一种基于娃娃摆放姿态的抓取量预测方法与系统与流程

本发明涉及计算机应用技术领域，尤其涉及一种基于娃娃摆放姿态的抓取量预测方法与系统。

背景技术：

人们在娃娃机上抓娃娃，都是想获得娃娃机里面的公仔娃娃。一般的用户除了看娃娃机的抓取价格、娃娃的形状外，还会根据娃娃的摆放位置，进行抓取。因为那些摆放不稳、靠近掉落口、越容易被抓取的娃娃，越容易获得消费者的青睐，越愿意进行抓取。人们在娃娃机上抓娃娃时都是会先看娃娃的摆放姿态的，目前没有娃娃机对里面的娃娃进行分析。在商场的娃娃机中，有时候，经常出现，大家只抓取某台机器的娃娃，而另外几台机器无人问津。之所以某些娃娃机没有生意，很大原因就是，娃娃机中的娃娃太少，或者里面的公仔摆放的位置和姿态，让用户觉得抓取到的概率太低。如果能够预测到什么样的摆放方式会引发用户的抓取，什么样的摆放方式会导致用户减少。那么就能让商家针对性的对娃娃机的摆放进行修正，提高娃娃机被顾客光顾的概率，吸引更多用户参与，提高娃娃机的被用户使用的程度。

技术实现要素：

本发明提供了一种基于娃娃摆放姿态的抓取量预测方法，主要包括以下步骤：

当用户对多个娃娃机进行选择时，记录被选取的娃娃机；

娃娃机上安装有摄像头，获取娃娃机中娃娃和观望人流的图像；

用户在所述被选取的娃娃机上，开始抓娃娃时，通过图像分析软件，分析娃娃形状、娃娃堆放高度、娃娃离掉落口的距离以及娃娃摆放姿势，获得娃娃摆放特征；

统计所述用户在所述娃娃机上抓取娃娃的次数；

在第一用户结束玩娃娃机之后，根据所述娃娃摆放特征，根据预先训练好的机器学习模型，预测第二用户是否会选择所述娃娃机进行抓取；

若是，进一步预测抓取次数；

若否，则对娃娃机中的娃娃进行重新摆放。

进一步可选地，如上所述的方法中，所述娃娃机上安装有摄像头，获取娃娃机中娃娃和观望人流的图像，主要包括：

娃娃机中安装有摄像头，可以对娃娃机中的娃娃进行姿态监控，并发现是否有娃娃的部分肢体被其他娃娃夹住；

娃娃机安装的图像采集设备，可获取娃娃机外的玩家图像；

娃娃机可以统计观望人流中，有多少人玩娃娃机；所述观望人流是指观看娃娃机超过预设时间长度阈值的人数；

根据观望人流中有多少人完娃娃机，统计各个娃娃机在当前的摆放姿态下，被用户选择来进行抓取的各自的概率。

进一步可选地，如上所述的方法中，所述通过图像分析软件，分析娃娃形状、堆放高度、最近的娃娃离掉落口的距离以及娃娃摆放姿势，获得娃娃摆放特征，主要包括：

采用openvc图像处理技术，基于hog特征，对娃娃轮廓进行提取，获取娃娃形状；

根据娃娃机机箱高度和娃娃堆放的所占娃娃机机箱的比例，推测娃娃被堆放的高度；

通过openvc软件对图像进行处理，获取方形或者圆形的娃娃机掉落口位置；

获取所述娃娃机中处于最上面的每一个娃娃，获取所述娃娃，距离该掉落口距离，计算所述距离最近的娃娃，相对于掉落口的距离；

获取娃娃摆放的方向，根据图像分析娃娃摆放的倾斜角度。

进一步可选地，如上所述的方法中，所述根据预先训练好的机器学习模型，主要包括：

将所述娃娃摆放特征作为特征数据，将所述用户是否选择了所述娃娃机进行抓取作为一个二元分类的标注值，训练机器学习模型一；

将所述娃娃摆放特征作为特征数据，将所述用户在所述娃娃机上抓取娃娃的次数作为标注值，训练机器学习模型二；

所述机器学习模型一，采用支持向量机作为训练和预测的分类模型；

所述机器学习模型二，采用卷积神经网络作为训练和预测的分类模型。

进一步可选地，如上所述的方法中，所述预测用户是否会选择所述娃娃机进行抓取；若是，进一步预测抓取次数，主要包括：

根据娃娃形状、堆放高度、最近的娃娃离掉落口的距离以及娃娃摆放姿势特征数据，进行预处理，输入已经训练好的二元分类支持向量机模型，预测用户是否会选择当前的娃娃机进行抓取；

