CN115937787A - 一种零售安全防护方法及系统 - Google Patents
一种零售安全防护方法及系统 Download PDFInfo
- Publication number
- CN115937787A CN115937787A CN202211725089.9A CN202211725089A CN115937787A CN 115937787 A CN115937787 A CN 115937787A CN 202211725089 A CN202211725089 A CN 202211725089A CN 115937787 A CN115937787 A CN 115937787A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- intelligent retail
- key frame
- image
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000012544 monitoring process Methods 0.000 claims abstract description 245
- 238000012549 training Methods 0.000 claims abstract description 93
- 230000006870 function Effects 0.000 claims description 35
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012805 post-processing Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 12
- 230000005540 biological transmission Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000012552 review Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000001680 brushing effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种零售安全防护方法及系统，方法包括：首先获取智能零售设备的历史监控信息，提取历史监控信息中的关键帧图片，识别并存储关键帧图片的特征信息，构建智能零售设备的监控模型，基于关键帧图片的特征信息，利用预设训练方法对智能零售设备的监控模型进行训练，得到训练好的智能零售设备的监控模型，捕捉智能零售设备的实时监控图像，并输入训练好的智能零售设备的监控模型，得到实时监控图像的反馈结果，它能够提升对智能零售设备监控的及时性和便捷性。
Description
技术领域
本发明属于设备监控技术领域，特别是一种零售安全防护方法及系统。
背景技术
随着科技的开展,物联网技术和移动支付的普及、以及消费者的消费需求，“无人零售”形式已成趋势,智能零售已成为无人值守服务中的一大类。智能零售是指基于智能物联网技术实现的无导购员和收银员值守的新零售服务，在智能零售的推广过程中智能零售设备得到广泛的使用，在智能零售设备的售卖结算系统需要零售计算机和零售网络设备配合完成，能实现选品、扫码支付和刷脸支付。
当前以人工巡检的方式对智能零售设备进行监控排查，不仅浪费了大量的人力、物力，而且获取的监测信息不及时，无法快速做出相应的应急反应措施，因此如何提升对智能零售设备监控的及时性和便捷性，成为一个亟待解决的问题。
发明内容
本发明的目的是提供一种零售安全防护方法及系统，以解决现有技术中的不足，通过提出一种基于神经网络的智能零售设备的监控方法，它能够提升对智能零售设备监控的及时性和便捷性。
本申请的一个实施例提供了一种零售安全防护方法，所述方法包括：
获取智能零售设备的历史监控信息，提取所述历史监控信息中的关键帧图片，识别并存储所述关键帧图片的特征信息；
构建智能零售设备的监控模型；
基于所述关键帧图片的特征信息，利用预设训练方法对所述智能零售设备的监控模型进行训练，得到训练好的智能零售设备的监控模型，其中，所述预设训练方法包括神经网络方法；
捕捉智能零售设备的实时监控图像，并输入所述训练好的智能零售设备的监控模型，得到所述实时监控图像的反馈结果。
可选的，所述获取智能零售设备的历史监控信息，提取所述历史监控信息中的关键帧图片，识别并存储所述关键帧图片的特征信息，包括：
通过自动与所述智能零售设备的视频监控平台对接，获取历史监控信息，并通过提取视频流关键帧图像，作为历史监控信息中的关键帧图片；
设置关键帧图片的特征信息的存储装置，实现可在设定历史时间范围内，识别并存储所述关键帧图片的特征信息，其中，通过算法对历史监控信息中的关键帧图片的特征进行识别，算法包括直方图均衡算法及边缘特征算法。
