【技术实现步骤摘要】
一种基于深度学习的物流包裹自主检测方法
[0001]本专利技术涉及物流领域，其中涉及一种基于深度学习的物流包裹自主检测方法。
技术介绍
[0002]当今，我国的物流市场已经位居世界之首，但成本所占比例仍然过高。特别是物流中转站，当包裹在传送带或其他自动化设备上传输时，由于包裹的大量堆积，难免会出现不慎掉落或卡住等异常情况。物流中转站使用监控录像等人为的方法使位置异常的包裹归位，但这对于庞大的包裹数量来说，无论是效率还是成本都不尽如人意。目标检测技术已经广泛应用于工业、医疗、航空等领域，计算机可以帮助甚至取代人类进行物体的检测工作，在提升效率的同时降低了成本和出错率。
[0003]当今的物流中转站虽然已经在很多方面提升了自动化水平，但上述问题仍然依靠人力解决，通过工作人员去监控视频中寻找丢失的包裹，不仅费时费力，而且看的时间一长，还会产生疲劳，导致容易遗漏掉一些包裹，提高出错的概率。因此需要提出一种能够提高包裹检测效率的同时兼顾成本和出错率的包裹智能检测方法。考虑到物流包裹大量堆积对检测造成的影响，对模型进行改进。此外...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的物流包裹自主检测方法，其特征在于，所述方法包括：S1物流包裹数据采集：基于深度学习模型建立物流包裹图片数据集，数据集从多个场景采集，并且具备不同的角度、光线，也包含一些密集包裹和小包裹；S2建立物流包裹数据集：根据监督学习要求，使用数据标注工具对数据集中的所有图片进行手动标注；S3使用改进后的基于深度学习的目标检测模型进行训练：获得包裹位置异常识别模型；S4使用包裹位置异常识别模型对物流包裹数据进行识别：对识别结果进行评价。2.根据权利要求1所述的基于深度学习的物流包裹自主检测方法，其特征在于，所述深度学习模型，以YOLOv3作为基础。3.根据权利要求5所述的基于深度学习的物流包裹自主检测方法，其特征在于，使用焦点损失函数代替交叉熵损失函数，解决模型出现的类别不平衡；焦点损失函数公式为：FL(p
t
)＝
‑
α
t
(1
‑
p
t
)
α
log(p
t
)其中，a
t
为衰减系数，控制易样本、负样本对误差的影响。(1
‑
pt...
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。