[发明专利]一种轻量化的物流包裹目标检测模型

说明书

本发明公开了一种轻量化的物流包裹目标检测模型，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：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；backbone模块用于提取input模块输出的图像数据的物流包裹特征；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；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。本发明能够满足真实工作环境下的实时性、准确性、轻量化容易部署等要求。

技术领域

本发明属于物流分拣和计算机视觉领域，涉及一种物流包裹目标检测的轻量化深度学习模型。

背景技术

物流包裹在分拣机的分拣过程中，包裹可能存在重叠放置的情况，使得底层包裹的标签无法识别，导致包裹分配到错误路径，且袋装包裹、箱体包裹、信封袋包裹以及气泡袋包裹等常见包裹需要进行区分，以提供合理的抓取和分拣策略，因此需要进行重叠包裹、袋装包裹、箱体包裹、信封袋包裹以及气泡袋包裹的识别。目前的识别方法：监控录像等人眼观察的方法去识别，不但耗费人力精力，而且容易出错；的机器视觉目标检测方法有YOLOv3结合Deep-Sort(多目标跟踪)再剪枝的方法，以及基于Faster R-CNN改进损失函数使得候选框更接近目标框的方法。由于YOLOv3相比较于YOLOv5具有很大的参数量，导致模型具有较长的训练时间和检测时间；基于Faster R-CNN的方法属于两阶段检测方法，实时性较差，模型较大难以部署。

发明内容

为了解决目前快递包裹类型识别过程中，目标检测模型参数量和计算量大、训练时间长、检测实时性差，难以部署在嵌入式硬件上等问题，本发明提供了一种轻量化的物流包裹目标检测模型，能够满足真实工作环境下的实时性、准确性、轻量化容易部署等要求。

本发明的目的是通过以下技术方案实现的：

一种轻量化的物流包裹目标检测模型，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，即使用CIOU_Loss进行反向传播、更新梯度、减少损失，直至达到指定训练次数时或Loss曲线不再下降且精度不再提高为止，使用NMS进行筛选目标框；

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；