基于深度學習的貨物盤點自動識別方法研究

摘 "要：文章針對自動化立體倉庫 （Automated Storage/Retrieval Systems， AS/RS）在高效及安全庫存盤點、貨物監控等方面的需求和存在的問題，提出了一種基于YOLOv3深度學習算法的貨物異動及數量自動識別方法，并進行了算法實現。為驗證該算法的有效性，文章以某煙草物流中心自動化立體倉庫為對象進行了應用驗證分析，結果表明該算法在經過小規模貨物圖像樣本訓練后即具備較高的識別能力，因此，采用該方法進行貨物異動監控和數量自動識別具有較高的可行性和有效性。

關鍵詞：自動化立體倉庫；深度學習；庫存盤點；監控；自動識別

"中圖分類號：F253 " "文獻標志碼：A " "DOI：10.13714/j.cnki.1002-3100.2024.07.037

Abstract： Aiming at meeting the requirments on stocktaking safe， monitoring the states of products and solving the related problems in Automated Storage/Retrieval Systems（AS/RS）， a method for automatic recognition of products changes and quantity based on YOLOv3 deep learning algorithm is proposed， and the algorithm is implemented. To verify the effectiveness of this algorithm， it is applied to an AS/RS in a tobacco logistics center. The results indicate that the algorithm has good recognition ability after being trained with small-scale image samples. Therefore， using this method for monitoring and automatic quantity recognition of products has high feasibility and effectiveness.

Key words： Automated Storage/Retrieval Systems; deep learning; stocktaking; monitoring; automatic recognition

0 "引 "言

"隨著市場競爭日趨激烈以及客戶需求的不斷變化，企業對貨物存儲效率、安全性、準確性、低成本等方面提出了更高的要求，自動化立體倉庫（Automatic Storage amp; Retrieval System，AS/RS）作為一種兼具高空間利用率、高操作效率、高度自動化等優點的存儲方式，逐漸被廣泛應用于多個行業，包括煙草[1]、醫藥[2]、汽車零部件[3]等。為了改善自動化立體倉庫的管理水平和應用效果，國內外很多學者和工程師從不同的角度開展了相關的研究和應用。例如，葉康對自動化立體倉庫的貨位分配和出入庫優化調度開展了研究，通過構建數學模型設計不同的元啟發式算法，使其能夠高效運行[4]。張延昌從優化存儲管理策略的角度對改善自動化立體倉庫的運作效率開展了研究[5]。李煒杰則設計了一套自動化立體倉庫盤點系統，以通過信息化手段提升其管理水平。

"盡管自動化立體倉庫已經得到了廣泛應用，且優化其應用水平的相關研究也比較豐富，但仍然有一些問題需要進一步的研究。其中，庫存盤點作為倉庫管理中的一項重要工作，對于保證庫存管理的數據準確性、減少貨物管理損失具有重要意義。然而，在大部分企業中，其盤點過程仍然主要是由人工操作堆垛機完成，其安全性、效率均不足。此外，很多企業在盤點方面有多樣化的要求、且盤點頻次較高，例如煙草行業。此時，傳統的盤點方式難以保證盤點效率和安全性，且容易影響貨物出入庫作業。

"針對上述問題，本文引入深度學習算法進行自動化立體倉庫貨物異動監控和數量自動識別方面的研究，從而為自動化立體倉庫實現高效、安全和智能化盤點提供新的解決方案，目前，尚未有學者進行該方面的研究，但深度學習算法已經在圖像分析領域得到了廣泛應用[6-7]。基于此，本文以某煙草物流中心自動化立體倉庫為研究對象，設計了一種YOLOv3深度學習算法，并結合實際圖像樣本進行訓練，驗證了所設計算法在實現貨物狀態監控和數量自動識別方面的可行性和有效性。

1 "YOLOv3算法介紹

"YOLO是深度學習中一種One-stage的目標檢測算法，它與Two-stage目標檢測算法的區別在于運算速度，該系列的算法先對圖片進行網格劃分，然后基于Anchor機制生成先驗框，只需一步即可生成檢測框進行檢測，大大提升了算法的預測效率。本文中用于貨物異動和數量識別的YOLOv3算法采用Python 3.6.13開發，其主要使用的算法庫如下：

（1）Pytorch。它是Torch的Python版本，是一個對多維矩陣數據進行操作的張量庫，也是本文中實現YOLOv3算法適用的核心庫，它與Tensorflow的區別在于其計算圖是動態的，可以根據需要實時改變計算圖。

"（2）Matplotlib。這是Python最常用的可視化工具之一，可以非常方便地創建海量二維或三維圖表，可根據數據集自行定義坐標 ，繪制圖形（包括線形圖、柱狀圖密度圖、散布圖等），可滿足大部分應用需求。

"（3）Pandas。該工具主要用于解決數據分析問題，它提供了大量幫助開發人員快速便捷處理數據的函數和方法。

"（4）CSV。它是Python的內置庫，用于處理CSV格式的文件。

" （5）Numpy。Python中常用的數組及矩陣操作函數庫，能夠快速完成各類數組、矩陣的計算和分析。

"（6）Python Imaging Library （PIL）。這是Python中最常用的圖像處理庫，它能夠處理幾乎所有格式的圖片，完成對圖像的縮放、裁剪、疊加以及圖像添加線條、圖像和文字等操作。

2 "YOLOv3網絡模型

"YOLOv3的網絡結構主要包含三個部分，即Backbone、PANet和Yolo Head。YOLOv3的網絡結構如圖1所示。

（1）Backbone。其主體為Darknet-53，這是一種卷積神經網絡，包含52個卷積層和1個全連接層，用于目標檢測和分類。

"（2）特征金字塔（Feature Pyramid Networks，FPN）。該技術能夠實現自頂向下地處理特征圖，并通過橫向連接的方式融合底層的具有較少語義信息的特征圖和高層的具有豐富語義信息的特征圖，同時沒有犧牲表達能力、速度和資源消耗。

（3）Yolo Head。它是YOLOv3的最后一層卷積，負責將卷積特征圖轉換為目標檢測結果。

3 "算法訓練及應用驗證

為了驗證YOLOv3在庫存盤點和貨物狀態監控中的應用效果，本文進行了相關的算法實現，并以某煙草物流中心的自動化立體倉庫為對象進行了應用可行性驗證，某煙草物流中心自動化立體倉庫現場圖如圖2所示。在本案例中，算法模型將采用80張圖片進行訓練，并使用20張圖片驗證其訓練效果。模型訓練效果圖如圖3所示，其中，mAP為識別準確率，由圖3中可以看出，在迭代至130次的時候識別準確率最高，因此，本文采用第130次迭代獲得的模型進行實驗。

3.1 "貨物異動識別效果驗證與分析

主要用于監控各貨位上的貨物是否存在明顯變化，如果存在，則檢索是否在該貨位上存在相關的出入庫作業記錄，其實現方式如下：使用訓練完成的模型對同一貨位在不同時間的兩張圖片進行識別，確定各圖中包含的預測框的位置和大小，若兩張圖片生成的預測框數量不相同則視為貨物發生變化，接著遍歷第二張圖片的預測框，并在第一張圖片相對應的中心點坐標的偏差范圍內尋找是否存在寬度和高度相近的同類預測框，若存在則該位置貨物沒有發生變化，反之，則該位置貨物發生了變化，依次遍歷所有的預測框，若都沒有發生變化則視為貨物沒有發生變化，否則視為發生了變化。如圖4和圖5所示分別為顯示“存在明顯變化”和“不存在明顯變化”結論的貨物異動識別效果圖。

3.2 "貨物數量自動識別效果驗證與分析

"貨物自動識別則主要用于庫存盤點中根據圖像信息自動識別各貨位貨物數量，并與庫存記錄對照是否存在差異，結合貨物異動監控即可從貨物數量和貨物類型兩方面同時確定實際貨物數據與賬面貨物數據是否一致，其實現方式如下：在訓練好的模型上進行圖像識別，然后生成一定數量的預測框，并對預測框進行分類，若預測框被劃分為貨物類，則將其計入貨物的個數中，最后統計總數即可得到所識別的貨物數量。如圖6所示為貨物數量自動識別效果圖。

4 "結束語

"本文針對自動化立體倉庫在庫存盤點和異動監控方面的需求，研究了基于YOLOv3深度學習算法的自動識別方法，并進行了算法實現。為了驗證算法的應用可行性，本文以某煙草物流中心自動化立體倉庫的貨物圖片為例進行了算法訓練和應用，結果表明，經過小規模樣本訓練后的模型就可以準確地識別圖中呈現的貨物數量和貨物情況變化，從而證明了使用深度學習算法實現自動化立體倉庫中智能化盤點與監控具有較高的可行性。盡管如此，要實現該算法的實際應用，仍然需要開展進一步研究，主要包括如下內容：

" （1）光線的明暗影響貨物圖像質量，也會影響算法使用時對預測框位置和大小的捕捉，此時會出現相同貨位的相同貨物在不同時間不同光照條件下拍攝的圖片被算法識別為存在差異，但實際上貨物并未發生變化，此外，因為圖像質量問題，一些非貨物對象可能會被識別為貨物。

" （2）樣本數量需要增加，以提高訓練后的模型識別的準確率。

"（3）算法只能識別圖片中呈現的貨物的狀態和數量，但采用托盤碼放的貨物往往包含多層和多列，因此，貨物的實際數量還需要進行折算。然而，貨物碼放方式不同，折算方式也不一樣，同時，托盤上的貨物可能存在貨物層數或者一層貨物沒有堆滿的情況，此時對樣本的多樣性和數量要求更高。

參考文獻：

[1] 魏林. 基于ABC分類的自動化立體倉庫貨位分區優化研究——以某煙草配送中心為例[J]. 物流技術，2015，34（8）：148-152.

[2] 孫明偉，盧會超，湯穎佳，等. 某大型醫藥配送中心自動化立體倉庫系統的規劃與設計[J]. 物流技術與應用，2020，25（10）：161

-167.

[3] 石柏軍，章雪華，陳奧林，等. 小型汽車零部件自動化立體倉庫方案設計與研究[J]. 機床與液壓，2017，45（23）：110-119，25.

[4] 葉康. 雙向式自動化立體倉庫貨位分配及調度優化研究[D]. 西安：西安建筑科技大學，2022.

[5] 張延昌. 自動化立體倉庫存儲管理策略的優化[J]. 時代農機，2019，46（8）：13-14.

[6] 汪赟杰，譚愛紅. 基于深度學習的雷達交通目標檢測研究[J]. 現代電子技術，2023，46（21）：134-140.

[7] 楊文霞. 基于深度學習的醫學圖像超分辨率重建分析[J]. 信息技術與信息化，2023（8）：176-179.

[8] 李煒杰. 基于雙伸位自動化立體倉庫盤點系統的設計與實現[D]. 西安：西安電子科技大學，2022.

收稿日期：2023-11-15

基金項目：中國煙草總公司湖北省公司科技項目（2023XY3CGTGWL2C018）

作者簡介：王 "超（1986—），男，湖北宜城人，湖北省煙草公司襄陽市公司，物流師，研究方向：智慧物流管理與應用；邴紅濤（1972—），本文通信作者，男，湖北襄陽人，湖北省煙草公司襄陽市公司，物流師，研究方向：智慧物流管理與應用。

引文格式：王超，邴紅濤. 基于深度學習的貨物盤點自動識別方法研究[J]. 物流科技，2024，47（7）：153-155.