论文部分内容阅读
目标检测作为计算机视觉领域的热点问题,近年来在众多应用中取得不错的研究成果。传统的超市管理主要依靠人工盘点,利用条码技术和射频识别技术对商品识别,自动化程度低且成本高。在自动化新零售的发展背景下,通过计算机视觉技术对超市商品识别实现智能化管理方式,具有广阔的应用前景和价值。针对没有公开的超市商品数据集供研究使用的问题,本文收集超市复杂场景中的11类商品,通过样本增强算法和人工标注方法制作相对完善的商品样本集。此外,为了更好地探究商品识别中存在的问题,本文首先实现了传统的商品检测算法。其中,商品区域的定位分割和商品目标的识别分类是完成商品检测的重要两步。由于设计的手工特征适应能力弱,鲁棒性弱,导致误差累积,影响最终的识别准确度。目标检测需要权衡检测准确度和检测速度。经本文研究,发现基于回归的YOLO(You Only Look Once)算法实时性好,且检测精度高。tiny-YOLO作为其中的一种轻型网络,更适用于本文的中小型商品数据集训练,避免过拟合现象。本文将tiny-YOLO网络用于商品检测,并对其优化改进,实现了适应商品特征的检测方法CD-YOLO(Commodity Detection based on improved tiny-YOLO)。首先通过K-means聚类分析样本集,优化多尺度边界框设计,提高定位性能。然后基于多特征融合算法,提高对小目标和不清晰目标的识别能力。最后分析网络的损失函数,合理设置各部分损失权重,进一步加快网络收敛速度,提高检测性能。通过与传统检测算法的实验对比,表明基于回归卷积神经网络的商品检测算法具有较高的识别准确率,且实时性好。由于受到样本量少、图像模糊等因素影响,商品目标识别难度大,导致检测准确度降低。针对此问题,本文以残差网络(Residual Network,ResNet)的工作原理为指导,提出了一种端到端的商品检测网络FRR-Net(Fusion of ResNet and Regression Network)。首先,通过多个瓶颈残差块的级联,搭建特征提取基础网络,获取图像高层次的抽象特征,避免深度网络的退化问题。其次,为构建残差块的恒等映射,保留图像细粒度特征的完整信息,提出像素抽样算法,改进特征图维度匹配方式。最后结合Softmax分类器和多尺度边界框策略完成目标识别定位。在训练过程中,引入批规范化策略,解决网络训练发散、不稳定的问题。在检测过程中,采取非极大值抑制算法择取最优目标边界位置,提高网络的召回率。通过不同条件下商品图像的检测实验,表明FRR-Net算法能够更好地适应复杂多样的背景环境,对各类商品的平均识别准确率达到98.57%,鲁棒性强。