基于人工智能的原木理货平台研发
发布时间：2021-10-24 17:45
人工智能与实际的生产应用相结合,将是未来创新发展的新趋势;原木理货是港口一项非常重要的业务,目前的理货模式需要到现场以人工点数的方式进行,工作量很大;由于现场环境恶劣,存在安全隐患,且需要占用大量的人员,另外原木的规格各不相同,无法保证理货数据的准确性以及追溯争议性数据。针对以上存在的一系列问题,我们开发了一套与人工智能算法相结合的原木智能理货平台,通过平台可以对现场作业的拖车、叉车,进行实时有效的跟踪监控和逻辑状态分析,以及对原木整个装卸过程进行统计分析,从而获得每一满叉的原木数量、每一趟拖车的原木数量、整条船的原木数量;同时平台可以实时的将分析结果展示出来。平台整体可分为GPU服务端和web服务端,GPU服务端用于处理视频流和图像,检测识别叉车、拖车和原木,分析状态和统计原木数量;web服务端用于显示、查询、存储分析结果,必要情况下可以进行少量的人工干预。原木智能理货平台融合了前沿的人工智能算法,使得对原木的检测很容易实现,但是也面临着挑战;由于原木的规格各不相同,又是户外作业,因此对模型的鲁棒性要求很高,不仅要适应光线的变化,还要求可以检测识别密集的和较细的原木。基于这样的特点重...
【文章来源】：青岛大学山东省
【文章页数】：78 页
【学位级别】：硕士
【部分图文】：
人工智能发展进程图
青岛大学硕士学位论文5图1.2装卸场景另外装卸场景如图1.2所示每辆拖车包含若干抱叉的原木数量，抱叉分为满叉和空叉两种状态，通过检测这两个状态来判定原木是否被装卸到拖车之上，对于满叉状态要通过人工智能算法对原木截面进行识别，并统计出数量，多个满叉的数量就是整个拖车的原木数量，同时原木的数量和拖车的车牌号进行绑定，进而可以得到每辆拖车运送的原木数量。本文对原木识别算法进行了研究，提出了三种优化改进的原木检测算法，并在此基础上与WEB平台进行了整合，研发了一套基于人工智能的原木理货平台。1.4本文主要研究内容以及章节安排文章主要研究了人工智能技术与原木理货业务在结合过程中所使用的目标检测算法，并由此开发了一套人工智能理货平台。针对不同规格的原木密集堆放的特点提出了三种原木检测算法，并将算法融合进原木智能理货平台，另外对整个平台的设计方案和开发做了详细描述，主要研究内容安排如下：1、提出基于全局上下文和残差模块的特征融合模型。全局上下文模块[10]（GC）可以补充全局的语义信息，在感受野上覆盖到整个特征层，在通道上捕获通道间的依赖信息，强化有用的通道信息，而且新增的计算量很小；另外又将残差连接[11]引入特征融合模型，进一步提高特征层的表达能力；本文利用融合全局信息和增强残差结构自上而下构建特征融合模型，将深层的语义信息和浅层纹理信息进行融合，提高小目标的识别率。2、提出基于权值共享和上下特征融合的模型。仅仅通过自上而下的特征融合，特征层只获取了比它深层的特征信息，缺少比它浅层的特征信息，因此通过最大池
青岛大学硕士学位论文10征融合的方法。那么更深的基准网络也会带来精度的提升，DSSD则是使用了ResNet作为基础网络，网络的加深虽然可以提高精度，但失去了速度上的优势；相比于其他特征融合方式，DSSD使用反卷积代替了上采样，使得特征在横向融合的同时带有自上而下的参数传递，另外它又增加了额外的检测模块，例如文献[29]，这种方法很有效，本文借鉴了这种思想。两阶段方法中FPN可以提高小目标检测效率，这是由于深层特征的融合使得小目标特征信息得到了重用和加强，因此在单阶段方法中进行特征融合是很有必要的。在神经网络前向推导过程中特征的传递和复用可以提高特征的提取能力，而自上而下的特征融合也体现了这一点，合适的融合方式甚至可以有效减少小样本学习过拟合的问题。TDM是一个通用的融合，而且与SSD算法结合后确实有一定的精度提升。通过对以上三种融合方法综合考虑，特征的融合既要保证能够有效的传递高级语义特性，也要指导学习相关的底层特征，最终获取高低融合的、更精细的纹理信息，更有益于实例分割和检测精度。本章探索了一种多分支特征融合的方法，这种方法更简单有效，它可以在一个固定尺度的特征层中融合其他所有不同尺度特征层的信息，使得在每个检测层都在不同尺度下都得到复用。图2.1全局上下文模块
本文编号：3455703
【文章来源】：青岛大学山东省
【文章页数】：78 页
【学位级别】：硕士
【部分图文】：
人工智能发展进程图
青岛大学硕士学位论文5图1.2装卸场景另外装卸场景如图1.2所示每辆拖车包含若干抱叉的原木数量，抱叉分为满叉和空叉两种状态，通过检测这两个状态来判定原木是否被装卸到拖车之上，对于满叉状态要通过人工智能算法对原木截面进行识别，并统计出数量，多个满叉的数量就是整个拖车的原木数量，同时原木的数量和拖车的车牌号进行绑定，进而可以得到每辆拖车运送的原木数量。本文对原木识别算法进行了研究，提出了三种优化改进的原木检测算法，并在此基础上与WEB平台进行了整合，研发了一套基于人工智能的原木理货平台。1.4本文主要研究内容以及章节安排文章主要研究了人工智能技术与原木理货业务在结合过程中所使用的目标检测算法，并由此开发了一套人工智能理货平台。针对不同规格的原木密集堆放的特点提出了三种原木检测算法，并将算法融合进原木智能理货平台，另外对整个平台的设计方案和开发做了详细描述，主要研究内容安排如下：1、提出基于全局上下文和残差模块的特征融合模型。全局上下文模块[10]（GC）可以补充全局的语义信息，在感受野上覆盖到整个特征层，在通道上捕获通道间的依赖信息，强化有用的通道信息，而且新增的计算量很小；另外又将残差连接[11]引入特征融合模型，进一步提高特征层的表达能力；本文利用融合全局信息和增强残差结构自上而下构建特征融合模型，将深层的语义信息和浅层纹理信息进行融合，提高小目标的识别率。2、提出基于权值共享和上下特征融合的模型。仅仅通过自上而下的特征融合，特征层只获取了比它深层的特征信息，缺少比它浅层的特征信息，因此通过最大池
青岛大学硕士学位论文10征融合的方法。那么更深的基准网络也会带来精度的提升，DSSD则是使用了ResNet作为基础网络，网络的加深虽然可以提高精度，但失去了速度上的优势；相比于其他特征融合方式，DSSD使用反卷积代替了上采样，使得特征在横向融合的同时带有自上而下的参数传递，另外它又增加了额外的检测模块，例如文献[29]，这种方法很有效，本文借鉴了这种思想。两阶段方法中FPN可以提高小目标检测效率，这是由于深层特征的融合使得小目标特征信息得到了重用和加强，因此在单阶段方法中进行特征融合是很有必要的。在神经网络前向推导过程中特征的传递和复用可以提高特征的提取能力，而自上而下的特征融合也体现了这一点，合适的融合方式甚至可以有效减少小样本学习过拟合的问题。TDM是一个通用的融合，而且与SSD算法结合后确实有一定的精度提升。通过对以上三种融合方法综合考虑，特征的融合既要保证能够有效的传递高级语义特性，也要指导学习相关的底层特征，最终获取高低融合的、更精细的纹理信息，更有益于实例分割和检测精度。本章探索了一种多分支特征融合的方法，这种方法更简单有效，它可以在一个固定尺度的特征层中融合其他所有不同尺度特征层的信息，使得在每个检测层都在不同尺度下都得到复用。图2.1全局上下文模块
本文编号：3455703
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3455703.html
