[发明专利]物品分类方法、装置和系统

说明书

本发明提供一种物品分类方法、装置和系统，该方法包括：提取目标包裹的透视图像的有效区域，得到目标图像；根据预先训练的特征提取模型，确定目标图像的初始特征矩阵；对初始特征矩阵进行采样，得到采样特征矩阵；根据预先训练的分类模型和采样特征矩阵，确定目标包裹内的物品的物品类别及物品类别对应的概率值。本方案通过特征提取模型和分类模型，能够对包裹内的物品进行快速、精准地识别；且本方案的特征提取模型和分类模型能快速适应不同需求的任务，动态适应性较强。

技术领域

本发明涉及物品识别技术领域，尤其是涉及一种物品分类方法、装置和系统。

背景技术

快递业务的出现极大程度地提高了货物运输的效率。随着全球经济的迅猛发展，快递运输在现代化运输产业中占有重要地位。在运输快递包裹过程中常常会有不法分子趁机夹藏一些违禁品。特别是在海关进出口方面，大宗货物居多，逐一开箱检验不切合实际，一般需要借助辐射成像的方法来进行检验，所以如何快速、准确地对包裹中的物品进行分类，并识别出违禁品成为亟待解决的技术问题。

发明内容

基于此，本发明的目的在于提供一种物品分类方法、装置和系统，以提高对包裹行李中的物品的识别的精确度和速度。

第一方面，本发明提供一种物品分类方法，该方法包括：提取目标包裹的透视图像的有效区域，得到目标图像；根据预先训练的特征提取模型，确定目标图像的初始特征矩阵；对初始特征矩阵进行采样，得到采样特征矩阵；根据预先训练的分类模型和采样特征矩阵，确定目标包裹内的物品的物品类别及物品类别对应的概率值。

在可选的实施方式中，该方法还包括：根据预先采集的样本图像，确定训练图像和测试图像；基于卷积神经网络对训练图像进行训练，得到特征提取模型；基于全连接网络对训练图像进行训练，得到分类模型。

在可选的实施方式中，根据预先采集的样本图像，确定训练图像和测试图像的步骤，包括：将预先采集的原始图像进行预处理以及图像增强处理，得到样本图像，其中，样本图像的类型包括正样本图像和负样本图像，正样本图像包括合成正样本图像、真实正样本图像、加躁正样本图像和变换正样本图像，负样本图像包括真实负样本图像和加躁负样本图像；将样本图像随机划分为训练图像和测试图像，其中，每张样本图像均包含预先标注的图像标签。

在可选的实施方式中，基于卷积神经网络对训练图像进行训练，得到特征提取模型；基于全连接网络对训练图像进行训练，得到分类模型的步骤之后，该方法还包括：将测试图像输入至特征提取模型和分类模型中，得到测试图像中的测试物品的测试类别及测试类别对应的测试概率值；计算测试类别对应的测试概率值与预先标注的图像标签中的数据之间的二值交叉熵；若二值交叉熵不满足预设的第一交叉熵阈值范围，则基于批梯度下降算法优化特征提取模型和分类模型。

在可选的实施方式中，该方法还包括：若二值交叉熵不满足预设的第二交叉熵阈值范围，则基于二值交叉熵对应的测试图像，优化特征提取模型和分类模型。

在可选的实施方式中，提取目标包裹的透视图像的有效区域，得到目标图像的步骤，包括：去除目标包裹的透视图像中的空白区域；改变去除空白区域后的透视图像的像素大小，得到目标图像。

在可选的实施方式中，根据预先训练的特征提取模型，确定目标图像的初始特征矩阵的步骤，包括：基于特征提取模型对目标图像进行卷积计算，得到目标图像的初始特征矩阵。

在可选的实施方式中，对初始特征矩阵进行采样，得到采样特征矩阵的步骤，包括：基于池化算法，将不同尺寸的初始特征矩阵转换为固定尺寸的采样特征矩阵。

第二方面，本发明提供一种物品分类装置，该装置包括：预处理模块，用于提取目标包裹的透视图像的有效区域，得到目标图像；特征提取模块，用于根据预先训练的特征提取模型，确定目标图像的初始特征矩阵；池化模块，用于对初始特征矩阵进行采样，得到采样特征矩阵；分类模块，用于根据预先训练的分类模型和采样特征矩阵，确定目标包裹内的物品的物品类别及物品类别对应的概率值。