若是，根据娃娃形状、堆放高度、最近的娃娃离掉落口的距离以及娃娃摆放姿势特征数据，进行预处理，输入已经训练好的多元卷积神经网络模型，预测用户会进行几轮的抓取。

进一步可选地，如上所述的方法中，所述预测用户会进行几轮的抓取，之后，主要还包括：

若预测的抓取轮数小于预设的次数，提醒商家娃娃机中的

娃娃摆放姿势可以进一步优化以提升用户抓取量。

进一步可选地，如上所述的方法中，所述对娃娃机中的娃娃进行重新摆放，主要包括：

若所述娃娃机预测结果为，用户不会选择它进行抓取或者抓取次数小于预设的阈值，

则通过机械臂对娃娃进行搅动和重新摆放；

或者，提示用户娃娃机将会采用强力抓取，并采用更大的抓力进行抓取，吸引用户前来抓取。

进一步可选地，如上所述的方法中，所述通过机械臂对娃娃进行搅动和重新摆放，主要包括：

通过图像处理软件，识别娃娃机内部娃娃的位置，根据娃娃位置，自动控制机械臂，对娃娃机内的娃娃进行抓取，使远离掉落口的娃娃更近靠近掉落口或者使摆放稳固的娃娃，更容易被抓取和倾倒；

进一步可选地，如上所述的方法中，所述通过机械臂对娃娃进行搅动和重新摆放，主要还包括：

若所述娃娃机预测结果为：用户不会选择抓取；

则增加娃娃机中的娃娃数量，并堆放得更高；或者，

调节抓取机械臂，增强抓取力度和调节更大的抓到概率。

本发明公开了一种基于娃娃摆放姿态的抓取量预测系统，所述系统包括：

一种基于娃娃摆放姿态的抓取量预测方法与系统，其特征在于，所述系统包括：

娃娃摆放姿态信息获取模块，用于获取娃娃机中娃娃的摆放姿态；

数据训练模块，用于根据娃娃摆放姿态，训练娃娃机被选择的模型和娃娃被抓取次数模型；

抓取预测模块，用于根据娃娃摆放姿态，预测用户的抓取行为；

姿势调整模块，用于根据预测结果，调整娃娃机中娃娃的摆放姿势；

本发明实施例提供的技术方案可以包括以下有益效果：

本发明可以对娃娃机中的娃娃的摆放姿态进行分析，预测该摆放姿态下，娃娃机被用户选择抓取的概率，以及用户会进行多少次娃娃抓取，并根据预测值，进行娃娃机中娃娃摆放姿势的调整。

附图说明

图1为本发明的基于娃娃摆放姿态的抓取量预测方法实施例的流程图；

图2为本发明的基于娃娃摆放姿态的抓取量预测系统实施例的结构图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。

图1为本发明的方法的流程图。如图1所示，本实施例的娃娃摆放姿态的抓取量预测方法，具体可以包括如下步骤：

步骤101，娃娃机采集娃娃图像和娃娃机周边人流的图像。

娃娃机中安装有摄像头，可以对娃娃机中的娃娃进行姿态监控，并发现是否有娃娃的部分肢体或部件被其他娃娃夹住；因为即使摆放的姿态容易被抓取，也要避免出现有娃娃中有肢体或部件例如绳子被其他娃娃压住的情况，这样用户也不会去抓取那个娃娃。

