买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉南京智数科技有限公司申请的专利基于RCNN的物流分拣算法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120198734B 。

龙图腾网通过国家知识产权局官网在2026-03-24发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510335826.1，技术领域涉及：G06V10/764；该发明授权基于RCNN的物流分拣算法是由成材;宋仲晨;付从伟;朱杰;张学军设计研发完成，并于2025-03-20向国家知识产权局提交的专利申请。

本基于RCNN的物流分拣算法在说明书摘要公布了：本发明涉及物流分拣、深度学习技术领域，其具体地公开一种基于RCNN的物流分拣算法，其模型由多个卷积层、三个残差块、金字塔池化层以及Softmax层有序堆叠而成。其通过引入“ResNet”解决在深度卷积神经网络训练过程中出现的梯度消失和梯度爆炸问题，使得网络在训练过程中更容易学习到数据的特征，提高了网络的性能和稳定性。该算法通过搜集并整合大规模包裹图像数据集对RCNN模型进行训练并在该过程中系统地调整模型参数，通过迭代优化模型，以此获取表现最优的模型参数。其能够实现根据包裹尺寸、包装材料以及外包装完整度对待分拣包裹进行有效分类，以此达到提高分拣效率，优化物流整体运营效果的目的。

本发明授权基于RCNN的物流分拣算法在权利要求书中公布了：1.基于RCNN的物流分拣算法，其特征在于,包括以下步骤： 步骤一：图像数据搜集、预处理， 对尺寸不一致的图像，使用中心裁剪，使图像矩阵大小一致，然后对图像数据矩阵进行归一化处理，使得不同维度之间的特征在数值上有一定的可比性，防止数值差异过大对训练模型造成影响， 步骤二：RCNN模型结构搭建， 首先基于卷积神经网络结构搭建特征提取模块，其用于对图像数据矩阵进行特征提取，特征提取模块由多个卷积层、池化层、批归一化层和Sigmoid层有序堆叠而成，并在特征提取模块中引入“ResNet”解决深度卷积神经网络中训练过程中出现的梯度消失和梯度爆炸问题，接着在特征提取模块之后搭建金字塔池化层，输出图像特征并通过Softmax层进行分类， 步骤三：RCNN模型训练， 通过搜集并整合大规模的数据集对RCNN模型进行训练，训练过程中系统地调整模型参数，通过迭代优化模型，最终保存表现最优的模型参数； 其中，步骤二中， 引入残差块，即在输入和输出之间添加一个跳跃连接， 输入特征表示为，一层或多层输出特征表示为的公式通过快捷连接的前馈神经网络实现； 步骤二中，金字塔池化层将上层所提取的局部特征映射到样本的标记空间，形成全局特征表示，其包含了多尺度最大池化、Flatten、Dropout和Linear， 最大池化通过提取指定窗口的最大数据，其公式如下： 其中，最大池化的输入数据形式为，输出数据形式为，表示通道数，为填充，为膨胀，为窗口大小，为步长， Linear通过权重矩阵对输入特征作线性变换，其公式如下： 其中，表示输入特征向量，表示权重矩阵，表示偏置向量，表示输出特征向量； 步骤一中，中心裁剪方法，其裁剪区域的位置和大小根据原始图像的尺寸以及目标裁剪尺寸来确定，公式如下： 其中，表示裁剪区域左上角坐标，表示裁剪区域右下角坐标，和分别表示裁剪前后图像尺寸； 步骤一中，通过归一化处理对每个像素值进行线性变换，使得原数据被映射到[a,b]区间上，将预处理的数据限定在一定的范围内，从而消除奇异样本数据导致的不良影响，采用最大-最小值归一化方法，公式如下： 其中，表示图像数据矩阵元素，和分别表示数据矩阵元素最大值和最小值； 步骤三中，首先在大规模数据集上对模型进行预训练，获取初步的权值和特征提取能力,然后以8：1：1的比例将经过预处理的数据集划分为训练集、验证集和测试集，防止模型过拟合，使用训练集对模型进行训练，通过训练集的数据样本对模型参数不断进行调整，使模型更好地学习到数据的特征，以最小化训练误差,通过验证集来选择模型最佳超参数，并初步评估模型性能,测试集用于最终评估模型的泛化能力，以验证模型在未见过数据上的表现, 模型训练和测试使用交叉熵损失作为损失函数，使用Sigmoid作为激活函数，以SGD为优化器，训练次数为100次，学习速率为0.001，BatchSize为64。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人南京智数科技有限公司，其通讯地址为：210012 江苏省南京市雨花台区大周路34号3幢10层；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。