智能货架图产生方法与系统

技术领域

本公开有关于一种提高辨识率的智能货架图产生方法及其系统。

背景技术

一般传统商店或仓库中，物品的摆放陈列方式称为货架图，而货架图的规划在零售或仓储领域具有相当重要的角色。对于零售领域来说，规划良好的货架图可增加销售量及充分利用空间，对于仓储领域来说，可提升存取效率及充分利用空间。

以往规划货架图大多是人为进行规划，或是搭配销售数据及对应货架位置等的历史数据进行统计分析来产出货架图。但因应无人商店或无人仓库的崛起，货架上物品的辨识已非单纯由人眼来辨识，若当机器对于货架上的物品辨识率较差时，将可能发生物品取放错误或是物品补货错误的问题。因此如何产出提高物品辨识率的货架图，实为一重要课题。

公开内容

本公开有关于一种提高辨识率的智能货架图产生方法及其系统。

根据本公开的实施例，提出一种智能货架图产生方法。智能货架图产生方法包括以下步骤。取得多个物品的各物品之间的关联度并产出关联度阵列。依据各物品的配置限制对关联度阵列进行重新加权(re-weight)并产出至少一完全图(complete graph)。获得各至少一完全图的代表路径。依据代表路径输出各物品于货架配置位置的智能货架图。其中至少一完全图中的各顶点为各物品，各顶点之间由边连接，各边的数值为重新加权后的关联度，代表路径仅通过各边一次，且代表路径为各边的数值加总最小的路径。

根据本公开的另一实施例，提出一种智能货架图产生系统。智能货架图产生系统包括关联度阵列产生单元、完全图建立单元、路径分析单元以及输出单元。关联度阵列产生单元用以取得多个物品的各物品之间的关联度，以产出关联度阵列。完全图建立单元用以转换关联度阵列并依据各物品的配置限制对关联度阵列进行重新加权为至少一完全图，至少一完全图中的各顶点为各物品，各顶点之间由边连接，各边的数值为重新加权后的关联度。路径分析单元用以获得各至少一完全图的代表路径，代表路径仅通过各边一次，且代表路径为各边的数值加总最小的路径。输出单元用以依据各至少一代表路径，输出各物品于货架配置位置的智能货架图。

为了对本公开的上述及其他方面有更佳的了解，下文特举实施例，并配合所附图式详细说明如下：

附图说明

图1绘示根据一实施例的智能货架图产生系统的示意图。

图2绘示根据一实施例的智能货架图产生方法的流程图。

图3A绘示根据一实施例的待上架物品的示意图。

图3B绘示依据表一的关联度阵列所得的完全图。

图3C绘示依据图3B所得的代表路径示意图。

图3D绘示依据图3C输出的智能货架图。

图4A～图4C分别绘示根据另一实施例产出的关联度阵列所得的完全图、重新加权后的关联度阵列所得的完全图及代表路径示意图。

图5A绘示根据再一实施例的待上架物品的示意图。

图5B绘示根据图5A的待上架物品分群及重新加权后产出的至少一完全图。

图5C绘示依据图5B所得的代表路径示意图。

附图标记说明

10：智能货架图产生系统

100：关联度阵列产生单元

200：完全图建立单元

300：路径分析单元

400：输出单元

1100：接收器

1200：关联度阵列产生器

2100：重新加权器

2200：建图器

2300：分群演算器

3100：分析器

3200：筛选器

P1～P7、P11～P20：物品

S100、S200、S300、S400：步骤

具体实施方式

以下通过各种实施例说明本公开如何利用适当的关联度分析方法来提升商品辨识率。但实施例所公开的内容并非用以局限本公开所欲保护的范围。

请参照图1，其绘示根据一实施例的智能货架图产生系统10的示意图。智能货架图产生系统10包括一关联度阵列产生单元100、一完全图建立单元200、一路径分析单元300及一输出单元400。关联度阵列产生单元100包括一接收器1100及一关联度阵列产生器1200。完全图建立单元200包括一重新加权器2100、一建图器2200及一分群演算器2300。路径分析单元300包括一分析器3100及一筛选器3200。关联度阵列产生单元100、完全图建立单元200、路径分析单元300、接收器1100、关联度阵列产生器1200、重新加权器2100、建图器2200、分群演算器2300、分析器3100及筛选器3200例如是一电路、一芯片、一电路板、一或多组程序代码、或储存程序代码的储存装置。输出单元400例如是一无线网络传输装置、一有线网络传输装置、一记忆卡存取装置、一端口、一键盘、一屏幕、或其组合。以下搭配一流程图详细说明上述组件的运作方式。

请参照图2，其绘示根据一实施例的智能货架图产生方法的流程图。在步骤S100中，关联度阵列产生单元100由接收器1100取得待上架多个物品的各物品之间的关联度，再经由关联度阵列产生器1200产出关联度阵列。请参照图3A，其绘示根据一实施例的待上架物品的示意图。如图3A所示，待上架物品P1～P5的物品特征可由物品的影像信息、重量信息、长度、高度或宽度等外形信息取得，本实施例以影像信息为示例，但本公开并不以此为限。接收器1100接收待上架物品P1～P5的影像信息后，关联度阵列产生器1200比较计算各待上架物品P1～P5之间的关联度，并产生如表一所示的关联度阵列。

表一

在步骤S200中，完全图建立单元200依据各物品的配置限制对关联度阵列重新加权并产出至少一完全图。请参照图3B，其绘示依据表一的关联度阵列所得的完全图。于一实施例中，如图3B所示，待上架物品P1～P5为完全图中的顶点，各顶点之间由一边进行连接，该些边为重新加权后的各顶点的物品间的关联度。于此实施例中，由于并未对各待上架物品进行任何配置限制，完全图建立单元200则直接依据关联度阵列产生器1200产出的关联度阵列，由建图器2200建立如图3B所示的完全图。

于另一实施例中，如图4A及图4B所示，其绘示另一实施例产出的依据原关联度阵列产出的完全图及依据重新加权后的关联度阵列产出的完全图。于此实施例中，待上架物品P1～P7共有7个，而货架可上架的物品数量为5个，待上架物品P1～P4必须相邻，因此于此实施例中，物品的配置限制为相邻及建议，意即可上架的物品除了物品P1～P4，尚有一个待上架空间，因此要从物品P5～P7中建议。依据上述物品的配置限制，完全图建立单元200的重新加权器2100提供对应的权重，例如当物品P1～P4必须相邻，则重新加权器2100提供一权重，例如为0.5，将此权重乘以原关联度数值，使物品P1～P4在完全图上的连接边的数值小于原关联度。此外，也可将原关联度数值减去此权重，只要使配置限制为相邻的顶点的对应边的数值小于原关联度即可，本公开并不以此为限。当物品P5～P7的配置限制为建议，则重新加权器2100提供另一权重，例如为1，将另一权重加上原关联度数值，使物品P5～P7在完全图上与其他顶点的连接边数值大于原关联度。或是可将另一权重设定为大于1的数值，再将原关联度数值乘上另一权重，只要使配置限制为建议的顶点的对应边的数值大于原关联度即可。经过重新加权器2100重新加权后，建图器2200即产出如图4B所示的完全图。

于图4A及图4B的实施例中，是将关联度阵列先转换成完全图(图4A)，再经过重新加权后产出一重新加权后的完全图(图4B)，但本公开也可利用如表一的关联度阵列先进行重新加权后，而不需先产出如图4A的完全图再产出如图4B的重新加权后的完全图，只要最终可产出重新加权后的完全图即可，本公开并不以此为限。

