[发明专利]一种基于深度学习的快递包裹检测识别算法

说明书

本发明涉及物流检测识别技术领域，具体是一种基于深度学习的快递包裹检测识别算法，包括以下步骤：S1.预处理步骤：在预处理阶段对数据分别进行了hsv色彩空间增强、尺度变换增强与180度图片翻转增强，赋予了整个网络旋转不变性以及提升了网络对光照变化的鲁棒性以及快件角度变化的鲁棒性；S2.更换算法：在YOLOv5n网络的基础上将CSPDarknet53中的普通卷积层(CONV)换成了GhostConv，减少了网络整体的FLOPs，从而有效减少了检测算法推理时的花销，并且对比原有算法。本发明将YOLOv5中CSPDarknet53的普通卷积层替换成GhostConv，并使用了GIoU loss作为损失函数后运行帧数提升为32帧，mAP0.5的检测精度提升为99.31%，mAP0.5:0.95的检测精度提升为84.85%，可以满足多快件分离系统的实时运行要求和精度要求，并且已经超出同类产品检测算法的16帧检测效率。

技术领域

本发明涉及物流检测识别技术领域，具体是一种基于深度学习的快递包裹检测识别算法。

背景技术

随着社会和科技的进步，随着我国经济飞跃式的增长，电子商务走向兴盛，物流行业也得到了迅猛的发展。我国快递业务量逐年递增。伴随着最近几年快递业务量爆炸式增长的同时，巨额的人工费用与极低的人工效率给物流企业带来了极大压力。在未来，实现智能物流，用自动化设备替代人工作业，将成为物流产业提高效率、降低成本、克服自身压力的关键。

包裹检测算法主要应用于物流自动化系统的前端，为系统提供精准的包裹位置信息，其检测精度和效率决定整体物流自动化设备的效率和准确性。

中国专利号CN113344949A提供一种基于RGB图像的包裹检测方法、系统、介质及终端，建立手动标记的快递包裹图像数据集，使用K-means算法对数据集的锚框进行聚类；使用具有数据增强策略的YOLOv3-tiny深层卷积神经网络进行训练和测试。本发明以较高的定位精度快速提取包裹位置，为后续分离做准备，提高了快递包裹检测的智能性和效率，满足快递包裹的检测需求。实验表明，该方法对快递包裹的检测具有较高的准确性和实用性。本发明模型在测试集上的平均准确度达到94.73％，实时检测帧率达到每秒96帧。检测的准确性和实时性对比现有方法有了较大的改进。

目前自动化分拣设备对快件包裹检测算法的实时性和精度都有较高的要求，现有的高精度检测算法需要部署在高性能的GPU上，但高性能GPU性价比较低，不适合在工业场景下大规模应用，而现有的可以在低性能CPU运行的检测算法很难兼顾实时性和精度，因此，亟需研发一种基于深度学习的快递包裹检测识别算法。

发明内容

本发明的目的在于提供一种基于深度学习的快递包裹检测识别算法，以解决上述背景技术中提出的高精度检测算法需要部署在高性能的GPU上，但高性能GPU性价比较低，不适合在工业场景下大规模应用，而现有的可以在低性能CPU运行的检测算法因易受环境变化的干扰，鲁棒性较差，很难兼顾实时性和精度的问题。

本发明的技术方案是：一种基于深度学习的快递包裹检测识别算法，包括以下步骤：

包括以下步骤：

S1.预处理步骤：在预处理阶段对数据分别进行了hsv色彩空间增强、尺度变换增强与180度图片翻转增强，赋予了整个网络旋转不变性以及提升了网络对光照变化的鲁棒性以及快件角度变化的鲁棒性；

S2.更换算法：在YOLOv5n网络的基础上将CSPDarknet53中的普通卷积层(CONV)换成了GhostConv，减少了网络整体的FLOPs，并使用了GIoU loss作为损失函数；

S3.检测识别：在检测过程中选取适当的ROI区域，减少计算冗余，减少检测算法推理时的花销。

进一步地，所述本发明中快递包裹检测识别算法基于YOLOv5n网络。

进一步地，所述本发明中快递包裹检测识别算法与YOLOv5n网络采用同一种CPU作为运算芯片，且该CPU为IntelI7-10700。