基于YOLO目標檢測的煙草配送合格審查算法設計

中圖分類號：TP391.41 文獻標志碼：A 文章編號：1003-5168（2025）08-0042-06

DOI：10.19968/j.cnki.hnkj.1003-5168.2025.08.007

Abstract： [Purposes] Based on YOLO object detection framework，a tobacco distribution compliance review algorithm was designed to improve the compliance and accuracy of tobacco distribution process by using image recognition technology.[Methods] The algorithm uses ResNet-18 as the backbone network and combines spatial pyramid pooling （SPP） module to extract and fuse multi-scale image features. Through target detection of elements such as signers，tobacco，shelves and counters in distribution images，and setting upan audit mechanism to automaticalydetermine whether the images are compliant，automated review of distribution behavior is realized.The experimentaldata came from the standardized and non-standard distribution images screened by professionals，and the labeled data included elements such as personnel，tobacco，shelves，and counters.[Findings] The experimental results show that the A P value of the model in the category of \"tobacco\" is 0.893 1，and the m A P of the whole model in the test set is 0.683 9，showing good recognitionabilityand stability.[Conclusions]The research algorithmcan effctively support the inteligent distribution management of tobacco industry. In the future，the robustness and accuracy can be further improved by expanding the data set and optimizing the model to meet the needs of more complex scenarios.

Keywords： YOLO target detection; tobacco compliance detection; tobacco compliance review; image recognition

0 引言

2022年11月9日，習近平總書記在給2022年世界互聯網大會烏鎮峰會的賀信中指出，“當今時代，數字技術作為世界科技革命和產業變革的先導力量，日益融人經濟社會發展各領域全過程，深刻改變著生產方式、生活方式和社會治理方式。\"全面加快數字化轉型步伐，是煙草行業貫徹落實黨中央、國務院決策部署的重要舉措，是加快行業高質量發展和現代化建設的重要抉擇，是培育新動能的重要引擎。2020年，國家煙草專賣局先后印發《一體化平臺項目建設組織架構方案》《一體化平臺建設及營銷先行建設試點工作方案》，主要任務是統籌完善行業數字化轉型基礎設施，同時力求在應用場景和數據治理方面取得突破。自2021年以來，廣東省煙草專賣局（公司）持續推進數字化轉型“一號工程\"建設，明確“1268\"數字化轉型藍圖，即一個新型數字基礎設施平臺，業務和數據兩個中臺，智慧營銷、智慧物流、智慧專賣、智慧煙葉、智慧綜合管理、智慧決策六大應用平臺，新基建及數字化轉型管理體系建設等八項重點工程。

本研究旨在通過圖像識別技術構建智能識別機制，開發一套高效的合規檢查算法。該算法將實現煙草配送過程的智能自查，精準捕捉不規范配送行為，確保配送流程的規范性和及時性。

1相關技術研究現狀

目前卷煙配送全流程的技術創新主要體現在卷煙配送管理的前端，如煙草數字化倉儲管理、移倉、配送路線規劃等。陶偉等1基于M市煙草物流綜合管控平臺框架，提出構建全面物流管理信息化和基礎信息智能化系統，包括倉儲管理系統、配送管理系統、物流管控系統和現場管理系統，并通過標準化網絡服務輸入、輸出接口和建立中間數據庫的方式，實現物流綜合管控平臺與系統的全面集成。詹玉銘等設計一套基于RFID技術的新型配送管理系統，在周轉箱和籠車上嵌入RFID標簽，并配置相關設備讀取信息，替代傳統的紙質標簽和配送單，實現在卷煙包裝、移倉、配送及回收等環節中的智能化管理。配送人員在與商戶進行交接時，掃描周轉箱RFID標簽，根據列表信息與零售戶進行實物的交接與確認。但該系統在確保終端配送真實性方面較為薄弱，投入成本也較高。晏晶等[3提出基礎人臉識別的卷煙智能配送終端系統架構設想，建議采用自提柜由商戶自行提貨，提貨時通過人臉驗證，以保證提貨人的真實性。余松等4通過溫度、煙霧傳感器、滅火器、貨倉門電子鎖、人臉識別、身份證識別等安全措施，實現了對煙草取貨柜的安全管理和身份認證。然而，取貨柜的建設和維護需要一定的成本投入，且需要煙草銷售戶具備相應的使用和管理能力。尹健康等5則采用網絡電子票據識別二維碼的方式，實現配送人員與煙草銷售戶之間煙草交接的自動化確認，有效避免簽收錯誤。徐永祥等研發的卷煙送貨管理系統，通過整合任務調度、配送、簽收、回程派送等多個環節，實現卷煙配送流程的全程信息化。姚利軍等提出的零售戶動態定位方法，通過收集和分析零售戶的歷史簽收坐標數據，利用聚類算法定位到零售戶的準確位置，為配送員提供精確的導航服務，同時也為主管部門提供了有效的監控審核手段。史軍等[8設計的基于煙草零售戶的移動服務系統，通過信息化管理手段，實現對貨物、人員、車輛、煙草零售商的全面管理，能有效管理煙草公司內部配送貨的情況和零售商的信息，并為零售商與煙草公司提供便捷的溝通渠道。然而，以上系統的實施需要建立穩定的網絡連接和數據處理中心，對技術要求較高。

