CN118097657A - 食材商品的纹理检测处理方法及装置 - Google Patents
食材商品的纹理检测处理方法及装置 Download PDFInfo
- Publication number
- CN118097657A CN118097657A CN202410194853.7A CN202410194853A CN118097657A CN 118097657 A CN118097657 A CN 118097657A CN 202410194853 A CN202410194853 A CN 202410194853A CN 118097657 A CN118097657 A CN 118097657A
- Authority
- CN
- China
- Prior art keywords
- texture
- food
- commodity
- image
- food material
- 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.)
- Pending
Links
- 235000013305 food Nutrition 0.000 title claims abstract description 509
- 239000000463 material Substances 0.000 title claims abstract description 318
- 238000001514 detection method Methods 0.000 title claims abstract description 234
- 238000003672 processing method Methods 0.000 title claims abstract description 30
- 238000009826 distribution Methods 0.000 claims abstract description 348
- 238000000034 method Methods 0.000 claims abstract description 68
- 238000000605 extraction Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims description 61
- 238000004364 calculation method Methods 0.000 claims description 39
- 238000003860 storage Methods 0.000 claims description 24
- 238000004891 communication Methods 0.000 claims description 18
- 238000003708 edge detection Methods 0.000 claims description 14
- 238000003709 image segmentation Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 230000003993 interaction Effects 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 25
- 235000012055 fruits and vegetables Nutrition 0.000 description 25
- 241001122767 Theaceae Species 0.000 description 16
- 238000010586 diagram Methods 0.000 description 16
- 241000353135 Psenopsis anomala Species 0.000 description 15
- 230000006872 improvement Effects 0.000 description 10
- 241000219109 Citrullus Species 0.000 description 9
- 235000012828 Citrullus lanatus var citroides Nutrition 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000002452 interceptive effect Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 241000220225 Malus Species 0.000 description 4
- 241000234295 Musa Species 0.000 description 4
- 235000021016 apples Nutrition 0.000 description 4
- 235000021015 bananas Nutrition 0.000 description 4
- 230000000052 comparative effect Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- 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
-
- 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
- G06V10/54—Extraction of image or video features relating to texture
-
- 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
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本说明书实施例提供了食材商品的纹理检测处理方法及装置,其中,一种食材商品的纹理检测处理方法包括:在进行食材商品的纹理检测过程中,获取用户终端对食材商品进行表面纹理采集获得的纹理图像,对纹理图像进行至少一个特征维度的纹理特征提取,根据特征提取结果确定食材商品的纹理特征分布,根据食材商品的标识信息确定食材商品的对比纹理图像的对比纹理分布,基于对比纹理分布对食材商品的纹理特征分布进行纹理特征检测,获得食材商品的纹理检测结果。
Description
本申请是申请日为2023年09月22日、申请号为202311235847.3、名称为“食材商品的纹理检测处理方法及装置”的中国发明专利申请的分案申请。
技术领域
本文件涉及数据处理技术领域,尤其涉及一种食材商品的纹理检测处理方法及装置。
背景技术
随着互联网技术的不断发展与用户生活水平的不断提高,用户开始通过线上交易的方式购买当地无法生产的食材商品,而食材商品中的特产食材更受用户的青睐,用户通过线上交易的方式方便快捷地购买各地的特产食材,但用户可能不能很好的辨认购入的食材商品是否为特产食材,部分商家可能会用普通的食材冒充特产食材向用户出售,这对特产食材的提供方提出了更高的要求。
发明内容
本说明书一个或多个实施例提供了一种食材商品的纹理检测处理方法,包括:获取用户终端对食材商品进行表面纹理采集获得的纹理图像。对所述纹理图像进行至少一个特征维度的纹理特征提取,并根据特征提取结果确定所述食材商品的纹理特征分布。根据所述食材商品的标识信息确定所述食材商品的对比纹理图像的对比纹理分布。所述标识信息通过所述用户终端与所述食材商品的商品标识进行交互处理获得。基于所述对比纹理分布对所述食材商品的纹理特征分布进行纹理特征检测,获得所述食材商品的纹理检测结果。
本说明书一个或多个实施例提供了一种食材商品的纹理检测处理装置,包括:纹理图像获取模块,被配置为获取用户终端对食材商品进行表面纹理采集获得的纹理图像。纹理特征提取模块,被配置为对所述纹理图像进行至少一个特征维度的纹理特征提取,并根据特征提取结果确定所述食材商品的纹理特征分布。对比纹理分布确定模块,被配置为根据所述食材商品的标识信息确定所述食材商品的对比纹理图像的对比纹理分布。所述标识信息通过所述用户终端与所述食材商品的商品标识进行交互处理获得。纹理特征检测模块,被配置为基于所述对比纹理分布对所述食材商品的纹理特征分布进行纹理特征检测,获得所述食材商品的纹理检测结果。
本说明书一个或多个实施例提供了一种食材商品的纹理检测处理设备,包括:处理器;以及,被配置为存储计算机可执行指令的存储器,所述计算机可执行指令在被执行时使所述处理器:获取用户终端对食材商品进行表面纹理采集获得的纹理图像。对所述纹理图像进行至少一个特征维度的纹理特征提取,并根据特征提取结果确定所述食材商品的纹理特征分布。根据所述食材商品的标识信息确定所述食材商品的对比纹理图像的对比纹理分布。所述标识信息通过所述用户终端与所述食材商品的商品标识进行交互处理获得。基于所述对比纹理分布对所述食材商品的纹理特征分布进行纹理特征检测,获得所述食材商品的纹理检测结果。
