随着物联网技术的发展,利用摄像头采集图像数据的应用场景越来越多,然而为了提高数据传输的效率,图像大多经过压缩处理,清晰度不高、带有一定的噪声,给图像识别工作带来了很大的挑战。与此同时,随着计算机技术和图像识别技术的发展,人工智能技术逐渐被应用在人们的生产和生活中。如何利用人工智能和图像识别技术实现高效、准确的识别,成为目前研究的热点问题之一。本文针对物联网系统中图像的识别技术展开研究,研究了基于深度的图像识别技术,构建了仪表读数和多商品识别的图像数据集,搭建了深度网络模型,实现了仪表读数的检测识别和多商品检测识别,论文主要工作和成果如下:1.研究了物联网系统中图像的识别技术,对目前常用的目标检测算法进行了研究和分析,包括传统方式的检测识别方法,主要是数字图像处理的相关技术,还有基于人工智能的检测识别方法,包括SVM、神经网络和深度学习等技术。2.采用多层卷积神经网络和迁移学习等技术实现了仪表读数准确检测识别。通过摄像头获取和标注仪表读数图像数据集,并结合通过图像处理和增强的技术对数据集进行扩充,搭建了多层卷积神经网络,结合迁移学习等技术,实现的仪表读数检测识别准确度达到了98.0%。3.采用了改进的SSD算法实现了对于商品图像的多目标检测识别。通过摄像头获取和标注数据集,并结合通过图像处理和增强的技术对数据集进行扩充,在SSD算法的基础上进行改进优化,针对模型过大的问题,使用膨胀卷积替代多个卷积层,通过减少层数从而减少参数;针对图像中小目标检测效果不好的问题,在模型结构中添加特征金字塔结构(FPN),从而提升小目标检测效果。经过上述优化,使得mAP达到了 80.0,FPS达到了 36。