随着实体零售和传统电商迎来增长“瓶颈”,“新零售”的崛起为销售市场注入了新的活力。电子价签作为一种实时价格显示装置,成为了“新零售”最基础、最重要的元素之一。电子价签的自动视觉检测能够定位商品,实现货架的自动陈列,对支撑“新零售”体系线上和线下联动至关重要,同时也极具挑战。目前已有的目标检测方法并不能很好地检测出电子价签,基于区域生成的深度学习目标检测算法虽然检测精度较高,但不满足实时性的要求;基于回归方法的深度学习目标检测算法不能较好地提取出小尺度、高密度检测对象的特征。针对上述问题,本文提出了一种新的特征融合方法,通过两次融合相邻的特征图,能够更好地融合低层特征图的位置信息和语义信息,提升对区域密集目标的检测精度。接着本文引入了注意力模块,进一步提升了对小尺度目标的检测效果。具体贡献如下:(1)大规模电子价签数据集的制作和检测系统的设计。本文完成了对电子价签数据集的采集、筛选以及标注工作,该数据集包含14713张图片。接着本文根据设计需求,设计了电子价签检测系统,并对各功能模块进行详细说明。(2)针对电子价签数据集检测对象尺度小、密度高等特点,提出了一种新的特征融合方法。该方法两次对相邻的特征图进行特征融合,使得网络更加关注低层特征图的位置信息和语义信息,提升对小尺度目标的检测精度。同时两次融合的低层特征图有部分重合,使得网络更加关注区域密集目标,提升对高密度目标的检测精度。实验结果显示:该方法相对SSD算法在性能上有显著提升,m AP值提高了8.8%。(3)在特征融合的基础上本文进一步引入了注意力机制,使特征融合更关注较低层特征图,进一步提升对小尺度目标的检测精度。实验结果显示:引入注意力模块可以进一步提示模型检测的性能,m AP值提高2.8%,共提升11.6%。(4)本文设计和实现的电子价签检测系统有助于实现“新零售”体系线上和线下联动,完成对商品的自动定位、货架的自动陈列,具有重要的经济价值、社会价值。图29幅,表8个,参考文献53篇。