申请/专利权人：多点(深圳)数字科技有限公司

申请日：2022-03-02

公开（公告）日：2024-05-24

公开（公告）号：CN114781472B

主分类号：G06V10/764

分类号：G06V10/764;G06N3/0464;G06N3/08;G06V10/774;G06V10/82

优先权：

专利状态码：有效-授权

法律状态：2024.05.24#授权;2022.08.09#实质审查的生效;2022.07.22#公开

摘要：本发明公开了一种基于自适应卷积核的跨门店生鲜识别方法，其特征在于，包括以下步骤步骤S1：从不同门店中采集L种不同类别生鲜的称面拍摄图片数据，并根据门店划分为训练、验证及测试集等步骤。本发明使用基于神经网络自适应学习的方案，通过快速预测出不同门店中的若干中不同类别生鲜产品的置信度，辅助收银员快速打称收银。通过对浅层卷积核权重参数的自适应预测，使得模型可以对不同包装状态的生鲜商品预测不同的卷积核，从而自适应的进行特征提取，降低模型对特定门店环境的依赖，提升生鲜识别模型在跨门店时的识别准确性。

主权项：1.一种基于自适应卷积核的跨门店生鲜识别方法，其特征在于，包括以下步骤：步骤S1：从不同门店中采集L种不同类别生鲜的称面拍摄图片数据，并根据门店划分为训练、验证及测试集；步骤S2：对训练集中的图片进行水平翻转、竖直翻转后，进行随机颜色、对比度、饱和度的噪声增加；并对翻转和噪声增加后的训练集与验证及测试集中的图片进行统一缩放，重新采集后得到归一化的训练、验证及测试集图片；步骤S3：通过ResNet18或ResNet50建立具有自适应卷积核的神经网络模型；步骤S4：将归一化后的训练集图片依次置于建立的生鲜识别自适应卷积核神经网络模型，选定优化框架进行的优化训练，并选定RAdam优化方法对生鲜识别自适应卷积核神经网络模型进行多轮优化训练，在每轮训练时，以分类损失函数SmoothCE来计算损失值，进而计算神经网络参数的梯度用于后续优化；步骤S5：根据步骤S4中每轮的验证集的训练损失值，判定具有卷积核的自适应卷积核神经网络模型在验证集上的识别准确度是否降低，是，则提前终止训练，进入步骤S6；否，则对自适应卷积核的神经网络模型继续进行训练优化；步骤S6：将自适应卷积核神经网络模型和参数转换到pytorch框架下，对各门店的生鲜图片进行推理，预测出不同生鲜类别的置信度，最终得出置信度最高的五个类别及其置信度，操作者便能快速的从中选出目标生鲜商品，生鲜识别完成。

全文数据：

权利要求：

百度查询： 多点(深圳)数字科技有限公司 一种基于自适应卷积核的跨门店生鲜识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD