(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210952157.9 (22)申请日 2022.08.09 (71)申请人 厦门理工学院 地址 361024 福建省厦门市集美区理工路 600号 (72)发明人 张国伟　孔洋洋　王力　刘智超　 (74)专利代理 机构 哈尔滨龙 科专利代理有限公 司 23206 专利代理师 李智慧 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/82(2022.01) G06V 10/25(2022.01) G06V 10/40(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06Q 10/08(2012.01) (54)发明名称 一种轻量 化的物流包裹目标检测模型 (57)摘要 本发明公开了一种轻量化的物流包裹目标 检测模型， 所述模型由input模块、 backbone模 块、 neck模块和prediction模块四部分构成， 其 中： input模块是图像 数据的输入端， 用于将物流 运输线上采 集的尺寸为752 ×480的3通道图像数 据处理成640 ×640×3的图像数据； backbone模 块用于提取input模块输 出的图像数据的物流包 裹特征； neck模 块用于对backbone模块提取的物 流包裹特征进行混合和组合； p rediction模 块用 于处理neck模块获取的 图像特征， 并对目标类别 和边界框进行预测并输出。 本发 明能够满足真实 工作环境下的实时性、 准确性、 轻量化容易部署 等要求。 权利要求书2页 说明书6页 附图4页 CN 115375937 A 2022.11.22 CN 115375937 A 1.一种轻量化的物流包裹目标检测模型， 其特征在于所述模型由input模块、 backbone 模块、 neck模块和predicti on模块四部分构成， 其中： 所述input模块是图像数据的输入端， 用于将物流运输线上采集的尺寸为752 ×480的3 通道图像数据处 理成640×640×3的图像数据； 所述backbo ne模块用于提取i nput模块输出的图像数据的物流包裹特 征； 所述neck模块用于对backbo ne模块提取的物流包裹特 征进行混合和组合； 所述prediction模块用于处理neck模块获取的图像特征， 并对目标类别和边界框进行 预测并输出。 2.根据权利要求1所述的轻量化的物流包裹目标检测模型， 其特征在于所述backbone 模块由第0层～第6层构成， neck模块由第7层～第18层构成， 第15层和第18层分别作为 predicti on模块的中目标检测层和大目标检测层； 所述第0层为CBRM层， input模块输出的640 ×640×3图像数据作为第0层的输入， 第0层 输出的16 0×160×8图像数据作为第1层的输入； 所述第1层 为Shuffle ‑Block层， 步长s＝2， 第1层的输入图像数据大小为160 ×160×8， 第1层输出的80 ×80×64图像数据作为第2层的输入； 所述第2层为C3 ‑Lite层， 使用了3个Bottleneck结构， C3 ‑Lite层的步长s＝1， 第2层的 输入图像数据大小为80 ×80×64， 第2层输出的80 ×80×64图像数据同时作为第3层和第13 层的输入； 所述第3层为Shuffle ‑Block层， 步长s＝2， 第3层输入的图像数据大小为80 ×80×64， 第3层输出的40 ×40×128图像数据作为第4层的输入； 所述第4层为C3 ‑Lite层， 使用了7个Bottleneck结构， C3 ‑Lite层的步长s＝1， 第4层的 输入图像数据大小为40 ×40×128， 第4层输出的40 ×40×128图像数据同时作为第5层和第 9层的输入； 所述第5层 为Shuffle ‑Block层， 步长s＝2， 第5层的输入图像数据大小为40 ×40×128， 第5层输出的20 ×20×256图像数据作为第6层的输入； 所述第6层为C3 ‑Lite层， 使用了3个Bottleneck结构， C3 ‑Lite层的步长s＝1， 第6层的 输入图像数据大小为20 ×20×256， 第6层输出的20 ×20×256图像数据作为第7层的输入； 所述第7层为Conv层， 第7层的输入图像数据大小为20 ×20×256， 第7层输出的20 ×20 ×128图像数据同时作为第8层和第17层的输入； 所述第8层为上采样， 第8层的输入图像数据大小为20 ×20×128， 第8层输出的40 ×40 ×128图像数据作为第9层的输入； 所述第9层为Concat层， 第9层的输入图像大小为40 ×40×128+40×40×128， 第9层输 出的40×40×256图像数据作为第10层的输入； 所述第10层为C3层， 第10层的输入图像大小为40 ×40×256， 第10层输出的40 ×40× 128图像数据作为第1 1层输入； 所述第11层为Conv层， 第11层的输入图像大小为40 ×40×128， 第11层输出的40 ×40× 64图像数据作为第12层的输入； 所述第12层为上采样层， 第12层的输入图像大小为40 ×40×64， 第12层输出的80 ×80 ×64图像数据作为第13层的输入；权　利　要　求　书 1/2 页 2 CN 115375937 A 2所述第13层 为Concat层， 第13层的输入图像大小为80 ×80×64+80×80×64， 第13层输 出的80×80×128图像数据作为第14层的输入； 所述第14层为Focus层， 第14层的输入图像大小为80 ×80×128， 第14层输出的40 ×40 ×128图像数据作为第15层的输入； 所述第15层为C3层， 第15层的输入图像大小为40 ×40×128， 第15层输出的40 ×40×64 图像数据作为第16层的输入， 第15层即为predicti on模块的中目标检测层； 所述第16层为Focus层， 第16层的输入图像大小为40 ×40×64， 第16层输出的20 ×20× 64图像数据作为第17层的输入； 所述第17层为Concat层， 第17层的输入图像大小为20 ×20×64+20×20×128， 第17层 输出的20 ×20×192图像数据作为第18层的输入； 所述第18层为C3层， 第18层的输入图像大小为20 ×20×192， 第18层输出为20 ×20× 64， 第18层即为predicti on模块的大目标检测层。 3.根据权利要求1所述的轻量化的物流包裹目标检测模型， 其特征在于所述Shuffle ‑ Block由分支1、 分支2和Channel  Shuffle构成， 其中： 分支1和分支2的通道数与输入的特征 通道数相同， 分支1通过3*3/2的DWConv、 1*1Conv进行处理； 分支2通过1*1Conv、 3*3/2的 DWConv、 1*1Conv进行处理； 分支1和分支2经过Concat处理后即按照通道数相加， 图像数据 的长宽都减半， 通道数翻倍， Co ncat的输出作为C hannel Shuffle的输入。 4.根据权利 要求2所述的轻量化的物流包裹目标检测模型， 其特征在于所述C3 ‑Lite层 由分支1、 分支2构成， 特征图输入分支1经过1*1的DWConv卷积操作降维后， 再经过 Bottleneck叠加的操作， 维度不变， 得到的特征图与 分支2经过1*1 的DWconv卷积操作降维 得到的特 征图进行Co ncat操作， 最后再 经过1*1的CBS标准卷积 操作最终输出。 5.根据权利要求4所述的轻量化的物流包裹目标检测模型， 其特征在于所述 Bottleneck由分支a和分支b构成， 其中： 分支b 不进行任何处理， 分支a先是使用1*1的标准 卷积进行降维， 后使用3 *3的标准卷积升维， 再和分支b进行Ad d操作， 维度不变。权　利　要　求　书 2/2 页 3 CN 115375937 A 3