可选的，所述智能零售设备的监控模型，包括：图像前处理模块、图像特征模块、图像后处理模块、数据融合模块；
所述图像前处理模块用于对输入的关键帧图片的特征信息数据进行特征提取，获得前处理图像特征；
所述图像特征模块用于针对获得的前处理图像特征，使用注意力机制来获取二者的互注意力特征，并将互注意力特征与相应的前处理图像特征进行拼接，获得混合特征；
所述图像后处理模块用于对所述混合特征进行特征提取，以获得后处理图像特征；
所述数据融合模块用于根据后处理图像特征，获得图像融合特征，并得到监控结果。
可选的，所述基于所述关键帧图片的特征信息，利用预设训练方法对所述智能零售设备的监控模型进行训练，得到训练好的智能零售设备的监控模型，包括：
从构建的关键帧图片的特征信息数据集中划分出训练集对智能零售设备的监控模型进行训练，并计算损失函数，更新训练网络，得到训练好的智能零售设备的监控模型。
可选的，所述从构建的关键帧图片的特征信息数据集中划分出训练集对智能零售设备的监控模型进行训练，并计算损失函数，更新训练网络，得到训练好的智能零售设备的监控模型，包括：
根据所述训练集，计算关键帧图片的特征信息的残差函数，并输入至所述智能零售设备的监控模型；
根据训练模型输出结果，计算损失函数；
根据所述损失函数，通过梯度下降方法，优化训练模型的参数，直至得到训练好的智能零售设备的监控模型。
可选的，所述捕捉智能零售设备的实时监控图像，并输入所述训练好的智能零售设备的监控模型，得到所述实时监控图像的反馈结果之后，所述方法包括：
若所述实时监控图像的反馈结果异常，在所述智能零售设备进行报警显示；
若所述实时监控图像的反馈结果正常，记录当前所述实时监控图像，并输入所述训练好的智能零售设备的监控模型，验证当前所述实时监控图像的反馈结果。
本申请的又一实施例提供了一种零售安全防护系统，所述系统包括：
获取模块，用于获取智能零售设备的历史监控信息，提取所述历史监控信息中的关键帧图片，识别并存储所述关键帧图片的特征信息；
构建模块，用于构建智能零售设备的监控模型；
训练模块，用于基于所述关键帧图片的特征信息，利用预设训练方法对所述智能零售设备的监控模型进行训练，得到训练好的智能零售设备的监控模型，其中，所述预设训练方法包括神经网络方法；
得到模块，用于捕捉智能零售设备的实时监控图像，并输入所述训练好的智能零售设备的监控模型，得到所述实时监控图像的反馈结果。
可选的，所述获取模块，包括：
获取单元，用于通过自动与所述智能零售设备的视频监控平台对接，获取历史监控信息，并通过提取视频流关键帧图像，作为历史监控信息中的关键帧图片；
设置单元，用于设置关键帧图片的特征信息的存储装置，实现可在设定历史时间范围内，识别并存储所述关键帧图片的特征信息，其中，通过算法对历史监控信息中的关键帧图片的特征进行识别，算法包括直方图均衡算法及边缘特征算法。
可选的，所述训练模块，包括：
训练单元，用于从构建的关键帧图片的特征信息数据集中划分出训练集对智能零售设备的监控模型进行训练，并计算损失函数，更新训练网络，得到训练好的智能零售设备的监控模型。
可选的，所述训练单元，包括：
第一计算子单元，用于根据所述训练集，计算关键帧图片的特征信息的残差函数，并输入至所述智能零售设备的监控模型；
第二计算子单元，用于根据训练模型输出结果，计算损失函数；
优化子单元，用于根据所述损失函数，通过梯度下降方法，优化训练模型的参数，直至得到训练好的智能零售设备的监控模型。
可选的，所述系统还包括：
警示模块，用于若所述实时监控图像的反馈结果异常，在所述智能零售设备进行报警显示；
验证模块，用于若所述实时监控图像的反馈结果正常，记录当前所述实时监控图像，并输入所述训练好的智能零售设备的监控模型，验证当前所述实时监控图像的反馈结果。
本申请的又一实施例提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项中所述的方法。
本申请的又一实施例提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项中所述的方法。
与现有技术相比，本发明首先获取智能零售设备的历史监控信息，提取历史监控信息中的关键帧图片，识别并存储关键帧图片的特征信息，构建智能零售设备的监控模型，基于关键帧图片的特征信息，利用预设训练方法对智能零售设备的监控模型进行训练，得到训练好的智能零售设备的监控模型，捕捉智能零售设备的实时监控图像，并输入训练好的智能零售设备的监控模型，得到实时监控图像的反馈结果，它能够提升对智能零售设备监控的及时性和便捷性。
附图说明
图1为本发明实施例提供的一种零售安全防护方法的计算机终端的硬件结构框图；
图2为本发明实施例提供的一种零售安全防护方法的流程示意图；
图3为本发明实施例提供的一种零售安全防护系统的结构示意图。
具体实施方式
下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本发明实施例首先提供了一种零售安全防护方法，该方法可以应用于电子设备，如计算机终端，具体如普通电脑、量子计算机等。
