CN113627411A - 一种基于超分辨率的商品识别与价格匹配方法及*** - Google Patents
一种基于超分辨率的商品识别与价格匹配方法及*** Download PDFInfo
- Publication number
- CN113627411A CN113627411A CN202111195164.0A CN202111195164A CN113627411A CN 113627411 A CN113627411 A CN 113627411A CN 202111195164 A CN202111195164 A CN 202111195164A CN 113627411 A CN113627411 A CN 113627411A
- Authority
- CN
- China
- Prior art keywords
- commodity
- price
- image
- price tag
- resolution
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims description 96
- 238000012360 testing method Methods 0.000 claims description 84
- 238000013135 deep learning Methods 0.000 claims description 16
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000001514 detection method Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000002860 competitive effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 235000019800 disodium phosphate Nutrition 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (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
本发明提供一种基于超分辨率的商品识别与价格匹配方法及***，其中方法包括：获取商品拍摄图像，将商品拍摄图像输入至商品识别模型中，根据商品识别模型对商品拍摄图像进行识别及裁剪，得到商品图像及价签图像；根据超分辨率模型对所述商品图像及所述价签图像进行处理，以增强像素，并得到增强商品图像数据及增强价签图像数据；通过文本识别算法对所述增强商品图像数据及所述增强价签图像数据进行文字识别，得到商品信息及与所述商品信息对应的价签信息；将所述商品信息及与所述商品信息对应的价签信息进行存储。本发明可实现单张图像中多个商品信息识别、多个价格信息识别，以及商品与其价格的智能化匹配。
Description
技术领域
本发明涉及图像处理与识别技术领域，特别是涉及一种基于超分辨率的商品识别与价格匹配方法及***。
背景技术
在快消行业中，快消企业生产的商品通过供货商、经销商把商品铺设在大型商超、连锁便利店、小型售货店等终端进行出售，不同区域以及不同级别的售货终端在销售产品时对于本品和竞品的真实定价，对于大型快消企业掌握市场信息，制定正确的营销决策非常重要。
一直以来，快消企业获取本品与竞品销售定价的传统做法是依靠不同区域的业务员，在进行门店拜访巡查时手动录入所关注产品的价格信息，这种获取价格信息的方法不仅效率很低，且难以验证获取到的价格信息的正确性。所以，即使获取到的价格信息中存在不准确的或者虚假的，也很难被查出，造成企业对市场的错误判断。
近年来，随着目标检测技术以及OCR技术落地应用的日趋成熟，不少大型企业为业务员提供了数字化信息采集工具来获取商品的信息数据。在采集商品价格信息时，APP或者小程序中会分别提供一个商品拍摄功能和一个价签拍摄功能，业务员在进行作业时，每次只能拍摄一个商品以及对应的一个价格信息分别进行提交。相比手工录入，这种操作方法虽然可以提升价格信息的真实性，但是对于一个或者多个货架上的商品，需要非常高频次的提交，无法提高工作效率。然而，如果同时拍摄多个商品及其价签图片，由于图片中的价签太小，又会造成价格信息的误识别、漏识别。
发明内容
本发明提供一种基于超分辨率的商品识别与价格匹配方法及***，实现单张图像中多个商品信息识别、多个价格信息识别，以及商品与其价格的智能化匹配。
本发明第一方面提供一种基于超分辨率的商品识别与价格匹配方法，包括：
获取商品拍摄图像，将所述商品拍摄图像输入至商品识别模型中，根据所述商品识别模型对所述商品拍摄图像进行识别及裁剪，得到商品图像及价签图像；其中，所述商品拍摄图像包括至少两张所述商品图像和与所述商品图像的数量相等的所述价签图像；
根据超分辨率模型对所述商品图像及所述价签图像进行处理，以增强像素，并得到增强商品图像数据及增强价签图像数据；
通过文本识别算法对所述增强商品图像数据及所述增强价签图像数据进行文字识别，得到商品信息及与所述商品信息对应的价签信息；
将所述商品信息及与所述商品信息对应的价签信息进行存储。
