CN115272446A - 一种堆头占地面积计算的方法和*** - Google Patents

一种堆头占地面积计算的方法和*** Download PDF

Info

Publication number
CN115272446A
CN115272446A CN202211178396.XA CN202211178396A CN115272446A CN 115272446 A CN115272446 A CN 115272446A CN 202211178396 A CN202211178396 A CN 202211178396A CN 115272446 A CN115272446 A CN 115272446A
Authority
CN
China
Prior art keywords
pile head
head
commodity
pile
calculating
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.)
Granted
Application number
CN202211178396.XA
Other languages
English (en)
Other versions
CN115272446B (zh
Inventor
刘国俭
许允杰
王炳璇
刘昭
李曼曼
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.)
Nanjing Zhangkong Network Science & Technology Co ltd
Original Assignee
Nanjing Zhangkong Network Science & Technology 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 Nanjing Zhangkong Network Science & Technology Co ltd filed Critical Nanjing Zhangkong Network Science & Technology Co ltd
Priority to CN202211178396.XA priority Critical patent/CN115272446B/zh
Publication of CN115272446A publication Critical patent/CN115272446A/zh
Application granted granted Critical
Publication of CN115272446B publication Critical patent/CN115272446B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/28—Measuring arrangements characterised by the use of optical techniques for measuring areas
    • 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
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06V2201/07—Target detection
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种堆头占地面积计算的方法，该方法通过重复判断和正拍侧拍判断限定提交符合要求的堆头正面照片和侧面照片，识别堆头照片后根据堆头照片中所识别商品的最左和最右的坐标自动计算出堆头的正面长度和侧面宽度，减少因漏识别或误识别或拍照倾斜等造成的误差，从而快速的计算出堆头的占地面积。

Description

一种堆头占地面积计算的方法和***
技术领域
本发明涉及计算机视觉技术领域，具体为一种堆头占地面积计算的方法和***。
背景技术
地堆又称堆头或堆垛,是商超常见的一种陈列式促销形式，其作用为了展示供货商商品形象并促进销量。商超的面积是有限的，堆头一般都需要供货商缴纳一定的费用才能申请到。因此堆头的占地面积是业务员拜访过程中做陈列核查的重要一项，业务员需要估算堆头占地面积并确保堆头被充分利用，商品供应商需要能够快速高效准确的计算出地堆面积。
中国发明专利申请CN109784172A提供了一种商场中地堆商品占地面积估算方法、***、设备及介质，该方法将采集到的多张图像输入预设置的场景分类模型，通过场景分类模型在多张图像中筛选出多张地堆商品图像；通过预设置的商品识别模型，将每一地堆商品图像中的每一地推商品区域识别出并生成对多个地堆商品区域通过线条标注出的多边体标注框；根据每一地堆商品图像中多个地推商品区域对应的标注框多边体估算出该地堆商品图像中多个地推商品的占地面积。
申请CN113034574A提供了一种基于目标检测的商品地堆面积计算方法及***，该方法包括提取图片识别结果的地堆场景，计算地堆底层的投影边；根据所述投影边判断所述地堆场景的类型，为不同类型匹配不同方法计算得到分层投影线；根据所述分层投影线中的最长投影线计算地堆面积。
现有计算地堆面积的技术方案依赖商品识别模型的识别结果，通过商品识别模型的识别结果计算每个商品的占地面积，但是商品识别模型不可避免的存在误识别和漏识别的问题，会导致地堆面积的计算误差增大，而业务员在拍照的时候，拍照不规范，如倾斜拍照，同时拍出地推正面和侧面等也会导致现有技术方案的误差增大。
发明内容
本发明的目的在于提供一种堆头占地面积计算的方法和***，以解决现有技术方案中计算误差的问题。本发明的方案通过限定提交符合要求的堆头正面照片和侧面照片，识别堆头照片后自动计算出堆头的正面长度和侧面宽度，并减少因漏识别或误识别或拍照倾斜等造成的误差，从而快速的计算出堆头的占地面积，帮助企业节省地堆面积核验效率，降低企业管理成本。
为实现上述目的，本发明提供如下技术方案：
一种堆头占地面积计算的方法，所述方法包括以下步骤：
1）采集图像，建立堆头中出现的商品模型训练集，利用矩形标注框标注商品，利用深度学习技术对商品识别模型进行训练，同时在商品图像采集的过程中记录商品的长宽高信息；
2）分别采集待计算堆头的正面照和侧面照，利用训练过的商品识别模型分别识别堆头图像中的商品，获取堆头正面照和侧面照的商品矩形框；
3）分别对堆头正面照和侧面照的识别结果进行去噪，去除堆头正面照和侧面照中的非堆头商品；
4）判断正面照和侧面照是否是同一个面，如果判断是同一个面的图像，不再进行堆头面积的计算，如果不是则进行下一步骤；
5）判断正面照和侧面照是否是侧拍图像，即是否包含堆头两个面的图像，如果是则不再进行堆头面积的计算，如果否则进行下一步骤；
6）分别计算堆头的长和宽；
7）计算堆头面积，根据计算的堆头正面长度和侧面宽度，计算得到堆头面积。
优选地，在步骤1）中，所利用的深度学习技术包括但不限于Faster RCNN或SSD目标检测算法。
在以上方法中，在步骤3）中，对堆头正面照和侧面照的识别结果进行去噪的过程包括：根据商品矩形框坐标计算每个商品矩形框的中心点坐标，获取堆头正面照和侧面照商品的中心点坐标集，利用密度聚类算法对每张图的中心点坐标集进行聚类，获取商品坐标中心点聚类簇和远离聚类簇的点，远离聚类簇的点所代表的商品视为非堆头商品，在堆头正面照和侧面照的识别结果集中去除远离聚类簇的商品。
在以上方法中，在步骤4）中，判断正面照和侧面照是否是同一个面的过程包括：堆头正面照和侧面照去噪后，根据商品矩形框坐标计算每个商品矩形框的中心点坐标，分别对正面照和侧面照上的商品按其中心点坐标从左至右，从上至下进行排序，对比正面照和侧面照排序后的商品序列，若两个序列相同，则判断是同一个面的图像。
在以上方法中，在步骤5）中，判断正面照和侧面照是否是侧拍图像的过程包括：
