本文是一篇物流論文，筆者認為隨著科技的進步，機器視覺已經廣泛應用于生產生活中，但在快遞外包裝缺陷檢測方面應用較少。通過機器視覺檢測方法識別包裝缺陷情況，可以降低人工成本，提高檢測效率。

第一章  緒論

1.1 研究背景

隨著電商的發展，網購在近十年成為了一種常態化的購物方式，幾乎所有的商品都可以通過線上購買。物流作為一種網上購物的必須服務，是顧客購物滿意度的一個重要評價指標。經過三年疫情，人們越來越傾向于無接觸購物，對線上消費的依賴情緒處于一種持續上升的狀態。電商網購快速發展的幾年，同時也是快遞物流行業爆發式發展的黃金時代，我國物流行業GDP連續7年全球第一[1]。根據國家郵政局數據顯示，2022年上半年郵政快遞業務量收分別完成512.2億件和4982.2億元，同比分別增長3.7%和2.9%[2]。然而隨著快遞包裹數量井噴式增長，快遞物流行業投訴頻發，退貨量也隨之攀升。有關數據表明，2019年僅零售行業世界500強的線上平均退貨率高達37%[3]。通過對線上高退貨率的深追溯源發現，外包裝破損是退貨率上升的主要原因之一。Liu等[4]通過經驗證明，物流服務質量對客戶滿意度有顯著影響，并且對重復購買行為和客戶推薦有統計學上的顯著影響。快遞外包裝的完好程度在一定程度上影響了顧客的購物體驗。快遞包裝破損造成的缺陷可能會使貨物表面染上污垢，甚至運貨單上重要信息丟失；當破損嚴重時，貨物丟失都時有發生。

通過調查研究，導致快遞外包裝破損的原因如下：大型倉儲物流基地的機械與自動化已經具備一定規模，但貨物分流分揀依然大量依靠人力，效率相對低下[5]，包裝完整度可控性較低；貨物運輸途中遭遇情況復雜多變，例如一些舶來商品需要海陸空聯運，多次分揀難免遭遇磕碰磨損情況。快遞運輸過程通常路途遙遠，途中一旦未做好防雨防潮、或遭遇暴力搬運，可能會造成內部貨物的損壞；與此同時，一些從業人員存在暴力分揀[6]問題，進一步加劇了外包裝破損的嚴重程度，在轉運點進行檢測可以盡早發現問題，做出相應的補救措施。因此，包裝破損檢測是一件值得研究的課題。

1.2 國內外研究現狀

1.2.1 機器視覺技術在物流行業研究現狀

隨著科技的發展，第四次工業革命（工業4.0）的概念開始出現在人們的生活中。現代工業企業，通過參考互聯性、數字化和自動化的概念來加強自身的競爭力。在此背景下，智慧物流的概念應運而生，旨在成功實施基于敏捷合作網絡和互聯組織的智能和精益供應鏈[7]。

繼自動化和數字化工廠之后，以物聯網、安全監控系統、存儲設備管理系統和存儲操作信息系統為特色的智能工廠已成為現代制造企業的發展目標和方向。隨著物流行業的快速發展，貨物運輸作業流程從傳統的依靠人力到逐步自動化、智能化，現在正向著無人化快速發展[8]。人工智能、機器學習和深度學習概念的應用被認為是數字化轉型過程中最重要的成功因素之一。越來越多的學者開始投入到物流裝備自動化的研究當中，其間有相當一部分主要圍繞機器視覺技術而展開。例如Cognex公司針對物流行業自動化需求提出了一系列解決方案，如包裝條碼檢測、尺寸測量、包裹分類等[9]。隨著研究的深入，機器視覺技術逐漸被應用到了物流行業的各個環節中，并且未來還有很大的探索與發展空間。

