基于深度残差收缩网络的商品图像识别

李昊璇，闫新艳

(山西大学 物理电子工程学院，山西 太原 030006)

0 引 言

随着生活水平的不断提高，人们对于商品种类的需求也日渐多样化. 零售超市作为大型超市的一种补充，更好地满足了互联网时代消费者的需求和偏好. 零售店相较于大型超市来说，商品种类少，利润较低，但是其运营成本并不低，比如人工成本就是一大项支出，因此，无人零售超市的出现成为了一种趋势. 其中，无人零售中需要应用到的关键技术为商品识别. 实现基于深度学习的商品图像识别，可以加快商品的流通速度，节约人们的时间，从而为人们提供更优质的服务.

目前，商品识别中较为成熟的技术为RFID技术，但该技术的成本比较高. 对于一些利润空间较小的商品来说，RFID技术并不友好. 随着深度学习技术的发展，商品识别技术也得到了飞速地发展. 将深度学习应用到商品识别中，前人做出了很多研究. 2014年，郝腾[1]提出一种二次分类的方法对商品进行识别. 该方法将超椭球神经网络(HENN)[2]和纠错支持向量机(EC-SVM)[3]两种分类器各自的特点有效结合起来，实现对商品的识别，且达到了较好的识别分类效果； 2017年，曾志等[4]提出一种基于图像内容的多特征融合的深度学习分类算法，实现了大型网络购物网站商品图像的分类； 2018年，王晓超[5]提出了基于RGB-D多维信息深度学习的图像识别算法； 梅啟成等[6]采用AlexNet网络模型对商品图像进行识别； 2019年，随玉腾[7]提出了利用ResNet18实现对26种200多张商品图像的……