Processing

Please wait...

Settings

Settings

Goto Application

1. WO2020134102 - ARTICLE RECOGNITION METHOD AND DEVICE, VENDING SYSTEM, AND STORAGE MEDIUM

Publication Number WO/2020/134102
Publication Date 02.07.2020
International Application No. PCT/CN2019/099811
International Filing Date 08.08.2019
IPC
G06K 9/62 2006.1
GPHYSICS
06COMPUTING; CALCULATING OR COUNTING
KRECOGNITION OF DATA; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
9Methods or arrangements for reading or recognising printed or written characters or for recognising patterns, e.g. fingerprints
62Methods or arrangements for recognition using electronic means
CPC
G06K 9/62
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
KRECOGNITION OF DATA; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
9Methods or arrangements for reading or recognising printed or written characters or for recognising patterns, e.g. fingerprints
62Methods or arrangements for recognition using electronic means
Applicants
  • 北京沃东天骏信息技术有限公司 BEIJING WODONG TIANJUN INFORMATION TECHNOLOGY CO., LTD. [CN]/[CN]
Inventors
  • 张屹峰 ZHANG, Yifeng
  • 刘朋樟 LIU, Pengzhang
  • 刘巍 LIU, Wei
  • 陈宇 CHEN, Yu
  • 周梦迪 ZHOU, Mengdi
Agents
  • 中国国际贸易促进委员会专利商标事务所 CCPIT PATENT AND TRADEMARK LAW OFFICE
Priority Data
201811630337.529.12.2018CN
Publication Language Chinese (ZH)
Filing Language Chinese (ZH)
Designated States
Title
(EN) ARTICLE RECOGNITION METHOD AND DEVICE, VENDING SYSTEM, AND STORAGE MEDIUM
(FR) PROCÉDÉ ET DISPOSITIF DE RECONNAISSANCE D'ARTICLE, DISTRIBUTEUR AUTOMATIQUE ET SUPPORT DE STOCKAGE
(ZH) 物品识别方法、装置、售货系统和存储介质
Abstract
(EN)
The present disclosure relates to the field of image processing. Disclosed are an article recognition method and device, a vending system, and a storage medium. The article recognition method comprises: inputting training images into a neural network model, wherein the neural network model comprises a target object classifier and a scene negative classifier; acquiring a first output of the target object classifier and a second output of the scene negative classifier; determining a total loss value according to a first loss value determined on the basis of the first output and a second loss value determined on the basis of the second output; adjusting the weights of nodes in the neural network model according to the total loss value to obtain a trained target object classification model, so as to enable the target object classification model to recognize articles, such that, the trained model can keep a high recognition accuracy in various existing scenes and even new scenes, thereby improving the generalization ability of the target object classification model and reducing the training cost.
(FR)
La présente invention concerne le domaine du traitement d'images. L'invention concerne un procédé et un dispositif de reconnaissance d'articles, un distributeur automatique et un support de stockage. Le procédé de reconnaissance d'article consiste à : entrer des images d'apprentissage dans un modèle de réseau neuronal, le modèle de réseau neuronal comprenant un classificateur d'objet cible et un classificateur de cliché de scène ; acquérir une première sortie du classificateur d'objet cible et une seconde sortie du classificateur de cliché de scène ; déterminer une valeur de perte totale selon une première valeur de perte déterminée sur la base de la première sortie et d'une seconde valeur de perte déterminée sur la base de la seconde sortie ; ajuster les poids de nœuds dans le modèle de réseau neuronal en fonction de la valeur de perte totale afin d'obtenir un modèle de classification d'objet cible entraîné, de façon à permettre au modèle de classification d'objet cible de reconnaître des articles, de sorte que, le modèle entraîné puisse maintenir une précision de reconnaissance élevée dans diverses scènes existantes et même dans de nouvelles scènes, ce qui permet d'améliorer la capacité de généralisation du modèle de classification d'objet cible et de réduire le coût d'apprentissage.
(ZH)
本公开公开了一种物品识别方法、装置、售货系统和存储介质,涉及图像处理领域。物品识别方法包括:将训练图像输入到神经网络模型中,其中,神经网络模型包括目标对象分类器和场景负向分类器;获取目标对象分类器的第一输出和场景负向分类器的第二输出;根据基于第一输出确定的第一损失值、以及基于第二输出确定的第二损失值,确定总损失值;根据总损失值对神经网络模型中的节点的权重进行调整,以获得完成训练的目标对象分类模型,以便采用目标对象分类模型识别物品。从而,使得完成训练的模型可以在各种已有场景下甚至新场景下具有较高的识别准确率,提高了目标对象分类模型的泛化能力,降低了训练成本。
Also published as
Latest bibliographic data on file with the International Bureau