[发明专利]一种基于神经网络的包裹堆叠检测方法及装置

说明书

本发明涉及一种基于神经网络的包裹堆叠检测方法及装置。其包括如下步骤：步骤101、训练得到包裹检测神经网络模型，其中，所述包裹检测神经网络基于YOLOV3目标检测模型，骨干网络采用基于MobileNetV2架构，检测头部分使用二层的YOLO层输出检测框；步骤102、通过顶扫相机获取输送包裹时的皮带图像；步骤103、通过上述的包裹检测神经网络模型提取上述皮带图像中的包裹信息，所述包裹检测神经网络模型提取的包裹信息包括包裹的位置以及包裹之间关系；步骤104、根据上述提取的包裹信息判断包裹堆叠的状态。本发明能有效实现对包裹堆叠的检测，提高自动供包的准确性以及分拣效率。

技术领域

本发明涉及一种检测方法及装置，尤其是一种基于神经网络的包裹堆叠检测方法及装置。

背景技术

全自动供包系统由交叉带式分拣系统与包裹分离系统组成。在进入交叉带式分拣系统时，必须保证包裹是按顺序逐个进入。如果有堆叠包裹进入交叉带式分拣系统，将导致包裹分拣失败并降低分拣效率。

目前，对于包裹的分离，是依靠改变皮带速率从而控制包裹分离的，无法将堆叠严重的包裹分开。因此，为了保证包裹的分拣准确率与效率，如何在进入交叉带分拣系统之前检测出堆叠的包裹成为了急需解决的问题。

发明内容

本发明的目的是克服现有技术中存在的不足，提供一种基于神经网络的包裹堆叠检测方法及装置，其能有效实现对包裹堆叠的检测，提高自动供包的准确性以及分拣效率。

按照本发明提供的技术方案，一种基于神经网络的包裹堆叠检测方法，所述包裹堆叠方法检测方法包括如下步骤：

步骤101、训练得到包裹检测神经网络模型，其中，所述包裹检测神经网络基于YOLOV3目标检测模型，骨干网络采用基于MobileNetV2架构，检测头部分使用二层的YOLO层输出检测框；

步骤102、通过顶扫相机获取输送包裹时的皮带图像；

步骤103、通过上述的包裹检测神经网络模型提取上述皮带图像中的包裹信息，所述包裹检测神经网络模型提取的包裹信息包括包裹的位置以及包裹之间关系；

步骤104、根据上述提取的包裹信息判断包裹堆叠的状态。

步骤101中，采用基于YOLOV3目标检测模型时，则神经网络的训练包括与预训练步骤以及堆叠检测训练步骤；其中，

在预训练时，所述预训练的数据集为COCO数据集，网络权重初始化使用何凯明初始化方法；网络固定迭代M1次，选取MAP最优的权重为预训练权重；

在堆叠检测训练时，利用采集的堆叠检测数据集进行堆叠检测训练，网络权重初始化使用预训练得到的权重；挑选验证集时，只挑选仅含有一个单包或仅含有一个多包的图片；经过非极大值抑制后，对每张验证集图片分类，分为单包或多包，计算F1-score，记录F1-score曲线，并在训练结束时挑选 F1-score最优的权重；初始学习率为0.0005，学习率衰减策略为余弦退火。

通过包裹检测神经网络模型提取皮带图像中的包裹信息时，使用非极大值抑制对提取的包裹目标进行后处理，且只在同类间进行抑制。

使用非极大值抑制对提取的包裹目标进行处理与抑制时，包括如下过程：

对目标框集合{B}内的目标框按置信度从高到低排序；

遍历目标框集合{B}，对每个目标框B_i从目标框B_i+1向后遍历，若目标框B_i与目标框B_j属于同一类且交并比大于阈值，将目标框B_j标记剔除；