于再一实施例中，如图5A所示，其绘示根据再一实施例的待上架物品的示意图。待上架物品P11～P20中，物品P11～P14、物品P15～P17及物品P18～P20分别为同一品牌。其中，物品P18及P19为同一物品。此时，由于一层货架仅能摆放五个商品，而同品牌的物品须摆放在一起，因此，物品的配置限制为相邻及重复。由于受到单层货架摆放商品数量的限制，完全图建立单元200中的分群演算器2300将先对待上架物品P11～P20进行分群，其例如采用多标签图割(multi-label graph cuts)的分群演算方式将物品P11～P14分为两群，且由于同品牌的物品须相邻，因此两群间的关联度最小而群中的关联度最大，而使分群演算器2300进行分群动作，例如物品P11及P13为一群，物品P12及P14为一群。再使重新加权器依据物品配置限制进行重新加权而产出两张完全图，其中相邻的限制的重新加权方式如前述段落所描述，在此不再赘述，而物品配置限制为重复的重新加权方式例如由重新加权器2100提供一权重，使得配置限制为重复的顶点的对应边的数值经过重新加权后为0。接着，完全图建立单元200的建图器2200产出两张完全图，一张完全图的顶点包含P11、P13及P15～P20，另一张完全图的顶点包含P12、P14及P15～P20，如图5B所示。图5B绘示根据图5A的待上架物品分群及重新加权后产出的至少一完全图，为使完全图简洁易读，仅将物品P18及P19的边长数值标示出来，因其配置限制为重复而使得重新加权后的边长数值为0，其余边长的数值则如同前述实施例的重新加权方式进行加权，于此不再赘述。

接着，于步骤S300中，路径分析单元300分析获得各至少一完全图的代表路径。请参照图3C所示，路径分析单元300经过分析后可得出一仅通过各边一次且各边的数值加总为最小的路径，此路径即为代表路径，如图上粗线连接的路径。于步骤S400中，输出单元400依据代表路径输出各物品P1～P5于货架配置位置的智能货架图，如图3D图。图3D绘示依据图3C输出的智能货架图，由图3D可见，物品的配置顺序由左至右依序为P2、P1、P5、P4及P3，对应图3C的代表路径通过各顶点的顺序。此外，也可将左右顺序颠倒，则物品的配置顺序由左至右依序为P3、P4、P5、P1及P2，只要相邻物品的关联度为最低即可，此将可提升物品辨识率，以避免辨识错误。

于另一实施例，在步骤S300中，由于可上架物品的数量为5，路径分析单元300的分析器3100可分析取得完全图中通过任五个顶点且只通过此五个顶点的边一次的多个路径，而这些路径可统整为一路径列表。再经由路径分析单元300的筛选器3200从路径列表中筛选出各边的数值加总为最小的路径作为代表路径，如图4C所示。由图4C可见，代表路径依序包含P3、P2、P1、P4及P5，反之亦可，因此由本公开的路径分析单元300建议摆放物品P5，而非物品P6或P7。接着在步骤S400中，输出单元400依据代表路径输出各物品于货架配置位置的智能货架图。

于再一实施例，在步骤S300中，由于单一层可上架物品的数量为5，路径分析单元300的分析器3100可分析取得两个完全图中通过任五个顶点且只通过此五个顶点的边一次的多个路径并统整为一路径列表。接着，再由路径分析单元300的筛选器3200筛选出代表路径，如图5C所示。最后，在步骤S400中，输出单元400依据代表路径输出各物品于货架配置位置的智能货架图。此部份于前述实施例相似，故细节不再赘述。

根据上述各种实施例，其通过关联度阵列、重新加权完全图及代表路径的分析，以获得较高辨识率的智能货架图。如此一来，能够有效提升无人商店或无人仓库的物品上架准确度及充分利用空间。

综上所述，虽然本公开已以实施例公开如上，然其并非用以限定本公开。本公开所属技术领域中具有通常知识者，在不脱离本公开的精神和范围内，当可作各种的更动与润饰。因此，本公开的保护范围当视后附的权利要求书所界定者为准。