物品识别方法、装置、设备及存储介质与流程

阅读：评论：0

1.本技术实施例涉及图像处理技术领域，尤其涉及一种物品识别方法、装置、设备及存储介质。

背景技术：

2.随着模式识别技术的发展和进步，各类商场超市等销售企业都引入了智能扫码装置，利用此类装置，商户端可以便捷的实现商品条形码扫描、货款计算以及结算记账等功能，许多扫码装置还能支持用户自助扫码，从而减少需要的收银员数量，方便用户操作。但目前较为常用的扫码装置仅支持对商品条形码及二维码进行识别，收银支付效率有待提升，特别是很多商品识别码不易发现，识别效果较差，客流高峰期客户往往需要等待较长时间，或依靠工作人员辅助，实际上并没有起到便捷使用的效果。

技术实现要素：

3.本技术实施例提供了一种物品识别方法、装置、设备及存储介质，以解决现有技术中扫码装置扫码收款时扫描识别效果较差的问题。
4.第一方面，本技术实施例提供了一种物品识别方法，物品识别方法包括：
5.响应于采集到的物品点云数据，对点云数据进行至少两次降噪采样处理；
6.将降噪采样处理后的点云数据输入到预先训练的神经网络模型中，输出点云数据对应的物品种类评分，神经网络模型中包括相互连接的多层感知网络和最大池化层；
7.基于物品种类评分，确定物品对应的种类信息。
8.可选地，响应于采集到的物品点云数据，对点云数据进行至少两次降噪采样处理，包括：响应于采集到的物品点云数据，基于高斯统计降噪算法，对点云数据进行第一次降噪采样处理；基于质心下采样算法，对第一次降噪采样处理后的点云数据进行第二次降噪采样处理；基于随机抽样算法和设定的点云数量，对第二次降噪采样处理后的点云数据进行第三次降噪采样处理。
9.可选地，响应于采集到的物品点云数据，对点云数据进行至少两次降噪采样处理之后，还包括：对降噪采样处理后的点云数据进行空间变换处理，得到点云数据对应矩阵，点云数据对应矩阵用于输入到预先训练的神经网络模型中。
10.可选地，将降噪采样处理后的点云数据输入到预先训练的神经网络模型中，输出点云数据对应的物品种类评分，包括：将降噪采样处理后的点云数据输入到神经网络模型的多层感知网络中，输出点云数据对应的特征数据，多层感知网络中的每一层间的参数相互共享；将特征数据输入到神经网络模型的最大池化层，输出特征数据对应的全局特征；将全局特征输入到神经网络模型的全连接层，输出全局特征对应物品种类评分。
11.可选地，多层感知网络有两层，且分别包含1024个1
×
3的卷积子和512个1
×
1的卷积子。
12.可选地，神经网络模型通过如下方式训练得到：获取用于模型训练的点云数据；对
点云数据添加噪声模拟处理，得到包含噪声的点云数据；将包含噪声的点云数据作为训练数据，输入到神经网络模型中，进行训练。
13.可选地，响应于采集到的物品点云数据，对点云数据进行至少两次降噪采样处理之前，还包括：通过即时定位与建模算法，采集物品的点云数据。
14.第二方面，本技术实施例提供了一种物品识别装置，该物品识别装置包括：
15.采样模块，用于响应于采集到的物品点云数据，对点云数据进行降噪采样处理；
16.识别模块，用于将降噪采样处理后的点云数据输入到预先训练的神经网络模型中，输出点云数据对应的物品种类评分；
17.输出模块，用于基于物品种类评分，确定物品对应的种类信息。
18.可选地，采样模块具体用于，响应于采集到的物品点云数据，基于高斯统计降噪算法，对点云数据进行第一次降噪采样处理；基于质心下采样算法，对第一次降噪采样处理后的点云数据进行第二次降噪采样处理；基于随机抽样算法和设定的点云数量，对第二次降噪采样处理后的点云数据进行第三次降噪采样处理。
19.可选地，采样模块还用于，在响应于采集到的物品点云数据，对点云数据进行至少两次降噪采样处理之后，对降噪采样处理后的点云数据进行空间变换处理，得到点云数据对应矩阵，点云数据对应矩阵用于输入到预先训练的神经网络模型中。
20.可选地，识别模块具体用于，将降噪采样处理后的点云数据输入到神经网络模型的多层感知网络中，输出点云数据对应的特征数据，多层感知网络中的每一层间的参数相互共享；将特征数据输入到神经网络模型的最大池化层，输出特征数据对应的全局特征；将全局特征输入到神经网络模型的全连接层，输出全局特征对应物品种类评分。
21.可选地，识别模块具体包括，多层感知网络有两层，且分别包含1024个1
×
3的卷积子和512个1
×
1的卷积子。
22.可选地，识别模块具体用于，通过如下方式训练得到神经网络模型：获取用于模型训练的点云数据；对点云数据添加噪声模拟处理，得到包含噪声的点云数据；将包含噪声的点云数据作为训练数据，输入到神经网络模型中，进行训练。
23.可选地，采样模块还用于，响应于采集到的物品点云数据，对点云数据进行至少两次降噪采样处理之前，通过即时定位与建模算法，采集物品的点云数据。
24.第三方面，本技术实施例还提供了一种控制设备，该控制设备包括：
25.至少一个处理器；
26.以及与至少一个处理器通信连接的存储器；
27.其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使控制设备执行如本技术实施例第一方面中任一实施例对应的物品识别方法。
28.第四方面，本技术实施例还提供了一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现如本技术实施例第一方面任一的物品识别方法。
29.本技术实施例提供的物品识别方法、装置、设备及存储介质，通过响应于采集到的物品点云数据，对点云数据进行至少两次降噪采样处理；将降噪采样处理后的点云数据输入到预先训练的神经网络模型中，输出点云数据对应的物品种类评分，再基于物品种类评分，确定物品对应的种类信息。由此，通过多次降噪采样处理，降低在物品识别过程中由于
常用扫码装置的图形传感器分辨率低或器材热效应产生的离点对分类任务带来的影响，提高检测的准确性，同时针对常用扫码装置内存容量较小的问题，通过多次采样，还能减小点云模型数据体量，从而降低设备要求。再通过多层感知网络与最大池化层结合，使神经网络模型在计算过程中保持较低的参数数量，提升运算速度，提升了识别效率。
附图说明
30.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
31.图1为本技术实施例提供的物品识别方法的一种应用场景图；
32.图2为本技术实施例一个实施例提供的物品识别方法的流程图；
33.图3a为本技术实施例又一个实施例提供的物品识别方法的流程图；
34.图3b为图3a所示实施例中的确定对应字段对应的主题域的流程图；
35.图3c为图3a所示实施例中的神经网络模型的训练方法流程图；
36.图4为本技术实施例又一个实施例提供的物品识别装置的结构示意图；
37.图5为本技术实施例又一个实施例提供的控制设备的结构示意图。
38.通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
39.下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式仅是与如所附权利要求书中所详述的、本技术实施例的一些方面相一致的装置和方法的例子。
40.下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本技术实施例的实施例进行描述。
41.随着模式识别技术的发展和进步，各类商场超市等销售企业都引入了智能扫码装置，利用此类装置，商户端可以便捷的实现商品条形码扫描、货款计算以及结算记账等功能，许多扫码装置还能支持用户自助扫码，从而减少需要的收银员数量，方便用户操作。但目前较为常用的扫码装置仅支持对商品条形码及二维码进行识别，收银支付效率有待提升，特别是很多商品条形码不易发现，或模糊不清，识别效果较差，扫码装置经常需要多次扫描或较长时间的处理，才能识别出对应商品类别，且容易出现识别错误或无法识别的情况，导致客流高峰期客户往往需要等待较长时间，或依靠工作人员辅助才能完成识别并付款的效果，实际上并没有起到便捷使用的效果。
42.为了解决这一问题，本公开实施例提供一种物品识别方法，通过对扫码得到的图片进行多次降噪处理，提高识别准确性，降低运算难度，提高计算效率，从而提高物品识别的效率。
43.下面对本公开实施例的应用场景进行解释：
44.图1为本公开实施例提供的物品识别方法的一种应用场景图。如图1所示，扫描装置100通过拍摄物品110上的识别码，并传输到处理器120，以确定其对应的商品类别，以完
成识别过程和后续收款过程。
45.需说明的是，图1所示场景中扫描装置、物品和处理器仅以一个为例进行示例说明，但本技术实施例不以此为限制，也就是说，扫描装置、物品和处理器的个数可以是任意的。
46.以下通过具体实施例详细说明本技术实施例提供的物品识别方法。需要说明的是，下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。
47.图2为本公开一个实施例提供的物品识别方法的流程图。该物品识别方法应用于处理器。如图2所示，本实施例提供的物品识别方法包括以下步骤：
48.步骤s201、响应于采集到的物品点云数据，对点云数据进行至少两次降噪采样处理。
49.具体的，点云数据通过扫码装置拍摄，再由处理器通过对拍摄得到的数据进行处理，提取其中的点云得到。
50.具体提取点云数据的方法可以采用现有任意基于拍照生成点云数据的方法，由于其并非本方案保护重点，此处不再赘述。
51.进一步地，由于拍摄的图片很多时候由消费者自助拍摄，拍摄效果不佳，且拍摄设备的质量一般，因此，得到的点云数据可能包含很多噪点，进而影响识别准确性。因此，需要先对提取的点云数据进行降噪处理，减少或消除其中的噪点。
52.而且，现有技术得到的点云数据通常较为稠密，数据量较大，导致在处理器识别时，需要较大的计算量，才能完成对这些数据的处理，使得扫码装置扫码识别的效率进一步降低。
53.因此，本方案通过多次降噪和采样，极大减少需要处理的点云数据的数据量，从而显著提高处理效率。
54.步骤s202、将降噪采样处理后的点云数据输入到预先训练的神经网络模型中，输出点云数据对应的物品种类评分。
55.其中，神经网络模型中包括相互连接的多层感知网络和最大池化层。
56.具体的，本方案提供的神经网络模型为用于基于点云数据识别其对应商品种类的卷积神经网络。
57.进一步地，实际训练时可能得到的是商品种类对应的代码，即对应的物品种类评分，通过物品种类评分可以转换为对应商品类别编码，如条形码对应的数字序列，或二维码对应的字符串序列，服务器或处理器能够基于该代码通过查询数据库记录确定。
58.通过使用多层感知网络，提升首层特征提取层节点数，从而能够减少神经网络的层数，进而减少整体计算量，并提高识别效率。
59.通过使用最大池化层，能够利用其对点云输入顺序不敏感的特点，保证输出结果的稳定性和可靠性。
60.通过最大池化层与多层感知网络配合，保证神经网络模型识别结果准确性的同时，减少计算量，提高识别效率。
61.步骤s203、基于物品种类评分，确定物品对应的种类信息。
62.具体的，通过得到的物品种类评分查询服务器或数据库，即可确定物品的种类信
息，包括物品的种类和物品的具体编号或编码，如商品的数字条码或检验通过码等。
63.示例性的，物品种类评分为1.123456，通过查询数据库，可以快速确定其为第1大类数字码为1234的某类物品，且在该类物品中的编号为56，由此，能够根据物品种类评分，快速确定对应物品的种类信息。
64.本公开实施例提供的物品识别方法，通过响应于采集到的物品点云数据，对点云数据进行至少两次降噪采样处理；将降噪采样处理后的点云数据输入到预先训练的神经网络模型中，输出点云数据对应的物品种类评分，再基于物品种类评分，确定物品对应的种类信息。由此，通过多次降噪采样处理，降低在物品识别过程中由于常用扫码装置的图形传感器分辨率低或器材热效应产生的离点对分类任务带来的影响，提高检测的准确性，同时针对常用扫码装置内存容量较小的问题，通过多次采样，还能减小点云模型数据体量，从而降低设备要求。再通过多层感知网络与最大池化层结合，使神经网络模型在计算过程中保持较低的参数数量，提升运算速度，提升了识别效率。
65.图3a为本公开一个实施例提供的物品识别方法的流程图。如图3a所示，本实施例提供的物品识别方法包括以下步骤：
66.步骤s301、通过即时定位与建模算法，采集物品的点云数据。
67.具体的，扫描装置可以通过点云识别算法来采集物品的点云数据，在本实施例中所用的点云识别算法为即时定位与建模算法，即slam算法(simultaneous localization and mapping，又叫同时定位与地图构建算法)，由于该算法占用内存压力较小，而在扫描装置所应用的支付结算场景中的设备均具有内存较小、处理能力有限的特点，因此，通过该算法能够方便的获取拍摄到的物品对应的点云数据，同时保证采集效率。
68.步骤s302、响应于采集到的物品点云数据，基于高斯统计降噪算法，对点云数据进行第一次降噪采样处理。
69.具体的，由于大部分应用中的扫描装置通常仅配备了分辨率较低的图像传感器及处理能力较低的图像处理器，无法达到实验室级别的理想识别准确率和速度，且受元器件性能瓶颈与热噪声等因素的影响，利用常用的点云获取算法获取的点云数据往往包含有大量的离噪点，因此，需要对这些点云数据进行降噪处理。
70.一些实施例中，降噪采样处理可以采用现有pcl点云库技术中提供的采样方法。
71.其中，高斯统计滤噪算法通过统计每个点的k近邻距离，并计算高斯统计均值和标准差，通过对细节的要求程度调整标准差乘数，就可以得到一个普适性的滤噪模块。
72.示例性的，高斯统计滤噪算法的计算过程包括如下步骤：
73.步骤一(未示出)、首先对每个点进行k紧邻分析，计算出每个点与其最近的k个紧邻点的平均距离。
[0074][0075]
式中，da代表某个点与k个近邻的平均距离；k为设置要统计的近邻数量；di表示对该点与其第i个邻居的距离。
[0076]
步骤二(未示出)、对点云中的每个点的k近邻平均距离进行统计，统计结果符合高斯分布，计算高斯分布的平均值d
p
和标准差s，公式如下：
[0077][0078][0079]
以上公式可以分别对包含n个点的点云模型统计高斯平均距离和标准差，其中，d
aj
表示第j个点的近邻平均距离。
[0080]
步骤三(未示出)、计算离点的判定阈值d：
[0081]
d＝d
p
+λ*s，
[0082]
式中，λ表示标准差乘数，这个数值可以根据需要设置。数值越小，筛选得到的点云数据越少，一般可以设置为1。
[0083]
步骤四(未示出)、查k近邻平均距离大于阈值的点，并去除这些点。
[0084]
由此，能够显著减少采集的点云数据中的噪点数据。
[0085]
一些实施例中，除高斯统计降噪算法，也可以采用pcl点云库提供的其他离点过滤算法，如半径滤噪算法、双边滤噪算法，同样可以起到可以有效去除模型在测绘过程中产生的噪声数据。
[0086]
步骤s303、基于质心下采样算法，对第一次降噪采样处理后的点云数据进行第二次降噪采样处理。
[0087]
具体的，质心下采样算法，即pcl点云库的voxelgrid filter过滤算法。下采样是指将一个样值信号按一定间隔取样，从而缩小数据体量的过程。
[0088]
示例性的，质心下采样算法的计算过程包括如下步骤：
[0089]
步骤一(未示出)、首先在空间中建立体素，将模型中的点分隔为一个个的体素点集，如图3b所示。
[0090]
其中，图3b中的方框为体素，即基于坐标原点建立的若干单位尺寸(如1cm或1mm)的空间立方体；图3b中左侧方框即同一体素中的多个点云(用空心圆表示)。
[0091]
步骤二(未示出)、对每个体素到点集中心(即图3b中的中间方框中黑点)，公式如下：
[0092][0093]
式中，n代表点云中点的数量，xi，yi，zi分别表示i点的xyz坐标，(xc，yc，zc)表示体素中点集的中心坐标。
[0094]
步骤三(未示出)、求取点云中每个点与中心的距离(即图3b中右侧方框中的线段)，并判定距离最小的点作为这个体素的质心。求解距离公式如下：
[0095][0096]
由此，可以进一步地降低数据体量，减小处理器的计算压力。
[0097]
通过引入质心下采样算法，帮助将稠密度不均的点云数据采样成表面均匀且密度较低的点云模型。利用质心下采样算法在点云数据中建立的正方形的体素网格，并将每个网格包含点云数据中的点，转换为网格中点的质心，并用质心代替网格中的所有点。相较于
其他下采样方法，质心下采样可以更精确的描述模型表面。
[0098]
步骤s304、基于随机抽样算法和设定的点云数量，对第二次降噪采样处理后的点云数据进行第三次降噪采样处理。
[0099]
具体的，通过前两次降噪采样处理得到的数据点通常仍然较多，且数量并不固定，为进一步提高识别处理效率，减小处理量，需要进行第三次降噪采样处理。
[0100]
第三次降噪采样处理的目的是将点云数据的数量降低到到设定的数量，以保证每次输入到神经网络模型中的数据量固定，需要分析的计算量固定，进而提高盛景网络识别的稳健性，并提高处理效率。
[0101]
步骤s305、对降噪采样处理后的点云数据进行空间变换处理，得到点云数据对应矩阵。
[0102]
其中，点云数据对应矩阵用于输入到预先训练的神经网络模型中。
[0103]
具体的，空间变换处理是对点云数据进行进一步变换，以提高神经网络模型的识别准确率。
[0104]
一些实施例中，空间变换处理可以使用t-net模型实现，t-net模型为一个自适应变换网络，其内部模拟了一个小型的pointnet网络，通过提取和传递点云特征，拟合出一个3
×
3的自适应变换矩阵。从而可以帮助校正点云数据在测绘过程中的形状和角度的畸变，使数据以更加规则的形状和角度被送入神经网络模型中。
[0105]
步骤s306、将降噪采样处理后的点云数据输入到神经网络模型的多层感知网络中，输出点云数据对应的特征数据。
[0106]
其中，多层感知网络中的每一层间的参数相互共享。
[0107]
具体的，神经网络模型的输入层为多层感知网络，多层感知网络为一种前馈神经网络模型，其将输入的大量点云数据的数据集映射到单一的输出的数据集上，由此可以保证在后续特征提取过程中，每个点的卷积过程相对独立，避免因为点云数据输入无序对得到的特征数据产生扰动。
[0108]
一些实施例中，多层感知网络有两层，且分别包含1024个1
×
3的卷积子和512个1
×
1的卷积子。
[0109]
具体的，在设置卷积子时应考虑识别模型的局部特征复杂性，对于结构较为复杂，局部特征较丰富的点云模型，往往需要特征提取的开始阶段设置较多的卷积子，这样可以充分考虑模型的局部特征。在耗时方面，由于过大的卷积子数量会造成较高的计算量，反应在耗时时间上，随着卷积子数量的成倍增加，总训练耗时有明显的增加。因此，综合耗时因素，适当提升卷积子的数量，可以将多层感知机结构设置为(1024，512)。
[0110]
通过将多层感知网络设置为两层，并使每一层间的参数相互共享，提高神经网络模型在训练时的训练效率，并通过两层网络结合，提高识别准确性。
[0111]
进一步地，如图3c所示，其为神经网络模型的训练方法流程图，该神经网络模型通过如下方式训练得到：
[0112]
步骤s3061、获取用于模型训练的点云数据。
[0113]
具体的，用于训练的点云数据为预先采集的基于各类商品的条形码和/或二维码拍摄识别得到的点云数据。
[0114]
步骤s3062、对点云数据添加噪声模拟处理，得到包含噪声的点云数据。
[0115]
具体的，噪声模拟处理包括添加随机噪声和刚性旋转，通过添加噪声模拟，以模拟现有技术中扫描装置因元器件性能瓶颈与热噪声等因素的影响产生的离噪点，并模拟其中产生的数据扰动，从而提高神经网络模型对噪声的鲁棒性。
[0116]
步骤s3063、将包含噪声的点云数据作为训练数据，输入到神经网络模型中，进行训练。
[0117]
具体的，通过将包含噪声的点云数据作为训练数据，使神经网络模型更加适配实际的物品识别场景，增强点云分类神经网络模型的可用性，提高神经网络模型对噪声的鲁棒性。
[0118]
步骤s307、将特征数据输入到神经网络模型的最大池化层，输出特征数据对应的全局特征。
[0119]
具体的，最大池化层通过对多层感知模块输出的每一维特征值取其最大值，使得获得的特征值与点云的输入顺序无关，只与特征维度的先后顺序有关。由此，可以使获得的特征数据对点云文件中点的排列顺序不敏感，从而对每种不同的输入顺序，都能拟合出相似的全局特征，提高识别结果的准确性。
[0120]
步骤s308、将全局特征输入到神经网络模型的全连接层，输出全局特征对应物品种类评分。
[0121]
具体的，由于对点云数量的限制(为固定数量)，且通过多次降噪处理，最大限度削弱噪点对识别准确性的影响，再通过多层感知网络和最大池化层提取其全局特征，最大限度减小识别难度，因此，此处需要的层数较少，通常只有三四层，就能得到对应的分数，并保证识别准确性。
[0122]
一些实施例中，在多层感知网络为1024个卷积子和512个卷积子组成的情况下，全连接层可以包括三层，分别包含512个节点、256个节点和k个节点(k可以为小于128的任意数值)；全连接层输出的值即为物品种类评分。
[0123]
步骤s309、基于物品种类评分，确定物品对应的种类信息。
[0124]
具体的，本步骤与图2所示实施例中的步骤s203内容相同，此处不再赘述。
[0125]
本公开实施例提供的物品识别方法，通过采集点云数据之后，通过不同的降噪采样算法，对点云数据进行降噪后，采样到设定数量的点云，然后通过空间变换处理后，输入到神经网络模型中，输出对应的物品种类评分，然后基于物品种类评分确定对应物品种类信息。由此，能够根据物品的点云数据，快速准确的识别其种类，不受噪点影响，计算量小，且能保证结果的准确性，进而保证其在实际应用中的适用性。
[0126]
图4为本公开一个实施例提供的物品识别装置的结构示意图。如图4所示，该物品识别装置400包括：采样模块410、识别模块420和输出模块430。
[0127]
其中：
[0128]
采样模块410，用于响应于采集到的物品点云数据，对点云数据进行降噪采样处理；
[0129]
识别模块420，用于将降噪采样处理后的点云数据输入到预先训练的神经网络模型中，输出点云数据对应的物品种类评分；
[0130]
输出模块430，用于基于物品种类评分，确定物品对应的种类信息。
[0131]
可选地，采样模块410具体用于，响应于采集到的物品点云数据，基于高斯统计降
噪算法，对点云数据进行第一次降噪采样处理；基于质心下采样算法，对第一次降噪采样处理后的点云数据进行第二次降噪采样处理；基于随机抽样算法和设定的点云数量，对第二次降噪采样处理后的点云数据进行第三次降噪采样处理。
[0132]
可选地，采样模块410还用于，在响应于采集到的物品点云数据，对点云数据进行至少两次降噪采样处理之后，对降噪采样处理后的点云数据进行空间变换处理，得到点云数据对应矩阵，点云数据对应矩阵用于输入到预先训练的神经网络模型中。
[0133]
可选地，识别模块420具体用于，将降噪采样处理后的点云数据输入到神经网络模型的多层感知网络中，输出点云数据对应的特征数据，多层感知网络中的每一层间的参数相互共享；将特征数据输入到神经网络模型的最大池化层，输出特征数据对应的全局特征；将全局特征输入到神经网络模型的全连接层，输出全局特征对应物品种类评分。
[0134]
可选地，识别模块420具体包括，多层感知网络有两层，且分别包含1024个1
×
3的卷积子和512个1
×
1的卷积子。
[0135]
可选地，识别模块420具体用于，通过如下方式训练得到神经网络模型：获取用于模型训练的点云数据；对点云数据添加噪声模拟处理，得到包含噪声的点云数据；将包含噪声的点云数据作为训练数据，输入到神经网络模型中，进行训练。
[0136]
可选地，采样模块410还用于，响应于采集到的物品点云数据，对点云数据进行至少两次降噪采样处理之前，通过即时定位与建模算法，采集物品的点云数据。
[0137]
在本实施例中，物品识别装置通过各模块的结合，能够根据物品的点云数据，快速准确的识别其种类，不受噪点影响，计算量小，且能保证结果的准确性，进而保证其在实际应用中的适用性。
[0138]
图5为本公开一个实施例提供的控制设备的结构示意图，如图5所示，该控制设备500包括：存储器510和处理器520。
[0139]
其中，存储器510存储有可被至少一个处理器520执行的计算机程序。该算机程序被至少一个处理器520执行，以使控制设备实现如上任一实施例中提供的物品识别方法。
[0140]
其中，存储器510和处理器520可以通过总线530连接。
[0141]
相关说明可以对应参见方法实施例所对应的相关描述和效果进行理解，此处不予赘述。
[0142]
本公开一个实施例提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行以实现如上任一方法实施例提供的物品识别方法。
[0143]
其中，计算机可读存储介质可以是rom、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等。
[0144]
本公开一个实施例提供了一种计算机程序产品，其包含计算机执行指令，该计算机执行指令被处理器执行时用于实现如上任一实施例中提供的物品识别方法。
[0145]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以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，模块的划分，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，例如多个模块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接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0146]
本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本技术的其它实施方案。本技术旨在涵盖本技术的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本技术的一般性原理并包括本技术未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本技术的真正范围由权利要求书指出。
[0147]
应当理解的是，本技术并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。

技术特征：

1.一种物品识别方法，其特征在于，所述物品识别方法包括：响应于采集到的物品点云数据，对所述点云数据进行至少两次降噪采样处理；将降噪采样处理后的点云数据输入到预先训练的神经网络模型中，输出所述点云数据对应的物品种类评分，所述神经网络模型中包括相互连接的多层感知网络和最大池化层；基于所述物品种类评分，确定所述物品对应的种类信息。2.根据权利要求1所述的物品识别方法，其特征在于，所述响应于采集到的物品点云数据，对所述点云数据进行至少两次降噪采样处理，包括：响应于采集到的物品点云数据，基于高斯统计降噪算法，对所述点云数据进行第一次降噪采样处理；基于质心下采样算法，对第一次降噪采样处理后的点云数据进行第二次降噪采样处理；基于随机抽样算法和设定的点云数量，对第二次降噪采样处理后的点云数据进行第三次降噪采样处理。3.根据权利要求1所述的物品识别方法，其特征在于，所述响应于采集到的物品点云数据，对所述点云数据进行至少两次降噪采样处理之后，还包括：对所述降噪采样处理后的点云数据进行空间变换处理，得到点云数据对应矩阵，所述点云数据对应矩阵用于输入到所述预先训练的神经网络模型中。4.根据权利要求1所述的物品识别方法，其特征在于，所述将降噪采样处理后的点云数据输入到预先训练的神经网络模型中，输出所述点云数据对应的物品种类评分，包括：将所述降噪采样处理后的点云数据输入到所述神经网络模型的多层感知网络中，输出所述点云数据对应的特征数据，所述多层感知网络中的每一层间的参数相互共享；将所述特征数据输入到所述神经网络模型的最大池化层，输出所述特征数据对应的全局特征；将所述全局特征输入到所述神经网络模型的全连接层，输出所述全局特征对应物品种类评分。5.根据权利要求4所述的物品识别方法，其特征在于，所述多层感知网络有两层，且分别包含1024个1
×
3的卷积子和512个1
×
1的卷积子。6.根据权利要求1至5中任一项所述的物品识别方法，其特征在于，所述神经网络模型通过如下方式训练得到：获取用于模型训练的点云数据；对所述点云数据添加噪声模拟处理，得到包含噪声的点云数据；将所述包含噪声的点云数据作为训练数据，输入到所述神经网络模型中，进行训练。7.根据权利要求1至5中任一项所述的物品识别方法，其特征在于，所述响应于采集到的物品点云数据，对所述点云数据进行至少两次降噪采样处理之前，还包括：通过即时定位与建模算法，采集物品的点云数据。8.一种物品识别装置，其特征在于，包括：采样模块，用于响应于采集到的物品点云数据，对所述点云数据进行降噪采样处理；识别模块，用于将降噪采样处理后的点云数据输入到预先训练的神经网络模型中，输出所述点云数据对应的物品种类评分；
输出模块，用于基于所述物品种类评分，确定所述物品对应的种类信息。9.一种控制设备，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述控制设备执行如权利要求1至7中任一项所述的物品识别方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1至7中任一项所述的物品识别方法。

技术总结

本申请实施例提供一种物品识别方法、装置、设备及存储介质。该方法包括：响应于采集到的物品点云数据，对点云数据进行至少两次降噪采样处理；将降噪采样处理后的点云数据输入到预先训练的神经网络模型中，输出点云数据对应的物品种类评分，神经网络模型中包括相互连接的多层感知网络和最大池化层；基于物品种类评分，确定物品对应的种类信息。本申请实施例解决了现有技术中扫码装置扫码收款时扫描识别效果较差、识别速度较慢的问题，提升运算速度，提升了识别效率。提升了识别效率。提升了识别效率。