随着人工智能技术不断发展,基于计算机视觉的技术在各AI应用领域已经成为当前的研究热点。采用计算机视觉技术的智能货柜新零售方式具有较高的商业价值,消费者可以更加方便地选购商品,货柜运营方可以更加方便地维护货柜运营,同时可以从消费者购物的大数据信息中挖掘潜在的数据价值。然而当前基于计算机视觉技术的解决方案还不够完善,有两大难点需要解决。第一点是目标检测算法的精度还不够高,检测算法小的误差可能导致巨大的商业损失;第二点是部署检测算法的硬件成本过高,卷积神经网络计算量巨大,需要大算力的硬件来提供支持,因此提高了智能货柜的整体生产成本,不利于商业化推广。为了提高商品图像检测精度,降低智能货柜的整体生产成本,本文设计了一种轻量级单阶段卷积神经网络,并将算法移植到内置NPU硬件加速器的嵌入式开发板上。本文完成的主要工作如下:（1）结合新零售的发展特点,调研了无人货柜发展情况和单阶段目标检测算法研究现状,制定了本文的研究目标和技术路线。（2）构建了一个含有12类商品的智能货柜商品识别数据集,主要工作包括商品数据采集,对摄像头拍摄的原始图像进行预处理操作,并使用标注工具进行数据标注。（3）提出了一个轻量级单阶段的卷积神经网络（YOLO-embedded）,对传统的YOLOv3检测算法进行改进,使用深度可分离卷积网络作为模型的主干网络来提取商品特征,然后设计四个不同尺寸的特征图,构建特征金字塔来执行商品识别,同时使用GIOU边界框回归损失函数来提高商品边界框回归的准确率。在算法对比实验中,YOLO-embedded算法在检测精度、速度、生成模型大小方面,均获得了更好的效果。（4）将YOLO-embedded算法移植到嵌入式开发板TB-RK3399Pro D中进行本地识别。在1000次扫码开门、购物的测试中,结算错误的情况出现2次,准确率达到了99.8%的高水平,满足智能货柜商业化推广的要求。（5）总结了本课题的相关工作及意义,并给出了未来可以改进的方向。