基于深度学习的超市商品识别方法

发布时间：2021-07-24 07:47

　　在超市场景下,商家以及消费者需要实时地获得货架上的商品相关信息。目前这些商品的相关信息都是通过人工获得,但是超市的商品数目巨大,人工获得商品信息的方式成本高并且效率低,因此基于视觉的商品识别方法具有重要的研究意义和商业价值。超市商品识别方法主要有三个部分:商品目标的检测,商品目标的特征提取和商品目标的识别。目前常用的商品识别方法主要步骤如下:首先利用图像分割技术得到目标,然后提取商品的手工特征并与标准商品模板库中的商品匹配,进而得到商品目标的识别结果。但是超市中商品种类繁多,商品的表观特征没有一定的规律,因此常用的图像分割技术很难将未知的商品目标从图片中分离出,同时手工提取的特征很难自适应地表达海量商品的特性,导致这些方法在超市真实场景中不具备实用性。针对以上问题,本论文将深度学习算法应用到超市商品识别方法中,通过深度神经网络检测出商品目标区域并利用网络里的卷积层自适应地提取商品特征。本文的主要工作以及贡献点如下:1.本论文利用深度学习的方法对超市货架图片中的商品进行检测并且粗分类。首先在超市真实场景中采集数据,对货架图片中的商品区域进行标注并且粗分类,制作可供网络训练的数据集;其次构... 

【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校

【文章页数】：67 页

【学位级别】：硕士

【部分图文】：

局部特征特征描述子生成图

图2.2 SURF 特征描述子生成示意图以得到每个子区域携带 4 个信息，每个 SURF 此每个 SURF 特征点可以用 64 维的向量表示，描述子的维度减少了一半，从而大大加快了特征征图（Histogram of Oriented Gradient，HOG）是一强度分布特性的描述符，通过计算和统计图像局子。HOG 特征提取的主要步骤有包括：归一化直方图，组合梯度方向直方图的细胞单元，块内归一化像进行预处理以减少光照因素的影响，常用的方a 校正。：

为了保证真实超市场景中目标商品被准确检测，我们需要采集超市内的真实货架商品图片，这些图片是最可靠的数据源，如图 3.2 所示为货架图片示例。图3.2 货架图片示例2）商品图片标注在超市真实场景采集足够多的货架图片后，首先将无用的采集图片丢弃，然后对剩下的货架图片进行标注，标注出货架图片包含的每个商品目标区域以及商品所属的粗类别，商品目标区域用左上角顶点的坐标1 1( x , y )和右下角顶点2 2( x , y )表示，因此一个商品目标区域可以表示成：1 1 2 2( x , y , x , y)根据商品的外形以及用途，本论文将商品分成 32 个大类：背景，杂物工具、瓶装清洁用品、瓶装饮料、瓶装调料、瓶装酒、瓶装洗护用品、瓶装零食、袋装调料、袋装零食、袋装食材、袋装纸巾、袋装清洁用品、袋装日用品、罐装罐头，罐装饮料、罐装奶粉、罐装酒、盒装零食、盒装玩具、盒装饮品、盒装日用品、盒装洗护用品、盒装食材、杯子、碗、包、箱


本文编号：3300246