基于卷积神经网络的商品图像识别系统设计

随着在线购物、自助结算等新零售商业模式的发展,运营终端对商品智能识别和结算的需求越来越高。人工智能在突破硬件限制以后得到突破性发展,其所用的卷积神经网络技术能很好地支撑商品图像识别应用。对卷积神经网络的系统架构和模型进行改进,尤其是对耗时较长的训练学习模型进行优化设计。经实际测试:该设计能有效提高商品图像识别系统计算的速度和识别准确性,满足社会在智能化商务运营中高效结算的业务需求。

改进多级网络的商品图像识别及鲁棒性研究

针对商品图像识别中,前期训练阶段样本过多导致训练时间增加以及随着样本丢失率的增加,多级卷积神经网络鲁棒性表现较差的问题,提出一种基于改进多级卷积神经网络的商品图像识别算法。在原激活函数基础上增加线性系数,改进网络中的激活函数,通过优化网络参数控制网络规模;自建包含5万幅不同商品的样本集,搭建商品图像识别平台,依据丢失训练思想对网络进行训练,从而实现商品图像识别。实验结果表明,该算法对商品图像识别精度高,具有良好的鲁棒性。