基于二维图像规则物品体积计算方法研究
发布时间：2021-03-27 17:29
近年来随着互联网和电子商务的快速发展,今天的物流业已从传统的人力密集型转为技术密集型的智慧物流。物流中规则物体的体积数据在智慧物流中非常重要,相对于重量等其他数据更难获得,不管是对单个规则物体还是多个堆叠在一起的不规则物体,如何能准确便捷的获取其体积具有重要的研究价值。本文以物流中最常见的快递纸箱作为研究对象,分别从单个规则物体的体积测量和多个规则物体堆叠的体积测量进行研究,单个规则物体的体积测量难点在于如何在不提高网络参数的同时提升3D重建的精度,以达到体积测量的需求。对于多个规则物体堆叠的体积测量主要在于如何通过几个固定的摄像头来扣除堆叠物体外界立方体中的多余的部分,精确的计算出堆叠物体的体积。针对以上问题,本文主要研究工作及成果如下:1.针对目前物流中单个规则物体体积测量算法中存在的使用场景的限制、高成本、低准确度等缺陷,本文创新性的提出了一种基于单视图3D重建体积测量算法,没有使用辅助性的硬件设备,降低了成本,并方便快递员随时随地的获取准确地体积数据。本文采用了最新的实例分割算法快速精确地分割出图像中的前景,去除无关的背景。此外对基于单视图3D重建算法存在的低分辨率的问题,本文...
【文章来源】：中国科学技术大学安徽省 211工程院校 985工程院校
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
图１．１本文组织结构图??
?第２章相关技术???第２章相关技术??本文以物流中快递纸箱的体积测量作为研究对象，主要研究单个快递纸箱??和多个快递纸箱堆叠两种情况下的体积测量。本章围绕这两个研究内容详细介??绍了所涉及到的所有相关技术，包括注意力机制、卷积神经网络及其经典的模型??架构、３Ｄ重建以及相关数据集等等。??首先在２．１章节介绍了神经网络与卷积神经网络的相关概念，并列举了几个??经典的卷积网络模型，２．２章节对３Ｄ重建算法的发展做了一个简短的综述，包??括了第一代３Ｄ重建和第二代３Ｄ重建技术，２．３章节介绍了注意力机制，２．４章??节介绍了网络训练中所使用的迁移学习方法，最后描述了使用的相关数据集。??２．１神经网络与卷积神经网络??神经网络是利用数学方法模拟人脑的机器学习技术，二层神经网络示意如??图２．１ａ所示，神经元示意如图２．］ｂ所示，当多个神经元相互连接时便构成了神??经网络。计算公式如式２．１。??ｙｊ?＝?－ｂ）?＝?ｆ（ａ＾０ｗｉｊＸｉ）?（２．１）??隐藏层??＿?３Ｔ．??（ａ）二层神经网络示意图?（ｂ）神经元示意图??图２．１神经网络部分示意图??神经网络的训练通过损失函数对权重值＾进行调整，使得网络的输出更加??接近预期值。虽然神经网络在很多方面展现出了不凡之处，但由于算力不足、调??参复杂等缺点导致训练非常耗时。支持向量机（ＳＶＭ）克服了复杂的调参，也??不用担心陷入局部最优，因此ＳＶＭ成为当时主流的算法。随着预训练和微调概??念的出现，这两个技术大大减少了多层神经网络训练的时间，因此深度学习逐渐??７??
缓解模型??过拟合的现象。权值共享是指卷积核的参数在对整幅图片进行卷积运算时是不??变的，通过权值共享可以进一步降低网络的参数量。??以下将详细介绍卷积神经网络中最重要的三个层级结构：卷积层、池化层和??输出层。??１．卷积层??卷积层是卷积神经网络中最重要的结构之一，它由许多的神经元组成，卷积??层的作用是提取图像的特征信息，卷积层的叠加，可以让网络从最基本的图像特??征逐渐学习到更复杂的高级特征。卷积层中的每个神经元对应的权重参数都会??通过误差反向传播进行更新，卷积运算如图２．２所示，卷积后的特征图的大小与??卷积核的大小，填充数量等有关，计算公式为Ｆ?＋?２Ｐ）ＡＳ＊?＋?１，其中■表示??步幅，研表示特征图的长或宽，Ｆ表示卷积核的大小，Ｐ表示给特征图填充的??像素。最后计算的结果需要激活函数层，比如常见的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’?????原图（大小５＊５）?ｙ????１ｘ１＋２ｘ０＋０ｘ０＋０ｘ０＋３ｘ１＋１ｘ１＋２ｘ０＋１ｘ１＋１ｘ０＝６??结果图??图２．２卷积计算示意图??２．池化层??池化层是卷积神经网络中的重要的结构之一，主要起到了以下作用：（１）当??一张图片进行缩放旋转变化时，网络仍可以识别出图片中的内容，因此具有特征??８??
【参考文献】：
期刊论文
[1]智慧物流视角下快递行业转型分析[J]. 樊雨露,倪蔚颖. 现代商业. 2020(11)
[2]基于双目视觉的视网膜血管三维重建[J]. 周嘉悦,韩少峰,郑昱,吴壮志,梁庆丰,杨洋. 中国医疗器械杂志. 2020(01)
[3]基于双目图像的大尺度智能驾驶场景重建[J]. 李银国,周中奎,白羚. 计算机科学. 2019(S2)
[4]基于RCF边缘检测和双目视觉的箱体体积测量算法[J]. 王玉伟,尹颜朋. 现代计算机(专业版). 2017(35)
[5]激光技术在智慧物流中的应用[J]. 毛丹辉,单彬,王勇,王仁芳. 物流科技. 2017(02)
[6]改进型测量光幕体积计量系统[J]. 刘士兴,宓逸舟,张阳阳,易茂祥. 电子测量与仪器学报. 2016(09)
[7]大型散货堆体积的快速测量[J]. 杨德山,董丽丽,梁倩倩,许文海. 光学精密工程. 2016(09)
硕士论文
[1]基于双目立体视觉的不规则物体体积测量方法研究[D]. 梁乐.西安理工大学 2019
[2]仓库物料体积自动测量系统软件的设计与实现[D]. 周佩文.西南交通大学 2019
[3]基于激光三角法的传送带物料体积流量测量方法研究[D]. 陶依贝.东南大学 2018
[4]基于双目视觉的快递包裹体积计量系统[D]. 宓逸舟.合肥工业大学 2017
[5]基于双目立体视觉的大堆物料体积测量方法研究[D]. 毛琳琳.中国计量学院 2015
本文编号：3103899
【文章来源】：中国科学技术大学安徽省 211工程院校 985工程院校
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
图１．１本文组织结构图??
?第２章相关技术???第２章相关技术??本文以物流中快递纸箱的体积测量作为研究对象，主要研究单个快递纸箱??和多个快递纸箱堆叠两种情况下的体积测量。本章围绕这两个研究内容详细介??绍了所涉及到的所有相关技术，包括注意力机制、卷积神经网络及其经典的模型??架构、３Ｄ重建以及相关数据集等等。??首先在２．１章节介绍了神经网络与卷积神经网络的相关概念，并列举了几个??经典的卷积网络模型，２．２章节对３Ｄ重建算法的发展做了一个简短的综述，包??括了第一代３Ｄ重建和第二代３Ｄ重建技术，２．３章节介绍了注意力机制，２．４章??节介绍了网络训练中所使用的迁移学习方法，最后描述了使用的相关数据集。??２．１神经网络与卷积神经网络??神经网络是利用数学方法模拟人脑的机器学习技术，二层神经网络示意如??图２．１ａ所示，神经元示意如图２．］ｂ所示，当多个神经元相互连接时便构成了神??经网络。计算公式如式２．１。??ｙｊ?＝?－ｂ）?＝?ｆ（ａ＾０ｗｉｊＸｉ）?（２．１）??隐藏层??＿?３Ｔ．??（ａ）二层神经网络示意图?（ｂ）神经元示意图??图２．１神经网络部分示意图??神经网络的训练通过损失函数对权重值＾进行调整，使得网络的输出更加??接近预期值。虽然神经网络在很多方面展现出了不凡之处，但由于算力不足、调??参复杂等缺点导致训练非常耗时。支持向量机（ＳＶＭ）克服了复杂的调参，也??不用担心陷入局部最优，因此ＳＶＭ成为当时主流的算法。随着预训练和微调概??念的出现，这两个技术大大减少了多层神经网络训练的时间，因此深度学习逐渐??７??
缓解模型??过拟合的现象。权值共享是指卷积核的参数在对整幅图片进行卷积运算时是不??变的，通过权值共享可以进一步降低网络的参数量。??以下将详细介绍卷积神经网络中最重要的三个层级结构：卷积层、池化层和??输出层。??１．卷积层??卷积层是卷积神经网络中最重要的结构之一，它由许多的神经元组成，卷积??层的作用是提取图像的特征信息，卷积层的叠加，可以让网络从最基本的图像特??征逐渐学习到更复杂的高级特征。卷积层中的每个神经元对应的权重参数都会??通过误差反向传播进行更新，卷积运算如图２．２所示，卷积后的特征图的大小与??卷积核的大小，填充数量等有关，计算公式为Ｆ?＋?２Ｐ）ＡＳ＊?＋?１，其中■表示??步幅，研表示特征图的长或宽，Ｆ表示卷积核的大小，Ｐ表示给特征图填充的??像素。最后计算的结果需要激活函数层，比如常见的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’?????原图（大小５＊５）?ｙ????１ｘ１＋２ｘ０＋０ｘ０＋０ｘ０＋３ｘ１＋１ｘ１＋２ｘ０＋１ｘ１＋１ｘ０＝６??结果图??图２．２卷积计算示意图??２．池化层??池化层是卷积神经网络中的重要的结构之一，主要起到了以下作用：（１）当??一张图片进行缩放旋转变化时，网络仍可以识别出图片中的内容，因此具有特征??８??
【参考文献】：
期刊论文
[1]智慧物流视角下快递行业转型分析[J]. 樊雨露,倪蔚颖. 现代商业. 2020(11)
[2]基于双目视觉的视网膜血管三维重建[J]. 周嘉悦,韩少峰,郑昱,吴壮志,梁庆丰,杨洋. 中国医疗器械杂志. 2020(01)
[3]基于双目图像的大尺度智能驾驶场景重建[J]. 李银国,周中奎,白羚. 计算机科学. 2019(S2)
[4]基于RCF边缘检测和双目视觉的箱体体积测量算法[J]. 王玉伟,尹颜朋. 现代计算机(专业版). 2017(35)
[5]激光技术在智慧物流中的应用[J]. 毛丹辉,单彬,王勇,王仁芳. 物流科技. 2017(02)
[6]改进型测量光幕体积计量系统[J]. 刘士兴,宓逸舟,张阳阳,易茂祥. 电子测量与仪器学报. 2016(09)
[7]大型散货堆体积的快速测量[J]. 杨德山,董丽丽,梁倩倩,许文海. 光学精密工程. 2016(09)
硕士论文
[1]基于双目立体视觉的不规则物体体积测量方法研究[D]. 梁乐.西安理工大学 2019
[2]仓库物料体积自动测量系统软件的设计与实现[D]. 周佩文.西南交通大学 2019
[3]基于激光三角法的传送带物料体积流量测量方法研究[D]. 陶依贝.东南大学 2018
[4]基于双目视觉的快递包裹体积计量系统[D]. 宓逸舟.合肥工业大学 2017
[5]基于双目立体视觉的大堆物料体积测量方法研究[D]. 毛琳琳.中国计量学院 2015
本文编号：3103899
本文链接：https://www.wllwen.com/guanlilunwen/xiangmuguanli/3103899.html
