發(fā)布時間：2020-05-07 17:04

【摘要】：線上電商在互聯(lián)網(wǎng)和物流的普及下高速發(fā)展。然而經(jīng)歷了一段時間的高速發(fā)展后,傳統(tǒng)電商近年來面臨線上增長乏力等問題,已經(jīng)進(jìn)入瓶頸期,不得不在阿里巴巴提出的“新零售”背景下進(jìn)行線上電商與線下銷售結(jié)合的嘗試,尋求突破。智能貨柜是各大電商看好的發(fā)展方向,在嘗試使用了非視覺解決方案后,隨著深度神經(jīng)網(wǎng)絡(luò)在計算機(jī)視覺領(lǐng)域的重大突破,基于深度神經(jīng)網(wǎng)絡(luò)的視覺解決方案成為了智能貨柜解決方案的研究重點。本文圍繞智能貨柜的靜態(tài)視覺解決方案做了一定研究。主要工作如下:(1)對市面上最常用的靜態(tài)視覺解決方案——利用基于深度神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測模型對貨柜進(jìn)行全監(jiān)督商品檢測的方法——進(jìn)行了實驗與分析。本文分別用目標(biāo)檢測性能最好的雙步目標(biāo)檢測算法Faster R-CNN和單步目標(biāo)檢測算法YOLOv3在自己收集的真實貨柜場景數(shù)據(jù)集上進(jìn)行實驗,并用自己提出的針對智能貨柜商品檢測準(zhǔn)確性的評價方法對實驗結(jié)果進(jìn)行評估。實驗中發(fā)現(xiàn)了這種方法雖然能通過對消費前后的兩個時刻的貨柜內(nèi)商品進(jìn)行完整檢測來完成高精度的自動盤點、自動結(jié)算等功能,但是存在標(biāo)注成本高、更新成本高、部署成本高等問題。(2)針對以上實驗發(fā)現(xiàn)的問題,本文提出了一個新穎的成對圖片差異檢測算法DiffNet,該算法將孿生網(wǎng)絡(luò)相似性度量學(xué)習(xí)的特性與目標(biāo)檢測算法相結(jié)合,對消費者消費前后兩個時刻貨柜內(nèi)圖像進(jìn)行直接的差異檢測,找到有差異的商品所在的位置,之后用一個商品分類模型對差異商品進(jìn)行類型識別,即可完成智能貨柜的自動結(jié)算等功能。以DiffNet為核心的智能貨柜靜態(tài)解決方案只用標(biāo)注一對商品的差異位置包圍框,標(biāo)注成本遠(yuǎn)低于全監(jiān)督目標(biāo)檢測;產(chǎn)品上新后只用更新分類模型,更新成本低;DiffNet和商品分類模型的部署對硬件要求比全監(jiān)督目標(biāo)檢測低,部署成本低,且算法準(zhǔn)確度與全監(jiān)督目標(biāo)檢測方法相近,有較強的實際應(yīng)用意義�？偨Y(jié)來講,論文針對無人零售環(huán)境下的商品檢測問題首先實踐了目前計算機(jī)視覺中的主流解決方案,然后主要針對其應(yīng)用中標(biāo)注成本高的問題,提出了一種新穎的差異識別深度神經(jīng)網(wǎng)絡(luò),并取得了更加理想的應(yīng)用效果。
【圖文】：

圖 1-1 目標(biāo)檢測過程目標(biāo)檢測的發(fā)展可以用深度學(xué)習(xí)的崛起時間來作為一個分水嶺，用特征提取方式是人工手動提取還是深度卷積神經(jīng)網(wǎng)絡(luò)自動提取來分類，可以將目標(biāo)檢測分為傳統(tǒng)方法和基于深度神經(jīng)網(wǎng)絡(luò)的方法兩大類。深度學(xué)習(xí)方法介入前，傳統(tǒng)目標(biāo)檢測方法的主流做法是區(qū)域選擇、特征提取和分類回歸三部曲，基于滑動窗口做區(qū)域選擇的檢測方法在很長一段時間內(nèi)是表現(xiàn)最好的檢測算法。對于外表接近剛性，即形狀比較固定的物體，常見做法是使用滑動窗口搜索候選框，計算 SIFT[8]、HOG[9]、Haar[10,11]等快速特征，然后應(yīng)用支持向量機(jī)[12]、隨機(jī)森林[13]等分類器得到最終結(jié)果。對于外觀表現(xiàn)為非剛性，，即形狀變化比較大的物體，常采用 DPM(Deformable Part Model) 算法[14]，通過滑動窗口徹底搜索可能的位置、尺度和長寬比，然后提取特征進(jìn)行分類，這也是深度學(xué)習(xí)應(yīng)用在目標(biāo)檢測算法里之前表現(xiàn)最好的檢測算法；一些目標(biāo)識別領(lǐng)域的算法也能對非剛性物體的檢測起到比較好的作用，例如 SPM[15]和 BoW 模型[15]等，這些算法由于計算特

