一种商品自动识别方法、系统、装置及存储介质制造方法及图纸

本发明专利技术公开了一种商品自动识别方法、系统、装置及存储介质，其通过获取第一商品图像后，将第一商品图像输入至训练好的深度学习模型进行特征图提取处理后，得到所述第一商品图像的特征图，从所述特征图中获取所述第一商品图像的商品位置标注数据，接着所述深度学习模型利用所述特征图，对所述第一商品图像的商品位置标注数据所对应的图像块进行商品类型识别处理后，输出识别出的商品类型。可见，本发明专利技术实施例具有智能自动化程度高、投入设备购买成本低、处理效率高且识别准确的优点，可广泛应用于自动化零售领域中。

An Automatic Commodity Recognition Method, System, Device and Storage Media

The invention discloses an automatic commodity identification method, system, device and storage medium. After obtaining the first commodity image, the first commodity image is input into the trained depth learning model to extract the feature map, and the feature map of the first commodity image is obtained. The commodity location labeling data of the first commodity image is obtained from the feature map, and then the commodity location labeling data of the first commodity image is obtained. The depth learning model uses the feature map to recognize the commodity type of the image block corresponding to the commodity location labeling data of the first commodity image, and outputs the identified commodity type. It can be seen that the embodiment of the present invention has the advantages of high degree of intelligent automation, low cost of equipment purchase, high processing efficiency and accurate identification, and can be widely used in the field of automated retailing.

【技术实现步骤摘要】
一种商品自动识别方法、系统、装置及存储介质
本专利技术涉及数据识别处理技术，尤其涉及一种商品自动识别方法、系统、装置及存储介质。
技术介绍
技术词解释：RFID：RadioFrequencyIdentification，即射频识别技术，又称无线射频识别，是一种通信技术，可通过无线电讯号识别特定目标并读写相关数据，而无需识别系统与特定目标之间建立机械或光学接触。随着科学技术的发展，越来越多的场景都逐渐实现了自动化或半自动化，而在新零售的背景下，自动化零售近年来也受到了广泛的关注。新零售的概念是基于对商业三要素——人、货、场的重构，从过去以商家、生产商为中心，转为以满足消费者的需求为中心，重新组合零售行业的逻辑和链条。而人工智能技术可以服务整个新零售业态，从人、货、场的角度出发，可以有针对性地服务每一个商业元素；同时，用人工智能商品识别技术“合纵连横”服务新零售业态也能产生规模效应整体提升行业效率。目前，新零售的商品识别环节主要利用条码识别和RFID射频识别技术，其中：1、使用条码识别技术，其主要通过对每个商品包装增加条码印刷标记，极大地方便了商品的流通，现在每一件商品上几乎都设有其对应的条码，然而，由于条码印刷位置的不确定性和随机性，结算时往往需要人工寻找条码来辅助机器对条码的识别，自动化程度低；2、使用RFID射频识别技术，其与条码类似，需要对每个商品贴上RFID标签，每个标签都有其特定的编号与特定的商品一一对应，并通过无线信号通讯便能对商品进行识别，虽然其解决了接触式识别的问题，但是由于无线信号之间的干扰，同时进行多个商品的识别，这仍然有很高的错误率，而且其需要对每件商品贴上RFID标签，RFID标签造价较高而导致使用RFID技术的投入成本高，且具有难以回收等缺点，这样则难以满足商品利润的对等条件，因此无法得到广泛的应用。因此由此可见，设计一种识别准确、自动化程度高且成本低的商品识别方案是目前迫切需要解决的问题。
技术实现思路
有鉴于此，本专利技术实施例的目的是提供一种商品自动识别方法、系统、装置及存储介质。第一方面，本专利技术实施例提供了一种商品自动识别方法，包括以下步骤：获取第一商品图像；将所述第一商品图像输入至训练好的深度学习模型进行特征图提取处理后，得到所述第一商品图像的特征图；从所述特征图中获取所述第一商品图像的商品位置标注数据；所述深度学习模型利用所述特征图，对所述第一商品图像的商品位置标注数据所对应的图像块进行商品类型识别处理后，输出识别出的商品类型。进一步，所述从所述特征图中获取所述第一商品图像的商品位置标注数据这一步骤，其包括：将所述第一商品图像输入区域候选网络进行处理后，输出若干个矩形框候选结果以及每一个矩形框候选结果包含商品的概率；将对应最大所述概率的矩形框候选结果作为所述第一商品图像的商品位置标注数据。进一步，所述利用所述特征图，对所述第一商品图像的商品位置标注数据所对应的图像块进行商品类型识别处理后，输出识别出的商品类型这一步骤，其包括：从所述特征图中获取得到所述图像块对应的图像特征；根据获取得到的图像特征，获取得到与所述图像特征最接近的商品类型后，输出所述获取得到的商品类型。进一步，所述获取第一商品图像这一步骤，其包括：获取第一摄像头拍摄得到的原始商品图像；对所述原始商品图像进行增强处理后得到所述第一商品图像。进一步，还包括深度学习模型的训练步骤，所述深度学习模型的训练步骤包括：获取第二摄像头在不同角度下拍摄得到的若干个第二商品图像；获取第三摄像头在不同角度下拍摄得到的若干个第三商品图像；获取第四摄像头在不同角度下拍摄得到的若干个第四商品图像；获取若干个第二商品图像的商品位置标注数据、若干个第三商品图像的商品位置标注数据以及若干个第四商品图像的商品位置标注数据；将若干个第二商品图像、若干个第二商品图像的商品位置标注数据、若干个第三商品图像以及若干个第三商品图像的商品位置标注数据作为训练样本，将若干个第四商品图像以及若干个第四商品图像的商品位置标注数据作为测试样本；利用所述训练样本、所述测试样本来对深度学习模型进行训练。进一步，所述深度学习模型为卷积神经网络模型。第二方面，本专利技术实施例提供了一种商品自动识别系统，包括：第一获取模块，用于获取第一商品图像；第二获取模块，用于将所述第一商品图像输入至训练好的深度学习模型进行特征图提取处理后，得到所述第一商品图像的特征图；第三获取模块，用于从所述特征图中获取所述第一商品图像的商品位置标注数据；第一处理模块，用于所述深度学习模型利用所述特征图，对所述第一商品图像的商品位置标注数据所对应的图像块进行商品类型识别处理后，输出识别出的商品类型。第三方面，本专利技术实施例提供了一种商品自动识别装置，包括：至少一个处理器；至少一个存储器，用于存储至少一个程序；当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现所述一种商品自动识别方法。第四方面，本专利技术实施例提供了一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于执行所述一种商品自动识别方法。第五方面，本专利技术实施例提供了一种商品自动识别系统，包括图像采集设备以及与所述图像采集设备连接的计算机设备；其中，所述图像采集设备，用于对商品进行拍摄；所述计算机设备包括：至少一个处理器；至少一个存储器，用于存储至少一个程序；当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现所述一种商品自动识别方法。上述本专利技术实施例中的一个或多个技术方案具有如下优点：本专利技术实施例获取得到第一商品图像后，通过使用深度学习模型，从而根据第一商品图像的商品位置标注数据以及利用深度学习模型而提取得到的第一商品图像的特征图，来实现商品类型的识别，这样相较于传统的条码识别技术，本专利技术实施例在进行商品识别时无需依赖人工寻找条码来辅助机器对条码的识别，智能自动化程度高，而且相较于RFID射频识别技术，本专利技术实施例无需购买大量的RFID标签，大大节省了设备投入购买成本，利于自动化零售的推广和使用，还有由于本专利技术实施例采用了深度学习模型来实现商品的识别，因此具有高的识别准确率。附图说明图1是本专利技术实施例一种商品自动识别方法的一具体实施例步骤流程示意图；图2是本专利技术实施例一种商品自动识别系统的一具体实施例结构框图；图3是本专利技术实施例一种商品自动识别装置的一具体实施例结构框图；图4是本专利技术实施例一种商品自动识别系统的另一具体实施例结构框图。具体实施方式下面结合附图和具体实施例对本专利技术做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。如图1所示，本专利技术实施例提供了一种商品自动识别方法，其包括的步骤如下所示。S101、获取第一商品图像。具体地，对于所述第一商品图像，其可直接为摄像头拍摄得到的原始商品图像，也可以为对摄像头拍摄得到的原始商品图像进行图像预处理后得到的商品图像(其中，所述的图像预处理可包括但不限于有图像滤波、去躁、形态学图像处理等)，前者具有步骤简易、处理效率高的优点，而后者则具有令识别准确度提高的优点。因此，对于获取何种商品图像作为所述第一商品本文档来自技高网...

【技术保护点】
1.一种商品自动识别方法，其特征在于，包括以下步骤：获取第一商品图像；将所述第一商品图像输入至训练好的深度学习模型进行特征图提取处理后，得到所述第一商品图像的特征图；从所述特征图中获取所述第一商品图像的商品位置标注数据；所述深度学习模型利用所述特征图，对所述第一商品图像的商品位置标注数据所对应的图像块进行商品类型识别处理后，输出识别出的商品类型。

【技术特征摘要】
1.一种商品自动识别方法，其特征在于，包括以下步骤：获取第一商品图像；将所述第一商品图像输入至训练好的深度学习模型进行特征图提取处理后，得到所述第一商品图像的特征图；从所述特征图中获取所述第一商品图像的商品位置标注数据；所述深度学习模型利用所述特征图，对所述第一商品图像的商品位置标注数据所对应的图像块进行商品类型识别处理后，输出识别出的商品类型。2.根据权利要求1所述一种商品自动识别方法，其特征在于，所述从所述特征图中获取所述第一商品图像的商品位置标注数据这一步骤，其包括：将所述第一商品图像输入区域候选网络进行处理后，输出若干个矩形框候选结果以及每一个矩形框候选结果包含商品的概率；将对应最大所述概率的矩形框候选结果作为所述第一商品图像的商品位置标注数据。3.根据权利要求1所述一种商品自动识别方法，其特征在于，所述利用所述特征图，对所述第一商品图像的商品位置标注数据所对应的图像块进行商品类型识别处理后，输出识别出的商品类型这一步骤，其包括：从所述特征图中获取得到所述图像块对应的图像特征；根据获取得到的图像特征，获取得到与所述图像特征最接近的商品类型后，输出所述获取得到的商品类型。4.根据权利要求1所述一种商品自动识别方法，其特征在于，所述获取第一商品图像这一步骤，其包括：获取第一摄像头拍摄得到的原始商品图像；对所述原始商品图像进行增强处理后得到所述第一商品图像。5.根据权利要求1-4任一项所述一种商品自动识别方法，其特征在于，还包括深度学习模型的训练步骤，所述深度学习模型的训练步骤包括：获取第二摄像头在不同角度下拍摄得到的若干个第二商品图像；获取第三摄像头在不同角度下拍摄得到的若干个第三商品图像；获取第四摄像头在不同角度下拍摄得到的若干个第四商品图像；获取若干个第二商品图像的商品位置标注数据、若干个第三商品图像的...

【专利技术属性】
技术研发人员：葛海玉，杨琳，郝禄国，龙鑫，曾文彬，李伟儒，
申请(专利权)人：广州海昇计算机科技有限公司，
类型：发明
国别省市：广东,44