CN118486075A - 通过边缘算法识别无人零售异常行为的系统及其方法 - Google Patents
通过边缘算法识别无人零售异常行为的系统及其方法 Download PDFInfo
- Publication number
- CN118486075A CN118486075A CN202410566583.8A CN202410566583A CN118486075A CN 118486075 A CN118486075 A CN 118486075A CN 202410566583 A CN202410566583 A CN 202410566583A CN 118486075 A CN118486075 A CN 118486075A
- Authority
- CN
- China
- Prior art keywords
- unmanned retail
- state
- abnormal
- retail cabinet
- learning model
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 56
- 206010000117 Abnormal behaviour Diseases 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000013136 deep learning model Methods 0.000 claims abstract description 41
- 230000002159 abnormal effect Effects 0.000 claims abstract description 26
- 230000006870 function Effects 0.000 claims description 22
- 238000013528 artificial neural network Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 7
- 238000001514 detection method Methods 0.000 description 10
- 230000005856 abnormality Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005728 strengthening Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种通过边缘算法识别无人零售异常行为的系统及其方法，包括：嵌入式移动设备，用于加载和运行深度学习模型；至少两个摄像头，用于给无人零售柜录像；深度学习模型，用于智能分析录像数据，并定义无人零售柜的状态参数，判断无人零售柜是否存在异常行为；边缘算法，用于评估零售柜状态的异常匹配度；告警模块，用于在检测到异常行为时发出警告。本发明主要是对无人零售柜采集到的录像数据进行分析，通过将AI深度学习的模型加载到嵌入式移动设备，智能分析出零售柜是否存在异常行为，当发现了异常行为可以立即发出警告，快速告知运维人员介入处理，避免零售柜不可用及货损。
Description
技术领域
本发明涉及无人零售柜异常技术领域，特别涉及一种通过边缘算法识别无人零售异常行为的系统及其方法。
背景技术
无人智能零售柜已经走进我们的工作生活中，给我们带来了很大的便利。零售柜通过物联网技术和移动互联网技术为消费者提供便捷服务，具有相对较高的自动化程度。由于其没有人工实时进行维护，在其发生异常或故障时无法立即发现并修复，导致无法为消费者正常提供服务；同时，也会存在货损的行为，给经营企业带来经济损失。主要的异常行为就是消费者在购买完商品后，没有正常关闭零售柜的门。
目前的技术方案是通过判断无人零售柜反馈的门锁状态和分析摄像头录制的视频，并结合人工分析来发现是否存在异常。该方案的不足之处是发现问题存在滞后性，同时要耗费大量人力。依赖人工分析摄像头录制的视频和门锁状态反馈，导致异常行为的发现存在滞后性，并且耗费大量人力资源。此外，一旦零售柜发生故障或异常，无法及时修复，影响服务质量，造成经济损失。
发明内容
针对现有技术存在的问题，本发明提供一种通过边缘算法识别无人零售异常行为的系统及其方法。
本发明提供一种通过边缘算法识别无人零售异常行为的系统，包括：