本说明书一个或多个实施例提供了一种存储介质,用于存储计算机可执行指令,所述计算机可执行指令在被处理器执行时实现以下流程:获取用户终端对食材商品进行表面纹理采集获得的纹理图像。对所述纹理图像进行至少一个特征维度的纹理特征提取,并根据特征提取结果确定所述食材商品的纹理特征分布。根据所述食材商品的标识信息确定所述食材商品的对比纹理图像的对比纹理分布。所述标识信息通过所述用户终端与所述食材商品的商品标识进行交互处理获得。基于所述对比纹理分布对所述食材商品的纹理特征分布进行纹理特征检测,获得所述食材商品的纹理检测结果。
附图说明
为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书中记载的一些实施例,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为本说明书一个或多个实施例提供的一种食材商品的纹理检测处理方法实施环境示意图;
图2为本说明书一个或多个实施例提供的一种食材商品的纹理检测处理方法处理流程图;
图3为本说明书一个或多个实施例提供的一种商品详情页面的示意图;
图4为本说明书一个或多个实施例提供的一种应用于冲泡类食材检测场景的食材商品的纹理检测处理方法处理流程图;
图5为本说明书一个或多个实施例提供的一种应用于果蔬类食材检测场景的食材商品的纹理检测处理方法处理流程图;
图6为本说明书一个或多个实施例提供的一种食材商品的纹理检测处理装置实施例的示意图;
图7为本说明书一个或多个实施例提供的一种食材商品的纹理检测处理设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书一个或多个实施例中的技术方案,下面将结合本说明书一个或多个实施例中的附图,对本说明书一个或多个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说明书的一部分实施例,而不是全部的实施例。基于本说明书一个或多个实施例,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,都应当属于本文件的保护范围。
本实施例提供的一个或者多个实施例提供的食材商品的纹理检测处理方法,可适用于食材商品的纹理特征检测这一实施环境,参照图1,该实施环境至少包括服务器101。服务器101可以是一台服务器或者由若干台服务器组成的服务器集群,或者是云计算平台中的一个或者多个云服务器,服务器101用于对获取的纹理图像进行纹理特征检测获得纹理检测结果。
该实施环境可以包括用户终端102,用户终端102可以是智能手机、平板电脑、电子书阅读器、可穿戴设备、基于AR(Augmented Reality,增强现实)/VR(Virtual Reality,虚拟现实)进行信息交互的设备等。用户终端102用于采集并上传对食材商品进行表面纹理采集的纹理图像,用户终端102可配置纹理检测的客户端,该客户端用于访问纹理检测程序进行纹理特征检测获得纹理检测结果,该客户端的具体形式可以是应用程序、应用程序内的子程序或者应用程序内的服务模块。
该实施环境还可以包括数据库103,数据库103可以部署在服务器101内。数据库103用于存储食材商品的标识信息和标识信息绑定的食材商品的对比纹理图像,服务器101可以从数据库103中读取食材商品的对比纹理图像。
该实施环境中,在进行食材商品的纹理检测处理的过程中,服务器101获取用户终端102对食材商品进行表面纹理采集获得的纹理图像,对纹理图像进行至少一个特征维度的纹理特征提取,根据特征提取结果确定食材商品的纹理特征分布,根据用户终端102交互获得的标识信息从数据库103中读取食材商品的对比纹理图像并确定对比纹理图像的对比纹理分布,基于对比纹理分布对食材商品的纹理特征分布进行纹理特征检测,获得食材商品的纹理检测结果。
本说明书提供的一种食材商品的纹理检测处理方法的一个或者多个实施例如下:
参照图2,本实施例提供的食材商品的纹理检测处理方法,具体包括步骤S202至步骤S208。
步骤S202,获取用户终端对食材商品进行表面纹理采集获得的纹理图像。
实际应用中,在用户购买食材商品的过程中,可能会遇到以次充好的商品,或者在线上交易的场景中,收到的食材商品与购入的食材商品不一致,用户可能难以鉴别收到的食材商品是否为购入的食材商品,针对于此,本实施例通过对用户购入的食材商品进行纹理检测的方式,预先为食材商品设置对比纹理图像,用户针对购入的食材商品采集表面纹理的纹理图像,通过对纹理图像和对比纹理图像进行比对的方式检测用户收到的食材商品是否为购入的食材商品。
本实施例中,所述食材商品是指表面具有标志性纹理且可供食用的商品,也可以是指经加工制作或者烹饪后可供食用的商品,具体可以是纹理较为显著的食材商品,比如表面纹理显著的果蔬类商品,表面纹理较为显著的冲泡类商品等。此外,食材商品也可以是产自特定区域的,以地理名称进行命名的产品,即:地理标志产品中的果蔬类产品和/或冲泡类产品。除此之外,食材商品还可被替换为纹理显著商品。
具体实施时,用户可通过用户终端采集包含食材商品的表面纹理的纹理图像并上传,来请求进入对食材商品进行纹理检测的检测流程,在用户终端采集并上传纹理图像后,此处,获取用户终端针对食材商品的表面纹理采集的纹理图像,以用于后续进行纹理检测处理。
本实施例中纹理图像,是针对食材商品的表面通过用户终端进行采集的图像,用于进行后续纹理特征提取和纹理检测处理,其中,食材商品的表面可以包括表面纹理和除纹理外的表皮,即:纹理图像可以包含表面纹理图像区域和表皮图像区域,具体的,表面纹理图像区域可用于表征表面纹理形状,表面纹理色彩和/或表面纹理大小,表皮图像区域可用于表征表面色彩,边缘形状和/或表面形状。
实际应用中,为提高食材商品的产品可信度,可在食材商品出厂时针对食材商品设置商品标识,以通过商品标识查询食材商品的商品信息,具体的,用户可通过用户终端扫描食材商品的标识信息查询食材商品的产地,商品流转信息,纹理示意图等信息,该商品标识可以是标识码和/或NFC(Near Field Communication,近场通信技术)标签。可选的,获取纹理图像之前,在检测到用户终端基于商品标识信息提交的商品信息获取请求后,基于商品标识信息查询食材商品的商品信息,基于商品信息生成商品详情页面并向用户终端下发,以通过商品详情页面采集纹理图像。如图3所示,获取纹理图像之前,向用户终端下发商品详情页面301,通过触发商品详情页面301中纹理识别按钮302进行纹理图像采集并上传。
本实施例中,针对获取的用户终端采集的食材商品的纹理图像,还可对该纹理图像进行图像质量检测,具体可通过提取获取的纹理图像的图像参数,并根据图像参数计算获取的纹理图像的图像清晰度,如果图像清晰度满足纹理图像采集条件,比如大于进行纹理图像采集的清晰度阈值,则确定检测通过,在确定检测通过的情况下,执行后续操作;反之,确定检测未通过,可生成重新采集提醒并向用户终端下发。
步骤S204,对所述纹理图像进行至少一个特征维度的纹理特征提取,并根据特征提取结果确定所述食材商品的纹理特征分布。
本实施例中特征维度,是指食材商品的表面纹理的纹理特征的特征维度,该特征维度可以是食材商品表面纹理的纹理特征的形状特征,比如果蔬商品的条状纹理或者点状纹理等,该纹理特征还可以是食材商品表面纹理特征的颜色特征,该纹理特征也可以是食材商品表面纹理特征的边缘纹理特征,比如冲泡类商品的针状边缘纹理或者球状边缘纹理等。此外,纹理特征还可以从纹理的空间维度出发提取纹理元素对应于纹理图像的纹理位置特征,以基于纹理在纹理图像中的空间分布进行纹理特征检测。
此外,纹理特征还可以包含纹理之外的特征,以结合纹理之外的特征进行纹理特征检测,比如纹理图像中食材商品的表面的色彩特征,或者食材商品的形状特征,又或者食材商品的表面的色彩位置特征。除此之外,纹理特征也可以是上述特征中任意两者或两者以上的结合,比如纹理图像中纹理食材商品的纹理色彩特征和纹理形状特征组成的纹理色彩形状特征。
具体实施时,针对用户终端采集的食材商品的纹理图像从至少一个特征维度进行纹理特征提取,获得至少一个特征维度的纹理特征,根据至少一个特征维度的纹理特征确定食材商品的纹理特征分布。
实际应用中,不同食材商品的纹理不尽相同,不同种类的食材的纹理通常具有较大差异,相同种类的食材的纹理也会有所差异,针对不同的食材商品使用的纹理特征提取和纹理特征分布的确定方式也不相同,而食材商品的部分食材种类可能不会针对每个食材单元都预先采集对比纹理图像;
针对于此,本实施例通过在提取纹理特征后,根据特征提取结果进行纹理特征分布确定,基于纹理特征分布进行纹理特征检测;其中,纹理特征分布可以是从数量维度确定纹理特征分布,比如基于纹理图像中果蔬类商品的纹理数量确定纹理特征分布,以通过对纹理图像的纹理特征数量分布和对比纹理图像的纹理特征数量分布进行纹理特征检测;此外,纹理特征分布也可以是从空间维度确定纹理特征分布,比如基于纹理图像中果蔬类商品对应于纹理图像的纹理位置确定纹理特征分布,以通过对纹理图像的纹理特征空间分布和对比纹理图像的纹理特征空间分布进行纹理特征检测。除此之外,不同维度的纹理特征分布还可进行融合处理,以使纹理特征检测更加准确。
实际应用中,可能会存在部分食材种类的食材商品的纹理形状与颜色较为具有标识性,针对于此,可从纹理的形状与颜色维度进行纹理特征提取,具体的可以对纹理图像进行图像分割获得纹理元素,针对色彩特征维度和形状特征维度进行纹理特征提取,并根据特征提取结果确定食材商品的纹理特征分布,本实施例提供的第一种可选实施方式中,对纹理图像进行至少一个特征维度的纹理特征提取,并根据特征提取结果确定食材商品的纹理特征分布,包括:
