隨著我國經(jīng)濟(jì)快速發(fā)展,居民收入水平不斷提高,零售商品的種類極大豐富。雖然電子商務(wù)給居民消費(fèi)帶來了很大便利,但線下零售（如百貨商場、超市、便民市場、便利店等）仍是我國居民最主要的消費(fèi)場所。然而,在線下零售場景中,尤其在消費(fèi)高峰時段、居民密度大的地區(qū),經(jīng)常存在結(jié)算效率低、人工成本高、結(jié)算體驗(yàn)差等問題。盡管自助掃碼結(jié)算技術(shù)已廣泛應(yīng)用,但仍存在操作復(fù)雜、效率低下等問題。因此,設(shè)計和研發(fā)一種基于計算機(jī)視覺的批量商品自動識別與結(jié)算系統(tǒng),具有重要的研究和應(yīng)用價值。為解決上述問題,本文基于深度學(xué)習(xí)技術(shù)設(shè)計了一系列面向線下零售場景的商品檢測與識別模塊,并實(shí)現(xiàn)了一種批量商品自動識別與結(jié)算系統(tǒng)。該系統(tǒng)首先通過雙目RGB攝像頭拍攝放于置物臺的多件商品,然后利用商品檢測模塊定位商品在圖像中的位置,此后采用基于度量學(xué)習(xí)的細(xì)粒度商品識別模塊構(gòu)建商品特征庫,最后通過特征檢索與匹配識別商品類別并結(jié)算。本文的主要貢獻(xiàn)如下:首先,為準(zhǔn)確和快速地定位圖像中的商品,設(shè)計了一種基于性能精度折中網(wǎng)絡(luò)（PVANet）的商品檢測模塊。該模塊采用了一種高效的網(wǎng)絡(luò)結(jié)構(gòu),能夠提高檢測速度,同時保持檢測精度。此外該模塊引入了Inception... 

【文章來源】：杭州電子科技大學(xué)浙江省

【文章頁數(shù)】：69 頁

【學(xué)位級別】：碩士

【圖文】：

圖像識別的四大任務(wù)

杭州電子科技大學(xué)（碩士）學(xué)位論文7第2章相關(guān)基礎(chǔ)知識概述本章介紹了基于深度學(xué)習(xí)的商品識別課題的相關(guān)知識，分為四個部分：神經(jīng)網(wǎng)絡(luò)的相關(guān)知識，反向傳播算法，卷積神經(jīng)網(wǎng)絡(luò)以及基于深度學(xué)習(xí)的圖像檢測和識別。2.1神經(jīng)網(wǎng)絡(luò)的相關(guān)知識人工神經(jīng)網(wǎng)絡(luò)（artificialneuralnetwork，ANN），簡稱神經(jīng)網(wǎng)絡(luò)（neuralnetwork，NN）或類神經(jīng)網(wǎng)絡(luò)，模仿了生物神經(jīng)網(wǎng)絡(luò)(動物的中樞神經(jīng)系統(tǒng)，特別是大腦)的結(jié)構(gòu)和功能[34]，通過多個神經(jīng)元互聯(lián)連接而成，是一種計算模型，用于對函數(shù)進(jìn)行估計或近似。圖2.1神經(jīng)元結(jié)構(gòu)圖如圖2.1所示，人工神經(jīng)網(wǎng)絡(luò)的基本單元是神經(jīng)元模型[35]，包含三個部分：（1）模型的輸入是數(shù)據(jù)里的自變量，對應(yīng)著生物神經(jīng)元里面的樹突。（2）接收輸入變量的是一個線性模型，對應(yīng)著生物神經(jīng)元里面的細(xì)胞體，在圖中用正方形表示。線性模型（圖中的正方形）用來計算所有輸入的加權(quán)和，包含權(quán)重項和截距項。線性模型的輸出作為非線性激活函數(shù)（activationfunction）的輸入，在圖中用三角形表示，控制是否對外發(fā)出信號，如同生物神經(jīng)元中的軸突。正方形和三角形都處于一個灰色的大圓圈中，這是因?yàn)樵谏窠?jīng)網(wǎng)絡(luò)領(lǐng)域，線性模型和激活函數(shù)的組合常用一個圓圈來概括的表示。（3）各個部分使用箭頭進(jìn)行連接，箭頭相當(dāng)于生物神經(jīng)元中的突觸。圖中的神經(jīng)元得到的最后輸出為(∑+)，輸出后還跟著一個箭頭，表示該輸出

杭州電子科技大學(xué)（碩士）學(xué)位論文8會作為下一個神經(jīng)元的輸入。非線性激活函數(shù)使線性模型具有了非線性，增強(qiáng)了神經(jīng)網(wǎng)絡(luò)的表達(dá)能力，是神經(jīng)元模型的重中之重。在最初的神經(jīng)元模型中，使用簡單的閾值函數(shù)作為激活函數(shù)：設(shè)置閾值為，當(dāng)線性模型的輸出大于閾值時，激活函數(shù)輸出1；當(dāng)線性模型的輸出小于閾值時，激活函數(shù)輸出0，這便是感知器，常被用來解決二元分類問題。復(fù)雜一些的感知器由簡單的感知器單元組合而成，如多層感知器，其特點(diǎn)在于有多個神經(jīng)元層，因此也稱其為深度神經(jīng)網(wǎng)絡(luò)，如下圖所示。與簡單感知器相比，多層感知器的第層的每個神經(jīng)元和第1層的每個神經(jīng)元都有連接。多層感知器可以分為三個部分：輸入層，隱藏層和輸出層，其中隱藏層可以只有一層，也可以有多層；輸出層可以有一個神經(jīng)元，也可以有多個神經(jīng)元。圖2.2多層感知器示意圖感知器使用閾值函數(shù)作為激活函數(shù)[36]，一定程度上模擬了生物神經(jīng)元里面的軸突的行為，效果一般，現(xiàn)在出現(xiàn)了更多類型的激活函數(shù)。1、sigmoid函數(shù)：()=11+，其值域?yàn)?0,1)2、雙曲正切（tanh）函數(shù)：()=tanh()=+，值域?yàn)?1,1)。3、ReLU函數(shù)：()=max(0,)，值域?yàn)閇0,+∞)。在早期的神經(jīng)網(wǎng)絡(luò)研究者，sigmoid函數(shù)深受學(xué)者喜愛，但在深度網(wǎng)絡(luò)中，使用sigmoid函數(shù)作為激活函數(shù)，在梯度反向傳遞時會發(fā)生梯度爆炸或梯度消失的情況。近年來，ReLU函數(shù)成為了最常用的激活函數(shù)之一，它在正區(qū)間解決了梯度消失的問題，并且計算速度非�？�，收斂速度也遠(yuǎn)遠(yuǎn)快于sigmoid函數(shù)以及tanh函數(shù)。

【參考文獻(xiàn)】：
期刊論文
[1]基于圖像增強(qiáng)技術(shù)的SURF特征匹配算法研究[J]. 張明浩,楊耀權(quán),靳渤文.  自動化與儀表. 2019(09)
[2]大數(shù)據(jù)背景下傳統(tǒng)零售企業(yè)精準(zhǔn)營銷探析[J]. 李衛(wèi)華.  商業(yè)經(jīng)濟(jì)研究. 2019(15)
[3]人工智能視域下新零售時代業(yè)態(tài)結(jié)構(gòu)研究[J]. 遲海濤.  商業(yè)經(jīng)濟(jì)研究. 2019(09)
[4]基于全連接和LSTM神經(jīng)網(wǎng)絡(luò)的空氣污染物預(yù)測[J]. 韓偉,吳艷蘭,任福.  地理信息世界. 2018(03)
[5]基于顏色和SURF特征的圖像匹配算法[J]. 王招娣,王賢立,楊數(shù)強(qiáng).  電子科技. 2017(12)
[6]從“Amazon Go”看人工智能時代無人超市實(shí)現(xiàn)方案[J]. 顧鴻銘.  數(shù)字通信世界. 2017(03)
[7]基于改進(jìn)SIFT算法的圖像匹配[J]. 劉佳,傅衛(wèi)平,王雯,李娜.  儀器儀表學(xué)報. 2013(05)
[8]無線射頻識別技術(shù)應(yīng)用綜述[J]. 何泉江,夏林.  現(xiàn)代建筑電氣. 2011(08)
[9]條碼技術(shù)的發(fā)展及應(yīng)用[J]. 李俊宏,湛邵斌.  計算機(jī)與數(shù)字工程. 2009(12)
[10]自動識別技術(shù)與商品流通[J]. 李雪梅.  現(xiàn)代商業(yè). 2009(17)

碩士論文
[1]基于深度學(xué)習(xí)的商品識別研究[D]. 隨玉騰.青島科技大學(xué) 2019
[2]基于深度學(xué)習(xí)的超市商品圖像識別方法研究[D]. 胡正委.中國科學(xué)技術(shù)大學(xué) 2018
[3]基于RFID的超市購物數(shù)據(jù)分析算法研究[D]. 王麗科.太原理工大學(xué) 2017



本文編號：3284176