近年來(lái)隨著互聯(lián)網(wǎng)和電子商務(wù)的快速發(fā)展,今天的物流業(yè)已從傳統(tǒng)的人力密集型轉(zhuǎn)為技術(shù)密集型的智慧物流。物流中規(guī)則物體的體積數(shù)據(jù)在智慧物流中非常重要,相對(duì)于重量等其他數(shù)據(jù)更難獲得,不管是對(duì)單個(gè)規(guī)則物體還是多個(gè)堆疊在一起的不規(guī)則物體,如何能準(zhǔn)確便捷的獲取其體積具有重要的研究?jī)r(jià)值。本文以物流中最常見(jiàn)的快遞紙箱作為研究對(duì)象,分別從單個(gè)規(guī)則物體的體積測(cè)量和多個(gè)規(guī)則物體堆疊的體積測(cè)量進(jìn)行研究,單個(gè)規(guī)則物體的體積測(cè)量難點(diǎn)在于如何在不提高網(wǎng)絡(luò)參數(shù)的同時(shí)提升3D重建的精度,以達(dá)到體積測(cè)量的需求。對(duì)于多個(gè)規(guī)則物體堆疊的體積測(cè)量主要在于如何通過(guò)幾個(gè)固定的攝像頭來(lái)扣除堆疊物體外界立方體中的多余的部分,精確的計(jì)算出堆疊物體的體積。針對(duì)以上問(wèn)題,本文主要研究工作及成果如下:1.針對(duì)目前物流中單個(gè)規(guī)則物體體積測(cè)量算法中存在的使用場(chǎng)景的限制、高成本、低準(zhǔn)確度等缺陷,本文創(chuàng)新性的提出了一種基于單視圖3D重建體積測(cè)量算法,沒(méi)有使用輔助性的硬件設(shè)備,降低了成本,并方便快遞員隨時(shí)隨地的獲取準(zhǔn)確地體積數(shù)據(jù)。本文采用了最新的實(shí)例分割算法快速精確地分割出圖像中的前景,去除無(wú)關(guān)的背景。此外對(duì)基于單視圖3D重建算法存在的低分辨率的問(wèn)題,本文... 

【文章來(lái)源】：中國(guó)科學(xué)技術(shù)大學(xué)安徽省 211工程院校 985工程院校

【文章頁(yè)數(shù)】：68 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１．１本文組織結(jié)構(gòu)圖??

?第２章相關(guān)技術(shù)???第２章相關(guān)技術(shù)??本文以物流中快遞紙箱的體積測(cè)量作為研究對(duì)象，主要研究單個(gè)快遞紙箱??和多個(gè)快遞紙箱堆疊兩種情況下的體積測(cè)量。本章圍繞這兩個(gè)研究?jī)?nèi)容詳細(xì)介??紹了所涉及到的所有相關(guān)技術(shù)，包括注意力機(jī)制、卷積神經(jīng)網(wǎng)絡(luò)及其經(jīng)典的模型??架構(gòu)、３Ｄ重建以及相關(guān)數(shù)據(jù)集等等。??首先在２．１章節(jié)介紹了神經(jīng)網(wǎng)絡(luò)與卷積神經(jīng)網(wǎng)絡(luò)的相關(guān)概念，并列舉了幾個(gè)??經(jīng)典的卷積網(wǎng)絡(luò)模型，２．２章節(jié)對(duì)３Ｄ重建算法的發(fā)展做了一個(gè)簡(jiǎn)短的綜述，包??括了第一代３Ｄ重建和第二代３Ｄ重建技術(shù)，２．３章節(jié)介紹了注意力機(jī)制，２．４章??節(jié)介紹了網(wǎng)絡(luò)訓(xùn)練中所使用的遷移學(xué)習(xí)方法，最后描述了使用的相關(guān)數(shù)據(jù)集。??２．１神經(jīng)網(wǎng)絡(luò)與卷積神經(jīng)網(wǎng)絡(luò)??神經(jīng)網(wǎng)絡(luò)是利用數(shù)學(xué)方法模擬人腦的機(jī)器學(xué)習(xí)技術(shù)，二層神經(jīng)網(wǎng)絡(luò)示意如??圖２．１ａ所示，神經(jīng)元示意如圖２．］ｂ所示，當(dāng)多個(gè)神經(jīng)元相互連接時(shí)便構(gòu)成了神??經(jīng)網(wǎng)絡(luò)。計(jì)算公式如式２．１。??ｙｊ?＝?－ｂ）?＝?ｆ（ａ＾０ｗｉｊＸｉ）?（２．１）??隱藏層??＿?３Ｔ．??（ａ）二層神經(jīng)網(wǎng)絡(luò)示意圖?（ｂ）神經(jīng)元示意圖??圖２．１神經(jīng)網(wǎng)絡(luò)部分示意圖??神經(jīng)網(wǎng)絡(luò)的訓(xùn)練通過(guò)損失函數(shù)對(duì)權(quán)重值＾進(jìn)行調(diào)整，使得網(wǎng)絡(luò)的輸出更加??接近預(yù)期值。雖然神經(jīng)網(wǎng)絡(luò)在很多方面展現(xiàn)出了不凡之處，但由于算力不足、調(diào)??參復(fù)雜等缺點(diǎn)導(dǎo)致訓(xùn)練非常耗時(shí)。支持向量機(jī)（ＳＶＭ）克服了復(fù)雜的調(diào)參，也??不用擔(dān)心陷入局部最優(yōu)，因此ＳＶＭ成為當(dāng)時(shí)主流的算法。隨著預(yù)訓(xùn)練和微調(diào)概??念的出現(xiàn)，這兩個(gè)技術(shù)大大減少了多層神經(jīng)網(wǎng)絡(luò)訓(xùn)練的時(shí)間，因此深度學(xué)習(xí)逐漸??７??

緩解模型??過(guò)擬合的現(xiàn)象。權(quán)值共享是指卷積核的參數(shù)在對(duì)整幅圖片進(jìn)行卷積運(yùn)算時(shí)是不??變的，通過(guò)權(quán)值共享可以進(jìn)一步降低網(wǎng)絡(luò)的參數(shù)量。??以下將詳細(xì)介紹卷積神經(jīng)網(wǎng)絡(luò)中最重要的三個(gè)層級(jí)結(jié)構(gòu)：卷積層、池化層和??輸出層。??１．卷積層??卷積層是卷積神經(jīng)網(wǎng)絡(luò)中最重要的結(jié)構(gòu)之一，它由許多的神經(jīng)元組成，卷積??層的作用是提取圖像的特征信息，卷積層的疊加，可以讓網(wǎng)絡(luò)從最基本的圖像特??征逐漸學(xué)習(xí)到更復(fù)雜的高級(jí)特征。卷積層中的每個(gè)神經(jīng)元對(duì)應(yīng)的權(quán)重參數(shù)都會(huì)??通過(guò)誤差反向傳播進(jìn)行更新，卷積運(yùn)算如圖２．２所示，卷積后的特征圖的大小與??卷積核的大小，填充數(shù)量等有關(guān)，計(jì)算公式為Ｆ?＋?２Ｐ）ＡＳ＊?＋?１，其中■表示??步幅，研表示特征圖的長(zhǎng)或?qū)�，Ｆ表示卷積核的大小，Ｐ表示給特征圖填充的??像素。最后計(jì)算的結(jié)果需要激活函數(shù)層，比如常見(jiàn)的ｓｉｇｍｏｉｄ、ＲｅＬＵ等。??０?３?１?０?１?１＾ｒ４－ＣＬ????????．．．．．．．．．．．．．．．．．．．??２?１１０?２Ｘ０１１１?＿?????．．．．．???１??Ｚ?丨?６??丄丄Ｘ之??１－１０?１０?ｙ’?????原圖（大�。担担�?ｙ????１ｘ１＋２ｘ０＋０ｘ０＋０ｘ０＋３ｘ１＋１ｘ１＋２ｘ０＋１ｘ１＋１ｘ０＝６??結(jié)果圖??圖２．２卷積計(jì)算示意圖??２．池化層??池化層是卷積神經(jīng)網(wǎng)絡(luò)中的重要的結(jié)構(gòu)之一，主要起到了以下作用：（１）當(dāng)??一張圖片進(jìn)行縮放旋轉(zhuǎn)變化時(shí)，網(wǎng)絡(luò)仍可以識(shí)別出圖片中的內(nèi)容，因此具有特征??８??

【參考文獻(xiàn)】：
期刊論文
[1]智慧物流視角下快遞行業(yè)轉(zhuǎn)型分析[J]. 樊雨露,倪蔚穎.  現(xiàn)代商業(yè). 2020(11)
[2]基于雙目視覺(jué)的視網(wǎng)膜血管三維重建[J]. 周嘉悅,韓少峰,鄭昱,吳壯志,梁慶豐,楊洋.  中國(guó)醫(yī)療器械雜志. 2020(01)
[3]基于雙目圖像的大尺度智能駕駛場(chǎng)景重建[J]. 李銀國(guó),周中奎,白羚.  計(jì)算機(jī)科學(xué). 2019(S2)
[4]基于RCF邊緣檢測(cè)和雙目視覺(jué)的箱體體積測(cè)量算法[J]. 王玉偉,尹顏朋.  現(xiàn)代計(jì)算機(jī)(專業(yè)版). 2017(35)
[5]激光技術(shù)在智慧物流中的應(yīng)用[J]. 毛丹輝,單彬,王勇,王仁芳.  物流科技. 2017(02)
[6]改進(jìn)型測(cè)量光幕體積計(jì)量系統(tǒng)[J]. 劉士興,宓逸舟,張陽(yáng)陽(yáng),易茂祥.  電子測(cè)量與儀器學(xué)報(bào). 2016(09)
[7]大型散貨堆體積的快速測(cè)量[J]. 楊德山,董麗麗,梁倩倩,許文海.  光學(xué)精密工程. 2016(09)

碩士論文
[1]基于雙目立體視覺(jué)的不規(guī)則物體體積測(cè)量方法研究[D]. 梁樂(lè).西安理工大學(xué) 2019
[2]倉(cāng)庫(kù)物料體積自動(dòng)測(cè)量系統(tǒng)軟件的設(shè)計(jì)與實(shí)現(xiàn)[D]. 周佩文.西南交通大學(xué) 2019
[3]基于激光三角法的傳送帶物料體積流量測(cè)量方法研究[D]. 陶依貝.東南大學(xué) 2018
[4]基于雙目視覺(jué)的快遞包裹體積計(jì)量系統(tǒng)[D]. 宓逸舟.合肥工業(yè)大學(xué) 2017
[5]基于雙目立體視覺(jué)的大堆物料體積測(cè)量方法研究[D]. 毛琳琳.中國(guó)計(jì)量學(xué)院 2015



本文編號(hào)：3103899