智能识物电子秤称重方法及系统技术方案

本发明专利技术公开了一种智能识物电子秤称重方法及系统，具体实施步骤为：1)采集超市内常见商品图片并对图片进行预处理；2)人工标注每张商品图片的类别并制作成训练数据集；3)构建基于Inception‑v4的深度卷积神经网络；4)使用训练数据集训练模型，保存训练后的商品识别模型；5)在终端设备上采集商品图片；6)将图片输入至商品识别模型；7)商品识别模型返回商品标签打印处；本发明专利技术对图片进行分类，然后进行终端图像识别，由识别出的物品获取单价，再结合重量数据进行计价，不需要依赖于操作人员就可以完成电子称重过程，从而实现称重自助化购物方式，购物过程简便、智能化程度高且能够有效降低人工成本。

【技术实现步骤摘要】
智能识物电子秤称重方法及系统
本专利技术电子方式操作的
，尤其涉及一种智能识物电子秤称重方法及系统。
技术介绍
目前电子秤被广泛应用于超市、商场等场所的物品称重、计价中，相比于传统的人工称重、计价，其具有更为方便、快捷的优点；但是目前的电子秤依然需要依赖操作人员才能完成物品称重、计价以及打印条形码，实现过程较为繁琐且所需的人工成本高，其主要流程在于：在每次称重时首先都需要操作人员手动选择称重的商品，大型超市的品类很多，这个过程非常繁琐；虽然现在很多超市为了减少排队，让购物者自行称重，但是购物者不熟悉产品种类或者无法区分同类型产品，称重过程会比让超市称重专员来操作耗时得多；当交易物品的种类、称重次数增加时，会进一步增加交易过程的复杂度以及操场人员的工作量。
技术实现思路
本专利技术的目的是为了解决
技术介绍
中的问题，而提出的一种智能识物电子秤称重方法及系统，该智能识物电子秤称重方法及系统利用提取图片上的特征矩阵，利用损失函数和反向传播算法，根据不同的特征，对图片进行分类，然后进行终端图像识别，由识别出的物品获取单价，再结合重量数据进行计价，不需要依赖于操作人员就可以完成电子称重过程，从而实现称重自助化购物方式，购物过程简便、智能化程度高且能够有效降低人工成本。为了实现上述目的，本专利技术一种智能识物电子秤称重方法称重方法，具体实施步骤为：1)采集超市内常见商品图片并对图片进行预处理；2)人工标注每张商品图片的类别并制作成训练数据集；3)构建基于Inception-v4的深度卷积神经网络；4)使用训练数据集训练模型，保存训练后的商品识别模型；5)在终端设备上采集商品图片；6)将图片输入至商品识别模型；7)商品识别模型返回商品标签打印处。进一步，在步骤1)中，所述图片预处理主要包括裁剪图片至统一大小，并对图片进行颜色采集、形状采集、标示采集和对比度采集相关的处理，忽略过暗的部分，加速运算速度。进一步，在步骤2)中，训练数据集分成两部分，按照8：2的比例将数据集分割成训练数据集和测试数据集，训练数据集用于训练模型，测试数据集用于测试模型效果并调整优化方法和参数，防止过拟合现象。进一步，在步骤3)中，构建神经网络模型时，需要选择模型的输出类别数目，即商品的类别数目；损失函数值体现了预测的图片结果和真实结果之间的差距，损失函数值越低代表越接近真实结果；构建模型时，需要根据不同的损失函数值结果选择更优的训练参数，包括循环次数，学习速率和每次训练的图片量；当损失函数在最低值附近震荡而不再稳定下降时，说明模型已经训练结束，提前结束训练过程，来避免过拟合；Inception-v4采用了异步SGD即随机梯度下降法，学习速率每迭代8次降低4％；最终模型将根据在测试数据集上的top-1和top-5错误率来评估模型性能。进一步，在步骤4)中，训练模型时需要选择参数来决定是训练新模型，在原有模型的基础上添加新商品；在终端设备上采集的商品图片同样需要经过图像预处理；在识别过程中，图片传入已经训练好的商品识别模型中，模型通过一系列参数从图片中提取特征矩阵，并返回该特征矩阵对应的概率最大的商品类别。进一步，在步骤6)中，通过查询预先建立的交易物品单价数据库获取识别出的物品对应的单价；交易物品单价数据库由各交易物品以及对应的单价构成，当识别出待交易物品后，通过查询交易物品单价数据库就可获得对应的单价，而不需要操作人员的手动输入。当交易物品有更新时，则相应的更新交易物品单价数据库以及图像识别模板。本专利技术还公开了一种智能识物电子秤称重系统，包括进行后台处理的微型处理器以及分别与微型处理器连接的压力传感器、摄像头以及音响设备；压力传感器用于采集待交易物品的重量数据，经过放大后以及AD转换通过单片机的串口传输给微型处理器；摄像头用于采集待交易物品的图像数据；微型处理器用于接收压力传感器和摄像头输入的数据进行智能计价，微型处理器接收压力传感器输出的重量数据、摄像头采集的图像数据进行图像识别，识别出待交易物品的类别后根据XML单价数据库计算其总价，结算数据同时经过语音合成后通过音响设备输出。进一步，还包括管理员界面，管理员界面则显示初始化设置信息、交易物品更新信息和交易物品选项信息，进行语音识别后控制打印进行对应的操作。本专利技术优点在于：本专利技术智能识物电子秤称重方法及系统利用提取图片上的特征矩阵，利用损失函数和反向传播算法，根据不同的特征，对图片进行分类，然后进行终端图像识别，由识别出的物品获取单价，再结合重量数据进行计价，不需要依赖于操作人员就可以完成电子称重过程，从而实现称重自助化购物方式，购物过程简便、智能化程度高且能够有效降低人工成本。附图说明图1为本专利技术智能识物电子秤称重系统的原理图；图2为本专利技术智能识物电子秤称重方法中构建神经网络模型的流程图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。如图1-2所示为本专利技术一种智能识物电子秤称重方法及系统的结构示意图，本专利技术本专利技术一种智能识物电子秤称重方法称重方法，其具体实施步骤为：1)采集超市内常见商品图片并对图片进行预处理，该步骤通过对水果区或蔬菜区的商品进行拍照进行图片采集，然后对采集图片进行预处理，图片预处理主要包括裁剪图片至统一大小，并对图片进行颜色采集、形状采集、标示采集和对比度相关的处理，忽略过暗的部分，加速运算速度。2)人工标注每张商品图片的类别并制作成训练数据集，训练数据集分成两部分，按照8：2的比例优选的实施方式集分割成训练数据集和测试数据集，训练数据集用于训练模型，测试数据集用于测试模型效果并调整优化方法和参数，防止过拟合现象。3)构建基于Inception-v4的深度卷积神经网络，构建神经网络模型时，需要选择模型的输出类别数目，即商品的类别数目；损失函数值体现了预测的图片结果和真实结果之间的差距，损失函数值越低代表越接近真实结果；构建模型时，需要根据不同的损失函数值结果选择更优的训练参数，包括循环次数，学习速率和每次训练的图片量；当损失函数在最低值附近震荡而不再稳定下降时，说明模型已经训练结束，提前结束训练过程，来避免过拟合；Inception-v4采用了异步SGD即随机梯度下降法，学习速率每迭代8次降低4％；最终模型将根据在测试数据集上的top-1和top-5错误率来评估模型性能，对于差异化较大的水果图片之间，香蕉、苹果、哈密瓜、西瓜、梨子、火龙果和葡萄均设置为单独类别，在相同类别中不同品种和价格的水果，进行构建模型，利用损失函数值体现了预测的图片结果和真实结果之间的差距，损失函数值越低代表越接近真实结果，以四种不同品种苹果为例，其中青苹果、普通苹果、红富士以及优质苹果，其中4中价格苹果形状接近，颜色中青苹果与另外三种苹果颜色有一定差异，通过颜色损失函数值来区本文档来自技高网...

【技术保护点】
1.一种智能识物电子秤称重方法，其特征在于：具体实施步骤为，/n1)采集超市内常见商品图片并对图片进行预处理；/n2)人工标注每张商品图片的类别并制作成训练数据集；/n3)构建基于Inception-v4的深度卷积神经网络；/n4)使用训练数据集训练模型，保存训练后的商品识别模型；/n5)在终端设备上采集商品图片；/n6)将图片输入至商品识别模型；/n7)商品识别模型返回商品标签打印处。/n

【技术特征摘要】
1.一种智能识物电子秤称重方法，其特征在于：具体实施步骤为，
1)采集超市内常见商品图片并对图片进行预处理；
2)人工标注每张商品图片的类别并制作成训练数据集；
3)构建基于Inception-v4的深度卷积神经网络；
4)使用训练数据集训练模型，保存训练后的商品识别模型；
5)在终端设备上采集商品图片；
6)将图片输入至商品识别模型；
7)商品识别模型返回商品标签打印处。


2.如权利要求1所述的智能识物电子秤称重方法，其特征在于：在步骤1)中，所述图片预处理主要包括裁剪图片至统一大小，并对图片进行颜色采集、形状采集、标示采集和对比度采集相关的处理，忽略过暗的部分，加速运算速度。


3.如权利要求1所述的智能识物电子秤称重方法，其特征在于：在步骤2)中，训练数据集分成两部分，按照8：2的比例将数据集分割成训练数据集和测试数据集，训练数据集用于训练模型，测试数据集用于测试模型效果并调整优化方法和参数，防止过拟合现象。


4.如权利要求1所述的智能识物电子秤称重方法，其特征在于：在步骤3)中，构建神经网络模型时，需要选择模型的输出类别数目，即商品的类别数目；损失函数值体现了预测的图片结果和真实结果之间的差距，损失函数值越低代表越接近真实结果；构建模型时，需要根据不同的损失函数值结果选择更优的训练参数，包括循环次数，学习速率和每次训练的图片量；当损失函数在最低值附近震荡而不再稳定下降时，说明模型已经训练结束，提前结束训练过程，来避免过拟合；Inception-v4采用了异步SGD即随机梯度下降法，学习速率每迭代8次降低4％；最终模型将根据在测试数据集上的top-1和top-5错误率来评估...

【专利技术属性】
技术研发人员：袁精侠，
申请(专利权)人：袁精侠，
类型：发明
国别省市：重庆;50