本论文针对半/自动分拣系统中对快递包裹分拣识别的现状，提出了基于深度学习的多信息快递面单识别算法。根据课题目标，对整体算法进行研究和探索，并对具体实现进行了详细的介绍。

第1章引言

1.2国内外研究现状

1.2.1快递分拣研究现状

快递自动分拣系统的广泛研究开始于二战后的美国和日本，通过自动识别系统代替人工识别的方式能够高效地、准确地实现的分拣的目标。从分拣信息的获取方式来看，现有的分拣信息的研究工作可以分为两大类：第一种是基于手写字符和印刷体的文字识别技术，通过直接识别字符来获取分拣信息；第二种是通过条形码、二维码等储存信息的图案来间接获取的分拣信息。

光学字符识别（Optical Character Recognition,OCR）的概念是1929年有德国科学家Tausheck提出，后来随着计算机的诞生成为现实。现在随着人工智能的发展可以分为传统OCR技术与深度学习OCR技术。传统OCR技术主要是基于图像处理（二值化、几何校正等）和统计机器学习(Adaboot等)。Lee等人通过搜寻图像内连通分量，在快递资料统计中循环检测判断，从而确定地址区域位置得到收件人地址，但该方法花费时间过长并不实用[3]；Seni等人提出分割手写英文字的方法，通过字母的间距小于单词的间距将一行文字加以分割，然后进行识别[4]。随着不断地研究，英文识别的难点已渐渐突破，对中文字符识别也在逐步发展；中科院自动化所在手写汉字识别测试中取得88.87%的识别率[5]；胡提坤等人设计了快递面单单据地址自动识别系统[6]，由于图像质量于字体大小问题识别率仅为82.7%，远没有达到所需的准确率。

第3章基于深度学习的快递面单目标检测算法研究

3.1深度学习基础

3.1.1神经网络

人工神经网络(Artificial Neural Network,ANN)简称神经网络(NeuralNetwork,NN)[42]，是1943年McCulloch和Pitts最先从生物神经元结构得到启发而提出的数学模型，之后被Frank Rosenblatt发展成感知器模型，作为首个人工神经网络，已经能够学习识别简单的图像。

人工神经网络就是模仿人脑中生物神经网络工作原理而搭建的数学模型，能够对特定的信息进行分析或处理的运算模型。如图3-1所示，该神经网络可以分为三个部分，输入层、隐含层和输出层。先是输入层，网络会将输入值分解成多个包含不同特征信息的向量。这些特征向量又可以分为若干个分量，通过不同权重的加权和偏置，就会在隐含层的各节点中生成相应的值。之后会经过激活函数的处理得到第二个隐含层，重复操作获得输出层的值。最后经过一个激活函数得到输出。将各个输出值大小进行比较从而实现对输入信息的识别，输出值越大表明输入信息的置信度就高。

第5章实验结果与评价

5.1模型训练及参数设置

本实验采用操作系统win10 64，使用神经网络框架pytorch。硬件配置:CPU为Intel(R)Core(TM)i9-10900K CPU@3.70GHz 3.70GHz;内存为64GB;GPU为NVIDIA GeF orce RTX 2080 Ti。

目标检测网络实验设置的输入图片尺寸为416x416，批处理大小为32，最大迭代次数设为100，初始学习率为0.001，衰减系数为0.0005。同时在检测网络中使用预训练模型，通过迁移学习的思想，在较短的时间内获得精确的模型。并采用冻结与解冻训练，加快训练的效率。

条形码与三段码的分类模型是使用了预训练模型的ResNet-50网络，采用Adam优化器，学习率设置为1e-3，衰减系数为0.9，迭代设置为50。

5.2算法评价指标及实验结果

本节主要根据具体评价指标对图示5-1三个部分的主体算法分别进行评估。主要是对优化后的定位检测模型的评估，分类模型的评估、信息识别的评估以及时间性能。本论文另外使用了拍摄的400张快递包裹图片分别进行算法的识别测试与检测测试。

5.2.1快递信息定位检测模型

要将目标检测模型运用到分拨中心进行实时检测，因此检测速度和准确率都是比较重要的评判标准。速度方面采用每秒帧率(FPS)作为评价指标，FPS越大表明单位时间内可以检测的图像数量更多，时间性能更强。此后FPS的数据都是在上述配置中得到。最终决定在定位网络中采用平均精度(AP)、准确率(P)、召回率（R）、F1、模型大小及FPS六项指标评判所搭建的目标检测模型性能优劣。

第6章结论与展望

6.2展望

本论文在收集数据方面还是略有不足。在深度学习中数据的数量与质量直接影响了模型的泛化性，只有大量的数据才能得到鲁棒性更高，性能更好的模型，因此本文要更多注重数据的采集。

考虑到实际的运用场景，需要将整个算法运用到其他智能设备，依旧需要压缩模型。同时图片的质量会影响工作的进程，需要高质量的图片来获得更好的结果。

随着“智慧物流”的不断建设，有越来越多的学者们投入到物流领域中去。后继者们也会从各个方向进行研究，共同为建设智慧物流贡献一份力，相信在不久的将来技术将更加完善，网民们可以深刻感受到“智慧物流”带来的便利。

参考文献（略）

（本文摘自网络）