CN115965249B - 基于人工智能技术的视联网客户智能分析管理*** - Google Patents
基于人工智能技术的视联网客户智能分析管理*** Download PDFInfo
- Publication number
- CN115965249B CN115965249B CN202211622630.3A CN202211622630A CN115965249B CN 115965249 B CN115965249 B CN 115965249B CN 202211622630 A CN202211622630 A CN 202211622630A CN 115965249 B CN115965249 B CN 115965249B
- Authority
- CN
- China
- Prior art keywords
- commodity
- customer
- retail store
- target unmanned
- unmanned retail
- 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
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 35
- 230000000007 visual effect Effects 0.000 title claims abstract description 18
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 15
- 230000006855 networking Effects 0.000 title claims abstract description 13
- 238000012544 monitoring process Methods 0.000 claims description 104
- 238000000034 method Methods 0.000 claims description 40
- 238000012216 screening Methods 0.000 claims description 19
- 238000004806 packaging method and process Methods 0.000 claims description 12
- 238000006467 substitution reaction Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及视联网客户智能分析管理领域,具体公开基于人工智能技术的视联网客户智能分析管理***,本发明通过获取预设监测周期内目标无人零售店中各顾客的购物信息和偷盗信息,分析得到目标无人零售店中各顾客的偷盗行为倾向系数和目标无人零售店中各商品类型的热销度,进而判断目标无人零售店中各顾客是否存在偷盗行为,并进行预警,同时将目标无人零售店中各商品类型的热销度发送至目标无人零售店的远程控制终端,不仅能远程监控无人零售店的偷盗行为,同时快速识别无人零售店的热点商品类型,从而实现对无人零售店的智能化、高效化、精准化的分析管理。
Description
技术领域
本发明涉及视联网客户智能分析管理领域,涉及到基于人工智能技术的视联网客户智能分析管理***。
背景技术
随着互联网和无人售货技术的发展,智慧零售受到越来越多人的追捧,通过智能视联网平台提供的视频AI分析,帮助企业负责人或门店老板远程巡店,不仅成本低、无需人工,而且一人可管理多店,进而帮助企业或门店实现更高效的运营。
但是无人零售店具有智能高效特点的同时,也存在一些问题:一方面,现有无人零售店的安全监控力度不够,特别是人员的偷盗行为,缺乏一套对偷盗行为的有效分析监控方法,另一方面,没有对顾客的喜好商品进行分析,进而无法获取店内畅销商品类型并进行针对性补货,容易出现盲目补货,浪费资源,或者出现供不应求,进而降低客户的体验感,造成客户流失,从而影响到店铺的正常运营。
发明内容
针对上述问题,本发明提出了基于人工智能技术的视联网客户智能分析管理***,实现对视联网客户智能分析管理的功能。
本发明解决其技术问题采用的技术方案是:本发明提供基于人工智能技术的视联网客户智能分析管理***,包括:顾客基本信息获取模块:用于获取预设监测周期内目标无人零售店中各顾客的基本信息,其中基本信息包括购物信息和偷盗信息,其中购物信息包括各类型商品停留时长、各类型商品中各款商品的触摸频繁度和各类型商品中各款商品的购买数量,其中偷盗信息包括逃单商品数量和剽窃倾向动作次数。
顾客偷盗行为监测模块:用于根据预设监测周期内目标无人零售店中各顾客的偷盗信息,分析得到目标无人零售店中各顾客的偷盗行为倾向系数。
顾客偷盗行为评估模块:用于根据目标无人零售店中各顾客的偷盗行为倾向系数,判断目标无人零售店中各顾客是否存在偷盗行为,并进行预警。
顾客偏好商品类型分析模块:用于根据预设监测周期内目标无人零售店中各顾客的购物信息,得到预设监测周期内目标无人零售店中各顾客的各类型商品的偏爱系数。
顾客偏好商品类型处理模块:用于根据预设监测周期内目标无人零售店中各顾客的各类型商品的偏爱系数,分析得到目标无人零售店中各商品类型的热销度,并将目标无人零售店中各商品类型的热销度发送至目标无人零售店的远程控制终端。
数据库:用于存储目标无人零售店中各商品的标准包装图像、拿取商品可疑动作图像集合、放回商品可疑动作图像集合、各商品摆放区域对应的商品类型和各类型商品中的各款商品。
在上述实施例的基础上,所述顾客基本信息获取模块中获取预设监测周期内目标无人零售店中各顾客的偷盗信息,具体过程包括:获取预设监测周期内目标无人零售店中各顾客的购物视频,根据预设监测周期内目标无人零售店中各顾客的购物视频,获取各顾客的各次拿取商品视频和各次放回商品视频,进一步得到各顾客各次拿取商品视频中商品包装图像和各次放回商品视频中商品包装图像,提取数据库中存储的目标无人零售店中各商品的标准包装图像,分别将各顾客各次拿取商品视频中商品包装图像和各次放回商品视频中商品包装图像与各商品的标准包装图像进行比对,得到各顾客各次拿取的商品和各次放回的商品,根据各顾客各次拿取的商品和各次放回的商品,得到各顾客对应各商品的拿取次数与放回次数,将各顾客对应各商品的拿取次数与放回次数进行比较,筛选得到各顾客的各选购商品。
