摘要
深度学习技术已广泛应用于图片识别、机器翻译、无人驾驶等领域。本课题来源于香烟销售管理部门的实际需求，随着我国控烟政策的收紧，烟草品牌的推广渠道越来越狭窄。终端展示对于各个香烟品牌培育和推广的作用也愈发凸显。对烟盒进行识别分析，有利于烟草企业开展零售终端信息采集、库存盘点以及烟草市场绩效评价等工作。但目前终端展示存在信息提取不准确、工作强度大、效率低、场景复杂等问题。为了解决这些问题，本文基于深度学习技术，对香烟品种识别算法进行了相关研究，主要工作如下。 （1）制作香烟种类数据集。针对目前缺乏香烟品牌图片数据集的问题，首先通过爬虫和户外拍摄的方式收集大量图片，考虑到目标检测时检测者受玻璃反光、遮挡、不同角度摆放、拍摄模糊等问题，对目标图像进行数据增强，通过标注软件对处理后的图像进行位置的标定，制作出包含21004个香烟目标的数据集（含训练集、验证集、测试集）。数据集包含各类复杂场景下，多尺度、形态的香烟图片。 （2）针对在烟盒种类检测中，不同烟盒之间的相互遮挡所造成的烟盒图像特征不充分和不完善等问题，本文基于CBAM和CA注意力机制，提出改进的YOLOv5算法。通过实验分析证明，与原YOLOv5算法相比，改进算法不仅提高了烟盒种类检测的准确性，还提升了算法的鲁棒性。 （3）针对目前目标检测中存在的多尺度检测、目标误检、漏检以及特征提取能力不足等问题，本文采用两种方法对原YOLOv5算法进行改进。一是加入双向特征金字塔网络（BiFPN）改进YOLOv5网络的颈部（Neck）结构,利用BiFPN的多尺度特征融合特性，使网络能够有效融合更多特征，提高检测精度。二是通过在YOLOv5算法的Head部分增加小目标检测层，使改进网络更加关注于图像中香烟盒的目标特征，提高检测精度。 （4）基于上述研究，本文采用B/S软件架构和前后端分离的MVVM软件框架设计实现了烟盒种类识别系统。并对系统进行了功能测试。实验结果证明，系统中所有模块功能均可正常运行且识别不同种类的香烟准确率极佳。 实验结果证明，使用自建的烟盒数据集和改进的YOLOv5算法，在识别精度和识别效率方面都得到了提升。
NETL