蒋达央

(常州信息职业技术学院，江苏 常州213164)

0 引言

随着人工智能技术的发展，在商业领域基于机器识别的AI应用越来越广泛。用二维码扫描商品的传统结算模式因结算误差率高、人工占用多、结算效率低等问题而矛盾凸显。基于AI技术的新零售商品结算形式——商品图像识别自动结算系统正逐步成为研究的热点。基于卷积神经网络的商品图像识别系统涉及的内容很多，笔者重点针对系统设计、网络架构和学习设计展开研究。

1 卷积神经网络(CNN)概述

卷积神经网络(CNN)是一种人工神经网络，具有深度前馈特性[1]。CNN与传统BP神经网络相比，其优势在于对图像这类二维矩阵有良好的抽象表达，每个神经元可以直接输入，做卷积计算。一个典型的CNN包含5个层：数据输入层、卷积层、ReLU激励层、池化层、全连接层[2]。基于神经网络的图像识别人工智能在安防领域应用广泛，如人脸识别、车牌识别、违禁物体检测等。目前流行的CNN框架有FACEBOOK使用的Torch、Google使用的TensorFlow、Berkeley的CV工具包Caffe[3]。

在一个图像识别网络系统中，卷积网络的输入层负责将商品图像信息录入并进行预处理，是一个二维矩阵；卷积层将挖掘二维图像矩阵的关联性和不变性特征；激励层是指卷积神经采用收敛速度更快、梯度运算更简单的ReLU激励函数[4]；池化层通常也称为采样层，主要用来降低图像的维度，例如过滤不重要的高频信息，减少冗余信息，通俗说法就是压缩图像；全连接层是指在各个卷积层之间，层与层都有神经元连接。……