CN111598158B - 一种基于ai分析技术的仓储库存状态感知方法 - Google Patents
一种基于ai分析技术的仓储库存状态感知方法 Download PDFInfo
- Publication number
- CN111598158B CN111598158B CN202010406537.3A CN202010406537A CN111598158B CN 111598158 B CN111598158 B CN 111598158B CN 202010406537 A CN202010406537 A CN 202010406537A CN 111598158 B CN111598158 B CN 111598158B
- Authority
- CN
- China
- Prior art keywords
- warehouse
- method based
- server
- truck
- sensing method
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明公开了一种基于AI分析技术的仓储库存状态感知方法,本发明的训练模式能够YOLOv3网络模型在定位货车坐标的同时提供车长信息,通过车长估算每一辆货车的载货量,可以在一定程度上减小库存动态变化量的误差,但对于货车重叠情境下货车在厂区域数量可以作为新的特征。另一方面,DeepSort以及局部自相似因子提供的跟踪能力使得该方案在面对复杂的工厂应用环境能够保证一定的鲁棒性,一定程度上减少了遮挡或重叠对预测结果所带来的误差。并最终采用Stacking方法,进一步的对仓储状态进行更好的预测。
Description
技术领域
本发明涉及数字工厂的仓储库存领域,具体是一种基于AI分析技术的仓储库存状态感知方法。
背景技术
在货车识别方面,传统工厂通常使用人工计数法或者闸口计数的方法来进行测量,而更加数字化的方法是使用物体检测算法对工厂厂区摄像头视频流进行分析检测,主流的方法包括RCNN和YOLO等。
Girshick Ross,Donahue Jeff以及Darrell等提出的RCNN网络结构先针对图像帧的颜色、纹理特征筛选出候选区域,再对候选区域进行物体检测。该网络模型能够实现较高的物体检测精度,但由于整个流程被划分为了两个步骤,而非端到端模式的网络结构,因此该方法在识别速率上较慢,这意味工厂需要花费更多资金用于购买边缘算力强的设备来满足视频流的检测。且在动态随机图像帧,区域内货车重叠,多方位角度轨迹情况下,预测精度较低。
Redmon,Joseph和Farhadi发表的YOLO网络模型(You Only Look Once)则在满足一定精度的前提下,大幅度提升了物体检测的速率。该模型未采用候选区域法,而是将模型隐藏层输出的特征图划分为了S×S的网格,为每个网格设置多个锚框,最后通过与特征图网格相连的全连接层进行目标信息的输出,得到物体检测的结果,整个识别流程只有一个步骤,为端到端模式的网络结构,因此运行速率非常快,也意味着该模型能够在边缘算力弱的设备上实现实时视频流的检测。现在,YOLO网络模型吸取了同领域其他算法或网络模型的优点,已经发展出了YOLOv2(YOLO 9000)以及YOLOv3,在保持一定高速率的同时,大幅度提升了物体识别的精度,并且增强了对中小物体的识别能力,因此在物体识别方法中被广泛地应用。
在仓库存储量检测方面,工厂通常采用激光扫描设备或双目深度摄像头测量货物的体积,然后根据得到的体积进行库存量的推算。
在货车识别方面,以传统的训练方法得到的RCNN以及YOLO模型虽然能够很好地胜任货车识别工作,但无法区分货车的具体种类。由于不同种类的货车车身长度不同,在运货能力上存有差异,所以传统方法通常取货车车长的中位数或者众数作为衡量一辆车运货量的标准,而即使如此,最终计算得到的运货总量通常也与实际值有着较大的偏差。
此外,此类目标检测算法无法胜任于复杂的货车进出场景:如货车进入厂门后未经卸货又倒车出厂的情景,或者货车相互重叠的情况。在此场景中,没有形成确定的货物装卸,但是仓库存储系统却判断有动态变化的存货量。要使传统方案预测的结果精确,除了要限制摄像头的位置在厂门口处之外,还需要限制货车的流向,对整个数字工厂的作业来看,增加了额外的成本开销。再者,在复杂工厂情况下,视频流中的货车发生遮挡或重叠的现象时有发生,与此同时,由于视频流流量因素,现主要采取触发式采集图片,该方式存在的一个主要问题在于所采集图片为随机触发,帧与帧之间并未有规律,导致无法完全按照视频流方案开展追踪。这也使得传统方案得不到足够精确的结果。
在仓库存储检测方面,传统检测方法过多地依赖于硬件设备的检测能力,这意味着企业需要投入大量资金用于购买先进的设备仪器以保证足够的精准度。
发明内容
