更新时间：2026-08-15 00:02:40
已登记
详细信息
-
知识产权名称
物流仓库货物识别数据
-
登记编号
DIP2025000009317
-
申请人
温岭市天航物流有限公司
-
登记类型
首次登记
-
登记有效期
3年
-
申请时间
2025-06-25 17:21:17
详细信息
-
所属行业
信息传输、软件和信息技术服务业
-
交易状态
待交易
-
数据规模
3835
-
更新频次
按需更新
-
应用场景
该数据能够实时识别物流货物种类和位置，并更精确地监控货物动态。这将帮助仓储管理人员自动化盘点并识别异常，极大提升库存管理效率、减少人力成本，并增强货物监控的实时性。在物流仓储管理中具有广泛的应用场景，尤其在自动分拣系统、库存更新流程及异常移动检测等方面能够发挥重要作用。通过部署目标检测系统，仓储过程中的货物跟踪、分拣和盘点可以更加智能化，从而提高整个供应链的响应速度和准确性。
-
算法规则简要说明
数据收集： 系统在仓库内部署 RGB 摄像头采集图像，每张图像都由人工标注工具生成真实货物边界框（真实货物 bbox），作为监督训练的标签。通过持续采集不同时间和视角的图像，保证数据的多样性和代表性，同时覆盖货物在堆放、搬运等状态下的外观变化。 数据预处理： 对采集到的输入图像进行标准化、尺寸缩放等操作，并结合图像增强手段（如随机旋转、亮度调整、裁剪等），生成增强后的图像数据。这些预处理步骤可提高模型对仓库环境光照、角度等变化的鲁棒性，同时扩充训练数据量以防止过拟合。 模型构建： 使用基于 YOLOv5 的单阶段目标检测模型构建货物识别系统，将增强后图像 augmented_image_array 作为模型输入。YOLOv5 模型由特征提取主干网络（Backbone）和检测头（Head）组成，整个处理流程如下：F = Backbone(augmented_image_array)，从增强图像中提取特征图 F； P = Head(F)，对特征图进行分析预测输出边界框 P。其中，P 为最终的预测货物边界框集合，即预测 bbox，用于表示检测到的各个货物的位置。训练过程： 在模型训练阶段使用包含交并比（IoU）损失的目标检测损失函数，对预测结果 P 和真实标注框（真实货物 bbox）进行优化。通过最小化 IoU 损失（或其改进形式如 CIoU、GIoU 损失），提升模型对边界框位置的定位精度。训练过程中，常采用随机梯度下降（SGD）或 Adam 优化器，调整学习率和批次大小等超参数，以达到最佳收敛效果。性能评估： 在测试阶段，使用平均准确率（Average Precision, AP）和平均召回率（Average Recall, AR）指标评估模型性能。通过将所有预测 bbox 与真实 bbox 匹配统计，计算 Precision 和Recall 曲线下的面积来得到平均准确率（AP），并统计预测能覆盖真实目标比例得到平均召回率（AR）。这些指标可以衡量模型在不同阈值下的检测效果，确保模型在多样化仓库环境下保持高识别率和稳定性。最终，将 AP 和 AR 值记录在数据文档中，作为模型性能的量化评估依据。
-
更新频次
按需更新
-
存证平台
浙江省知识产权区块链公共存证平台
