一种基于AI视觉识别生鲜商品的方法与流程

一种基于ai视觉识别生鲜商品的方法
技术领域
1.本发明涉及ai识别技术领域，特别涉及一种基于ai视觉识别生鲜商品的方法。


背景技术：

2.长期以来，如何提高打秤过磅环节在零售交易中的效率，降低运营成本，一直是生鲜商超行业普遍的痛点，在此之前，行业内虽然已经在该领域进行了一些技术和产品上的探索，但是始终无法在实际生产销售环境下进行普及性地落地。其主要的难点包括：1)传统的机器学习建模方式下，往往讲究进行20-30张照片进行繁复的图片数据采集后，商品外观特征保持稳定不变以保证识别效果稳定，而商超和生鲜店进货渠道和理货模式多变，可能在短时间内频繁上新大量商品，已有商品的外观特征和包装也可能发生变化，这使得传统的采集-建模的工作模式效费比极低，不能适应实际生产环境;2)其次，传统方案为了保证可供算法运行的算力足够，往往需要在现场部署服务器，或者是需要长时间保持与云端联网，这都不能与商超生鲜店，尤其是下沉市场门店的复杂环境想匹配，会带来额外的设备成本和部署成本。
3.自2020年以来，生鲜商超行业经营者和消费者都更加追求无接触化的购物，如何解决这个技术难点，从而更好地节约人力成本、提高运营效率的同时，为顾客提供更加流畅、高效、友好的自助体验，是个亟待解决的问题。


技术实现要素：

4.为克服上述的技术问题，本发明提供了一种基于ai视觉识别生鲜商品的方法。
5.本发明提供了一种基于ai视觉识别生鲜商品的方法,包括摄像模组、局域网，所述摄像模组和所述局域网用于ai视觉识别生鲜商品；所述摄像模组包括ai算法芯片和高分辨率摄像头，所述高分辨率摄像头与所述ai算法芯片电性相连，所述高分辨率摄像头获取生鲜商品的图片，传送至所述ai算法芯片进行信息处理。
6.优选地，生鲜商品的图片中的特征信息包括不同形状大小、不同外观、不同颜色深浅、不同光亮度。
7.优选地，对所述ai算法芯片识别类型进行标签量化管理。
8.优选地，所述局域网使用卷积神经网络构建，所述局域网以原始图像作为输入。
9.优选地，所述ai算法芯片运用弱监督学习算法。
10.优选地，采用分布式学习架构，所述局域网内若干个摄像模组各自完成识别过程后，将图像上传至所述局域网中储存并共享，丰富所述局域网内的样本数据。
11.优选地，生鲜商品注册包括以下步骤：步骤s11：所述高分辨率摄像头获取图片信息；步骤s12：定义本次识别的注册信息；步骤s13：图像信息存储在所述局域网内并共享；
步骤s14：结束。
12.优选地，生鲜商品识别包括以下步骤：步骤s21：所述高分辨率摄像头获取图片信息；步骤s22：图像信息传送至所述ai算法芯片；步骤s23：所述ai算法芯片提取所述局域网的样品数据，并与本次获取的图像信息做对比；步骤s24：识别得出结果是否正确，若正确则执行步骤s26，若不正确则执行s25；步骤s25：人工修正结果；步骤s26：图像信息保存至所述局域网中归类并共享，丰富原有样品数据信息，并输出识别结果；步骤s27：结束。
13.与现有技术相比，本发明提供的一种基于ai视觉识别生鲜商品的方法，具有以下优点：1、使用弱监督学习算法和所述高分辨率摄像头，在配合ai算法芯片的算力，赋予这些标签样本更高的权重，实现在粗颗粒度的多标签样本中尽可能获取最多的有效标签，从而使样本数据更高质量，在缺乏高质量数据或者无人工标注的情况下，仍然能训练出高性能的深度学习模型。
14.2、抛弃了传统的采集训练模式，无需数十张图片的繁琐采集与长时间训练，仅需对新品进行一次录入，系统就可以自动完成上新采集与算法更新，彻底将录入环节无感知化，并省去了传统采集训练模式所需要的服务器的成本。
15.附图说明
16.图1是本发明提供的一种基于ai视觉识别生鲜商品的方法的首次注册示意图；图2是本发明提供的一种基于ai视觉识别生鲜商品的方法的首次注册流程图；图3是本发明提供的一种基于ai视觉识别生鲜商品的方法的生鲜商品识别过程示意图1；图4是本发明提供的一种基于ai视觉识别生鲜商品的方法的生鲜商品识别过程示意图2。
17.图5是本发明提供的一种基于ai视觉识别生鲜商品的方法的生鲜商品识别过程流程图。
18.附图标记说明：1、摄像模组；11、高分辨率摄像头；12、ai算法芯片；2、控制器； 21、主控芯片； 22、通信芯片； 3、局域网； 4、识别结果； 5、待识别生鲜商品。
19.具体实施方式
20.为了使本发明的目的，技术方案及优点更加清楚明白，以下结合附图及实施实例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，
并不用于限定本发明。
21.需要说明的是，当元件被称为“固定于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
22.请综合参阅图1至图5，本发明提供了一种基于ai视觉识别生鲜商品的方法,基于强大运算能力的摄像模组1，所述摄像模组1包括ai算法芯片11和高分辨率摄像头12。
23.进一步地，所述高分辨率摄像头12对待识别生鲜商品5进行图片的获取，在生鲜商品注册时直接将所述待识别生鲜商品5进行定义并存入所述局域网3内，在生鲜商品识别时将所述待识别生鲜商品5与所述局域网3内的样品数据，传送提取至所述ai算法芯片中进行对比计算。
24.可以理解，所述高分辨率摄像头12的性能越好，作为所述局域网3的输入内容质量越高，对比的识别结果越准确。
25.可以理解，所述ai算法芯片11运算能力越高，性能越好，识别的速度越快，，对比的识别结果越准确。
26.可以理解，所述ai算法芯片11是evosense one，一款基于ai视觉识别生鲜商品技术专项研发的ai算法芯片，实现毫秒级的响应速度减少了用户等待的时间，带来更好的自助体验。
27.进一步地，所述ai算法芯片11对所述待识别生鲜商品5的图片信息进行特征信息识别，特征信息识别包括不同的形状大小、不同的外观、不同的颜色深浅、不同的光亮度、对不同的识别内容进行分类。
28.可以理解，一款生鲜商品在识别过程中能存储多组特征信息，一款生鲜商品拥有越多对应的特征信息，在识别对比时就越准确。
29.进一步地，首次对所述待识别生鲜商品5进行注册时，需要进行定义，如苹果、梨等等，并将定义共享于所述局域网3内。
30.进一步地，所述局域网3使用卷积神经网络构建而成，卷积神经网络具有局部感知和参数共享两个特点；局部感知即卷积神经网络提出每个神经元不需要感知图像中的全部像素，只对图像的局部像素进行感知，然后在更高层将这些局部的信息进行合并，从而得到图像的全部特征信息；不同层的神经单元采用局部连接的方式，即每一层的神经单元只与前一层部分神经单元相连。每个神经单元只响应感受野内的区域，完全不关心感受野之外的区域。这样的局部连接模式，保证了学习到的卷积核对输入的空间局部模式具有最强的响应；权值共享网络结构使之更类似于生物神经网络，降低了网络模型的复杂度，减少了权值的数量。这种网络结构对平移、比例缩放、倾斜或者共他形式的变形具有高度不变性。而且卷积神经网络采用原始图像作为输入，可以有效的从大量样本中学习到相应地特征，避免了复杂的特征提取过程，达到快速响应，也降低了对ai算法芯片11的运算能力要求。
31.进一步地，所述ai算法芯片11使用分布式学习架构，所述局域网3内配置了若干个所述摄像模组1，在保证良好定义的模块化架构的前提下，充分结合所述摄像模组1的动态
计算功能与所述局域网3的静态分布功能，将若干个所述ai算法芯片11的识别结果共享在所述局域网3内。
32.进一步地，所述ai算法芯片11使用了弱监督学习算法，在识别所述待识别生鲜商品5时，所述ai算法芯片11先对简单形状进行提取，比如边缘部分，再继续提取其它更复杂的结构，最终把高度复杂、抽象的概念提取出来，区分出不同的标准，再从样品数据中对比的得出最相似的结果，相比传统的采集训练模式，弱监督学习算法无需数十张图片的繁琐采集与长时间训练，只需对新生鲜商品进行一次录入，在后期的识别过程中不断地更新丰富所述局域网3内的样品数据内容和算法更新，也无需部署专项的服务器，降低学习和投入成本，能够更好地得到推广使用。
33.请继续参阅图1和图2，所述一种基于ai视觉识别生鲜商品的方法，生鲜商品注册时，包括以下步骤：步骤s11：所述高分辨率摄像头12获取图片信息；步骤s12：定义本次识别的注册信息；步骤s13：图像信息存储在所述局域网3内并共享；步骤s14：结束。
34.请结合参阅图3至图5，所述基于ai视觉识别生鲜商品的方法，生鲜商品识别过中，包括以下步骤：步骤s21：所述高分辨率摄像头12获取图片信息；步骤s22：图像信息传送至所述ai算法芯片11；步骤s23：所述ai算法芯片11提取所述局域网3的样品数据，并与本次获取的图像信息做对比；步骤s24：识别得出结果是否正确，若正确则执行步骤s26，若不正确则执行s25；步骤s25：人工修正结果；步骤s26：图像信息保存至所述局域网3中归类并共享，丰富原有样品数据信息，并输出识别结果；步骤s27：结束。
35.以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内所作的任何修改，等同替换和改进等均应包含本发明的保护范围之内。