基于Wio Terminal的智能库存计数系统开发指南

基于Wio Terminal的智能库存计数系统开发指南

IoT-For-Beginners 12 Weeks, 24 Lessons, IoT for All! 项目地址: https://gitcode.com/gh_mirrors/io/IoT-For-Beginners

引言

在现代零售环境中，准确高效的库存管理至关重要。本文将介绍如何使用Wio Terminal开发一个基于计算机视觉的智能库存计数系统，这是Microsoft物联网初学者项目中的一个实用案例。

系统原理概述

该系统通过Wio Terminal的摄像头捕获货架图像，利用对象检测算法识别商品并绘制边界框，然后通过计算边界框的重叠率来准确统计商品数量。

关键技术实现

1. 边界框重叠检测算法

核心算法包括以下几个关键组件：

struct Point {
    float x, y;
};

struct Rect {
    Point topLeft, bottomRight;
};

float area(Rect rect) {
    return abs(rect.bottomRight.x - rect.topLeft.x) * 
           abs(rect.bottomRight.y - rect.topLeft.y);
}

该结构定义了图像中的点和矩形区域，以及计算矩形面积的函数。

2. 重叠区域计算

float overlappingArea(Rect rect1, Rect rect2) {
    float left = max(rect1.topLeft.x, rect2.topLeft.x);
    float right = min(rect1.bottomRight.x, rect2.bottomRight.x);
    float top = max(rect1.topLeft.y, rect2.topLeft.y);
    float bottom = min(rect1.bottomRight.y, rect2.bottomRight.y);
    
    if (right > left && bottom > top) {
        return (right-left)*(bottom-top);
    }
    return 0.0f;
}

该函数计算两个矩形重叠区域的面积，若无重叠则返回0。

3. 边界框转换

Rect rectFromBoundingBox(JsonVariant prediction) {
    JsonObject bounding_box = prediction["boundingBox"].as<JsonObject>();
    
    float left = bounding_box["left"].as<float>();
    float top = bounding_box["top"].as<float>();
    float width = bounding_box["width"].as<float>();
    float height = bounding_box["height"].as<float>();
    
    Point topLeft = {left, top};
    Point bottomRight = {left + width, top + height};
    
    return {topLeft, bottomRight};
}

将JSON格式的预测结果转换为矩形结构，便于后续处理。

库存计数核心逻辑

std::vector<JsonVariant> passed_predictions;

for (int i = 0; i < predictions.size(); ++i) {
    Rect prediction_1_rect = rectFromBoundingBox(predictions[i]);
    float prediction_1_area = area(prediction_1_rect);
    bool passed = true;

    for (int j = i + 1; j < predictions.size(); ++j) {
        Rect prediction_2_rect = rectFromBoundingBox(predictions[j]);
        float prediction_2_area = area(prediction_2_rect);

        float overlap = overlappingArea(prediction_1_rect, prediction_2_rect);
        float smallest_area = min(prediction_1_area, prediction_2_area);

        if (overlap > (overlap_threshold * smallest_area)) {
            passed = false;
            break;
        }
    }

    if (passed) {
        passed_predictions.push_back(predictions[i]);
    }
}

该算法通过双重循环比较所有预测结果，当两个边界框的重叠面积超过阈值（默认20%）时，认为它们代表同一商品，只保留其中一个预测结果。

结果输出与优化

系统最终会输出每个有效检测到的商品信息及总数：

tomato paste:   35.84%  {"left":0.395631,"top":0.215897,"width":0.180768,"height":0.359364}
Counted 4 stock items.

优化建议

1. 动态调整重叠阈值：根据实际场景调整overlap_threshold值
2. 多维度验证：结合商品标签和置信度进行更精确的过滤
3. 异常处理：增加对无效预测结果的容错机制

实际应用扩展

本系统可进一步扩展为：

• 实时库存监控系统
• 自动补货预警系统
• 货架陈列分析工具

结语

通过本教程，我们实现了一个基于Wio Terminal的智能库存计数系统原型。该系统展示了物联网设备在零售场景中的实际应用价值，为初学者提供了从理论到实践的完整学习路径。读者可以根据实际需求进一步优化算法，或将其集成到更大的零售管理系统中。

IoT-For-Beginners 12 Weeks, 24 Lessons, IoT for All! 项目地址: https://gitcode.com/gh_mirrors/io/IoT-For-Beginners