圖 2-1 Faster R-CNN 整體結(jié)構(gòu)圖Faster R-CNN 最突出的貢獻(xiàn)在于提出了區(qū)域建議網(wǎng)絡(luò)（Region ProposalNetwork,RPN），是一個簡單的神經(jīng)網(wǎng)絡(luò)，取代了選擇性搜索方法（Selective SearchSS），讓區(qū)域提取的過程也能放入 GPU 中由神經(jīng)網(wǎng)絡(luò)實現(xiàn)，把候選區(qū)域提取的時間開銷從 2s 降低到了 0.01s。作者還在 RPN 中首次提出了錨框（Anchor）的概念，錨框是大小和尺寸固定
【學(xué)位授予單位】：華中科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP391.41;TP183

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 舒朗;郭春生;;基于回歸與深度強化學(xué)習(xí)的目標(biāo)檢測算法[J];軟件導(dǎo)刊;2018年12期

2 王鈐;張穗華;雷絲雨;鄧博文;;一種基于數(shù)據(jù)聚類的目標(biāo)檢測算法[J];機(jī)電產(chǎn)品開發(fā)與創(chuàng)新;2016年06期

3 孫林;鮑金河;劉一超;;高光譜圖像目標(biāo)檢測算法分析[J];測繪科學(xué);2012年01期

4 張桂林，熊艷，曹偉，李強;一種評價自動目標(biāo)檢測算法性能的方法[J];華中理工大學(xué)學(xué)報;1994年05期

5 孫蓉蓉;李清;張國昌;;電力監(jiān)控系統(tǒng)中運動目標(biāo)檢測算法研究[J];數(shù)字技術(shù)與應(yīng)用;2019年12期

6 趙寶康;李晉文;楊帆;劉佳豪;;一種基于深度學(xué)習(xí)的遙感圖像目標(biāo)檢測算法[J];計算機(jī)工程與科學(xué);2019年12期

7 許云;李彬;;基于背景遺傳模型的運動目標(biāo)檢測算法[J];自動化技術(shù)與應(yīng)用;2017年03期

8 杜佳;宋春林;;一種改進(jìn)的毫米波雷達(dá)多目標(biāo)檢測算法[J];通信技術(shù);2015年07期

9 諸葛霞;向健勇;;基于分形特征的目標(biāo)檢測算法概述及仿真[J];紅外技術(shù);2006年10期

10 鄺熠;陶果;朱玉潔;蔡偉立;;基于深度學(xué)習(xí)的目標(biāo)檢測算法研究與應(yīng)用[J];計算機(jī)產(chǎn)品與流通;2020年01期

相關(guān)會議論文 前10條

1 何元磊;李紅軍;周陸軍;李旭淵;顧立林;尼濤;;基于端元豐度量化的高光譜圖像目標(biāo)檢測算法[A];國家安全地球物理叢書（十一）——地球物理應(yīng)用前沿[C];2015年

2 孫瑾秋;張艷寧;姜磊;王敏;;基于變換域特征的星空背景弱小目標(biāo)檢測算法[A];第八屆全國信號與信息處理聯(lián)合學(xué)術(shù)會議論文集[C];2009年

3 高飛;蔣建國;安紅新;齊美彬;;一種快速運動目標(biāo)檢測算法[A];全國第22屆計算機(jī)技術(shù)與應(yīng)用學(xué)術(shù)會議(CACIS·2011)暨全國第3屆安全關(guān)鍵技術(shù)與應(yīng)用（SCA·2011）學(xué)術(shù)會議論文摘要集[C];2011年

4 許俊平;張啟衡;張耀;王華闖;;基于人眼視覺特性的小目標(biāo)檢測算法[A];2006年全國光電技術(shù)學(xué)術(shù)交流會會議文集（D 光電信息處理技術(shù)專題）[C];2006年

5 王藝婷;黃世奇;劉代志;王紅霞;;高光譜圖像目標(biāo)檢測算法性能研究[A];國家安全地球物理叢書（十）——地球物理環(huán)境與國家安全[C];2014年

6 張國華;;一種基于導(dǎo)引頭穩(wěn)定平臺結(jié)構(gòu)的目標(biāo)檢測算法[A];第九屆全國光電技術(shù)學(xué)術(shù)交流會論文集（下冊）[C];2010年

7 鄭偉成;李學(xué)偉;劉宏哲;;基于深度學(xué)習(xí)的目標(biāo)檢測算法綜述[A];中國計算機(jī)用戶協(xié)會網(wǎng)絡(luò)應(yīng)用分會2018年第二十二屆網(wǎng)絡(luò)新技術(shù)與應(yīng)用年會論文集[C];2018年

8 劉昊;趙龍;;基于改進(jìn)混合高斯模型的運動目標(biāo)檢測算法[A];2011年中國智能自動化學(xué)術(shù)會議論文集（第一分冊）[C];2011年

9 劉峰;奚曉梁;沈同圣;;基于最大值投影的空間小目標(biāo)檢測算法[A];第二屆空間目標(biāo)與碎片監(jiān)測、清理技術(shù)及應(yīng)用學(xué)術(shù)研討會論文集[C];2015年

10 鄧宇;陳孝威;;綜合利用時空信息的運動目標(biāo)檢測算法[A];第二屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會議(HHME2006)——第15屆中國多媒體學(xué)術(shù)會議(NCMT'06)論文集[C];2006年

相關(guān)博士學(xué)位論文 前10條

1 黃響;高速微弱目標(biāo)檢測算法研究[D];西安電子科技大學(xué);2019年

2 張麗麗;基于空譜聯(lián)合特性的高光譜圖像異常目標(biāo)檢測算法研究[D];哈爾濱工程大學(xué);2018年

3 趙紅燕;被動多基站雷達(dá)目標(biāo)檢測算法研究[D];西安電子科技大學(xué);2017年

4 郭小路;多通道雷達(dá)干擾抑制與目標(biāo)檢測算法研究[D];西安電子科技大學(xué);2017年

5 李健;星載寬幅SAR及目標(biāo)檢測算法研究[D];西安電子科技大學(xué);2018年

6 潘雪莉;機(jī)載環(huán)視SAR海面特性和艦船目標(biāo)檢測算法研究[D];西安電子科技大學(xué);2018年

7 陳宇環(huán);聯(lián)合時空特征的視覺顯著目標(biāo)檢測算法研究[D];深圳大學(xué);2018年

8 曾冬冬;視頻監(jiān)控中的前景目標(biāo)檢測算法研究[D];中國科學(xué)院大學(xué)(中國科學(xué)院長春光學(xué)精密機(jī)械與物理研究所);2019年

9 王志虎;基于顯著性的運動目標(biāo)檢測算法研究[D];國防科學(xué)技術(shù)大學(xué);2015年

10 郭明瑋;基于視覺記憶的目標(biāo)檢測算法：一個特征學(xué)習(xí)與特征聯(lián)想的過程[D];中國科學(xué)技術(shù)大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 盧鑫鑫;基于深度學(xué)習(xí)的無人機(jī)檢測算法研究[D];華中科技大學(xué);2019年

2 孔蘭芳;基于卷積神經(jīng)網(wǎng)絡(luò)的輸電線路小目標(biāo)檢測算法研究[D];華中科技大學(xué);2019年

3 朱秀紅;基于深度卷積網(wǎng)絡(luò)的輸電線路變尺度多目標(biāo)檢測算法研究[D];華中科技大學(xué);2019年

4 王瑜;復(fù)雜探測環(huán)境下目標(biāo)檢測算法的優(yōu)化及其在FPGA中的實現(xiàn)[D];華中科技大學(xué);2019年

5 何兆華;基于FPGA的YOLOv2網(wǎng)絡(luò)研究與實現(xiàn)[D];華中科技大學(xué);2019年

6 湯松巖;基于YOLOv3的航拍目標(biāo)檢測算法研究及應(yīng)用[D];華中科技大學(xué);2019年

7 杜旺;高分辨率圖像下的小目標(biāo)檢測算法研究[D];華中科技大學(xué);2019年

8 雷家薈;基于深度學(xué)習(xí)的遙感目標(biāo)檢測算法[D];華中科技大學(xué);2019年

9 薛彬;基于深度學(xué)習(xí)的自然環(huán)境下的水果目標(biāo)檢測研究[D];燕山大學(xué);2019年

10 蘭先超;基于DnRCNN的SAR圖像目標(biāo)檢測算法研究[D];華中科技大學(xué);2019年

本文編號：2653271