对所述纹理图像进行图像分割获得所述纹理图像包含的纹理元素;
提取所述纹理元素在纹理色彩维度的纹理色彩特征以及在纹理形状维度的纹理形状特征;
根据所述纹理色彩特征确定纹理色彩分布,并根据所述纹理形状特征确定纹理形状分布;
对所述纹理色彩分布和所述纹理形状分布进行融合获得所述纹理特征分布。
具体的,获取食材商品的纹理图像后,对纹理图像进行图像分割处理,获得纹理图像中对应于食材商品的纹理的纹理元素,提取纹理元素在纹理色彩维度的纹理色彩特征,并提取纹理元素在纹理形状维度的纹理形状特征,根据纹理色彩特征确定纹理色彩分布,并根据纹理形状特征确定纹理形状分布,对纹理色彩分布和纹理形状分布进行融合获得纹理色彩维度和纹理形状维度下的纹理特征分布。
例如,若食材商品为果蔬类商品,对果蔬类商品的纹理图像进行分割处理,获得纹理图像中对应于果蔬类商品的纹理的纹理元素,提取纹理元素在纹理色彩维度的纹理色彩特征,并提取纹理元素在纹理形状维度的纹理形状特征,从空间分布出发,根据各纹理色彩特征的特征向量对应于纹理图像的位置信息确定纹理色彩空间分布,并从数量分布出发,根据各纹理形状特征的特征向量对应于纹理图像的数量信息确定纹理形状数量分布,对纹理色彩空间分布和纹理形状数量分布进行分布融合获得纹理特征分布。
此外,还可以从纹理图像中食材商品的纹理的像素特征维度提取纹理特征,比如纹理元素的纹理饱和度特征,也可以从纹理图像中食材商品的纹理的大小维度提取纹理特征,比如纹理元素的纹理像素面积特征。需要说明的是,还可以针对上述四种特征维度中的任意一者或者任意两者以上的结合进行纹理特征提取。
进一步,在对纹理图像进行纹理色彩维度和纹理形状维度的纹理特征提取的基础之上,食材商品在用户购买后的运输过程中,部分食材商品可能会因运输时间与仓储环境的影响而产生色彩上的变化,比如因氧化而导致纹理色彩变深,或者因仓储时间导致的食材成熟,即:食材表面纹理色彩褪去青色,影响后续纹理检测的准确性;
针对于此,还可在用户提取纹理元素在色彩维度的纹理色彩特征之后,对纹理色彩进行补偿修正,根据补偿修正后的纹理色彩特征确定纹理色彩分布,比如:提取纹理元素在纹理色彩维度的纹理色彩特征以及在纹理形状维度的纹理形状特征之后,且根据纹理色彩特征确定纹理色彩分布,并根据纹理形状维度确定纹理形状分布之前,还包括:
根据所述食材商品的商品种类和商品运输时长确定纹理色彩补偿参数;
基于所述纹理色彩补偿参数对所述纹理特征分布包含的纹理色彩特征进行纹理色彩补偿处理。
具体的,预先设置对食材商品进行纹理色彩补偿的商品种类和与商品运输时长对应的补偿参数,获取纹理图像中食材商品的商品种类和商品运输时长,根据商品种类和商品运输时长查询纹理色彩补偿参数,基于该纹理色彩补偿参数对纹理特征分布包含的纹理色彩分布对应的纹理色彩特征进行纹理色彩补偿处理。
例如,预先设置对食材商品中果蔬类商品进行纹理色彩补偿的与商品运输时长对应的纹理色彩补偿参数,若纹理图像中的果蔬类商品为香蕉,获取纹理图像中香蕉的运输时长,查询该运输时长对应的香蕉的纹理色彩补偿参数,基于该纹理色彩补偿参数对提取的香蕉的纹理色彩特征进行纹理色彩补偿处理。
实际应用中,还可能存在部分食材商品的纹理的标识性较弱但存在表面色彩存在部分差异的情况,比如果蔬类商品分类下的部分品种的苹果以其鲜艳的颜色和点状纹理与普通的苹果品种进行区分,针对于此,在纹理特征的提取过程中,还可提取纹理图像中食材商品的纹理子特征,比如表面色彩特征,基于纹理特征和纹理子特征共同确定纹理特征分布,具体的,可结合纹理图像中食材商品的表面色彩特征和纹理元素的位置信息确定食材商品的纹理特征分布,本实施例提供的第二种可选实施方式中,对纹理图像进行至少一个特征维度的纹理特征提取,并根据特征提取结果确定食材商品的纹理特征分布,包括:
提取所述纹理图像包含的纹理元素在纹理色彩维度的纹理色彩特征,以及所述纹理图像的表面元素的表面色彩特征;
基于所述纹理色彩特征与所述纹理元素的位置信息确定纹理色彩空间分布,以及基于所述表面色彩特征与所述表面元素的位置信息确定表面色彩空间分布。
具体的,获取用户终端采集的纹理图像中食材商品的纹理元素,提取纹理元素包含的纹理色彩维度的纹理色彩特征,并提取纹理图像中食材商品的表面元素的表面色彩特征,基于纹理元素在纹理图像中的位置信息和纹理色彩特征确定纹理色彩空间分布,以及基于表面色彩特征和表面元素的位置信息确定表面色彩空间分布,以通过纹理色彩空间分布和表面色彩空间分布进行纹理特征检测。
例如,获取用户终端采集的纹理图像中苹果的纹理元素,提取纹理元素包含的纹理色彩维度的纹理色彩特征,并提取纹理图像中苹果的表面元素的表面色彩特征,基于纹理元素在纹理图像中的位置信息和纹理色彩特征确定纹理色彩空间分布,以及基于表面色彩特征和表面元素的位置信息确定表面色彩空间分布。
此外,上述提供的纹理特征分布的确定方法还可结合数量分布维度确定,比如:提取纹理图像包含的纹理元素在纹理色彩维度的纹理色彩特征,以及纹理图像的表面元素的表面色彩特征;基于纹理色彩特征和纹理元素的数量信息确定纹理色彩数量分布,以及基于表面色彩特征和表面元素的位置信息确定表面色彩分布。
实际应用中,还存在个体较小的食材商品,此类食材通过会一次购买整盒或整包,比如食材商品中冲泡类食材商品,食材商品中干果类食材商品,用户可能难以采集单个食材商品的纹理图像,针对于此,可在用户采集的包含多个食材商品的纹理图像中提取多个食材元素并提取各食材元素的边缘纹理特征,并提取各食材元素的色彩特征,基于色彩特征和边缘纹理特征的位置对应关系对边缘纹理特征和色彩特征进行特征合并,根据合并后的特征确定色彩纹理特征分布,本实施例提供的第三种可选实施方式中,对纹理图像进行至少一个特征维度的纹理特征提取,并根据特征提取结果确定食材商品的纹理特征分布,包括:
对所述纹理图像中组成所述食材商品的各食材元素进行边缘检测,并基于边缘检测结果提取所述各食材元素的边缘纹理特征;
基于所述边缘纹理特征的位置信息与所述各食材元素的色彩特征的位置信息,建立所述边缘纹理特征与所述色彩特征的对应关系;
根据对应关系对所述边缘纹理特征和所述色彩特征进行特征合并,并根据合并获得的边缘色彩纹理特征确定所述食材商品的边缘色彩纹理特征分布。
具体的,对用户采集的纹理图像中食材商品的各食材单元对应的各食材元素实施边缘检测算法进行边缘检测,基于边缘检测结果提取各食材元素的边缘纹理特征,并提取纹理图像中各食材元素的色彩特征,基于边缘纹理特征对应于纹理图像的位置信息和色彩特征对应于纹理图像的位置信息建立边缘纹理特征和色彩特征的对应关系,根据该对应关系对边缘纹理特征和色彩特征进行特征合并,根据合并获得的边缘色彩纹理特征确定食材商品的边缘色彩纹理特征分布。
例如,若纹理图像中食材商品为冲泡类商品分类下的茶叶,对纹理图像中整盒茶叶中各茶叶单元对应的茶叶元素进行边缘检测处理,基于边缘检测结果提取每片茶叶的边缘纹理特征,提取纹理图像中每片茶叶的色彩特征,基于每片茶叶的边缘纹理特征的位置信息和每片茶叶的色彩特征的位置信息建立边缘纹理特征和色彩特征的对应关系,根据对应关系对每片茶叶的边缘纹理特征和每片茶叶的色彩特征进行特征合并获得一盒茶叶的各茶叶单元的边缘色彩纹理特征,根据一盒茶叶的各茶叶单元的边缘色彩纹理特征确定一盒茶叶的边缘色彩纹理特征分布。
又例如:若纹理图像中食材商品为果蔬类商品分类下的瓜子,对纹理图像中整包瓜子中各瓜子单元对应的瓜子元素进行边缘检测处理,基于边缘检测结果提取每个瓜子的边缘纹理特征,提取纹理图像中每个瓜子的色彩特征,基于每个瓜子的边缘纹理特征的位置信息和每个瓜子的色彩特征的位置信息建立边缘纹理特征和色彩特征的对应关系,根据对应关系对每个瓜子的边缘纹理特征和每个瓜子的色彩特征进行特征合并获得一包瓜子的各瓜子单元的边缘色彩纹理特征,根据一包瓜子的各瓜子单元的边缘色彩纹理特征确定一包瓜子的边缘色彩纹理特征分布。
此外,针对上述提供的纹理特征分布的确定方法,可结合空间分布维度和数量分布维度确定,以使后续纹理特征检测的准确率提高。
实际应用中,食材商品中部分食材可能具有显著的纹理,该纹理可能是同食材种类下其余品种所不具备的关键纹理,这部分具有显著的纹理的食材商品可能预先进行了备案,针对于此,还可以先提取食材商品的多个特征维度的备案食材的纹理特征,根据备案食材的纹理特征识别纹理图像中对应于备案食材的纹理特征的多个特征维度的关键纹理特征,根据纹理图像中的关键纹理特征的位置信息对关键纹理特征进行聚类获得关键纹理特征分布,本实施例提供的第四种可选实施方式中,对纹理图像进行至少一个特征维度的纹理特征提取,并根据特征提取结果确定食材商品的纹理特征分布,包括:
基于所述食材商品对应的备案食材的关键纹理特征,识别并提取所述纹理图像中的关键纹理特征;
根据所述纹理图像中的关键纹理特征的位置信息,对所述纹理图像中的关键纹理特征进行聚类,获得所述纹理图像中各食材元素的关键纹理特征分布。
可选的,所述食材商品由至少一个食材元素组成。
具体的,获取食材商品对应的备案食材的关键纹理特征,根据关键纹理特征识别并提取纹理图像中的关键纹理特征,并根据关键纹理特征对应于纹理图像的位置信息,对纹理图像中的关键纹理特征进行聚类处理,获得纹理图像中各食材单元的关键纹理特征分布;其中,关键维度特征可以是基于食材商品的至少一个特征维度的备案食材的纹理特征识别并提取的;其中,关键纹理特征可包括下述一个或多个或至少两个的合并:纹理色彩特征,表面色彩特征,纹理形状特征,表面形状特征,纹理大小特征,表面大小特征。
例如,基于备案食材的关键纹理特征,识别并提取用户终端采集的纹理图像中的关键纹理特征,并根据关键纹理特征对应于食材商品的纹理图像的位置信息,对食材商品的纹理图像中的关键纹理特征进行聚类处理,获得用户终端采集的食材商品的纹理图像的关键纹理特征分布。
此外,还可从关键纹理特征的数量分布维度或结合关键纹理特征的数量分布维度确定关键纹理特征分布,以提高后续纹理检测的准确性,比如:基于食材商品对应的备案食材的关键纹理特征,识别并提取纹理图像中的关键纹理特征;根据纹理图像中的关键纹理特征的数量信息,对纹理图像中的关键纹理特征进行聚类,获得纹理图像中各食材元素的关键纹理特征分布;又比如,基于食材商品对应的备案食材的关键纹理特征,识别并提取纹理图像中的关键纹理特征;根据纹理图像中的关键纹理特征的数量信息和位置信息,对纹理图像中的关键纹理特征进行聚类,获得纹理图像中各食材元素的关键纹理特征分布。
需要说明的是,上述提供的四种确定食材商品的纹理特征分布的方式,可进行结合以进行食材商品的纹理特征分布确定,即:上述食材商品的纹理特征分布的确定过程,均可以通过上述四种实施方式中的至少两者的组合实现,比如:对纹理图像进行图像分割获得纹理图像包含的纹理元素;提取纹理元素在纹理色彩维度的纹理色彩特征,在纹理形状维度的纹理形状特征,以及纹理图像的表面元素的表面色彩特征;根据纹理色彩特征确定纹理色彩分布,根据纹理色彩特征与纹理元素的位置信息确定纹理色彩空间分布,并根据纹理形状维度确定纹理形状分布;对纹理色彩分布,纹理色彩空间分布和纹理形状分布进行融合获得纹理特征分布。
步骤S206,根据所述食材商品的标识信息确定所述食材商品的对比纹理图像的对比纹理分布。
本实施例中对比纹理图像,是指预先配置的食材商品的纹理图像,用于将该纹理图像作为对比图像,通过该纹理图像的对比纹理分布检测用户终端上传的纹理图像中食材商品是否与预先配置的食材商品的纹理图像中的食材商品为同一种类。具体的,针对食材单元个体较大的食材商品,可针对每一个食材商品在出厂时配置出厂纹理图像,将出厂纹理图像作为对比纹理图像,或者,针对食材商品中食材单元个体较小的食材商品,可针对具有代表性的一个食材单元通过注册食材图像进行注册,将注册食材图像作为对比纹理图像,或者,针对纹理的唯一性较强的食材商品,也可针对具有代表性的一个食材单元通过备案食材图像进行备案,将备案食材图像作为对比纹理图像。
具体实施时,根据食材商品的标识信息中包含的标识字段,查询食材商品的对比纹理图像,获取对比纹理图像对应的对比纹理分布。此处,用户终端可通过与食材商品的标识信息进行交互获得食材商品的标识信息并向服务器上传,具体的,可针对食材商品预设标识码,用户终端通过扫描食材商品的标识码,基于解码结果获得食材商品的标识信息,或者,针对食材商品预设NFC标签,将食材商品的标识信息对应的标识字段配置于NFC标签中,用户终端通过近场通信组件与NFC标签进行近场交互获得食材商品的标识信息。可选的,所述标识信息通过所述用户终端与所述食材商品的商品标识进行交互处理获得。
实际应用中,食材商品的对比纹理分布可与上述确定的纹理图像中食材商品的纹理特征分布的方式类似,以使得后续的纹理特征检测处理基于同一特征维度进行,即:可采用上述提供的确定纹理图像中食材商品的纹理特征分布的方式确定对比纹理图像中食材商品的对比纹理分布,比如:在上述通过第一种方式确定纹理特征分布的情况下,获取标识信息绑定的出厂纹理图像;对出厂纹理图像进行边缘检测获得出厂食材商品的边缘纹理特征,提取出厂纹理图像中食材商品的表面色彩特征;对边缘纹理特征和表面色彩特征进行特征合并获得边缘色彩纹理特征,将根据边缘色彩纹理特征确定的边缘色彩纹理特征分布作为对比纹理分布。
需要说明的是,上述提供的从数量分布维度和空间分布维度以及数量和空间结合的维度确定食材商品的纹理特征分布的方式,也可用于确定对比纹理图像的对比纹理分布,比如:获取对比纹理图像并进行至少一个特征维度的纹理特征提取,根据特征提取结果确定对比纹理图像中食材商品的纹理数量分布和纹理空间分布,对纹理数量分布和纹理空间分布进行融合获得对比纹理特征分布。
具体执行过程中,基于上述提供的第一种确定纹理图像中食材商品的纹理特征分布的方法,用户终端可采集并上传的食材商品的标识码图像,针对该标识码图像进行解析获得标识信息,针对标识信息绑定的食材商品的出厂纹理图像也可基于色彩特征维度和形状特征维度对食材商品的出厂纹理图像进行特征提取与出厂纹理特征分布的确定,本实施例提供的一种可选实施方式中,对根据食材商品的标识信息确定食材商品的对比纹理图像的对比纹理分布,包括:
对所述食材商品对应的标识码的标识码图像进行解析,获得所述标识信息;
提取所述标识信息绑定的出厂食材商品的出厂纹理图像的纹理色彩特征和纹理形状特征,并基于所述出厂纹理图像的纹理色彩特征和纹理形状特征确定出厂纹理特征分布。
具体的,对用户终端上传的食材商品对应的标识码的标识码图像进行解析,获得标识码对应的标识信息,在数据库中查询与该标识信息绑定的出厂食材商品的出厂纹理图像,基于纹理色彩维度和纹理形状维度提取出厂纹理图像的纹理色彩特征和纹理形状特征,基于出厂纹理图像的纹理色彩特征和纹理形状特征确定出厂纹理特征分布。
例如,对用户终端上传的果蔬类商品对应的二维码的二维码图像进行解析获得标识信息,在数据库中查询与该标识信息绑定的果蔬类商品的出厂纹理图像,基于纹理色彩维度和纹理形状维度提取出厂纹理图像的纹理色彩特征和纹理形状特征,基于出厂纹理图像的纹理色彩特征和纹理形状特征确定出厂纹理特征分布。
进一步,为提高纹理检测的效率,提升用户的使用便捷度,可向用户提供纹理检测程序,使用户通过纹理检测程序采集并上传纹理图像以进行纹理检测,还可通过纹理检测程序接收纹理检测结果。可选的,所述纹理图像通过纹理检测程序上传。具体执行过程中,可将标识码图像粘贴在食材商品表面,以将标识码图像包含于用户采集的纹理图像中,在用户终端上传纹理图像后,针对纹理图像进行图像分割,从分割结果中提取标识码图像对应的子图像,以针对该子图像进行解析获得食材商品的标识信息,提升了用户的使用便捷度,提高了数据处理效率。可选的,所述标识码图像,通过对所述纹理图像进行图像分割,并从图像分割结果中提取所述标识码对应的子图像获得。此外,为提升用户的使用便捷性,用户终端还可通过对标识码图像进行解析的解析结果进入纹理检测程序。可选的,所述用户终端采集到所述纹理图像后,对所述纹理图像中包含的标识码图像进行解析,并基于解析结果进入所述纹理检测程序。
更进一步,还可针对食材商品设置NFC标签,用户终端通过近场通信组件与食材商品的NFC标签进行近场通信交互进入纹理检测程序,以使用户在纹理检测程序中上传采集的纹理图像,食材商品还可同时配置有标识码和NFC标签,基于此,在获取食材商品的标识信息的过程中,可通过标识码和NFC标签两者中任意一者进行交互的方式进入纹理检测程序。
此外,基于上述提供的第二种确定纹理图像中食材商品的纹理特征分布的方法,可获取标识信息绑定的食材商品的对比纹理图像,提取对比纹理图像包含的纹理元素在纹理色彩维度的纹理色彩特征,以及纹理图像的表面元素的表面色彩特征,基于纹理色彩特征和纹理元素的位置信息确定纹理色彩空间分布,以及基于表面色彩特征和表面元素的位置信息确定表面色彩空间分布。
实际应用中,还存在用户在线下进行食材商品购买的情况,用户在线下购买食材商品时可通过近场通信获取食材商品的标识信息并上传,以进行纹理特征检测。可选的,所述标识信息,由所述用户终端调用近场通信组件与所述食材商品的近场通信标签进行近场通信交互获得。进一步,基于上述提供的第三种确定纹理图像中食材商品的纹理特征分布的方法,可根据标识信息包含的字段,获取线下商家针对出售的商品的注册食材图像,基于该注册食材图像确定对比纹理分布,以避免在线上商家购买到与注册食材不一致的食材商品,本实施例提供的一种可选实施方式中,根据食材商品的标识信息确定食材商品的对比纹理图像的对比纹理分布,包括:
根据所述标识信息中包含的食材种类和商家信息,获取所述商家信息对应商家针对所述食材种类的注册食材图像的边缘色彩纹理特征分布。
具体的,读取标识信息包含的食材种类和商家信息的字段,获取食材商品的食材种类和商家信息,在数据库中查询该商家信息对应商家针对该食材种类的注册食材图像,并提取该注册食材图像的边缘色彩纹理特征分布,以进行纹理特征检测。
进一步,用户还可能在线下直接进行食材商品的交易处理,为提高用户的操作便捷度,提升用户交易的安全性,可在用户通过近场通信组件与食材商品的NFC标签进行近场通信后进行食材商品的商品交易。可选的,所述食材商品的商品交易基于所述近场通信标签进行。
更进一步,还可针对食材商品设置标识码,用户终端通过扫描食材商品的标识码图像解析该标识码图像并获得标识信息,并在扫描食材商品的标识码后进行食材商品的商品交易处理。可选的,所述食材商品的商品交易基于所述标识码进行。基于此,在获取食材商品的标识信息的过程中,可通过标识码和NFC标签两者中任意一者进行交互的方式进行商品交易。可选的,所述纹理图像采集在所述食材商品的交易完成后进行。
需要说明的是,上述获取用户终端采集的食材商品的纹理图像之后,进行的对纹理图像进行纹理特征提取与纹理特征分布确定这一处理过程,与上述根据食材商品的标识信息确定食材商品的对比纹理图像的对比纹理分布这一处理过程的执行顺序可进行互换,即:可在步骤S202,获取用户终端对食材商品进行表面纹理采集获得的纹理图像执行之后,执行步骤S206,根据食材商品的标识信息确定食材商品的对比纹理图像的对比纹理分布,在步骤S206执行之后,执行步骤S204,对纹理图像进行至少一个特征维度的纹理特征提取,并根据特征提取结果确定食材商品的纹理特征分布,最后执行步骤S208,基于对比纹理特征分布和食材商品的纹理特征分布进行纹理特征检测,获得食材商品的纹理检测结果。
步骤S208,基于所述对比纹理分布对所述食材商品的纹理特征分布进行纹理特征检测,获得所述食材商品的纹理检测结果。
具体实施时,基于上述获得的对比纹理分布对上述确定的纹理图像中食材商品的纹理特征分布进行纹理特征检测处理,获得食材商品的纹理检测结果。具体的,可对应于上述提取纹理特征的特征维度进行纹理特征检测,比如,可建立纹理图像中图像元素与对比纹理图像中图像元素的对应关系,基于对应关系对纹理特征分布和对比纹理特征分布进行分布重合计算,并将计算结果与重合度阈值进行比对获得纹理检测结果;又比如,可针对纹理特征分布和对比纹理特征分布进行纹理分布重合检测,将检测结果作为纹理检测结果;再比如,可将纹理特征分布和对比纹理特征分布输入纹理匹配模型进行纹理特征匹配计算,基于计算结果确定纹理检测结果;再比如,可计算纹理特征分布与对比纹理特征分布的纹理匹配度,基于计算结果确定纹理检测结果。
实际应用中,为保证纹理特征检测时,纹理特征分布和对比纹理特征分布在同一特征维度,可基于在同一特征维度提取的纹理特征分布和对比纹理特征分布进行纹理特征检测处理,以提高纹理特征检测的准确性。
具体执行过程中,基于上述提供的第一种确定纹理图像中食材商品的纹理特征分布的方法和与上述提供的第一种确定纹理图像中食材商品的纹理特征分布的方法对应的对比纹理特征分布的确定方法,可建立纹理图像中图像元素和出厂纹理图像中图像元素的对应关系,基于该对应关系对纹理特征分布和出厂纹理特征分布进行分布重合计算,根据计算结果确定纹理检测结果,本实施例提供的第一种可选实施方式中,基于对比纹理分布对食材商品的纹理特征分布进行纹理特征检测,包括:
建立所述纹理图像中图像元素与所述出厂纹理图像中图像元素的对应关系;
基于所述对应关系,对所述纹理特征分布与所述出厂纹理特征分布进行图像元素的分布重合计算;
若计算获得的分布重合度大于重合度阈值,确定纹理特征检测成功;
若计算获得的分布重合度小于或者等于所述重合度阈值,确定纹理特征检测失败。
具体的,建立纹理图像中对应于食材商品的图像元素和出厂纹理图像中对应于出厂食材商品的图像元素的对应关系,基于对应关系对纹理特征分布和出厂纹理特征分布从数量特征分布维度计算纹理特征分布包含的纹理数量特征分布和对比纹理特征分布包含的对比纹理数量特征分布的特征分布差值,基于该特征分布差值计算分布重合度,或者,基于对应关系对纹理特征分布和出厂纹理特征分布从空间特征分布维度计算纹理分布包含的纹理空间特征分布和对比纹理特征包含的对比纹理空间特征分布的特征分布偏移,基于该特征分布偏移计算分布重合度,或者,从数量特征分布维度和空间特征分布维度计算特征分布偏差,基于该特征分布偏差计算分布重合度,若计算获得的分布重合度大于重合度阈值,确定纹理特征检测成功,反之,若小于重合度阈值,则确定纹理特征检测失败。
例如,预先设置重合度阈值,建立纹理图像中果蔬类商品的图像元素和出厂纹理图像中果蔬类商品的图像元素的对应关系,从数量特征分布维度和空间特征分布维度对纹理特征分布和出厂纹理特征分布进行分布重合计算,检测到分布重合度大于重合度阈值,获得检测通过的纹理检测结果。
此外,基于上述提供的第二种确定纹理图像中食材商品的纹理特征分布的方法,可分层次进行纹理特征检测,可先对纹理色彩空间分布和对比纹理分布中包含的纹理色彩空间分布进行纹理分布重合检测,检测通过后再进行表面分布重合检测,基于检测结果确定纹理特征检测结果,本实施例提供的第二种可选实施方式中,基于对比纹理分布对食材商品的纹理特征分布进行纹理特征检测,包括:
对所述纹理色彩空间分布与所述对比纹理分布中包含的纹理色彩空间分布进行纹理分布重合检测;
若检测未通过,确定纹理特征检测未通过;
若检测通过,对所述表面色彩空间分布与所述对比纹理分布中包含的表面色彩空间分布进行表面分布重合检测,若检测通过,确定纹理特征检测成功;若检测未通过,确定纹理特征检测未通过。
具体的,从纹理维度对纹理色彩空间分布和对比纹理分布中包含的纹理色彩空间分布进行纹理分布重合检测,若纹理分布重合度大于阈值,确定纹理分布重合检测通过,若纹理分布重合度小于阈值,确定纹理分布重合检测未通过,纹理分布重合检测通过后,对表面色彩空间分布和对比纹理分布中包含的表面色彩空间分布进行表面分布重合检测,若检测通过,确定纹理特征检测通过,若检测未通过,确定纹理特征检测未通过。
例如,若食材商品为果蔬类商品中的西瓜,对西瓜的纹理色彩空间分布和出厂西瓜的对比纹理分布中包含的纹理色彩空间稳步进行纹理分布重合检测,检测到纹理图像中西瓜与对比纹理图像中西瓜的纹理分布重合度达到阈值,确定检测通过,对西瓜的表面色彩空间分布和出厂西瓜的表面色彩空间分布进行表面分布重合检测,检测到纹理图像中西瓜与对比纹理图像中西瓜的表面分布重合度大于阈值,确定纹理特征检测通过。
进一步,食材商品在运输过程中,部分食材种类可能会受运输时间和/或仓储环境的影响与运输前产生一定的色差,影响纹理特征检测的准确性,导致纹理特征检测未通过,针对于此,在上述表面分布重合检测未通过的情况下,可根据食材商品的商品种类和商品运输时长确定色彩补偿参数,基于补偿后的色彩空间分布进行表面分布重合检测,本实施例提供的一种可选实施方式中,若表面分布重合检测未通过,执行如下操作:
根据所述食材商品的商品种类和商品运输时长确定色彩补偿参数;
基于所述色彩补偿参数对所述表面色彩特征进行色彩补偿处理,并基于获得的补偿色彩特征与所述表面元素的位置信息确定补偿色彩空间分布;
对所述补偿色彩空间分布与所述表面色彩空间分布进行表面分布重合检测,若检测通过,确定纹理特征检测成功;若检测未通过,确定纹理特征检测失败。
具体的,预先设置色彩补偿的商品种类和与商品种类对应的商品运输时长的补偿参数,获取食材商品的商品种类和商品运输时长的补偿参数并计算色彩补偿参数,基于色彩补偿参数对表面色彩特征进行色彩补偿处理,基于获得的补偿色彩特征和表面元素的位置信息确定补偿色彩空间分布,对补偿色彩空间分布和表面色彩空间分布进行表面分布重合检测,若检测通过,确定纹理特征检测通过,若检测未通过,确定纹理特征检测失败。
例如,预先设置食材商品对应的商品运输时长的补偿参数为每运输一小时补偿x图像参数,基于食材商品的运输时长和补偿参数计算色彩补偿参数,基于色彩补偿参数对表面色彩特征进行色彩补偿处理,基于获得的补偿色彩特征和表面元素的位置信息确定补偿色彩空间分布,对补偿色彩空间分布和表面色彩空间分布进行表面分布重合检测,检测到重合度大于阈值,确定纹理特征检测通过。
更进一步,在上述表面分布重合检测通过的情况下,为提高用户的使用体验,提升用户的信息透明度,还可在纹理特征检测通过后向用户发送食材商品的交易流转记录,具体的,可基于食材商品的标识信息在数据库中查询食材商品的交易流转的详细信息,比如产地,仓储时间,运输时间等。可选的,若所述纹理检测结果为纹理特征检测成功,基于所述标识信息获取所述食材商品的交易流转记录,并将所述交易流转记录写入所述纹理检测结果向所述用户终端返回。
此外,基于上述提供的第三种确定纹理图像中食材商品的纹理特征分布的方法和与上述提供的第三种确定纹理图像中食材商品的纹理特征分布的方法对应的对比纹理特征分布的确定方法,针对小个体的食材商品的纹理特征检测处理,可通过训练好的纹理匹配模型进行,以提高纹理特征检测效率和准确率,本实施例提供的第三种可选实施方式中,基于对比纹理分布对食材商品的纹理特征分布进行纹理特征检测,包括:
将所述食材商品的边缘色彩纹理特征分布与所述注册食材图像的边缘色彩纹理特征分布输入纹理匹配模型进行边缘色彩纹理匹配计算,获取输出的匹配计算结果;
若所述匹配计算结果为匹配成功,则确定所述纹理检测结果为纹理检测通过;
若所述匹配计算结果为匹配失败,则确定所述纹理检测结果为纹理检测未通过。
具体的,将食材商品的边缘色彩纹理特征分布和注册食材图像的边缘色彩纹理特征分布输入训练好的纹理匹配模型进行边缘色彩纹理匹配计算,输出匹配计算结果,若匹配计算结果为匹配成功,确定纹理检测结果为纹理检测通过,若匹配结果为匹配失败,确定纹理检测结果为纹理检测未通过。
例如,将食材商品中冲泡类商品的边缘色彩纹理特征分布和注册的商品图像的边缘色彩纹理特征分布输入训练好的纹理匹配模型进行边缘色彩纹理匹配计算,输出匹配计算结果,输出匹配成功的计算结果,确定纹理检测通过。
进一步,为提高纹理匹配模型的准确性,可构建样本图像集对纹理匹配模型进行模型训练,具体的,可将检测结果作为标签,将样本图像输入纹理匹配模型,输出检测结果,将检测结果与标签进行比较根据比较结果进行参数修正,以此类推,直至纹理匹配模型训练完成,本实施例提供的一种可选实施方式中,纹理匹配模型,采用如下方式训练获得:
构建由正样本图像和负样本图像组成的样本图像集;
将所述样本图像集中所述正样本图像和所述负样本图像组成的样本图像对输入待训练模型进行边缘色彩纹理匹配计算;
基于检测结果计算对抗损失,并根据所述对抗损失对所述待训练模型进行参数调整,以在训练完成后获得所述纹理匹配模型。
