一种商品陈列柜格计算方法、装置、储存介质及设备与流程

1.本发明涉及深度学习技术领域，尤其涉及一种商品陈列柜格计算方法、装置、储存介质及设备。

背景技术：

2.日常生活中，商店的冰柜通常摆放有多种品牌的冰淇淋。通常同一品牌的冰淇淋会摆放在同一柜格中，以此展示冰柜的有序和整洁。进一步的，不同品牌的冰淇淋由于品牌推广或包装大小的不同，所盛放的冰柜柜格的大小也不同，这导致不同冰柜的空间布局也极具多样性。
3.如今，通过目标检测技术对冰柜图像进行目标检测，能够对冰柜图像的柜格数量进行检测。然而，由于一些冰柜图像内的不同柜格大小存在较大差异，导致冰柜内部的空间布局不够合理，不能合理利用冰柜的空间，提高了一定的空间成本。
4.在实现本发明过程中，发明人发现现有技术中至少存在如下问题：
5.部分冰柜的空间布局不够合理，需要对其进行优化。

技术实现要素：

6.本发明的目的在于提供一种商品陈列柜格计算方法、装置、储存介质及设备，以解决现有技术中存在的部分冰柜的空间布局不够合理，需要对其进行优化的技术问题。本发明提供的诸多技术方案中的优选技术方案所能产生的诸多技术效果详见下文阐述。
7.为实现上述目的，本发明提供了以下技术方案：
8.本发明提供了一种商品陈列柜格计算方法，包括：
9.s100：获取冰柜图像，通过预测模型对所述冰柜图像进行柜格检测，获得每个冰柜柜格的四边形框；
10.s200：根据所述每个冰柜柜格的四边形框，对每个所述四边形框进行降维，得到降维结果；
11.s300：将所述降维结果进行聚类，根据聚类结果计算冰柜的最大柜格数量。
12.优选的，所述s100步骤中，所述预测模型的训练方法为：
13.s110：获取冰柜图片集，对所述冰柜图片集的每张图片的冰柜柜格进行标注，得到每个所述冰柜柜格的顶点框；
14.s120：获取每个所述冰柜柜格的所述顶点框的最大外接矩形，将其作为所述冰柜柜格的检测框；
15.s130：根据所述检测框与所述顶点框，计算每个所述冰柜柜格的偏移量；
16.s140：根据每个所述冰柜柜格的偏移量对所述冰柜图片集进行训练和识别，得到所述预测模型。
17.优选的，所述获得每个冰柜柜格的四边形框为：
18.所述预测模型对所述对所述冰柜图像进行柜格检测，得到每个冰柜柜格的目标检
测框；
19.所述预测模型根据所述目标检测框对所述每个冰柜柜格的回归四边形进行预测，输出为所述四边形框。
20.优选的，所述计算每个所述冰柜柜格的偏移量为：
21.分别获取所述检测框与所述顶点框的顶点信息，将所述检测框与所述顶点框的所述顶点信息相匹配；
22.根据预设顺序对所述检测框与所述顶点框的所述顶点信息进行偏移计算，得到所述偏移量。
23.优选的，所述s200步骤中，所述对每个所述四边形框进行降维为：
24.将所述四边形框的顶点向所述冰柜的x轴方向进行投影，得到多个x轴投影点；
25.将所述四边形框的顶点向所述冰柜的y轴方向进行投影，得到多个y轴投影点；
26.其中，所述x轴投影点与所述y轴投影点为所述四边形框的所述降维结果。
27.优选的，所述s300步骤中，所述将所述降维结果进行聚类为：
28.在所述冰柜的x轴方向上，将所述x轴投影点进行聚类，得到n个x轴投影簇；
29.在所述冰柜的y轴方向上，将所述y轴投影点进行聚类，得到m个y轴投影簇；
30.其中，所述x轴投影簇与所述y轴投影簇为所述降维结果的所述聚类结果。
31.优选的，所述s300步骤中，计算冰柜的最大柜格数量的公式为：
32.所述冰柜的最大柜格数量＝(n-1)*(m-1)；
33.其中，n、m均为大于0的正整数。
34.此外，本发明提供了一种商品陈列柜格计算装置，包括：
35.输入模块，用于输入冰柜图片；
36.检测模块，用于对所述冰柜图片进行柜格检测，得到每个冰柜柜格的四边形框；
37.降维模块，用于对所述四边形框进行降维，得到降维结果；
38.聚类模块，用于对所述降维结果进行聚类，得到聚类结果；
39.输出模块，用于根据所述聚类结果计算冰柜的最大柜格数量，并输出至上位机设备；
40.所述输入模块、检测模块、降维模块、聚类模块、输出模块依次连接。
41.本发明还提供了一种计算机可读的存储介质，所述存储介质上存储有计算机程序，所述计算机程序被执行时实现上述的一种商品陈列柜格计算方法。
42.此外，本发明还提供了一种处理设备，包括：
43.一个或多个处理器；
44.存储器，用于存储一个或多个计算机程序，一个或多个所述处理器用于执行所述存储器存储的一个或多个计算机程序，以使一个或多个所述处理器执行上述的一种商品陈列柜格计算方法。
45.实施本发明上述技术方案中的一个技术方案，具有如下优点或有益效果：
46.本发明基于现有的目标检测技术训练了一个预测模型，能够对冰柜图像中的冰柜柜格的顶点信息进行预测，根据该预测的顶点信息，即可得到框选该冰柜柜格的四边形框。之后对该四边形框进行降维和聚类处理，根据处理结果能够计算该冰柜图像中的冰柜的最大柜格数量，对其冰柜进行更合理的空间布局。
附图说明
47.为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍，显而易见，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，附图中：
48.图1是本发明实施例一的方法流程图；
49.图2是本发明实施例一的s100步骤的具体流程图；
50.图3是本发明实施例二的结构示意图。
具体实施方式
51.为了使本发明的目的、技术方案及优点更加清楚明白，下文将要描述的各种示例性实施例将要参考相应的附图，这些附图构成了示例性实施例的一部分，其中描述了实现本发明可能采用的各种示例性实施例。除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。应明白，它们仅是与如所附权利要求书中所详述的、本发明公开的一些方面相一致的流程、方法和装置等的例子，还可使用其他的实施例，或者对本文列举的实施例进行结构和功能上的修改，而不会脱离本发明的范围和实质。
52.在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”等指示的是基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的元件必须具有的特定的方位、以特定的方位构造和操作。术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。术语“多个”的含义是两个或两个以上。术语“相连”、“连接”应做广义理解，例如，可以是固定连接、可拆卸连接、一体连接、机械连接、电连接、通信连接、直接相连、通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
53.为了说明本发明所述的技术方案，下面通过具体实施例来进行说明，仅示出了与本发明实施例相关的部分。
54.实施例一：