进一步地，所述将所述商品拍摄图像输入至商品识别模型之前，还包括：
获取商品拍摄图像数据集，并通过打标工具对所述商品拍摄图像数据集中的每一商品拍摄图像数据进行打标，得到打标数据集；
将所述打标数据集中的打标数据按照预设比例划分为商品识别模型的训练集及商品识别模型的测试集；
通过cascade深度学习网络算法，根据所述商品识别模型的训练集对商品识别初模型进行训练，得到商品识别训练模型；
根据所述商品识别模型的测试集对所述商品识别训练模型进行测试，得到测试成功率；将测试成功率满足阈值的商品识别训练模型作为商品识别模型。
进一步地，所述根据超分辨率模型对所述商品图像及所述价签图像进行处理之前，还包括：
获取商品图像数据集及价签图像数据集；
按照预设比例将商品图像数据集划分为商品图像训练数据及商品图像测试数据，并按照预设比例将价签图像数据集划分为价签图像训练数据及价签图像测试数据；
通过SRGAN深度学习网络算法，根据所述商品图像训练数据及所述价签图像训练数据对超分辨率初模型进行训练，得到超分辨率训练模型；
根据所述商品图像测试数据及所述价签图像测试数据对所述超分辨率训练模型进行测试，得到测试成功率；将测试成功率满足阈值的超分辨率训练模型作为超分辨率模型。
进一步地，所述将所述商品信息及与所述商品信息对应的价签信息进行存储之后，还包括：
获取商品销售指导价；
根据所述商品销售指导价与价格设定规则，判断所述商品信息及与所述商品信息对应的价签信息是否为正常情况；若否，则判定商品价格异常；
其中，所述价格设定规则为：所述价签信息的价格高于或低于所述商品销售指导价的预设范围。
进一步地，所述判断所述商品信息及与所述商品信息对应的价签信息是否为正常情况；若是，则将所述价签信息的价格与所述商品销售指导价的差值最小的价签信息作为价签输出信息。
本发明第二方面提供一种基于超分辨率的商品识别与价格匹配***，包括：
图像获取模块，用于获取商品拍摄图像，将所述商品拍摄图像输入至商品识别模型中，根据所述商品识别模型对所述商品拍摄图像进行识别及裁剪，得到商品图像及价签图像；其中，所述商品拍摄图像包括至少两张所述商品图像和与所述商品图像的数量相等的所述价签图像；
图像处理模块，用于根据超分辨率模型对所述商品图像及所述价签图像进行处理，以增强像素，并得到增强商品图像数据及增强价签图像数据；
图像识别模块，用于通过文本识别算法对所述增强商品图像数据及所述增强价签图像数据进行文字识别，得到商品信息及与所述商品信息对应的价签信息；
存储模块，用于将所述商品信息及与所述商品信息对应的价签信息进行存储。
进一步地，所述的一种基于超分辨率的商品识别与价格匹配***，还包括：商品识别模型训练测试模块，用于：
获取商品拍摄图像数据集，并通过打标工具对所述商品拍摄图像数据集中的每一商品拍摄图像数据进行打标，得到打标数据集；
将所述打标数据集中的打标数据按照预设比例划分为商品识别模型的训练集及商品识别模型的测试集；
通过cascade深度学习网络算法，根据所述商品识别模型的训练集对商品识别初模型进行训练，得到商品识别训练模型；
根据所述商品识别模型的测试集对所述商品识别训练模型进行测试，得到测试成功率；将测试成功率满足阈值的商品识别训练模型作为商品识别模型。
进一步地，所述的一种基于超分辨率的商品识别与价格匹配***，还包括：超分辨率模型训练测试模块，用于：
获取商品图像数据集及价签图像数据集；
按照预设比例将商品图像数据集划分为商品图像训练数据及商品图像测试数据，并按照预设比例将价签图像数据集划分为价签图像训练数据及价签图像测试数据；
通过SRGAN深度学习网络算法，根据所述商品图像训练数据及所述价签图像训练数据对超分辨率初模型进行训练，得到超分辨率训练模型；
根据所述商品图像测试数据及所述价签图像测试数据对所述超分辨率训练模型进行测试，得到测试成功率；将测试成功率满足阈值的超分辨率训练模型作为超分辨率模型。
进一步地，所述的一种基于超分辨率的商品识别与价格匹配***，还包括：价格核定模块，用于：
获取商品销售指导价；
根据所述商品销售指导价与价格设定规则，判断所述商品信息及与所述商品信息对应的价签信息是否为正常情况；若否，则判定商品价格异常；
其中，所述价格设定规则为：所述价签信息的价格高于或低于所述商品销售指导价的预设范围。
进一步地，所述判断所述商品信息及与所述商品信息对应的价签信息是否为正常情况；若是，则将所述价签信息的价格与所述商品销售指导价的差值最小的价签信息作为价签输出信息。
与现有技术相比，本发明实施例的有益效果在于：
本发明提供一种基于超分辨率的商品识别与价格匹配方法及***，其中方法包括：获取商品拍摄图像，将所述商品拍摄图像输入至商品识别模型中，根据所述商品识别模型对所述商品拍摄图像进行识别及裁剪，得到商品图像及价签图像；其中，所述商品拍摄图像包括至少两张所述商品图像和与所述商品图像的数量相等的所述价签图像；根据超分辨率模型对所述商品图像及所述价签图像进行处理，以增强像素，并得到增强商品图像数据及增强价签图像数据；通过文本识别算法对所述增强商品图像数据及所述增强价签图像数据进行文字识别，得到商品信息及与所述商品信息对应的价签信息；将所述商品信息及与所述商品信息对应的价签信息进行存储。本发明可实现单张图像中多个商品信息识别、多个价格信息识别，以及商品与其价格的智能化匹配。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明某一实施例提供的一种基于超分辨率的商品识别与价格匹配方法的流程图；
图2是本发明另一实施例提供的一种基于超分辨率的商品识别与价格匹配方法的流程图；
图3是本发明又一实施例提供的一种基于超分辨率的商品识别与价格匹配方法的流程图；
图4是本发明某一实施例提供的一种基于超分辨率的商品识别与价格匹配***的装置图；
图5是本发明另一实施例提供的一种基于超分辨率的商品识别与价格匹配***的装置图；
图6是本发明某一实施例提供的一种电子设备的结构图。
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。
应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。
应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
超分辨率技术（Super-Resolution, SR）是一种基于初始的低分辨率图像重建出相应的高分辨率图像，显著提升图像分辨率的图像处理技术，它在图像压缩、公共安防、视频感知、遥感成像和医学成像等领域都有重要的应用价值。
图像超分辨率重建技术在计算机视觉领域主要应用于图像和视频的分辨率增强，主要包括三个技术研究方向：1、从输入的低分辨率图像数量角度来看，可以分为单帧图像的超分辨率重建和多帧图像（视频）的超分辨率重建；2、从变换空间角度来看，可以分为频域超分辨率重建、时域超分辨率重建、色阶超分辨率重建等；3、从重建算法角度来看，可以分为基于插值的重建、基于重构的重建和基于学习的超分辨率重建。
随着人工智能和计算机硬件的不断发展，越来越多的研究人员尝试将深度学习引入到超分辨率重建领域，基于深度学习的超分辨率重建技术取得了显著的提升，SRCNN（Super-Resolution Convolutional Neural Network）使用双立方插值将低分辨率图像放大至目标尺寸，然后通过三层的卷积神经网络去拟合低分辨率图像与高分辨率图像之间的非线性映射，最后将网络输出的结果作为重建后的高分辨率图像；ESPCN（Real-TimeSingle Image and Video Super-Resolution Using an Efficient Sub-PixelConvolutional Neural Network）引入一个亚像素卷积层（Sub-pixel convolutionlayer），来间接实现图像的放大过程，使得低分辨率图像送入神经网络之前，无需对给定的低分辨率图像进行上采样过程，极大地降低了计算量，提高了重建效率；SRGAN（Photo-Realistic Single Image SuperResolution Using a Generative AdversarialNetwork）将GAN引入了图像超分辨率重建领域，生成符合视觉习惯的逼真图像，解决了复原出的图像高频信息丢失的问题。
场景文字识别是指识别自然场景图片中的字符信息，价签识别属于场景文字识别的一种类型。技术实现流程主要为四个步骤：图像预处理、文本检测、文本识别、输出。其中图像预处理涉及到图像的去噪、角度矫正、增强等技术；文本检测的作用是检测出图片中的所有文本区域；文本识别的作用是基于文本检测的结果，识别出文本区域内的字符信息。
第一方面。
请参阅图1-3，本发明实施例提供一种基于超分辨率的商品识别与价格匹配方法，包括：
S10、获取商品拍摄图像，将所述商品拍摄图像输入至商品识别模型中，根据所述商品识别模型对所述商品拍摄图像进行识别及裁剪，得到商品图像及价签图像。
其中，所述商品拍摄图像包括至少两张所述商品图像和与所述商品图像的数量相等的所述价签图像。
在本发明实施方式中，所述将所述商品拍摄图像输入至商品识别模型之前，还包括：
获取商品拍摄图像数据集，并通过打标工具对所述商品拍摄图像数据集中的每一商品拍摄图像数据进行打标，得到打标数据集；
将所述打标数据集中的打标数据按照预设比例划分为商品识别模型的训练集及商品识别模型的测试集；
通过cascade深度学习网络算法，根据所述商品识别模型的训练集对商品识别初模型进行训练，得到商品识别训练模型；
根据所述商品识别模型的测试集对所述商品识别训练模型进行测试，得到测试成功率；将测试成功率满足阈值的商品识别训练模型作为商品识别模型。
在某一具体实施例中，业务员通过手机APP/小程序调用摄像头，对货架、挂架上的商品与价格信息进行拍摄，并将拍摄到的图片上传至阿里云服务器的业务调度服务，业务调度服务将图片传给算法服务进行处理，上传图片数量支持单张/批量，识别模式为异步处理。
根据要识别商品的类别和价签类别搜集相关图片数据，然后采用打标工具对图片进行标注，并将标注的数据按照7：3的比例划分为训练集、测试集，然后采用训练集数据基于cascade深度学习网络进行训练，根据测试集数据测试结果选取识别精度最高的目标检测模型，该模型构成商品SKU与价签检测模块。上传的图片数据传入商品SKU与价签检测模块，目标检测模型识别图像中所有商品的类别与位置信息、价签与位置信息。如果没有识别到价签，则将价签为空的信息返回业务调度服务，业务调度服务将结果返回手机端，结束本次识别流程，重新拍摄图片；如果识别到价签信息和商品信息，则将商品的类别和位置信息传入RabbitMQ队列，将价签信息传入超分辨率模块。
S20、根据超分辨率模型对所述商品图像及所述价签图像进行处理，以增强像素，并得到增强商品图像数据及增强价签图像数据。
在本发明实施方式中，所述根据超分辨率模型对所述商品图像及所述价签图像进行处理之前，还包括：
获取商品图像数据集及价签图像数据集；
按照预设比例将商品图像数据集划分为商品图像训练数据及商品图像测试数据，并按照预设比例将价签图像数据集划分为价签图像训练数据及价签图像测试数据；
通过SRGAN深度学习网络算法，根据所述商品图像训练数据及所述价签图像训练数据对超分辨率初模型进行训练，得到超分辨率训练模型；
根据所述商品图像测试数据及所述价签图像测试数据对所述超分辨率训练模型进行测试，得到测试成功率；将测试成功率满足阈值的超分辨率训练模型作为超分辨率模型。
在某一具体实施例中，采集不同距离（景深）、尺寸、场景（货架、挂架）的商品与价签的高分辨率与低分辨率图片按照7：3的比例制作成训练集与测试集，然后基于SRGAN深度学习网络进行训练，基于测试集的PSNR测试结果，选取效果最好的超分辨率模型，该模型构成超分辨率模块。超分辨率模型对步骤（2）中识别出的所有价签基于模型权重参数进行像素增强与重建，生成对应的高分辨率的价签图像，然后将处理后得到的价签图像与位置信息传入OCR模块。
S30、通过文本识别算法对所述增强商品图像数据及所述增强价签图像数据进行文字识别，得到商品信息及与所述商品信息对应的价签信息。
在某一具体实施例中，OCR模块包括文本检测模块和文本识别模块。首先文本检测模块将价签图像中的字符区域检测出来，然后再将检测得到的字符区域传入文本识别模块，识别出该区域的字符信息。
S40、将所述商品信息及与所述商品信息对应的价签信息进行存储。
在某一具体实施例中，将步骤（4）中识别得到的所有价签的数字信息以及价签在原图中的位置信息一起传入RabbitMQ队列，且ID保持与先前传入队列的所有商品信息的ID一致。价签与SKU匹配模块作为“消费者”，从队列中获取同一ID的商品信息与价格信息，然后基于竖直方向分层算法以及水平方向排序算法，得到距离每个商品最近的价签来匹配。
在另一发明实施方式中，所述步骤S40之后还包括：
S50、获取商品销售指导价。
S60、根据所述商品销售指导价与价格设定规则，判断所述商品信息及与所述商品信息对应的价签信息是否为正常情况；若否，则判定商品价格异常；若是，则将所述价签信息的价格与所述商品销售指导价的差值最小的价签信息作为价签输出信息。
其中，所述价格设定规则为：所述价签信息的价格高于或低于所述商品销售指导价的预设范围。
在某一具体实施例中，将所有匹配到的商品与价格信息以字典的格式传入校验与后处理模块。该模块首先基于厂家提供的不同区域商品销售的指导价进行匹配校验，如果高于或者低于对应商品指导价的15%，则判定该商品价格异常，否则就从识别结果中筛选出与指导价相近的识别结果最为候选输出结果。完成匹配校验后，接着对得到的结果进行去重，从同系列的多款产品中，筛选一组结果，最终每个类别商品只输出一个价格。
将得到的结果，传给业务调度服务，业务调度服务将结果同步至业务***数据库并传给手机端，手机端在接收到识别信息后进行结果展示，结束本次处理流程。
本发明可实现单张图像中多个商品信息识别、多个价格信息识别，以及商品与其价格的智能化匹配。
第二方面。
请参阅图4-，本发明提供一种基于超分辨率的商品识别与价格匹配***，包括：
图像获取模块10，用于获取商品拍摄图像，将所述商品拍摄图像输入至商品识别模型中，根据所述商品识别模型对所述商品拍摄图像进行识别及裁剪，得到商品图像及价签图像。其中，所述商品拍摄图像包括至少两张所述商品图像和与所述商品图像的数量相等的所述价签图像。
图像处理模块20，用于根据超分辨率模型对所述商品图像及所述价签图像进行处理，以增强像素，并得到增强商品图像数据及增强价签图像数据。
图像识别模块30，用于通过文本识别算法对所述增强商品图像数据及所述增强价签图像数据进行文字识别，得到商品信息及与所述商品信息对应的价签信息。
存储模块40，用于将所述商品信息及与所述商品信息对应的价签信息进行存储。
在另一具体实施方式中，还包括：
商品识别模型训练测试模块50，用于：
获取商品拍摄图像数据集，并通过打标工具对所述商品拍摄图像数据集中的每一商品拍摄图像数据进行打标，得到打标数据集；
将所述打标数据集中的打标数据按照预设比例划分为商品识别模型的训练集及商品识别模型的测试集；
通过cascade深度学习网络算法，根据所述商品识别模型的训练集对商品识别初模型进行训练，得到商品识别训练模型；
根据所述商品识别模型的测试集对所述商品识别训练模型进行测试，得到测试成功率；将测试成功率满足阈值的商品识别训练模型作为商品识别模型。
在另一具体实施方式中，还包括：
超分辨率模型训练测试模块60，用于：
获取商品图像数据集及价签图像数据集；
按照预设比例将商品图像数据集划分为商品图像训练数据及商品图像测试数据，并按照预设比例将价签图像数据集划分为价签图像训练数据及价签图像测试数据；
通过SRGAN深度学习网络算法，根据所述商品图像训练数据及所述价签图像训练数据对超分辨率初模型进行训练，得到超分辨率训练模型；