通过高清摄像头获取预设监测周期内目标无人零售店中收银台区域的视频,截取得到各顾客的付款视频,根据各顾客付款视频对应的开始时间和结束时间,得到各顾客的付款时间段,通过目标无人零售店的收款平台,获取预设监测周期内目标无人零售店的结账信息,根据各顾客的付款时间段,筛选出各顾客付款时间段对应的结账信息,将其记为各顾客的结账信息,根据各顾客的结账信息,得到各顾客的各结账商品。
将各顾客的各选购商品与各结账商品进行比对,若某顾客的某选购商品不在结账商品之中,将该顾客的该选购商品记为该顾客的逃单商品,筛选得到各顾客的各逃单商品,统计得到预设监测周期内目标无人零售店中各顾客的逃单商品数量,将其记为αi,i表示预设监测周期内目标无人零售店中第i个顾客的编号,i=1,2,...,n。
在上述实施例的基础上,所述顾客基本信息获取模块中获取预设监测周期内目标无人零售店中各顾客的偷盗信息,具体过程还包括:根据各顾客的各次拿取商品视频和各次放回商品视频,得到各顾客各次拿取商品对应各动作图像和各次放回商品对应各动作图像,提取数据库中存储的拿取商品可疑动作图像集合和放回商品可疑动作图像集合,将各顾客各次拿取商品对应各动作图像与拿取商品可疑动作图像集合进行比对,若某顾客某次拿取商品对应某动作图像属于拿取商品可疑动作图像集合内,则将该顾客该次拿取商品对应该动作记为可疑拿取动作,筛选出各顾客各次拿取商品对应各可疑拿取动作,统计各顾客各次拿取商品对应可疑拿取动作数量,将其记为b表示第b次拿取商品次数的编号,b=1,2,...,c,同理,根据各顾客各次拿取商品对应可疑拿取动作数量的分析方法,得到各顾客各次放回商品对应可疑放回动作数量,将其记为/>f表示第f次放回商品次数的编号,f=1,2,...,g。
将各顾客各次拿取商品对应可疑拿取动作数量和各次放回商品对应可疑放回动作数量/>代入公式/>得到预设监测周期内目标无人零售店中各顾客的剽窃倾向动作次数βi,其中χ1、χ2分别表示预设的拿取商品对应可疑拿取动作数量和放回商品对应可疑放回动作数量的权重因子。
在上述实施例的基础上,所述顾客基本信息获取模块中获取预设监测周期内目标无人零售店中各顾客的购物信息,具体过程包括:根据预设监测周期内目标无人零售店中各顾客的购物视频,获取目标无人零售店中各顾客在各商品摆放区域的站立时长,将目标无人零售店中各顾客在各商品摆放区域的站立时长与预设的站立时长阈值进行比较,若目标无人零售店中某顾客在某商品摆放区域的站立时长大于或等于预设的站立时长阈值,则将该商品摆放区域记为该顾客的停留商品摆放区域,并将该顾客在该停留商品摆放区域的站立时长记为该顾客在该停留商品摆放区域的停留时长,统计得到各顾客的各停留商品摆放区域和各顾客在各停留商品摆放区域的停留时长。
提取数据库中存储的各商品摆放区域对应的商品类型,根据各顾客的各停留商品摆放区域,筛选得到各顾客的各停留商品摆放区域对应的商品类型,根据各顾客的各停留商品摆放区域对应的商品类型和各顾客在各停留商品摆放区域的停留时长,得到预设监测周期内目标无人零售店中各顾客的各类型商品停留时长,将其记为j表示第j种商品类型的编号,j=1,2,...,m。
在上述实施例的基础上,所述顾客基本信息获取模块中获取预设监测周期内目标无人零售店中各顾客的购物信息,具体过程还包括:提取数据库中存储的目标无人零售店中各类型商品中的各款商品,根据各顾客各次拿取的商品,筛选得到各顾客各次拿取商品对应的商品类型款式,将各顾客各次拿取商品对应的商品类型款式进行相互比较,统计得到各顾客在各类型商品中各款商品的拿取商品次数,将其记为nijp,p表示第p款商品的编号,p=1,2,...,q。
根据各顾客的各次拿取商品视频,将各顾客的各次拿取商品视频的时长记为各顾客的各次拿取商品的触摸时长,根据各顾客各次拿取商品对应的商品类型款式和各顾客的各次拿取商品的触摸时长,得到各顾客在各类型商品中各款商品对应的各次拿取商品触摸时长。
将各顾客在各类型商品中各款商品的拿取商品次数和各顾客在各类型商品中各款商品对应的各次拿取商品触摸时长代入公式得到预设监测周期内目标无人零售店中各顾客的各类型商品中各款商品的触摸频繁度δijp,其中φ表示预设的预设监测周期内目标无人零售店中顾客商品触摸频繁度的修正因子,ε1、ε2分别表示预设的拿取商品次数和拿取商品触摸时长的权重因子,Δn表示预设的拿取商品次数阈值,/>表示第i个顾客在第j类型商品中第p款商品对应的第u次拿取商品触摸时长,u=1,2,...,v,Δt表示预设的拿取商品触摸时长阈值。
根据各顾客的各结账商品,将各顾客的各结账商品与目标无人零售店中各类型商品中的各款商品进行比对,统计得到预设监测周期内目标无人零售店中各顾客的各类型商品中各款商品的购买数量,将其记为κijp。
在上述实施例的基础上,所述顾客偷盗行为监测模块的具体过程为:将预设监测周期内目标无人零售店中各顾客的逃单商品数量αi和剽窃倾向动作次数βi代入公式得到目标无人零售店中各顾客的偷盗行为倾向系数/>其中η表示预设的目标无人零售店中顾客的偷盗行为倾向系数修正因子,γ1、γ2分别表示预设的顾客的逃单商品数量和剽窃倾向动作次数的权重因子,/>表示预设的单个逃单商品对应的偷盗行为影响因子,/>表示预设的单次剽窃倾向动作对应的偷盗行为影响因子。
在上述实施例的基础上,所述顾客偷盗行为评估模块的具体过程为:将目标无人零售店中各顾客的偷盗行为倾向系数与预设的偷盗行为倾向系数阈值进行比较,若目标无人零售店中某顾客的偷盗行为倾向系数大于预设的偷盗行为倾向系数阈值,则目标无人零售店中该顾客存在偷盗行为,通过目标无人零售店中的语音设备进行预警,并统计目标无人零售店中存在偷盗行为的各顾客,将目标无人零售店中存在偷盗行为的各顾客的图像发送至目标无人零售店的远程控制终端。
在上述实施例的基础上,所述顾客偏好商品类型分析模块的具体过程为:将预设监测周期内目标无人零售店中各顾客的各类型商品停留时长各类型商品中各款商品的触摸频繁度δijp和各类型商品中各款商品的购买数量κijp代入公式得到预设监测周期内目标无人零售店中各顾客的各类型商品的偏爱系数λij,其中m表示商品类型的总数量。
