[发明专利]快递货物堆放的检测方法、装置、设备和存储介质

权利要求书

1.一种快递货物堆放的检测方法，其特征在于，包括：

步骤S1：获取物流仓库中货物堆放的历史图像，对历史图像进行目标标注，建立图像数据集；所述目标为货物；

步骤S2：创建Mask R-CNN模型，将Mask R-CNN模型中的卷积层中的卷积网络替换为空洞卷积，将生成待检测框的RPN网络替换为GA-RPN网络，得到改进的Mask R-CNN模型；

步骤S3：将所述步骤S1中的图像数据集输入改进的Mask R-CNN模型中进行训练，得到货物堆放检测模型；

步骤S4：实时采集物流仓库中的货物堆放图像，输入所述货物堆放检测模型中，输出货物堆放的检测结果。

2.如权利要求1所述的快递货物堆放的检测方法，其特征在于，所述步骤S1进一步包括：

采用LabelMe工具对历史图像进行目标标注；

将目标标注后的历史图像按COCO数据集的格式进行存储。

3.如权利要求2所述的快递货物堆放的检测方法，其特征在于，所述将目标标注后的历史图像按COCO数据集的格式进行存储进一步包括：

创建COCO数据集，将未标注的历史图像保存于Images文件夹中；

将标注后的历史图像保存于Annotations文件夹中；Images文件夹中的历史图像的名称与Annotations文件夹中的标注文件的名称一一对应；

在COCO数据集中建立三个json文件，分别为test.json、train.json及val.json，依次作为模型测试集、模型训练集、模型验证集。

4.如权利要求1所述的快递货物堆放的检测方法，其特征在于，所述步骤S2进一步包括：

所述Mask R-CNN模型包括Backbone、RPN、RoIAlign及FCN，所述Backbone为卷积层，用于提取输入图像的整体特征，得到特征图；所述RPN对特征图生成待检测框，指定RoI的位置，并对RoI的包围框进行第一次修正；所述RoIAlign根据RPN的输出在特征图上选取每个RoI对应的特征，并设置维度；所述FCN对RoI进行分类，并对RoI的包围框进行第二次修正。

5.如权利要求4所述的快递货物堆放的检测方法，其特征在于，所述步骤S2进一步包括：

在所述Backbone中的卷积网络的卷积核中加入空洞，形成空洞卷积，扩大感受野；通过设置参数dilationrate的值，实现多尺度信息的获取；

将RPN替换为GA-RPN，所述GA-RPN通过CNN预测RoI的位置和形状，生成形状任意的RoI包围框，提高RoI包围框的生成效率及灵活性；

得到所述改进的Mask R-CNN模型。

6.如权利要求1所述的快递货物堆放的检测方法，其特征在于，所述步骤S3进一步包括：

将图像数据集按60％，30％及10％的比例，依次分为模型训练集，模型验证集及模型测试集；

将模型训练集、模型验证集及模型测试集输入所述改进的Mask R-CNN模型中进行训练，得到所述货物堆放检测模型。

7.一种快递货物堆放的检测装置，其特征在于，包括：

数据集创建模块，用于获取物流仓库中货物堆放的历史图像，对历史图像进行目标标注，建立图像数据集；所述目标为货物；

模型创建模块，用于创建Mask R-CNN模型，将Mask R-CNN模型中的卷积层中的卷积网络替换为空洞卷积，将生成待检测框的RPN网络替换为GA-RPN网络，得到改进的Mask R-CNN模型；

模型训练模块，用于将所述数据集创建模块中的图像数据集输入改进的Mask R-CNN模型中进行训练，得到货物堆放检测模型；

检测模块，用于实时采集物流仓库中的货物堆放图像，输入所述货物堆放检测模型中，输出货物堆放的检测结果。