KR102454854B1 - 영상 모니터링에 기반하는 물품 감지 시스템 및 물품 감지 방법 - Google Patents

영상 모니터링에 기반하는 물품 감지 시스템 및 물품 감지 방법 Download PDF

Info

Publication number
KR102454854B1
KR102454854B1 KR1020207006089A KR20207006089A KR102454854B1 KR 102454854 B1 KR102454854 B1 KR 102454854B1 KR 1020207006089 A KR1020207006089 A KR 1020207006089A KR 20207006089 A KR20207006089 A KR 20207006089A KR 102454854 B1 KR102454854 B1 KR 102454854B1
Authority
KR
South Korea
Prior art keywords
article
unit
real
model
group
Prior art date
Application number
KR1020207006089A
Other languages
English (en)
Other versions
KR20200037833A (ko
Inventor
팅토우 리
리난 펑
딩 시아
제위 마
원요우 우
이메이 장
Original Assignee
상하이 클라우드픽 스마트 테크놀로지 컴퍼니 리미티드
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 상하이 클라우드픽 스마트 테크놀로지 컴퍼니 리미티드 filed Critical 상하이 클라우드픽 스마트 테크놀로지 컴퍼니 리미티드
Publication of KR20200037833A publication Critical patent/KR20200037833A/ko
Application granted granted Critical
Publication of KR102454854B1 publication Critical patent/KR102454854B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01G—WEIGHING
    • G01G19/00—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups
    • 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]
    • G06Q30/0639—Item locations
    • G06K9/6267—
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47F—SPECIAL FURNITURE, FITTINGS, OR ACCESSORIES FOR SHOPS, STOREHOUSES, BARS, RESTAURANTS OR THE LIKE; PAYING COUNTERS
    • A47F5/00—Show stands, hangers, or shelves characterised by their constructional features
    • A47F5/0018—Display racks with shelves or receptables
    • A47F5/0025—Display racks with shelves or receptables having separate display containers or trays on shelves or on racks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01G—WEIGHING
    • G01G19/00—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups
    • G01G19/52—Weighing apparatus combined with other objects, e.g. furniture
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V7/00—Measuring gravitational fields or waves; Gravimetric prospecting or detecting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/23—Updating
    • G06F16/2379—Updates performed during online database operations; commit processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/587—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • G06Q10/0875—Itemisation or classification of parts, supplies or services, e.g. bill of materials
    • 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
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/08—Payment architectures
    • G06Q20/20—Point-of-sale [POS] network systems
    • G06Q20/206—Point-of-sale [POS] network systems comprising security or operator identification provisions, e.g. password entry
    • 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
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/08—Payment architectures
    • G06Q20/20—Point-of-sale [POS] network systems
    • G06Q20/208—Input by product or record sensing, e.g. weighing or scanner processing
    • 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
    • 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
    • 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
    • G06V10/20—Image preprocessing
    • G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • 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
    • 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
    • G06V20/64—Three-dimensional objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C9/00—Individual registration on entry or exit
    • G07C9/30—Individual registration on entry or exit not involving the use of a pass
    • G07C9/32—Individual registration on entry or exit not involving the use of a pass in combination with an identity check
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C9/00—Individual registration on entry or exit
    • G07C9/30—Individual registration on entry or exit not involving the use of a pass
    • G07C9/38—Individual registration on entry or exit not involving the use of a pass with central registration
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07G—REGISTERING THE RECEIPT OF CASH, VALUABLES, OR TOKENS
    • G07G1/00—Cash registers
    • G07G1/0009—Details of the software in the checkout register, electronic cash register [ECR] or point of sale terminal [POS]
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07G—REGISTERING THE RECEIPT OF CASH, VALUABLES, OR TOKENS
    • G07G1/00—Cash registers
    • G07G1/0018—Constructional details, e.g. of drawer, printing means, input means
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07G—REGISTERING THE RECEIPT OF CASH, VALUABLES, OR TOKENS
    • G07G1/00—Cash registers
    • G07G1/0036—Checkout procedures
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07G—REGISTERING THE RECEIPT OF CASH, VALUABLES, OR TOKENS
    • G07G1/00—Cash registers
    • G07G1/0036—Checkout procedures
    • G07G1/0045—Checkout procedures with a code reader for reading of an identifying code of the article to be registered, e.g. barcode reader or radio-frequency identity [RFID] reader
    • G07G1/0054—Checkout procedures with a code reader for reading of an identifying code of the article to be registered, e.g. barcode reader or radio-frequency identity [RFID] reader with control of supplementary check-parameters, e.g. weight or number of articles
    • G07G1/0063—Checkout procedures with a code reader for reading of an identifying code of the article to be registered, e.g. barcode reader or radio-frequency identity [RFID] reader with control of supplementary check-parameters, e.g. weight or number of articles with means for detecting the geometric dimensions of the article of which the code is read, such as its size or height, for the verification of the registration
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07G—REGISTERING THE RECEIPT OF CASH, VALUABLES, OR TOKENS
    • G07G1/00—Cash registers
    • G07G1/0036—Checkout procedures
    • G07G1/0045—Checkout procedures with a code reader for reading of an identifying code of the article to be registered, e.g. barcode reader or radio-frequency identity [RFID] reader
    • G07G1/009—Checkout procedures with a code reader for reading of an identifying code of the article to be registered, e.g. barcode reader or radio-frequency identity [RFID] reader the reader being an RFID reader
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07G—REGISTERING THE RECEIPT OF CASH, VALUABLES, OR TOKENS
    • G07G1/00—Cash registers
    • G07G1/12—Cash registers electronically operated
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07G—REGISTERING THE RECEIPT OF CASH, VALUABLES, OR TOKENS
    • G07G1/00—Cash registers
    • G07G1/12—Cash registers electronically operated
    • G07G1/14—Systems including one or more distant stations co-operating with a central processing unit
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/35—Services specially adapted for particular environments, situations or purposes for the management of goods or merchandise
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47F—SPECIAL FURNITURE, FITTINGS, OR ACCESSORIES FOR SHOPS, STOREHOUSES, BARS, RESTAURANTS OR THE LIKE; PAYING COUNTERS
    • A47F10/00—Furniture or installations specially adapted to particular types of service systems, not otherwise provided for
    • A47F10/02—Furniture or installations specially adapted to particular types of service systems, not otherwise provided for for self-service type systems, e.g. supermarkets
    • A47F2010/025—Furniture or installations specially adapted to particular types of service systems, not otherwise provided for for self-service type systems, e.g. supermarkets using stock management systems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01G—WEIGHING
    • G01G19/00—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups
    • G01G19/40—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups with provisions for indicating, recording, or computing price or other quantities dependent on the weight
    • G01G19/413—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups with provisions for indicating, recording, or computing price or other quantities dependent on the weight using electromechanical or electronic computing means
    • G01G19/414—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups with provisions for indicating, recording, or computing price or other quantities dependent on the weight using electromechanical or electronic computing means using electronic computing means only
    • G01G19/4144—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups with provisions for indicating, recording, or computing price or other quantities dependent on the weight using electromechanical or electronic computing means using electronic computing means only for controlling weight of goods in commercial establishments, e.g. supermarket, P.O.S. systems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01G—WEIGHING
    • G01G19/00—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups
    • G01G19/40—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups with provisions for indicating, recording, or computing price or other quantities dependent on the weight
    • G01G19/42—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups with provisions for indicating, recording, or computing price or other quantities dependent on the weight for counting by weighing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/10—Recognition assisted with metadata
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/12—Acquisition of 3D measurements of objects

Abstract

본 발명은 영상 모니터링에 기반하는 물품 감지 시스템 및 물품 감지 방법을 제공하는 바; 상기 물품 감지 시스템은 샘플 수집 유닛, 모델 트레이닝 유닛, 실시간 사진 수집 유닛 및 물품 종류 획득 유닛을 포함하고; 상기 물품 감지 방법은 샘플 수집 단계, 모델 트레이닝 단계, 실시간 사진 수집 단계 및 물품 종류 획득 단계를 포함한다. 본 발명의 유익한 효과는, 진열대 물품의 이착 상태를 판단할 수 있고, 진열대 전방 공간의 실시간 사진에 따라 가져갔거나 또는 반환된 물품의 구체적인 종류를 판단할 수 있다.

