零售企业为了更好地营销推广,需要经常巡查线下门店,统计商品陈列信息。传统的人工巡查方式成本高昂且效率低下,企业迫切需要一种能自动化地分析货架图像中的商品种类、数量的门店陈列巡查方式。在不同的门店场景下,往往会存在大量的商品的尺寸变化、拍摄角度倾斜、光照强弱变化等问题,图像背景过于复杂,传统的商品目标检测算法无法有效应对这些复杂变化。本文针对这些问题进行了研究。本文完成的主要研究工作和结果如下:(1)建立了专用商品图像的数据集。所有照片均是在全国各地的超市和小卖部中,在不同的光线强度、不同的拍摄距离、不同的拍摄角度下拍摄完成的。(2)目标检测算法的研究。研究了目标检测中流行的Faster R-CNN框架,分析Faster R-CNN在商品检测任务应用下的检测效果,以及影响检测性能的因素。(3)商品检测算法优化。根据实际应用场景的特殊性,研究了从数据增强和网络结构优化两个方向来解决目前存在的问题。数据增强的基本思路是通过生成合成数据来使得数据的尺寸和种类分布更加均衡。网络结构优化的基本思路是增强网络对小目标以及倾斜拍摄造成的形变目标的表达能力。通过结合级联网络、特征金字塔、可变形卷积的网络结构对基于Faster-RCNN的商品目标检测模型进行改进,最终商品检测的精度达到了0.92mAP。(4)翻拍图像识别的研究。货架商品检测首先需要门店主上传货架图像,但是在实际情况中,一部分的门店主会上传翻拍货架图像。本文针对翻拍图像识别,研究了基于LBP特征表达图像中的摩尔纹特征,再对特征进行分类,识别出翻拍的图像。