无人货架场景下的人体关节点定位算法研究

在新零售场景下,无人货架上商品种类繁多,易受光照等外界因素干扰,且顾客手持商品时手部或身体会对商品关键信息形成遮挡,使得自然场景中仅采用图像识别算法不能满足无人货架应用需求.针对无人货架实际应用场景的特性,基于深度学习中人体关节点定位算法与图像分类算法对该场景中的手持商品识别提出了解决方案.首先,利用人体关节点定位算法...     

具有库存统计功能的电子货架标签系统设计

针对新零售背景下对商品流通、销售过程升级改造的实际需求,结合传统超市场景特点,设计了一款具备动态库存统计、商品价格实时显示与双向修改、可便捷补货、灵活部署的电子货架标签系统.系统由重力感应电子货架标签、蓝牙Mesh路由节点、网关三部分组成.实验结果表明,该系统实现了线下商品库存数据的精准统计,实现了货架商品价格显示和便捷补货,促进了线下超市与现代物流配送系统的高效互动,为基于大数据的消费者行为分析奠定了基础.     

面向精准价格牌识别的多任务循环神经网络

为了促进智能新零售在线下业务场景的发展, 提高作为销售关键信息价格牌的识别精度. 本文对价格牌识别问题进行研究, 有效地提高了价格牌的识别精度, 并解决小数点定位不准确的难题. 通过深度卷积神经网络提取价格牌的深度语义表达特征, 将提取到的特征图送入多任务循环网络层进行编码, 然后根据解码网络设计的注意力机制解码出价格数字, 最后将多个分支的结果整合并输出完整价格. 本文所提出的方法能够非常有效地提高线下零售场景价格牌的识别精度, 并解决了一些领域难题如小数点的定位问题, 此外, 为了验证本文方法的普适性, 在其他场景数据集上进行了对比实验, 相关结果也验证了本文方法的有效性.     

基于动态矩阵模型的可优化的补货策略

传统零售存在经验供货,严重影响了零售业的发展,针对不同的应用场景和需求需要提出不同的补货策略,在智能自动售货机使用场景下提出动态矩阵模型的可优化的补货策略,实现按需智能补货。该策略根据销量统计、预测的销量值、零点库存、售货机的商品货道数以及时间序列等之间的关系计算每天不同时间段的补货值,实现补货人员可根据输出的补货矩阵表动态调整补货周期。根据输出结果表明,对比以往根据销量经验供货等其他补货方法,此补货策略可以提高商品周转率,提升商品的销量,同时也能够节约补货运营成本。     

使用特征空间归一化主类距离的智能零售场景开放集分类方法

智能零售场景中往往会使用到图像分类技术来识别商品,然而实际场景中并不是所有出现的物体都是已知的,未知的物体会干扰场景中的模型正常运行.针对智能零售场景中的图像分类问题,从已知类别封闭数据集的分类特征出发,通过对已知类别的分类特征进行计算和修正得到对未知类别物体的分类预测.通过构造已知类别的特征空间,并结合针对图像分类特征空间的特性优化的特征距离——归一化主类距离,可以更好地拟合特征空间在已知类别数据集中的边界概率模型.最终用边界概率模型对原分类特征做出修正计算,得到对物体的未知类别的分类预测,并通过设计实验验证该方法的可行性.此外,在智能零售场景的数据集支持下,与已有方法进行了对比实验.使用特征空间归一化主类距离的开放集分类算法在有着更高的已知类别分类准确率的同时,开放集拒绝率有14.20%的提升,达到了44.85%.     

基于深度学习的智能治超场景下货车车型识别

针对智能治超场景下超载车辆自动化检测的需求,在YOLOv5s的基础上从数据、模型和算法三个方面提出了一种改进的货车车型识别算法。在数据层面,使用的数据增强模拟了现实中面对恶劣天气、图像噪声和数据损坏等复杂场景,丰富了训练数据的多样性,提高了模型在复杂场景下的鲁棒性。在模型方面,提出了一种新的注意力机制来综合考虑不同通道的重要性和编码特征的位置信息,提高了模型的识别准确性。在算法层面,针对现有算法的不足,提出了一种更通用的标准来判断货车与轮轴的隶属关系,以适用更复杂的场景。实验结果表明,提出的改进模型对货车和轮轴的识别精度分别达到99.34%和99.22%,对货车车型识别的准确率为98.71%。与经典的YOLOv5s网络相比,货车和轮轴的平均识别精度提高了2.39%,货车车型的识别准确率提高了2.22%。综上,所提出的方法实现了对货车车型自动和准确的识别,可以为智能治超场景下的货车车型识别提供理论支撑。     

基于聚类与机器学习的零售商品销量预测

本文提出一种基于K-means聚类与机器学习回归算法的预测模型以解决零售行业多个商品的销售预测问题,首先通过聚类分析识别出具有相似销售模式的商品从而实现数据集的划分,然后分别在每个子数据集上训练了支持向量回归、随机森林以及XGBoost模型,通过构建数据池的方式增加了用于训练模型的数据量以及预测变量的选择范围.在一家零售企业的真实销售数据集上对提出的模型进行了验证,实验结果表明基于K-means和支持向量回归的预测模型表现最优,且所提出的模型预测效果明显优于基准模型以及不使用聚类的机器学习模型.     