姜威等提出“可視化定位\"技術，其集成了GPS定位、圖像處理技術和LBS、GIS等服務，通過地圖應用實時展示送貨人員的位置軌跡和工作狀態。該技術使管理者能夠隨時掌握送貨進度，可通過簽收圖片、行駛軌跡和里程數等送貨數據來確保簽收環節的真實性和可靠性。然而，在描述技術實現細節和可能面臨的挑戰方面尚顯不足。黃敏等[]提出基于圖像塊的復雜環境下圖像識別的方法。首先，通過圖像檢測模型標注并提取店面登記圖片的特征，構建訓練集；其次，將店面區域分割為多個圖像塊，建立與店面的映射關系；再次，輸入簽收圖片，通過模型確定簽收店面的坐標并提取其特征；最后，通過比較簽收與登記圖像塊的特征，判斷二者是否匹配。該模型能提高識別的準確性和穩健性，有效防止代簽收等不規范行為的發生。然而，該方法也存在一定不足之處，如對部分特殊情況（店面裝修、變更等），圖像識別效果會受到影響。

隨著圖像識別技術的不斷進步，其在物品簽收環節中的應用日益廣泛，對卷煙終端配送環節的完善提升具有一定的參考價值。程碩等[提出一種基于圖像識別和區塊鏈技術的物品簽收方法。該方法通過獲取預設區域在不同時刻的監控畫面，利用圖像特征提取和差異值計算來判斷物品是否被簽收，并通過區塊鏈技術確保監控畫面的不可篡改性。然而，該方法對監控設備的依賴程度較高，若監控設備出現故障或損壞，會對簽收過程的監控和判斷造成影響。沈松乾等2提出一種基于圖像識別的貨物簽收單數據存儲方法。該方法通過自動識別郵件信息中的發件人郵箱地址和郵件附件，利用圖文識別模型對郵件附件進行簽收單信息的提取，并通過卷積神經網絡模型對簽收單進行可信度評估。這種方法的主要優勢在于自動化程度高，能準確快速地提取和存儲郵件信息中的簽收單數據，提高快遞單據的歸檔效率。然而，該方法過于依賴郵件信息的準確性和完整性，若郵件信息不完整或存在誤導性信息，會對簽收單數據的提取和存儲造成影響。

在目標檢測領域，以YOLO為代表的框架在目標檢測多項任務中表現出良好的性能，其主要包括主干網絡、頸部網絡、檢測頭和預測層。優良的性能使其成為目標檢測、圖像分割、圖像分類主流框架。本研究以YOLO為框架，建立全卷積網絡結構的目標檢測模型，通過技術手段有效識別并防止虛假配送行為，對煙草配送規范性進行自動審核，保障煙草產品配送的真實性與準確性。

2基于YOLO目標檢測的煙草配送合規審查算法

2.1整體模型框架

本研究以ResNet-18作為主干網絡[13]，結合殘差連接技術和卷積神經網絡（CNN）進行圖像特征提取，并進行處理和分析圖像數據。采用當前目標檢測的主流框架YOLO，通過其多層網絡結構學習和提取圖像中的復雜特征，實現對簽收圖中簽收人、煙卷、柜臺和貨架等煙草店明顯特征的識別。ResNet-18在深層學習圖像復雜特征方面的卓越性能，通過預訓練ResNet-18模型能提取圖像通用特征。該模型在提升圖像處理精確度的同時，還可以實現大規模圖像數據的實時處理，提高配送驗證的效率和準確性。基于YOLO目標檢測的煙草配送合規審查流程如圖1所示。