在上述实施例的基础上,所述顾客偏好商品类型处理模块的具体过程为:将预设监测周期内目标无人零售店中各顾客的各类型商品的偏爱系数进行相互比较,将最大偏爱系数对应的商品类型作为顾客的喜爱商品类型,统计得到各顾客的喜爱商品类型,根据各顾客的喜爱商品类型,得到各商品类型对应的喜爱顾客数量,将其记为wj,将各商品类型对应的喜爱顾客数量代入公式得到目标无人零售店中各商品类型的热销度ξj,其中ψ表示预设的目标无人零售店中商品类型的热销度修正因子,e表示自然常数。
将目标无人零售店中各商品类型按照热销度从高到低的顺序进行排序,将排序后的结果发送至目标无人零售店的远程控制终端。
相对于现有技术,本发明所述的基于人工智能技术的视联网客户智能分析管理***以下有益效果:1、本发明提供的基于人工智能技术的视联网客户智能分析管理***,通过获取预设监测周期内目标无人零售店中各顾客的购物信息和偷盗信息,分析得到目标无人零售店中各顾客的偷盗行为倾向系数和各商品类型的热销度,判断目标无人零售店中各顾客是否存在偷盗行为,并进行预警,并将各商品类型的热销度发送至目标无人零售店的远程控制终端,不仅能远程监控无人零售店的偷盗行为,同时快速识别无人零售店的热点商品类型,从而实现对无人零售店的智能化、高效化、精准化的分析管理。
2、本发明通过获取预设监测周期内目标无人零售店中各顾客的逃单商品数量和剽窃倾向动作次数,进一步判断目标无人零售店中各顾客是否存在偷盗行为,并进行预警,从多维度对偷盗行为进行深度分析,建立起针对偷盗行为的有效评估方法,进而加大门店安全的监控力度,从而为门店的安全提供保障。
3、本发明通过获取预设监测周期内目标无人零售店中各顾客的购物信息,得到目标无人零售店中各商品类型的热销度,对顾客的喜好商品进行分析,进而获取店内畅销商品类型并进行针对性补货,防止出现盲目补货或者供不应求,进而提高客户的体验感,并为店铺的正常运营提供保障。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述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例,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为本发明的***模块连接图。
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它实施例,都属于本发明保护的范围。
请参阅图1所示,本发明提供基于人工智能技术的视联网客户智能分析管理***,包括顾客基本信息获取模块、顾客偷盗行为监测模块、顾客偷盗行为评估模块、顾客偏好商品类型分析模块、顾客偏好商品类型处理模块和数据库。
所述顾客基本信息获取模块分别与数据库、顾客偷盗行为监测模块和顾客偏好商品类型分析模块连接,顾客偷盗行为监测模块与顾客偷盗行为评估模块连接,顾客偏好商品类型分析模块与顾客偏好商品类型处理模块连接。
所述顾客基本信息获取模块用于获取预设监测周期内目标无人零售店中各顾客的基本信息,其中基本信息包括购物信息和偷盗信息,其中购物信息包括各类型商品停留时长、各类型商品中各款商品的触摸频繁度和各类型商品中各款商品的购买数量,其中偷盗信息包括逃单商品数量和剽窃倾向动作次数。
进一步地,所述顾客基本信息获取模块中获取预设监测周期内目标无人零售店中各顾客的偷盗信息,具体过程包括:获取预设监测周期内目标无人零售店中各顾客的购物视频,根据预设监测周期内目标无人零售店中各顾客的购物视频,获取各顾客的各次拿取商品视频和各次放回商品视频,进一步得到各顾客各次拿取商品视频中商品包装图像和各次放回商品视频中商品包装图像,提取数据库中存储的目标无人零售店中各商品的标准包装图像,分别将各顾客各次拿取商品视频中商品包装图像和各次放回商品视频中商品包装图像与各商品的标准包装图像进行比对,得到各顾客各次拿取的商品和各次放回的商品,根据各顾客各次拿取的商品和各次放回的商品,得到各顾客对应各商品的拿取次数与放回次数,将各顾客对应各商品的拿取次数与放回次数进行比较,筛选得到各顾客的各选购商品。
通过高清摄像头获取预设监测周期内目标无人零售店中收银台区域的视频,截取得到各顾客的付款视频,根据各顾客付款视频对应的开始时间和结束时间,得到各顾客的付款时间段,通过目标无人零售店的收款平台,获取预设监测周期内目标无人零售店的结账信息,根据各顾客的付款时间段,筛选出各顾客付款时间段对应的结账信息,将其记为各顾客的结账信息,根据各顾客的结账信息,得到各顾客的各结账商品。
将各顾客的各选购商品与各结账商品进行比对,若某顾客的某选购商品不在结账商品之中,将该顾客的该选购商品记为该顾客的逃单商品,筛选得到各顾客的各逃单商品,统计得到预设监测周期内目标无人零售店中各顾客的逃单商品数量,将其记为αi,i表示预设监测周期内目标无人零售店中第i个顾客的编号,i=1,2,...,n。
作为一种优选方案,所述获取预设监测周期内目标无人零售店中各顾客的购物视频,具体过程为:按照预设的等面积原则将目标无人零售店的商品摆放区域进行划分,得到目标无人零售店中各商品摆放子区域,按照预设的摄像头布设原则分别在目标无人零售店中各商品摆放子区域布设摄像头。
设定监测周期的时长,通过目标无人零售店各商品摆放子区域的摄像头,获取预设监测周期内目标无人零售店各商品摆放子区域的监控视频,对预设监测周期内目标无人零售店各商品摆放子区域的监控视频进行解析,得到预设监测周期内目标无人零售店各商品摆放子区域监控视频中各顾客对应的视频段,将预设监测周期内目标无人零售店各商品摆放子区域监控视频中各顾客对应的视频段进行相互比对,得到预设监测周期内各顾客在目标无人零售店各商品摆放子区域监控视频中对应的视频段,将预设监测周期内各顾客在目标无人零售店各商品摆放子区域监控视频中对应的视频段按照时间从早到晚的顺序进行拼接,得到预设监测周期内各顾客在目标无人零售店的行迹视频,将其记为预设监测周期内目标无人零售店中各顾客的购物视频。
