發(fā)布時(shí)間：2024-02-24 19:02

　　零售行業(yè)一直是我國國民經(jīng)濟(jì)的重要部分。近年來由于線上交易的蓬勃發(fā)展,線下零售交易量日漸萎縮。但隨著新零售概念的提出,線上發(fā)展遇到瓶頸期,越來越多的企業(yè)重新關(guān)注到線下的發(fā)展。傳統(tǒng)結(jié)算方式需要大量的人工,效率低下且成本逐漸上升,需要新的技術(shù)改進(jìn)現(xiàn)有的條形碼結(jié)算方式。深度學(xué)習(xí)算法自2012年以來發(fā)展迅猛,以深度學(xué)習(xí)為基礎(chǔ)的圖像分類、目標(biāo)檢測等算法也得到進(jìn)一步發(fā)展。在這種背景下,本文以新零售背景下的商品結(jié)算作為切入,研究了基于深度學(xué)習(xí)的商品檢測算法,以現(xiàn)烤面包店為交易場景,并對其中的部分檢測算法進(jìn)行優(yōu)化,從而提高檢測效果。本文主要以Faster R-CNN作為模型基礎(chǔ)算法,完成了一個(gè)深度學(xué)習(xí)網(wǎng)絡(luò)模型,通過部分優(yōu)化,在檢測精度方面相較原Faster R-CNN算法有了一定的提升。本文的主要工作如下:(1)首先對基礎(chǔ)網(wǎng)絡(luò)進(jìn)行實(shí)驗(yàn),將VGG16替換成檢測精度更高的ResNet網(wǎng)絡(luò),并以現(xiàn)實(shí)因素為考量選擇了 ResNet-50作為基礎(chǔ)網(wǎng)絡(luò)。然后受到GoogLeNet Inception思想的啟發(fā),對ResNet網(wǎng)絡(luò)進(jìn)行優(yōu)化。原始的卷積層特征提取效果有限,我們希望可以增加殘差網(wǎng)絡(luò)感受野的豐富度,設(shè)計(jì)了不...

【文章頁數(shù)】：78 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２－２卷積過程示意??２．１．２激活函數(shù)??

?山東大學(xué)碩士學(xué)位論文??１，１?１．０．０?ｕ，ｎｕ〇［〇￣??０?１１１０?１０?１?〇?＇?１．：?＾?１?〇??ｃｏｉｌ?１?＊?？?Ｉ?？?＝?＼?ＴＴ??〇：〇?１?Ｉ?〇?Ｋ〇＾ｒ〇??（，．＂＇（）：（）?ＥＨｍＫ??雉入圖像的矩Ｋ?卷積核?第一步？積??ＪＴ??....

圖２－３池化操作過程??

山東大學(xué)碩士學(xué)位論文??還有局部旋轉(zhuǎn)不變的特性，即使像素發(fā)生了微小位移變化，池化的輸出仍然不變，??因此模型的魯棒性也得到提升。平均池化以及最大池化是常見的兩種操作。下圖??２－３所示的是兩類池化的具體過程。????１?沿人池化?６?ｇ??２?６?３?１??Ｋ??４?３??４?５....

圖２－５?ＶＧＧ１６為基礎(chǔ)網(wǎng)絡(luò)的Ｆａｓｔｅｒ－ＲＣＮＮ??２．２．１卷積網(wǎng)絡(luò)特征提取??

山東大學(xué)碩士學(xué)位論文??

圖２－７錨點(diǎn)窗口微調(diào)示意圖??１８??

?山東大學(xué)碩士學(xué)位論文??卷積核滑窗形成原本已設(shè)計(jì)的尺寸存在差異的分?jǐn)?shù)以及錨點(diǎn)窗口位置，將分?jǐn)?shù)最??大的錨點(diǎn)窗口即選取成候選窗口。自然場景文本檢測算法［３９］中也應(yīng)用了區(qū)域推薦??思想并取得了不錯的效果。??錨點(diǎn)窗口結(jié)構(gòu)詳見下圖２－６，下圖中存在９個(gè)錨點(diǎn)窗口，全部都是下圖西北??....

本文編號：3909478