基于CNN卷积神经网络的商品识别（毕设）

 一、研究背景及意义

          当下，国内超市结算的方式大多都是人工扫码。在下班人流高峰期，显然这不是更高效的方式，无疑是增加了超市的人工成本及顾客的等待时间。

二、目标检测的算法的选取

        在单阶段目标检测算法中，目前主流的算法是YOLO算法与SSD算法。因此，我们分别使用这两种目标检测算法来对商品数据集进行训练与分析。

YOLO目标检测算法

SSD目标检测算法

三、数据集的准备及需求分析

        数据集共有2388个类别，35w张图片，几乎涵盖所有商品种类；本次项目将选取九类商品进行训练，分别为阿道夫、料酒、白醋、阿萨姆， 啤酒、奥妙清洁剂、百事可乐、纯悦、畅轻。将每个类别的商品以8：2的比例划分为训练集和验证集；数据打标：采用Labelimg工具进行手工打标（YOLO算法的默认存储为Txt格式）。使用YOLOV5算法开始训练网络模型，总共训练迭代次数为140。调整网络配置超参数，继续训练，使得识别结果达到更好的精度。使用PyQt5为商品识别系统提供一个可视化界面。

四、系统的设计与实现

商品识别系统登录界面

商品识别系统的主界面

多种类商品识别界面

五、YOLOV5算法训练指标

mAP指标

Recall指标