摘要：針對彈簧式自動售貨機制造成本高、售賣品類少、用戶體驗差等問題，文中設計一種智能無人售貨柜系統。該系統融合了圖像傳感器和稱重傳感器，可實現計重銷售與計件銷售兩種模式。首先，為減少訂單處理時間，對購物過程中傳感器采集的數據進行預處理，將有效信息傳輸至服務器;然后，在服務器構建商品識別模型，并設計基于信息熵的多傳感器融合算法，完成用戶購物過程中挑選商品的自動識別;最后，借助信用支付功能完成自動扣費，實現“掃碼開門，自主選購，無感結算”的全新購物模式。通過25.181萬筆真實運營訂單測試得出，文中設計的系統商品識別準確率為97.76%。對比彈簧式自動售貨機，文中系統具有購物流程簡單、銷售商品種類豐富、制造成本低等優勢，更符合商業運營要求，可為無人零售行業提供全新的思路和技術參考。

　　關鍵詞：無人售貨柜;圖像傳感器;稱重傳感器;自動識別;信息熵;掃碼開門;自主選購;無感結算

　　引言

　　近年來，電商經濟的發展給實體經濟帶來了巨大的沖擊，房屋租金與人力成本不斷提高，且傳統的零售模式已難以適應時代的發展和消費者的需求，因此無人零售逐漸成為研究的熱點。在無人零售中，彈簧式自動售貨機是通過控制機械傳動結構來實現消費者與平臺的交互，其制造成本高、空間利用率低且售賣商品種類受限，在市場上發展勢頭高開低走。

　　隨著人工智能技術的飛速發展，智能無人售貨柜應運而生。智能無人售貨柜是通過非接觸式傳感器對商品特征進行監測，以實現對商品信息的自動識別，從而自動生成結算訂單。它不僅能夠解決傳統零售業中人工成本高的問題，還可通過數字化管理降低運營成本，使商品的銷售成本進一步降低[1⁃3]，因此有著廣闊的市場發展前景。智能無人售貨柜的核心在于商品識別技術的實現，商品識別不僅要給出精準的種類信息，還要給出精確的數量信息。

　　文獻[4]提出基于射頻技術(RFID)的商品識別方案，利用超高頻閱讀器掃描張貼在商品上的標簽數據實現商品識別。由于RFID標簽屬于消耗品，且需要人工給商品張貼標簽，因此無法滿足商業對利潤的要求。文獻[5]提出基于圖像識別技術的商品識別方案，無需對商品進行預處理，只需采集商品的圖像信息，并通過深度學習算法學習商品特征，即可實現商品識別。

　　該方法操作簡單且成本更低，已成為商品識別的主要趨勢。雖然基于圖像識別技術的商品識別具有相對優勢，但在實際應用場景中若出現遮擋或堆疊情況時，識別準確率會迅速降低。因此，本文提出基于邊緣計算的多源傳感器信息融合的商品識別方法[6⁃7]，利用圖像傳感器與稱重傳感器信息融合分析來實現商品的精準識別。該方法從根本上解決了商品種類受限的問題，不僅能夠降低人力成本、租金成本以及制造成本，還可以提升用戶的購物體驗，是未來無人零售的發展潮流。

　　1系統總體方案設計

　　1.1系統架構設計智能無人售貨柜以邊緣計算模塊為核心，采用云端⁃邊緣分工合作的工作模式，系統模型分為感知層、網絡層、平臺層、應用層。智能無人售貨柜系統各層的具體功能如下：

　　1)感知層：負責物理空間信息采集以及相應單元的控制，由邊緣計算模塊、數據采集模塊、監控攝像頭、電子鎖控制模塊、溫濕度采集模塊、多源傳感器(稱重傳感器、圖像傳感器)等構成，其硬件結構模塊。圖像傳感器對售貨柜內商品進行監控，采集柜內視頻數據;稱重傳感器對售貨柜貨道重量進行實時監測，并采集貨道重量數據。邊緣計算模塊對采集的數據進行處理和計算分析，并實現對傳感器采集指令的控制等。

　　2)網絡層：負責系統各個元素之間的信息交互，由4G移動網與以太網構成數據傳輸通道。3)平臺層：為應用層提供計算服務，為感知層提供統一調度及數據存儲管理服務。

　　4)應用層：通過處理分析感知層提供的數據，提供多種不同類型的服務，滿足無人售貨柜系統的多元化場景需求。

　　1.2柜體結構設計

　　考慮到成本因素，本文設計的柜體是在風冷保鮮柜基礎上進行改造，分為5層，共15個稱重貨道，可實現標品(按數量計價)和非標品(按重量計價)兩種銷售模式。

　　1.3系統工作流程

　　用戶通過小程序掃一掃功能，掃描售貨柜上張貼的二維碼進行賬戶注冊及身份認證，并簽約小額信用支付功能，即可開啟三步快捷購物模式“掃碼開門，自主選購，無感結算”，享受即拿即走的購物體驗。

　　2系統原理與實現

　　2.1數據預處理

　　無人售貨柜作為新型零售終端，在滿足基本售賣功能的同時還要考慮用戶體驗。由于用戶在購物時會產生海量的視頻數據，需要經過大量的計算分析才能準確解析出用戶的購物行為。在云端處理方案中要依賴網絡的時效性，如果出現網絡延遲情況，訂單將遲遲無法結算，會導致下一個用戶無法再次購物，影響用戶購物體驗感，并且大量的數據傳輸會產生高昂的數據流量費用。針對上述問題，本文提出一種基于邊緣計算的數據預處理方法，在邊緣計算模塊上對用戶購買過程中產生的海量視頻數據進行分析，提取關鍵幀并分割出商品區域，將關鍵信息傳送到云服務器進行推理識別。該方法可以保證用戶購物的時效性及識別準確率。

　　2.1.1視頻數據處理

　　無人售貨柜視頻監控空間相對封閉，且設備自帶照明光源，因此光線干擾較小。用戶挑選商品過程中主要存在兩個特征點，即手部膚色特征與運動特征。通過融合膚色特征與運動信息能有效地提取出關鍵幀并分割出商品區域。有效的數據預處理能夠提高系統的識別準確率與識別速度。本文采用高斯模型提取膚色區域，并利用背景差分法實現運動目標跟蹤檢測[8]，最終通過融合運算完成關鍵幀提取及商品區域分割。

　　2.1.2稱重傳感器數據處理

　　壓阻式稱重傳感器的原理是利用單晶硅的壓阻效應。由于其輸出的模擬信號在傳輸和轉換過程中會存在噪聲信號干擾，因此傳感器輸出的信號需要經過濾波處理后才能應用到后續計算中。本文采用卡爾曼濾波算法[9]對稱重信號進行濾波處理，通過時域更新、測量更新等一系列運算，去除高斯白噪聲信號及脈沖干擾信號。

　　2.2基于圖像的商品識別

　　基于圖像的商品識別需要識別出商品的種類信息及數量信息，其實際是一個目標檢測問題。主流的目標檢測算法一般分為基于候選框的目標檢測和基于回歸的目標檢測兩類。基于候選框的檢測算法首先由算法生成一系列樣本的候選框，再通過卷積神經網絡對樣本分類，經典的算法有R⁃CNN[10]、FastR⁃CNN[11]等。基于回歸的檢測算法不需要生成候選框，直接將目標框定位轉化為回歸問題，經典算法有YOLO[12]、SSD[13]等。基于候選框的目標檢測在檢測精度與定位精度方面占優勢，但檢測速度較慢，無法達到實時檢測。基于回歸的檢測算法在檢測速度上占有優勢，且檢測精度只比前者稍低一點。

