一种轻量化的物流包裹目标检测模型

技术特征：
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prediction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backbone模块用于提取input模块输出的图像数据的物流包裹特征；所述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；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prediction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160
×
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11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；
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prediction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prediction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，concat的输出作为channel 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concat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add操作，维度不变。

技术总结
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


技术研发人员：张国伟 孔洋洋 王力 刘智超
受保护的技术使用者：厦门理工学院
技术研发日：2022.08.09
技术公布日：2022/11/22