[发明专利]一种货架陈列检测方法、装置及系统

权利要求书

1.一种货架陈列检测方法，其特征在于，包括：

获取待检测货架数据；所述待检测货架数据包括货架实拍图；

调用货架商品检测模型，根据所述待检测货架数据生成对应所述货架实拍图中每个商品的检测框；所述货架商品检测模型为使用标注好的货架数据集对通用目标检测模型进行迁移学习，得到的检测模型；

对所述检测框进行排序，确定所述检测框的次序；

调用货架商品识别模型，根据所述检测框的次序对所述检测框内的商品进行特征提取，得到所述检测框中商品的实际特征向量；所述货架商品识别模型为使用标注好的商品数据集对所述货架商品检测模型进行迁移学习，去掉网络末端用于检测的网络层，添加卷积层或池化层，得到的识别模型；

将所述实际特征向量与目标商品样本的标准特征向量进行相似度计算，生成比对结果。

2.根据权利要求1所述的方法，其特征在于，在调用货架商品检测模型之前，还包括：

使用标注好的货架数据集对通用目标检测模型进行迁移学习，得到货架商品检测模型；

使用标注好的商品数据集对所述货架商品检测模型进行迁移学习，得到货架商品识别模型。

3.根据权利要求2所述的方法，其特征在于，所述使用标注好的商品数据集对所述货架商品检测模型进行迁移学习，得到货架商品识别模型包括：

将所述货架商品检测模型改造为对应度量学习的待训练模型；

基于度量学习，使用标注好的商品数据集对所述待训练模型进行迁移学习，得到货架商品识别模型。

4.根据权利要求1所述的方法，其特征在于，所述对所述检测框进行排序，确定所述检测框的次序包括：

基于k均值聚类模型对所述检测框进行排序，确定所述检测框的次序。

5.根据权利要求4所述的方法，其特征在于，所述基于k均值聚类模型对所述检测框进行排序，确定所述检测框的次序包括：

以所述检测框的纵坐标为所述k均值聚类模型的输入，以所述货架实拍图中货架层数作为聚类数，调用k均值聚类模型生成表征所述检测框中商品位于对应货架层的聚类结果；

根据位于同一货架层的检测框的横坐标对所述检测框进行排序，确定所述检测框的次序。

6.根据权利要求1所述的方法，其特征在于，所述比对结果包括以下任意一项或任意组合：

对比结果图、对比结果表、陈列合格率。

7.根据权利要求1所述的方法，其特征在于，所述获取待检测货架数据包括：

通过移动设备拍摄目标货架，生成包括货架实拍图的待检测货架数据。

8.根据权利要求7所述的方法，其特征在于，所述通过移动设备拍摄目标货架，生成包括所述货架实拍图的待检测货架数据包括：

通过移动设备拍摄目标货架，获取货架实拍图；

在所述货架实拍图中框选出需要进行陈列检测的货架区域，生成待检测货架数据。

9.一种货架陈列检测装置，其特征在于，包括：

获取模块，用于获取待检测货架数据；所述待检测货架数据包括货架实拍图；

检测模块，用于调用货架商品检测模型，根据所述待检测货架数据生成对应所述货架实拍图中每个商品的检测框；所述货架商品检测模型为使用标注好的货架数据集对通用目标检测模型进行迁移学习，得到的检测模型；

排序模块，用于对所述检测框进行排序，确定所述检测框的次序；

识别模块，用于调用货架商品识别模型，根据所述检测框的次序对所述检测框内的商品进行特征提取，得到所述检测框中商品的实际特征向量；所述货架商品识别模型为使用标注好的商品数据集对所述货架商品检测模型进行迁移学习，去掉网络末端用于检测的网络层，添加卷积层或池化层，得到的识别模型；

比对模块，用于将所述实际特征向量与目标商品样本的标准特征向量进行相似度计算，生成比对结果。

10.一种货架陈列检测系统，其特征在于，包括相互通信连接的输入端以及处理端；

所述输入端用于获取待检测货架数据；所述待检测货架数据包括货架实拍图；

所述处理端用于：

调用货架商品检测模型，根据所述待检测货架数据生成对应所述货架实拍图中每个商品的检测框；所述货架商品检测模型为使用标注好的货架数据集对通用目标检测模型进行迁移学习，得到的检测模型；

对所述检测框进行排序，确定所述检测框的次序；

调用货架商品识别模型，根据所述检测框的次序对所述检测框内的商品进行特征提取，得到所述检测框中商品的实际特征向量；所述货架商品识别模型为使用标注好的商品数据集对所述货架商品检测模型进行迁移学习，去掉网络末端用于检测的网络层，添加卷积层或池化层，得到的识别模型；

将所述实际特征向量与目标商品样本的标准特征向量进行相似度计算，生成比对结果。