一种基于RGB图像的包裹检测方法、系统、介质及终端技术方案

本发明专利技术属于快递包裹检测技术领域，公开了一种基于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

【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。
专利技术内容
[0008]针对现有技术存在的问题，本专利技术提供了一种基于RGB图像的包裹检测方法、系统、介质及终端。本专利技术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。
[0009]本专利技术是这样实现的，一种基于RGB图像的包裹检测方法，所述基于RGB图像的包裹检测方法，包括：
[0010]步骤一，建立手动标记的快递包裹图像数据集；
[0011]步骤二，使用K
‑
means算法对数据集的锚框进行聚类；
[0012]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。
[0013]进一步，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；
[0014]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。
[0015]进一步，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。
[0016]进一步，所述YOLOv3的多尺度检测过程为：
[0017]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：
[0018]N
×
N
×
[3
×
(4+1+C)][0019]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。
[0020]进一步，所述置信度计算公式为：
[0021][0022]公式中：表示第i个网格单元的第j个边界框的置信度：Pr(Object)为预测目标概率；pred为预测边框面积；truth为真实边框面积；IOU为他们交集和并集的比值。
[0023]进一步，所述包裹检测过程为：
[0024]裁剪原始图像，仅保留感兴趣的区域；At同时，采用差影法提取图像，公式如下：
[0025]I＝O
‑
B；
[0026]其中：O是原始图像，B是背景图像。
[0027]进一步，所述定位增强具体过程为：
[0028]对提取的包裹位置进行基于RGB
‑
D的显著性检测，获取更准确的位置信息；
[0029]首先使用YOLO处理图像，裁剪获得的结果以最小化其他因素的影响；然后在深度特征提取之前将RGB与D融合以进行显着性检测来获得实际边界。
[0030]本专利技术另一目的在于提供一种接收用户输入程序存储介质，所存储的计算机程序使电子设备执行所述基于RGB图像的包裹检测方法包括下列步骤：
[0031]步骤一，建立手动标记的快递包裹图像数据集；
[0032]步骤二，使用K
‑
means算法对数据集的锚框进行聚类；
[0033]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。
[0034]本专利技术另一目的在于提供一种基于RGB图像的包裹检测系统，所述基于RGB图像的包裹检测系统包括：
[0035]包裹图像数据集构建模块，用于建立手动标记的快递包裹图像数据集；
[0036]聚类模块，用于使用K
‑
means算法对数据集的锚框进行聚类；
[0037]训练和测试模块，用于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。
[0038]本专利技术另一目的在于提供一种信息数据处理终端，所述信息数据处理终端包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述基于RGB图像的包裹检测方法。
[0039]结合上述的所有技术方案，本专利技术所具备的优点及积极效果为：
[0040](1)建立了快递包裹数据集，填补空白。
[0041](2)使用自建包裹数据集训练YOLO，准确性和效率有很大提高。
[0042](3)包裹定位更加准确，可以检测不规则包裹。
[0043](4)硬件要求低，不需要高精度深度摄像头和发散装置。
[0044]本专利技术针对传统图像处理条件下快递包裹检测精度低，速度慢的问题，提出了一种基于YOLOv3
‑
tiny深度卷积神经网络的检测方法。该方法使用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，并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。实验结果表明，该方法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，对快递包裹检测、分离具有较大的工程应用价值。
附图说明
[0045]图1本文档来自技高网...

【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：