[go: up one dir, main page]

CN111639928B - 一种基于卷积神经网络的散装商品计量装置及方法 - Google Patents

一种基于卷积神经网络的散装商品计量装置及方法 Download PDF

Info

Publication number
CN111639928B
CN111639928B CN202010479069.2A CN202010479069A CN111639928B CN 111639928 B CN111639928 B CN 111639928B CN 202010479069 A CN202010479069 A CN 202010479069A CN 111639928 B CN111639928 B CN 111639928B
Authority
CN
China
Prior art keywords
commodity
weighed
neural network
convolutional neural
commodities
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.)
Active
Application number
CN202010479069.2A
Other languages
English (en)
Other versions
CN111639928A (zh
Inventor
尹文涛
黄泽鑫
文安
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Foshan University
Original Assignee
Foshan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Foshan University filed Critical Foshan University
Priority to CN202010479069.2A priority Critical patent/CN111639928B/zh
Publication of CN111639928A publication Critical patent/CN111639928A/zh
Application granted granted Critical
Publication of CN111639928B publication Critical patent/CN111639928B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/08—Payment architectures
    • G06Q20/20—Point-of-sale [POS] network systems
    • G06Q20/208—Input by product or record sensing, e.g. weighing or scanner processing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01G—WEIGHING
    • G01G19/00—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups
    • G01G19/40—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups with provisions for indicating, recording, or computing price or other quantities dependent on the weight
    • G01G19/413—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups with provisions for indicating, recording, or computing price or other quantities dependent on the weight using electromechanical or electronic computing means
    • G01G19/414—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups with provisions for indicating, recording, or computing price or other quantities dependent on the weight using electromechanical or electronic computing means using electronic computing means only
    • G01G19/4144—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups with provisions for indicating, recording, or computing price or other quantities dependent on the weight using electromechanical or electronic computing means using electronic computing means only for controlling weight of goods in commercial establishments, e.g. supermarket, P.O.S. systems
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06V10/267—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 by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Accounting & Taxation (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Image Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于卷积神经网络的散装商品计量装置，包括用于采集待称重商品图片的摄像模块、用于获取商品重量的称重模块以及控制系统，数据库中预存有商品名称清单以及商品价格清单，控制系统接收待称重商品图像以及商品称重信号，根据待称重商品名称、商品价格以及商品重量计算商品总价；卷积神经网络接收待称重商品图像并根据待称重商品图像对待称重商品进行图像识别以获取待称重商品名称，将待称重商品名称反馈至控制系统。本发明可以提高操作效率，减少操作时间，避免出现商品名称选择错误的问题。相应地，本发明还提供一种基于卷积神经网络的散装商品计量方法。

Description

一种基于卷积神经网络的散装商品计量装置及方法
技术领域
本发明涉及电子秤技术领域，具体而言，涉及一种基于卷积神经网络的散装商品计量装置及方法。
背景技术
电子秤是现代传感器技术、电子技术和计算机技术一体化的电子称量装置，能满足并解决现实生活中提出的"快速、准确、连续、自动"称量要求，其主要由承重系统(如秤盘、秤体)、传力转换系统(如杠杆传力系统、传感器)和示值系统(如刻度盘、电子显示仪表)三部分组成。
对于当前超市所使用的电子秤，其需要顾客在选好散装商品后前往指定地点，对商品进行辨别并选择商品名称，最后电子秤根据商品价格和重量计算商品总价并打印标签。该种电子秤需要顾客辨别并选择商品名称，方可计算商品总价，其存在操作效率较低、操作时间较长以及容易出现商品名称选择错误的问题。
发明内容
为了克服现有电子秤操作效率低且容易出现商品名称选择错误的问题，本发明提供了一种基于卷积神经网络的散装商品计量装置及方法，其具体技术方案如下：
一种基于卷积神经网络的散装商品计量装置，包括用于采集待称重商品图片的摄像模块以及用于获取商品重量的称重模块，其还包括：
控制系统，与摄像模块以及称重模块连接，接收待称重商品图像以及商品重量，利用卷积神经网络识别商品图像以获取商品名称，识别商品名称后，通过查询数据库，获取对应的商品价格，利用商品价格以及商品重量计算商品总价。
可选的，所述卷积神经网络包括依次连接的第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层、第三最大池化层、第四卷积层、第四最大池化层、Flatten层、第一全连接层、Drop out层、第二全连接层、第三全连接层以及Softmax层。
可选的，所述散装商品计量装置还包括服务器，所述服务器与控制系统通过网络连接，所述服务器中存储有控制系统上传的对实际商品进行图像采集而得的商品图像训练数据，利用商品图像训练数据在服务器上训练所述卷积神经网络参数，训练结束后更新控制系统卷积神经网络参数。
可选的，所述待称重商品图像经过对待称重商品图片进行图像分割并剔除待称重商品图片背景后获得。
可选的，所述散装商品计量装置还包括与控制系统连接的显示模块，所述显示模块用于显示商品名称、商品价格、商品重量以及商品总价。
可选的，所述散装商品计量装置还包括与控制系统连接的打印模块，所述打印模块用于打印商品名称、商品价格、商品重量以及商品总价。
可选的，所述卷积神经网络的损失函数为交叉熵损失函数，所述卷积神经网络的优化算法为RMSProp算法。
相应地，本发明还提供一种基于卷积神经网络的散装商品计量方法，其包括如下步骤：
第一步，采集待称重商品图片以及获取商品重量；
第二步，对待称重商品图片进行处理，以获取待称重商品图像；
第三步，卷积神经网络根据待称重商品图像对待称重商品进行图像识别以获取待称重商品名称；
第四步，获取与待称重商品的商品名称相对应的商品价格，根据商品价格以及商品重量计算商品总价。
可选的，所述卷积神经网络利用商品图像数据进行训练。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时实现上述所述的散装商品计量方法。
本发明所取得的有益效果为：利用卷积神经网络对商品进行图像识别，获取待称重商品名称，然后根据待称重商品名称、商品价格以及商品重量，自动计算出商品总价，无需顾客辨别选择商品名称，可以提高操作效率，减少操作时间，避免出现商品名称选择错误的问题。
附图说明
从以下结合附图的描述可以进一步理解本发明，将重点放在示出实施例的原理上。
图1是本发明实施例中一种基于卷积神经网络的散装商品计量方法的整体结构示意图；
图2是本发明实施例中卷积神经网络的结构示意图；
图3是本发明实施例中一种基于卷积神经网络的散装商品计量方法的流程示意图。
具体实施方式
为了使得本发明的目的、技术方案及优点更加清楚明白，以下结合其实施例，对本发明进行进一步详细说明。
本发明为一种一种基于卷积神经网络的散装商品计量装置及方法，根据附图所示讲述以下实施例：
如图1所示，一种基于卷积神经网络的散装商品计量装置，包括用于采集待称重商品图片的摄像模块以及用于获取商品称重信号的称重模块，所述散装商品计量装置还包括控制系统。
所述控制系统与摄像模块以及称重模块连接，接收待称重商品图片以及商品重量，利用卷积神经网络识别商品图像以获取商品名称，识别商品名称后，通过查询数据库，获取对应的商品价格，利用商品价格以及商品重量计算商品总价。
作为一种优选的技术方案，如图2所示，所述卷积神经网络包括依次连接的第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层、第三最大池化层、第四卷积层、第四最大池化层、Flatten层、第一全连接层、Drop out层、第二全连接层、第三全连接层以及Softmax层，其中Softmax层输出最终结果(概率)。
卷积神经网络的输入数据维度为3*100*100，即100*100的三通道RGB图片，最终输出维度为待识别的商品个数n。Softmax层输出值为n个商品的概率，概率最高的商品为预测商品。其中，Flatten层的作用是把3个维度的特征数据压缩成一维数组。Drop out层是在前向传播时，每个神经元有P概率保留下来，剩下的神经元归零不进行传播。这样处理的好处是每次传播都是不同部分神经元参与，防止网络中对某个神经元特别依赖，增强模型的泛化能力，降低了过拟合的风险。Drop out层只在训练的时候使用，在测试和检测的时候会屏蔽，此处的P为常用的0.5。
所述散装商品计量装置还包括服务器，所述服务器与处理器通过网络连接，所述服务器中存储有控制系统上传的对实际商品进行图像采集而得的商品图像训练数据集。所述卷积神经网络利用商品图像数据进行训练。
卷积神经网络损失函数选择交叉熵损失函数(cross entropy error)，优化算法选择RMSProp算法，学习率设置为0.0001。确定要使用该计量装置的商品名称清单，然后根据商品名称清单对实际商品进行图像采集，再对采集到的的图片数据再进行数据增强，最后获得足够量的数据集并制作商品图像训练数据集。在制作的商品图像训练数据集中随机选取70％的商品图像作为为训练数据，剩下的30％作为测试数据，并对卷积神经网络进行训练。
在一些实施例中，待称重商品图片经过预处理以及图像分割后得到待称重商品图像，其处理方法为：修改待称重商品图片的明度、对比度和饱和度->图像分割->将分割的物体的背景填充白色像素->归一化像素->调整图像尺寸。
修改明度和对比度是直接在图片RGB三个通道上加上和乘以一定的数值，修改饱和度需要将颜色模型从RGB转化为HSV通道，对S通道乘以一定的值，然后再转回RGB颜色模型。图像预处理将图片的特征增强，提高神经网络的识别率。
图像分割是将物体和背景分割的算法，采用聚类算法K-means。秤板的颜色都是接近纯白色，其像素值都比商品的像素值高，将K值设为2，K-means算法将分离背景像素值和商品像素值，进而达到图像分割的效果。
在一些实施例中，图像预处理和图像分割使用OpenCV开源视觉库实现。
在一些实施例中，所述散装商品计量装置还包括与处理器连接的显示模块、与处理器连接的打印模块，所述显示模块用于显示商品名称、商品价格、商品重量、商品总价以及付款二维码等。所述打印模块用于打印商品名称、商品价格、商品重量、商品总价以及付款二维码等。
相应地，如图3所示，本发明还提供一种基于卷积神经网络的散装商品计量方法，其包括如下步骤：
第一步，采集待称重商品图片以及获取商品重量；
第二步，对待称重商品图片进行处理，以获取待称重商品图像；
第三步，卷积神经网络根据待称重商品图像对待称重商品进行图像识别以获取待称重商品名称；
第四步，获取与待称重商品的商品名称相对应的商品价格，根据商品价格以及商品重量计算商品总价。
可选的，所述卷积神经网络利用商品图像数据进行训练。
在一些实施例中，采集待称重商品图片所用的摄像模块为高清摄像头，待称重商品图片为彩色图像，摄像头的参数如下：
(1)CMOS尺寸：1/4英寸；
(2)光圈(F)：2.8；
(3)焦距(Focal Length)：3.4mm；
(4)对角视场角(FOV)：66度；
(5)传感器像素：1080p；
(6)静态图片分辨率：2592*1944；
(7)支持：1080p30帧，720p60帧以及(640*480)60/90帧视频、录像；
(8)尺寸：25mm*24mm*9mm。
在一些实施例中，获取商品称重信号的称重模块采用YZC131微型称重传感器模块，将微型称重传感器模块采集到的信号输入到24位高精度的A/D转换器HX711芯片，然后传送至处理器进行处理并计算出商品重量。
在一些实施例中，服务器存储有商品价格、商品重量、商品总价以及商品名称清单等信息，以供超市后续处理，如结账、统计等。
在一些实施例中，在卷积神经网络对顾客放到计量装置的商品进行识别时，由于识别存在一定误差，故而可以将待选商品按照概率由高到低显示到显示模块上，由用户最终确认商品名称，其中待选商品概率由卷积神经网络输出层softmax激活函数决定。顾客确认后，将顾客确认结果(待称重商品图以及商品名称)上传到服务器。服务器利用上传的待称重商品图和顾客确认的商品名称，进行在线学习，更新卷积神经网络参数。通过这种方式，本发明的商品识别准确率随用户使用逐渐提高。
相应地，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时实现上述散装商品计量方法。
综上所述，本发明公开的一种基于卷积神经网络的散装商品计量装置及方法，所产生的有益技术效果为：利用卷积神经网络对商品进行图像识别，获取待称重商品名称，然后根据待称重商品名称、商品价格以及商品重量，自动计算出商品总价，无需顾客辨别选择商品名称，可以提高操作效率，减少操作时间，避免出现商品名称选择错误的问题。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (9)

1.一种基于卷积神经网络的散装商品计量装置，包括用于采集待称重商品图片的摄像模块以及用于获取商品重量的称重模块，其特征在于，所述散装商品计量装置还包括控制系统，所述控制系统与摄像模块以及称重模块连接，接收待称重商品图像以及商品重量，利用卷积神经网络对商品图像进行识别以获取商品名称，识别商品名称后，通过查询数据库，获取与商品名称对应的商品价格，利用商品价格以及商品重量计算商品总价；
在卷积神经网络对顾客放到计量装置的商品进行识别时，将待选商品按照概率由高到低显示到显示模块上，由用户最终确认商品名称，其中待选商品概率由卷积神经网络输出层softmax激活函数决定，顾客确认后，将顾客确认结果上传到服务器，服务器利用上传的待称重商品图和顾客确认的商品名称，进行在线学习，更新卷积神经网络参数；
其中，所述待称重商品图像是经过对待称重商品图片进行图像分割并剔除待称重商品图片背景后所获得的，获得所述待称重商品图像的处理方法为：一、修改待称重商品图片的明度、对比度和饱和度；二、图像分割；三、将分割的物体的背景填充白色像素；四、归一化像素；五、调整图像尺寸；其中，修改明度和对比度是直接在图片RGB三个通道上乘以数值，修改饱和度是将颜色模型从RGB转化为HSV通道，对S通道乘以数值，然后再转回RGB颜色模型，以增强待称重商品图片的特征和提高神经网络的识别率；图像分割是采用聚类算法K-means分离背景像素值和商品像素值，以将物体和背景分割，所述聚类算法K-means的K值为2。
2.如权利要求1所述的一种基于卷积神经网络的散装商品计量装置，其特征在于，所述卷积神经网络包括依次连接的第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层、第三最大池化层、第四卷积层、第四最大池化层、Flatten层、第一全连接层、Drop out层、第二全连接层、第三全连接层以及Softmax层。
3.如权利要求2所述的一种基于卷积神经网络的散装商品计量装置，其特征在于，所述散装商品计量装置还包括服务器，所述服务器与控制系统通过网络连接，所述服务器中存储有控制系统上传的对实际商品进行图像采集而得的商品图像训练数据，利用商品图像训练数据在服务器上训练所述卷积神经网络参数，训练结束后更新控制系统卷积神经网络参数。
4.如权利要求3所述的一种基于卷积神经网络的散装商品计量装置，其特征在于，所述散装商品计量装置还包括与控制系统连接的显示模块，所述显示模块用于显示商品名称、商品价格、商品重量以及商品总价。
5.如权利要求4所述的一种基于卷积神经网络的散装商品计量装置，其特征在于，所述散装商品计量装置还包括与控制系统连接的打印模块，所述打印模块用于打印商品名称、商品价格、商品重量以及商品总价。
6.如权利要求5所述的一种基于卷积神经网络的散装商品计量装置，其特征在于，所述卷积神经网络的损失函数为交叉熵损失函数，所述卷积神经网络的优化算法为RMSProp算法。
7.一种基于卷积神经网络的散装商品计量方法，应用在如权利要求1至6中任何一项所述的散装商品计量装置，其特征在于，包括如下步骤：
第一步，采集待称重商品图片以及获取商品重量；
第二步，对待称重商品图片进行处理，以获取待称重商品图像；
第三步，卷积神经网络根据待称重商品图像对待称重商品进行图像识别以获取待称重商品名称；
第四步，获取与待称重商品的商品名称相对应的商品价格，根据商品价格以及商品重量计算商品总价；
在卷积神经网络对顾客放到计量装置的商品进行识别时，将待选商品按照概率由高到低显示到显示模块上，由用户最终确认商品名称，其中待选商品概率由卷积神经网络输出层softmax激活函数决定，顾客确认后，将顾客确认结果上传到服务器，服务器利用上传的待称重商品图和顾客确认的商品名称，进行在线学习，更新卷积神经网络参数；
其中，所述待称重商品图像是经过对待称重商品图片进行图像分割并剔除待称重商品图片背景后所获得的，获得所述待称重商品图像的处理方法为：一、修改待称重商品图片的明度、对比度和饱和度；二、图像分割；三、将分割的物体的背景填充白色像素；四、归一化像素；五、调整图像尺寸；其中，修改明度和对比度是直接在图片RGB三个通道上乘以数值，修改饱和度是将颜色模型从RGB转化为HSV通道，对S通道乘以数值，然后再转回RGB颜色模型，以增强待称重商品图片的特征和提高神经网络的识别率；图像分割是采用聚类算法K-means分离背景像素值和商品像素值，以将物体和背景分割，所述聚类算法K-means的K值为2。
8.如权利要求7所述的一种基于卷积神经网络的散装商品计量方法，其特征在于，所述卷积神经网络利用商品图像数据进行训练。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时实现如权利要求7或8所述的散装商品计量方法。
CN202010479069.2A 2020-05-29 2020-05-29 一种基于卷积神经网络的散装商品计量装置及方法 Active CN111639928B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010479069.2A CN111639928B (zh) 2020-05-29 2020-05-29 一种基于卷积神经网络的散装商品计量装置及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010479069.2A CN111639928B (zh) 2020-05-29 2020-05-29 一种基于卷积神经网络的散装商品计量装置及方法

Publications (2)

Publication Number Publication Date
CN111639928A CN111639928A (zh) 2020-09-08
CN111639928B true CN111639928B (zh) 2024-02-20

Family

ID=72331670

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010479069.2A Active CN111639928B (zh) 2020-05-29 2020-05-29 一种基于卷积神经网络的散装商品计量装置及方法

Country Status (1)

Country Link
CN (1) CN111639928B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116721411B (zh) * 2023-02-09 2024-06-04 浙江由由科技有限公司 基于机器学习的散装零食识别方法
CN118392288A (zh) * 2024-06-28 2024-07-26 南通招财猫供应链管理有限公司 一种基于物联网信息技术的商品称重监管方法
TWI897705B (zh) * 2024-11-05 2025-09-11 元鑫國際股份有限公司 批量辨識物件和估值的方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109190476A (zh) * 2018-08-02 2019-01-11 福建工程学院 一种蔬菜识别的方法及装置
CN109816439A (zh) * 2019-01-14 2019-05-28 珠海格力电器股份有限公司 果蔬智能计价方法、装置、存储介质及设备
CN110020603A (zh) * 2019-03-08 2019-07-16 华东师范大学 基于卷积神经网络的自助结账系统及方法
CN110335426A (zh) * 2019-05-09 2019-10-15 杨伟 商品计价方法、智能电子秤和收银系统
CN110647941A (zh) * 2019-09-25 2020-01-03 绍兴数鸿科技有限公司 基于卷积神经网络的蔬菜识别方法及设备
CN110659892A (zh) * 2019-07-31 2020-01-07 林勇 物品总价获取方法、装置、计算机设备和存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109190476A (zh) * 2018-08-02 2019-01-11 福建工程学院 一种蔬菜识别的方法及装置
CN109816439A (zh) * 2019-01-14 2019-05-28 珠海格力电器股份有限公司 果蔬智能计价方法、装置、存储介质及设备
CN110020603A (zh) * 2019-03-08 2019-07-16 华东师范大学 基于卷积神经网络的自助结账系统及方法
CN110335426A (zh) * 2019-05-09 2019-10-15 杨伟 商品计价方法、智能电子秤和收银系统
CN110659892A (zh) * 2019-07-31 2020-01-07 林勇 物品总价获取方法、装置、计算机设备和存储介质
CN110647941A (zh) * 2019-09-25 2020-01-03 绍兴数鸿科技有限公司 基于卷积神经网络的蔬菜识别方法及设备

Also Published As

Publication number Publication date
CN111639928A (zh) 2020-09-08

Similar Documents

Publication Publication Date Title
CN111639928B (zh) 一种基于卷积神经网络的散装商品计量装置及方法
CN108961269B (zh) 基于图像的猪体重测算方法及系统
CN104298682B (zh) 一种基于人脸表情图像的信息推荐效果的评价方法及手机
CN112233125A (zh) 图像分割方法、装置、电子设备及计算机可读存储介质
CN108597582A (zh) 一种用于执行Faster R-CNN神经网络运算的方法和装置
CN114078299A (zh) 一种商品结算方法、装置、电子设备及介质
CN111753837B (zh) 学习完毕模型生成方法及其装置、商品判别方法及其装置
CN106959149A (zh) 果蔬自动称重与计价智能电子秤
CN108596137A (zh) 一种基于图像识别算法的商品扫描录入方法
CN117853817B (zh) 一种基于图像识别的智慧社区垃圾分类报警管理方法
CN116403197B (zh) 基于ai图像识别的智能称重方法及其系统
CN110836717A (zh) 一种面向金融服务的果蔬智能识别和计价系统
CN112153320B (zh) 一种物品尺寸的测量方法、装置、电子设备和存储介质
CN110456050B (zh) 便携式智能数字化寄生虫体外诊断仪
CN111667530A (zh) 确定货架展位状态的方法和装置、货架
CN117782290A (zh) 电子秤的防作弊系统
Mitra et al. ILog 2.0: a novel method for food nutritional value automatic quantification in smart healthcare
CN109345733A (zh) 智能秤的计价方法及系统
CN115588196A (zh) 基于机器视觉的指针型仪表读数方法和装置
CN119360394B (zh) 一种基于深度学习的工业指针式仪表读数识别系统
CN114282818B (zh) 一种最大化销售额的生鲜区电子标签管控方法
CN115752683A (zh) 一种基于深度相机的体重预估方法、系统及终端
CN117606587B (zh) 一种基于智慧水务plc的电磁波液位动态测量方法
CN112365315A (zh) 商品展示位置推荐方法、装置、系统以及存储介质
CN111353389A (zh) 一种基于多传感识别的智能称重装置及其分析方法

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
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: No.33 Guangyun Road, Nanhai District, Foshan City, Guangdong Province

Patentee after: Foshan University

Country or region after: China

Address before: No.33 Guangyun Road, Nanhai District, Foshan City, Guangdong Province

Patentee before: FOSHAN University

Country or region before: China