随着人工智能、云计算、计算机视觉等技术的快速发展,各行各业都在利用新技术提高生产效率、服务质量。商品消费是与大众生活息息相关的场景,而商品识别作为其中的关键一环,关系着消费者的消费体验与商家的服务质量。现有的自助结账设备以条形码作为主要识别方式,存在识别效率低的问题;而人工管理商品货架可能造成商品补货不及时。因此,研究基于深度学习的商品识别方法具有很高的应用价值和意义。本文针对商品识别方法的应用研究问题主要工作内容如下:1、在商品结算场景下,目前自助结算设备主要以条形码作为主要的商品识别方式。对于普通消费者而言,每次识别都需要将商品的条形码对准设备的扫描区域,这无疑加大了结算的复杂程度、降低了便利性。本文研究了基于深度学习的图像分类方法作为商品识别方式,通过直接对商品的外包装进行分类实现商品识别功能。首先,本文收集制作了商品图像分类数据集。针对本文数据集,分别对目前主流的Res Net50与Res Net101网络进行迁移学习训练。最后通过在测试数据下对比网络性能,基于Res Net50的网络模型的精确率为97.4%,召回率为97.2%;基于Res Net101的网络模型的精确率为97.8%,召回率为97.7%。2、在货架管理场景中,目前自动贩卖货柜等便民设备主要依靠人工进行管理,自动化程度低、容易出现货架补货不及时的问题。本文针对这一问题,研究了基于深度学习的目标检测方法作为货架监控方法,通过对目标区域内商品种类与数量的监控实现货架状态提醒功能。首先,本文制作了商品目标检测数据集并对图像进行数据标注。针对本文数据集,本文训练了目前主流的Two-Stage目标检测算法Faster R-CNN并与轻量级模型Mobilenetv2-SSDlite进行性能对比。最后在测试数据下,Faster R-CNN的m AP为0.9787,Mobilenetv2-SSDlite的m AP为0.9510,且在更复杂的任务中Faster R-CNN模型的表现要优于Mobilenetv2-SSDlite。3、本文基于训练的Res Net50商品图像分类模型与Faster R-CNN商品目标检测模型,分别设计了商品零售结算系统与智能货架提醒系统仿真程序。其中,在零售结算系统中加入了My SQL数据库用于商品结算流水的记录与管理;在货架提醒系统中加入了语音合成技术实现语音提示功能。最后,对仿真程序进行测试,实现预期功能。