　　2.3基于稱重傳感器的商品識別

　　根據國家質量監督檢驗檢疫總局下發文件《國家定量包裝商品計量監督辦法管理規定》第十八條規定：單件定量包裝商品的實際含量應當準確反映其標注凈含量。

　　國家對定量包裝商品的誤差量有明確規定，因此基于質量的商品識別方案是完全可行的。稱重傳感器測量的是商品質量特征，具有高度穩定性，通過質量識別商品具有較高的置信度。消費者每次取出或放回商品，貨道的稱重數據都會發生跳變。通過滑動窗口可以提取出購物事件，根據跳變前后重量差便能預測出用戶購物的商品。

　　2.4基于信息熵的加權融合方法

　　多傳感器數據融合技術是將分布在空間不同位置的多個同類或不同類的傳感器所采集的數據，經過運算實現綜合，加之互補信息，提高系統決策能力。本文利用信息熵實現圖像傳感器與稱重傳感器的信息融合[16]，來提高系統魯棒性。

　　3系統運行與分析

　　3.1商品庫的建立

　　每種商品的實際重量范圍是否準確錄入，會直接影響后期商品識別的準確率。理論上只有測量商品的樣本數量足夠多，才能準確反映出商品的實際質量范圍，但這樣會耗費大量的人力，不利于產品的推廣及運營商使用。

　　3.2運行分析

　　本文設計的無人售貨柜成功投放在寫字樓、社區等場景。在寫字樓場景中，售貨柜以空間利用率高、購物體驗好、銷售品種豐富等優勢為員工提供生活便利。在社區場景中，售貨柜解決了社區配套不成熟、買菜不方便等問題，為社區居民提供了優質的生鮮銷售服務。運營商通過無人超市管理后臺可以實時監控售貨柜銷售情況，系統通過大數據分析管理可提供最優的補貨方案及庫存管理，以此提高運營效率，降低運營成本，為運營商保障利潤空間。

　　4結語

　　在物聯網技術快速發展、消費方式多樣化以及電商 經濟不斷刺激實體銷售的大環境下，無人零售備受關注。本文通過市場調研并結合消費者的實際需求，開發了一款智能無人售貨柜，以達到簡化購物流程、優化購物體驗的目的。具體工作如下：首先，將傳統彈簧式自動售貨機的被動式購物轉化為主動式挑選，通過稱重貨道實現計重銷售與計件銷售，豐富了商品銷售種類，提升了用戶購物體驗;其次，以非接觸式圖像傳感器與稱重傳感器取代傳統的機械傳動結構，解決了制造成本高問題;最后，通過將該產品在市場成功投放100多臺，最長運行時間超過1年，得到累計訂單量25.181萬筆，錯誤扣費訂單0.338萬筆，貨損率為0.9%，綜合識別準確率達97.76%以上。實際使用驗證了本文系統穩定性良好，符合市場需求。

　　參考文獻

　　[1]國務院辦公廳.關于推動實體零售創新轉型的意見[Z].2016⁃11⁃11.

　　[2]李駿陽.當前我國零售行業發展態勢和供給側改革[J].中國流通經濟，2016，30(11)：5⁃11.

　　[3]諸健榮，鄧詠心.新零售模式下我國自動售貨機行業的發展前景及潛力[J].商業故事，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]陳友東，胡嘉航.基于邊緣計算的工業應用：自動導引小車控制系統[J].計算機集成制造系統，2019，25(12)：3191⁃3198.

　　[8]袁敏，姚恒，劉牮.結合三幀差分和膚色橢圓模型的動態手勢分割[J].光電工程，2016，43(6)：51⁃55.

　　[9]馮雪麗，顏伏伍，胡杰.基于改進的擴展卡爾曼濾波在GPS測速中的應用[J].現代電子技術，2016，39(8)：30⁃32.

　　作者：王曉路1，李佗1，3，陳警2，3，宗勝前1，張凱1