一种基于深度学习的快递暴力分拣动作识别方法及系统技术方案

本发明专利技术公开了一种基于深度学习的快递暴力分拣动作识别方法。涉及计算机视觉和机器学习领域，包括视频输入、图像预处理、特征提取和动作分类模块。本发明专利技术利用平均值法对输入的图像进行灰度化处理，利用中值滤波方式去除图像噪声，利用Inceptionv3网络结构提取视频图像特征、学习视频的空间信息，利用LSTM网络对提取的特征图进行学习，以处理视频的时间序列信息不易受噪声、光源、遮挡等干扰且计算简单。提取特征更加快速，准确率也相对较高，具有很大的实用性。GoogleNet网络结构相比较于其他结构不仅错误率较低，并且其网络深度增加，模型参数也比AlexNet、VGG16少很多，拟合程度和泛化能力也更强。

【技术实现步骤摘要】

本专利技术涉及计算机视觉与机器学习，尤其涉及一种基于深度学习的快递暴力分拣动作识别方法及系统。

技术介绍

1、随着物流市场的不断壮大，在物流服务过程中暴力分拣的现象层出不穷。目前我国判断包裹是否被异常处理的标准是包裹是否被扔下或扔到大于30厘米的高度。但是这一标准明显不能覆盖所有的分拣处理过程。在某些情况下，快速踢腿、踩踏等行为在没有足够自动化设备的物流中心和终点站经常发生，也应作为研究考虑的一部分。

2、因此本专利认为“暴力分拣”就是分拣人员在分拣过程中抛、扔、踢、踩踏快件，导致包裹出现不同程度的破损，降低包装完好率，影响快递服务质量的行为。虽然国家相关部门也强调快递企业必须严格遵守操作规范，杜绝野蛮装卸和暴力分拣，很多分拣场所也安装了监控，但是依靠人工对视频图像进行监视与辨别，不但耗时耗力，而且成效不高。采用计算机视觉等智能化分析手段来自动检测判断暴力分拣行为，提升整个物流行业的智能化、自动化水平，对推动我国智慧物流发展进程起着重要作用。

3、目前直接针对暴力分拣行为识别的研究还较少。尚淑玲提出基于计算机视觉，利用小波包分析提取本文档来自技高网...

【技术保护点】

1.一种基于深度学习的快递暴力分拣动作识别方法，其特征在于：包括，

2.如权利要求1所述的一种基于深度学习的快递暴力分拣动作识别方法，其特征在于：所述收集到的待检测的视频图像包括，输入的视频序列为，

3.如权利要求2所述的一种基于深度学习的快递暴力分拣动作识别方法，其特征在于：所述特征提取包括，Inceptionv3输入层的输入为一个224×224×3的RGB图像，表示为X＝{x1,x2,…,x224*224*3}，形成的输入为，

4.如权利要求3所述的一种基于深度学习的快递暴力分拣动作识别方法，其特征在于：所述RGB图像表示为，检查输入图像的尺寸和通...

【技术特征摘要】

1.一种基于深度学习的快递暴力分拣动作识别方法，其特征在于：包括，

2.如权利要求1所述的一种基于深度学习的快递暴力分拣动作识别方法，其特征在于：所述收集到的待检测的视频图像包括，输入的视频序列为，

3.如权利要求2所述的一种基于深度学习的快递暴力分拣动作识别方法，其特征在于：所述特征提取包括，inceptionv3输入层的输入为一个224×224×3的rgb图像，表示为x＝{x1,x2,…,x224*224*3}，形成的输入为，

4.如权利要求3所述的一种基于深度学习的快递暴力分拣动作识别方法，其特征在于：所述rgb图像表示为，检查输入图像的尺寸和通道数，输入图像的尺寸必须为224×224，通道数必须为3，如果输入图像的尺寸或通道数不符合要求，则需要进行相应的调整；将输入图像转换为rgb格式，如果输入图像不是rgb格式，则进行转换；将输入图像缩放为224×224；如果输入图像的尺寸不为224×224，则进行缩放。

5.如权利要求4所述的一种基于深度学习的快递暴力分拣动作识别方法，其特征在于：所述识别学习包括，设计采用双向发lstm网络进行识别学习，输入为经inceptionv3提取训练的图像信息特征，输入序列的长度为z，顺序和逆序的lstm单元个数为p，通常z＝p，bi－lstm网络包含2×z个lstm单元，每个单元都包含输入门、遗忘门和输出门，对于每一个lstm单元后接入一个sof...

【专利技术属性】
技术研发人员：赵学健，强逸旻，孙知信，曹亚东，孙哲，宫婧，汪胡青，胡冰，徐玉华，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：