基于深度学习的仓储货物监控方法与流程

本发明属于物流管理，特别涉及基于深度学习的仓储货物监控方法。

背景技术：

1、目前，针对仓储货物监管中存在的对管理人员依赖程度较高和发生失窃时不能及时预警等问题，以及没有实现对监控数据的处理，数据库压力大，使用成本高等问题。需要提供基于深度学习的仓储货物监控方法，以仓储棉花包作为监管对象，根据定时获取的图像，通过图像粗定位处理和深度学习相结合的方法，把仓储货物发生变化的图像及时发送给用户并发出预警信息。

技术实现思路

1、本发明提出基于深度学习的仓储货物监控方法，仓储棉花包作为监管对象，根据定时获取的图像，通过图像粗定位处理和深度学习相结合的方法，把仓储货物发生变化的图像及时发送给用户并发出预警信息。

2、本发明的技术方案是这样实现的：基于深度学习的仓储货物监控方法，包括

3、对图像进行预处理并提取图像特征，根据特征提取图进行粗定位处理，确定发生变化的区域；

4、用多个空洞卷积并联方式设计了浅层特征增强网络模块增强对棉花包细节特征的提取；

5、建立两个棉花包检测与识别网络模型；

6、确定采用的模型作基于深度学习的仓储货物监管系统的卷积网络模型。

7、作为一种优选的实施方式，采用棉花包图像和非棉花包图像，作为训练和验证的数据集；对数据集进行预处理，将所有图像归一化和标准化。

8、作为一种优选的实施方式，获得浅层增强特征，丰富浅层特征图的特征信息。

9、作为一种优选的实施方式，建立两个棉花包检测与识别网络模型中，其中一个模型为基于resnet50网络的sfen_resnet50网络模型。

10、作为一种优选的实施方式，建立两个棉花包检测与识别网络模型中，另外一个模型为基于vgg16网络的sfen_vgg16网络模型。

11、作为一种优选的实施方式，使用自建的棉花包数据集进行网络的训练和测试时，使用准确率作为算法检测与识别精度的评价指标。

12、作为一种优选的实施方式，对两个棉花包检测与识别模型sfen_resnet50和sfen_vgg16，在数据集上进行实验验证。

13、作为一种优选的实施方式，将训练集和验证集预处理，将图像调整大小并将图像水平翻转用来扩充数据集，最后将所有图像归一化和标准化。

14、采用了上述技术方案后，本发明的有益效果是：

15、根据定时获取的图像(时间间隔由用户设置)，通过图像粗定位处理和深度学习相结合的方法，把仓储货物(棉花包)发生变化的图像及时发送给用户并发出预警信息；

16、使用了本申请的浅层特征增强模块的网络模型能有效提高棉花包检测识别的准确率，同时网络模型的时间成本没有增加太多，并且sfen_resnet50模型取得了最高的准确率。

技术特征：

1.基于深度学习的仓储货物监控方法，其特征在于，包括

2.根据权利要求1所述的基于深度学习的仓储货物监控方法，其特征在于，采用棉花包图像和非棉花包图像，作为训练和验证的数据集；对数据集进行预处理，将所有图像归一化和标准化。

3.根据权利要求1所述的基于深度学习的仓储货物监控方法，其特征在于，获得浅层增强特征，丰富浅层特征图的特征信息。

4.根据权利要求1所述的基于深度学习的仓储货物监控方法，其特征在于，建立两个棉花包检测与识别网络模型中，其中一个模型为基于resnet50网络的sfen_resnet50网络模型。

5.根据权利要求4所述的基于深度学习的仓储货物监控方法，其特征在于，建立两个棉花包检测与识别网络模型中，另外一个模型为基于vgg16网络的sfen_vgg16网络模型。

6.根据权利要求1所述的基于深度学习的仓储货物监控方法，其特征在于，使用自建的棉花包数据集进行网络的训练和测试时，使用准确率作为算法检测与识别精度的评价指标。

7.根据权利要求1所述的基于深度学习的仓储货物监控方法，其特征在于，对两个棉花包检测与识别模型sfen_resnet50和sfen_vgg16，在数据集上进行实验验证。

8.根据权利要求7所述的基于深度学习的仓储货物监控方法，其特征在于，将训练集和验证集预处理，将图像调整大小并将图像水平翻转用来扩充数据集，最后将所有图像归一化和标准化。

技术总结
本发明提出了基于深度学习的仓储货物监控方法，包括对图像进行预处理并提取图像特征，根据特征提取图进行粗定位处理，确定发生变化的区域；用多个空洞卷积并联方式设计了浅层特征增强网络模块增强对棉花包细节特征的提取；建立两个棉花包检测与识别网络模型；确定采用的模型作基于深度学习的仓储货物监管系统的卷积网络模型，借此，本发明具有根据定时获取的图像，通过图像粗定位处理和深度学习相结合的方法，把仓储货物发生变化的图像及时发送给用户并发出预警信息的优点。

技术研发人员：张维忠,李孟娜,张宏峰,袁翠梅
受保护的技术使用者：青岛点之云智能科技有限公司
技术研发日：
技术公布日：2024/1/13