（1）貨物分揀

機器視覺技術的應用，依靠計算機強大的圖像捕獲功能獲取倉庫貨物的基本信息，實現了智能倉庫物流中的貨物識別，解決了物流包裹在分揀過程中過度依靠人力，導致效率低下、管理困難等問題。Shouhui He等[8]提出了一個與智能物流中的倉庫管理相關的過程和相應的系統架構，并構建一個YOLOv3模型，用于智能物流中倉儲貨物的圖像信息識別和分類。任磊[10]設計了一種基于視覺的機器人快遞分揀系統，將機器視覺算法應用于工業機器人，通過攝像頭獲取快遞的位置信息，使用雙目標定、立體匹配、三角測量法進行定位抓取；利用卷積神經網絡對手寫數字進行識別，實現了對于貼有手寫快遞單的快遞包裹的自動化分揀任務。肖洪云等[11]利用圖像識別技術對物流快遞包裹上的條形碼進行識別，獲取貨物的物流信息；對貨物外觀進行激光掃描，獲得貨物的大小形狀特征信息，將兩項技術同時應用于物流分揀裝備，實現了分揀自動化。

第二章  包裝缺陷數據集制作

2.1 包裝缺陷檢測研究對象分析

數據集是訓練深度學習卷積神經網絡的基礎，影響著模型的最終檢測效果。由于現階段沒有開源的包裝缺陷數據集可供使用，為完成模型訓練，只能通過自制。本章首先介紹了包裝缺陷圖像的采集環境和拍攝方法，然后對包裝缺陷特點進行分析描述，歸納總結，最后運用標注工具對圖像進行缺陷標注，制作出包含四類標簽的數據集。

快遞包裝指的是物流快遞行業為保障貨物在運輸過程中不被損壞外加的一種保護措施。日常生活中我們會接觸到形形色色的快遞包裝材料，大體可以分為三類：1.紙質包裝，例如紙質文件袋、紙袋子、瓦楞紙箱等；2.塑料類包裝，例如聚乙烯塑料包裝袋、塑料膜充氣袋等；3.木質包裝，一般采用合成木板裝訂。通過走訪多個不同大小的快遞集散點，對各種快遞包裝數量進行統計分析，發現日常生活中常用占比較高的兩種快遞包裝為瓦楞紙箱和聚乙烯包裝袋。其中，由于瓦楞紙箱具有柔性較差、不防水的缺點，運輸過程中受到外部影響產生缺陷的概率更高。因此本次缺陷檢測研究對象選擇為瓦楞紙箱快遞包裝。

2.2 數據集制作

由于現階段還沒有公開的包裝缺陷數據集，因此為達到研究目的，只能通過自制的方式獲得。快遞雖然是現代日常生活常接觸的物品，但是包裝缺陷情況還是有一定的獲取難度。數據采集地點選擇了兩處收發量較大的快遞集散點，通過人工拍攝的方式，采集了2356張包裝破損圖像。在收集到的圖片中，每張至少包含一處破損類型，至少有一個破損點。

2.2.1 包裝缺陷的采集

經過調研分析，選擇瓦楞紙包裝盒的缺陷作為研究對象。為保證試驗的準確性，加強研究對象的針對性，提高算法對不同外界條件的適應性，通過實地拍攝的方法對包裝缺陷圖像進行采集。為保證數據集的多樣性，采集過程中，拍攝圖像時選擇不同的外界環境，地點包括室內和室外。室內環境選擇照兩種照明情況：一種是自然光環境，一種照明設備補光。室內拍攝背景較為簡單干凈，干擾項較少。室外拍攝在白天自然光照條件下進行，包含兩種情況：晴天日光充足光線明亮和陰天光照不甚充足。室外拍攝背景比較復雜，同時人為添加一些干擾條件。在拍攝時在不同的距離，選擇多角度、不同遮擋情況進行拍攝。圖像的收集要盡量保證不同環境、不同種類缺陷的數量盡可能達到均衡。以上這些操作目的是增強模型的對復雜情況的適應情況，增強模型健壯性。

通過拍攝采集到的包裝缺陷圖像如圖2.1所示。

第三章 基于改進 YOLOv5s 的包裝缺陷檢測模型 ........................... 15

3.1 YOLOv5s 原理和模型結構研究 .......................... 15

3.1.1 輸入模塊 ......................................... 16

3.1.2 主干網絡 .................................... 17 

第四章 分揀系統設計與網絡模型優化 ........................... 33

4.1 包裝分揀系統設計 ................................... 33

4.2 利用數據增強優化檢測效果 ............................ 36

第五章 結論與展望 ................................. 51

5.1 結論 ......................... 51

5.2 展望 .................................. 51

第四章  分揀系統設計與網絡模型優化

4.1 包裝分揀系統設計

快速可靠的運輸是現代電子商務成功的關鍵要素。將不同區域，不同類別的貨物進行快速有效的分揀，然后按照貨物的流向，貨物的類型裝載到運輸設備上，是物流運輸過程中占用人力、物力、場地最多，也是最繁瑣的一個環節[58]。在物流運輸整體流程中，分揀作業涉及到許多環節，隨著現代科技的發展，自動化分揀系統已經逐漸取代人工。然而在貨物分揀過程中，暫時還沒有針對于貨物包裝破損情況的檢測和分揀流程。物流自動分揀系統應具備以下特點：1、能夠在短時間內對大批量包裹進行分揀；2、保證分揀的準確率。基于以上特點，對包裝破損分揀系統進行設計。

首先明確破損分揀系統功能，設計分揀系統結構（如圖4.1）。缺陷分揀的運用場景設置在按貨物流向進行分類之前，不收集貨物的訂單信息，只對外包裝完整性進行檢查。包裝破損分揀包括以下任務： 

1）包裹匯流。通過人工或者機械從眾多包裹中選擇可以進行流水線分揀的包裹放入傳送設備的貨物，通過不同的合流道口，傳輸到主流水線上，以待分揀設備進行分揀操作。為保證檢測環節順利進行，在包裹匯流環節，盡量避免貨物堆疊，保證包裹依次通過缺陷檢測設備，每次受檢包裹只有一個。

（2）分揀信息處理。當包裹在傳送帶上運輸，通過缺陷檢測設備時，攝像頭通過圖像采集，將收集到的包裝圖像信息傳送至計算機控制平臺，通過缺陷檢測模型對外包裝缺陷情況進行分類識別，為下一步的分揀做準備。

（3）包裹分流操作。通過缺陷檢測識別出缺陷信息后，分揀系統會根據設定好的分揀流程，通過機械手或者分揀機對包裹進行分揀操作。分揀之后，根據包裹的破損情況，進入不同的分流道口。

第五章  結論與展望

5.1 結論

智能化檢測已經開始融入物流運輸的各個環節，是智慧物流發展的潮流和趨勢。在快遞轉運過程中對外包裝完整度進行檢查，可以預防運輸過程中造成的貨物損壞遺失。針對快遞分揀過程中人工檢測包裝缺陷存在成本高，檢測效率低的問題，提出基于機器視覺的包裝檢測方法，研究成果總結如下：

（1）對瓦楞紙快遞包裝缺陷情況進行拍攝，采集圖像，按照缺陷的形狀和成因進行分類和標注，建立包裝缺陷數據集，為后續的包裝缺陷檢測模型提供數據支持。

（2）針對包裝缺陷的特點和分布情況，提出基于Swin-YOLOv5s的包裝缺陷檢測模型，在YOLOv5s的基礎上使用Swin Transformer替換主干網絡，增強對于小目標的檢測，提高信息的全局獲取能力；替換損失函數為EIoU，提高模型的回歸精度與速度。將改進后的模型在自制包裝缺陷數據集上進行訓練并測試，檢測精確率為93.9%，提升了4.7%；召回率為77.3%，提升了5.0%，在NVIDIA GeForce RTX 3090上檢測速度達到了35.6FPS，具有較好的檢測效果。

（3）為包裝缺陷檢測模型的實際應用進行進一步規劃。設計了分揀系統，構建模型的實際應用場景。為進一步提升模型的檢測效果，對數據集進行數據增強，對模型進行再次訓練，使模型的mAP提升至90.2%。使用TensorRT對模型進行網絡優化部署，大小被降低至11.4MB，經過實時測試，在邊緣計算設備上的檢測速度提升至36.3FPS，精確率為90.1%，基本滿足實際應用需求。

參考文獻（略）