[发明专利]商品检测方法、装置、服务器及可读存储介质

说明书

本发明提供了一种商品检测方法、装置、服务器及可读存储介质，属于图像处理领域，商品检测方法，先对影像中的货架进行检测分层得到商品可陈列的空间区域，进而在约束的局部空间区域分别进行商品检测，然后将所有局部区域的商品检测结果进行融合，最终完成商品检测。易实现、速度快及鲁棒性好。相比于现有的商品全局检测方法，本发明的商品检测系统，可以更好适用于货架形态随机性和拍照随机性等难点场景。极大地提升了商品检测性能，进而提升商品零售的行业效率。

技术领域

本发明属于计算机图像处理技术，具体涉及一种商品检测方法、装置、服务器及可读存储介质。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术或先有技术。

随着新零售的发展，对商品生产流通的分析，越来越依赖大数据。其中，商品销售端的数据反馈对商品的再生产及销售变得越来越重要，它影响着整个商品的生产、库存等成本，如若数据反馈不及时甚至会造成生产过剩导致资源浪费。因此，若能快速、准确地获取得到商品销售端的数据反馈，就可以很好地从商品再生产、流通及销售等各环节提升效率，最终达到商品市场最佳资源配置。但是，商品销售端的数据是实时变化的，因此，如何快速实时、准确地获取得到商品的销售端数据，是提升商品市场效率的重要前提。

移动互联网技术的成熟发展，给传统行业带来了各种新的技术。特别是商品市场，引移动互联网技术，提升效率明显。但是，在商品销售端的数据收集反馈，单靠互联网技术，效率还未达到最优，主要表现在数据收集反馈方面存在延时。简单来说，商品市场是非常分散的，各个市场的数据需要层层汇总，才能得到较为准确的数据。由于商品成千上万，且更新迭代非常快，因此，按传统的数据获取方法费时费力，效果也一般。

人工智能技术的快速落地应用，结合互联网技术，可以极大地提升商品销售端的数据反馈收集效率。简而言之，用移动终端对销售端的商品进行拍照，然后通过人工智能技术对影像信息进行商品检测识别得到结构化信息，接着通过互联网上传影像和商品结构化信息，该过程可以做到实时信息反馈。但是，由于商品销售场景下的商品一般以分层的形式堆叠在货架上，货架的长、短、宽及高等形态为非标化的及拍照时的随机性，这给商品的检测识别带来了非常大挑战，会影响自动获取商品结构化信息的精度，进而影响商品流通的数据分析，最终阻碍了数据反馈收集效率。

现有的检测方法，如“上海品览”申请了一种基于深度学习的货架商品分层方法(公开号：CN111882606A)，方法包括：S1、获取不同角度，不同光照，不同分辨率的货架图片；S2、训练商品检测模型；S3、训练货架层分割模型；S4、对货架图像进行检测，得到商品的位置框和类别信息；S5、对货架图像进行货架层分割，得到货架层的区域；S6、获取货架层最小外接矩形，然后获取货架线；S7、得到商品位置框的中心点，然后判断其所在的货架层。其分层方案为语义全局分割，对比方案采用的是语义全局分割，货架分割和商品检测并行计算，最后再融合空间信息；商品检测为全局检测，且应用场景只输出商品的分层信息。该方法因仍是全局性的，计算量大，效率低，货架干扰强，商品检测鲁棒性低。

因此，如何提升商品检测识别模型在货架形态随机性和拍照随机性等困难场景下的性能，成为目前最需要解决的问题。

发明内容

为了克服现有技术的不足，本发明的目的在于提供一种商品检测方法、装置、服务器及可读存储介质，其能解决如何提升商品检测识别模型在货架形态随机性和拍照随机性等困难场景下的性能问题。

设计原理：本申请提出的商品检测方法增加货架层的检测，将商品在影像中的全局检测，转换为以货架层为分界的多个局部块检测，可极大地提升现有商品检测面对货架形态随机性和拍照随机性等困难场景下的性能。

总体方案：为了解决上述问题，本申请的总体设计方案如下。