【技术实现步骤摘要】
一种基于RGB图像的包裹检测方法、系统、介质及终端
[0001]本专利技术属于快递包裹检测
,尤其涉及一种基于RGB图像的包裹检测方法、系统、介质及终端。
技术介绍
[0002]目前,随着电子商务行业的快速发展,快递物流行业包裹数量快速增加,当前快递包裹检测领域主要基于传统的图像处理方法,通过获取的深度图像深度值的变化来判断包裹边界。此方法对相邻和不规则包装的处理不准确,需要高精度的深度相机。随着深度学习的深入发展,出现了另一种基于卷积神经网络的目标检测算法。根据不同的设计思路,现有的目标检测算法可以分为两类:例如Faster
‑
RCNN等应用的two
‑
step目标检测算法和SSD和YOLO等应用的one
‑
step目标检测算法。综合考虑时间和准确性,本方法采用one
‑
step的YOLO检测算法
[0003]通过上述分析,现有技术存在的问题及缺陷为:现有技术中快递包裹检测精度低,速度慢,有很高的硬件要求。
[0004]解决以上问题及缺陷的难度为:
[0005]现有技术根据深度值来判断包裹,忽略了包裹本身的纹理特征,对无间隔、不规则、无高度差的包裹无法检测;硬件成本高。
[0006]解决以上问题及缺陷的意义为:
[0007]解决上述问题,可以使得包裹检测更具普适性,不需要对包裹的形状、间隔进行硬性要求;降低了硬件成本,无需高精度深度摄像头和前端分散装置。提高包裹检测效率,降低出错率。
专利技 ...
【技术保护点】
【技术特征摘要】
1.一种基于RGB图像的包裹检测方法,其特征在于,所述基于RGB图像的包裹检测方法,包括:步骤一,建立手动标记的快递包裹图像数据集;步骤二,使用K
‑
means算法对数据集的锚框进行聚类;步骤三,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。2.如权利要求1所述基于RGB图像的包裹检测方法,其特征在于,所述步骤三中,YOLOv3的网络结构为:YOLOv3算法采用Darknet
‑
53作为基础网络,并借鉴了残差网络的方法;在某些层之间建立了残留链接,Darknet
‑
53的网络结构包括53个卷积层和大量3
×
3,1
×
1卷积。3.如权利要求1所述基于RGB图像的包裹检测方法,其特征在于,所述步骤三中,YOLOv3
‑
tiny深层卷积神经网络进行训练和测试包括:YOLOv3的多尺度检测、包裹检测和定位增强。4.如权利要求3所述基于RGB图像的包裹检测方法,其特征在于,所述YOLOv3的多尺度检测过程为:YOLOv3使用K
‑
means聚类方法获得先验框的大小,并在13
×
13、26
×
26和52
×
52三种不同规模上进行对象预测;检测图像时,首先将输入图像划分为N
×
N的网格,如果需要预测C个类别,则会得到的张量个数为:N
×
N
×
[3
×
(4+1+C)]其中,4为目标边框的偏移坐标;1为置信度,置信度得分是指每个边框包含一个对象的概率。5.如权利要求4所述基于RGB图像的包裹检测方法,其特征在于,所述置信度计算公式为:公式中:表示第i...
【专利技术属性】
技术研发人员:张维忠,刘树杰,袁翠梅,张宏峰,
申请(专利权)人:青岛点之云智能科技有限公司,
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。