CN115797707A - 一种基于计算机视觉的物品识别方法和系统 - Google Patents
一种基于计算机视觉的物品识别方法和系统 Download PDFInfo
- Publication number
- CN115797707A CN115797707A CN202310064052.4A CN202310064052A CN115797707A CN 115797707 A CN115797707 A CN 115797707A CN 202310064052 A CN202310064052 A CN 202310064052A CN 115797707 A CN115797707 A CN 115797707A
- Authority
- CN
- China
- Prior art keywords
- article
- image
- purchase
- information
- item
- 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
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明适用于图像处理技术领域,提供了一种基于计算机视觉的物品识别方法和系统,包括以下步骤:当检测到柜门开启指令时,采集购买前物品图像和第一重量传感器信息;当检测到柜门关闭时,采集购买后物品图像和第二重量传感器信息;将购买前物品图像和购买后物品图像均划分成若干个区间图像,根据区间图像确定购买的物品种类;根据购买的物品种类确定每种物品的重量信息;根据第一重量传感器信息、第二重量传感器信息、物品种类以及重量信息确定购买物品信息,所述购买物品信息包括购买的物品种类和每种物品的数量。使用本发明,即使售货机中出现两种及以上物品的外观相似时,也能够准确识别出客户购买的物品的种类,更加精准。
Description
技术领域
本发明涉及图像处理技术领域,具体是涉及一种基于计算机视觉的物品识别方法和系统。
背景技术
无人售货机是一种新型的商业零售形式,它不受时间和地点的限制,能节省人力物力且便于交易,目前最常见的无人售货机为弹簧式自动售货机,弹簧式自动售货机是经过货道上的电机驱动弹簧旋转,从而将卡在弹簧格档中的商品出售,有着比较复杂的机械结构,在运行过程中出现机器故障的概率较大,且一次只能购买一个商品;为克服上述弊端,市场上出现了开门式的售货机,这种售货机通过对顾客拿走的物品进行图像识别,确定购买物品,但是当售货机中出现两种及以上物品的外观相似时,图像识别会出现错误,因此,需要提供一种基于计算机视觉的物品识别方法和系统,旨在解决上述问题。
发明内容
针对现有技术存在的不足,本发明的目的在于提供一种基于计算机视觉的物品识别方法和系统,以解决上述背景技术中存在的问题。
本发明是这样实现的,一种基于计算机视觉的物品识别方法,所述方法包括以下步骤:
当检测到柜门开启指令时,采集购买前物品图像和第一重量传感器信息;
当检测到柜门关闭时,采集购买后物品图像和第二重量传感器信息;
将购买前物品图像和购买后物品图像均划分成若干个区间图像,根据区间图像确定购买的物品种类;
根据购买的物品种类确定每种物品的重量信息;
根据第一重量传感器信息、第二重量传感器信息、物品种类以及重量信息确定购买物品信息,所述购买物品信息包括购买的物品种类和每种物品的数量。
作为本发明进一步的方案:所述将购买前物品图像和购买后物品图像均划分成若干个区间图像,根据区间图像确定购买的物品种类的步骤,具体包括:
将购买前物品图像和购买后物品图像均划分成若干个区间图像,划分时,以售货柜的分隔板作为分界线,使得每个区间图像中仅包含一种物品;
在每个区间图像上添加图像标号,购买前物品图像上的图像标号与购买后物品图像上的图像标号一一对应,相对应的两个区间图像上的图像标号相同;
将购买前物品图像的区间图像与相对应的购买后物品图像的区间图像进行相似度计算,根据得到的相似度值确定一个或者多个图像标号,确定的图像标号对应的两个区间图像之间的相似度值不合格;
将确定的图像标号输入至标号物品对应库中,输出购买的物品种类,所述标号物品对应库包括所有的图像标号,每个图像标号对应有物品。
作为本发明进一步的方案:所述将购买前物品图像的区间图像与相对应的购买后物品图像的区间图像进行相似度计算的步骤,具体包括:
用基于DCT的hash方法分别计算购买前物品图像的区间图像与相对应的购买后物品图像的区间图像的hash值,得到h_1和h_2;
