[发明专利]无人零售货柜的货品静态识别方法

说明书

本发明提出了一种无人零售货柜的货品静态识别方法，所述方法包括通过人工采集和人工标记构造静态识别数据集；在主干网络中引入可变形卷积神经网络和组归一化层，在子网络中选用聚焦损失函数进行分类以及选用平衡L1损失函数进行坐标回归，构造一阶段目标检测模型；对一阶段目标检测模型进行训练，获取网格参数；将网格参数输入无人售货柜，对货品种类和数量进行识别。本发明提供的货品静态识别方法解决了传统目标检测模型中对边缘货品检测的不稳定性问题，通过提高货品识别率提升无人售货的用户体验。

技术领域

本发明属于无人零售的物体识别领域，尤其涉及一种无人零售货柜的货品静态识别方法。

背景技术

无人零售作为无人值守服务中的一大类，主要指的是无人情形下进行的零售消费行为。无人零售是指基于智能技术实现的无导购员和收银员值守的新零售服务。自动售货机是无人零售模式的一个例子，它最初是在19世纪80年代早期发展起来的。如今，利用移动支付、二维码等新技术，新型无人售货机诞生了。与传统的自动售货机相比，使用这些新开发的技术大大提高了销售货品的效率和用户体验。一般情况下，消费者需要打开一个提供移动支付服务的应用，比如支付宝、微信等，然后通过扫描二维码进入交易结算流程。但是，该业务过程仍然需要遵循传统的操作购物流程。例如，一次只能选择一个货品，当用户想要购买多个货品时，需要重复操作多次，比较不方便。相反，新开发的无人智能自动售货机通过采用先进的计算机视觉技术，可以极大地改善购物体验。腾讯优图实验室在2018年计算机视觉峰会上介绍了一个配备人工智能技术的无人智能零售货柜案例。它将深度学习技术、可视化产品识别算法、微信在线支付等技术集成到一个基于视觉识别的无人智能零售货柜中，探索出一种新的购物模式，相比与传统自动售货机极大地提高了购买体验。随着计算机视觉、RFID、深度学习、物联网等技术的飞速发展，无人智能自动售货机作为一种重要的无人零售形式，在电子商务市场上越来越受欢迎。

无人零售货柜环境下的货品静态识别方法核心是目标检测算法。根据目标检测方法的发展，该领域大致可以分为两个主要的检测分支，即两阶段目标检测方法和一阶段目标检测方法。近年来，基于卷积神经网络的两阶段和一阶段检测算法不断更新多个基准数据集中的目标检测性能。2014年，Girshick等人提出了R-CNN目标检测方法，是近年来将深度学习引入到目标检测领域的重要算法。在后来的研究中，Girshick等人提出了一种改进的Fast RCNN方法。基于多任务损失函数的思想，Fast RCNN将分类损失和边界框回归损失合并为统一的端到端训练框架。但是，生成正候选框和负候选框仍然需要选择性搜索算法生成物体性候选区域，这将检测器的训练过程分离开来。另外，在测试阶段非常耗时。为了解决这个问题，Ren等人提出了一种更快的带有候选区域生成网络模块的R-CNN来帮助生成候选框。此外，受OverFeat算法回归的一阶段方法启发，Redmon等人提出的一种一阶段的检测方法，命名为YOLO，该模型省略了候选边界框提取分支(候选框建议阶段)，将特征提取、候选边界框位置回归和分类集成到同一个卷积网络中。

传统的目标检测算法在无人零售货柜中进行货品检测分析时，对图片边缘的货品检测不稳定，常出现框丢失的情况，导致召回率下降，用户体验差，严重影响无人零售货柜的市场推广。

发明内容

本发明的目的在于提供一种无人零售货柜的货品静态识别方法，通过引入可变形卷积神经网络构造一阶段目标检测模型，提高货品识别率，解决无人零售货柜中边缘货品检测不稳定的问题。