[发明专利]智能零售柜商品目标检测统一框架的构建方法及商品识别方法

说明书

本发明公开了一种智能零售柜商品目标检测统一框架的构建方法，该框架由分级标注模式、相似识别子网络和优化了非极大值抑制算法的YOLOv3组成。首先采集数据；然后，采用本发明提出的分级标注模式对采集的数据进行标注；接着将数据按照预设比例分为训练数据、验证数据和测试数据，用于训练YOLOv3网络，得到用于目标检测的模型；再制作相似商品数据集，用于训练相似识别网络，得到用于进一步识别的模型；最后通过测试数据选择最佳模型，得到测试结果。该方法所使用的硬件成本低，结算流程不需要人工干预，且提出的算法可以很好的适应密集且存在遮挡场景下的零售柜商品目标检测，提高了检测精度。

技术领域

本发明涉及目标检测技术领域，具体涉及一种智能零售柜商品目标检测统一框架的构建方法及商品识别方法。

背景技术

目标检测作为图像处理和计算机视觉的一个重要分支，在许多领域得到了广泛的应用。传统的机器学习方法在很大程度上依赖于人为设计的特征的质量，如SIFT、HOG、SURF等。传统方法对研究人员的要求很高，其泛化能力非常有限。近年来，随着深度学习算法的快速发展，目标检测技术进入了一个新的阶段。深度学习代替了传统人工设计的经验特征，可以从原始图像中自动学习多层次的内部特征，这在图像分类和目标检测中非常有效。因此，基于深度学习的目标检测已经成为主流。

目前，基于深度学习的目标检测算法可以分为两大类，第一种是两阶段算法，将检测问题分为两个阶段。首先生成区域建议，然后对区域建议进行分类和细化。两阶段算法的典型代表有RCNN、Fast R-CNN和Faster R-CNN等。第二种是单阶段算法，不需要生成区域提取框阶段，直接得到边界框坐标和类别概率。单阶段算法的典型代表有YOLO、SSD和RetinaNet等。目标检测模型的主要评价标准是精度和速度，对于精度，既要考虑分类精度，又要考虑定位精度。一般来说，两阶段算法在精度上有优势，而单阶段算法在速度上有优势。

智能零售系统近年来发展迅速，需要更少的人为干预，给人们的生活带来了很大的便利。智能零售柜作为智能零售系统的典型代表，可以在无售货员状态下提供自动化销售服务。在传统的零售柜中，实现自动识别的方法主要有四种：(1)利用硬件对不同的商品进行分隔来判断类别；(2)根据重量判断商品类别；(3)识别顾客的行为，确定顾客在零售柜前的活动；(4)利用射频识别对商品进行标记，实现自动识别。然而，这些传统的方法不仅成本高，而且降低了柜子的空间利用率，限制了商品种类。

本申请发明人在实施本发明的过程中，发现现有技术的方法，至少存在如下技术问题：

智能柜目标检测对速度有一定的要求，因此申请人认为单级检测算法是更好的选择。单阶段目标检测包括三个步骤：(1)特征提取；(2)使用分类器和回归器进行评分和细化；(3)合并可能属于同一目标的边界框。最后一个阶段通常称为非极大值抑制方法。非极大值抑制方法是一种后处理算法，用于去除冗余的边界框，寻找目标的最佳位置，这对整个算法非常重要。由于智能柜所检测的场景存在密集分布和遮挡的情况，因此，很难选择非极大值抑制方法的阈值。此外，当物体的面积较小时，它们的面积交并比较大。在这种情况下，传统的非极大值抑制方法不能够得到很好的结果。有学者使用ScaleNet对商品进行检测，但该算法并没有解决存在遮挡的目标检测问题；也有使用针对密集场景相关的改进。

由此可知，现有技术中的方法存在识别精度不高的技术问题。

发明内容

有鉴于此，本发明提供了一种智能零售柜商品目标检测统一框架的构建方法及商品识别方法，用以解决或者至少部分解决现有技术中的方法存在的识别精度不高的技术问题。

本发明第一方面提供了一种智能零售柜商品目标检测统一框架的构建方法，包括：

步骤S1：采集零售柜内商品的图像数据，并对采集的图像数据进行预处理与扩充；

步骤S2：采用分层标注模式，对不同类型的商品采用不同的标注方法进行标注；