【技术实现步骤摘要】
回流件识别方法、装置、设备及存储介质
[0001]本专利技术涉及视觉监控
,尤其涉及一种回流件识别方法、装置、设备及存储介质。
技术介绍
[0002]快递行业每天包裹数量巨大,因为各种原因产生回流件也是经常发生的事情,导致回流件的积压、货物堆积杂乱,容易产生安全隐患。为了及时有效的将快递送到客户手中,要避免回流件,可通过视频监控技术来分析是否产生了回流件,以供快递人员有计划地处理回流件。
[0003]当前关于回流件的视频监控技术采用NMS(Non-Maximum Suppression,非极大值抑制)算法,该算法的缺点明显,首先,NMS算法需要一个超参,超参大了不行,小了也不行,很难平衡;其次,NMS会将相邻的两个大概率目标框去掉一个,造成漏检;而算法应用的损失函数对易分类样本的权重关注度较高,使得模型在训练时难以专注于难分类的样本,导致现有视频监控技术对物流回流件的识别精度较低。
技术实现思路
[0004]本专利技术的主要目的在于解决现有视频监控技术对物流回流件的识别精度较低的技术问题。
[0005]本专利技术第一方面提供了一种回流件识别方法,包括:
[0006]获取预先采集的回流件检测区域存在回流件的第一图像和不存在回流件的第二图像,并将所述第一图像和所述第二图像作为训练样本图像;
[0007]对所述训练样本图像进行标注,得到各训练样本图像的标注信息;
[0008]采用所述训练样本图像和所述标注信息,对预置SSD-Pytorch模型进行训练,得到回流件 ...
【技术保护点】
【技术特征摘要】
1.一种回流件识别方法,其特征在于,所述回流件识别方法包括:获取预先采集的回流件检测区域存在回流件的第一图像和不存在回流件的第二图像,并将所述第一图像和所述第二图像作为训练样本图像;对所述训练样本图像进行标注,得到各训练样本图像的标注信息;采用所述训练样本图像和所述标注信息,对预置SSD-Pytorch模型进行训练,得到回流件识别模型,其中,所述SSD-Pytorch模型包括VGG Backbone层、Extra Layers层、Multi-box Layers层;获取当前回流件检测区域的第三图像,并将所述第三图像输入所述回流件识别模型进行识别,输出所述第三图像中存在回流件的概率;若所述概率大于预置概率阈值,则确定所述第三图像中存在回流件并推送提示信息。2.根据权利要求1所述的回流件识别方法,其特征在于,所述对所述训练样本图像进行标注,得到各训练样本图像的标注信息包括:圈定预先采集回流件检测区域的训练样本图像中回流件的区域范围,并对所述训练样本图像进行分割,得到对应的标注区域;将所述标注区域写入预置XML格式的空白文件中,得到对应的标注信息。3.根据权利要求1或2所述的回流件识别方法,其特征在于,所述采用所述训练样本图像和所述标注信息,对预置SSD-Pytorch模型进行训练,得到回流件识别模型包括:将所述训练样本图像输入所述VGG Backbone层,并通过所述VGG Backbone层提取所述训练样本图像的初始特征图;将所述各初始特征图输入所述Extra Layers层,并通过所述Extra Layers层对所述初始特征图进行下采样,得到对应的特征图;将所述特征图输入所述Multi-box Layers层,并通过所述Multi-box Layers层对所述特征图进行卷积处理,得到对应的回归特征图和分类特征图;基于所述回归特征图和所述分类特征图,预测所述训练样本图像中存在回流件的概率;根据所述概率和所述标注信息,对所述SSD-Pytorch模型的参数进行调整,直到所述SSD-Pytorch模型收敛,得到回流件识别模型。4.根据权利要求3所述的回流件识别方法,其特征在于,所述基于所述回归特征图和所述分类特征图,预测所述训练样本图像中存在回流件的概率包括:整合所述回归特征图和所述分类特征图,分别确定所述训练样本图像中多个目标物的预测框,并确定所述各预测框中目标物为回流件的初始概率;将所述各初始概率按照由高至低的顺序,对所述训练样本图像中各目标物的预测框进行排序;基于所述各预测框的排序顺序,选取初始概率大于预置概率阈值的预测框作为候选框,并调整与所述候选框接壤的预测框的初始概率,得到所述训练样本图像各目标物中为回流件的最终概率;基于所述各目标物中为回流件的最终概率,确定所述训练样本图像中存在回流件的概率。5.根据权利要求4所述的回流件识别方法,其特征在于,所述基于所述各预测框的排序
顺序,选取初始概率大...
【专利技术属性】
技术研发人员:李斯,赵齐辉,
申请(专利权)人:上海东普信息科技有限公司,
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。