[发明专利]快递面单识别模型移植方法、装置、设备及存储介质

说明书

本发明涉及物流技术领域，公开了一种快递面单识别模型移植方法、装置、设备及存储介质，用于提高快递面单识别模型的识别速度和移植效率。快递面单识别模型移植方法包括：利用预设测试样本数据对已训练的快递面单识别模型进行验证，得到验证结果；当验证结果大于或者等于预置阈值时，将已训练的快递面单识别模型转换为中间模型文件，并校验中间模型文件是否运行正常，得到校验结果；当校验结果为校验通过时，对中间模型文件进行简化处理，得到已简化的模型文件，并对已简化的模型文件进行运行测试，得到测试结果；当测试结果为测试通过时，将已简化的模型文件转换为待编译模型文件；对待编译模型文件进行量化和文件编译后，移植到智能移动终端。

技术领域

本发明涉及物流技术领域，尤其涉及一种快递面单识别模型移植方法、装置、设备及存储介质。

背景技术

随着物流行业的快速发展，以及快递包裹数量的增多，快递员在进行快递配送时，可以通过专用条码识别器采用光电的方式识别快递面单上的快递单号；也可以采用智能移动终端的应用软件识别快递单号以及收件人的电话号码。

现有的应用软件不仅对智能移动终端硬件要求高，而且依赖智能移动终端的摄像像素，同时对识别模型的性能也要求高，使得在智能移动终端中的快递面单识别模型的普及率低，并且很难移植到智能移动终端。

发明内容

本发明的主要目的在于解决现有的快递面单识别模型难以移植到智能移动终端的问题。

本发明第一方面提供了一种快递面单识别模型移植方法，包括：获取已训练的快递面单识别模型，利用预设测试样本数据对所述已训练的快递面单识别模型进行验证，得到验证结果；当所述验证结果大于或者等于预置阈值时，将所述已训练的快递面单识别模型转换为中间模型文件，并校验所述中间模型文件是否运行正常，得到校验结果；当所述校验结果为校验通过时，对所述中间模型文件进行简化处理，得到已简化的模型文件，并对所述已简化的模型文件进行运行测试，得到测试结果；当所述测试结果为测试通过时，将所述已简化的模型文件转换为待编译模型文件，所述待编译模型文件包括模型结构文件和模型参数文件；对所述待编译模型文件进行量化处理，得到已量化的模型文件，对所述已量化的模型文件进行文件编译后，得到已编译文件，并将所述已编译文件移植到智能移动终端中。

可选的，在本发明第一方面的第一种实现方式中，所述获取已训练的快递面单识别模型，利用预设测试样本数据对所述已训练的快递面单识别模型进行验证，得到验证结果，包括：构建pytorch框架环境，并基于所述pytorch框架环境设置初始神经网络模型，所述初始神经网络模型包括采用轻量化网络mobilenet-v2改进的骨干网络；采用预设训练样本数据对所述初始神经网络模型进行训练并调试，得到已训练的快递面单识别模型，所述已训练的快递面单识别用于识别快递面单中电话号码区域；利用预设测试样本数据对所述已训练的快递面单识别模型进行精确率验证，得到验证结果。

可选的，在本发明第一方面的第二种实现方式中，在所述构建pytorch框架环境，并基于所述pytorch框架环境设置初始神经网络模型，所述初始神经网络模型包括采用轻量化网络mobilenet-v2改进的骨干网络之前，所述快递面单识别模型移植方法还包括：获取初始快递面单样本数据集，并对所述快递面单样本数据集进行图像处理，得到目标快递面单样本数据集；对所述目标快递面单样本数据集按照预设比例进行数据划分，得到所述预设训练样本数据和所述预设测试样本数据，并对所述预设训练样本数据进行标注处理。

可选的，在本发明第一方面的第三种实现方式中，所述当所述验证结果大于或者等于预置阈值时，将所述已训练的快递面单识别模型转换为中间模型文件，并校验所述中间模型文件是否运行正常，得到校验结果，包括：当所述验证结果大于或者等于预置阈值时，获取所述已训练的快递面单识别模型对应的存储文件路径信息和待转换文件名称；按照预设转换函数、所述存储文件路径信息和所述待转换文件名称，将所述已训练的快递面单识别模型转换为中间模型文件，所述中间模型文件为开放神经网络交换onnx模型文件；搭建onnx框架环境，并校验所述onnx模型文件是否运行正常，得到校验结果。