近年来,以人工智能为代表的计算机技术在实际应用中逐步推广,使得零售行业发生巨大变化。尤其是人脸识别、移动支付、云计算等技术的普及,催生了无人便利店、无人自动售货机以及无人售货架等三种主要的新型消费形态,亦即人们常说的“无人零售”。当前,在新冠疫情的冲击下,无人零售的智能化、便捷性和无接触等特点使其逐渐得到大众的认可。但是,当前公开的无人零售数据集较少,因此需要实现图像的快速采集。同时,一些无人零售柜对饮料的种类和摆放都有较大限制,除了拍摄识别外还需传感器的辅助,这也增加了饮料识别中的不确定性。因此,只用单一摄像头进行无人零售中的饮料识别既需要较高的准确率,又要保持实时性,该方向也成为了相关研究的重点。针对人工采集数据成本高和标注效率低的问题,本文设计了一种可以对饮料拍摄图像的数据采集装置。该装置能够自动连续拍摄,高效地采集到足够数量的不同种饮料组合图像,并提供快速标注。基于上述数据采集装置构建的数据集,本文采用主流目标检测算法训练,以得到相应的饮料识别模型。其中,针对原始模型实时性欠佳的问题,本文在传统目标检测算法的基础上提出Multilocal Net,其采用类激活方式提取局部特征传导至骨干网络部分和全局信息共同训练,并分别设置全局流和局部流的交叉熵损失函数。经过与传统算法的对比,在保证准确率的情况下提高了实时性。针对真实场景中对目标域图像识别精度较低的问题,在数据层面上进行不同场景的融合,提高模型跨场景的泛化识别能力。使用装置采集的图像和少量的无人零售柜图像这两种场景组成的数据集时需要降低场景对饮料识别的影响,因此从数据增强和注意力机制两个方面进行改进。经过实验验证,数据增强方法Mosaic和Mixup可以模拟部分遮挡或者模糊的真实场景,一定程度上提高模型的泛化能力。在网络结构方面,为使模型对真实无人零售场景更敏感,设计了带有域注意权重的SE适配器组模块,在主干网络中使用该模块比基础网络的准确率提高1.6个百分点,在跨场景的识别效果的提升上最为显著。