欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2021102791214
申请人: 南京邮电大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.基于改进的Faster R‑CNN模型的快递识别方法,其特征在于,包括如下步骤:获取待识别快递图像;

利用训练好的改进的Faster R‑CNN模型处理待识别快递图像,获得快递标志识别结果;

所述改进的Faster R‑CNN模型包括基于k‑means++算法改进的RPN网络和基于候选框长宽比的双阈值‑非极大值抑制算法;

其中,改进的Faster R‑CNN模型的训练过程为:

获取模型训练数据集,所述模型训练数据集包括多幅标注有目标框和目标名称的快递图像;

利用特征提取网络对模型训练数据集中的快递图像进行特征提取,获得目标特征图;

基于目标特征图,利用k‑means++算法对RPN网络的锚点进行聚类和修改,得到修改后的锚点;

通过滑动窗口和修改后的锚点处理目标特征图,获得初始建议框及其得分;

利用基于候选框长宽比的双阈值‑非极大值抑制算法更新每个初始建议框的得分,并根据更新后的得分获得Top‑m个建议候选框;

利用检测子网络和双阈值‑非极大值抑制算法处理建议候选框,获得建议框和对应的建议名称;

基于建议框和建议名称,利用验证数据集更新改进的Faster R‑CNN模型的网络参数;

利用更新后的改进的Faster R‑CNN模型处理模型训练数据集中的快递图像,直到获得训练好的改进的Faster R‑CNN模型;

其中,利用k‑means++算法对RPN网络的锚点进行聚类和修改的具体操作如下:(1)根据目标特征图中标注的目标框的长度和宽度生成目标集合C={c1(w1,h1),c2(w2,h2),...,ci(wi,hi),...,cn(wn,hn)},其中,ci(wi,hi)表示目标集合中第i个目标框,wi表示第i个目标框的长度,hi表示第i个目标框的宽度,i=1,2,...,n;

(2)从目标集合C中随机选取一个目标框作为初始聚类中心a1,计算C中每个目标框到初始聚类中心a1的距离和每个目标框被选为下一个聚类中心的概率,计算公式如下:d(ci(wi,hi),a1)=1‑IoU(ci(wi,hi),a1)其中,d(ci(wi,hi),a1)表示目标框ci(wi,hi)到初始聚类中心a1的距离,IoU(ci(wi,hi),a1)表示目标框ci(wi,hi)与初始聚类中心a1的重合度,Pi表示目标框ci(wi,hi)被选为下一个2

聚类中心的概率,c′表示目标集合C中的目标框,d(c′,a1) 表示目标框c′到初始聚类中心a1的距离;

(3)设 当预设值r在取值区间[Qi‑1,Qi]内时,则目标框ci(wi,hi)为下一个聚类中心,其中,r∈[0,1];

(4)重复步骤(2)、(3),直到选出k个聚类中心,生成聚类中心集合A={a1,a2,…,ap,…,ak},其中,ap表示第p个聚类中心,p=1,2,…,k;

(5)依次计算C中每个目标框到k个聚类中心的距离,并将目标框放入距离最小的聚类中心对应的类中,获得k个类;

(6)根据步骤(5)中的k个类重新计算每个类的聚类中心,计算公式如下:其中,cj(wj,hj)表示第p类中的第j个目标框,j=1,2,…,l,l为第p类中目标框数量;

(7)重复步骤(5)、(6),直到k个聚类中心的值均不发生改变;

(8)利用步骤(7)中的k个聚类中心的长宽比作为RPN网络的锚点比例。

2.根据权利要求1所述的基于改进的Faster R‑CNN模型的快递识别方法,其特征在于,快递标志包括快递运输公司的图标和名称文字,快递标志识别结果包括目标框和目标名称,所述目标名称为快递运输公司的名称。

3.根据权利要求1所述的基于改进的Faster R‑CNN模型的快递识别方法,其特征在于,所述模型训练数据集和验证数据集的获取方法为:利用摄像设备对多个快递盒进行图像采集,获得格式为JPG的快递图像;

对采集的快递图像进行压缩处理,并利用外接矩形法对压缩后的快递图像中的快递标志进行标注,获得每个快递标志的目标框和目标名称,生成标注数据集;

对标注数据集进行加噪和数据增强处理,获得样本数据集,其中,加噪包括图像裁剪、拼贴、涂抹处理,数据增强处理包括图像翻转、亮度增强与减弱、饱和度增强与减弱处理;

按照预设比例将样本数据集划分为模型训练数据集和验证数据集。

4.根据权利要求1所述的基于改进的Faster R‑CNN模型的快递识别方法,其特征在于,设初始建议框为B=(b1,b2,...,bw),初始建议框对应的得分为S=(s1,s2,...,sw),第q个初始建议框bq的坐标表示(xq,yq,wq,hq),其中,q=1,2,...,w,(xq,yq)表示bq的中心坐标,(wq,hq)表示bq的长度和宽度;

基于候选框长宽比的双阈值‑非极大值抑制算法更新每个初始建议框的得分的具体操作如下:根据预设的候选框长宽比范围对所有初始建议框进行筛选,获得建议框筛选集合;

从建议框筛选集合中选出得分最高的初始建议框bmax;

根据建议框筛选集合中除bmax外的每个初始建议框与bmax的重合度进行得分更新,更新表达式如下:其中,sq表示第q个候选框的得分,IoU(bmax,bq)表示第q个候选框bq与bmax的重合度,σ为人为设置的参数,Nf表示预设的重合度最小阈值,Nt表示预设的重合度最大阈值,bmax≠bq。

5.根据权利要求4所述的基于改进的Faster R‑CNN模型的快递识别方法,其特征在于,IoU(bmax,bq)的计算公式如下:其中,area(bmax,bq)表示初始建议框bq和bmax的交集的面积,area(bmax)表示初始建议框bmax的面积,area(bq)表示初始建议框bq的面积。