娃娃机安装的图像采集设备，可获取娃娃机外的玩家图像；

娃娃机可以统计观望人流中，有多少人玩娃娃机；观望人流是指观看娃娃机超过预设时间长度阈值的人数；

步骤102，通过图像分析软件，分析娃娃形状、堆放高度、最近的娃娃离掉落口的距离以及娃娃摆放姿势，获得娃娃摆放特征，主要包括：

采用openvc图像处理技术，基于hog特征，对娃娃轮廓进行提取，获取娃娃形状；娃娃的形状会对用户对抓取欲望产生影响，有些可爱的娃娃更容易被用户青睐，有些比较丑，则不会被用户所喜爱，自然就不会对其进行抓取；

根据娃娃机机箱高度和娃娃堆放的所占娃娃机机箱的比例，推测娃娃被堆放的高度；娃娃堆放得越多，用户可以选择抓取的娃娃就越多，而且由于堆放的时候不会平整，也会导致有些娃娃更容易掉到出口处，方便用户抓取。堆放高度是吸引用户的另一个途径。

通过openvc软件对图像进行处理，获取方形或者圆形的娃娃机掉落口位置；掉落口一般都是方形的，可以通过图像采集设备进行图像识别，并获取出口位置。

获取所述娃娃机中处于最上面的每一个娃娃，获取所述娃娃，距离该掉落口距离，计算所述距离最近的娃娃，相对于掉落口的距离；所述掉落口是指，娃娃从该出口掉落后就可以被用户拿走的出口。

如果有娃娃距离掉落口很近，那么会更近吸引用户前去抓取，这种姿态的娃娃摆放，具有很强的吸引力。会让用户以为很容易就可以将娃娃夹到。但是其实商家可以对抓力进行调节，因此即使娃娃放在靠近出口处，抓取成功的概率的控制权依然还是在商家手上。

获取娃娃摆放的方向，根据图像分析娃娃摆放的倾斜角度。娃娃摆放方向也跟是否容易被抓取有联系。如果娃娃摆放非常稳固整齐，其实不容易被抓动，因此摆放的方向，可以是正面，也可以是反面，可以倒着或者斜着，都有利于被抓取。上面只是基于普通常识的简单举例，具体什么样的摆放姿势更容易被抓起，更吸引用户。其实还是需要通过机器学习的方式，进行多次训练分析，才能具有更加精确的预测性。

通过图像分析软件，分析娃娃形状、堆放高度、最近的娃娃离掉落口的距离以及娃娃摆放姿势，获得娃娃摆放特征。

步骤103，根据娃娃摆放特征与人流分析，统计娃娃机被用户玩的概率。

根据观望人流中有多少人完娃娃机，统计各个娃娃机在当前的摆放姿态下，被用户选择来进行抓取的各自的概率。通过大量统计在娃娃机旁看过里面的娃娃，或者观望别人抓娃娃的人中，有多少人会自己去抓娃娃，就能获取娃娃机中的娃娃在一定摆放姿态下，是否吸引人。分析各种摆放姿态下，有多少人会进行抓取。这种统计方式比较简单，但是也具有较大的预测准确行。这是最简单的一种根据娃娃机中娃娃姿态，进行抓取量预测的方法。例如，经过并观看了第一台娃娃机的用户有50人，只有1一个人玩。则游玩概率为2%。经过并观看了第二台娃娃机的用户有50人，有5人玩了。则游玩概率为10%。说明第二台娃娃机的娃娃更吸引人，它的娃娃或者娃娃的摆放方式更加容易引导人们去玩。

步骤104，根据预先训练好的机器学习模型，预测用户抓取行为。

将所述娃娃摆放特征作为特征数据，将所述用户是否选择了所述娃娃机进行抓取作为一个二元分类的标注值，训练机器学习模型一；

用户有很大的因素是根据娃娃机中的娃娃的情况，对娃娃机进行选择的，因为娃娃机可以监控到围观的人流，因此娃娃机可以识别，附近的客流是否选择了当前的娃娃机进行抓取游玩。当一个用户在多个娃娃机中，选择了其中一个或者几个娃娃机进行抓取时，被选择的娃娃机，被标记为正向，没有被选择的被标记为负向。这两种标注结果可以训练一个二分类的机器学习模型。训练特征就是娃娃机所对应的机箱内娃娃的摆放特征。

