CN110309737A - 一种应用于香烟柜台的信息处理方法、装置及*** - Google Patents
一种应用于香烟柜台的信息处理方法、装置及*** Download PDFInfo
- Publication number
- CN110309737A CN110309737A CN201910519511.7A CN201910519511A CN110309737A CN 110309737 A CN110309737 A CN 110309737A CN 201910519511 A CN201910519511 A CN 201910519511A CN 110309737 A CN110309737 A CN 110309737A
- Authority
- CN
- China
- Prior art keywords
- cigarette
- information
- picture
- sales counter
- information processing
- 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
- 235000019504 cigarettes Nutrition 0.000 title claims abstract description 171
- 230000010365 information processing Effects 0.000 title claims abstract description 50
- 238000003672 processing method Methods 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims description 45
- 238000004590 computer program Methods 0.000 claims description 12
- 239000000284 extract Substances 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000000034 method Methods 0.000 description 16
- 238000001514 detection method Methods 0.000 description 5
- 241000208125 Nicotiana Species 0.000 description 4
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q30/018—Certifying business or products
- G06Q30/0185—Product, service or business identity fraud
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- Finance (AREA)
- Probability & Statistics with Applications (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Educational Administration (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种应用于香烟柜台的信息处理方法,包括:识别输入图像并生成标记香烟的所在位置的图像信息;基于所述图像信息,识别出每一包香烟的标识信息;统计所述图像信息和所述标识信息,并且输出统计结果。本发明可以快速、准确地识别香烟柜台图片中的信息,从而提高香烟柜台的信息处理工作的效率。
Description
技术领域
本发明涉及人工智能技术领域,尤其是涉及一种应用于香烟柜台的信息处理方法、装置及***。
背景技术
目前,若烟草企业要了解香烟柜台的铺货率、货架商品排面等情况,需要安排专门的业务代表到门店进行信息采集、数据统计并将调研结果反馈到公司。业务代表需要完成的任务有:业务人员计算柜台上记录所需统计香烟的数量、观察排面、计算香烟占有率,查看是否有假货等;或者,业务人员在香烟柜台前拍照并上传照片,后台标注人员在图片中记录所需统计香烟的数量、观察排面、计算香烟占有率,查看是否有假货等。然而,现有的解决方法都需要花费大量的人力,而且难以保证统计速度及统计数据质量达到令人满意的水平。
发明内容
针对上述技术问题,本发明提供了一种应用于香烟柜台的信息处理方法、装置及***,可以快速、准确地识别香烟柜台图片中的信息,从而提高香烟柜台的信息处理工作的效率。所述技术方案如下:
第一方面,本发明实施例提供了一种应用于香烟柜台的信息处理方法,包括:
识别输入图像并生成标记香烟的所在位置的图像信息;
基于所述图像信息,识别出每一包香烟的标识信息;
统计所述图像信息和所述标识信息,并且输出统计结果。
在本发明第一方面的第一种可能的实现方式中,所述的应用于香烟柜台的信息处理方法,还包括:
利用采集到的香烟图片构建图片训练集;
利用所述图片训练集建立用于识别输入图像的运算模型。
在本发明第一方面的第二种可能的实现方式中,所述利用所述图片训练集建立用于识别输入图像的运算模型,包括:
提取图片训练集的每一张图片的特征向量并根据所述特征向量预测香烟的位置信息;
从香烟图片中筛选出已知的位置信息;
计算预测的位置信息与已知的位置信息的误差值,当所述误差值符合预设的要求时,得到完成训练的运算模型。
在本发明第一方面的第三种可能的实现方式中,所述利用采集到的香烟图片构建图片训练集,具体为:
通过识别香烟照片将不同种类的香烟照片进行归类;
随机选择不同种类的香烟图片组合成香烟柜台图片;
记录所述香烟柜台图片中的香烟的位置信息和标识信息,并生成图片训练集。
在本发明第一方面的第四种可能的实现方式中,所述基于所述图像信息,识别出每一包香烟的标识信息,包括:
基于所述图像信息,提取香烟的图片特征;
根据所述图片特征对香烟进行分类。
第二方面,本发明实施例提供了一种应用于香烟柜台的信息处理装置,包括:
定位模块,用于识别输入图像并生成标记香烟的所在位置的图像信息;
鉴别模块,用于基于所述图像信息,识别出每一包香烟的标识信息;
统计模块,用于统计所述图像信息和所述标识信息,并且输出统计结果。
第三方面,本发明实施例提供了一种应用于香烟柜台的信息处理装置,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的应用于香烟柜台的信息处理方法。
第四方面,本发明实施例提供了一种应用于香烟柜台的信息处理***,包括:图像获取装置、信息处理装置、信息终端;
所述图像获取装置,用于实时获取香烟柜台的图像并将所述图像发送到所述信息处理装置;
所述信息处理装置,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的应用于香烟柜台的信息处理方法;
所述信息终端,用于接收并显示所述信息处理装置发送的信息。
相比于现有技术,本发明实施例具有如下有益效果:
本发明提供的一种应用于香烟柜台的信息处理方法,基于深度学习的图像识别算法,通过识别输入图像并生成标记香烟的所在位置的图像信息,快速定位香烟柜台中香烟的位置,同时基于所述图像信息,识别出每一包香烟的标识信息,所述标识信息包括香烟的品牌、规格、进货时间、产地等信息,考虑到人眼的辨识速度和疲劳度,当需要处理海量图像时,本发明具有极大的速度优势;而且,人工统计香烟柜台的香烟数量、观察排面、查看是否有假货等,受很多主观的因素影响,本发明利用机器设备进行图像识别,能够保证了统计结果的客观性,从而有利于提高图像识别的准确率和保证数据的真实性;以及,通过统计所述图像信息和所述标识信息,并且输出统计结果,该统计结果易于保存、利用,企业可依据统计结果建立大数据库,有利于提升企业效益,另外,本发明能够捕捉到人眼不能捕捉到图像的细节,因此统计所得数据、信息更丰富、详细。
附图说明
图1是本发明实施例中的一种应用于香烟柜台的信息处理方法的流程图;
图2是本发明实施例中的一种应用于香烟柜台的信息处理方法的Detection模型训练方法的流程图;
图3是本发明实施例中的一种应用于香烟柜台的信息处理方法的Object模型训练方法的流程图;
图4是本发明实施例中的一种应用于香烟柜台的信息处理装置的结构图;
图5是本发明实施例中的一种应用于香烟柜台的信息处理***的原理图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参见图1,其示出了本发明一个示例性实施例提供的一种应用于香烟柜台的信息处理方法,包括:
S101、识别输入图像并生成标记香烟的所在位置的图像信息;
S102、基于所述图像信息,识别出每一包香烟的标识信息;其中,所述标识信息包括该香烟的品牌、规格、进货时间、产地等信息;
S103、统计所述图像信息和所述标识信息,并且输出统计结果。
在本实施例中,在经过建立模型后,机器已具备识别多个香烟的能力,把图片传输到该机器中,该机器自动把香烟柜台上所有的香烟通过Detection模型逐个框出,再根据框中的图片信息通过Object模型判断出该香烟属于什么品牌及规格,最后对数据进行统计,计算出香烟柜台的铺货率、香烟的排面数等数据。
本发明实施例提供的一种应用于香烟柜台的信息处理方法,基于深度学习的图像识别算法,通过识别输入图像并生成标记香烟的所在位置的图像信息,快速定位香烟柜台中香烟的位置,同时基于所述图像信息,识别出每一包香烟的标识信息,所述标识信息包括香烟的品牌、规格、进货时间、产地等信息,考虑到人眼的辨识速度和疲劳度,当需要处理海量图像时,本发明具有极大的速度优势;而且,人工统计香烟柜台的香烟数量、观察排面、查看是否有假货等,受很多主观的因素影响,本发明利用机器设备进行图像识别,能够保证了统计结果的客观性,从而有利于提高图像识别的准确率和保证数据的真实性;以及,通过统计所述图像信息和所述标识信息,并且输出统计结果,该统计结果易于保存、利用,企业可依据统计结果建立大数据库,有利于提升企业效益,另外,本发明能够捕捉到人眼不能捕捉到图像的细节,因此统计所得数据、信息更丰富、详细。
本发明一个示例性实施例提供的一种应用于香烟柜台的信息处理方法,还包括:
利用采集到的香烟图片构建图片训练集;
利用所述图片训练集建立用于识别输入图像的运算模型。
优选地,所述利用所述图片训练集建立用于识别输入图像的运算模型,包括:
提取图片训练集的每一张图片的特征向量并根据所述特征向量预测香烟的位置信息;
从香烟图片中筛选出已知的位置信息;
计算预测的位置信息与已知的位置信息的误差值,当所述误差值符合预设的要求时,得到完成训练的运算模型。
请参见图2,在本实施例中,需要建立Detection模型并对所述Detection模型进行训练,训练方法包括以下步骤:
对训练图片集的每一张图片,通过卷积、池化操作,提取图片的特征向量;
通过滑动窗口的方式,把图片的特征向量划分为多个窗口,并预测每个窗口是否前景的概率,以及和实际香烟位置的偏差距离;
窗口和训练集中的香烟的位置信息有超过70%重叠区域作为已知的前景,小于30%重叠区域作为已知的背景;
使用反向传播和梯度下降方法,更新卷积、池化操作的参数,可以进一步缩小预测结果和已知结果的差距。通过不断重复上述步骤,当差距缩小到一定的范围,Detection模型训练成功,可以准确地预测香烟柜台上面所有香烟的位置信息。
在本实施例中,经过多次训练,使得图像识别误差减少,从而提高图像识别的准确率;利用图片训练集对运算模型进行训练,有利于利用深度学习计算的优势进一步地增强图像识别能力。
优选地,所述利用采集到的香烟图片构建图片训练集,具体为:
通过识别香烟照片将不同种类的香烟照片进行归类;
随机选择不同种类的香烟图片组合成香烟柜台图片;
记录所述香烟柜台图片中的香烟的位置信息和标识信息,并生成图片训练集。
在本实施例中,用摄像头和旋转底座,机器自动采集香烟360度的图像,通过K-means聚类无监督算法,选择数十张聚类距离比较远的香烟照片,同一种香烟照片放到同一个文件夹,并且用香烟名称命名文件夹,作为训练集;同时,选择多张香烟图片模拟拼接成香烟柜台的展示方式得到一张香烟柜台图片,随机组合不同的香烟得到多张香烟柜台图片,并通过文本记录下每个香烟在照片位置以及香烟名称,命名和香烟柜台图片保持一致,作为训练集。
在本实施例中,由于建立模型和训练模型都离不开用于模型训练的数据,本实施例通过对采集到的图像进行归类和进一步的图像处理,相当于数据预处理,使得采集图像更易于转化为训练数据,从而有利于提高模型训练的效果,进而增强模型的图像识别能力。
优选地,所述基于所述图像信息,识别出每一包香烟的标识信息,包括:
基于所述图像信息,提取香烟的图片特征;其中,所述图片特征为从香烟图片中提取的特征向量;
根据所述图片特征对香烟进行分类。
请参见图3,实施本实施例的应用于香烟柜台的信息处理方法,还需要建立Object模型并对所述Object模型进行训练,在获取香烟的位置信息后,根据香烟的位置信息,裁剪出每一包香烟的图片,进行Object训练。Object训练使用深度学习中的分类方法,通过多次卷积、池化、归一化、残差连接等基于卷积神经网络结构的操作,提取香烟图片的特征向量。
可以理解的是,由于不同类别的香烟图片,其特征向量在高维空间的分布不一样;同一类别的香烟图片,其特征向量在高维空间的分布相似,从而实现对香烟图片的分类。
本实施例中,通过识别出每一包香烟的具体信息,包括香烟品牌、规格、生成地等信息,提升了图像识别能力,并且将信息进行归类,有利于提高后续的统计步骤的计算速度。
请参见图4,其示出了本发明一个示例性实施例提供的一种应用于香烟柜台的信息处理装置,包括:
定位模块201,用于识别输入图像并生成标记香烟的所在位置的图像信息;
鉴别模块202,用于基于所述图像信息,识别出每一包香烟的标识信息;
统计模块203,用于统计所述图像信息和所述标识信息,并且输出统计结果。
优选地,所述应用于香烟柜台的信息处理装置,还包括:
训练集生成模块,用于利用采集到的香烟图片构建图片训练集;
运算模型建立模块,用于利用所述图片训练集建立用于识别输入图像的运算模型。
优选地,所述运算模型建立模块,包括:
预测模块,用于提取图片训练集的每一张图片的特征向量并根据所述特征向量预测香烟的位置信息;
筛选模块,用于从香烟图片中筛选出已知的位置信息;
误差值计算模块,用于计算预测的位置信息与已知的位置信息的误差值,当所述误差值符合预设的要求时,得到完成训练的运算模型。
优选地,所述训练集生成模块,包括:
图片归类模块,用于通过识别香烟照片将不同种类的香烟照片进行归类;
图片拼接模块,用于随机选择不同种类的香烟图片组合成香烟柜台图片;
图片信息统计模块,用于记录所述香烟柜台图片中的香烟的位置信息和标识信息,并生成图片训练集。
优选地,所述鉴别模块,包括:
图片特征提取模块,用于基于所述图像信息,提取香烟的图片特征;
图片分类模块,用于根据所述图片特征对香烟进行分类。
本发明一个示例性实施例提供的一种应用于香烟柜台的信息处理装置,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的应用于香烟柜台的信息处理方法。
本发明一个示例性实施例提供的一种应用于香烟柜台的信息处理***,包括图像获取装置、信息处理装置、信息终端;
图像获取装置,用于实时获取香烟柜台的图像并将所述图像发送到信息处理装置;
信息处理装置,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的应用于香烟柜台的信息处理方法;
信息终端,用于接收并显示所述信息处理装置发送的信息。
请参见图5,本***分为三大模块:固定摄像头、算法引擎、手机应用软件,其中固定摄像头是采集香烟柜台照片的装置,算法引擎是后台识别图片信息的模块,手机应用软件是企业管理人员查看结果的工具。
所述图像获取装置为高清摄像头;企业人员通过在香烟柜台前方安装高清摄像头,可以实时获取到香烟柜台的图片。
所述信息处理装置,即算法引擎,能准确、快速地识别图片中的信息。
所述信息终端为手机终端;企业管理人员通过手机应用软件,通过账号密码登录后,可以选择指定的门店查看香烟柜台的香烟陈列情况,也可以统计一段时间内部分门店的香烟陈列趋势。
在本实施例中,现在烟草企业派工作人员前往门店检查香烟柜台的情况,需要大量的人力,通过固定摄像头采集图片,使用图像识别技术,可以大大节省人力;现在烟草企业派工作人员前往门店检查香烟柜台的情况,采用传统的层层上报方式,流程复杂,需要比较长的时间才能得到统计的结果,而本***可以实时得到准确的统计的结果并且同步到企业管理人员的手机应用软件,大大提高了工作效率;现在烟草企业派工作人员前往门店检查香烟柜台的情况,往往只能每隔一周检查一次,原因是受限于成本,本***通过固定摄像头采集图片的方式,可以全天24小时采集图片,使得企业可以获得更全面的数据,更快地发现问题,调整策略。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
Claims (8)
1.一种应用于香烟柜台的信息处理方法,其特征在于,包括:
识别输入图像并生成标记香烟的所在位置的图像信息;
基于所述图像信息,识别出每一包香烟的标识信息;
统计所述图像信息和所述标识信息,并且输出统计结果。
2.如权利要求1所述的应用于香烟柜台的信息处理方法,其特征在于,还包括:
利用采集到的香烟图片构建图片训练集;
利用所述图片训练集建立用于识别输入图像的运算模型。
3.如权利要求2所述的应用于香烟柜台的信息处理方法,其特征在于,所述利用所述图片训练集建立用于识别输入图像的运算模型,包括:
提取图片训练集的每一张图片的特征向量并根据所述特征向量预测香烟的位置信息;
从香烟图片中筛选出已知的位置信息;
计算预测的位置信息与已知的位置信息的误差值,当所述误差值符合预设的要求时,得到完成训练的运算模型。
4.如权利要求2所述的应用于香烟柜台的信息处理方法,其特征在于,所述利用采集到的香烟图片构建图片训练集,具体为:
通过识别香烟照片将不同种类的香烟照片进行归类;
随机选择不同种类的香烟图片组合成香烟柜台图片;
记录所述香烟柜台图片中的香烟的位置信息和标识信息,并生成图片训练集。
5.如权利要求1至4任一项所述的应用于香烟柜台的信息处理方法,其特征在于,所述基于所述图像信息,识别出每一包香烟的标识信息,包括:
基于所述图像信息,提取香烟的图片特征;
根据所述图片特征对香烟进行分类。
6.一种应用于香烟柜台的信息处理装置,其特征在于,包括:
定位模块,用于识别输入图像并生成标记香烟的所在位置的图像信息;
鉴别模块,用于基于所述图像信息,识别出每一包香烟的标识信息;
统计模块,用于统计所述图像信息和所述标识信息,并且输出统计结果。
7.一种应用于香烟柜台的信息处理装置,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求5或权利要求1至4任一项所述的应用于香烟柜台的信息处理方法。
8.一种应用于香烟柜台的信息处理***,其特征在于,包括:图像获取装置、信息处理装置、信息终端;
所述图像获取装置,用于实时获取香烟柜台的图像并将所述图像发送到所述信息处理装置;
所述信息处理装置,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求5或权利要求1至4任一项所述的应用于香烟柜台的信息处理方法;
所述信息终端,用于接收并显示所述信息处理装置发送的信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910519511.7A CN110309737A (zh) | 2019-06-14 | 2019-06-14 | 一种应用于香烟柜台的信息处理方法、装置及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910519511.7A CN110309737A (zh) | 2019-06-14 | 2019-06-14 | 一种应用于香烟柜台的信息处理方法、装置及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110309737A true CN110309737A (zh) | 2019-10-08 |
Family
ID=68077538
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910519511.7A Pending CN110309737A (zh) | 2019-06-14 | 2019-06-14 | 一种应用于香烟柜台的信息处理方法、装置及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110309737A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991372A (zh) * | 2019-12-09 | 2020-04-10 | 河南中烟工业有限责任公司 | 一种识别零售商户卷烟牌号陈列情况的方法 |
CN115205432A (zh) * | 2022-09-03 | 2022-10-18 | 深圳爱莫科技有限公司 | 一种香烟终端陈列样本图像自动生成的仿真方法与模型 |
CN118072128A (zh) * | 2024-04-19 | 2024-05-24 | 深圳爱莫科技有限公司 | 一种细粒度多模态大模型训练方法 |
-
2019
- 2019-06-14 CN CN201910519511.7A patent/CN110309737A/zh active Pending
Non-Patent Citations (3)
Title |
---|
吕建君: "基于深度学习的空域图像目标检测研究与实现", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 * |
孙肖祯: "基于RGBD视频序列的行人跟踪算法研究", 《万方数据》 * |
潘浩: "基于深度学习的军事目标识别", 《万方数据》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991372A (zh) * | 2019-12-09 | 2020-04-10 | 河南中烟工业有限责任公司 | 一种识别零售商户卷烟牌号陈列情况的方法 |
CN115205432A (zh) * | 2022-09-03 | 2022-10-18 | 深圳爱莫科技有限公司 | 一种香烟终端陈列样本图像自动生成的仿真方法与模型 |
CN118072128A (zh) * | 2024-04-19 | 2024-05-24 | 深圳爱莫科技有限公司 | 一种细粒度多模态大模型训练方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107045641B (zh) | 一种基于图像识别技术的货架识别方法 | |
CN110826538B (zh) | 一种用于电力营业厅的异常离岗识别*** | |
CN111507283B (zh) | 基于课堂场景的学生行为识别方法及*** | |
CN110309737A (zh) | 一种应用于香烟柜台的信息处理方法、装置及*** | |
CN109325542A (zh) | 一种基于多阶机器学习的电量异常智能识别方法及*** | |
CN112801431B (zh) | 基于人工智能分析的企业经营风险评估方法及*** | |
CN107169106A (zh) | 视频检索方法、装置、存储介质及处理器 | |
Rong et al. | Pest Identification and Counting of Yellow Plate in Field Based on Improved Mask R‐CNN | |
CN106559634A (zh) | 用于交通卡口视频监控的数据存储方法及装置 | |
CN114187036B (zh) | 一种基于行为特征识别的互联网广告智能推荐管理*** | |
CN114625901B (zh) | 一种多算法整合方法及装置 | |
CN115660262A (zh) | 一种基于数据库应用的工程智慧质检方法、***及介质 | |
CN111738199A (zh) | 图像信息验证方法、装置、计算装置和介质 | |
CN109117771A (zh) | 一种基于锚节点的图像中暴力事件检测***及方法 | |
CN115063084A (zh) | 一种卷烟零售商户库存盘点方法及*** | |
CN114612897A (zh) | 一种智能果蔬称重打票方法、装置、电子设备及存储介质 | |
CN106503747A (zh) | 一种图像识别统计分析*** | |
CN116484109B (zh) | 基于人工智能的客户画像分析***及方法 | |
CN109801394B (zh) | 一种工作人员考勤方法及装置、电子设备和可读存储介质 | |
CN111563737A (zh) | 一种基于人脸识别的智能用餐***及方法 | |
CN113989499B (zh) | 一种基于人工智能的银行场景下智能报警方法 | |
CN109064578A (zh) | 一种基于云服务的考勤***及方法 | |
CN112347889B (zh) | 一种变电站作业行为辨识方法及装置 | |
CN115050056A (zh) | 一种离岗超时算法模型训练及人员身份逻辑判断方法 | |
CN113379211B (zh) | 基于区块链的物流信息平台违约风险管控***及方法 |
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: 20191008 |