作为一种优选方案,所述各顾客的各选购商品,具体获取方法为:将各顾客对应各商品的拿取次数与放回次数进行比较,若某顾客对应某商品的拿取次数等于放回次数,则该商品不是该顾客的选定商品,若某顾客对应某商品的拿取次数大于放回次数,则该商品是该顾客的选定商品,并且该商品的拿取次数与放回次数的差值为该商品的选购数量,筛选得到各顾客对应各选定商品的选购数量,对各顾客对应各选定商品的选购数量进行汇整,得到各顾客的各选购商品。
进一步地,所述顾客基本信息获取模块中获取预设监测周期内目标无人零售店中各顾客的偷盗信息,具体过程还包括:根据各顾客的各次拿取商品视频和各次放回商品视频,得到各顾客各次拿取商品对应各动作图像和各次放回商品对应各动作图像,提取数据库中存储的拿取商品可疑动作图像集合和放回商品可疑动作图像集合,将各顾客各次拿取商品对应各动作图像与拿取商品可疑动作图像集合进行比对,若某顾客某次拿取商品对应某动作图像属于拿取商品可疑动作图像集合内,则将该顾客该次拿取商品对应该动作记为可疑拿取动作,筛选出各顾客各次拿取商品对应各可疑拿取动作,统计各顾客各次拿取商品对应可疑拿取动作数量,将其记为b表示第b次拿取商品次数的编号,b=1,2,...,c,同理,根据各顾客各次拿取商品对应可疑拿取动作数量的分析方法,得到各顾客各次放回商品对应可疑放回动作数量,将其记为/>f表示第f次放回商品次数的编号,f=1,2,...,g。
将各顾客各次拿取商品对应可疑拿取动作数量和各次放回商品对应可疑放回动作数量/>代入公式/>得到预设监测周期内目标无人零售店中各顾客的剽窃倾向动作次数βi,其中χ1、χ2分别表示预设的拿取商品对应可疑拿取动作数量和放回商品对应可疑放回动作数量的权重因子。
进一步地,所述顾客基本信息获取模块中获取预设监测周期内目标无人零售店中各顾客的购物信息,具体过程包括:根据预设监测周期内目标无人零售店中各顾客的购物视频,获取目标无人零售店中各顾客在各商品摆放区域的站立时长,将目标无人零售店中各顾客在各商品摆放区域的站立时长与预设的站立时长阈值进行比较,若目标无人零售店中某顾客在某商品摆放区域的站立时长大于或等于预设的站立时长阈值,则将该商品摆放区域记为该顾客的停留商品摆放区域,并将该顾客在该停留商品摆放区域的站立时长记为该顾客在该停留商品摆放区域的停留时长,统计得到各顾客的各停留商品摆放区域和各顾客在各停留商品摆放区域的停留时长。
提取数据库中存储的各商品摆放区域对应的商品类型,根据各顾客的各停留商品摆放区域,筛选得到各顾客的各停留商品摆放区域对应的商品类型,根据各顾客的各停留商品摆放区域对应的商品类型和各顾客在各停留商品摆放区域的停留时长,得到预设监测周期内目标无人零售店中各顾客的各类型商品停留时长,将其记为j表示第j种商品类型的编号,j=1,2,...,m。
进一步地,所述顾客基本信息获取模块中获取预设监测周期内目标无人零售店中各顾客的购物信息,具体过程还包括:提取数据库中存储的目标无人零售店中各类型商品中的各款商品,根据各顾客各次拿取的商品,筛选得到各顾客各次拿取商品对应的商品类型款式,将各顾客各次拿取商品对应的商品类型款式进行相互比较,统计得到各顾客在各类型商品中各款商品的拿取商品次数,将其记为nijp,p表示第p款商品的编号,p=1,2,...,q。
根据各顾客的各次拿取商品视频,将各顾客的各次拿取商品视频的时长记为各顾客的各次拿取商品的触摸时长,根据各顾客各次拿取商品对应的商品类型款式和各顾客的各次拿取商品的触摸时长,得到各顾客在各类型商品中各款商品对应的各次拿取商品触摸时长。
将各顾客在各类型商品中各款商品的拿取商品次数和各顾客在各类型商品中各款商品对应的各次拿取商品触摸时长代入公式得到预设监测周期内目标无人零售店中各顾客的各类型商品中各款商品的触摸频繁度δijp,其中φ表示预设的预设监测周期内目标无人零售店中顾客商品触摸频繁度的修正因子,ε1、ε2分别表示预设的拿取商品次数和拿取商品触摸时长的权重因子,Δn表示预设的拿取商品次数阈值,/>表示第i个顾客在第j类型商品中第p款商品对应的第u次拿取商品触摸时长,u=1,2,...,v,Δt表示预设的拿取商品触摸时长阈值。
根据各顾客的各结账商品,将各顾客的各结账商品与目标无人零售店中各类型商品中的各款商品进行比对,统计得到预设监测周期内目标无人零售店中各顾客的各类型商品中各款商品的购买数量,将其记为κijp。
所述顾客偷盗行为监测模块用于根据预设监测周期内目标无人零售店中各顾客的偷盗信息,分析得到目标无人零售店中各顾客的偷盗行为倾向系数。
进一步地,所述顾客偷盗行为监测模块的具体过程为:将预设监测周期内目标无人零售店中各顾客的逃单商品数量αi和剽窃倾向动作次数βi代入公式得到目标无人零售店中各顾客的偷盗行为倾向系数/>其中η表示预设的目标无人零售店中顾客的偷盗行为倾向系数修正因子,γ1、γ2分别表示预设的顾客的逃单商品数量和剽窃倾向动作次数的权重因子,/>表示预设的单个逃单商品对应的偷盗行为影响因子,/>表示预设的单次剽窃倾向动作对应的偷盗行为影响因子。
所述顾客偷盗行为评估模块用于根据目标无人零售店中各顾客的偷盗行为倾向系数,判断目标无人零售店中各顾客是否存在偷盗行为,并进行预警。
进一步地,所述顾客偷盗行为评估模块的具体过程为:将目标无人零售店中各顾客的偷盗行为倾向系数与预设的偷盗行为倾向系数阈值进行比较,若目标无人零售店中某顾客的偷盗行为倾向系数大于预设的偷盗行为倾向系数阈值,则目标无人零售店中该顾客存在偷盗行为,通过目标无人零售店中的语音设备进行预警,并统计目标无人零售店中存在偷盗行为的各顾客,将目标无人零售店中存在偷盗行为的各顾客的图像发送至目标无人零售店的远程控制终端。
需要说明的是,本发明通过获取预设监测周期内目标无人零售店中各顾客的逃单商品数量和剽窃倾向动作次数,进一步判断目标无人零售店中各顾客是否存在偷盗行为,并进行预警,从多维度对偷盗行为进行深度分析,建立起针对偷盗行为的有效评估方法,进而加大门店安全的监控力度,从而为门店的安全提供保障。
所述顾客偏好商品类型分析模块用于根据预设监测周期内目标无人零售店中各顾客的购物信息,得到预设监测周期内目标无人零售店中各顾客的各类型商品的偏爱系数。
进一步地,所述顾客偏好商品类型分析模块的具体过程为:将预设监测周期内目标无人零售店中各顾客的各类型商品停留时长各类型商品中各款商品的触摸频繁度δijp和各类型商品中各款商品的购买数量κijp代入公式得到预设监测周期内目标无人零售店中各顾客的各类型商品的偏爱系数λij,其中m表示商品类型的总数量。
所述顾客偏好商品类型处理模块用于根据预设监测周期内目标无人零售店中各顾客的各类型商品的偏爱系数,分析得到目标无人零售店中各商品类型的热销度,并将目标无人零售店中各商品类型的热销度发送至目标无人零售店的远程控制终端。
进一步地,所述顾客偏好商品类型处理模块的具体过程为:将预设监测周期内目标无人零售店中各顾客的各类型商品的偏爱系数进行相互比较,将最大偏爱系数对应的商品类型作为顾客的喜爱商品类型,统计得到各顾客的喜爱商品类型,根据各顾客的喜爱商品类型,得到各商品类型对应的喜爱顾客数量,将其记为wj,将各商品类型对应的喜爱顾客数量代入公式得到目标无人零售店中各商品类型的热销度ξj,其中ψ表示预设的目标无人零售店中商品类型的热销度修正因子,e表示自然常数。
将目标无人零售店中各商品类型按照热销度从高到低的顺序进行排序,将排序后的结果发送至目标无人零售店的远程控制终端。
需要说明的是,本发明通过获取预设监测周期内目标无人零售店中各顾客的购物信息,得到目标无人零售店中各商品类型的热销度,对顾客的喜好商品进行分析,进而获取店内畅销商品类型并进行针对性补货,防止出现盲目补货或者供不应求,进而提高客户的体验感,并为店铺的正常运营提供保障。
所述数据库用于存储目标无人零售店中各商品的标准包装图像、拿取商品可疑动作图像集合、放回商品可疑动作图像集合、各商品摆放区域对应的商品类型和各类型商品中的各款商品。
以上内容仅仅是对本发明的构思所作的举例和说明,所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明的构思或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (6)
1.基于人工智能技术的视联网客户智能分析管理***,其特征在于,包括:
顾客基本信息获取模块:用于获取预设监测周期内目标无人零售店中各顾客的基本信息,其中基本信息包括购物信息和偷盗信息,其中购物信息包括各类型商品停留时长、各类型商品中各款商品的触摸频繁度和各类型商品中各款商品的购买数量,其中偷盗信息包括逃单商品数量和剽窃倾向动作次数;
顾客偷盗行为监测模块:用于根据预设监测周期内目标无人零售店中各顾客的偷盗信息,分析得到目标无人零售店中各顾客的偷盗行为倾向系数;
顾客偷盗行为评估模块:用于根据目标无人零售店中各顾客的偷盗行为倾向系数,判断目标无人零售店中各顾客是否存在偷盗行为,并进行预警;
顾客偏好商品类型分析模块:用于根据预设监测周期内目标无人零售店中各顾客的购物信息,得到预设监测周期内目标无人零售店中各顾客的各类型商品的偏爱系数;
顾客偏好商品类型处理模块:用于根据预设监测周期内目标无人零售店中各顾客的各类型商品的偏爱系数,分析得到目标无人零售店中各商品类型的热销度,并将目标无人零售店中各商品类型的热销度发送至目标无人零售店的远程控制终端;
数据库:用于存储目标无人零售店中各商品的标准包装图像、拿取商品可疑动作图像集合、放回商品可疑动作图像集合、各商品摆放区域对应的商品类型和各类型商品中的各款商品;
所述顾客偏好商品类型分析模块的具体过程为:
将预设监测周期内目标无人零售店中各顾客的各类型商品停留时长、各类型商品中各款商品的触摸频繁度/>和各类型商品中各款商品的购买数量/>代入公式得到预设监测周期内目标无人零售店中各顾客的各类型商品的偏爱系数/>,其中/>表示商品类型的总数量;
所述顾客偷盗行为监测模块的具体过程为:
将预设监测周期内目标无人零售店中各顾客的逃单商品数量和剽窃倾向动作次数代入公式/>得到目标无人零售店中各顾客的偷盗行为倾向系数/>,其中/>表示预设的目标无人零售店中顾客的偷盗行为倾向系数修正因子,分别表示预设的顾客的逃单商品数量和剽窃倾向动作次数的权重因子,/>表示预设的单个逃单商品对应的偷盗行为影响因子,/>表示预设的单次剽窃倾向动作对应的偷盗行为影响因子;
所述顾客偷盗行为评估模块的具体过程为:
将目标无人零售店中各顾客的偷盗行为倾向系数与预设的偷盗行为倾向系数阈值进行比较,若目标无人零售店中某顾客的偷盗行为倾向系数大于预设的偷盗行为倾向系数阈值,则目标无人零售店中该顾客存在偷盗行为,通过目标无人零售店中的语音设备进行预警,并统计目标无人零售店中存在偷盗行为的各顾客,将目标无人零售店中存在偷盗行为的各顾客的图像发送至目标无人零售店的远程控制终端。
2.根据权利要求1所述的基于人工智能技术的视联网客户智能分析管理***,其特征在于:所述顾客基本信息获取模块中获取预设监测周期内目标无人零售店中各顾客的偷盗信息,具体过程包括:
获取预设监测周期内目标无人零售店中各顾客的购物视频,根据预设监测周期内目标无人零售店中各顾客的购物视频,获取各顾客的各次拿取商品视频和各次放回商品视频,进一步得到各顾客各次拿取商品视频中商品包装图像和各次放回商品视频中商品包装图像,提取数据库中存储的目标无人零售店中各商品的标准包装图像,分别将各顾客各次拿取商品视频中商品包装图像和各次放回商品视频中商品包装图像与各商品的标准包装图像进行比对,得到各顾客各次拿取的商品和各次放回的商品,根据各顾客各次拿取的商品和各次放回的商品,得到各顾客对应各商品的拿取次数与放回次数,将各顾客对应各商品的拿取次数与放回次数进行比较,筛选得到各顾客的各选购商品;
通过高清摄像头获取预设监测周期内目标无人零售店中收银台区域的视频,截取得到各顾客的付款视频,根据各顾客付款视频对应的开始时间和结束时间,得到各顾客的付款时间段,通过目标无人零售店的收款平台,获取预设监测周期内目标无人零售店的结账信息,根据各顾客的付款时间段,筛选出各顾客付款时间段对应的结账信息,将其记为各顾客的结账信息,根据各顾客的结账信息,得到各顾客的各结账商品;
将各顾客的各选购商品与各结账商品进行比对,若某顾客的某选购商品不在结账商品之中,将该顾客的该选购商品记为该顾客的逃单商品,筛选得到各顾客的各逃单商品,统计得到预设监测周期内目标无人零售店中各顾客的逃单商品数量,将其记为,/>表示预设监测周期内目标无人零售店中第/>个顾客的编号,/>。
3.根据权利要求2所述的基于人工智能技术的视联网客户智能分析管理***,其特征在于:所述顾客基本信息获取模块中获取预设监测周期内目标无人零售店中各顾客的偷盗信息,具体过程还包括:
根据各顾客的各次拿取商品视频和各次放回商品视频,得到各顾客各次拿取商品对应各动作图像和各次放回商品对应各动作图像,提取数据库中存储的拿取商品可疑动作图像集合和放回商品可疑动作图像集合,将各顾客各次拿取商品对应各动作图像与拿取商品可疑动作图像集合进行比对,若某顾客某次拿取商品对应某动作图像属于拿取商品可疑动作图像集合内,则将该顾客该次拿取商品对应该动作记为可疑拿取动作,筛选出各顾客各次拿取商品对应各可疑拿取动作,统计各顾客各次拿取商品对应可疑拿取动作数量,将其记为,/>表示第/>次拿取商品次数的编号,/>,同理,根据各顾客各次拿取商品对应可疑拿取动作数量的分析方法,得到各顾客各次放回商品对应可疑放回动作数量,将其记为/>,/>表示第/>次放回商品次数的编号,/>;
将各顾客各次拿取商品对应可疑拿取动作数量和各次放回商品对应可疑放回动作数量/>代入公式/>得到预设监测周期内目标无人零售店中各顾客的剽窃倾向动作次数/>,其中/>分别表示预设的拿取商品对应可疑拿取动作数量和放回商品对应可疑放回动作数量的权重因子。
4.根据权利要求2所述的基于人工智能技术的视联网客户智能分析管理***,其特征在于:所述顾客基本信息获取模块中获取预设监测周期内目标无人零售店中各顾客的购物信息,具体过程包括:
根据预设监测周期内目标无人零售店中各顾客的购物视频,获取目标无人零售店中各顾客在各商品摆放区域的站立时长,将目标无人零售店中各顾客在各商品摆放区域的站立时长与预设的站立时长阈值进行比较,若目标无人零售店中某顾客在某商品摆放区域的站立时长大于或等于预设的站立时长阈值,则将该商品摆放区域记为该顾客的停留商品摆放区域,并将该顾客在该停留商品摆放区域的站立时长记为该顾客在该停留商品摆放区域的停留时长,统计得到各顾客的各停留商品摆放区域和各顾客在各停留商品摆放区域的停留时长;
提取数据库中存储的各商品摆放区域对应的商品类型,根据各顾客的各停留商品摆放区域,筛选得到各顾客的各停留商品摆放区域对应的商品类型,根据各顾客的各停留商品摆放区域对应的商品类型和各顾客在各停留商品摆放区域的停留时长,得到预设监测周期内目标无人零售店中各顾客的各类型商品停留时长,将其记为,/>表示第/>种商品类型的编号,/>。
5.根据权利要求2所述的基于人工智能技术的视联网客户智能分析管理***,其特征在于:所述顾客基本信息获取模块中获取预设监测周期内目标无人零售店中各顾客的购物信息,具体过程还包括:
提取数据库中存储的目标无人零售店中各类型商品中的各款商品,根据各顾客各次拿取的商品,筛选得到各顾客各次拿取商品对应的商品类型款式,将各顾客各次拿取商品对应的商品类型款式进行相互比较,统计得到各顾客在各类型商品中各款商品的拿取商品次数,
将其记为,/>表示第/>款商品的编号,/>;
根据各顾客的各次拿取商品视频,将各顾客的各次拿取商品视频的时长记为各顾客的各次拿取商品的触摸时长,根据各顾客各次拿取商品对应的商品类型款式和各顾客的各次拿取商品的触摸时长,得到各顾客在各类型商品中各款商品对应的各次拿取商品触摸时长;
将各顾客在各类型商品中各款商品的拿取商品次数和各顾客在各类型商品中各款商品对应的各次拿取商品触摸时长代入公式得到预设监测周期内目标无人零售店中各顾客的各类型商品中各款商品的触摸频繁度,其中/>表示预设的预设监测周期内目标无人零售店中顾客商品触摸频繁度的修正因子,/>分别表示预设的拿取商品次数和拿取商品触摸时长的权重因子,/>表示预设的拿取商品次数阈值,/>表示第/>个顾客在第/>类型商品中第/>款商品对应的第/>次拿取商品触摸时长,/>,/>表示预设的拿取商品触摸时长阈值;
根据各顾客的各结账商品,将各顾客的各结账商品与目标无人零售店中各类型商品中的各款商品进行比对,统计得到预设监测周期内目标无人零售店中各顾客的各类型商品中各款商品的购买数量,将其记为。
6.根据权利要求1所述的基于人工智能技术的视联网客户智能分析管理***,其特征在于:所述顾客偏好商品类型处理模块的具体过程为:
将预设监测周期内目标无人零售店中各顾客的各类型商品的偏爱系数进行相互比较,将最大偏爱系数对应的商品类型作为顾客的喜爱商品类型,统计得到各顾客的喜爱商品类型,根据各顾客的喜爱商品类型,得到各商品类型对应的喜爱顾客数量,将其记为,将各商品类型对应的喜爱顾客数量代入公式/>得到目标无人零售店中各商品类型的热销度/>,其中/>表示预设的目标无人零售店中商品类型的热销度修正因子,e表示自然常数;
将目标无人零售店中各商品类型按照热销度从高到低的顺序进行排序,将排序后的结果发送至目标无人零售店的远程控制终端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211622630.3A CN115965249B (zh) | 2022-12-16 | 2022-12-16 | 基于人工智能技术的视联网客户智能分析管理*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211622630.3A CN115965249B (zh) | 2022-12-16 | 2022-12-16 | 基于人工智能技术的视联网客户智能分析管理*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115965249A CN115965249A (zh) | 2023-04-14 |
CN115965249B true CN115965249B (zh) | 2024-01-23 |
Family
ID=87362859
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211622630.3A Active CN115965249B (zh) | 2022-12-16 | 2022-12-16 | 基于人工智能技术的视联网客户智能分析管理*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115965249B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102881100A (zh) * | 2012-08-24 | 2013-01-16 | 济南纳维信息技术有限公司 | 基于视频分析的实体店面防盗监控方法 |
CN105894332A (zh) * | 2016-04-22 | 2016-08-24 | 深圳市永兴元科技有限公司 | 基于用户行为分析的商品推荐方法、装置及*** |
CN107330684A (zh) * | 2017-07-06 | 2017-11-07 | 广州联业商用机器人科技股份有限公司 | 一种云端智能管控无人商店及其自动结算方法 |
CN108364422A (zh) * | 2018-02-24 | 2018-08-03 | 广州逗号智能零售有限公司 | 无人售货方法及装置 |
CN108551566A (zh) * | 2018-04-03 | 2018-09-18 | 深圳市丰宜科技有限公司 | 货架监控、付款监控、账户识别***及方法 |
CN109271847A (zh) * | 2018-08-01 | 2019-01-25 | 阿里巴巴集团控股有限公司 | 无人结算场景中异常检测方法、装置及设备 |
CN110147723A (zh) * | 2019-04-11 | 2019-08-20 | 苏宁云计算有限公司 | 一种无人店中顾客异常行为的处理方法及*** |
CN110428532A (zh) * | 2019-08-13 | 2019-11-08 | 创新奇智(北京)科技有限公司 | 一种基于重力称和视觉的无人商店管理***和方法 |
CN110647783A (zh) * | 2018-06-26 | 2020-01-03 | 杭州海康威视数字技术股份有限公司 | 一种无人货架付款检测方法、装置和*** |
CN110689389A (zh) * | 2018-07-04 | 2020-01-14 | 上海霖罕信息科技有限公司 | 基于计算机视觉的购物清单自动维护方法及装置、存储介质、终端 |
CN111127174A (zh) * | 2020-01-06 | 2020-05-08 | 鄂尔多斯市东驿科技有限公司 | 智能化无人超市控制*** |
CN111192425A (zh) * | 2019-12-31 | 2020-05-22 | 新石器慧通(北京)科技有限公司 | 一种无人车零售防盗方法及防盗*** |
CN114897123A (zh) * | 2022-06-02 | 2022-08-12 | 邵鸣 | 基于大数据的感知识别控制*** |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11328282B2 (en) * | 2017-01-04 | 2022-05-10 | Xian Chaohi Net Technology Co., Ltd. | Method and system for identifying goods of intelligent shopping cart |
CN109214806B (zh) * | 2018-11-20 | 2022-01-04 | 北京京东尚科信息技术有限公司 | 自助结算方法、装置以及存储介质 |
JP2022035589A (ja) * | 2020-08-21 | 2022-03-04 | 東芝テック株式会社 | 画像解析装置、監視システムおよびチェックアウトシステム |
-
2022
- 2022-12-16 CN CN202211622630.3A patent/CN115965249B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102881100A (zh) * | 2012-08-24 | 2013-01-16 | 济南纳维信息技术有限公司 | 基于视频分析的实体店面防盗监控方法 |
CN105894332A (zh) * | 2016-04-22 | 2016-08-24 | 深圳市永兴元科技有限公司 | 基于用户行为分析的商品推荐方法、装置及*** |
CN107330684A (zh) * | 2017-07-06 | 2017-11-07 | 广州联业商用机器人科技股份有限公司 | 一种云端智能管控无人商店及其自动结算方法 |
CN108364422A (zh) * | 2018-02-24 | 2018-08-03 | 广州逗号智能零售有限公司 | 无人售货方法及装置 |
CN108551566A (zh) * | 2018-04-03 | 2018-09-18 | 深圳市丰宜科技有限公司 | 货架监控、付款监控、账户识别***及方法 |
CN110647783A (zh) * | 2018-06-26 | 2020-01-03 | 杭州海康威视数字技术股份有限公司 | 一种无人货架付款检测方法、装置和*** |
CN110689389A (zh) * | 2018-07-04 | 2020-01-14 | 上海霖罕信息科技有限公司 | 基于计算机视觉的购物清单自动维护方法及装置、存储介质、终端 |
CN109271847A (zh) * | 2018-08-01 | 2019-01-25 | 阿里巴巴集团控股有限公司 | 无人结算场景中异常检测方法、装置及设备 |
CN110147723A (zh) * | 2019-04-11 | 2019-08-20 | 苏宁云计算有限公司 | 一种无人店中顾客异常行为的处理方法及*** |
CN110428532A (zh) * | 2019-08-13 | 2019-11-08 | 创新奇智(北京)科技有限公司 | 一种基于重力称和视觉的无人商店管理***和方法 |
CN111192425A (zh) * | 2019-12-31 | 2020-05-22 | 新石器慧通(北京)科技有限公司 | 一种无人车零售防盗方法及防盗*** |
