中圖分類(lèi)號(hào)：TP391.41 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1003-5168（2025）08-0042-06

DOI：10.19968/j.cnki.hnkj.1003-5168.2025.08.007

Abstract： [Purposes] Based on YOLO object detection framework，a tobacco distribution compliance review algorithm was designed to improve the compliance and accuracy of tobacco distribution process by using image recognition technology.[Methods] The algorithm uses ResNet-18 as the backbone network and combines spatial pyramid pooling （SPP） module to extract and fuse multi-scale image features. Through target detection of elements such as signers，tobacco，shelves and counters in distribution images，and setting upan audit mechanism to automaticalydetermine whether the images are compliant，automated review of distribution behavior is realized.The experimentaldata came from the standardized and non-standard distribution images screened by professionals，and the labeled data included elements such as personnel，tobacco，shelves，and counters.[Findings] The experimental results show that the A P value of the model in the category of \"tobacco\" is 0.893 1，and the m A P of the whole model in the test set is 0.683 9，showing good recognitionabilityand stability.[Conclusions]The research algorithmcan effctively support the inteligent distribution management of tobacco industry. In the future，the robustness and accuracy can be further improved by expanding the data set and optimizing the model to meet the needs of more complex scenarios.

Keywords： YOLO target detection; tobacco compliance detection; tobacco compliance review; image recognition

0 引言

2022年11月9日，習(xí)近平總書(shū)記在給2022年世界互聯(lián)網(wǎng)大會(huì)烏鎮(zhèn)峰會(huì)的賀信中指出，“當(dāng)今時(shí)代，數(shù)字技術(shù)作為世界科技革命和產(chǎn)業(yè)變革的先導(dǎo)力量，日益融人經(jīng)濟(jì)社會(huì)發(fā)展各領(lǐng)域全過(guò)程，深刻改變著生產(chǎn)方式、生活方式和社會(huì)治理方式。\"全面加快數(shù)字化轉(zhuǎn)型步伐，是煙草行業(yè)貫徹落實(shí)黨中央、國(guó)務(wù)院決策部署的重要舉措，是加快行業(yè)高質(zhì)量發(fā)展和現(xiàn)代化建設(shè)的重要抉擇，是培育新動(dòng)能的重要引擎。2020年，國(guó)家煙草專(zhuān)賣(mài)局先后印發(fā)《一體化平臺(tái)項(xiàng)目建設(shè)組織架構(gòu)方案》《一體化平臺(tái)建設(shè)及營(yíng)銷(xiāo)先行建設(shè)試點(diǎn)工作方案》，主要任務(wù)是統(tǒng)籌完善行業(yè)數(shù)字化轉(zhuǎn)型基礎(chǔ)設(shè)施，同時(shí)力求在應(yīng)用場(chǎng)景和數(shù)據(jù)治理方面取得突破。自2021年以來(lái)，廣東省煙草專(zhuān)賣(mài)局（公司）持續(xù)推進(jìn)數(shù)字化轉(zhuǎn)型“一號(hào)工程\"建設(shè)，明確“1268\"數(shù)字化轉(zhuǎn)型藍(lán)圖，即一個(gè)新型數(shù)字基礎(chǔ)設(shè)施平臺(tái)，業(yè)務(wù)和數(shù)據(jù)兩個(gè)中臺(tái)，智慧營(yíng)銷(xiāo)、智慧物流、智慧專(zhuān)賣(mài)、智慧煙葉、智慧綜合管理、智慧決策六大應(yīng)用平臺(tái)，新基建及數(shù)字化轉(zhuǎn)型管理體系建設(shè)等八項(xiàng)重點(diǎn)工程。

本研究旨在通過(guò)圖像識(shí)別技術(shù)構(gòu)建智能識(shí)別機(jī)制，開(kāi)發(fā)一套高效的合規(guī)檢查算法。該算法將實(shí)現(xiàn)煙草配送過(guò)程的智能自查，精準(zhǔn)捕捉不規(guī)范配送行為，確保配送流程的規(guī)范性和及時(shí)性。

1相關(guān)技術(shù)研究現(xiàn)狀

目前卷煙配送全流程的技術(shù)創(chuàng)新主要體現(xiàn)在卷煙配送管理的前端，如煙草數(shù)字化倉(cāng)儲(chǔ)管理、移倉(cāng)、配送路線(xiàn)規(guī)劃等。陶偉等1基于M市煙草物流綜合管控平臺(tái)框架，提出構(gòu)建全面物流管理信息化和基礎(chǔ)信息智能化系統(tǒng)，包括倉(cāng)儲(chǔ)管理系統(tǒng)、配送管理系統(tǒng)、物流管控系統(tǒng)和現(xiàn)場(chǎng)管理系統(tǒng)，并通過(guò)標(biāo)準(zhǔn)化網(wǎng)絡(luò)服務(wù)輸入、輸出接口和建立中間數(shù)據(jù)庫(kù)的方式，實(shí)現(xiàn)物流綜合管控平臺(tái)與系統(tǒng)的全面集成。詹玉銘等設(shè)計(jì)一套基于RFID技術(shù)的新型配送管理系統(tǒng)，在周轉(zhuǎn)箱和籠車(chē)上嵌入RFID標(biāo)簽，并配置相關(guān)設(shè)備讀取信息，替代傳統(tǒng)的紙質(zhì)標(biāo)簽和配送單，實(shí)現(xiàn)在卷煙包裝、移倉(cāng)、配送及回收等環(huán)節(jié)中的智能化管理。配送人員在與商戶(hù)進(jìn)行交接時(shí)，掃描周轉(zhuǎn)箱RFID標(biāo)簽，根據(jù)列表信息與零售戶(hù)進(jìn)行實(shí)物的交接與確認(rèn)。但該系統(tǒng)在確保終端配送真實(shí)性方面較為薄弱，投入成本也較高。晏晶等[3提出基礎(chǔ)人臉識(shí)別的卷煙智能配送終端系統(tǒng)架構(gòu)設(shè)想，建議采用自提柜由商戶(hù)自行提貨，提貨時(shí)通過(guò)人臉驗(yàn)證，以保證提貨人的真實(shí)性。余松等4通過(guò)溫度、煙霧傳感器、滅火器、貨倉(cāng)門(mén)電子鎖、人臉識(shí)別、身份證識(shí)別等安全措施，實(shí)現(xiàn)了對(duì)煙草取貨柜的安全管理和身份認(rèn)證。然而，取貨柜的建設(shè)和維護(hù)需要一定的成本投入，且需要煙草銷(xiāo)售戶(hù)具備相應(yīng)的使用和管理能力。尹健康等5則采用網(wǎng)絡(luò)電子票據(jù)識(shí)別二維碼的方式，實(shí)現(xiàn)配送人員與煙草銷(xiāo)售戶(hù)之間煙草交接的自動(dòng)化確認(rèn)，有效避免簽收錯(cuò)誤。徐永祥等研發(fā)的卷煙送貨管理系統(tǒng)，通過(guò)整合任務(wù)調(diào)度、配送、簽收、回程派送等多個(gè)環(huán)節(jié)，實(shí)現(xiàn)卷煙配送流程的全程信息化。姚利軍等提出的零售戶(hù)動(dòng)態(tài)定位方法，通過(guò)收集和分析零售戶(hù)的歷史簽收坐標(biāo)數(shù)據(jù)，利用聚類(lèi)算法定位到零售戶(hù)的準(zhǔn)確位置，為配送員提供精確的導(dǎo)航服務(wù)，同時(shí)也為主管部門(mén)提供了有效的監(jiān)控審核手段。史軍等[8設(shè)計(jì)的基于煙草零售戶(hù)的移動(dòng)服務(wù)系統(tǒng)，通過(guò)信息化管理手段，實(shí)現(xiàn)對(duì)貨物、人員、車(chē)輛、煙草零售商的全面管理，能有效管理煙草公司內(nèi)部配送貨的情況和零售商的信息，并為零售商與煙草公司提供便捷的溝通渠道。然而，以上系統(tǒng)的實(shí)施需要建立穩(wěn)定的網(wǎng)絡(luò)連接和數(shù)據(jù)處理中心，對(duì)技術(shù)要求較高。

姜威等提出“可視化定位\"技術(shù)，其集成了GPS定位、圖像處理技術(shù)和LBS、GIS等服務(wù)，通過(guò)地圖應(yīng)用實(shí)時(shí)展示送貨人員的位置軌跡和工作狀態(tài)。該技術(shù)使管理者能夠隨時(shí)掌握送貨進(jìn)度，可通過(guò)簽收?qǐng)D片、行駛軌跡和里程數(shù)等送貨數(shù)據(jù)來(lái)確保簽收環(huán)節(jié)的真實(shí)性和可靠性。然而，在描述技術(shù)實(shí)現(xiàn)細(xì)節(jié)和可能面臨的挑戰(zhàn)方面尚顯不足。黃敏等[]提出基于圖像塊的復(fù)雜環(huán)境下圖像識(shí)別的方法。首先，通過(guò)圖像檢測(cè)模型標(biāo)注并提取店面登記圖片的特征，構(gòu)建訓(xùn)練集；其次，將店面區(qū)域分割為多個(gè)圖像塊，建立與店面的映射關(guān)系；再次，輸入簽收?qǐng)D片，通過(guò)模型確定簽收店面的坐標(biāo)并提取其特征；最后，通過(guò)比較簽收與登記圖像塊的特征，判斷二者是否匹配。該模型能提高識(shí)別的準(zhǔn)確性和穩(wěn)健性，有效防止代簽收等不規(guī)范行為的發(fā)生。然而，該方法也存在一定不足之處，如對(duì)部分特殊情況（店面裝修、變更等），圖像識(shí)別效果會(huì)受到影響。

隨著圖像識(shí)別技術(shù)的不斷進(jìn)步，其在物品簽收環(huán)節(jié)中的應(yīng)用日益廣泛，對(duì)卷煙終端配送環(huán)節(jié)的完善提升具有一定的參考價(jià)值。程碩等[提出一種基于圖像識(shí)別和區(qū)塊鏈技術(shù)的物品簽收方法。該方法通過(guò)獲取預(yù)設(shè)區(qū)域在不同時(shí)刻的監(jiān)控畫(huà)面，利用圖像特征提取和差異值計(jì)算來(lái)判斷物品是否被簽收，并通過(guò)區(qū)塊鏈技術(shù)確保監(jiān)控畫(huà)面的不可篡改性。然而，該方法對(duì)監(jiān)控設(shè)備的依賴(lài)程度較高，若監(jiān)控設(shè)備出現(xiàn)故障或損壞，會(huì)對(duì)簽收過(guò)程的監(jiān)控和判斷造成影響。沈松乾等2提出一種基于圖像識(shí)別的貨物簽收單數(shù)據(jù)存儲(chǔ)方法。該方法通過(guò)自動(dòng)識(shí)別郵件信息中的發(fā)件人郵箱地址和郵件附件，利用圖文識(shí)別模型對(duì)郵件附件進(jìn)行簽收單信息的提取，并通過(guò)卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)簽收單進(jìn)行可信度評(píng)估。這種方法的主要優(yōu)勢(shì)在于自動(dòng)化程度高，能準(zhǔn)確快速地提取和存儲(chǔ)郵件信息中的簽收單數(shù)據(jù)，提高快遞單據(jù)的歸檔效率。然而，該方法過(guò)于依賴(lài)郵件信息的準(zhǔn)確性和完整性，若郵件信息不完整或存在誤導(dǎo)性信息，會(huì)對(duì)簽收單數(shù)據(jù)的提取和存儲(chǔ)造成影響。

在目標(biāo)檢測(cè)領(lǐng)域，以YOLO為代表的框架在目標(biāo)檢測(cè)多項(xiàng)任務(wù)中表現(xiàn)出良好的性能，其主要包括主干網(wǎng)絡(luò)、頸部網(wǎng)絡(luò)、檢測(cè)頭和預(yù)測(cè)層。優(yōu)良的性能使其成為目標(biāo)檢測(cè)、圖像分割、圖像分類(lèi)主流框架。本研究以YOLO為框架，建立全卷積網(wǎng)絡(luò)結(jié)構(gòu)的目標(biāo)檢測(cè)模型，通過(guò)技術(shù)手段有效識(shí)別并防止虛假配送行為，對(duì)煙草配送規(guī)范性進(jìn)行自動(dòng)審核，保障煙草產(chǎn)品配送的真實(shí)性與準(zhǔn)確性。