55.如图1所示，本发明提供了一种商品陈列柜格计算方法，包括：s100：获取冰柜图像，通过预测模型对冰柜图像进行柜格检测，获得每个冰柜柜格的四边形框；s200：根据每个冰柜柜格的四边形框，对每个四边形框进行降维，得到降维结果；s300：将降维结果进行聚类，根据聚类结果计算冰柜的最大柜格数量。具体的，本发明基于现有的目标检测技术训练了一个预测模型，能够对冰柜图像中的冰柜柜格的顶点信息进行预测，根据该预测的顶点信息，即可得到框选该冰柜柜格的四边形框。之后对该四边形框进行降维和聚类处理，根据处理结果能够计算该冰柜图像中的冰柜的最大柜格数量，对其冰柜进行更合理的空间布局。
56.如图2所示，作为可选的实施方式，s100步骤中，预测模型的训练方法为：s110：获取冰柜图片集，对冰柜图片集的每张图片的冰柜柜格进行标注，得到每个冰柜柜格的顶点
框；s120：获取每个冰柜柜格的顶点框的最大外接矩形，将其作为冰柜柜格的检测框；s130：根据检测框与顶点框，计算每个冰柜柜格的偏移量；s140：根据每个冰柜柜格的偏移量对冰柜图片集进行训练和识别，得到预测模型。具体的，冰柜图片集包括训练集和测试集，训练集与测试集均需要对每张图片的冰柜柜格的顶点进行数据标注，从而获取该冰柜柜格的顶点框。其中，训练集用于该预测模型对冰柜图片所标注的顶点信息进行回归训练，测试集用于验证预测模型的模型精度。将冰柜图像输入至预测模型中进行识别，该预测模型获得的冰柜图像内的每个冰柜柜格的四边形框，即为对该冰柜柜格的顶点框的预测。
57.需要说明的是，本发明中所构建的预测模型是基于标准检测框bbox而训练得到框选该冰柜柜格的四边形框。因此，在预测模型的训练过程中，基于该冰柜柜格的顶点框，本实施例需要获取该顶点框的最大外接矩形。其中，yolo系列的目标检测中，一般采用类似最大外接矩形的正矩形框进行目标回归，且回归信息一般为目标中心的坐标及其正矩形框的宽值和高值。使用最大外接矩形框在本发明中可快速的生成类似标准yolo训练数据的正矩形框以及该发明额外需要的8个偏移量。
58.进一步的，现有的检测框模型回归训练通常是直接回归该顶点框与其最大外接矩形的共8个坐标点关于中心点的偏移量，而本发明中所提出的预测模型进行检测框回归训练时，是回归该最大外接矩形的四个顶点关于顶点框的四个顶点之间的偏移量。需要说明的是，该最大外接矩形的四个顶点关于顶点框的四个顶点之间共有8个偏移量，分别为最大外接矩形与顶点框的对应顶点之间x轴方向和y轴方向的投影长度。将训练集内的每张图片的顶点框的中心点值、框宽值、框高值和8个偏移量的值作为神经网络模型的训练数据，即可对每张图片中的冰柜柜格进行预测。将预测的冰柜柜格框与初始的标注数据(顶点框的顶点信息)进行对比，再反向传播更新网络参数。迭代训练该神经网络模型，直至满足其训练约束条件，即可输出为预测模型。
59.作为可选的实施方式，获得每个冰柜柜格的四边形框为：预测模型对对冰柜图像进行柜格检测，得到每个冰柜柜格的目标检测框；预测模型根据目标检测框对每个冰柜柜格的回归四边形进行预测，输出为四边形框。具体的，预测模型能够根据输入的冰柜图像直接对该冰柜图像内的每个冰柜柜格预测其目标检测框和回归四边形，并将该回归四边形输出为四边形框。其中，四边形框依托于最大外接矩形和8个偏移量之间的关系，能更加准确的获取冰柜柜格所包含的四边形区域，这是由于冰柜柜格在图片中一般不会以矩形的方式呈现，通常带有部分透视效果。
60.作为可选的实施方式，计算每个冰柜柜格的偏移量为：分别获取检测框与顶点框的顶点信息，将检测框与顶点框的顶点信息相匹配；根据预设顺序对检测框与顶点框的顶点信息进行偏移计算，得到偏移量。具体的，根据该顶点框及其最大外接矩形，即可计算该冰柜柜格的偏移量。其中，该偏移量为该顶点框及其最大外接矩形的四个相对应的顶点的回归偏移信息，也即四个相对应的顶点的坐标差值，共8个偏移量。
61.作为可选的实施方式，s200步骤中，对每个四边形框进行降维为：将四边形框的顶点向冰柜的x轴方向进行投影，得到多个x轴投影点；将四边形框的顶点向冰柜的y轴方向进行投影，得到多个y轴投影点；其中，x轴投影点与y轴投影点为四边形框的降维结果。
62.作为可选的实施方式，s300步骤中，将降维结果进行聚类为：在冰柜的x轴方向上，将x轴投影点进行聚类，得到n个x轴投影簇；在冰柜的y轴方向上，将y轴投影点进行聚类，得
到m个y轴投影簇；其中，x轴投影簇与y轴投影簇为降维结果的聚类结果。具体的，本实施例中采用了降维的方法，将冰柜柜格的四边形框分别基于冰柜的x轴方向和y轴方向进行降维，将其四个顶点信息从二维降低至一维。在本实施例中，将四个顶点分别向x轴方向和y轴方向进行投影，即能实现对该四边形框的降维。后通过dbscan聚类算法对降维后的数据进行聚类，分别得到x轴方向和y轴方向上的聚类信息。dbscan聚类算法是一种基于高密度连通区域的、基于密度的聚类算法，能够将具有足够高密度的区域划分为簇，并在具有噪声的数据中发现任意形状的簇。根据该算法对降维数据进行聚类，获得的多个簇即为该冰柜柜格进行陈列时柜格框的顶点数值，能够快速有效的呈现该冰柜图像中冰柜柜格的布局。根据聚类所得到的多个簇，以及x轴和y轴上簇的数量，即可计算该冰柜的最大柜格数量。
63.作为可选的实施方式，s300步骤中，计算冰柜的最大柜格数量的公式为：冰柜的最大柜格数量＝(n-1)*(m-1)；其中，n、m均为大于0的正整数。
64.实施例仅是一个特例，并不表明本发明就这样一种实现方式。
65.实施例二：
66.如图3所示，本发明还提供了一种商品陈列柜格计算装置，包括：输入模块，用于输入冰柜图片；检测模块，用于对冰柜图片进行柜格检测，得到每个冰柜柜格的四边形框；降维模块，用于对四边形框进行降维，得到降维结果；聚类模块，用于对降维结果进行聚类，得到聚类结果；输出模块，用于根据聚类结果计算冰柜的最大柜格数量，并输出至上位机设备；输入模块、检测模块、降维模块、聚类模块、输出模块依次连接。具体的，计算冰柜图像的柜格最大数量的步骤如实施例一。
67.实施例三：
68.本领域普通技术人员可以理解，实现上述各方法实施例的全部或部分特征/步骤可以通过方法、数据处理系统或计算机程序来实现，这些特征可不采用硬件的方式、全部采用软件的方式或者采用硬件和软件结合的方式来实现。前述的计算机程序可以存储于一种或多种计算机可读的存储介质中，存储介质上存储有计算机程序，计算机程序被(如处理器)执行时，执行包括上述的实施例一的步骤。
69.前述的可以存储程序代码的存储介质包括：静硬态盘、固态硬盘、随机存取存储器(sram)、电可擦除可编程只读存储器(eeprom)、可擦除可编程只读存储器(eprom)、可编程只读存储器(prom)、只读存储器(rom)、光存储设备、磁存储设备、快闪存储器、磁盘或光盘和/或上述设备的组合，即可以由任何类型的易失性或非易失性存储设备或者它们的组合实现。
70.实施例四：
71.本发明还提供一种处理设备实施例，包括一个或多个处理器及存储器；其中，存储器用于存储一个或多个计算机程序，一个或多个处理器用于执行存储器存储的一个或多个计算机程序，以使处理器执行上述的实施例一的特征/步骤。
72.以上所述仅为本发明的较佳实施例而已，本领域技术人员知悉，在不脱离本发明的精神和范围的情况下，可以对这些特征和实施例进行各种改变或等同替换。另外，在本发明的教导下，可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此，本发明不受此处所公开的具体实施例的限制，所有落入本技术的权利要求范围内的实施例都属于本发明的保护范围。

