CN108960148A - 一种基于视频图像的快递面单三段码识别方法 - Google Patents

Abstract

本发明的基于视频图像的快递面单三段码识别方法，包括：a).构建数据库，通过拍摄大量的快递面单图像，构建面单训练样、测试样本；b).生成标签文件，对训练样本和测试样本中进行人工标注，数字位置及类别组成图像的标签文件；c).训练网络模型，将训练样本中的面单图像及其标签作为训练数据，训练神经网络模型；d).检测网络模型；e).三段码实时检测。本发明利用视频图像的处理技术来识别快递面单中的三段码，继而通过三段码来判断快递包裹所属派分区域，实现分拣过程的自动化，减少人力分配，提高分拣效率。

Description

一种基于视频图像的快递面单三段码识别方法

技术领域

本发明涉及一种快递面单三段码识别方法，更具体的说，尤其涉及一种基于视频图像的快递面单三段码识别方法。

背景技术

随着物流业的高速发展，物流分拣技术在各快递、物流公司分拣中心的作用越来越重要。目前大多数物流公司已经逐步实现分拣的机械化和自动化，但是对包裹的逐次分拣过程还主要停留在人力分配，需要安排大量的工作人员进行识别、分拣货物。这种高强度单一重复性的分拣工作，不仅会导致分拣效率下降，其正确率也得不到保证。因此，研究一种能降低劳动强度并且能提高效率和准确率的物流分拣方法十分必要。为了实现货物的快速识别、分拣和投递，越来越多的快递或物流公司会在快递面单上标示编码，如三段码，用于标示货物的目的地、目的地分公司以及投递线路或投递员编码信息，以增加快递投递效率。

发明内容

本发明为了克服上述技术问题的缺点，提供了一种基于视频图像的快递面单三段码识别方法。

本发明的基于视频图像的快递面单三段码识别方法，其特征在于，通过以下步骤来实现：

a).构建数据库，通过拍摄大量的快递面单图像，构建面单数据库；随机选取数据库中的部分面单图像作为训练样本，余下的面单图像作为测试样本；b).生成标签文件，对训练样本和测试样本中所有面单图像的三段码进行人工标注，标注出三段码中每位数字的位置及类别，数字的位置为数字外围的矩形框，类别为0、1、2、…、9的阿拉伯数字，数字位置及类别组成图像的标签文件；c).训练网络模型，将训练样本中的面单图像及其标签作为训练数据，输入到神经网络模型中，按照神经网络模型定义的各项参数进行训练，获得所需的用于检测三段码的神经网络模型；d).检测网络模型，以测试样本中的面单图像为输出，测试样本的标签文件为输出校准数据，对步骤c)训练出的神经网络的准确度进行检测，如果神经网络模型的准确度大于设定的阈值，则表明其满足要求；如果准确度小于设定阈值，则增大训练样本的容量继续进行训练；e).三段码实时检测，获取在传送带上运动的快递物品的面单图像，采用利用训练好的神经网络模型识别出其三段码，并根据三段码所标示的目的地对快递物品进行自动分拣。

本发明的基于视频图像的快递面单三段码识别方法，步骤c)中神经网络模型定义的各项参数包括类别总数、矩形框尺度、训练速率和训练次数，然后利用训练样本中的面单图像及其标签文件进行训练，并输出训练日志，并计算整体损失度和准确率的变化，以便根据损失度和准确率的变化进行网络参数的调整，并不断迭代，最后得到满足要求的网络模型。

本发明的基于视频图像的快递面单三段码识别方法，步骤c)在训练网络模型过程中，将输入的训练样本中的面单图片经过不同的卷积核卷积操作后得到不同的特征图，从而提取出不同的特征，每个特征图生成若干个矩形框，每个矩形框的尺度通过公式(1)进行处理：

式中，S_k为矩形框尺度，S_min为矩形框尺度的最小值，S_max为矩形框尺度的最大值，m为特征图的个数。

本发明的基于视频图像的快递面单三段码识别方法，步骤c)在训练网络模型过程中，损失度通过公式(2)进行求取：

式中，L(x,c,l,g)为特征图的损失值，x为匹配程度，c为预测框的置信度，l为预测框，g为真实框，N为匹配的默认框数目，L_conf为置信度损失函数，L_loc为位置损失函数，α为权重项，0＜α＜1。

本发明的有益效果是：本发明的基于视频图像的快递面单三段码识别方法，首先采集大量的快递面单图像，形成训练样本和测试样本，然后对所有样本图像中的三段码进行人工标注处理，形成标签文件，以利用样本图像和标签文件对神经网络模型进行训练，得到所需的用于检测三段码的神经网络模型，最后，用训练好的神经网络模型对测试样本图像进行目标检测，识别出图像中的三段码的位置与类别，进而为快递物品的自动分拣提供可靠的依据。本发明利用视频图像的处理技术来识别快递面单中的三段码，继而通过三段码来判断快递包裹所属派分区域，实现分拣过程的自动化，减少人力分配，提高分拣效率。

附图说明

图1为现有一种三段码快递面单的示意图；

图2为本发明的基于视频图像的快递面单三段码识别方法的流程图。

图中：1第一段码，2第二段码，3第三段码。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

如图1所示，给出了现有一种三段码快递面单的示意图，所示的第一段码1为242，第二段码2为470，第三段码3为272，通常情况下第一段码通常标示目的地及包件类型，第二段码标示目的地的分公司或分布，第三段码标示派送路线或派件员，这样，物流或快递公司如果能识别出每个快递的三段码，就可以自动对快递包裹进行分拣，以解决现有通过人工分拣工作效率低、劳动强度大的问题。

如图2所示，给出了本发明的基于视频图像的快递面单三段码识别方法的流程图，其通过以下步骤来实现：

a).构建数据库，通过拍摄大量的快递面单图像，构建面单数据库；随机选取数据库中的部分面单图像作为训练样本，余下的面单图像作为测试样本；

b).生成标签文件，对训练样本和测试样本中所有面单图像的三段码进行人工标注，标注出三段码中每位数字的位置及类别，数字的位置为数字外围的矩形框，类别为0、1、2、…、9的阿拉伯数字，数字位置及类别组成图像的标签文件；

c).训练网络模型，将训练样本中的面单图像及其标签作为训练数据，输入到神经网络模型中，按照神经网络模型定义的各项参数进行训练，获得所需的用于检测三段码的神经网络模型；

该步骤中，神经网络模型定义的各项参数包括类别总数、矩形框尺度、训练速率和训练次数，然后利用训练样本中的面单图像及其标签文件进行训练，并输出训练日志，并计算整体损失度和准确率的变化，以便根据损失度和准确率的变化进行网络参数的调整，并不断迭代，最后得到满足要求的网络模型。

在训练网络模型过程中，将输入的训练样本中的面单图片经过不同的卷积核卷积操作后得到不同的特征图，从而提取出不同的特征，每个特征图生成若干个矩形框，每个矩形框的尺度通过公式(1)进行处理：

式中，S_k为矩形框尺度，S_min为矩形框尺度的最小值，S_max为矩形框尺度的最大值，m为特征图的个数。

在训练网络模型过程中，损失度通过公式(2)进行求取：

式中，L(x,c,l,g)为特征图的损失值，x为匹配程度，c为预测框的置信度，l为预测框，g为真实框，N为匹配的默认框数目，L_conf为置信度损失函数，L_loc为位置损失函数，α为权重项，0＜α＜1。

d).检测网络模型，以测试样本中的面单图像为输出，测试样本的标签文件为输出校准数据，对步骤c)训练出的神经网络的准确度进行检测，如果神经网络模型的准确度大于设定的阈值，则表明其满足要求；如果准确度小于设定阈值，则增大训练样本的容量继续进行训练；

e).三段码实时检测，获取在传送带上运动的快递物品的面单图像，采用利用训练好的神经网络模型识别出其三段码，并根据三段码所标示的目的地对快递物品进行自动分拣。

其中，将测试样本输入到已经训练好的神经网络模型中，模型对测试样本图片中的三段码进行识别，设定一个阈值R(0<R<1)与神经网络模型识别目标产生的置信度Z(0<Z<1)进行比较，当R≤Z时，在输入图片中加上被识别目标的矩形框作为输出；否则置信度达不到要求，认为是识别错误的目标，不加上矩形框。

Claims (4)

1.一种基于视频图像的快递面单三段码识别方法，其特征在于，通过以下步骤来实现：

a).构建数据库，通过拍摄大量的快递面单图像，构建面单数据库；随机选取数据库中的部分面单图像作为训练样本，余下的面单图像作为测试样本；

b).生成标签文件，对训练样本和测试样本中所有面单图像的三段码进行人工标注，标注出三段码中每位数字的位置及类别，数字的位置为数字外围的矩形框，类别为0、1、2、…、9的阿拉伯数字，数字位置及类别组成图像的标签文件；

c).训练网络模型，将训练样本中的面单图像及其标签作为训练数据，输入到神经网络模型中，按照神经网络模型定义的各项参数进行训练，获得所需的用于检测三段码的神经网络模型；

d).检测网络模型，以测试样本中的面单图像为输出，测试样本的标签文件为输出校准数据，对步骤c)训练出的神经网络的准确度进行检测，如果神经网络模型的准确度大于设定的阈值，则表明其满足要求；如果准确度小于设定阈值，则增大训练样本的容量继续进行训练；

e).三段码实时检测，获取在传送带上运动的快递物品的面单图像，采用利用训练好的神经网络模型识别出其三段码，并根据三段码所标示的目的地对快递物品进行自动分拣。

2.根据权利要求1所述的基于视频图像的快递面单三段码识别方法，其特征在于，步骤c)中神经网络模型定义的各项参数包括类别总数、矩形框尺度、训练速率和训练次数，然后利用训练样本中的面单图像及其标签文件进行训练，并输出训练日志，并计算整体损失度和准确率的变化，以便根据损失度和准确率的变化进行网络参数的调整，并不断迭代，最后得到满足要求的网络模型。

3.根据权利要求1或2所述的基于视频图像的快递面单三段码识别方法，其特征在于：步骤c)在训练网络模型过程中，将输入的训练样本中的面单图片经过不同的卷积核卷积操作后得到不同的特征图，从而提取出不同的特征，每个特征图生成若干个矩形框，每个矩形框的尺度通过公式(1)进行处理：

式中，S_k为矩形框尺度，S_min为矩形框尺度的最小值，S_max为矩形框尺度的最大值，m为特征图的个数。

4.根据权利要求1或2所述的基于视频图像的快递面单三段码识别方法，其特征在于：步骤c)在训练网络模型过程中，损失度通过公式(2)进行求取：

式中，L(x,c,l,g)为特征图的损失值，x为匹配程度，c为预测框的置信度，l为预测框，g为真实框，N为匹配的默认框数目，L_conf为置信度损失函数，L_loc为位置损失函数，α为权重项，0＜α＜1。