随着科技的发展,智能化逐渐成为一种趋势。越来越多的智能无人超市、智能无人货柜的出现,使得人工智能技术成功落地。但是也有很多传统的超市依赖人工清点的方式对商品进行管理,耗费了大量的人力和时间。因此本文主要研究将深度卷积神经网络应用于超市货架商品的检测中,从而实现超市商品的智能化管理。针对没有开源的商品数据集供研究使用的问题,本文通过自采集和数据增强两种途径,经过人工标注目标区域,从而构建相对完善的商品数据集。通过阅读文献,基于回归的YOLOv3目标检测算法,无论是在速度上还是精度上都表现出了非常好的性能,因此本文将YOLOv3网络用于商品的检测。在检测过程中,发现YOLOv3网络对占比较大的商品以及存在遮挡的商品存在部分漏检的问题,针对此问题,本文对其进行改进和优化。首先通过K-means++聚类算法分析商品数据集,得到合适的先验框,提高网络的定位性能;然后对置信度误差和分类误差所使用的交叉熵损失函数进行优化,在交叉熵损失函数的基础上添加权重因子,通过提高对难分样本的注意力,使得网络得到更充分更有效的训练;最后通过优化非极大值抑制算法,提高网络对遮挡商品的处理能力。通过对比实验,证明改进后的YOLOv3算法有效地解决了占比较大以及遮挡商品的漏检问题,整体检测性能均有所提升。由于受到样本量少、光线等因素影响,导致小商品的检测性能有所降低,为了进一步提高网络的定位能力以及对小商品的检测性能,针对超市货架商品检测实际场景的特点,本文设计一种针对商品检测的更优的特征提取网络,提出一种端到端的商品检测网络CDNet(Commodity Detection Network)。为充分提取图像的深层特征,特征提取网络参照深度残差网络进行设计,采用多个瓶颈残差块,利用1×1的卷积实现跨通道的信息整合,在特征提取网络的后半部分,为了得到高分辨率的特征图,取消下采样操作,减小图像的压缩率。为了弥补高分辨率特征图丢失的感受野,引入空洞卷积,将瓶颈残差块替换为扩张残差块和带有1×1投射的扩张残差块。最后采用多尺度的预测,通过将不同层的特征进行相融合,使特征图含有不同程度的分辨率、语义信息,用于检测不同尺寸的商品。通过实验结果对比分析,本文所提出的CDNet商品检测网络能够适应多视角的商品的检测,对各类商品的平均识别率达到了96.99%,鲁棒性强,定位性能也大大提高,对小物体的漏检率也有所降低。