5.1）根据去噪后的商品坐标，截取堆头商品所在的区域视为堆头图像，利用直线检测算法，检测堆头图像中的直线，获取每个堆头图像上的直线集，每条直线表示为y=Ax+b，其中A为每条直线的斜率，b为每条直线的偏移量；
5.2）构建侧拍图像和正拍图像训练集，获取已采集的每张堆头图像上直线斜率作为训练集，正拍图像标签为1，侧拍图像标签为0，训练正拍侧拍二分类模型；
5.3）利用训练好的二分类模型判断待计算的堆头图像是否是侧拍，若是侧拍图像，则直接返回，不进行地堆面积的计算，避免因侧拍造成的计算偏差。
优选地，所述直线检测算法为霍夫直线检测法，所述二分类模型为支持向量机或随机森林。
在以上方法中，在步骤6）中，分别计算堆头的长和宽的过程包括：
6.1）根据目标检测结果对堆头正面图片计算图片中堆头的长度，计算识别结果中所有已识别商品中水平方向上间隔最大的像素长度X，取识别位置在图片中居中的商品的像素长度X1，并获取该商品的长度属性L，则计算堆头的长度为X除以X1后乘以L作为堆头的长度；
6.2）根据目标检测结果对堆头侧面图片计算图片中堆头的宽度，计算识别结果中左右商品中间隔最大的像素长度X，取识别位置在图片中居中的商品的像素长度X1，并获取该商品的宽度属性D，则计算堆头的宽度为X除以X1后乘以D作为堆头的宽度。
进一步优选地，在堆头长度的计算中，采集多张堆头正面图片并计算长度，取多张图片计算长度的均值作为堆头的长度；同时在堆头宽度的计算中，采集多张堆头侧面照片并计算宽度，取多张图片计算的宽度的均值作为堆头的宽度。
本发明还提供了一种用于堆头占地面积计算的***，包括存储介质及计算模块，存储模块用于存储执行如上所述的方法的程序，所述计算模块用于执行所述存储模块中存储的程序。
本发明还提供了一种用于堆头占地面积计算的设备，包括拍摄设备、存储器及处理器，所述拍摄设备用于获取图像，存储器用于存储执行如上所述的方法的程序，所述处理器用于执行所述存储器中存储的程序。
与现有技术相比，本发明的有益效果是：
1、利用堆头正面和侧面两张图像计算堆头面积，并对两张图进行重复判断和是否是包含两个面的斜拍判断，提高堆头面积的计算精确度；
2、利用提取堆头图像区域直线特征建立二分类模型，提高直接利用图像进行正拍和侧拍分类的准确率，能够限制不符合要求的图像的提交；
3、利用图像商品区域最左和最右的坐标计算商品区域的像素长度，避免目标检测漏识别造成的误差。
附图说明
图1是本发明方法的整体流程示意图；
图2是判断提交图像是否是侧拍图像的流程示意图。
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做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。
在本发明的描述中，需要说明的是，术语“上”、“下”、“内”、“外”“前端”、“后端”、“两端”、“一端”、“另一端”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。
参考图1，本发明堆头面积计算的方法包括图像采集训练模型、采集堆头正面照和侧面照、去噪、判断是否为侧拍、计算堆头长度和宽度以及计算堆头占地面积等步骤。利用采集的商品数据训练得到商品识别模型，采用现有的标注方法矩形框标注对数据进行标注，训练方法采用现有的深度学习模型训练方法，如faster rcnn。利用训练好的模型对采集的堆头正面照和侧面照进行识别判断，消除误差，获得准确的长宽，从而计算出准确的堆头面积。下面将对这些步骤进行更详细的描述。
如图所示，首先建立堆头中出现的商品模型训练集，利用矩形标注框标注商品，利用深度学习技术所包括的但不限于Faster RCNN或SSD目标检测算法，利用采集的图像对目标检测模型进行训练。在商品采集的过程中同时记录商品的长L、宽D、高H等信息。
在训练好模型后，利用该模型对堆头的正面照和侧面照进行处理。具体为，分别采集待计算堆头的正面照和侧面照，利用训练过的商品识别模型分别识别堆头图像中的商品，获取堆头正面照和侧面照的商品矩形框。
