范海紅

（浙江郵電職業(yè)技術(shù)學(xué)院 管理信息學(xué)院，浙江 紹興 312000）

0 引言

近幾年，隨著電子商務(wù)迅速發(fā)展，相應(yīng)的物流產(chǎn)業(yè)也快速發(fā)展，包裹數(shù)量遠超歐美國家的總和。但在物流技術(shù)比如包裹圖像識別等方面為我國還相對落后。目前，計算機圖像識別等已經(jīng)在人臉識別、醫(yī)學(xué)圖像中廣泛應(yīng)用，如何將圖像識別技術(shù)運用到物流運輸?shù)刃袠I(yè)中成為比較熱門的話題。物流運輸中，包裹圖像的檢測非常重要，可以快速有效地確定包裹的數(shù)量，分配資源，同時也能避免卡塞、掉落等異?，F(xiàn)象。但在運送過程中包裹很容易產(chǎn)生遮擋現(xiàn)象，從而導(dǎo)致包裹檢測困難的增加，因此必須使用分類器來識別包裹特征。所以本研究通過引入卷積神經(jīng)網(wǎng)絡(luò)獲得特征，從而完成包裹圖像識別等的檢測任務(wù)。

1 基于Faster R-CNN的特征提取

卷積神經(jīng)網(wǎng)絡(luò)系統(tǒng)是一個涉及卷積處理計算的深層次的前饋神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)結(jié)構(gòu)一般涵蓋了數(shù)據(jù)輸入層、卷積計算層、池化層、連通處理層以及全連接層。卷積層可以提取大量數(shù)據(jù)的基本特征信息，通過卷積核的卷積運算得到輸入圖像的深層特征信息。池化層對卷積層的計算結(jié)果進行優(yōu)化降維，降低圖像的分辨率，減少參數(shù)量，同時獲得圖像平移和形變的魯棒性。交替組合使用卷積優(yōu)化層和圖像池化層，完成圖像特征信息的提取，同時降低圖像的分辨率，完成數(shù)據(jù)降維效果。

1.1 基于VGG-16的特征提取

目前，最常見的卷積神經(jīng)網(wǎng)絡(luò)有很多，比如AlexNet、VGG、ResNet等。而VGG網(wǎng)絡(luò)系統(tǒng)在圖像數(shù)據(jù)獲取方面也相當(dāng)優(yōu)秀，而且泛化能力強大，使用范圍廣闊。目前，VGG-16網(wǎng)絡(luò)系統(tǒng)主要分為十三個卷積層和三處全連通層，卷積核為3×3，步長為1，該網(wǎng)絡(luò)可以減少參數(shù)優(yōu)化計算。為降低包裹檢驗的時間消耗和內(nèi)存耗費，本文采用了VGG-16網(wǎng)絡(luò)技術(shù)來獲取特征信息，并將ImageNet數(shù)據(jù)集上VGG-16權(quán)重值作為本文提取網(wǎng)絡(luò)特征的起始權(quán)重，輸出的特征信息用作包裹檢測依據(jù)。

1.2 基于RPN的目標(biāo)候選區(qū)域提取

區(qū)域生成網(wǎng)絡(luò)RPN 通過CNN 提取到特征信息，獲取候選框。而網(wǎng)絡(luò)訓(xùn)練過程中，每個像素點都會產(chǎn)生9個錨節(jié)點，在分類層中，利用激活函數(shù)softmax對每一個錨節(jié)點進行判斷，區(qū)分為前景圖像還是背景圖像，在回歸層中，通過調(diào)整錨節(jié)點的參數(shù)，擬合得到候選框位置，綜合前景圖像和候選框位置生成候選區(qū)域，RPN網(wǎng)絡(luò)結(jié)構(gòu)圖如圖1所示。

圖1 RPN網(wǎng)絡(luò)結(jié)構(gòu)圖

1.3 Faster R-CNN

Faster R-CNN 算法是基于卷積神經(jīng)網(wǎng)絡(luò)的Fast R-CNN 算法和RPN 網(wǎng)絡(luò)結(jié)構(gòu)結(jié)合實現(xiàn)的算法。與經(jīng)典的檢測框生成方法不同，F(xiàn)aster R-CNN直接采用RPN網(wǎng)絡(luò)結(jié)構(gòu)獲取檢測框，提升生成速度。首先，通過RPN網(wǎng)絡(luò)搜索出粗略范圍，識別出保護壓板所在區(qū)域，然后用投入狀態(tài)和退出狀態(tài)的壓板圖片對Faster R-CNN進行訓(xùn)練,從而提高算法對壓板投退特征的識別能力，最后采用已訓(xùn)練完成的Faster R-CNN算法對RPN算法劃定的搜索范圍進行特征檢索，識別搜索框中壓板的投退狀態(tài)。Faster R-CNN算法的原理圖如圖2所示。

圖2 Faster R-CNN算法設(shè)計原理演示圖

1.4 目標(biāo)分類與定位

當(dāng)對一個包裹目標(biāo)進行定位分類時，常常需要用一個定位分類器對不同包裹類型進行計算。目前，我們使用的主要包裹檢測方法是SVM分類器，在結(jié)合卷積神經(jīng)網(wǎng)絡(luò)的包裹追蹤檢測算法中，使用Softmax 分類函數(shù)計算包裹目標(biāo)追蹤概率，并以此方式判斷包裹類別和完成包裹目標(biāo)的定位。目標(biāo)定位時，先開始得到一個候選框，接著再開始使用全連接層和Softmax函數(shù)對每個包裹進行定位劃分。由于部分候選框并沒有很精確地選中目標(biāo)物，所以就必須對每個候選框都作出細微的調(diào)節(jié)，這個方法就叫做邊界框調(diào)整回歸。如圖3所示，最原始的目標(biāo)候選框為一個虛線框P，而回歸目標(biāo)框為點線框G，回歸目的為利用大數(shù)據(jù)訓(xùn)練得到與目標(biāo)候選框P和回歸目標(biāo)框G更接近的回歸框（實線框S）。當(dāng)P和G之間的距離較近時，回歸法對確定目標(biāo)的位置更精確有效。

圖3 邊界框回歸示意圖

邊界框回歸過程中，主要利用回歸算法完成對檢測框位置的調(diào)整，包括大小和長度比的調(diào)整。具體坐標(biāo)參數(shù)化設(shè)定：

其中，水平方向的中心為，垂直方向中心為，和表示寬和高，而表示真實的目標(biāo)框G的數(shù)據(jù)，表示初始候選框P 的數(shù)據(jù)，從而目標(biāo)框數(shù)據(jù)可以用(t,t,t,t)表示。

2 改進算法的RepGT損失函數(shù)[7]設(shè)計

為了完成目標(biāo)劃分和定位功能，在卷積層中使用的卷積核都必須進行訓(xùn)練，并且還必須把分類損失函數(shù)L與定位損失函數(shù)L結(jié)合，融合到同一個損失函數(shù)里。采用基于Softmax的損失函數(shù)作為分類損失函數(shù)，而Faster R-CNN的損失函數(shù)主要定義如下：

由于快遞中轉(zhuǎn)中心產(chǎn)生了大量包裹，從而形成聚集現(xiàn)象，容易導(dǎo)致包裹識別錯誤。本文通過使用RepGT損失函數(shù)調(diào)節(jié)包裹檢測計算中的回歸項，以選取更合理的候選框，從而減小預(yù)測框與目標(biāo)框之間的間距，并增加與其周圍非相應(yīng)目標(biāo)框的間距。因而可以設(shè)計的損失函數(shù)如下：

是（0,1）區(qū)間上連續(xù)可微的函數(shù)，∈[01)是異常值的敏感參數(shù)?？梢园l(fā)現(xiàn)，如果同時存在多個候選框都與目標(biāo)框重合，則RepGT損失函數(shù)就會通過增大懲罰損失使得整體的損失值不斷增大,這樣就能獲得對該目標(biāo)框最合適的候選框。

3 實驗結(jié)果

3.1 參數(shù)設(shè)置

本文將以改進前后的Faster R-CNN兩個檢測算法作為對照實驗，在Faster R-CNN的損失函數(shù)上再添加損失函數(shù) 。全部實驗都在同樣的實驗條件下完成，并且設(shè)置相同的計算參數(shù)，其中正則化系數(shù)為10，動量系數(shù)為0.9，通過隨機梯度下降算法完成優(yōu)化。初始學(xué)習(xí)效率為0.001，在20 000 次迭代后進行0.1倍的衰減，共計迭代60 000次。

3.2 結(jié)果分析

為檢驗Faster R-CNN算法的有效性，選擇了物流企業(yè)某時刻下的包裹數(shù)據(jù)圖片，利用改進后的Faster R-CNN網(wǎng)絡(luò)，對包裹目標(biāo)信息進行了檢驗。具體的訓(xùn)練方法是，在同樣的實驗數(shù)據(jù)和同樣的參數(shù)訓(xùn)練網(wǎng)絡(luò)下，先得到訓(xùn)練模型，并在測試集中進行測試，然后對測試結(jié)果進行統(tǒng)計分析。

圖4的數(shù)據(jù)分析結(jié)果可得，通過增加RepGT損失函數(shù)得到的改進后的算法可以更高效、更準(zhǔn)確地分離目標(biāo)框，相比傳統(tǒng)的Faster R-CNN，檢測效率更佳。從表1中可發(fā)現(xiàn),對于平均準(zhǔn)確精度AP值，傳統(tǒng)Faster R-CNN 的檢測準(zhǔn)確度為56.60，而改進后的算法檢測準(zhǔn)確度達到了58.98，比傳統(tǒng)的Faster R-CNN算法增加了2.38AP，在精度方面有了顯著的提高。

圖4 算法實驗結(jié)果對比圖

表1 包裹檢測數(shù)據(jù)集的測試結(jié)果

3.3 參數(shù)對比

表2結(jié)果表明隨著參數(shù)的變化，模型性能也跟著變化，對算法的檢測精度也有一定的影響。表中結(jié)果表明當(dāng)參數(shù)1 時，包裹檢測數(shù)據(jù)集中檢測精確度最佳。

表2 不同參數(shù)的測試結(jié)果

4 結(jié)語

針對密集包裹檢查問題，建立了由損失函數(shù)改進的Faster R-CNN 的檢查計算。使用了傳統(tǒng)的Faster R-CNN的包裹檢查流程，包含了特征提取、區(qū)域形成、目標(biāo)定位和分析，并結(jié)合RepGT損失函數(shù)對密集堆積包裹和遮擋現(xiàn)象中的問題進行了計算修正，并通過數(shù)據(jù)實驗得到結(jié)果，顯示改進后的檢測精度從56.60提升到58.98。同時對損失函數(shù)中參數(shù)做了調(diào)試分析，得出在參數(shù)1 時算法性能良好,有待今后研究借鑒。但針對現(xiàn)代物流中的包裝檢驗問題，目前還是存在著類似于小目標(biāo)包裝檢驗、人工標(biāo)注等方面的不足,仍有待今后進一步研究。