下面以运行在计算机终端上为例对其进行详细说明。图1为本发明实施例提供的一种零售安全防护方法的计算机终端的硬件结构框图。如图1所示，计算机终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104，可选地，上述计算机终端还可以包括用于通信功能的传输装置106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述计算机终端的结构造成限定。例如，计算机终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
存储器104可用于存储应用软件的软件程序以及模块，如本申请实施例中的零售安全防护方法对应的程序指令/模块，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。
在现有技术中，实现零售设备的安全防护主要通过在零售设备Android主控板上接一个玻璃破碎探测传感器和一个陀螺仪传感器，2个传感器均安装在门框上，当检测到玻璃破碎或者柜门非正常打开时或2种情况同时检测到的情形下，零售设备发出语音报警，并同时打开设备自带的监控摄像头进行录像，将报警信息上报云服务，第一时间推送给用户及时查看处理。
参见图2，图2为本发明实施例提供的一种零售安全防护方法的流程示意图，可以包括如下步骤：
S201：获取智能零售设备的历史监控信息，提取所述历史监控信息中的关键帧图片，识别并存储所述关键帧图片的特征信息。
具体的，获取智能零售设备的历史监控信息，提取所述历史监控信息中的关键帧图片，识别并存储所述关键帧图片的特征信息，可以包括：
步骤1：通过自动与所述智能零售设备的视频监控平台对接，获取历史监控信息，并通过提取视频流关键帧图像，作为历史监控信息中的关键帧图片；
步骤2：设置关键帧图片的特征信息的存储装置，实现可在设定历史时间范围内，识别并存储所述关键帧图片的特征信息，其中，通过算法对历史监控信息中的关键帧图片的特征进行识别，算法包括直方图均衡算法及边缘特征算法。
经研究发现，相关技术中对监控信息中的关键帧图片的审核主要是以人工审核为主，该方式的审核效率较低，这样，随着智能零售设备使用频率的快速增长，将无法满足智能零售设备在监控内容审核方面的需求。
为了便于理解本实施例提供的智能零售设备的监控方法，首先对该智能零售设备的监控方法的应用场景进行简单说明。上述智能零售设备的监控方法主要应用于当前智能零售设备的的监控过程中，这主要是考虑到随着智能零售设备的普及，智能零售设备区域中可以会存在一些违规操作，通过对智能零售设备的监控则可以有效的监督用户的行为，从而营造更好的智能零售环境。
本实施例中的监控结果可以是随着订单的进行，分时段所确定的监控结果，这里，历史时段的划分不宜过长也不宜过短，过短的时段划分，可能导致不能及时的发现智能零售设备区域中的违规操作，过长的时段划分，则可能导致较大的运算量，因此，本实施例可以是在每10分钟确定获取一次历史监控信息。
其中，上述历史监控信息中的关键帧图片可以是设备风险特征、用户行为风险特征、订单异常风险特征等信息。其中，设备风险特征可以表征智能零售设备的风险程度，例如可以将风险程度数值化，对应的数值越高说明智能零售设备存在违规操作的可能性越大；用户行为风险特征可以表征用户所做出的动作内容存在危险的可能性，例如用户暴力敲打智能零售设备等动作，也可以进行数值化，同理，对应的数值越高也说明存在违规操作的可能性越大；订单异常风险特征可以表征用户下单操作存在违规的可能性，也可以进行数值化，在此不再赘述；除此之外，本公开实施例还可以采用其它与智能零售设备交易过程相关的其它信息，在此不做具体的限制。
S202：构建智能零售设备的监控模型。
具体的，所述智能零售设备的监控模型，可以包括：图像前处理模块、图像特征模块、图像后处理模块、数据融合模块；所述图像前处理模块用于对输入的关键帧图片的特征信息数据进行特征提取，获得前处理图像特征；所述图像特征模块用于针对获得的前处理图像特征，使用注意力机制来获取二者的互注意力特征，并将互注意力特征与相应的前处理图像特征进行拼接，获得混合特征；所述图像后处理模块用于对所述混合特征进行特征提取，以获得后处理图像特征；所述数据融合模块用于根据后处理图像特征，获得图像融合特征，并得到监控结果。
示例性的，智能零售设备的监控模型可以包括1个图像前处理模块，2个图像前处理模块、2个图像特征模块、1个图像后处理模块和2个数据融合模块；或者包括2个卷积层组、1个全局池化层、1个全连接层。
S203：基于所述关键帧图片的特征信息，利用预设训练方法对所述智能零售设备的监控模型进行训练，得到训练好的智能零售设备的监控模型，其中，所述预设训练方法包括神经网络方法。
具体的，基于所述关键帧图片的特征信息，利用预设训练方法对所述智能零售设备的监控模型进行训练，得到训练好的智能零售设备的监控模型，其中，所述预设训练方法包括神经网络方法，可以包括：
