[发明专利]基于深度学习网络模型的仓库包裹出入库智能计数方法

权利要求书

1.一种基于深度学习网络模型的仓库包裹出入库智能计数方法，其特征在于，包括如下步骤：

步骤S1：包裹数据集的构建；

步骤S2：优化深度学习网络模型的构建；

步骤S3：包裹目标检测模块训练，通过将步骤S1中的数据集放入步骤S2中的优化深度学习网络模型中进行训练；

步骤S4：采用训练后的包裹目标检测模块对实时视频数据中包裹目标进行识别，同时采用Deep Sort算法进行包裹目标的实时跟踪；

步骤S5：包裹目标计数统计。

2.根据权利要求1所述的基于深度学习网络模型的仓库包裹出入库智能计数方法，其特征在于，还包括如下步骤：

步骤S6：数据分析，通过对包裹目标识别与跟踪效果以及计数准确度进行全面分析所述包裹目标检测模块的效果。

3.根据权利要求1所述的基于深度学习网络模型的仓库包裹出入库智能计数方法，其特征在于，所述步骤S1中包裹数据集的构建包括：

步骤S11：采集视频数据；

步骤S12：对视频数据进行预处理，分帧得到图片；

步骤S13：采用工具对图片进行标注；

步骤S14：过滤并筛选出有效图片作为包裹目标识别的数据集。

4.根据权利要求3所述的基于深度学习网络模型的仓库包裹出入库智能计数方法，其特征在于，所述步骤S13中采用labelimg工具对图片进行标注。

5.根据权利要求1所述的基于深度学习网络模型的仓库包裹出入库智能计数方法，其特征在于，所述深度学习网络模型采用YOLOv5模型。

6.根据权利要求5所述的基于深度学习网络模型的仓库包裹出入库智能计数方法，其特征在于，所述步骤S2中优化深度学习网络模型的构建包括如下步骤：

通过减少YOLOv5中主干部分的跨阶段部分连接结构中残差组件个数，来建立一个优化的YOLOv5模型。

7.根据权利要求6所述的基于深度学习网络模型的仓库包裹出入库智能计数方法，其特征在于，将YOLOv5中主干部分的跨阶段部分连接结构中残差组件数量从三个裁剪为一个。

8.根据权利要求1所述的基于深度学习网络模型的仓库包裹出入库智能计数方法，其特征在于，所述步骤S5中包裹目标计数统计包括如下步骤：

Deep Sort算法对特征匹配度大于0.7的包裹目标进行级联匹配，当连续8帧匹配成功时对包裹目标进行计数。

9.根据权利要求8所述的基于深度学习网络模型的仓库包裹出入库智能计数方法，其特征在于，所述步骤S5中包裹目标计数统计还包括如下步骤：

采用居中选取四分之三长的屏幕区域作为识别中心，使得在稳定的场景中识别包裹目标。

10.根据权利要求1所述的基于深度学习网络模型的仓库包裹出入库智能计数方法，其特征在于，所述步骤S4中采用训练后的包裹目标检测模块对实时视频数据中包裹目标进行识别，同时采用Deep Sort算法进行包裹目标的实时跟踪包括如下步骤：

步骤S41：采用训练后的包裹目标检测模块对实时视频数据中包裹目标进行识别，在识别出包裹目标后由Deep Sort算法对每一个识别的包裹目标分配一个追踪ID；

步骤S42：Deep Sort算法将包裹目标的外观信息加入到帧间匹配的计算中，进行持续跟踪包裹目标。