单宇翔，龙涛，楼卫东，陆海良，胡红春，李轩

1 浙江中烟工业有限责任公司信息中心，杭州市上城区中山南路77号 310008；

2 深圳爱莫科技有限公司，深圳市南山区国际创新谷1期2栋A座 518000；

3 中国烟草总公司职工进修学院，郑州 450008

零售终端是烟草产业链的重要组成部分，是烟草实现最终销售的关键环节。随着控烟政策日益趋紧，烟草品牌宣传途径愈发狭窄。终端陈列对于卷烟品牌培育、产品动销的作用愈发凸显，决胜终端对烟草企业而言更多了一份特殊的意义。烟草工商业企业各项工作开展和针对零售终端的众多营销活动，都需要对卷烟烟盒（本论文中的卷烟烟盒指的是卷烟陈列场景中的卷烟小盒，简称烟盒；烟盒图像指的是对该场景进行拍照得到的烟盒外观图像）进行识别和分析，以进行卷烟市场表现评估（陈列分析、上柜率检查）、零售终端评价、库存盘点、零售终端信息采集等。

传统的流程采用人工对图片中的每一个卷烟烟盒图像进行辨识、判断，工作量巨大,且难以对市场上的数量巨大的所有卷烟烟盒实现准确的辨别，容易导致识别和判定结果出错。近年来，图像识别算法得到了快速的发展，特别是基于深度学习的方法[1]，在很多场景得到了广泛应用，例如根据图像内容进行分类[2-3]，无人驾驶场景进行车辆或者行人的检测[4-9]，以及广泛应用的人脸识别[10-13]。在上述这些领域，深度学习技术极大降低了人力成本，提升了任务精度和速度。但在烟草领域，除了在工业生产[14-15]和零售支付场景中的传统的烟盒条码识别，深度学习技术并未得到广泛和有效的应用。……