伴随着电子商务领域的不断发展,传统的实体门店面临着巨大的挑战。相较于以淘宝、京东等为代表的国内大型电商平台,基于实体门店的传统零售行业的主要劣势之一在于各方面较高的成本,这些成本涵盖地租、运营、人工、物流等多个方面。服饰商品具有季节性、时效性的特性,许多品牌的服饰更新换代非常快且品类众多,每季度、每月甚至每周都会推出新的服饰,这便给服饰类实体门店人工进行商品清点带来了困难。近年来,基于CNN的图像识别技术被广泛运用于各种商品识别场景中,但其应用领域主要集中在电商平台的商品图像识别以及便利店、超市等杂货类零售实体门店的无人结算,针对服饰类实体门店的研究与应用较少。本文以运动服饰品牌“李宁”的实体门店为基础,以作为门店主要商品的鞋、上衣商品为例,针对服饰类商品的独特特征,对基于CNN的商品识别方法在服饰类实体门店中的应用进行深入研究,构建出一套专门适用于服饰类实体门店的商品识别方法,辅助店员进行商品清点,实现商品清点自动化,提升商品管理效率。针对服饰类实体门店的商品识别,本研究的主要内容包括:（1）构建出一套专门用于服饰类商品图像数据采集的方法,建立数据采集货架进行基础训练数据的采集,每个商品型号采集基础图像12张,之后对直接利用采集货架采集到的图像进行主体检测以消除冗余的背景信息,用于后续训练数据增强和模型训练。（2）构建完整的服饰类实体门店商品识别流程,包括模型训练流程和商品识别流程。模型训练流程包含两个部分,即图像分割模型训练和图像分类模型训练,文章分别对其训练流程进行了设计。商品识别流程的基本思路为:店员输入型号参数,之后会抓取全景图,对全景图利用目标检测进行图像分割,将分割图像输入图像分类模型进行型号识别,最后将店员输入的型号与模型识别型号进行比对,判断输入型号是否在展柜中陈列。（3）图像分割模型的效果测试、图像分类模型的选择和训练数据增强方法的选择。本文的使用图像分割模型为YOLOv4目标检测算法,设计实验对其分割效果进行验证,鞋和上衣的主体检测检出率均为100%,目标检测检出率分别为98.89%和100%。图像分类模型方面,首先对LeNet-5进行改进,再通过实验进行模型选择,最终选择AlexNet作为图像分类模型。在训练数据增强方法方面,本文设计了3种增强方案,通过实验选择出效果最好的训练数据增强方案。（4）对本研究构建的服饰类商品识别方法的应用能力进行测试。经过实验,本方法对鞋的整体识别准确率达到88.00%,对上衣的准确率达到85.38%。此外,针对商品位置变动对模型识别精度的影响进行了实验,实验结果表明本方法能够在大部分位置变动情况中维持较高的识别精度。最后,针对各个实验结果对模型错误识别的原因进行总结归纳,得到容易造成识别错误的致错因素。通过对服饰类实体门店商品识别方法的不断实验摸索,得到的主要结论有:（1）商品图像训练集需要尽可能贴合服饰类实体门店的实际场景,利用贴合实际场景的训练集进行模型训练能够提升识别精度;（2）本方法采用的训练数据增强方案能有效提升模型在服饰类实体门店场景中的识别精度,即先向训练集中加入少许全景图的分割图像,再对其进行亮度调整、旋转和透视变换;（3）本文构建的基于CNN的服饰类实体门店商品识别方法具有较强的稳定性和适用性,为该场景设计的两阶段商品识别方法,即先目标检测进行图像分割,再使用图像分类识别各个分割图像所对应的商品型号的方法,在不同商品、不同时间、不同展柜等多种场景中均能够保持较高识别精度。本文的创新点主要体现在两个方面:一方面,通过对现有商品识别方法的总结归纳与改进,针对服饰类实体门店的特征,构建出一套专门适用于服饰类实体门店的商品识别方法;另一方面,将基于AlexNet的图像分类模型和基于YOLOv4的图像分割模型相结合,利用本文提出的两阶段商品图像识别方法,实现了对李宁实体门店服饰类商品的实时清点,降低了商品清点工作所耗费的人力物力,提高了清点效率。