2.2 基于YOLO的煙草配送目標檢測

目標檢測框架選擇當前主流的YOLO框架，主干網絡選擇Reset-18進行圖像編碼，在提取圖像特征后輸入到頸部網絡，頸部網絡由空間金字塔池化（SPP）[14-15]模塊組成。為減少計算開銷，該網絡設計參考YOLOv5開源項目中的實現方法，讓一層 5 × 5的最大池化層等效為 5 × 5 、 9 × 9 、 1 3 × 1 3 這三條并行的最大池化層分支，具體如圖2所示。經過頸部網絡后，再輸入到檢測頭，在YOLOv1中檢測頭部分用到的是全連接層。為避免全連接層參數量過大，網絡拋棄全連接層，改用卷積網絡。由于當前主流的檢測頭是解耦檢測頭，因此采用解耦檢測頭作為YOLOv1的檢測頭。其由類別分支和回歸分子組成，分別提取類別特征和位置特征，具體如圖3所示。一張 4 1 6 × 4 1 6 的輸入圖像經過主干網絡、頸部網絡和檢測頭三部分處理后，得到特征圖，最后輸入到預測層。本研究搭建的目標檢測網絡是全卷積網絡結構，因此最后的預測層采用當下主流的做法，使用 1 × 1 的卷積層在特征圖上做預測。最終，檢測出簽收圖像中的簽收人、卷煙產品及店鋪標志物等元素。

2.2.1主干網絡。主干網絡采用類似ResNet-18的結構，用于圖像特征提取。ResNet-18由多個殘差塊組成，每個殘差塊包含卷積層和跳躍連接。

基本卷積操作見式（1）。

式中： 是第層的輸入特征圖； 和 分別是第 l 層的卷積核和偏置；*表示卷積操作； R e L U 是激活函數。

殘差塊表示見式（2）。

式中： F 表示通過一系列卷積、歸一化和激活函數后的變換； X 是輸入特征圖；Y是輸出特征圖。

2.2.2頸部網絡。頸部網絡通過空間金字塔池化模塊（SPP）來融合多尺度特征。SPP模塊包含三個并行的最大池化層，尺寸分別為 5 × 5 . 9 × 9 和 1 3 × 1 3 。SPP操作見式（3）。

式中： F 是輸人特征圖； 表示 k × k 的最大池化操作；Concat表示將池化后的特征圖在通道維度上進行拼接。

2.2.3損失函數。為了訓練該目標檢測網絡，該網絡采用多任務損失函數，包括分類損失、邊界框位置參數的損失和置信度損失。總損失函數見式（4）。

式中： 是分類損失； 是邊界框位置參數損失； 是位置參數損失權重，默認為 是置信度損失。

3實驗

3.1 數據集介紹

本研究訓練數據由專業工作人員篩選出送貨員拍攝的規范和不規范簽收圖（一部分圖像需要包含卷煙產品、人員、店鋪標志物等元素，另一部分圖像不需要具備全部元素），在此基礎上分別對簽收圖中人像、煙卷、店鋪標志物進行數據標注，圖像標注軟件使用Labelimg，總共人工標注Person（人像）、cigarette_box（煙草）、Shelf（貨架）、Counter（柜臺）四個店鋪元素圖像數據3351張，同時融合進入VOC2008數據中存在人的標注圖像數據2855張，在模型訓練的過程中訓練集數量為5652，測試集數量為554。

3.2評價指標及基準模型介紹

3.2.1平均精度（AveragePrecision，AP）。 A P 是針對每個類別計算的平均精度，具體見式（5）。

式中： 是類別 i 的召回點集合； 是在召回率 下計算的精度。

3.2.2平均精度均值（mean average precision，mAP）。 m A P 是所有類別的 A P 的平均值，具體見式（6）。

式中： N 是類別數（在本研究中為4，分別是person、cigarette_box、shelf和counter）; 是第 i 類別的平均精度。

3.3 模型性能評估

本研究對訓練集和測試集使用指定的 A P 和m A P 對模型進行評估。基于每個類別的 A P 值，進一步計算出整體的 m A P ，該指標綜合反映模型在各個類別上的平均表現。在訓練過程中，模型在測試集上的表現見表1。

由表1可知，在cigarette_box（煙草）類別上，模型在測試集上的 A P 值為0.8931，變化較小，表明該類別的識別性能較為穩定，具有較強的泛化能力；而Person（簽收人）和Shelf（貨架）類別的 A P 值在測試集上較低，分別為0.5664和0.5550，顯示出模型在這兩個類別上的泛化能力較弱；Counter（柜臺）類別的 A P 值為0.7210，變化較小，模型在這一類別上保持較好的識別性能。表明整體模型的 m A P 在測試集上為0.6839，說明整體性能依然較為理想，

同時，本研究將訓練好的模型對新數據進行預測，設計的審核機制如下。每個圖像必須包含一個必要類別“cigarette_box\"（煙草），且至少包含一個可選類別，如“shelf\"（貨架）、“counter”（柜臺）和“person\"（人）中的任意一個。如果圖像滿足這兩個條件，則標記為“合格”，否則標記為“不合格”，并且記錄缺少的類別作為不合格的原因。如果圖像缺少必要類別，將返回相應的缺失原因；如果缺少可選類別，則列出缺失的可選類別。

最終將訓練好的該模型對新數據進行預測，部分預測結果如圖4所示。其中圖4（a）圖4（b）為檢測出來的合規圖像，圖4（c）為不合規圖像。

4結語

本研究提出的基于YOLO目標檢測的煙草配送合規審查算法，結合ResNet-18主干網絡與空間金字塔池化（SPP）模塊，能有效提升圖像特征提取與多尺度特征融合的能力，實現在煙草配送過程中對簽收圖像的精確識別與合規性審查。實驗結果表明，模型在各類別上的表現良好，尤其在煙草（cigarette_box）類別上具有較強的識別穩定性和泛化能力，整體性能表現出色。通過設計審核機制，能自動判定圖像是否合規，極大提高配送驗證的效率和準確性。此外，本研究還結合GUI界面，使系統操作更為便捷，具備實用性和可擴展性。未來的研究可以在數據集擴充與模型優化的基礎上，進一步提升模型的魯棒性與準確率，以滿足更廣泛的實際應用需求。

參考文獻：

[1]陶偉，霍然.基于SOA的M市卷煙物流系統設計與實現[J].信息與電腦（理論版），2017（6）：116-118.

[2]詹玉銘，蔡維德，劉志民.基于RFID技術的卷煙配送管理系統設計與應用[J].物流技術與應用，2017，22（4）：132-135.

[3]晏晶，朱武剛，陳瑞華，等.基于人臉識別技術的卷煙智能化終端配送研究[J].物流技術，2021，40（11）：126-129.

[4]余松，陳禮敏，夏凌云，等.一種煙草取貨柜：CN218100342U[P].2022-12-20.

[5]尹健康，宋紅文，蔡勇，等.基于數智化供應鏈柔性 配送方法：CN113822392A[P].2021-12-21.

[6]徐永祥，陳興明，蘭波，等.一種卷煙送貨管理系統：CN107392539A[P].2017-11-24.

[7]姚利軍，蔡晗瀟，肖綱超，等.煙包零售戶的動態定位方法及系統：CN111966774A[P].2020-11-20.

[8]史軍，李劍，邵彥凌，等.基于煙草零售戶的移動服務系統：CN104809608A[P].2015-07-29.

[9]姜威.卷煙物流配送管理中的可視化定位技術[J]中國科技信息，2021（2）：41-42.

[10]黃敏，曾華，余林，等.基于圖像塊的復雜環境下圖像識別的方法：CN117611843A[P].2024-02-27.

[11]程碩，崔永斌，駱水軍，等.基于圖像識別的物品簽收方法、裝置、設備及存儲介質：CN113888086A[P].2022-01-04.

[12]沈松乾，任福平，吳昊.基于圖像識別的貨物簽收單數據存儲方法及裝置：CN111353744A[P].2020-06-30.

[13]HEK，ZHANGX，RENS，etal.Deepresidual learning for imagerecognition[J].IEEE，2016.

[14]LINTY，DOLLARP，GIRSHICKR，etal.Feature pyramid networksforobject detection[J].IEEE Computer Society，2017.

[15]HEK M，ZHANGXY，RENSQ，etal.Spatialpyramid poolingin deep convolutional networksforvi - sual recognition [J].IEEE TransactionsonPatternAnalysisandMachineIntelligence，2015，37（9）：1904-1916.

（欄目編輯：孫焱）