隨著網(wǎng)絡技術的飛速發(fā)展,無人超市作為新零售模式被廣泛關注。無人超市現(xiàn)有解決方案多通過對商品貼裝RFID設備實現(xiàn),成本偏高。近年深度神經網(wǎng)絡的發(fā)展迅速,隨之而來的是目標檢測算法的快速更迭,使基于計算機視覺的無人超市解決方案成為可能。故本文以深度神經網(wǎng)絡為基礎,研究便利店的商品檢測與識別算法。本文首先對目標檢測算法在泛化數(shù)據(jù)集上的性能表現(xiàn)進行了研究。深度神經網(wǎng)絡擁有強特征表達能力的優(yōu)勢,在檢測與識別任務中都有突出的表現(xiàn),故現(xiàn)有目標檢測算法多以深度神經網(wǎng)絡為基礎。商品識別以精度為第一指標,本文著重研究基于區(qū)域的檢測識別算法。Faster R-CNN模型是基于區(qū)域的檢測算法中的重要模型,在對該模型進行深入研究后,本文對Faster R-CNN模型中的特征提取網(wǎng)絡表達特征尺度不夠豐富的問題作出改進,提出了基于多尺度特征融合的Faster R-CNN模型,并在VOC2007數(shù)據(jù)集上提升了檢測的準確率。在泛化數(shù)據(jù)集的研究基礎之上,本文針對便利店商品數(shù)據(jù)集的特性:商品尺寸差異大、遮擋明顯和細長商品較多,提出了基于深度多尺度特征融合的商品檢測算法。該算法以Faster R-CNN為基礎,將特征提取網(wǎng)絡改... 

【文章來源】：西安電子科技大學陜西省 211工程院校 教育部直屬院校

【文章頁數(shù)】：82 頁

【學位級別】：碩士

【部分圖文】：

三種卷積模式

轉變?yōu)榱溯斎雸D像經過一次特征提取網(wǎng)絡，使用多任務訓練（Multi-task）將區(qū)域分類與ax 分類器代替 SVM，直接輸出分類得分，F(xiàn)ast R-CNN 相比于 R-CNN 在訓練速度、檢測支持實時目標檢測任務為著眼點的 Faster R 73.2%mAP 的結果，同時處理速度達到了 5故 Faster R-CNN 模型作為目標檢測領域內在 Fast R-CNN 的基礎上進一步將區(qū)域推薦網(wǎng)絡中，實現(xiàn)了端到端學習。使用區(qū)域推薦N）代替選擇性搜索（Selective Search）算法度更快同時更加準確；特征提起網(wǎng)絡的選擇t 與 VGG-Net 代替了 Alex-Net，更深的網(wǎng)絡下：

第三章 基于多尺度特征融合的目標檢測模型29圖3.4 區(qū)域推薦網(wǎng)絡示意圖如上圖所示，區(qū)域推薦網(wǎng)絡對每個滑動窗口根據(jù)三種不同尺度（8,16,32）和三種不同長寬比[1:2，1:1，2:1]構造 9 個預候選框（anchor），即上圖中的k 。在次級網(wǎng)絡中，框回歸任務輸出為4 9，即對每一個候選框的四個坐標參數(shù)（中心點坐標以及框的長寬）預測一組偏移量，采用 L1 平滑損失函數(shù)

【參考文獻】：
期刊論文
[1]基于改進Faster R-CNN算法的車輛檢測[J]. 林國平,余曉龍.  閩南師范大學學報(自然科學版). 2019(01)
[2]基于改進Faster R-CNN的Logo目標檢測方法[J]. 黃明珠,黃文清.  計算機系統(tǒng)應用. 2019(02)

碩士論文
[1]基于深度學習的大規(guī)模商品圖像分類研究[D]. 艾姍姍.北京交通大學 2018
[2]基于卷積神經網(wǎng)絡的鐵軌表面缺陷識別研究[D]. 劉雄祥.西南科技大學 2018
[3]商品圖像檢測方法的研究[D]. 王智慧.北京郵電大學 2018
[4]基于區(qū)域的卷積神經網(wǎng)絡及其在靜態(tài)目標檢測方面的應用[D]. 王飛.北京郵電大學 2017



本文編號：3498350