物体识别是物联网数据感知层的重要技术,物体的图像识别技术从人类视觉的角度获取信息,消除了传统物体识别技术的部分“盲区”,得到更加丰富有用的信息,也可以作为RFID等传统物体识别技术的补充,提升物联网技术对场景的感知能力。在物流领域,民用摄像设备的广泛应用,图像识别的非配合性在某些场合下也发挥其特殊的优势。近年来随着深度学习的兴起,通用物体识别方法的准确性、鲁棒性、识别效率和应用范围等也都得到了较大的提升,但是在开放环境下现阶段仍存在一些识别困难和问题。为了对实体零售店内商品的实时状态进行掌握,充分利用丰富的场景数据,提升对商品的管理效率进而提升用户体验,本文面向开放环境下的商品自动识别任务,以提升开放环境下商品识别的性能为目的,主要展开了以下几个方面的工作:(1)首先从场景和数据的角度出发,对开放环境下商品识别的业务场景进行分析。选取了40种包含了不同外观特性的商品作为识别的目标物体,设计了不同商品的训练数据采集方案,并采集了大量贴近实际开放场景的测试数据用于本文实验,构建了包含1461张图像的开放环境商品识别数据集。(2)在保证本文所面向工程的实时性要求和低功耗限制的前提下,对当前主流目标检测框架的分辨率影响、以及精度和时间两方面性能指标的平衡等方面进行分析,确定了以YOLO为基础框架进行识别模型的构建。通过分类实验考察候选网络的特征提取能力,确定了将DarkNet-53作为本文任务的轻量化主干网络,在保证模型精度的同时,提高了检测的效率。(3)设计了结合多种几何变换操作及Mixup的数据增强策略,来缓解开放环境下商品识别的跨分布问题。引入细粒度特征识别的策略,使模型能够从上采样的特征和早期特征映射的细粒度信息中获得更有意义的语义信息,以改善模型在开放环境下对稠密小物体的检测能力。实验表明,提出的改进策略使模型在本文的两个测试集上分别有了3.9%和3.4%的性能提升。对数据进行调整后,本文提出的方法使商品识别模型的mAP也从80.68%显著地提升到了89.42%。(4)最后,以提出的开放环境下目标物体快速识别模型为基础,进行了系统实现,最终开发的系统实现了视频流获取、商品识别、结果可视化展示和存档等功能,可以作为商品智能识别分析技术的基础模块,为智慧零售带来新的契机。