1. 研究目的与意义
背景：随着互联网技术的飞速发展，人们对大量图像、文本、声音等数据的处理有了更高的要求。随之而来的，在机器学习研究中的数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎等应用也得到了迅速的发展。自从2006年，由geofrey hinton提出的dbn算法，深度学习得到了越来越多的研究者们的注意，机器学习领域得到了突破性的进展。深度学习在建立、模拟人脑的基础上，依靠人脑的认知机制来对接收的图像、文本和声音等数据进行分析解释，模拟神经网络，自动化地学习并得出分析结果，从而提高分类或预测的准确性。考虑到高昂的人工成本，能够使用高效率、自动化或半自动化的数据处理方式来降低生活成本并便捷人们的生活成为了人们的目标。随着经济的发展，自动化售卖商品渐渐融入了人们的生活，如自动贩卖机、无人售卖店。虽然能够降低人工成本，但在销售过程中的成本，如自动贩卖机的购买成本以及条码标签的购买、粘贴成本，仍成为了自动化售卖商品不能迅速替代人工售卖的阻碍，是提高自动化程度所需要考虑的问题，而深度学习的卷积神经网络cnn算法在图像识别方向的卓越优势可以解决附带成本带来的问题。
目的：本课题是以图像识别中商品识别为例，结合深度学习和图像识别技术来对商品商标进行识别处理。商品商标的传统识别方法是条码识别和rfid射频识别。前者由于条码需人工扫码识别和本身易变形破损的缺陷，扫描结果的准确率不能得到很好的保证。后者虽是一种自动扫描技术，能够解决前者的缺陷，但是由于标签成本过高，降低了商家的利润，并不能够很好地满足商家的需求，附带增加了购买者购买商品的购买成本，提高了生活成本，不利于商品在市场中的流通。因此，如何通过深度学习和图像识别技术，自动化地实现对商品商标特征的识别处理，降低商品在售卖过程中的成本，以促进商品高效流通，提高人们生活质量是本课题研究的目的。
意义：基于深度学习的卷积神经网络cnn算法，对商品商标进行准确的特征识别，无需条码、无人售卖机等附带成本，不仅降低了商家的售卖成本，也降低了购买者的购买成本，实现自动化、低成本、便捷的商品购买，促进商品的高效流通。整个商品的购买过程，只需要购买者将要购买的商品放在配有相应设计的系统识别设备上，该设备将自动完成对商品商标的识别以及相应价格总和的计算，方便购买者进行商品的购买，而不需要任何人工成本或条码标签成本，节省了对商品的标识成本，低廉而又快速方便，极大程度地提高人们生活的品质，增强了人们的使用舒适感。该技术不仅仅只在商品商标识别方面有所贡献，这种“自动学习”的特点，在其他图像识别应用领域，如医疗诊治、人脸识别、行人检测等，都有了较高的准确率，产生了贯穿各个领域的巨大影响。
2. 研究内容和预期目标
研究内容：基于深度学习的商品商标识别系统的设计与实现，需要使用：windows10 、 anaconda 、tensorflow（cpu版本）、keras和jupytor notebook。具体要求如下：
①windows10：美国microsoft(微软)公司所研发的新一代跨平台及设备应用的操作系统。
②anaconda：anaconda3-2019.10-windows-x86_64.exe，python语言。
3. 研究的方法与步骤
研究方法：调查法和案例分析法。
步骤：
①结合当下生活方式，了解人们购物流程，深入调查研究人们的购物手段及商家在销售过程中的成本并对所收集到的资料进行分析与总结，确定本课题的研究问题。
4. 参考文献
[1]谢宝剑. 基于卷积神经网络的图像分类方法研究[d]. 2015.
[2]周飞燕, 金林鹏, 董军. 卷积神经网络研究综述[j]. 计算机学报, 2017(6).
[3]刘建伟, 刘媛, 罗雄麟. 深度学习研究进展[j]. 计算机应用研究(07):7-16 28.
5. 计划与进度安排
①2022年12月20日至2022年12月25日：结合当下生活方式，了解人们购物流程，深入调查研究人们的购物手段及商家在销售过程中的成本并对所收集到的资料进行分析与总结，确定本课题的研究问题。
②2022年12月26日至2022年12月31日：针对调查中所总结的成本问题，结合课题，进行有关深度学习方面的资料查找，确定研究内容及预期目标，即基于深度学习的商品商标识别系统的设计与实现。
③2022年1月1日至2022年1月15日：查找文献，了解相关案例，确定研究课题所需使用的语言、框架、软件等环境。
