图像作为一种语义丰富的信息载体,在物流管理的实时监控中发挥着越来越重要的作用。一个异常物体通常与特定区域密切相关。对特定区域的异常目标进行检测,有利于提高检测分析的准确性,从而提高物流管理水平。在物流运输领域中,由于快递物品数量很多,快速分拣货物,导致掉件丢件的事情屡见不鲜。而在装卸搬运的过程中,包装底部柔软且凹凸不平等物品在传送带进行传送时产生物品掉落的现象和由于工人工作繁忙,物品遗忘在传送带下的现象也经常发生。然而目前目标检测方法在物流管理中主要应用于对物流运输的物品进行识别,无法对物品进行进一步的区分,也就无法检测出物品中的异常目标。基于这些观测结果,我们首先通过对仓库实际的图片进行预处理,得到本文所需要的数据集。然后使用labelme进行标注得到的数据集格式类似于coco数据集,并且使用JSON格式保存;然后我们设计了一种基于Mask R-CNN的指定区域异常目标检测方法:AODin SR。该方法第一步利用传统的Mask R-CNN方法得到初始实例分割模型,第二步计算特定区域的区域重叠,确定每个实例的重叠率,并结合这两部分信息对异常对象进行融合预测。第三步对原始图像中的异常目标进行恢复和检测;最后在实际数据集上的实验结果表明,AODin SR能够有效地识别特定区域的异常目标,从而稳定地提高异常目标检测的效果。