本发明的目的在于提供一种基于AI分析技术的仓储库存状态感知方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种基于AI分析技术的仓储库存状态感知方法,包括以下步骤:
A、货车识别;具体包含以下步骤:a1、创建仓储库存数据库;a2、构建数据集;a3、使用图片标注工具对图片进行标注;a4、在GPU服务器上将数据集以指定格式输入经过预训练的YOLOv3模型主干网络darknet并进行训练;a5、评估模型训练结果,获取用于应用环境的权重文件;a6、克隆YOLOv3、DeepSort与Local Self Similarity Descriptor 代码,进行IO对接,并部署在服务器端;a7、获取货车跟踪坐标信息以及车长信息;a8、根据在厂区域内货车识别车辆数量,作为Stacking模型输入,进行仓库存储状态预测,并计入数据库;a9、将数据库信息映射到Web服务中以供访问;
B、仓库存储检测:具体包含以下步骤:b1、在厂区仓库内指定位置安装摄像头;b2、服务器上使用matlab创建.m文件,用于定时查询摄像头回传的点云文件,并使用AlphaShapes函数对物体的轮廓包络进行提取与估计;b3、将摄像头所得点云图文件定时传送到服务器内;b4、服务器预测大致货物体积,并计入数据库;b5、将数据库映射到Web服务以供访问。
作为本发明的进一步技术方案:步骤a1中,为了使神经网络模型能够更好地应用于实际复杂场景,选用客户提供的现场图片作为数据集的主体。
作为本发明的进一步技术方案:步骤a1中,为了防止对于单个场景的过拟合,从网络上搜索了一些普适情况下工厂仓库的图片作为数据集的填充,使得该神经网络模型具有一定的泛化能力。
作为本发明的进一步技术方案:步骤a1中,按照数据集的训练规范,将图片按照7:3 的比例划分为训练集与测试集。
作为本发明的进一步技术方案:步骤a3中,使用开源工具Labelling对数据集进行标注,其中,只对货车车辆进行标注,并且依据货车车身的长度的不同,分别打上“01”,“02”,“03”标签,以此来鉴别不同车长不同种类的货车。
作为本发明的进一步技术方案:步骤a7具体是:摄像头向服务器回传厂区视频流或者定隔图片,服务器使用YOLOv3获得物体识别信息,并将信息传递给DeepSort,由LocalSelf Similarity Descriptor验证跟踪效果,返回货车跟踪坐标信息以及车长信息。
作为本发明的进一步技术方案:步骤b1中,安装的摄像头为英特尔D415深度摄像头。
与现有技术相比,本发明的有益效果是:本发明的训练模式能够YOLOv3网络模型在定位货车坐标的同时提供车长信息,通过车长估算每一辆货车的载货量,可以在一定程度上减小库存动态变化量的误差,但对于货车重叠情境下货车在厂区域数量可以作为新的特征。另一方面,DeepSort以及局部自相似因子提供的跟踪能力使得该方案在面对复杂的工厂应用环境能够保证一定的鲁棒性,一定程度上减少了遮挡或重叠对预测结果所带来的误差。并最终采用Stacking方法,进一步的对仓储状态进行更好的预测。
附图说明
图1为残差网络的残差组件图。
图2为“检测器-追踪器”模式示意图。
图3为YOLOv3-DeepSort完整流程图。
图4为Matching Cascade方法流程图。
图5为矩阵更新及后处理流程图。
图6为IOU Assignment流程图。
图7为Stacking模型仓库仓储状态预测示意图。
图8为货物体积估计操作流程。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,一种基于AI分析技术的仓储库存状态感知方法,包含以下步骤:
A、货车识别:
(1)创建仓储库存数据库。
(2)构建数据集:为了使神经网络模型能够更好地应用于实际复杂场景,将选用客户提供的现场图片作为本方案数据集的主体。为了防止对于单个场景的过拟合,本方案也从网络上搜索了一些普适情况下工厂仓库的图片作为数据集的填充,使得该神经网络模型具有一定的泛化能力,并且按照数据集的训练规范,将图片按照7:3的比例划分为训练集与测试集。
(3)使用图片标注工具对图片进行标注。使用开源工具Labelling对数据集进行标注,其中,只对货车车辆进行标注,并且依据货车车身的长度的不同,分别打上“01”,“02”,“03”标签,以此来鉴别不同车长不同种类的货车。
(4)在GPU服务器上将数据集以指定格式输入经过预训练的YOLOv3模型主干网络darknet并进行训练。
(5)评估模型训练结果,获取用于应用环境的权重文件。
(6)克隆YOLOv3、DeepSort与Local Self Similarity Descriptor代码,进行IO对接,并部署在服务器端。
(7)摄像头向服务器回传厂区视频流或者定隔图片,服务器使用YOLOv3获得物体识别信息,并将信息传递给DeepSort,由Local Self Similarity Descriptor验证跟踪效果,返回货车跟踪坐标信息以及车长信息。
