面向智能仓储的大类物体识别与检索方法研究
发布时间:2021-08-06 14:17
仓储管理是动车高铁装配、检修作业线上非常重要的环节,在存取物料过程中快速获取物料的编号、名称等信息可以大大减少仓库值守所需的人力与物力。大类物体识别与检索主要是根据相机拍摄到的图像得到零配件所属的种类、编号等信息。本文通过分析实际应用场景下的零配件特点,研究面向智能仓储的大类物体识别与检索方法,主要工作如下:针对动车检修实际工业场景中,零配件种类较多,类内差距大,同时存在同属于某一大类别但是细节上存在差异的细粒度类别划分情况。本文提出了基于多注意力融合的分级大类物体识别算法,该算法通过SE(Squeeze-and-Excitation)模块的注意力机制对不同层次的特征进行融合,建立多层级结构。首先将细粒度物体看作一个大类别,利用粗粒度识别网络进行大类别识别,减少细粒度物体对识别精度的影响,然后通过注意力机制,分别针对每一个需要细分类的大类别计算出对其分类贡献比较大的特征通道,并融合多个层级的特征作为细分类任务的基础,从而提高识别的准确度。本文通过实验证明了该算法在本文构建的零配件数据库上可以得到较好的识别结果,识别准确率为97.84%,相比单级网络提高6.68%。针对全局特征缺少几何不...
【文章来源】:电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】:97 页
【学位级别】:硕士
【部分图文】:
传统仓储管理方法
电子科技大学硕士学位论文2理中也得到了广泛的应用。实践证明,提高仓储作业过程的信息化水平,通过信息化方法优化管理流程,可以显著提高管理效率,有效降低管理成本[2],智能仓储的概念便由此产生。其具体是指,将人工智能、物联网等先进技术应用于仓储管理中,使人员管理,物资盘点、配送等过程更加系统,更加智能[3]。例如当前多数动车配件中心采用的如图1-2所示的立体化仓库,在物料的出入库过程中加入自动化管理,解放了部分人力。近年来,越来越多的仓储系统中采用RFID(RadioFrequencyIdentification)技术实现对仓储信息的记录及物资货位的快速定位[1]。RFID电子标签具有非接触识别、读取方便的特点,且相比于二维码,其数据容量更大,使用寿命更长,并且最重要的是它可以重复使用[4]。但是在实际动车检修应用场景中,通常是检修工人拆卸下旧零件后,需要领取新零件,由于零件种类众多,往往不能明确地给出零件的名称或者编号信息,RFID标签又不适合应用于每一个物料个体上,此时就需要根据人工经验进行物料的识别,或者通过查找实物进行比对,仍要耗费大量的人力物力。图1-2立体化仓库示意图随着视觉图像处理能力的不断提升,以及模式识别、人工智能、深度学习和大数据等技术的飞速发展,基于深度学习的物体识别与检索逐渐成为计算机领域中的两个研究热点。物体识别,是指通过给定某未知物体的图像信息,系统能自动识别出物体的类别名称等信息。物体检索,是指输入待查询物体的图像或者某些标签信息,系统自动通过匹配方法从数据库中检索出包含该物体的图像。将物体识别或检索应用到智能仓储的物料查找中,用户只需要提供并输入某个未知物料的图像或特征信息,系统就会自动识别或检索出相应的物料类别型号等信息,从而得到物料?
第一章绪论3对实现仓储管理的智能化和自动化具有非常重要的意义。而本文研究的智能仓储环境下,物料种类比较多,多达成百上千种,因此本文主要研究类别量比较大的物体识别与检索问题,简称大类物体识别与检索。1.2国内外研究现状1.2.1大类物体识别方法研究现状自计算机诞生起,人们就致力于研究能使计算机协助甚至取代人工完成一些日常工作的方法,物体识别就是其中一个热门方向。近年来,随着技术的发展、成本的降低,高性能计算机得到了谱及,人们的日常工作生活中,数字图像随处可见,如图1-3所示,使得大类物体分类识别的研究也得到了越来越广泛的关注。比如MarkEveringham等人组织的PASCALVOC计算机视觉竞赛[5]以及Fei-FeiLi等人组织的ILSVRC竞赛[6],吸引了一批批来自学术界的学者和工业界的工程师投入到大类物体分类识别的研究中。图1-3大类物体识别图像示意图[7]在计算机视觉任务中,基于图像的物体分类识别发展较早,早期受到的关注最多,是其中最为基础的一个分支,几乎所有的模型都会在此任务上进行算法测试,用以评估模型性能,其数据集的规模也经历了一个从小到大的发展过程[7]。起初,常用的mnist[8]数据集是一个只有10分类的手写数字灰度图像集,之后出现了数据量更多一点的10分类的cifar10[9]数据集以及物体类别也更多的100分类的cifar100数据集,再后来ImageNet数据集成为了研究中心,其拥有超过2万的物体类别以及超过1000万张的图像数据。而随着研究的不断加深,现在计算机在ImageNet这样大规模的数据集上的识别准确率甚至可以超过人类水平[7]。物体识别归根到底就是对物体图像进行模式识别,其目标是根据物体图像将不同的物体划分到相应的类别,使得识别的错误率最校从实际应用场景中,所识别的物体之间相关
【参考文献】:
期刊论文
[1]基于卷积神经网络的零件识别与分拣系统[J]. 周玉强,陈国栋,盛小明. 煤矿机械. 2018(06)
[2]基于RFID技术的物流仓储管理系统设计[J]. 邱忠赛,何涛,盛萤峰. 商场现代化. 2011(01)
博士论文
[1]基于深度学习表征的图像检索技术[D]. 孙韶言.中国科学技术大学 2017
[2]多特征融合图像检索方法及其应用研究[D]. 刘爽.哈尔滨理工大学 2016
[3]大尺寸零件在线视觉测量关键技术研究[D]. 陈芳.东南大学 2015
硕士论文
[1]基于深度学习和稀疏表示的图像分类与检索方法研究[D]. 焦鹏飞.西安理工大学 2019
[2]基于宽度学习和深度集成的图像分类[D]. 贾贺姿.西安电子科技大学 2019
[3]基于语义的交互式图像检索[D]. 赵恒川.电子科技大学 2019
[4]基于内容的图像检索系统的设计与实现[D]. 赵津津.河北科技大学 2019
[5]基于物联网技术的仓储物资智能管理系统研究[D]. 张秋淼.华东交通大学 2018
[6]光纤传像元件缺陷检测技术的研究[D]. 张堃.中北大学 2018
[7]基于内容的两层商品图像检索系统的设计与实现[D]. 闫衍.河北大学 2018
[8]基于双目视觉的智能汽车分布式SLAM技术研究[D]. 蔡育展.吉林大学 2018
[9]基于机器视觉的机械零件几何外形检测研究[D]. 豆永坤.兰州理工大学 2018
[10]基于RealSense的散乱零件三维目标识别[D]. 龚学健.哈尔滨工业大学 2018
本文编号:3325927
【文章来源】:电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】:97 页
【学位级别】:硕士
【部分图文】:
传统仓储管理方法
电子科技大学硕士学位论文2理中也得到了广泛的应用。实践证明,提高仓储作业过程的信息化水平,通过信息化方法优化管理流程,可以显著提高管理效率,有效降低管理成本[2],智能仓储的概念便由此产生。其具体是指,将人工智能、物联网等先进技术应用于仓储管理中,使人员管理,物资盘点、配送等过程更加系统,更加智能[3]。例如当前多数动车配件中心采用的如图1-2所示的立体化仓库,在物料的出入库过程中加入自动化管理,解放了部分人力。近年来,越来越多的仓储系统中采用RFID(RadioFrequencyIdentification)技术实现对仓储信息的记录及物资货位的快速定位[1]。RFID电子标签具有非接触识别、读取方便的特点,且相比于二维码,其数据容量更大,使用寿命更长,并且最重要的是它可以重复使用[4]。但是在实际动车检修应用场景中,通常是检修工人拆卸下旧零件后,需要领取新零件,由于零件种类众多,往往不能明确地给出零件的名称或者编号信息,RFID标签又不适合应用于每一个物料个体上,此时就需要根据人工经验进行物料的识别,或者通过查找实物进行比对,仍要耗费大量的人力物力。图1-2立体化仓库示意图随着视觉图像处理能力的不断提升,以及模式识别、人工智能、深度学习和大数据等技术的飞速发展,基于深度学习的物体识别与检索逐渐成为计算机领域中的两个研究热点。物体识别,是指通过给定某未知物体的图像信息,系统能自动识别出物体的类别名称等信息。物体检索,是指输入待查询物体的图像或者某些标签信息,系统自动通过匹配方法从数据库中检索出包含该物体的图像。将物体识别或检索应用到智能仓储的物料查找中,用户只需要提供并输入某个未知物料的图像或特征信息,系统就会自动识别或检索出相应的物料类别型号等信息,从而得到物料?
第一章绪论3对实现仓储管理的智能化和自动化具有非常重要的意义。而本文研究的智能仓储环境下,物料种类比较多,多达成百上千种,因此本文主要研究类别量比较大的物体识别与检索问题,简称大类物体识别与检索。1.2国内外研究现状1.2.1大类物体识别方法研究现状自计算机诞生起,人们就致力于研究能使计算机协助甚至取代人工完成一些日常工作的方法,物体识别就是其中一个热门方向。近年来,随着技术的发展、成本的降低,高性能计算机得到了谱及,人们的日常工作生活中,数字图像随处可见,如图1-3所示,使得大类物体分类识别的研究也得到了越来越广泛的关注。比如MarkEveringham等人组织的PASCALVOC计算机视觉竞赛[5]以及Fei-FeiLi等人组织的ILSVRC竞赛[6],吸引了一批批来自学术界的学者和工业界的工程师投入到大类物体分类识别的研究中。图1-3大类物体识别图像示意图[7]在计算机视觉任务中,基于图像的物体分类识别发展较早,早期受到的关注最多,是其中最为基础的一个分支,几乎所有的模型都会在此任务上进行算法测试,用以评估模型性能,其数据集的规模也经历了一个从小到大的发展过程[7]。起初,常用的mnist[8]数据集是一个只有10分类的手写数字灰度图像集,之后出现了数据量更多一点的10分类的cifar10[9]数据集以及物体类别也更多的100分类的cifar100数据集,再后来ImageNet数据集成为了研究中心,其拥有超过2万的物体类别以及超过1000万张的图像数据。而随着研究的不断加深,现在计算机在ImageNet这样大规模的数据集上的识别准确率甚至可以超过人类水平[7]。物体识别归根到底就是对物体图像进行模式识别,其目标是根据物体图像将不同的物体划分到相应的类别,使得识别的错误率最校从实际应用场景中,所识别的物体之间相关
【参考文献】:
期刊论文
[1]基于卷积神经网络的零件识别与分拣系统[J]. 周玉强,陈国栋,盛小明. 煤矿机械. 2018(06)
[2]基于RFID技术的物流仓储管理系统设计[J]. 邱忠赛,何涛,盛萤峰. 商场现代化. 2011(01)
博士论文
[1]基于深度学习表征的图像检索技术[D]. 孙韶言.中国科学技术大学 2017
[2]多特征融合图像检索方法及其应用研究[D]. 刘爽.哈尔滨理工大学 2016
[3]大尺寸零件在线视觉测量关键技术研究[D]. 陈芳.东南大学 2015
硕士论文
[1]基于深度学习和稀疏表示的图像分类与检索方法研究[D]. 焦鹏飞.西安理工大学 2019
[2]基于宽度学习和深度集成的图像分类[D]. 贾贺姿.西安电子科技大学 2019
[3]基于语义的交互式图像检索[D]. 赵恒川.电子科技大学 2019
[4]基于内容的图像检索系统的设计与实现[D]. 赵津津.河北科技大学 2019
[5]基于物联网技术的仓储物资智能管理系统研究[D]. 张秋淼.华东交通大学 2018
[6]光纤传像元件缺陷检测技术的研究[D]. 张堃.中北大学 2018
[7]基于内容的两层商品图像检索系统的设计与实现[D]. 闫衍.河北大学 2018
[8]基于双目视觉的智能汽车分布式SLAM技术研究[D]. 蔡育展.吉林大学 2018
[9]基于机器视觉的机械零件几何外形检测研究[D]. 豆永坤.兰州理工大学 2018
[10]基于RealSense的散乱零件三维目标识别[D]. 龚学健.哈尔滨工业大学 2018
本文编号:3325927
本文链接:https://www.wllwen.com/kejilunwen/daoluqiaoliang/3325927.html