随着电子商务的快速发展,物流需求越来越高。智慧物流系统在提升物流中转中心的运作效率,降低管理成本等方面发挥着重要作用,从而受到广泛的关注。包裹检测是智慧物流系统包裹管理的关键技术之一,也是目标检测在物流领域的具体应用之一。尽管近年来目标检测技术取得了巨大的进步,但是直接把现有的目标检测技术应用到包裹检测任务上会面临较大的挑战。一方面,包裹的大量堆积造成包裹成像目标密集,另一方面,由于成像距离较远,包裹目标成像形态较小。此外,包裹周围的各类传输相关设备会造成复杂的背景干扰。这些挑战使得包裹检测是一件比较困难的任务。为此,本文首先对目标检测的研究现状进行梳理;其次,基于中国邮政集团公司无锡集散中心的监控视频数据,对基于卷积神经网络的包裹检测算法进行深入研究,主要工作内容如下:(1)根据包裹检测的数据需求构建包裹检测数据集。通过中国邮政集团公司无锡集散中心提供的物流中转中心监控视频,预处理成图像,并用Label Img开源软件对图像中的包裹进行人工标注,找出包裹在图像中的所在区域,画出边界框。由此,构建了一个代表实际情况的包裹数据集。(2)针对物流中转中心存在的密集包裹问题,提出了一种改进的Faster R-CNN包裹检测算法。基于经典的目标检测模型Faster R-CNN,利用Rep GT损失函数对包裹检测算法中的回归项进行调整,在密集包裹情况下针对目标框选取合适的候选框。该算法在原目标检测算法Faster R-CNN的基础上将检测精度提升最高达2.38AP,并且对其中损失函数中的参数?进行分析,探讨了参数?对整体算法的影响。(3)针对小目标包裹在层层卷积操作中的信息缺失导致难以检测的问题,在前面的研究基础上采用多尺度特征融合的方法,融合卷积神经网络的浅层特征图。通过实验发现选取合适的anchor与特征融合的方式可以有效提升小目标包裹检测的检测精度。最终将检测精度(AP)从原来的59.98提升到68.74,提升了小目标包裹的检测精度。