[发明专利]一种轻量化的物流包裹目标检测模型

权利要求书

1.一种轻量化的物流包裹目标检测模型，其特征在于所述模型由input模块、backbone模块、neck模块和prediction模块四部分构成，其中：

所述input模块是图像数据的输入端，用于将物流运输线上采集的尺寸为752×480的3通道图像数据处理成640×640×3的图像数据；

所述backbone模块用于提取input模块输出的图像数据的物流包裹特征；

所述neck模块用于对backbone模块提取的物流包裹特征进行混合和组合；

所述prediction模块用于处理neck模块获取的图像特征，并对目标类别和边界框进行预测并输出。

2.根据权利要求1所述的轻量化的物流包裹目标检测模型，其特征在于所述backbone模块由第0层～第6层构成，neck模块由第7层～第18层构成，第15层和第18层分别作为prediction模块的中目标检测层和大目标检测层；

所述第0层为CBRM层，input模块输出的640×640×3图像数据作为第0层的输入，第0层输出的160×160×8图像数据作为第1层的输入；

所述第1层为Shuffle-Block层，步长s＝2，第1层的输入图像数据大小为160×160×8，第1层输出的80×80×64图像数据作为第2层的输入；

所述第2层为C3-Lite层，使用了3个Bottleneck结构，C3-Lite层的步长s＝1，第2层的输入图像数据大小为80×80×64，第2层输出的80×80×64图像数据同时作为第3层和第13层的输入；

所述第3层为Shuffle-Block层，步长s＝2，第3层输入的图像数据大小为80×80×64，第3层输出的40×40×128图像数据作为第4层的输入；

所述第4层为C3-Lite层，使用了7个Bottleneck结构，C3-Lite层的步长s＝1，第4层的输入图像数据大小为40×40×128，第4层输出的40×40×128图像数据同时作为第5层和第9层的输入；

所述第5层为Shuffle-Block层，步长s＝2，第5层的输入图像数据大小为40×40×128，第5层输出的20×20×256图像数据作为第6层的输入；

所述第6层为C3-Lite层，使用了3个Bottleneck结构，C3-Lite层的步长s＝1，第6层的输入图像数据大小为20×20×256，第6层输出的20×20×256图像数据作为第7层的输入；

所述第7层为Conv层，第7层的输入图像数据大小为20×20×256，第7层输出的20×20×128图像数据同时作为第8层和第17层的输入；

所述第8层为上采样，第8层的输入图像数据大小为20×20×128，第8层输出的40×40×128图像数据作为第9层的输入；

所述第9层为Concat层，第9层的输入图像大小为40×40×128+40×40×128，第9层输出的40×40×256图像数据作为第10层的输入；

所述第10层为C3层，第10层的输入图像大小为40×40×256，第10层输出的40×40×128图像数据作为第11层输入；

所述第11层为Conv层，第11层的输入图像大小为40×40×128，第11层输出的40×40×64图像数据作为第12层的输入；

所述第12层为上采样层，第12层的输入图像大小为40×40×64，第12层输出的80×80×64图像数据作为第13层的输入；

所述第13层为Concat层，第13层的输入图像大小为80×80×64+80×80×64，第13层输出的80×80×128图像数据作为第14层的输入；

所述第14层为Focus层，第14层的输入图像大小为80×80×128，第14层输出的40×40×128图像数据作为第15层的输入；

所述第15层为C3层，第15层的输入图像大小为40×40×128，第15层输出的40×40×64图像数据作为第16层的输入，第15层即为prediction模块的中目标检测层；

所述第16层为Focus层，第16层的输入图像大小为40×40×64，第16层输出的20×20×64图像数据作为第17层的输入；

所述第17层为Concat层，第17层的输入图像大小为20×20×64+20×20×128，第17层输出的20×20×192图像数据作为第18层的输入；

所述第18层为C3层，第18层的输入图像大小为20×20×192，第18层输出为20×20×64，第18层即为prediction模块的大目标检测层。