Description

영상 모니터링에 기반하는 물품 감지 시스템 및 물품 감지 방법
본 발명은 소매업의 물품 감지 기술에 관한 것으로서, 구체적으로는, 영상 모니터링에 기반하는 물품 감지 시스템 및 감지 방법에 관한 것이다.
기존의 소매업의 구매 방식은 각 하나의 슈퍼마켓 편의점에서 전문적인 판매자와 캐셔가 필요하여 인력 원가가 비교적 높다. 전자 결제 기술, 신분 감지 기술, 클라우드 컴퓨팅 기술의 발전과 더불어, 무인 슈퍼마켓 프로젝트는 기술상에서 매우 높은 실행 가능성을 갖는다. 무인 슈퍼마켓 프로젝트에서, 우선 해결해야 할 하나의 기본적인 문제는 사용자가 물품을 선택 구매하는 판단과 기록 문제로서, 구체적으로 말하자면, 서버는 사용자가 진열대에서 취득 물품의 종류, 취득 물품의 개수 및 단가 등을 정확히 판단하여 자동으로 사용자가 결산하도록 해야 한다.
선행기술에서, 일부 사람들은 RFID 기술을 사용하여 사용자가 선택 구매한 물품을 감지하는 바, 이러한 방식은 각 하나의 물품에 RFID 태그를 설치해야 하고, 출입 통제되는 곳에 RFID 판독기를 설치하는데, 그 부족점은 우선, 하드웨어 원가가 비교적 높은 것인 바, 각 하나의 RFID 태그의 가격은 0.5 내지 1위안 정도이며, 태그는 각 한가지 물품의 원가를 향상시킬 수 있고, 슈퍼마켓의 경쟁력을 감소시키며, 원가가 5위안인 물품에 대해 말하자면, RFID 태그를 설치하는 것은 그 원가를 10 내지 20% 향상시킬 수 있다. 다음, 물품 감지는 차폐되고 제거되는 가능성이 존재함으로써 사용자가 RFID 리더를 속이는 현상이 발생하여 물품 분실을 초래할 수 있다. 그 다음, 상기 방안에서는 단지 슈퍼마켓 출입 통제되는 곳에서만 결산할 수 있는데, 만약 사용자가 마켓을 나가기 전에 식용 가능한 물품을 먹어버리고 포장지만 슈퍼마켓에 남겨두면 RFID 리더도 사용자의 실제 소비 금액을 감지 및 확정할 수 없다. 다시 말해, 이러한 방안은 시민 사용자의 자율성과 도덕 수준에 대한 요구가 높으며, 기술 수단으로 이를 제한할 수 없고, 이러한 무인 슈퍼마켓은 영업 과정에서 리스크가 높다.
본 발명은, 영상 모니터링에 기반하는 물품 감지 기술을 제공하여, 선행 기술에 존재하는 물품 이착 상태의 감지 정확도가 낮고, 모니터링 오차가 비교적 크며, 원가가 비교적 높고, 물품이 용이하게 분실되는 기술 문제를 해결할 수 있는데 그 목적이 있다.
상기 목적을 실현하기 위해, 본 발명은 영상 모니터링에 기반하는 물품 감지 시스템을 제공하는 바, 다수 그룹의 사진 샘플을 수집하고, 각 하나의 그룹의 사진 샘플은 한가지 물품이 여러 각도에서의 다수 개의 샘플 사진을 포함하고; 동일한 종류 물품의 한 그룹의 사진 샘플에 동일한 조별 마크가 설치되어 있으며, 상기 조별 마크는 상기 그룹의 사진 샘플에 대응되는 물품의 종류인 샘플 수집 유닛; 다수 그룹의 사진 샘플 중의 각 하나의 샘플 사진 및 그 조별 마크에 따라 컨볼루션 신경 네트워크 모델을 트레이닝하여, 물품 인식 모델을 획득하는 모델 트레이닝 유닛; 진열대 전방 공간의 적어도 하나의 실시간 사진을 연속적으로 수집하고, 각 하나의 실시간 사진은 물품 사진의 일부 또는 전부를 포함하는 실시간 사진 수집 유닛; 및 상기 실시간 사진을 상기 물품 인식 모델에 적용하여 상기 실시간 사진에 표시되는 물품의 종류 및 개수를 결정하는 물품 종류 획득 유닛을 포함한다.
부가적으로, 상이한 실시예에서, 상기 영상 모니터링에 기반하는 물품 감지 시스템은, 상기 샘플 수집 유닛에 연결되고, 각 하나의 물품의 다수 개의 각도 다수 개의 거리의 사진을 촬영하는 제1 카메라; 상기 실시간 사진 수집 유닛에 연결되고, 진열대 전방 공간의 실시간 사진을 촬영하는 제2 카메라를 더 포함하며; 여기서, 상기 제2 카메라의 렌즈의 시야 범위는 상기 진열대 전방 공간을 커버한다.
부가적으로, 상이한 실시예에서, 상기 제2 카메라의 개수는 두 개 또는 네 개이고; 상기 제2 카메라의 렌즈는 상기 진열대 전방의 공간 영역의 중부를 향하며; 상기 제2 카메라의 렌즈의 중심축과 수평면의 협각은 30 내지 60도이고; 및/또는, 상기 제2 카메라의 렌즈와 상기 진열대 상단 또는 하단의 거리는 0.8 내지 1.2미터이며; 및/또는, 상기 제2 카메라의 렌즈와 상기 진열대 일 측변의 거리는 0.8 내지 1.2미터이다.
부가적으로, 상이한 실시예에서, 상기 모델 트레이닝 유닛은 다수 그룹의 트레이닝 샘플의 각 하나의 샘플 사진 및 그 조별 마크를 컨볼루션 신경 네트워크 모델에 입력하고, 트레이닝을 거친 후 그룹핑 모델을 획득하는 그룹핑 모델 트레이닝 유닛을 포함하며; 여기서, 상기 트레이닝 샘플은 상기 다수 그룹의 사진 샘플의 전부 또는 일부이고, 상기 그룹핑 모델은 물품 인식 모델이다.
부가적으로, 상이한 실시예에서, 상기 모델 트레이닝 유닛은 다수 그룹의 상기 사진 샘플을 각각 트레이닝 샘플 및 테스트 샘플 두 종류로 무작위로 나누는 샘플 분류 유닛; 다수 그룹의 트레이닝 샘플의 각 하나의 샘플 사진 및 그 조별 마크를 컨볼루션 신경 네트워크 모델에 입력하고, 트레이닝을 거친 후 그룹핑 모델을 획득하는 그룹핑 모델 트레이닝 유닛; 및 다수 그룹의 테스트 샘플의 각 하나의 사진 및 각 하나의 그룹 테스트 샘플의 조별 마크에 따라 상기 그룹핑 모델을 검증하고, 모델 정확도를 산출하며; 상기 그룹핑 모델의 정확도가 기설정 한계 값보다 작을 경우, 상기 샘플 분류 유닛으로 되돌아가고; 상기 그룹핑 모델의 정확도가 상기 기설정 한계 값보다 크거나 같을 경우, 상기 그룹핑 모델은 물품 인식 모델인 교차 검증 유닛을 포함한다.
부가적으로, 상이한 실시예에서, 상기 그룹핑 모델 트레이닝 유닛은 각 하나의 트레이닝 샘플의 사진을 컨볼루션 신경 네트워크에 입력하고, 특징을 추출하며, 특징 이미지를 획득하는 특징 추출 유닛; 각 하나의 트레이닝 샘플의 사진을 후보 영역 네트워크에 입력하고, 다수 개의 후보 영역을 생성하는 후보 영역 생성 유닛; 각 하나의 트레이닝 샘플의 사진 후보 영역을 컨볼루션 신경 네트워크의 최후의 한 층의 컨볼루션층의 특징 이미지에 맵핑하는 후보 영역 맵핑 유닛; 다수 개의 트레이닝 샘플의 사진 특징 이미지 및 후보 영역을 수집하고, 후보 영역의 특징 이미지를 산출하며, 분류기 네트워크에 발송하여, 분류기를 생성하는 분류기 생성 유닛을 포함한다.
부가적으로, 상이한 실시예에서, 상기 교차 검증 유닛은 다수 개의 테스트 샘플의 각 하나의 사진을 상기 그룹핑 모델에 입력하고, 다수 개의 테스트 샘플의 테스트 조별 마크를 획득하는 테스트 샘플 입력 유닛; 및 다수 개의 테스트 샘플의 테스트 조별 마크를 상기 테스트 샘플의 조별 마크와 대조하여, 동일한 마크의 개수와 상기 테스트 샘플의 개수의 비율을 산출하고, 상기 비율은 상기 초급 데이터 모델의 정확도인 정확도 산출 유닛을 포함한다.
부가적으로, 상이한 실시예에서, 상기 물품 종류 획득 유닛은 다수 개의 실시간 사진을 상기 물품 인식 모델에 입력하고, 다수 개의 실시간 사진에 대응되는 다수 개의 조별 마크를 획득하여, 가능성 결론으로 하는 조별 마크 획득 유닛; 및 상기 가능성 결론 중 각 한가지 조별 마크의 개수와 상기 가능성 결론 중 모든 조별 마크 총수의 비율을 산출하는 것으로서, 상기 비율은 즉 각 한가지 조별 마크의 신뢰도이고, 신뢰도가 가장 큰 조별 마크에 대응되는 물품의 종류 및/또는 개수는 즉 상기 실시간 사진에 표시되는 물품의 종류 및/또는 개수인 마크 신뢰도 산출 유닛을 더 포함한다.
부가적으로, 상이한 실시예에서, 상기 조별 마크 획득 유닛은 하나의 실시간 사진을 컨볼루션 신경 네트워크에 입력하고, 특징을 추출하며, 특징 이미지를 획득하는 제2 특징 추출 유닛; 상기 실시간 사진을 후보 영역 네트워크에 입력하고, 다수 개의 후보 영역을 생성하는 제2 후보 영역 생성 유닛; 상기 실시간 사진의 후보 영역을 컨볼루션 신경 네트워크의 최후의 한 층의 특징 이미지에 맵핑하는 제2 후보 영역 맵핑 유닛; 및 다수 개의 사진의 특징 이미지와 후보 영역을 수집하고, 후보 영역의 특징 이미지를 산출하며, 분류기 네트워크에 발송하여, 상기 실시간 사진에 대응되는 조별 마크를 획득하는 조별 획득 유닛을 포함한다.
상기 목적을 실현하기 위해, 본 발명은 영상 모니터링에 기반하는 물품 감지 방법을 더 제공하는 바, 다수 그룹의 사진 샘플을 수집하고, 각 하나의 그룹의 사진 샘플은 한가지 물품이 여러 각도에서의 다수 개의 샘플 사진을 포함하고; 동일한 종류 물품의 한 그룹의 사진 샘플에 동일한 조별 마크가 설치되어 있으며, 상기 조별 마크는 상기 그룹의 사진 샘플에 대응되는 물품의 종류인 샘플 수집 단계; 다수 그룹의 사진 샘플 중의 각 하나의 샘플 사진 및 그 조별 마크에 따라 컨볼루션 신경 네트워크 모델을 트레이닝하여, 물품 인식 모델을 획득하는 모델 트레이닝 단계; 상기 진열대 전방 공간의 적어도 하나의 실시간 사진을 연속적으로 수집하고, 각 하나의 실시간 사진은 물품 사진의 일부 또는 전부를 포함하는 실시간 사진 수집 단계; 및 상기 실시간 사진 및 상기 물품 인식 모델에 따라 상기 실시간 사진에 표시되는 물품의 종류 및 개수를 획득하는 물품 종류 획득 단계를 포함한다.
부가적으로, 상이한 실시예에서, 상기 모델 트레이닝 단계는 다수 그룹의 트레이닝 샘플의 각 하나의 샘플 사진 및 그 조별 마크를 컨볼루션 신경 네트워크 모델에 입력하고, 트레이닝을 거친 후 그룹핑 모델을 획득하는 그룹핑 모델 트레이닝 단계를 포함하며; 여기서, 상기 트레이닝 샘플은 상기 다수 그룹의 사진 샘플의 전부 또는 일부이고, 상기 그룹핑 모델은 물품 인식 모델이다.
부가적으로, 상이한 실시예에서, 상기 모델 트레이닝 단계는 다수 그룹의 상기 사진 샘플을 각각 트레이닝 샘플 및 테스트 샘플 두 종류로 무작위로 나누는 샘플 분류 단계; 다수 그룹의 트레이닝 샘플의 각 하나의 샘플 사진 및 그 조별 마크를 컨볼루션 신경 네트워크 모델에 입력하고, 트레이닝을 거친 후 그룹핑 모델을 획득하는 그룹핑 모델 트레이닝 단계; 및 다수 그룹의 테스트 샘플의 각 하나의 사진 및 각 하나의 그룹 테스트 샘플의 조별 마크에 따라 상기 그룹핑 모델을 검증하고, 모델 정확도를 산출하며; 상기 그룹핑 모델의 정확도가 기설정 한계 값보다 작을 경우, 상기 샘플 분류 단계에 되돌아가고; 상기 그룹핑 모델의 정확도가 상기 기설정 한계 값보다 크거나 같을 경우, 상기 그룹핑 모델은 물품 인식 모델인 교차 검증 단계를 포함한다.
부가적으로, 상이한 실시예에서, 상기 그룹핑 모델 트레이닝 단계는 각 하나의 트레이닝 샘플의 사진을 컨볼루션 신경 네트워크에 입력하고, 특징을 추출하며, 특징 이미지를 획득하는 특징 추출 단계; 각 하나의 트레이닝 샘플의 사진을 후보 영역 네트워크에 입력하고, 다수 개의 후보 영역을 생성하는 후보 영역 생성 단계; 각 하나의 트레이닝 샘플의 사진 후보 영역을 컨볼루션 신경 네트워크의 최후의 한 층의 컨볼루션층의 특징 이미지에 맵핑하는 후보 영역 맵핑 단계; 다수 개의 트레이닝 샘플의 사진 특징 이미지 및 후보 영역을 수집하고, 후보 영역의 특징 이미지를 산출하며, 분류기 네트워크에 발송하여, 분류기를 생성하는 분류기 생성 단계를 포함한다.
부가적으로, 상이한 실시예에서, 상기 교차 검증 단계는, 다수 개의 테스트 샘플의 각 하나의 사진을 상기 그룹핑 모델에 입력하고, 다수 개의 테스트 샘플의 테스트 조별 마크를 획득하는 테스트 샘플 입력 단계; 및 다수 개의 테스트 샘플의 테스트 조별 마크를 상기 테스트 샘플의 조별 마크와 대조하여, 동일한 마크의 개수와 상기 테스트 샘플의 개수의 비율을 산출하고, 상기 비율은 상기 초급 데이터 모델의 정확도인 정확도 산출 단계를 포함한다.
부가적으로, 상이한 실시예에서, 상기 물품 종류 획득 단계는 다수 개의 실시간 사진을 상기 물품 인식 모델에 입력하고, 다수 개의 실시간 사진에 대응되는 다수 개의 조별 마크를 획득하여, 가능성 결론으로 하는 조별 마크 획득 단계; 및 상기 가능성 결론 중 각 한가지 조별 마크의 개수와 상기 가능성 결론 중 모든 조별 마크 총수의 비율에 있어서, 상기 비율은 즉 각 한가지 조별 마크의 신뢰도이고, 신뢰도가 가장 큰 조별 마크에 대응되는 물품의 종류 및/또는 개수는 즉 상기 실시간 사진에 표시되는 물품의 종류 및/또는 개수인 마크 신뢰도 산출 단계를 더 포함한다.
부가적으로, 상이한 실시예에서, 상기 조별 마크 획득 단계는 하나의 실시간 사진을 컨볼루션 신경 네트워크에 입력하고, 특징을 추출하며, 특징 이미지를 획득하는 제2 특징 추출 단계; 상기 실시간 사진을 후보 영역 네트워크에 입력하고, 다수 개의 후보 영역을 생성하는 제2 후보 영역 생성 단계; 상기 실시간 사진의 후보 영역을 컨볼루션 신경 네트워크의 최후의 한 층의 특징 이미지에 맵핑하는 제2 후보 영역 맵핑 단계; 및 다수 개의 사진의 특징 이미지와 후보 영역을 수집하고, 후보 영역의 특징 이미지를 산출하며, 분류기 네트워크에 발송하여, 상기 실시간 사진에 대응되는 조별 마크를 획득하는 조별 획득 단계를 포함한다.
본 발명의 유익한 효과는, 영상 모니터링에 기반하는 물품 감지 시스템 및 물품 감지 방법을 제공하며, 진열대 물품의 이착 상태를 판단할 수 있고, 진열대 전방 공간의 실시간 사진에 따라 가져갔거나 또는 반환(放回)된 물품의 구체적인 종류를 판단할 수 있다. 중량 모니터링에 기반하는 물품 감지 시스템을 결부하면, 물품 개수를 정확히 판단할 수도 있고, 사용자 신분 인식 기술 및 사용자 포지셔닝 추적 기술을 결부하면, 가져갔거나 또는 반환된 물품의 사용자 신분을 정확히 판단할 수 있음으로써, 상기 사용자 구매 데이터 베이스에서 구매 기록을 정확히 추가 또는 삭체하여, 사용자가 구매 종료한 후 자동으로 결산할 수 있다.
도 1은 본 발명의 실시예의 상기 무인 슈퍼마켓의 평면도이다.
도 2는 본 발명의 실시예의 상기 진열대의 전체 구조도이다.
도 3은 본 발명의 실시예의 상기 사용자 신분 인식 시스템의 구조 블록도이다.
도 4는 본 발명의 실시예의 상기 사용자 포지셔닝 시스템의 구조 블록도이다.
도 5는 본 발명의 실시예의 상기 영상 센서가 밀폐 공간에서의 분포도이다.
도 6은 본 발명의 실시예의 상기 영상 모니터링에 기반하는 물품 감지 시스템의 구조 블록도이다.
도 7은 본 발명의 실시예의 상기 제2 카메라와 진열대의 위치 관계도이다.
도 8은 본 발명의 실시예의 상기 구매 사용자 판단 시스템의 구조 블록도이다.
도 9는 본 발명의 실시예의 상기 구매 정보 기록 유닛의 구조 블록도이다.
도 10은 본 발명의 실시예의 상기 결산 시스템의 구조 블록도이다.
도 11은 본 발명의 실시예의 상기 영상 모니터링에 기반하는 물품 감지 방법의 흐름도이다.
도 12는 본 발명의 실시예의 상기 모델 트레이닝 단계의 흐름도이다.
도 13은 본 발명의 실시예의 상기 그룹핑 모델 트레이닝 단계의 흐름도이다.
도 14는 본 발명의 실시예의 상기 교차 검증 단계의 흐름도이다.
도 15는 본 발명의 실시예의 상기 종류 판단 단계의 흐름도이다.
도 16은 본 발명의 실시예의 상기 조별 마크 획득 단계의 흐름도이다.
이하 명세서 도면을 참조하여 본 발명의 바람직한 실시예를 소개하여, 그 기술 내용을 더욱 분명하고 용이하게 이해할 수 있도록 한다. 본 발명은 많은 상이한 형식의 실시예를 통해 구현될 수 있는 바, 그 보호범위는 본문에 언급된 실시예에 한하지 않는다.
도면에서, 구조가 동일한 부재는 동일한 숫자 기호로 표시하며, 각 구조 또는 기능이 유사한 부재는 유사한 숫자 기호로 표시한다. 본 발명에 언급된 방향 용어, 예를 들면 상, 하, 전, 후, 좌, 우, 내, 외, 상표면, 하표면, 측면, 최상부, 최저부, 전단, 후단, 말단 등은 단지 도면에서의 방향일 뿐 본 발명을 해석 및 설명하기 위한 것이며, 본 발명의 보호범위를 한정하는 것이 아니다.
한 부재가 다른 한 부재의 “위”에 있는 것으로 서술될 경우, 상기 한 부재는 직접 상기 다른 한 부재에 설치될 수 있고, 중간 부재가 존재할 수도 있으며, 상기 부재는 상기 중간 부재에 설치될 수 있고, 상기 중간 부재는 다른 한 부재에 설치된다. 한 부재가 다른 한 부재에 “설치”되거나 “연결”되는 것으로 서술될 경우, 양자는 직접 “설치”되거나 “연결”되는 것으로 이해할 수 있거나, 하나의 부재가 중간 부재를 통해 다른 한 부재에 “설치”되거나 “연결”되는 것으로 이해할 수 있다.
본 실시예는 영상 모니터링에 기반하는 물품 감지 시스템에 관한 것으로서, 무인 슈퍼마켓을 위한 무인 상품 판매 시스템 중의 일부분이다. 도 1 내지 도 2에 도시된 바와 같이, 상기 무인 상품 판매 시스템은 밀폐 공간(1)을 포함하고, 그 내부에 다수 개의 진열대(2)가 설치되어 있으며, 각 하나의 진열대(2)는 브라켓(3) 및 브라켓(3)에 탈착 가능하게 설치되는 다수 개의 트레이(4)를 포함하고, 다수 개의 트레이(4)는 상이한 높이에서 서로 평행되거나 또는 동일한 높이에서 서로 나란히 위치한다. 각 하나의 트레이(4)에 다수 개의 병렬 설치되는 프레임 플레이트(5)가 설치되어 있고, 각 하나의 프레임 플레이트(5)에 적어도 한가지 물품이 놓여 있다. 본 실시예의 프레임 플레이트(5)에 놓여 있는 물품은 사용자가 가져가거나 반환하기 위한 것이기에, 따라서, 프레임 플레이트(5)가 사용자를 향한 일단을 프레임 플레이트(5)의 전단으로 해야 한다. 본 실시예에서, 각 하나의 프레임 플레이트(5)는 모두 열려 있는 박스체이며, 한가지 또는 여러가지 물품이 놓여 있을 수 있고, 상기 물품은 표준 물품이며, 동일한 종류의 물품의 외관과 중량은 모두 동일하거나 유사하다.
본 실시예는 데이터 처리 기기(7)를 더 포함하는 바, 예컨대 서버 또는 컴퓨터 등이고, 데이터 처리 기기(7) 내부에 다수 개의 데이터 처리 소프트웨어가 설치되어 있으며, 다수 개의 기능 모듈을 구비하고, 데이터 라인을 통해 다수 개의 하드웨어에 연결될 수 있으며, 소프트웨어 및 하드웨어 결합 방식으로 여러가지 기능을 실현한다.
도 1, 도 3에 도시된 바와 같이, 본 실시예는 사용자 신분 인식 시스템(100)을 더 포함하고, 각 하나의 사용자의 신분 정보를 인식하기 위한 것이다. 사용자 신분 인식 시스템(100)은 출입 통제 장치(101) 및 신분 인식 장치(102)를 포함하고, 본 실시예의 상기 밀폐 공간(1)은 절대 밀봉된 공간이 아니고, 상대적으로 밀폐된 공간이며, 밀폐 공간(1)에 하나 또는 다수 개의 출입구가 설치되어 있고, 바람직하게 하나의 사용자 입구(103) 및 하나의 사용자 출구(104)이며, 모든 사용자는 사용자 입구(103)에서 이 밀폐 공간(1)에 진입하고, 사용자 출구(104)에서 이 밀폐 공간(1)을 떠난다.
밀폐 공간(1)의 각 하나의 출입구에 모두 출입 통제 장치(101)가 설치되어 있고, 바람직하게 자동 개찰기이다. 신분 인식 장치(102)는 사용자의 신분 정보를 획득하기 위한 것으로서, 데이터 처리 기기(7)에 연결되는 코드 스캔 장치(1021) 및 데이터 처리 기기(7) 내부의 신분 획득 유닛(1022)을 포함한다. 코드 스캔 장치(1021)는 사용자 입구(103)의 출입 통제 장치(101)의 내부 또는 외부에 설치되며, 바람직하게는 자동 개찰기의 외표면에 설치되고, 신분 인식 코드를 스캔하기 위한 것이며, 바람직하게는 QR코드이고; 신분 획득 유닛(1022)은 데이터 처리 기기(7) 중의 하나의 기능 모듈이며, 상기 신분 인식 코드에 따라 사용자의 신분 정보를 획득할 수 있다. 사용자 출구(104)의 출입 통제 장치(101)에 신분 인식 장치(102)를 설치할 필요가 없다.
본 실시예에서, 각각의 사용자는 무인 슈퍼마켓과 매칭하여 사용되는 전용 어플리케이션 소프트웨어(APP)를 모바일 통신 단말기(휴대폰, 태블릿 PC 등)에 다운 받고, 어플리케이션 소프트웨어(APP)에서 계정을 등록하며, 결제 소프트웨어에 연동시키거나; 또는, 각각의 사용자는 결제 소프트웨어(예컨대 위챗/알리페이)를 모바일 통신 단말기에 다운 받고, 결제 소프트웨어에 무인 슈퍼마켓과 매칭하여 사용되는 미니 응용프로그램을 삽입하며, 결제 소프트웨어에서 계정을 등록하고, 전용 어플리케이션 소프트웨어(APP) 또는 결제 소프트웨어에 사용자 등록 정보 및 전자 결제 정보가 설치되어 있으며, 사용자 신분 정보, 은행 계좌 정보, 결제 비밀 번호 등을 포함한다. 등록 완료 후, 사용자 신분 정보는 데이터 처리 기기(7)의 사용자 데이터 베이스에 저장될 수 있다.
모바일 통신 단말기 중의 어플리케이션 소프트웨어(APP)는 QR코드를 생성할 수 있고, 상기 QR코드에는 사용자의 신분 정보 등이 저장되어 있으며, 어느 한 사용자가 외부에서 밀폐 공간(1)에 진입하려고 할 경우, 어플리케이션 소프트웨어가 생성한 QR코드를 코드 스캔 장치(1021)의 스캐닝 엔드에 마주하고, 코드 스캔한 후 코드 스캔 장치(1021)는 이 QR코드를 디코딩 처리하여, 디코딩 결과를 데이터 처리 기기(7)에 전송하며, 만약 QR코드는 인식 가능한 것이고, 인식된 신분 정보가 사용자 데이터 베이스에 미리 저장된 신분 정보와 서로 매칭된다면, 상기 사용자 신분이 합법적인 것으로 확정하고, 출입 통제 장치(101)는 상기 사용자가 밀폐 공간(1)에 진입하는 것을 허용하며, 사용자 입구(103)의 출입 통제 장치(101)에 감응 장치가 설치되어 있는 바, 예를 들면 적외선 센서 등이고, 상기 사용자가 밀폐 공간(1)에 진입한 후, 출입 통제 장치(101)가 사람이 출입 통제를 지나가는 것을 감지하면, 자동으로 닫힌다. 사용자가 구매 종료하여 밀폐 공간(1)을 떠나려고 할 경우, 사용자 출구(104)의 출입 통제 장치(101)가 사람이 밀폐 공간(1) 내부에서 출입 통제 장치(101)에 접근하는 것을 감지하면, 상기 출입 통제 장치는 자동으로 열리고, 사용자가 밀폐 공간(1)을 떠난 후, 출입 통제 장치(101)가 사람이 출입 통제에 지나가는 것을 감지하면, 자동으로 닫힌다.
신분 획득 유닛(1022)은 상기 신분 인식 코드에 따라 사용자의 신분 정보를 획득한 후, 데이터 처리 기기(7)는 상기 사용자의 구매 데이터 베이스를 생성할 수 있고, 사용자 구매 과정에서 사용자 각 한 차례의 구매 행위에 따라 구매 정보를 획득하고 상기 구매 데이터 베이스를 업데이트한다. 사용자가 휴대하는 모바일 통신 단말기는 어플리케이션 소프트웨어(APP)를 통해 데이터 처리 기기(7)와 실시간 데이터 교환을 진행하기에, 사용자의 구매 데이터 베이스도 모바일 통신 단말기 중의 어플리케이션 소프트웨어(APP)에 표시될 수 있고, 장바구니 인터페이스를 형성하여, 사용자가 자신의 구매 기록 및 후속 결산을 알 수 있도록 한다.
도 4에 도시된 바와 같이, 본 실시예는 목표물 포지셔닝 시스템(200)을 더 포함하고, 각 하나의 목표물이 밀폐 공간(1)에서의 실시간 위치를 획득하며, 상기 목표물은 사용자 및 그 연장부의 전부 또는 일부이고, 사용자 전체 또는 일부(예컨대 머리, 손 등)의 좌표계를 획득한다. 목표물 포지셔닝 시스템(200)은 데이터 처리 기기(7)에 연결되는 3차원 영상 수집 장치(201) 및 데이터 처리 기기(7)에 설치되는 목표물 좌표 획득 유닛(202)을 포함한다.
도 5에 도시된 바와 같이, 3차원 영상 수집 장치(201)는 적어도 하나의 영상 센서(2011)를 포함하고, 적어도 하나의 프레임 3차원 영상을 실시간으로 수집하며, 영상 센서(2011)는 평균적으로 밀폐 공간(1) 최상부에 분포되고, 그 렌즈는 하방을 향해 있으며, 렌즈 중심축은 수평면과 수직될 수 있고 일정한 경각을 가질 수도 있으며, 영상 센서(2011)의 시야 범위는 밀폐 공간(1)의 전체 최저면을 커버한다. 사용자가 무인 슈퍼마켓에서 행동하거나 구매할 경우, 시종일관 영상 센서의 모니터링에 노출되고, 이때 영상 센서가 수집한 3차원 영상에는 사용자 영상이 포함되며, 상기 사용자 영상은 상기 사용자 신체 및 그 연장부의 전부 또는 일부를 가리킨다. 만약 상기 밀폐 공간에 한 사람도 없다면, 매 순간의 3차원 영상은 그 전 시각과 동일하고, 상기 시각에서의 3차원 영상은 모두 배경인 것으로 판단할 수 있으며, 그 어떤 사용자 영상도 포함하지 않는다.
각 하나의 영상 센서(2011)는 병렬 설치되는 레인지 이미지 센서(2012) 및 RGB 이미지 센서(2013) 및 3차원 영상 정합 유닛(2014)을 포함하고, 레인지 이미지 센서(2012)는 멀티 프레임 레인지 이미지를 연속적으로 수집하며, RGB 이미지 센서(2013)는 멀티 프레임 RGB 이미지를 연속적으로 수집하고, 3차원 영상 정합 유닛(2014)은 동일한 시각에 수집한 프레임 레인지 이미지 및 프레임 RGB 이미지를 프레임 3차원 영상으로 결합한다.
상기 두 개의 센서는 동기화 수집하고(동시에 수집하고 수집 주파수가 동일함), 3차원 영상 정합 유닛(2014)은 멀티 프레임 3차원 영상을 연속적으로 획득하고 데이터 처리 기기(7)의 목표물 좌표 획득 유닛(202)에 전송할 수 있다.
목표물 좌표 획득 유닛(202)은 데이터 처리 기기(7) 중의 하나의 기능 모듈이며, 상기 밀폐 공간에서 3차원 좌표계를 구축하고, 연속 멀티 프레임이 사용자 영상을 포함하는 3차원 영상에 따라 상기 사용자가 상기 3차원 좌표계에서의 좌표계 또는 좌표를 실시간으로 획득한다. 목표물 좌표 획득 유닛(202)은 좌표계 구축 유닛(2021), 파라미터 획득 유닛(2022), 배경 제거 유닛(2023) 및 목표물 좌표 산출 유닛(2024)을 포함한다. 좌표계 구축 유닛(2021)은 상기 밀폐 공간에서 3차원 좌표계를 구축하고, 바람직하게, 밀폐 공간 최저면(무인 슈퍼마켓의 지면)의 중심점을 선택하여 좌표계 원점으로 하고, 수평 방향에서 X축, Y축을 설치하며, 수직 방향에서 Z축을 설치한다.
사용자 신체의 전부 또는 일부가 3차원 좌표계에서 비교적 큰 공간을 차지하기에, 따라서 하나의 좌표계로 사용자의 위치를 대표할 수 있는 바, 만약 위치의 정확한 제어와 산출의 편리함을 고려한다면, 상기 좌표계 중의 어느 한 특정된 점의 좌표로 사용자의 위치를 대표할 수도 있는 바, 예를 들면 상기 사용자 좌표계에서 가장 높은 하나의 점(Z축의 수치 최대 점)의 좌표로 사용자의 위치를 대표할 수 있다.
파라미터 획득 유닛(2022)은 연속 멀티 프레임이 사용자 영상을 포함하는 3차원 영상에 대해 처리하고, 각 하나의 프레임 3차원 영상의 각 하나의 픽셀 포인트의 위치 파라미터 및 색상 파라미터를 획득하며; 상기 위치 파라미터는 x, y, z이고, 상기 픽셀 포인트가 상기 3차원 좌표계에서의 위치 좌표를 대표하며; 상기 색상 파라미터는 r, g, b이며, 상기 픽셀 포인트의 삼원색 강도를 각각 대표한다. 어느 한 사용자가 임의의 영상 센서의 시야 내부에 진입하면, 데이터 처리 기기(7)는 멀티 프레임 3차원 영상을 획득할 수 있고, 각 하나의 프레임 3차원 영상에는 모두 사용자 영상 및 배경 영상이 포함되며, 각 하나의 픽셀 포인트는 사용자의 일 부분일 수 있고 배경의 일 부분일 수 있다.
상이한 영상 센서가 수집한 3차원 영상에서, 사용자 신체 및 그 연장부의 동일한 위치를 표시하는 픽셀 포인트는, 그 색상 파라미터 r, g, b가 모두 동일하다. 상이한 위치의 영상 센서와 사용자의 거리가 상이하기에, 각 하나의 영상 센서가 직접 수집한 초급 위치 파라미터는 모두 사용자 신체 및 그 연장부의 한 점이 상기 영상 센서에 대응되는 위치 좌표이기에, 따라서 좌표 전환이 필요하며, 상이한 위치의 영상 센서가 수집한 초급 위치 파라미터를 모두 상기 밀폐 공간에서 구축한 3차원 좌표계에서의 위치 파라미터로 전환한다.
파라미터 획득 유닛(2022)은 센서 좌표 획득 유닛(20221), 상대 좌표 획득 유닛(20222) 및 좌표 수정 유닛(20223)을 포함하고, 센서 좌표 획득 유닛(20221)은 상기 프레임 3차원 영상의 영상 센서의 중심점(즉 병렬 설치되는 레인지 이미지 센서(2012) 및 RGB 이미지 센서(2013)의 렌즈 중심점 연결선의 중간 분점)이 상기 밀폐 공간에서 구축한 상기 3차원 좌표계에서의 좌표를 획득하고 수집하며; 상대 좌표 획득 유닛(20222)은 상기 영상 센서의 중심점을 제2 원점으로 하여 제2, 3차원 좌표계를 구축하고, 그 X축, Y축 및 Z축의 방향은 상기 3차원 좌표계와 동일하며, 상기 3차원 영상에서 각 하나의 픽셀 포인트가 상기 제2, 3차원 좌표계에서의 좌표를 획득한다. 좌표 수정 유닛(20223)은 상기 영상 센서 중심점이 상기 3차원 좌표계에서의 좌표 및 상기 3차원 영상 중 각 하나의 픽셀 포인트가 제2, 3차원 좌표계에서의 좌표에 따라, 상기 3차원 영상의 각 하나의 픽셀 포인트가 상기 3차원 좌표계에서의 좌표를 산출하고 수정함으로써, 사용자 및 그 연장부의 각 하나의 픽셀 포인트의 위치 파라미터를 획득한다.
연속적으로 수집한 M프레임 3차원 영상에서, 각 하나의 프레임 3차원 영상은 단지 하나의 사용자의 영상만을 포함하고, 상이한 3차원 영상에 따로 속해 있고, 위치 파라미터가 동일한 N개 픽셀 포인트의 색상 파라미터가 동일할 경우, N은 0.9*M보다 크고 M보다 작거나 같으며, 배경 제거 유닛(2023)은 상기 N개 픽셀 포인트는 배경 픽셀 포인트인 것으로 판단하고, 상기 M프레임 3차원 영상에서 N개 상기 배경 픽셀 포인트를 제거하여, M프레임 무배경(no background) 3차원 영상을 획득하는 바, 즉 상기 사용자의 영상이다. 연속적으로 획득한 3차원 영상에서, 상이한 3차원 영상에 따로 속해 있고, 위치 파라미터가 동일한 픽셀 포인트의 색상 파라미터가 동일하거나, 또는 대부분(예컨대 90%) 동일하면, 즉 픽셀 포인트의 위치가 배경인 것으로 인정할 수 있고, 상기 픽셀 포인트를 상응한 3차원 영상에서 제거할 수 있다.
목표물 좌표 산출 유닛(2024)에서, 목표물이 사용자 및 그 연장부 전부이면, 상기 M프레임 무배경 3차원 영상 중 모든 픽셀 포인트의 위치 파라미터의 집합은 상기 사용자 및 그 연장부의 전부의 좌표계이고; 상기 좌표계에서, 파라미터 z가 최대의 픽셀 포인트의 위치 파라미터는 사용자의 좌표로 정의된다. 연속적으로 획득한 3차원 영상에서, 배경 픽셀 포인트를 제거한 후, 남은 픽셀 포인트는 상기 사용자의 전반적인 행진 궤적을 대표할 수 있다. 연속적으로 수집한 M프레임 3차원 영상에서, 각 하나의 프레임 3차원 영상이 다수 개의 사용자의 영상을 포함하면, 우선 각 하나의 M프레임 3차원 영상에서 하나의 사용자 전부 또는 일부만 포함하는 3차원 영상을 캡쳐해야 한다.
만약 목표물이 사용자 및 그 연장부의 일부라면, 상기 사용자 일부의 좌표계를 획득할 수 있는 바, 예를 들면 두부, 견부, 어깨, 완부, 손 등이다. 레인지 이미지 센서(2012) 및 RGB 이미지 센서(2013)에 하나의 렌즈가 각각 설치되어 있고, 두 개의 렌즈의 중심축을 수평면에 수직되게 설치하면, 두 개의 렌즈는 밀폐 공간의 물품 및 사용자를 내려다볼 수 있다. 정상적인 정황하에서, 두 개의 렌즈는 사용자 두부 및 견부의 위치 좌표계를 확보할 수 있고, 사용자가 손을 뻗을 경우, 사용자 팔, 어깨, 완부, 손의 위치 좌표계를 확보할 수도 있다. 어느 한 시각의 상기 사용자의 두부, 견부, 어깨, 완부, 손을 모두 한 가닥의 선 또는 곡선으로 연결한다면, 즉시 사용자의 손과 두부 위치의 대응 관계를 구축할 수 있으며, 다시 말하자면, 어느 한 손의 위치를 실시간으로 획득할 수 있고, 아울러 상기 손이 어느 사용자에 속하는 지 판단할 수 있다.
부가적으로, 영상 센서(2011)의 시야 범위도 출입구 외부의 부분적인 공간을 커버할 수 있고, 사용자가 출입구 외부에 있을 경우, 상기 사용자의 영상은 영상 센서(2011)에 의해 획득할 수 있다. 사용자가 상기 무인 상품 판매 시스템을 사용하는 모든 과정은, 출입구의 신분 인식 과정, 밀폐 공간(1)의 진입 과정, 밀폐 공간(1)에서 주행하거나 멈추는 과정, 밀폐 공간(1)을 떠나는 과정을 포함하며, 모두 영상 센서(2011)의 모니터링되며, 신분이 알려진 어느 한 사용자 및 그 신체의 일부분이 밀폐 공간(1)에서의 실시간 위치를 실시간으로 모니터링할 수 있다. 코드 스캔 장치(1021)가 사용자의 QR코드를 판독할 경우, 데이터 처리 기기(7)는 그 신분 정보을 획득할 수 있고, 영상 센서(2011)는 코드 스캔 장치(1021)에서 코드를 판독할 시 상기 사용자 위치를 포지셔닝 및 실시간 추적하기 시작하며, 상기 사용자가 어느 한 진열대와 매칭되는 지의 여부를 모니터링한다. 영상 센서(2011)가 상기 사용자의 실시간 3차원 영상을 획득할 수 없을 경우, 상기 사용자 구매가 종료된 것으로 인정하고, 이에 대해 결산할 수 있다.
도 6에 도시된 바와 같이, 본 실시예는 영상 모니터링에 기반하는 물품 감지 시스템(400)에 관한 것이고, 이는 샘플 수집 유닛(401), 모델 트레이닝 유닛(402), 실시간 사진 수집 유닛(403) 및 물품 종류 획득 유닛(404)을 포함하며, 상기 네 개의 유닛은 데이터 처리 기기(7) 중의 기능 모듈이고, 영상 모니터링에 기반하는 물품 감지 시스템(400)은 진열대 전방 공간의 실시간 영상을 모니터링하여, 가져갔거나 또는 반환된 물품의 종류를 판단할 수 있다.
영상 모니터링에 기반하는 물품 감지 시스템(400)은 제1 카메라(405) 및 제2 카메라(406)를 더 포함하고, 제1 카메라(405)는 데이터 처리 기기(7) 중의 샘플 수집 유닛(401)에 연결되며, 각 하나의 물품의 다수 개의 각도 다수 개의 거리의 사진을 촬영한다. 제2 카메라(406)는 데이터 처리 기기(7) 중의 실시간 사진 수집 유닛(403)에 연결되며, 진열대 전방 공간의 실시간 사진을 촬영한다.
도 7에 도시된 바와 같이, 바람직하게, 제2 카메라(406)의 개수는 두 개 또는 네 개이고, 진열대(2)의 외부에 설치되며, 각 하나의 제2 카메라(406)는 진열대(2)의 한 모퉁이를 향하고 있다. 진열대(2)의 다수 개의 프레임 플레이트(5)의 최전단은 동일한 평면에 위치하고, 상기 평면은 진열대 평면으로 불리우며, 제2 카메라(406)에 렌즈가 설치되어 있고, 상기 렌즈의 시야 범위는 상기 진열대 전방 공간을 커버한다. 물품이 상기 진열대에서 이동되거나 또는 진열대에 안착될 경우, 상기 물품이 이동되는 과정 또는 반환되는 과정의 영상은 상기 제2 카메라에 의해 촬영된다. 상기 진열대 전방 공간은 진열대 전방에 대응되는 진열대 평면의 공간 영역을 가리키고, 상기 진열대 전방 공간은 일반적으로 진열대 전방 30 내지 50센티미터 너비의 영역 범위를 가리키는 바, 각 하나의 제2 카메라(406)의 렌즈는 상기 진열대 전방 공간의 중심 영역을 향한다.
바람직하게, 제2 카메라(406)의 렌즈의 중심축과 수평면 협각은 30 내지 60도이고; 및/또는, 제2 카메라(406)의 렌즈와 진열대(2) 상단 또는 하단의 거리는 0.8 내지 1.2미터이며; 및/또는, 제2 카메라(406)의 렌즈와 진열대(2) 일 측변의 거리는 0.8 내지 1.2미터이고, 제2 카메라(406)의 시야 범위가 진열대 전방 공간을 완전히 커버하는 것을 확보할 수 있으며, 물품이 진열대(2)에서 이동되거나 또는 진열대(2)에 안착될 경우, 이동되는 과정 또는 안착되는 과정의 영상은 제2 카메라(406)에 의해 촬영된다.
도 6에 도시된 바와 같이, 샘플 수집 유닛(401)은 적어도 한 그룹의 사진 샘플을 수집하고, 각 하나의 그룹의 사진 샘플은 한가지 물품이 여러 각도에서의 다수 개의 샘플 사진을 포함하고; 동일한 종류 물품의 한 그룹의 사진 샘플에 동일한 조별 마크가 설치되어 있으며, 상기 조별 마크는 상기 그룹의 사진 샘플에 대응되는 물품의 종류를 대표한다. 바람직하게, 제1 카메라(405)는 진열대(2)의 매 한가지 물품에 대해 상이한 각도 상이한 거리의 3000 내지 5000장의 사진을 촬영해야 하고, 데이터 처리 기기(7)의 샘플 수집 유닛(401)에 전송한다. 이러한 사진에서, 일부는 독립적으로 촬영한 물품의 사진이고, 일부는 배경의 물품 사진이며, 일부는 물품이 손에 쥐어진 사진이고, 일부는 다수 개의 동일한 종류 제품이 함께 겹쳐진 사진이다. 본 실시예에서 언급된 무인 슈퍼마켓에서 판매되는 물품이 기준 물품이기에, 동일한 종류 물품의 외관 6면도는 모두 동일하거나 유사하며, 따라서 동일한 종류 물품에서 단지 하나 또는 몇가지 제품만 선택하면, 이에 대해 여러 차례 촬영 처리를 진행하여 상기 류형의 물품 트레이닝 샘플의 샘플링을 완성할 수 있다.
모델 트레이닝 유닛(402)은 다수 그룹 사진 샘플 중의 각 하나의 샘플 사진 및 각 하나의 샘플 사진의 조별 마크에 따라 컨볼루션 신경 네트워크(CNN) 모델을 트레이닝하며, 물품 인식 모델을 획득한다. 컨볼루션 신경 네트워크(Convolutional Neural Network, 약칭 CNN)는 피드 포워드 신경 네트워크이고, 대형 이미지 처리에 뛰어나다. 바람직하게, 본 실시예 중의 컨볼루션 신경 네트워크 모델은 현재 연산량이 가장 적고, 응답 속도가 가장 빠른 Faster RCNN 네트워크 모델이며, 상기 모델의 최고 응답 속도는 단지 0.2초 정도이고, 매우 짧은 시간에 사진의 물품의 종류 및 개수를 인식할 수 있다. 만약 모델 트레이닝의 샘플이 비교적 적거나, 또는 샘플의 해상도가 비교적 낮으면, 1차례 트레이닝하여 획득한 그룹핑 모델으로 사진에 표시되는 물품의 종류를 판단할 경우 오차가 발생할 가능성이 비교적 크기에, 따라서 교차 검증의 과정을 거쳐 더욱 정밀한 모델을 획득할 필요가 있다. 모델 트레이닝 유닛(402)은 샘플 분류 유닛(4021), 그룹핑 모델 트레이닝 유닛(4022) 및 교차 검증 유닛(4023)을 포함한다.
샘플 분류 유닛(4021)은 다수 그룹 상기 사진 샘플을 무작위로 각각 트레이닝 샘플 및 테스트 샘플로 분류하며; 그룹핑 모델 트레이닝 유닛(4022)은 다수 그룹의 트레이닝 샘플의 각 하나의 샘플 사진 및 그 조별 마크를 컨볼루션 신경 네트워크 모델에 입력하고, 트레이닝을 거친 후 그룹핑 모델을 획득한다; 교차 검증 유닛(4023)은 다수 그룹의 테스트 샘플의 각 하나의 사진 및 각 하나의 그룹 테스트 샘플의 조별 마크에 따라 상기 그룹핑 모델을 검증하고, 모델 정확도를 산출하며; 상기 그룹핑 모델의 정확도가 기설정 한계 값(예컨대 90%)보다 낮을 경우, 상기 샘플 분류 유닛으로 되돌아가고; 상기 그룹핑 모델의 정확도가 상기 기설정 한계 값(예컨대 90%)보다 크거나 같을 경우, 상기 그룹핑 모델은 물품 인식 모델이다. 만약 모델 트레이닝의 샘플이 비교적 적거나, 또는, 샘플의 해상도가 비교적 낮으면, 1차례 트레이닝하여 획득한 그룹핑 모델으로 사진에 표시되는 물품의 종류를 판단할 경우 오차가 발생할 가능성이 비교적 크기에, 따라서 가장 바람직하게 교차 검증 유닛이 있어야 한다.
만약 모델 트레이닝의 샘플이 충분히 많고, 샘플의 해상도가 비교적 높으면, 직접 한 차례 트레이닝하여, Faster RCNN 네트워크 모델을 이용하여 하나의 그룹핑 모델을 트레이닝할 수 있고, 상기 그룹핑 모델은 사진에 표시되는 물품의 종류를 효과적으로 판단할 수 있다. 기타 실시예에서, 모델 트레이닝 유닛(402)은 단지 그룹핑 모델 트레이닝 유닛(4022)만 포함하고, 샘플 수집 유닛(401)이 수집한 다수 그룹 사진 샘플의 전부 또는 일부를 트레이닝 샘플로 하며, 각 하나의 샘플 사진 및 그 조별 마크 컨볼루션 신경 네트워크 모델에 입력하고, 트레이닝을 거친 후 그룹핑 모델을 획득하며, 상기 그룹핑 모델은 물품 인식 모델이다.
그룹핑 모델 트레이닝 유닛(4022)은 특징 추출 유닛(40221), 후보 영역 생성 유닛(40222), 후보 영역 맵핑 유닛(40223) 및 분류기 생성 유닛(40224)을 포함한다. 특징 추출 유닛(40221)은 각 하나의 트레이닝 샘플의 사진을 컨볼루션 신경 네트워크에 입력하고, 특징을 추출하며, 특징 이미지(feature map)를 획득하고, 상기 특징 이미지는 트레이닝 사진에 표시된 전부 또는 일부 물품의 영역에 대응되며; 후보 영역 생성 유닛(40222)은 각 하나의 트레이닝 샘플의 사진을 후보 영역 네트워크에 입력하고(RPN), 다수 개의 후보 영역(region proposals)을 생성하며; 후보 영역 맵핑 유닛(40223)은 각 하나의 트레이닝 샘플의 사진 후보 영역을 컨볼루션 신경 네트워크의 최후의 한 층의 컨볼루션층의 특징 이미지에 맵핑하고; 분류기 생성 유닛(40224)은 다수 개의 트레이닝 샘플의 사진 특징 이미지 및 후보 영역을 수집하고, 후보 영역의 특징 이미지를 산출하며, 분류기 네트워크(classfier 네트워크)에 발송하여, 분류기를 생성한다. 상기 분류기 네트워크에서, 동일한 물품에 대응되는 모든 트레이닝 샘플 사진의 특징 이미지는 상기 물품의 조별 마크와 대응 관계를 형성하고, 상기 조별 마크는 상기 그룹의 사진 샘플에 대응되는 물품의 종류이다.
교차 검증 유닛(4023)은 테스트 샘플 입력 유닛(40231), 정확도 산출 유닛(40232)을 포함하고, 테스트 샘플 입력 유닛(40231)은 다수 개의 테스트 샘플의 각 하나의 사진을 상기 그룹핑 모델에 입력하고, 다수 개의 테스트 샘플의 테스트 조별 마크를 획득하며; 정확도 산출 유닛(40232)은 다수 개의 테스트 샘플의 테스트 조별 마크를 상기 테스트 샘플의 조별 마크와 대조하여, 동일한 마크의 개수와 상기 테스트 샘플의 개수의 비율을 산출하고, 상기 비율은 상기 초급 데이터 모델의 정확도이다. 바람직하게, 기설정 한계 값을 90%로 설정하고, 그룹핑 모델의 정확도가 90%보다 작을 경우, 샘플 분류 유닛(4021)은 샘플을 다시 그룹핑하고, 다시 트레이닝하며; 상기 그룹핑 모델의 정확도가 90%보다 크거나 같을 경우, 상기 그룹핑 모델은 물품 인식 모델인 것으로 인정할 수 있다.
실시간 사진 수집 유닛(403)은 진열대 전방 공간의 적어도 하나의 실시간 사진을 연속적으로 수집하고, 각 하나의 실시간 사진은 하나 또는 다수 개의 물품 사진의 일부 또는 전부를 포함한다. 실시간 사진 수집 유닛(403)은 다수 개의 제2 카메라(406)에 연결되고, 상기 진열대의 가장자리에 설치되며, 진열대 전방 영역의 사진을 실시간으로 촬영한다. 사용자가 진열대의 어느 한 프레임 플레이트에서 물품을 가져갈 경우, 또는, 사용자가 진열대의 어느 한 프레임 플레이트에 물품을 안착시킬 경우, 제2 카메라(406)는 물품이 진열대에 있기 전의 사진을 촬영할 수 있고, 상기 사진은 이 물품의 전부 또는 일부 사진을 포함하며, 상기 물품의 형태, 패턴 및 색상을 표시한다. 제2 카메라는 상기 물품의 다수 개의 실시간 사진을 획득하고, 실시간 사진 수집 유닛(403)에 전송한다.
연속적으로 획득한 멀티 프레임 사진에서, 각 하나의 프레임 사진 중 물품과 진열대 가장자리의 거리는 모두 상이하고, 데이터 처리 기기(7)는 상기 거리의 변화를 산출하여 물품과 진열대 거리의 변화를 판단할 수 있으며, 만약 상기 거리가 커지면, 물품이 진열대에서 이동된 것으로 간주할 수 있고, 상기 거리가 작아지면, 물품이 진열대에 안착된 것으로 간주할 수 있다.
사용자가 물품을 쥐고 진열대 전방에서 1초 머물면, 제2 카메라(406)는 1초내에 상이한 각도의 60장 실시간 사진을 획득하고, 각 하나의 사진의 표시 내용은 사용자의 손 및 물품의 일부를 포함할 수 있다. 만약 실시간 사진에 그 어떤 물품 내용이 포함되지 않는다면, 일부 물품의 체형이 비교적 작고, 일부 사진에 단지 사용자의 손만 표시되거나, 또는, 일부 사진에 단지 배경 영상이 표시되면, 이러한 사진은 선택 삭제될 수 있다. 본 실시예는 크기가 매우 작은 물품에 적용되지 않으며, 물품이 사용자 손에 의해 완전히 가려지면, 물품 종류를 인식할 수 없게 된다.
제2 카메라(406)는 장시간 지속적으로 운행 가능한 기기일 수 있고, 진열대에 하나의 적외선 스위치를 설치할 수도 있으며, 제2 카메라(406)에 연결되어, 평소에는 단전 상태이며, 사용자가 진열대 근처에 접근했을 경우, 적외선 스위치는 열량을 감지하여 연통시키고, 제2 카메라(406)는 전류가 통하고 가동된다. 사용자가 떠나면, 적외선 스위치는 열량을 감지할 수 없기에 차단되며, 제2 카메라(406)는 단전되어 꺼진다.
물품 종류 획득 유닛(404)은 상기 실시간 사진을 상기 물품 인식 모델에 적용하여 상기 실시간 사진에 표시되는 물품의 종류 및 개수를 결정한다. 물품 종류 획득 유닛(404)은 조별 마크 획득 유닛(4041) 및 마크 신뢰도 산출 유닛(4042)을 포함한다.
조별 마크 획득 유닛(4041)은 어느 한 물품 내용을 포함하는 여러 장의 실시간 사진을 획득하고, 이를 상기 물품 인식 모델에 입력하며, 상기 모델이 출력하고, 다수 개의 실시간 사진에 대응되는 다수 개의 조별 마크를 획득하며, 가능성 결론으로 한다. 조별 마크 획득 유닛(4041)은 제2 특징 추출 유닛(40411), 제2 후보 영역 생성 유닛(40412), 제2 후보 영역 맵핑 유닛(40413) 및 제2 조별 획득 유닛(40414)을 포함한다. 제2 특징 추출 유닛(40411)은 하나의 실시간 사진을 컨볼루션 신경 네트워크에 입력하고, 특징을 추출하며, 특징 이미지를 획득하며; 제2 후보 영역 생성 유닛(40412)은 상기 실시간 사진을 후보 영역 네트워크에 입력하고, 다수 개의 후보 영역을 생성하며; 제2 후보 영역 맵핑 유닛(40413)은 상기 실시간 사진의 후보 영역을 컨볼루션 신경 네트워크의 최후의 한 층의 특징 이미지에 맵핑하고; 조별 획득 유닛(40414)은 다수 개의 사진의 특징 이미지와 후보 영역을 수집하고, 후보 영역의 특징 이미지를 산출하며, 분류기 네트워크에 발송하여, 상기 실시간 사진에 대응되는 조별 마크를 획득한다. 각 하나의 실시간 사진은 상기 물품 인식 모델에 입력된 후, 상기 사진에 대응되는 조별 마크를 모두 판단할 수 있고, 만약 제2 카메라가 60장 사진을 수집하고, 각 하나의 사진에 모두 어떠한 물품이 표시되며, 이를 물품 인식 모델에 입력하면, 60개의 조별 마크를 획득할 수 있다.
마크 신뢰도 산출 유닛(4042)은 상기 가능성 결론을 산출하고 상기 가능성 결론 중 각 한가지 조별 마크의 개수와 상기 가능성 결론 중 모든 조별 마크 총수의 비율에 있어서, 상기 비율은 즉 각 한가지 조별 마크의 신뢰도이고, 신뢰도가 가장 큰 조별 마크에 대응되는 물품의 종류 및/또는 개수는 즉 상기 실시간 사진에 표시되는 물품의 종류 및/또는 개수이다. 상기 60개 조별 마크를 대조하면, 60개 조별 마크와 서로 대응되는 60개 물품 종류에서, 물품 A가 나타나는 횟수가 36이고, 물품 B가 나타나는 횟수가 18이며, 물품 C가 나타나는 횟수가 6이면, 삼자의 신뢰도는 각각 60%, 30% 및 10%이고, 상기 실시간 사진에 표시되는 물품의 종류는 신뢰도가 가장 높은 물품 A인 것으로 인정할 수 있다. 만약 샘플 수집 유닛(401)이 수집한 사진 샘플에 다수 개의 동일한 종류 물품이 함께 겹쳐진 사진이 포함되면, 물품 종류 획득 유닛(404)은 물품의 개수를 추가적으로 판단할 수 있다.
영상 모니터링에 기반한 물품 감지 시스템(400)의 유익한 효과는 하기와 같은 바, 열대 전방 공간의 영상을 실시간으로 모니터링할 수 있고, 물품이 진열대에서 이동되었거나 또는 진열대에 반환되었는 지의 여부를 판단하며, 기계 학습 중의 건볼루션 알고리즘을 이용하여 물품의 종류 및 개수의 가능성 결론을 추리할 수 있고, 그 중 신뢰도가 가장 높은 결과를 선택하여 최종 결론으로 한다.
도 8에 도시된 바와 같이, 본 실시예는 구매 사용자 판단 시스템(500)을 더 포함하고, 이는 데이터 처리 기기(7) 중의 기능 모듈이며, 임의의 한 종류 물품이 이동되었거나 반환되었을 경우, 상기 사용자의 신분 정보 및 상기 사용자의 실시간 위치에 따라 이동되었거나 반환된 물품의 사용자 신분을 획득한다. 구매 사용자 판단 시스템(500)은 물품 정보 저장 유닛(501), 프레임 플레이트 좌표 저장 유닛(502), 프레임 플레이트와 사용자 매칭 판단 유닛(503) 및 물품과 사용자 매칭 판단 유닛(504)을 포함한다.
데이터 처리 기기(7)에 물품 데이터 베이스가 설치되어 있고, 물품 정보 저장 유닛(501)에 저장되며, 상기 물품 데이터 베이스는 각 하나의 물품 정보를 포함하고; 상기 물품 정보는 각 하나의 물품의 물품 명칭, 모델, 실질 중량 및 단가 등을 포함하며, 상기 물품이 안착된 진열대 번호, 상기 물품이 안착된 프레임 플레이트 번호 및 물품 번호를 더 포함한다.
목표물 포지셔닝 시스템(200)은 상기 밀폐 공간에서 3차원 좌표계를 구축하고, 진열대(2) 및 프레임 플레이트(5)의 위치를 결정하기에, 따라서 좌표계를 구축한 후 각각의 진열대(2) 및 각각의 프레임 플레이트(5)의 좌표를 획득할 수 있고, 진열대 좌표계 및 프레임 플레이트 좌표계를 프레임 플레이트 좌표 저장 유닛(502)에 저장하며, 프레임 플레이트 상방에서 물품을 안착시키기 위한 프레임 플레이트 공간의 높이(예컨대 30CM)를 설정하고, 상기 프레임 플레이트 공간의 좌표계를 바로 획득할 수 있다.
사용자 좌표 획득 유닛(202)은 각 하나의 이미 알려진 신분 사용자의 손의 실시간 좌표계를 획득할 수 있고, 한 프레임 플레이트 상방의 프레임 플레이트 공간의 좌표계와 한 사용자 손 좌표계가 교집합이 있을 경우, 프레임 플레이트와 사용자 매칭 판단 유닛(503)은 상기 프레임 플레이트가 상기 사용자와 매칭되는 것으로 판정하고, 상기 사용자가 손을 상기 프레임 플레이트 상방의 프레임 플레이트 공간에 넣은 것으로 간주할 수 있다.
목표물 포지셔닝 시스템(200)은 상기 밀폐 공간에서 3차원 좌표계를 구축하고, 진열대(2) 및 프레임 플레이트(5)의 위치가 확정되었기에, 따라서 좌표계를 구축한 후 각각의 진열대(2) 및 각각의 프레임 플레이트(5)의 좌표를 획득할 수 있고, 진열대 좌표계 및 프레임 플레이트 좌표계를 프레임 플레이트 좌표 저장 유닛(502)에 저장하며, 프레임 플레이트 상방에서 물품을 안착시키기 위한 프레임 플레이트 공간의 높이(예컨대 30CM)를 설정하고, 상기 프레임 플레이트 공간의 좌표계를 바로 획득할 수 있다.
사용자 좌표 획득 유닛(202)은 각 하나의 이미 알려진 신분 사용자의 손의 실시간 좌표계를 획득할 수 있고, 한 프레임 플레이트 상방의 프레임 플레이트 공간의 좌표계와 한 사용자 손 좌표계가 교집합이 있을 경우, 프레임 플레이트와 사용자 매칭 판단 유닛(503)은 상기 프레임 플레이트가 상기 사용자와 매칭되는 것으로 판정하고, 상기 사용자가 손을 상기 프레임 플레이트 상방의 프레임 플레이트 공간에 넣은 것으로 간주할 수 있다.
영상 모니터링에 기반하는 물품 감지 시스템(400)은 제2 카메라(406)를 통해 진열대 전방 공간의 실시간 영상을 모니터링할 수 있고, 연속적으로 획득한 멀티 프레임 사진 중 물품과 진열대의 거리 변화에 따라 물품의 이착 상태를 판단할 수 있으며, 이동되었거나 또는 반환된 물품의 종류 및 개수를 판단한다. 상기 이착 상태는 물품의 정치 상태, 이동된 상태 및 반환된 상태를 포함한다.
물품이 한 프레임 플레이트에서 이동되었거나 한 프레임 플레이트에 반환될 경우, 동일한 시각에 한 사용자가 상기 프레임 플레이트와 매칭되면, 물품과 사용자 매칭 판단 유닛(504)은 상기 물품과 상기 사용자가 매칭되는 것으로 판정하며, 상기 물품은 이 시각에 상기 사용자에 의해 상기 프레임 플레이트에서 이동되었거나 상기 프레임 플레이트에 안착됨으로써, 취득 물품 또는 반환된 물품의 상기 사용자의 신분을 결정할 수 있다.
도 9에 도시된 바와 같이, 본 실시예는 구매 정보 기록 유닛(600)을 더 포함하고, 이는 데이터 처리 기기(7) 중의 기능 모듈이며, 각 하나의 사용자의 신분 정보에 따라 적어도 하나의 구매 데이터 베이스를 생성하고, 각 하나의 사용자가 가져간 적어도 하나의 물품의 종류 및 개수를 기록한다. 구매 정보 기록 유닛(600)은 구매 데이터 베이스 생성 유닛(601) 및 구매 데이터 베이스 업데이트 유닛(602)을 포함한다.
한 사용자의 신분이 사용자 신분 인식 시스템(100)에 의해 인식될 경우, 신분 획득 유닛(1022)은 사용자의 신분 정보를 획득하고, 구매 데이터 베이스 생성 유닛(601)은 상기 사용자의 신분 정보에 따라 데이터 처리 기기(7)에서 상기 사용자의 구매 데이터 베이스를 생성하며, 초기 상태하의 구매 데이터 베이스에 그 어떤 구매 정보도 없다.
구매 데이터 베이스 업데이트 유닛(602)는 취득 물품의 종류 및 개수 및 취득 물품의 사용자의 신분 정보에 따라 한 그룹의 구매 정보를 생성하고, 상기 사용자의 구매 데이터 베이스에 저장하며, 상기 구매 정보는 이 시각에 취득 물품의 종류 및 개수, 및 상기 물품의 물품 정보, 예를 들면 물품 명칭, 모델, 실질 중량 및 단가, 등을 포함한다. 사용자가 밀폐 공간(1)에서 수차례 물품을 가져간 후, 그 구매 데이터 베이스에는 다수 그룹 구매 정보가 포함되고, 사용자가 휴대하고 있는 모바일 통신 단말기가 데이터 처리 기기(7)와 무선 통신의 방식으로 연결되고 데이터 교환을 진행하기에, 따라서, 구매 데이터 베이스 중의 구매 정보도 사용자의 모바일 통신 단말기의 APP 인터페이스에 표시되어, 사용자의 전자 장바구니를 형성할 수 있다.
물품이 한 사용자와 매칭될 경우, 영상 모니터링에 기반하는 물품 감지 시스템(400)이 어느 한 물품이 상기 프레임 플레이트에 안착된 것을 모니터링하면, 상기 물품의 종류 및 개수를 판단할 수 있다. 데이터 처리 기기(7)가 상기 사용자의 구매 데이터 베이스에서 각 하나의 구매 정보를 조회하고, 이미 구매한 물품의 종류 값과 상기 물품 종류가 서로 매칭하는 지의 여부를 판단하며, 사용자의 구매 데이터 베이스에 하나 또는 다수 개의 이미 구매한 물품이 프레임 플레이트에 안착된 화물과 동일한 것이 있는 지의 여부를 판단한다.
만약 영상 모니터링에 기반하는 물품 감지 시스템(400)이 반환된 물품의 종류가 상기 프레임 플레이트에 원래 있는 물품 종류와 일치한 지의 여부를 더 판단할 수 있고, 일치하지 않으면, 하나의 경보 신호를 선택적으로 생성하여, 관리자 또는 사용자에게 착오적인 현상을 경고할 수 있다. 영상 모니터링에 기반하는 물품 감지 시스템(400)이 반환된 물품의 종류를 판단할 수 없다면, 프레임 플레이트에 반환된 물품이 상기 무인 슈퍼마켓에 존재하는 물품인 지를 확인할 수 있고, 우산, 휴대폰 등과 같이 사용자가 스스로 가지고 온 물품일 수 있으며, 이 때 하나의 경보 신호를 생성할 수 있으며, 필요할 경우, 상기 프레임 플레이트의 프레임 플레이트 번호를 어느 한 디스플레이에 표시하여 관리자와 사용자를 경고할 수 있다.
기타 실시예에서, 상기 무인 상품 판매 시스템은 중량 모니터링에 기반하는 물품 감지 시스템을 더 포함할 수도 있고, 각 하나의 프레임 플레이트에 단지 한가지 물품만 놓으며, 프레임 플레이트에 중량 센서를 내장하고, 각 한가지 프레임 플레이트의 중량 변화를 실시간 감지하며, 본 실시예 중의 영상 모니터링에 기반하는 물품 감지 시스템과 매칭하여 동작시키면, 물품 이착 상태, 가져갔거나 반환한 물품의 종류 및 개수를 더욱 정밀하게 판단할 수 있다.
도 10에 도시된 바와 같이, 본 실시예는 결산 시스템(700)을 더 포함하고, 이는 데이터 처리 기기(7) 중의 기능 모듈이며, 상기 사용자의 구매 데이터 베이스 중 모든 물품의 종류 및 개수에 따라 비용을 결산한다. 사용자가 구매 과정을 완료한 후, 자체적으로 출입구의 출입 통제 장치에서 밀폐 공간(1)을 떠날 수 있다. 사용자 포지셔닝 시스템(200)의 영상 센서(2011)가 상기 사용자의 실시간 3차원 영상을 획득할 수 없을 경우, 상기 사용자 구매를 종료한 것으로 간주할 수 있고, 결산 시스템(700)은 상기 사용자를 위해 비용을 결산한다.
결산 시스템(700)은 총금액 산출 유닛(701) 및 결제 유닛(702)을 포함한다. 상기 사용자가 상기 밀폐 공간을 떠날 경우, 총금액 산출 유닛(701)은 상기 사용자의 구매 데이터 베이스 중 모든 물품의 종류 및 개수에 따라 총금액을 산출하고, 각 하나의 종류 물품의 단가를 물품 정보로 하여 데이터 처리 기기(7)에 미리 저정하며, 따라서 여러 가지 물품 단가와 개수의 승적의 총합의 금액은 즉 상기 사용자 총금액이다. 부가적으로, 기타 실시예에서, 사용자는 물품의 할인을 누릴 수 있거나 또는 쿠폰, 할인권 등을 사용할 수 있으며, 사용자가 결제해야 할 총금액은 여러 가지 물품 단가와 개수의 승적의 총합의 금액에서 쿠폰 및/또는 할인권 금액 및/또는 할인 금액을 감한 것이다. 결제 유닛(702)은 결산 시스템(700)에 자체로 탑재된 결제 소프트웨어 또는 제3자 결제 소프트웨어이고, 상기 사용자의 은행 계정 또는 전자 계정에서 돈이 빠져나갈 수 있으며, 빠져나간 비용 금액은 상기 사용자가 결제해야 할 총금액과 동일하다.
도 11에 도시된 바와 같이, 본 실시예는 영상 모니터링에 기반하는 물품 감지 방법을 더 제공하는 바, 다시 말해 전술한 영상 모니터링에 기반하는 물품 감지 시스템(400)의 실현 방법으로서, 단계S201)샘플 수집 단계, 단계S202)모델 트레이닝 단계, 단계S203)실시간 사진 수집 단계 및 단계S204)물품 종류 획득 단계를 포함한다. 본 실시예에서 언급된 무인 슈퍼마켓에서 판매되는 물품이 기준 물품이기에, 동일한 종류 물품의 외관 6면도는 모두 동일하고, 따라서 동일한 종류 물품에서 단지 하나 또는 몇가지 제품만 선택하면, 이에 대해 여러 차례 촬영 처리를 진행하여 상기 류형의 물품 트레이닝 샘플의 샘플링을 완성할 수 있다.
단계S201)샘플 수집 단계에서, 다수 그룹의 사진 샘플을 수집하고, 각 하나의 그룹의 사진 샘플은 한가지 물품이 여러 각도에서의 다수 개의 샘플 사진을 포함하고; 동일한 종류 물품에 대응되는 한 그룹의 사진 샘플에 동일한 조별 마크가 설치되어 있으며, 상기 조별 마크는 상기 그룹의 사진 샘플에 대응되는 물품의 종류이다. 상기 샘플 수집 단계에서, 각 하나의 물품의 다수 개의 각도 다수 개의 거리의 사진을 촬영하고, 바람직하게, 촬영 횟수는 3000 내지 5000회이며, 지나치게 많으면 원가가 너무 높고, 지나치게 적으면 모델의 오차가 비교적 크다. 각 한가지 물품은 상이한 각도 상이한 거리의 5000장의 사진이 촬영되고, 일부는 독립적으로 촬영한 물품의 사진이고, 일부는 배경의 물품 사진이며, 일부는 물품이 손에 쥐어진 사진이고, 심지어 다수 개의 동일한 종류의 물품이 함께 겹쳐진 사진일 수 있다.
단계S202)모델 트레이닝 단계에서 다수 그룹의 사진 샘플 중의 각 하나의 샘플 사진 및 그 조별 마크에 따라 컨볼루션 신경 네트워크 모델을 트레이닝하여, 물품 인식 모델을 획득한다.
만약 모델 트레이닝의 샘플이 비교적 적거나, 또는, 샘플의 해상도가 비교적 낮으면, 1차례 트레이닝하여 획득한 그룹핑 모델으로 사진에 표시되는 물품의 종류를 판단할 경우 오차가 발생할 가능성이 비교적 크기에, 따라서 가장 바람직하게는 교차 검증 단계가 있어야 한다. 도 12에 도시된 바와 같이, 단계S202)모델 트레이닝 단계는 단계S2021)샘플 분류 단계, 단계S2022)그룹핑 모델 트레이닝 단계 및 단계S2023)교차 검증 단계를 포함한다.
단계S2021)다수 그룹의 상기 사진 샘플을 각각 트레이닝 샘플 및 테스트 샘플 두 종류로 무작위로 나누는 샘플 분류 단계; 전술한 단계S201)샘플 수집 단계에서, 각 하나의 물품의 상이한 각도 상이한 거리의 4000장 사진을 촬영한다. 각 하나의 물품에 대응되는 4000장 사진을 무작위로 트레이닝 샘플 및 테스트 샘플 각각 2000장 사진으로 두 부분으로 나눈다.
단계S2022)그룹핑 모델 트레이닝 단계에서, 다수 그룹의 트레이닝 샘플의 각 하나의 샘플 사진 및 각 하나의 샘플 사진의 조별 마크를 컨볼루션 신경 네트워크 모델에 입력하고, 트레이닝을 거친 후 그룹핑 모델을 획득한다. 도 13에 도시된 바와 같이, 단계S2022)그룹핑 모델 트레이닝 단계는 단계S20221)특징 추출 단계, 단계S20222)후보 영역 생성 단계, 단계S20223)후보 영역 맵핑 단계 및 단계S20224)분류기 생성 단계를 포함한다. 단계S20221)특징 추출 단계에서, 각 하나의 트레이닝 샘플의 사진을 컨볼루션 신경 네트워크(CNN)에 입력하고, 특징을 추출하며, 특징 이미지(feature map)를 획득하며, 대응되는 트레이닝 사진 중 전부 또는 일부 물품의 영역을 표시한다. 예를 들면, 어느 한 물품의 2000장 사진은, 각 한 장의 사진에서 물품 전체 또는 일부와 연관되는 특징 이미지(feature map)를 찾는다. 컬러 사진에 대하여, 각 하나의 픽셀 포인트의 RGB 삼원색은 각각 2차원 매트릭스에 대응되고, 각각의 매트릭스는 3*3 또는 5*5의 컨볼루션 커넬을 거쳐 컨볼루션 연산된 후, 3개의 새로운 2차원 매트릭스를 생성하는 바, 즉 특징 이미지(feature map)이다. 단계S20222)후보 영역 생성 단계에서, 각 하나의 트레이닝 샘플의 사진을 후보 영역 네트워크(RPN)에 입력하고, 다수 개의 후보 영역(region proposals)을 생성하며, 바람직하게, 각 한 장의 사진은 300개 후보 영역을 생성한다. 후보 영역 네트워크(Region　Proposal Networks, 약칭 RPN)는 Faster RCNN 모델 중의 proposal 생성 네트워크이고, 오브젝트 검출의 목표 크기에 매우 큰 차이가 존재할 수 있기에, 따라서 우리는 최대한 상이한 크기의 후보 영역(region proposals)을 생성할 필요가 있다. 단계S20223)후보 영역 맵핑 단계에, 우선 상이한 크기의 후보 영역을 동일한 크기의 사진으로 전환하고, 다음 각 하나의 트레이닝 샘플의 사진의 후보 영역(region proposals)을 컨볼루션 신경 네트워크의 최후의 한 층의 컨볼루션층의 특징 이미지(feature map)에 맵핑한다. 단계S20224)분류기 생성 단계는 다수 개의 트레이닝 샘플의 사진 특징 이미지(feature maps) 및 후보 영역(region proposals)을 수집하고, 후보 영역의 특징 이미지(proposal feature maps)를 산출하며, 분류기 네트워크(classfier 네트워크)에 발송하여, 분류기를 생성한다. 상기 분류기 네트워크에서, 동일한 물품에 대응되는 모든 트레이닝 샘플 사진의 특징 이미지는 상기 물품의 조별 마크와 대응 관계를 형성하고, 상기 조별 마크는 상기 그룹의 사진 샘플에 대응되는 물품의 종류이다.
단계S2023)교차 검증 단계에서, 다수 그룹의 테스트 샘플의 각 하나의 사진 및 각 하나의 그룹 테스트 샘플의 조별 마크에 따라 상기 그룹핑 모델을 검증하고, 모델 정확도를 산출한다. 도 14에 도시된 바와 같이, 단계S2023)교차 검증 단계는 단계S20231)테스트 샘플 입력 단계 및 단계S20232)정확도 산출 단계를 포함한다. 단계S20231)테스트 샘플 입력 단계에서 다수 개의 테스트 샘플의 각 하나의 사진을 상기 그룹핑 모델에 입력하고, 다수 개의 테스트 샘플의 테스트 조별 마크를 획득한다. 단계S20232)정확도 산출 단계에서 다수 개의 테스트 샘플의 테스트 조별 마크를 상기 테스트 샘플의 조별 마크와 대조하여, 동일한 마크의 개수와 상기 테스트 샘플의 개수의 비율을 산출하고, 상기 비율은 상기 초급 데이터 모델의 정확도이다. 상기 그룹핑 모델의 정확도가 미리 설정한 기설정 한계 값보다 작을 경우, 상기 샘플 분류 단계로 되돌아간다. 상기 그룹핑 모델의 정확도가 상기 기설정 한계 값보다 크거나 같을 경우, 상기 그룹핑 모델은 물품 인식 모델이다. 바람직하게, 기설정 한계 값을 90%로 설정하고, 그룹핑 모델의 정확도가 90%보다 작을 경우, 상기 샘플 분류 단계로 되돌아가고, 샘플을 다시 그룹핑하고, 다시 트레이닝하며; 상기 그룹핑 모델의 정확도가 90%보다 크거나 같을 경우, 상기 그룹핑 모델은 물품 인식 모델인 것으로 인정할 수 있다.
만약 모델 트레이닝의 샘플이 충분히 많고, 샘플의 해상도가 비교적 높으면, 직접 한 차례 트레이닝하여, Faster RCNN 네트워크 모델을 이용하여 하나의 그룹핑 모델을 트레이닝할 수 있고, 상기 그룹핑 모델은 사진에 표시되는 물품의 종류를 효과적으로 판단할 수 있다. 단계S202)모델 트레이닝 단계는 단계S2022)그룹핑 모델 트레이닝 단계를 포함하고, 단계S201)샘플 수집 단계에서 수집한 다수 그룹 사진 샘플의 전부 또는 일부를 트레이닝 샘플로 하며, 각 하나의 트레이닝 사진 및 그 조별 마크를 컨볼루션 신경 네트워크 모델에 입력하고, 트레이닝을 거친 후 그룹핑 모델을 획득하며, 상기 그룹핑 모델은 물품 인식 모델이다.
단계S203)실시간 사진 수집 단계에서, 적어도 하나의 실시간 사진을 연속적으로 수집하고, 각 하나의 실시간 사진은 하나의 물품 영상의 일부분 또는 전부를 포함한다. 단계S203)실시간 사진 수집 단계에서 제2 사진 수집 단계를 포함하고, 각 하나의 물품 다수 개의 사진을 촬영하며, 촬영횟수는 10 내지 200회이다. 상기 진열대의 네 개의 코너 부분에 하나의 제2 카메라(206)를 각각 설치하고, 각 하나의 제2 카메라(206)의 시야 범위는 상기 진열대 전방의 공간 영역을 커버하며, 각 하나의 제2 카메라(206)의 렌즈는 상기 진열대 평면의 중심 영역에 향한다. 사용자가 손을 뻗어 어느 한 물품을 진열대에서 가져오거나 또는 어느 한 물품을 진열대에 놓을 경우, 네 개의 제2 카메라(206)는 상이한 각도에서 상기 물품의 전체 또는 일부 사진을 촬영할 수 있다. 사용자가 물품을 쥐고 진열대 전방에서 1초 머물면, 네 개의 제2 카메라(206)는 1초내에 상이한 각도의 120장 실시간 사진을 획득할 수 있고, 각 하나의 사진의 표시 내용은 사용자의 손 및 물품의 일부를 포함할 수 있다. 제2 카메라(206)는 장시간 전류가 흐르거나 가동되는 기기일 수 있고, 진열대에 하나의 적외선 스위치를 설치할 수도 있으며, 제2 카메라(206)에 연결되고, 평소에는 전류가 차단된 상태이며, 사용자가 진열대 근처에 접근할 경우, 적외선 스위치는 열량을 감지하여 연통되고, 제2 카메라(206)를 전류가 통하여 가동되며; 사용자가 떠날 경우, 적외선 스위치는 열량을 감지할 수 없기에 차단되며, 제2 카메라(206)는 전류가 차단되어 꺼진다.
단계S204)물품 종류 획득 단계에서, 상기 실시간 사진 및 상기 물품 인식 모델에 따라 상기 실시간 사진에 표시되는 물품의 종류를 판단한다. 도 15에 도시된 바와 같이, 단계S204)종류 판단 단계는 단계S2041)조별 마크 획득 단계 및 단계S2042)마크 신뢰도 산출 단계를 더 포함한다. 단계S2041)조별 마크 획득 단계에서, 다수 개의 실시간 사진을 상기 물품 인식 모델에 입력하고, 다수 개의 실시간 사진에 대응되는 다수 개의 조별 마크를 획득하여; 단계S2042)마크 신뢰도 산출 단계에서, 각 한가지 조별 마크의 개수와 전부의 조별 마크 총수의 비율을 산출하고, 상기 비율은 즉 각 한가지 조별 마크의 신뢰도이고, 신뢰도가 가장 큰 조별 마크에 대응되는 물품의 종류는 상기 실시간 사진에 표시되는 물품의 종류이다. 단계S204)를 수행 완료한 후, 단계S203)실시간 사진 수집 단계에 되돌아가고, 다음 번에 물품이 이동되거나 반환될 경우 물품 사진을 즉시 촬영한다.
도 16에 도시된 바와 같이, 단계S2041)조별 마크 획득 단계는, 단계S20411)제2 특징 추출 단계, 단계S20412)제2 후보 영역 생성 단계, 단계S20413)제2 후보 영역 맵핑 단계 및 단계S20414)조별 획득 단계를 포함한다. 단계S20411)제2 특징 추출 단계에서 하나의 실시간 사진을 컨볼루션 신경 네트워크(CNN)에 입력하고, 특징을 추출하며, 특징 이미지(feature map)를 획득한다. 단계S20412)제2 후보 영역 생성 단계에서 상기 실시간 사진을 후보 영역 네트워크(RPN)에 입력하고, 다수 개의 후보 영역(region proposals)을 생성하며, 각 한 장의 실시간 사진은 300개 후보 영역을 생성한다. 단계S20413)제2 후보 영역 맵핑 단계에서 상기 실시간 사진의 후보 영역(region proposals)을 컨볼루션 신경 네트워크의 최후의 한 층의의 특징 이미지(feature map)에 맵핑한다. 단계S20414)조별 획득 단계에서 다수 개의 사진의 특징 이미지(feature maps) 및 후보 영역(region proposals)을 수집하고, 후보 영역의 특징 이미지(proposal feature maps)를 산출하며, 분류기 네트워크(classfier 네트워크)에 발송하여, 상기 실시간 사진에 대응되는 조별 마크를 획득한다.
단계S2042)마크 신뢰도 산출 단계에서, 상기 가능성 결론에서 상기 가능성 결론 중 각 한가지 조별 마크의 개수와 상기 가능성 결론 중 모든 조별 마크 총수의 비율을 산출하고, 상기 비율은 즉 각 한가지 조별 마크의 신뢰도이고, 신뢰도가 가장 큰 조별 마크에 대응되는 물품의 종류 및/또는 개수는 즉 상기 실시간 사진에 표시되는 물품의 종류 및/또는 개수이다. 상기 60개 조별 마크를 대조하여, 60개 조별 마크에 서로 대응되는 60개 물품 종류에서, 물품 A가 나타나는 횟수가 36이고, 물품 B가 나타나는 횟수가 18이며, 물품 C가 나타나는 횟수가 6이면, 삼자의 신뢰도는 각각 60%, 30% 및 10%이고, 상기 실시간 사진에 표시되는 물품의 종류는 신뢰도가 가장 높은 물품 A인 것으로 간주할 수 있다. 만약 단계S201)샘플 수집 단계에서 수집한 사진 샘플에 다수 개의 동일한 종류 물품이 함께 겹쳐져 있는 사진이 포함되면, 단계S204)물품 종류 획득 단계는 물품의 개수를 부가적으로 판단할 수도 있다.
전문에서 서술한 영상 모니터링에 기반하는 물품 감지 시스템 및 물품 감지 방법은, 진열대 전방 공간의 실시간 사진에 따라 진열대에서 물품의 이착 상태, 가져갔거나 또는 반환된 물품의 구체적인 종류를 판단할 수 있고, 중량 모니터링에 기반하는 물품 감지 시스템을 결부하면 물품 개수를 정확하게 판단할 수 있으며, 사용자 신분 인식 기술 및 사용자 포지셔닝 추적 기술을 결부하면, 가져갔거나 또는 반환된 물품의 사용자 신분을 정확히 판단할 수 있음으로써, 상기 사용자 구매 데이터 베이스에서 구매 기록을 정확히 추가 또는 삭체하여, 사용자가 구매 종료한 후 자동으로 결산할 수 있다.
상기 내용은 단지 본 발명의 바람직한 실시예로서 본 기술분야의 통상의 기술자가 본 발명을 어떻게 실천하는 지에 대한 분명한 이해를 위한 것으로서, 이러한 실시예는 본 발명의 범위를 한정하지 않는다. 본 기술분야의 통상의 기술자는 본 발명의 원리를 벗어나지 않는 전제하에서 약간의 개선과 수식을 진행할 수 있으며 이러한 개선과 수식은 본 발명의 보호 범위에 속하는 것으로 간주해야 한다.
1: 밀폐 공간,
2: 진열대,
3: 브라켓,
4: 트레이,
5: 프레임 플레이트,
7: 데이터 처리 기기,
100: 사용자 신분 인식 시스템,
101: 출입 통제 장치,
102: 신분 인식 장치,
1021: 코드 스캔 장치,
1022: 신분 획득 유닛,
103: 사용자 입구,
104: 사용자 출구,
200: 목표물 포지셔닝 시스템,
201: 3차원 영상 수집 장치,
202: 목표물 좌표 획득 유닛,
2011: 영상 센서,
2012: 레인지 이미지 센서,
2013: RGB 이미지 센서,
2014: 3차원 영상 정합 유닛,
2021: 좌표계 구축 유닛,
2022: 파라미터 획득 유닛,
2023: 배경 제거 유닛,
2024: 목표물 좌표 산출 유닛,
20221: 센서 좌표 획득 유닛,
20222: 상대 좌표 획득 유닛,
20223: 좌표 수정 유닛,
400: 영상 모니터링에 기반하는 물품 감지 시스템,
401: 샘플 수집 유닛,
402: 모델 트레이닝 유닛,
403: 실시간 사진 수집 유닛,
404: 물품 종류 획득 유닛,
405: 제1 카메라,
406: 제2 카메라,
407: 반환 물품 확인 유닛,
408: 취득 물품 확인 유닛,
4021: 샘플 분류 유닛,
4022: 그룹핑 모델 트레이닝 유닛,
4023: 교차 검증 유닛,
40221: 특징 추출 유닛,
40222: 후보 영역 생성 유닛,
40223: 후보 영역 맵핑 유닛,
40224: 분류기 생성 유닛,
40231: 테스트 샘플 입력 유닛,
40232: 정확도 산출 유닛,
4041: 조별 마크 획득 유닛,
4042: 마크 신뢰도 산출 유닛,
40411: 제2 특징 추출 유닛,
40412: 제2 후보 영역 생성 유닛,
40413: 제2 후보 영역 맵핑 유닛,
40414: 조별 획득 유닛,
500: 구매 사용자 판단 시스템,
501: 물품 정보 저장 유닛,
502: 프레임 플레이트 좌표 저장 유닛,
503: 프레임 플레이트와 사용자 매칭 판단 유닛,
504: 물품과 사용자 매칭 판단 유닛,
600: 구매 정보 기록 유닛,
601: 구매 데이터 베이스 생성 유닛,
602: 구매 데이터 베이스 업데이트 유닛,
700: 결산 시스템,
701: 총금액 산출 유닛,
702: 결제 유닛.

Claims (16)

  1. 적어도 하나의 물품이 놓여지는 적어도 하나의 진열대;
    다수 그룹의 사진 샘플을 수집하고, 각 하나의 그룹의 사진 샘플은 한가지 물품이 여러 각도에서의 다수 개의 샘플 사진을 포함하고; 동일한 종류 물품의 한 그룹의 사진 샘플에 동일한 조별 마크가 설치되어 있으며, 상기 조별 마크는 상기 그룹의 사진 샘플에 대응되는 물품의 종류인 샘플 수집 유닛,
    다수 그룹의 사진 샘플 중의 각 하나의 샘플 사진 및 그 조별 마크에 따라 컨볼루션 신경 네트워크 모델을 트레이닝하여, 물품 인식 모델을 획득하는 모델 트레이닝 유닛,
    진열대 전방 공간의 적어도 하나의 실시간 사진을 연속적으로 수집하고, 각 하나의 실시간 사진은 물품 사진의 일부 또는 전부를 포함하는 실시간 사진 수집 유닛, 및
    상기 실시간 사진을 상기 물품 인식 모델에 적용하여 상기 실시간 사진에 표시되는 물품의 종류 및 개수를 결정하는 물품 종류 획득 유닛; 을 포함하는 데이터 처리 기기;
    상기 샘플 수집 유닛에 연결되고, 각 하나의 물품의 다수 개의 각도의 사진을 촬영하는 제1 카메라; 및
    상기 실시간 사진 수집 유닛에 연결되고, 진열대 전방 공간의 실시간 사진을 촬영하는 제2 카메라; 를 포함하며;
    각각의 제2 카메라의 렌즈는 진열대 전방의 공간 영역의 중부를 향하며, 다수 개의 제2 카메라의 렌즈의 시야 범위는 상기 진열대 전방 공간을 커버(覆盖)하는 것을 특징으로 하는 영상 모니터링에 기반하는 물품 감지 시스템.
  2. 제 1항에 있어서,
    상기 제2 카메라의 개수는 두 개 또는 네 개이고;
    상기 제2 카메라의 렌즈의 중심축과 수평면의 협각은 30 내지 60도이고; 및/또는,
    상기 제2 카메라의 렌즈와 상기 진열대 상단 또는 하단의 거리는 0.8 내지 1.2미터이며; 및/또는,
    상기 제2 카메라의 렌즈와 상기 진열대 일 측변의 거리는 0.8 내지 1.2미터인 것을 특징으로 하는 영상 모니터링에 기반하는 물품 감지 시스템.
  3. 제 1항에 있어서,
    상기 모델 트레이닝 유닛은,
    다수 그룹의 트레이닝 샘플의 각 하나의 샘플 사진 및 그 조별 마크를 컨볼루션 신경 네트워크 모델에 입력하고, 트레이닝을 거친 후 그룹핑 모델을 획득하는 그룹핑 모델 트레이닝 유닛; 을 포함하며,
    상기 트레이닝 샘플은 상기 다수 그룹의 사진 샘플의 전부 또는 일부이고, 상기 그룹핑 모델은 물품 인식 모델인 것을 특징으로 하는 영상 모니터링에 기반하는 물품 감지 시스템.
  4. 제 3항에 있어서,
    상기 모델 트레이닝 유닛은,
    다수 그룹의 상기 사진 샘플을 각각 트레이닝 샘플 및 테스트 샘플 두 종류로 무작위로 나누는 샘플 분류 유닛;
    다수 그룹의 트레이닝 샘플의 각 하나의 샘플 사진 및 그 조별 마크를 컨볼루션 신경 네트워크 모델에 입력하고, 트레이닝을 거친 후 그룹핑 모델을 획득하는 그룹핑 모델 트레이닝 유닛; 및
    다수 그룹의 테스트 샘플의 각 하나의 사진 및 각 하나의 그룹 테스트 샘플의 조별 마크에 따라 상기 그룹핑 모델을 검증하고, 모델 정확도를 산출하는 교차 검증 유닛을 포함하며,
    상기 그룹핑 모델의 정확도가 기설정 한계 값보다 작을 경우, 상기 샘플 분류 유닛으로 되돌아가고; 상기 그룹핑 모델의 정확도가 상기 기설정 한계 값보다 크거나 같을 경우, 상기 그룹핑 모델은 물품 인식 모델인 것을 포함하는 것을 특징으로 하는 영상 모니터링에 기반하는 물품 감지 시스템.
  5. 제 3항 또는 제 4항에 있어서,
    상기 그룹핑 모델 트레이닝 유닛은,
    각 하나의 트레이닝 샘플의 사진을 컨볼루션 신경 네트워크에 입력하고, 특징을 추출하며, 특징 이미지를 획득하는 특징 추출 유닛;
    각 하나의 트레이닝 샘플의 사진을 후보 영역 네트워크에 입력하고, 다수 개의 후보 영역을 생성하는 후보 영역 생성 유닛;
    각 하나의 트레이닝 샘플의 사진 후보 영역을 컨볼루션 신경 네트워크의 최후의 한 층의 컨볼루션층의 특징 이미지에 맵핑하는 후보 영역 맵핑 유닛;
    다수 개의 트레이닝 샘플의 사진 특징 이미지 및 후보 영역을 수집하고, 후보 영역의 특징 이미지를 산출하며, 분류기 네트워크에 발송하여, 분류기를 생성하는 분류기 생성 유닛; 을 포함하는 것을 특징으로 하는 영상 모니터링에 기반하는 물품 감지 시스템.
  6. 제 4항에 있어서,
    상기 교차 검증 유닛은,
    다수 개의 테스트 샘플의 각 하나의 사진을 상기 그룹핑 모델에 입력하고, 다수 개의 테스트 샘플의 테스트 조별 마크를 획득하는 테스트 샘플 입력 유닛; 및
    다수 개의 테스트 샘플의 테스트 조별 마크를 상기 테스트 샘플의 조별 마크와 대조하여, 동일한 마크의 개수와 상기 테스트 샘플의 개수의 비율을 산출하고, 상기 비율은 상기 그룹핑 모델의 정확도인 정확도 산출 유닛; 을 포함하는 것을 특징으로 하는 영상 모니터링에 기반하는 물품 감지 시스템.
  7. 제 1항에 있어서,
    상기 물품 종류 획득 유닛은,
    다수 개의 실시간 사진을 상기 물품 인식 모델에 입력하고, 다수 개의 실시간 사진에 대응되는 다수 개의 조별 마크를 획득하여, 가능성 결론으로 하는 조별 마크 획득 유닛; 및
    상기 가능성 결론 중 각 한가지 조별 마크의 개수와 상기 가능성 결론 중 모든 조별 마크 총수의 비율에 있어서, 상기 비율은 각 한가지 조별 마크의 신뢰도이고, 신뢰도가 가장 큰 조별 마크에 대응되는 물품의 종류 및/또는 개수는 상기 실시간 사진에 표시되는 물품의 종류 및/또는 개수인 마크 신뢰도 산출 유닛; 을 더 포함하는 것을 특징으로 하는 영상 모니터링에 기반하는 물품 감지 시스템.
  8. 제 7항에 있어서,
    상기 조별 마크 획득 유닛은,
    실시간 사진을 컨볼루션 신경 네트워크에 입력하고, 특징을 추출하며, 특징 이미지를 획득하는 제2 특징 추출 유닛;
    상기 실시간 사진을 후보 영역 네트워크에 입력하고, 다수 개의 후보 영역을 생성하는 제2 후보 영역 생성 유닛;
    상기 실시간 사진의 후보 영역을 컨볼루션 신경 네트워크의 최후의 한 층의 특징 이미지에 맵핑하는 제2 후보 영역 맵핑 유닛; 및
    다수 개의 사진의 특징 이미지와 후보 영역을 수집하고, 후보 영역의 특징 이미지를 산출하며, 분류기 네트워크에 발송하여, 상기 실시간 사진에 대응되는 조별 마크를 획득하는 조별 획득 유닛; 을 포함하는 것을 특징으로 하는 영상 모니터링에 기반하는 물품 감지 시스템.
  9. 물품 감지 시스템에 적용되는 영상 모니터링에 기반하는 물품 감지 방법에 있어서,
    상기 물품 감지 시스템은,
    적어도 하나의 물품이 놓여지는 적어도 하나의 진열대;
    각 하나의 물품의 다수 개의 각도의 사진을 촬영하는 제1 카메라;
    진열대 전방 공간의 실시간 사진을 촬영하는 제2 카메라; 및
    상기 제1 카메라 및 제2 카메라에 연결되는 데이터 처리 기기; 를 포함하고,
    각각의 제2 카메라의 렌즈는 진열대 전방의 공간 영역의 중부를 향하며, 다수 개의 제2 카메라의 렌즈의 시야 범위는 상기 진열대 전방 공간을 커버하며,
    상기 물품 감지 방법은,
    상기 데이터 처리 기기에 의해 다수 그룹의 사진 샘플을 수집하고, 각 하나의 그룹의 사진 샘플은 한가지 물품이 여러 각도에서의 다수 개의 샘플 사진을 포함하고; 동일한 종류 물품의 한 그룹의 사진 샘플에 동일한 조별 마크가 설치되어 있으며, 상기 조별 마크는 상기 그룹의 사진 샘플에 대응되는 물품의 종류인 샘플 수집 단계;
    상기 데이터 처리 기기에 의해 다수 그룹의 사진 샘플 중의 각 하나의 샘플 사진 및 그 조별 마크에 따라 컨볼루션 신경 네트워크 모델을 트레이닝하여, 물품 인식 모델을 획득하는 모델 트레이닝 단계;
    상기 데이터 처리 기기에 의해 상기 진열대 전방 공간의 적어도 하나의 실시간 사진을 연속적으로 수집하고, 각 하나의 실시간 사진은 물품 사진의 일부 또는 전부를 포함하는 실시간 사진 수집 단계; 및
    상기 데이터 처리 기기에 의해 상기 실시간 사진을 상기 물품 인식 모델에 적용하여 상기 실시간 사진에 표시되는 물품의 종류 및 개수를 결정하는 물품 종류 획득 단계; 를 포함하는 것을 특징으로 하는 영상 모니터링에 기반하는 물품 감지 방법.
  10. 제 9항에 있어서,
    상기 모델 트레이닝 단계는,
    상기 데이터 처리 기기에 의해 다수 그룹의 트레이닝 샘플의 각 하나의 샘플 사진 및 그 조별 마크를 컨볼루션 신경 네트워크 모델에 입력하고, 트레이닝을 거친 후 그룹핑 모델을 획득하는 그룹핑 모델 트레이닝 단계; 를 포함하며,
    상기 트레이닝 샘플은 상기 다수 그룹의 사진 샘플의 전부 또는 일부이고, 상기 그룹핑 모델은 물품 인식 모델인 것을 특징으로 하는 영상 모니터링에 기반하는 물품 감지 방법.
  11. 제 9항에 있어서,
    상기 모델 트레이닝 단계는,
    상기 데이터 처리 기기에 의해 다수 그룹의 상기 사진 샘플을 각각 트레이닝 샘플 및 테스트 샘플 두 종류로 무작위로 나누는 샘플 분류 단계;
    상기 데이터 처리 기기에 의해 다수 그룹의 트레이닝 샘플의 각 하나의 샘플 사진 및 그 조별 마크를 컨볼루션 신경 네트워크 모델에 입력하고, 트레이닝을 거친 후 그룹핑 모델을 획득하는 그룹핑 모델 트레이닝 단계; 및
    상기 데이터 처리 기기에 의해 다수 그룹의 테스트 샘플의 각 하나의 사진 및 각 하나의 그룹 테스트 샘플의 조별 마크에 따라 상기 그룹핑 모델을 검증하고, 모델 정확도를 산출하며; 상기 그룹핑 모델의 정확도가 기설정 한계 값보다 작을 경우, 상기 샘플 분류 단계로 되돌아가고; 상기 그룹핑 모델의 정확도가 상기 기설정 한계 값보다 크거나 같을 경우, 상기 그룹핑 모델은 물품 인식 모델인 교차 검증 단계; 를 포함하는 것을 특징으로 하는 영상 모니터링에 기반하는 물품 감지 방법.
  12. 제 10항 또는 제 11항에 있어서,
    상기 그룹핑 모델 트레이닝 단계는,
    상기 데이터 처리 기기에 의해 각 하나의 트레이닝 샘플의 사진을 컨볼루션 신경 네트워크에 입력하고, 특징을 추출하며, 특징 이미지를 획득하는 특징 추출 단계;
    상기 데이터 처리 기기에 의해 각 하나의 트레이닝 샘플의 사진을 후보 영역 네트워크에 입력하고, 다수 개의 후보 영역을 생성하는 후보 영역 생성 단계;
    상기 데이터 처리 기기에 의해 각 하나의 트레이닝 샘플의 사진 후보 영역을 컨볼루션 신경 네트워크의 최후의 한 층의 컨볼루션층의 특징 이미지에 맵핑하는 후보 영역 맵핑 단계;
    상기 데이터 처리 기기에 의해 다수 개의 트레이닝 샘플의 사진 특징 이미지 및 후보 영역을 수집하고, 후보 영역의 특징 이미지를 산출하며, 분류기 네트워크에 발송하여, 분류기를 생성하는 분류기 생성 단계; 를 포함하는 것을 특징으로 하는 영상 모니터링에 기반하는 물품 감지 방법.
  13. 제 11항에 있어서,
    상기 교차 검증 단계는,
    상기 데이터 처리 기기에 의해 다수 개의 테스트 샘플의 각 하나의 사진을 상기 그룹핑 모델에 입력하고, 다수 개의 테스트 샘플의 테스트 조별 마크를 획득하는 테스트 샘플 입력 단계; 및
    상기 데이터 처리 기기에 의해 다수 개의 테스트 샘플의 테스트 조별 마크를 상기 테스트 샘플의 조별 마크와 대조하여, 동일한 마크의 개수와 상기 테스트 샘플의 개수의 비율을 산출하고, 상기 비율은 상기 그룹핑 모델의 정확도인 정확도 산출 단계; 를 포함하는 것을 특징으로 하는 영상 모니터링에 기반하는 물품 감지 방법.
  14. 제 9항에 있어서,
    상기 물품 종류 획득 단계는,
    상기 데이터 처리 기기에 의해 다수 개의 실시간 사진을 상기 물품 인식 모델에 입력하고, 다수 개의 실시간 사진에 대응되는 다수 개의 조별 마크를 획득하여, 가능성 결론으로 하는 조별 마크 획득 단계; 및
    상기 데이터 처리 기기에 의해 상기 가능성 결론 중 각 한가지 조별 마크의 개수와 상기 가능성 결론 중 모든 조별 마크 총수의 비율을 산출하며, 상기 비율은 각 한가지 조별 마크의 신뢰도이고, 신뢰도가 가장 큰 조별 마크에 대응되는 물품의 종류 및/또는 개수는 상기 실시간 사진에 표시되는 물품의 종류 및/또는 개수인 마크 신뢰도 산출 단계; 를 더 포함하는 것을 특징으로 하는 영상 모니터링에 기반하는 물품 감지 방법.
  15. 제 9항에 있어서,
    상기 조별 마크 획득 단계는,
    상기 데이터 처리 기기에 의해 실시간 사진을 컨볼루션 신경 네트워크에 입력하고, 특징을 추출하며, 특징 이미지를 획득하는 제2 특징 추출 단계;
    상기 데이터 처리 기기에 의해 상기 실시간 사진을 후보 영역 네트워크에 입력하고, 다수 개의 후보 영역을 생성하는 제2 후보 영역 생성 단계;
    상기 데이터 처리 기기에 의해 상기 실시간 사진의 후보 영역을 컨볼루션 신경 네트워크의 최후의 한 층의 특징 이미지에 맵핑하는 제2 후보 영역 맵핑 단계; 및
    상기 데이터 처리 기기에 의해 다수 개의 사진의 특징 이미지와 후보 영역을 수집하고, 후보 영역의 특징 이미지를 산출하며, 분류기 네트워크에 발송하여, 상기 실시간 사진에 대응되는 조별 마크를 획득하는 조별 획득 단계; 를 포함하는 것을 특징으로 하는 영상 모니터링에 기반하는 물품 감지 방법.
  16. 삭제
KR1020207006089A 2017-12-18 2018-11-23 영상 모니터링에 기반하는 물품 감지 시스템 및 물품 감지 방법 KR102454854B1 (ko)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
CN201711366390 2017-12-18
CN201810078256.2 2018-01-26
CN201810078256.2A CN108520194A (zh) 2017-12-18 2018-01-26 基于影像监测的货品感知系统及货品感知方法
PCT/CN2018/117326 WO2019144690A1 (zh) 2017-12-18 2018-11-23 基于影像监测的货品感知系统及货品感知方法

Publications (2)

Publication Number Publication Date
KR20200037833A KR20200037833A (ko) 2020-04-09
KR102454854B1 true KR102454854B1 (ko) 2022-10-14

Family

ID=62926467

Family Applications (3)

Application Number Title Priority Date Filing Date
KR1020207006089A KR102454854B1 (ko) 2017-12-18 2018-11-23 영상 모니터링에 기반하는 물품 감지 시스템 및 물품 감지 방법
KR1020207009712A KR102378059B1 (ko) 2017-12-18 2018-11-23 중량 모니터링 기반의 물품 감지 시스템 및 물품 감지 방법
KR1020207002600A KR102510679B1 (ko) 2017-12-18 2018-11-23 목표물 위치 결정 시스템 및 위치 결정 방법

Family Applications After (2)

Application Number Title Priority Date Filing Date
KR1020207009712A KR102378059B1 (ko) 2017-12-18 2018-11-23 중량 모니터링 기반의 물품 감지 시스템 및 물품 감지 방법
KR1020207002600A KR102510679B1 (ko) 2017-12-18 2018-11-23 목표물 위치 결정 시스템 및 위치 결정 방법

Country Status (8)

Country Link
US (3) US20200202163A1 (ko)
EP (3) EP3745296A4 (ko)
JP (4) JP7078275B2 (ko)
KR (3) KR102454854B1 (ko)
CN (10) CN108492482B (ko)
AU (5) AU2018102235A4 (ko)
SG (3) SG11202003731PA (ko)
WO (4) WO2019120039A1 (ko)

Families Citing this family (109)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108492482B (zh) * 2017-12-18 2020-11-03 上海云拿智能科技有限公司 货品监控系统及监控方法
WO2019152503A1 (en) * 2018-01-30 2019-08-08 PAR Excellence Systems, Inc. Supply storage holder and system
CN108652332A (zh) 2018-04-19 2018-10-16 上海云拿智能科技有限公司 悬挂式货架
WO2020003221A1 (en) * 2018-06-28 2020-01-02 Shekel Scales (2008) Ltd Systems and methods for weighing products on a shelf
CN108921540A (zh) * 2018-07-09 2018-11-30 南宁市安普康商贸有限公司 基于购买者位置定位的开放式自助销售方法及系统
EP3613638A1 (en) 2018-08-10 2020-02-26 Lg Electronics Inc. Vehicle display system for vehicle
CN109448237B (zh) * 2018-08-29 2019-10-11 拉卡拉汇积天下技术服务（北京）有限公司 无人售货装置及其上货方法和控制系统
CN109658596A (zh) * 2018-09-12 2019-04-19 盈奇科技（深圳）有限公司 一种重力感应自动售货机
CN109461255A (zh) * 2018-09-12 2019-03-12 湖南金码智能设备制造有限公司 一种用于售货机的自适应检测接取商品状态的装置和方法
CN109859377A (zh) * 2018-09-12 2019-06-07 盈奇科技（深圳）有限公司 一种重力感应自动售货机重力感应部分连接结构
CN109741533A (zh) * 2018-09-12 2019-05-10 盈奇科技（深圳）有限公司 一种重力感应自动售货机固定结构
CN110895747B (zh) * 2018-09-13 2024-04-02 阿里巴巴集团控股有限公司 商品信息识别、显示、信息关联、结算方法及系统
CN109214484B (zh) * 2018-09-20 2021-07-13 深圳蓝胖子机器智能有限公司 无人便利店控制方法、装置和计算机可读存储介质
CN109330284B (zh) * 2018-09-21 2020-08-11 京东方科技集团股份有限公司 一种货架系统
CN109512217A (zh) * 2018-09-27 2019-03-26 安徽国药医疗科技有限公司 一种基于智能货架的物品管理系统
CN109341763B (zh) * 2018-10-10 2020-02-04 广东长盈科技股份有限公司 一种基于物联网的运输数据采集系统及方法
CN109409291B (zh) * 2018-10-26 2020-10-30 虫极科技（北京）有限公司 智能货柜的商品识别方法和系统及购物订单的生成方法
CN109685979A (zh) * 2018-11-01 2019-04-26 深圳市友族科技有限公司 一种无人售货柜及无人售货方法
CN109581532A (zh) * 2018-11-12 2019-04-05 百度在线网络技术（北京）有限公司 用于确定被取走或放置的物品的位置的设备、方法及货架
CN109363450A (zh) * 2018-12-03 2019-02-22 深圳市力合鑫源智能技术有限公司 智能货架及货架上被取走或被添加物品位置的识别方法
CN109741519B (zh) * 2018-12-10 2021-01-19 深圳市思拓通信系统有限公司 一种无人超市货架监控系统及其控制方法
CN111325049A (zh) * 2018-12-13 2020-06-23 北京京东尚科信息技术有限公司 商品识别方法、装置、电子设备及可读介质
CN109598874A (zh) * 2018-12-18 2019-04-09 北京缤歌网络科技有限公司 一种显示控制方法
US11017641B2 (en) * 2018-12-21 2021-05-25 Sbot Technologies Inc. Visual recognition and sensor fusion weight detection system and method
CN109726759B (zh) * 2018-12-28 2021-08-17 北京旷视科技有限公司 无人售货方法、装置、系统、电子设备及计算机可读介质
CN109711360B (zh) * 2018-12-29 2021-03-30 北京沃东天骏信息技术有限公司 售货机风险控制方法、装置和控制系统
CN111222389B (zh) * 2019-01-10 2023-08-29 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
CN109872448A (zh) * 2019-01-19 2019-06-11 创新奇智(广州)科技有限公司 一种异物检测方法、计算机可读存储介质及检测系统
CN111222870B (zh) * 2019-01-24 2024-02-27 图灵通诺（北京）科技有限公司 结算方法、装置和系统
CN109858446A (zh) * 2019-01-31 2019-06-07 深兰科技（上海）有限公司 一种新零售场景下物品注册方法及装置
CN109840504B (zh) * 2019-02-01 2022-11-25 腾讯科技（深圳）有限公司 物品取放行为识别方法、装置、存储介质及设备
CN111523348B (zh) * 2019-02-01 2024-01-05 百度（美国）有限责任公司 信息生成方法和装置、用于人机交互的设备
CN109919040B (zh) * 2019-02-15 2022-04-19 北京清瞳时代科技有限公司 货物的品规信息识别方法及装置
CN109829348A (zh) * 2019-02-25 2019-05-31 浙江工业大学 基于stm32单片机的食品信息采集系统
CN111507702A (zh) * 2019-03-07 2020-08-07 河源市联腾实业有限公司 无人超市自助购物方法、计算机可读存储介质及系统
CN109977826B (zh) * 2019-03-15 2021-11-02 百度在线网络技术（北京）有限公司 物体的类别识别方法和装置
CN110007755A (zh) * 2019-03-15 2019-07-12 百度在线网络技术（北京）有限公司 基于动作识别的物体事件触发方法、装置及其相关设备
CN109977825B (zh) * 2019-03-15 2021-06-25 百度在线网络技术（北京）有限公司 物品识别方法及装置
CN110009836A (zh) * 2019-03-29 2019-07-12 江西理工大学 基于高光谱摄像技术的深度学习的系统及方法
CN110147723B (zh) * 2019-04-11 2022-08-19 苏宁云计算有限公司 一种无人店中顾客异常行为的处理方法及系统
CN110321797A (zh) * 2019-05-31 2019-10-11 苏宁云计算有限公司 商品识别方法和装置
CN110175590A (zh) * 2019-05-31 2019-08-27 北京华捷艾米科技有限公司 一种商品识别方法及装置
CN110260796A (zh) * 2019-06-04 2019-09-20 上海追月科技有限公司 货品感知系统、货品感知方法及电子设备
CN110150906A (zh) * 2019-06-04 2019-08-23 上海追月科技有限公司 托盘及货架
CN110197561A (zh) * 2019-06-10 2019-09-03 北京华捷艾米科技有限公司 一种商品识别方法、装置及系统
CN112115745A (zh) * 2019-06-21 2020-12-22 杭州海康威视数字技术股份有限公司 一种商品漏扫码行为识别方法、装置及系统
CN110298961A (zh) * 2019-06-28 2019-10-01 北京云迹科技有限公司 用于机器人的计费方法及装置
CN110403400B (zh) * 2019-07-16 2020-09-08 合肥美的智能科技有限公司 货柜
US20210027104A1 (en) * 2019-07-25 2021-01-28 Microsoft Technology Licensing, Llc Eyes-off annotated data collection framework for electronic messaging platforms
CN110837824B (zh) * 2019-08-09 2022-12-16 达闼科技（北京）有限公司 用于售货装置中的商品识别方法、售货装置及存储介质
CN111783509A (zh) * 2019-08-29 2020-10-16 北京京东尚科信息技术有限公司 自动结算方法、装置、系统和存储介质
JP7368982B2 (ja) 2019-09-05 2023-10-25 東芝テック株式会社 販売管理システム及び販売管理方法
CN112466035B (zh) * 2019-09-06 2022-08-12 图灵通诺（北京）科技有限公司 基于视觉和重力感应的商品识别方法、装置和系统
CN110717593B (zh) * 2019-10-14 2022-04-19 上海商汤临港智能科技有限公司 神经网络训练、移动信息测量、关键帧检测的方法及装置
CN111753614A (zh) * 2019-11-01 2020-10-09 北京京东尚科信息技术有限公司 一种商品货架的监控方法和装置
CN111783513A (zh) * 2019-11-18 2020-10-16 北京沃东天骏信息技术有限公司 货物补充方法、装置和系统
CN111109947A (zh) * 2019-11-28 2020-05-08 上海追月科技有限公司 货架、货品识别方法及电子设备
CN111025417B (zh) * 2019-12-17 2022-04-29 万翼科技有限公司 建材存放区域异常检测方法及相关产品
CN111127174A (zh) * 2020-01-06 2020-05-08 鄂尔多斯市东驿科技有限公司 智能化无人超市控制系统
CN111145409A (zh) * 2020-01-06 2020-05-12 鄂尔多斯市东驿科技有限公司 人体识别定位跟踪系统
CN111207815A (zh) * 2020-01-16 2020-05-29 首钢京唐钢铁联合有限责任公司 一种汽车衡混装计量系统
CN111243166A (zh) * 2020-01-20 2020-06-05 广东优信无限网络股份有限公司 一种用于餐饮售卖机的提示方法
KR102177852B1 (ko) * 2020-01-31 2020-11-11 임시원 정신건강의학의 병원용 자산 관리를 위한 방법 및 장치
US11694501B2 (en) 2020-02-17 2023-07-04 True Manufacturing Co., Inc. Refrigerated vending system and method
CN111429655A (zh) * 2020-02-28 2020-07-17 上海追月科技有限公司 货品识别方法及货品识别系统、存储介质及电子设备
CN111428621A (zh) * 2020-03-20 2020-07-17 京东方科技集团股份有限公司 货架交互方法、装置和货架
CN111476609A (zh) * 2020-04-10 2020-07-31 广西中烟工业有限责任公司 零售数据获取方法、系统、设备及存储介质
CN111540106A (zh) * 2020-04-14 2020-08-14 合肥工业大学 一种无人超市系统
CN111553914B (zh) * 2020-05-08 2021-11-12 深圳前海微众银行股份有限公司 基于视觉的货物检测方法、装置、终端及可读存储介质
CN111667639A (zh) * 2020-05-28 2020-09-15 北京每日优鲜电子商务有限公司 图书归还服务的实现方法、装置及智能图书柜
CN111831673B (zh) * 2020-06-10 2024-04-12 上海追月科技有限公司 货品识别系统、货品识别方法及电子设备
CN111680657B (zh) * 2020-06-15 2023-05-05 杭州海康威视数字技术股份有限公司 一种物品取放事件的触发人员确定方法、装置及设备
CN111738184B (zh) * 2020-06-28 2023-09-26 杭州海康威视数字技术股份有限公司 一种商品取放识别方法、装置、系统及设备
CN111672774B (zh) * 2020-07-30 2021-07-06 梅卡曼德（北京）机器人科技有限公司 一种货品分拣系统及分拣方法
CN113808342B (zh) * 2020-08-19 2023-09-01 北京京东乾石科技有限公司 物品支付方法、装置、计算机可读介质及电子设备
CN111731669A (zh) * 2020-08-26 2020-10-02 江苏神彩科技股份有限公司 危险物品智能监管贮存箱及其监管系统
CN112084940A (zh) * 2020-09-08 2020-12-15 南京和瑞供应链管理有限公司 物资盘点管理系统及方法
KR102253385B1 (ko) * 2020-09-14 2021-05-18 주식회사농심 불량 멀티포장제품 검출시스템
CN112101867A (zh) * 2020-09-15 2020-12-18 四川精益达工程检测有限责任公司 一种用于货架上物品的信息生成方法及系统
CN112309031B (zh) * 2020-09-17 2022-06-07 北京京东乾石科技有限公司 无人货柜混放检测方法、装置、设备及可读存储介质
CN112215167B (zh) * 2020-10-14 2022-12-20 上海爱购智能科技有限公司 一种基于图像识别的智能商店控制方法和系统
CN112515428B (zh) * 2020-11-17 2023-11-03 上海追月科技有限公司 一种货架
JP2022097195A (ja) * 2020-12-18 2022-06-30 トヨタ自動車株式会社 情報処理装置、及び、情報処理方法
JP2022110700A (ja) * 2021-01-19 2022-07-29 東芝テック株式会社 報知装置及び報知方法
CN112419015B (zh) * 2021-01-25 2021-05-25 北京每日优鲜电子商务有限公司 物品信息推送方法、装置、电子设备和计算机可读介质
CN113067847B (zh) * 2021-02-02 2022-07-12 绍兴晨璞网络科技有限公司 一种匹配式超宽带定位系统架构设计方法
CN112985570B (zh) * 2021-02-04 2023-09-29 支付宝(杭州)信息技术有限公司 称重货架的传感器的标定方法和系统
CN112801055B (zh) * 2021-04-01 2021-06-22 湖南云星人工智能研究院有限公司 一种基于薄膜压力传感器阵列的无人超市定位跟踪方法
CN113554809A (zh) * 2021-04-22 2021-10-26 浙江星星冷链集成股份有限公司 一种商品信息更新装置及无人售货系统
CN113554808B (zh) * 2021-04-22 2023-09-29 浙江星星冷链集成股份有限公司 一种上货管理装置及无人售货系统
CN113524194B (zh) * 2021-04-28 2023-03-21 重庆理工大学 基于多模特征深度学习的机器人视觉抓取系统的目标抓取方法
CN113229686A (zh) * 2021-05-21 2021-08-10 上海追月科技有限公司 一种货架
CN113407571B (zh) * 2021-06-30 2023-04-07 重庆博尔德医疗科技股份有限公司 一种基于称重原理的计数方法
CN113558441A (zh) * 2021-07-07 2021-10-29 合肥美的智能科技有限公司 无人售货柜
CN113537773A (zh) * 2021-07-15 2021-10-22 深圳医智联科技有限公司 一种针对检验科培养瓶的管理方法及系统
CN113479534A (zh) * 2021-07-31 2021-10-08 深圳市坤同智能仓储科技有限公司 称重货架的模块化层及货架系统
CN113592339A (zh) * 2021-08-09 2021-11-02 四川长虹智能制造技术有限公司 一种货物信息校准系统、方法及电子设备
CN113421376B (zh) * 2021-08-23 2021-12-28 浙江星星冷链集成股份有限公司 一种无人售货系统
CN113869821A (zh) * 2021-09-23 2021-12-31 云南电力试验研究院(集团)有限公司 一种计量物资识别周转方法和系统
KR102417612B1 (ko) * 2021-10-28 2022-07-06 주식회사 케이엔케이 부품 검사 시스템 및 그 제어방법
CN113706227A (zh) * 2021-11-01 2021-11-26 微晟(武汉)技术有限公司 一种货架商品推荐方法及装置
CN113821674B (zh) * 2021-11-23 2022-02-25 北京中超伟业信息安全技术股份有限公司 一种基于孪生神经网络的智能货物监管方法及系统
CN114140696A (zh) * 2022-01-27 2022-03-04 深圳市慧为智能科技股份有限公司 商品识别系统优化方法、装置、设备及存储介质
CN114559431A (zh) * 2022-03-02 2022-05-31 上海擎朗智能科技有限公司 一种物品配送方法、装置、机器人及存储介质
ES2922762A1 (es) * 2022-05-27 2022-09-20 Ostirion S L U Procedimiento y equipo de localizacion e identificacion optica de instrumentos y aparatos
KR102597927B1 (ko) * 2022-08-16 2023-11-30 주식회사 포르망 화장품의 중량 선별 장치
KR102482821B1 (ko) * 2022-09-06 2022-12-29 주식회사 포이엔 무선 네트워크 기반의 실시간 계측 시스템
CN115510501B (zh) * 2022-11-22 2023-02-28 中汽信息科技(天津)有限公司 一种汽车数据防篡改方法和系统
CN116422602A (zh) * 2023-03-17 2023-07-14 广东铭钰科技股份有限公司 一种一体式产品称重标识检测系统及方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016058106A (ja) * 2016-01-20 2016-04-21 パナソニックＩｐマネジメント株式会社 商品モニタリング装置、商品モニタリングシステムおよび商品モニタリング方法
JP2017157216A (ja) * 2016-02-29 2017-09-07 サインポスト株式会社 情報処理システム

Family Cites Families (109)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3384193A (en) * 1965-02-01 1968-05-21 Toledo Scale Corp Control circuitry
JPS6052366B2 (ja) * 1977-12-02 1985-11-19 オムロン株式会社 重量検知ユニツト
JPH1017121A (ja) * 1996-07-02 1998-01-20 Keiyo Syst Kk 自動棚卸し装置
JP4452786B2 (ja) * 1996-09-29 2010-04-21 雅信 鯨田 遠隔商品販売のための装置及び方法
JP3213696B2 (ja) 1996-11-29 2001-10-02 東芝テック株式会社 買上商品登録装置及びこの登録装置を用いた買上商品決済システム
US6711293B1 (en) * 1999-03-08 2004-03-23 The University Of British Columbia Method and apparatus for identifying scale invariant features in an image and use of same for locating an object in an image
JP2002161942A (ja) * 2000-08-10 2002-06-07 Iau:Kk 免震装置、滑り支承また免震構造
KR20010067855A (ko) * 2001-04-03 2001-07-13 장성계 창고형 매장에서의 중량감지에 의한 상품 재고량 파악시스템
JP3837475B2 (ja) 2001-07-19 2006-10-25 独立行政法人産業技術総合研究所 自動化ショッピングシステム
WO2003086664A2 (en) * 2002-04-12 2003-10-23 Tritek Technologies, Inc. Mail sorting processes and systems
US6747560B2 (en) * 2002-06-27 2004-06-08 Ncr Corporation System and method of detecting movement of an item
US7039222B2 (en) * 2003-02-28 2006-05-02 Eastman Kodak Company Method and system for enhancing portrait images that are processed in a batch mode
CN2634950Y (zh) * 2003-06-06 2004-08-25 何永强 货架柱
CN2788670Y (zh) * 2005-03-25 2006-06-21 李瑞铭 强化支撑架结构
US20080109375A1 (en) * 2006-11-08 2008-05-08 Ricci Christopher P Position-enhanced wireless transaction security
US7949568B2 (en) * 2007-08-31 2011-05-24 Accenture Global Services Limited Determination of product display parameters based on image processing
DE202007016804U1 (de) * 2007-12-01 2008-02-28 Golletz Gmbh Vorrichtung zur regalartigen Anordnung von Warenträgern
CN101604312A (zh) * 2007-12-07 2009-12-16 宗刚 信息的检索管理交流的方法和系统
US20090177089A1 (en) * 2008-01-04 2009-07-09 Assaf Govari Three-dimensional image reconstruction using doppler ultrasound
CN101281597B (zh) * 2008-04-25 2011-06-22 北京工业大学 一种产品包装图形标识信息在线实时采集识别装置及方法
KR100988754B1 (ko) * 2008-07-10 2010-10-25 박찬용 자동판매 기능을 갖는 무인 점포 시스템
KR101467509B1 (ko) 2008-07-25 2014-12-01 삼성전자주식회사 이미지 센서 및 이미지 센서 동작 방법
US8165929B2 (en) * 2008-08-04 2012-04-24 Chudy Group, LLC Adaptive pharmaceutical product management methods and system
KR101051355B1 (ko) * 2009-06-09 2011-07-22 (주)이지스 3차원 공간 데이터를 이용한 카메라 영상의 3차원 좌표 획득방법 및 이를 이용한 카메라 연동 제어방법
KR20100136089A (ko) 2009-06-18 2010-12-28 주식회사 비즈모델라인 인덱스 교환을 통한 다중 코드 생성 방식 오티피 출력 방법 및 시스템과 이를 위한 휴대폰 및 기록매체
CN101989333A (zh) * 2009-07-31 2011-03-23 上海杉达学院 仓储控制系统
KR20100003343A (ko) * 2009-12-15 2010-01-08 (주)리테일테크 압력 센서를 이용한 소매 매장의 결품 방지 시스템
US20110174753A1 (en) * 2010-01-18 2011-07-21 Matthew Pinto Stackable transport system
KR101179108B1 (ko) * 2010-04-27 2012-09-07 서울시립대학교 산학협력단 중첩 전방위 영상을 이용하여 객체의 3차원 좌표를 결정하기 위한 시스템 및 그 방법
EP2580687A4 (en) * 2010-06-14 2014-04-30 Trutag Technologies Inc SYSTEM FOR CHECKING AN ELEMENT IN A PACKAGE WITH A DATABASE
KR20120051212A (ko) * 2010-11-12 2012-05-22 엘지전자 주식회사 멀티미디어 장치의 사용자 제스쳐 인식 방법 및 그에 따른 멀티미디어 장치
KR101223206B1 (ko) * 2010-11-18 2013-01-17 광주과학기술원 3차원 영상 생성 방법 및 시스템
US20130046635A1 (en) * 2011-08-19 2013-02-21 Bank Of America Corporation Triggering offers based on detected location of a mobile point of sale device
CN102374860B (zh) * 2011-09-23 2014-10-01 奇瑞汽车股份有限公司 三维视觉定位方法及系统
BR112014028055A2 (pt) * 2012-05-10 2017-06-27 Sca Hygiene Prod Ab método para auxiliar na localização de um item desejado no local de armazenamento
CN202807610U (zh) * 2012-08-31 2013-03-20 宁波市新光货架有限公司 一种中型仓储货架
CN202820536U (zh) * 2012-10-22 2013-03-27 山东固美思耐金属制品有限公司 无线称重超市货架托板
KR101931819B1 (ko) * 2012-12-31 2018-12-26 (주)지오투정보기술 영상 정보와 항공사진 데이터를 비교하여 대상 객체를 결정하고 카메라 획득정보를 이용하여 대상 객체의 3차원 좌표를 획득하는 수치지도 제작 시스템
US20160048798A1 (en) * 2013-01-11 2016-02-18 Tagnetics, Inc. Inventory sensor
RU2015133464A (ru) * 2013-01-11 2017-02-17 Тагнэтикс, Инк. Датчик отсутствия товаров
CN103192958B (zh) * 2013-02-04 2015-07-08 中国科学院自动化研究所北仑科学艺术实验中心 船舶姿态显示装置的控制方法
CN104021538B (zh) * 2013-02-28 2017-05-17 株式会社理光 物体定位方法和装置
KR20140136089A (ko) * 2013-05-16 2014-11-28 (주)에스모바일텍 진열 상품 재고 관리 솔루션을 구비한 전자 선반 라벨 시스템
US10984372B2 (en) * 2013-05-24 2021-04-20 Amazon Technologies, Inc. Inventory transitions
US10176456B2 (en) 2013-06-26 2019-01-08 Amazon Technologies, Inc. Transitioning items from a materials handling facility
US10268983B2 (en) 2013-06-26 2019-04-23 Amazon Technologies, Inc. Detecting item interaction and movement
US10290031B2 (en) * 2013-07-24 2019-05-14 Gregorio Reid Method and system for automated retail checkout using context recognition
JP6168917B2 (ja) * 2013-08-26 2017-07-26 株式会社日立システムズ 健康管理システム及び健康管理方法
CN103557841B (zh) * 2013-08-28 2016-08-10 陈天恩 一种提高多相机合成影像摄影测量精度的方法
CN105518734A (zh) * 2013-09-06 2016-04-20 日本电气株式会社 顾客行为分析系统、顾客行为分析方法、非暂时性计算机可读介质和货架系统
AU2013101592A4 (en) * 2013-10-25 2014-01-16 Housl Pty Ltd Property Leasing
US9916561B2 (en) * 2013-11-05 2018-03-13 At&T Intellectual Property I, L.P. Methods, devices and computer readable storage devices for tracking inventory
CN103559758B (zh) * 2013-11-06 2015-12-30 上海煦荣信息技术有限公司 一种智能化的售货系统及售货方法
CN203693111U (zh) * 2014-02-28 2014-07-09 苏州工业园区航成工业零件有限公司 一种新型台面式称重货架
CN104240007A (zh) * 2014-07-09 2014-12-24 深圳市茁壮网络股份有限公司 一种基于射频识别的物品管理方法及系统
CN203975446U (zh) * 2014-07-29 2014-12-03 晟通科技集团有限公司 全铝托盘
CN104217231A (zh) * 2014-08-29 2014-12-17 南京大学 一种基于非精确锚节点的rfid定位系统及定位方法
CN104576845A (zh) * 2014-12-16 2015-04-29 深圳市德上光电有限公司 一种图形化的蓝宝石衬底的制造方法
CN105989389A (zh) * 2015-02-11 2016-10-05 北京鼎九信息工程研究院有限公司 一种二维码
US11017346B2 (en) * 2015-02-18 2021-05-25 FedEx Corporate Services, Inc Methods, apparatus, and systems for generating a content-related notification using a container interface display apparatus
WO2016152765A1 (ja) * 2015-03-23 2016-09-29 日本電気株式会社 商品情報管理装置、商品情報管理システム、商品情報管理方法およびプログラム
US10318917B1 (en) * 2015-03-31 2019-06-11 Amazon Technologies, Inc. Multiple sensor data fusion system
KR101807513B1 (ko) * 2015-05-13 2017-12-12 한국전자통신연구원 3차원 공간에서 영상정보를 이용한 사용자 의도 분석장치 및 분석방법
CN204883802U (zh) * 2015-06-24 2015-12-16 中山润涛智科技术有限公司 重量感应器及应用该感应器的物联网自动库存统计系统
US9911290B1 (en) * 2015-07-25 2018-03-06 Gary M. Zalewski Wireless coded communication (WCC) devices for tracking retail interactions with goods and association to user accounts
JP6562077B2 (ja) * 2015-08-20 2019-08-21 日本電気株式会社 展示装置、表示制御装置および展示システム
US20170061258A1 (en) * 2015-08-25 2017-03-02 Nokia Technologies Oy Method, apparatus, and computer program product for precluding image capture of an image presented on a display
CN105314315B (zh) * 2015-10-30 2017-12-15 无锡职业技术学院 智能货架测试系统
CN205251049U (zh) * 2015-11-06 2016-05-25 江苏正贸仓储设备制造有限公司 带计量器货架
CN106875203A (zh) * 2015-12-14 2017-06-20 阿里巴巴集团控股有限公司 一种确定商品图片的款式信息的方法及装置
US10592854B2 (en) * 2015-12-18 2020-03-17 Ricoh Co., Ltd. Planogram matching
CN105719188B (zh) * 2016-01-22 2017-12-26 平安科技（深圳）有限公司 基于多张图片一致性实现保险理赔反欺诈的方法及服务器
CN105787490A (zh) * 2016-03-24 2016-07-20 南京新与力文化传播有限公司 基于深度学习的商品潮流识别方法及装置
CN105678981A (zh) * 2016-03-26 2016-06-15 陈功平 一种组合式智能预警储物架
JP2019513274A (ja) 2016-03-29 2019-05-23 ボサ ノバ ロボティクス アイピー, インク.Bossa Nova Robotics Ip, Inc. 品物の設置、特定および計数のためのシステムおよび方法
JP6736334B2 (ja) * 2016-04-07 2020-08-05 東芝テック株式会社 画像処理装置
CN105910379B (zh) * 2016-05-09 2018-07-27 海信（山东）冰箱有限公司 一种用于冰箱的称重装置及称重抽屉
TWI578272B (zh) * 2016-05-18 2017-04-11 Chunghwa Telecom Co Ltd Shelf detection system and method
CN105901987A (zh) * 2016-06-30 2016-08-31 常州市南飞机械有限公司 可称重的货架
CN106326852A (zh) * 2016-08-18 2017-01-11 无锡天脉聚源传媒科技有限公司 一种基于深度学习的商品识别方法及装置
CN106355368A (zh) * 2016-08-29 2017-01-25 苏州倾爱娱乐传媒有限公司 一种卖场货品的智能管理系统
CN106408374A (zh) * 2016-08-30 2017-02-15 佛山市明扬软件科技有限公司 一种安全性高的超市自动收费方法
CN106441537A (zh) * 2016-09-08 2017-02-22 蝶和科技（中国）有限公司 一种称重货架的称重方法以及使用该方法的货架
CN106556341B (zh) * 2016-10-08 2019-12-03 浙江国自机器人技术有限公司 一种基于特征信息图形的货架位姿偏差检测方法和系统
CN106454733A (zh) * 2016-11-03 2017-02-22 安徽百慕文化科技有限公司 一种基于无线传感网络的在线监测系统
CN106781121A (zh) * 2016-12-14 2017-05-31 朱明� 基于视觉分析的超市自助结账智能系统
CN106845962A (zh) * 2016-12-29 2017-06-13 广州途威慧信息科技有限公司 一种自动结算货款系统及方法
CN106910086A (zh) * 2017-01-18 2017-06-30 甄启源 一种超市智能购物系统
CN106875465B (zh) * 2017-01-20 2021-06-11 奥比中光科技集团股份有限公司 基于rgbd图像的三维操控空间的建立方法及设备
CN106845965A (zh) * 2017-02-13 2017-06-13 上海云剑信息技术有限公司 线下超市自助购物的手机结账系统
CN106934692B (zh) * 2017-03-03 2020-12-22 陈维龙 物品信息处理系统、方法及装置
CN106920152A (zh) * 2017-03-07 2017-07-04 深圳市楼通宝实业有限公司 自助售卖方法及系统
US9805360B1 (en) * 2017-03-17 2017-10-31 Philz Coffee, Inc. Location based device flagging and interface
CN107134053B (zh) * 2017-04-19 2019-08-06 石道松 智能售货门店
CN107045641B (zh) * 2017-04-26 2020-07-28 广州图匠数据科技有限公司 一种基于图像识别技术的货架识别方法
CN107093269A (zh) * 2017-06-08 2017-08-25 上海励识电子科技有限公司 一种智能无人售货系统及方法
CN107463946B (zh) * 2017-07-12 2020-06-23 浙江大学 一种结合模板匹配与深度学习的商品种类检测方法
CN107123006A (zh) * 2017-07-12 2017-09-01 杨智勇 一种智能购物系统
CN107341523A (zh) * 2017-07-13 2017-11-10 浙江捷尚视觉科技股份有限公司 基于深度学习的快递单信息识别方法和系统
US10655945B2 (en) * 2017-07-19 2020-05-19 Symbol Technologies, Llc Methods and apparatus to coordinate movement of automated vehicles and freight dimensioning components
CN107480735B (zh) * 2017-07-24 2018-08-14 葛代荣 一种自助验货方法和系统
CN107451776A (zh) * 2017-07-27 2017-12-08 惠州市伊涅科技有限公司 无人超市补货方法
CN107451891A (zh) * 2017-07-27 2017-12-08 惠州市伊涅科技有限公司 便利店自动售卖方法
CN107481000A (zh) * 2017-07-27 2017-12-15 惠州市伊涅科技有限公司 无人超市售货方法
US11023850B2 (en) * 2017-08-07 2021-06-01 Standard Cognition, Corp. Realtime inventory location management using deep learning
US10445694B2 (en) * 2017-08-07 2019-10-15 Standard Cognition, Corp. Realtime inventory tracking using deep learning
CN107481414A (zh) * 2017-08-21 2017-12-15 文彬 一种开放式无人售卖装置的实时导购方法及系统
US20200394599A1 (en) 2017-11-29 2020-12-17 Ntt Docomo, Inc. Shelf-allocation information generating device and shelf-allocation information generating program
CN108492482B (zh) * 2017-12-18 2020-11-03 上海云拿智能科技有限公司 货品监控系统及监控方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016058106A (ja) * 2016-01-20 2016-04-21 パナソニックＩｐマネジメント株式会社 商品モニタリング装置、商品モニタリングシステムおよび商品モニタリング方法
JP2017157216A (ja) * 2016-02-29 2017-09-07 サインポスト株式会社 情報処理システム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
정수용 외6인 공저, ‘이미지 속성 인식 및 분류를 위한 딥러닝 적용,’ 한국정보과학회 학술발표논문집 , 2017.12, 877-879(3 pages) (2017.12.) 1부.*

Also Published As

Publication number Publication date
JP7078275B2 (ja) 2022-05-31
CN208044756U (zh) 2018-11-02
SG11202003732YA (en) 2020-05-28
CN108551658B (zh) 2021-04-09
WO2019144691A1 (zh) 2019-08-01
CN108497839A (zh) 2018-09-07
CN108332829A (zh) 2018-07-27
US20200258069A1 (en) 2020-08-13
JP2022043067A (ja) 2022-03-15
AU2018405073A1 (en) 2020-06-18
AU2022203376A1 (en) 2022-06-09
EP3745100A1 (en) 2020-12-02
JP2021511554A (ja) 2021-05-06
KR20200023647A (ko) 2020-03-05
KR102510679B1 (ko) 2023-03-16
SG11202003731PA (en) 2020-05-28
JP7016187B2 (ja) 2022-02-04
US11501523B2 (en) 2022-11-15
AU2018102235A4 (en) 2022-03-17
CN108509847A (zh) 2018-09-07
CN108551658A (zh) 2018-09-18
WO2019144690A1 (zh) 2019-08-01
CN108497839B (zh) 2021-04-09
EP3731546A1 (en) 2020-10-28
CN108520194A (zh) 2018-09-11
WO2019120039A1 (zh) 2019-06-27
WO2019120040A1 (zh) 2019-06-27
EP3731546A4 (en) 2021-02-17
JP7170355B2 (ja) 2022-11-14
KR20200037833A (ko) 2020-04-09
EP3745296A1 (en) 2020-12-02
US20200202137A1 (en) 2020-06-25
JP2021507203A (ja) 2021-02-22
CN108492157B (zh) 2023-04-18
CN208892110U (zh) 2019-05-24
CN108492482B (zh) 2020-11-03
JP2022043070A (ja) 2022-03-15
EP3745100A4 (en) 2021-03-24
CN108492157A (zh) 2018-09-04
CN108509847B (zh) 2021-07-20
JP7229580B2 (ja) 2023-02-28
CN108492482A (zh) 2018-09-04
EP3745296A4 (en) 2021-03-24
SG11202004369RA (en) 2020-06-29
US20200202163A1 (en) 2020-06-25
CN207783158U (zh) 2018-08-28
KR20200051705A (ko) 2020-05-13
WO2019120040A9 (zh) 2019-12-12
AU2018405072A1 (en) 2020-04-30
AU2018386790A1 (en) 2020-04-23
KR102378059B1 (ko) 2022-03-25

Similar Documents

Publication Publication Date Title
KR102454854B1 (ko) 영상 모니터링에 기반하는 물품 감지 시스템 및 물품 감지 방법
RU2739542C1 (ru) Система автоматической регистрации для торговой точки
CN111222870B (zh) 结算方法、装置和系统
JP7264401B2 (ja) 会計方法、装置及びシステム
JP2023014207A (ja) 情報処理システム
CN111428743B (zh) 商品识别方法、商品处理方法、装置及电子设备

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E902 Notification of reason for refusal
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant