CN112381184B - 图像检测方法、装置、电子设备和计算机可读介质 - Google Patents

图像检测方法、装置、电子设备和计算机可读介质 Download PDF

Info

Publication number
CN112381184B
CN112381184B CN202110051707.5A CN202110051707A CN112381184B CN 112381184 B CN112381184 B CN 112381184B CN 202110051707 A CN202110051707 A CN 202110051707A CN 112381184 B CN112381184 B CN 112381184B
Authority
CN
China
Prior art keywords
image
training sample
value
sample
vector
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110051707.5A
Other languages
English (en)
Other versions
CN112381184A (zh
Inventor
王涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Shilianzhonghe Technology Co ltd
Original Assignee
Beijing Missfresh Ecommerce Co Ltd
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 Beijing Missfresh Ecommerce Co Ltd filed Critical Beijing Missfresh Ecommerce Co Ltd
Priority to CN202110051707.5A priority Critical patent/CN112381184B/zh
Publication of CN112381184A publication Critical patent/CN112381184A/zh
Application granted granted Critical
Publication of CN112381184B publication Critical patent/CN112381184B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本公开的实施例公开了图像检测方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：获取待检测物品的第一物品图像和第二物品图像；对上述第一物品图像和上述第二物品图像分别进行图片特征提取处理，得到第一物品图像向量和第二物品图像向量；对上述第一物品图像向量和上述第二物品图像向量进行融合处理以生成融合向量；将上述融合向量输入至预先训练的图像检测模型中，得到图像检测结果；将上述图像检测结果发送至具有显示功能和存储功能的结算设备以进行结算处理。该实施方式实现了从多个角度对用户获取的物品进行检测，提高了物品检测结果的准确度。从而，降低了物品结算的误差率。

Description

图像检测方法、装置、电子设备和计算机可读介质
技术领域
本公开的实施例涉及计算机技术领域，具体涉及图像检测方法、装置、电子设备和计算机可读介质。
背景技术
随着互联网技术的发展，出现越来越多的自动售货柜。用户在通过自动售货柜获取物品时，自动售货柜通常会采用传统的RFID（Radio Frequency Identification，射频识别）技术对用户获取的物品进行检测，以及根据检测结果进行结算处理。
然而，采用上述检测方式通常会存在以下技术问题：
第一，无法从多个角度对用户获取的物品进行检测，导致物品的检测结果的准确度不高，造成物品结算的误差率较高；
第二，传统的射频识别技术在进行物品检测时，未综合考虑图像所包括的各个信息之间的关系，进而，使得对物品检测的准确度较低，进一步造成物品结算的误差率较高。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了图像检测方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面，本公开的一些实施例提供了一种图像检测方法，该方法包括：获取待检测物品的第一物品图像和第二物品图像；对上述第一物品图像和上述第二物品图像分别进行图片特征提取处理，得到第一物品图像向量和第二物品图像向量；对上述第一物品图像向量和上述第二物品图像向量进行融合处理以生成融合向量；将上述融合向量输入至预先训练的图像检测模型中，得到图像检测结果；将上述图像检测结果发送至具有显示功能和存储功能的结算设备以进行结算处理。
在一些实施例中，所述基于所述至少一个训练样本、所述至少一个训练样本中的每个训练样本对应的图像检测结果、所述第一差值组和所述第二差值组，确定所述至少一个训练样本的损失值，包括：
通过公式，生成所述至少一个训练样本的损失值：
Figure 520138DEST_PATH_IMAGE001
，
其中，
Figure 700584DEST_PATH_IMAGE002
表示图像高度损失值，
Figure 300192DEST_PATH_IMAGE003
表示所述至少一个训练样本所包括的训练样本的数量，
Figure 907891DEST_PATH_IMAGE004
表示所述至少一个训练样本中训练样本的序号，
Figure 225740DEST_PATH_IMAGE005
表示所述至少一个训练样本中第
Figure 193565DEST_PATH_IMAGE004
个训练样本包括的样本图像高度值，
Figure 647680DEST_PATH_IMAGE006
表示所述至少一个训练样本中第
Figure 426280DEST_PATH_IMAGE004
个训练样本包括的样本图像高度值对应的第一差值，
Figure 231425DEST_PATH_IMAGE007
表示预设高度调整值，
Figure 19253DEST_PATH_IMAGE008
表示所述至少一个训练样本中第
Figure 577142DEST_PATH_IMAGE004
个训练样本对应的图像高度值，
Figure 526643DEST_PATH_IMAGE009
表示
Figure 553505DEST_PATH_IMAGE010
和
Figure 145023DEST_PATH_IMAGE011
中的最大值，
Figure 308151DEST_PATH_IMAGE012
表示预设图像属性损失值，
Figure 694133DEST_PATH_IMAGE013
表示所述至少一个训练样本中第
Figure 723138DEST_PATH_IMAGE004
个训练样本包括的样本属性值，
Figure 852768DEST_PATH_IMAGE014
表示所述至少一个训练样本中第
Figure 870403DEST_PATH_IMAGE004
个训练样本包括的样本属性值对应的第二差值，
Figure 958444DEST_PATH_IMAGE015
表示所述至少一个训练样本中第
Figure 694319DEST_PATH_IMAGE004
个训练样本对应的图像属性值，
Figure 893219DEST_PATH_IMAGE016
表示
Figure 765361DEST_PATH_IMAGE017
和
Figure 7992DEST_PATH_IMAGE018
中的最大值，
Figure 496742DEST_PATH_IMAGE019
表示所述至少一个训练样本的损失值。
第二方面，本公开的一些实施例提供了一种图像检测装置，装置包括：获取单元，被配置成获取待检测物品的第一物品图像和第二物品图像；提取单元，被配置成对上述第一物品图像和上述第二物品图像分别进行图片特征提取处理，得到第一物品图像向量和第二物品图像向量；融合单元，被配置成对上述第一物品图像向量和上述第二物品图像向量进行融合处理以生成融合向量；输入单元，被配置成将上述融合向量输入至预先训练的图像检测模型中，得到图像检测结果；发送单元，被配置成将上述图像检测结果发送至具有显示功能和存储功能的结算设备以进行结算处理。
第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的图像检测方法，提高了物品检测结果的准确度，物品结算的误差率有所降低。具体来说，造成物品检测结果的准确度不高的原因在于：无法从多个角度对用户获取的物品进行检测，导致物品的检测结果的准确度不高，造成物品结算的误差率较高。基于此，本公开的一些实施例的图像检测方法，首先，获取待检测物品的第一物品图像和第二物品图像。由此，为从两个不同的角度对待检测物品进行检测提供了数据支持。其次，对上述第一物品图像和上述第二物品图像分别进行图片特征提取处理，得到第一物品图像向量和第二物品图像向量。然后，对上述第一物品图像向量和上述第二物品图像向量进行融合处理以生成融合向量。由此，便于综合考量待检测物品的变化，为提高物品检测结果的准确度提供了数据支持。接着，将上述融合向量输入至预先训练的图像检测模型中，得到图像检测结果。由此，实现了从多个角度对用户获取的物品进行检测，提高了物品检测结果的准确度。从而，降低了物品结算的误差率。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
图1是根据本公开的一些实施例的图像检测方法的一个应用场景的示意图；
图2是根据本公开的图像检测方法的一些实施例的流程图；
图3是根据本公开的图像检测方法的一些实施例中的图像检测模型；
图4是根据本公开的图像检测方法的另一些实施例的流程图；
图5是根据本公开的图像检测装置的一些实施例的结构示意图；
图6是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是根据本公开一些实施例的图像检测方法的应用场景的一个示意图。
在图1的应用场景中，首先，计算设备101可以获取待检测物品的第一物品图像102和第二物品图像103。其次，计算设备101可以对上述第一物品图像102和上述第二物品图像103分别进行图片特征提取处理，得到第一物品图像向量104和第二物品图像向量105。然后，计算设备101可以对上述第一物品图像向量104和上述第二物品图像向量105进行融合处理以生成融合向量106。接着，计算设备101可以将上述融合向量106输入至预先训练的图像检测模型107中，得到图像检测结果108。最后，计算设备101可以将上述图像检测结果108发送至具有显示功能和存储功能的结算设备109以进行结算处理。
需要说明的是，上述计算设备101可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解，图1中的计算设备的数目仅仅是示意性的。根据实现需要，可以具有任意数目的计算设备。
继续参考图2，示出了根据本公开的图像检测方法的一些实施例的流程200。该方法可以由图1中的计算设备101来执行。该图像检测方法，包括以下步骤：
步骤201，获取待检测物品的第一物品图像和第二物品图像。
在一些实施例中，图像检测方法的执行主体（例如，图1所示的计算设备101）可以通过有线连接方式或者无线连接方式从设备终端获取待检测物品的第一物品图像和第二物品图像。这里，待检测物品可以是指自动售货柜中存放的，且与用户从上述自动售货柜中获取的相同的物品。这里，第一物品图像可以是指用户在获取上述物品之前，自动售货柜中存放上述物品时的图像。这里，第二物品图像可以是指用户在获取上述物品之后，自动售货柜中存放上述物品时的图像。例如，第一物品图像或第二物品图像可以包括但不限于以下至少一项：物品名称，物品属性值（价格），物品高度值等字样图像。
步骤202，对上述第一物品图像和上述第二物品图像分别进行图片特征提取处理，得到第一物品图像向量和第二物品图像向量。
在一些实施例中，上述执行主体可以通过预先训练的初始图像提取网络模型对上述第一物品图像和上述第二物品图像分别进行图片特征提取处理，得到第一物品图像向量和第二物品图像向量。这里，初始图像提取网络模型可以是VGG（Visual Geometry GroupNetwork，视觉几何群网络）16模型，VGG19模型等模型。例如，第一物品图像向量可以是[0，0，0，1，0]，第二物品图像向量可以是[0，0，1，0，0]。
在一些实施例的一些可选的实现方式中，上述执行主体还可以通过以下步骤得到第一物品图像向量和第二物品图像向量：
第一步，请参见图3，将上述第一物品图像输入至预先训练的图片特征提取网络，得到第一物品图像向量。其中，上述图片特征提取网络包括：卷积网络301和池化网络304，上述卷积网络301包括第一卷积层3011和第二卷积层3012，上述池化网络304包括第一池化层3041和第二池化层3042。
实践中，上述第一步可以包括以下子步骤：
第一子步骤，将上述第一物品图像分别输入至上述第一卷积层3011和上述第二卷积层3012，得到第一图像特征序列302和第二图像特征序列303。
第二子步骤，将上述第一图像特征序列302和上述第二图像特征序列303输入至上述第一池化层3041，得到第一池化特征向量序列集305。这里，第一池化层3041可以用于进行特征压缩和降维。
第三子步骤，将上述第一图像特征序列302和上述第二图像特征序列303输入至上述第二池化层3042，得到第二池化特征向量序列集306。这里，第一池化层3042可以用于进行特征压缩和降维。
第四子步骤，将上述第一池化特征向量序列集305中的每个第一池化特征向量序列和对应上述第一池化特征向量序列的第二池化特征向量序列进行拼接处理以生成拼接池化特征向量序列，得到拼接池化特征向量序列集307。实践中，上述第一池化特征向量序列集305可以是[[0.5，0，0，0，0]，[0，0.5，0，0，0]]。上述第二池化特征向量序列集306可以是[[1，0，0，0，0]，[0，1，0，0，0]]。从而，得到拼接池化特征向量序列集307可以是[[0.5，0，0，0，0，1，0，0，0，0]，[0，0.5，0，0，0，0，1，0，0，0]]。
第五子步骤，对上述拼接池化特征向量序列集中的各个拼接池化特征向量序列进行融合处理，得到融合池化特征向量作为第一物品图像向量。这里，融合处理可以是指拼接处理。例如，对拼接池化特征向量序列集307中的各个拼接池化特征向量序列进行融合处理，得到融合池化特征向量[0.5，0，0，0，0，1，0，0，0，0，0，0.5，0，0，0，0，1，0，0，0]作为第一物品图像向量104。
第二步，将上述第二物品图像输入至上述图片特征提取网络，得到第二物品图像向量。实践中，可参见图3以及相关内容的描述。
步骤203，对上述第一物品图像向量和上述第二物品图像向量进行融合处理以生成融合向量。
在一些实施例中，上述执行主体可以可以对上述第一物品图像向量和上述第二物品图像向量进行融合处理以生成融合向量。这里，融合处理可以是指拼接处理。例如，第一物品图像向量可以是[0，0，0，1，0]，第二物品图像向量可以是[0，0，1，0，0]。将上述第一物品图像向量和上述第二物品图像向量进行融合处理以生成融合向量[0，0，0，1，0，0，0，1，0，0]。
步骤204，将上述融合向量输入至预先训练的图像检测模型中，得到图像检测结果。
在一些实施例中，上述执行主体可以将上述融合向量输入至预先训练的图像检测模型中，得到图像检测结果。这里，预先训练的图像检测模型可以是多种结果的网络模型。例如，CNN（Convolutional Neural Networks，卷积神经网络）模型、RNN（Recurrent NeuralNetwork，循环神经网络）模型或DNN（Deep Neural Networks，深度神经网络）模型等等。当然，也可以是根据实际需要进行搭建的模型。
步骤205，将上述图像检测结果发送至具有显示功能和存储功能的结算设备以进行结算处理。
在一些实施例中，上述执行主体可以将上述图像检测结果发送至具有显示功能和存储功能的结算设备以进行结算处理。例如，图像检测结果可以是“A物品10件，总价30元”。结算设备“001”可以根据“A物品10件，总价30元”进行结算处理。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的图像检测方法，提高了物品检测结果的准确度，物品结算的误差率有所降低。具体来说，造成物品检测结果的准确度不高的原因在于：无法从多个角度对用户获取的物品进行检测，导致物品的检测结果的准确度不高，造成物品结算的误差率较高。基于此，本公开的一些实施例的图像检测方法，首先，获取待检测物品的第一物品图像和第二物品图像。由此，为从两个不同的角度对待检测物品进行检测提供了数据支持。其次，对上述第一物品图像和上述第二物品图像分别进行图片特征提取处理，得到第一物品图像向量和第二物品图像向量。然后，对上述第一物品图像向量和上述第二物品图像向量进行融合处理以生成融合向量。由此，便于综合考量待检测物品的变化，为提高物品检测结果的准确度提供了数据支持。接着，将上述融合向量输入至预先训练的图像检测模型中，得到图像检测结果。由此，实现了从多个角度对用户获取的物品进行检测，提高了物品检测结果的准确度。从而，降低了物品结算的误差率。
进一步参考图4，示出了根据本公开的图像检测方法的另一些实施例的流程400。该方法可以由图1的计算设备101来执行。该图像检测方法，包括以下步骤：
步骤401，获取待检测物品的第一物品图像和第二物品图像。
步骤402，对上述第一物品图像和上述第二物品图像分别进行图片特征提取处理，得到第一物品图像向量和第二物品图像向量。
步骤403，对上述第一物品图像向量和上述第二物品图像向量进行融合处理以生成融合向量。
在一些实施例中，步骤401-403的具体实现方式及所带来的技术效果可以参考图2对应的那些实施例中的步骤201-203，在此不再赘述。
步骤404，将上述融合向量输入至预先训练的图像检测模型中，得到图像检测结果。
在一些实施例中，图像检测方法的执行主体（例如，图1所示的计算设备101）可以通过各种方法将上述融合向量输入至预先训练的图像检测模型中，得到图像检测结果。其中，图像检测模型是通过以下步骤训练得到的;
第一步，获取训练样本集。其中，上述训练样本集中的训练样本包括：样本图像、样本名称、样本图像高度值和样本属性值。这里，样本属性值可以是指物品的价值转移属性值（价格）。例如，训练样本可以是“巧克力.png，巧克力，15cm，20元”。
第二步，将训练样本集中的至少一个训练样本包括的样本图像输入至初始神经网络，得到上述至少一个训练样本中的每个训练样本对应的图像检测结果。其中，上述图像检测结果包括图像名称、图像高度值和图像属性值。这里，上述初始神经网络模型可以是未经过模型训练的CNN（Convolutional Neural Networks，卷积神经网络），RNN（RecurrentNeural Networks，循环神经网络）等等。
实践中，在上述第二步之前需要确定初始神经网络的网络结构。例如，需要确定初始神经网络模型包括哪些层，层与层之间的连接顺序关系，以及每层都包括哪些神经元，每个神经元对应的权重（weight）和偏置项（bias），每层的激活函数等等。作为示例，当上述初始神经网络模型为深度卷积神经网络时，由于深度卷积神经网络是一个多层的神经网络，因此需要确定深度卷积神经网络包括哪些层（例如，卷积层，池化层，全连接层，分类器等等），层与层之间的连接顺序关系，以及每个层都包括哪些网络参数（例如，权重、偏置项、卷积的步长）等等。其中，卷积层可以用于提取信息特征。针对每个卷积层可以确定有多少个卷积核，每个卷积核的大小，每个卷积核中的各个神经元的权重，每个卷积核对应的偏置项，相邻两次卷积之间的步长等等。池化层用于对特征信息进行降维处理。
第三步，通过损失函数，确定上述至少一个训练样本的损失值。这里，损失函数可以用于确定至少一个训练样本的损失值。损失函数可以包括但不限于：均方误差损失函数（MSE）、合页损失函数（SVM）、交叉熵损失函数（CrossEntropy）等等。
在一些实施例的一些可选的实现方式中，上述第三步可以包括以下子步骤：
第一子步骤，将上述至少一个训练样本中的每个训练样本对应的图像检测结果包括的图像高度值和上述训练样本包括的样本图像高度值的差值确定为第一差值，得到第一差值组。
第二子步骤，将上述至少一个训练样本中的每个训练样本对应的图像检测结果包括的图像属性值和上述训练样本包括的样本属性值的差值确定为第二差值，得到第二差值组。
第三子步骤，基于上述至少一个训练样本、上述至少一个训练样本中的每个训练样本对应的图像检测结果、上述第一差值组和上述第二差值组，确定上述至少一个训练样本的损失值。通过公式，生成上述至少一个训练样本的损失值：
Figure 702595DEST_PATH_IMAGE001
。
其中，
Figure 960401DEST_PATH_IMAGE002
表示图像高度损失值，
Figure 124667DEST_PATH_IMAGE003
表示上述至少一个训练样本所包括的训练样本的数量，
Figure 835134DEST_PATH_IMAGE004
表示上述至少一个训练样本中训练样本的序号，
Figure 110257DEST_PATH_IMAGE005
表示上述至少一个训练样本中第
Figure 753728DEST_PATH_IMAGE004
个训练样本包括的样本图像高度值，
Figure 818722DEST_PATH_IMAGE006
表示上述至少一个训练样本中第
Figure 282065DEST_PATH_IMAGE004
个训练样本包括的样本图像高度值对应的第一差值，
Figure 360879DEST_PATH_IMAGE007
表示预设高度调整值，
Figure 593277DEST_PATH_IMAGE008
表示上述至少一个训练样本中第
Figure 833766DEST_PATH_IMAGE004
个训练样本对应的图像高度值，
Figure 784404DEST_PATH_IMAGE009
表示
Figure 401330DEST_PATH_IMAGE010
和
Figure 488235DEST_PATH_IMAGE011
中的最大值，
Figure 414472DEST_PATH_IMAGE012
表示预设图像属性损失值，
Figure 586827DEST_PATH_IMAGE013
表示上述至少一个训练样本中第
Figure 741865DEST_PATH_IMAGE004
个训练样本包括的样本属性值，
Figure 948855DEST_PATH_IMAGE014
表示上述至少一个训练样本中第
Figure 531146DEST_PATH_IMAGE004
个训练样本包括的样本属性值对应的第二差值，
Figure 190798DEST_PATH_IMAGE015
表示上述至少一个训练样本中第
Figure 149527DEST_PATH_IMAGE004
个训练样本对应的图像属性值，
Figure 211024DEST_PATH_IMAGE016
表示
Figure 479063DEST_PATH_IMAGE017
和
Figure 626010DEST_PATH_IMAGE018
中的最大值，
Figure 122851DEST_PATH_IMAGE019
表示上述至少一个训练样本的损失值。
第四步，响应于确定损失值小于等于预设阈值，将初始神经网络确定为图像检测模型。
第五步，响应于确定损失值大于上述预设阈值，调整初始神经网络的网络参数，以及使用未使用过的训练样本组成训练样本集，将调整后的初始神经网络作为初始神经网络，再次执行上述处理步骤。
上述公式及其相关内容作为本公开的一个发明点，解决了背景技术提及的技术问题二“传统的射频识别技术在进行物品检测时，未综合考虑图像所包括的各个信息之间的关系，进而，使得对物品检测的准确度较低，进一步造成物品结算的误差率较高”。造成用户的等待时间较长的因素往往如下：传统的射频识别技术在进行物品检测时，未综合考虑图像所包括的各个信息之间的关系，进而，使得对物品检测的准确度较低。如果解决了上述因素，就能够达到降低用户等待时间的效果。为了达到这一效果，本公开采用了不同的轻量级损失函数对物品图像高度值和图像属性值进行损失值求和。通过对得到的损失值求和能够以较短时间达到预定阈值，进而加快了模型的收敛速度。从而解决了传统的射频识别技术在进行物品检测时，未综合考虑图像所包括的各个信息之间的关系的问题。进而，提高了对物品检测的准确度，使得物品结算的误差率有所降低。
步骤405，将上述图像检测结果发送至具有显示功能和存储功能的结算设备以进行结算处理。
在一些实施例中，步骤405的具体实现方式及所带来的技术效果可以参考图2对应的那些实施例中的步骤205，在此不再赘述。
从图4可以看出，与图2对应的一些实施例的描述相比，图4对应的一些实施例中的图像检测方法的流程400体现了对图像检测模型的训练步骤。采用了不同的轻量级损失函数对物品图像高度值和图像属性值进行损失值求和。通过对得到的损失值求和能够以较短时间达到预定阈值，进而加快了模型的收敛速度。从而解决了传统的射频识别技术在进行物品检测时，未综合考虑图像所包括的各个信息之间的关系的问题。进而，提高了对物品检测的准确度，使得物品结算的误差率有所降低。
进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种图像检测装置的一些实施例，这些装置实施例与图2上述的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，一些实施例的图像检测装置500包括：获取单元501、提取单元502、融合单元503、输入单元504和发送单元505。其中，获取单元501被配置成获取待检测物品的第一物品图像和第二物品图像；提取单元502被配置成对上述第一物品图像和上述第二物品图像分别进行图片特征提取处理，得到第一物品图像向量和第二物品图像向量；融合单元503被配置成对上述第一物品图像向量和上述第二物品图像向量进行融合处理以生成融合向量；输入单元504被配置成将上述融合向量输入至预先训练的图像检测模型中，得到图像检测结果；发送单元505被配置成将上述图像检测结果发送至具有显示功能和存储功能的结算设备以进行结算处理。
在一些实施例的一些可选的实现方式中，提取单元502被进一步配置成：将上述第一物品图像输入至预先训练的图片特征提取网络，得到第一物品图像向量；将上述第二物品图像输入至上述图片特征提取网络，得到第二物品图像向量。
在一些实施例的一些可选的实现方式中，上述图片特征提取网络包括：卷积网络和池化网络，上述卷积网络包括第一卷积层和第二卷积层，上述池化网络包括第一池化层和第二池化层。
在一些实施例的一些可选的实现方式中，提取单元502被进一步配置成：将上述第一物品图像分别输入至上述第一卷积层和上述第二卷积层，得到第一图像特征序列和第二图像特征序列；将上述第一图像特征序列和上述第二图像特征序列输入至上述第一池化层，得到第一池化特征向量序列集；将上述第一图像特征序列和上述第二图像特征序列输入至上述第二池化层，得到第二池化特征向量序列集；将上述第一池化特征向量序列集中的每个第一池化特征向量序列和对应上述第一池化特征向量序列的第二池化特征向量序列进行拼接处理以生成拼接池化特征向量序列，得到拼接池化特征向量序列集；对上述拼接池化特征向量序列集中的各个拼接池化特征向量序列进行融合处理，得到融合池化特征向量作为第一物品图像向量。
可以理解的是，该装置500中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置500及其中包含的单元，在此不再赘述。
下面参考图6，其示出了适于用来实现本公开的一些实施例的电子设备（例如图1中的计算设备101）600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图6所示，电子设备600可以包括处理装置（例如中央处理器、图形处理器等）601，其可以根据存储在只读存储器（ROM）602中的程序或者从存储装置608加载到随机访问存储器（RAM）603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出（I/O）接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP（HyperText TransferProtocol，超文本传输协议）之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信（例如，通信网络）互连。通信网络的示例包括局域网（“LAN”），广域网（“WAN”），网际网（例如，互联网）以及端对端网络（例如，ad hoc端对端网络），以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述装置中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取待检测物品的第一物品图像和第二物品图像；对上述第一物品图像和上述第二物品图像分别进行图片特征提取处理，得到第一物品图像向量和第二物品图像向量；对上述第一物品图像向量和上述第二物品图像向量进行融合处理以生成融合向量；将上述融合向量输入至预先训练的图像检测模型中，得到图像检测结果；将上述图像检测结果发送至具有显示功能和存储功能的结算设备以进行结算处理。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网（LAN）或广域网（WAN）——连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、提取单元、融合单元、输入单元和发送单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，显示单元还可以被描述为“将上述图像检测结果发送至具有显示功能和存储功能的结算设备以进行结算处理的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上***（SOC）、复杂可编程逻辑设备（CPLD）等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (8)

1.一种图像检测方法，包括：
获取待检测物品的第一物品图像和第二物品图像；
对所述第一物品图像和所述第二物品图像分别进行图片特征提取处理，得到第一物品图像向量和第二物品图像向量；
对所述第一物品图像向量和所述第二物品图像向量进行融合处理以生成融合向量；
将所述融合向量输入至预先训练的图像检测模型中，得到图像检测结果；
将所述图像检测结果发送至具有显示功能和存储功能的结算设备以进行结算处理；
其中，所述图像检测模型是通过以下步骤训练得到的：
获取训练样本集，其中，所述训练样本集中的训练样本包括：样本图像、样本名称、样本图像高度值和样本属性值；
基于训练样本集，执行如下处理步骤：
将训练样本集中的至少一个训练样本包括的样本图像输入至初始神经网络，得到所述至少一个训练样本中的每个训练样本对应的图像检测结果，其中，所述图像检测结果包括图像名称、图像高度值和图像属性值；
通过损失函数，确定所述至少一个训练样本的损失值；
响应于确定损失值小于等于预设阈值，将初始神经网络确定为图像检测模型；
其中，所述确定所述至少一个训练样本的损失值，包括：
将所述至少一个训练样本中的每个训练样本对应的图像检测结果包括的图像高度值和所述训练样本包括的样本图像高度值的差值确定为第一差值，得到第一差值组；
将所述至少一个训练样本中的每个训练样本对应的图像检测结果包括的图像属性值和所述训练样本包括的样本属性值的差值确定为第二差值，得到第二差值组；
基于所述至少一个训练样本、所述至少一个训练样本中的每个训练样本对应的图像检测结果、所述第一差值组和所述第二差值组，确定所述至少一个训练样本的损失值；
其中，所述基于所述至少一个训练样本、所述至少一个训练样本中的每个训练样本对应的图像检测结果、所述第一差值组和所述第二差值组，确定所述至少一个训练样本的损失值，包括：
通过公式，生成所述至少一个训练样本的损失值：
Figure 501465DEST_PATH_IMAGE001
，
其中，
Figure 418605DEST_PATH_IMAGE002
表示图像高度损失值，
Figure 729501DEST_PATH_IMAGE003
表示所述至少一个训练样本所包括的训练样本的数量，
Figure 390290DEST_PATH_IMAGE004
表示所述至少一个训练样本中训练样本的序号，
Figure 204662DEST_PATH_IMAGE005
表示所述至少一个训练样本中第
Figure 558283DEST_PATH_IMAGE004
个训练样本包括的样本图像高度值，
Figure 841628DEST_PATH_IMAGE006
表示所述至少一个训练样本中第
Figure 306107DEST_PATH_IMAGE004
个训练样本包括的样本图像高度值对应的第一差值，
Figure 974986DEST_PATH_IMAGE007
表示预设高度调整值，
Figure 765087DEST_PATH_IMAGE008
表示所述至少一个训练样本中第
Figure 50575DEST_PATH_IMAGE004
个训练样本对应的图像高度值，
Figure 787587DEST_PATH_IMAGE009
表示
Figure 91398DEST_PATH_IMAGE010
和
Figure 52401DEST_PATH_IMAGE011
中的最大值，
Figure 294026DEST_PATH_IMAGE012
表示预设图像属性损失值，
Figure 365888DEST_PATH_IMAGE013
表示所述至少一个训练样本中第
Figure 540517DEST_PATH_IMAGE004
个训练样本包括的样本属性值，
Figure 891995DEST_PATH_IMAGE014
表示所述至少一个训练样本中第
Figure 152075DEST_PATH_IMAGE004
个训练样本包括的样本属性值对应的第二差值，
Figure 496469DEST_PATH_IMAGE015
表示所述至少一个训练样本中第
Figure 260025DEST_PATH_IMAGE004
个训练样本对应的图像属性值，
Figure 31672DEST_PATH_IMAGE016
表示
Figure 779049DEST_PATH_IMAGE017
和
Figure 179330DEST_PATH_IMAGE018
中的最大值，
Figure 62973DEST_PATH_IMAGE019
表示所述至少一个训练样本的损失值。
2.根据权利要求1所述的方法，其中，所述对所述第一物品图像和所述第二物品图像分别进行图片特征提取处理，得到第一物品图像向量和第二物品图像向量，包括：
将所述第一物品图像输入至预先训练的图片特征提取网络，得到第一物品图像向量；
将所述第二物品图像输入至所述图片特征提取网络，得到第二物品图像向量。
3.根据权利要求2所述的方法，其中，所述图片特征提取网络包括：卷积网络和池化网络，所述卷积网络包括第一卷积层和第二卷积层，所述池化网络包括第一池化层和第二池化层。
4.根据权利要求3所述的方法，其中，所述将所述第一物品图像输入至预先训练的图片特征提取网络，得到第一物品图像向量，包括：
将所述第一物品图像分别输入至所述第一卷积层和所述第二卷积层，得到第一图像特征序列和第二图像特征序列；
将所述第一图像特征序列和所述第二图像特征序列输入至所述第一池化层，得到第一池化特征向量序列集；
将所述第一图像特征序列和所述第二图像特征序列输入至所述第二池化层，得到第二池化特征向量序列集；
将所述第一池化特征向量序列集中的每个第一池化特征向量序列和对应所述第一池化特征向量序列的第二池化特征向量序列进行拼接处理以生成拼接池化特征向量序列，得到拼接池化特征向量序列集；
对所述拼接池化特征向量序列集中的各个拼接池化特征向量序列进行融合处理，得到融合池化特征向量作为第一物品图像向量。
5.根据权利要求1所述的方法，其中，所述方法还包括：
响应于确定损失值大于所述预设阈值，调整初始神经网络的网络参数，以及使用未使用过的训练样本组成训练样本集，将调整后的初始神经网络作为初始神经网络，再次执行所述处理步骤。
6.一种图像检测装置，包括：
获取单元，被配置成获取待检测物品的第一物品图像和第二物品图像；
提取单元，被配置成对所述第一物品图像和所述第二物品图像分别进行图片特征提取处理，得到第一物品图像向量和第二物品图像向量；
融合单元，被配置成对所述第一物品图像向量和所述第二物品图像向量进行融合处理以生成融合向量；
输入单元，被配置成将所述融合向量输入至预先训练的图像检测模型中，得到图像检测结果，其中，所述图像检测模型是通过以下步骤训练得到的：
获取训练样本集，其中，所述训练样本集中的训练样本包括：样本图像、样本名称、样本图像高度值和样本属性值；
基于训练样本集，执行如下处理步骤：
将训练样本集中的至少一个训练样本包括的样本图像输入至初始神经网络，得到所述至少一个训练样本中的每个训练样本对应的图像检测结果，其中，所述图像检测结果包括图像名称、图像高度值和图像属性值；
通过损失函数，确定所述至少一个训练样本的损失值；
响应于确定损失值小于等于预设阈值，将初始神经网络确定为图像检测模型；
其中，所述确定所述至少一个训练样本的损失值，包括：
将所述至少一个训练样本中的每个训练样本对应的图像检测结果包括的图像高度值和所述训练样本包括的样本图像高度值的差值确定为第一差值，得到第一差值组；
将所述至少一个训练样本中的每个训练样本对应的图像检测结果包括的图像属性值和所述训练样本包括的样本属性值的差值确定为第二差值，得到第二差值组；
基于所述至少一个训练样本、所述至少一个训练样本中的每个训练样本对应的图像检测结果、所述第一差值组和所述第二差值组，确定所述至少一个训练样本的损失值；
其中，所述基于所述至少一个训练样本、所述至少一个训练样本中的每个训练样本对应的图像检测结果、所述第一差值组和所述第二差值组，确定所述至少一个训练样本的损失值，包括：
通过公式，生成所述至少一个训练样本的损失值：
Figure 536679DEST_PATH_IMAGE020
，
其中，
Figure 240193DEST_PATH_IMAGE002
表示图像高度损失值，
Figure 926389DEST_PATH_IMAGE021
表示所述至少一个训练样本所包括的训练样本的数量，
Figure 680850DEST_PATH_IMAGE004
表示所述至少一个训练样本中训练样本的序号，
Figure 794299DEST_PATH_IMAGE005
表示所述至少一个训练样本中第
Figure 985109DEST_PATH_IMAGE004
个训练样本包括的样本图像高度值，
Figure 474997DEST_PATH_IMAGE006
表示所述至少一个训练样本中第
Figure 67652DEST_PATH_IMAGE004
个训练样本包括的样本图像高度值对应的第一差值，
Figure 617582DEST_PATH_IMAGE007
表示预设高度调整值，
Figure 295688DEST_PATH_IMAGE008
表示所述至少一个训练样本中第
Figure 323687DEST_PATH_IMAGE004
个训练样本对应的图像高度值，
Figure 505269DEST_PATH_IMAGE022
表示
Figure 740948DEST_PATH_IMAGE010
和
Figure 906350DEST_PATH_IMAGE011
中的最大值，
Figure 738039DEST_PATH_IMAGE012
表示预设图像属性损失值，
Figure 39708DEST_PATH_IMAGE023
表示所述至少一个训练样本中第
Figure 197020DEST_PATH_IMAGE004
个训练样本包括的样本属性值，
Figure 849718DEST_PATH_IMAGE014
表示所述至少一个训练样本中第
Figure 970252DEST_PATH_IMAGE004
个训练样本包括的样本属性值对应的第二差值，
Figure 392006DEST_PATH_IMAGE015
表示所述至少一个训练样本中第
Figure 454640DEST_PATH_IMAGE004
个训练样本对应的图像属性值，
Figure 329055DEST_PATH_IMAGE024
表示
Figure 768126DEST_PATH_IMAGE017
和
Figure 44387DEST_PATH_IMAGE018
中的最大值，
Figure 277922DEST_PATH_IMAGE019
表示所述至少一个训练样本的损失值；
发送单元，被配置成将所述图像检测结果发送至具有显示功能和存储功能的结算设备以进行结算处理。
7.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
8.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。
CN202110051707.5A 2021-01-15 2021-01-15 图像检测方法、装置、电子设备和计算机可读介质 Active CN112381184B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110051707.5A CN112381184B (zh) 2021-01-15 2021-01-15 图像检测方法、装置、电子设备和计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110051707.5A CN112381184B (zh) 2021-01-15 2021-01-15 图像检测方法、装置、电子设备和计算机可读介质

Publications (2)

Publication Number Publication Date
CN112381184A CN112381184A (zh) 2021-02-19
CN112381184B true CN112381184B (zh) 2021-05-25

Family

ID=74581858

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110051707.5A Active CN112381184B (zh) 2021-01-15 2021-01-15 图像检测方法、装置、电子设备和计算机可读介质

Country Status (1)

Country Link
CN (1) CN112381184B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113808187A (zh) * 2021-09-18 2021-12-17 京东鲲鹏(江苏)科技有限公司 视差图生成方法、装置、电子设备和计算机可读介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108960119A (zh) * 2018-06-28 2018-12-07 武汉市哈哈便利科技有限公司 一种用于无人售货柜的多角度视频融合的商品识别算法
CN109684950A (zh) * 2018-12-12 2019-04-26 联想(北京)有限公司 一种处理方法及电子设备
CN109697801A (zh) * 2017-10-23 2019-04-30 北京京东尚科信息技术有限公司 自助结算设备、方法、装置、介质及电子设备
CN111340126A (zh) * 2020-03-03 2020-06-26 腾讯云计算（北京）有限责任公司 物品识别方法、装置、计算机设备和存储介质
CN111339887A (zh) * 2020-02-20 2020-06-26 深圳前海达闼云端智能科技有限公司 商品识别方法及智能货柜***
CN111353540A (zh) * 2020-02-28 2020-06-30 创新奇智(青岛)科技有限公司 商品类别识别方法及装置、电子设备、存储介质
CN111415461A (zh) * 2019-01-08 2020-07-14 虹软科技股份有限公司 物品识别方法及***、电子设备
CN111553889A (zh) * 2020-04-16 2020-08-18 上海扩博智能技术有限公司 货架上商品摆放位置的对比方法、***、设备和存储介质
CN111626201A (zh) * 2020-05-26 2020-09-04 创新奇智(西安)科技有限公司 商品检测方法、装置及可读存储介质
CN111738245A (zh) * 2020-08-27 2020-10-02 创新奇智(北京)科技有限公司 商品识别管理方法、装置、服务器及可读存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109697801A (zh) * 2017-10-23 2019-04-30 北京京东尚科信息技术有限公司 自助结算设备、方法、装置、介质及电子设备
CN108960119A (zh) * 2018-06-28 2018-12-07 武汉市哈哈便利科技有限公司 一种用于无人售货柜的多角度视频融合的商品识别算法
CN109684950A (zh) * 2018-12-12 2019-04-26 联想(北京)有限公司 一种处理方法及电子设备
CN111415461A (zh) * 2019-01-08 2020-07-14 虹软科技股份有限公司 物品识别方法及***、电子设备
CN111339887A (zh) * 2020-02-20 2020-06-26 深圳前海达闼云端智能科技有限公司 商品识别方法及智能货柜***
CN111353540A (zh) * 2020-02-28 2020-06-30 创新奇智(青岛)科技有限公司 商品类别识别方法及装置、电子设备、存储介质
CN111340126A (zh) * 2020-03-03 2020-06-26 腾讯云计算（北京）有限责任公司 物品识别方法、装置、计算机设备和存储介质
CN111553889A (zh) * 2020-04-16 2020-08-18 上海扩博智能技术有限公司 货架上商品摆放位置的对比方法、***、设备和存储介质
CN111626201A (zh) * 2020-05-26 2020-09-04 创新奇智(西安)科技有限公司 商品检测方法、装置及可读存储介质
CN111738245A (zh) * 2020-08-27 2020-10-02 创新奇智(北京)科技有限公司 商品识别管理方法、装置、服务器及可读存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Multi-task cascade deep convolutional neural networks for large-scale commodity recognition;Xiaofeng Zou等;《Springer》;20190701;第1-15页 *
基于YOLOv3 的轻量级目标检测网络;齐榕等;《计算机应用与软件》;20201031;第37卷(第10期);参见第2.2节 *

Also Published As

Publication number Publication date
CN112381184A (zh) 2021-02-19

Similar Documents

Publication Publication Date Title
CN109800732B (zh) 用于生成漫画头像生成模型的方法和装置
CN111967467B (zh) 图像目标检测方法、装置、电子设备和计算机可读介质
CN112800276A (zh) 视频封面确定方法、装置、介质及设备
CN112381184B (zh) 图像检测方法、装置、电子设备和计算机可读介质
CN113468344A (zh) 实体关系抽取方法、装置、电子设备和计算机可读介质
CN112381074A (zh) 图像识别方法、装置、电子设备和计算机可读介质
CN114625876B (zh) 作者特征模型的生成方法、作者信息处理方法和装置
CN110765304A (zh) 图像处理方法、装置、电子设备及计算机可读介质
CN112529672B (zh) 物品信息推送方法、装置、电子设备和计算机可读介质
CN115272760A (zh) 适用于森林火灾烟雾检测的小样本烟雾图像细分类方法
CN111680754B (zh) 图像分类方法、装置、电子设备及计算机可读存储介质
CN111949860B (zh) 用于生成相关度确定模型的方法和装置
CN113780239A (zh) 虹膜识别方法、装置、电子设备和计算机可读介质
CN114202758A (zh) 食品信息生成方法、装置、电子设备和介质
CN112990135B (zh) 设备控制方法、装置、电子设备和计算机可读介质
CN113283115B (zh) 图像模型生成方法、装置和电子设备
CN113239943B (zh) 基于部件语义图的三维部件提取组合方法和装置
CN114155366B (zh) 动态柜图像识别模型训练方法、装置、电子设备和介质
CN113819989B (zh) 物品封装方法、装置、电子设备和计算机可读介质
CN111311616B (zh) 用于分割图像的方法和装置
CN111582458A (zh) 用于处理特征图的方法和装置、设备和介质
CN114627352A (zh) 物品信息生成方法、装置、电子设备和计算机可读介质
CN116188887A (zh) 属性识别预训练模型生成方法、属性识别模型生成方法
CN117076920A (zh) 模型训练方法、信息生成方法、装置、设备和介质
CN111932323A (zh) 物品信息界面显示方法、装置、设备和计算机可读介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240411

Address after: Room A-T0445, Building 3, No. 20 Yong'an Road, Shilong Economic Development Zone, Mentougou District, Beijing, 102300 (Cluster Registration)

Patentee after: Beijing Shilianzhonghe Technology Co.,Ltd.

Country or region after: China

Address before: 100102 room 801, 08 / F, building 7, yard 34, Chuangyuan Road, Chaoyang District, Beijing

Patentee before: BEIJING MISSFRESH E-COMMERCE Co.,Ltd.

Country or region before: China