从构建的关键帧图片的特征信息数据集中划分出训练集对智能零售设备的监控模型进行训练，并计算损失函数，更新训练网络，得到训练好的智能零售设备的监控模型。
具体的，上述可以包括如下步骤：
根据所述训练集，计算关键帧图片的特征信息的残差函数，并输入至所述智能零售设备的监控模型；
根据训练模型输出结果，计算损失函数；
根据所述损失函数，通过梯度下降方法，优化训练模型的参数，直至得到训练好的智能零售设备的监控模型。
示例性的，根据训练集，可以得到用于智能零售设备监控的第一训练模型和第二训练模型，该第一训练模型在智能零售设备监控信息的知识容量和特征层的维度方面均高于第二训练模型。通过对第一训练模型的特征层输出的特征信息进行归一化指数处理，得到第一概率分布，以及对第二训练模型的特征层输出的特征信息进行归一化指数处理，得到第二概率分布Y。这里的归一化指数处理是指通过指数函数和归一化方法将多分类输出转换为概率，具体可以表述为：利用指数函数将多分类结果映射到零到正无穷，然后进行归一化处理得到了近似的概率，根据第一概率分布X和第二概率分布Y计算最大均值差异，形成损失函数。最后，根据损失函数对第一训练模型进行处理，通过处理在的第一训练模型和所述第二训练模型之间进行对比，并利用对比后获得的概率分布信息和智能零售设备的监控信息对第二训练模型进行训练，并且利用损失函数确定第二训练模型向降维处理后的第一训练模型的学习程度。通过判断损失函数是否收敛，得到对应的智能零售设备的监控模型。
其中，采用随机梯度下降法优化，权重衰减系数为和初始学习率设置为预设数值，并采用固定步长衰减方式，优化训练模型的参数。
S204：捕捉智能零售设备的实时监控图像，并输入所述训练好的智能零售设备的监控模型，得到所述实时监控图像的反馈结果。
具体的，在针对智能零售设备的监控的任务中，本申请可以采用的训练好的智能零售设备监控模型通过Resnet中的五个阶段及嵌入的注意力阶段，对实时监控图像进行图像前处理、图像特征提取、图像后处理、数据融合以及注意力机制的特征提取等处理操作，最终输出实时监控图像的监控结果。
需要说明的是，所述捕捉智能零售设备的实时监控图像，并输入所述训练好的智能零售设备的监控模型，得到所述实时监控图像的反馈结果之后，所述方法包括：
若所述实时监控图像的反馈结果异常，在所述智能零售设备进行报警显示；若所述实时监控图像的反馈结果正常，记录当前所述实时监控图像，并输入所述训练好的智能零售设备的监控模型，验证当前所述实时监控图像的反馈结果。
与现有技术相比，本发明首先获取智能零售设备的历史监控信息，提取历史监控信息中的关键帧图片，识别并存储关键帧图片的特征信息，构建智能零售设备的监控模型，基于关键帧图片的特征信息，利用预设训练方法对智能零售设备的监控模型进行训练，得到训练好的智能零售设备的监控模型，捕捉智能零售设备的实时监控图像，并输入训练好的智能零售设备的监控模型，得到实时监控图像的反馈结果，它能够提升对智能零售设备监控的及时性和便捷性。
本申请的又一实施例提供了一种零售安全防护系统，应用于上述任一项所述的一种零售安全防护方法，如图3所示的一种零售安全防护系统的结构示意图，所述系统包括：
获取模块301，用于获取智能零售设备的历史监控信息，提取所述历史监控信息中的关键帧图片，识别并存储所述关键帧图片的特征信息；
构建模块302，用于构建智能零售设备的监控模型；
训练模块303，用于基于所述关键帧图片的特征信息，利用预设训练方法对所述智能零售设备的监控模型进行训练，得到训练好的智能零售设备的监控模型，其中，所述预设训练方法包括神经网络方法；
得到模块304，用于捕捉智能零售设备的实时监控图像，并输入所述训练好的智能零售设备的监控模型，得到所述实时监控图像的反馈结果。
具体的，所述获取模块，包括：
获取单元，用于通过自动与所述智能零售设备的视频监控平台对接，获取5历史监控信息，并通过提取视频流关键帧图像，作为历史监控信息中的关键帧
图片；
设置单元，用于设置关键帧图片的特征信息的存储装置，实现可在设定历史时间范围内，识别并存储所述关键帧图片的特征信息，其中，通过算法对历
史监控信息中的关键帧图片的特征进行识别，算法包括直方图均衡算法及边缘0特征算法。
具体的，所述训练模块，包括：
训练单元，用于从构建的关键帧图片的特征信息数据集中划分出训练集对智能零售设备的监控模型进行训练，并计算损失函数，更新训练网络，得到训练好的智能零售设备的监控模型。
5具体的，所述训练单元，包括：
第一计算子单元，用于根据所述训练集，计算关键帧图片的特征信息的残差函数，并输入至所述智能零售设备的监控模型；
第二计算子单元，用于根据训练模型输出结果，计算损失函数；
优化子单元，用于根据所述损失函数，通过梯度下降方法，优化训练模型0的参数，直至得到训练好的智能零售设备的监控模型。
具体的，所述系统还包括：
警示模块，用于若所述实时监控图像的反馈结果异常，在所述智能零售设备进行报警显示；
