CN116934348B - 一种交易售后数据的分析方法、装置、设备以及存储介质 - Google Patents
一种交易售后数据的分析方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN116934348B CN116934348B CN202311182340.6A CN202311182340A CN116934348B CN 116934348 B CN116934348 B CN 116934348B CN 202311182340 A CN202311182340 A CN 202311182340A CN 116934348 B CN116934348 B CN 116934348B
- Authority
- CN
- China
- Prior art keywords
- food
- image
- spoilage
- target
- target food
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 235000013305 food Nutrition 0.000 claims abstract description 542
- 230000006866 deterioration Effects 0.000 claims abstract description 115
- 238000004519 manufacturing process Methods 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 19
- 238000004806 packaging method and process Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 235000015219 food category Nutrition 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000013486 operation strategy Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 238000003702 image correction Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000006722 reduction reaction Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 235000021067 refined food Nutrition 0.000 claims description 3
- 230000008569 process Effects 0.000 description 13
- 238000011176 pooling Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 239000006260 foam Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- 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
- G06Q30/01—Customer relationship services
- G06Q30/015—Providing customer assistance, e.g. assisting a customer within a business location or via helpdesk
- G06Q30/016—After-sales
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种交易售后数据的分析方法、装置、设备以及存储介质,所述方法包括:接收一交易售后数据;提取所述目标食品对应的若干变质等级的第一变质图像;确定所述目标食品的变质等级;根据所述变质等级确定目标食品的变质时长;判断所述目标食品是否在食品保质期限内发生变质;当所述目标食品不是在食品保质期限内发生变质时,确定所述目标食品的变质原因为食品过期;当所述目标食品是在食品保质期限内发生变质时,从所述数据库中提取目标食品对应的各第二变质图像;确定导致所述目标食品发生变质的变质因素,继而根据所述变质因素得到目标食品的变质原因。通过本发明可以提高判别食品图像变质情况的效率和精确度。
Description
技术领域
本发明涉及图像识别处理领域,尤其涉及一种交易售后数据的分析方法、装置、设备以及存储介质。
背景技术
在互联网零售食品销售行业中,最常见的售后对象就是短期食品,而对于短期食品的售后来说,最常见的售后请求就是买方申诉其收到的食品发生变质,要求商家退款或者赔偿。但是对于商家来说,此类短期食品的售后处理过程比较特殊,并不能像其他销售品类例如服装类的售后处理过程,可以要求买方退回所购买的商品。
目前商家对于短期食品的售后处理方式主要为:人工对买方所发送的食品图像进行核实,核实该食品是否变质,判断买方的申诉是否属实之后,再进行后续的退款处理。但是很多短期食品的变质现象并不明显,这种人工观察食品图像变质情况的方式费时费力且精确度不高。
发明内容
本发明提供了一种交易售后数据的分析方法、装置、设备以及存储介质,提高判别食品图像变质情况的效率和精确度。
为了解决上述技术问题,本发明实施例提供了一种交易售后数据的分析方法,包括:
接收一交易售后数据;其中,所述交易售后数据为一用于反馈目标食品的变质情况的食品图像,以及一用于反馈目标食品的保质期限的食品包装图像;
从预设的数据库中,提取所述目标食品对应的食品种类所包含的若干变质等级的第一变质图像;
提取所述食品图像的图像特征,将所述食品图像的图像特征与所提取的各第一变质图像的图像特征逐一进行比对,确定所述目标食品的变质等级;
根据所述变质等级确定目标食品的变质时长,继而根据所述变质时长确定目标食品在开始发生变质时的初始变质日期;
根据所述食品包装图像,识别所述目标食品的生产日期和保质期;
根据所述初始变质日期、生产日期以及保质期,判断所述目标食品是否在食品保质期限内发生变质;
当所述目标食品不是在食品保质期限内发生变质时,确定所述目标食品的变质原因为食品过期;
当所述目标食品是在食品保质期限内发生变质时,从所述数据库中提取目标食品对应的各第二变质图像;其中,所述第二变质图像为各类型变质因素导致食品发生变质时的变质图像;
将所述食品图像的图像特征与各所述第二变质图像的图像特征逐一进行比对,确定导致所述目标食品发生变质的变质因素,继而根据所述变质因素得到目标食品的变质原因。
作为优选方案,在所述提取所述目标食品对应的食品种类所包含的若干变质等级的第一变质图像之前,还包括:
对所述食品图像进行二值化处理以及目标标记处理,得到含有目标食品标记的二值化食品图像;
提取所述二值化食品图像中的目标食品,将所提取的目标食品的图像输入预设的种类识别模型,以使所述种类识别模型对所述目标食品进行种类识别,得到所述目标食品的食品种类;
其中,所述食品种类识别模型以若干食品图像样本为输入,以所述食品图像样本的食品种类为输出,对一个神经网络模型进行模型训练而成。
作为优选方案,所述将所述食品图像的图像特征与所提取的各第一变质图像的图像特征逐一进行比对,确定所述目标食品的变质等级,包括:
根据所述食品图像的图像特征与所提取的各第一变质图像的图像特征,计算所述食品图像与各第一变质图像之间的图像相似度;其中,所述图像相似度包括:颜色相似度、形状相似度以及纹理相似度;
比较各图像相似度的大小,将与食品图像的图像相似度最大的第一变质图像所对应的变质等级作为目标食品的变质等级。
作为优选方案,所述根据所述食品图像的图像特征与所提取的各第一变质图像的图像特征,计算所述食品图像与各第一变质图像之间的图像相似度,包括:
将所述食品图像与所提取的各第一变质图像进行图像灰度处理;
根据所述食品图像的图像特征以及各第一变质图像的图像特征,依次将处理后的食品图像和处理后的各第一变质图像合并为双通道图像;
对于每一双通道图像,计算所述双通道图像对应的图像相似度矩阵,并获取所述图像相似度矩阵中每个元素的数值;
对所述图像相似度矩阵中每个元素的数值求平均值,根据所述平均值确定对应的第一变质图像与所述食品图像的图像相似度,继而得到各所述第一变质图像与所述食品图像的图像相似度的相似度。
作为优选方案,所述根据所述变质等级确定目标食品的变质时长,包括:
将所述变质等级以及所述食品图像,输入所述目标食品的食品种类所对应的变质时长计算模型,以使所述变质时长计算模型对所述目标食品的变质时长进行计算,输出所述目标食品的变质时长;
其中,所述变质时长计算模型以若干食品图像样本以及每一食品图像样本所对应的变质等级为输入,以所述食品图像样本的变质时长为输出,对一个神经网络模型进行模型训练而成。
作为优选方案,所述根据所述食品包装图像,识别所述目标食品的生产日期和保质期,包括:
对所述食品包装图像进行降噪、滤波、图像校正以及二值化处理,得到对应的二值化食品包装图像;
根据所述二值化食品包装图像,剔除所述食品包装图像的图像背景,并提取所述食品包装图像中所包含的各字符区域;
对于每一字符区域,将所述字符区域进行归一化处理,对所述字符区域中的字符进行分割,并提取所述字符区域中每一字符的特征值;
将每一字符的特征值与预设的字符数据库中的字符对应的特征值进行比对,得到每一字符的比对结果;
根据各字符区域中的字符比对结果,确定用于指示所述目标食品的生产日期和保质期的目标字符,继而根据所述目标字符确定所述目标食品的生产日期和保质期。
作为优选方案,所述将所述食品图像的图像特征与各所述第二变质图像的图像特征逐一进行比对,确定导致所述目标食品发生变质的变质因素,继而根据所述变质因素得到目标食品的变质原因,包括:
将所述食品图像的图像特征与各所述第二变质图像的图像特征逐一进行比对,计算所述食品图像与各所述第二变质图像的第二图像相似度;
将各所述第二图像相似度与预设的相似度阈值逐一进行比对,将大于所述相似度阈值的各第二图像相似度对应的第二变质图像的变质因素,均作为导致所述目标食品发生变质的变质因素;
根据各导致所述目标食品发生变质的变质因素,确定目标食品的变质原因。
在上述实施例的基础上,本发明另一实施例提供了一种交易售后数据的分析装置,包括:交易售后数据接收模块、第一变质图像提取模块、变质等级确定模块、初始变质日期确定模块、保质期限识别模块、变质时间判断模块、第一变质原因确定模块、第二变质图像提取模块以及第二变质原因确定模块;
所述交易售后数据接收模块,用于接收一交易售后数据;其中,所述交易售后数据为一用于反馈目标食品的变质情况的食品图像,以及一用于反馈目标食品的保质期限的食品包装图像;
所述第一变质图像提取模块,用于从预设的数据库中,提取所述目标食品对应的食品种类所包含的若干变质等级的第一变质图像;
所述变质等级确定模块,用于提取所述食品图像的图像特征,将所述食品图像的图像特征与所提取的各第一变质图像的图像特征逐一进行比对,确定所述目标食品的变质等级;
所述初始变质日期确定模块,用于根据所述变质等级确定目标食品的变质时长,继而根据所述变质时长确定目标食品在开始发生变质时的初始变质日期;
所述保质期限识别模块,用于根据食品包装图像,识别所述目标食品的生产日期和保质期;
所述变质时间判断模块,用于根据所述初始变质日期、生产日期以及保质期,判断所述目标食品是否在食品保质期限内发生变质;
所述第一变质原因确定模块,用于当所述目标食品不是在食品保质期限内发生变质时,确定所述目标食品的变质原因为食品过期;
所述第二变质图像提取模块,用于当所述目标食品是在食品保质期限内发生变质时,从所述数据库中提取目标食品对应的各第二变质图像;其中,所述第二变质图像为各类型变质因素导致食品发生变质时的变质图像;
所述第二变质原因确定模块,用于将所述食品图像的图像特征与所述第二变质图像的图像特征逐一进行比对,确定导致所述目标食品发生变质的变质因素,继而根据所述变质因素得到目标食品的变质原因。
在上述实施例的基础上,本发明又一实施例提供了一种交易售后数据的分析设备,所述设备包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现上述发明实施例所述的交易售后数据的分析方法。
在上述实施例的基础上,本发明又一实施例提供了一种存储介质,所述存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述存储介质所在设备执行上述发明实施例所述的交易售后数据的分析方法。
相比于现有技术,本发明实施例具有如下有益效果:
相比于人工观察食品图像变质情况的方式,本发明提取目标食品的若干变质等级的第一变质图像;提取食品图像的图像特征,确定所述目标食品的变质等级;根据所述变质等级确定目标食品的变质时长,继而根据所述变质时长确定目标食品在开始发生变质时的初始变质日期;根据所述食品包装图像,识别所述目标食品的生产日期和保质期;根据所述初始变质日期、生产日期以及保质期,判断所述目标食品是否在食品保质期限内发生变质;当所述目标食品不是在食品保质期限内发生变质时,确定所述目标食品的变质原因为食品过期;当所述目标食品是在食品保质期限内发生变质时,从所述数据库中提取目标食品对应的各第二变质图像;将所述食品图像的图像特征与各所述第二变质图像的图像特征逐一进行比对,确定导致所述目标食品发生变质的变质因素,继而根据所述变质因素得到目标食品的变质原因。
通过本发明可以自动对售后用户所输入的食品图像和食品包装图像进行自动分析识别,分析得到目标食品的变质等级以及变质原因,大大提高了判别食品图像变质情况的效率和精确度。
附图说明
图1是本发明一实施例提供的一种交易售后数据的分析方法的流程示意图;
图2是本发明一实施例提供的一种交易售后数据的分析装置的结构示意图。
具体实施方式
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作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
请参照图1,为本发明一实施例提供的一种交易售后数据的分析方法的流程示意图,包括如下具体步骤:
S1、接收一交易售后数据;其中,所述交易售后数据为一用于反馈目标食品的变质情况的食品图像,以及一用于反馈目标食品的保质期限的食品包装图像;
在短期食品的售后处理过程中,商家可通过人工客服或者机器人客服对用户的售后申诉进行处理,当判断用户的申诉理由为食品变质时,可通过人工客服或者机器人客服向用户发送提示,要求用户上传变质食品的食品图像和食品包装图像。其中,要求所述食品图像要清晰完整的显示变质食品的变质部位,所述食品包装图像要清晰完整的显示变质食品的生产日期和保质期。然后系统自动接收用户上传的食品图像和食品包装图像,对所述食品图像和食品包装图像进行相应的识别处理,确定变质食品,即目标食品的变质情况。
S2、从预设的数据库中,提取所述目标食品对应的食品种类所包含的若干变质等级的第一变质图像;
优选的,在所述提取所述目标食品对应的食品种类所包含的若干变质等级的第一变质图像之前,还包括:对所述食品图像进行二值化处理以及目标标记处理,得到含有目标食品标记的二值化食品图像;提取所述二值化食品图像中的目标食品,将所提取的目标食品的图像输入预设的种类识别模型,以使所述种类识别模型对所述目标食品进行种类识别,得到所述目标食品的食品种类;其中,所述食品种类识别模型以若干食品图像样本为输入,以所述食品图像样本的食品种类为输出,对一个神经网络模型进行模型训练而成。
在进行售后处理之前,预先收集各种类食品的食品图像作为训练样本,以各种类食品的食品图像为输入,以各食品图像中的食品对应的种类为输出,对一个卷积神经网络模型进行模型训练,得到一食品种类识别模型。在一个具体的实施例中,所述食品种类识别模型的模型架构可以包括一个输入层、两个卷积层、两个最大池化层、两个全连接层和一个输出层。在所述的两个卷积层中,第一卷积层包含20个尺寸为3×3的卷积核,第二卷积层包含20个尺寸为2×2的卷积核,在每个卷积层之后,再连接一个最大池化层,所连接的两个最大池化层的内核大小为2×2,步长为2。在所述的两个全连接层中,第一个全连接层包含500个单元,第二全连接层包含的单元数为分类数K。所述食品种类识别模型的批大小(BatchSize)为50,学习率(Learning Rate)为0.001。模型训练的过程中可以采用随机梯度下降的方法来提高模型的训练效率。
并根据各类型食品在发生变质时的变质程度,对每一类型食品的变质等级进行划分,在每一变质等级中,选取最具有代表性,最能体现该变质等级的变质情况的食品图像作为该变质等级的变质图像,将各类型食品所划分的变质等级的变质图像储存在预设的数据库中。
在接收到用户所上传的食品图像之后,系统对所述食品图像进行二值化处理,并在二值化图像中对目标食品进行标记,得到含有目标食品标记的二值化食品图像。然后提取所述二值化食品图像中的目标食品,将所提取的目标食品的图像输入所述种类识别模型中,所述种类识别模型对所述目标食品进行种类识别,输出所述目标食品的食品种类。在得到目标食品的食品种类之后,在预设的数据库中即可根据目标食品的食品种类,提取所述食品种类所包含的若干变质等级的第一变质图像。
S3、提取所述食品图像的图像特征,将所述食品图像的图像特征与所提取的各第一变质图像的图像特征逐一进行比对,确定所述目标食品的变质等级;
优选的,所述将所述食品图像的图像特征与所提取的各第一变质图像的图像特征逐一进行比对,确定所述目标食品的变质等级,包括:根据所述食品图像的图像特征与所提取的各第一变质图像的图像特征,计算所述食品图像与各第一变质图像之间的图像相似度;其中,所述图像相似度包括:颜色相似度、形状相似度以及纹理相似度;比较各图像相似度的大小,将与食品图像的图像相似度最大的第一变质图像所对应的变质等级作为目标食品的变质等级。
优选的,所述根据所述食品图像的图像特征与所提取的各第一变质图像的图像特征,计算所述食品图像与各第一变质图像之间的图像相似度,包括:将所述食品图像与所提取的各第一变质图像进行图像灰度处理;根据所述食品图像的图像特征以及各第一变质图像的图像特征,依次将处理后的食品图像和处理后的各第一变质图像合并为双通道图像;对于每一双通道图像,计算所述双通道图像对应的图像相似度矩阵,并获取所述图像相似度矩阵中每个元素的数值;对所述图像相似度矩阵中每个元素的数值求平均值,根据所述平均值确定对应的第一变质图像与所述食品图像的图像相似度,继而得到各所述第一变质图像与所述食品图像的图像相似度的相似度。
提取所述食品种类所包含的所有变质等级的第一变质图像之后,可以将目标食品的食品图像逐一与各变质等级的第一变质图像进行图像特征的比对,计算食品图像与各第一变质图像之间的颜色相似度、形状相似度以及纹理相似度,将所述颜色相似度、形状相似度以及纹理相似度进行融合,得到食品图像与各第一变质图像之间的图像相似度。然后再比较各图像相似度的大小,将与食品图像的图像相似度最大的第一变质图像所对应的变质等级作为目标食品的变质等级。
其中,在计算食品图像与各第一变质图像之间的图像相似度时,根据预设的图像目标尺寸Z*Z(Z大于0),对食品图像与各第一变质图像进行裁剪,得到食品图像X1和第一变质图像X2均为所述图像目标尺寸的单通道图像(Z,Z,1),然后将两张单通道图像(Z,Z,1)进行组合,得到一张双通道图像(Z,Z,2),提取所述双通道图像的特征图,对所提取的特征图进行上采样处理,依照预设的目标维度更新特征图,得到目标特征图,再对所述目标特征图进行降维处理,即可得到双通道图像对应的图像相似度矩阵,并获取所述图像相似度矩阵中每个元素的数值;然后对所述图像相似度矩阵中每个元素的数值求平均值,根据所述平均值确定对应的第一变质图像与所述食品图像的图像相似度,得到各所述第一变质图像与所述食品图像的图像相似度的相似度。
S4、根据所述变质等级确定目标食品的变质时长,继而根据所述变质时长确定目标食品在开始发生变质时的初始变质日期;
优选的,所述根据所述变质等级确定目标食品的变质时长,包括:将所述变质等级以及所述食品图像,输入所述目标食品的食品种类所对应的变质时长计算模型,以使所述变质时长计算模型对所述目标食品的变质时长进行计算,输出所述目标食品的变质时长;其中,所述变质时长计算模型以若干食品图像样本以及每一食品图像样本所对应的变质等级为输入,以所述食品图像样本的变质时长为输出,对一个神经网络模型进行模型训练而成。
在根据目标食品的变质等级计算目标食品的变质时长之前,首先收集每一种类食品的食品图像及其变质等级,将每一种类食品的食品图像及其变质等级作为训练样本,来对一卷积神经网络模型进行模型训练,得到每一食品种类对应的变质时长计算模型。在一个具体的实施例中,所述变质时长计算模型可由五个层组成,一个序列输入层,一个具有100个隐含单元的LSTM层,一个概率为0.2的丢弃层,一个全连接层和一个回归输出层,在模型训练过程中使用一适应性矩估计 (adam)求解器对模型进行求解,其学习速率为0.01,指定最小批训练为20,梯度阈值为1,指定训练处理器硬件为图形处理器(GPU),最大训练迭代周期为100。
在确定目标食品的变质等级之后,将目标食品的变质等级以及食品图像输入目标食品的食品种类所对应的变质时长计算模型,所述变质时长计算模型对所述目标食品的变质时长进行计算,输出所述目标食品的变质时长。
S5、根据所述食品包装图像,识别所述目标食品的生产日期和保质期;
优选的,所述根据所述食品包装图像,识别所述目标食品的生产日期和保质期,包括:对所述食品包装图像进行降噪、滤波、图像校正以及二值化处理,得到对应的二值化食品包装图像;根据所述二值化食品包装图像,剔除所述食品包装图像的图像背景,并提取所述食品包装图像中所包含的各字符区域;对于每一字符区域,将所述字符区域进行归一化处理,对所述字符区域中的字符进行分割,并提取所述字符区域中每一字符的特征值;将每一字符的特征值与预设的字符数据库中的字符对应的特征值进行比对,得到每一字符的比对结果;根据各字符区域中的字符比对结果,确定用于指示所述目标食品的生产日期和保质期的目标字符,继而根据所述目标字符确定所述目标食品的生产日期和保质期。
根据用户所发送的食品包装图像,对所述食品包装图像进行降噪、滤波、图像校正以及二值化处理,得到对应的二值化食品包装图像,然后根据二值化食品包装图像,剔除所述食品包装图像的图像背景,并提取所述食品包装图像中所包含的各字符区域;对于每一字符区域,将所述字符区域进行归一化处理,对所述字符区域中的字符进行分割,并提取所述字符区域中每一字符的特征值;将每一字符的特征值与预设的字符数据库中的字符对应的特征值进行比对,得到每一字符的比对结果;根据各字符区域中的字符比对结果,确定用于指示所述目标食品的生产日期和保质期的目标字符,继而根据所述目标字符确定所述目标食品的生产日期和保质期。
S6、根据所述初始变质日期、生产日期以及保质期,判断所述目标食品是否在食品保质期限内发生变质;
根据目标食品的食品包装图像确定所述目标食品的生产日期和保质期之后,可确定目标食品的保质期限(生产日期加上保质期),将目标食品的初始变质日期与所述保质期限进行比对,就可以判断目标食品发生变质的时间是否在食品保质期限内。
S7、当所述目标食品不是在食品保质期限内发生变质时,确定所述目标食品的变质原因为食品过期;
在一个优选的实施例中,还包括以下步骤:
S701:当确定所述目标食品的变质原因为食品过期时,获取目标食品对应的订单信息,根据所述订单信息确定目标食品的发货日期;
S702:根据目标食品的发货日期和初始变质日期,判断目标食品是否在发货前发生变质;
当目标食品不是在食品保质期限内发生变质时,确定所述目标食品的变质原因为食品过期,即用户在收到其购买的目标食品时,该目标食品已经过期并发生了变质,此时商家应该及时处理用户的售后申诉,对用户进行退款并赔偿相应的费用。进一步的,还可以再获取目标食品对应的订单信息,根据所述订单信息确定目标食品的发货日期,将所述发货日期与目标食品的初始变质日期进行比对,判断目标食品是在发货前就发生了变质,还是在发货后的物流运输过程中发生的变质,进一步确定目标食品的具体变质原因。
S8、当所述目标食品是在食品保质期限内发生变质时,从所述数据库中提取目标食品对应的各第二变质图像;其中,所述第二变质图像为各类型变质因素导致食品发生变质时的变质图像;
当目标食品是在食品保质期限内发生变质时,确定所述目标食品的变质原因不是食品过期,而是其他的变质因素,此时继续从数据库中,提取目标食品对应的各类型变质因素导致食品发生变质时的第二变质图像。
S9、将所述食品图像的图像特征与各所述第二变质图像的图像特征逐一进行比对,确定导致所述目标食品发生变质的变质因素,继而根据所述变质因素得到目标食品的变质原因。
优选的,所述将所述食品图像的图像特征与各所述第二变质图像的图像特征逐一进行比对,确定导致所述目标食品发生变质的变质因素,继而根据所述变质因素得到目标食品的变质原因,包括:将所述食品图像的图像特征与各所述第二变质图像的图像特征逐一进行比对,计算所述食品图像与各所述第二变质图像的第二图像相似度;将各所述第二图像相似度与预设的相似度阈值逐一进行比对,将大于所述相似度阈值的各第二图像相似度对应的第二变质图像的变质因素,均作为导致所述目标食品发生变质的变质因素;根据各导致所述目标食品发生变质的变质因素,确定目标食品的变质原因。
将食品图像逐一与各第二变质图像的进行图像特征比对,计算所述食品图像与各所述第二变质图像的第二图像相似度,并将各所述第二图像相似度与预设的相似度阈值逐一进行比对,将大于所述相似度阈值的各第二图像相似度对应的第二变质图像的变质因素,均作为导致所述目标食品发生变质的变质因素;根据各导致所述目标食品发生变质的变质因素,确定目标食品的变质原因。在一个具体的实施例中,目标食品的变质原因可能为:物流运输过程中食品包装袋破损造成食品变质或食品本身质量存在问题造成食品变质。此时商家应该及时向用户反馈目标食品的变质原因并及时处理用户的售后申诉,对用户进行退款处理。
在一个优选的实施例中,还包括以下步骤:
S10:根据目标食品的变质原因对目标食品的运营策略进行调整;其中,所述运营策略包括:食品供应商的选取、运输物流公司的选取、食品包装方式的选取以及食品保质期限的筛查方式;
在确定目标食品的变质原因之后,还可以根据目标食品的变质原因对目标食品的运营策略进行相应的调整:
(1)当确定目标食品是在发货前就发生变质时,调整食品保质期限的筛查方式,加强目标食品发货前的保质期限筛查的力度,在目标食品发货前,安排员工对目标食品的保质期限进行筛查,过滤掉已经过期或者临近过期的目标食品;
(2)当确定目标食品是在发货后的物流运输过程中发生变质时,调整运输物流公司的选取,选择运输时长更短的运输物流公司,避免目标食品在物流运输过程中因运输时长较长而导致食品发生变质;
(3)当确定目标食品是在物流运输过程中,食品包装袋破损造成食品变质时,调整目标食品发货时的包装方式的选取。例如目标食品的当前包装方式为:直接将目标食品放置在一纸箱中进行包装,那么在确定目标食品的变质原因为食品包装袋破损时,应该调整目标食品发货时的包装方式,可以在放置目标食品的纸箱中加入防挤压的泡沫垫,防止目标食品在后续的物流运输过程中发生包装破损;
(4)当确定目标食品是食品本身质量存在问题造成食品变质时,调整食品供应商的选取,选择同一种类食品中,食品质量更好或食品保质期限更长的食品供应商,以减少此类食品过期情况的发生。
由此可见,本发明提供了一种交易售后数据的分析方法,通过本发明可以自动对售后用户所输入的食品图像和食品包装图像进行自动分析识别,分析得到目标食品的变质等级以及变质原因,大大提高了判别食品图像变质情况的效率和精确度。
实施例二
请参照图2,为本发明一实施例提供的一种交易售后数据的分析装置的结构示意图,该装置包括:交易售后数据接收模块、第一变质图像提取模块、变质等级确定模块、初始变质日期确定模块、保质期限识别模块、变质时间判断模块、第一变质原因确定模块、第二变质图像提取模块以及第二变质原因确定模块;
所述交易售后数据接收模块,用于接收一交易售后数据;其中,所述交易售后数据为一用于反馈目标食品的变质情况的食品图像,以及一用于反馈目标食品的保质期限的食品包装图像;
所述第一变质图像提取模块,用于从预设的数据库中,提取所述目标食品对应的食品种类所包含的若干变质等级的第一变质图像;
所述变质等级确定模块,用于提取所述食品图像的图像特征,将所述食品图像的图像特征与所提取的各第一变质图像的图像特征逐一进行比对,确定所述目标食品的变质等级;
所述初始变质日期确定模块,用于根据所述变质等级确定目标食品的变质时长,继而根据所述变质时长确定目标食品在开始发生变质时的初始变质日期;
所述保质期限识别模块,用于根据食品包装图像,识别所述目标食品的生产日期和保质期;
所述变质时间判断模块,用于根据所述初始变质日期、生产日期以及保质期,判断所述目标食品是否在食品保质期限内发生变质;
所述第一变质原因确定模块,用于当所述目标食品不是在食品保质期限内发生变质时,确定所述目标食品的变质原因为食品过期;
所述第二变质图像提取模块,用于当所述目标食品是在食品保质期限内发生变质时,从所述数据库中提取目标食品对应的各第二变质图像;其中,所述第二变质图像为各类型变质因素导致食品发生变质时的变质图像;
所述第二变质原因确定模块,用于将所述食品图像的图像特征与所述第二变质图像的图像特征逐一进行比对,确定导致所述目标食品发生变质的变质因素,继而根据所述变质因素得到目标食品的变质原因。
实施例三
相应地,本发明实施例提供了一种交易售后数据的分析设备,所述设备包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现上述发明实施例所述的交易售后数据的分析方法。
实施例四
相应地,本发明实施例提供了一种存储介质,所述存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述存储介质所在设备执行上述发明实施例所述的交易售后数据的分析方法。
综上所述,本发明提供了一种交易售后数据的分析装置、设备以及存储介质,通过本发明可以自动对售后用户所输入的食品图像和食品包装图像进行自动分析识别,分析得到目标食品的变质等级以及变质原因,大大提高了判别食品图像变质情况的效率和精确度。
需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本发明提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
所述领域的技术人员可以清楚地了解到,为的方便和简洁,上述描述的装置的具体工作过程,可参考前述方法实施例中对应的过程,在此不再赘述。
设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述设备可包括,但不仅限于,处理器、存储器。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列 (Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述设备的控制中心,利用各种接口和线路连接整个设备的各个部分。
所述存储器可用于存储所述计算机程序,所述处理器通过运行或执行存储在所述存储器内的计算机程序,以及调用存储在存储器内的数据,实现所述设备的各种功能。所述存储器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等;存储数据区可存储根据手机的使用所创建的数据等。此外,存储器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,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(FlashCard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述存储介质为计算机可读存储介质,所述计算机程序存储在所述计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述是本发明的优选实施方式,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的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种交易售后数据的分析方法,其特征在于,包括:
接收一交易售后数据;其中,所述交易售后数据为一用于反馈目标食品的变质情况的食品图像,以及一用于反馈目标食品的保质期限的食品包装图像;
从预设的数据库中,提取所述目标食品对应的食品种类所包含的若干变质等级的第一变质图像;
提取所述食品图像的图像特征,将所述食品图像的图像特征与所提取的各第一变质图像的图像特征逐一进行比对,确定所述目标食品的变质等级;
根据所述变质等级确定目标食品的变质时长,继而根据所述变质时长确定目标食品在开始发生变质时的初始变质日期;
根据所述食品包装图像,识别所述目标食品的生产日期和保质期;
根据所述初始变质日期、生产日期以及保质期,判断所述目标食品是否在食品保质期限内发生变质;
当所述目标食品不是在食品保质期限内发生变质时,确定所述目标食品的变质原因为食品过期;
当所述目标食品是在食品保质期限内发生变质时,从所述数据库中提取目标食品对应的各第二变质图像;其中,所述第二变质图像为各类型变质因素导致食品发生变质时的变质图像;
将所述食品图像的图像特征与各所述第二变质图像的图像特征逐一进行比对,确定导致所述目标食品发生变质的变质因素,继而根据所述变质因素得到目标食品的变质原因;
其中,在确定所述目标食品的变质原因为食品过期之后,还包括:
当确定所述目标食品的变质原因为食品过期时,获取目标食品对应的订单信息,根据所述订单信息确定目标食品的发货日期;
根据目标食品的发货日期和初始变质日期,判断目标食品是否在发货前发生变质;
在根据所述变质因素得到目标食品的变质原因之后,还包括:
根据目标食品的变质原因对目标食品的运营策略进行调整;其中,所述运营策略包括:食品供应商的选取、运输物流公司的选取、食品包装方式的选取以及食品保质期限的筛查方式。
2.如权利要求1所述的交易售后数据的分析方法,其特征在于,在所述提取所述目标食品对应的食品种类所包含的若干变质等级的第一变质图像之前,还包括:
对所述食品图像进行二值化处理以及目标标记处理,得到含有目标食品标记的二值化食品图像;
提取所述二值化食品图像中的目标食品,将所提取的目标食品的图像输入预设的种类识别模型,以使所述种类识别模型对所述目标食品进行种类识别,得到所述目标食品的食品种类;
其中,所述种类识别模型以若干食品图像样本为输入,以所述食品图像样本的食品种类为输出,对一个神经网络模型进行模型训练而成。
3.如权利要求1所述的交易售后数据的分析方法,其特征在于,所述将所述食品图像的图像特征与所提取的各第一变质图像的图像特征逐一进行比对,确定所述目标食品的变质等级,包括:
根据所述食品图像的图像特征与所提取的各第一变质图像的图像特征,计算所述食品图像与各第一变质图像之间的图像相似度;其中,所述图像相似度包括:颜色相似度、形状相似度以及纹理相似度;
比较各图像相似度的大小,将与食品图像的图像相似度最大的第一变质图像所对应的变质等级作为目标食品的变质等级。
4.如权利要求3所述的交易售后数据的分析方法,其特征在于,所述根据所述食品图像的图像特征与所提取的各第一变质图像的图像特征,计算所述食品图像与各第一变质图像之间的图像相似度,包括:
将所述食品图像与所提取的各第一变质图像进行图像灰度处理;
根据所述食品图像的图像特征以及各第一变质图像的图像特征,依次将处理后的食品图像和处理后的各第一变质图像合并为双通道图像;
对于每一双通道图像,计算所述双通道图像对应的图像相似度矩阵,并获取所述图像相似度矩阵中每个元素的数值;
对所述图像相似度矩阵中每个元素的数值求平均值,根据所述平均值确定对应的第一变质图像与所述食品图像的图像相似度,继而得到各所述第一变质图像与所述食品图像的图像相似度的相似度。
5.如权利要求1所述的交易售后数据的分析方法,其特征在于,所述根据所述变质等级确定目标食品的变质时长,包括:
将所述变质等级以及所述食品图像,输入所述目标食品的食品种类所对应的变质时长计算模型,以使所述变质时长计算模型对所述目标食品的变质时长进行计算,输出所述目标食品的变质时长;
其中,所述变质时长计算模型以若干食品图像样本以及每一食品图像样本所对应的变质等级为输入,以所述食品图像样本的变质时长为输出,对一个神经网络模型进行模型训练而成。
6.如权利要求1所述的交易售后数据的分析方法,其特征在于,所述根据所述食品包装图像,识别所述目标食品的生产日期和保质期,包括:
对所述食品包装图像进行降噪、滤波、图像校正以及二值化处理,得到对应的二值化食品包装图像;
根据所述二值化食品包装图像,剔除所述食品包装图像的图像背景,并提取所述食品包装图像中所包含的各字符区域;
对于每一字符区域,将所述字符区域进行归一化处理,对所述字符区域中的字符进行分割,并提取所述字符区域中每一字符的特征值;
将每一字符的特征值与预设的字符数据库中的字符对应的特征值进行比对,得到每一字符的比对结果;
根据各字符区域中的字符比对结果,确定用于指示所述目标食品的生产日期和保质期的目标字符,继而根据所述目标字符确定所述目标食品的生产日期和保质期。
7.如权利要求1所述的交易售后数据的分析方法,其特征在于,所述将所述食品图像的图像特征与各所述第二变质图像的图像特征逐一进行比对,确定导致所述目标食品发生变质的变质因素,继而根据所述变质因素得到目标食品的变质原因,包括:
将所述食品图像的图像特征与各所述第二变质图像的图像特征逐一进行比对,计算所述食品图像与各所述第二变质图像的第二图像相似度;
将各所述第二图像相似度与预设的相似度阈值逐一进行比对,将大于所述相似度阈值的各第二图像相似度对应的第二变质图像的变质因素,均作为导致所述目标食品发生变质的变质因素;
根据各导致所述目标食品发生变质的变质因素,确定目标食品的变质原因。
8.一种交易售后数据的分析装置,其特征在于,包括:交易售后数据接收模块、第一变质图像提取模块、变质等级确定模块、初始变质日期确定模块、保质期限识别模块、变质时间判断模块、第一变质原因确定模块、第二变质图像提取模块、第二变质原因确定模块、第三变质原因确定模块以及运营策略调整模块;
所述交易售后数据接收模块,用于接收一交易售后数据;其中,所述交易售后数据为一用于反馈目标食品的变质情况的食品图像,以及一用于反馈目标食品的保质期限的食品包装图像;
所述第一变质图像提取模块,用于从预设的数据库中,提取所述目标食品对应的食品种类所包含的若干变质等级的第一变质图像;
所述变质等级确定模块,用于提取所述食品图像的图像特征,将所述食品图像的图像特征与所提取的各第一变质图像的图像特征逐一进行比对,确定所述目标食品的变质等级;
所述初始变质日期确定模块,用于根据所述变质等级确定目标食品的变质时长,继而根据所述变质时长确定目标食品在开始发生变质时的初始变质日期;
所述保质期限识别模块,用于根据食品包装图像,识别所述目标食品的生产日期和保质期;
所述变质时间判断模块,用于根据所述初始变质日期、生产日期以及保质期,判断所述目标食品是否在食品保质期限内发生变质;
所述第一变质原因确定模块,用于当所述目标食品不是在食品保质期限内发生变质时,确定所述目标食品的变质原因为食品过期;
所述第二变质图像提取模块,用于当所述目标食品是在食品保质期限内发生变质时,从所述数据库中提取目标食品对应的各第二变质图像;其中,所述第二变质图像为各类型变质因素导致食品发生变质时的变质图像;
所述第二变质原因确定模块,用于将所述食品图像的图像特征与所述第二变质图像的图像特征逐一进行比对,确定导致所述目标食品发生变质的变质因素,继而根据所述变质因素得到目标食品的变质原因;
所述第三变质原因确定模块,用于当确定所述目标食品的变质原因为食品过期时,获取目标食品对应的订单信息,根据所述订单信息确定目标食品的发货日期;根据目标食品的发货日期和初始变质日期,判断目标食品是否在发货前发生变质;
所述运营策略调整模块,用于根据目标食品的变质原因对目标食品的运营策略进行调整;其中,所述运营策略包括:食品供应商的选取、运输物流公司的选取、食品包装方式的选取以及食品保质期限的筛查方式。
9.一种交易售后数据的分析设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7中任意一项所述的交易售后数据的分析方法。
10.一种存储介质,其特征在于,所述存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述存储介质所在设备执行如权利要求1至7中任意一项所述的交易售后数据的分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311182340.6A CN116934348B (zh) | 2023-09-14 | 2023-09-14 | 一种交易售后数据的分析方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311182340.6A CN116934348B (zh) | 2023-09-14 | 2023-09-14 | 一种交易售后数据的分析方法、装置、设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116934348A CN116934348A (zh) | 2023-10-24 |
CN116934348B true CN116934348B (zh) | 2023-12-26 |
Family
ID=88384644
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311182340.6A Active CN116934348B (zh) | 2023-09-14 | 2023-09-14 | 一种交易售后数据的分析方法、装置、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116934348B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007052208A1 (en) * | 2005-10-31 | 2007-05-10 | Arcelik Anonim Sirketi | A refrigerator |
CN106056870A (zh) * | 2016-06-29 | 2016-10-26 | 蔡璟 | 一种基于智能家居的变质食物食用警示方法及其系统 |
CN109978354A (zh) * | 2019-03-14 | 2019-07-05 | 黄惠珠 | 一种基于保质期的食品抽查方法及其系统 |
CN110659579A (zh) * | 2019-08-23 | 2020-01-07 | 平安科技(深圳)有限公司 | 变质物品识别方法、装置、设备和介质 |
CN111043830A (zh) * | 2019-12-23 | 2020-04-21 | 四川虹美智能科技有限公司 | 冰箱及检测冰箱内食物的变质情况的方法 |
CN113012132A (zh) * | 2021-03-22 | 2021-06-22 | 平安科技(深圳)有限公司 | 一种图像相似度确定方法、装置及计算设备、存储介质 |
CN113971572A (zh) * | 2021-09-30 | 2022-01-25 | 阿里巴巴(中国)有限公司 | 数据处理方法、交互方法、计算设备及计算机存储介质 |
CN114036335A (zh) * | 2021-11-11 | 2022-02-11 | 深圳市乐福衡器有限公司 | 一种食物质量等级判断方法、系统、智能终端及存储介质 |
CN115180283A (zh) * | 2022-07-14 | 2022-10-14 | 贵州省疾病预防控制中心 | 一种学校食堂食物信息收集用记录装置及方法 |
CN115239242A (zh) * | 2022-07-25 | 2022-10-25 | 武汉奥恒翱贸易有限公司 | 一种基于数字孪生的国际贸易海运运单智能管理方法 |
CN115994907A (zh) * | 2023-03-22 | 2023-04-21 | 济南市莱芜区综合检验检测中心 | 用于食品检测机构综合信息的智能处理系统及方法 |
CN116596306A (zh) * | 2023-05-10 | 2023-08-15 | 贵州省分析测试研究院 | 基于风险分级的食品安全监督抽查方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102551358B1 (ko) * | 2018-09-21 | 2023-07-04 | 삼성전자주식회사 | 냉장고 내 객체의 상태와 관련된 정보를 제공하는 방법 및 시스템 |
-
2023
- 2023-09-14 CN CN202311182340.6A patent/CN116934348B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007052208A1 (en) * | 2005-10-31 | 2007-05-10 | Arcelik Anonim Sirketi | A refrigerator |
CN106056870A (zh) * | 2016-06-29 | 2016-10-26 | 蔡璟 | 一种基于智能家居的变质食物食用警示方法及其系统 |
CN109978354A (zh) * | 2019-03-14 | 2019-07-05 | 黄惠珠 | 一种基于保质期的食品抽查方法及其系统 |
CN110659579A (zh) * | 2019-08-23 | 2020-01-07 | 平安科技(深圳)有限公司 | 变质物品识别方法、装置、设备和介质 |
CN111043830A (zh) * | 2019-12-23 | 2020-04-21 | 四川虹美智能科技有限公司 | 冰箱及检测冰箱内食物的变质情况的方法 |
CN113012132A (zh) * | 2021-03-22 | 2021-06-22 | 平安科技(深圳)有限公司 | 一种图像相似度确定方法、装置及计算设备、存储介质 |
CN113971572A (zh) * | 2021-09-30 | 2022-01-25 | 阿里巴巴(中国)有限公司 | 数据处理方法、交互方法、计算设备及计算机存储介质 |
CN114036335A (zh) * | 2021-11-11 | 2022-02-11 | 深圳市乐福衡器有限公司 | 一种食物质量等级判断方法、系统、智能终端及存储介质 |
CN115180283A (zh) * | 2022-07-14 | 2022-10-14 | 贵州省疾病预防控制中心 | 一种学校食堂食物信息收集用记录装置及方法 |
CN115239242A (zh) * | 2022-07-25 | 2022-10-25 | 武汉奥恒翱贸易有限公司 | 一种基于数字孪生的国际贸易海运运单智能管理方法 |
CN115994907A (zh) * | 2023-03-22 | 2023-04-21 | 济南市莱芜区综合检验检测中心 | 用于食品检测机构综合信息的智能处理系统及方法 |
CN116596306A (zh) * | 2023-05-10 | 2023-08-15 | 贵州省分析测试研究院 | 基于风险分级的食品安全监督抽查方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116934348A (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110276754B (zh) | 一种表面缺陷检测方法、终端设备及存储介质 | |
Kaur et al. | Evaluation of plum fruit maturity by image processing techniques | |
CN110930221B (zh) | 异常订单处理方法、存储介质及计算机设备 | |
CN112184348B (zh) | 订单数据处理方法、装置、电子设备及介质 | |
CN113159147A (zh) | 基于神经网络的图像识别方法、装置、电子设备 | |
CN108090807B (zh) | 信息推荐方法及装置 | |
CN115302963B (zh) | 一种基于机器视觉的条形码印刷控制方法、系统及介质 | |
CN112561543A (zh) | 一种基于全周期物流数据分析的电商平台虚假交易订单监控方法、系统及云服务器 | |
CN111724114A (zh) | 一种基于大数据的电商商品分配物流智能管理系统 | |
CN111582932A (zh) | 场景间信息推送方法、装置、计算机设备及存储介质 | |
CN115760724A (zh) | 食品质量检测方法和系统 | |
CN114997956B (zh) | 基于大数据的母婴产品智能推荐系统 | |
CN113129103A (zh) | 车载冰箱物品推荐方法、装置、设备和存储介质 | |
CN116934348B (zh) | 一种交易售后数据的分析方法、装置、设备以及存储介质 | |
CN115761457A (zh) | 商品识别方法、装置、电子设备及计算机可读介质 | |
CN114610768A (zh) | 跨境商品的信息处理方法及装置 | |
CN112598664B (zh) | 基于视觉显著性的虫粮等级判定方法和装置 | |
CN114926464A (zh) | 在双录场景下的图像质检方法、图像质检装置及系统 | |
CN113159727A (zh) | 商品检测方法和装置、电子设备及存储介质 | |
CN112365324A (zh) | 适用于电商平台的商品图片检测方法 | |
CN115860007B (zh) | 指标影响度的计算方法及装置、存储介质、电子设备 | |
CN116740473B (zh) | 一种基于机器视觉的渔获物自动分拣方法及系统 | |
CN114882640B (zh) | 一种基于推货售卖机的推货位置识别系统 | |
US11688049B2 (en) | Systems and methods for image processing | |
CN115456723B (zh) | 一种基于云计算的服饰交易商城系统 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240531 Address after: 510000, Room 05, Room 1701, No. 31 Tianshou Road, Tianhe District, Guangzhou City, Guangdong Province (for office use only) Patentee after: Guangzhou Think Tank Software Co.,Ltd. Country or region after: China Address before: 510000 room A202, No. 97, Gaopu Road, Tianhe District, Guangzhou, Guangdong Province Patentee before: Guangzhou Taotong Technology Co.,Ltd. Country or region before: China |