基于深度学习的严重遮挡商品的识别检测计数方法与系统技术方案

本公开提供了一种基于深度学习的严重遮挡商品的识别检测计数方法及系统，包括：获取待识别的图像；将待识别的图像输入预先训练的识别检测模型中，输出带有商品数量的标注框；其中，所述识别检测模型包括主干网络、加强特征提取网络以及解耦头网络，所述主干网络包括顺序连接的Focus层、卷积块以及若干残差块，输出若干不同尺度的特征；所述加强特征提取网络将所述不同尺度的特征层进行特征融合；所述解耦头网络基于融合的特征进行标注框的属性预测。测。测。

【技术实现步骤摘要】
基于深度学习的严重遮挡商品的识别检测计数方法与系统


[0001]本公开属于图像处理
，尤其涉及一种基于深度学习的严重遮挡商品的识别检测计数方法与系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。
[0003]随着深度学习、5G、大数据、云服务、移动支付的发展，使得无人零售成为可能。无人零售的优势主要在于能够实现24小时的无人化经营，其不但能够节约人工成本和运营成本，还能极大的提升夜间的零售额。
[0004]近年来，基于深度学习的图像处理技术在无人零售中得到了广泛应用。这一技术不需要实体标签作为商品信息的辅助载体，而是通过大量的图片学习实现的自主的识别能力，有着自动化程度高，识别准确率高等优点；但是，专利技术人发现，虽然现有的通用深度学习算法比较成熟，但在面对零售场景中严重遮挡商品的检测效果并不理想，原因在于，为了空间利用的最大化，超市货架上的商品大多堆叠摆放，现有算法在生成的标注框时，有时会将堆叠的商品识别成一个，有时又会生成大量重叠的标注框，并不能达到预期效果。
...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的严重遮挡商品的识别检测计数方法，其特征在于，包括：获取待识别的图像；将待识别的图像输入预先训练的识别检测模型中，输出带有商品数量的标注框；其中，所述识别检测模型包括主干网络、加强特征提取网络以及解耦头网络，所述主干网络包括顺序连接的Focus层、卷积块以及若干残差块，输出若干不同尺度的特征；所述加强特征提取网络将所述不同尺度的特征层进行特征融合；所述解耦头网络基于融合的特征进行标注框的属性预测。2.如权利要求1所述的一种基于深度学习的严重遮挡商品的识别检测计数方法，其特征在于，所述主干网络中的卷积块包括卷积层、标准化层及激活函数；所述若干残差块包括三个顺序连接的第一残差块和一个第二残差块，所述第一残差块包括卷积块和残差结构；所述第二残差块包括顺序连接的卷积块、SPPB结构以及残差结构。3.如权利要求2所述的一种基于深度学习的严重遮挡商品的识别检测计数方法，其特征在于，所述SPPB结构用于提取不同尺度的特征，并进行特征融合。4.如权利要求1所述的一种基于深度学习的严重遮挡商品的识别检测计数方法，其特征在于，所述输出若干不同尺度的特征，具体为：按照残差块的连接顺序，在后三个残差块中分别输出不同尺度的特征，并输入到所述加强特征提取网络中进行融合。5.如权利要求1所述的一种基于深度学习的严重遮挡商品的识别检测计数方法，其特征在于，所述解耦头网络具体结构为：融合特征输入一个卷积块，输出两个分支结构，两个分支结构均包括两...

【专利技术属性】
技术研发人员：万洪林，张理继，仲宗锋，孙景生，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：