在商品检测与识别任务中,数据的采集与标注非常耗时耗力。商品种类繁多、新旧商品的不断更新换代、不同商品间差异性参差不齐,以及拍摄角度、光照、遮挡等各种不确定性因素的干扰,都给样本采集和人工标注造成了巨大难题。针对这些问题,本文研发了多场景商品图像合成与风格迁移算法,通过该算法生成检测算法所需的训练集,减轻人工标注的负担,具有较高的工程应用价值。本论文首先研发了多场景商品图像合成算法,该算法由单品图像分割和多品图像合成两个模块组成。基于语义分割的单品图像分割算法,采用目前得分最高的DeepLabv3+分割网络,以ResNet 101为特征提取网络,并改进了空洞空间金字塔池化模块。改进后的DeepLabv3+在本文构建的零售商品分割数据集上,mIoU可达到96.77%。在单品分割的基础上研发了面向结算和货架两种场景的多品图像合成算法,优化了商品随机摆放的合成方法、目标框生成策略和融合方法,在PC机上可以达到单进程平均每两秒合成一张结算图或货架图的速度。合成图像与真实图像存在较大的域偏差,为了消除差异性,本文采用改进的CycleGAN对合成图像进行风格迁移。首先对生成器网络的上采样方法进行改进,避免了反卷积带来的棋盘效应,在此基础上设计了两种不同类型的生成器网络结构。针对货架场景的合成图像风格迁移,改进了恒等映射损失并提出了弱监督的训练方式使得训练更加稳定,风格迁移后的图像也更接近真实图像。最后,采用商品检测实验验证合成图像的有效性。针对结算场景,使用FPN作为检测器在合成图像和风格迁移后的图像上训练,cAcc分别达到了 16.87%和47.05%,均超过了现有方法的结果;针对货架场景,采用改进的R-FCN作为检测器,在合成图像中混入少量的真实样本进行训练,mAP50和mAP70分别达到了 94.45%、82.98%,取得与真实样本相当的效果。因此,本文提出的商品图像合成与风格迁移算法能够有效降低人工标注的工作量。