倉儲(chǔ)管理是動(dòng)車高鐵裝配、檢修作業(yè)線上非常重要的環(huán)節(jié),在存取物料過程中快速獲取物料的編號(hào)、名稱等信息可以大大減少倉庫值守所需的人力與物力。大類物體識(shí)別與檢索主要是根據(jù)相機(jī)拍攝到的圖像得到零配件所屬的種類、編號(hào)等信息。本文通過分析實(shí)際應(yīng)用場(chǎng)景下的零配件特點(diǎn),研究面向智能倉儲(chǔ)的大類物體識(shí)別與檢索方法,主要工作如下:針對(duì)動(dòng)車檢修實(shí)際工業(yè)場(chǎng)景中,零配件種類較多,類內(nèi)差距大,同時(shí)存在同屬于某一大類別但是細(xì)節(jié)上存在差異的細(xì)粒度類別劃分情況。本文提出了基于多注意力融合的分級(jí)大類物體識(shí)別算法,該算法通過SE（Squeeze-and-Excitation）模塊的注意力機(jī)制對(duì)不同層次的特征進(jìn)行融合,建立多層級(jí)結(jié)構(gòu)。首先將細(xì)粒度物體看作一個(gè)大類別,利用粗粒度識(shí)別網(wǎng)絡(luò)進(jìn)行大類別識(shí)別,減少細(xì)粒度物體對(duì)識(shí)別精度的影響,然后通過注意力機(jī)制,分別針對(duì)每一個(gè)需要細(xì)分類的大類別計(jì)算出對(duì)其分類貢獻(xiàn)比較大的特征通道,并融合多個(gè)層級(jí)的特征作為細(xì)分類任務(wù)的基礎(chǔ),從而提高識(shí)別的準(zhǔn)確度。本文通過實(shí)驗(yàn)證明了該算法在本文構(gòu)建的零配件數(shù)據(jù)庫上可以得到較好的識(shí)別結(jié)果,識(shí)別準(zhǔn)確率為97.84%,相比單級(jí)網(wǎng)絡(luò)提高6.68%。針對(duì)全局特征缺少幾何不... 

【文章來源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：97 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

傳統(tǒng)倉儲(chǔ)管理方法

電子科技大學(xué)碩士學(xué)位論文2理中也得到了廣泛的應(yīng)用。實(shí)踐證明，提高倉儲(chǔ)作業(yè)過程的信息化水平，通過信息化方法優(yōu)化管理流程，可以顯著提高管理效率，有效降低管理成本[2]，智能倉儲(chǔ)的概念便由此產(chǎn)生。其具體是指，將人工智能、物聯(lián)網(wǎng)等先進(jìn)技術(shù)應(yīng)用于倉儲(chǔ)管理中，使人員管理，物資盤點(diǎn)、配送等過程更加系統(tǒng)，更加智能[3]。例如當(dāng)前多數(shù)動(dòng)車配件中心采用的如圖1-2所示的立體化倉庫，在物料的出入庫過程中加入自動(dòng)化管理，解放了部分人力。近年來，越來越多的倉儲(chǔ)系統(tǒng)中采用RFID（RadioFrequencyIdentification）技術(shù)實(shí)現(xiàn)對(duì)倉儲(chǔ)信息的記錄及物資貨位的快速定位[1]。RFID電子標(biāo)簽具有非接觸識(shí)別、讀取方便的特點(diǎn)，且相比于二維碼，其數(shù)據(jù)容量更大，使用壽命更長，并且最重要的是它可以重復(fù)使用[4]。但是在實(shí)際動(dòng)車檢修應(yīng)用場(chǎng)景中，通常是檢修工人拆卸下舊零件后，需要領(lǐng)取新零件，由于零件種類眾多，往往不能明確地給出零件的名稱或者編號(hào)信息，RFID標(biāo)簽又不適合應(yīng)用于每一個(gè)物料個(gè)體上，此時(shí)就需要根據(jù)人工經(jīng)驗(yàn)進(jìn)行物料的識(shí)別，或者通過查找實(shí)物進(jìn)行比對(duì)，仍要耗費(fèi)大量的人力物力。圖1-2立體化倉庫示意圖隨著視覺圖像處理能力的不斷提升，以及模式識(shí)別、人工智能、深度學(xué)習(xí)和大數(shù)據(jù)等技術(shù)的飛速發(fā)展，基于深度學(xué)習(xí)的物體識(shí)別與檢索逐漸成為計(jì)算機(jī)領(lǐng)域中的兩個(gè)研究熱點(diǎn)。物體識(shí)別，是指通過給定某未知物體的圖像信息，系統(tǒng)能自動(dòng)識(shí)別出物體的類別名稱等信息。物體檢索，是指輸入待查詢物體的圖像或者某些標(biāo)簽信息，系統(tǒng)自動(dòng)通過匹配方法從數(shù)據(jù)庫中檢索出包含該物體的圖像。將物體識(shí)別或檢索應(yīng)用到智能倉儲(chǔ)的物料查找中，用戶只需要提供并輸入某個(gè)未知物料的圖像或特征信息，系統(tǒng)就會(huì)自動(dòng)識(shí)別或檢索出相應(yīng)的物料類別型號(hào)等信息，從而得到物料?

第一章緒論3對(duì)實(shí)現(xiàn)倉儲(chǔ)管理的智能化和自動(dòng)化具有非常重要的意義。而本文研究的智能倉儲(chǔ)環(huán)境下，物料種類比較多，多達(dá)成百上千種，因此本文主要研究類別量比較大的物體識(shí)別與檢索問題，簡(jiǎn)稱大類物體識(shí)別與檢索。1.2國內(nèi)外研究現(xiàn)狀1.2.1大類物體識(shí)別方法研究現(xiàn)狀自計(jì)算機(jī)誕生起，人們就致力于研究能使計(jì)算機(jī)協(xié)助甚至取代人工完成一些日常工作的方法，物體識(shí)別就是其中一個(gè)熱門方向。近年來，隨著技術(shù)的發(fā)展、成本的降低，高性能計(jì)算機(jī)得到了譜及，人們的日常工作生活中，數(shù)字圖像隨處可見，如圖1-3所示，使得大類物體分類識(shí)別的研究也得到了越來越廣泛的關(guān)注。比如MarkEveringham等人組織的PASCALVOC計(jì)算機(jī)視覺競(jìng)賽[5]以及Fei-FeiLi等人組織的ILSVRC競(jìng)賽[6]，吸引了一批批來自學(xué)術(shù)界的學(xué)者和工業(yè)界的工程師投入到大類物體分類識(shí)別的研究中。圖1-3大類物體識(shí)別圖像示意圖[7]在計(jì)算機(jī)視覺任務(wù)中，基于圖像的物體分類識(shí)別發(fā)展較早，早期受到的關(guān)注最多，是其中最為基礎(chǔ)的一個(gè)分支，幾乎所有的模型都會(huì)在此任務(wù)上進(jìn)行算法測(cè)試，用以評(píng)估模型性能，其數(shù)據(jù)集的規(guī)模也經(jīng)歷了一個(gè)從小到大的發(fā)展過程[7]。起初，常用的mnist[8]數(shù)據(jù)集是一個(gè)只有10分類的手寫數(shù)字灰度圖像集，之后出現(xiàn)了數(shù)據(jù)量更多一點(diǎn)的10分類的cifar10[9]數(shù)據(jù)集以及物體類別也更多的100分類的cifar100數(shù)據(jù)集，再后來ImageNet數(shù)據(jù)集成為了研究中心，其擁有超過2萬的物體類別以及超過1000萬張的圖像數(shù)據(jù)。而隨著研究的不斷加深，現(xiàn)在計(jì)算機(jī)在ImageNet這樣大規(guī)模的數(shù)據(jù)集上的識(shí)別準(zhǔn)確率甚至可以超過人類水平[7]。物體識(shí)別歸根到底就是對(duì)物體圖像進(jìn)行模式識(shí)別，其目標(biāo)是根據(jù)物體圖像將不同的物體劃分到相應(yīng)的類別，使得識(shí)別的錯(cuò)誤率最校從實(shí)際應(yīng)用場(chǎng)景中，所識(shí)別的物體之間相關(guān)

【參考文獻(xiàn)】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的零件識(shí)別與分揀系統(tǒng)[J]. 周玉強(qiáng),陳國棟,盛小明.  煤礦機(jī)械. 2018(06)
[2]基于RFID技術(shù)的物流倉儲(chǔ)管理系統(tǒng)設(shè)計(jì)[J]. 邱忠賽,何濤,盛螢峰.  商場(chǎng)現(xiàn)代化. 2011(01)

博士論文
[1]基于深度學(xué)習(xí)表征的圖像檢索技術(shù)[D]. 孫韶言.中國科學(xué)技術(shù)大學(xué) 2017
[2]多特征融合圖像檢索方法及其應(yīng)用研究[D]. 劉爽.哈爾濱理工大學(xué) 2016
[3]大尺寸零件在線視覺測(cè)量關(guān)鍵技術(shù)研究[D]. 陳芳.東南大學(xué) 2015

碩士論文
[1]基于深度學(xué)習(xí)和稀疏表示的圖像分類與檢索方法研究[D]. 焦鵬飛.西安理工大學(xué) 2019
[2]基于寬度學(xué)習(xí)和深度集成的圖像分類[D]. 賈賀姿.西安電子科技大學(xué) 2019
[3]基于語義的交互式圖像檢索[D]. 趙恒川.電子科技大學(xué) 2019
[4]基于內(nèi)容的圖像檢索系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 趙津津.河北科技大學(xué) 2019
[5]基于物聯(lián)網(wǎng)技術(shù)的倉儲(chǔ)物資智能管理系統(tǒng)研究[D]. 張秋淼.華東交通大學(xué) 2018
[6]光纖傳像元件缺陷檢測(cè)技術(shù)的研究[D]. 張堃.中北大學(xué) 2018
[7]基于內(nèi)容的兩層商品圖像檢索系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 閆衍.河北大學(xué) 2018
[8]基于雙目視覺的智能汽車分布式SLAM技術(shù)研究[D]. 蔡育展.吉林大學(xué) 2018
[9]基于機(jī)器視覺的機(jī)械零件幾何外形檢測(cè)研究[D]. 豆永坤.蘭州理工大學(xué) 2018
[10]基于RealSense的散亂零件三維目標(biāo)識(shí)別[D]. 龔學(xué)健.哈爾濱工業(yè)大學(xué) 2018



本文編號(hào)：3325927