發(fā)布時間：2021-10-24 17:45

　　人工智能與實(shí)際的生產(chǎn)應(yīng)用相結(jié)合,將是未來創(chuàng)新發(fā)展的新趨勢;原木理貨是港口一項(xiàng)非常重要的業(yè)務(wù),目前的理貨模式需要到現(xiàn)場以人工點(diǎn)數(shù)的方式進(jìn)行,工作量很大;由于現(xiàn)場環(huán)境惡劣,存在安全隱患,且需要占用大量的人員,另外原木的規(guī)格各不相同,無法保證理貨數(shù)據(jù)的準(zhǔn)確性以及追溯爭議性數(shù)據(jù)。針對以上存在的一系列問題,我們開發(fā)了一套與人工智能算法相結(jié)合的原木智能理貨平臺,通過平臺可以對現(xiàn)場作業(yè)的拖車、叉車,進(jìn)行實(shí)時有效的跟蹤監(jiān)控和邏輯狀態(tài)分析,以及對原木整個裝卸過程進(jìn)行統(tǒng)計分析,從而獲得每一滿叉的原木數(shù)量、每一趟拖車的原木數(shù)量、整條船的原木數(shù)量;同時平臺可以實(shí)時的將分析結(jié)果展示出來。平臺整體可分為GPU服務(wù)端和web服務(wù)端,GPU服務(wù)端用于處理視頻流和圖像,檢測識別叉車、拖車和原木,分析狀態(tài)和統(tǒng)計原木數(shù)量;web服務(wù)端用于顯示、查詢、存儲分析結(jié)果,必要情況下可以進(jìn)行少量的人工干預(yù)。原木智能理貨平臺融合了前沿的人工智能算法,使得對原木的檢測很容易實(shí)現(xiàn),但是也面臨著挑戰(zhàn);由于原木的規(guī)格各不相同,又是戶外作業(yè),因此對模型的魯棒性要求很高,不僅要適應(yīng)光線的變化,還要求可以檢測識別密集的和較細(xì)的原木�；谶@樣的特點(diǎn)重... 

【文章來源】：青島大學(xué)山東省

【文章頁數(shù)】：78 頁

【學(xué)位級別】：碩士

【部分圖文】：

人工智能發(fā)展進(jìn)程圖

青島大學(xué)碩士學(xué)位論文5圖1.2裝卸場景另外裝卸場景如圖1.2所示每輛拖車包含若干抱叉的原木數(shù)量，抱叉分為滿叉和空叉兩種狀態(tài)，通過檢測這兩個狀態(tài)來判定原木是否被裝卸到拖車之上，對于滿叉狀態(tài)要通過人工智能算法對原木截面進(jìn)行識別，并統(tǒng)計出數(shù)量，多個滿叉的數(shù)量就是整個拖車的原木數(shù)量，同時原木的數(shù)量和拖車的車牌號進(jìn)行綁定，進(jìn)而可以得到每輛拖車運(yùn)送的原木數(shù)量。本文對原木識別算法進(jìn)行了研究，提出了三種優(yōu)化改進(jìn)的原木檢測算法，并在此基礎(chǔ)上與WEB平臺進(jìn)行了整合，研發(fā)了一套基于人工智能的原木理貨平臺。1.4本文主要研究內(nèi)容以及章節(jié)安排文章主要研究了人工智能技術(shù)與原木理貨業(yè)務(wù)在結(jié)合過程中所使用的目標(biāo)檢測算法，并由此開發(fā)了一套人工智能理貨平臺。針對不同規(guī)格的原木密集堆放的特點(diǎn)提出了三種原木檢測算法，并將算法融合進(jìn)原木智能理貨平臺，另外對整個平臺的設(shè)計方案和開發(fā)做了詳細(xì)描述，主要研究內(nèi)容安排如下：1、提出基于全局上下文和殘差模塊的特征融合模型。全局上下文模塊[10]（GC）可以補(bǔ)充全局的語義信息，在感受野上覆蓋到整個特征層，在通道上捕獲通道間的依賴信息，強(qiáng)化有用的通道信息，而且新增的計算量很��；另外又將殘差連接[11]引入特征融合模型，進(jìn)一步提高特征層的表達(dá)能力；本文利用融合全局信息和增強(qiáng)殘差結(jié)構(gòu)自上而下構(gòu)建特征融合模型，將深層的語義信息和淺層紋理信息進(jìn)行融合，提高小目標(biāo)的識別率。2、提出基于權(quán)值共享和上下特征融合的模型。僅僅通過自上而下的特征融合，特征層只獲取了比它深層的特征信息，缺少比它淺層的特征信息，因此通過最大池

青島大學(xué)碩士學(xué)位論文10征融合的方法。那么更深的基準(zhǔn)網(wǎng)絡(luò)也會帶來精度的提升，DSSD則是使用了ResNet作為基礎(chǔ)網(wǎng)絡(luò)，網(wǎng)絡(luò)的加深雖然可以提高精度，但失去了速度上的優(yōu)勢；相比于其他特征融合方式，DSSD使用反卷積代替了上采樣，使得特征在橫向融合的同時帶有自上而下的參數(shù)傳遞，另外它又增加了額外的檢測模塊，例如文獻(xiàn)[29]，這種方法很有效，本文借鑒了這種思想。兩階段方法中FPN可以提高小目標(biāo)檢測效率，這是由于深層特征的融合使得小目標(biāo)特征信息得到了重用和加強(qiáng)，因此在單階段方法中進(jìn)行特征融合是很有必要的。在神經(jīng)網(wǎng)絡(luò)前向推導(dǎo)過程中特征的傳遞和復(fù)用可以提高特征的提取能力，而自上而下的特征融合也體現(xiàn)了這一點(diǎn)，合適的融合方式甚至可以有效減少小樣本學(xué)習(xí)過擬合的問題。TDM是一個通用的融合，而且與SSD算法結(jié)合后確實(shí)有一定的精度提升。通過對以上三種融合方法綜合考慮，特征的融合既要保證能夠有效的傳遞高級語義特性，也要指導(dǎo)學(xué)習(xí)相關(guān)的底層特征，最終獲取高低融合的、更精細(xì)的紋理信息，更有益于實(shí)例分割和檢測精度。本章探索了一種多分支特征融合的方法，這種方法更簡單有效，它可以在一個固定尺度的特征層中融合其他所有不同尺度特征層的信息，使得在每個檢測層都在不同尺度下都得到復(fù)用。圖2.1全局上下文模塊


本文編號：3455703