验证模块，用于若所述实时监控图像的反馈结果正常，记录当前所述实时5监控图像，并输入所述训练好的智能零售设备的监控模型，验证当前所述实时
监控图像的反馈结果。
与现有技术相比，本发明首先获取智能零售设备的历史监控信息，提取历史监控信息中的关键帧图片，识别并存储关键帧图片的特征信息，构建智能零售设备的监控模型，基于关键帧图片的特征信息，利用预设训练方法对智能零售设备的监控模型进行训练，得到训练好的智能零售设备的监控模型，捕捉智能零售设备的实时监控图像，并输入训练好的智能零售设备的监控模型，得到实时监控图像的反馈结果，它能够提升对智能零售设备监控的及时性和便捷性。
本发明实施例还提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
具体的，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：
S201：获取智能零售设备的历史监控信息，提取所述历史监控信息中的关键帧图片，识别并存储所述关键帧图片的特征信息；
S202：构建智能零售设备的监控模型；
S203：基于所述关键帧图片的特征信息，利用预设训练方法对所述智能零售设备的监控模型进行训练，得到训练好的智能零售设备的监控模型，其中，所述预设训练方法包括神经网络方法；
S204：捕捉智能零售设备的实时监控图像，并输入所述训练好的智能零售设备的监控模型，得到所述实时监控图像的反馈结果。
具体的，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(Read-Only Memory，简称为ROM)、随机存取存储器(Random Access Memory，简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
与现有技术相比，本发明首先获取智能零售设备的历史监控信息，提取历史监控信息中的关键帧图片，识别并存储关键帧图片的特征信息，构建智能零售设备的监控模型，基于关键帧图片的特征信息，利用预设训练方法对智能零售设备的监控模型进行训练，得到训练好的智能零售设备的监控模型，捕捉智能零售设备的实时监控图像，并输入训练好的智能零售设备的监控模型，得到实时监控图像的反馈结果，它能够提升对智能零售设备监控的及时性和便捷性。
本发明实施例还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
具体的，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
具体的，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
S201：获取智能零售设备的历史监控信息，提取所述历史监控信息中的关键帧图片，识别并存储所述关键帧图片的特征信息；
S202：构建智能零售设备的监控模型；
S203：基于所述关键帧图片的特征信息，利用预设训练方法对所述智能零售设备的监控模型进行训练，得到训练好的智能零售设备的监控模型，其中，所述预设训练方法包括神经网络方法；
S204：捕捉智能零售设备的实时监控图像，并输入所述训练好的智能零售设备的监控模型，得到所述实时监控图像的反馈结果。
与现有技术相比，本发明首先获取智能零售设备的历史监控信息，提取历史监控信息中的关键帧图片，识别并存储关键帧图片的特征信息，构建智能零售设备的监控模型，基于关键帧图片的特征信息，利用预设训练方法对智能零售设备的监控模型进行训练，得到训练好的智能零售设备的监控模型，捕捉智能零售设备的实时监控图像，并输入训练好的智能零售设备的监控模型，得到实时监控图像的反馈结果，它能够提升对智能零售设备监控的及时性和便捷性。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽
略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连5接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其
它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者
也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部0单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
5上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售
或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器
中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网0络设备等)执行本发明各个实施例上述方法的全部或部分步骤。而前述的存储