根据所述商品图像测试数据及所述价签图像测试数据对所述超分辨率训练模型进行测试，得到测试成功率；将测试成功率满足阈值的超分辨率训练模型作为超分辨率模型。
在另一具体实施方式中，还包括：
价格核定模块70，用于：
获取商品销售指导价；
根据所述商品销售指导价与价格设定规则，判断所述商品信息及与所述商品信息对应的价签信息是否为正常情况；若否，则判定商品价格异常；若是，则将所述价签信息的价格与所述商品销售指导价的差值最小的价签信息作为价签输出信息。
其中，所述价格设定规则为：所述价签信息的价格高于或低于所述商品销售指导价的预设范围。
第三方面。
本发明提供了一种电子设备，该电子设备包括：
处理器、存储器和总线；
所述总线，用于连接所述处理器和所述存储器；
所述存储器，用于存储操作指令；
所述处理器，用于通过调用所述操作指令，可执行指令使处理器执行如本申请的第一方面所示的一种基于超分辨率的商品识别与价格匹配方法对应的操作。
在一个可选实施例中提供了一种电子设备，如图6所示，图6所示的电子设备5000包括：处理器5001和存储器5003。其中，处理器5001和存储器5003相连，如通过总线5002相连。可选地，电子设备5000还可以包括收发器5004。需要说明的是，实际应用中收发器5004不限于一个，该电子设备5000的结构并不构成对本申请实施例的限定。
处理器5001可以是CPU，通用处理器，DSP，ASIC，FPGA或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器5001也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
总线5002可包括一通路，在上述组件之间传送信息。总线5002可以是PCI总线或EISA总线等。总线5002可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
存储器5003可以是ROM或可存储静态信息和指令的其他类型的静态存储设备，RAM或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM、CD-ROM或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
存储器5003用于存储执行本申请方案的应用程序代码，并由处理器5001来控制执行。处理器5001用于执行存储器5003中存储的应用程序代码，以实现前述任一方法实施例所示的内容。
其中，电子设备包括但不限于：移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。
第四方面。
本发明提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现本申请第一方面所示的一种基于超分辨率的商品识别与价格匹配方法。
本申请的又一实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，当其在计算机上运行时，使得计算机可以执行前述方法实施例中相应内容。
Claims (10)
1.一种基于超分辨率的商品识别与价格匹配方法，其特征在于，包括：
获取商品拍摄图像，将所述商品拍摄图像输入至商品识别模型中，根据所述商品识别模型对所述商品拍摄图像进行识别及裁剪，得到商品图像及价签图像；其中，所述商品拍摄图像包括至少两张所述商品图像和与所述商品图像的数量相等的所述价签图像；
根据超分辨率模型对所述商品图像及所述价签图像进行处理，以增强像素，并得到增强商品图像数据及增强价签图像数据；
通过文本识别算法对所述增强商品图像数据及所述增强价签图像数据进行文字识别，得到商品信息及与所述商品信息对应的价签信息；
将所述商品信息及与所述商品信息对应的价签信息进行存储。
2.如权利要求1所述的一种基于超分辨率的商品识别与价格匹配方法，其特征在于，所述将所述商品拍摄图像输入至商品识别模型之前，还包括：
获取商品拍摄图像数据集，并通过打标工具对所述商品拍摄图像数据集中的每一商品拍摄图像数据进行打标，得到打标数据集；
将所述打标数据集中的打标数据按照预设比例划分为商品识别模型的训练集及商品识别模型的测试集；
通过cascade深度学习网络算法，根据所述商品识别模型的训练集对商品识别初模型进行训练，得到商品识别训练模型；
根据所述商品识别模型的测试集对所述商品识别训练模型进行测试，得到测试成功率；将测试成功率满足阈值的商品识别训练模型作为商品识别模型。
3.如权利要求1所述的一种基于超分辨率的商品识别与价格匹配方法，其特征在于，所述根据超分辨率模型对所述商品图像及所述价签图像进行处理之前，还包括：
获取商品图像数据集及价签图像数据集；
按照预设比例将商品图像数据集划分为商品图像训练数据及商品图像测试数据，并按照预设比例将价签图像数据集划分为价签图像训练数据及价签图像测试数据；
通过SRGAN深度学习网络算法，根据所述商品图像训练数据及所述价签图像训练数据对超分辨率初模型进行训练，得到超分辨率训练模型；
根据所述商品图像测试数据及所述价签图像测试数据对所述超分辨率训练模型进行测试，得到测试成功率；将测试成功率满足阈值的超分辨率训练模型作为超分辨率模型。
4.如权利要求1所述的一种基于超分辨率的商品识别与价格匹配方法，其特征在于，所述将所述商品信息及与所述商品信息对应的价签信息进行存储之后，还包括：
获取商品销售指导价；
根据所述商品销售指导价与价格设定规则，判断所述商品信息及与所述商品信息对应的价签信息是否为正常情况；若否，则判定商品价格异常；
其中，所述价格设定规则为：所述价签信息的价格高于或低于所述商品销售指导价的预设范围。
5.如权利要求4所述的一种基于超分辨率的商品识别与价格匹配方法，其特征在于，所述判断所述商品信息及与所述商品信息对应的价签信息是否为正常情况；若是，则将所述价签信息的价格与所述商品销售指导价的差值最小的价签信息作为价签输出信息。
6.一种基于超分辨率的商品识别与价格匹配***，其特征在于，包括：
图像获取模块，用于获取商品拍摄图像，将所述商品拍摄图像输入至商品识别模型中，根据所述商品识别模型对所述商品拍摄图像进行识别及裁剪，得到商品图像及价签图像；其中，所述商品拍摄图像包括至少两张所述商品图像和与所述商品图像的数量相等的所述价签图像；
图像处理模块，用于根据超分辨率模型对所述商品图像及所述价签图像进行处理，以增强像素，并得到增强商品图像数据及增强价签图像数据；
图像识别模块，用于通过文本识别算法对所述增强商品图像数据及所述增强价签图像数据进行文字识别，得到商品信息及与所述商品信息对应的价签信息；
存储模块，用于将所述商品信息及与所述商品信息对应的价签信息进行存储。
7.如权利要求6所述的一种基于超分辨率的商品识别与价格匹配***，其特征在于，还包括：商品识别模型训练测试模块，用于：
获取商品拍摄图像数据集，并通过打标工具对所述商品拍摄图像数据集中的每一商品拍摄图像数据进行打标，得到打标数据集；
将所述打标数据集中的打标数据按照预设比例划分为商品识别模型的训练集及商品识别模型的测试集；
通过cascade深度学习网络算法，根据所述商品识别模型的训练集对商品识别初模型进行训练，得到商品识别训练模型；
根据所述商品识别模型的测试集对所述商品识别训练模型进行测试，得到测试成功率；将测试成功率满足阈值的商品识别训练模型作为商品识别模型。
8.如权利要求6所述的一种基于超分辨率的商品识别与价格匹配***，其特征在于，还包括：超分辨率模型训练测试模块，用于：
获取商品图像数据集及价签图像数据集；
按照预设比例将商品图像数据集划分为商品图像训练数据及商品图像测试数据，并按照预设比例将价签图像数据集划分为价签图像训练数据及价签图像测试数据；
通过SRGAN深度学习网络算法，根据所述商品图像训练数据及所述价签图像训练数据对超分辨率初模型进行训练，得到超分辨率训练模型；
根据所述商品图像测试数据及所述价签图像测试数据对所述超分辨率训练模型进行测试，得到测试成功率；将测试成功率满足阈值的超分辨率训练模型作为超分辨率模型。
9.如权利要求6所述的一种基于超分辨率的商品识别与价格匹配***，其特征在于，还包括：价格核定模块，用于：
获取商品销售指导价；
根据所述商品销售指导价与价格设定规则，判断所述商品信息及与所述商品信息对应的价签信息是否为正常情况；若否，则判定商品价格异常；
其中，所述价格设定规则为：所述价签信息的价格高于或低于所述商品销售指导价的预设范围。
10.如权利要求9所述的一种基于超分辨率的商品识别与价格匹配***，其特征在于，所述判断所述商品信息及与所述商品信息对应的价签信息是否为正常情况；若是，则将所述价签信息的价格与所述商品销售指导价的差值最小的价签信息作为价签输出信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111195164.0A CN113627411A (zh) | 2021-10-14 | 2021-10-14 | 一种基于超分辨率的商品识别与价格匹配方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111195164.0A CN113627411A (zh) | 2021-10-14 | 2021-10-14 | 一种基于超分辨率的商品识别与价格匹配方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113627411A true CN113627411A (zh) | 2021-11-09 |
Family
ID=78391301
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111195164.0A Pending CN113627411A (zh) | 2021-10-14 | 2021-10-14 | 一种基于超分辨率的商品识别与价格匹配方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113627411A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114443876A (zh) * | 2022-01-14 | 2022-05-06 | 广州市玄武无线科技股份有限公司 | 一种快销行业中商品指纹快速匹配方法及*** |
| CN115019314A (zh) * | 2022-08-08 | 2022-09-06 | 浪潮电子信息产业股份有限公司 | 一种商品价格识别方法、装置、设备及存储介质 |
| CN115100640A (zh) * | 2022-08-29 | 2022-09-23 | 北京海上升科技有限公司 | 基于人工智能的智慧超市商品销售大数据检测方法及*** |
| CN116416134A (zh) * | 2023-04-04 | 2023-07-11 | 阿里巴巴（中国）有限公司 | 图像超分处理方法、***、设备、存储介质和程序产品 |
| CN116563573A (zh) * | 2023-01-12 | 2023-08-08 | 北京爱咔咔信息技术有限公司 | 一种商品与价签的匹配方法、装置、设备及存储介质 |
| CN117275011A (zh) * | 2023-10-11 | 2023-12-22 | 广州市玄武无线科技股份有限公司 | 一种商品识别与商品价签匹配方法、***、终端及介质 |
| CN118097195A (zh) * | 2024-04-23 | 2024-05-28 | 深圳爱莫科技有限公司 | 一种商品和价签的匹配方法、设备及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080002914A1 (en) * | 2006-06-29 | 2008-01-03 | Luc Vincent | Enhancing text in images |
| CN110211035A (zh) * | 2019-04-18 | 2019-09-06 | 天津中科智能识别产业技术研究院有限公司 | 融合互信息的深度神经网络的图像超分辨率方法 |
| CN110348439A (zh) * | 2019-07-02 | 2019-10-18 | 创新奇智(南京)科技有限公司 | 一种自动识别价签的方法、计算机可读介质及*** |
| CN111222389A (zh) * | 2019-01-10 | 2020-06-02 | 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*** |
| CN111310706A (zh) * | 2020-02-28 | 2020-06-19 | 创新奇智(上海)科技有限公司 | 一种商品价签识别方法及装置、电子设备、存储介质 |
| CN112508132A (zh) * | 2021-01-29 | 2021-03-16 | 广州市玄武无线科技股份有限公司 | 一种识别sku的训练方法及装置 |
| CN112686257A (zh) * | 2021-03-11 | 2021-04-20 | 广州市玄武无线科技股份有限公司 | 一种基于ocr的店头文字识别方法及*** |
-
2021
- 2021-10-14 CN CN202111195164.0A patent/CN113627411A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080002914A1 (en) * | 2006-06-29 | 2008-01-03 | Luc Vincent | Enhancing text in images |
| CN111222389A (zh) * | 2019-01-10 | 2020-06-02 | 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*** |
| CN110211035A (zh) * | 2019-04-18 | 2019-09-06 | 天津中科智能识别产业技术研究院有限公司 | 融合互信息的深度神经网络的图像超分辨率方法 |
| CN110348439A (zh) * | 2019-07-02 | 2019-10-18 | 创新奇智(南京)科技有限公司 | 一种自动识别价签的方法、计算机可读介质及*** |
| CN111310706A (zh) * | 2020-02-28 | 2020-06-19 | 创新奇智(上海)科技有限公司 | 一种商品价签识别方法及装置、电子设备、存储介质 |
| CN112508132A (zh) * | 2021-01-29 | 2021-03-16 | 广州市玄武无线科技股份有限公司 | 一种识别sku的训练方法及装置 |
| CN112686257A (zh) * | 2021-03-11 | 2021-04-20 | 广州市玄武无线科技股份有限公司 | 一种基于ocr的店头文字识别方法及*** |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114443876A (zh) * | 2022-01-14 | 2022-05-06 | 广州市玄武无线科技股份有限公司 | 一种快销行业中商品指纹快速匹配方法及*** |
| CN115019314A (zh) * | 2022-08-08 | 2022-09-06 | 浪潮电子信息产业股份有限公司 | 一种商品价格识别方法、装置、设备及存储介质 |
| CN115100640A (zh) * | 2022-08-29 | 2022-09-23 | 北京海上升科技有限公司 | 基于人工智能的智慧超市商品销售大数据检测方法及*** |
| CN115100640B (zh) * | 2022-08-29 | 2023-12-12 | 广东番客连锁品牌管理有限公司 | 基于人工智能的智慧超市商品销售大数据检测方法及*** |
| CN116563573A (zh) * | 2023-01-12 | 2023-08-08 | 北京爱咔咔信息技术有限公司 | 一种商品与价签的匹配方法、装置、设备及存储介质 |
| CN116563573B (zh) * | 2023-01-12 | 2023-10-13 | 北京爱咔咔信息技术有限公司 | 一种商品与价签的匹配方法、装置、设备及存储介质 |
| CN116416134A (zh) * | 2023-04-04 | 2023-07-11 | 阿里巴巴（中国）有限公司 | 图像超分处理方法、***、设备、存储介质和程序产品 |
| CN117275011A (zh) * | 2023-10-11 | 2023-12-22 | 广州市玄武无线科技股份有限公司 | 一种商品识别与商品价签匹配方法、***、终端及介质 |
| CN118097195A (zh) * | 2024-04-23 | 2024-05-28 | 深圳爱莫科技有限公司 | 一种商品和价签的匹配方法、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113627411A (zh) | 一种基于超分辨率的商品识别与价格匹配方法及*** | |
| CN107690657B (zh) | 根据影像发现商户 | |
| US8941645B2 (en) | Comparing virtual and real images in a shopping experience | |
| US9317775B2 (en) | Recognition procedure for identifying multiple items in images | |
| AU2017280904B2 (en) | Automation of image validation | |
| US20160335591A1 (en) | Three-Dimensional Indexing Protocol | |
| US20150030239A1 (en) | Training classifiers for deblurring images | |
| CN107679475B (zh) | 门店监控评价方法、装置及存储介质 | |
| KR20160016961A (ko) | 이미지 선명도의 평가 | |
| US20210124967A1 (en) | Method and apparatus for sample labeling, and method and apparatus for identifying damage classification | |
| CN111310706B (zh) | 一种商品价签识别方法及装置、电子设备、存储介质 | |
| CN109871826A (zh) | 信息展示方法、装置、计算机可读存储介质和计算机设备 | |
| CN106203225B (zh) | 基于深度的图像元素删除 | |
| CN114419289B (zh) | 一种基于Unity的虚拟场景货架陈列方法及*** | |
| CN111428743B (zh) | 商品识别方法、商品处理方法、装置及电子设备 | |
| CN117115571A (zh) | 一种细粒度智能商品识别方法、装置、设备及介质 | |
| CN112419432A (zh) | 冰箱内食物的控制方法和装置、电子设备和存储介质 | |
| CN108446693B (zh) | 待识别目标的标记方法、***、设备及存储介质 | |
| US20190355039A1 (en) | Methods of managing and querying product inventory data and inventory management server | |
| CN112015936B (zh) | 用于生成物品展示图的方法、装置、电子设备和介质 | |
| CN114511702A (zh) | 一种基于多尺度分权注意力的遥感图像分割方法和*** | |
| US20190019339A1 (en) | Systems and methods for dynamically displaying information about an object using augmented reality | |
| CN112927221B (zh) | 一种基于图像细粒度特征翻拍检测方法及*** | |
| CN116431854A (zh) | 一种获取加密面单完整手机号的方法、装置和设备 | |
| CN113657273A (zh) | 确定商品信息的方法、装置、电子设备及介质 |
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 |