(8)根据在厂区域内货车识别车辆数量,作为Stacking模型输入,进行仓库存储状态预测,并计入数据库。
(9)将数据库信息映射到Web服务中以供访问。
B、仓库存储检测:
(1)在厂区仓库内指定位置安装英特尔D415深度摄像头。
(2)服务器上使用matlab创建.m文件,用于定时查询摄像头回传的点云文件,并使用 Alpha Shapes函数对物体的轮廓包络进行提取与估计。
(3)将摄像头所得点云图文件定时传送到服务器内。
(4)服务器预测大致货物体积,并计入数据库。
(5)将数据库映射到Web服务以供访问。
本发明的工作原理如下:如图1-8所示,货车识别方面,我们采用以Tensorflow为Backend的Keras框架实现的YOLOv3模型进行货车的识别以及车长的判断。YOLOv3模型在YOLO模型上进行了较大幅度的改进:
一、非地堆式仓库库存状态
1.在厂区域货车识别,数量采集:
首先,YOLOv3修改了YOLO模型输出向量的维度,增加了锚框和先验框的概念,使其能够识别中心重叠而种类不同的目标。其次,YOLOv3借鉴了残差网络(Residual Network)的做法,将原本的卷积层转化为了残差组件,解决了了神经网络由于层数增加而导致的退化问题,使得YOLOv3能够通过单纯地增加网络层数而提升网络整体性能,相比于YOLO,YOLOv3网络的隐藏层数更多,其识别精度也更高。
再者,YOLOv3采用多尺度特征进行目标检测策略,在骨干网络的三个位置抽离出三种尺度的特征图,然后使用9种尺度的先验框在三个尺度的特征图上进行预测,这使得YOLOv3 能够克服YOLO中对小物体和大物体识别能力较弱的问题。
在货车识别的表现方面,我们分别在三种不同程度的复杂应用情景下使用经训练之后的YOLOv3网络模型测试。
在货车跟踪方面,我们使用DeepSort算法来实现货车目标的跟踪。其中,主要根据关联度量开展Matching Cascade。
在位置度量方面,DeepSort使用Mahalanobis距离,对预测目标传递来的坐标框进行计算,其算式下所示:d(1)(i,j)=(dj-yi)TSi -1(dj-yi);
在外观度量上,DeepSort采用Cosine距离,其计算公式如下所示
d(2)(i,j)=min{1-rj Trk (i)|rk (i)∈Ri};
最后,通过加权的方式对这两个距离进行相加,作为跟踪锚定的依据,其公式如下所示:ci,j=λd(1)(i,j)+(1-λ)d(2)(i,j);
在本应用中,我们采取“检测器-追踪器”(detector-tracker)模式,即DeepSort作为追踪器,接受作为检测器的YOLOv3模型传来视频流每一帧画面所预测得到的预测框信息,与上一帧画面进行计算,最终获得跟踪之后的目标信息。
此外,为了进一步强化方案追踪效能,减少货车遮挡或重叠对预测结果照成的影响,我们使用局部自相似因子来提取前后帧画面的表观特征。局部自相似性因子(LocalSelf-Similarities Descriptor)是针对单幅画面中单个像素点以及选定范围大小的区域通过特定公式所计算得到的一个“指纹”,通过比较前后两幅画面中每一组对应像素点的局部自相似性因子,可以实现相似形状图形的精准匹配。由于局部自相似性因子综合考虑了颜色、灰度值、材质纹理及边缘信息的影响,所以拥有较高的图形相似性匹配能力。
其局部自相似性因子计算步骤如下:
(1)从上一帧画面以像素点q为中心取一个小图像块(本方案取用预测框所表示的图块)并记为patch,再在下一帧画面中取匹配区域region
(2)对比patch与region,计算SSD
(3)将SSD转换为“Correlation Surface”,其转换公式为:
其中,var(noise)是一个表示可接受光照变化的常数,var(auto)是以像素点为中心的周边邻域内半径为1的图像块差的最大方差。
(4)将“Correlation Surface”转换到对数极坐标中,分割为80个bins(即20个角度,4个径向间隔),对于每一个bin,选取bin中最大值作为该bin的代表值。
(5)将这80个bin归一化到[0,1]之间,最终得到的向量即为像素点q的局部自相似性因子。
在经过以上目标跟踪步骤之后,最终通过判断跟踪对象中心点坐标的移动方向判断目标货车是进厂还是出厂,从而获得每天在厂区域货车数量。
基于Stacking集成模型预测仓库存储状态:
本专利基于Stacking集成模型进行预测的基本思想是:将进出货车数量、工厂产品产量、流程设备红外计数以及特征X使用FM模型、FFM模型、RandomForest、XGBoost模型、SVM模型、LightGBM模型、LinearReg模型对训练样本集进行训练;再用训练得到的 7个模型预测每条测试样本得到Stacking集成学习方法第一层基模型的预测结果;最后将预测结果输入第二层的神经网络模型进行最终的点击率预测,其中神经网络模型选择的是含有两层隐藏层的反馈神经网络,第一层的隐含层神经元个数为9个,第二层隐含层的神经元个数为19个。同时,为了避免测试集和训练集用到同样的数据而导致结果过拟合,本专利使用5折交叉验证的方法来产生次级的训练集。在特征提取中,通过使用一个在基因序列中常用的监测基因片段重要性的算法来计算经过GBDT特征转换后的特征在预测产量时发挥的重要性。每次迭代都去除掉一部分重要性比较低的特征最后达到特征数量与模型准确度的平衡。实现的具体步骤如下:
步骤一:将训练集平均划分为5部分,用其中的一份做验证集,其余四份作训练集,记为{TR1,TR2,TR3,TR4,TR5};
步骤二:对于训练集,用FM基模型在四份训练集中进行拟合,对剩下的一份进行预测得到预测结果P1,依次遍历5次,得到所有训练集的预测结果{P1,P2,P3,P4,P5} 作为第二层模型训练集的输入;对于测试集,将每次训练的模型对测试集进行预测,则最终测试集的每个样本都会有5个输出结果,取平均作为第二层模型测试集的输入。
由于在模型中,很难高效手动的对近百个参数调参。所以这里我们选用BayesianOptimizer做自动优化工作。Bayesian Optimizer使用贝叶斯网络和先前概率分布在已知一些参数组合对模型准确度的影响下自动猜测最优的参数组合。
步骤三:对其他基模型FFM模型、RandomForest、XGBoost模型、SVM模型、LightGBM模型、LinearReg模型分别重复步骤二,最终得到第一层的7个基模型对训练集和测试集的预测值,将其作为输入训练第二层的神经网络模型,得到最终的仓库仓储状态预测结果 Y。
地堆式货物库存状态:
在仓库存储检测方面,我们采用的方法是先使用英特尔D415深度摄像头采集仓库内部的点云图,再使用Matlab中内置的Alpha Shapes算法对物体的轮廓包络进行提取与估计。
根据点云图,按照滚球的方式,检测到其相对应的轮廓点,从而对点云体积进行简单的估计测量。
其算法流程为:在一个有限离散点集S中,有n个点构成,这n个点可以组成n*(n-1)条线段,我们通过如下方法判断哪条线段是在边界上的线段:在点集S内,过任意两个点P1、P2绘制半径为Alpha的圆,如果这个圆内没有其他点,则认为点P1、P2是边界点,其连接P1P2即为边界线段。由于在计算中,判断每一对点是否存在满足要求的圆,时间复杂度较高。根据文献可以知道,Alpha Shape是点集P的Delaunay三角剖分的子图,而且利用Delaunay三角剖分性质,对于每条Delaunay三角剖分中的边,可以在非常短的时间内判断它是否属于Alpha Shape的边。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (6)
1.一种基于AI分析技术的仓储库存状态感知方法,包括以下步骤:
A、货车识别;具体包含以下步骤:a1、创建仓储库存数据库;a2、构建数据集;a3、使用图片标注工具对图片进行标注;a4、在GPU服务器上将数据集以指定格式输入经过预训练的YOLOv3模型主干网络darknet并进行训练;a5、评估模型训练结果,获取用于应用环境的权重文件;a6、克隆YOLOv3、DeepSort与Local Self SimilarityDescriptor代码,进行IO对接,并部署在服务器端;a7、获取货车跟踪坐标信息以及车长信息,具体是:摄像头向服务器回传厂区视频流或者定隔图片,服务器使用YOLOv3获得物体识别信息,并将信息传递给DeepSort,由Local Self SimilarityDescriptor验证跟踪效果,返回货车跟踪坐标信息以及车长信息;a8、根据在厂区域内货车识别车辆数量,作为Stacking模型输入,进行仓库存储状态预测,并计入数据库;a9、将数据库信息映射到Web服务中以供访问;
B、仓库存储检测:具体包含以下步骤:b1、在厂区仓库内指定位置安装摄像头;b2、服务器上使用matlab创建.m文件,用于定时查询摄像头回传的点云文件,并使用Alpha Shapes函数对物体的轮廓包络进行提取与估计;b3、将摄像头所得点云图文件定时传送到服务器内;b4、服务器预测大致货物体积,并计入数据库;b5、将数据库映射到Web服务以供访问。
2.根据权利要求1所述的一种基于AI分析技术的仓储库存状态感知方法,其特征在于,步骤a2中,为了使神经网络模型能够更好地应用于实际复杂场景,选用客户提供的现场图片作为数据集的主体。
3.根据权利要求2所述的一种基于AI分析技术的仓储库存状态感知方法,其特征在于,步骤a2中,为了防止对于单个场景的过拟合,从网络上搜索了一些普适情况下工厂仓库的图片作为数据集的填充,使得该神经网络模型具有一定的泛化能力。
4.根据权利要求2所述的一种基于AI分析技术的仓储库存状态感知方法,其特征在于,步骤a1中,按照数据集的训练规范,将图片按照7:3的比例划分为训练集与测试集。
5.根据权利要求1所述的一种基于AI分析技术的仓储库存状态感知方法,其特征在于,步骤a3中,使用开源工具Labelling对数据集进行标注,其中,只对货车车辆进行标注,并且依据货车车身的长度的不同,分别打上“01”,“02”,“03”标签,以此来鉴别不同车长不同种类的货车。
6.根据权利要求1所述的一种基于AI分析技术的仓储库存状态感知方法,其特征在于,步骤b1中,安装的摄像头为英特尔D415深度摄像头。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010406537.3A CN111598158B (zh) | 2020-05-14 | 2020-05-14 | 一种基于ai分析技术的仓储库存状态感知方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010406537.3A CN111598158B (zh) | 2020-05-14 | 2020-05-14 | 一种基于ai分析技术的仓储库存状态感知方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111598158A CN111598158A (zh) | 2020-08-28 |
CN111598158B true CN111598158B (zh) | 2023-05-12 |
Family
ID=72188964
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010406537.3A Active CN111598158B (zh) | 2020-05-14 | 2020-05-14 | 一种基于ai分析技术的仓储库存状态感知方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111598158B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113971667B (zh) * | 2021-11-02 | 2022-06-21 | 上海可明科技有限公司 | 一种仓储环境手术器械目标检测模型训练及优化方法 |
CN114693466B (zh) * | 2022-04-16 | 2023-09-29 | 内蒙古怀峰科技股份有限公司 | 一种基于大数据对制造企业运行的监控方法及监控装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190970A (zh) * | 2018-08-29 | 2019-01-11 | 苏州汇通软件科技有限公司 | 一种工厂用大数据管理系统 |
CN109934170A (zh) * | 2019-03-13 | 2019-06-25 | 武汉大学 | 一种基于计算机视觉的矿山资源统计方法 |
CN110796168A (zh) * | 2019-09-26 | 2020-02-14 | 江苏大学 | 一种基于改进YOLOv3的车辆检测方法 |
CN110807123A (zh) * | 2019-10-29 | 2020-02-18 | 中国科学院上海微系统与信息技术研究所 | 车辆长度计算方法、装置、系统、计算机设备及存储介质 |
CN111079584A (zh) * | 2019-12-03 | 2020-04-28 | 东华大学 | 基于改进YOLOv3的快速车辆检测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10579949B2 (en) * | 2016-11-16 | 2020-03-03 | Wipro Limited | Methods and systems for facilitating transportation of articles in warehouses using video analytics |
US20200019864A1 (en) * | 2018-07-11 | 2020-01-16 | Deepbrain Chain, Inc. | Systems and methods for artificial-intelligence-based automated object identification and manipulation |
CN109683577B (zh) * | 2018-11-07 | 2024-02-06 | 北京图森智途科技有限公司 | 一种仓储控制系统及计算机设备 |
-
2020
- 2020-05-14 CN CN202010406537.3A patent/CN111598158B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190970A (zh) * | 2018-08-29 | 2019-01-11 | 苏州汇通软件科技有限公司 | 一种工厂用大数据管理系统 |
CN109934170A (zh) * | 2019-03-13 | 2019-06-25 | 武汉大学 | 一种基于计算机视觉的矿山资源统计方法 |
CN110796168A (zh) * | 2019-09-26 | 2020-02-14 | 江苏大学 | 一种基于改进YOLOv3的车辆检测方法 |
CN110807123A (zh) * | 2019-10-29 | 2020-02-18 | 中国科学院上海微系统与信息技术研究所 | 车辆长度计算方法、装置、系统、计算机设备及存储介质 |
CN111079584A (zh) * | 2019-12-03 | 2020-04-28 | 东华大学 | 基于改进YOLOv3的快速车辆检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111598158A (zh) | 2020-08-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Adaptively constrained dynamic time warping for time series classification and clustering | |
CN107633226B (zh) | 一种人体动作跟踪特征处理方法 | |
CN106559749B (zh) | 一种基于射频层析成像的多目标被动式定位方法 | |
CN113674328A (zh) | 一种多目标车辆跟踪方法 | |
CN112101278A (zh) | 基于k近邻特征提取和深度学习的宅基地点云分类方法 | |
CN111882586B (zh) | 一种面向剧场环境的多演员目标跟踪方法 | |
CN112052802B (zh) | 一种基于机器视觉的前方车辆行为识别方法 | |
CN110633643A (zh) | 一种面向智慧社区的异常行为检测方法及系统 | |
CN111598158B (zh) | 一种基于ai分析技术的仓储库存状态感知方法 | |
Asmara et al. | Prediction of traffic density using yolo object detection and implemented in raspberry pi 3b+ and intel ncs 2 | |
CN103150546A (zh) | 视频人脸识别方法和装置 | |
CN112884742A (zh) | 一种基于多算法融合的多目标实时检测、识别及跟踪方法 | |
Payet et al. | Scene shape from texture of objects | |
Tsintotas et al. | Appearance-based loop closure detection with scale-restrictive visual features | |
CN109522831A (zh) | 一种基于微卷积神经网络的车辆实时检测方法 | |
US20170053172A1 (en) | Image processing apparatus, and image processing method | |
CN115995042A (zh) | 一种视频sar运动目标检测方法及装置 | |
Yi et al. | Multi-Person tracking algorithm based on data association | |
JP6894395B2 (ja) | 情報取得装置及び情報集計システム並びに情報集計装置 | |
Jurie | Tracking objects with a recognition algorithm | |
CN114332602A (zh) | 一种智能货柜的商品识别方法 | |
CN113158816A (zh) | 面向室外场景物体的视觉里程计二次曲面路标构建方法 | |
Xudong et al. | Pedestrian detection and tracking with deep mutual learning | |
KR20170104756A (ko) | 국부지역별 크기 특정 차량 분류 방법 및 이를 이용한 차량검출방법 | |
CN111191524A (zh) | 运动人群计数方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |