Comparative Study of Product Detection and Visual Identification Methods Using Deep Learning

Abstract

The retail sector is undergoing rapid digital transformation, with automated checkout systems and intelligent shopping baskets emerging as key innovations to improve efficiency and shopping experience. However, accurate product recognition in real-world store environments remains challenging due to crowded shelves, high visual similarity between items, changing lighting conditions, hidden products, and the need for immediate response directly on devices. This thesis presents a comprehensive comparative study of modern artificial intelligence and computer vision methods for automated product detection and identification. We systematically analyze various visual recognition models, lightweight architectures for local deployment, and different approach combinations for image retrieval. Through a unified framework, we evaluate these methods across key dimensions : accuracy, speed, adaptability to real-world conditions, and practical implementation feasibility. The study establishes clear theoretical foundations for automated visual analysis while identifying current challenges and providing practical guidelines for building reliable intelligent shopping systems.***

Le secteur du commerce de détail connaît une transformation numérique rapide, les systèmes de paiement automatisés et les paniers d’achat intelligents émergeant comme des innovations clés pour améliorer l’efficacité et l’expérience d’achat. Cependant, la reconnaissance précise des produits dans les environnements de magasin réels reste un défi en raison des étagères encombrées, de la grande similitude visuelle entre les articles, des conditions d’éclairage changeantes, des produits masqués et de la nécessité d’une réponse immédiate directement sur les appareils. Cette thèse présente une étude comparative approfondie des méthodes modernes d’intelligence artificielle et de vision par ordinateur pour la détection et l’identification automatisées des produits. Nous analysons systématiquement divers modèles de reconnaissance visuelle, des architectures légères pour le déploiement local et différentes combinaisons d’approches pour la recherche d’images. À travers un cadre unifié, nous évaluons ces méthodes selon des dimensions clés : précision, vitesse, adaptabilité aux conditions réelles et faisabilité pratique de la mise en oeuvre. L’étude établit des fondements théoriques clairs pour l’analyse visuelle automatisée tout en identifiant les défis actuels et en fournissant des lignes directrices pratiques pour la construction de systèmes d’achat intelligents fiables.