CN114821408B 基于旋转目标检测的包裹位置实时检测方法、装置、设备和介质 （华南理工大学）

WenwenZhuetal..PoViolationRecognitionAlgorithmBaEnhancedYOLOv5.JournalofPhy页.基于旋转目标检测的包裹位置实时检测方本发明公开了一种基于旋转目标检测的包测网络模型采用目标检测网络Yolov5作为基础据增加的角度分类输出预测物流包裹的旋转矩2型采用目标检测网络Yolov5作为基础架构，在特征融合Neck中修改PANet结构为双向特征金字塔的特征融合网络Bi-FPN，将骨干网络提取的第3~5层特征作为特征融合网络Bi-FPN将获取的视频流输入训练好的旋转目标检测网络模型，2.根据权利要求1所述的包裹位置实时检测方法FPN通过在同一尺度的输入节点和输出节点之间增加跳跃连接，为了在不增加额外计算的用旋转矩形框IOU代替水平框IOU作为置信度使用结合角度信息的旋转矩形框IOU计算替换原基于水平框的IO对所述旋转目标检测网络模型进行多尺度训练，通过设置不同的尺3所述数据增强是针对所述数据集的特点与数据集中样本数量，采将每个物流包裹的长边表示法作为一个样本，所有物流包裹的45[0015]将获取的视频流输入训练好的旋转目标检测网络模型，输出包裹的实时状态信67[0073](1)采用目标检测网络Yolov5作为旋转目标检测网络模型的基础架构，在基础架[0075](1-1)修改原有多尺度特征融合器FPN和PAN结合的PANet结构为双向特征金字塔8[0080](1-6)改善非极大值抑制算法NMS，结合角度信息的矩形框IOU计算替换原基于水[0082]具体的，修改多尺度特征融合器Bi-FPN包括：修改原有多尺度特征融合器FPN和特性由当前层的输入特征和第4层的中间特性进行加权融合得到，当前层的输出特征由当当前层的输入特征和第5层的中间特性进行加权融合得到，当前层的输出特征由当前层的的中间特性为当前层的输入特征，输出特性由当前层的输入特征与第4层的输出特征加权[0086]具体的，添加与修改损失函数包括：添加角度分类损失，使用二进制交叉熵和9[0092]在特征融合Neck中，修改原有多尺度特征融合器FPN和PAN结合的PANet结构为双第四层的中间特性P4_td进行加权融合得到，P3_out是自下而上路径中第3层的输出特性，Bi-FPN中三处插入注意力机制CBAM，每一处都在其CSP模块与基础卷积CBL模块之间添加，用于特征图的锚框；根据数据集样本量少的特点，选择使用对小型数据集训练有优势的[0102](2)对数据集进行预处理，利用预处理后数据集对旋转目标检测网络模型进行训[0122]旋转目标检测网络模型训练模块403，用于利用所述数据集对旋转目标检测网络[0123]包裹实时状态检测模块404，用于将获取的视频流输入训练好的旋转目标检测网介质中的操作系统和计算机程序的运行提供环境，处理器502执行存储器存储的计算机程[0130]将获取的视频流输入训练好的旋转目标检测网络模型，输出包裹的实时状态信[0136]将获取的视频流输入训练好的旋转目标检测网络模型，输出包裹的实时状态信算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器为基础架构，修改原有多尺度特征融合器FPN和PAN结合的PANet结构为双向特征金字塔网责预测的参数数量为5+num_classes+angle_classes，其中数量5表示(xc,yc,longside,旋转预测框；损失函数部分，为新增添的角度分类输出维度增加角度分类损失