技术特征：

1.一种商品陈列柜格计算方法，其特征在于，包括：s100：获取冰柜图像，通过预测模型对所述冰柜图像进行柜格检测，获得每个冰柜柜格的四边形框；s200：根据所述每个冰柜柜格的四边形框，对每个所述四边形框进行降维，得到降维结果；s300：将所述降维结果进行聚类，根据聚类结果计算冰柜的最大柜格数量。2.根据权利要求1所述的一种商品陈列柜格计算方法，其特征在于，所述s100步骤中，所述预测模型的训练方法为：s110：获取冰柜图片集，对所述冰柜图片集的每张图片的冰柜柜格进行标注，得到每个所述冰柜柜格的顶点框；s120：获取每个所述冰柜柜格的所述顶点框的最大外接矩形，将其作为所述冰柜柜格的检测框；s130：根据所述检测框与所述顶点框，计算每个所述冰柜柜格的偏移量；s140：根据每个所述冰柜柜格的偏移量对所述冰柜图片集进行训练和识别，得到所述预测模型。3.根据权利要求1所述的一种商品陈列柜格计算方法，其特征在于，所述获得每个冰柜柜格的四边形框为：所述预测模型对所述对所述冰柜图像进行柜格检测，得到每个冰柜柜格的目标检测框；所述预测模型根据所述目标检测框对所述每个冰柜柜格的回归四边形进行预测，输出为所述四边形框。4.根据权利要求2所述的一种商品陈列柜格计算方法，其特征在于，所述计算每个所述冰柜柜格的偏移量为：分别获取所述检测框与所述顶点框的顶点信息，将所述检测框与所述顶点框的所述顶点信息相匹配；根据预设顺序对所述检测框与所述顶点框的所述顶点信息进行偏移计算，得到所述偏移量。5.根据权利要求1所述的一种商品陈列柜格计算方法，其特征在于，所述s200步骤中，所述对每个所述四边形框进行降维为：将所述四边形框的顶点向所述冰柜的x轴方向进行投影，得到多个x轴投影点；将所述四边形框的顶点向所述冰柜的y轴方向进行投影，得到多个y轴投影点；其中，所述x轴投影点与所述y轴投影点为所述四边形框的所述降维结果。6.根据权利要求5所述的一种商品陈列柜格计算方法，其特征在于，所述s300步骤中，所述将所述降维结果进行聚类为：在所述冰柜的x轴方向上，将所述x轴投影点进行聚类，得到n个x轴投影簇；在所述冰柜的y轴方向上，将所述y轴投影点进行聚类，得到m个y轴投影簇；其中，所述x轴投影簇与所述y轴投影簇为所述降维结果的所述聚类结果。7.根据权利要求6所述的一种商品陈列柜格计算方法，其特征在于，所述s300步骤中，计算冰柜的最大柜格数量的公式为：
所述冰柜的最大柜格数量＝(n-1)*(m-1)；其中，n、m均为大于0的正整数。8.一种商品陈列柜格计算装置，其特征在于，包括：输入模块，用于输入冰柜图片；检测模块，用于对所述冰柜图片进行柜格检测，得到每个冰柜柜格的四边形框；降维模块，用于对所述四边形框进行降维，得到降维结果；聚类模块，用于对所述降维结果进行聚类，得到聚类结果；输出模块，用于根据所述聚类结果计算冰柜的最大柜格数量，并输出至上位机设备；所述输入模块、检测模块、降维模块、聚类模块、输出模块依次连接。9.一种计算机可读的存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被执行时实现权利要求1-7任一项所述的一种商品陈列柜格计算方法。10.一种处理设备，其特征在于，包括：一个或多个处理器；存储器，用于存储一个或多个计算机程序，一个或多个所述处理器用于执行所述存储器存储的一个或多个计算机程序，以使一个或多个所述处理器执行如权利要求1-7任一项所述的一种商品陈列柜格计算方法。

技术总结

本发明公开了一种商品陈列柜格计算方法、装置、储存介质及设备，涉及深度学习技术领域，解决了现有部分冰柜空间布局不够合理，需要对其进行优化的技术问题。该方法包括S100：获取冰柜图像，通过预测模型对所述冰柜图像进行柜格检测，获得每个冰柜柜格的四边形框；S200：根据所述每个冰柜柜格的四边形框，对每个所述四边形框进行降维，得到降维结果；S300：将所述降维结果进行聚类，根据聚类结果计算冰柜的最大柜格数量。本发明用于计算冰柜图像中的冰柜的最大柜格数量，通过该最大柜格数量对其冰柜进行更合理的空间布局。行更合理的空间布局。行更合理的空间布局。