[發明專利]物流操作違規行為的檢測方法、裝置、設備和存儲介質

在審

• 申請號: 202011477667.2
• 申請日: 2020-12-15
• 公開（公告）號: CN112686595A
• 公開（公告）日: 2021-04-20
• 發明（設計）人: 李斯;趙齊輝
• 申請（專利權）人: 上海東普信息科技有限公司
• 主分類號: G06Q10/08
• 分類號: G06Q10/08;G06K9/00;G06N3/04;G06N3/08
• 代理公司: 上海漢聲知識產權代理有限公司 31236
• 代理人: 胡晶

1.一種物流操作違規行為的檢測方法，其特征在于，包括：

采集物流分撥中心的歷史圖像，對歷史圖像進行處理，得到目標數據集；

創建YOLOv5目標檢測模型，基于目標數據集，對YOLOv5目標檢測模型進行訓練，得到物流違規檢測模型；

基于物流違規檢測模型，對待測圖像進行識別，判斷是否存在物流操作違規行為。

2.如權利要求1所述的物流操作違規行為的檢測方法，其特征在于，所述對歷史圖像進行處理，得到目標數據集進一步包括：

采用Labeling工具對歷史圖像進行目標標注；

將目標標注后的歷史圖像按voc數據集的格式進行存儲。

3.如權利要求2所述的物流操作違規行為的檢測方法，其特征在于，所述將目標標注后的歷史圖像按voc數據集的格式進行存儲進一步包括：

創建voc數據集，將未標注的歷史圖像保存于JPEGImages文件夾中；

將標注后的歷史圖像保存于Annotations文件夾中；JPEGImages文件夾中的歷史圖像的名稱與Annotations文件夾中的xml文件的名稱一一對應；

在voc數據集的ImageSets\Main文件夾中建立四個txt文件，分別為test.txt、train.txt、val.txt及trainval.txt，依次作為模型測試集、模型訓練集、模型驗證集及模型訓練+驗證集；按預設的比例分別為四個txt文件分配圖像數據。

4.如權利要求1所述的物流操作違規行為的檢測方法，其特征在于，所述創建YOLOv5目標檢測模型進一步包括：

依次創建Input、Backbone、Neck及Prediction網絡結構，構成YOLOv5目標檢測模型；

在Input網絡中，創建高斯濾波器，去除輸入圖像的噪聲；將去除噪聲后的圖像進行Mosaic數據增強、自適應錨框計算及自適應圖像縮放；

在Backbone網絡中，先將Input網絡輸出的圖像輸入Focus結構進行切片，將圖像分割成多個大小相等的特征圖，經過n個卷積核的卷積操作，得到n個相同大小的特征圖；再通過多個CSP結構對特征圖進行下采樣；

在Neck網絡中，采用MFPN結構對特征圖進行上采樣，得到準確的特征圖；

在Prediction網絡中，采用GIOU_Loss作為錨框的損失函數，輸出目標框的位置。

5.如權利要求1所述的物流操作違規行為的檢測方法，其特征在于，所述基于目標數據集，對YOLOv5目標檢測模型進行訓練，得到物流違規檢測模型進一步包括：

將目標數據集按60％，30％及10％的比例，依次分為模型訓練集，模型驗證集及模型測試集；

將模型訓練集、模型驗證集及模型測試集輸入YOLOv5模型中進行訓練，在訓練過程中，YOLOv5模型網絡在初始錨框的基礎上輸出預測框，進而與真實框進行對比，計算誤差，再反向更新，迭代網絡參數，得到物流違規檢測模型。

6.如權利要求1所述的物流操作違規行為的檢測方法，其特征在于，所述基于物流違規檢測模型，對待測圖像進行識別，判斷是否存在物流操作違規行為進一步包括：

若檢測到工作人員玩手機，則存在物流操作違規行為。

7.如權利要求1至6中任意一項所述的物流操作違規行為的檢測方法，其特征在于，所述判斷是否存在物流操作違規行為之后還包括：

截取存在物流操作違規行為的圖像，在物流分撥中心顯示或播報。

8.一種物流操作違規行為的檢測裝置，其特征在于，包括：

數據處理模塊，用于采集物流分撥中心的歷史圖像，對歷史圖像進行處理，得到目標數據集；

模型創建模塊，用于創建YOLOv5目標檢測模型，基于目標數據集，對YOLOv5目標檢測模型進行訓練，得到物流違規檢測模型；

檢測模塊，用于基于物流違規檢測模型，對待測圖像進行識別，判斷是否存在物流操作違規行為。