[发明专利]一种用于智能售货柜训练自动标定数据集的装置

说明书

本发明公开了一种智能售货柜训练自动标定数据集的装置，涉及自动化标定数据集技术领域，包括箱体和电机，所述箱体的底部转动连接有转轴，所述转轴的中部固定有齿轮一，所述转轴的上端固定有固定板，所述固定板上方固定有托盘，所述托盘上方设有摄像头，所述箱体顶部固定有传动装置，所述摄像头固定于传动装置上，所述电机固定于箱体的底部，所述电机的输出轴上固定有有齿轮二，所述齿轮一与齿轮二啮合，所述箱体的顶部还设有灯箱，本发明结构简单，操作便捷，使用自动化工具结合传统图像处理的方法，只需少量人工干预的情况下完成大量图像的自动化标定，极大的减少了人工标定商品的工作量，降低了智能售货柜的运营成本。

技术领域

本发明涉及自动化标定数据集技术领域，具体涉及一种用于智能售货柜训练自动标定数据集的装置。

背景技术

随着人工智能和机器视觉的发展，出现了越来越多的使用机器视觉判断商品销售情况的智能售货柜。这些售货柜多使用目标检测神经网络模型进行商品种类和数量的检测。

神经网络在目标检测领域与传统机器视觉(机器学习)相比在成功率，对环境鲁棒性，对物品形变上都有非常明显的优势。于此同时，对机器学习需要的数据源也有非常大的需求，需要大量的标定数据集。

与分类应用不同，目标检测的数据集标定需要在图片中框出目标所在区域，这种用框标定目标的动作进一步增加了标定工作量。

传统上，人们使用软件的数据增广方式对数据集进行增广，这些增广包括：裁剪、旋转、亮度、对比度、色彩、噪声和平滑等图像处理方法。由于只是对已有数据进行处理，并没有真实增加信息。

中国专利申请为201710589276.1公开了神经网络模型训练及活体检测方法、装置及储蓄介质，可针对不同的场景，分别获取该场景下的图片样本，每个图片样本分别具有标签，标签中包括是否活体以及对应的场景等，根据获取到的各图片样本，训练得到神经网络模型，神经网络模型的输出为对不同场景具有区分度的特征向量，这样，在进行活体检测时，可根据神经网络模型确定出待检测图片的特征向量，进而可根据待检测图片的特征向量确定出与待检测图片相匹配的图片样本，将相匹配的图片样本的标签作为待检测图片的标签，从而得到待检测图片的检测结果，应用本发明所述方案，能够提高检测结果的准确性等。但是其仍然存在只是对已有数据进行处理，并没有真实增加信息的缺陷。

发明内容

本发明的目的在于提供一种用于智能售货柜训练自动标定数据集的装置，以解决现有技术中导致的上述缺陷。

一种用于智能售货柜训练自动标定数据集的装置，包括箱体和电机，所述箱体的底部转动连接有转轴，所述转轴的中部固定有齿轮一，所述转轴的上端固定有固定板，所述固定板上方固定有托盘，所述托盘上方设有摄像头，所述箱体顶部固定有传动装置，所述摄像头固定于传动装置上，所述电机固定于箱体的底部，所述电机的输出轴上固定有有齿轮二，所述齿轮一与齿轮二啮合，所述箱体的顶部还设有灯箱。

优选的，所述传动装置包括气缸一、气缸二、滑轨和滑块，滑轨固定于箱体的顶部，滑块滑动连接于滑轨，气缸一固定于滑轨的侧边，滑块固定于气缸一的输出轴上，气缸二固定于滑块的下端，摄像头固定于气缸二的输出轴上。

优选的，所述滑块为T字型。

优选的，所述滑轨内设有限位块。

优选的，所述托盘上设有凹槽，且托盘上平面中心位置固定有定位块。

本发明的优点在于：结构简单，操作便捷，使用自动化工具结合传统图像处理的方法，只需少量人工干预的情况下完成大量图像的自动化标定，极大的减少了人工标定商品的工作量，降低了智能售货柜的运营成本。

附图说明

图1为本发明的主视的部分剖面视角图。

图2为本发明的传动装置的剖面图。