计算h_1和h_2之间的汉明距离dis_h;
根据汉明距离dis_h计算得到购买前物品图像的区间图像与相对应的购买后物品图像的区间图像之间的相似度值。
作为本发明进一步的方案:所述根据购买的物品种类确定每种物品的重量信息的步骤,具体包括:
将购买的物品种类输入至物品重量库中,所述物品重量库中包括售货柜中的所有物品,每种物品对应有重量信息;
输出每个购买的物品种类的重量信息。
作为本发明进一步的方案:所述根据第一重量传感器信息、第二重量传感器信息、物品种类以及重量信息确定购买物品信息的步骤,具体包括:
根据第一重量传感器信息和第二重量传感器信息确定物品总质量;
根据物品总质量、物品种类和重量信息确定每种物品的数量,生成购买物品信息;
根据购买物品信息确定购买价格。
本发明的另一目的在于提供一种基于计算机视觉的物品识别系统,所述系统包括:
买前信息采集模块,当检测到柜门开启指令时,用于采集购买前物品图像和第一重量传感器信息;
买后信息采集模块,当检测到柜门关闭时,用于采集购买后物品图像和第二重量传感器信息;
物品种类确定模块,用于将购买前物品图像和购买后物品图像均划分成若干个区间图像,根据区间图像确定购买的物品种类;
重量信息确定模块,用于根据购买的物品种类确定每种物品的重量信息;
购买物品信息模块,用于根据第一重量传感器信息、第二重量传感器信息、物品种类以及重量信息确定购买物品信息,所述购买物品信息包括购买的物品种类和每种物品的数量。
作为本发明进一步的方案:所述物品种类确定模块包括:
区间图像划分单元,用于将购买前物品图像和购买后物品图像均划分成若干个区间图像,划分时,以售货柜的分隔板作为分界线,使得每个区间图像中仅包含一种物品;
图像标号添加单元,用于在每个区间图像上添加图像标号,购买前物品图像上的图像标号与购买后物品图像上的图像标号一一对应,相对应的两个区间图像上的图像标号相同;
相似度计算单元,用于将购买前物品图像的区间图像与相对应的购买后物品图像的区间图像进行相似度计算,根据得到的相似度值确定一个或者多个图像标号,确定的图像标号对应的两个区间图像之间的相似度值不合格;
物品种类确定单元,用于将确定的图像标号输入至标号物品对应库中,输出购买的物品种类,所述标号物品对应库包括所有的图像标号,每个图像标号对应有物品。
作为本发明进一步的方案:所述相似度计算单元包括:
hash值确定子单元,用基于DCT的hash方法分别计算购买前物品图像的区间图像与相对应的购买后物品图像的区间图像的hash值,得到h_1和h_2;
汉明距离计算子单元,用于计算h_1和h_2之间的汉明距离dis_h;
相似度值确定子单元,用于根据汉明距离dis_h计算得到购买前物品图像的区间图像与相对应的购买后物品图像的区间图像之间的相似度值。
作为本发明进一步的方案:所述重量信息确定模块包括:
物品种类输入单元,用于将购买的物品种类输入至物品重量库中,所述物品重量库中包括售货柜中的所有物品,每种物品对应有重量信息;
重量信息输出单元,用于输出每个购买的物品种类的重量信息。
作为本发明进一步的方案:所述购买物品信息模块包括:
物品总质量单元,用于根据第一重量传感器信息和第二重量传感器信息确定物品总质量;
物品信息确定单元,用于根据物品总质量、物品种类和重量信息确定每种物品的数量,生成购买物品信息;
购买价格确定单元,用于根据购买物品信息确定购买价格。
与现有技术相比,本发明的有益效果是:
本发明将购买前物品图像和购买后物品图像均划分成若干个区间图像,将购买前后的区间图像进行识别对比,根据区间图像确定购买的物品种类,每个区间图像对应一种物品,如此,即使售货机中出现两种及以上物品的外观相似时,也能够准确识别出客户购买的物品的种类,更加精准。
附图说明
图1为一种基于计算机视觉的物品识别方法的流程图。
图2为一种基于计算机视觉的物品识别方法中根据区间图像确定购买的物品种类的流程图。
图3为一种基于计算机视觉的物品识别方法中将购买前物品图像的区间图像与相对应的购买后物品图像的区间图像进行相似度计算的流程图。
图4为一种基于计算机视觉的物品识别方法中根据购买的物品种类确定每种物品的重量信息的流程图。
图5为一种基于计算机视觉的物品识别方法中根据第一重量传感器信息、第二重量传感器信息、物品种类以及重量信息确定购买物品信息的流程图。
图6为一种基于计算机视觉的物品识别系统的结构示意图。
图7为一种基于计算机视觉的物品识别系统中物品种类确定模块的结构示意图。
图8为一种基于计算机视觉的物品识别系统中相似度计算单元的结构示意图。
图9为一种基于计算机视觉的物品识别系统中重量信息确定模块的结构示意图。
图10为一种基于计算机视觉的物品识别系统中购买物品信息模块的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清晰,以下结合附图及具体实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
以下结合具体实施例对本发明的具体实现进行详细描述。
如图1所示,本发明实施例提供了一种基于计算机视觉的物品识别方法,所述方法包括以下步骤:
S100,当检测到柜门开启指令时,采集购买前物品图像和第一重量传感器信息;
S200,当检测到柜门关闭时,采集购买后物品图像和第二重量传感器信息;
S300,将购买前物品图像和购买后物品图像均划分成若干个区间图像,根据区间图像确定购买的物品种类;
S400,根据购买的物品种类确定每种物品的重量信息;
S500,根据第一重量传感器信息、第二重量传感器信息、物品种类以及重量信息确定购买物品信息,所述购买物品信息包括购买的物品种类和每种物品的数量。
本发明实施例中,当客户扫描售货柜上的二维码进行开门时,会检测到柜门开启指令时,本发明实施例此时会采集购买前物品图像和第一重量传感器信息,第一重量传感器信息反映的是售货柜中物品的总质量,客户拿完物品后,关上售货柜的门时,会采集购买后物品图像和第二重量传感器信息,所述售货柜中安装有摄像头和重量传感器,接着本发明实施例会将购买前物品图像和购买后物品图像均划分成若干个区间图像,将购买前后的区间图像进行识别对比,根据区间图像确定购买的物品种类,每个区间图像对应一种物品,如此,即使售货机中出现两种及以上物品的外观相似时,也能够准确识别出客户购买的物品的种类,接着根据物品种类确定每种物品的重量信息,并根据第一重量传感器信息、第二重量传感器信息以及重量信息确定物品的数量,这样就能够得到精准的购买物品信息。
如图2所示,作为本发明一个优选的实施例,所述将购买前物品图像和购买后物品图像均划分成若干个区间图像,根据区间图像确定购买的物品种类的步骤,具体包括:
S301,将购买前物品图像和购买后物品图像均划分成若干个区间图像,划分时,以售货柜的分隔板作为分界线,使得每个区间图像中仅包含一种物品;
S302,在每个区间图像上添加图像标号,购买前物品图像上的图像标号与购买后物品图像上的图像标号一一对应,相对应的两个区间图像上的图像标号相同;
S303,将购买前物品图像的区间图像与相对应的购买后物品图像的区间图像进行相似度计算,根据得到的相似度值确定一个或者多个图像标号,确定的图像标号对应的两个区间图像之间的相似度值不合格;
S304,将确定的图像标号输入至标号物品对应库中,输出购买的物品种类,所述标号物品对应库包括所有的图像标号,每个图像标号对应有物品。
本发明实施例中,售货柜中设置有大量的分隔板,分隔板将售货柜分隔成若干个物品室,每个物品室有且只有一种物品,基于此,将购买前物品图像和购买后物品图像均划分成若干个区间图像,划分时,以售货柜的分隔板作为分界线进行划分,容易理解,售货柜中的摄像头和分隔板都是不动的,所以分界线在物品图像中的位置也是固定的,因此,可以事先制作含有分界线的空白模板,将空白模板套在物品图像上即可得到若干个区间图像,这样每个区间图像与一个物品室相对应,每个区间图像中仅包含一种物品,接着在每个区间图像上添加图像标号,购买前物品图像上的图像标号与购买后物品图像上的图像标号一一对应,相对应的两个区间图像上的图像标号相同,例如购买前物品图像包含的图像标号有A1,A2,A3,…,A24,从物品图像的左上到右下依次进行标注即可,物品图像被划分成24个区间图像,即售货柜中有24种商品,则购买后物品图像包含的图像标号也是A1,A2,A3,…,A24;然后依次将购买前物品图像的区间图像与相对应的购买后物品图像的区间图像进行相似度计算,根据得到的相似度值确定一个或者多个图像标号,确定的图像标号对应的两个区间图像之间的相似度值不合格,也就是说首先将标有A1的两个区间图像进行相似度计算,当相似度值大于设定值(例如为98%,应当理解,如果该物品室中的物品没被取走,该物品室对应的前后区间图像的相似度值为100%),相似度不合格,当相似度不合格时,说明图像标号对应的物品室中的物品被取走了,最后将确定的图像标号输入至标号物品对应库中,输出购买的物品种类,所述标号物品对应库是提前建立的。