分别对堆头正面照和侧面照的识别结果进行去噪。根据商品矩形框坐标计算每个商品矩形框的中心点坐标，获取堆头正面照和侧面照商品的中心点坐标集，利用密度聚类算法(Density-Based Spatial Clustering of Applications with Noise)对每张图的中心点坐标集进行聚类，获取商品坐标中心点聚类簇和远离聚类簇的点，远离聚类簇的点所代表的商品视为非堆头商品，在堆头正面照和侧面照的识别结果集中去除远离聚类簇的商品。
堆头正面照和侧面照去噪后，判断正面照和侧面照是否是同一个面。分别对正面照和侧面照上的商品按其中心点坐标从左至右，从上至下进行排序，对比正面照和侧面照排序后的商品序列，若两个序列相同，则判断是同一个面的图像，不再进行堆头面积的计算。
接下来进一步判断正面照和侧面照是否是侧拍图像，即是否是包含堆头两个面的图像。如图2所示，判断正面照和侧面照是否是侧拍图像的方法如下：
1、根据去噪后的商品坐标，截取堆头商品所在的区域视为堆头图像，利用直线检测算法(如霍夫直线检测方法)，检测堆头图像中的直线，获取每个堆头图像上的直线集，每条直线可表示为y=Ax+b，其中A为每条直线的斜率，b为每条直线的偏移量；
2、构建侧拍图像和正拍图像训练集，获取已采集的每张堆头图像上直线斜率作为训练集，正拍图像标签为1，侧拍图像标签为0，训练正拍侧拍二分类模型，包括但不限于支持向量机、随机森林等；
3、利用训练好的二分类模型判断待计算的堆头图像是否是侧拍，若是侧拍图像，则直接返回，不进行地堆面积的计算，避免因侧拍造成的计算偏差。
根据上述步骤确定正面照和侧面照不是侧拍图像后，分别计算堆头的长和宽。
堆头长度和宽度的计算步骤如下：
1、根据目标检测结果对堆头正面图片计算图片中堆头的长度。计算识别结果中所有已识别商品中水平方向上间隔最大的像素长度X，取识别位置在图片中居中的商品的像素长度X1，并获取该商品的长度属性L，则计算堆头的长度为X除以X1后乘以L。可以采集多张堆头正面图片并计算长度，取多张图片计算长度的均值作为堆头的长度。
2、根据目标检测结果对堆头侧面图片计算图片中堆头的宽度。计算识别结果中左右商品中间隔最大的像素长度X，取识别位置在图片中居中的商品的像素长度X1，并获取该商品的宽度属性D，则计算堆头的宽度为X除以X1后乘以D。可以采集多张堆头侧面照片并计算宽度，取多张图片计算的宽度的均值作为堆头的宽度。
计算得到堆头的长度和宽度后，则可以计算堆头的面积。根据计算的堆头正面长度和侧面宽度相乘，计算得到堆头的面积。
本发明的方法通过重复判断和正拍侧拍判断限定提交符合要求的堆头正面照片和侧面照片，识别堆头照片后根据堆头照片中最左和最右的坐标自动计算出堆头的正面长度和侧面宽度，减少因漏识别或误识别或拍照倾斜等造成的误差，从而快速的计算出堆头的占地面积。
本发明未详述之处，均为本领域技术人员的公知技术。
最后所要说明的是：以上具体实施方式仅用以说明本发明的技术方案而非限制，尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改和等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种堆头占地面积计算的方法，其特征在于，所述方法包括以下步骤：
1）采集图像，建立堆头中出现的商品模型训练集，利用矩形标注框标注商品，利用深度学习技术对商品识别模型进行训练，同时在商品图像采集的过程中记录商品的长宽高信息；
2）分别采集待计算堆头的正面照和侧面照，利用训练过的商品识别模型分别识别堆头图像中的商品，获取堆头正面照和侧面照的商品矩形框；
3）分别对堆头正面照和侧面照的识别结果进行去噪，去除堆头正面照和侧面照中的非堆头商品；
4）判断正面照和侧面照是否是同一个面，如果判断是同一个面的图像，不再进行堆头面积的计算，如果不是则进行下一步骤；
5）判断正面照和侧面照是否是侧拍图像，即是否包含堆头两个面的图像，如果是则不再进行堆头面积的计算，如果否则进行下一步骤；
6）分别计算堆头的长和宽；
7）计算堆头面积，根据计算的堆头正面长度和侧面宽度，计算得到堆头面积。
2.如权利要求1所述的堆头占地面积计算的方法，其特征在于，在步骤1）中，所利用的深度学习技术包括但不限于Faster RCNN或SSD目标检测算法。
3.如权利要求1所述的堆头占地面积计算的方法，其特征在于，在步骤3）中，对堆头正面照和侧面照的识别结果进行去噪的过程包括：根据商品矩形框坐标计算每个商品矩形框的中心点坐标，获取堆头正面照和侧面照商品的中心点坐标集，利用密度聚类算法对每张图的中心点坐标集进行聚类，获取商品坐标中心点聚类簇和远离聚类簇的点，远离聚类簇的点所代表的商品视为非堆头商品，在堆头正面照和侧面照的识别结果集中去除远离聚类簇的商品。
4.如权利要求1所述的堆头占地面积计算的方法，其特征在于，在步骤4）中，判断正面照和侧面照是否是同一个面的过程包括：堆头正面照和侧面照去噪后，根据商品矩形框坐标计算每个商品矩形框的中心点坐标，分别对正面照和侧面照上的商品按其中心点坐标从左至右，从上至下进行排序，对比正面照和侧面照排序后的商品序列，若两个序列相同，则判断是同一个面的图像。
5.如权利要求1所述的堆头占地面积计算的方法，其特征在于，在步骤5）中，判断正面照和侧面照是否是侧拍图像的过程包括：
5.1）根据去噪后的商品坐标，截取堆头商品所在的区域视为堆头图像，利用直线检测算法，检测堆头图像中的直线，获取每个堆头图像上的直线集，每条直线表示为y=Ax+b，其中A为每条直线的斜率，b为每条直线的偏移量；
5.2）构建侧拍图像和正拍图像训练集，获取已采集的每张堆头图像上直线斜率作为训练集，正拍图像标签为1，侧拍图像标签为0，训练正拍侧拍二分类模型；
5.3）利用训练好的二分类模型判断待计算的堆头图像是否是侧拍，若是侧拍图像，则直接返回，不进行地堆面积的计算，避免因侧拍造成的计算偏差。
6.如权利要求5所述的堆头占地面积计算的方法，其特征在于，所述直线检测算法为霍夫直线检测法，所述二分类模型为支持向量机或随机森林。
7.如权利要求1所述的堆头占地面积计算的方法，其特征在于，在步骤6）中，分别计算堆头的长和宽的过程包括：
6.1）根据目标检测结果对堆头正面图片计算图片中堆头的长度，计算识别结果中所有已识别商品中水平方向上间隔最大的像素长度X，取识别位置在图片中居中的商品的像素长度X1，并获取该商品的长度属性L，则计算堆头的长度为X除以X1后乘以L作为堆头的长度；
6.2）根据目标检测结果对堆头侧面图片计算图片中堆头的宽度，计算识别结果中左右商品中间隔最大的像素长度X，取识别位置在图片中居中的商品的像素长度X1，并获取该商品的宽度属性D，则计算堆头的宽度为X除以X1后乘以D作为堆头的宽度。
8.如权利要求7所述的堆头占地面积计算的方法，其特征在于，在堆头长度的计算中，采集多张堆头正面图片并计算长度，取多张图片计算长度的均值作为堆头的长度；同时在堆头宽度的计算中，采集多张堆头侧面照片并计算宽度，取多张图片计算的宽度的均值作为堆头的宽度。
9.一种用于堆头占地面积计算的***，包括存储介质及计算模块，其特征在于，存储模块用于存储执行如权利要求1至8中任一项所述的方法的程序，所述计算模块用于执行所述存储模块中存储的程序。
10.一种用于堆头占地面积计算的设备，包括拍摄设备、存储器及处理器，其特征在于，所述拍摄设备用于获取图像，存储器用于存储执行如权利要求1至8中任一项所述的方法的程序，所述处理器用于执行所述存储器中存储的程序。
CN202211178396.XA 2022-09-27 2022-09-27 一种堆头占地面积计算的方法和*** Active CN115272446B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211178396.XA CN115272446B (zh) 2022-09-27 2022-09-27 一种堆头占地面积计算的方法和***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211178396.XA CN115272446B (zh) 2022-09-27 2022-09-27 一种堆头占地面积计算的方法和***

Publications (2)

Publication Number Publication Date
CN115272446A true CN115272446A (zh) 2022-11-01
CN115272446B CN115272446B (zh) 2023-01-24

Family

ID=83757669

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211178396.XA Active CN115272446B (zh) 2022-09-27 2022-09-27 一种堆头占地面积计算的方法和***

Country Status (1)

Country Link
CN (1) CN115272446B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116311219A (zh) * 2023-01-29 2023-06-23 广州市玄武无线科技股份有限公司 一种基于透视变换的地堆本品占地面积计算方法及装置
CN116721338A (zh) * 2023-03-13 2023-09-08 广州市玄武无线科技股份有限公司 一种基于目标检测的地堆本品占地面积计算方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080069449A1 (en) * 2006-09-19 2008-03-20 Samsung Electronics Co., Ltd. Apparatus and method for tagging ID in photos by utilizing geographical positions
CN109784172A (zh) * 2018-12-14 2019-05-21 上海扩博智能技术有限公司 商场中地堆商品占地面积估算方法、***、设备及介质
CN113034574A (zh) * 2021-05-25 2021-06-25 广州市玄武无线科技股份有限公司 一种基于目标检测的商品地堆面积计算方法及***

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080069449A1 (en) * 2006-09-19 2008-03-20 Samsung Electronics Co., Ltd. Apparatus and method for tagging ID in photos by utilizing geographical positions
CN109784172A (zh) * 2018-12-14 2019-05-21 上海扩博智能技术有限公司 商场中地堆商品占地面积估算方法、***、设备及介质
CN113034574A (zh) * 2021-05-25 2021-06-25 广州市玄武无线科技股份有限公司 一种基于目标检测的商品地堆面积计算方法及***

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116311219A (zh) * 2023-01-29 2023-06-23 广州市玄武无线科技股份有限公司 一种基于透视变换的地堆本品占地面积计算方法及装置
CN116311219B (zh) * 2023-01-29 2024-02-09 广州市玄武无线科技股份有限公司 一种基于透视变换的地堆本品占地面积计算方法及装置
CN116721338A (zh) * 2023-03-13 2023-09-08 广州市玄武无线科技股份有限公司 一种基于目标检测的地堆本品占地面积计算方法及装置
CN116721338B (zh) * 2023-03-13 2024-05-31 广州市玄武无线科技股份有限公司 一种基于目标检测的地堆本品占地面积计算方法及装置

Also Published As

Publication number Publication date
CN115272446B (zh) 2023-01-24

Similar Documents

Publication Publication Date Title
CN115272446B (zh) 一种堆头占地面积计算的方法和***
CN107292248B (zh) 一种基于图像识别技术的商品管理方法及***
WO2020199776A1 (zh) 货架空置率计算方法及装置、存储介质
CN111695486B (zh) 一种基于点云的高精度方向标志牌目标提取方法
CN107463945B (zh) 一种基于深度匹配网络的商品种类识别方法
CN109934847B (zh) 弱纹理三维物体姿态估计的方法和装置
CN111310706B (zh) 一种商品价签识别方法及装置、电子设备、存储介质
CN110910314B (zh) 一种货架场景图像的拼接方法及装置
CN111161346B (zh) 将商品在货架中进行分层的方法、装置和电子设备
CN110189343B (zh) 图像标注方法、装置及***
CN115249356B (zh) 识别方法、装置、设备及存储介质
CN111814739A (zh) 快递包裹体积的检测方法、装置、设备及存储介质
CN104487966A (zh) 文档分类
CN114004899B (zh) 一种栈板位姿识别方法、存储介质及设备
CN111428743B (zh) 商品识别方法、商品处理方法、装置及电子设备
CN116188544A (zh) 一种结合边缘特征的点云配准方法
CN115601672A (zh) 一种基于深度学习的vr智能巡店方法及装置
CN111160450A (zh) 一种基于神经网络的果蔬称重方法及储存介质、装置
CN113469216B (zh) 零售终端海报识别与完整性判断方法、***及存储介质
CN110472085B (zh) 三维图像搜索方法、***、计算机设备和存储介质
CN112614176A (zh) 一种带式传送机物料体积测量方法、装置及存储介质
CN115619783B (zh) 产品加工缺陷的检测方法及装置、存储介质、终端
CN116563876A (zh) 一种***识别方法
CN114445788A (zh) 车辆停放检测方法、装置、终端设备和可读存储介质
CN117292159B (zh) 一种建筑模型招牌纹理自动优化方法和***

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