[发明专利]一种无人智能货柜的自主上新解决方案

说明书

本发明提供一种无人智能货柜的自主上新解决方案，包括主系统，所述主系统包括自主上新系统、商品库和模型中心，所述自主上新系统包括先验树层叠算法和分类器掩码层算法，所述商品库包括商品数据采集装置和数据库，所述模型中心包括商品组模板、商品组预训练模型、个性化定制模型。此自主上新方案能够实现每台智能货柜的可支持识别的类别不同。

技术领域

本发明涉及无人超市领域，具体为一种无人智能货柜的自主上新解决方案。

背景技术

智能货柜现有的技术服务解决方案都是通过训练一个通用固定类别商品组模型，只能识别商品组已有类别。针对客户的上新的需求，需要重新通过商品数据采集装置定位商品体积，采集图像，通过商品接入API把数据上传到商品库中。然后读取商品组的所有数据和上新类别的数据重新迭代训练，然后重新部署。

目前市场已有自主上新方式存在的很大的问题，(1)模型的每次迭代更新，训练耗费时间过长，整个流程下来耗时1～7天，自主上新后生成新模型文件，且不同客户不同的上新需求，会形成百上千的模型文件，给模型库的维护带来很大难度；且针对每个模型文件进行部署，会造成很大的算力的浪费，且部署对原有已有服务的维护都造成很大影响；(2)一个商品组模型包含很多的类别，但是客户实际上架的只有其中的部分类别，现在已有算法模型的99％的准确率都是在理想测试情况下得出，在异常环境下会导致误识、漏识等异常情况，比如商品被识别非上架商品；且随着自主上新后商品组类别的增加，商品组的互斥准则会被打破，且没有用好相似类别的语义关系，对模型的鲁棒性提出很大的挑战。

发明内容

智能货柜对算法的模型的准确度和鲁棒性要求很高，针对无人智能货柜用户上架新的商品的需求和存在的问题，我们提出了基于迁移学习的自动上新技术解决方案。该方案结合目标检测技术和迁移技术，提供了一种高效个性化定制化解决方案，以解决上述背景技术中提到的问题。

为实现上述目的，本发明提供一种无人智能货柜的自主上新解决方案，包括主系统，所述主系统包括自主上新系统、商品库和模型中心，所述自主上新系统包括先验树层叠算法和分类器掩码层算法，所述商品库包括商品数据采集装置和数据库，所述模型中心包括商品组模板、商品组预训练模型、个性化定制模型，此设计能够实现智能货柜“千柜千面”。

优选的，所述商品数据采集装置包括商品体积采集装置、商品图像采集装置、商品条码采集装置，此设计能够采集商品相应的数据。

优选的，所述分类器掩码层算法包括：

步骤1：商品组模板的分类器F支持分类的类别K个，则目标检测的分类器的交叉熵损失如下：

J(x，y；θ_K,θ_r)＝-logp_y (1)

其中p＝softmax(θ_K·f(x；θ_r))，θ_K，θ_r是高级特征表示和多类分类器的可训练参数。

实际上，根据客户上架的商品品类，我们只需要K'类的分类任务。为了关注这个子集标签空间，我们通过掩码(设置为-∞)(K-K'不上架的商品)对应的向量来实现它。我们提出了一个掩码层：

V_K＝masked-out(V_Km) (2)

其中m是来自整个商品组模板类别筛选出的K'类别的独热编码表示，并且和都是K维向量。对应于没有被筛选向量V_K的值被设置为-∞。

因此，实际的掩码分类损失定义为

其中

优选的，所述先验树层叠算法包括：

步骤2：