Para reducir la tasa de pérdida de carga causada por el comportamiento de consumo anormal en armarios de venta al por menor inteligentes, es necesario resolver dos problemas. El primero es que la diversidad de consumidores conduce a una diversidad de acciones contenidas en el mismo comportamiento, lo que hace que la precisión de la identificación del comportamiento del consumidor sea baja. En segundo lugar, la diferencia entre el comportamiento de interacción normal y el comportamiento de interacción anormal es pequeña, y las características anómalas son difíciles de definir. Por lo tanto, proponemos un algoritmo de detección de comportamiento anómalo con convolución de gráficos de interacción humano-objeto y mejora de diferencia guiada por confianza. Con el objetivo de resolver el problema de baja precisión en el reconocimiento del comportamiento del consumidor, incluido el comportamiento interactivo, se utiliza la red convolucional de gráficos de interacción humano-objeto para reconocer la acción y extraer cuadros de video de comportamientos humanos anormales. Para definir anomalías, detectamos anomalías delimitando áreas anómalas de los cuadros de video de anomalías. Utilizamos un módulo de mejora de anomalías guiado por confianza para realizar la detección de confianza en las características codificadas extraídas por el codificador utilizando una capa de conexión completa de confianza. Los resultados experimentales mostraron que el algoritmo de reconocimiento de acciones tenía una buena capacidad de generalización y precisión, y los cuadros de video seleccionados tienen características de destrucción obvias, y el área bajo la curva de operación del receptor (AUROC) alcanzó el 82.8% en la detección de áreas anormales. Nuestra investigación proporciona una nueva solución para la detección de comportamientos anormales que destruyen el embalaje de mercancías, lo cual tiene un considerable valor de aplicación.