器包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上对本发明实施例进行了详细介绍，本文中应用了具体个例对本发明的5原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方
法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种零售安全防护方法，其特征在于，所述方法包括：
获取智能零售设备的历史监控信息，提取所述历史监控信息中的关键帧图片，识别并存储所述关键帧图片的特征信息；
构建智能零售设备的监控模型；
基于所述关键帧图片的特征信息，利用预设训练方法对所述智能零售设备的监控模型进行训练，得到训练好的智能零售设备的监控模型，其中，所述预设训练方法包括神经网络方法；
捕捉智能零售设备的实时监控图像，并输入所述训练好的智能零售设备的监控模型，得到所述实时监控图像的反馈结果。
2.根据权利要求1所述的方法，其特征在于，所述获取智能零售设备的历史监控信息，提取所述历史监控信息中的关键帧图片，识别并存储所述关键帧图片的特征信息，包括：
通过自动与所述智能零售设备的视频监控平台对接，获取历史监控信息，并通过提取视频流关键帧图像，作为历史监控信息中的关键帧图片；
设置关键帧图片的特征信息的存储装置，实现可在设定历史时间范围内，识别并存储所述关键帧图片的特征信息，其中，通过算法对历史监控信息中的关键帧图片的特征进行识别，算法包括直方图均衡算法及边缘特征算法。
3.根据权利要求1所述的方法，其特征在于，所述智能零售设备的监控模型，包括：图像前处理模块、图像特征模块、图像后处理模块、数据融合模块；
所述图像前处理模块用于对输入的关键帧图片的特征信息数据进行特征提取，获得前处理图像特征；
所述图像特征模块用于针对获得的前处理图像特征，使用注意力机制来获取二者的互注意力特征，并将互注意力特征与相应的前处理图像特征进行拼接，获得混合特征；
所述图像后处理模块用于对所述混合特征进行特征提取，以获得后处理图像特征；
所述数据融合模块用于根据后处理图像特征，获得图像融合特征，并得到监控结果。
4.根据权利要求1所述的方法，其特征在于，所述基于所述关键帧图片的特征信息，利用预设训练方法对所述智能零售设备的监控模型进行训练，得到训练好的智能零售设备的监控模型，包括：
从构建的关键帧图片的特征信息数据集中划分出训练集对智能零售设备的监控模型进行训练，并计算损失函数，更新训练网络，得到训练好的智能零售设备的监控模型。
5.根据权利要求4所述的方法，其特征在于，所述从构建的关键帧图片的特征信息数据集中划分出训练集对智能零售设备的监控模型进行训练，并计算损失函数，更新训练网络，得到训练好的智能零售设备的监控模型，包括：
根据所述训练集，计算关键帧图片的特征信息的残差函数，并输入至所述智能零售设备的监控模型；
根据训练模型输出结果，计算损失函数；
根据所述损失函数，通过梯度下降方法，优化训练模型的参数，直至得到训练好的智能零售设备的监控模型。
6.根据权利要求1所述的方法，其特征在于，所述捕捉智能零售设备的实时监控图像，并输入所述训练好的智能零售设备的监控模型，得到所述实时监控图像的反馈结果之后，所述方法包括：
若所述实时监控图像的反馈结果异常，在所述智能零售设备进行报警显示；
若所述实时监控图像的反馈结果正常，记录当前所述实时监控图像，并输入所述训练好的智能零售设备的监控模型，验证当前所述实时监控图像的反馈结果。
7.一种零售安全防护系统，其特征在于，所述系统包括：
获取模块，用于获取智能零售设备的历史监控信息，提取所述历史监控信息中的关键帧图片，识别并存储所述关键帧图片的特征信息；
构建模块，用于构建智能零售设备的监控模型；
训练模块，用于基于所述关键帧图片的特征信息，利用预设训练方法对所述智能零售设备的监控模型进行训练，得到训练好的智能零售设备的监控模型，其中，所述预设训练方法包括神经网络方法；
得到模块，用于捕捉智能零售设备的实时监控图像，并输入所述训练好的智能零售设备的监控模型，得到所述实时监控图像的反馈结果。
8.根据权利要求7所述的系统，其特征在于，所述获取模块，包括：
获取单元，用于通过自动与所述智能零售设备的视频监控平台对接，获取历史监控信息，并通过提取视频流关键帧图像，作为历史监控信息中的关键帧图片；
设置单元，用于设置关键帧图片的特征信息的存储装置，实现可在设定历史时间范围内，识别并存储所述关键帧图片的特征信息，其中，通过算法对历史监控信息中的关键帧图片的特征进行识别，算法包括直方图均衡算法及边缘特征算法。
9.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至6任一项中所述的方法。