具体的,预先获取正样本图像和负样本图像,构建由正样本图像和负样本图像组成的样本图像集,将样本图像集中正样本图像和负样本图像组成的样本图像对输入待训练的纹理匹配模型进行边缘色彩纹理匹配计算,基于检测结果计算对抗损失,根据对抗损失对待训练模型进行参数调整,以此类推,采用上述纹理匹配模型的训练方式进行纹理匹配模型训练,在对抗损失收敛后获得纹理匹配模型,纹理匹配模型的训练可以在云服务器上进行,也可以在线下进行。
实际应用中,为提升纹理匹配模型的准确性和有效性,还可以从食材商品的食材种类触发,针对不同食材种类的食材商品训练不同的纹理匹配模型,通过不同食材种类对应的纹理匹配模型进行相应食材种类的纹理图像的特征提取获得纹理特征并确定纹理特征分布,以及在相应的食材种类分类下,基于纹理特征分布和标识信息绑定的对比纹理图像的对比纹理特征分布进行纹理检测,进一步,为了降低不同食材种类的纹理匹配模型的训练所需的训练工作量,可通过针对不同食材种类建立统一的基准纹理匹配模型,针对不同食材种类进行训练后生成各食材种类对应的模型参数,在不同食材种类分类下进行纹理特征分布确定和纹理检测过程中,可在基准纹理匹配模型的基础上加载相应食材种类的参数模型,获得能够对不同食材种类对应的进行纹理特征分布确定和纹理检测的纹理匹配模型。
具体基于上述提供的第三种确定纹理图像中食材商品的纹理特征分布的方法和与上述提供的第三种确定纹理图像中食材商品的纹理特征分布的方法对应的对比纹理特征分布的确定方法,获取用户终端采集的食材商品的纹理图像之后,获得食材商品的边缘色彩纹理特征分布之前,可根据食材商品的食材种类读取对应的基准纹理匹配模型的模型参数,并将读取的食材种类对应的模型参数加载至基准纹理匹配模型获得纹理匹配模型,通过纹理匹配模型对纹理图像进行纹理特征分布确定获得纹理特征分布,并通过纹理匹配模型对纹理特征分布和标识信息绑定的对比纹理图像的对比纹理特征进行纹理匹配,输出纹理匹配结果,以基于纹理匹配结果确定纹理检测结果。
此外,基于上述提供的第四种确定纹理图像中食材商品的纹理特征分布的方法,还可以计算纹理图像中各食材元素的关键纹理特征分布与备案食材的关键纹理特征分布的纹理特征匹配度,基于匹配度确定纹理检测结果,本实施例提供的第四种可选实施方式中,基于对比纹理分布对食材商品的纹理特征分布进行纹理特征检测,包括:
分别计算所述各食材元素的关键纹理特征分布与所述备案食材的关键纹理特征分布的纹理特征匹配度;
根据所述各食材元素的纹理特征匹配度确定所述食材商品的纹理检测结果。
具体的,针对纹理图像中每个食材元素的关键纹理特征分布和备案食材的关键纹理特征分布进行纹理特征匹配度计算获得多个纹理特征匹配度,基于多个纹理特征匹配度进行加权平均计算获得纹理匹配度,若纹理匹配度大于阈值确定纹理检测通过,若纹理匹配度小于阈值确定纹理检测未通过;其中,纹理图像中完整的食材元素的纹理匹配度的权重可以较高,被遮挡或损坏的食材元素的纹理匹配度的权重可以较低。
例如,若纹理图像中包含3个食材商品,针对纹理图像中每个食材元素的关键纹理特征分布和备案食材的关键纹理特征分布进行纹理特征匹配计算获得3个纹理特征匹配度,基于3个纹理特征匹配度进行加权平均计算获得纹理特征匹配度,检测到纹理特征匹配度大于阈值,确定纹理检测通过。
需要说明的是,上述提供的表面分布重合检测的检测通过之后将食材商品的交易流转记录写入纹理检测结果并向用户终端返回的处理流程,也可以在纹理检测通过后进行,比如:检测到纹理检测结果为检测通过的情况下,基于标识信息获取食材商品的交易流转记录,并将交易流转记录写入纹理检测结果向用户终端返回;
此外,该处理流程也可在上述提供的第一种,第三种和第四种纹理检测结果的获取方式的执行结果为纹理检测通过后执行,以在纹理检测通过后向用户终端下发写到交易流转记录的纹理检测结果。
综上所述,本实施例提供的一种或者多种食材商品的纹理检测处理方法,在进行食材商品的纹理检测过程中,获取用户终端对食材商品进行表面纹理采集获得的纹理图像,对纹理图像进行至少一个特征维度的纹理特征提取,根据特征提取结果确定食材商品的纹理特征分布,根据食材商品的标识信息确定食材商品的对比纹理图像的对比纹理分布,基于对比纹理分布对食材商品的纹理特征分布进行纹理特征检测,获得食材商品的纹理检测结果,本实施例通过纹理检测的方式,提高了用户针对食材商品的鉴别能力,提高了食材商品的鉴别效率,进一步优化了营商环境;
进一步,还可通过纹理匹配的方式检测用户终端采集的纹理图像中食材商品的食材名称,通过纹理比对与匹配的方式高效准确地识别纹理图像中食材商品的食材名称,进一步提高用户对于食材商品的鉴别能力。
下述以本实施例提供的一种食材商品的纹理检测处理方法在冲泡类食材检测场景的应用为例,结合图4对本实施例提供的食材商品的纹理检测处理方法进行进一步说明,应用于冲泡类食材检测场景的食材商品的纹理检测处理方法,具体包括如下步骤。
步骤S402,获取用户终端对冲泡类食材商品进行表面纹理采集获得的纹理图像。
此处,冲泡类食材商品可以是茶叶。
步骤S404,对纹理图像中组成冲泡类食材商品的各食材元素进行边缘检测,基于边缘检测结果提取各食材元素的边缘纹理特征。
步骤S406,基于边缘纹理特征的位置信息与各食材元素的色彩特征的位置信息,建立边缘纹理特征与色彩特征的对应关系。
步骤S408,根据对应关系对边缘纹理特征和色彩特征进行特征合并,根据合并获得的边缘色彩纹理特征确定食材商品的边缘色彩纹理特征分布。
此处,标识信息由用户终端调用近场通信组件与食材商品的NFC标签进行近场通信交互获得;
可选的,冲泡类食材商品的商品交易基于NFC标签进行。
步骤S410,将食材商品的边缘色彩纹理特征分布与注册食材图像的边缘色彩纹理特征分布输入纹理匹配模型进行边缘色彩纹理匹配计算,获取输出的匹配计算结果;
步骤S412,若匹配计算结果为匹配通过,确定纹理检测结果为纹理检测通过;
步骤S414,若匹配计算结果为匹配失败,确定纹理检测结果为纹理检测未通过。
此外,步骤S412执行之后,还可包括:基于标识信息获取水果上的交易流转记录,将交易流转记录写入纹理检测结果向用户终端返回。
下述以本实施例提供的一种食材商品的纹理检测处理方法在果蔬类食材检测场景的应用为例,结合图5对本实施例提供的食材商品的纹理检测处理方法进行进一步说明,应用于果蔬类食材检测场景的食材商品的纹理检测处理方法,具体包括如下步骤。
步骤S502,获取用户终端对果蔬类商品进行表面纹理采集获得的纹理图像。
此处,纹理图像通过纹理检测程序上传;
用户终端采集到纹理图像后,对纹理图像中包含的标识码图像进行解析,基于解析结果进入纹理检测程序;
标识码图像,通过对纹理图像进行图像分割并从图像分割结果中提取标识码对应的子图像获得;
可选的,商品交易基于标识码进行;纹理图像采集在果蔬类商品的交易完成后进行;
果蔬类商品的商品交易基于标识码进行。
步骤S504,对纹理图像进行图像分割获得纹理图像包含的纹理元素。
步骤S506,提取纹理元素在纹理色彩维度的纹理色彩特征以及在纹理形状维度的纹理形状特征。
步骤S508,根据纹理色彩特征确定纹理色彩分布,根据纹理形状特征确定纹理形状分布,并对纹理色彩分布和纹理形状分布进行融合获得纹理特征分布。
步骤S510,对果蔬类商品的标识码的标识码图像进行解析,获得标识信息。
步骤S512,提取标识信息绑定的出厂果蔬类商品的出厂纹理图像的纹理色彩特征和纹理形状特征,并基于出厂纹理图像的纹理色彩特征和纹理形状特征确定出厂纹理特征分布。
步骤S514,建立纹理图像中图像元素与出厂纹理图像中图像元素的对应关系。
步骤S516,基于对应关系,对纹理特征分布和出厂纹理特征分布进行图像元素的分布重合计算;
步骤S518,若计算获得的分布重合度大于重合度阈值,确定纹理特征检测成功;
步骤S520,若计算获得的分布重合度小于或者等于重合度阈值,确定纹理特征检测失败。
此外,步骤S518执行之后,还可包括:基于标识信息获取水果上的交易流转记录,将交易流转记录写入纹理检测结果向用户终端返回;
步骤S520执行之后,还可包括:根据果蔬类商品的种类和商品运输时长确定色彩补偿参数;基于色彩补偿参数对纹理色彩特征进行色彩补偿处理,基于获得的补偿纹理色彩特征和纹理形状特征确定补偿纹理特征分布;对补偿纹理特征分布和出厂纹理特征分布进行图像元素的分布重合检测,若检测通过,确定纹理特征检测通过;若检测失败,确定纹理特征检测失败。
本说明书提供的一种食材商品的纹理检测处理装置实施例如下:
在上述的实施例中,提供了一种食材商品的纹理检测处理方法,与之相对应的,还提供了一种食材商品的纹理检测处理装置,下面结合附图进行说明。
参照图6,其示出了本实施例提供的一种食材商品的纹理检测处理装置实施例的示意图。
由于装置实施例对应于方法实施例,所以描述得比较简单,相关的部分请参见上述提供的方法实施例的对应说明即可。下述描述的装置实施例仅仅是示意性的。
本实施例提供一种食材商品的纹理检测处理装置,包括:
纹理图像获取模块602,被配置为获取用户终端对食材商品进行表面纹理采集获得的纹理图像;
纹理特征提取模块604,被配置为对所述纹理图像进行至少一个特征维度的纹理特征提取,并根据特征提取结果确定所述食材商品的纹理特征分布;
对比纹理分布确定模块606,被配置为根据所述食材商品的标识信息确定所述食材商品的对比纹理图像的对比纹理分布;所述标识信息通过所述用户终端与所述食材商品的商品标识进行交互处理获得;
纹理特征检测模块608,被配置为基于所述对比纹理分布对所述食材商品的纹理特征分布进行纹理特征检测,获得所述食材商品的纹理检测结果。
本说明书提供的一种食材商品的纹理检测处理设备实施例如下:
对应上述描述的一种食材商品的纹理检测处理方法,基于相同的技术构思,本说明书一个或多个实施例还提供一种食材商品的纹理检测处理设备,该食材商品的纹理检测处理设备用于执行上述提供的食材商品的纹理检测处理方法,图7为本说明书一个或多个实施例提供的一种食材商品的纹理检测处理设备的结构示意图。
本实施例提供的一种食材商品的纹理检测处理设备,包括:
如图7所示,食材商品的纹理检测处理设备可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上的处理器701和存储器702,存储器702中可以存储有一个或一个以上存储应用程序或数据。其中,存储器702可以是短暂存储或持久存储。存储在存储器702的应用程序可以包括一个或一个以上模块(图示未示出),每个模块可以包括食材商品的纹理检测处理设备中的一系列计算机可执行指令。更进一步地,处理器701可以设置为与存储器702通信,在食材商品的纹理检测处理设备上执行存储器702中的一系列计算机可执行指令。食材商品的纹理检测处理设备还可以包括一个或一个以上电源703,一个或一个以上有线或无线网络接口704,一个或一个以上输入/输出接口705,一个或一个以上键盘706等。
在一个具体的实施例中,食材商品的纹理检测处理设备包括有存储器,以及一个或一个以上的程序,其中一个或者一个以上程序存储于存储器中,且一个或者一个以上程序可以包括一个或一个以上模块,且每个模块可以包括对食材商品的纹理检测处理设备中的一系列计算机可执行指令,且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令:
获取用户终端对食材商品进行表面纹理采集获得的纹理图像;
对所述纹理图像进行至少一个特征维度的纹理特征提取,并根据特征提取结果确定所述食材商品的纹理特征分布;
根据所述食材商品的标识信息确定所述食材商品的对比纹理图像的对比纹理分布;所述标识信息通过所述用户终端与所述食材商品的商品标识进行交互处理获得;
基于所述对比纹理分布对所述食材商品的纹理特征分布进行纹理特征检测,获得所述食材商品的纹理检测结果。
本说明书提供的一种存储介质实施例如下:
对应上述描述的一种食材商品的纹理检测处理方法,基于相同的技术构思,本说明书一个或多个实施例还提供一种存储介质。
本实施例提供的存储介质,用于存储计算机可执行指令,所述计算机可执行指令在被处理器执行时实现以下流程:
获取用户终端对食材商品进行表面纹理采集获得的纹理图像;
对所述纹理图像进行至少一个特征维度的纹理特征提取,并根据特征提取结果确定所述食材商品的纹理特征分布;
根据所述食材商品的标识信息确定所述食材商品的对比纹理图像的对比纹理分布;所述标识信息通过所述用户终端与所述食材商品的商品标识进行交互处理获得;
基于所述对比纹理分布对所述食材商品的纹理特征分布进行纹理特征检测,获得所述食材商品的纹理检测结果。
需要说明的是,本说明书中关于存储介质的实施例与本说明书中关于食材商品的纹理检测处理方法的实施例基于同一发明构思,因此该实施例的具体实施可以参见前述对应方法的实施,重复之处不再赘述。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同或者相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处,比如装置实施例、设备实施例和存储介质实施例,三者均相似于方法实施例,所以描述地比较简单,阅读装置实施例、设备实施例和存储介质实施例中的相关内容请参照方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
在20世纪40年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F420,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书一个或多个实施例可提供为方法、系统或计算机程序产品。因此,本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书的一个或多个实施例,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
以上所述仅为本文件的实施例而已,并不用于限制本文件。对于本领域技术人员来说,本文件可以有各种更改和变化。凡在本文件的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本文件的权利要求范围之内。
Claims (12)
1.一种食材商品的纹理检测处理方法,包括:
获取用户终端对食材商品进行表面纹理采集获得的纹理图像;
提取所述纹理图像中各食材元素的边缘纹理特征,并提取所述各食材元素的色彩特征,基于色彩特征和边缘纹理特征的位置对应关系进行特征合并,根据特征合并结果确定所述食材商品的边缘色彩纹理特征分布;
根据所述食材商品的标识信息确定所述食材商品的注册食材图像的边缘色彩纹理特征分布;
计算所述注册食材图像的边缘色彩纹理特征分布与所述食材商品的边缘色彩纹理特征分布的纹理匹配度,基于计算结果确定所述食材商品的纹理检测结果。
2.根据权利要求1所述的食材商品的纹理检测处理方法,所述食材商品的标识信息,通过对所述食材商品对应的标识码的标识码图像进行解析获得。
3.根据权利要求2所述的食材商品的纹理检测处理方法,所述纹理图像通过纹理检测程序上传;所述用户终端采集到所述纹理图像后,对所述纹理图像中包含的标识码图像进行解析,并基于解析结果进入所述纹理检测程序;
其中,所述标识码图像,通过对所述纹理图像进行图像分割,并从图像分割结果中提取所述标识码对应的子图像获得。
4.根据权利要求1所述的食材商品的纹理检测处理方法,所述提取所述纹理图像中各食材元素的边缘纹理特征,并提取所述各食材元素的色彩特征,基于色彩特征和边缘纹理特征的位置对应关系进行特征合并,根据特征合并结果确定所述食材商品的边缘色彩纹理特征分布,包括:
对所述纹理图像中组成所述食材商品的各食材元素进行边缘检测,并基于边缘检测结果提取所述各食材元素的边缘纹理特征;
基于所述边缘纹理特征的位置信息与所述各食材元素的色彩特征的位置信息,建立所述边缘纹理特征与所述色彩特征的对应关系;
根据对应关系对所述边缘纹理特征和所述色彩特征进行特征合并,并根据合并获得的边缘色彩纹理特征确定所述食材商品的边缘色彩纹理特征分布。
5.根据权利要求4所述的食材商品的纹理检测处理方法,所述根据所述食材商品的标识信息确定所述食材商品的注册食材图像的边缘色彩纹理特征分布,包括:
根据所述标识信息中包含的食材种类和商家信息,获取所述商家信息对应商家针对所述食材种类的注册食材图像的边缘色彩纹理特征分布;
其中,所述标识信息,由所述用户终端调用近场通信组件与所述食材商品的近场通信标签进行近场通信交互获得;所述食材商品的商品交易基于所述近场通信标签进行。
6.根据权利要求5所述的食材商品的纹理检测处理方法,所述计算所述注册食材图像的边缘色彩纹理特征分布与所述食材商品的边缘色彩纹理特征分布的纹理匹配度,包括:
将所述食材商品的边缘色彩纹理特征分布与所述注册食材图像的边缘色彩纹理特征分布输入纹理匹配模型进行边缘色彩纹理匹配计算,获取输出的匹配计算结果;
若所述匹配计算结果为匹配成功,则确定所述纹理检测结果为纹理检测通过;
若所述匹配计算结果为匹配失败,则确定所述纹理检测结果为纹理检测未通过。
7.根据权利要求6所述的食材商品的纹理检测处理方法,所述纹理匹配模型,采用如下方式训练获得:
构建由正样本图像和负样本图像组成的样本图像集;
将所述样本图像集中所述正样本图像和所述负样本图像组成的样本图像对输入待训练模型进行边缘色彩纹理匹配计算;
基于检测结果计算对抗损失,并根据所述对抗损失对所述待训练模型进行参数调整,以在训练完成后获得所述纹理匹配模型。
8.根据权利要求1所述的食材商品的纹理检测处理方法,若所述纹理检测结果为纹理特征检测成功,基于所述标识信息获取所述食材商品的交易流转记录,并将所述交易流转记录写入所述纹理检测结果向所述用户终端返回。
9.根据权利要求3所述的食材商品的纹理检测处理方法,所述食材商品的商品交易基于所述标识码进行;
所述纹理图像采集在所述食材商品的交易完成后进行。
10.一种食材商品的纹理检测处理装置,包括:
纹理图像获取模块,被配置为获取用户终端对食材商品进行表面纹理采集获得的纹理图像;
纹理特征提取模块,被配置提取所述纹理图像中各食材元素的边缘纹理特征,并提取所述各食材元素的色彩特征,基于色彩特征和边缘纹理特征的位置对应关系进行特征合并,根据特征合并结果确定所述食材商品的边缘色彩纹理特征分布;
对比纹理分布确定模块,被配置为根据所述食材商品的标识信息确定所述食材商品的注册食材图像的边缘色彩纹理特征分布;
纹理特征检测模块,被配置为计算所述注册食材图像的边缘色彩纹理特征分布与所述食材商品的边缘色彩纹理特征分布的纹理匹配度,基于计算结果确定所述食材商品的纹理检测结果。
11.一种食材商品的纹理检测处理设备,包括:
处理器;以及,被配置为存储计算机可执行指令的存储器,所述计算机可执行指令在被执行时使所述处理器:
获取用户终端对食材商品进行表面纹理采集获得的纹理图像;
提取所述纹理图像中各食材元素的边缘纹理特征,并提取所述各食材元素的色彩特征,基于色彩特征和边缘纹理特征的位置对应关系进行特征合并,根据特征合并结果确定所述食材商品的边缘色彩纹理特征分布;
根据所述食材商品的标识信息确定所述食材商品的注册食材图像的边缘色彩纹理特征分布;
计算所述注册食材图像的边缘色彩纹理特征分布与所述食材商品的边缘色彩纹理特征分布的纹理匹配度,基于计算结果确定所述食材商品的纹理检测结果。
12.一种计算机可读存储介质,用于存储计算机可执行指令,所述计算机可执行指令在被处理器执行时实现以下流程:
获取用户终端对食材商品进行表面纹理采集获得的纹理图像;
提取所述纹理图像中各食材元素的边缘纹理特征,并提取所述各食材元素的色彩特征,基于色彩特征和边缘纹理特征的位置对应关系进行特征合并,根据特征合并结果确定所述食材商品的边缘色彩纹理特征分布;
根据所述食材商品的标识信息确定所述食材商品的注册食材图像的边缘色彩纹理特征分布;
计算所述注册食材图像的边缘色彩纹理特征分布与所述食材商品的边缘色彩纹理特征分布的纹理匹配度,基于计算结果确定所述食材商品的纹理检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410194853.7A CN118097657A (zh) | 2023-09-22 | 2023-09-22 | 食材商品的纹理检测处理方法及装置 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410194853.7A CN118097657A (zh) | 2023-09-22 | 2023-09-22 | 食材商品的纹理检测处理方法及装置 |
CN202311235847.3A CN116978003B (zh) | 2023-09-22 | 2023-09-22 | 食材商品的纹理检测处理方法及装置 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311235847.3A Division CN116978003B (zh) | 2023-09-22 | 2023-09-22 | 食材商品的纹理检测处理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118097657A true CN118097657A (zh) | 2024-05-28 |
Family
ID=88479979
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410194853.7A Pending CN118097657A (zh) | 2023-09-22 | 2023-09-22 | 食材商品的纹理检测处理方法及装置 |
CN202311235847.3A Active CN116978003B (zh) | 2023-09-22 | 2023-09-22 | 食材商品的纹理检测处理方法及装置 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311235847.3A Active CN116978003B (zh) | 2023-09-22 | 2023-09-22 | 食材商品的纹理检测处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN118097657A (zh) |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3718967B2 (ja) * | 1997-08-22 | 2005-11-24 | コニカミノルタビジネステクノロジーズ株式会社 | 画像特徴量抽出装置および方法並びに画像特徴量抽出プログラムを記録した記録媒体 |
JP2012053787A (ja) * | 2010-09-02 | 2012-03-15 | Toshiba Tec Corp | 商品情報処理装置及びプログラム |
CN105551035A (zh) * | 2015-12-09 | 2016-05-04 | 深圳市华和瑞智科技有限公司 | 一种基于弱边缘与纹理分类的立体视觉匹配方法 |
CN111428743B (zh) * | 2019-01-09 | 2023-04-18 | 阿里巴巴集团控股有限公司 | 商品识别方法、商品处理方法、装置及电子设备 |
CN111766254A (zh) * | 2019-04-01 | 2020-10-13 | 深圳兆日科技股份有限公司 | 纸张的检测方法及装置和计算机可读存储介质 |
CN110866461A (zh) * | 2019-10-29 | 2020-03-06 | 上海躲猫猫信息技术有限公司 | 一种基于纹理分区的商品自动识别溯源防伪方法及系统 |
CN110942035A (zh) * | 2019-11-28 | 2020-03-31 | 浙江由由科技有限公司 | 一种用于获取商品信息的方法、系统、装置和存储介质 |
CN112001957B (zh) * | 2020-08-24 | 2023-08-18 | 福建天晴在线互动科技有限公司 | 一种基于纹理算法的菜品分类计价方法及其系统 |
CN113850587A (zh) * | 2021-09-26 | 2021-12-28 | 支付宝(杭州)信息技术有限公司 | 一种信息显示方法、装置及设备 |
CN114638980A (zh) * | 2022-03-04 | 2022-06-17 | 支付宝(杭州)信息技术有限公司 | 菜品种类识别处理方法及装置 |
-
2023
- 2023-09-22 CN CN202410194853.7A patent/CN118097657A/zh active Pending
- 2023-09-22 CN CN202311235847.3A patent/CN116978003B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN116978003A (zh) | 2023-10-31 |
CN116978003B (zh) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109740670B (zh) | 视频分类的方法及装置 | |
CN108460389B (zh) | 一种识别图像中对象的类型预测方法、装置及电子设备 | |
Zhang et al. | Toward new retail: A benchmark dataset for smart unmanned vending machines | |
CN108259949B (zh) | 一种广告推荐方法、装置及电子设备 | |
JP2006323507A (ja) | 属性識別システムおよび属性識別方法 | |
CN113781164B (zh) | 虚拟试衣模型训练方法、虚拟试衣方法和相关装置 | |
CN110033027A (zh) | 一种物品识别方法、装置、终端及可读存储介质 | |
CN112434769A (zh) | 应用于客户端、服务端的业务执行方法、装置以及设备 | |
CN116934907A (zh) | 图像生成方法、设备和存储介质 | |
CN117115571B (zh) | 一种细粒度智能商品识别方法、装置、设备及介质 | |
CN114638980A (zh) | 菜品种类识别处理方法及装置 | |
CN116958135B (zh) | 纹理检测处理方法及装置 | |
CN116994007B (zh) | 商品纹理检测处理方法及装置 | |
Bartl et al. | PersonGONE: Image inpainting for automated checkout solution | |
CN116978003B (zh) | 食材商品的纹理检测处理方法及装置 | |
US11367270B2 (en) | Recognition apparatus and method | |
CN118097181A (zh) | 基于纹理采集的数据上链方法及装置 | |
CN112364702A (zh) | 一种物品核验方法及装置 | |
JP7179705B2 (ja) | 情報処理装置、情報処理方法および情報処理プログラム | |
CN116108216A (zh) | 物品图像定位方法及其装置、设备、介质、产品 | |
KR102508419B1 (ko) | 상품정보 이미지를 활용한 오프라인 리테일 환경에서의 상품 정보 검색 장치 및 이를 위한 제어방법 | |
CN116994248B (zh) | 纹理检测处理方法及装置 | |
JP2018120320A (ja) | 画像処理装置,画像処理方法,画像処理プログラム | |
CN112949687B (zh) | 差异识别模型的训练方法及装置 | |
CN117094744A (zh) | 基于IoT设备的商户类别确定方法及装置 |
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 |