基于改进TFIDF算法的情感分析模型研究

随着电商行业的蓬勃发展,网上购物逐渐取代线下商店成为最受欢迎的购物方式之一。因此从海量的商品评价中挖掘出有用的信息,对顾客购买商品和商家提高服务质量具有重要的意义。在深度学习背景下,论文在关键词提取中对TF-IDF算法进行改进,主要是关键词权重的优化。实验结果表明,基于论文改进的算法构建的商品评论模型比传统的模型分类效果好。     

基于深度学习的场景识别系统

近年来,随着人工智能的发展,机器人对于场景识别的要求也在提高,传统的场景识别基于视觉词袋,而视觉词袋确有着内存大,对于光照等环境变化不够鲁棒等缺点,例如同一场景在不同季节下的不同影像无法识别。传统场景识别方法的要害在于对场景图象特征的提取,然而这个方法却需要浪费大量的时间和精力,效率极低,并且也存在着一些缺点和不足,对光照等环境变化不够鲁棒。针对这一问题,研究者将深度学习SLAM场景识别应用于此,在回环检测的部分使用基于深度学习的场景识别,摒弃BOW的方式。它能够自动检测到图像内部的特征数据,不仅减少机器人的工作量,同时也提高工作效率和提高场景识别的准确性。     

基于概率交易模型的线下百货推荐

该文提出了一种新颖的概率交易模型PTM,针对线下百货进行个性化的推荐。传统的推荐模型,如K-近邻算法、矩阵分解等,或者仅利用局部的数据,使得模型面临线下数据极大的稀疏性挑战,或者忽略百货数据中的交易维度,使得模型损失了同一交易中多商品共现的强相关信息,最终导致它们在面对线下百货推荐问题时性能低下。针对以上的问题,本模型从交易的维度出发,建模交易记录中的共现模式,并利用全局的交易数据来学习商品的相关分量,在此基础上推断出用户的兴趣分布,实现个性化的推荐。在真实的线下百货交易数据上的实验结果表明,该模型能够极大地提高线下百货领域个性化推荐的准确性。
     

基于点对特征的三维点云匹配算法

针对现有的基于全局特征的三维物体识别方法和基于局部特征的三维物体识别方法在有遮挡和混叠场景中识别效果均不理想的问题,提出了一种基于点对特征的三维点云匹配算法。利用模型上的所有点对特征来完成全局模型描述构建,并在减少的二维空间上,利用快速投票方案,在局部对模型点云和场景点云进行匹配,从而恢复模型在场景中的全局姿态。实验结果表明:该算法在有遮挡和混叠的场景中识别效果比较理想。     

低层人工拣货仓库货位优化问题研究

在现代物流总成本中,仓储成本占很大比重,合理的储位分配是提高仓储拣选效率,降低仓储成本的核心所在。通过对低层人工拣货仓库的出库过程分析,同时考虑商品热销程度、商品之间的关联关系及货架位置等影响因素,设计了基于社区划分的货位优化算法。首先,根据商品关联性构建无向有权网络,并采用社区划分算法进行多次划分;然后,以社区为单位存放到货架,并通过调整阶段补齐货架;最后根据评估指标从多个方案中选出最优方案。评估指标根据缩短行走路径、缓解堵塞和减少拣选人员数量3个优化目标构建。实验结果表明,提出的货位优化算法无论是时间消耗还是货位摆放方案质量,与其他对比方案相比均具有显著优势。     

基于深度学习的消防器材自动识别研究

在智慧消防城市救援平台项目中,消防维保需要定期巡检消防设施来防止消防设备遗失或者破损失效,为了使公司的消防救援平台更为科学精准的掌握消防救援设备的维保情况。针对维保中需要依靠人为识别消防器材的问题,提出了基于这种特定场景下改进的YOLOv5算法,即YOLOv5Fire。本文根据场景增加了一个便于识别小特征的输出框,改进了SPP小内核的参数以及输入端。并通过自建数据集FireBox验证方案提高了六种消防器材自动识别,达到较为准确识别消防器材的目的。     

自然场景文本检测与识别的深度学习方法

许多自然场景图像中都包含丰富的文本,它们对于场景理解有着重要的作用。随着移动互联网技术的飞速发展,许多新的应用场景都需要利用这些文本信息,例如招牌识别和自动驾驶等。因此,自然场景文本的分析与处理也越来越成为计算机视觉领域的研究热点之一,该任务主要包括文本检测与识别。传统的文本检测和识别方法依赖于人工设计的特征和规则,且模型设计复杂、效率低、泛化性能差。随着深度学习的发展,自然场景文本检测、自然场景文本识别以及端到端的自然场景文本检测与识别都取得了突破性的进展,其性能和效率都得到了显著提高。本文介绍了该领域相关的研究背景,对基于深度学习的自然场景文本检测、识别以及端到端自然场景文本检测与识别的方法进行整理分类、归纳和总结,阐述了各类方法的基本思想和优缺点。并针对隶属于不同类别下的方法,进一步论述和分析这些主要模型的算法流程、适用场景和技术发展路线。此外,列举说明了部分主流公开数据集,对比了各个模型方法在代表性数据集上的性能情况。最后总结了目前不同场景数据下的自然场景文本检测、识别及端到端自然场景文本检测与识别算法的局限性以及未来的挑战和发展趋势。     

融合领域知识的药店用户画像建模及应用

用户画像是对用户形象的勾勒与描述,现已广泛应用于睡眠会员唤醒,用户到店预测,个性化推荐等典型零售场景,药品不同于普通商品,包含较强的语义知识,现有用户画像主要从消费属性和静态属性出发,不能完全适用于药店销售和预测领域.本文提出了一种针对药品领域的用户画像模型UPP (persona of pharmacy user),在现有画像的基础上嵌入医药知识,利用规则,聚类,统计,实体识别等方法提取慢病、疾病、特殊病类、活动敏感度、用户价值、价格偏好等新标签.将所有标签融入一种基于聚类的群体划分方法,形成用户画像.实验表明,该模型相较于现有的用户画像模型,在消费行为预测场景下精准率提高了13%,更加适用于药店营销场景.     

新零售背景下的用户体验设计分析

随着人们生活水平的提高与消费意识的改变,传统的零售模式已经不能适应新时代的发展趋势,以用户体验与数据驱动为特点的新零售迅速崛起。新零售的发展重新定义了用户的消费场景,形成线上线下的全渠道购物体验。文章通过分析新零售行业的模式、发展状况以及用户体验设计在新零售行业中的特点、作用,结合用户体验设计在新零售中运用的相关案例来分析未来新零售行业的发展趋势。     

商品二维码为零售行业注入新活力

受疫情影响,中国线下零售行业遭受巨大冲击,也必将加速中国零售行业在供应链的全新思考。整体来看社会消费品零售总额的增速在近两年出现疲软的态势。对于线下实体零售行业来说,通过企业结构改革成为供应链的主导企业,简化供应链的整体流程;直面消费者,围绕消费者需求,从“便捷”和“体验”角度考虑改革方案。线上线下零售从之前的割裂敌对走向融合共赢,是大势所趋。因此,整个零售行业都在寻找更好连接线上线下直面消费者的媒介。     

面向遥感影像场景的深度卷积神经网络递归识别模型

在遥感影像场景识别过程中,针对利用卷积神经网络进行固定格网影像场景识别时存在类间可分性不高和局部细节粗糙等问题,提出一种深度卷积神经网络递归识别模型(DCNN-RR)。该模型首先构建卷积层、采样层交替的多层卷积神经网络进行遥感影像多分辨率场景训练。然后,根据格网影像softmax概率计算场景类间混淆指数(Confusion Index,CI),四分格网递归进行卷积神经网络识别,并采用多重窗口滑动递归微调直至CI达到峰值来精准定位场景目标。通过高分辨遥感影像实验表明该模型可适应不同尺度地物的变化,相比固定格网影像显著提高了场景识别精度,局部细节也更为精细。     

如何运用空间管理软件快速实现空间管理

商品管理历来是零售企业的核心管理内容。在目前国际金融危机的背景之下,零售企业正在探索如何使用科学并且行之有效的商品管理方法来提高企业效益和核心竞争力。在众多的商品管理方法中,品类管理无疑是零售行业推崇的最佳商品管理方法。     

结合多传感器信息分析的手机用户认证方案

针对手机个人信息安全的保护,设计了一种基于传感器信息分析的用户认证方案。利用内置加速度传感器和触摸屏传感器采集用户数据,对电话接听、触屏滑动操作、待机状态等行为进行特征分析,运用动态时间规整算法分别进行分类识别。考虑单一特征局限于特定状态导致识别结果的稳定性较差,进一步引入多元线性回归方法构建融合判定模型,有效提高了个体区分度。该方案不需要特定的硬件设备配置,满足实际场景中用户使用舒适性要求,实验仿真结果验证了方案的有效性,能够准确辨别用户本人对手机的控制状况。