超市在人们生活中扮演着重要的角色,随着大型超市规模的不断扩大和“无人超市”理念的提出,超市管理智能化的需求也越来越高。传统超市管理主要依靠人力,存在管理过程繁琐、效率低等问题,目前人工智能技术高速发展,通过在超市布控摄像头采集商品图像并通过软件算法对商品属性进行自动判断与分析,有利于辅助超市管理。本论文基于计算机视觉技术和深度学习方法,研究、设计并实现一套商品图像检测方法。本文的商品图像检测方法主要以Faster RCNN检测框架作为基础,通过区域建议网络进行区域建议操作,采用卷积神经网络作为特征提取器和分类器,实现了商品图像检测方法端到端的网络结构。本文根据商品图像检测的特殊应用场景,针对商品图像易遮挡和拍摄角度倾斜等问题,改进了基础网络模型,在区域建议中引入图像上下文信息技术提升网络分类的准确率,引入特征通道加权技术提升特征提取的有效性,引入在线困难样本挖掘技术提升分类器的精度。在实验阶段,加入图像多尺度与图像水平翻转等改进方法,最终在商品图像检测数据集上达到84.1%的mAP。本文主要的创新点如下。(1)针对商品图像检测的应用场景,本文建立了专用的商品图像检测数据集,该数据集包含多个类别、不同光照、不同距离和不同数量的样本,可以有效地表征商品图像的特征,能够支撑商品图像检测的训练和测试。(2)本文通过融合图像上下文信息、特征通道加权和在线困难样本挖掘等技术,有效地提升了商品图像检测方法的精度。(3)本文将深度学习检测方法应用于商品图像检测,使得计算机能够自动获取商品的位置和类别信息,智能化地辅助超市管理,有效地提升超市的管理效率。