CN117152539A - 基于降维特征机器校验的生鲜商品分类修正方法 - Google Patents
基于降维特征机器校验的生鲜商品分类修正方法 Download PDFInfo
- Publication number
- CN117152539A CN117152539A CN202311404066.2A CN202311404066A CN117152539A CN 117152539 A CN117152539 A CN 117152539A CN 202311404066 A CN202311404066 A CN 202311404066A CN 117152539 A CN117152539 A CN 117152539A
- Authority
- CN
- China
- Prior art keywords
- fresh
- image
- correction
- data set
- matching
- 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
- 238000012937 correction Methods 0.000 title claims abstract description 101
- 238000000034 method Methods 0.000 title claims abstract description 101
- 238000012795 verification Methods 0.000 title claims abstract description 56
- 230000009467 reduction Effects 0.000 title claims abstract description 41
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 238000005303 weighing Methods 0.000 claims description 34
- 238000004422 calculation algorithm Methods 0.000 claims description 23
- 238000005286 illumination Methods 0.000 claims description 21
- 238000003825 pressing Methods 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 8
- 238000007635 classification algorithm Methods 0.000 abstract description 23
- 230000007246 mechanism Effects 0.000 abstract description 10
- 230000005012 migration Effects 0.000 abstract description 4
- 238000013508 migration Methods 0.000 abstract description 4
- 230000009466 transformation Effects 0.000 abstract description 3
- 230000001174 ascending effect Effects 0.000 description 25
- 230000008569 process Effects 0.000 description 20
- 235000013311 vegetables Nutrition 0.000 description 14
- 238000012216 screening Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 238000000605 extraction Methods 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 5
- 230000002354 daily effect Effects 0.000 description 4
- 240000007124 Brassica oleracea Species 0.000 description 3
- 235000003899 Brassica oleracea var acephala Nutrition 0.000 description 3
- 235000011301 Brassica oleracea var capitata Nutrition 0.000 description 3
- 235000001169 Brassica oleracea var oleracea Nutrition 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 241000219315 Spinacia Species 0.000 description 2
- 235000009337 Spinacia oleracea Nutrition 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229920003023 plastic Polymers 0.000 description 2
- 235000014102 seafood Nutrition 0.000 description 2
- 235000011299 Brassica oleracea var botrytis Nutrition 0.000 description 1
- 235000017647 Brassica oleracea var italica Nutrition 0.000 description 1
- 240000003259 Brassica oleracea var. botrytis Species 0.000 description 1
- 240000008415 Lactuca sativa Species 0.000 description 1
- 235000003228 Lactuca sativa Nutrition 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 244000144977 poultry Species 0.000 description 1
- 235000011888 snacks Nutrition 0.000 description 1
- QERYCTSHXKAMIS-UHFFFAOYSA-M thiophene-2-carboxylate Chemical compound [O-]C(=O)C1=CC=CS1 QERYCTSHXKAMIS-UHFFFAOYSA-M 0.000 description 1
- 239000012780 transparent material Substances 0.000 description 1
Classifications
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/68—Food, e.g. fruit or vegetables
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于降维特征机器校验的生鲜商品分类修正方法,首先提供了一套机器初始分类算法,通过空间变换和光照度迁移,较高精度地实现了对生鲜商品的初始分类;当机器针对生鲜商品图像的初始分类结果不唯一时,提供了一套机器校验机制,通过变异系数、相关系数的计算等技术手段,在事先赋予各生鲜货架相对应的唯一编码的应用场景下,简单且准确地实现了对初始分类结果的机器自动校验;以降维特征为“桥梁”,使得基于变异系数、相关系数计算等技术手段的机器校验机制与机器初始分类算法相匹配,进而提供了一套简单有效地通过机器自动实现的生鲜商品分类修正方法,以适用上述特殊的应用场景。
Description
技术领域
本发明涉及生鲜商品分类技术领域,具体涉及一种基于降维特征机器校验的生鲜商品分类修正方法。
背景技术
生鲜商品如蔬果类、海鲜类、肉禽类等产品的分类特征较少,比如通常采用透明的塑料袋作为外包装,这些外包装分类特征很少且容易受光照度等环境因素的影响,因此目前对于生鲜商品的机器分类欠缺准确、有效的方法。为解决这个问题,现有方案通常采用人工校验方式对常规的商品分类算法针对生鲜商品的粗分类结果进行校验,其技术逻辑是:先使用常规的商品分类算法对生鲜商品进行分类识别,若分类结果唯一,则直接输出分类结果,但若分类结果不唯一,通过报警的方式提示人为对机器初始分类结果进行校验,比如人为分类并贴附商品分类标签后完成对生鲜商品的最终分类。
上述的生鲜商品分类方法,由于机器分类准确度较低,人为介入进行校验的频率较高,导致对于生鲜商品的分类过程繁琐、复杂,效率可能反而更低,且频繁的人为介入没有根本性改变现有机器算法难以实现对生鲜商品自动分类的难题。因此,首先需要一套针对生鲜商品具有较高分类精度的机器初始分类算法。但机器分类不可避免的会发生分类错误,当机器初始分类错误时,该如何减少人为介入,继续采用机器自动校验的方式对机器的初始分类结果进行二次校验,以提高对生鲜商品分类的自动化程度成为目前生鲜商品分类技术领域亟待解决的另一个问题。但是机器校验的精准性是建立在初始分类精度能够基本保障的前提下,否则,在初始分类精度不够理想的前提下进行校验,校验结果的可信度不高,反而可能是错上加错,因此,提供一套与具有较高分类精度的机器初始分类算法相匹配的校验机制是确保机器对生鲜商品校验准确度的关键,但校验机制与机器初始分类算法具体如何匹配、如何相互协调成为本领域解决上述两个技术问题时的关键技术难题。
发明内容
本发明以提供一套针对生鲜商品具有较高分类精度的机器初始分类算法,并提供一套与机器初始分类算法相匹配的机器校验机制,以实现对生鲜商品的高精度且高智能化的机器分类为目的,提供了一种基于降维特征机器校验的生鲜商品分类修正方法。
为达此目的,本发明采用以下技术方案:
提供一种基于降维特征机器校验的生鲜商品分类修正方法,当机器针对生鲜商品的初始分类结果不唯一时,将各初始分类结果和计价台当前采集的第二生鲜商品图像输入到分类修正模型中,模型通过以下方法步骤修正并输出最终分类结果:
M1,匹配出每个所述初始分类结果绑定的虚拟线段经降维后在虚拟空间的坐标值;
M2,将匹配到的形成在同个虚拟陈列场景中的各所述坐标值划入到所述虚拟陈列场景对应的数据集中;
M3,计算每个所述数据集中的各元素的变异系数,和/或计算两两所述数据集之间的相关系数,然后以所述变异系数或所述变异系数、所述相关系数为依据,通过预设的修正算法修正并输出所述最终分类结果。
作为优选,当所述数据集中的元素个数大于等于2时,计算所述数据集中的各元素的所述变异系数,计算方法包括步骤:
M31,获取所述元素指代的所述虚拟线段在每个历史更新时刻绑定的与所述初始分类结果具有相同类别的第一生鲜商品图像的特征,包括采集所述第一生鲜商品图像的第一光照度以及作为检测目标的生鲜商品区域图像与所在的所述第一生鲜商品图像的尺寸占比;
M32,计算采集步骤M31获取的各所述第一生鲜商品图像时的各所述第一光照度的第一均值和各所述尺寸占比的第二均值,并计算各所述第一光照度的第一标准差和各所述尺寸占比的第二标准差;
M33,计算所述第一标准差和所述第一均值的第一比值,并计算所述第二标准差和所述第二均值的第二比值,然后对所述第一比值和所述第二比值进行加权求和,所得和值作为所述元素的所述变异系数。
作为优选,依据所述变异系数并通过第一修正算法修正初始分类结果的方法包括步骤:
N31,将每个所述元素指代的所述虚拟线段在每个历史更新时刻绑定的与其对应的所述初始分类结果具有相同类别的各所述第一生鲜商品图像划入到关联所述元素的修正数据集中;
N32,从具有最大变异系数的所述元素关联的修正数据集中提取出与作为相应的初始分类依据的初始匹配图像的特征具有最大偏离度的所述第一生鲜商品图像作为修正匹配图像;
N33,将所述修正匹配图像与机器初始分类时采集的第二生鲜商品图像进行相似度匹配,
若匹配成功,则修正流程终止,输出所述修正匹配图像指代的生鲜商品类别作为修正输出的所述最终分类结果;
若匹配失败,则从步骤M2中划分得到的所述数据集中过滤掉所述元素,然后返回步骤N32,直至完成对所述数据集中的所有元素的修正遍历后报警。
作为优选,将计算所述相关系数的两两所述数据集定义为第一数据集和第二数据集,计算所述相关系数的方法包括步骤:
P1,分别计算所述第一数据集和所述第二数据集的差异系数均值,分别定义为第一差异系数均值和第二差异系数均值;
P2,计算所述第一差异系数均值和所述第二差异系数均值的差值绝对值作为所述第一数据集和所述第二数据集之间的所述相关系数;
所述差异系数均值为数据集中的各元素的所述变异系数的平均值。
作为优选,以所述相关系数和所述变异系数为依据通过第二修正算法修正初始分类结果的方法包括步骤:
Q1,形成每个所述数据集对应的相关系数清单,并计算清单中的各所述相关系数的和值,并按照和值由大到小对每个所述数据集进行排序,形成排序列表;
Q2,判断所述排序列表中的所述数据集的数量是否为2个,
若是,则通过第一修正策略对初始分类结果进行修正;
若否,则通过第二修正策略对初始分类结果进行修正。
作为优选,通过所述第一修正策略进行分类修正的方法具体包括如下步骤:
U1,从所述排序列表中提取所述差异系数均值最大的所述数据集;
U2,进一步获取步骤U1提取的所述数据集中具有最大变异系数的所述元素所关联的修正数据集;
U3,从所述修正数据集中提取出与作为相应的初始分类依据的初始匹配图像的特征具有最大偏离度的所述第一生鲜商品图像作为修正匹配图像;
U4,将所述修正匹配图像与机器初始分类时采集的第二生鲜商品图像进行相似度匹配,
若匹配成功,则修正流程终止,输出所述修正匹配图像指代的生鲜商品类别作为修正输出的所述最终分类结果;
若匹配失败,则从所述排序列表中过滤掉所述数据集,然后返回步骤U1,直至完成对所述排序列表中的所有所述数据集的修正遍历后报警。
作为优选,根据所述第二修正策略进行分类修正的方法具体包括如下步骤:
V1,从所述排序列表中提取出相关系数和值最大的所述数据集;
V2,获取步骤V1提取的所述数据集中具有最大变异系数的所述元素关联的所述修正数据集;
V3,从步骤V2获取的所述修正数据集中提取出与作为相应的初始分类依据的初始匹配图像的特征具有最大偏离度的所述第一生鲜商品图像作为修正匹配图像;
V4,将所述修正匹配图像与机器初始分类时采集的第二生鲜商品图像进行相似度匹配,
若匹配成功,则修正流程终止,输出所述修正匹配图像指代的生鲜商品类别作为修正输出的所述最终分类结果;
若匹配失败,则从所述排序列表中过滤掉所述数据集,然后返回步骤V1,直至完成对所述排序列表中的所有所述数据集的修正遍历后报警。
作为优选,所述偏离度的计算方法包括步骤:
R1,计算修正数据集中的每张所述第一生鲜商品图像的第一光照度与所述初始匹配图像的第一光照度的光照度差值,以及计算所述修正数据集中的每张所述第一生鲜商品图像与所述初始匹配图像中的目标尺寸占比的占比差值,所述目标尺寸占比为作为检测目标的生鲜商品区域图像与其所在的生鲜商品图像的尺寸的比值;
R2,对所述光照度差值和所述占比差值进行加权求和,求和值作为所述第一生鲜商品图像与所述初始匹配图像的偏离度,并将值最大的所述偏离度作为所述最大偏离度。
作为优选,机器对生鲜商品的初始分类方法包括步骤:
L1,买家将所述生鲜商品置于所述计价台的称重区域后按压对应的生鲜货架编码按钮,所述计价台根据按压指令获取针对编码对应的生鲜货架而最新降维并更新的各虚拟陈列场景;
L2,提取各所述虚拟陈列场景中的每条虚拟线段绑定的场景信息;
L3,所述计价台根据所提取的各所述场景信息模拟第二光照信息后采集第一生鲜商品图像并存储;
L4,将所述第一生鲜商品图像与各所述虚拟陈列场景中每一所述虚拟线段绑定的第二生鲜商品图像进行相似度匹配,并判断匹配成功的结果数量是否唯一,
若是,则提取出匹配成功的所述虚拟线段所绑定的生鲜商品类型和单价,完成对所述生鲜商品的初始分类识别,然后称重后完成计价;
若否,则对所述计价台输出的所述初始分类结果进行校验后完成对所述生鲜商品的称重计价。
本发明具有以下有益效果:
1、本发明结合光照度迁移、特征降维并引入按压生鲜货架编码按钮的方式提供了一套具有较高分类精度的机器初始分类算法,在对常规的商品分类算法作简单技术改进的前提下,为该算法的执行设置了消费者在计价台上按压生鲜货架编码按钮的前提条件,使得作为机器分类依据的范围大幅缩小,基本保障了该机器初始分类算法的初始分类精度。
2、以在虚拟三维空间下表征陈列区域的虚拟线段经降维后的坐标值(点位)为变异系数、相关系数的计算依据,将对机器初始分类结果的校验过程回归到寻找具有高变异性或高相关性下具有高变异性的点位所绑定的第一生鲜商品图像与初始匹配图像间的相似性,并将相似度匹配成功的第一生鲜商品图像的生鲜商品类别作为校正后的分类结果,校正过程考虑了历史基于不同的第一生鲜商品图像的图像特征但识别到相同生鲜商品种类的历次分类间的特征相关性,校验过程不仅简单且具有较高准确度。
3、校验机制基于初始分类算法中的降维特征(点位)实现,以降维特征作为“桥梁”,使得校验机制与初始分类算法相匹配,且降维将各点位映射到同个一维空间下,使得寻找作为变异系数、相关系数计算依据的各点位的图像特征更加方便,有利于提升变异系数、相关系数的计算速度,进而提升对生鲜商品的分类速度。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍。显而易见地,下面所描述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是本发明一实施例计价台对生鲜商品进行初始分类识别的方法的实现步骤图;
图2是“圆排型”的生鲜货架的示例图;
图3是“岛柜形”的生鲜货架的示例图;
图4是图3所示的“岛柜形”生鲜货架在虚拟三维空间下的虚拟陈列场景的示例图;
图5为设置在计价台上的顶升设备的示例图;
图6是本发明一实施例提供的考虑陈列位置、销量和分类精度的生鲜商品智能计价方法的实现步骤图;
图7是本发明一实施例提供的基于降维特征机器校验的生鲜商品分类修正方法的实现步骤图;
图8是作为变异系数和相关系数计算依据的以点位形式表示的虚拟线段所关联的初始分类结果在xy轴坐标系下的排列图;
图9是图8中的元素指代的虚拟线段在所归属的虚拟陈列场景的每个历史更新时刻绑定的具有与对应的初始分类结果相同类别的第一生鲜商品图像的图像特征点位的排布示意图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本专利的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若出现术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
在本发明的描述中,除非另有明确的规定和限定,若出现术语“连接”等指示部件之间的连接关系,该术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个部件内部的连通或两个部件的相互作用关系。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
本发明的技术先进性在于:
1、提供了一套针对生鲜商品具有较高分类精度的机器初始分类算法;
2、当机器针对生鲜商品图像的初始分类结果不唯一时,提供了一套机器校验机制,通过变异系数、相关系数的计算等技术手段,在事先赋予各生鲜货架相对应的唯一编码的应用场景下,简单且准确地实现了对初始分类结果的机器校验;
3、以降维特征(点位)为“桥梁”,使得基于变异系数、相关系数计算等技术手段的机器校验机制与机器初始分类算法相匹配,进而提供了一套简单有效地通过机器自动实现的生鲜商品分类修正方法,以适用上述特殊的应用场景。
以下对上述3个技术如何实现进行具体说明:
一、对生鲜商品的机器初始分类方法
本发明实施例实现对生鲜商品的机器初始分类的技术原理及操作方法简述如下:
商家在生鲜售卖区域摆设的每个生鲜货架的上方悬挂该生鲜货架对应的生鲜货架编码,这个生鲜货架编码是唯一的,比如对于用于陈列蔬果类生鲜商品的生鲜货架SG-SXHJ-1、SG-SXHJ-2、SG-SXHJ-3,可以分别赋予相对应的生鲜货架编码①、②、③。而对于用于陈列海鲜类生鲜商品的生鲜货架比如为HX-SXHJ-1、HX-SXHJ-2,可以编码为④、⑤。计价台上排布有分别绑定相应编码的按钮,如按钮①、按钮②、按钮③,即按钮①与生鲜货架编码①相绑定。
消费者在选购生鲜商品后,需要记住这个生鲜货架编码,并在将生鲜商品放置到计价台上后,需要按压编码对应的按钮,如在SG-SXHJ-1的生鲜货架上选购的生鲜商品若需要称重计价,需要按压计价台上的按钮①。
获取到按压指令后,计价台首先模拟编码对应的生鲜货架在当前时刻的光照度,然后在该模拟光照度下采集放置于计价台上的生鲜商品图像,并通过内嵌的生鲜商品初始分类算法对计价台上的生鲜商品进行自动的初始识别分类,初始分类结果若唯一,直接称重计价并输出计价结果,但若初始分类结果不唯一,比如,机器识别到当前放置于计价台上的商品疑似为生鲜商品A或生鲜商品B,则进入引入人工辅助的机器半自动的或基于降维特征的机器全自动校验的生鲜商品分类修正流程。
以下对计价台如何实现对生鲜商品的初始分类进行具体阐述。
如图1所示,计价台对生鲜商品进行初始分类识别包括步骤:
L1,买家将生鲜商品置于计价台称重区域后按压对应的生鲜货架编码按钮,计价台根据按压指令获取针对编码对应的生鲜货架而最新降维并更新的各虚拟陈列场景;
对于步骤L1,需要交代的是,商超内的生鲜商品售卖区域通常具有形状不一的生鲜货架用于陈列不同种类的生鲜商品,比如图2所示的“圆排形”和图3所示的“岛柜形”生鲜货架。同一生鲜货架上的不同陈列区域又可以陈列不同或相同种类的生鲜商品。比如,图2中所示的定义为“圆排形”的生鲜货架具有两个陈列面:陈列面1和陈列面2,每个陈列面可以由多个陈列区域组成,比如陈列面1上具有陈列区域A、B、C,陈列面2上具有陈列区域D、E、F,陈列区域A-F中的每一个可以陈列不同或相同类型的生鲜商品。
步骤L1中,对生鲜货架的虚拟陈列场景进行降维并更新的方法包括步骤:
A1,系统以商超工作人员在时刻按压生鲜货架的场景更新按钮为指令,采集该生鲜货架上各陈列区域的区域图像(优选由设置在生鲜货架的每个陈列区域的上方位置处的图像采集设备对相应的陈列区域进行区域图像采集),并获取/>时刻针对该生鲜货架生成的第一虚拟陈列场景,/>,/>为商超工作人员上一次按压该生鲜货架的场景更新按钮的时间点;
这里需要说明的是,生鲜货架的场景更新按钮的按压时机为:相比较时刻,/>时刻生鲜商品陈列在该生鲜货架上的陈列区域有变动,或者该生鲜货架上空置的陈列区域数量有变动。例如,商超工作人员在/>时刻对生鲜货架进行整理,将原本在/>时刻陈列在该生鲜货架上的陈列区域A中的生鲜商品转换陈列到陈列区域B中,以方便消费者更方便地从陈列区域B中拿取生鲜商品。或者,/>时刻,该生鲜货架上空置的陈列区域的数量相比较/>时刻有变动。
场景更新按钮优选设置在每个生鲜货架上,商超工作人员完成对生鲜货架上的生鲜商品的整理后,只要按下该生鲜货架上的按钮,系统便会根据按压指令更新该生鲜货架在虚拟三维空间下的虚拟陈列场景。
A2,对各区域图像进行生鲜商品识别,并根据不同的识别结果采取不同策略将时刻生成的第一虚拟陈列场景更新为/>时刻的第二虚拟陈列场景;
这里需要说明的是,步骤A2中的识别结果包括第一识别结果和第二识别结果,第一识别结果为:在时刻采集的区域图像中未识别到生鲜商品;第二识别结果为:在/>时刻采集的区域图像中识别到生鲜商品,
当识别到第一识别结果后,更新第一虚拟陈列场景的第一策略为:首先在第一虚拟场景中将表征在时刻未识别到生鲜商品的陈列区域的虚拟线段的呈现状态维持或改变为非激活状态,以将第一虚拟陈列场景替换为第二虚拟陈列场景,然后更新第二虚拟陈列场景中各虚拟线段绑定的场景信息;这里需要进一步说明的是,虚拟线段的激活或非激活状态实际一个标记,以提示系统非激活状态下的该虚拟线段所表征的陈列区域是“空”的,激活状态下的该虚拟线段所表征的陈列区域是“非空”的。比如在/>时刻,虚拟线段的激活状态为空(即非激活状态),且在/>时刻,同条虚拟线段对应的陈列区域同样为“空”,则在时刻,在第二虚拟陈列场景中,同样保持表征该虚拟线段所表征的陈列区域为“空”的标记,比如保持该虚拟线段的标记为“灰度”,“灰度”表示该虚拟线段表征的陈列区域当前为空置状态。而若在/>时刻为非空状态,而/>时刻为空置状态,则将该虚拟线段由“黑色”标记为“灰度”,“黑色”比如表示虚拟线段表征的陈列区域当前为非空置状态(即陈列有生鲜商品)。
当识别到第二识别结果后,更新第一虚拟陈列场景的第二策略为:
当在时刻采集的区域图像中识别到生鲜商品时,更新第一虚拟陈列场景的第二策略为:
在第一虚拟陈列场景中直接更新表征在时刻识别到生鲜商品的陈列区域的虚拟线段所绑定的场景信息(比如,将该虚拟线段所表征的陈列区域在/>时刻所绑定的该陈列区域的光照信息更新为/>时刻的光照信息,将陈列在该陈列区域的生鲜商品的单价信息由时刻更新为/>时刻的单价信息等),并置该虚拟线段为激活状态,完成对第一虚拟陈列场景中所有虚拟线段绑定的场景信息的更新后,得到第二虚拟陈列场景。
图4示出了图3所示的“岛柜形”的生鲜货架在虚拟三维空间中的虚拟陈列场景的示例图。以下结合图4对本发明生成生鲜货架对应的虚拟陈列场景的方法进行具体说明:
生成生鲜货架对应的虚拟陈列场景具体包括如下步骤:
B1,完成对每类生鲜货架在物理空间和虚拟三维空间的坐标转换关系的构建后,将生鲜货架上的各陈列区域连接为至少一条虚拟直线,每条虚拟直线由若干段表征相应陈列区域的虚拟线段构成。
生鲜货架在物理空间和虚拟三维空间的坐标转换关系的构建采用的是现有的空间转换关系构建方法,比如,生鲜货架上的某个陈列区域为矩形,该矩形的4个顶点和中心点在物理空间下具有相应的坐标值,这5个点的坐标值构成为该矩形即该陈列区域在物理空间下的坐标值。然后在虚拟三维空间中定义生鲜货架位置的参考原点比如为,/>分别为参考原点在x、y、z轴上的坐标值,然后对每个陈列区域的坐标值与参考原点进行求和,得到该陈列区域在虚拟三维空间中的坐标值。
同个生鲜货架具有至少一条以上虚拟直线,比如如图3所示的“岛柜形”的生鲜货架,其陈列面1、陈列面2、陈列面3等陈列面由左往右比如设置有若干个陈列区域,每个陈列面上的各陈列区域串联起来可以构成一条虚拟的直线(虚拟直线的构建方法有许多,比如可将每个陈列区域的中心点串联起来构成一条虚拟直线等),本实施例中对其定义为“虚拟直线”。比如图3中的3个陈列面分别对应一条“虚拟直线”。
将生鲜货架的各陈列区域连接为虚拟直线后,生成生鲜货架对应的虚拟陈列场景的方法转入步骤:
B2,根据所构建的坐标转换关系,将各虚拟直线转换到虚拟三维空间(如何转换在上述内容中已做了交代,不再赘述),并降低处于虚拟三维空间中的虚拟直线的维度后,得到生鲜货架的虚拟陈列场景。图3所示的“岛柜形”的生鲜货架在虚拟三维空间降维后的虚拟陈列场景如图4所示。
降低处于虚拟三维空间中的虚拟直线的维度的方法具体为:在虚拟三维空间坐标系下,构成虚拟直线的各虚拟线段的三维坐标的维度对应但维度坐标值不相同的坐标维度数量为一个。
计价台根据消费者的按压指令获取到针对按压编码对应的生鲜货架而最新降维并更新的虚拟陈列场景后,计价台对生鲜商品进行初始分类识别转入步骤:
L2,提取各虚拟陈列场景中的每条虚拟线段绑定的场景信息,包括虚拟线段所表征的陈列区域在买家按压生鲜货架编码按钮的当前时刻的第一光照信息(光照度)、计价台在/>时刻根据各第一光照信息模拟的第二光照信息、陈列区域唯一编码(后续机器能够根据这个编码快速找到在生鲜货架三维模型中需要“点闪”的陈列区域)、陈列区域形状特征(如陈列区域为矩形,可用矩形的4个顶点和中心位点的坐标表达陈列区域的形状特征)、陈列在陈列区域的生鲜商品的类别信息、单价信息、对虚拟线段表征的陈列区域产生第一光照信息的光照度生成设备的设备唯一编号(为了在后续光照度迁移时机器能够根据这个唯一编号快速查询到对应的光照度生成设备)、对虚拟线段的标记信息(比如上面所述的表示陈列区域“空置”状态的“灰度”标记,或者表示陈列区域陈列状态正常的“黑色”标记)、虚拟线段归属的虚拟陈列场景的生成时间(机器根据这个生成时间来识别所获取的虚拟陈列场景是否为最新更新),以及虚拟线段归属的虚拟直线在虚拟三维空间下的降维信息(将处于虚拟三维空间下的虚拟直线从三维降低到一维的降低方法)。
L3,计价台根据所提取的各场景信息模拟第二光照信息后采集第一生鲜商品图像并存储;
第二光照信息的具体模拟方法为:
对关联同个生鲜货架的各第一光照信息中分别携带的光照度取均值后,将取值结果作为第二光照信息。
虽然计价台在称重时作了光照度模拟,以尽可能在生鲜商品陈列环境的光照度条件下进行生鲜商品的初始分类识别,以降低分类出错率,但生鲜商品称重时通常被透明塑料袋等外包装包裹,这些透明材质的外包装容易反光,对初始分类准确率会产生一定影响。为了降低外包装对初始分类识别准确率的影响,本发明在计价台上还设置了如图5中所示的顶升设备b,顶升设备的工作过程为:在步骤L1中,当计价台接收到按压指令后同时顶升顶升设备,以将置于称重区域的生鲜商品的至少部分顶升到指定高度,以便于能够尽量降低反光对计价台采集第一生鲜商品图像的清晰度的影响。
生鲜商品被顶升后,计价台采集的第一生鲜商品图像至少包括3张,分别为处于顶升区域的顶升区域生鲜商品图像、处于顶升区域外的剩余区域生鲜商品图像,以及包括顶升区域生鲜商品图像和剩余区域生鲜商品图像的全局生鲜商品图像。
计价台完成光照度模拟并采集到第一生鲜商品图像后,计价台对生鲜商品进行初始分类识别转入步骤:
L4,将第一生鲜商品图像与各虚拟陈列场景中的每一虚拟线段所绑定的第二生鲜商品图像进行相似度匹配,并判断匹配成功的结果数量是否唯一,
若是,则提取出匹配成功的虚拟线段所绑定的生鲜商品类型和单价,然后称重后完成计价;
若否,则通过机器全自动校验或借助人工辅助的机器半自动校验完成对匹配结果的校验,然后依据校验结果完成对生鲜商品的称重计价。
步骤L4中,进行相似度匹配的方法具体为:
以先匹配顶升区域生鲜商品图像、再匹配剩余区域生鲜商品图像、最后匹配全局生鲜商品图像的顺序,对第一生鲜商品图像与各第二生鲜商品图像进行相似度匹配,任意当前顺序匹配成功,则不继续进入下一顺序的匹配并转入匹配成功的结果数量是否唯一的判断流程,若所有顺序均未匹配成功,则提示报警。
二、对机器初始分类结果的校验方法
本实施例提供了基于降维特征的机器全自动校验和借助人工辅助的机器半自动校验两种校验方式,来对机器针对生鲜商品的初始分类结果进行校验。
当采用机器全自动校验初始分类结果时(在下述内容中将着重说明机器全自动校验方法),降维更新的主要目的有二:一是以降维特征作为“桥梁”,使得机器的校验机制与机器的初始分类算法相匹配,提高机器针对生鲜商品的分类自动化水平;二是将降维后的坐标值(代表虚拟线段的“点位”)为变异系数、相关系数的计算依据,将对机器初始分类结果的校验过程回归到寻找具有高变异性或高相关性下具有高变异性的点位所绑定的第一生鲜商品图像与初始匹配图像间的相似性,使得校验过程简单,且在事先赋予各生鲜货架相对应的唯一编码的应用场景下,基于降维特征的机器全自动校验具有较高的校验精度。
而若借助人工辅助的半自动方式来检验机器的初始分类结果时(在下述内容中将着重说明借助人工辅助的机器半自动校验方法),降维更新的目的是:当机器识别到的商品类型的数量大于“1”时,能够快速提升维度,并将识别到的每个类型的商品在当前时刻所陈列的陈列区域,在升维后的生鲜货架三维模型中以陈列区域“点闪”等方式突出显示给消费者,以提示消费者辅助进入分类结果的机器半自动校验流程。
这里的“降维”指的是对生鲜货架在虚拟三维空间下的虚拟陈列场景进行降维,虚拟陈列场景指的是将物理空间下的生鲜货架上能够连接为一条直线的各陈列商品连接起来构成一条虚拟直线,将该虚拟直线在虚拟三维空间下进行维度下降后(降维)形成为对应的虚拟陈列场景。
通常情况下,在一个生鲜货架的一个陈列区域陈列一种相应类型的生鲜商品,即同一生鲜货架上的不同陈列区域陈列不同类型的生鲜商品。当消费者按压生鲜货架编码按钮后,机器已经知道当前需要称重计价的生鲜商品所来源的生鲜货架,已经从所有生鲜货架中作了生鲜商品所陈列的生鲜货架的初步筛选,商品初始分类算法的分类识别对象此时已经是指定的生鲜货架上的各陈列区域上的生鲜商品,分类范围已大幅缩小,因此借助生鲜货架编码按钮的按压动作,常规的商品分类算法已经可以取得较高的生鲜商品分类精度。所以,在大多数情况下(即机器的初始分类结果唯一),不需要利用降维、升维等操作对机器初始分类结果进行校验。但由于生鲜商品外包装的分类特征较少且不同的光照条件会对初始分类结果产生影响,可能发生机器初始分类结果不唯一的情况,此时便需要引入校验流程对初始分类结果进行校验。当采用借助人工辅助的机器半自动方式来进行校验时,本实施例中还需要向消费者呈现生鲜货架三维模型,模型呈现需要获取生鲜货架的三维数据,但各生鲜货架上的每个陈列区域所陈列的商品并非是固定不变的,比如当图2中所示的陈列区域D中的生鲜商品售空时,商超工作人员习惯将陈列区域A等区域的生鲜商品陈列到陈列区域D中,以方便消费者的拿取,因此,针对同个生鲜货架进行三维模型构建的数据是动态在变化的,若对不同时刻的三维模型数据直接进行存储,存储数据量非常大,在借助人工辅助的机器半自动校验流程中,计价台基于大量的三维数据重建三维模型需要耗费更长的时间,这在需要连续称重时,会极大影响计价台的生鲜商品分类识别效率,进而影响计价速度,这是不可被接受的,因此,本发明中,对于生鲜货架的三维数据进行降维后存储,这有利于后续的三维模型重建速度,进而提升称重计价速度。而当需要升维时,只要根据降维和升维间的坐标映射关系直接从低维度映射到高纬度即可,因此只要存储降维后的低维数据和高、低维度的映射关系即可,对于每个更新时刻产生的三维模型数据的存储量大幅减少。另外,生鲜货架三维模型的升维构建的目的是在所升维的三维模型中对机器初始分类识别到的生鲜商品所陈列的陈列区域以“点闪”方式呈现给用户,以此引入人工辅助校验的机器半自动化流程(系统以买家在点闪区域中选定所购买的生鲜商品的陈列区域为指令进入半自动化机器校验流程)。但是显然,人工辅助的校验流程需要模型的升维重建过程且需要人为在模型的点闪区域进行区域选定,还是比较麻烦,校验的自动化程度还不够高,为了解决这个问题,本实施例则提供了一套基于降维特征的机器全自动化的校验方法。
以下首先对借助人工辅助的机器半自动化校验的方法进行说明:
当判定相似度匹配成功的结果数量不唯一时,人工辅助的机器半自动化校验方法对匹配结果的校验流程包括步骤:
C1,将步骤L3模拟的第二光照信息发送给相似度匹配成功的每个虚拟线段所绑定的光照度生成设备,接收到第二光照信息的每个光照度生成设备实时采集对应监控的第一陈列区域的第三生鲜商品图像并作商品分类后输出第一商品分类结果;
并对步骤L1获取到的归属于生鲜货架的各虚拟陈列场景进行维度提升后,在升维的生鲜货架三维模型中以“点闪”方式(比如间隔指定时间在点亮和不点亮状态间切换)将步骤L4中相似度匹配成功的每个虚拟线段表征的陈列区域显示给买家,以提示买家在闪烁的各陈列区域中选定所购的生鲜商品的第二陈列区域,然后读取第二陈列区域对应的虚拟线段所绑定的第二商品分类结果(包括生鲜商品的类别、单价);
C2,判断各第一商品分类结果中是否存在与第二商品分类结果相同的分类,
若是,则提取出第二商品分类结果中携带的生鲜商品类别和单价,然后称重后完成计价;
若否,则提示报警。
对步骤L1获取到的归属于生鲜货架的各虚拟陈列场景进行升维的方法为:
根据事先构建的生鲜货架所在的物理空间与虚拟三维空间的坐标转换关系,将各虚拟陈列场景下的各陈列区域从降维后的降维坐标值升维到虚拟三维空间下的升维坐标值,然后根据表征各陈列区域在虚拟三维空间下的所处位置的各升维坐标值,将归属于同个生鲜货架的各陈列区域加入到虚拟三维空间的指定位置,完成对生鲜货架三维模型的构建。
而不需要借助人工辅助的基于降维特征的机器全自动化的校验方法为:当机器针对生鲜商品的初始分类结果不唯一时,将各初始分类结果和计价台当前采集的第二生鲜商品图像输入到分类修正模型中,模型通过图7所示的方法步骤修正并输出最终分类结果:
M1,匹配出每个初始分类结果绑定的虚拟线段经降维后在虚拟空间的坐标值;
初始分类结果绑定的虚拟线段经降维后在虚拟空间的坐标值的具体概念,结合图8解释如下:
例如,在当前时刻,计价台采集到第二生鲜商品图像后,通过初始分类算法,初始识别到第二生鲜商品图像中的目标商品可能为小青菜或大青菜或生菜或菠菜或洋白菜或西蓝花或包心菜,初始分类算法的初始分类原理在步骤L1-L4中作了说明,为:将采集到的第二生鲜商品图像与买家所按压的生鲜货架编码按钮对应的生鲜货架上的各个陈列区域在三维虚拟空间下的表达形式即虚拟线段所绑定的并经最新更新的第一生鲜商品图像进行检测目标的相似度匹配,因此匹配出来的各个初始分类结果的类型即为该虚拟线段所绑定的场景信息中记载的生鲜商品类型,根据场景信息中记载的类型与场景信息的包含和被包含的关系,可以匹配出相应的场景信息,根据场景信息与虚拟线段的绑定关系又能进一步匹配出相应的虚拟线段,根据虚拟线段在三维虚拟空间中的降维映射关系,最后能够匹配出该虚拟线段在降维后的虚拟空间的坐标值,这个坐标值以“点位”的形式通过如图8所示的方式呈现给机器。
M2,将匹配到的形成在同个虚拟陈列场景中的各坐标值划入到虚拟陈列场景对应的数据集中;
如图8所示,点位A、B具有相同的横轴坐标,不同的纵轴坐标,表示点位A、B处于降维后的同个虚拟陈列场景中,则将点位A、B划入到它们所归属的虚拟陈列场景对应的数据集中;同样地,点位C、D、E划入到同个数据集,点位F、G划入到同个数据集。
M3,计算每个数据集中的各元素的变异系数,和/或计算两两数据集之间的相关系数,然后以变异系数或变异系数、相关系数为依据,通过预设的修正算法修正并输出最终分类结果。
本实施例中,修正算法包括以变异系数为修正依据的第一修正算法和以相关系数、变异系数为修正依据的第二修正算法。在阐述两个修正算法的具体修正过程之前,首先对变异系数和相关系数的计算方法进行说明。
变异系数针对的是元素个数大于等于2的数据集,数据集中的每个元素(即点位)代表一个对应的初始分类结果。如图8中所示,点位A、B属于同个虚拟陈列场景,被划分在同个数据集中,一般而言,为尽可能的提升购物体验,各大商超习惯将同类型或相似类型的生鲜商品摆放在同个陈列面上,比如将类型相似的小青菜、大青菜放置在图3所示的同个陈列面1的相邻或相近陈列区域中,而将类型区分度较大但同属于同个大类的生鲜商品放置在同个货架的不同陈列面上,比如假设,图8中所示的摆放在点位A处对应的陈列区域中的生鲜商品类型为小青菜,摆放在点位B上的为大青菜,A、B处于同个陈列面即归属同个虚拟陈列场景,而点位C、D、E归属于另一个陈列面的另一个虚拟陈列场景,比如C、D、E的陈列面为图3中所示的陈列面2,在点位C处摆放生菜、D处摆放菠菜、E处摆放洋白菜。机器初始分类结果不唯一时,点位排列图存在以下几种情况:
第一种为:仅有1个数据集,该数据集中具有至少2个元素(初始分类结果不唯一表示图8中至少具有2个点位即至少具有2个元素),比如假设仅有图8中所示的包含点位A、B两个元素的第一数据集。
第二种为:具有两个及以上数据集,每个数据集中具有至少1个元素,比如具有图8中的第一数据集、第二数据集、第三数据集,第一数据集中有点位A、B,第二数据集中有点位C、D、E,第三数据集中有点位F、G;
本发明中,由于初始分类过程中引入了生鲜货架编码按钮的按压动作,初始分类的对象范围大幅缩小为摆放在同个生鲜货架的不同陈列区域的各生鲜商品的类型,因此确保了初始分类的准确度,通常不会出现校验对象(初始分类结果)大于3个的数量,即图8中的点位数量通常不会超过3个。需要强调的是,图8中的所有点位代表的陈列区域属于同个生鲜货架。
针对上述第一种初始分类结果不唯一的情况,本发明依据变异系数并通过第一修正算法来修正初始分类结果,变异系数的计算方法具体包括如下步骤:
M31,获取元素指代的虚拟线段在每个历史更新时刻绑定的与相应的初始分类结果具有相同类别的第一生鲜商品图像的特征,包括采集第一生鲜商品图像的第一光照度以及作为检测目标的生鲜商品区域图像与所在的第一生鲜商品图像的尺寸占比;
如图9中所示,假设在当前时刻的初始分类结果包括“小青菜”和“大青菜”,小青菜、大青菜类型假设分别对应图8 中的点位A、B。点位A指代的虚拟线段在每个历史更新时刻绑定的生鲜商品类型同样为“小青菜”的各第一生鲜商品图像的图像特征点位比如如图9中所示。图9中的位点1表示:点位A在/>时刻的图像特征为点位A指代的虚拟线段所归属的虚拟陈列场景在/>时刻更新场景信息后该虚拟线段绑定的第一生鲜商品图像的图像特征,且该第一生鲜商品图像中的生鲜商品的类型即为机器在/>时刻初始分类得到的其中一个初始分类结果。图9中的/>等时刻为点位A指代的虚拟线段所归属的虚拟陈列场景的每个场景信息更新时刻,且在/>中的每个更新时刻,点位A指代的虚拟线段绑定的场景信息中记载的生鲜商品类型均为与该初始分类结果相同的“小青菜”,实际上,虚拟陈列场景的场景信息历史更新时刻可能有/>总共10个或更多,但其中/>或更多的每个更新时刻,摆放在点位A指代的虚拟直线对应的陈列区域上的生鲜商品并非是“小青菜”,因此将点位A在/>绑定的场景信息过滤掉。
对于生鲜商品的分类识别,光照度和检测目标在整幅生鲜商品图像中的尺寸占比是最大的影响因素,因此,本发明利用该两个因素来计算不同元素间的图像特征差异度(通过变异系数表达),以此明确对于不同元素的分类校验的顺序,其技术逻辑为:如图9中所示的点位A(元素A),其变异系数越大,表示该元素用于分类的图像特征的稳定性越差,但该元素在时刻中的每一时刻绑定的生鲜商品种类却是相同,因此只要从/>中抽取出与时刻具有最大图像特征偏离度的那个时刻所绑定的第一生鲜商品图像与/>时刻采集的第二生鲜商品图像再次进行图像相似度匹配,若图像特征具有最差稳定性且具有最大偏离度的第一生鲜商品图像都能与/>时刻采集的第二生鲜商品图像匹配成功,则表明针对点位A的初始分类结果出错的可能性最低,因此,直接将该二次匹配到的类型作为机器校验后的最终分类结果。
步骤M31获取到变异系数计算所需的数据后,变异系数的计算流程转入步骤:
M32,计算采集步骤M31获取的各第一生鲜商品图像时的各第一光照度的第一均值和各尺寸占比的第二均值,并计算各第一光照度的第一标准差和各尺寸占比的第二标准差;
M33,计算第一标准差和第一均值的第一比值,并计算第二标准差和第二均值的第二比值,然后对第一比值和第二比值进行加权求和,所得和值作为该元素的变异系数,对第一比值和第二比值具体如何赋予相应的权重并非本发明解决技术问题的技术关键,因此不做说明。
依据变异系数并通过第一修正算法修正初始分类结果的方法包括如下步骤:
N31,将每个元素指代的虚拟线段在每个历史更新时刻绑定的与其对应的初始分类结果具有相同类别的各第一生鲜商品图像划入到关联该元素的修正数据集中,比如将图9中点位A指代的虚拟线段在场景信息更新时刻分别绑定的各第一生鲜商品图像划入到关联点位A的修正数据集中;
N32,从具有最大变异系数的元素关联的修正数据集中提取出与作为相应的初始分类依据的初始匹配图像的特征具有最大偏离度的第一生鲜商品图像作为修正匹配图像;比如,假设图9中时刻的图像特征点位对应的第一生鲜商品图像为机器在/>时刻进行初始分类的初始匹配图像,则分别计算/>时刻绑定的各第一生鲜商品图像与/>时刻绑定的该初始匹配图像的图像特征的偏离度,并将具有最大偏离度的某时刻绑定的第一生鲜商品图像作为修正匹配图像。
偏离度通过以下方法步骤计算而得:
R1,计算修正数据集中的每张第一生鲜商品图像的第一光照度与初始匹配图像的第一光照度的光照度差值,以及计算修正数据集中的每张第一生鲜商品图像与初始匹配图像中的目标尺寸占比的占比差值,目标尺寸占比为作为检测目标的生鲜商品区域图像与其所在的生鲜商品图像的尺寸的比值,生鲜商品区域图像由矩形框框选产生,矩形框选生鲜商品区域图像的方法由初始分类模型实现,不做具体说明。这里需要说明的是,目标区域图像的尺寸会根据在陈列区域摆放的生鲜商品的数量以及摆放紧凑性的变化而变化,这些变化会影响对生鲜商品的分类准确度,因此与光照度一样,可以作为分类校验的依据;
R2,对光照度差值和占比差值进行加权求和(两个变量的权重如何赋予不做说明),求和值作为该第一生鲜商品图像与初始匹配图像的偏离度,并将值最大的偏离度作为最大偏离度。
完成偏离度计算后,第一修正算法转入步骤:
N33,将修正匹配图像与机器初始分类时采集(时刻采集)的第二生鲜生鲜商品图像进行相似度匹配,
若匹配成功,则修正流程终止,输出修正匹配图像指代的生鲜商品类别作为修正输出的最终分类结果;
若匹配失败,则从步骤M2中划分得到的数据集中过滤掉该元素,然后返回步骤N32,直至完成对该数据集中的所有元素的修正遍历后报警(表示修正失败)。
针对上述第二种初始分类结果不唯一的情况,本发明依据相关系数和变异系数并通过第二修正算法来修正初始分类结果。当出现图8中所示的具有2个及以上的点位数据集时,在分类校验时,首先对哪个数据集的初始分类结果进行校验是确保分类校验速度的关键。本发明通过计算两两数据集之间的相关系数,并将相关系数值最大的数据集作为最先进行分类校验的对象,解决了该技术问题。通过相关系数解决该技术问题的理论逻辑为:如图8中所示,点位A-G分别代表一个初始分类结果,假设点位A、B构成的第一数据集具有第一整体图像特征,由点位C、D、E构成第二数据集具有第二整体图像特征,由点位F、G构成的第三数据集具有第三整体图像特征,若第一整体图像特征与第二整体图像特征、第三整体图像特征的综合图像特征最接近,则第一整体图像特征最能够表达所有初始分类结果的总体初始分类特征,此时,将第一数据集作为分类校验对象最可能得到正确的分类校验结果,因此将第一数据集首先作为分类校验对象。
以下对相关系数的计算方法进行具体阐述:
将计算相关系数的两两数据集定义为第一数据集合第二数据集,计算相关系数的方法包括如下步骤:
P1,分别计算第一数据集和第二数据集的差异系数均值,分别定义为第一差异系数均值和第二差异系数均值,差异系数均值为相应数据集中的各元素的变异系数的平均值,比如图8中的第一数据集中的点位A、B的变异系数的值分别为、/>,则第一差异系数均值为/>,各元素的变异系数通过上述的变异系数计算方法计算而得,不再赘述;
P2,计算第一差异系数均值和第二差异系数均值的差值绝对值作为第一数据集和第二数据集之间的相关系数。
以相关系数和变异系数为依据通过第二修正算法修正初始分类结果的方法包括如下步骤:
Q1,形成每个数据集对应的相关系数清单,并计算清单中的各相关系数的和值,并按照和值由大到小对每个数据集进行排序,形成排序列表;
Q2,判断排序列表中的数据集的数量是否为2个,
若是,则通过第一修正策略对初始分类结果进行修正;
若否,则通过第二修正策略对初始分类结果进行修正;
通过第一修正策略进行分类修正的方法具体包括如下步骤:
U1,从排序列表中提取差异系数均值最大的数据集;
U2,进一步获取步骤U1提取的数据集中具有最大变异系数的元素所关联的修正数据集,修正数据集通过步骤N31记载的方案获得;
U3,从修正数据集中提取出与作为相应的初始分类依据的初始匹配图像的特征具有最大偏离度的第一生鲜商品图像作为修正匹配图像;相应的初始分类依据如图9中示例,为距离当前时刻最近的虚拟陈列场景更新的/>时刻,该点位绑定的包含生鲜商品类别的场景信息,该场景信息中包含的第一生鲜商品图像作为初始匹配图像;
U4,将修正匹配图像与机器初始分类时(时刻)采集的第二生鲜商品图像进行相似度匹配,
若匹配成功,则修正流程终止,输出修正匹配图像指代的生鲜商品类别(也为初始匹配图像指代的生鲜商品类别)作为修正输出的最终分类结果;
若匹配失败,则从排序列表中过滤掉该数据集,然后返回步骤U1,直至完成对排序列表中的所有数据集的修正遍历后报警。
根据第二修正策略进行分类修正的方法具体包括如下步骤:
V1,从排序列表中提取出相关系数和值最大的数据集;
V2,获取步骤V1提取的数据集中具有最大变异系数的元素关联的修正数据集;
V3,从步骤V2获取的修正数据集中提取出与作为相应的初始分类依据的初始匹配图像的特征具有最大偏离度的第一生鲜商品图像作为修正匹配图像;
V4,将修正匹配图像与机器初始分类时采集的第二生鲜商品图像进行相似度匹配,
若匹配成功,则修正流程终止,输出修正匹配图像指代的生鲜商品类别作为修正输出的最终分类结果;
若匹配失败,则从排序列表中过滤掉该数据集,然后返回步骤V1,直至完成对排序列表中的所有数据集的修正遍历后报警。
三、对生鲜商品的智能计价方法
本发明实施例还提供了一种考虑陈列位置、销量和分类精度的生鲜商品智能计价方法,如图6所示,包括步骤:
S1,系统以用户输入陈列区域拟调整日为指令,获取历史每日的各时段所有类生鲜商品在各大商超的相应生鲜货架的相应陈列区域陈列时的第一自助称重计价记录清单,然后从第一自助称重计价记录清单中提取出每类生鲜商品在历史每日的每个时段的第二自助称重计价记录清单;这里需要说明的是,一类生鲜商品在历史每日的单个时段的自助称重计价记录形成为相应的一份第二自助称重计价记录清单(如下表1所示)。
下表1所示为在周一到周末的历史每日的上午6:00-7:00这一时段,生鲜商品A在各大商超的销量情况(自助称重计价的次数记录):
表1
对于上表1,需要交代的是,比如表1中的第二行第二列的数值“10”,第二行第三列的数值“12”,产生数值“10”“12”自助称重计价记录的生鲜商品A可能陈列在商超1的相同或不同生鲜货架上的相同或不同的陈列区域中,表1中的各数值并非所有均作为后续遍历算法针对该生鲜商品分析其建议陈列区域的依据,目的是为了提高遍历算法的数据分析的针对性并减少遍历时间。不同于自助结账机对零食类等外包装特征丰富的普通商品的基于常规的图像分类算法的计价方法,本实施例中,对生鲜商品的计价方法包括如下步骤:
S11,对生鲜货架进行空间变换结合光照度迁移并引入人工辅助校验计价台对生鲜商品的初始分类结果,得到对生鲜商品的最终分类结果;
S12,根据最终分类结果关联的单价,完成对生鲜商品的称重并计价。
自助称重计价记录的生成是生鲜商品分类识别及称重计价智能化的结果体现,也是本实施例寻找生鲜商品陈列位置与销量之间关系,分析输出每类生鲜商品在拟调整日的每个时段的建议陈列区域的数据依据,以下对本实施例如何通过智能化手段得到生鲜商品的自助称重计价记录进行具体说明。
对于生鲜商品的自助称重计价,本发明想要达到的技术效果是,在不需要依赖或减少依赖商超工作人员人工操作的条件下,实现机器对生鲜商品的自动或半自动的精准分类,提高生鲜商品分类识别并称重计价的智能化水平。
如何根据每类生鲜商品在各大商超产生的自助称重计价记录,快速且准确地的寻找到陈列位置与销量之间的关系是本发明另外需要解决的技术问题。为了解决这个问题,如图6所示,本实施例提供的一种考虑陈列位置、销量和分类精度的生鲜商品智能计价方法转入步骤:
S2,系统依据第二自助称重计价记录清单,通过遍历算法寻找到第一关系和第二关系后,计算输出每类生鲜商品在拟调整日的每个时段的建议陈列区域并展示给用户。第一关系为:生鲜商品在相同时段的历史每日在不同商超的相同或不同生鲜货架的相同或不同陈列区域的销量与所述生鲜商品在销量递增幅度最大的商超在相同时段的历史指定日的销量之间的关系;第二关系为:具有相同陈列区域的同种所述生鲜商品在各大商超的相同时段的销量之间的关系。
本实施例采用的遍历算法计算每类生鲜商品在拟调整日的每个时段的建议陈列区域的方法具体包括步骤:
S21,识别出第二自助称重计价记录清单中记录的每个商超在历史每日的同个时段针对该生鲜商品的计价次数的递升节点;
以下以上表1表示的第二自助称重计价记录清单为例,对递升节点的定义解释如下:
上表1中,上午6:00-7:00,生鲜商品A在商超1的自助称重计价次数为:周一计价10次,周二计价12次,则次数“10”“12”构成一个递升节点,该递升节点比如表示为“10、12”。又比如,上表1中,上午6:00-7:00,生鲜商品A在商超3的自助称重计价次数为:周三计价28次,周四计价33次,则次数“28、33”构成另一个递升节点。需要说明的是,每个递升节点携带有节点信息,如节点中的每个计价次数绑定的信息,如节点“10、12”中的计价次数“10”绑定的信息为生鲜商品A的计价记录形成的时间为历史某日的周一的上午6:00-7:00这一时段,生鲜商品A所陈列的生鲜货架的唯一编号,陈列在生鲜货架中的陈列区域的区域唯一编号、售卖的超市名称等。需要指出的是,构成递升节点的两个计价次数的产生日期是先后连续的,比如周一和周二产生的计价次数。表1中的商超1在周五产生的计价次数相比较周三产生的计价次数虽同样为递升,但因为日期非连续,因此不能构成递升节点。
S22,从各递升节点中识别出发生陈列区域变化的节点,并标记为递升标记节点;识别递升节点是否存在陈列区域变换,可以根据节点中的各计价次数绑定的陈列区域编号进行匹配实现。比如节点“10、12”中的计价次数“10”绑定的陈列区域编号为001,“20”绑定的陈列区域编号为002,则判定节点“10、12”发生陈列区域变化。
S23,计算每一递升标记节点的计价次数递增幅度,并按照幅度由高到低对每个递升标记节点表达的递升特征进行排序(幅度相同时按递增后的计价次数由大到小排序),形成递升特征列表;
比如,从表1中识别到的递升标记节点分别为“32、12”“42、12”“38、28”“29、23”“33、28”“22、17”“12、10”, “32、12”的递增幅度最大,为32-12=10,“12、10”的递增幅度最小,为12-10=2,则对这7个递升标记节点按递增幅度由高到低排列为如下表2表达的递增特征列表:
表2
S24,根据递升特征列表,并通过遍历算法筛选出产生第二自助称重计价记录清单的生鲜商品在拟调整日的该时段的建议陈列区域。
如上表2中所示,递升特征列表中的每一行表示一个递升标记节点,每行的递升标记节点包括分别表达递增后和递增前的计价次数的第一数值、第二数值,每行的各第一数值构成如表2中所示的递升特征列表中的第一列,每行的各第二数值构成递升特征列表中的第二列。
建议陈列区域的筛选方式具体包括如下步骤:
S241,从递升特征列表的第一列中提取排列最前且未做第二阈值数量判断的行作为筛选建议陈列区域的依据,比如当表2中的第一行即“32、12”未做第二阈值数量判断时,首先提取该行作为筛选建议陈列区域的依据。而当“32、12”做过第二阈值数量判断时,则提取未做第二阈值数量判断的第二行作为筛选依据。
S242,计算第一列中除提取行外的每行与提取行分别记载的第一数值间的差值绝对值;
比如,表2中记载的第一列的数值为:32、42、38、29、33、22、12,当前若提取了第一行“32、12”,则计算42、38、29、33、22、12中的每个与32的差值绝对值;
S243,对于差值绝对值大于预设的第一阈值的第一列中的每行记载的第一数值关联的第一陈列区域,判断与提取行中记载的第一数值关联的第二陈列区域为同个陈列区域的数量是否大于第二阈值,
若是,则将提取行关联的第二陈列区域作为筛选得到的对生鲜商品在拟调整日的该时段的建议陈列区域并终止筛选流程;
若否,则将提取行列为第二阈值数量已判断对象,然后返回步骤S341直至完成对第一列中的所有行是否满足第二阈值数量的判断。
举例而言,假设第一阈值为“5”,则差值绝对值大于第一阈值的第一列中的每行包括表2中的数值42、38、22、12。然后判断这4个数值关联的陈列区域与提取行中记载的数值即32所关联的陈列区域为同个陈列区域的数量是否大于第二阈值,比如第二阈值若设置为“3”。则大于第一阈值的数值数量为4,大于为“3”的第二阈值,则将“32”所关联的陈列区域作为筛选得到的对生鲜商品在拟调整日的该个时段(如上午6:00-7:00)的建议陈列区域。
当完成对递升特征列表中的所有行的遍历筛选但仍未筛选出针对该生鲜商品在拟调整日的该时段的建议陈列区域时,以第一列中的第一行关联的第二陈列区域作为最终确定的建议陈列区域。
在本实施例中,通过第一阈值数量的判断考虑了同种生鲜商品在相同时段的历史每日在不同商超的相同或不同生鲜货架的相同或不同陈列区域的销量与该生鲜商品在递增幅度最大的商超在相同时段的历史指定日的销量之间的第一关系,并通过第二阈值数量的判断,进一步考虑了具有相同陈列区域的同种生鲜商品在各大商超的相同时段的销量之间的第二关系,将建议陈列区域筛选精准性的评价回归到寻找第一关系和第二关系,不仅提升了建议陈列区域筛选的精准性,并且以列表形式并通过遍历的方式来寻找这两个关系,遍历过程简单,计算迅速,能够快速输出对每类生鲜商品在拟调整日的每个时段的建议陈列区域。
需要声明的是,上述具体实施方式仅仅为本发明的较佳实施例及所运用技术原理。本领域技术人员应该明白,还可以对本发明做各种修改、等同替换、变化等等。但是,这些变换只要未背离本发明的精神,都应在本发明的保护范围之内。另外,本申请说明书和权利要求书所使用的一些术语并不是限制,仅仅是为了便于描述。
Claims (9)
1.一种基于降维特征机器校验的生鲜商品分类修正方法,其特征在于,当机器针对生鲜商品的初始分类结果不唯一时,将各初始分类结果和计价台当前采集的第二生鲜商品图像输入到分类修正模型中,模型通过以下方法步骤修正并输出最终分类结果:
M1,匹配出每个所述初始分类结果绑定的虚拟线段经降维后在虚拟空间的坐标值;
M2,将匹配到的形成在同个虚拟陈列场景中的各所述坐标值划入到所述虚拟陈列场景对应的数据集中;
M3,计算每个所述数据集中的各元素的变异系数,和/或计算两两所述数据集之间的相关系数,然后以所述变异系数或所述变异系数、所述相关系数为依据,通过预设的修正算法修正并输出所述最终分类结果。
2.根据权利要求1所述的基于降维特征机器校验的生鲜商品分类修正方法,其特征在于,当所述数据集中的元素个数大于等于2时,计算所述数据集中的各元素的所述变异系数,计算方法包括步骤:
M31,获取所述元素指代的所述虚拟线段在每个历史更新时刻绑定的与所述初始分类结果具有相同类别的第一生鲜商品图像的特征,包括采集所述第一生鲜商品图像的第一光照度以及作为检测目标的生鲜商品区域图像与所在的所述第一生鲜商品图像的尺寸占比;
M32,计算采集步骤M31获取的各所述第一生鲜商品图像时的各所述第一光照度的第一均值和各所述尺寸占比的第二均值,并计算各所述第一光照度的第一标准差和各所述尺寸占比的第二标准差;
M33,计算所述第一标准差和所述第一均值的第一比值,并计算所述第二标准差和所述第二均值的第二比值,然后对所述第一比值和所述第二比值进行加权求和,所得和值作为所述元素的所述变异系数。
3.根据权利要求2所述的基于降维特征机器校验的生鲜商品分类修正方法,其特征在于,依据所述变异系数并通过第一修正算法修正初始分类结果的方法包括步骤:
N31,将每个所述元素指代的所述虚拟线段在每个历史更新时刻绑定的与其对应的所述初始分类结果具有相同类别的各所述第一生鲜商品图像划入到关联所述元素的修正数据集中;
N32,从具有最大变异系数的所述元素关联的修正数据集中提取出与作为相应的初始分类依据的初始匹配图像的特征具有最大偏离度的所述第一生鲜商品图像作为修正匹配图像;
N33,将所述修正匹配图像与机器初始分类时采集的第二生鲜商品图像进行相似度匹配,
若匹配成功,则修正流程终止,输出所述修正匹配图像指代的生鲜商品类别作为修正输出的所述最终分类结果;
若匹配失败,则从步骤M2中划分得到的所述数据集中过滤掉所述元素,然后返回步骤N32,直至完成对所述数据集中的所有元素的修正遍历后报警。
4.根据权利要求2所述的基于降维特征机器校验的生鲜商品分类修正方法,其特征在于,将计算所述相关系数的两两所述数据集定义为第一数据集和第二数据集,计算所述相关系数的方法包括步骤:
P1,分别计算所述第一数据集和所述第二数据集的差异系数均值,分别定义为第一差异系数均值和第二差异系数均值;
P2,计算所述第一差异系数均值和所述第二差异系数均值的差值绝对值作为所述第一数据集和所述第二数据集之间的所述相关系数;
所述差异系数均值为数据集中的各元素的所述变异系数的平均值。
5.根据权利要求4所述的基于降维特征机器校验的生鲜商品分类修正方法,其特征在于,以所述相关系数和所述变异系数为依据通过第二修正算法修正初始分类结果的方法包括步骤:
Q1,形成每个所述数据集对应的相关系数清单,并计算清单中的各所述相关系数的和值,并按照和值由大到小对每个所述数据集进行排序,形成排序列表;
Q2,判断所述排序列表中的所述数据集的数量是否为2个,
若是,则通过第一修正策略对初始分类结果进行修正;
若否,则通过第二修正策略对初始分类结果进行修正。
6.根据权利要求5所述的基于降维特征机器校验的生鲜商品分类修正方法,其特征在于,通过所述第一修正策略进行分类修正的方法具体包括如下步骤:
U1,从所述排序列表中提取所述差异系数均值最大的所述数据集;
U2,进一步获取步骤U1提取的所述数据集中具有最大变异系数的所述元素所关联的修正数据集;
U3,从所述修正数据集中提取出与作为相应的初始分类依据的初始匹配图像的特征具有最大偏离度的所述第一生鲜商品图像作为修正匹配图像;
U4,将所述修正匹配图像与机器初始分类时采集的第二生鲜商品图像进行相似度匹配,
若匹配成功,则修正流程终止,输出所述修正匹配图像指代的生鲜商品类别作为修正输出的所述最终分类结果;
若匹配失败,则从所述排序列表中过滤掉所述数据集,然后返回步骤U1,直至完成对所述排序列表中的所有所述数据集的修正遍历后报警。
7.根据权利要求6所述的基于降维特征机器校验的生鲜商品分类修正方法,其特征在于,根据所述第二修正策略进行分类修正的方法具体包括如下步骤:
V1,从所述排序列表中提取出相关系数和值最大的所述数据集;
V2,获取步骤V1提取的所述数据集中具有最大变异系数的所述元素关联的所述修正数据集;
V3,从步骤V2获取的所述修正数据集中提取出与作为相应的初始分类依据的初始匹配图像的特征具有最大偏离度的所述第一生鲜商品图像作为修正匹配图像;
V4,将所述修正匹配图像与机器初始分类时采集的第二生鲜商品图像进行相似度匹配,
若匹配成功,则修正流程终止,输出所述修正匹配图像指代的生鲜商品类别作为修正输出的所述最终分类结果;
若匹配失败,则从所述排序列表中过滤掉所述数据集,然后返回步骤V1,直至完成对所述排序列表中的所有所述数据集的修正遍历后报警。
8.根据权利要求3、6、7中任意一项所述的基于降维特征机器校验的生鲜商品分类修正方法,其特征在于,所述偏离度的计算方法包括步骤:
R1,计算修正数据集中的每张所述第一生鲜商品图像的第一光照度与所述初始匹配图像的第一光照度的光照度差值,以及计算所述修正数据集中的每张所述第一生鲜商品图像与所述初始匹配图像中的目标尺寸占比的占比差值,所述目标尺寸占比为作为检测目标的生鲜商品区域图像与其所在的生鲜商品图像的尺寸的比值;
R2,对所述光照度差值和所述占比差值进行加权求和,求和值作为所述第一生鲜商品图像与所述初始匹配图像的偏离度,并将值最大的所述偏离度作为所述最大偏离度。
9.根据权利要求1-7任意一项所述的基于降维特征机器校验的生鲜商品分类修正方法,其特征在于,机器对生鲜商品的初始分类方法包括步骤:
L1,买家将所述生鲜商品置于所述计价台的称重区域后按压对应的生鲜货架编码按钮,所述计价台根据按压指令获取针对编码对应的生鲜货架而最新降维并更新的各虚拟陈列场景;
L2,提取各所述虚拟陈列场景中的每条虚拟线段绑定的场景信息;
L3,所述计价台根据所提取的各所述场景信息模拟第二光照信息后采集第一生鲜商品图像并存储;
L4,将所述第一生鲜商品图像与各所述虚拟陈列场景中每一所述虚拟线段绑定的第二生鲜商品图像进行相似度匹配,并判断匹配成功的结果数量是否唯一,
若是,则提取出匹配成功的所述虚拟线段所绑定的生鲜商品类型和单价,完成对所述生鲜商品的初始分类识别,然后称重后完成计价;
若否,则对所述计价台输出的所述初始分类结果进行校验后完成对所述生鲜商品的称重计价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311404066.2A CN117152539B (zh) | 2023-10-27 | 2023-10-27 | 基于降维特征机器校验的生鲜商品分类修正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311404066.2A CN117152539B (zh) | 2023-10-27 | 2023-10-27 | 基于降维特征机器校验的生鲜商品分类修正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117152539A true CN117152539A (zh) | 2023-12-01 |
CN117152539B CN117152539B (zh) | 2024-01-26 |
Family
ID=88884628
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311404066.2A Active CN117152539B (zh) | 2023-10-27 | 2023-10-27 | 基于降维特征机器校验的生鲜商品分类修正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117152539B (zh) |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06348903A (ja) * | 1993-06-14 | 1994-12-22 | Fuji Facom Corp | 文字認識装置 |
JP2003256407A (ja) * | 2002-02-28 | 2003-09-12 | Japan Science & Technology Corp | 多変量解析システムおよび発現プロファイル解析方法 |
US20160350336A1 (en) * | 2015-05-31 | 2016-12-01 | Allyke, Inc. | Automated image searching, exploration and discovery |
CN110909698A (zh) * | 2019-11-28 | 2020-03-24 | 浙江由由科技有限公司 | 电子秤识别结果输出方法、系统、装置以及可读存储介质 |
CN111144871A (zh) * | 2019-12-25 | 2020-05-12 | 创新奇智(合肥)科技有限公司 | 一种基于重量讯息修正图像识别结果的方法 |
CN111222389A (zh) * | 2019-01-10 | 2020-06-02 | 图灵通诺(北京)科技有限公司 | 商超货架上商品的分析方法和系统 |
CN111445108A (zh) * | 2020-03-03 | 2020-07-24 | 国网江苏省电力有限公司电力科学研究院 | 数据驱动的配电网线变关系诊断方法、装置及系统 |
CN111612000A (zh) * | 2020-05-26 | 2020-09-01 | 创新奇智(西安)科技有限公司 | 一种商品分类方法、装置、电子设备及存储介质 |
CN111667012A (zh) * | 2020-06-10 | 2020-09-15 | 创新奇智(广州)科技有限公司 | 分类结果修正方法、装置、修正设备及可读存储介质 |
JP2021010117A (ja) * | 2019-07-01 | 2021-01-28 | 株式会社リコー | 情報処理装置、画像処理装置、方法およびプログラム |
KR102294495B1 (ko) * | 2020-09-03 | 2021-08-25 | 양봉주 | 가상현실 기반의 인테리어 및 이와 연동하는 증강현실을 제공하기 위한 가상 인테리어 시스템, 방법 및 컴퓨터 판독 가능한 기록 매체 |
CN113313323A (zh) * | 2021-06-18 | 2021-08-27 | 中冶赛迪工程技术股份有限公司 | 研发项目的人力产出预测方法、系统、电子设备及介质 |
US20210334574A1 (en) * | 2018-05-30 | 2021-10-28 | Boe Technology Group Co., Ltd. | Commodity detection terminal, commodity detection method, system, computer device, and computer readable medium |
CN114282816A (zh) * | 2021-12-24 | 2022-04-05 | 苏州易泰勒电子科技有限公司 | 一种生鲜区大屏幕电子标签自动管理系统 |
CN114299395A (zh) * | 2021-12-30 | 2022-04-08 | 百富计算机技术(深圳)有限公司 | 商品结算处理方法、装置、终端设备及存储介质 |
CN114445725A (zh) * | 2022-02-10 | 2022-05-06 | 上海汉时信息科技有限公司 | 一种生鲜货物的检测方法和装置 |
CN114493732A (zh) * | 2020-10-27 | 2022-05-13 | 华中科技大学 | 生鲜电商可复用容器租赁数量预测模型建立方法及其应用 |
CN115294397A (zh) * | 2022-08-12 | 2022-11-04 | 广东履安实业有限公司 | 一种分类任务的后处理方法、装置、设备及存储介质 |
CN115690779A (zh) * | 2022-11-11 | 2023-02-03 | 北京航空航天大学杭州创新研究院 | 一种基于时序重排序的生鲜识别方法 |
CN116305977A (zh) * | 2023-03-24 | 2023-06-23 | 苏州万店掌网络科技有限公司 | 一种虚拟货架构建方法、装置、设备及存储介质 |
-
2023
- 2023-10-27 CN CN202311404066.2A patent/CN117152539B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06348903A (ja) * | 1993-06-14 | 1994-12-22 | Fuji Facom Corp | 文字認識装置 |
JP2003256407A (ja) * | 2002-02-28 | 2003-09-12 | Japan Science & Technology Corp | 多変量解析システムおよび発現プロファイル解析方法 |
US20160350336A1 (en) * | 2015-05-31 | 2016-12-01 | Allyke, Inc. | Automated image searching, exploration and discovery |
US20210334574A1 (en) * | 2018-05-30 | 2021-10-28 | Boe Technology Group Co., Ltd. | Commodity detection terminal, commodity detection method, system, computer device, and computer readable medium |
CN111222389A (zh) * | 2019-01-10 | 2020-06-02 | 图灵通诺(北京)科技有限公司 | 商超货架上商品的分析方法和系统 |
JP2021010117A (ja) * | 2019-07-01 | 2021-01-28 | 株式会社リコー | 情報処理装置、画像処理装置、方法およびプログラム |
CN110909698A (zh) * | 2019-11-28 | 2020-03-24 | 浙江由由科技有限公司 | 电子秤识别结果输出方法、系统、装置以及可读存储介质 |
CN111144871A (zh) * | 2019-12-25 | 2020-05-12 | 创新奇智(合肥)科技有限公司 | 一种基于重量讯息修正图像识别结果的方法 |
CN111445108A (zh) * | 2020-03-03 | 2020-07-24 | 国网江苏省电力有限公司电力科学研究院 | 数据驱动的配电网线变关系诊断方法、装置及系统 |
CN111612000A (zh) * | 2020-05-26 | 2020-09-01 | 创新奇智(西安)科技有限公司 | 一种商品分类方法、装置、电子设备及存储介质 |
CN111667012A (zh) * | 2020-06-10 | 2020-09-15 | 创新奇智(广州)科技有限公司 | 分类结果修正方法、装置、修正设备及可读存储介质 |
KR102294495B1 (ko) * | 2020-09-03 | 2021-08-25 | 양봉주 | 가상현실 기반의 인테리어 및 이와 연동하는 증강현실을 제공하기 위한 가상 인테리어 시스템, 방법 및 컴퓨터 판독 가능한 기록 매체 |
CN114493732A (zh) * | 2020-10-27 | 2022-05-13 | 华中科技大学 | 生鲜电商可复用容器租赁数量预测模型建立方法及其应用 |
CN113313323A (zh) * | 2021-06-18 | 2021-08-27 | 中冶赛迪工程技术股份有限公司 | 研发项目的人力产出预测方法、系统、电子设备及介质 |
CN114282816A (zh) * | 2021-12-24 | 2022-04-05 | 苏州易泰勒电子科技有限公司 | 一种生鲜区大屏幕电子标签自动管理系统 |
CN114299395A (zh) * | 2021-12-30 | 2022-04-08 | 百富计算机技术(深圳)有限公司 | 商品结算处理方法、装置、终端设备及存储介质 |
CN114445725A (zh) * | 2022-02-10 | 2022-05-06 | 上海汉时信息科技有限公司 | 一种生鲜货物的检测方法和装置 |
CN115294397A (zh) * | 2022-08-12 | 2022-11-04 | 广东履安实业有限公司 | 一种分类任务的后处理方法、装置、设备及存储介质 |
CN115690779A (zh) * | 2022-11-11 | 2023-02-03 | 北京航空航天大学杭州创新研究院 | 一种基于时序重排序的生鲜识别方法 |
CN116305977A (zh) * | 2023-03-24 | 2023-06-23 | 苏州万店掌网络科技有限公司 | 一种虚拟货架构建方法、装置、设备及存储介质 |
Non-Patent Citations (4)
Title |
---|
余哲修;张超;陈建珍;何超;: "阴阳坡不同划分方法的坡度匹配模型地形校正研究", 西南林业大学学报(自然科学), no. 06 * |
吴学华;马晓华;娄海川;韩晓春;丁杰;侯卫锋;: "基于多指标与卷积神经网络的化工产品需求预测", 自动化仪表, no. 08 * |
曾华;潘毅铃;杨泽曦;王斌;: "使用特征空间归一化主类距离的智能零售场景开放集分类方法", 计算机辅助设计与图形学学报, no. 05 * |
雷宇: "基于场景分类和商品检索的易混淆图像识别研究", 中国优秀硕士学位论文全文数据库 信息科技辑 * |
Also Published As
Publication number | Publication date |
---|---|
CN117152539B (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108694779B (zh) | 一种开放式自动售货机中商品的退货方法及其装置 | |
EP3745100A1 (en) | Weight monitoring-based commodity sensing system and commodity sensing method | |
CN108549851A (zh) | 智能货柜内货品识别方法及装置、智能货柜 | |
CN109784979A (zh) | 一种大数据驱动的供应链需求预测方法 | |
CN107563745A (zh) | 果蔬类商品自助称重与结账装置、系统及使用方法 | |
JP2012256093A (ja) | 商品検索装置および商品情報処理装置 | |
RU2013136504A (ru) | Отображение данных, относящихся к розничной среде, на виртуальной схеме физической розничной среды | |
CN109271935A (zh) | 物品与电子标签的配对方法、装置及系统 | |
CN107527451A (zh) | 物流箱售货方法、装置及物流箱 | |
JP2018169752A (ja) | 商品認識システム、学習済みモデル、及び商品認識方法 | |
CN115861986B (zh) | 基于超市自助结账系统的非标品智能识别及防损方法 | |
CN111652653A (zh) | 价格确定及预测模型构建的方法、装置、设备及存储介质 | |
CN110197416A (zh) | 通过重力识别商品的方法和装置 | |
WO2021179138A1 (zh) | 商超货架上商品的分析方法和系统 | |
CN111768243A (zh) | 销量预测方法、预测模型构建方法、装置、设备及介质 | |
CN108629318A (zh) | 一种基于图像识别技术的货架陈列识别方法、装置和系统 | |
CN117152539B (zh) | 基于降维特征机器校验的生鲜商品分类修正方法 | |
CN117152540B (zh) | 考虑陈列位置、销量和分类精度的生鲜商品智能计价方法 | |
WO2021048813A1 (en) | Scale and method for the automatic recognition of a product | |
CN107689123A (zh) | 物流箱售货方法、装置及物流箱 | |
CN116342169B (zh) | 一种商品陈列位置确定方法及无人售货系统 | |
CN117152541B (zh) | 空间变换结合光照度迁移和结果校验的生鲜商品识别方法 | |
CN110992140A (zh) | 一种用于识别模型的匹配方法和系统 | |
JP6598321B1 (ja) | 情報処理装置、制御方法、及びプログラム | |
CN113807915A (zh) | 一种基于深度学习构建的无人超市人货匹配方法及其系统 |
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 |