歡迎引用
DOI：10。 14016 / j。 cnki。 1001-9227。 2022。 08。 001
作者：李映松，楊愛英，劉軒，暢宇堃
（ 北京理工大學光電學院 ）
摘 要 ：為解決傳統目標檢測方法準確性差、效率低 ，無法滿足智慧倉儲場景需求的問題 ，提出基於 Transformer 改進的Faster-Rcnn 倉儲箱體檢測模型 。首先 ，在 Faster-Rcnn 模型的基礎上 ，將卷積神經網路 Resnet50 改進為 Swin Transformer 模型 ，使用 Swin Transformer 進行全域性資訊提取 ，解決了使用傳統演算法特徵提取不理想 ，產生冗餘的檢測窗 口以及誤檢視窗的問題 。其次 ，引入了特徵金字塔結構 ，使模型適用於多尺度的物體檢測 。最後 ，使用 ROI Align 代 替 ROI Pooling，消除了 ROI Pooling 中因浮點數取整從而對後層的檢測框迴歸產生的誤差 。在 自建的倉儲資料集訓 練模型 ，將資料集圖片進行隨機旋轉、隨機剪裁、圖片標準化等操作進行資料增強 。實驗結果表明 ，改進後的模型用 於箱體檢測 ，平均準確率達到 90。 6% ，平均召回率達到 93。 3% ，平均檢測速度達到 8。 9fps，較好地實現了倉儲物體的 準確檢測 ，滿足智慧倉儲的需求 。準確率方面比 Faster R-CNN、YOLOv3、SSD、FCOS 等演算法高出 6。 1%、5%、10。 2%、 9。 7% ，召回率高出了 5。 9%、4%、10。 1%、9。 4%。
關鍵詞 ： 目標檢測；倉儲場景；Faster RCNN 模型；Swin Transformer 模型
（來源： 自動化與儀器儀表 2022年第8期）
關注我的你，是最香噠！