另一方面，是否抓取是一个问题，抓取的次数又是另一个问题。

将所述娃娃摆放特征作为特征数据，将所述用户在所述娃娃机上抓取娃娃的次数作为标注值，训练机器学习模型二；

因为抓娃娃一般都不是一次性就能抓中的，因此需要多次抓取才能获得更高的抓取到的概率。用户一般会根据对娃娃的需求和娃娃是否容易被抓取而决定是否会多次进行抓取。而不同的娃娃，不同的摆放特征，将决定着用户的抓取次数。通过将抓取次数作为娃娃特征的标注值，训练模型，就能根据娃娃的摆放特征，进行抓取次数的预测。

根据娃娃形状、堆放高度、最近的娃娃离掉落口的距离以及娃娃摆放姿势特征数据，进行预处理，输入已经训练好的二元分类支持向量机模型，预测用户是否会选择当前的娃娃机进行抓取；采用支持向量机作为训练和预测的分类模型；该模型属于二元分类，分类结果为，是或者否。

若预测结果为是，说明用户会进行娃娃机的抓取，可以进一步预测用户会抓取的次数。同样的，根据娃娃形状、堆放高度、最近的娃娃离掉落口的距离以及娃娃摆放姿势特征数据，进行预处理，输入已经训练好的多元卷积神经网络模型，预测用户会进行几轮的抓取。采用卷积神经网络作为训练和预测的分类模型。该模型属于多元类，分类结果为数字。即用户会抓取多少轮。其中支持向量机和通过开源软件scikit_learn实现，卷积神经网络可以通过开源软件pytorch进行实现。

若预测的抓取轮数小于预设的次数，提醒商家娃娃机中的娃娃摆放姿势可以进一步优化以提升用户抓取量。例如，预测用户只会抓取一次，那么商家的收益还是比较少的。说明这样的娃娃摆放方式还是不够好，可以进一步摆放得更吸引人，以增加用户愿意抓取的意愿。

步骤105，若预测出用户参与度低，则对娃娃机中的娃娃进行重新摆放。

若所述娃娃机预测结果为，用户不会选择它进行抓取或者抓取次数小于预设的阈值，即用户参与度低。

则通过机械臂对娃娃进行搅动和重新摆放。这主要包括，

通过图像处理软件，识别娃娃机内部娃娃的位置，根据娃娃位置。与人为操作的原理一样，识别娃娃的位置后，自动将控制装置定位到抓取位置，并使之控制机械臂，对娃娃机内的娃娃进行抓取。自动抓取的目标是自动让娃娃机的摆放位置发生变化，并减少人工开箱摆放调整位置的麻烦，同时也使娃娃机的摆放更近自然合理。

如果无法通过自动的方式进行摆放，也可以通过人工开箱摆放的方式，改变娃娃机的摆放效果。

重新摆放的目标是，努力使远离掉落口的娃娃更近靠近掉落口或者使摆放稳固的娃娃，倾倒和更容易被抓取；因为这样才能更好的吸引顾客。

步骤106，若预测出用户参与度低，采用提示抓取力度或增加娃娃摆放量，提升用户的参与度。

如果对当前的娃娃机进行预测，结果为：用户不会选择抓取；那么除了通过机械臂对娃娃进行搅动和重新摆放，还可以通过其他方法吸引用户参与娃娃机的抓取。其中，包括增加娃娃机中的娃娃数量，并堆放得更高；娃娃堆放得越多，用户可以选择抓取的娃娃就越多，而且由于堆放的时候不会平整，也会导致有些娃娃更容易掉到出口处，方便用户抓取。另一方面，采用调节抓取机械臂，增强抓取力度和调节更大的抓到概率。娃娃机的抓取力和抓到娃娃的概率，是可以设置和调节的，增加抓取力度，并对用户进行抓取力度提示，能够更好的让用户了解到抓取概率，提升其参与度。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例可以通过软件实现，也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，上述实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。