欢迎访问上邦|专注企业 AI 数字化转型落地 · 咨询热线 400-667-6771
免费咨询
首页 / 资讯中心 / 技术干货 / 文章详情
技术干货

基于计算机视觉的生鲜商品新鲜度分级与自动巡检

上邦 AI 工程团队2026-10-15阅读 约 9 分钟
生鲜的新鲜度直接决定损耗与客诉。本文给出可复现的视觉方案:用 OpenCV 做图像预处理,结合目标检测模型定位商品、用颜色与纹理特征做新鲜度分级,并在门店巡检中自动标记临期与变质商品,整套流程可在边缘设备离线运行,降低对人工目检的依赖。

痛点:生鲜损耗靠人眼,标准难统一

生鲜商品的损耗是零售利润的最大杀手之一。传统巡检依赖店员肉眼判断,标准因人而异、记录靠手抄、问题发现滞后。同一把青菜,A 店员判新鲜、B 店员判将腐,既影响陈列也埋下客诉隐患。

方案:检测定位 + 特征分级

整体流程分三步:先用目标检测模型把货架上的生鲜商品框出来;再对每块商品区域提取颜色、纹理等视觉特征;最后按预设规则做新鲜度分级(新鲜 / 临界 / 变质),并联动巡检系统自动告警。
① 图像采集:门店摄像头或巡检终端定时抓拍货架;
② 预处理:用 OpenCV 做白平衡、去噪与感兴趣区域裁剪;
③ 检测与分级:YOLO 类模型定位商品,颜色空间特征判定新鲜度;
④ 告警:临界与变质商品推送给店长,形成闭环。

可复现代码

图像预处理示例:
import cv2
img = cv2.imread('shelf_001.jpg')
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
# 简单去噪与裁剪感兴趣区域
denoised = cv2.fastNlMeansDenoisingColored(img, None, 10, 10, 7, 21)
roi = denoised[100:600, 200:900]
用 Ultralytics YOLO 做商品检测(模型权重按门店商品微调后效果更好):
from ultralytics import YOLO
model = YOLO('yolov8n.pt')
results = model('shelf_001.jpg')
for r in results:
    for b in r.boxes:
        print('class', int(b.cls), 'conf', float(b.conf), 'xyxy', b.xyxy.tolist())
新鲜度分级可基于 HSV 颜色空间统计叶片枯黄比例,再映射到等级标签。整套流程模型体积小,可部署在门店边缘盒子或巡检平板上离线运行,不依赖云端。
提醒:视觉分级仅作辅助告警,最终下架与报损决策仍由店员确认;涉及食品安全须符合相关卫生规范,模型误判不免除人工责任。

参考来源

OpenCV 官方文档(图像处理与视频分析) - docs.opencv.org
Ultralytics YOLO 官方文档(目标检测训练与推理) - docs.ultralytics.com
相关标签:零售 AI计算机视觉生鲜损耗目标检测边缘推理

免费咨询上邦技术顾问

一对一上邦方案顾问对接 · 免费定制企业专属 AI 数字化转型方案

立即获取上邦方案