[发明专利]识别物品的方法、装置、售货设备及计算机可读存储介质

说明书

本公开提供了一种识别物品的方法、装置、售货设备及计算机可读存储介质，涉及图像识别技术领域。其中的识别物品的方法包括：采集售货设备中被取出物品的图像，售货设备中含有旧款物品和上新物品；利用机器学习模型提取图像的特征向量，机器学习模型是由标注了物品名称的旧款物品图像进行训练得到的；从特征向量库中确定图像的特征向量的相似特征向量，特征向量库包含利用机器学习模型提取的旧款物品图像及上新物品图像的特征向量，特征向量库中的各个特征向量表示相应的物品名称；将被取出物品识别为相似特征向量表示的物品名称。本公开通过被取出物品的图像及特征向量库识别被取出物品，无需重新训练机器学习模型，实现了售货设备的快速上新。

技术领域

本公开涉及机器人技术领域，特别涉及一种识别物品的方法、装置、售货设备及计算机可读存储介质。

背景技术

自动售货机是一种智能的售货设备，能够在没有售货人员参与的情况下为用户提供物品。

通常情况下，自动售货机中同时含有多种物品。如何识别用户从自动售货机中取出的物品，是与自动售货机相关的重要技术问题。

识别自动售货机中被取出物品的相关技术主要分为三类。第一类是基于射频识别的识别技术，该技术需要为每种物品添加唯一的射频识别标签，因此较为繁琐。第二类是基于重力的识别技术，该技术要求自动售货机中的每种物品具有不同的重量，因此适用性较差。第三类是基于图像的识别技术，该技术能够根据被取出物品的图像识别出物品名称，使售货设备具有相对较好的用户体验。

发明内容

发明人针对基于图像的识别技术进行了深入研究。相关技术中，首先需要采集售货设备中所有物品的图像，并标注各个图像对应的物品名称。然后，利用标注完成的图像对机器学习模型进行训练，使训练后的机器学习模型能够根据输入的图像直接输出相应的物品名称。售货设备在售卖物品时，采集被取出物品的图像并输入该机器学习模型，从而直接识别出相应的物品名称。

发明人研究发现，相关技术会导致售货设备的上新周期较长。由于售货设备中含有的物品是不断更新的，售货设备中含有的物品可能包括售卖已久的旧款物品以及最新布置的上新物品。为了使机器学习模型能够识别出上新物品，每一次在售货设备布置上新物品之前，都需要利用旧款物品图像以及上新物品图像重新对机器学习模型进行训练。在实际应用当中，利用全量的图像重新训练机器学习模型可能需要两周甚至更长的时间，因此从客观上限制了售货设备的上新速度，延长了售货设备的上新周期。

本公开解决的一个技术问题是，如何缩短售货设备的上新周期。

根据本公开实施例的一个方面，提供了一种识别物品的方法，包括：采集售货设备中被取出物品的图像，售货设备中含有旧款物品和上新物品；利用机器学习模型提取图像的特征向量，机器学习模型是由标注了物品名称的旧款物品图像进行训练得到的；从特征向量库中确定图像的特征向量的相似特征向量，特征向量库包含利用机器学习模型提取的旧款物品图像及上新物品图像的特征向量，特征向量库中的各个特征向量表示相应的物品名称；将被取出物品识别为相似特征向量表示的物品名称。

在一些实施例中，该方法还包括：利用机器学习模型提取旧款物品图像及上新物品图像的特征向量；利用旧款物品图像及上新物品图像的特征向量组成特征向量库。

在一些实施例中，从特征向量库中确定图像的特征向量的相似特征向量包括：分别计算图像的特征向量与特征向量库中的各个特征向量之间的距离；将特征向量库中与图像的特征向量距离最近的特征向量，作为相似特征向量。

在一些实施例中，从特征向量库中确定图像的特征向量的相似特征向量包括：分别计算图像的特征向量与特征向量库中的各个特征向量之间的距离；将特征向量库中与图像的特征向量距离最近、且最近距离小于第一阈值的特征向量，作为相似特征向量。

在一些实施例中，该方法还包括：在目标物品被售货设备识别为相似物品的概率大于预设概率的情况下，不在所述售货设备中布置所述相似物品。