CN117854064B - 一种基于人工智能的冷柜货品识别系统及方法 - Google Patents
一种基于人工智能的冷柜货品识别系统及方法 Download PDFInfo
- Publication number
- CN117854064B CN117854064B CN202410239686.3A CN202410239686A CN117854064B CN 117854064 B CN117854064 B CN 117854064B CN 202410239686 A CN202410239686 A CN 202410239686A CN 117854064 B CN117854064 B CN 117854064B
- Authority
- CN
- China
- Prior art keywords
- temperature
- sampling point
- goods
- sampling points
- values
- 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 18
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 13
- 238000005070 sampling Methods 0.000 claims abstract description 222
- 230000008859 change Effects 0.000 claims abstract description 104
- 238000012544 monitoring process Methods 0.000 claims abstract description 72
- 230000005856 abnormality Effects 0.000 claims abstract description 29
- 230000002159 abnormal effect Effects 0.000 claims description 23
- 238000010276 construction Methods 0.000 claims description 14
- 238000012098 association analyses Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 5
- 238000001816 cooling Methods 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- OVBPIULPVIDEAO-LBPRGKRZSA-N folic acid Chemical compound C=1N=C2NC(N)=NC(=O)C2=NC=1CNC1=CC=C(C(=O)N[C@@H](CCC(O)=O)C(O)=O)C=C1 OVBPIULPVIDEAO-LBPRGKRZSA-N 0.000 claims description 3
- 241000531116 Blitum bonus-henricus Species 0.000 claims description 2
- 235000008645 Chenopodium bonus henricus Nutrition 0.000 claims description 2
- 238000012790 confirmation Methods 0.000 claims description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000037007 arousal Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000013365 dairy product Nutrition 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
Landscapes
- Cold Air Circulating Systems And Constructional Details In Refrigerators (AREA)
Abstract
本发明涉及信息管理技术领域，具体为一种基于人工智能的冷柜货品识别系统及方法，包括：采集商用冷柜内若干三维位置坐标的温度值、摄像头对货品的监测图像；根据各货品存储区域之间的距离分析货品和货品之间的位置关联性；根据时间序列下各取样点的温度值分别构建温度变化曲线，根据各时间节点的连续性分析各取样点温度变化的关联性和温度异常的影响因素；分析各取样点之间的温度影响因子，构建温度影响曲线，并根据温度影响曲线中极值的数量和大小分析各取样点在时间序列下的温度影响变化程度；根据圆形区域内的各货品信息和相应各货品之间的位置关联性自适应对各货品的存储区域进行重新选取和放置，有利于货品的智能存储。
Description
技术领域
本发明涉及智能识别技术领域，具体为一种基于人工智能的冷柜货品识别系统及方法。
背景技术
现阶段，随着消费者健康意识的觉醒，对蔬菜、肉类、乳制品等细分领域的商用冷柜需求有明显提升，为行业的发展带来新的机遇。
在商用冷柜为用户带来诸多便捷的同时，对商用冷柜内的货品存储仍存在一些问题，由于商用冷柜内的温度和柜外环境的温度之间存在着温度差，经常会出现冷柜内结冰的现象发生，而当货品的过量存储导致冷柜内部温度不均匀时，货品表面会逐渐出现冰霜，久而久之，货品与货品之间极易发生粘连的现象。因此，如何根据时间序列下商用冷柜内货品的存储位置和温度变化对货品存储进行及时预警和处理成为人们亟待解决的问题。
发明内容
本发明的目的在于提供一种基于人工智能的冷柜货品识别系统及方法，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：一种基于人工智能的冷柜货品识别方法，包括以下步骤：
步骤S100：基于对商用冷柜构建的三维空间坐标系，利用温度传感器实时采集商用冷柜内若干三维位置坐标的温度值；实时采集商用冷柜内摄像头对货品的监测图像；基于实时监测图像，识别出商用冷柜内各货品的标签信息和在监测图像中的存储区域；
上述步骤中若干三维位置坐标的采集方式为取样采集，用于获取商用冷柜内各空间区域的温度值；同时商用冷柜内各货品的标签信息包括货品的数量和单价等信息；
步骤S200：分别获取监测图像中各货品的存储区域，则根据各货品存储区域之间的距离分析各时间节点下货品和货品之间的位置关联性；
步骤S300：将若干三维位置坐标分别映射在监测图像中的二维位置坐标设为取样点，根据时间序列下各取样点的温度值分别构建温度变化曲线；提取温度变化曲线中温度斜率值绝对值大于斜率阈值的各时间节点，并根据各时间节点的连续性分析各取样点之间温度变化的关联性；基于各取样点之间温度变化的关联性分析商用冷柜内各取样点温度异常的影响因素；
步骤S400：若判定商用冷柜内各取样点温度异常的影响因素为自然因素，则获取任意时间节点下各取样点之间的温度差值和在监测图像中的二维位置坐标，分析各取样点之间的温度影响因子；根据各取样点之间的温度影响因子构建温度影响曲线，并根据温度影响曲线中极值的数量和大小分析各取样点在时间序列下的温度影响变化程度；
步骤S500：当各取样点在时间序列下的温度影响变化程度大于变化阈值时，以任意两个取样点之间的距离长度为直径建立圆形区域；根据圆形区域内的各货品信息和相应各货品之间的位置关联性自适应对各货品的存储区域进行重新选取和放置。
进一步的，步骤S200包括：
步骤S210：获取任意时间节点下某一货品在监测图像中的存储区域，并获取某一货品存储区域的中心坐标为(x1,y1)；基于某一货品的中心坐标(x1,y1)和另一货品的中心位置(x2,y2)，得到任意时间节点时某一货品和另一货品之间的距离d；
步骤S220：基于不同时间节点时某一货品和另一货品之间的距离d构建距离变化曲线，并计算得到时间序列上某一货品和另一货品之间的距离均值D；获取距离变化曲线中某一相邻时间节点的距离差值绝对值|d1-d2|，则当存在|d1-d2|/D大于差值阈值ɑ时，表示某一货品和另一货品的位置之间存在关联性；基于此，获取所有同某一货品存在位置关联性的货品标签信息，生成某一货品的关联标签集；
上述步骤中当某一货品和另一货品之间的距离均值D越小且在时间序列上距离差值变化越大，表示某一货品和另一货品之间的存储距离靠近或扩大的速率逐渐变快，则相应的货品之间发生粘连的现象愈加明显；
通过获取各货品存储区域之间的距离，将时间序列上距离的变化速率和距离均值进行比较分析货品与货品之间的位置关联性，有利于识别货品信息分析货品的存储是否异常。
进一步的，步骤S300包括：
步骤S310：将商用冷柜内的若干三维位置坐标分别映射在监测图像中，并将监测图像中映射出的各二维位置坐标设为取样点；利用温度传感器获取时间序列下某一取样点的温度值，并基于各时间节点的温度值构建温度变化曲线；依次捕捉温度变化曲线中各相邻时间节点之间的温度斜率值，并对温度斜率值的绝对值大于斜率阈值β时相应的各时间节点进行提取，形成时间节点集合A={a1,a2,…,an}，其中a1,a2,…,an表示满足温度斜率值的绝对值大于斜率阈值β时对应的第1,2,…,n个时间节点信息；
上述步骤中当温度斜率值的绝对值大于斜率阈值时，表示不同时间节点下某一三维位置坐标的温度变化大；则当时间节点集合A的数量多且连续时，表示某一三维位置坐标温度发生异常；
步骤S320：依次获取时间节点集合A中的任意时间节点ai，当存在a(i+1)-ai=1时满足i的连续次数ε>ζ，表示某一取样点在时间序列下存在温度异常周期ai～a(i+ε)，其中，ζ表示连续次数阈值；基于此，分别获取各取样点的温度异常周期，当某一取样点的温度异常周期和另一取样点的温度异常周期发生重叠，且重叠区域占比大于重叠阈值γ时，表示某一取样点和另一取样点的温度变化关联性大；
步骤S330：获取所有同某一取样点温度变化关联性大的其他取样点信息，当其他取样点的数量大于数量阈值λ时，确认商用冷柜的供冷异常影响各取样点的温度变化，进行异常提醒；反之，当其他取样点的数量小于数量阈值λ时，确认商用冷柜内各取样点温度异常的影响因素为自然因素；
通过将若干三维位置坐标分别映射在监测图像中的二维位置坐标设为取样点，分析各取样点在时间序列上温度的变化规律和影响温度变化的影响因素，有利于后续针对影响因素对商用冷柜内货品进行自适应处理。
进一步的，步骤S400包括：
步骤S410：若确认商用冷柜内各取样点温度异常的影响因素为自然因素，则基于某一取样点温度异常周期中的各时间节点下，捕捉其它各取样点分别同某一取样点之间的温度差值W；同时根据各取样点在监测图像中的二维位置坐标，得到其它各取样点分别同某一取样点之间的距离长度H；基于其它各取样点分别同某一取样点之间的温度差值W和距离长度H，计算得到其它各取样点分别同某一取样点的温度影响因子U=σ*W/H；其中σ表示某一取样点的温度影响参数；
上述步骤中当距离长度H越大时，两个取样点之间的温差影响程度逐渐变小；
步骤S420：基于某一取样点温度异常周期中的各时间节点下，对某一取样点同另一取样点的温度影响因子U构建温度影响曲线；根据温度影响曲线中各坐标点信息分别进行极大值和极小值计算，基于此，分别得到温度影响曲线中极大值的数量m1、极大值的均值f1、极小值的数量m2和极小值的均值f2，进一步得到某一取样点同另一取样点在时间序列下的温度影响变化程度为G=(s1*m1*f1+s2*m2*f2)/n，其中n表示某一取样点温度异常周期中的各时间节点数量，s1和s2分别表示极大值的权重和极小值的权重；
上述步骤中当极大值和极小值的数量越多时，温度影响变化程度越大，相应的表示某一取样点和另一取样点之间形成的区域温差变化大，极易造成该区域内货品的存储异常；
通过根据各取样点之间的温度差值和距离长度构建各取样点的温度影响因子，并基于温度影响因子在时间序列下的变化规律分析极值出现的频率，进一步分析货品的存储是否异常，有利于及时进行预警。
进一步的，步骤S500包括：
步骤S510：当存在某一取样点和另一取样点之间温度影响变化程度G大于变化阈值ν时，获取某一取样点和另一取样点分别在监测图像中的二维位置坐标，并以某一取样点和另一取样点之间的距离长度H为直径在监测图像中建立圆形区域；
步骤S520：基于监测图像中建立的圆形区域和各货品的存储区域，捕捉存储区域在圆形区域内的所有货品标签信息，形成货品标签集R1；基于货品标签集中的某一货品信息，获取所述某一货品的关联标签集R2，则根据R1∩R2得到圆形区域内所有同某一货品存在位置关联性的货品标签信息，形成关联集合R3；基于此，将某一货品的存储区域和关联集合R3中所有货品的存储区域进行重新选取和放置；
上述步骤中对货品的存储区域进行重新选取和放置的方法可选择增加货品与货品之间的距离或者可以用重新选择放置区域。
冷柜货品识别系统，系统包括：数据采集模块、数据库、关联分析模块、温差判断模块、影响程度构建模块和自适应处理模块；
通过所述数据采集模块基于对商用冷柜构建的三维空间坐标系，利用温度传感器实时采集商用冷柜内若干三维位置坐标的温度值；实时采集商用冷柜内摄像头对货品的监测图像；基于实时监测图像，识别出商用冷柜内各货品的标签信息和在监测图像中的存储区域；
通过所述数据库对采集的数据进行智能存储；
通过所述关联分析模块分别获取监测图像中各货品的存储区域，则根据各货品存储区域之间的距离分析各时间节点下货品和货品之间的位置关联性；
通过所述温差判断模块将若干三维位置坐标分别映射在监测图像中的二维位置坐标设为取样点，根据时间序列下各取样点的温度值分别构建温度变化曲线；提取温度变化曲线中温度斜率值绝对值大于斜率阈值的各时间节点，并根据各时间节点的连续性分析各取样点之间温度变化的关联性；基于各取样点之间温度变化的关联性分析商用冷柜内各取样点温度异常的影响因素；
通过所述影响程度构建模块若判定商用冷柜内各取样点温度异常的影响因素为自然因素，则获取任意时间节点下各取样点之间的温度差值和在监测图像中的二维位置坐标，分析各取样点之间的温度影响因子；根据各取样点之间的温度影响因子构建温度影响曲线，并根据温度影响曲线中极值的数量和大小分析各取样点在时间序列下的温度影响变化程度；
通过所述自适应处理模块当各取样点在时间序列下的温度影响变化程度大于变化阈值时，以任意两个取样点之间的距离长度为直径建立圆形区域；根据圆形区域内的各货品信息和相应各货品之间的位置关联性自适应对各货品的存储区域进行重新选取和放置。
进一步的，数据采集模块包括温度采集单元、图像监测单元和信息识别单元；
所述温度采集单元用于实时采集商用冷柜内若干三维位置坐标的温度值；所述图像监测单元用于实时采集商用冷柜内摄像头对货品的监测图像；所述信息识别单元用于识别出商用冷柜内各货品的标签信息和在监测图像中的存储区域。
进一步的，关联分析模块包括区域获取单元和关联分析单元；
所述区域获取单元用于获取监测图像中各货品的存储区域；所述关联分析单元用于根据各货品存储区域之间的距离分析各时间节点下货品和货品之间的位置关联性。
进一步的，温差判断模块包括曲线构建单元、关联性分析单元和异常判断单元；
所述曲线构建单元用于根据时间序列下各取样点的温度值分别构建温度变化曲线；所述关联性分析单元用于提取温度变化曲线中温度斜率值绝对值大于斜率阈值的各时间节点，并根据各时间节点的连续性分析各取样点之间温度变化的关联性；所述异常判断单元用于基于各取样点之间温度变化的关联性分析商用冷柜内各取样点温度异常的影响因素。
进一步的，影响程度构建模块包括影响因子确认单元和影响因素判断单元；
所述影响因子确认单元用于获取任意时间节点下各取样点之间的温度差值和在监测图像中的二维位置坐标，分析各取样点之间的温度影响因子；所述影响因素判断单元用于根据温度影响曲线中极值的数量和大小分析各取样点在时间序列下的温度影响变化程度。
进一步的，自适应处理模块包括区域建立单元和自适应放置单元；
所述区域建立单元用于以任意两个取样点之间的距离长度为直径建立圆形区域；所述自适应放置单元用于根据圆形区域内的各货品信息和相应各货品之间的位置关联性自适应对各货品的存储区域进行重新选取和放置。
与现有技术相比，本发明所达到的有益效果是：
本发明通过获取各货品存储区域之间的距离，将时间序列上距离的变化速率和距离均值进行比较分析货品与货品之间的位置关联性，有利于识别货品信息分析货品的存储是否异常；通过将若干三维位置坐标分别映射在监测图像中的二维位置坐标设为取样点，分析各取样点在时间序列上温度的变化规律和影响温度变化的影响因素，有利于后续针对影响因素对商用冷柜内货品进行自适应处理，做到及时预警，避免了过量存储带来的危害。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明一种基于人工智能的冷柜货品识别系统的结构图；
图2是本发明一种基于人工智能的冷柜货品识别方法的流程图。
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做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。
请参阅图1，本发明提供技术方案：冷柜货品识别系统，系统包括：数据采集模块、数据库、关联分析模块、温差判断模块、影响程度构建模块和自适应处理模块；
通过数据采集模块基于对商用冷柜构建的三维空间坐标系，利用温度传感器实时采集商用冷柜内若干三维位置坐标的温度值；实时采集商用冷柜内摄像头对货品的监测图像；基于实时监测图像，识别出商用冷柜内各货品的标签信息和在监测图像中的存储区域；
数据采集模块包括温度采集单元、图像监测单元和信息识别单元；
温度采集单元用于实时采集商用冷柜内若干三维位置坐标的温度值；图像监测单元用于实时采集商用冷柜内摄像头对货品的监测图像；信息识别单元用于识别出商用冷柜内各货品的标签信息和在监测图像中的存储区域。
通过数据库对采集的数据进行智能存储；
通过关联分析模块分别获取监测图像中各货品的存储区域，则根据各货品存储区域之间的距离分析各时间节点下货品和货品之间的位置关联性；
关联分析模块包括区域获取单元和关联分析单元；
区域获取单元用于获取监测图像中各货品的存储区域；关联分析单元用于根据各货品存储区域之间的距离分析各时间节点下货品和货品之间的位置关联性。
通过温差判断模块将若干三维位置坐标分别映射在监测图像中的二维位置坐标设为取样点，根据时间序列下各取样点的温度值分别构建温度变化曲线；提取温度变化曲线中温度斜率值绝对值大于斜率阈值的各时间节点，并根据各时间节点的连续性分析各取样点之间温度变化的关联性；基于各取样点之间温度变化的关联性分析商用冷柜内各取样点温度异常的影响因素；
温差判断模块包括曲线构建单元、关联性分析单元和异常判断单元；
所述曲线构建单元用于根据时间序列下各取样点的温度值分别构建温度变化曲线；所述关联性分析单元用于提取温度变化曲线中温度斜率值绝对值大于斜率阈值的各时间节点，并根据各时间节点的连续性分析各取样点之间温度变化的关联性；所述异常判断单元用于基于各取样点之间温度变化的关联性分析商用冷柜内各取样点温度异常的影响因素。
通过所述影响程度构建模块若判定商用冷柜内各取样点温度异常的影响因素为自然因素，则获取任意时间节点下各取样点之间的温度差值和在监测图像中的二维位置坐标，分析各取样点之间的温度影响因子；根据各取样点之间的温度影响因子构建温度影响曲线，并根据温度影响曲线中极值的数量和大小分析各取样点在时间序列下的温度影响变化程度；
影响程度构建模块包括影响因子确认单元和影响因素判断单元；
影响因子确认单元用于获取任意时间节点下各取样点之间的温度差值和在监测图像中的二维位置坐标，分析各取样点之间的温度影响因子；影响因素判断单元用于根据温度影响曲线中极值的数量和大小分析各取样点在时间序列下的温度影响变化程度。
通过所述自适应处理模块当各取样点在时间序列下的温度影响变化程度大于变化阈值时，以任意两个取样点之间的距离长度为直径建立圆形区域；根据圆形区域内的各货品信息和相应各货品之间的位置关联性自适应对各货品的存储区域进行重新选取和放置；
自适应处理模块包括区域建立单元和自适应放置单元；
区域建立单元用于以任意两个取样点之间的距离长度为直径建立圆形区域；自适应放置单元用于根据圆形区域内的各货品信息和相应各货品之间的位置关联性自适应对各货品的存储区域进行重新选取和放置。
请参阅图2，本发明提供技术方案：一种基于人工智能的冷柜货品识别方法，包括以下步骤：
步骤S100：基于对商用冷柜构建的三维空间坐标系，利用温度传感器实时采集商用冷柜内若干三维位置坐标的温度值；实时采集商用冷柜内摄像头对货品的监测图像；基于实时监测图像，识别出商用冷柜内各货品的标签信息和在监测图像中的存储区域；
上述步骤中若干三维位置坐标的采集方式为取样采集，用于获取商用冷柜内各空间区域的温度值；同时商用冷柜内各货品的标签信息包括货品的数量和单价等信息；
步骤S200：分别获取监测图像中各货品的存储区域，则根据各货品存储区域之间的距离分析各时间节点下货品和货品之间的位置关联性；
步骤S200包括：
步骤S210：获取任意时间节点下某一货品在监测图像中的存储区域，并获取某一货品存储区域的中心坐标为(x1,y1)；基于某一货品的中心坐标(x1,y1)和另一货品的中心位置(x2,y2)，得到任意时间节点时某一货品和另一货品之间的距离d；
步骤S220：基于不同时间节点时某一货品和另一货品之间的距离d构建距离变化曲线，并计算得到时间序列上某一货品和另一货品之间的距离均值D；获取距离变化曲线中某一相邻时间节点的距离差值绝对值|d1-d2|，则当存在|d1-d2|/D大于差值阈值ɑ时，表示某一货品和另一货品的位置之间存在关联性；基于此，获取所有同某一货品存在位置关联性的货品标签信息，生成某一货品的关联标签集；
上述步骤中当某一货品和另一货品之间的距离均值D越小且在时间序列上距离差值变化越大，表示某一货品和另一货品之间的存储距离靠近或扩大的速率逐渐变快，则相应的货品之间发生粘连的现象愈加明显。
步骤S300：将若干三维位置坐标分别映射在监测图像中的二维位置坐标设为取样点，根据时间序列下各取样点的温度值分别构建温度变化曲线；提取温度变化曲线中温度斜率值绝对值大于斜率阈值的各时间节点，并根据各时间节点的连续性分析各取样点之间温度变化的关联性；基于各取样点之间温度变化的关联性分析商用冷柜内各取样点温度异常的影响因素；
步骤S300包括：
步骤S310：将商用冷柜内的若干三维位置坐标分别映射在监测图像中，并将监测图像中映射出的各二维位置坐标设为取样点；利用温度传感器获取时间序列下某一取样点的温度值，并基于各时间节点的温度值构建温度变化曲线；依次捕捉温度变化曲线中各相邻时间节点之间的温度斜率值，并对温度斜率值的绝对值大于斜率阈值β时相应的各时间节点进行提取，形成时间节点集合A={a1,a2,…,an}，其中a1,a2,…,an表示满足温度斜率值的绝对值大于斜率阈值β时对应的第1,2,…,n个时间节点信息；
上述步骤中当温度斜率值的绝对值大于斜率阈值时，表示不同时间节点下某一三维位置坐标的温度变化大；则当时间节点集合A的数量多且连续时，表示某一三维位置坐标温度发生异常；
步骤S320：依次获取时间节点集合A中的任意时间节点ai，当存在a(i+1)-ai=1时满足i的连续次数ε>ζ，表示某一取样点在时间序列下存在温度异常周期ai～a(i+ε)，其中，ζ表示连续次数阈值；基于此，分别获取各取样点的温度异常周期，当某一取样点的温度异常周期和另一取样点的温度异常周期发生重叠，且重叠区域占比大于重叠阈值γ时，表示某一取样点和另一取样点的温度变化关联性大；
步骤S330：获取所有同某一取样点温度变化关联性大的其他取样点信息，当其他取样点的数量大于数量阈值λ时，确认商用冷柜的供冷异常影响各取样点的温度变化，进行异常提醒；反之，当其他取样点的数量小于数量阈值λ时，确认商用冷柜内各取样点温度异常的影响因素为自然因素。
步骤S400：若判定商用冷柜内各取样点温度异常的影响因素为自然因素，则获取任意时间节点下各取样点之间的温度差值和在监测图像中的二维位置坐标，分析各取样点之间的温度影响因子；根据各取样点之间的温度影响因子构建温度影响曲线，并根据温度影响曲线中极值的数量和大小分析各取样点在时间序列下的温度影响变化程度；
步骤S400包括：
步骤S410：若确认商用冷柜内各取样点温度异常的影响因素为自然因素，则基于某一取样点温度异常周期中的各时间节点下，捕捉其它各取样点分别同某一取样点之间的温度差值W；同时根据各取样点在监测图像中的二维位置坐标，得到其它各取样点分别同某一取样点之间的距离长度H；基于其它各取样点分别同某一取样点之间的温度差值W和距离长度H，计算得到其它各取样点分别同某一取样点的温度影响因子U=σ*W/H；其中σ表示某一取样点的温度影响参数；
上述步骤中当距离长度H越大时，两个取样点之间的温差影响程度逐渐变小；
步骤S420：基于某一取样点温度异常周期中的各时间节点下，对某一取样点同另一取样点的温度影响因子U构建温度影响曲线；根据温度影响曲线中各坐标点信息分别进行极大值和极小值计算，基于此，分别得到温度影响曲线中极大值的数量m1、极大值的均值f1、极小值的数量m2和极小值的均值f2，进一步得到某一取样点同另一取样点在时间序列下的温度影响变化程度为G=(s1*m1*f1+s2*m2*f2)/n，其中n表示某一取样点温度异常周期中的各时间节点数量，s1和s2分别表示极大值的权重和极小值的权重；
上述步骤中当极大值和极小值的数量越多时，温度影响变化程度越大，相应的表示某一取样点和另一取样点之间形成的区域温差变化大，极易造成该区域内货品的存储异常。
步骤S500：当各取样点在时间序列下的温度影响变化程度大于变化阈值时，以任意两个取样点之间的距离长度为直径建立圆形区域；根据圆形区域内的各货品信息和相应各货品之间的位置关联性自适应对各货品的存储区域进行重新选取和放置。
步骤S500包括：
步骤S510：当存在某一取样点和另一取样点之间温度影响变化程度G大于变化阈值ν时，获取某一取样点和另一取样点分别在监测图像中的二维位置坐标，并以某一取样点和另一取样点之间的距离长度H为直径在监测图像中建立圆形区域；
步骤S520：基于监测图像中建立的圆形区域和各货品的存储区域，捕捉存储区域在圆形区域内的所有货品标签信息，形成货品标签集R1；基于货品标签集中的某一货品信息，获取所述某一货品的关联标签集R2，则根据R1∩R2得到圆形区域内所有同某一货品存在位置关联性的货品标签信息，形成关联集合R3；基于此，将某一货品的存储区域和关联集合R3中所有货品的存储区域进行重新选取和放置；
上述步骤中对货品的存储区域进行重新选取和放置的方法可选择增加货品与货品之间的距离或者可以用重新选择放置区域。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于人工智能的冷柜货品识别方法，其特征在于：包括以下步骤：
步骤S100：基于对商用冷柜构建的三维空间坐标系，利用温度传感器实时采集商用冷柜内若干三维位置坐标的温度值；实时采集商用冷柜内摄像头对货品的监测图像；基于实时监测图像，识别出商用冷柜内各货品的标签信息和在监测图像中的存储区域；
步骤S200：分别获取监测图像中各货品的存储区域，则根据各货品存储区域之间的距离分析各时间节点下货品和货品之间的位置关联性；
步骤S300：将若干三维位置坐标分别映射在监测图像中的二维位置坐标设为取样点，根据时间序列下各取样点的温度值分别构建温度变化曲线；提取温度变化曲线中温度斜率值绝对值大于斜率阈值的各时间节点，并根据各时间节点的连续性分析各取样点之间温度变化的关联性；基于各取样点之间温度变化的关联性分析商用冷柜内各取样点温度异常的影响因素；
步骤S400：若判定商用冷柜内各取样点温度异常的影响因素为自然因素，则获取任意时间节点下各取样点之间的温度差值和在监测图像中的二维位置坐标，分析各取样点之间的温度影响因子；根据各取样点之间的温度影响因子构建温度影响曲线，并根据温度影响曲线中极值的数量和大小分析各取样点在时间序列下的温度影响变化程度；
步骤S500：当各取样点在时间序列下的温度影响变化程度大于变化阈值时，以任意两个取样点之间的距离长度为直径建立圆形区域；根据圆形区域内的各货品信息和相应各货品之间的位置关联性自适应对各货品的存储区域进行重新选取和放置；
所述步骤S200包括：
步骤S210：获取任意时间节点下某一货品在监测图像中的存储区域，并获取某一货品存储区域的中心坐标为(x1,y1)；基于某一货品的中心坐标(x1,y1)和另一货品的中心位置(x2,y2)，得到任意时间节点时某一货品和另一货品之间的距离d；
步骤S220：基于不同时间节点时某一货品和另一货品之间的距离d构建距离变化曲线，并计算得到时间序列上某一货品和另一货品之间的距离均值D；获取距离变化曲线中某一相邻时间节点的距离差值绝对值|d1-d2|，则当存在|d1-d2|/D大于差值阈值ɑ时，表示某一货品和另一货品的位置之间存在关联性；基于此，获取所有同某一货品存在位置关联性的货品标签信息，生成某一货品的关联标签集；
所述步骤S300包括：
步骤S310：将商用冷柜内的若干三维位置坐标分别映射在监测图像中，并将监测图像中映射出的各二维位置坐标设为取样点；利用温度传感器获取时间序列下某一取样点的温度值，并基于各时间节点的温度值构建温度变化曲线；依次捕捉温度变化曲线中各相邻时间节点之间的温度斜率值，并对温度斜率值的绝对值大于斜率阈值β时相应的各时间节点进行提取，形成时间节点集合A={a1,a2,…,an}，其中a1,a2,…,an表示满足温度斜率值的绝对值大于斜率阈值β时对应的第1,2,…,n个时间节点信息；
步骤S320：依次获取时间节点集合A中的任意时间节点ai，当存在a(i+1)-ai=1时满足i的连续次数ε>ζ，表示某一取样点在时间序列下存在温度异常周期ai～a(i+ε)，其中，ζ表示连续次数阈值；基于此，分别获取各取样点的温度异常周期，当某一取样点的温度异常周期和另一取样点的温度异常周期发生重叠，且重叠区域占比大于重叠阈值γ时，表示某一取样点和另一取样点的温度变化关联性大；
步骤S330：获取所有同某一取样点温度变化关联性大的其他取样点信息，当其他取样点的数量大于数量阈值λ时，确认商用冷柜的供冷异常影响各取样点的温度变化，进行异常提醒；反之，当其他取样点的数量小于数量阈值λ时，确认商用冷柜内各取样点温度异常的影响因素为自然因素。
2.根据权利要求1所述的一种基于人工智能的冷柜货品识别方法，其特征在于：所述步骤S400包括：
步骤S410：若确认商用冷柜内各取样点温度异常的影响因素为自然因素，则基于某一取样点温度异常周期中的各时间节点下，捕捉其它各取样点分别同某一取样点之间的温度差值W；同时根据各取样点在监测图像中的二维位置坐标，得到其它各取样点分别同某一取样点之间的距离长度H；基于其它各取样点分别同某一取样点之间的温度差值W和距离长度H，计算得到其它各取样点分别同某一取样点的温度影响因子U=σ*W/H；其中σ表示某一取样点的温度影响参数；
步骤S420：基于某一取样点温度异常周期中的各时间节点下，对某一取样点同另一取样点的温度影响因子U构建温度影响曲线；根据温度影响曲线中各坐标点信息分别进行极大值和极小值计算，基于此，分别得到温度影响曲线中极大值的数量m1、极大值的均值f1、极小值的数量m2和极小值的均值f2，进一步得到某一取样点同另一取样点在时间序列下的温度影响变化程度为G=(s1*m1*f1+s2*m2*f2)/n，其中n表示某一取样点温度异常周期中的各时间节点数量，s1和s2分别表示极大值的权重和极小值的权重。
3.根据权利要求2所述的一种基于人工智能的冷柜货品识别方法，其特征在于：所述步骤S500包括：
步骤S510：当存在某一取样点和另一取样点之间温度影响变化程度G大于变化阈值ν时，获取某一取样点和另一取样点分别在监测图像中的二维位置坐标，并以某一取样点和另一取样点之间的距离长度H为直径在监测图像中建立圆形区域；
步骤S520：基于监测图像中建立的圆形区域和各货品的存储区域，捕捉存储区域在圆形区域内的所有货品标签信息，形成货品标签集R1；基于货品标签集中的某一货品信息，获取所述某一货品的关联标签集R2，则根据R1∩R2得到圆形区域内所有同某一货品存在位置关联性的货品标签信息，形成关联集合R3；基于此，将某一货品的存储区域和关联集合R3中所有货品的存储区域进行重新选取和放置。
4.用于实现权利要求1-3中任一项所述的一种基于人工智能的冷柜货品识别方法的冷柜货品识别系统，其特征在于：所述系统包括：数据采集模块、数据库、关联分析模块、温差判断模块、影响程度构建模块和自适应处理模块；
通过所述数据采集模块基于对商用冷柜构建的三维空间坐标系，利用温度传感器实时采集商用冷柜内若干三维位置坐标的温度值；实时采集商用冷柜内摄像头对货品的监测图像；基于实时监测图像，识别出商用冷柜内各货品的标签信息和在监测图像中的存储区域；
通过所述数据库对采集的数据进行智能存储；
通过所述关联分析模块分别获取监测图像中各货品的存储区域，则根据各货品存储区域之间的距离分析各时间节点下货品和货品之间的位置关联性；
通过所述温差判断模块将若干三维位置坐标分别映射在监测图像中的二维位置坐标设为取样点，根据时间序列下各取样点的温度值分别构建温度变化曲线；提取温度变化曲线中温度斜率值绝对值大于斜率阈值的各时间节点，并根据各时间节点的连续性分析各取样点之间温度变化的关联性；基于各取样点之间温度变化的关联性分析商用冷柜内各取样点温度异常的影响因素；
通过所述影响程度构建模块若判定商用冷柜内各取样点温度异常的影响因素为自然因素，则获取任意时间节点下各取样点之间的温度差值和在监测图像中的二维位置坐标，分析各取样点之间的温度影响因子；根据各取样点之间的温度影响因子构建温度影响曲线，并根据温度影响曲线中极值的数量和大小分析各取样点在时间序列下的温度影响变化程度；
通过所述自适应处理模块当各取样点在时间序列下的温度影响变化程度大于变化阈值时，以任意两个取样点之间的距离长度为直径建立圆形区域；根据圆形区域内的各货品信息和相应各货品之间的位置关联性自适应对各货品的存储区域进行重新选取和放置。
5.根据权利要求4所述的冷柜货品识别系统，其特征在于：所述数据采集模块包括温度采集单元、图像监测单元和信息识别单元；
所述温度采集单元用于实时采集商用冷柜内若干三维位置坐标的温度值；所述图像监测单元用于实时采集商用冷柜内摄像头对货品的监测图像；所述信息识别单元用于识别出商用冷柜内各货品的标签信息和在监测图像中的存储区域。
6.根据权利要求4所述的冷柜货品识别系统，其特征在于：所述关联分析模块包括区域获取单元和关联分析单元；
所述区域获取单元用于获取监测图像中各货品的存储区域；所述关联分析单元用于根据各货品存储区域之间的距离分析各时间节点下货品和货品之间的位置关联性。
7.根据权利要求4所述的冷柜货品识别系统，其特征在于：所述温差判断模块包括曲线构建单元、关联性分析单元和异常判断单元；
所述曲线构建单元用于根据时间序列下各取样点的温度值分别构建温度变化曲线；所述关联性分析单元用于提取温度变化曲线中温度斜率值绝对值大于斜率阈值的各时间节点，并根据各时间节点的连续性分析各取样点之间温度变化的关联性；所述异常判断单元用于基于各取样点之间温度变化的关联性分析商用冷柜内各取样点温度异常的影响因素。
8.根据权利要求4所述的冷柜货品识别系统，其特征在于：所述影响程度构建模块包括影响因子确认单元和影响因素判断单元；
所述影响因子确认单元用于获取任意时间节点下各取样点之间的温度差值和在监测图像中的二维位置坐标，分析各取样点之间的温度影响因子；所述影响因素判断单元用于根据温度影响曲线中极值的数量和大小分析各取样点在时间序列下的温度影响变化程度；
所述自适应处理模块包括区域建立单元和自适应放置单元；
所述区域建立单元用于以任意两个取样点之间的距离长度为直径建立圆形区域；所述自适应放置单元用于根据圆形区域内的各货品信息和相应各货品之间的位置关联性自适应对各货品的存储区域进行重新选取和放置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410239686.3A CN117854064B (zh) | 2024-03-04 | 2024-03-04 | 一种基于人工智能的冷柜货品识别系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410239686.3A CN117854064B (zh) | 2024-03-04 | 2024-03-04 | 一种基于人工智能的冷柜货品识别系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117854064A CN117854064A (zh) | 2024-04-09 |
| CN117854064B true CN117854064B (zh) | 2024-05-28 |
Family
ID=90540156
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410239686.3A Active CN117854064B (zh) | 2024-03-04 | 2024-03-04 | 一种基于人工智能的冷柜货品识别系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117854064B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108502431A (zh) * | 2018-03-30 | 2018-09-07 | 中铁第四勘察设计院集团有限公司 | 一种温度分区的冷链仓库及货物存储方法 |
| CN113793084A (zh) * | 2020-09-27 | 2021-12-14 | 北京京东振世信息技术有限公司 | 冷链运输监控方法、系统、装置、设备及存储介质 |
| CN113985952A (zh) * | 2021-11-04 | 2022-01-28 | 郑州轻工业大学 | 一种冷冻库智能监测调控方法 |
| CN114246287A (zh) * | 2021-12-24 | 2022-03-29 | 珠海格力电器股份有限公司 | 解冻方法、装置、设备及智能家居系统 |
| CN114723132A (zh) * | 2022-03-31 | 2022-07-08 | 红云红河烟草(集团)有限责任公司 | 基于改进食肉植物算法的仓储货位智能分配方法 |
| CN115111873A (zh) * | 2021-03-18 | 2022-09-27 | 青岛海尔电冰箱有限公司 | 温度变化曲线斜率的获取方法、控制方法、冰箱 |
| CN116308061A (zh) * | 2023-03-28 | 2023-06-23 | 广西先飞达物流股份有限公司 | 一种冷链物流的入库出库管理系统 |
| KR102560210B1 (ko) * | 2023-01-27 | 2023-07-27 | (주)와이오엘 | 인공지능 기반의 최적화된 수출입화물 운송경로의 운임 예측 및 맞춤형 고객 관리 시스템 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102619657B1 (ko) * | 2018-06-15 | 2023-12-29 | 삼성전자주식회사 | 냉장고와 서버 및 서버의 제어 방법 |
| KR20220100408A (ko) * | 2021-01-08 | 2022-07-15 | 삼성전자주식회사 | 냉장고 및 그 제어 방법 |
| WO2023243737A1 (ko) * | 2022-06-13 | 2023-12-21 | 엘지전자 주식회사 | 냉장고 및 냉장고 제어 방법 |
-
2024
- 2024-03-04 CN CN202410239686.3A patent/CN117854064B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108502431A (zh) * | 2018-03-30 | 2018-09-07 | 中铁第四勘察设计院集团有限公司 | 一种温度分区的冷链仓库及货物存储方法 |
| CN113793084A (zh) * | 2020-09-27 | 2021-12-14 | 北京京东振世信息技术有限公司 | 冷链运输监控方法、系统、装置、设备及存储介质 |
