近些年来,随着科技、技术的快速发展,特别是电商的蓬勃发展使得商品的零售模式也发生了改变。在新零售模式下,商品的生产、流通和销售都可以依托大数据和新技术来进行改造升级。无人售货机便是一个极佳的实践对象,早期的无人售货机售卖商品的方式主要是用户先通过售货机柜外的显示屏或按钮选择商品,付费后通过传送装置将商品送到指定的区域自取,这种方式因稳定性好、安全性高而被广泛使用,缺点是成本太高;随着深度学习技术的发展,计算机视觉技术开始应用到无人售货领域,最初的尝试是通过采集开关门时刻的影像画面,通过目标检测算法来统计商品的种类和数量,最后根据开关门时刻的商品缺少数量来完成商品的出库,这种方式称为静态视觉方案。随后人们尝试记录下完整的购物行为,购物完成后将视频回传至云端进行分析,原因是本地的算力满足不了深度学习的计算需求,这种方式称为动态视觉方案。本文主要围绕动态视觉方案进行谈论和研究。首先,对于方案所涉及到的深度学习和计算机视觉方面的理论知识进行详细介绍。其次,详细叙述本文提出的一种基于动态视觉的无人售货柜解决方案,通过动态的识别商品的状态来判断商品是售卖情况,针对其中应用的检测模型,从backbone和loss两个层面加以改进,提升模型检测能力。利用目标追踪方法来动态的实现商品更新策略,最后利用模型量化压缩的方法在嵌入式设备上开发并部署了这套基于视觉的无人售货方案,最终在PC平台上达到38FPS的运行速度。本文的创新体现在四个方面:1、提出一种新的动态商品检测策略。2、基于YOLO模型提出在无人售货场景下的一种改进型目标检测网络。3、引入目标追踪方法对商品的运动状态进行实时更新。4、利用模型量化压缩的方法压缩量化模型,将整套算法部署在嵌入式设备上进行使用。