典型文献
基于Transformer改进的Faster-Rcnn仓储箱体检测算法
文献摘要：
为解决传统目标检测方法准确性差、效率低,无法满足智能仓储场景需求的问题,提出基于Transformer改进的Faster-Rcnn仓储箱体检测模型.首先,在Faster-Rcnn模型的基础上,将卷积神经网络Resnet50改进为Swin Transformer模型,使用Swin Transformer进行全局信息提取,解决了使用传统算法特征提取不理想,产生冗余的检测窗口以及误检窗口的问题.其次,引入了特征金字塔结构,使模型适用于多尺度的物体检测.最后,使用ROI Align代替ROI Pooling,消除了 ROI Pooling中因浮点数取整从而对后层的检测框回归产生的误差.在自建的仓储数据集训练模型,将数据集图片进行随机旋转、随机剪裁、图片标准化等操作进行数据增强.实验结果表明,改进后的模型用于箱体检测,平均准确率达到90.6％,平均召回率达到93.3％,平均检测速度达到8.9fps,较好地实现了仓储物体的准确检测,满足智能仓储的需求.准确率方面比Faster R-CNN、YOLOv3、SSD、FCOS等算法高出6.1％、5％、10.2％、9.7％,召回率高出了 5.9％、4％、10.1％、9.4％.
文献关键词：
目标检测;仓储场景;Faster RCNN模型;Swin Transformer模型
中图分类号：
作者姓名：
李映松;杨爱英;刘轩;畅宇堃
作者机构：
北京理工大学光电学院,北京100081;信息光子技术工信部重点实验室(北京理工大学),北京100081
文献出处：
引用格式：
[1]李映松;杨爱英;刘轩;畅宇堃-.基于Transformer改进的Faster-Rcnn仓储箱体检测算法)[J].自动化与仪器仪表,2022(08):1-6
A类：
仓储场景,9fps
B类：
Transformer,Faster,Rcnn,箱体,检测算法,目标检测方法,智能仓储,检测模型,Resnet50,Swin,全局信息,信息提取,传统算法,算法特征,特征金字塔结构,物体检测,ROI,Align,Pooling,浮点数,取整,集训,训练模型,随机旋转,剪裁,数据增强,平均准确率,召回率,检测速度,储物,YOLOv3,SSD,FCOS,RCNN
AB值：
0.373862
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