嵌入式移动设备，用于加载和运行深度学习模型；
至少两个摄像头，用于给无人零售柜录像；
深度学习模型，用于智能分析录像数据，并定义无人零售柜的状态参数，判断无人零售柜是否存在异常行为；
边缘算法，用于评估零售柜状态的异常匹配度；
告警模块，用于在检测到异常行为时发出警告。
优选地，所述深度学习模型是通过Q－Learning算法构件的Q函数神经网络，用于模拟无人零售柜的异常行为识别过程，并通过Q函数神经网络建模进行匹配度更新。
优选地，所述深度学习模型定义无人零售柜的状态参数包括无人零售柜门状态、门开合角度、门内外情况。
优选地，所述边缘算法包括状态评估函数V(s)、匹配度函数Q(s，v)，其中，状态评估函数V(s)用于评估状态s是否存在异常；匹配度函数Q(s，v)，用于判断无人零售柜异常状态匹配度。
优选地，所述深度学习模型还包括策略函数π(s,v)，用于强化状态s对应异常匹配度的学习。
本发明还提供一种通过边缘算法识别无人零售异常行为的方法，包括如下步骤：
步骤S1：构建深度学习模型，并定义无人零售柜的状态参数；
步骤S2：初始化深度学习模型的所有参数；
步骤S3：输入无人零售柜异常状态的数据，训练深度学习模型；
步骤S4：利用边缘算法计算状态匹配度，通过梯度下降法更新神经网络参数；
步骤S5：重复步骤S3和步骤S4，直至模型训练完成，并将模型轻量化后集成到嵌入式移动设备的系统中。
优选地，所述步骤S1中定义无人零售柜的状态参数的具体步骤包括：
S11、零售柜状态定义：Si：S＝(S1,S2,…)；
S12、门状态定义：门是否打开ai：a＝(a1,a2,…)；
S13、门开合角度定义：门开合的各种角度bi：b＝(b1,b2,…)；
S14、门内外情况定义：是否有人购物ci：c＝(c1，c2，…)。
优选地，所述步骤S4的具体步骤包括：
步骤S41：从历史异常数据中随机抽取t批次数据进行训练；
步骤S42：使用Q-Learning算法，通过神经网络建模Q函数，进行TD偏差计算和匹配度更新，其中，D偏差δt＝Q(S，a，b，c；ω)-(γmaxa‘b‘c‘Q(St+1，a′，b′，c′；ω))，匹配度更新 其中St表示t批次零售柜的状态，at为t批次的门状态，bt为t批次的门开合角度，ct为t批次的门内外情况，St+1是下一个状态，γ是匹配度，maxa‘b‘c‘Q(St+1，a′，b′，c′；ω)表示t+1批次的零售柜异常状态最高匹配度，α表示算法更新的学习率，ω是用梯度下降法迭代的神经网络参数。
优选地，所述步骤S5具体步骤包括：通过设置训练和测试轮数，以及每轮的模拟批次M，再对深度学习模型进行训练，最终将训练后的深度学习模型轻量化(lite)后，集成到无人零售柜的嵌入式移动设备的系统中，应用于零售柜异常判断。
采用本发明的技术方案，具有以下有益效果：
本发明主要是对无人零售柜采集到的录像数据进行分析，通过将Al深度学习的模型加载到嵌入式移动设备，智能分析出零售柜是否存在异常行为，当发现了异常行为可以立即发出警告，快速告知运维人员介入处理，避免零售柜不可用及货损。
本发明将使用深度学习边缘算法检测，训练生成自动识别无人零售异常行为的AI模型，再将AI模型轻量化(lite)，使之运行在嵌入式移动设备上。运行AI模型可以自动化实时检测出零售柜是否存在异常，具有高效性的同时又不需要耗费人力资源。
本发明能实时监测与识别：系统能够实时监测无人零售柜的状态，并通过深度学习模型快速识别异常行为，极大提高了响应速度。
本发明能减少人力资源消耗：通过自动化的异常检测机制，减少了对人工监控的依赖，从而降低了人力资源的消耗。
本发明能提高检测准确率：利用Q-Learning算法构建的Q函数神经网络，模拟异常行为识别过程，提高了异常行为检测的准确率。
本发明能降低运营成本：系统能够及时检测并警告异常行为，减少了货损和维修时间，从而降低了整体运营成本。
本发明能优化用户体验：快速准确的异常检测和响应提升了消费者对无人零售柜服务的信任和满意度。
本发明能易于集成与部署：深度学习模型经过轻量化处理后，易于集成到现有的无人零售柜系统中，无需大规模改造。
本发明能持续性能提升：系统具备自学习和自适应的能力，能够不断从新的数据中学习，持续提升性能。
附图说明
图1为本发明方法流程示意图；
图2为本发明Q函数神经网络算法流程图。
具体实施方式
以下结合附图和具体实施例，对本发明进一步说明。
参照图1至图2，本发明提供一种通过边缘算法识别无人零售异常行为的系统，包括：
嵌入式移动设备，用于加载和运行深度学习模型，负责加载和运行深度学习模型，处理从摄像头获取的数据，并执行异常行为的识别任务；嵌入式移动设备负责加载深度学习模型，该模型是预先训练好的，能够识别无人零售柜的异常行为，具备足够的计算能力来实时运行深度学习模型，处理从摄像头传来的视频数据；嵌入式移动设备需要处理和分析大量的数据，这些数据由摄像头收集而来，包括视频流和相关的环境信息；算法执行：执行Q－Learning等算法，通过神经网络对Q函数进行建模，实时更新匹配度，强化学习过程；异常检测：基于深度学习模型的输出，嵌入式移动设备能够判断无人零售柜是否存在异常行为；告警系统集成：一旦检测到异常行为，嵌入式移动设备将触发告警模块，发出警告信号。轻量化模型集成：嵌入式设备还需要支持轻量化的深度学习模型，这些模型经过优化以减少对计算资源的需求，适合在嵌入式系统中运行。在无人零售柜的场景中，嵌入式移动设备是实现自动化、智能化监控的关键技术组件，它通过深度学习算法提升系统的自动化程度，减少人工干预，提高异常行为识别的准确率和响应速度。
至少两个摄像头，该摄像头安装在无人零售柜上，用于给无人零售柜录像；该摄像头具备录像采集：摄像头负责录制无人零售柜的实时视频，提供视觉数据供深度学习模型分析；数据输入：作为输入设备，摄像头为系统提供必要的视觉信息，是实现异常行为识别的基础；环境监控：摄像头能够监控零售柜的门状态、顾客行为等，有助于捕捉异常事件；多角度覆盖：至少两个摄像头可以提供更全面的视角，减少监控盲区；实时传输：摄像头需要实时传输视频数据到嵌入式移动设备进行处理；图像质量：确保录制的视频具有足够的分辨率和帧率，以便于深度学习模型准确分析。
深度学习模型，用于智能分析录像数据，并定义无人零售柜的状态参数，判断无人零售柜是否存在异常行为；深度学习模型能进行智能分析：深度学习模型能够处理摄像头收集的录像数据，识别出视频中的关键信息；具备状态参数定义：模型定义了无人零售柜的多种状态参数，如门的开合状态、角度以及门内外情况是否有人正在购物等；具备异常行为识别：通过分析状态参数，模型能够判断零售柜的使用是否存在异常行为，如未正常关闭门等；具备实时反馈：模型能够实时提供分析结果，对于检测到的异常行为迅速给出反馈；具备自学习与优化：深度学习模型具有自我学习和优化的能力，能够根据新的数据不断调整和提高其准确性。轻量化处理：为了适应嵌入式移动设备的计算能力，模型需要经过轻量化处理，以减少资源消耗。
边缘算法，用于评估零售柜状态的异常匹配度，边缘算法能进行状态评估：边缘算法接收来自深度学习模型的状态参数，如零售柜的门状态、门开合角度、门内外情况等，并对其进行评估。能进行异常匹配度计算：算法通过预定义的规则或学习到的模式，计算当前状态与异常行为之间的匹配度；能实时反馈：边缘算法能够提供快速的反馈，对于评估结果表明的潜在异常行为，可以立即触发告警模块。资源优化：由于边缘算法在本地设备上运行，有助于减少对中心化数据中心的依赖，节省网络带宽和降低延迟。持续学习：边缘算法可以设计为能够根据新的数据不断学习和适应，以提高其准确性和效率。
告警模块，用于在检测到异常行为时发出警告，告警模块能进行实时告警：一旦深度学习模型和边缘算法检测到异常行为，告警模块会立即发出警告，通知运维人员，告警模块可以通过声音、光线、短信、邮件或应用程序通知等方式，提醒运维人员进行检查和处理；在某些情况下，告警模块可能与安全系统联动，自动触发门禁锁定、录像保存或其他安全措施，记录异常事件：告警模块会记录所有异常行为的详细信息，包括时间、状态参数和告警类型，以便于事后分析和审计；可配置性：告警模块可以根据不同的需求和安全策略进行配置，以确定何时以及如何发出告警。
进一步的，所述深度学习模型是通过Q－Learning算法构件的Q函数神经网络，用于模拟无人零售柜的异常行为识别过程，并通过Q函数神经网络建模进行匹配度更新。提高识别准确性：Q－Learning算法作为一种强化学习方法，能够使模型通过与环境的交互自主学习最优策略，从而提高异常行为的识别准确性。增强自适应能力：Q函数神经网络能够根据实时反馈不断更新匹配度，使得系统能够适应不同的操作条件和环境变化，增强系统的自适应能力；Q函数神经网络在嵌入式移动设备上的运行，优化了计算资源的利用，使得系统能够在资源受限的环境下高效运行；随着时间的推移和数据的积累，Q函数神经网络能够持续学习和优化，不断提升系统的整体性能；准确的匹配度更新机制有助于减少误报，避免不必要的运维干预，提高系统的实用性；通过快速准确地识别和响应异常行为，系统能够提高用户满意度，增强消费者对无人零售柜服务的信任。
进一步的，所述边缘算法包括状态评估函数V(s)、匹配度函数Q(s，v)，其中，状态评估函数V(s)用于评估状态s是否存在异常，这涉及到分析零售柜的门状态、门开合角度、门内外情况等参数，能够提供实时反馈，快速判断状态是否正常，从而减少系统响应延迟；通过精确评估，有助于提高异常检测的准确率，减少误报和漏报；匹配度函数Q(s，v)，用于判断无人零售柜异常状态匹配度，提供的匹配度评分可以辅助系统做出是否采取行动(如发出告警)的决策，匹配度函数可以随着系统运行和数据积累不断学习和适应，优化其匹配度评分的准确性。
本实施例中边缘算法能提高检测效率：边缘算法可以快速处理状态数据，提高异常行为检测的效率；降低误报率：准确的状态评估和匹配度判断有助于减少误报，避免不必要的干扰；增强系统可靠性：通过边缘算法的实时监控和评估，增强了系统的可靠性和稳定性；减少资源消耗：边缘算法在本地设备上运行，减少了对中心服务器的依赖，降低了网络带宽和计算资源的消耗；提升用户体验：快速准确的异常检测和响应提升了用户对无人零售柜服务的满意度；数据驱动的决策：边缘算法提供的数据驱动的决策支持，有助于运维人员更有效地管理和维护无人零售柜。
本发明还提供一种通过边缘算法识别无人零售异常行为的方法，其特征在于，包括如下步骤：
步骤S1：构建深度学习模型，并定义无人零售柜的状态参数；
步骤S2：初始化深度学习模型的所有参数；
步骤S3：输入无人零售柜异常状态的数据，训练深度学习模型；
步骤S4：利用边缘算法计算状态匹配度，通过梯度下降法更新神经网络参数；
S5：重复步骤S3和步骤S4，直至模型训练完成，并将模型轻量化后集成到嵌入式移动设备的系统中。
7、根据权利要求1所述的，其特征在于，所述步骤S1中定义无人零售柜的状态参数的具体步骤包括：
S11、零售柜状态定义：Si：S＝(S1，S2，…)；
S12、门状态定义：门是否打开ai：a＝(a1，a2，…)；
S13、门开合角度定义：门开合的各种角度bi：b＝(b1，b2，…)；
S14、门内外情况定义：是否有人购物ci：c＝(c1，c2，…)。
所述步骤S4的具体步骤包括：步骤S41：从历史异常数据中随机抽取t批次数据进行训练；首先从历史异常数据中随机抽t个批次数据，假设数据池有T个批次数据，则随机从1-T无放回抽样t个整数，对应的批次号为后续训练的数据；
步骤S42：使用Q-Learning算法，通过神经网络建模Q函数，进行TD偏差计算和匹配度更新，其中，D偏差δt＝Q(S，a，b，c；ω)-(γmaxa‘b‘c‘Q(St+1，a′，b′，c′；ω))，匹配度更新 其中St表示t批次零售柜的状态，at为t批次的门状态，bt为t批次的门开合角度，ct为t批次的门内外情况，St+1是下一个状态，γ是匹配度，maxa‘b‘c‘Q(St+1，a′，b′，c′；ω)表示t+1批次的零售柜异常状态最高匹配度，α表示算法更新的学习率，ω是用梯度下降法迭代的神经网络参数。
所述步骤S5具体步骤包括：通过设置训练和测试轮数，以及每轮的模拟批次M，再对深度学习模型进行训练，最终将训练后的深度学习模型轻量化(lite)后，集成到无人零售柜的嵌入式移动设备的系统中，应用于零售柜异常判断。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。
Claims (9)
1.一种通过边缘算法识别无人零售异常行为的系统，其特征在于，包括：
嵌入式移动设备，用于加载和运行深度学习模型；
至少两个摄像头，用于给无人零售柜录像；
深度学习模型，用于智能分析录像数据，并定义无人零售柜的状态参数，判断无人零售柜是否存在异常行为；
边缘算法，用于评估零售柜状态的异常匹配度；
告警模块，用于在检测到异常行为时发出警告。
2.根据权利要求1所述的通过边缘算法识别无人零售异常行为的系统，其特征在于，所述深度学习模型是通过Q－Learning算法构件的Q函数神经网络，用于模拟无人零售柜的异常行为识别过程，并通过Q函数神经网络建模进行匹配度更新。
3.根据权利要求2所述的通过边缘算法识别无人零售异常行为的系统，其特征在于，所述深度学习模型定义无人零售柜的状态参数包括无人零售柜门状态、门开合角度、门内外情况。
4.根据权利要求1所述的通过边缘算法识别无人零售异常行为的系统，其特征在于，所述边缘算法包括状态评估函数V(s)、匹配度函数Q(s，v)，其中，状态评估函数V(s)用于评估状态s是否存在异常；匹配度函数Q(s，v)，用于判断无人零售柜异常状态匹配度。
5.根据权利要求3所述的通过边缘算法识别无人零售异常行为的系统，其特征在于，所述深度学习模型还包括策略函数π(s,v)，用于强化状态s对应异常匹配度的学习。
6.一种通过边缘算法识别无人零售异常行为的方法，其特征在于，包括如下步骤：
步骤S1：构建深度学习模型，并定义无人零售柜的状态参数；
步骤S2：初始化深度学习模型的所有参数；
步骤S3：输入无人零售柜异常状态的数据，训练深度学习模型；
步骤S4：利用边缘算法计算状态匹配度，通过梯度下降法更新神经网络参数；
步骤S5：重复步骤S3和步骤S4，直至模型训练完成，并将模型轻量化后集成到嵌入式移动设备的系统中。
7.根据权利要求6所述的通过边缘算法识别无人零售异常行为的方法，其特征在于，所述步骤S1中定义无人零售柜的状态参数的具体步骤包括：
S11、零售柜状态定义：Si：S＝(S1,S2,…)；
S12、门状态定义：门是否打开ai：a＝(a1,a2,…)；
S13、门开合角度定义：门开合的各种角度bi：b＝(b1,b2,…)；
S14、门内外情况定义：是否有人购物ci：c＝(c1,c2,…)。
8.根据权利要求6所述的通过边缘算法识别无人零售异常行为的方法，其特征在于，所述步骤S4的具体步骤包括：
步骤S41：从历史异常数据中随机抽取t批次数据进行训练；
步骤S42：使用Q－Learning算法，通过神经网络建模Q函数，进行TD偏差计算和匹配度更新，其中，D偏差δt＝Q(S,a,b,c；ω)-(γmaxa‘b‘c‘Q(St+1,a′,b′,c′；ω))，匹配度更新 其中St表示t批次零售柜的状态，at为t批次的门状态，bt为t批次的门开合角度，ct为t批次的门内外情况，St+1是下一个状态，γ是匹配度，maxa‘b‘c‘Q(St+1,a′,b′,c′；ω)表示t+1批次的零售柜异常状态最高匹配度，α表示算法更新的学习率，ω是用梯度下降法迭代的神经网络参数。
9.根据权利要求6所述的通过边缘算法识别无人零售异常行为的方法，其特征在于，所述步骤S5具体步骤包括：通过设置训练和测试轮数，以及每轮的模拟批次M，再对深度学习模型进行训练，最终将训练后的深度学习模型轻量化(lite)后，集成到无人零售柜的嵌入式移动设备的系统中，应用于零售柜异常判断。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410566583.8A CN118486075A (zh) | 2024-05-09 | 2024-05-09 | 通过边缘算法识别无人零售异常行为的系统及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410566583.8A CN118486075A (zh) | 2024-05-09 | 2024-05-09 | 通过边缘算法识别无人零售异常行为的系统及其方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118486075A true CN118486075A (zh) | 2024-08-13 |
Family
ID=92195733
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410566583.8A Pending CN118486075A (zh) | 2024-05-09 | 2024-05-09 | 通过边缘算法识别无人零售异常行为的系统及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118486075A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019001363A1 (zh) * | 2017-06-30 | 2019-01-03 | 阿里巴巴集团控股有限公司 | 实体店铺应用系统、用户信息处理方法及装置 |
| CN110147723A (zh) * | 2019-04-11 | 2019-08-20 | 苏宁云计算有限公司 | 一种无人店中顾客异常行为的处理方法及系统 |
| CN115311450A (zh) * | 2022-07-26 | 2022-11-08 | 中国海洋大学 | 轻量化商品识别追踪系统、方法、存储介质、设备、终端 |
| CN115937787A (zh) * | 2022-12-30 | 2023-04-07 | 浙江星星冷链集成股份有限公司 | 一种零售安全防护方法及系统 |
-
2024
- 2024-05-09 CN CN202410566583.8A patent/CN118486075A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019001363A1 (zh) * | 2017-06-30 | 2019-01-03 | 阿里巴巴集团控股有限公司 | 实体店铺应用系统、用户信息处理方法及装置 |
| CN110147723A (zh) * | 2019-04-11 | 2019-08-20 | 苏宁云计算有限公司 | 一种无人店中顾客异常行为的处理方法及系统 |
| CN115311450A (zh) * | 2022-07-26 | 2022-11-08 | 中国海洋大学 | 轻量化商品识别追踪系统、方法、存储介质、设备、终端 |
| CN115937787A (zh) * | 2022-12-30 | 2023-04-07 | 浙江星星冷链集成股份有限公司 | 一种零售安全防护方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107402921B (zh) | 识别用户行为的事件时序数据处理方法、装置及系统 | |
| CN101795395B (zh) | 一种人群态势监控系统及方法 | |
| CN118072255B (zh) | 一种智慧园区多源数据动态监控和实时分析系统及方法 | |
| CN113077172A (zh) | 一种设备状态趋势分析及故障诊断方法 | |
| CN116720752A (zh) | 基于大数据的装配式建筑质量信息监管系统 | |
| CN116629465B (zh) | 智能电网视频监控与风险预测响应系统 | |
| CN117235443A (zh) | 一种基于边缘ai的电力作业安全监测方法及系统 | |
| CN116862740A (zh) | 一种基于互联网的智能监狱管控系统 | |
| CN117035419B (zh) | 企业项目实施智能管理系统及方法 | |
| CN116560326B (zh) | 一种智慧工厂管理平台 | |
| CN115060312A (zh) | 一种基于人工智能的建筑材料安全监测系统 | |
| CN211184122U (zh) | 铁路作业安全防控和大客流预警联动的智能视频分析系统 | |
| CN118486152B (zh) | 安防告警信息数据交互系统及方法 | |
| CN118096131B (zh) | 一种基于电力场景模型的运维巡检方法 | |
| CN118486075A (zh) | 通过边缘算法识别无人零售异常行为的系统及其方法 | |
| CN113240864A (zh) | 一种洗车机智能管理系统及方法 | |
| CN117635321B (zh) | 融资授信二手车车辆智能风控监管系统及方法 | |
| Hill et al. | An Introduction to Industrial Analytics | |
| CN118293988B (zh) | 基于物联网感知的环境站房设备运行状态监测系统及方法 | |
| CN118384466B (zh) | 一种基于物联网的隧道智能消防系统 | |
| CN118506341A (zh) | 一种无人值守的过磅管理系统及方法 | |
| CN111754054A (zh) | 基于主动感知的智慧安全管理平台、方法、介质及设备 | |
| CN118410442A (zh) | 一种基于工业互联网标识解析的供应链管理方法 | |
| CN118863376A (zh) | 一种企业安全隐患排查方法和系统 | |
| KR20240063347A (ko) | 앙상블 러닝과 칼만 필터를 이용한 스마트 공장의 이상 징후 예측 시스템 및 그 방법 |
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 |