高速发展的物流领域衍生了成百上万的物流订单,如何高效地运用科技的力量去代替传统的物流货物分类分拣并打包的工作是当下的亟待解决的问题。随着深度学习的问世,机器视觉当中的目标检测技术就被引用到了智能分拣工作当中。基于深度学习的目标检测技术被广泛地运用在各种领域当中,在物流分拣领域也处处存在。但在现实生活中,获取一个高精度数据集需耗费大量成本。此外,在工作人员进行数据标注之际,也可能因粗心大意或领域不同而导致数据标注错误。种种原因导致获取一个高精度数据集是十分困难的。基于弱监督场景下的目标检测模型,允许使用仅带有类别标注的图像级数据集作为监督信息即可以进行目标检测任务。本文基于以上背景,选择基准框架W2F（weakly-supervised to fully-su pervised,弱监督到全监督）进行优化改进。实现设计出一个从弱监督到强监督过程的目标检测框架,并命名为RPY框架。本文实现的RPY框架主要分为了三个模块组成:弱监督检测模块:Rre-Attenti on模型;候选区域筛选模块:PGE-L算法;强监督检测模块:优化改进YOLO v3后的Y算法。首先由弱监督检测器生成初始化候选区域,而后经过候选区域筛选算法去生成能够表示真实目标的紧包框,而将紧包框作为图像的伪标注送入到强监督检测器当中进行回归生成更细致的预测结果。一、弱监督检测模块,首先分析了传统的弱监督检测器的优劣势。传统的弱监督检测器往往是将任务转变为多实例学习的方式。其在大型图像数据集上提取特征,然后通过选择性搜索算法生成候选区域,结合两者的特征最后并将网络设计成多个网络流,用于候选区域初始化和回归的过程。但这种多阶段的生成初始化候选区域会是多余的,应该将回归的任务交由给回归能力更强的强监督检测器。因此,在弱监督检测模块,本文引入了引导注意力机制用于生成增强特征图,这使得框架不需要再提前在大型数据集上进行预训练提取特征。并且删除了弱监督检测器的回归流,仅保留了用于初始化候选区域的多实例学习分支流。二、候选区域筛选模块,基准框架W2F提出了基于NMS的候选区域筛选算法PGE。但NMS算法基于IOU作为阈值的筛选方式太过于简单粗暴,往往会因为阈值设置不得当导致误删真实的候选区域。因此,本文对PGE算法进行更改,设计出基于L值的候选区域筛选算法,并命名为PGE-L算法。三、在强监督检测模块,本文为了保证速度和精度的平衡点,选择YOLO v3算法进行改进。设计了更多的特征层以及融合了基准框架的PGA算法的思路在其中。PGA算法的思路实际上也是迭代的方式,通过不断迭代计算YOLO聚类生成的Anchor和伪标注之间的L值来保留最合适的候选区域。最后,通过消融实验验证了每个模块的有效性。并将RPY框架与业内著名的弱监督检测框架进行实验对比,实验结果表明,本文设计的RPY框架仅需要图像级数据集作为监督信息就能进行目标检测的工作,并且效果不弱于其余的弱监督检测框架。此外,通过制作20类目标的物流货物数据集用于测试本文的RPY框架,将RPY框架运用在实际物流场景下,最终实验结果验证RPY框架的有效性及极强的泛化能力。