超市新科技：智慧秤和自助結帳系統更快識別商品重量
2023 年 9 月 4 日，史高科技學院和其他機構的研究團隊開創了一種新的快速識別超市商品重量的方法。與現有系統不同，這種算法能夠在新品種到達時加快神經網路訓練的速度。這篇論文已發表在《IEEE Access》期刊上。
挑戰與現有系統的不足之處
超市不斷引入技術以提高員工表現並加快商品稱重和結帳過程。在一些超市，顧客需要記住一個程式碼並在稱重區域稱重。在其他商店，這個過程通常由收銀員提供，他們必須自行識別水果或蔬菜的型別，或者問顧客。在自助結帳系統上，顧客還需要記住程式碼。同時很難確保顧客稱量正確的商品。
史高科技的研究人員建議透過計算機視覺系統簡化這一過程。根據研究團隊的說法，現有的儀器有許多缺點。該研究的主要作者、史高科技無線中心的軟體工程師和博士研究生 Sergey Nesteruk 解釋說：“困難在於超市上有很多外觀相似的水果或蔬菜，而且新的種類經常出現。傳統的計算機視覺系統需要在每次運送新品種時重新訓練，這是耗時的，因為我們必須收集大量資料並手動標記它。”
引入 PseudoAugment 方法
PseudoAugment 方法可以在不需收集和標記大量資料的情況下，調整神經網路以應對新的商品種類。該系統甚至可以在新商品出現在商店貨架之前進行配置。Sergey Nesteruk 評論道：“新型別的商品可以放在攝像機下拍照。然後，基於僅僅幾張照片，算法就能識別特定的物體，而無需手動標記。接著，我們對用於重新訓練模型的影象進行增強。我們發現，當新增新的類別時，使用 PseudoAugment 相比不使用它，檢測品質的衰退要小得多。如果我們新增很多新的類別，仍然會發生衰退，但系統只需每隔幾個星期重新訓練一次。最重要的是，當新型別的商品到達商店時，它就能常規工作。”
影象增強是透過生成影象對原始資料進行視覺轉換的方式。這些轉換包括旋轉影象、改變亮度和新增噪聲等。增強增加了資料的變異性，使模型更加韌性。該研究對資料中心的方法作出了貢獻，該方法專注於改善資料並應用於現成模型中。
應用範圍
該算法的應用範圍不僅限於超市。它還可以用於訓練以檢測同質物體，例如在穀物或固體廢物輸送帶上檢測。
原文出處：Scales and self-checkouts to identify weighted goods faster
