基于改进SSD算法的物流物品检测

针对物流物品分拣任务中，物流物品摆放环境复杂，传统检测方法的检测准确度不高、检测速度慢等问题，设计了一种改进SSD的物流物品检测算法。首先，将原SSD算法的骨干网络设置为MobileNetV2,后端网络采用倒残差网络结构，其次，将骨干网络浅层特征层和后端网络深层特征层使用特征融合模块，最后引入注意力机制并使用更小尺寸的先验框，在保持网络计算量的同时提升对特征图关键信息的提取能力，并增强对小目标的物品检测能力。实验结果表明：改进后的算法与SSD、Faster RCNN、YOLOv5等算法进行比较，在PASCALVOC 2007+2012数据集上，该算法相较于原SSD算法平均准确率mAP提升了4.33%,每秒帧率FPS达到53.95 frame/s,同时在要求的物流物品数据集上进行验证，结果表明该模型在堆叠、密集排布、小目标等的分拣环境下，在保证检测的实时性的同时仍可能保证较高的检测准确度。