无人售货是当前比较火热的领域,其中无人售货机技术历经机械化、电子化、数字化逐渐向智能化发展。智能化的无人售货机将应用深度学习技术实现语音识别、基于视觉的商品识别等功能,其中基于深度学习的商品识别技术在智能化无人售货机的落地应用中是比较重要的一环。在无人售货机自动售卖商品的实际应用场景中,需要在一个算力有限的嵌入式设备上实现商品图像识别。本文设计了一种高效轻型商品图像识别网络——改进Mobile Net-SSD网络,在X86平台及Android平台实现了快速且精确的商品识别,并在改进Mobile Net-SSD网络的基础上增加了特征提取网络、特征匹配及特征库等结构,在一定程度上减少了网络在增加新商品时耗时费力的数据标记与网络训练工作。本论文的主要工作及贡献点如下:首先,本文随机采集了5000张无人售货机场景下五种商品的图像,其中目标商品数量共计88998个,并通过人工标注目标商品的方式制作成商品数据集,其中4000张图像为训练集用作模型的训练,1000张图像为测试集用作模型的测试。其次,在Mobile Net-SSD网络的基础上增加反卷积与特征融合结构并对卷积层数进行缩减,然后针对本文商品数据集对预选框比例及大小进行适应性调整,得到改进Mobile Net-SSD网络。在Caffe环境下训练得到Mobile Net-SSD网络模型及改进Mobile Net-SSD网络模型,脱离Caffe环境移植两个网络模型到X86平台进行测试,最终得到模型的检测平均准确率与检测速度分别为:0.919/44ms、0.948/33ms,可以看出本文提出的改进Mobile Net-SSD网络在检测平均准确率和检测速度两方面都有提升。选取检测效果较好的改进Mobile Net-SSD网络模型移植到Android平台进行测试,其检测速度达到了200ms,证明该网络在商品识别任务中实际应用的可能性。最后,当无人售货机中增加需要识别的新商品时,需要采集大量新商品的图像并人工标记,同时商品图像识别网络也需要重新训练,为了减少增加新商品时耗时费力的数据标记与网络训练工作,本文将改进Mobile Net-SSD网络作为检测网络并增加特征提取网络、特征匹配及特征库等结构来设计新的商品图像识别算法。移植商品图像识别算法到X86平台进行测试,对五种商品的1000张测试集图像的检测平均准确率和检测速度为0.974/237ms,在不重新训练检测网络与特征提取网络的情况下,在无人售货机环境下增加不同的新商品进行测试,最终对新商品的识别没有达到预期效果,究其原因,基于五种商品的检测网络对与五种商品差异较大的商品特征提取能力较差,导致检测效果较差;而特征提取网络不关注不同商品特征的类间距离,导致新商品特征与五种商品的特征不易区分,导致特征匹配的效果较差。说明本文提出的商品图像识别算法还有待改进。