完成一次称重任务都作为一次学习，理论上来讲，称重次数越多，识别精度越高。

实际上，由于串码、错码等称重作业员操作不规范问题，造成智能称重设备在学习过程中，识别精度无法到达预期效果。例如部分称重员在称重作业过程中经常串码打印价签的情况，容易造成单价相同的多种物品学习混乱，进而影响了识别模型的识别精度。智能称重设备在现场学习的过程中被教坏，越用越差的情况时有发生。

发明内容

本发明提供了一种识别模型的更新方法、装置、设备及介质，以解决智能称重设备在使用过程中受不规范操作影响导致识别模型的识别精度下降的问题，可以及时监测识别模型识别效果，保证高精度识别。

根据本发明的一方面，提供了一种识别模型的更新方法，所述方法由称重设备执行，所述称重设备与学习设备交互；所述方法包括：

若检测到称重事件，则获取所述称重设备当前使用的原识别模型的识别日志数据；

根据所述识别日志数据，确定物品的异常改价次数，并确定更新数据；

若存在至少一种物品的异常改价次数超过预设次数阈值，则通过所述学习设备根据所述更新数据训练得到改进识别模型，并用改进识别模型更新原识别模型。

根据本发明的另一方面，提供了一种识别模型的更新装置，所述装置配置于称重设备，所述称重设备与学习设备交互；该装置包括：

识别日志数据获取模块，用于若检测到称重事件，则获取所述称重设备当前使用的原识别模型的识别日志数据；

异常改价次数确定模块，用于根据所述识别日志数据，确定物品的异常改价次数，并确定更新数据；

识别模型更新模块，用于若存在至少一种物品的异常改价次数超过预设次数阈值，则通过所述学习设备根据所述更新数据训练得到改进识别模型，并用改进识别模型更新原识别模型。

根据本发明的另一方面，提供了一种称重设备，其特征在于，所述设备包括：物品识别摄像头、至少一个处理器以及存储器；

所述物品识别摄像头与所述处理器通信连接，所述处理器与所述存储器通信连接；

其中，所述物品识别摄像头，用于采集称重物品图像；

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行时实现本发明任一实施例所述的识别模型的更新方法。

根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的识别模型的更新方法。

本发明实施例的技术方案，通过检测到称重事件，获取称重设备当前使用的原识别模型的识别日志数据；根据识别日志数据，确定物品的异常改价次数和更新数据；若存在至少一种物品的异常改价次数超过预设次数阈值，则通过学习设备根据更新数据训练得到改进识别模型，并用改进识别模型更新原识别模型。该方案可以解决智能称重设备在使用过程中受不规范操作影响导致识别模型的识别精度下降的问题，可以及时监测识别模型识别效果，保证高精度识别。

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是根据本发明实施例一提供的一种识别模型的更新方法的流程图；

图2是根据本发明实施例二提供的一种识别模型的更新方法的流程图；

图3是根据本发明实施例三提供的一种识别模型的更新装置的结构示意图；

图4是实现本发明实施例的识别模型的更新方法的识别模型的更新设备的结构示意图。

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、设备、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。本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。

实施例一

图1为本发明实施例一提供了一种识别模型的更新方法的流程图，本实施例可适用于识别模型的更新的情况，该方法可以由识别模型的更新装置来执行，该装置可以采用硬件和/或软件的形式实现，该装置可配置于识别模型的更新设备中。如图1所示，该方法包括：

S110、若检测到称重事件，则获取所述称重设备当前使用的原识别模型的识别日志数据。

本方案可以由称重设备执行，所述称重设备可以与学习设备通信连接，所述学习设备可以是计算机、服务器等电子设备。学习设备可以专门用于识别模型的训练，例如基于大规模数据集的训练。所述识别模型可以是基于深度学习模型构建得到的，例如卷积神经网络。

当称重设备检测到称重数据发生变化、物品识别摄像头出现物品等称重事件时，可以调取称重设备的原始别模型的识别日志数据，用于统计分析当前使用的原始别模型是否符合物品识别的精度需求。其中，所述识别日志数据可以包括称重设备编号、称重时间、历史称重物品图像、模型输出信息以及物品确认信息等。

S120、根据所述识别日志数据，确定物品的异常改价次数，并确定更新数据。

可以理解的，识别日志数据可以包括改价信息。称重设备可以根据识别日志数据中的改价信息，确定物品是否涉及改价。如果改价信息足够丰富，称重设备还可以判断物品是否涉及异常改价。其中，所述异常改价可以是未在限定时间内改价，也可以是未在指定物品范围内改价，还可以是非称重人员改价。例如改价信息可以包括改价时间、改价物品以及操作员工编号等信息，称重设备可以根据改价时间是否在限定时间范围内，改价物品是否在指定物品列表中，和/或，操作员工编号是否是合法称重员工，来判定该物品的改价是否涉及异常改价。

同时，称重设备还可以提取识别日志数据中的称重物品图像、物品名称以及物品编号等信息，作为训练新的识别模型的数据基础。称重设备可以记录每一次识别模型的更新时间，根据上一次识别模型的更新时间，确定识别日志数据中的更新数据，提取更新数据作为训练数据。称重设备也可以将更新数据合并入原有训练数据集中，以扩充训练样本，从而达到更好的训练效果。

S130、若存在至少一种物品的异常改价次数超过预设次数阈值，则通过所述学习设备根据所述更新数据训练得到改进识别模型，并用改进识别模型更新原识别模型。

称重设备可以预先设置次数阈值，如果存在至少一类物品的异常改价次数超过次数阈值，则说明该类物品识别精度较低。称重设备可以将更新数据发送至学习设备，学习设备可以基于更新数据重新训练原识别模型，更新原识别模型中的权重参数，以改进原识别模型，得到更高的识别精度，增强识别模型的鲁棒性。称重设备也可以摒弃原识别模型，进行重新建模，并利用更新数据对改进的模型结构进行训练，得到改进识别模型。

本方案中，可选的，所述识别日志数据包括至少一条识别记录，所述识别记录包括时间信息、模型输出信息和物品确认信息；

所述根据所述识别日志数据，确定物品的异常改价次数，包括：

根据所述模型输出信息与所述物品确认信息的匹配结果，确定所述模型输出信息对应的物品的改价次数；

根据所述时间信息和各物品的改价次数，确定各物品在预先设置的至少两个时段的改价频率；

根据所述改价频率，确定各物品的改价次数中的异常改价次数。

容易理解的，所述模型输出信息可以包括识别物品名称、物品编号以及物品单价等信息，识别物品名称可以是单一的物品名称，也可以是包括多种物品名称和对应精度的识别列表。所述物品确认信息可以是称重人员在打印价签时选择的物品名称、输入的物品编号、物品数量以及物品单价等信息。称重设备可以根据模型输出信息与物品确认信息的匹配结果，来判断物品是否进行改价，进而记录各物品的改价次数。例如称重设备可以通过比较模型输出信息中的物品名称和物品确认信息中的物品名称是否一致，来判断模型输出信息与物品确认信息是否匹配，进而确定该称重物品的改价次数。

可选的，所述根据所述模型输出信息与所述物品确认信息的匹配结果，确定所述模型输出信息对应的物品的改价次数，包括：

若所述模型输出信息与所述物品确认信息不匹配，则将所述模型输出信息对应的物品的改价次数加1。

具体的，如果模型输出信息与所述物品确认信息不匹配，则说明物品被改价，则将模型输出信息所识别出的物品的改价次数加1。例如模型输出信息中的物品名称和物品确认信息中的物品名称不一致，则说明物品被改价，改价次数加1。再比如，模型输出信息中的物品名称和物品确认信息中的物品名称一致，但是物品单价不一致，则说明物品被改价，改价次数加1。

该方案可以根据准确判断物品的改价次数，为识别模型的识别精度评价提供了有利依据。

称重设备可以将按照一定的划分规则根据时间信息将识别记录划分到不同的时段。例如称重设备可以将每天分为清早(6:30-8:30)、上午(8:30-11:30)、中午(11:30-13:30)、下午(13:30-17:30)和晚上(17:30-21:30)5个时段，并统计各个时段内各物品的改价次数，并计算各物品在各时段的改价频率。

需要说明的是，所述改价频率可以是各时段各物品的改价次数，也可以是各时段内各物品改价次数占全部物品总改价次数的比率。所述改价频率可以根据称重设备的实际应用场景以一定周期进行计算。例如在繁荣的售卖场景下，改价频率可以以较短周期进行统计，例如每小时统计一次改价频率。在客户稀疏的售卖场景下，改价频率可以以较长周期进行统计，例如每时段统计一次。

在得到各物品在各时段的改价频率之后，称重设备可以从物品和时段两个维度来分析称重物品的改价是否为异常改价。异常改价次数可以认为是用于评价识别模型识别精度的有利依据，因此，称重设备需要提出正常改价行为的干扰。正常改价例如可以是物品下架、物品更新等情况导致的改价，还可以是正常打折导致的改价。

上述方案通过统计不同时段各物品的改价频率，来确定各物品异常改价次数，可以剔除正常改价次数的影响，更加准确的定位识别模型的识别精度，进而及时对识别模型做出改进，提高识别模型的健壮性。

在一个可行的方案中，可选的，所述根据所述改价频率，确定各物品的改价次数中的异常改价次数，包括：

根据各时段内各物品的改价频率，确定目标时段和/或目标物品；

在各物品的改价次数中剔除目标时段的改价次数，得到各物品的异常改价次数；和/或，在各物品的改价次数中剔除目标物品的改价次数，得到各物品的异常改价次数。

其中，所述目标时段可以是打折、清仓等正常改价时段，所述目标物品可以是下架物品、新物品或指定折扣物品等。称重设备可以根据各时段内各物品的改价频率统计结果，定位哪些时段为目标时段，也可以定位哪些物品为目标物品。例如物品A在各时段均存在改价记录，各时段的改价频率均高于其他同类物品，则物品A可能是指定打折物品，需要频繁改价。

称重设备可以将各物品的改价次数中剔除掉目标时段的改价次数，以避免正常改价次数对识别模型评价的影响。同理，称重设备也可以剔除目标物品的改价次数，进而得到各物品的异常改价次数。

本方案可以依据改价频率，定位目标时段和/或目标物品，进而剔除正常改价次数，得到准确的异常改价次数。

在上述方案的基础上，所述根据各时段内各物品的改价频率，确定目标时段和/或目标物品，包括：

若存在至少一个时段内各物品的改价频率满足预设频率条件，则确定所述至少一个时段为目标时段；和/或，若存在至少一种物品在各时段内的改价频率均高于预设频率阈值，则确定所述至少一种物品为目标物品。

容易理解的，所述预设频率条件可以是时段内全部物品的改价频率均超过预设频率阈值，也可以是时段内改价频率超过频率阈值的物品类别数量超过数量阈值。如果存在时段内各物品的改价频率满足频率条件，则说明该时段为打折促销时段，可以将该时段确定为目标时段。如果物品在各时段内的改价频率均高于频率阈值，则说明该物品在各时段均进行变价，因此可以确定为目标物品。

该方案可以根据改价频率确定目标时段和/或目标物品，有利于准确判断正常改价情况，

在一个优选的方案中，所述预设次数阈值是基于全部物品的平均异常改价次数确定的。

称重设备可以统计各物品的异常改价次数，将全部物品的异常改价次数相加，再根据全部物品的类别数量计算平均异常改价次数。其中，所述全部物品可以是需要进行称重结算的物品。称重设备可以直接将平均异常改价次数作为次数阈值，也可以在平均异常次数的基础上设置一个浮动的范围。其中，浮动范围可以根据历史平均异常改价次数确定。

本方案可以根据全部物品的平均异常改价次数来设置次数阈值，有利于突出识别模型对物品识别的薄弱点，进而通过改进识别模型克服物品识别的不足，达到越学越精的目的。

本技术方案通过检测到称重事件，获取称重设备当前使用的原识别模型的识别日志数据；根据识别日志数据，确定物品的异常改价次数和更新数据；若存在至少一种物品的异常改价次数超过预设次数阈值，则通过学习设备根据更新数据训练得到改进识别模型，并用改进识别模型更新原识别模型。该方案可以解决智能称重设备在使用过程中受不规范操作影响导致识别模型的识别精度下降的问题，可以及时监测识别模型识别效果，保证高精度识别。

实施例二

图2为本发明实施例二提供了一种识别模型的更新方法的流程图，本实施例以上述实施例为基础进行细化。如图2所示，该方法包括：

S210、若检测到称重事件，则获取所述称重设备当前使用的原识别模型的识别日志数据。

S220、根据所述识别日志数据，确定物品的异常改价次数，并确定更新数据。

S230、若存在至少一种物品的异常改价次数超过预设次数阈值，则获取异常改价物品的称重物品图像和物品标签信息。

如果存在一种或多种物品的异常改价次数超过次数阈值，则说明识别模型对于物品的识别存在薄弱。称重设备可以从识别日志数据中提取异常改价物品的称重物品图像和物品标签信息，作为更新数据发送至学习设备，以便学习设备根据更新数据对识别模型进行改进。

其中，所述称重物品图像可以是异常改价物品输入到识别模型的输入图像，所述物品标签信息可以是经人工确认得到的称重物品图像中物品的标签信息。所述物品标签信息可以包括物品名称、物品编号以及品类等信息，还可以包括所属卖场、物品单价以及计价方式等信息。

S240、基于所述称重物品图像和所述物品标签信息，通过所述学习设备训练得到改进识别模型。

称重物品图像和物品标签信息可以认为是为识别模型提供了训练数据，称重物品图像可以作为训练输入数据，物品标签信息可以作为训练输出数据。利用训练输入数据和训练输出数据，学习设备可以将更新数据合并入原数据集，利用更新后的数据集重新训练原识别模型，进而得到改进识别模型。例如通过增加特征提取数量以增强原识别模型的稳定性。如果存在多种物品的异常改价次数超过次数阈值，并且物品数量超过一定数量阈值，学习设备也可以放弃原识别模型，重新构建更加优越的识别模型结构，利用更新后的数据集训练全新的改进识别模型。

该方案实际上将称重设备的应用和学习阶段进行分离，从而避免了称重设备在现场学习越学越差的问题，保证了称重设备在应用阶段的稳定性。

本技术方案通过检测到称重事件，获取称重设备当前使用的原识别模型的识别日志数据；根据识别日志数据，确定物品的异常改价次数和更新数据；若存在至少一种物品的异常改价次数超过预设次数阈值，则通过学习设备根据更新数据训练得到改进识别模型，并用改进识别模型更新原识别模型。该方案可以解决智能称重设备在使用过程中受不规范操作影响导致识别模型的识别精度下降的问题，可以及时监测识别模型识别效果，保证高精度识别。

实施例三

图3为本发明实施例三提供的一种识别模型的更新装置的结构示意图。所述装置配置于称重设备，所述称重设备与学习设备交互；如图3所示，该装置包括：

识别日志数据获取模块310，用于若检测到称重事件，则获取所述称重设备当前使用的原识别模型的识别日志数据；

异常改价次数确定模块320，用于根据所述识别日志数据，确定物品的异常改价次数，并确定更新数据；

识别模型更新模块330，用于若存在至少一种物品的异常改价次数超过预设次数阈值，则通过所述学习设备根据所述更新数据训练得到改进识别模型，并用改进识别模型更新原识别模型。

在本方案中，可选的，所述识别日志数据包括至少一条识别记录，所述识别记录包括时间信息、模型输出信息和物品确认信息；

所述异常改价次数确定模块320，包括：

改价次数确定单元，用于根据所述模型输出信息与所述物品确认信息的匹配结果，确定所述模型输出信息对应的物品的改价次数；

改价频率确定单元，用于根据所述时间信息和各物品的改价次数，确定各物品在预先设置的至少两个时段的改价频率；

异常改价次数确定单元，用于根据所述改价频率，确定各物品的改价次数中的异常改价次数。

在一个可行的方案中，可选的，所述异常改价次数确定单元，包括：

目标确定子单元，用于根据各时段内各物品的改价频率，确定目标时段和/或目标物品；

异常改价次数确定子单元，用于在各物品的改价次数中剔除目标时段的改价次数，得到各物品的异常改价次数；和/或，在各物品的改价次数中剔除目标物品的改价次数，得到各物品的异常改价次数。

在上述方案的基础上，可选的，所述目标确定子单元，具体用于：

若存在至少一个时段内各物品的改价频率满足预设频率条件，则确定所述至少一个时段为目标时段；和/或，若存在至少一种物品在各时段内的改价频率均高于预设频率阈值，则确定所述至少一种物品为目标物品。

本实施例中，可选的，所述改价次数确定单元，具体用于：

若所述模型输出信息与所述物品确认信息不匹配，则将所述模型输出信息对应的物品的改价次数加1。

在一个优选的方案中，所述更新数据包括异常改价物品的称重物品图像和物品标签信息；

相应的，所述识别模型更新模块330，包括：

信息获取单元，用于若存在至少一种物品的异常改价次数超过预设次数阈值，则获取异常改价物品的称重物品图像和物品标签信息；

改进识别模型生成模块，用于基于所述称重物品图像和所述物品标签信息，通过所述学习设备训练得到改进识别模型。

本方案中，可选的，所述预设次数阈值是基于全部物品的平均异常改价次数确定的。

本发明实施例所提供的识别模型的更新装置可执行本发明任意实施例所提供的识别模型的更新方法，具备执行方法相应的功能模块和有益效果。

实施例四

图4示出了可以用来实施本发明的实施例的称重设备410的结构示意图。称重设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。称重设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。

如图4所示，称重设备410包括至少一个处理器411，物品识别摄像头416以及称重场景摄像头417与至少一个处理器411通信连接的存储器，如只读存储器(ROM)412、随机访问存储器(RAM)413等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器411可以根据存储在只读存储器(ROM)412中的计算机程序或者从存储单元419加载到随机访问存储器(RAM)413中的计算机程序，来执行各种适当的动作和处理。在RAM 413中，还可存储称重设备410操作所需的各种程序和数据。处理器411、ROM 412以及RAM 413通过总线414彼此相连。输入/输出(I/O)接口415也连接至总线414。

称重设备410中的多个部件连接至I/O接口415，包括：物品识别摄像头416，用于采集称重物品图像；输入单元417，例如键盘、鼠标等；输出单元418，例如各种类型的显示器、扬声器等；存储单元419，例如磁盘、光盘等；以及通信单元420，例如网卡、调制解调器、无线通信收发机等。通信单元420允许称重设备410通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器411可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器411的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器411执行上文所描述的各个方法和处理，例如识别模型的更新方法。

在一些实施例中，识别模型的更新方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元419。在一些实施例中，计算机程序的部分或者全部可以经由ROM 412和/或通信单元420而被载入和/或安装到称重设备410上。当计算机程序加载到RAM 413并由处理器411执行时，可以执行上文描述的识别模型的更新方法的一个或多个步骤。备选地，在其他实施例中，处理器411可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行识别模型的更新方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在识别模型的更新系统上实施此处描述的系统和技术，该识别模型的更新系统具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给识别模型的更新系统。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。

计算系统可以包括顾客端和服务器。顾客端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有顾客端-服务器关系的计算机程序来产生顾客端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (6)

1.一种识别模型的更新方法，其特征在于，所述方法由称重设备执行，所述称重设备与学习设备交互；所述方法包括：

若检测到称重事件，则获取所述称重设备当前使用的原识别模型的识别日志数据；

根据所述识别日志数据，确定物品的异常改价次数，并确定更新数据；

若存在至少一种物品的异常改价次数超过预设次数阈值，则通过所述学习设备根据所述更新数据训练得到改进识别模型，并用改进识别模型更新原识别模型；

其中，所述识别日志数据包括至少一条识别记录，所述识别记录包括时间信息、模型输出信息和物品确认信息；

所述根据所述识别日志数据，确定物品的异常改价次数，包括：

根据所述模型输出信息与所述物品确认信息的匹配结果，确定所述模型输出信息对应的物品的改价次数；

根据所述时间信息和各物品的改价次数，确定各物品在预先设置的至少两个时段的改价频率；

根据所述改价频率，确定各物品的改价次数中的异常改价次数；

其中，所述根据所述改价频率，确定各物品的改价次数中的异常改价次数，包括：

根据各时段内各物品的改价频率，确定目标时段和/或目标物品；在各物品的改价次数中剔除目标时段的改价次数，得到各物品的异常改价次数；和/或，在各物品的改价次数中剔除目标物品的改价次数，得到各物品的异常改价次数；

其中，所述根据所述模型输出信息与所述物品确认信息的匹配结果，确定所述模型输出信息对应的物品的改价次数，包括：

若所述模型输出信息与所述物品确认信息不匹配，则将所述模型输出信息对应的物品的改价次数加1；

其中，所述更新数据包括异常改价物品的称重物品图像和物品标签信息；

相应的，所述若存在至少一种物品的异常改价次数超过预设次数阈值，则通过所述学习设备根据所述更新数据训练得到改进识别模型，包括：

若存在至少一种物品的异常改价次数超过预设次数阈值，则获取异常改价物品的称重物品图像和物品标签信息；

基于所述称重物品图像和所述物品标签信息，通过所述学习设备训练得到改进识别模型；

其中，所述目标时段是打折或清仓时的正常改价时段，所述目标物品是下架物品、新物品或指定折扣物品；

其中，所述学习设备根据所述更新数据训练得到改进识别模型具体包括以下至少一项：

学习设备基于所述更新数据更新原识别模型中的权重参数得到改进识别模型；

学习设备使称重设备摒弃原识别模型进行重新建模，并利用更新数据对改进的模型结构进行训练得到改进识别模型。

2.根据权利要求1所述的方法，其特征在于，所述根据各时段内各物品的改价频率，确定目标时段和/或目标物品，包括：

若存在至少一个时段内各物品的改价频率满足预设频率条件，则确定所述至少一个时段为目标时段；和/或，若存在至少一种物品在各时段内的改价频率均高于预设频率阈值，则确定所述至少一种物品为目标物品。

3.根据权利要求1所述的方法，其特征在于，所述预设次数阈值是基于全部物品的平均异常改价次数确定的。

4.一种识别模型的更新装置，其特征在于，所述装置配置于称重设备，所述称重设备与学习设备交互；所述装置包括：

识别日志数据获取模块，用于若检测到称重事件，则获取所述称重设备当前使用的原识别模型的识别日志数据；

异常改价次数确定模块，用于根据所述识别日志数据，确定物品的异常改价次数，并确定更新数据；

识别模型更新模块，用于若存在至少一种物品的异常改价次数超过预设次数阈值，则通过所述学习设备根据所述更新数据训练得到改进识别模型，并用改进识别模型更新原识别模型；

其中，所述识别日志数据包括至少一条识别记录，所述识别记录包括时间信息、模型输出信息和物品确认信息；所述异常改价次数确定模块，包括：

改价次数确定单元，用于根据所述模型输出信息与所述物品确认信息的匹配结果，确定所述模型输出信息对应的物品的改价次数；

改价频率确定单元，用于根据所述时间信息和各物品的改价次数，确定各物品在预先设置的至少两个时段的改价频率；

异常改价次数确定单元，用于根据所述改价频率，确定各物品的改价次数中的异常改价次数；

其中，所述异常改价次数确定单元，包括：

目标确定子单元，用于根据各时段内各物品的改价频率，确定目标时段和/或目标物品；

异常改价次数确定子单元，用于在各物品的改价次数中剔除目标时段的改价次数，得到各物品的异常改价次数；和/或，在各物品的改价次数中剔除目标物品的改价次数，得到各物品的异常改价次数；

其中，所述改价次数确定单元，具体用于：

若所述模型输出信息与所述物品确认信息不匹配，则将所述模型输出信息对应的物品的改价次数加1；

其中，所述更新数据包括异常改价物品的称重物品图像和物品标签信息；

相应的，所述识别模型更新模块，包括：

信息获取单元，用于若存在至少一种物品的异常改价次数超过预设次数阈值，则获取异常改价物品的称重物品图像和物品标签信息；

改进识别模型生成模块，用于基于所述称重物品图像和所述物品标签信息，通过所述学习设备训练得到改进识别模型；

其中，所述目标时段是打折或清仓时的正常改价时段，所述目标物品是下架物品、新物品或指定折扣物品；

其中，所述学习设备根据所述更新数据训练得到改进识别模型具体包括以下至少一项：

学习设备基于所述更新数据更新原识别模型中的权重参数得到改进识别模型；

学习设备使称重设备摒弃原识别模型进行重新建模，并利用更新数据对改进的模型结构进行训练得到改进识别模型。

5.一种称重设备，其特征在于，所述设备包括：物品识别摄像头、至少一个处理器以及存储器；

所述物品识别摄像头与所述处理器通信连接，所述处理器与所述存储器通信连接；

其中，所述物品识别摄像头，用于采集称重物品图像；

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-3中任一项所述的识别模型的更新方法。

6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-3中任一项所述的识别模型的更新方法。

Images