面向智能零售的商品自动识别系统设计与实现

发布时间：2021-07-14 12:49

　　随着我国经济快速发展,居民收入水平不断提高,零售商品的种类极大丰富。虽然电子商务给居民消费带来了很大便利,但线下零售（如百货商场、超市、便民市场、便利店等）仍是我国居民最主要的消费场所。然而,在线下零售场景中,尤其在消费高峰时段、居民密度大的地区,经常存在结算效率低、人工成本高、结算体验差等问题。尽管自助扫码结算技术已广泛应用,但仍存在操作复杂、效率低下等问题。因此,设计和研发一种基于计算机视觉的批量商品自动识别与结算系统,具有重要的研究和应用价值。为解决上述问题,本文基于深度学习技术设计了一系列面向线下零售场景的商品检测与识别模块,并实现了一种批量商品自动识别与结算系统。该系统首先通过双目RGB摄像头拍摄放于置物台的多件商品,然后利用商品检测模块定位商品在图像中的位置,此后采用基于度量学习的细粒度商品识别模块构建商品特征库,最后通过特征检索与匹配识别商品类别并结算。本文的主要贡献如下:首先,为准确和快速地定位图像中的商品,设计了一种基于性能精度折中网络（PVANet）的商品检测模块。该模块采用了一种高效的网络结构,能够提高检测速度,同时保持检测精度。此外该模块引入了Inception... 

【文章来源】：杭州电子科技大学浙江省

【文章页数】：69 页

【学位级别】：硕士

【图文】：

图像识别的四大任务

杭州电子科技大学（硕士）学位论文7第2章相关基础知识概述本章介绍了基于深度学习的商品识别课题的相关知识，分为四个部分：神经网络的相关知识，反向传播算法，卷积神经网络以及基于深度学习的图像检测和识别。2.1神经网络的相关知识人工神经网络（artificialneuralnetwork，ANN），简称神经网络（neuralnetwork，NN）或类神经网络，模仿了生物神经网络(动物的中枢神经系统，特别是大脑)的结构和功能[34]，通过多个神经元互联连接而成，是一种计算模型，用于对函数进行估计或近似。图2.1神经元结构图如图2.1所示，人工神经网络的基本单元是神经元模型[35]，包含三个部分：（1）模型的输入是数据里的自变量，对应着生物神经元里面的树突。（2）接收输入变量的是一个线性模型，对应着生物神经元里面的细胞体，在图中用正方形表示。线性模型（图中的正方形）用来计算所有输入的加权和，包含权重项和截距项。线性模型的输出作为非线性激活函数（activationfunction）的输入，在图中用三角形表示，控制是否对外发出信号，如同生物神经元中的轴突。正方形和三角形都处于一个灰色的大圆圈中，这是因为在神经网络领域，线性模型和激活函数的组合常用一个圆圈来概括的表示。（3）各个部分使用箭头进行连接，箭头相当于生物神经元中的突触。图中的神经元得到的最后输出为(∑+)，输出后还跟着一个箭头，表示该输出

杭州电子科技大学（硕士）学位论文8会作为下一个神经元的输入。非线性激活函数使线性模型具有了非线性，增强了神经网络的表达能力，是神经元模型的重中之重。在最初的神经元模型中，使用简单的阈值函数作为激活函数：设置阈值为，当线性模型的输出大于阈值时，激活函数输出1；当线性模型的输出小于阈值时，激活函数输出0，这便是感知器，常被用来解决二元分类问题。复杂一些的感知器由简单的感知器单元组合而成，如多层感知器，其特点在于有多个神经元层，因此也称其为深度神经网络，如下图所示。与简单感知器相比，多层感知器的第层的每个神经元和第1层的每个神经元都有连接。多层感知器可以分为三个部分：输入层，隐藏层和输出层，其中隐藏层可以只有一层，也可以有多层；输出层可以有一个神经元，也可以有多个神经元。图2.2多层感知器示意图感知器使用阈值函数作为激活函数[36]，一定程度上模拟了生物神经元里面的轴突的行为，效果一般，现在出现了更多类型的激活函数。1、sigmoid函数：()=11+，其值域为(0,1)2、双曲正切（tanh）函数：()=tanh()=+，值域为(1,1)。3、ReLU函数：()=max(0,)，值域为[0,+∞)。在早期的神经网络研究者，sigmoid函数深受学者喜爱，但在深度网络中，使用sigmoid函数作为激活函数，在梯度反向传递时会发生梯度爆炸或梯度消失的情况。近年来，ReLU函数成为了最常用的激活函数之一，它在正区间解决了梯度消失的问题，并且计算速度非常快，收敛速度也远远快于sigmoid函数以及tanh函数。

【参考文献】：
期刊论文
[1]基于图像增强技术的SURF特征匹配算法研究[J]. 张明浩,杨耀权,靳渤文.  自动化与仪表. 2019(09)
[2]大数据背景下传统零售企业精准营销探析[J]. 李卫华.  商业经济研究. 2019(15)
[3]人工智能视域下新零售时代业态结构研究[J]. 迟海涛.  商业经济研究. 2019(09)
[4]基于全连接和LSTM神经网络的空气污染物预测[J]. 韩伟,吴艳兰,任福.  地理信息世界. 2018(03)
[5]基于颜色和SURF特征的图像匹配算法[J]. 王招娣,王贤立,杨数强.  电子科技. 2017(12)
[6]从“Amazon Go”看人工智能时代无人超市实现方案[J]. 顾鸿铭.  数字通信世界. 2017(03)
[7]基于改进SIFT算法的图像匹配[J]. 刘佳,傅卫平,王雯,李娜.  仪器仪表学报. 2013(05)
[8]无线射频识别技术应用综述[J]. 何泉江,夏林.  现代建筑电气. 2011(08)
[9]条码技术的发展及应用[J]. 李俊宏,湛邵斌.  计算机与数字工程. 2009(12)
[10]自动识别技术与商品流通[J]. 李雪梅.  现代商业. 2009(17)

硕士论文
[1]基于深度学习的商品识别研究[D]. 随玉腾.青岛科技大学 2019
[2]基于深度学习的超市商品图像识别方法研究[D]. 胡正委.中国科学技术大学 2018
[3]基于RFID的超市购物数据分析算法研究[D]. 王丽科.太原理工大学 2017



本文编号：3284176