CN116682209A - 一种基于机器视觉的自动售货机库存管理方法及*** - Google Patents
一种基于机器视觉的自动售货机库存管理方法及*** Download PDFInfo
- Publication number
- CN116682209A CN116682209A CN202310711228.0A CN202310711228A CN116682209A CN 116682209 A CN116682209 A CN 116682209A CN 202310711228 A CN202310711228 A CN 202310711228A CN 116682209 A CN116682209 A CN 116682209A
- Authority
- CN
- China
- Prior art keywords
- goods
- picture
- label
- cargo
- identified
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 24
- 230000001502 supplementing effect Effects 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 230000011218 segmentation Effects 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 9
- 238000003709 image segmentation Methods 0.000 claims description 6
- 239000013589 supplement Substances 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000011426 transformation method Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07F—COIN-FREED OR LIKE APPARATUS
- G07F11/00—Coin-freed apparatus for dispensing, or the like, discrete articles
- G07F11/004—Restocking arrangements therefor
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- 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
- G06V10/24—Aligning, centring, orientation detection or correction of the image
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
-
- 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
-
- 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)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Finance (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Control Of Vending Devices And Auxiliary Devices For Vending Devices (AREA)
Abstract
本发明涉及机器视觉领域,更具体的说,它涉及一种基于机器视觉的自动售货机库存管理方法及***。一种基于机器视觉的自动售货机库存管理***,包括:已补货货架图片获取模块;图片预处理模块;图片分割模块;标签识别模块;补货量计算模块;库存更新模块;警示模块。本发明通过拍摄已补货货架图片,并基于采用机器视觉的货物识别模型计算补货量,避免了人工记录并上传导致的库存管理错误,并且只需要进行拍摄照片,无需进行额外繁琐的填写工作,操作成本低。
Description
技术领域
本发明涉及机器视觉领域,更具体的说,它涉及一种基于机器视觉的自动售货机库存管理方法及***。
背景技术
自助售货机是一种能根据投入的钱币自动付货的机器。自动售货机是商业自动化的常用设备,它不受时间、地点的限制,能节省人力、方便交易。是一种全新的商业零售形式,又被称为24小时营业的微型超市。目前针对自动售货机的补货需要通过工作人员进行手动补货,但是在工作人员手动补货的过程中,需要人为记录补货数量,并且填写上传至终端,一旦工作人员记录错误,如果少补,会导致弹簧空转不出货。如果多补,导致库存管理对不上,并且工作效率较低。
发明内容
本发明提供通过拍摄已补货货架图片,并基于采用机器视觉的货物识别模型计算补货量,避免了人工记录并上传导致的库存管理错误,并且只需要进行拍摄照片,无需进行额外繁琐的填写工作,操作成本低。
一种基于机器视觉的自动售货机库存管理方法,包括:
S1:获取自动售货机的已补货货架图片;
S2:将已补货货架图片通过预处理,得到待识别图片,预处理包括图片校正和灰度化处理;
S3:将待识别图片按照货道进行图片分割,得到待识别货道图片Yn,其中n为货架中货道对应的编号,n=1,2,3······N,N为货架中货道的总数量;
S4:通过标签识别模型依次对待识别货道图片Yn进行标签识别,得到货道标签Tn,并通过货道标签Tn对待识别货道图片Yn进行标记,即每一个货道标签Tn对应一张待识别货道图片Yn;根据货道标签Tn获取货道库存数量U1n、货道载荷量Qn和理论货物类型Pn;
S5:依次选择货道标签Tn,针对每一个货道标签Tn,选择对应的待识别货道图片Yn;将待识别货道图片Yn通过货物识别模型进行处理,得到货物数量U2n,货物数量U2指当前货道已经进行了补货后的货物数量;
S6:判断“U2n≤Qn”是否成立,若是成立,进入S7;若是“U2n>Qn”,发出警示信息;
S7:计算补货量Fn=U2n-U1n,对货道标签Tn对应货物的库存进行更新。
进一步地,图片校正具体包括如下步骤:将已补货货架图片通过霍夫直线变换方法标记出已补货货架图片中的线条;再以已补货货架图片的中心为坐标原点,水平向左为X轴正方向,竖直向上为Y轴正方向建立平面直角坐标系,将已补货货架图片的所有线条分别组成线条集合,每个线条集合中存储线条对应的点坐标,根据每个线条集合中位于两端的点的距离得到每个线条集合对应线条的线条长度,将所有线条长度依次与第一预设范围进行匹配,第一预设范围用于表征货道之间挡板的长度,并将所有匹配成功的线条长度对应的线条标记为待筛选挡板线条,将已补货货架图片的所有待筛选挡板线条分别拟合成待筛选直线,待筛选直线为一次函数,形式为y=kx+b,再计算各个待筛选直线之间的距离,并将各个待筛选直线之间的距离与第二预设范围进行匹配,第二预设范围用于表征货道挡板之间的距离,将匹配成功的两个待筛选直线对应的待筛选挡板线条标记为挡板线条,实现对待筛选挡板线条的筛选,获取挡板线条对应待筛选直线的k值,计算旋转角度θ=π/2-arctank,将已补货货架图片逆时针旋转θ对已补货货架图片进行图片校正。
进一步地,将待识别图片按照货道进行图片分割具体包括如下步骤:以待识别图片中的挡板线条为基准,通过OpenCv中裁剪函数对待识别图片进行图片分割。
进一步地,货物识别模型采用Faster-RCNN算法,通过货物识别模型处理后输出矩形框坐标集,待识别货道图片Yn通过货物识别模型处理后输出的矩形框坐标集的个数便是货物数量U2n;通过货物识别模型处理后还输出每个矩形框坐标集对应的货物类型。
进一步地,还包括对货道内货物类型进行检测,具体步骤如下:将待识别货道图片Yn通过货物识别模型进行处理,获得补货的货物对应的货物类型,并依次将补货的货物对应的货物类型与理论货物类型Pn进行匹配,若是匹配成功,无操作;若是匹配失败,发出警示信息。
进一步地,预处理还包括:图像直方图均衡化处理。
一种基于机器视觉的自动售货机库存管理***,包括:
已补货货架图片获取模块,用于获取自动售货机的已补货货架图片;
图片预处理模块,用于对已补货货架图片进行预处理;
图片分割模块,用于将待识别图片按照货道进行图片分割,得到待识别货道图片;
标签识别模块,内置标签识别模型,用于通过标签识别模型对待识别货道图片进行标签识别,得到货道标签,根据货道标签Tn获取货道库存数量、货道载荷量和理论货物类型;
补货量计算模块,用于通过货物识别模型得到货物数量,并根据货道库存数量和货物数量计算补货量;
库存更新模块,用于根据货道标签和补货量对货道标签对应货物的库存进行更新;
警示模块,用于当货道对应的货物补量不正确时,发出警示信息。
进一步地,还包括:货物类型检测模块,用于对货道内货物类型进行检测。
本发明具有以下优点:
1、本发明通过拍摄已补货货架图片,并基于采用机器视觉的货物识别模型计算补货量,避免了人工记录并上传导致的库存管理错误,并且只需要进行拍摄照片,无需进行额外繁琐的填写工作,操作成本低。
2、本发明通过图片校正方便后续对图片进行分割,并且使得图片更加贴近货物识别模型的训练数据,提升货物识别模型的准确率。
3、本发明通过对货道内货物类型进行检测,避免出现工作人员操作失误导致货道里面放置错误货物的情况。
4、本发明通过对已补货货架图片进行图像直方图均衡化处理,减弱光照的影响,进一步提升货物识别模型的准确率。
附图说明
图1为本发明实施例采用的基于机器视觉的自动售货机库存管理***的流程示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案,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。
实施例1
一种基于机器视觉的自动售货机库存管理方法,包括:
S1:获取自动售货机的已补货货架图片,在具体实施中,当工作人员已经完成对当前抽出的货架的补货工作时,工作人员通过例如PAD或者手机等移动设备对完成补货的货架进行拍照,拍照时移动设备的界面会出现校准矩形框,只有把拍摄的货架完全置于校准矩形框并且货架贴近校准矩形框边缘才能拍摄成功,得到已补货货架图片;此时工作人员将已补货货架图片上传至终端;根据已补货货架图片可以通过终端计算出补货数量,无需工作人员自己记录并上传补货数量。
S2:将已补货货架图片通过预处理,得到待识别图片,预处理包括图片校正和灰度化处理。
图片校正具体包括如下步骤:将已补货货架图片通过霍夫直线变换方法标记出已补货货架图片中的线条,具体实施中采用OpenCv中的霍夫变换函数;再以已补货货架图片的中心为坐标原点,水平向左为X轴正方向,竖直向上为Y轴正方向建立平面直角坐标系,将已补货货架图片的所有线条分别组成线条集合,每个线条集合中存储线条对应的点坐标,根据每个线条集合中位于两端的点的距离得到每个线条集合对应线条的线条长度,一般位于两端的点便是线条集合中只有一个邻接点的点,例如一个线条集合{(1,3),(2,2),(3,1)},其中点(1,3)只有一个邻接点(2,2),点(3,1)只有一个邻接点(2,2),而点(2,2)有两个邻接点(1,3)和(3,1),所以点(1,3)和(3,1)便是线条集合{(1,3),(2,2),(3,1)}中位于两端的点,通过欧式距离公式计算两点之间的距离便是线条集合{(1,3),(2,2),(3,1)}对应线条的线条长度,将所有线条长度依次与第一预设范围进行匹配,第一预设范围由工作人员提前进行设定,用于表征货道之间挡板的长度,并将所有匹配成功的线条长度对应的线条标记为待筛选挡板线条,将已补货货架图片的所有待筛选挡板线条分别拟合成待筛选直线,待筛选直线为一次函数,形式为y=kx+b,再计算各个待筛选直线之间的距离,当计算待筛选直线之间的距离之前,需要判断对应的两个待筛选直线是否平行,若是不平行,不计算这两个待筛选直线之间的距离,若是平行才进行待筛选直线之间的距离计算,并将各个待筛选直线之间的距离与第二预设范围进行匹配,第二预设范围由工作人员进行设定,用于表征货道挡板之间的距离,将匹配成功的两个待筛选直线对应的待筛选挡板线条标记为挡板线条,实现对待筛选挡板线条的筛选,获取挡板线条对应待筛选直线的k值,计算旋转角度θ=π/2-arctank,将已补货货架图片逆时针旋转θ对已补货货架图片进行图片校正。
本发明通过图片校正方便后续对图片进行分割,并且使得图片更加贴近货物识别模型的训练数据,提升货物识别模型的准确率。
S3:将待识别图片按照货道进行图片分割,得到待识别货道图片Yn,其中n为货架中货道对应的编号,n=1,2,3······N,N为货架中货道的总数量;在此说明,待识别图片在终端内部按照货道进行分割,假设货道总共有6个,即将待识别图片分割为待识别货道图片Y1、待识别货道图片Y2、待识别货道图片Y3、待识别货道图片Y4、待识别货道图片Y5和待识别货道图片Y6。
将待识别图片按照货道进行图片分割具体包括如下步骤:以待识别图片中的挡板线条为基准,通过OpenCv中裁剪函数对待识别图片进行图片分割。
S4:通过标签识别模型依次对待识别货道图片Yn进行标签识别,得到货道标签Tn,并通过货道标签Tn对待识别货道图片Yn进行标记,即每一个货道标签Tn对应一张待识别货道图片Yn;实际上就是指一个货道对应一个货道标签Tn,根据货道标签Tn获取货道库存数量U1n、货道载荷量Qn和理论货物类型Pn。
S5:依次选择货道标签Tn,针对每一个货道标签Tn,选择对应的待识别货道图片Yn,将待识别货道图片Yn通过货物识别模型进行处理,得到货物数量U2n,货物数量U2指当前货道已经进行了补货后的货物数量。
货物识别模型采用Faster-RCNN算法,并且通过人工采集的标准货架图片进行训练,通过货物识别模型处理后输出矩形框坐标集,待识别货道图片Yn通过货物识别模型处理后输出的矩形框坐标集的个数便是货物数量U2n;通过货物识别模型处理后还输出每个矩形框坐标集对应的货物类型。
S6:判断“U2n≤Qn”是否成立,若是成立,说明货道对应的货物补量正确,进入S7;若是“U2n>Qn”,说明货道对应的货物补量不正确,发出警示信息,提醒工作人员正确补量,避免由于少补或者多补对自动售货机的使用造成影响。
S8:计算补货量Fn=U2n-U1n,对货道标签Tn对应货物的库存进行更新。
本发明通过拍摄已补货货架图片,并基于采用机器视觉的货物识别模型计算补货量,避免了人工记录并上传导致的库存管理错误,并且只需要进行拍摄照片,无需进行额外繁琐的填写工作,操作成本低。
在实际补货过程中,可能会出现工作人员操作失误导致货道里面放置错误货物的情况,例如在放矿泉水的货道里面放置了汽水,这样会导致客户无法获取自己想要的商品,因此在补货期间需要针对这类情况进行检测,具体包括如下步骤:将待识别货道图片Yn通过货物识别模型进行处理,获得补货的货物对应的货物类型,并依次将补货的货物对应的货物类型与理论货物类型Pn进行匹配,若是匹配成功,说明补货未出现失误,无操作;若是匹配失败,说明补货出现失误,发出警示信息,提醒工作人员重新进行补货。
由于方法中针对补货量的计算是通过货物识别模型进行的,因此货物识别模型的准确率是影响本方法非常重要的一个因素,但是货物识别模型基于图片进行处理,而图片质量很容易收到光照的影响,因此本方法在对已补货货架图片通过预处理时,还包括图像直方图均衡化处理。
实施例2
一种基于机器视觉的自动售货机库存管理***,如图1所示,包括:
已补货货架图片获取模块,用于获取自动售货机的已补货货架图片;
图片预处理模块,用于对已补货货架图片进行预处理;
图片分割模块,用于将待识别图片按照货道进行图片分割,得到待识别货道图片;
标签识别模块,内置标签识别模型,用于通过标签识别模型对待识别货道图片进行标签识别,得到货道标签,根据货道标签Tn获取货道库存数量、货道载荷量和理论货物类型;
补货量计算模块,用于通过货物识别模型得到货物数量,并根据货道库存数量和货物数量计算补货量;
库存更新模块,用于根据货道标签和补货量对货道标签对应货物的库存进行更新;
警示模块,用于当货道对应的货物补量不正确时,发出警示信息。
参见图1,一种基于机器视觉的自动售货机库存管理***,还包括:货物类型检测模块,用于对货道内货物类型进行检测。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。本说明书中未作详细描述的部分属于本领域专业技术人员公知的现有技术。
Claims (8)
1.一种基于机器视觉的自动售货机库存管理方法,其特征在于,包括:
S1:获取自动售货机的已补货货架图片;
S2:将已补货货架图片通过预处理,得到待识别图片,预处理包括图片校正和灰度化处理;
S3:将待识别图片按照货道进行图片分割,得到待识别货道图片Yn,其中n为货架中货道对应的编号,n=1,2,3······N,N为货架中货道的总数量;
S4:通过标签识别模型依次对待识别货道图片Yn进行标签识别,得到货道标签Tn,并通过货道标签Tn对待识别货道图片Yn进行标记,即每一个货道标签Tn对应一张待识别货道图片Yn;根据货道标签Tn获取货道库存数量U1n、货道载荷量Qn和理论货物类型Pn;
S5:依次选择货道标签Tn,针对每一个货道标签Tn,选择对应的待识别货道图片Yn;将待识别货道图片Yn通过货物识别模型进行处理,得到货物数量U2n,货物数量U2指当前货道已经进行了补货后的货物数量;
S6:判断“U2n≤Qn”是否成立,若是成立,进入S7;若是“U2n>Qn”,发出警示信息;
S7:计算补货量Fn=U2n-U1n,对货道标签Tn对应货物的库存进行更新。
2.根据权利要求1所述的一种基于机器视觉的自动售货机库存管理方法,其特征在于,图片校正具体包括如下步骤:将已补货货架图片通过霍夫直线变换方法标记出已补货货架图片中的线条;再以已补货货架图片的中心为坐标原点,水平向左为X轴正方向,竖直向上为Y轴正方向建立平面直角坐标系,将已补货货架图片的所有线条分别组成线条集合,每个线条集合中存储线条对应的点坐标,根据每个线条集合中位于两端的点的距离得到每个线条集合对应线条的线条长度,将所有线条长度依次与第一预设范围进行匹配,第一预设范围用于表征货道之间挡板的长度,并将所有匹配成功的线条长度对应的线条标记为待筛选挡板线条,将已补货货架图片的所有待筛选挡板线条分别拟合成待筛选直线,待筛选直线为一次函数,形式为y=kx+b,再计算各个待筛选直线之间的距离,并将各个待筛选直线之间的距离与第二预设范围进行匹配,第二预设范围用于表征货道挡板之间的距离,将匹配成功的两个待筛选直线对应的待筛选挡板线条标记为挡板线条,实现对待筛选挡板线条的筛选,获取挡板线条对应待筛选直线的k值,计算旋转角度θ=π/2-arctank,将已补货货架图片逆时针旋转θ对已补货货架图片进行图片校正。
3.根据权利要求2所述的一种基于机器视觉的自动售货机库存管理方法,其特征在于,将待识别图片按照货道进行图片分割具体包括如下步骤:以待识别图片中的挡板线条为基准,通过OpenCv中裁剪函数对待识别图片进行图片分割。
4.根据权利要求3所述的一种基于机器视觉的自动售货机库存管理方法,其特征在于,货物识别模型采用Faster-RCNN算法,通过货物识别模型处理后输出矩形框坐标集,待识别货道图片Yn通过货物识别模型处理后输出的矩形框坐标集的个数便是货物数量U2n;通过货物识别模型处理后还输出每个矩形框坐标集对应的货物类型。
5.根据权利要求4所述的一种基于机器视觉的自动售货机库存管理方法,其特征在于,还包括对货道内货物类型进行检测,具体步骤如下:将待识别货道图片Yn通过货物识别模型进行处理,获得补货的货物对应的货物类型,并依次将补货的货物对应的货物类型与理论货物类型Pn进行匹配,若是匹配成功,无操作;若是匹配失败,发出警示信息。
6.根据权利要求5所述的一种基于机器视觉的自动售货机库存管理方法,其特征在于,预处理还包括:图像直方图均衡化处理。
7.一种基于机器视觉的自动售货机库存管理***,其特征在于,包括:
已补货货架图片获取模块,用于获取自动售货机的已补货货架图片;
图片预处理模块,用于对已补货货架图片进行预处理;
图片分割模块,用于将待识别图片按照货道进行图片分割,得到待识别货道图片;
标签识别模块,内置标签识别模型,用于通过标签识别模型对待识别货道图片进行标签识别,得到货道标签,根据货道标签Tn获取货道库存数量、货道载荷量和理论货物类型;
补货量计算模块,用于通过货物识别模型得到货物数量,并根据货道库存数量和货物数量计算补货量;
库存更新模块,用于根据货道标签和补货量对货道标签对应货物的库存进行更新;
警示模块,用于当货道对应的货物补量不正确时,发出警示信息。
8.根据权利要求7所述的一种基于机器视觉的自动售货机库存管理***,其特征在于,还包括:货物类型检测模块,用于对货道内货物类型进行检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310711228.0A CN116682209A (zh) | 2023-06-15 | 2023-06-15 | 一种基于机器视觉的自动售货机库存管理方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310711228.0A CN116682209A (zh) | 2023-06-15 | 2023-06-15 | 一种基于机器视觉的自动售货机库存管理方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116682209A true CN116682209A (zh) | 2023-09-01 |
Family
ID=87788867
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310711228.0A Pending CN116682209A (zh) | 2023-06-15 | 2023-06-15 | 一种基于机器视觉的自动售货机库存管理方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116682209A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117522281A (zh) * | 2024-01-05 | 2024-02-06 | 山东通广电子股份有限公司 | 一种基于视觉识别的工器具出入库管理方法及*** |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109446917A (zh) * | 2018-09-30 | 2019-03-08 | 长安大学 | 一种基于级联霍夫变换的消失点检测方法 |
CN109472920A (zh) * | 2018-09-12 | 2019-03-15 | 湖南金码智能设备制造有限公司 | 一种自动售货机智能库存管理***和方法 |
CN109977886A (zh) * | 2019-03-29 | 2019-07-05 | 京东方科技集团股份有限公司 | 货架空置率计算方法及装置、电子设备、存储介质 |
CN110287939A (zh) * | 2018-12-29 | 2019-09-27 | 中国科学院软件研究所 | 天基智能图像处理方法 |
CN110321769A (zh) * | 2019-03-25 | 2019-10-11 | 浙江工业大学 | 一种多尺寸货架商品检测方法 |
CN110942050A (zh) * | 2019-12-20 | 2020-03-31 | 华南理工大学 | 一种基于图像处理的自动售卖机商品识别*** |
CN111210275A (zh) * | 2020-01-06 | 2020-05-29 | 平安科技(深圳)有限公司 | 基于vr数据的用户画像构建方法、装置及计算机设备 |
CN111476804A (zh) * | 2020-05-15 | 2020-07-31 | 天地(常州)自动化股份有限公司 | 托辊图像高效分割方法、装置、设备及存储介质 |
CN113139399A (zh) * | 2021-05-13 | 2021-07-20 | 阳光电源股份有限公司 | 一种图像线框识别方法及服务器 |
CN115100657A (zh) * | 2022-02-22 | 2022-09-23 | 云南电网有限责任公司保山供电局 | 电气cad图纸扫描图的字符与带宽度的线条识别方法 |
CN115187987A (zh) * | 2022-06-20 | 2022-10-14 | 平安银行股份有限公司 | 特殊区域外文本识别方法、装置、电子设备及存储介质 |
CN115578392A (zh) * | 2022-12-09 | 2023-01-06 | 深圳智能思创科技有限公司 | 线条检测方法、装置及存储介质 |
CN115705701A (zh) * | 2021-08-12 | 2023-02-17 | 上海顺如丰来技术有限公司 | 货物库存自动盘点方法及装置 |
-
2023
- 2023-06-15 CN CN202310711228.0A patent/CN116682209A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472920A (zh) * | 2018-09-12 | 2019-03-15 | 湖南金码智能设备制造有限公司 | 一种自动售货机智能库存管理***和方法 |
CN109446917A (zh) * | 2018-09-30 | 2019-03-08 | 长安大学 | 一种基于级联霍夫变换的消失点检测方法 |
CN110287939A (zh) * | 2018-12-29 | 2019-09-27 | 中国科学院软件研究所 | 天基智能图像处理方法 |
CN110321769A (zh) * | 2019-03-25 | 2019-10-11 | 浙江工业大学 | 一种多尺寸货架商品检测方法 |
CN109977886A (zh) * | 2019-03-29 | 2019-07-05 | 京东方科技集团股份有限公司 | 货架空置率计算方法及装置、电子设备、存储介质 |
CN110942050A (zh) * | 2019-12-20 | 2020-03-31 | 华南理工大学 | 一种基于图像处理的自动售卖机商品识别*** |
CN111210275A (zh) * | 2020-01-06 | 2020-05-29 | 平安科技(深圳)有限公司 | 基于vr数据的用户画像构建方法、装置及计算机设备 |
CN111476804A (zh) * | 2020-05-15 | 2020-07-31 | 天地(常州)自动化股份有限公司 | 托辊图像高效分割方法、装置、设备及存储介质 |
CN113139399A (zh) * | 2021-05-13 | 2021-07-20 | 阳光电源股份有限公司 | 一种图像线框识别方法及服务器 |
CN115705701A (zh) * | 2021-08-12 | 2023-02-17 | 上海顺如丰来技术有限公司 | 货物库存自动盘点方法及装置 |
CN115100657A (zh) * | 2022-02-22 | 2022-09-23 | 云南电网有限责任公司保山供电局 | 电气cad图纸扫描图的字符与带宽度的线条识别方法 |
CN115187987A (zh) * | 2022-06-20 | 2022-10-14 | 平安银行股份有限公司 | 特殊区域外文本识别方法、装置、电子设备及存储介质 |
CN115578392A (zh) * | 2022-12-09 | 2023-01-06 | 深圳智能思创科技有限公司 | 线条检测方法、装置及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117522281A (zh) * | 2024-01-05 | 2024-02-06 | 山东通广电子股份有限公司 | 一种基于视觉识别的工器具出入库管理方法及*** |
CN117522281B (zh) * | 2024-01-05 | 2024-04-16 | 山东通广电子股份有限公司 | 一种基于视觉识别的工器具出入库管理方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108320404B (zh) | 基于神经网络的商品识别方法、装置、自助收银台 | |
US11341454B2 (en) | Method for tracking placement of products on shelves in a store | |
CN107045641B (zh) | 一种基于图像识别技术的货架识别方法 | |
US11593755B2 (en) | Method for stock keeping in a store with fixed cameras | |
EP2915596B1 (en) | Delivery sorting processing system | |
CN109117824B (zh) | 商品的管理方法、装置、电子设备及储存介质 | |
CN116682209A (zh) | 一种基于机器视觉的自动售货机库存管理方法及*** | |
CN108596137A (zh) | 一种基于图像识别算法的商品扫描录入方法 | |
CN111310706B (zh) | 一种商品价签识别方法及装置、电子设备、存储介质 | |
CN111539468B (zh) | 一种自动售卖设备的货物清点方法 | |
CN115272446A (zh) | 一种堆头占地面积计算的方法和*** | |
TW202331655A (zh) | 標籤完整度自適應檢測方法及系統 | |
CN113111801A (zh) | 自动售货机的货品校验方法、设备和存储介质 | |
CN113518998B (zh) | 计数***、计数装置、机器学习装置、计数方法、零件配置方法以及记录介质 | |
CN110569753A (zh) | 一种基于机器视觉的条烟在线识别方法及*** | |
CN110193465A (zh) | 一种条烟分拣智能纠错*** | |
CN112304692A (zh) | 一种旋臂式智能粮食扦样机*** | |
US20230421705A1 (en) | Method for stock keeping in a store with fixed cameras | |
CN116308038A (zh) | 基于物联网的仓库货物采购管理方法和*** | |
CN212183647U (zh) | 一种托盘烟用材料余量识别装置 | |
CN109449096B (zh) | 识别检测晶元芯片的方法 | |
CN111160330A (zh) | 电子标签识别辅助提升图像识别准确度的训练方法 | |
CN115063814B (zh) | 一种通用的商品价签图像识别方法及处理设备 | |
CN114582067B (zh) | 一种基于图像识别技术的大数据分类统计方法 | |
CN116468373B (zh) | 一种基于物联网的电厂设备仓储管理*** |
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 |