【技术实现步骤摘要】
本专利技术涉及物流，尤其涉及一种物流点集包袋位置识别方法、装置、设备及存储介质。
技术介绍
1、快递行业蓬勃发展，大量快递包裹需要进行集中存放和分拨处理，而这些快递包裹通常被装入集包袋中以便于搬运和管理。操作人员在进行集包时，可能会将集包袋随意放置、不按照规定放置的行为，这不仅影响了分拨效率，还可能引发后续的分拨错误。
技术实现思路
1、本专利技术提供了一种物流点集包袋位置识别方法、装置、设备及存储介质，用于通过基于efficientdet网络的集包袋位置识别模型识别非集包袋放置区域是够放置有集包袋。
2、本专利技术第一方面提供了一种物流点集包袋位置识别方法，所述物流点集包袋位置识别方法包括：采集物流点中放置有集包袋的场景图片作为训练样本，并制作训练集；搭建efficientdet网络，并设置所述efficientdet网络的参数，得到efficientdet初始模型；在所述efficientdet初始模型中引入区域注意力机制，得到efficientdet改进模型；将所述训练集输入至所述efficientdet改进模型中进行训练，得到集包袋位置识别模型；采集物流点的实时图像，并将采集的实时图像输入所述集包袋位置识别模型，获取所述集包袋位置识别模型输出的结果。
3、可选的，在本专利技术第一方面的第一种实现方式中，所述采集物流点中放置有集包袋的场景图片作为训练样本，并制作训练集，包括：采集物流点中放置有集包袋的场景图片；使用labelme对采集的场景图片进行标注
4、可选的，在本专利技术第一方面的第二种实现方式中，所述搭建efficientdet网络，并设置所述efficientdet网络的参数，得到efficientdet初始模型，包括：导入深度学习框架；设置efficientdet网络的参数，包括学习率、优化器参数、损失函数和迭代次数；基于导入的深度学习框架和设置的参数搭建efficientdet网络，并编译模型，得到efficientdet初始模型。
5、可选的，在本专利技术第一方面的第三种实现方式中，所述在所述efficientdet初始模型中引入区域注意力机制，得到efficientdet改进模型，包括：构建区域注意力模块，所述区域注意力模块用于接受特征图作为输入，并生成特征图的加权版本；根据构建的区域注意力模块的要求，调整所述efficientdet初始模型的特征金字塔网络中要插入所述区域注意力模块的位置的输入维度；将构建的区域注意力模块嵌入特征金字塔网络的相应位置的输入，得到efficientdet改进模型。
6、可选的，在本专利技术第一方面的第四种实现方式中，所述将所述训练集输入至所述efficientdet改进模型中进行训练，得到集包袋位置识别模型，包括：从训练集中抽取一组训练样本，将抽取的训练样本输入至所述efficientdet改进模型中进行训练，通过前向传播计算所述efficientdet改进模型对输入的训练样本的预测结果；将所述efficientdet改进模型的预测结果与真实标签进行比较，计算损失函数的值；根据所述损失函数的值，利用反向传播算法计算每个模型参数对损失函数的梯度，并使用优化器根据梯度更新所述efficientdet改进模型的参数；重复以上步骤，直至训练集中的训练样本都被用于更新所述efficientdet改进模型的参数，得到集包袋位置识别模型。
7、可选的，在本专利技术第一方面的第五种实现方式中，所述采集物流点的实时图像，并将采集的实时图像输入集包袋位置识别模型，获取集包袋位置识别模型输出的结果，包括：采集物流点的实时图像，并筛选出非集包袋放置区域的图像；将筛选出的图像输入集包袋位置识别模型，获取所述集包袋位置识别模型的输出结果；若所述集包袋位置识别模型的输出结果为存在集包袋，则生成预警通知。
8、可选的，在本专利技术第一方面的第六种实现方式中，所述若所述集包袋位置识别模型的输出结果为存在集包袋，则生成预警通知，包括：若所述集包袋位置识别模型的输出结果为存在集包袋，则调用预警通知生成模块；将当前图像和所述集包袋位置识别模型的输出结果填充至预警通知生成模块，生成预警通知；调用预设通知服务api，发送生成的预警通知给目标用户。
9、本专利技术第二方面提供了一种物流点集包袋位置识别装置，包括：训练集制作模块，用于采集物流点中放置有集包袋的场景图片作为训练样本，并制作训练集；模型构建模块，用于搭建efficientdet网络，并设置所述efficientdet网络的参数，得到efficientdet初始模型；模型改进模块，用于在所述efficientdet初始模型中引入区域注意力机制，得到efficientdet改进模型；训练模块，用于将所述训练集输入至所述efficientdet改进模型中进行训练，得到集包袋位置识别模型；识别模块，用于采集物流点的实时图像，并将采集的实时图像输入所述集包袋位置识别模型，获取所述集包袋位置识别模型输出的结果。
10、可选的，在本专利技术第二方面的第一种实现方式中，所述训练集制作模块包括：采集单元，用于采集物流点中放置有集包袋的场景图片；标注单元，用于使用labelme对采集的场景图片进行标注，标注出每个场景图片中集包袋的位置和边界框，并将场景图片和相应的标注信息组成训练样本；训练集制作单元，用于对所述训练样本进行数据增强，并制作训练集。
11、可选的，在本专利技术第二方面的第二种实现方式中，所述模型构建模块包括：导入单元，用于导入深度学习框架；参数设置单元，用于设置efficientdet网络的参数，包括学习率、优化器参数、损失函数和迭代次数；模型构建单元，用于基于导入的深度学习框架和设置的参数搭建efficientdet网络，并编译模型，得到efficientdet初始模型。
12、可选的，在本专利技术第二方面的第三种实现方式中，所述模型改进模块包括：模型改进单元，用于构建区域注意力模块，所述区域注意力模块用于接受特征图作为输入，并生成特征图的加权版本；调整单元，用于根据构建的区域注意力模块的要求，调整所述efficientdet初始模型的特征金字塔网络中要插入所述区域注意力模块的位置的输入维度；嵌入单元，用于将构建的区域注意力模块嵌入特征金字塔网络的相应位置的输入，得到efficientdet改进模型。
13、可选的，在本专利技术第二方面的第四种实现方式中，所述训练模块包括：训练单元，用于从训练集中抽取一组训练样本，将抽取的训练样本输入至所述efficientdet改进模型中进行训练，通过前向传播计算所述efficientdet改进模型对输入的训练样本的预测结果；计算单元，用于将所述efficientdet改进模型的预测结果与真实标签进行比较，计算损失函数的值；参数更新单元，用于根据所述损失函数的值，利用反向传播算法计算每个模型参数本文档来自技高网...
【技术保护点】
1.一种物流点集包袋位置识别方法，其特征在于，所述物流点集包袋位置识别方法包括：
2.根据权利要求1所述的物流点集包袋位置识别方法，其特征在于，所述采集物流点中放置有集包袋的场景图片作为训练样本，并制作训练集，包括：
3.根据权利要求1所述的物流点集包袋位置识别方法，其特征在于，所述搭建EfficientDet网络，并设置所述EfficientDet网络的参数，得到EfficientDet初始模型，包括：
4.根据权利要求1所述的物流点集包袋位置识别方法，其特征在于，所述在所述EfficientDet初始模型中引入区域注意力机制，得到EfficientDet改进模型，包括：
5.根据权利要求1所述的物流点集包袋位置识别方法，其特征在于，所述将所述训练集输入至所述EfficientDet改进模型中进行训练，得到集包袋位置识别模型，包括：
6.根据权利要求1所述的物流点集包袋位置识别方法，其特征在于，所述采集物流点的实时图像，并将采集的实时图像输入集包袋位置识别模型，获取集包袋位置识别模型输出的结果，包括：
7.
8.一种物流点集包袋位置识别装置，其特征在于，包括：
9.一种物流点集包袋位置识别设备，其特征在于，包括存储器和至少一个处理器，所述存储器中存储有计算机可读指令；
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机可读指令，其特征在于，所述计算机可读指令被处理器执行时实现如权利要求1-7中任一项所述物流点集包袋位置识别方法的各个步骤。
...【技术特征摘要】
1.一种物流点集包袋位置识别方法，其特征在于，所述物流点集包袋位置识别方法包括：
2.根据权利要求1所述的物流点集包袋位置识别方法，其特征在于，所述采集物流点中放置有集包袋的场景图片作为训练样本，并制作训练集，包括：
3.根据权利要求1所述的物流点集包袋位置识别方法，其特征在于，所述搭建efficientdet网络，并设置所述efficientdet网络的参数，得到efficientdet初始模型，包括：
4.根据权利要求1所述的物流点集包袋位置识别方法，其特征在于，所述在所述efficientdet初始模型中引入区域注意力机制，得到efficientdet改进模型，包括：
5.根据权利要求1所述的物流点集包袋位置识别方法，其特征在于，所述将所述训练集输入至所述efficientdet改进模型中进行训...
【专利技术属性】
技术研发人员：曾月，李斯，杨周龙，
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。