不确定性数据环境下CNN算法在货物清点中的应用研究

发布时间：2024-10-26 21:45

　　货物,即为可供出售的商品,远到海湾港口的集装箱,近到商场内的琳琅百货,对于它们的清点工作在生活中最为常见。本文是以货物清点为主题,以李宁旗下各门店内鞋型和衣服类型的清点需求为实例,通过安装固定摄像头和利用图像识别技术来判断店内可供出售的鞋型或衣服类型是否被陈列于鞋墙或服装墙上,以此来完成本次选题。“李宁”作为国内最具标识度的知名品牌之一,旗下实体门店遍布各地,店内可供出售的鞋子、衣服品类繁多,在对其开展清点工作时需要投入大量的人力和时间成本。但随着高新技术的快速发展和计算机各类硬件配置的优化升级,使CNN算法被人们所熟知并被广泛应用于图像研究领域,至此人们将不再满足于依靠人力来完成店内的清点工作,而是利用大量的图像数据和先进的硬件设备使清点工作变得更加方便、快捷。同时,在货物图像数据的实际采集和测试过程中发现,本次货物清点主题的应用场景具有采集环境、元数据属性以及存在干扰信息此三方面带来的不确定性。受这三方面不确定性的影响,不仅会增加实验的难度和复杂度,还会给模型的优化和清点正确率的提升带来一定困难。在本研究中,首先,将由智能手机采得的各鞋型训练样本通过使用已修改好的YOLO-v4网络做...

【文章页数】：75 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 货物清点的选题背景
    1.2 货物清点在不确定性数据环境下的应用
    1.3 货物清点的选题意义
    1.4 国内外研究综述
        1.4.1 图像识别方法研究综述
        1.4.2 CNN算法在图像识别领域的应用研究综述
        1.4.3 货物清点方法的研究综述
    1.5 研究内容与结构安排
        1.5.1 研究内容
        1.5.2 结构安排
        1.5.3 创新点
2 货物清点模型的基础理论
    2.1 基于YOLO-v4的目标货物分割方法原理阐述
        2.1.1 传统的图像分割方法概述
        2.1.2 YOLO-v4网络结构解析
    2.2 货物清点模型主算法CNN的原理阐述
        2.2.1 全连接神经网络
        2.2.2 CNN的概念与特点
        2.2.3 CNN的组成结构
        2.2.4 CNN的优化方法
3 货物图像数据的采集和预处理
    3.1 货物图像数据来源的阐述
    3.2 货物图像预处理过程
        3.2.1 货物图像数据不同增强方式及结果展示
        3.2.2 货物图像归一化及结果展示
        3.2.3 单一、多目标货物分割及结果展示
4 基于CNN算法货物清点模型的搭建
    4.1 实验平台的设计与搭建
    4.2 基于传统LeNet网络的鞋型识别
        4.2.1 传统LeNet网络结构详述
        4.2.2 识别结果及分析
    4.3 基于改进后LeNet网络的鞋型清点
        4.3.1 LeNet网络的改进及改进后网络结构详述
        4.3.2 探究学习率对模型性能的影响
        4.3.3 鞋型清点结果的展示与分析
        4.3.4 探究不同数据集对鞋型清点准确率提升的影响
    4.4 货物清点模型应用能力的评估与验证
        4.4.1 货物清点模型在衣服类型清点中的应用
        4.4.2 货物清点模型受位置变动的影响
5 结论与展望
    5.1 结论
        5.1.1 本研究主要结论
        5.1.2 不确定性数据环境的解决方法
    5.2 展望
参考文献
后记



本文编号：4008290