Apr, 2022

MINSU（移动库存条码扫描仪）：计算机视觉和人工智能

PDF
TL;DRMINSU 算法使用计算机视觉分析方法记录柜子的剩余数量 / 充满度。输入图像经过目标检测、前景减法、K-means 聚类、百分比估计和计数等五步处理，可以准确地估算柜子内的材料数量，从而解决前文提到的剩余量管理问题。
minsu algorithmcomputational vision analysisobject detectionk-means clusteringpercentage estimation
发现论文，激发创造
  • Unitail: 零售场景下的检测、阅读和匹配

    介绍了 United Retail 数据集（Unitail），该数据集可用于检测、阅读和匹配产品，并提供了产品检测器和基于 OCR 的匹配方案。

    Apr, 2022

  • VISTA: 基于 Vision Transformer、U-Net 和图像色度滤波的自动零售结账系统

    针对自动零售结账场景中存在的物品重叠、物品外观相似等问题，本文提出了一种基于多分类的物品计数和识别方法，采用 ViT 进行分类，采用图像分割和熵掩蔽解决域偏差问题，并使用多种图像处理方法找到目标对象的帧，最终在 AI 城市挑战赛 2022 第四赛道中获得了第三名。

    Apr, 2022

  • 基于多传感器的智能手机食物体积估计

    本文提出了一种名为 MUSEFood 的新方法，利用智能手机的摄像头、麦克风和扬声器结合多任务学习框架，旨在解决估算食物容量准确度差的问题。实验证明，MUSEFood 可以高效地估算食物容量并具有比现有方法更好的性能。

    Mar, 2019

  • 多传感器数据融合用于自动化昆虫监测 (KInsecta)

    通过多传感器、基于人工智能的数据融合方法，本文提出了一种低成本配置的昆虫分类系统，可用于系统性监测昆虫种群、支持生物多样性与农业研究。

    Apr, 2024

  • 昆虫分类的低成本机器视觉

    在环境可持续性领域，保护昆虫的数量和多样性是我们社会最重要的目标之一。本研究提出了一种图像方法作为多传感器系统的一部分，该系统是适应传统捕捉器类型的低成本、可扩展、开源系统。研究结果证明，重新训练后的标准 CNN 架构（如 ResNet50 和 MobileNet）在昆虫分类预测任务中表现非常出色，达到了超过 96％的分类准确率。此外，证明了昆虫图像裁剪对于具有高间类相似性的物种分类是必要的。

    Apr, 2024

  • 一个高效智能的半自动化仓库盘点系统

    在不断发展的供应链管理背景下，高效的库存管理对企业的重要性显著增加。这项研究引入了一种智能库存管理系统，以解决与不准确数据、延迟监测和过度依赖主观经验的预测相关的挑战。通过条形码和分布式应用技术的智能感知，结合全面的大数据分析，使数据驱动的决策成为可能。该系统通过细致的分析、系统设计、关键技术探索和仿真验证成功地展示了提议系统的有效性。该智能系统实现了二级监控、高频检查和人工智能驱动的预测，从而增强了库存管理的自动化、精确性和智能化。该系统通过准确的预测和明智决策，有助于降低成本和优化库存规模，最终实现了互利互惠的局面。本研究的结果提供了相关研究领域的有益信息。

    Sep, 2023

  • 基于半自动计算机视觉的多个工业实体的跟踪 -- 框架和数据集创建方法

    介绍了 TOMIE 框架，用于连续跟踪工业实体（例如托盘、箱子、桶）的位置，包括多种传感器和数据处理算法，这个框架已被应用于工业中采集数据集，名为 TOMIE 数据集，并使用三种跟踪算法赋予实验证明，结果与同类数据集相比有所改善。

    Apr, 2023

  • 自动托盘装载任务的包装单元检测

    对于各种自动化托盘任务，检测包装单元是在实际处理包装单元之前的一个关键步骤。我们提出了一种方法来解决这个具有挑战性的问题，该方法完全依靠合成生成的数据进行训练，可以稳健地应用于任意真实世界的包装单元，无需进一步的训练或设置工作。所提出的方法能够处理稀疏且质量低的传感器数据，如果有先前知识可用，还可以利用先前知识，并且对各种产品和应用场景具有很好的泛化能力。为了证明我们方法的实际用途，我们对不同种类的零售产品进行了广泛的实证评估。此外，我们将我们的方法集成到了一个实验室演示器中，并且通过一个工业合作伙伴将其推向市场。

    Aug, 2023

  • 食物量估计：勺子上的食物部分

    利用用户面向的相机跟踪餐具上的食物项目来估计膳食摄入量，无需改变拍摄角度，可作为非侵入性、用户友好且高度准确的膳食摄入监测工具。

    May, 2024

  • 密集场景中的精准检测

    本研究提出一种基于深度学习的物体精确检测方法，使用 Jaccard 指数作为检测质量分数，通过 EM 合并单元来解决重叠物体的问题，并在 SKU-110K 上表现良好，实验结果显示优于现有的最先进方法。

    Apr, 2019