10.一种电子设备，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述权利要求1至6任一项中所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211725089.9A CN115937787A (zh) | 2022-12-30 | 2022-12-30 | 一种零售安全防护方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211725089.9A CN115937787A (zh) | 2022-12-30 | 2022-12-30 | 一种零售安全防护方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115937787A true CN115937787A (zh) | 2023-04-07 |
Family
ID=86652686
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211725089.9A Pending CN115937787A (zh) | 2022-12-30 | 2022-12-30 | 一种零售安全防护方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115937787A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118486075A (zh) * | 2024-05-09 | 2024-08-13 | 深圳市丰宜科技有限公司 | 通过边缘算法识别无人零售异常行为的系统及其方法 |
-
2022
- 2022-12-30 CN CN202211725089.9A patent/CN115937787A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118486075A (zh) * | 2024-05-09 | 2024-08-13 | 深圳市丰宜科技有限公司 | 通过边缘算法识别无人零售异常行为的系统及其方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108229260B (zh) | 一种身份信息核验方法及系统 | |
| CN110020002A (zh) | 事件处理方案的查询方法、装置、设备和计算机存储介质 | |
| WO2021218312A1 (zh) | 业务欺诈识别数据库的构建方法、装置和计算机设备 | |
| CN111931047B (zh) | 基于人工智能的黑产账号检测方法及相关装置 | |
| CN116932919B (zh) | 信息推送方法、装置、电子设备和计算机可读介质 | |
| CN112434178A (zh) | 图像分类方法、装置、电子设备和存储介质 | |
| CN114663871A (zh) | 图像识别方法、训练方法、装置、系统及存储介质 | |
| CN112328657A (zh) | 特征衍生方法、装置、计算机设备及介质 | |
| CN111405475A (zh) | 一种多维感知数据碰撞融合分析方法和装置 | |
| CN115937787A (zh) | 一种零售安全防护方法及系统 | |
| CN111241873A (zh) | 图像翻拍检测方法及其模型的训练方法、支付方法及装置 | |
| CN111951008A (zh) | 一种风险预测方法、装置、电子设备和可读存储介质 | |
| CN115757075A (zh) | 任务异常检测方法、装置、计算机设备及存储介质 | |
| CN111310612A (zh) | 行为督导方法和装置 | |
| CN113435753A (zh) | 高危行业中企业风险判定方法、装置、设备及介质 | |
| CN113077251A (zh) | 一种预付费交易场景下的异常行为监测方法及装置 | |
| CN112256836A (zh) | 记录数据的处理方法、装置和服务器 | |
| CN118295842A (zh) | 交易系统异常事件的数据处理方法、装置和服务器 | |
| CN108364219A (zh) | 一种录单监控方法及终端 | |
| CN111782774A (zh) | 一种问题推荐的方法及装置 | |
| CN115761859A (zh) | 对抗样本的确定方法、装置及计算机可读存储介质 | |
| CN114707420A (zh) | 一种信贷欺诈行为识别方法、装置、设备及存储介质 | |
| CN115048996A (zh) | 质量评估模型训练和使用方法、设备及存储介质 | |
| CN114647653A (zh) | 人脸库更新方法和相关产品 | |
| CN114298715A (zh) | 一种基于自然语言处理技术的反欺诈方法、系统、设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |