基于改进型Faster R-CNN的仓储环境物体识别技术研究

摘要

为解决传统目标检测精确度不高、有效性差、难以适应仓储环境下多目标识别应用场景的问题，提出了一种改进型Faster R-CNN目标检测算法。首先，采用ResNet50替换VGG16作为特征提取网络，以提高模型的检测精度；同时，为兼顾多尺度及小目标物体的检测，引入了特征金字塔网络，形成了残差金字塔特征提取网络ResFPN;其次，引入了注意力机制，提高输入特征的空间和通道有效信息利用率；最后，使用RoI Align代替原有的RoI Pooling,以消除因量化取整而产生的预测框回归误差。在经图像增广处理的自建数据集上进行实验测试，结果表明，提出的改进型Faster R-CNN算法在仓储环境下能满足对人员、叉车和托盘的目标检测需求，其平均检测精确度能达到90.2%。

关键词

仓储环境 / 目标检测 / 注意力机制 / Faster R-CNN

基金资助

杭州师范大学钱江学院学生科研项目(2022QJXS16);杭州师范大学钱江学院理工分院学生课外科技项目(2022LGXS13)