如图3所示,作为本发明一个优选的实施例,所述将购买前物品图像的区间图像与相对应的购买后物品图像的区间图像进行相似度计算的步骤,具体包括:
S3031,用基于DCT的hash方法分别计算购买前物品图像的区间图像与相对应的购买后物品图像的区间图像的hash值,得到h_1和h_2;
S3032,计算h_1和h_2之间的汉明距离dis_h;
S3033,根据汉明距离dis_h计算得到购买前物品图像的区间图像与相对应的购买后物品图像的区间图像之间的相似度值。
本发明实施例中,基于DCT的hash方法对图片进行识别为现有技术中的一种AI图片识别方法,所述基于DCT的hash方法使用离散余弦变换提取图片的低频成分,先将图片转换成标准大小的灰度图,然后对灰度图做DCT变换,这种计算两张图片之间相似度的方法为现有技术,这里不再详细描述。
如图4所示,作为本发明一个优选的实施例,所述根据购买的物品种类确定每种物品的重量信息的步骤,具体包括:
S401,将购买的物品种类输入至物品重量库中,所述物品重量库中包括售货柜中的所有物品,每种物品对应有重量信息;
S402,输出每个购买的物品种类的重量信息。
本发明实施例中,事先建立有物品重量库,所述物品重量库中包括售货柜中的所有物品,每种物品对应有重量信息,重量信息反映的是单件物品的重量,这样将购买的物品种类输入至物品重量库中,就能够得到每个购买的物品种类的重量信息。
如图5所示,作为本发明一个优选的实施例,所述根据第一重量传感器信息、第二重量传感器信息、物品种类以及重量信息确定购买物品信息的步骤,具体包括:
S501,根据第一重量传感器信息和第二重量传感器信息确定物品总质量;
S502,根据物品总质量、物品种类和重量信息确定每种物品的数量,生成购买物品信息;
S503,根据购买物品信息确定购买价格。
本发明实施例中,为了确定物品的数量,首先需要根据第一重量传感器信息和第二重量传感器信息确定客户购买的物品总质量;这样就能够根据物品总质量、物品种类和重量信息确定每种物品的数量,物品种类和每种物品的数量都确定了,进而可以得到购买价格,制作账单发送到客户的手机上即可。
如图6所示,本发明实施例还提供了一种基于计算机视觉的物品识别系统,所述系统包括:
买前信息采集模块100,当检测到柜门开启指令时,用于采集购买前物品图像和第一重量传感器信息;
买后信息采集模块200,当检测到柜门关闭时,用于采集购买后物品图像和第二重量传感器信息;
物品种类确定模块300,用于将购买前物品图像和购买后物品图像均划分成若干个区间图像,根据区间图像确定购买的物品种类;
重量信息确定模块400,用于根据购买的物品种类确定每种物品的重量信息;
购买物品信息模块500,用于根据第一重量传感器信息、第二重量传感器信息、物品种类以及重量信息确定购买物品信息,所述购买物品信息包括购买的物品种类和每种物品的数量。
本发明实施例中,当客户扫描售货柜上的二维码进行开门时,会检测到柜门开启指令时,本发明实施例此时会采集购买前物品图像和第一重量传感器信息,第一重量传感器信息反映的是售货柜中物品的总质量,客户拿完物品后,关上售货柜的门时,会采集购买后物品图像和第二重量传感器信息,所述售货柜中安装有摄像头和重量传感器,接着本发明实施例会将购买前物品图像和购买后物品图像均划分成若干个区间图像,将购买前后的区间图像进行识别对比,根据区间图像确定购买的物品种类,每个区间图像对应一种物品,如此,即使售货机中出现两种及以上物品的外观相似时,也能够准确识别出客户购买的物品的种类,接着根据物品种类确定每种物品的重量信息,并根据第一重量传感器信息、第二重量传感器信息以及重量信息确定物品的数量,这样就能够得到精准的购买物品信息。
如图7所示,作为本发明一个优选的实施例,所述物品种类确定模块300包括:
区间图像划分单元301,用于将购买前物品图像和购买后物品图像均划分成若干个区间图像,划分时,以售货柜的分隔板作为分界线,使得每个区间图像中仅包含一种物品;
图像标号添加单元302,用于在每个区间图像上添加图像标号,购买前物品图像上的图像标号与购买后物品图像上的图像标号一一对应,相对应的两个区间图像上的图像标号相同;
相似度计算单元303,用于将购买前物品图像的区间图像与相对应的购买后物品图像的区间图像进行相似度计算,根据得到的相似度值确定一个或者多个图像标号,确定的图像标号对应的两个区间图像之间的相似度值不合格;
物品种类确定单元304,用于将确定的图像标号输入至标号物品对应库中,输出购买的物品种类,所述标号物品对应库包括所有的图像标号,每个图像标号对应有物品。
如图8所示,作为本发明一个优选的实施例,所述相似度计算单元303包括:
hash值确定子单元3031,用基于DCT的hash方法分别计算购买前物品图像的区间图像与相对应的购买后物品图像的区间图像的hash值,得到h_1和h_2;
汉明距离计算子单元3032,用于计算h_1和h_2之间的汉明距离dis_h;
相似度值确定子单元3033,用于根据汉明距离dis_h计算得到购买前物品图像的区间图像与相对应的购买后物品图像的区间图像之间的相似度值。
如图9所示,作为本发明一个优选的实施例,所述重量信息确定模块400包括:
物品种类输入单元401,用于将购买的物品种类输入至物品重量库中,所述物品重量库中包括售货柜中的所有物品,每种物品对应有重量信息;
重量信息输出单元402,用于输出每个购买的物品种类的重量信息。
如图10所示,作为本发明一个优选的实施例,所述购买物品信息模块500包括:
物品总质量单元501,用于根据第一重量传感器信息和第二重量传感器信息确定物品总质量;
物品信息确定单元502,用于根据物品总质量、物品种类和重量信息确定每种物品的数量,生成购买物品信息;
购买价格确定单元503,用于根据购买物品信息确定购买价格。
以上仅对本发明的较佳实施例进行了详细叙述,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
应该理解的是,虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域技术人员在考虑说明书及实施例处的公开后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
Claims (10)
1.一种基于计算机视觉的物品识别方法,其特征在于,所述方法包括以下步骤:
当检测到柜门开启指令时,采集购买前物品图像和第一重量传感器信息;
当检测到柜门关闭时,采集购买后物品图像和第二重量传感器信息;
将购买前物品图像和购买后物品图像均划分成若干个区间图像,根据区间图像确定购买的物品种类;
根据购买的物品种类确定每种物品的重量信息;
根据第一重量传感器信息、第二重量传感器信息、物品种类以及重量信息确定购买物品信息,所述购买物品信息包括购买的物品种类和每种物品的数量。
2.根据权利要求1所述的基于计算机视觉的物品识别方法,其特征在于,所述将购买前物品图像和购买后物品图像均划分成若干个区间图像,根据区间图像确定购买的物品种类的步骤,具体包括:
将购买前物品图像和购买后物品图像均划分成若干个区间图像,划分时,以售货柜的分隔板作为分界线,使得每个区间图像中仅包含一种物品;
在每个区间图像上添加图像标号,购买前物品图像上的图像标号与购买后物品图像上的图像标号一一对应,相对应的两个区间图像上的图像标号相同;
将购买前物品图像的区间图像与相对应的购买后物品图像的区间图像进行相似度计算,根据得到的相似度值确定一个或者多个图像标号,确定的图像标号对应的两个区间图像之间的相似度值不合格;
将确定的图像标号输入至标号物品对应库中,输出购买的物品种类,所述标号物品对应库包括所有的图像标号,每个图像标号对应有物品。
3.根据权利要求2所述的基于计算机视觉的物品识别方法,其特征在于,所述将购买前物品图像的区间图像与相对应的购买后物品图像的区间图像进行相似度计算的步骤,具体包括:
用基于DCT的hash方法分别计算购买前物品图像的区间图像与相对应的购买后物品图像的区间图像的hash值,得到h_1和h_2;
计算h_1和h_2之间的汉明距离dis_h;
根据汉明距离dis_h计算得到购买前物品图像的区间图像与相对应的购买后物品图像的区间图像之间的相似度值。
4.根据权利要求1所述的基于计算机视觉的物品识别方法,其特征在于,所述根据购买的物品种类确定每种物品的重量信息的步骤,具体包括:
将购买的物品种类输入至物品重量库中,所述物品重量库中包括售货柜中的所有物品,每种物品对应有重量信息;
输出每个购买的物品种类的重量信息。
5.根据权利要求1所述的基于计算机视觉的物品识别方法,其特征在于,所述根据第一重量传感器信息、第二重量传感器信息、物品种类以及重量信息确定购买物品信息的步骤,具体包括:
根据第一重量传感器信息和第二重量传感器信息确定物品总质量;
根据物品总质量、物品种类和重量信息确定每种物品的数量,生成购买物品信息;
根据购买物品信息确定购买价格。
6.一种基于计算机视觉的物品识别系统,其特征在于,所述系统包括:
买前信息采集模块,当检测到柜门开启指令时,用于采集购买前物品图像和第一重量传感器信息;
买后信息采集模块,当检测到柜门关闭时,用于采集购买后物品图像和第二重量传感器信息;
物品种类确定模块,用于将购买前物品图像和购买后物品图像均划分成若干个区间图像,根据区间图像确定购买的物品种类;
重量信息确定模块,用于根据购买的物品种类确定每种物品的重量信息;
购买物品信息模块,用于根据第一重量传感器信息、第二重量传感器信息、物品种类以及重量信息确定购买物品信息,所述购买物品信息包括购买的物品种类和每种物品的数量。
7.根据权利要求6所述的基于计算机视觉的物品识别系统,其特征在于,所述物品种类确定模块包括:
区间图像划分单元,用于将购买前物品图像和购买后物品图像均划分成若干个区间图像,划分时,以售货柜的分隔板作为分界线,使得每个区间图像中仅包含一种物品;
图像标号添加单元,用于在每个区间图像上添加图像标号,购买前物品图像上的图像标号与购买后物品图像上的图像标号一一对应,相对应的两个区间图像上的图像标号相同;
相似度计算单元,用于将购买前物品图像的区间图像与相对应的购买后物品图像的区间图像进行相似度计算,根据得到的相似度值确定一个或者多个图像标号,确定的图像标号对应的两个区间图像之间的相似度值不合格;
物品种类确定单元,用于将确定的图像标号输入至标号物品对应库中,输出购买的物品种类,所述标号物品对应库包括所有的图像标号,每个图像标号对应有物品。
8.根据权利要求7所述的基于计算机视觉的物品识别系统,其特征在于,所述相似度计算单元包括:
hash值确定子单元,用基于DCT的hash方法分别计算购买前物品图像的区间图像与相对应的购买后物品图像的区间图像的hash值,得到h_1和h_2;
汉明距离计算子单元,用于计算h_1和h_2之间的汉明距离dis_h;
相似度值确定子单元,用于根据汉明距离dis_h计算得到购买前物品图像的区间图像与相对应的购买后物品图像的区间图像之间的相似度值。
9.根据权利要求6所述的基于计算机视觉的物品识别系统,其特征在于,所述重量信息确定模块包括:
物品种类输入单元,用于将购买的物品种类输入至物品重量库中,所述物品重量库中包括售货柜中的所有物品,每种物品对应有重量信息;
重量信息输出单元,用于输出每个购买的物品种类的重量信息。
10.根据权利要求6所述的基于计算机视觉的物品识别系统,其特征在于,所述购买物品信息模块包括:
物品总质量单元,用于根据第一重量传感器信息和第二重量传感器信息确定物品总质量;
物品信息确定单元,用于根据物品总质量、物品种类和重量信息确定每种物品的数量,生成购买物品信息;
购买价格确定单元,用于根据购买物品信息确定购买价格。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310064052.4A CN115797707B (zh) | 2023-02-06 | 2023-02-06 | 一种基于计算机视觉的物品识别方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310064052.4A CN115797707B (zh) | 2023-02-06 | 2023-02-06 | 一种基于计算机视觉的物品识别方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115797707A true CN115797707A (zh) | 2023-03-14 |
CN115797707B CN115797707B (zh) | 2023-05-05 |
Family
ID=85429844
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310064052.4A Active CN115797707B (zh) | 2023-02-06 | 2023-02-06 | 一种基于计算机视觉的物品识别方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115797707B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116168356A (zh) * | 2023-04-26 | 2023-05-26 | 威海海洋职业学院 | 一种基于计算机视觉的车辆损伤判别方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013134865A1 (en) * | 2012-03-16 | 2013-09-19 | In Situ Media Corporation | System and method for scanning, tracking and collating customer shopping selections |
CN105931371A (zh) * | 2016-07-12 | 2016-09-07 | 帮团成都电子商务有限责任公司 | 自动售货机及自动售货方法 |
CN106650829A (zh) * | 2017-01-04 | 2017-05-10 | 华南理工大学 | 一种图片相似度计算方法 |
CN108320379A (zh) * | 2018-02-28 | 2018-07-24 | 成都果小美网络科技有限公司 | 基于图像比对的售货方法、装置和无人售货机 |
CN108806074A (zh) * | 2018-06-05 | 2018-11-13 | 腾讯科技(深圳)有限公司 | 购物信息的生成方法、装置及存储介质 |
CN108831013A (zh) * | 2018-05-22 | 2018-11-16 | 深圳云行智能科技有限公司 | 无人售货方法、装置、系统及计算机设备 |
CN108875664A (zh) * | 2018-06-27 | 2018-11-23 | 北京京东尚科信息技术有限公司 | 选购商品的识别方法、装置以及售货机 |
CN110189466A (zh) * | 2019-03-22 | 2019-08-30 | 上海小萌科技有限公司 | 一种智能售货柜商品监测方法、装置及系统 |
CN112052784A (zh) * | 2020-09-02 | 2020-12-08 | 腾讯科技(深圳)有限公司 | 物品的搜索方法、装置、设备及计算机可读存储介质 |
WO2021071121A1 (ko) * | 2019-10-10 | 2021-04-15 | 주식회사 신세계아이앤씨 | 영상 기반 구매 행동 인식 시스템 및 방법 |
-
2023
- 2023-02-06 CN CN202310064052.4A patent/CN115797707B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013134865A1 (en) * | 2012-03-16 | 2013-09-19 | In Situ Media Corporation | System and method for scanning, tracking and collating customer shopping selections |
CN105931371A (zh) * | 2016-07-12 | 2016-09-07 | 帮团成都电子商务有限责任公司 | 自动售货机及自动售货方法 |
CN106650829A (zh) * | 2017-01-04 | 2017-05-10 | 华南理工大学 | 一种图片相似度计算方法 |
CN108320379A (zh) * | 2018-02-28 | 2018-07-24 | 成都果小美网络科技有限公司 | 基于图像比对的售货方法、装置和无人售货机 |
CN108831013A (zh) * | 2018-05-22 | 2018-11-16 | 深圳云行智能科技有限公司 | 无人售货方法、装置、系统及计算机设备 |
CN108806074A (zh) * | 2018-06-05 | 2018-11-13 | 腾讯科技(深圳)有限公司 | 购物信息的生成方法、装置及存储介质 |
CN108875664A (zh) * | 2018-06-27 | 2018-11-23 | 北京京东尚科信息技术有限公司 | 选购商品的识别方法、装置以及售货机 |
CN110189466A (zh) * | 2019-03-22 | 2019-08-30 | 上海小萌科技有限公司 | 一种智能售货柜商品监测方法、装置及系统 |
WO2021071121A1 (ko) * | 2019-10-10 | 2021-04-15 | 주식회사 신세계아이앤씨 | 영상 기반 구매 행동 인식 시스템 및 방법 |
CN112052784A (zh) * | 2020-09-02 | 2020-12-08 | 腾讯科技(深圳)有限公司 | 物品的搜索方法、装置、设备及计算机可读存储介质 |
Non-Patent Citations (3)
Title |
---|
何福贵 * |
周晔;张军平;: "基于多尺度深度学习的商品图像检索", 计算机研究与发展 * |
林付春;张荣芬;何倩倩;刘宇红;: "机器视觉中的智能无人零售系统设计", 电子技术应用 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116168356A (zh) * | 2023-04-26 | 2023-05-26 | 威海海洋职业学院 | 一种基于计算机视觉的车辆损伤判别方法 |
CN116168356B (zh) * | 2023-04-26 | 2023-07-21 | 威海海洋职业学院 | 一种基于计算机视觉的车辆损伤判别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115797707B (zh) | 2023-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200258069A1 (en) | Weight monitoring-based sensing system and sensing method | |
CN109559457B (zh) | 基于神经网络识别商品的收银方法以及自助收银台 | |
US20210056498A1 (en) | Method and device for identifying product purchased by user and intelligent shelf system | |
CN108549851A (zh) | 智能货柜内货品识别方法及装置、智能货柜 | |
CN109190705A (zh) | 无人售货方法、装置及系统 | |
US7646887B2 (en) | Optical flow for object recognition | |
CN112464697B (zh) | 基于视觉和重力感应的商品与顾客的匹配方法和装置 | |
US20110243459A1 (en) | Methods and apparatus to detect differences between images | |
CN115797707B (zh) | 一种基于计算机视觉的物品识别方法和系统 | |
CN111222870B (zh) | 结算方法、装置和系统 | |
WO2019096222A1 (zh) | 一种基于身份识别和商品识别的无人售货方法和设备 | |
WO2020243984A1 (zh) | 货品感知系统、货品感知方法及电子设备 | |
US9721162B2 (en) | Fusion-based object-recognition | |
WO2019003858A1 (ja) | 商品特定システム | |
CN111339929B (zh) | 一种无人超市的零售系统 | |
CN111831673A (zh) | 货品识别系统、货品识别方法及电子设备 | |
CN114358881A (zh) | 自助结算方法、装置和系统 | |
US20220292934A1 (en) | Processing apparatus, and accounting apparatus | |
CN114140193A (zh) | 商品推荐方法和装置 | |
CN114332602A (zh) | 一种智能货柜的商品识别方法 | |
CN112991379A (zh) | 一种基于动态视觉的无人售货方法及系统 | |
CN116665380B (zh) | 一种智能结账处理方法、系统、pos收银机及储介质 | |
CN110647783A (zh) | 一种无人货架付款检测方法、装置和系统 | |
CN114235122A (zh) | 基于ai图像识别的电子秤的称重结算方法及系统 | |
CN114299388A (zh) | 物品信息确定方法、陈列柜以及存储介质 |
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 |