货物,即为可供出售的商品,远到海湾港口的集装箱,近到商场内的琳琅百货,对于它们的清点工作在生活中最为常见。本文是以货物清点为主题,以李宁旗下各门店内鞋型和衣服类型的清点需求为实例,通过安装固定摄像头和利用图像识别技术来判断店内可供出售的鞋型或衣服类型是否被陈列于鞋墙或服装墙上,以此来完成本次选题。“李宁”作为国内最具标识度的知名品牌之一,旗下实体门店遍布各地,店内可供出售的鞋子、衣服品类繁多,在对其开展清点工作时需要投入大量的人力和时间成本。但随着高新技术的快速发展和计算机各类硬件配置的优化升级,使CNN算法被人们所熟知并被广泛应用于图像研究领域,至此人们将不再满足于依靠人力来完成店内的清点工作,而是利用大量的图像数据和先进的硬件设备使清点工作变得更加方便、快捷。同时,在货物图像数据的实际采集和测试过程中发现,本次货物清点主题的应用场景具有采集环境、元数据属性以及存在干扰信息此三方面带来的不确定性。受这三方面不确定性的影响,不仅会增加实验的难度和复杂度,还会给模型的优化和清点正确率的提升带来一定困难。在本研究中,首先,将由智能手机采得的各鞋型训练样本通过使用已修改好的YOLO-v4网络做单一目标货物分割后输入传统LeNet网络中进行多次迭代训练,结果表明该网络在现有数据集上存在损失函数不下降、过拟合以及迭代次数多等问题;之后,为解决传统LeNet网络在当前数据集上的不适用性,通过采用增加网络层次、添加dropout层、更换激活函数为relu以及增大输入图像的固定尺寸等方法对原LeNet网络加以优化改进,并探讨了重要超参数学习率对改进后LeNet网络的影响,经430次迭代训练后得到改进后LeNet网络在鞋型数据集上表现良好。调用该模型对经多目标货物分割后全景图像中所包含的鞋型进行清点时可取得60%的平均清点正确率;然后,为提高模型清点的正确率,分别探究了不同货物图像采集方式和不同货物图像数据增强方式对提升模型清点正确率的影响,结果表明,一方面使用由摄像头采得的货物图像数据集虽然与实际应用场景像素匹配程度较高且在改进后LeNet网络中也可以取得较好的训练结果,但其对清点平均正确率的提升并未起到帮助作用;另一方面,通过采用两种不同的增强方式,即以缩放、透视变换以及旋转为主数据增强方式和向原训练数据中加入特定应用场景下的货物图像数据增强方式,经实验在这两种不同的方式中后者可使模型清点的平均正确率提升至95%以上;最后,为评估该货物清点模型在不同类型货物中的适用性和货物在发生位置变动前后该模型的稳定性,一方面将该模型套用至同店内不同类型衣服的清点任务中,通过对模型进行细微调整,得到该模型在衣服类型清点中的平均正确率可达95%以上;另一方面通过统计同一摄像头在不同时间点上采得的货物全景图像中所包含单品在位置变动前后的清点情况,得到该模型受位置变动带来的影响较小。在本研究中,经过长时间在实验过程中的不断摸索,得到本文的主要结论有:①货物图像数据集的分辨率对提升货物清点模型的正确率无显著效果;②文中所建立的货物清点流程需加入与特定场景相匹配的货物图像数据;③文中基于CNN算法所搭建的货物清点模型具有较强的适用性和稳定性。同时,针对货物清点所处的不确定性数据环境提出的解决方法有:①采用规范、统一的货物摆放方式;②采用多角度的拍摄方式;③采取特定的数据增强方式。在本研究中主要包含两方面的创新:一方面在本文中同时使用了由智能手机拍摄的货物单张图和由摄像头拍摄的货物全景图这两种不同分辨率的货物图像数据来完成整项清点工作;另一方面则是将CNN算法和调整后的YOLO-v4算法相搭配实现了对李宁牌时尚系列服饰的实时清点工作。与传统的依赖于人力开展清点工作的方法相较,本文提出的方法可以有效缩减清点所需时长,减少人力和时间成本的投入,不仅可以降低清点过程中的出错率,而且也不会遗漏清点过程中的待清点货物,可以使整个清点工作变得简单、高效、便捷。