| CN115111873A (zh) * | 2021-03-18 | 2022-09-27 | 青岛海尔电冰箱有限公司 | 温度变化曲线斜率的获取方法、控制方法、冰箱 |
| CN113985952A (zh) * | 2021-11-04 | 2022-01-28 | 郑州轻工业大学 | 一种冷冻库智能监测调控方法 |
| CN114246287A (zh) * | 2021-12-24 | 2022-03-29 | 珠海格力电器股份有限公司 | 解冻方法、装置、设备及智能家居系统 |
| CN114723132A (zh) * | 2022-03-31 | 2022-07-08 | 红云红河烟草(集团)有限责任公司 | 基于改进食肉植物算法的仓储货位智能分配方法 |
| KR102560210B1 (ko) * | 2023-01-27 | 2023-07-27 | (주)와이오엘 | 인공지능 기반의 최적화된 수출입화물 운송경로의 운임 예측 및 맞춤형 고객 관리 시스템 |
| CN116308061A (zh) * | 2023-03-28 | 2023-06-23 | 广西先飞达物流股份有限公司 | 一种冷链物流的入库出库管理系统 |
Non-Patent Citations (3)
| Title |
|---|
| Integrated optimization of mixed cargo packing and cargo location assignment in automated storage and retrieval systems;Bin Lei等;《Discrete Dynamics in Nature and Society》;20190204;第2019卷;1-17 * |
| 冷柜远程监控系统的设计与实现;李大伟;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20160215;第2016卷(第02期);C028-130 * |
| 考虑货位共享效应的非传统仓储布局优化研究;杨林;《中国优秀硕士学位论文全文数据库 信息科技辑》;20220315;第2022卷(第03期);I140-239 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117854064A (zh) | 2024-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112053119B (zh) | 一种基于大数据的冷链物流仓储智能管理系统 | |
| US7243001B2 (en) | Time-based warehouse movement maps | |
| JP5647627B2 (ja) | 異常パターンの発見 | |
| JP6120404B2 (ja) | 移動体行動分析・予測装置 | |
| Balaji et al. | Smart kitchen wardrobe system based on IoT | |
| CN108510027A (zh) | 一种基于大规模rfid系统中标签估算和时隙配对的算法 | |
| CN108256032B (zh) | 一种对时空数据的共现模式进行可视化的方法及装置 | |
| CN112985494A (zh) | 基于大数据和人工智能的冷链智慧物流运输在线实时监测云平台 | |
| TW202205163A (zh) | 辨識物品及存量的系統與方法 | |
| CN117854064B (zh) | 一种基于人工智能的冷柜货品识别系统及方法 | |
| CN116777328A (zh) | 一种物流车线及装载管理方法、装置、设备及存储介质 | |
| CN115514654A (zh) | 一种物联网设备的网络通信模型处理方法及系统 | |
| CN117689256A (zh) | 一种铝合金熔铸产品质量溯源方法 | |
| Ma et al. | Efficiently managing uncertain data in RFID sensor networks | |
| JP2019117464A (ja) | 異常監視システム、異常監視方法及びプログラム | |
| CN104202575A (zh) | 一种视频监控处理方法及系统 | |
| CN109636268B (zh) | 一种货品监控系统、方法、装置、电子设备和存储设备 | |
| CN111310729A (zh) | 基于图像识别技术获取冰箱纯净度的方法及资产管理系统 | |
| US20220383248A1 (en) | Method for scene segmentation | |
| CN111667920B (zh) | 一种基于定位数据的人群密切接触排查方法 | |
| Souifi et al. | From big data to smart data: Application to performance management | |
| Wu et al. | A new clustering algorithm for sensor data streams in an agricultural IoT | |
| CN112183312A (zh) | 基于智慧城市的城市管理事件处理方法 | |
| CN117657666B (zh) | 应用于鞋履产品的图像数据管理方法及系统 | |
| Sasirekha et al. | KNN based peak-LOF for outlier detection |
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 |