基于轻量级YOLO的快递出入库管理系统的研究

张秀娜 蒋周强 喻文星

摘要：在疫情常态化的环境下，快递业对非接触式服务的需求越来越高，如何实现无人化出入库管理，成为物流快递领域研究的重点。为了实现人体轨迹的跟踪检测，开发和设计了一种基于轻量级YOLO的快递出入库管理系统。首先，通过轻量级YOLO对采集到的图像数据集进行目标的特征提取和检测;其次结合卡尔曼滤波算法对人体轨迹进行跟踪来判别人体目标的动态检测;最后，使用SpringBoot+Vue框架开发了综合管理平台，其中快递出入库的基本信息的记录是通过摄像头识别二维码来实现的。实测结果表明，该系统响应速度快、实时性强、操作简单，为快递点的无人化管理提供了一种高效的解决方案。

关键词：PP-YOLO;二维码;轨迹跟踪;出入库管理

1 引言

在刚刚过去的2021年618电商购物节中，618大促期间，仅菜鸟快递在大促首日快递下乡单量便超1000万件，发出快递量近500万0。在巨大的网络购物经济前，快递终端配送模式却面临着配送脱节、包裹积压等一系列问题。目前国内的大多高校、城镇采用快递站点、智能快递柜等形式来解决终端配送问题。其配送过程是以顾客自行凭号取快递并扫码出库，由此经常会出现多拿、错拿、恶意毁坏、偷盗等情况。“快递最后一公里”配送问题已然是制约快递行业健康发展的重要瓶颈之一，改善快递终端配送模式势在必行也迫在眉睫0。

文中基于轻量级YOLO技术设计了快递出入库管理系统，可以实现24小时不间断等待，解决了终端配送人数配备不够、人工工作时间受限造成的工作效率低等问题。

2 系统结构分析

本系统结构及部分流程如图2-1所示，主要由5大模块组成：摄像头运动图像采集处理模块、基于运动轨迹跟踪的系统模块、货物二维码识别模块、货物信息综合管理模块、出入库信息后台管理系统模块。

系统信息管理模块包括出入库信息管理模块、快递信息综合管理模块。信息管理主要由MySQL数据库支持，包含前端网页界面为工作人员建立起简洁明了的使用界面和稳定可靠的数据存储保障。图像处理模块和目标检测与轨迹跟踪模块则是先将摄像头采集到的视频处理为图片，再使用PP-YOLO0处理图像，检测人体目标及二维码目标。最后基于卡尔曼滤波算法进行运动分析实现人体轨迹跟踪。二维码识别模块将识别出的信息利用数组存取。

3 轻量级YOLO目标检测算法

3.1 PP-YOLO

目标检测技术的传统算法（基于建议框方法）的典型代表有：Haar特征+Adaboost算法、Hog特征+Svm算法等0。深度学习算法典型代表有RCNN系列、YOLO系列等。近期YOLOv4、PP-YOLO相继诞生。其中PP-YOLO在COCO数据集上的推理精度为45.9%比YOLOv4提高了4.8%，在单卡V100上FP32推理速度比YOLOv4提高了19.5%。因此快递出入库管理系统采用PP-YOLO作为目标检测算法，支持人体轨迹跟踪模块。

PP-YOLO是在YOLOv3基础上提升优化模型精度和速度。其使用的骨干网络为ResNet50vd-DCN，是将ResNet50-vd的最后一个stage中卷积替换为DCN并做出其他改进得到的架构。此外该算法还进行了调整loss权重等改进措施。

3.2 PP-YOLO网络结构

PP-YOLO网络结构主要分为三部分：backbone、neck、head。Backbone采用了ResNet50-vd-dcn网络结构。Detection Head仍沿用YOLOv3的形式，交叉熵和L1损失分别用作分类和回归的损失函数。

算法输入端使用的数据增强方式为Image Mixup。其计算方式是对数据集中的不同的两张图片以0.7、0.3的像素值在左上角对齐叠加，且分别以0.7、0.3来计算loss。使得网络对空间扰动的泛化能力增强，提升了召回率。主干网络中使用ResNet-D，提升了模型精度。

目标检测算法的损失函数一般由分类损失函数以及回归损失函数两大部分组成。而PP-YOLO采用的损失函数在此基础上增加了一个IoU Loss用以监督预测框特征图和真实框特征图的IOU，提升预测精度。

4 验证结果

4.1 数据集设定及参数设置

本模型是使用COCO数据集中train2017作为训练集，使用val2017和test-dev2017作为测试集。我们选择Detection标签的数据作为我们的模型训练数据。其中有共有小类80个，大类12个。

本实验使用系统环境为Ubuntu18.04，GPU为8 * V100，深度学习框架为PaddlePaddle2.0.0，使用Python3.7语言编写。

4.2 算法模型验证

在单卡V100上使用骨干网络为ResNet101vd预测。Box APval 为49.7%，Box APtest为50.3%，FP32（FPS）为49.5，平均MAP为43%比当前流行的SOTA算法YOLOv4高出2个百分点，在单阶段目标检测领域多方面数据以较大优势领先。图4-1为快递驿站环境下不同尺寸、不同人体形态下的识别情况，总体识别精度稳定在95%以上。

实验结果表明，本文提出的PP-YOLO对于快递驿站系统的目标检测模型，检测速度快，检测精度高，鲁棒性强，既满足检测精度要求，又满足检测速度要求，同时满足了實时性的需求。

5 结语

快递出入库管理系统将PP-YOLO目标检测算法应用于快递驿站场景，用于识别站内人员及其行动轨迹，解决快递驿站人工监管困难等情况。系统设计目标检测与轨迹跟踪模块用以实现对驿站内人体及二维码的监测功能。经过多次实验及调试，系统实现了驿站系统所需的信息管理、站内人员情况检测、二维码生成识别等功能。基于PP-YOLO实现的目标检测也满足了驿站对于检测速度、实时反馈、小目标精准识别、操作简单的要求。

参考文献：

[1]余飞.“618”购物节背后的物流战[J].中国储运，2021（07）：48-49.

[2]孙辉，王向前，李慧宗，何叶荣.“最后一公里”新型配送模式分析——以安徽理工大学近邻宝智能提取柜为例[J].辽宁工业大学学报（社会科学版），2017，19（04）：49-52.

[3]LONG X，DENG K，WANG G，et al. PP-YOLO：An effective and efficient im plem entation of object detector[EB/OL].[2021-5-22].https：llarxiv.org/pdf/2007.12099.pdf

[4]程晓陆，高超，叶晓琪，斯荣.基于YOLOv3的智慧现场安监技术研究[J].机电信息，2021（22）：10-12.

基金项目：江西省大学生创新创业训练计划项目（编号：1500421071）

作者简介：

张秀娜（2001—），女，河南洛阳人，本科在读;蒋周强（2001—），男，江西上饶人，本科在读;喻文星（1998—），男，江西南昌人，本科在读。