CN111127174A (zh) * | 2020-01-06 | 2020-05-08 | 鄂尔多斯市东驿科技有限公司 | 智能化无人超市控制*** |
CN114897123A (zh) * | 2022-06-02 | 2022-08-12 | 邵鸣 | 基于大数据的感知识别控制*** |
Non-Patent Citations (5)
Title |
---|
Carlo Colombo.Behavior monitoring through automatic analysis of video sequences.CIVR '07: Proceedings of the 6th ACM international conference on Image and video retrieval.2007,全文. * |
无人超市识别技术及其应用进展;舒渤予;;科技与创新(第01期);全文 * |
林付春 ; 张荣芬 ; 何倩倩 ; 刘宇红 ; .机器视觉中的智能无人零售***设计.电子技术应用.2018,(第09期),全文. * |
袁路妍 ; 李锋 ; .无人值守智能商业融合平台技术框架设计.物流技术.2018,(第02期),全文. * |
金剑锋 ; 姚元 ; 王明晓 ; 曹雅楠 ; 张磊 ; .新零售时代,基于5G和AIoT技术的智慧门店探索与应用.电信科学.2020,(第S1期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN115965249A (zh) | 2023-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Soysal et al. | Demand dynamics in the seasonal goods industry: An empirical analysis | |
Adenso-Díaz et al. | Effects of dynamic pricing of perishable products on revenue and waste | |
Moussawi-Haidar et al. | Effect of deterioration on the instantaneous replenishment model with imperfect quality items | |
CN108665329A (zh) | 一种基于用户浏览行为的商品推荐方法 | |
CN107274555A (zh) | 自动售货方法、装置及*** | |
CN108537166B (zh) | 确定货架浏览量以及分析浏览量的方法和装置 | |
CA2488197A1 (en) | Markdown management | |
JP2023538048A (ja) | 画像基盤のパック詰め肉類の品質分類及販売方法、装置及びシステム | |
US20170011421A1 (en) | Preference analyzing system | |
KR101872220B1 (ko) | 네트워크 기반 판매 예측 정보 제공 장치 | |
Cheng et al. | Advance selling with double marketing efforts in a newsvendor framework | |
CN108830631A (zh) | 一种销售数据采集分析***及其方法 | |
Gangurde et al. | Building prediction model using market basket analysis | |
CN115965249B (zh) | 基于人工智能技术的视联网客户智能分析管理*** | |
Nath et al. | A partially backlogged two-warehouse EOQ model with non-instantaneous deteriorating items, price and time dependent demand and preservation technology using interval number | |
Ding et al. | Product demand estimation for vending machines using video surveillance data: A group-lasso method | |
Fang et al. | Bundle pricing decisions for fresh products with quality deterioration | |
Sharma et al. | Best seller rank (bsr) to sales: An empirical look at amazon. com | |
Zuo | Prediction of consumer purchase behaviour using Bayesian network: an operational improvement and new results based on RFID data | |
CN110264219B (zh) | 一种基于大数据的客户监测分析*** | |
Kumari et al. | CertiMart: Use Computer Vision to Digitize and Automate Supermarket with Fruit Quality Measuring and Maintaining | |
CN112561596A (zh) | 商品推荐方法和装置 | |
CN114821729B (zh) | 商品导购方法、装置、云服务器及存储介质 | |
Badi et al. | SCAR: Smart Cart based on ARM algorithm and RFID technology | |
CN116645375B (zh) | 一种基于三维重建算法的卷烟零售商户库存盘点方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |