物品识别方法、设备和系统技术方案

本公开提出一种物品识别方法、设备和系统，涉及计算机领域。本公开基于图像特征比对的方式来识别物品，实现了一种新型的物品识别方案；再一方面，构建特征数据库的模型可以生成没有训练过的物品的特征，使得没有训练过的物品也能被识别；再一方面，构建特征数据库的模型不需要针对每种新物品重新进行训练；再一方面，可以在更小范围内进行物品识别，有利于降低物品错误识别的概率。

【技术实现步骤摘要】
物品识别方法、设备和系统
本公开涉及计算机领域，特别涉及一种物品识别方法、设备和系统。
技术介绍
一种相关技术的售货机，采集被拿走物品的图像，利用神经网络模型对采集的图像进行处理，输出被拿走物品分别属于各个可售物品的概率。假如有1000种可售物品，则每次识别神经网络模型会输出一个1000维的向量，向量的每个维度对应一种可售物品的概率，被拿走物品通常被识别为概率最大的可售物品。
技术实现思路
专利技术人发现，相关技术的神经网络模型无法识别没有训练过的物品，如果有新的物品，神经网络模型需要被重新训练，此外，需要在全部可售物品范围进行物品识别，这些问题造成售货机的可运营性比较差。鉴于此，本公开提出一种物品识别方案，以解决前述的至少一个问题，提高售货机的可运营性。一方面，本公开基于图像特征比对的方式来识别物品，实现了一种新型的物品识别方案；再一方面，构建特征数据库的模型可以生成没有训练过的物品的特征，使得没有训练过的物品也能被识别；再一方面，构建特征数据库的模型不需要针对每种新物品重新进行训练；再一方面，可以在更小范围内进行物品识别，有利于降低物品错误识别的概率。本公开的一些实施例提出一种物品识别方法，包括：基于采集的待识别物品的图像信息，生成所述待识别物品的特征信息；将生成的所述待识别物品的特征信息与第一特征数据库中的各物品的图像的特征信息进行相似性比较；根据相似性比较结果确定所述待识别物品的种类。在一些实施例中，所述第一特征数据库是接收的云端设备发送的数据，并被保存在本地；所述第一特征数据库的数据对应于本地待识别物品集。在一些实施例中，当本地待识别物品集发生变化时，所述第一特征数据库相应进行更新。在一些实施例中，所述第一特征数据库是位于云端设备的第二特征数据库的子集，所述第二特征数据库的建立方法包括：各物品的图像的特征信息被发送至云端设备，并添加到所述第二特征数据库；或者，各物品的图像被发送至云端设备，云端设备计算各物品的图像的特征信息，并添加到所述第二特征数据库。在一些实施例中，生成所述待识别物品的特征信息包括：利用特征提取模型处理输入的待识别物品的图像信息，输出所述待识别物品的特征信息，其中，特征提取模型是通过训练基于特征的分类模型，并删除训练完成的所述分类模型的分类层得到的，所述分类模型包括分类层，所述分类层用于根据图像特征信息对图像进行分类。在一些实施例中，所述第一特征数据库是位于云端设备的第二特征数据库的子集，所述第二特征数据库的建立方法包括：利用特征提取模型处理输入的各物品的图像信息，输出相应物品的特征信息，并添加到所述第二特征数据库，其中，特征提取模型是通过训练基于特征的分类模型，并删除训练完成的所述分类模型的分类层得到的，所述分类模型包括分类层，所述分类层用于根据图像特征信息对图像进行分类。在一些实施例中，所述分类模型为神经网络模型，所述特征提取模型包括卷积层、池化层和全连接层。在一些实施例中，所述特征提取模型在不重新训练的情况下，被用于生成新增加物品的图像的特征信息，并添加到所述第二特征数据库。在一些实施例中，所述特征提取模型在符合预设条件的情况下被重新训练，其中的预设条件包括：新增加的物品达到预设的比例或数量，满足预设的时间间隔，或者，物品识别的准确率低于预设值。在一些实施例中，所述方法由售货机或云端设备执行。本公开的一些实施例提出一种物品识别方法，包括：训练基于特征的分类模型，所述分类模型包括分类层，所述分类层用于根据图像特征信息对图像进行分类；删除训练完成的所述分类模型的分类层得到特征提取模型；所述特征提取模型处理输入的各物品的图像，输出相应物品的图像的特征信息；各物品的图像的特征信息被添加到第二特征数据库，所述特征提取模型和所述第二特征数据库用于进行物品识别。在一些实施例中，所述特征提取模型在不重新训练的情况下，被用于生成新增加物品的图像的特征信息。在一些实施例中，新增加的物品的图像来自售货机。在一些实施例中，所述特征提取模型在符合预设条件的情况下被重新训练，其中的预设条件包括：新增加的物品达到预设的比例或数量，满足预设的时间间隔，或者，物品识别的准确率低于预设值。在一些实施例中，还包括：所述特征提取模型和第二特征数据库的子集被下发到各个售货机，用于售货机进行物品识别，第二特征数据库的子集的数据对应于售货机的待识别物品集。在一些实施例中，还包括：接收售货机上传的待识别物品的图像信息；基于所述特征提取模型提取所述待识别物品的特征信息；根据所述售货机的待识别物品集确定第二特征数据库的子集；将所述待识别物品的特征信息与第二特征数据库的子集中的各物品的图像的特征信息进行相似性比较；根据相似性比较结果确定所述待识别物品的种类。本公开的一些实施例提出一种云端设备，包括：存储器；以及耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行前述任意一个实施例中由云端设备执行的方法。本公开的一些实施例提出一种售货机，包括：存储器；以及耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行前述任意一个实施例中由售货机执行的方法。本公开的一些实施例提出一种物品识别系统，包括：前述的云端设备；以及前述的若干售货机。本公开的一些实施例提出一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前述任意一个实施例中的方法。附图说明下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍。根据下面参照附图的详细描述，可以更加清楚地理解本公开，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本公开一些实施例的物品识别系统的示意图。图2a为本公开一些实施例的由售货机12进行物品识别的流程示意图。图2b为本公开一些实施例的由云端设备11进行物品识别的流程示意图。图3示出了本公开一些实施例的第二特征数据库的建立示意图。图4示出了本公开一些实施例的云端设备将部分物品的图像的特征信息下发到各个售货机的示意图。图5示出了本公开一些实施例的第二特征数据库针对新增加物品的更新示意图。图6为本公开一些实施例的云端设备的示意图。图7为本公开一些实施例的售货机的示意图。具体实施方式下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述。图1为本公开一些实施例的物品识别系统的示意图。如图1所示，该实施例的物品识别系统10包括：云端设备11以及若干售货机12。这些售货机12例如可以位于不同的地点，能够实现自动售货。云端设备11与各个售货机12之间可以进行信息交互。其中的云端设备11例如可以基于特征提取模型建立特征数据库。其中的售货机12例如可以采集待识别物品的图像。云端设备11或售货机12可以根据特征数据库和待识别物品的图像进行物品识别。下面结合图2a和图2b分别描述这两种物品识别方法。为了方便描述，位于售货机12的特征数据库设为第一特征数据库，位于云端设备11的特征数据库设为第二特征数据库。第二特征数据库通常包括全部物品的图像的特征信息。在一些实施例中，第一特征数据库是第二特征数据库的子集，第一特征数据库的数据对应于售货机本地待识别物品集(即本文档来自技高网...

【技术保护点】
1.一种物品识别方法，包括：基于采集的待识别物品的图像信息，生成所述待识别物品的特征信息；将生成的所述待识别物品的特征信息与第一特征数据库中的各物品的图像的特征信息进行相似性比较；根据相似性比较结果确定所述待识别物品的种类。

【技术特征摘要】
1.一种物品识别方法，包括：基于采集的待识别物品的图像信息，生成所述待识别物品的特征信息；将生成的所述待识别物品的特征信息与第一特征数据库中的各物品的图像的特征信息进行相似性比较；根据相似性比较结果确定所述待识别物品的种类。2.如权利要求1所述的方法，其中，所述第一特征数据库是接收的云端设备发送的数据，并被保存在本地；所述第一特征数据库的数据对应于本地待识别物品集。3.如权利要求2所述的方法，其中，当本地待识别物品集发生变化时，所述第一特征数据库相应进行更新。4.如权利要求1所述的方法，其中，所述第一特征数据库是位于云端设备的第二特征数据库的子集，所述第二特征数据库的建立方法包括：各物品的图像的特征信息被发送至云端设备，并添加到所述第二特征数据库；或者，各物品的图像被发送至云端设备，云端设备计算各物品的图像的特征信息，并添加到所述第二特征数据库。5.如权利要求1所述的方法，其中，生成所述待识别物品的特征信息包括：利用特征提取模型处理输入的待识别物品的图像信息，输出所述待识别物品的特征信息，其中，特征提取模型是通过训练基于特征的分类模型，并删除训练完成的所述分类模型的分类层得到的，所述分类模型包括分类层，所述分类层用于根据图像特征信息对图像进行分类。6.如权利要求1所述的方法，其中，所述第一特征数据库是位于云端设备的第二特征数据库的子集，所述第二特征数据库的建立方法包括：利用特征提取模型处理输入的各物品的图像信息，输出相应物品的特征信息，并添加到所述第二特征数据库，其中，特征提取模型是通过训练基于特征的分类模型，并删除训练完成的所述分类模型的分类层得到的，所述分类模型包括分类层，所述分类层用于根据图像特征信息对图像进行分类。7.如权利要求5或6所述的方法，其中，所述分类模型为神经网络模型，所述特征提取模型包括卷积层、池化层和全连接层。8.如权利要求6所述的方法，其中，所述特征提取模型在不重新训练的情况下，被用于生成新增加物品的图像的特征信息，并添加到所述第二特征数据库。9.如权利要求5、6或8所述的方法，其中，所述特征提取模型在符合预设条件的情况下被重新训练，其中的预设条件包括：新增加的物品达到预设的比例或数量，满...

【专利技术属性】
技术研发人员：刘朋樟，张屹峰，刘巍，陈宇，
申请(专利权)人：北京沃东天骏信息技术有限公司，
类型：发明
国别省市：北京,11