CN109816439A - 果蔬智能计价方法、装置、存储介质及设备 - Google Patents
果蔬智能计价方法、装置、存储介质及设备 Download PDFInfo
- Publication number
- CN109816439A CN109816439A CN201910033427.4A CN201910033427A CN109816439A CN 109816439 A CN109816439 A CN 109816439A CN 201910033427 A CN201910033427 A CN 201910033427A CN 109816439 A CN109816439 A CN 109816439A
- Authority
- CN
- China
- Prior art keywords
- fruits
- vegetables
- image data
- fruit
- valuated
- 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
- 235000012055 fruits and vegetables Nutrition 0.000 title claims abstract description 172
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000013135 deep learning Methods 0.000 claims abstract description 21
- 235000013399 edible fruits Nutrition 0.000 claims abstract description 7
- 235000013311 vegetables Nutrition 0.000 claims abstract description 7
- 238000004590 computer program Methods 0.000 claims description 18
- 238000013527 convolutional neural network Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000002372 labelling Methods 0.000 claims description 6
- 230000001629 suppression Effects 0.000 claims description 6
- 238000003475 lamination Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000005303 weighing Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 235000013305 food Nutrition 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 241000252165 Elops saurus Species 0.000 description 1
- 241000234295 Musa Species 0.000 description 1
- 235000018290 Musa x paradisiaca Nutrition 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供了一种果蔬智能计价方法、装置、存储介质及设备，所述方法包括：获取各类别果蔬的图像数据集，将其作为深度学习的训练样本进行模型训练得到果蔬识别模型；采集待计价果蔬的图像数据；利用所述果蔬识别模型对所述图像数据进行分类，以获取待计价果蔬的类别；查询所述分类结果对应的单价信息，并根据所述单价信息和待计价果蔬的重量信息得到待计价果蔬的总价。本发明利用深度学习图像识别技术识别果蔬种类，自动选择对应的售价并结合重量进行计价清算，减少人为操作因素导致的误差，极大提高了工作效率。
Description
技术领域
本发明涉及图像识别技术领域，尤其涉及一种果蔬智能计价方法、装置、存储介质及设备。
背景技术
农贸市场和超市中售卖的水果和蔬菜品种繁多，其形状、纹理和大小等因素也各不相同，便捷、准确地进行结算果蔬价格，避免不必要的经济损失，对超市和农贸市场，以及消费者具有重要意义。
近年来，智能单品极大地便利了人们的生活，目前市场上普遍应用称重仪器人为操作果蔬类标签码选取价格进行价钱结算，在人流量较大的情况下，操作极不便利，同时需工作人员牢记果蔬对应条形码，工作效率低，且只能在待定工作区域进行计价清算购买果蔬，易造成结算拥塞现象。
发明内容
鉴于上述问题，本发明提出了一种果蔬智能计价方法、装置、存储介质及设备，利用深度学习图像识别技术识别果蔬种类，自动选择对应的售价并结合重量进行计价清算，减少人为操作因素导致的误差，极大提高了工作效率。
本发明的一个方面，提供了一种果蔬智能计价方法，所述方法包括：
获取各类别果蔬的图像数据集，将其作为深度学习的训练样本进行模型训练得到果蔬识别模型；
采集待计价果蔬的图像数据；
利用所述果蔬识别模型对所述图像数据进行分类，以获取待计价果蔬的类别；
查询所述分类结果对应的单价信息，并根据所述单价信息和待计价果蔬的重量信息得到待计价果蔬的总价。
可选地，所述利用所述果蔬识别模型对所述图像数据进行分类，以获取待计价果蔬的类别，还包括：
若所述果蔬识别模型的分类结果大于或等于两个类别，则采集用户输入的语音数据；
识别所述语音数据，并根据所述语音数据的识别结果确定待计价果蔬的类别。
可选地，所述获取各类别果蔬的图像数据集，将其作为深度学习的训练样本进行模型训练得到果蔬识别模型，包括：
将各类别果蔬的图像数据集输入卷积神经网络模型进行训练，以供所述卷积神经网络模型通过多轮卷积层和池化层进行特征提取，经过全连接层将提取的特征表示映射到样本标记空间，并经过softmax层实现果蔬类别的输出。
可选地，所述方法还包括：
预先对各类别果蔬的图像数据集进行去噪预处理，并将预处理后的图像数据集作为深度学习的训练样本。
可选地，在所述查询所述分类结果对应的单价信息之前，所述方法还包括：
对待计价果蔬进行称重，以采集待计价果蔬的重量信息，或接收用户输入的待计价果蔬的重量信息。
本发明的另一个方面，提供了一种果蔬智能计价装置，包括：
模型训练模块，用于获取各类别果蔬的图像数据集，将其作为深度学习的训练样本进行模型训练得到果蔬识别模型；
图像采集模块，用于采集待计价果蔬的图像数据；
分类模块，用于利用所述果蔬识别模型对所述图像数据进行分类，以获取待计价果蔬的类别；
计价模块，用于查询所述分类结果对应的单价信息，并根据所述单价信息和待计价果蔬的重量信息得到待计价果蔬的总价。
可选地，所述装置还包括：
语音采集模块，用于当所述果蔬识别模型的分类结果大于或等于两个类别时，采集用户输入的语音数据；
语音识别模块，用于识别所述语音数据，并根据所述语音数据的识别结果确定待计价果蔬的类别。
可选地，所述模型训练模块，具体用于将各类别果蔬的图像数据集输入卷积神经网络模型进行训练，以供所述卷积神经网络模型通过多轮卷积层和池化层进行特征提取，经过全连接层将提取的特征表示映射到样本标记空间，并经过softmax层实现果蔬类别的输出。
可选地，所述装置还包括：
预处理模块，用于预先对各类别果蔬的图像数据集进行去噪预处理，并将预处理后的图像数据集作为深度学习的训练样本。
可选地，所述装置还包括：
重量信息采集模块，用于在所述计价模块查询所述分类结果对应的单价信息之前，对待计价果蔬进行称重，以采集待计价果蔬的重量信息，或接收用户输入的待计价果蔬的重量信息。
此外，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述方法的步骤。
此外，本发明还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上所述方法的步骤。
本发明实施例提供的果蔬智能计价方法、装置、存储介质及设备，利用深度学习图像识别技术识别果蔬种类，自动选择对应的售价并结合重量进行计价清算，减少人为操作因素导致的误差，提高工作效率的同时，减免因结算区域受限时拥挤现象发生，且避免人为误差导致的结算失误。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1为本发明实施例的一种果蔬智能计价方法的流程示意图；
图2为本发明实施例中语音识别辅助功能辨别相似度极高果蔬的具体实现流程图；
图3为本发明实施例中卷积神经网络模型实现原理示意图；
图4为本发明实施例的一种果蔬智能计价装置的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非被特定定义，否则不会用理想化或过于正式的含义来解释。
近年来，智能单品极大地便利了人们的生活，而市场上普遍存在的果蔬类称重仪器需要人为操作选择果蔬产品的标签码结算果蔬价格，且需工作人员熟记果蔬种类专属代码，操作极不便利且工作效率低，易造成结算拥塞现象。本发明实施例提供的果蔬智能计价方法，在可称重的前提下利用深度学习进行模型训练，实现果蔬分类，可根据识别分类结果自动选取对应售价并结算，提高工作效率的同时，减免因结算区域受限时拥挤现象发生，且避免人为误差导致的结算失误。现结合图1对本发明果蔬智能计价方法的实现流程图进行详细叙述。
图1示意性示出了本发明一个实施例的果蔬智能计价方法的流程图。参照图1，本发明实施例提出的果蔬智能计价方法具体包括步骤S11～S14，如下所示：
S11、获取各类别果蔬的图像数据集，将其作为深度学习的训练样本进行模型训练得到果蔬识别模型。
本实施例中，深度学习模型具体可采用卷积神经网络实现。通过将各类别果蔬的图像数据集作为深度学习的训练样本实现对卷积神经网络的训练过程，得到果蔬识别模型，并基于该果蔬识别模型对待识别果蔬实现分类。
S12、采集待计价果蔬的图像数据。
S13、利用所述果蔬识别模型对所述图像数据进行分类，以获取待计价果蔬的类别。
S14、查询所述分类结果对应的单价信息，并根据所述单价信息和待计价果蔬的重量信息得到待计价果蔬的总价。
进一步地，在所述查询所述分类结果对应的单价信息之前，所述方法还包括：对待计价果蔬进行称重，以采集待计价果蔬的重量信息，或接收用户输入的待计价果蔬的重量信息。
本发明实施例提供的果蔬智能计价方法，利用深度学习图像识别技术识别果蔬种类，自动选择对应的售价并结合重量进行计价清算，减少人为操作因素导致的误差，提高工作效率的同时，减免因结算区域受限时拥挤现象发生，且避免人为误差导致的结算失误。
图2是语音识别辅助功能辨别相似度极高果蔬的具体实现流程图。在本发明实施例中，所述利用所述果蔬识别模型对所述图像数据进行分类，以获取待计价果蔬的类别，还包括以下步骤：若所述果蔬识别模型的分类结果大于或等于两个类别，则采集用户输入的语音数据；识别所述语音数据，并根据所述语音数据的识别结果确定待计价果蔬的类别，本发明基于语音识别辅助实现相似度极高果蔬品辨别，避免不必要的经济损失。
在一个具体示例中，经过果蔬识别模型分类，可能会有相似度极高的果蔬种类影响自动选择品类对应的价格，比如进口香蕉和普通香蕉从纹理、大小和形状极难实现分辨，此时需要工作人员语音输入果蔬类智能识别仪，选择卷积神经网络模型给出的分类的最终识别结果，避免随机选取带来的误操作造成不必要的经济损失。
本发明提供的果蔬智能计价方法，利用深度学习图像识别技术实现对果蔬类产品的辨别并自动选择获取对应的价格，根据称重测得总量最终实现计价清算工作，减少人为操作果蔬类标签码导致的误差，可多区域进行计价清算，无需指定区域称重计量，舒缓某一区域内结算拥塞现象发生。同时，针对相似度极高的果蔬类产品，利用语音识别技术辨别最终的果蔬产品种类，辅助性的语音识别技术极大便利结算进程，且避免误操作导致不必要的经济损失，使其更加智能人性化的服务于超市和农贸市场等工作场所。
在本发明实施例中，所述获取各类别果蔬的图像数据集，将其作为深度学习的训练样本进行模型训练得到果蔬识别模型，具体包括：将各类别果蔬的图像数据集输入卷积神经网络模型进行训练，以供所述卷积神经网络模型通过多轮卷积层和池化层进行特征提取，经过全连接层将提取的特征表示映射到样本标记空间，并经过softmax层实现果蔬类别的输出。
进一步地，所述方法还包括：预先对各类别果蔬的图像数据集进行去噪预处理，并将预处理后的图像数据集作为深度学习的训练样本。
本实施例中，果蔬智能计价方法总体实现分为图像数据集、卷积神经网络模型和语音识别三部分实现。首先，搜集各类别果蔬的图像数据集并对收集果蔬类图像数据集实现去噪预处理。然后，将经过预处理的清晰易辨别图像输入卷积神经网络模型，对果蔬图像经过多轮卷积和池化层作用将特征矩阵进行高度提纯，而后经过全连接层作用将提取的分布式特征映射到样本标记空间，最终经softmax层输出实现果蔬分类，卷积神经网络模型实现原理参见图3所示。因果蔬种类繁多，可能出现相似度极高的果蔬，此时需要工作人员根据购买者提供信息确定购买种类，并语音输入其信息，经语音识别实现最终相似度极高果蔬种类的确定，并最终清算结账。
本实施例中，图像数据集采集过程需要对采集图像进行预处理，避免图像数据中噪声干扰模型的训练精度，造成测量精度误差，而后将图像数据集作为输入对模型进行训练，经过多轮卷积层与池化层自动特征特征提取的综合处理过程后，可认为图像信息被抽象成信息含量更高的特征，神经网络的最后端一般需经过两层全连接层通过Softmax层的作用给出最后的分类处理结果。
本发明提供的果蔬智能计价方法，基于深度学习图像识别技术的果蔬类智能识别仪设计解决了现今称重式人为操作标签码进行价格清算时工作效率低下的弊端，采用数据分析技术实现果蔬类特征的挖掘工作，同时针对图像识别技术中的噪声数据利用数据分析进行去噪处理。同时针对相似度极高的果蔬产品，利用语音识别技术进行辨别，选取最终的果蔬种类实现最终计价清算工作。
对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
图4示意性示出了本发明一个实施例的果蔬智能计价装置的结构示意图。参照图4，本发明实施例的果蔬智能计价装置具体包括模型训练模块201、图像采集模块202、分类模块203以及计价模块204，其中：
模型训练模块201，用于获取各类别果蔬的图像数据集，将其作为深度学习的训练样本进行模型训练得到果蔬识别模型；
图像采集模块202，用于采集待计价果蔬的图像数据；
分类模块203，用于利用所述果蔬识别模型对所述图像数据进行分类，以获取待计价果蔬的类别；
计价模块204，用于查询所述分类结果对应的单价信息，并根据所述单价信息和待计价果蔬的重量信息得到待计价果蔬的总价。
在本发明实施例中，所述装置还包括附图中未示出的语音采集模块和语音识别模块，其中：
语音采集模块，用于当所述果蔬识别模型的分类结果大于或等于两个类别时，采集用户输入的语音数据；
语音识别模块，用于识别所述语音数据，并根据所述语音数据的识别结果确定待计价果蔬的类别。
在本发明实施例中，所述模型训练模块201，具体用于将各类别果蔬的图像数据集输入卷积神经网络模型进行训练，以供所述卷积神经网络模型通过多轮卷积层和池化层进行特征提取，经过全连接层将提取的特征表示映射到样本标记空间，并经过softmax层实现果蔬类别的输出。
在本发明实施例中，所述装置还包括附图中未示出的预处理模块，所述预处理模块，用于预先对各类别果蔬的图像数据集进行去噪预处理，并将预处理后的图像数据集作为深度学习的训练样本。
在本发明实施例中，所述装置还包括附图中未示出的重量信息采集模块，所述重量信息采集模块，用于在所述计价模块查询所述分类结果对应的单价信息之前，对待计价果蔬进行称重，以采集待计价果蔬的重量信息，或接收用户输入的待计价果蔬的重量信息。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
本发明实施例提供的果蔬智能计价方法、装置、存储介质及设备，提供一个全新的果蔬智能计价方式，将终端桌面的标签页由平面展示模式变更为立体展示模式，将方形页面变更为立体页面，增加页面立体感，而且应用程序图标可以放置于立体页面中设定的位置，并且随着立体页面的移动而移动。本发明实现了终端桌面中页面的立体展示和移动展示，满足了不同用户的个性化设置需求，提升用户使用体验。
此外，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述方法的步骤。
本实施例中，所述果蔬智能计价装置集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
本发明实施例提供的电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述各个果蔬智能计价方法实施例中的步骤，例如图1所示的S11、获取各类别果蔬的图像数据集，将其作为深度学习的训练样本进行模型训练得到果蔬识别模型。S12、采集待计价果蔬的图像数据。S13、利用所述果蔬识别模型对所述图像数据进行分类，以获取待计价果蔬的类别。S14、查询所述分类结果对应的单价信息，并根据所述单价信息和待计价果蔬的重量信息得到待计价果蔬的总价。或者，所述处理器执行所述计算机程序时实现上述各果蔬智能计价装置实施例中各模块/单元的功能，例如图4所示的模型训练模块201、图像采集模块202、分类模块203以及计价模块204。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述果蔬智能计价装置中的执行过程。例如，所述计算机程序可以被分割成模型训练模块201、图像采集模块202、分类模块203以及计价模块204。
所述电子设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述电子设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，本实施例中的电子设备可以包括更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备还可以包括输入输出设备、网络接入设备、总线等。
所述处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述电子设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种果蔬智能计价方法，其特征在于，所述方法包括：
获取各类别果蔬的图像数据集，将其作为深度学习的训练样本进行模型训练得到果蔬识别模型；
采集待计价果蔬的图像数据；
利用所述果蔬识别模型对所述图像数据进行分类，以获取待计价果蔬的类别；
查询所述分类结果对应的单价信息，并根据所述单价信息和待计价果蔬的重量信息得到待计价果蔬的总价。
2.根据权利要求1所述的方法，其特征在于，所述利用所述果蔬识别模型对所述图像数据进行分类，以获取待计价果蔬的类别，还包括：
若所述果蔬识别模型的分类结果大于或等于两个类别，则采集用户输入的语音数据；
识别所述语音数据，并根据所述语音数据的识别结果确定待计价果蔬的类别。
3.根据权利要求1所述的方法，其特征在于，所述获取各类别果蔬的图像数据集，将其作为深度学习的训练样本进行模型训练得到果蔬识别模型，包括：
将各类别果蔬的图像数据集输入卷积神经网络模型进行训练，以供所述卷积神经网络模型通过多轮卷积层和池化层进行特征提取，经过全连接层将提取的特征表示映射到样本标记空间，并经过softmax层实现果蔬类别的输出。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
预先对各类别果蔬的图像数据集进行去噪预处理，并将预处理后的图像数据集作为深度学习的训练样本。
5.根据权利要求1所述的方法，其特征在于，在所述查询所述分类结果对应的单价信息之前，所述方法还包括：
对待计价果蔬进行称重，以采集待计价果蔬的重量信息，或接收用户输入的待计价果蔬的重量信息。
6.一种果蔬智能计价装置，其特征在于，包括：
模型训练模块，用于获取各类别果蔬的图像数据集，将其作为深度学习的训练样本进行模型训练得到果蔬识别模型；
图像采集模块，用于采集待计价果蔬的图像数据；
分类模块，用于利用所述果蔬识别模型对所述图像数据进行分类，以获取待计价果蔬的类别；
计价模块，用于查询所述分类结果对应的单价信息，并根据所述单价信息和待计价果蔬的重量信息得到待计价果蔬的总价。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括：
语音采集模块，用于当所述果蔬识别模型的分类结果大于或等于两个类别时，采集用户输入的语音数据；
语音识别模块，用于识别所述语音数据，并根据所述语音数据的识别结果确定待计价果蔬的类别。
8.根据权利要求6所述的装置，其特征在于，所述模型训练模块，具体用于将各类别果蔬的图像数据集输入卷积神经网络模型进行训练，以供所述卷积神经网络模型通过多轮卷积层和池化层进行特征提取，经过全连接层将提取的特征表示映射到样本标记空间，并经过softmax层实现果蔬类别的输出。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5任一项所述方法的步骤。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-5任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910033427.4A CN109816439A (zh) | 2019-01-14 | 2019-01-14 | 果蔬智能计价方法、装置、存储介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910033427.4A CN109816439A (zh) | 2019-01-14 | 2019-01-14 | 果蔬智能计价方法、装置、存储介质及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109816439A true CN109816439A (zh) | 2019-05-28 |
Family
ID=66603356
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910033427.4A Pending CN109816439A (zh) | 2019-01-14 | 2019-01-14 | 果蔬智能计价方法、装置、存储介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109816439A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110647941A (zh) * | 2019-09-25 | 2020-01-03 | 绍兴数鸿科技有限公司 | 基于卷积神经网络的蔬菜识别方法及设备 |
| CN110659892A (zh) * | 2019-07-31 | 2020-01-07 | 林勇 | 物品总价获取方法、装置、计算机设备和存储介质 |
| CN110836717A (zh) * | 2019-11-25 | 2020-02-25 | 湖北经济学院 | 一种面向金融服务的果蔬智能识别和计价*** |
| CN110880088A (zh) * | 2019-11-21 | 2020-03-13 | 深圳春沐源控股有限公司 | 分类存储方法、分类存储装置和计算机可读存储介质 |
| CN111160450A (zh) * | 2019-12-27 | 2020-05-15 | 中山德著智能科技有限公司 | 一种基于神经网络的果蔬称重方法及储存介质、装置 |
| CN111325241A (zh) * | 2020-01-23 | 2020-06-23 | 深圳市大拿科技有限公司 | 果蔬分类方法、装置、智能传感器及计算机存储介质 |
| CN111461595A (zh) * | 2020-03-24 | 2020-07-28 | 北京顺达同行科技有限公司 | 计价模板的生成方法、装置、设备及存储介质 |
| CN111639928A (zh) * | 2020-05-29 | 2020-09-08 | 佛山科学技术学院 | 一种基于卷积神经网络的散装商品计量装置及方法 |
| CN112070991A (zh) * | 2019-06-11 | 2020-12-11 | 株式会社石田 | 物品识别***以及具备物品识别***的结账处理*** |
| CN112115824A (zh) * | 2020-09-07 | 2020-12-22 | 北京豆牛网络科技有限公司 | 果蔬检测方法、装置、电子设备以及计算机可读介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106096932A (zh) * | 2016-06-06 | 2016-11-09 | 杭州汇萃智能科技有限公司 | 基于餐具形状的菜品自动识别***的计价方法 |
| CN107122730A (zh) * | 2017-04-24 | 2017-09-01 | 乐金伟 | 自选餐厅自动计价方法 |
| US20180239989A1 (en) * | 2017-02-20 | 2018-08-23 | Alibaba Group Holding Limited | Type Prediction Method, Apparatus and Electronic Device for Recognizing an Object in an Image |
| CN108537994A (zh) * | 2018-03-12 | 2018-09-14 | 深兰科技（上海）有限公司 | 基于视觉识别及重量感应技术的智能商品结算***及方法 |
-
2019
- 2019-01-14 CN CN201910033427.4A patent/CN109816439A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106096932A (zh) * | 2016-06-06 | 2016-11-09 | 杭州汇萃智能科技有限公司 | 基于餐具形状的菜品自动识别***的计价方法 |
| US20180239989A1 (en) * | 2017-02-20 | 2018-08-23 | Alibaba Group Holding Limited | Type Prediction Method, Apparatus and Electronic Device for Recognizing an Object in an Image |
| CN107122730A (zh) * | 2017-04-24 | 2017-09-01 | 乐金伟 | 自选餐厅自动计价方法 |
| CN108537994A (zh) * | 2018-03-12 | 2018-09-14 | 深兰科技（上海）有限公司 | 基于视觉识别及重量感应技术的智能商品结算***及方法 |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112070991A (zh) * | 2019-06-11 | 2020-12-11 | 株式会社石田 | 物品识别***以及具备物品识别***的结账处理*** |
| US20200394634A1 (en) * | 2019-06-11 | 2020-12-17 | Ishida Co., Ltd. | Article discrimination system and checkout processing system including article discrimination system |
| EP3751456A1 (en) * | 2019-06-11 | 2020-12-16 | ISHIDA CO., Ltd. | Article discrimination system and checkout processing system including article discrimination system |
| CN110659892A (zh) * | 2019-07-31 | 2020-01-07 | 林勇 | 物品总价获取方法、装置、计算机设备和存储介质 |
| CN110647941A (zh) * | 2019-09-25 | 2020-01-03 | 绍兴数鸿科技有限公司 | 基于卷积神经网络的蔬菜识别方法及设备 |
| CN110880088A (zh) * | 2019-11-21 | 2020-03-13 | 深圳春沐源控股有限公司 | 分类存储方法、分类存储装置和计算机可读存储介质 |
| CN110836717A (zh) * | 2019-11-25 | 2020-02-25 | 湖北经济学院 | 一种面向金融服务的果蔬智能识别和计价*** |
| CN111160450A (zh) * | 2019-12-27 | 2020-05-15 | 中山德著智能科技有限公司 | 一种基于神经网络的果蔬称重方法及储存介质、装置 |
| CN111325241A (zh) * | 2020-01-23 | 2020-06-23 | 深圳市大拿科技有限公司 | 果蔬分类方法、装置、智能传感器及计算机存储介质 |
| CN111461595A (zh) * | 2020-03-24 | 2020-07-28 | 北京顺达同行科技有限公司 | 计价模板的生成方法、装置、设备及存储介质 |
| CN111461595B (zh) * | 2020-03-24 | 2023-09-29 | 北京顺达同行科技有限公司 | 计价模板的生成方法、装置、设备及存储介质 |
| CN111639928A (zh) * | 2020-05-29 | 2020-09-08 | 佛山科学技术学院 | 一种基于卷积神经网络的散装商品计量装置及方法 |
| CN111639928B (zh) * | 2020-05-29 | 2024-02-20 | 佛山科学技术学院 | 一种基于卷积神经网络的散装商品计量装置及方法 |
| CN112115824A (zh) * | 2020-09-07 | 2020-12-22 | 北京豆牛网络科技有限公司 | 果蔬检测方法、装置、电子设备以及计算机可读介质 |
| CN112115824B (zh) * | 2020-09-07 | 2024-06-11 | 北京豆牛网络科技有限公司 | 果蔬检测方法、装置、电子设备以及计算机可读介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109816439A (zh) | 果蔬智能计价方法、装置、存储介质及设备 | |
| Jahanbakhshi et al. | Classification of sour lemons based on apparent defects using stochastic pooling mechanism in deep convolutional neural networks | |
| Barbedo | Plant disease identification from individual lesions and spots using deep learning | |
| CN110322085A (zh) | 一种客户流失预测方法和装置 | |
| CN107766929B (zh) | 模型分析方法及装置 | |
| CN109447728A (zh) | 金融产品推荐方法、装置、计算机设备及存储介质 | |
| CN109784779B (zh) | 财务风险预测方法、装置及存储介质 | |
| CN107679946A (zh) | 基金产品推荐方法、装置、终端设备及存储介质 | |
| CN109784366A (zh) | 目标物体的细粒度分类方法、装置与电子设备 | |
| CN108154105A (zh) | 水下生物检测与识别方法、装置、服务器及终端设备 | |
| CN110457577B (zh) | 数据处理方法、装置、设备和计算机存储介质 | |
| Kerr et al. | Collaborative deep learning models to handle class imbalance in flowcam plankton imagery | |
| Liu et al. | Deep learning for image-based large-flowered chrysanthemum cultivar recognition | |
| CN104077303B (zh) | 用于呈现数据的方法和装置 | |
| CN107273519A (zh) | 数据分析方法、装置、终端及存储介质 | |
| CN113295702B (zh) | 电气设备故障诊断模型训练方法和电气设备故障诊断方法 | |
| CN109272009A (zh) | 一种基于大数据分析的人群画像提取方法及装置 | |
| CN109636482A (zh) | 基于相似度模型的数据处理方法及*** | |
| CN116109195B (zh) | 一种基于图卷积神经网络的绩效评估方法及*** | |
| CN107679103A (zh) | 用于实体的属性分析方法及*** | |
| Yu et al. | A recognition method of soybean leaf diseases based on an improved deep learning model | |
| Yang et al. | Stacking-based and improved convolutional neural network: a new approach in rice leaf disease identification | |
| CN108921835A (zh) | 基于机器视觉的作物防治方法及相关装置和存储介质 | |
| Mazumder et al. | A robust and light-weight transfer learning-based architecture for accurate detection of leaf diseases across multiple plants using less amount of images | |
| CN110765355A (zh) | 金融市场产品交易策略课程的推送方法及装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190528 |