CN117710067A - 一种边缘计算方法、装置、设备及可读存储介质 - Google Patents

一种边缘计算方法、装置、设备及可读存储介质 Download PDF

Info

Publication number
CN117710067A
CN117710067A CN202410161165.0A CN202410161165A CN117710067A CN 117710067 A CN117710067 A CN 117710067A CN 202410161165 A CN202410161165 A CN 202410161165A CN 117710067 A CN117710067 A CN 117710067A
Authority
CN
China
Prior art keywords
commodity
information
unmanned
edge computing
browsing
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
Application number
CN202410161165.0A
Other languages
English (en)
Other versions
CN117710067B (zh
Inventor
熊庆
刘宇
于翔
刘俊
丁天霞
熊倩
陈庆泽
邱晓莉
王安宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Vocational and Technical College of Industry
Original Assignee
Chengdu Vocational and Technical College of Industry
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Vocational and Technical College of Industry filed Critical Chengdu Vocational and Technical College of Industry
Priority to CN202410161165.0A priority Critical patent/CN117710067B/zh
Publication of CN117710067A publication Critical patent/CN117710067A/zh
Application granted granted Critical
Publication of CN117710067B publication Critical patent/CN117710067B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Control Of Vending Devices And Auxiliary Devices For Vending Devices (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种边缘计算方法、装置、设备及可读存储介质，涉及边缘计算技术领域，包括：通过获取无人商品售卖车的环境信息和无人商品售卖车内的商品图像信息，结合边缘计算进行商品识别，得到商品价格、名称和促销信息。通过分析这些信息，系统生成第一商品推荐信息，并在显示屏上展示给行人。同时，系统收集行人的实时商品浏览数据，与第一推荐信息综合分析，生成第二商品推荐信息并展示。获取行人实时支付信息，将其与环境信息发送至边缘计算节点进行商品售卖热点位置预测。该系统以实时数据分析与综合为基础，为行人提供个性化商品推荐服务，同时预测商品售卖热点位置，提高购物体验的智能程度。

Description

一种边缘计算方法、装置、设备及可读存储介质
技术领域
本发明涉及边缘计算技术领域，具体而言，涉及一种边缘计算方法、装置、设备及可读存储介质。
背景技术
当前技术环境中，无人商品售卖车的智能化程度相对较低，无法充分满足顾客个性化需求，也未能充分利用环境信息进行实时分析。传统的商品售卖系统缺乏对顾客行为的深度理解和个性化推荐能力，导致购物体验的不足，并且传统系统往往依赖中心云服务器进行数据处理，导致信息传输延迟高、实时性差的问题，因此先需要一种减轻对网络带宽的需求，降低了数据传输延迟，使系统更加稳定可靠的边缘计算方法及装置，用于对于顾客行为的深度理解和个性化推荐能力，实时进行响应分析。
发明内容
本发明的目的在于提供一种边缘计算方法、装置、设备及可读存储介质，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：
第一方面，本申请提供了一种边缘计算方法，包括：
获取无人商品售卖车的环境信息和无人商品售卖车内的商品图像信息，所述无人商品售卖车的环境信息包括无人商品售卖车的四周的人群图像信息和行人的商品浏览信息；
