随着硬件计算力的提升、深度学习方法的加成,基于机器视觉技术的监管技术自动化程度高,制造与维护成本低,广受工业界的青睐,但是面向商场、超市中的应用还不够广泛。目前,速冻商品企业为了扩大销售规模、增加品牌在零售场地中的辨识度,将自家产品与冰柜同时派送给超市零售商进行售卖,由于企业与零售商之间的沟通低效,通过人工巡查的监管方式成本高、力度小,导致商品补货不及时、冰柜被滥用等公司利益损害,企业亟需通过机器视觉技术实现对外派冰柜内部商品种类、数量的自动化监管,以获得速冻商品销售现场的一手数据。通过图像分析商品的信息将会遇到如下问题:首先,冷藏冰柜的内部四面封闭,只能从正上方安装相机对冰柜内部商品进行拍照,而使用普通相机采集得到的二维视图仅能显示冰柜内部表层商品的平面投影,无法获得商品相对于冰柜底部的码放高度,从而无法对商品的数量信息进行判断;然后,商品包装袋特征复杂、品种多,造成特征提取难度大,尺寸越小的商品所占图像区域的有效像素越少,特征信息不足容易造成漏检;除此之外,在商品真实的售卖情景下,顾客拾取商品过程中手部会遮挡商品表面,使得无法有效地提取商品特征进行处理;最后,为了在实际应用中节约成本,项目需要部署在价格低、轻量化、耗能少的板载式边缘计算设备上,但是板载式设备自身的硬件性能对运算速度限制较大。为此,本文以实际应用的角度出发,深入开展基于机器视觉的商品辨识方法研究,通过机器视觉技术、深度学习等方法设计出能够达到实际应用水平的冰柜商品自动化监测算法与系统。具体研究内容如下:（1）针对使用普用相机难以判断商品数量问题,本文提出一种利用深度图计算商品码放高度的方法,结合商品的自身尺寸、定位、类别信息,解决冰柜内部每一类商品的数量判断问题,其中通过搭建双目视觉测得冰柜中最上层商品距相机的距离,利用相机距冰柜底部的距离求得商品的堆叠高度,进而作为推断商品数量的依据。（2）针对商品包装袋特征复杂、对于小尺寸商品的检测鲁棒性差问题,本文基于现有的二阶目标检测网络Faster RCNN,提出了一种多尺度特征加权融合目标检测算法用于商品的定位与分类,通过融合与加权不同尺度上的特征层来降低模型对小尺寸商品的漏检率,最终模型对商品定位与分类的平均精度达到98.9%MAP。（3）针对售卖情景的人手干扰问题,本文基于一阶目标检测网络YOLOv4,提出了一种轻量级的YOLOv4改进算法用于实时检测冰柜区域的人手目标,目的是根据冰柜区域内是否存在人手来排除商品识别时的手部遮挡干扰,其中算法结合深度可分离卷积、倒置残差块、注意力机制来优化YOLOv4中卷积层的参数量与计算量,使改进后的人手检测模型保持着与YOLOv4相当的精度基础上,速度提升了27FPS。（4）针对板载式设备计算资源有限问题,本文整合了冰柜深度图获取、商品定位与分类、人手干扰检测模块,设计了一个冰柜商品监测系统,在移植到边缘计算设备后,通过模型压缩与剪枝的技术对目标检测网络的推理过程进行加速,最后,对系统进行验证和应用。研究与测试结果表明,在本文对冰柜商品辨识方法研究基础上搭建的系统,能够为监管外派冰柜内部商品的需求提供一种可行的自动化解决方案,且为最终实际应用奠定了基础。