System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及毫米波成像,尤其涉及一种基于毫米波成像技术的物流包裹检测图像识别方法。
技术介绍
1、在物流包裹的处理过程中,检测包裹是否为空袋具有极为重要的意义,因为空袋往往无法携带物品,如果空袋误送或者漏检,会对物流公司和顾客都造成不必要的损失,因此,如何有效、快速地区分出物流包裹是否为空袋,一直是物流领域研究的重点问题,目前已经存在多种物流包裹检测的技术,但针对不同情况,适用的技术方法也有所不同。
2、在现有技术中,基于传感器对包裹的质量体积进行检测,该方法通过在物流线路上加装重量或体积传感器,对包裹进行检测,并分析包裹的重量、体积等参数来判断包裹是否为空袋,但该方法的准确度与传感器的精度密切相关,且遇到信封等小重量物体易造成漏检或误检;基于光学图像识别技术的方法是透过摄像头获取包裹内部的光学图像,然后基于光学特征进行分析,以确定包裹是否为空袋,该方法只适用于透明包裹或者非完全密封的包裹;射线透视检测是通过放射性元素和探测器来获取物品的射线透视图像,可以有效地检测出包裹内部的具体物品信息,也可用于确定包裹是否为空袋,但该方法存在安全隐患,成本高昂;基于形态学变换、边缘检测、纹理分析等算法的检测方法,可以实现对毫米波成像图像的快速处理和特征提取,进而判断包裹是否为空袋,但容易出现误判;基于深度学习方法进行检测,模型的复杂性高,数据需求量大,无法达到全局最优解,从而影响了模型的性能和准确性。
技术实现思路
1、本专利技术的目的在于,提供一种基于毫米波成像技术的物流包裹检
2、一种基于毫米波成像技术的物流包裹检测图像识别方法,包括,
3、步骤s1,一太赫兹毫米波传感器对物流包裹进行图像采集,获得毫米波图像数据集;
4、步骤s2,对所述毫米波图像数据集进行分类,得到分类后毫米波图像数据集;
5、步骤s3,划分所述分类后毫米波图像数据集后,通过数据增强处理进行扩充,得到扩充后毫米波图像数据集;
6、步骤s4,构建一分类网络并进行优化处理,得到一图像识别模型;
7、步骤s5,通过所述扩充后毫米波图像数据集训练所述图像识别模型,得到训练后图像识别模型;
8、步骤s6,收集待测物的图像和背景图像,利用所述训练后图像识别模型进行分类识别。
9、优选地,步骤s2中所述毫米波图像数据集中的毫米波图像包括空袋类和非空袋类。
10、优选地,步骤s3包括,
11、步骤s31,将所述分类后毫米波图像数据集按照8:1:1划分训练集、验证集以及测试集;
12、步骤s32,对划分后的所述分类后毫米波图像数据集依次进行扭曲、去噪、平滑、反转,得到所述扩充后毫米波图像数据集。
13、优选地,步骤s4包括,
14、步骤s41,通过卷积神经网络构建所述分类网络后进行编码,通过基因算法自动搜索最优的网络结构;
15、步骤s42,对输入特征图乘上一个二进制的稀疏掩码,得到稀疏化后特征图;
16、步骤s43,引入注意力机制,得到加权后特征图;
17、步骤s44,引入深度可分离卷积后得到所述图像识别模型。
18、优选地,步骤s42中所述稀疏化后特征图的计算式为
19、
20、其中,y表示所述稀疏化后特征图,x表示所述输入特征图,m表示所述稀疏掩码,表示逐元素相乘。
21、优选地,步骤s43包括,
22、步骤s431,将输入的所述稀疏化后特征图经过全局平均池化得到一个通道维度上的全局特征向量;
23、步骤s432,通过两个全连接层和非线性激活函数建立通道间的连接,得到通道上的权重系数;
24、步骤s433,将所述权重系数乘以所述稀疏化后特征图,得到所述加权后特征图。
25、优选地,步骤s431中所述稀疏化后特征图经过全局平均池化后,空间特征降维计算式为
26、
27、其中,zc表示所述稀疏化后特征图的一个通道c进行全局平均池化后的结果,c表示通道,fsq表示全局平均池化函数,xc(i,j)表示所述输入特征图的第c个通道在空间位置(i,j)的像素值,h和w分别表示所述稀疏化后特征图的高度和宽度。
28、优选地,步骤s432中两个所述全连接层和所述非线性激活函数建立通道连接的计算式为
29、
30、其中,表示经过两个所述全连接层和所述非线性激活函数的输出,t1和t2分别表示两个所述全连接层,relu表示所述非线性激活函数,z表示两个所述全连接层和所述非线性激活函数的输入。
31、优选地,步骤s433中所述加权后特征图的计算式为
32、
33、其中,表示所述加权后特征图,x表示原始特征图,σ表示sigmoid激活函数,表示经过两个所述全连接层和所述非线性激活函数后的结果。
34、优选地,步骤s41中所述基因算法的流程为初始化种群,并随机生成一组个体,然后通过俄罗斯轮盘产生选择后个体,再依次执行交叉、变异,以计算每个所述选择后个体的识别准确度,最后输出所述识别准确度最高的个体。
35、本专利技术的有益效果是:由于采用以上技术方案,能够避免传统光学影响的问题,提高了检测的适用范围和可靠性,可大幅降低物流行业的包裹检测成本,提高了模型的特征提取能力和分类准确率。
本文档来自技高网...【技术保护点】
1.一种基于毫米波成像技术的物流包裹检测图像识别方法,其特征在于,包括,
2.根据权利要求1所述的基于毫米波成像技术的物流包裹检测图像识别方法,其特征在于,步骤S2中所述毫米波图像数据集中的毫米波图像包括空袋类和非空袋类。
3.根据权利要求1所述的基于毫米波成像技术的物流包裹检测图像识别方法,其特征在于,步骤S3包括,
4.根据权利要求1所述的基于毫米波成像技术的物流包裹检测图像识别方法,其特征在于,步骤S4包括,
5.根据权利要求4所述的基于毫米波成像技术的物流包裹检测图像识别方法,其特征在于,步骤S42中所述稀疏化后特征图的计算式为
6.根据权利要求4所述的基于毫米波成像技术的物流包裹检测图像识别方法,其特征在于,步骤S43包括,
7.根据权利要求6所述的基于毫米波成像技术的物流包裹检测图像识别方法,其特征在于,步骤S431中所述稀疏化后特征图经过全局平均池化后,空间特征降维计算式为
8.根据权利要求6所述的基于毫米波成像技术的物流包裹检测图像识别方法,其特征在于,步骤S432中两个所述全连接
9.根据权利要求6所述的基于毫米波成像技术的物流包裹检测图像识别方法,其特征在于,步骤S433中所述加权后特征图的计算式为
10.根据权利要求4所述的基于毫米波成像技术的物流包裹检测图像识别方法,其特征在于,步骤S41中所述基因算法的流程为初始化种群,并随机生成一组个体,然后通过俄罗斯轮盘产生选择后个体,再依次执行交叉、变异,以计算每个所述选择后个体的识别准确度,最后输出所述识别准确度最高的个体。
...【技术特征摘要】
1.一种基于毫米波成像技术的物流包裹检测图像识别方法,其特征在于,包括,
2.根据权利要求1所述的基于毫米波成像技术的物流包裹检测图像识别方法,其特征在于,步骤s2中所述毫米波图像数据集中的毫米波图像包括空袋类和非空袋类。
3.根据权利要求1所述的基于毫米波成像技术的物流包裹检测图像识别方法,其特征在于,步骤s3包括,
4.根据权利要求1所述的基于毫米波成像技术的物流包裹检测图像识别方法,其特征在于,步骤s4包括,
5.根据权利要求4所述的基于毫米波成像技术的物流包裹检测图像识别方法,其特征在于,步骤s42中所述稀疏化后特征图的计算式为
6.根据权利要求4所述的基于毫米波成像技术的物流包裹检测图像识别方法,其特征在于,步骤s43包括,
7.根据权利要求...
【专利技术属性】
技术研发人员:陈晓星,崔军伟,刘友明,宋启盛,陈超,王超琦,
申请(专利权)人:华太极光光电技术有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。