2基于YOLO目標(biāo)檢測(cè)的煙草配送合規(guī)審查算法

2.1整體模型框架

本研究以ResNet-18作為主干網(wǎng)絡(luò)[13]，結(jié)合殘差連接技術(shù)和卷積神經(jīng)網(wǎng)絡(luò)（CNN）進(jìn)行圖像特征提取，并進(jìn)行處理和分析圖像數(shù)據(jù)。采用當(dāng)前目標(biāo)檢測(cè)的主流框架YOLO，通過(guò)其多層網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)和提取圖像中的復(fù)雜特征，實(shí)現(xiàn)對(duì)簽收?qǐng)D中簽收人、煙卷、柜臺(tái)和貨架等煙草店明顯特征的識(shí)別。ResNet-18在深層學(xué)習(xí)圖像復(fù)雜特征方面的卓越性能，通過(guò)預(yù)訓(xùn)練ResNet-18模型能提取圖像通用特征。該模型在提升圖像處理精確度的同時(shí)，還可以實(shí)現(xiàn)大規(guī)模圖像數(shù)據(jù)的實(shí)時(shí)處理，提高配送驗(yàn)證的效率和準(zhǔn)確性?；赮OLO目標(biāo)檢測(cè)的煙草配送合規(guī)審查流程如圖1所示。

2.2 基于YOLO的煙草配送目標(biāo)檢測(cè)

目標(biāo)檢測(cè)框架選擇當(dāng)前主流的YOLO框架，主干網(wǎng)絡(luò)選擇Reset-18進(jìn)行圖像編碼，在提取圖像特征后輸入到頸部網(wǎng)絡(luò)，頸部網(wǎng)絡(luò)由空間金字塔池化（SPP）[14-15]模塊組成。為減少計(jì)算開(kāi)銷(xiāo)，該網(wǎng)絡(luò)設(shè)計(jì)參考YOLOv5開(kāi)源項(xiàng)目中的實(shí)現(xiàn)方法，讓一層 5 × 5的最大池化層等效為 5 × 5 、 9 × 9 、 1 3 × 1 3 這三條并行的最大池化層分支，具體如圖2所示。經(jīng)過(guò)頸部網(wǎng)絡(luò)后，再輸入到檢測(cè)頭，在YOLOv1中檢測(cè)頭部分用到的是全連接層。為避免全連接層參數(shù)量過(guò)大，網(wǎng)絡(luò)拋棄全連接層，改用卷積網(wǎng)絡(luò)。由于當(dāng)前主流的檢測(cè)頭是解耦檢測(cè)頭，因此采用解耦檢測(cè)頭作為YOLOv1的檢測(cè)頭。其由類(lèi)別分支和回歸分子組成，分別提取類(lèi)別特征和位置特征，具體如圖3所示。一張 4 1 6 × 4 1 6 的輸入圖像經(jīng)過(guò)主干網(wǎng)絡(luò)、頸部網(wǎng)絡(luò)和檢測(cè)頭三部分處理后，得到特征圖，最后輸入到預(yù)測(cè)層。本研究搭建的目標(biāo)檢測(cè)網(wǎng)絡(luò)是全卷積網(wǎng)絡(luò)結(jié)構(gòu)，因此最后的預(yù)測(cè)層采用當(dāng)下主流的做法，使用 1 × 1 的卷積層在特征圖上做預(yù)測(cè)。最終，檢測(cè)出簽收?qǐng)D像中的簽收人、卷煙產(chǎn)品及店鋪標(biāo)志物等元素。

2.2.1主干網(wǎng)絡(luò)。主干網(wǎng)絡(luò)采用類(lèi)似ResNet-18的結(jié)構(gòu)，用于圖像特征提取。ResNet-18由多個(gè)殘差塊組成，每個(gè)殘差塊包含卷積層和跳躍連接。

基本卷積操作見(jiàn)式（1）。

式中： 是第層的輸入特征圖； 和 分別是第 l 層的卷積核和偏置；*表示卷積操作； R e L U 是激活函數(shù)。

殘差塊表示見(jiàn)式（2）。

式中： F 表示通過(guò)一系列卷積、歸一化和激活函數(shù)后的變換； X 是輸入特征圖；Y是輸出特征圖。

2.2.2頸部網(wǎng)絡(luò)。頸部網(wǎng)絡(luò)通過(guò)空間金字塔池化模塊（SPP）來(lái)融合多尺度特征。SPP模塊包含三個(gè)并行的最大池化層，尺寸分別為 5 × 5 . 9 × 9 和 1 3 × 1 3 。SPP操作見(jiàn)式（3）。

式中： F 是輸人特征圖； 表示 k × k 的最大池化操作；Concat表示將池化后的特征圖在通道維度上進(jìn)行拼接。

2.2.3損失函數(shù)。為了訓(xùn)練該目標(biāo)檢測(cè)網(wǎng)絡(luò)，該網(wǎng)絡(luò)采用多任務(wù)損失函數(shù)，包括分類(lèi)損失、邊界框位置參數(shù)的損失和置信度損失?？倱p失函數(shù)見(jiàn)式（4）。

式中： 是分類(lèi)損失； 是邊界框位置參數(shù)損失； 是位置參數(shù)損失權(quán)重，默認(rèn)為 是置信度損失。

3實(shí)驗(yàn)

3.1 數(shù)據(jù)集介紹

本研究訓(xùn)練數(shù)據(jù)由專(zhuān)業(yè)工作人員篩選出送貨員拍攝的規(guī)范和不規(guī)范簽收?qǐng)D（一部分圖像需要包含卷煙產(chǎn)品、人員、店鋪標(biāo)志物等元素，另一部分圖像不需要具備全部元素），在此基礎(chǔ)上分別對(duì)簽收?qǐng)D中人像、煙卷、店鋪標(biāo)志物進(jìn)行數(shù)據(jù)標(biāo)注，圖像標(biāo)注軟件使用Labelimg，總共人工標(biāo)注Person（人像）、cigarette_box（煙草）、Shelf（貨架）、Counter（柜臺(tái)）四個(gè)店鋪元素圖像數(shù)據(jù)3351張，同時(shí)融合進(jìn)入VOC2008數(shù)據(jù)中存在人的標(biāo)注圖像數(shù)據(jù)2855張，在模型訓(xùn)練的過(guò)程中訓(xùn)練集數(shù)量為5652，測(cè)試集數(shù)量為554。

3.2評(píng)價(jià)指標(biāo)及基準(zhǔn)模型介紹

3.2.1平均精度（AveragePrecision，AP）。 A P 是針對(duì)每個(gè)類(lèi)別計(jì)算的平均精度，具體見(jiàn)式（5）。

式中： 是類(lèi)別 i 的召回點(diǎn)集合； 是在召回率 下計(jì)算的精度。

3.2.2平均精度均值（mean average precision，mAP）。 m A P 是所有類(lèi)別的 A P 的平均值，具體見(jiàn)式（6）。

式中： N 是類(lèi)別數(shù)（在本研究中為4，分別是person、cigarette_box、shelf和counter）; 是第 i 類(lèi)別的平均精度。

3.3 模型性能評(píng)估

本研究對(duì)訓(xùn)練集和測(cè)試集使用指定的 A P 和m A P 對(duì)模型進(jìn)行評(píng)估。基于每個(gè)類(lèi)別的 A P 值，進(jìn)一步計(jì)算出整體的 m A P ，該指標(biāo)綜合反映模型在各個(gè)類(lèi)別上的平均表現(xiàn)。在訓(xùn)練過(guò)程中，模型在測(cè)試集上的表現(xiàn)見(jiàn)表1。

由表1可知，在cigarette_box（煙草）類(lèi)別上，模型在測(cè)試集上的 A P 值為0.8931，變化較小，表明該類(lèi)別的識(shí)別性能較為穩(wěn)定，具有較強(qiáng)的泛化能力；而Person（簽收人）和Shelf（貨架）類(lèi)別的 A P 值在測(cè)試集上較低，分別為0.5664和0.5550，顯示出模型在這兩個(gè)類(lèi)別上的泛化能力較弱；Counter（柜臺(tái)）類(lèi)別的 A P 值為0.7210，變化較小，模型在這一類(lèi)別上保持較好的識(shí)別性能。表明整體模型的 m A P 在測(cè)試集上為0.6839，說(shuō)明整體性能依然較為理想，

同時(shí)，本研究將訓(xùn)練好的模型對(duì)新數(shù)據(jù)進(jìn)行預(yù)測(cè)，設(shè)計(jì)的審核機(jī)制如下。每個(gè)圖像必須包含一個(gè)必要類(lèi)別“cigarette_box\"（煙草），且至少包含一個(gè)可選類(lèi)別，如“shelf\"（貨架）、“counter”（柜臺(tái)）和“person\"（人）中的任意一個(gè)。如果圖像滿(mǎn)足這兩個(gè)條件，則標(biāo)記為“合格”，否則標(biāo)記為“不合格”，并且記錄缺少的類(lèi)別作為不合格的原因。如果圖像缺少必要類(lèi)別，將返回相應(yīng)的缺失原因；如果缺少可選類(lèi)別，則列出缺失的可選類(lèi)別。

