一种无人货柜订单识别的动态排序和计费方法技术

本发明专利技术提供一种无人货柜订单识别的动态排序和计费方法，涉及无人货柜订单识别技术领域，包括以下步骤：S1、柜内商品复杂度计算；S2、识别订单预测时间；S3、订单识别类型选择和动态排序，本申请中，通过结合无人货柜内商品识别平均复杂度和订单视频长度来预测订单识别时间，利用预测时间对待识别订单进行动态排序、动态选择识别类型和动态调整识别费用，从而解决无人货柜订单识别费用设置不合理和订单识别队列堆积现象。单识别队列堆积现象。单识别队列堆积现象。

A dynamic sorting and billing method for Unmanned Container order recognition

【技术实现步骤摘要】
一种无人货柜订单识别的动态排序和计费方法


[0001]本专利技术涉及无人货柜订单识别
，特别的为一种无人货柜订单识别的动态排序和计费方法。

技术介绍

[0002]当前无人售货柜一般是基于计算机视觉技术，采用动态纯视觉、并结合深度学习、机器视觉等AI技术方案进行识别。识别的过程通常是无人货柜将产生的订单视频推送到GPU云服务器中，依次进行识别处理，而且识别费用也是恒定不变的。
[0003]这样会存在两个问题，第一个问题就是识别计费不合理，一般算法的处理时间会和订单视频的长短和柜内商品的复杂度相关，订单视频越长、商品复杂度越大，识别就越耗时，现有的方案是无论视频长短和识别困难都是统一的价格。第二个问题容易造成识别订单堆积，当GPU计算资源恒定的时候，如果出现大量长视频或困难视频订单，会占用GPU云服务器很长时间，容易造成识别订单的堆积，降低识别效率，影响用户购物体验。

技术实现思路

[0004]本专利技术提供的专利技术目的在于提供一种无人货柜订单识别的动态排序和计费方法，提出了构建一个规则库，即相似的商品作为互斥，同一柜中不允许放相似的商品，在补货的时候进行约束。同时根据已有的历史数据来预测算法处理订单视频的时间，从而动态调整GPU资源。
[0005]为实现以上目的，本专利技术通过以下技术方案予以实现：一种无人货柜订单识别的动态排序，包括以下步骤：
[0006]S1、柜内商品复杂度计算；
[0007]S2、识别订单预测时间；
[0008]S3、订单识别类型选择和动态排序。
[0009]优选的，根据S1中的操作步骤，柜内商品复杂度计算的方法为：
[0010]无人货柜中会定义允许商品上架的最小尺寸V1和柜子能放下的最大尺寸V2，其中体积计算：
[0011]V＝L*W*H
[0012]其中L，W，H分别为商品物体的长、宽、高的大小；
[0013]单个商品的识别难易度计算公式：
[0014][0015]柜内商品识别的平均难易度：
[0016][0017]其中N为柜内商品的数量，为每个商品的难易度程度，i为变量，取值范围为[1,N]。
[0018]优选的，根据S2中的操作步骤，识别订单预测时间的方法为：
[0019]S2.1、根据历史数据中获取到柜内的平均复杂度视频的时长t
v
和实际算法处理时间t
p
的数据3000条，记平均复杂度视频的时长t
v
为变量X＝{x1，x2}，实际处理时间t
p
为Y＝{t
p
}，对历史数据进行非线性拟合，预测Y，预测采用常用的非线性回归，选用二次方进行回归预测，最终预测模型为：
[0020][0021]S2.2、非线性回归通常转化为线性回归，再按照线性回归求解，线性回归通常采用给定的函数值与模型预测值之差的平方和最小为损失函数,并使用最小二乘法和梯度下降法来计算最终的拟合参数，模型求解采用的是机器学习sklearn库进行求解：
[0022]最终是输入视频长度t
v
和柜内商品的复杂度到函数T
p
(x1，x2)，即可计算出所需时间：
[0023]T
p
(x1，x2)。
[0024]优选的，根据S3中的操作步骤，订单识别类型选择和动态排序的方法为：
[0025]S3.1、在实际的使用环境中会存在因为摄像头故障、恶意购物行为或门未关好的情况，导致订单视频有很长(一般大于10min，甚至是1h)，因此如果预测时间是超过最大识别时间t
max
(根据经验设置为5min)，则会直接推送给人处理；主要考虑因素是这些订单视频比较长，算法的成本会大于人力成本；
[0026]S3.2、待识别队列是一共有两个，一个是高优先级队列，一个是经过排序的低优先级队列；如果预测时间小于识别时间，初次会先设置超时时间(一般超时时间t
o
＝30min)，然后被放入到低优先级队列，并按照预测时间由小到大对低优先级队列进行排序；当超时的时候，会将该订单放入到高优先级队列；
[0027]S3.4、在算法识别阶段的时候会先去获取高优先级队列，如果高优先级队列为空，则会去取低优先级队列中的订单进行识别。
[0028]一种无人货柜订单识别的计费方法，包括：
[0029][0030]其中a0设置为0.15元，T
min
＝15s,t为识别的时间；
[0031]为了避免每一单的价格随着视频是线性的增加，会设置最大的价格：
[0032][0033]其中：P
max
一般设置为1元,也就是价格最大不超过1元。
[0034]本专利技术提供了一种无人货柜订单识别的动态排序和计费方法。具备以下有益效果：
[0035]该一种无人货柜订单识别的动态排序和计费方法，通过结合无人货柜内商品识别
平均复杂度和订单视频长度来预测订单识别时间，利用预测时间对待识别订单进行动态排序、动态选择识别类型和动态调整识别费用，从而解决无人货柜订单识别费用设置不合理和订单识别队列堆积现象。
附图说明
[0036]图1为本专利技术的方法流程示意图。
具体实施方式
[0037]本专利技术提供一种技术方案：如图1所示，一种无人货柜订单识别的动态排序，包括以下具体步骤：
[0038]S1、柜内商品复杂度计算；
[0039]柜内商品复杂度计算的方法为：
[0040]无人货柜中会定义允许商品上架的最小尺寸V1和柜子能放下的最大尺寸V2，其中体积计算：
[0041]V＝L*W*H
[0042]其中L，W，H分别为商品物体的长、宽、高的大小；
[0043]单个商品的识别难易度计算公式：
[0044][0045]柜内商品识别的平均难易度：
[0046][0047]其中N为柜内商品的数量，为每个商品的难易度程度，i为变量，取值范围为[1,N]。
[0048]S2、识别订单预测时间；
[0049]识别订单预测时间的方法为：
[0050]S2.1、根据历史数据中获取到柜内的平均复杂度视频的时长t
v
和实际算法处理时间t
p
的数据3000条，记平均复杂度视频的时长t
v
为变量X＝{x1，x2}，实际处理时间t
p
为Y＝{t
p
}，对历史数据进行非线性拟合，预测Y，预测采用常用的非线性回归，选用二次方进行回归预测，最终预测模型为：
[0051][0052]S2.2、非线性回归通常转化为线性回归，再按照线性回归求解，线性回归通常采用给定的函数值与模型预测值之差的平方和最小为损失函数,并使用最小二乘法和梯度下降法来计算最终的拟合参数，模型求解采用的是机器学习sklearn库进行求解：
[0053]最终是输入视频长本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无人货柜订单识别的动态排序，其特征在于，包括以下步骤：S1、柜内商品复杂度计算；S2、识别订单预测时间；S3、订单识别类型选择和动态排序。2.根据权利要求1所述的一种无人货柜订单识别的动态排序，其特征在于，包括以下步骤：根据S1中的操作步骤，柜内商品复杂度计算的方法为：无人货柜中会定义允许商品上架的最小尺寸V1和柜子能放下的最大尺寸V2，其中体积计算：V＝L*W*H其中L，W，H分别为商品物体的长、宽、高的大小；单个商品的识别难易度计算公式：柜内商品识别的平均难易度：其中N为柜内商品的数量，为每个商品的难易度程度，i为变量，取值范围为[1，N]。3.根据权利要求1所述的一种无人货柜订单识别的动态排序，其特征在于，包括以下步骤：根据S2中的操作步骤，识别订单预测时间的方法为：S2.1、根据历史数据中获取到柜内的平均复杂度视频的时长t
v
和实际算法处理时间年的数据3000条，记平均复杂度视频的时长t
v
为变量X＝{x1，x2}，实际处理时间t
p
为Y＝{t
p
}，对历史数据进行非线性拟合，预测Y，预测采用常用的非线性回归，选用二次方进行回归预测，最终预测模型为：S2.2、非线性回归通常转化为线性回归，再按照线性回归求解，线性回归通常采用给定的函数值与模型预测值之差的平方和最小为损失函数，并使用最小二乘法和梯度下降法来计算最终的拟合参数，模型求解采用的是机器学习sklearn库进行求解：最终是输入视频长度t<...

【专利技术属性】
技术研发人员：庞明锋，李攀星，庞楼阳，
申请(专利权)人：杭州福柜科技有限公司，
类型：发明
国别省市：