将所述无人商品售卖车内的商品图像信息发送至边缘计算节点进行识别，得到无人商品售卖车内的商品数据信息，所述商品数据信息包括商品价格信息、商品名称信息和商品促销信息；
将所述无人商品售卖车的环境信息和所述无人商品售卖车内的商品数据信息发送至边缘计算节点进行分析，得到第一商品推荐信息；
将所述第一商品推荐信息发送至无人商品售卖车的显示屏进行显示，并获取行人的实时商品浏览数据，将所述实时商品浏览数据和所述第一商品推荐信息进行综合分析，得到行人的第二商品推荐信息；
将所述行人的第二商品推荐信息发送至无人商品售卖车的显示屏进行显示，并获取行人的实时支付信息，将所述行人的实时支付信息和所述无人商品售卖车的环境信息发送至边缘计算节点内进行商品售卖热点位置预测，得到商品售卖热点位置预测信息。
第二方面，本申请提供了一种边缘计算装置，包括：
获取单元，用于获取无人商品售卖车的环境信息和无人商品售卖车内的商品图像信息，所述无人商品售卖车的环境信息包括无人商品售卖车的四周的人群图像信息和行人的商品浏览信息；
识别单元，用于将所述无人商品售卖车内的商品图像信息发送至边缘计算节点进行识别，得到无人商品售卖车内的商品数据信息，所述商品数据信息包括商品价格信息、商品名称信息和商品促销信息；
第一处理单元，用于将所述无人商品售卖车的环境信息和所述无人商品售卖车内的商品数据信息发送至边缘计算节点进行分析，得到第一商品推荐信息；
第二处理单元，用于将所述第一商品推荐信息发送至无人商品售卖车的显示屏进行显示，并获取行人的实时商品浏览数据，将所述实时商品浏览数据和所述第一商品推荐信息进行综合分析，得到行人的第二商品推荐信息；
第三处理单元，用于将所述行人的第二商品推荐信息发送至无人商品售卖车的显示屏进行显示，并获取行人的实时支付信息，将所述行人的实时支付信息和所述无人商品售卖车的环境信息发送至边缘计算节点内进行商品售卖热点位置预测，得到商品售卖热点位置预测信息。
第三方面，本申请还提供了一种边缘计算设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现所述边缘计算方法的步骤。
第四方面，本申请还提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于边缘计算方法的步骤。
本发明的有益效果为：
本发明通过充分获取无人商品售卖车的环境信息和商品图像信息，结合先进的神经网络和决策模型，实现对顾客行为的深度理解和个性化推荐。通过边缘计算节点实时分析环境信息，将第一商品推荐信息呈现在无人商品售卖车的显示屏上，为顾客提供更智能、个性化的购物体验。本方法还包括商品图像的特征提取、行人购物意愿分析、实时商品浏览数据的综合分析等步骤，进一步提高了购物系统的智能化水平。通过这一技术创新，本发明旨在解决现有技术中存在的问题，提升无人商品售卖车的智能化水平，提供更优质的购物服务。
本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本发明实施例中所述的边缘计算方法流程示意图;
图2为本发明实施例中所述的边缘计算装置的拓扑结构示意图；
图3为本发明实施例中所述的边缘计算设备结构示意图。
图中标记：701、获取单元；702、识别单元；703、第一处理单元；704、第二处理单元；705、第三处理单元；800、边缘计算设备；801、处理器；802、存储器；803、多媒体组件；804、输入/输出(I/O)接口；805、通信组件。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例1：
本实施例提供了一种边缘计算方法。
参见图1，图中示出了本方法包括步骤S100、步骤S200、步骤S300、步骤S400和步骤S500。
步骤S100、获取无人商品售卖车的环境信息和无人商品售卖车内的商品图像信息，所述无人商品售卖车的环境信息包括无人商品售卖车的四周的人群图像信息和行人的商品浏览信息；
可以理解的是本发明通过获取无人商品售卖车的环境信息和商品图像信息，旨在建立一个全面的数据基础，用于后续的分析和推荐。环境信息包括了无人商品售卖车周围的人群图像信息和行人的商品浏览信息。这些信息采用摄像头等感知设备进行采集，以实现对售卖车周围环境的实时监测。
步骤S200、将所述无人商品售卖车内的商品图像信息发送至边缘计算节点进行识别，得到无人商品售卖车内的商品数据信息，所述商品数据信息包括商品价格信息、商品名称信息和商品促销信息；
需要说明的是本步骤通过将无人商品售卖车内的商品图像信息发送至边缘计算节点进行处理，实现对商品的识别，以获取包括价格、名称和促销信息在内的商品数据。这一步骤利用边缘计算节点上的图像识别技术，对商品进行实时、本地的分析，减少了对中心云服务器的依赖，提高了实时性和稳定性，本步骤中，步骤S200包括步骤S201、步骤S202、步骤S203和步骤S204。
步骤S201、将所述无人商品售卖车内的商品图像信息进行预处理，其中，将所述商品图像信息进行统一大小处理、去噪处理和增强对比度处理，得到预处理后的商品图像信息；
步骤S202、将所述预处理后的商品图像信息发送至边缘计算节点进行特征提取，得到商品图像的特征信息，所述特征信息包括颜色特征和纹理特征；
其中，步骤S202包括步骤S2021、步骤S2022和步骤S2023。
步骤S2021、将所有的商品图像信息进行灰度变换，得到所述商品图像信息对应的灰度图像，并将所述灰度图像内的同一灰度值的像素点进行连线，其中采用线性插值法对所述连线进行插值处理，得到所述商品图像信息的纹理特征；
步骤S2022、将所述商品图像信息进行边缘检测，得到商品图像信息内的商品轮廓边缘，并将所述商品轮廓边缘外的图像转化为白色；
步骤S2023、将所述商品轮廓边缘内的所有像素点的R、G、B三个分量分别进行聚类处理，并将得到的所有聚类簇进行中心点的求平均值计算，得到所有聚类簇中心点的平均值，并将所述平均值作为商品图像信息的颜色特征。
步骤S203、基于所述商品图像的特征信息与预设的特征权重进行比较，得到所述商品图像对应的类别信息；
其中，本步骤通过提取商品图像的关键特征，并将其与预设权重进行比较，准确地确定商品所属的类别，其中商品图像对应的类别信息为商品对应的种类，例如该商品识别出来为电子产品、服装或食品等类别，可以对商品快速分类，进而后续确定商品时只需要对该商品类别内进行识别，减少后续识别计算量。
步骤S204、基于所述商品图像的特征信息和所述商品图像对应的类别信息进行识别，得到商品图像对应的商品信息。
其中，本步骤通过预处理和特征提取的运算，得到更高级别的商品信息。预处理步骤包括统一大小处理、去噪处理和增强对比度处理，以提高图像的质量和可用性。接着，通过进行特征提取，得到颜色、纹理和形状等多维度的特征信息。最后，通过比较和识别步骤，将商品图像映射为具体的商品信息。在实际实施中，预处理阶段可以利用常见的图像处理算法，如OpenCV库提供的函数，对图像进行大小调整、去噪和对比度增强。通过这一系列步骤，系统能够在本地快速且准确地对商品图像进行处理和分析。
步骤S300、将所述无人商品售卖车的环境信息和所述无人商品售卖车内的商品数据信息发送至边缘计算节点进行分析，得到第一商品推荐信息；
可以理解的是本步骤将无人商品售卖车的环境信息和商品数据信息传送至边缘计算节点，通过分析这些信息得到第一商品推荐。边缘计算节点在接收到数据后，利用内建算法和模型进行实时分析，以了解当前环境和商品数据，从而提供顾客一个个性化的第一商品推荐。本步骤中，步骤S300包括步骤S301、步骤S302和步骤S303。
步骤S301、将无人商品售卖车的四周的人群图像信息发送至训练后目标检测模型进行行人检测，并基于检测结果生成人流密度分布图；
步骤S302、基于所述人流密度分布图确定每个行人的移动路径信息，并将所述行人的移动路径信息和行人的商品浏览信息发送至训练后的决策树模型进行分析，得到行人的商品购买意愿信息；
步骤S303、将所述行人的商品购买意愿信息和所述无人商品售卖车内的商品数据信息进行对接，确定所述行人的商品购买意愿信息对应的商品数据信息，并将所述行人的商品购买意愿信息对应的商品数据信息生成第一商品推荐信息。
需要说明的是本步骤通过目标检测、人流密度分布、移动路径和决策树模型，系统能够更深入地理解行人的行为，包括商品浏览和购买意愿。这些信息用于生成更为精准的第一商品推荐。在实际应用中，目标检测模型可以是基于深度学习的物体检测模型，如YOLO(You Only Look Once) 或 Faster R-CNN。人流密度分布图的生成可以通过图像处理技术，如图像分割和密度估计。决策树模型可以基于历史数据进行训练，了解不同移动路径和商品浏览行为与购买意愿之间的关系，以提高推荐准确性，本步骤中，步骤S302包括步骤S3021、步骤S3022、步骤S3023和步骤S3024。
步骤S3021、获取行人的历史商品购买信息、行人的历史移动路径信息和行人的历史商品浏览信息；
步骤S3022、将所述行人的历史商品购买信息分别与行人的历史移动路径信息和行人的历史商品浏览信息进行映射，并基于所述行人的历史商品购买信息分别对所述行人的历史移动路径信息和行人的历史商品浏览信息进行标记，将所述标记后的信息作为行人的商品购买意愿信息；
步骤S3023、基于CART算法和所述标记后的数据信息，得到CART决策树，对所述CART决策树进行随机剪枝处理并确定所述CART决策树的常量，得到至少一个未训练的子决策树；
步骤S3024、基于所述未训练的子决策树和基尼指数计算方法得到最优的子决策树，基于所述最优的子决策树得到所述商品购买意愿识别模型，所述商品购买意愿识别模型包含所述最优子决策树及其对应的目标常数。
其中，本步骤通过构建CART决策树来分析行人的历史购物行为，从而生成商品购买意愿的识别模型。这个模型将在后续用于分析实时数据，提高对行人的个性化推荐准确性。
步骤S400、将所述第一商品推荐信息发送至无人商品售卖车的显示屏进行显示，并获取行人的实时商品浏览数据，将所述实时商品浏览数据和所述第一商品推荐信息进行综合分析，得到行人的第二商品推荐信息；
可以理解的是本步骤将第一商品推荐信息展示给行人，并在行人实时浏览商品时，通过综合分析实时商品浏览数据和第一商品推荐信息，生成行人的第二商品推荐信息。这进一步提高了个性化推荐的准确性，以满足行人的需求，本步骤中，步骤S400包括步骤S401、步骤S402和步骤S403。
步骤S401、基于自然语言处理技术对实时商品浏览数据进行语义识别，得到商品浏览特征信息，所述商品浏览特征信息包括商品浏览次数信息和商品浏览时间信息；
步骤S402、将所述商品浏览次数信息和商品浏览时间信息分别和所述第一商品推荐信息进行关联分析，得到商品浏览次数信息和商品浏览时间信息分别与所述第一商品推荐信息的关联度值；
步骤S403、将所述关联度值发送至组合模型进行处理，得到组合关联度值，并基于所述组合关联度值确定第二商品推荐信息。
需要说明的是本步骤通过使用自然语言处理技术对实时商品浏览数据进行语义识别，以获取商品浏览特征信息。随后，通过关联分析，将商品浏览次数信息和商品浏览时间信息与第一商品推荐信息进行关联，得到关联度值。最后，通过组合模型处理关联度值，确定第二商品推荐信息，其中，所述组合模型为基于最小鉴别原理对商品浏览次数信息、商品浏览时间信息和第一商品推荐信息的关联度值构建目标函数，然后进行求解得到组合关联度值的模型，组合模型的设计旨在更综合地考虑用户的实时行为和推荐信息，以提高对用户兴趣的准确理解，从而更准确地进行商品推荐。本步骤中，步骤S403包括步骤S4031、步骤S4032和步骤S4033。
步骤S4031、依据最小鉴别信息原理对商品浏览次数信息和商品浏览时间信息分别与所述第一商品推荐信息的关联度值进行处理，得到目标函数；
其中，所述目标函数如下：
其中， 为第i个第一商品推荐信息和商品浏览次数信息的关联度值， />为第i个第一商品推荐信息和商品浏览时间信息的关联度值， />为第i个第一商品推荐信息分别与商品浏览时间信息和商品浏览次数信息的关联度值的组合权重向量，n为关联度值总个数。
步骤S4032、基于所述目标函数的进行求解，得到所述目标函数的求解结果，并基于所述求解结果构建拉格朗日函数，其中，将商品浏览次数信息和商品浏览时间信息分别与所述第一商品推荐信息的关联度值代入到所述拉格朗日函数进行求解，得到组合关联度值；
其中，所构建的拉格朗日函数如下：
其中，L为拉格朗日函数，拉格朗日常数，/>为第i个第一商品推荐信息和商品浏览次数信息的关联度值，/>为第i个第一商品推荐信息和商品浏览时间信息的关联度值，/>为第i个第一商品推荐信息分别与商品浏览时间信息和商品浏览次数信息的关联度值的组合权重向量，n为关联度值总个数。
进一步的，所述拉格朗日函数求解公式如下：
为第i个第一商品推荐信息和商品浏览次数信息的关联度值，/>为第i个第一商品推荐信息分别与商品浏览时间信息和商品浏览次数信息的关联度值的组合权重向量，/>为第i个第一商品推荐信息和商品浏览时间信息的关联度值，/>为第i个第一商品推荐信息分别与商品浏览时间信息和商品浏览次数信息的关联度值的组合权重向量，n为关联度值总个数。
步骤S4033、将所述组合关联度值对应的第一商品推荐信息进行重新选取，其中选取所述组合关联度值最大的第一商品推荐信息作为第二商品推荐信息。
可以理解的是本步骤通过使用最小鉴别信息原理对商品浏览次数信息和商品浏览时间信息进行处理，以得到目标函数。接着，通过最小化目标函数来求解关联度值的组合。最后，基于组合关联度值重新选取第一商品推荐信息，确定第二商品推荐信息。
步骤S500、将所述行人的第二商品推荐信息发送至无人商品售卖车的显示屏进行显示，并获取行人的实时支付信息，将所述行人的实时支付信息和所述无人商品售卖车的环境信息发送至边缘计算节点内进行商品售卖热点位置预测，得到商品售卖热点位置预测信息。
可以理解的是本步骤通过将第二商品推荐信息发送至无人商品售卖车的显示屏，同时获取行人的实时支付信息。接着，将这些信息与无人商品售卖车的环境信息发送至边缘计算节点，进行商品售卖热点位置预测，最终得到商品售卖热点位置预测信息。本步骤中，步骤S500包括步骤S501、步骤S502、步骤S503和步骤S504。
步骤S501、将所述行人的实时支付信息和所述无人商品售卖车的环境信息进行匹配度计算，得到行人的实时支付信息和所述无人商品售卖车的环境信息的匹配度值；
其中，本步骤中的匹配度计算的公式如下所示：
其中，A为所述行人的实时支付信息和所述无人商品售卖车的环境信息的匹配度值， />表示行人的实时支付信息中第i个商品的支付次数，/> 表示无人商品售卖车的环境信息中第i个商品的浏览次数，n表示商品的总数，表示行人的实时支付信息中第i个商品的支付次数的平方， />表示无人商品售卖车的环境信息中第i个商品的浏览次数的平方。
步骤S502、将所有的所述匹配度值作为粒子群参数，并通过粒子群优化算法计算粒子适应度值；
步骤S503、根据粒子群中粒子的适应度大小，得到粒子的个体最优位置和全局最优位置，并基于粒子群优化算法动态跟踪个体最优位置和全局最优位置来进行不断更新所有粒子的速度和位置，直至所述粒子群优化算法达到最大迭代次数，得到最优的匹配度值对应的无人商品售卖车的环境信息；
步骤S504、将所述最优的匹配度值对应的无人商品售卖车的环境信息所处的位置作为商品售卖热点位置。
可以理解的是本步骤通过匹配度计算和粒子群优化算法，确定行人的实时支付信息与无人商品售卖车环境信息之间的匹配度值，并据此确定商品售卖热点位置。
实施例2：
如图2所示，本实施例提供了一种边缘计算装置，装置包括：
获取单元701，用于获取无人商品售卖车的环境信息和无人商品售卖车内的商品图像信息，所述无人商品售卖车的环境信息包括无人商品售卖车的四周的人群图像信息和行人的商品浏览信息；
识别单元702，用于将所述无人商品售卖车内的商品图像信息发送至边缘计算节点进行识别，得到无人商品售卖车内的商品数据信息，所述商品数据信息包括商品价格信息、商品名称信息和商品促销信息；
第一处理单元703，用于将所述无人商品售卖车的环境信息和所述无人商品售卖车内的商品数据信息发送至边缘计算节点进行分析，得到第一商品推荐信息；
第二处理单元704，用于将所述第一商品推荐信息发送至无人商品售卖车的显示屏进行显示，并获取行人的实时商品浏览数据，将所述实时商品浏览数据和所述第一商品推荐信息进行综合分析，得到行人的第二商品推荐信息；
第三处理单元705，用于将所述行人的第二商品推荐信息发送至无人商品售卖车的显示屏进行显示，并获取行人的实时支付信息，将所述行人的实时支付信息和所述无人商品售卖车的环境信息发送至边缘计算节点内进行商品售卖热点位置预测，得到商品售卖热点位置预测信息。
需要说明的是，关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
实施例3：
相应于上面的方法实施例，本实施例中还提供了一种边缘计算设备，下文描述的一种边缘计算设备与上文描述的一种边缘计算方法可相互对应参照。
图3是根据示例性实施例示出的一种边缘计算设备800的框图。如图3所示，该边缘计算设备800可以包括：处理器801，存储器802。该边缘计算设备800还可以包括多媒体组件803， I/O接口804，以及通信组件805中的一者或多者。
其中，处理器801用于控制该边缘计算设备800的整体操作，以完成上述的边缘计算方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该边缘计算设备800的操作，这些数据例如可以包括用于在该边缘计算设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该边缘计算设备800与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(NearFieldCommunication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：Wi-Fi模块，蓝牙模块，NFC模块。
在一示例性实施例中，边缘计算设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal ProcessingDevice，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的边缘计算方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的边缘计算方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由边缘计算设备800的处理器801执行以完成上述的边缘计算方法。
实施例4：
相应于上面的方法实施例，本实施例中还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种边缘计算方法可相互对应参照。
一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的边缘计算方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种边缘计算方法，其特征在于，包括：
获取无人商品售卖车的环境信息和无人商品售卖车内的商品图像信息，所述无人商品售卖车的环境信息包括无人商品售卖车的四周的人群图像信息和行人的商品浏览信息；
将所述无人商品售卖车内的商品图像信息发送至边缘计算节点进行识别，得到无人商品售卖车内的商品数据信息，所述商品数据信息包括商品价格信息、商品名称信息和商品促销信息；
将所述无人商品售卖车的环境信息和所述无人商品售卖车内的商品数据信息发送至边缘计算节点进行分析，得到第一商品推荐信息；
将所述第一商品推荐信息发送至无人商品售卖车的显示屏进行显示，并获取行人的实时商品浏览数据，将所述实时商品浏览数据和所述第一商品推荐信息进行综合分析，得到行人的第二商品推荐信息；
将所述行人的第二商品推荐信息发送至无人商品售卖车的显示屏进行显示，并获取行人的实时支付信息，将所述行人的实时支付信息和所述无人商品售卖车的环境信息发送至边缘计算节点内进行商品售卖热点位置预测，得到商品售卖热点位置预测信息。
2.根据权利要求1所述的边缘计算方法，其特征在于,将所述无人商品售卖车内的商品图像信息发送至边缘计算节点进行识别，包括：
将所述无人商品售卖车内的商品图像信息进行预处理，其中，将所述商品图像信息进行统一大小处理、去噪处理和增强对比度处理，得到预处理后的商品图像信息；
将所述预处理后的商品图像信息发送至边缘计算节点进行特征提取，得到商品图像的特征信息，所述特征信息包括颜色特征和纹理特征；
基于所述商品图像的特征信息与预设的特征权重进行比较，得到所述商品图像对应的类别信息；
基于所述商品图像的特征信息和所述商品图像对应的类别信息进行识别，得到商品图像对应的商品信息。
3.根据权利要求1所述的边缘计算方法，其特征在于,将所述无人商品售卖车的环境信息和所述无人商品售卖车内的商品数据信息发送至边缘计算节点进行分析，包括：
将无人商品售卖车的四周的人群图像信息发送至训练后目标检测模型进行行人检测，并基于检测结果生成人流密度分布图；
基于所述人流密度分布图确定每个行人的移动路径信息，并将所述行人的移动路径信息和行人的商品浏览信息发送至训练后的决策树模型进行分析，得到行人的商品购买意愿信息；
将所述行人的商品购买意愿信息和所述无人商品售卖车内的商品数据信息进行对接，确定所述行人的商品购买意愿信息对应的商品数据信息，并将所述行人的商品购买意愿信息对应的商品数据信息生成第一商品推荐信息。
4.根据权利要求3所述的边缘计算方法，其特征在于,基于所述人流密度分布图确定每个行人的移动路径信息，并将所述行人的移动路径信息和行人的商品浏览信息发送至训练后的决策树模型进行分析，包括：
获取行人的历史商品购买信息、行人的历史移动路径信息和行人的历史商品浏览信息；
将所述行人的历史商品购买信息分别与行人的历史移动路径信息和行人的历史商品浏览信息进行映射，并基于所述行人的历史商品购买信息分别对所述行人的历史移动路径信息和行人的历史商品浏览信息进行标记，将所述标记后的信息作为行人的商品购买意愿信息；
基于CART算法和所述标记后的数据信息，得到CART决策树，对所述CART决策树进行随机剪枝处理并确定所述CART决策树的常量，得到至少一个未训练的子决策树；
基于所述未训练的子决策树和基尼指数计算方法得到最优的子决策树，基于所述最优的子决策树得到所述商品购买意愿识别模型，所述商品购买意愿识别模型包含所述最优子决策树及其对应的目标常数。
5.根据权利要求1所述的边缘计算方法，其特征在于,将所述实时商品浏览数据和所述第一商品推荐信息进行综合分析，包括：
基于自然语言处理技术对实时商品浏览数据进行语义识别，得到商品浏览特征信息，所述商品浏览特征信息包括商品浏览次数信息和商品浏览时间信息；
将所述商品浏览次数信息和商品浏览时间信息分别和所述第一商品推荐信息进行关联分析，得到商品浏览次数信息和商品浏览时间信息分别与所述第一商品推荐信息的关联度值；
将所述关联度值发送至组合模型进行处理，得到组合关联度值，并基于所述组合关联度值确定第二商品推荐信息。
6.根据权利要求5所述的边缘计算方法，其特征在于,将所述关联度值发送至组合模型进行处理，得到组合关联度值，并基于所述组合关联度值确定第二商品推荐信息，包括：
依据最小鉴别信息原理对商品浏览次数信息和商品浏览时间信息分别与所述第一商品推荐信息的关联度值进行处理，得到目标函数；
基于所述目标函数的进行求解，得到所述目标函数的求解结果，并基于所述求解结果构建拉格朗日函数，其中，将商品浏览次数信息和商品浏览时间信息分别与所述第一商品推荐信息的关联度值代入到所述拉格朗日函数进行求解，得到组合关联度值；
将所述组合关联度值对应的第一商品推荐信息进行重新选取，其中选取所述组合关联度值最大的第一商品推荐信息作为第二商品推荐信息。
7.根据权利要求1所述的边缘计算方法，其特征在于,将所述行人的实时支付信息和所述无人商品售卖车的环境信息发送至边缘计算节点内进行商品售卖热点位置预测，包括：
将所述行人的实时支付信息和所述无人商品售卖车的环境信息进行匹配度计算，得到行人的实时支付信息和所述无人商品售卖车的环境信息的匹配度值；
将所有的所述匹配度值作为粒子群参数，并通过粒子群优化算法计算粒子适应度值；
根据粒子群中粒子的适应度大小，得到粒子的个体最优位置和全局最优位置，并基于粒子群优化算法动态跟踪个体最优位置和全局最优位置来进行不断更新所有粒子的速度和位置，直至所述粒子群优化算法达到最大迭代次数，得到最优的匹配度值对应的无人商品售卖车的环境信息；
将所述最优的匹配度值对应的无人商品售卖车的环境信息所处的位置作为商品售卖热点位置。
8.一种边缘计算装置，其特征在于，包括：
获取单元，用于获取无人商品售卖车的环境信息和无人商品售卖车内的商品图像信息，所述无人商品售卖车的环境信息包括无人商品售卖车的四周的人群图像信息和行人的商品浏览信息；
识别单元，用于将所述无人商品售卖车内的商品图像信息发送至边缘计算节点进行识别，得到无人商品售卖车内的商品数据信息，所述商品数据信息包括商品价格信息、商品名称信息和商品促销信息；
第一处理单元，用于将所述无人商品售卖车的环境信息和所述无人商品售卖车内的商品数据信息发送至边缘计算节点进行分析，得到第一商品推荐信息；
第二处理单元，用于将所述第一商品推荐信息发送至无人商品售卖车的显示屏进行显示，并获取行人的实时商品浏览数据，将所述实时商品浏览数据和所述第一商品推荐信息进行综合分析，得到行人的第二商品推荐信息；
第三处理单元，用于将所述行人的第二商品推荐信息发送至无人商品售卖车的显示屏进行显示，并获取行人的实时支付信息，将所述行人的实时支付信息和所述无人商品售卖车的环境信息发送至边缘计算节点内进行商品售卖热点位置预测，得到商品售卖热点位置预测信息。
9.一种边缘计算设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至7任一项所述边缘计算方法的步骤。
10.一种可读存储介质，其特征在于：所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述边缘计算方法的步骤。
CN202410161165.0A 2024-02-05 2024-02-05 一种边缘计算方法、装置、设备及可读存储介质 Active CN117710067B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410161165.0A CN117710067B (zh) 2024-02-05 2024-02-05 一种边缘计算方法、装置、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410161165.0A CN117710067B (zh) 2024-02-05 2024-02-05 一种边缘计算方法、装置、设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN117710067A true CN117710067A (zh) 2024-03-15
CN117710067B CN117710067B (zh) 2024-08-13

Family

ID=90159291

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410161165.0A Active CN117710067B (zh) 2024-02-05 2024-02-05 一种边缘计算方法、装置、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN117710067B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108109288A (zh) * 2017-11-28 2018-06-01 特斯联（北京）科技有限公司 一种基于物联网实现的无人化购物系统
CN111260849A (zh) * 2020-03-17 2020-06-09 新石器慧通（北京）科技有限公司 无人售卖车辆及其商品售卖方法
CN111429194A (zh) * 2019-01-09 2020-07-17 阿里巴巴集团控股有限公司 用户轨迹确定系统、方法、装置及服务器
CN113205636A (zh) * 2021-04-16 2021-08-03 嘉联支付有限公司 一种无人零售系统及无人零售方法
CN113222711A (zh) * 2021-05-28 2021-08-06 桂林电子科技大学 一种商品信息推荐方法、系统和存储介质
US20220164767A1 (en) * 2020-11-26 2022-05-26 Nomura Research Institute, Ltd. Product sales system
CN114820055A (zh) * 2022-04-21 2022-07-29 新石器慧通（北京）科技有限公司 无人车售卖商品的推送方法、装置、无人车及存储介质
CN115409577A (zh) * 2022-08-31 2022-11-29 拓元(广州)智慧科技有限公司 基于用户行为及环境信息的智能货柜复购预测方法及系统
CN115760293A (zh) * 2022-11-16 2023-03-07 浪潮云信息技术股份公司 基于图像识别及顾客移动轨迹的商品推荐方法及系统
CN116740857A (zh) * 2023-05-18 2023-09-12 广东便捷神科技股份有限公司 一种基于智能售货机的无人零售终端控制方法及系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108109288A (zh) * 2017-11-28 2018-06-01 特斯联（北京）科技有限公司 一种基于物联网实现的无人化购物系统
CN111429194A (zh) * 2019-01-09 2020-07-17 阿里巴巴集团控股有限公司 用户轨迹确定系统、方法、装置及服务器
CN111260849A (zh) * 2020-03-17 2020-06-09 新石器慧通（北京）科技有限公司 无人售卖车辆及其商品售卖方法
US20220164767A1 (en) * 2020-11-26 2022-05-26 Nomura Research Institute, Ltd. Product sales system
CN113205636A (zh) * 2021-04-16 2021-08-03 嘉联支付有限公司 一种无人零售系统及无人零售方法
CN113222711A (zh) * 2021-05-28 2021-08-06 桂林电子科技大学 一种商品信息推荐方法、系统和存储介质
CN114820055A (zh) * 2022-04-21 2022-07-29 新石器慧通（北京）科技有限公司 无人车售卖商品的推送方法、装置、无人车及存储介质
CN115409577A (zh) * 2022-08-31 2022-11-29 拓元(广州)智慧科技有限公司 基于用户行为及环境信息的智能货柜复购预测方法及系统
CN115760293A (zh) * 2022-11-16 2023-03-07 浪潮云信息技术股份公司 基于图像识别及顾客移动轨迹的商品推荐方法及系统
CN116740857A (zh) * 2023-05-18 2023-09-12 广东便捷神科技股份有限公司 一种基于智能售货机的无人零售终端控制方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
美通社科技新闻: ""边缘"与"雾"加速无人便利店落地释放数据价值", pages 1 - 5, Retrieved from the Internet <URL:https://www.163.com/dy/article/CTM3LGP20514AAPH.html> *
陈颂明: "基于无人售货柜的零售模式中商品和购物行为识别算法设计", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 07, 15 July 2021 (2021-07-15), pages 138 - 451 *

Also Published As

Publication number Publication date
CN117710067B (zh) 2024-08-13

Similar Documents

Publication Publication Date Title
CN108460338B (zh) 人体姿态估计方法和装置、电子设备、存储介质、程序
CN109522942B (zh) 一种图像分类方法、装置、终端设备和存储介质
CN109816441B (zh) 策略推送方法、系统及相关装置
US11544510B2 (en) System and method for multi-modal image classification
CN108229418B (zh) 人体关键点检测方法和装置、电子设备、存储介质和程序
GB2591583A (en) Machine learning for digital image selection across object variations
CN113657087B (zh) 信息的匹配方法及装置
CN111292168B (zh) 数据处理方法、装置及设备
CN112837108A (zh) 信息处理方法、装置及电子设备
CN115861400B (zh) 目标对象检测方法、训练方法、装置以及电子设备
CN117726862A (zh) 应用于工业检测的模型训练方法、装置及存储介质
CN114266601A (zh) 营销策略确定方法、装置、终端设备及存储介质
CN113822871A (zh) 基于动态检测头的目标检测方法、装置、存储介质及设备
CN114332602A (zh) 一种智能货柜的商品识别方法
CN111476144B (zh) 行人属性识别模型确定方法、装置及计算机可读存储介质
CN113313066A (zh) 图像识别方法、装置、存储介质以及终端
CN117710067B (zh) 一种边缘计算方法、装置、设备及可读存储介质
KR20220036768A (ko) 이미지 복원에 기반한 상품 검색 방법 및 시스템
CN116186541A (zh) 一种推荐模型的训练方法及装置
CN111047389A (zh) 一种ar购物应用的监控推荐分析方法及储存介质、系统
KR102299393B1 (ko) 제품과 사용자의 매칭을 위한 전자 장치 및 이를 포함하는 매칭 시스템
US20230306602A1 (en) Information generation method and apparatus, electronic device, and computer readable medium
CN115170662A (zh) 基于yolov3和卷积神经网络的多目标定位方法
CN114996578A (zh) 模型训练方法、目标对象选取方法、装置及电子设备
CN114357263A (zh) 目标对象的多模态信息的处理方法、装置及存储介质

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