智能无人售货柜系统设计与实现

　　摘要：针对弹簧式自动售货机制造成本高、售卖品类少、用户体验差等问题，文中设计一种智能无人售货柜系统。该系统融合了图像传感器和称重传感器，可实现计重销售与计件销售两种模式。首先，为减少订单处理时间，对购物过程中传感器采集的数据进行预处理，将有效信息传输至服务器;然后，在服务器构建商品识别模型，并设计基于信息熵的多传感器融合算法，完成用户购物过程中挑选商品的自动识别;最后，借助信用支付功能完成自动扣费，实现“扫码开门，自主选购，无感结算”的全新购物模式。通过25.181万笔真实运营订单测试得出，文中设计的系统商品识别准确率为97.76%。对比弹簧式自动售货机，文中系统具有购物流程简单、销售商品种类丰富、制造成本低等优势，更符合商业运营要求，可为无人零售行业提供全新的思路和技术参考。

　　关键词：无人售货柜;图像传感器;称重传感器;自动识别;信息熵;扫码开门;自主选购;无感结算

　　引言

　　近年来，电商经济的发展给实体经济带来了巨大的冲击，房屋租金与人力成本不断提高，且传统的零售模式已难以适应时代的发展和消费者的需求，因此无人零售逐渐成为研究的热点。在无人零售中，弹簧式自动售货机是通过控制机械传动结构来实现消费者与平台的交互，其制造成本高、空间利用率低且售卖商品种类受限，在市场上发展势头高开低走。

　　随着人工智能技术的飞速发展，智能无人售货柜应运而生。智能无人售货柜是通过非接触式传感器对商品特征进行监测，以实现对商品信息的自动识别，从而自动生成结算订单。它不仅能够解决传统零售业中人工成本高的问题，还可通过数字化管理降低运营成本，使商品的销售成本进一步降低[1⁃3]，因此有着广阔的市场发展前景。智能无人售货柜的核心在于商品识别技术的实现，商品识别不仅要给出精准的种类信息，还要给出精确的数量信息。

　　文献[4]提出基于射频技术(RFID)的商品识别方案，利用超高频阅读器扫描张贴在商品上的标签数据实现商品识别。由于RFID标签属于消耗品，且需要人工给商品张贴标签，因此无法满足商业对利润的要求。文献[5]提出基于图像识别技术的商品识别方案，无需对商品进行预处理，只需采集商品的图像信息，并通过深度学习算法学习商品特征，即可实现商品识别。

　　该方法操作简单且成本更低，已成为商品识别的主要趋势。虽然基于图像识别技术的商品识别具有相对优势，但在实际应用场景中若出现遮挡或堆叠情况时，识别准确率会迅速降低。因此，本文提出基于边缘计算的多源传感器信息融合的商品识别方法[6⁃7]，利用图像传感器与称重传感器信息融合分析来实现商品的精准识别。该方法从根本上解决了商品种类受限的问题，不仅能够降低人力成本、租金成本以及制造成本，还可以提升用户的购物体验，是未来无人零售的发展潮流。

　　1系统总体方案设计

　　1.1系统架构设计智能无人售货柜以边缘计算模块为核心，采用云端⁃边缘分工合作的工作模式，系统模型分为感知层、网络层、平台层、应用层。智能无人售货柜系统各层的具体功能如下：

　　1)感知层：负责物理空间信息采集以及相应单元的控制，由边缘计算模块、数据采集模块、监控摄像头、电子锁控制模块、温湿度采集模块、多源传感器(称重传感器、图像传感器)等构成，其硬件结构模块。图像传感器对售货柜内商品进行监控，采集柜内视频数据;称重传感器对售货柜货道重量进行实时监测，并采集货道重量数据。边缘计算模块对采集的数据进行处理和计算分析，并实现对传感器采集指令的控制等。

　　2)网络层：负责系统各个元素之间的信息交互，由4G移动网与以太网构成数据传输通道。3)平台层：为应用层提供计算服务，为感知层提供统一调度及数据存储管理服务。

　　4)应用层：通过处理分析感知层提供的数据，提供多种不同类型的服务，满足无人售货柜系统的多元化场景需求。

　　1.2柜体结构设计

　　考虑到成本因素，本文设计的柜体是在风冷保鲜柜基础上进行改造，分为5层，共15个称重货道，可实现标品(按数量计价)和非标品(按重量计价)两种销售模式。

　　1.3系统工作流程

　　用户通过小程序扫一扫功能，扫描售货柜上张贴的二维码进行账户注册及身份认证，并签约小额信用支付功能，即可开启三步快捷购物模式“扫码开门，自主选购，无感结算”，享受即拿即走的购物体验。

　　2系统原理与实现

　　2.1数据预处理

　　无人售货柜作为新型零售终端，在满足基本售卖功能的同时还要考虑用户体验。由于用户在购物时会产生海量的视频数据，需要经过大量的计算分析才能准确解析出用户的购物行为。在云端处理方案中要依赖网络的时效性，如果出现网络延迟情况，订单将迟迟无法结算，会导致下一个用户无法再次购物，影响用户购物体验感，并且大量的数据传输会产生高昂的数据流量费用。针对上述问题，本文提出一种基于边缘计算的数据预处理方法，在边缘计算模块上对用户购买过程中产生的海量视频数据进行分析，提取关键帧并分割出商品区域，将关键信息传送到云服务器进行推理识别。该方法可以保证用户购物的时效性及识别准确率。

　　2.1.1视频数据处理

　　无人售货柜视频监控空间相对封闭，且设备自带照明光源，因此光线干扰较小。用户挑选商品过程中主要存在两个特征点，即手部肤色特征与运动特征。通过融合肤色特征与运动信息能有效地提取出关键帧并分割出商品区域。有效的数据预处理能够提高系统的识别准确率与识别速度。本文采用高斯模型提取肤色区域，并利用背景差分法实现运动目标跟踪检测[8]，最终通过融合运算完成关键帧提取及商品区域分割。

　　2.1.2称重传感器数据处理

　　压阻式称重传感器的原理是利用单晶硅的压阻效应。由于其输出的模拟信号在传输和转换过程中会存在噪声信号干扰，因此传感器输出的信号需要经过滤波处理后才能应用到后续计算中。本文采用卡尔曼滤波算法[9]对称重信号进行滤波处理，通过时域更新、测量更新等一系列运算，去除高斯白噪声信号及脉冲干扰信号。

　　2.2基于图像的商品识别

　　基于图像的商品识别需要识别出商品的种类信息及数量信息，其实际是一个目标检测问题。主流的目标检测算法一般分为基于候选框的目标检测和基于回归的目标检测两类。基于候选框的检测算法首先由算法生成一系列样本的候选框，再通过卷积神经网络对样本分类，经典的算法有R⁃CNN[10]、FastR⁃CNN[11]等。基于回归的检测算法不需要生成候选框，直接将目标框定位转化为回归问题，经典算法有YOLO[12]、SSD[13]等。基于候选框的目标检测在检测精度与定位精度方面占优势，但检测速度较慢，无法达到实时检测。基于回归的检测算法在检测速度上占有优势，且检测精度只比前者稍低一点。

　　2.3基于称重传感器的商品识别

　　根据国家质量监督检验检疫总局下发文件《国家定量包装商品计量监督办法管理规定》第十八条规定：单件定量包装商品的实际含量应当准确反映其标注净含量。

　　国家对定量包装商品的误差量有明确规定，因此基于质量的商品识别方案是完全可行的。称重传感器测量的是商品质量特征，具有高度稳定性，通过质量识别商品具有较高的置信度。消费者每次取出或放回商品，货道的称重数据都会发生跳变。通过滑动窗口可以提取出购物事件，根据跳变前后重量差便能预测出用户购物的商品。

　　2.4基于信息熵的加权融合方法

　　多传感器数据融合技术是将分布在空间不同位置的多个同类或不同类的传感器所采集的数据，经过运算实现综合，加之互补信息，提高系统决策能力。本文利用信息熵实现图像传感器与称重传感器的信息融合[16]，来提高系统鲁棒性。

　　3系统运行与分析

　　3.1商品库的建立

　　每种商品的实际重量范围是否准确录入，会直接影响后期商品识别的准确率。理论上只有测量商品的样本数量足够多，才能准确反映出商品的实际质量范围，但这样会耗费大量的人力，不利于产品的推广及运营商使用。

　　3.2运行分析

　　本文设计的无人售货柜成功投放在写字楼、社区等场景。在写字楼场景中，售货柜以空间利用率高、购物体验好、销售品种丰富等优势为员工提供生活便利。在社区场景中，售货柜解决了社区配套不成熟、买菜不方便等问题，为社区居民提供了优质的生鲜销售服务。运营商通过无人超市管理后台可以实时监控售货柜销售情况，系统通过大数据分析管理可提供最优的补货方案及库存管理，以此提高运营效率，降低运营成本，为运营商保障利润空间。

　　4结语

　　在物联网技术快速发展、消费方式多样化以及电商 经济不断刺激实体销售的大环境下，无人零售备受关注。本文通过市场调研并结合消费者的实际需求，开发了一款智能无人售货柜，以达到简化购物流程、优化购物体验的目的。具体工作如下：首先，将传统弹簧式自动售货机的被动式购物转化为主动式挑选，通过称重货道实现计重销售与计件销售，丰富了商品销售种类，提升了用户购物体验;其次，以非接触式图像传感器与称重传感器取代传统的机械传动结构，解决了制造成本高问题;最后，通过将该产品在市场成功投放100多台，最长运行时间超过1年，得到累计订单量25.181万笔，错误扣费订单0.338万笔，货损率为0.9%，综合识别准确率达97.76%以上。实际使用验证了本文系统稳定性良好，符合市场需求。

　　参考文献

　　[1]国务院办公厅.关于推动实体零售创新转型的意见[Z].2016⁃11⁃11.

　　[2]李骏阳.当前我国零售行业发展态势和供给侧改革[J].中国流通经济，2016，30(11)：5⁃11.

　　[3]诸健荣，邓咏心.新零售模式下我国自动售货机行业的发展前景及潜力[J].商业故事，2018(18)：2.

　　[4]MEKRUKSAVANICHS.SupermarketshoppingsystemusingRFIDastheIoTapplication[C]//2020JointInternationalConferenceonDigitalArts，MediaandTechnologywithECTINorthernSectionConferenceonElectrical，Electronics，ComputerandTelecommunicationsEngineering.Pattaya，Thailand：IEEE，2020：83⁃86.

　　[5]WEIXS，CUIQ，YANGL，etal.RPC：alarge⁃scaleretailproductcheckoutdataset[J].Computervisionandpatternrecognition，2019(2)：1029110.

　　[6]RUIZC，FALCAOJ，PANS，etal.AIM3S：autonomousinventorymonitoringthroughmulti⁃modalsensingforcashier⁃lessconveniencestores[C]//Proceedingsofthe6thACMInternationalConferenceonSystemsforEnergy⁃EfficientBuildings，Cities，andTransportation.NewYork：ACM，2019：395⁃396.

　　[7]陈友东，胡嘉航.基于边缘计算的工业应用：自动导引小车控制系统[J].计算机集成制造系统，2019，25(12)：3191⁃3198.

　　[8]袁敏，姚恒，刘牮.结合三帧差分和肤色椭圆模型的动态手势分割[J].光电工程，2016，43(6)：51⁃55.

　　[9]冯雪丽，颜伏伍，胡杰.基于改进的扩展卡尔曼滤波在GPS测速中的应用[J].现代电子技术，2016，39(8)：30⁃32.

　　作者：王晓路1，李佗1，3，陈警2，3，宗胜前1，张凯1