最終將訓(xùn)練好的該模型對(duì)新數(shù)據(jù)進(jìn)行預(yù)測(cè)，部分預(yù)測(cè)結(jié)果如圖4所示。其中圖4（a）圖4（b）為檢測(cè)出來(lái)的合規(guī)圖像，圖4（c）為不合規(guī)圖像。

4結(jié)語(yǔ)

本研究提出的基于YOLO目標(biāo)檢測(cè)的煙草配送合規(guī)審查算法，結(jié)合ResNet-18主干網(wǎng)絡(luò)與空間金字塔池化（SPP）模塊，能有效提升圖像特征提取與多尺度特征融合的能力，實(shí)現(xiàn)在煙草配送過(guò)程中對(duì)簽收?qǐng)D像的精確識(shí)別與合規(guī)性審查。實(shí)驗(yàn)結(jié)果表明，模型在各類(lèi)別上的表現(xiàn)良好，尤其在煙草（cigarette_box）類(lèi)別上具有較強(qiáng)的識(shí)別穩(wěn)定性和泛化能力，整體性能表現(xiàn)出色。通過(guò)設(shè)計(jì)審核機(jī)制，能自動(dòng)判定圖像是否合規(guī)，極大提高配送驗(yàn)證的效率和準(zhǔn)確性。此外，本研究還結(jié)合GUI界面，使系統(tǒng)操作更為便捷，具備實(shí)用性和可擴(kuò)展性。未來(lái)的研究可以在數(shù)據(jù)集擴(kuò)充與模型優(yōu)化的基礎(chǔ)上，進(jìn)一步提升模型的魯棒性與準(zhǔn)確率，以滿(mǎn)足更廣泛的實(shí)際應(yīng)用需求。

參考文獻(xiàn)：

[1]陶偉，霍然.基于SOA的M市卷煙物流系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J].信息與電腦（理論版），2017（6）：116-118.

[2]詹玉銘，蔡維德，劉志民.基于RFID技術(shù)的卷煙配送管理系統(tǒng)設(shè)計(jì)與應(yīng)用[J].物流技術(shù)與應(yīng)用，2017，22（4）：132-135.

[3]晏晶，朱武剛，陳瑞華，等.基于人臉識(shí)別技術(shù)的卷煙智能化終端配送研究[J].物流技術(shù)，2021，40（11）：126-129.

[4]余松，陳禮敏，夏凌云，等.一種煙草取貨柜：CN218100342U[P].2022-12-20.

[5]尹健康，宋紅文，蔡勇，等.基于數(shù)智化供應(yīng)鏈柔性 配送方法：CN113822392A[P].2021-12-21.

[6]徐永祥，陳興明，蘭波，等.一種卷煙送貨管理系統(tǒng)：CN107392539A[P].2017-11-24.

[7]姚利軍，蔡晗瀟，肖綱超，等.煙包零售戶(hù)的動(dòng)態(tài)定位方法及系統(tǒng)：CN111966774A[P].2020-11-20.

[8]史軍，李劍，邵彥凌，等.基于煙草零售戶(hù)的移動(dòng)服務(wù)系統(tǒng)：CN104809608A[P].2015-07-29.

[9]姜威.卷煙物流配送管理中的可視化定位技術(shù)[J]中國(guó)科技信息，2021（2）：41-42.

[10]黃敏，曾華，余林，等.基于圖像塊的復(fù)雜環(huán)境下圖像識(shí)別的方法：CN117611843A[P].2024-02-27.

[11]程碩，崔永斌，駱?biāo)?，?基于圖像識(shí)別的物品簽收方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)：CN113888086A[P].2022-01-04.

[12]沈松乾，任福平，吳昊.基于圖像識(shí)別的貨物簽收單數(shù)據(jù)存儲(chǔ)方法及裝置：CN111353744A[P].2020-06-30.

[13]HEK，ZHANGX，RENS，etal.Deepresidual learning for imagerecognition[J].IEEE，2016.

[14]LINTY，DOLLARP，GIRSHICKR，etal.Feature pyramid networksforobject detection[J].IEEE Computer Society，2017.

[15]HEK M，ZHANGXY，RENSQ，etal.Spatialpyramid poolingin deep convolutional networksforvi - sual recognition [J].IEEE TransactionsonPatternAnalysisandMachineIntelligence，2015，37（9）：1904-1916.

（欄目編輯：孫焱）