摘 "要：文章針對(duì)自動(dòng)化立體倉(cāng)庫(kù) （Automated Storage/Retrieval Systems， AS/RS）在高效及安全庫(kù)存盤點(diǎn)、貨物監(jiān)控等方面的需求和存在的問(wèn)題，提出了一種基于YOLOv3深度學(xué)習(xí)算法的貨物異動(dòng)及數(shù)量自動(dòng)識(shí)別方法，并進(jìn)行了算法實(shí)現(xiàn)。為驗(yàn)證該算法的有效性，文章以某煙草物流中心自動(dòng)化立體倉(cāng)庫(kù)為對(duì)象進(jìn)行了應(yīng)用驗(yàn)證分析，結(jié)果表明該算法在經(jīng)過(guò)小規(guī)模貨物圖像樣本訓(xùn)練后即具備較高的識(shí)別能力，因此，采用該方法進(jìn)行貨物異動(dòng)監(jiān)控和數(shù)量自動(dòng)識(shí)別具有較高的可行性和有效性。

關(guān)鍵詞：自動(dòng)化立體倉(cāng)庫(kù)；深度學(xué)習(xí)；庫(kù)存盤點(diǎn)；監(jiān)控；自動(dòng)識(shí)別

"中圖分類號(hào)：F253 " "文獻(xiàn)標(biāo)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(chǎng)競(jìng)爭(zhēng)日趨激烈以及客戶需求的不斷變化，企業(yè)對(duì)貨物存儲(chǔ)效率、安全性、準(zhǔn)確性、低成本等方面提出了更高的要求，自動(dòng)化立體倉(cāng)庫(kù)（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(dòng)化等優(yōu)點(diǎn)的存儲(chǔ)方式，逐漸被廣泛應(yīng)用于多個(gè)行業(yè)，包括煙草[1]、醫(yī)藥[2]、汽車零部件[3]等。為了改善自動(dòng)化立體倉(cāng)庫(kù)的管理水平和應(yīng)用效果，國(guó)內(nèi)外很多學(xué)者和工程師從不同的角度開(kāi)展了相關(guān)的研究和應(yīng)用。例如，葉康對(duì)自動(dòng)化立體倉(cāng)庫(kù)的貨位分配和出入庫(kù)優(yōu)化調(diào)度開(kāi)展了研究，通過(guò)構(gòu)建數(shù)學(xué)模型設(shè)計(jì)不同的元啟發(fā)式算法，使其能夠高效運(yùn)行[4]。張延昌從優(yōu)化存儲(chǔ)管理策略的角度對(duì)改善自動(dòng)化立體倉(cāng)庫(kù)的運(yùn)作效率開(kāi)展了研究[5]。李煒杰則設(shè)計(jì)了一套自動(dòng)化立體倉(cāng)庫(kù)盤點(diǎn)系統(tǒng)，以通過(guò)信息化手段提升其管理水平。

"盡管自動(dòng)化立體倉(cāng)庫(kù)已經(jīng)得到了廣泛應(yīng)用，且優(yōu)化其應(yīng)用水平的相關(guān)研究也比較豐富，但仍然有一些問(wèn)題需要進(jìn)一步的研究。其中，庫(kù)存盤點(diǎn)作為倉(cāng)庫(kù)管理中的一項(xiàng)重要工作，對(duì)于保證庫(kù)存管理的數(shù)據(jù)準(zhǔn)確性、減少貨物管理?yè)p失具有重要意義。然而，在大部分企業(yè)中，其盤點(diǎn)過(guò)程仍然主要是由人工操作堆垛機(jī)完成，其安全性、效率均不足。此外，很多企業(yè)在盤點(diǎn)方面有多樣化的要求、且盤點(diǎn)頻次較高，例如煙草行業(yè)。此時(shí)，傳統(tǒng)的盤點(diǎn)方式難以保證盤點(diǎn)效率和安全性，且容易影響貨物出入庫(kù)作業(yè)。

"針對(duì)上述問(wèn)題，本文引入深度學(xué)習(xí)算法進(jìn)行自動(dòng)化立體倉(cāng)庫(kù)貨物異動(dòng)監(jiān)控和數(shù)量自動(dòng)識(shí)別方面的研究，從而為自動(dòng)化立體倉(cāng)庫(kù)實(shí)現(xiàn)高效、安全和智能化盤點(diǎn)提供新的解決方案，目前，尚未有學(xué)者進(jìn)行該方面的研究，但深度學(xué)習(xí)算法已經(jīng)在圖像分析領(lǐng)域得到了廣泛應(yīng)用[6-7]?；诖耍疚囊阅碂煵菸锪髦行淖詣?dòng)化立體倉(cāng)庫(kù)為研究對(duì)象，設(shè)計(jì)了一種YOLOv3深度學(xué)習(xí)算法，并結(jié)合實(shí)際圖像樣本進(jìn)行訓(xùn)練，驗(yàn)證了所設(shè)計(jì)算法在實(shí)現(xiàn)貨物狀態(tài)監(jiān)控和數(shù)量自動(dòng)識(shí)別方面的可行性和有效性。

1 "YOLOv3算法介紹

"YOLO是深度學(xué)習(xí)中一種One-stage的目標(biāo)檢測(cè)算法，它與Two-stage目標(biāo)檢測(cè)算法的區(qū)別在于運(yùn)算速度，該系列的算法先對(duì)圖片進(jìn)行網(wǎng)格劃分，然后基于Anchor機(jī)制生成先驗(yàn)框，只需一步即可生成檢測(cè)框進(jìn)行檢測(cè)，大大提升了算法的預(yù)測(cè)效率。本文中用于貨物異動(dòng)和數(shù)量識(shí)別的YOLOv3算法采用Python 3.6.13開(kāi)發(fā)，其主要使用的算法庫(kù)如下：

（1）Pytorch。它是Torch的Python版本，是一個(gè)對(duì)多維矩陣數(shù)據(jù)進(jìn)行操作的張量庫(kù)，也是本文中實(shí)現(xiàn)YOLOv3算法適用的核心庫(kù)，它與Tensorflow的區(qū)別在于其計(jì)算圖是動(dòng)態(tài)的，可以根據(jù)需要實(shí)時(shí)改變計(jì)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(chuàng)建海量二維或三維圖表，可根據(jù)數(shù)據(jù)集自行定義坐標(biāo) ，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(yīng)用需求。

"（3）Pandas。該工具主要用于解決數(shù)據(jù)分析問(wèn)題，它提供了大量幫助開(kāi)發(fā)人員快速便捷處理數(shù)據(jù)的函數(shù)和方法。

"（4）CSV。它是Python的內(nèi)置庫(kù)，用于處理CSV格式的文件。

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

"（6）Python Imaging Library （PIL）。這是Python中最常用的圖像處理庫(kù)，它能夠處理幾乎所有格式的圖片，完成對(duì)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(wǎng)絡(luò)模型

"YOLOv3的網(wǎng)絡(luò)結(jié)構(gòu)主要包含三個(gè)部分，即Backbone、PANet和Yolo Head。YOLOv3的網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

（1）Backbone。其主體為Darknet-53，這是一種卷積神經(jīng)網(wǎng)絡(luò)，包含52個(gè)卷積層和1個(gè)全連接層，用于目標(biāo)檢測(cè)和分類。

"（2）特征金字塔（Feature Pyramid Networks，F(xiàn)PN）。該技術(shù)能夠?qū)崿F(xiàn)自頂向下地處理特征圖，并通過(guò)橫向連接的方式融合底層的具有較少語(yǔ)義信息的特征圖和高層的具有豐富語(yǔ)義信息的特征圖，同時(shí)沒(méi)有犧牲表達(dá)能力、速度和資源消耗。

（3）Yolo Head。它是YOLOv3的最后一層卷積，負(fù)責(zé)將卷積特征圖轉(zhuǎn)換為目標(biāo)檢測(cè)結(jié)果。

3 "算法訓(xùn)練及應(yīng)用驗(yàn)證

為了驗(yàn)證YOLOv3在庫(kù)存盤點(diǎn)和貨物狀態(tài)監(jiān)控中的應(yīng)用效果，本文進(jìn)行了相關(guān)的算法實(shí)現(xiàn)，并以某煙草物流中心的自動(dòng)化立體倉(cāng)庫(kù)為對(duì)象進(jìn)行了應(yīng)用可行性驗(yàn)證，某煙草物流中心自動(dòng)化立體倉(cāng)庫(kù)現(xiàn)場(chǎng)圖如圖2所示。在本案例中，算法模型將采用80張圖片進(jìn)行訓(xùn)練，并使用20張圖片驗(yàn)證其訓(xùn)練效果。模型訓(xùn)練效果圖如圖3所示，其中，mAP為識(shí)別準(zhǔn)確率，由圖3中可以看出，在迭代至130次的時(shí)候識(shí)別準(zhǔn)確率最高，因此，本文采用第130次迭代獲得的模型進(jìn)行實(shí)驗(yàn)。

3.1 "貨物異動(dòng)識(shí)別效果驗(yàn)證與分析

主要用于監(jiān)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(guān)的出入庫(kù)作業(yè)記錄，其實(shí)現(xiàn)方式如下：使用訓(xùn)練完成的模型對(duì)同一貨位在不同時(shí)間的兩張圖片進(jìn)行識(shí)別，確定各圖中包含的預(yù)測(cè)框的位置和大小，若兩張圖片生成的預(yù)測(cè)框數(shù)量不相同則視為貨物發(fā)生變化，接著遍歷第二張圖片的預(yù)測(cè)框，并在第一張圖片相對(duì)應(yīng)的中心點(diǎn)坐標(biāo)的偏差范圍內(nèi)尋找是否存在寬度和高度相近的同類預(yù)測(cè)框，若存在則該位置貨物沒(méi)有發(fā)生變化，反之，則該位置貨物發(fā)生了變化，依次遍歷所有的預(yù)測(cè)框，若都沒(méi)有發(fā)生變化則視為貨物沒(méi)有發(fā)生變化，否則視為發(fā)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(jié)論的貨物異動(dòng)識(shí)別效果圖。

3.2 "貨物數(shù)量自動(dòng)識(shí)別效果驗(yàn)證與分析

"貨物自動(dòng)識(shí)別則主要用于庫(kù)存盤點(diǎn)中根據(jù)圖像信息自動(dòng)識(shí)別各貨位貨物數(shù)量，并與庫(kù)存記錄對(duì)照是否存在差異，結(jié)合貨物異動(dòng)監(jiān)控即可從貨物數(shù)量和貨物類型兩方面同時(shí)確定實(shí)際貨物數(shù)據(jù)與賬面貨物數(shù)據(jù)是否一致，其實(shí)現(xiàn)方式如下：在訓(xùn)練好的模型上進(jìn)行圖像識(shí)別，然后生成一定數(shù)量的預(yù)測(cè)框，并對(duì)預(yù)測(cè)框進(jìn)行分類，若預(yù)測(cè)框被劃分為貨物類，則將其計(jì)入貨物的個(gè)數(shù)中，最后統(tǒng)計(jì)總數(shù)即可得到所識(shí)別的貨物數(shù)量。如圖6所示為貨物數(shù)量自動(dòng)識(shí)別效果圖。

4 "結(jié)束語(yǔ)

"本文針對(duì)自動(dòng)化立體倉(cāng)庫(kù)在庫(kù)存盤點(diǎn)和異動(dòng)監(jiān)控方面的需求，研究了基于YOLOv3深度學(xué)習(xí)算法的自動(dòng)識(shí)別方法，并進(jìn)行了算法實(shí)現(xiàn)。為了驗(yàn)證算法的應(yīng)用可行性，本文以某煙草物流中心自動(dòng)化立體倉(cāng)庫(kù)的貨物圖片為例進(jìn)行了算法訓(xùn)練和應(yīng)用，結(jié)果表明，經(jīng)過(guò)小規(guī)模樣本訓(xùn)練后的模型就可以準(zhǔn)確地識(shí)別圖中呈現(xiàn)的貨物數(shù)量和貨物情況變化，從而證明了使用深度學(xué)習(xí)算法實(shí)現(xiàn)自動(dòng)化立體倉(cāng)庫(kù)中智能化盤點(diǎn)與監(jiān)控具有較高的可行性。盡管如此，要實(shí)現(xiàn)該算法的實(shí)際應(yīng)用，仍然需要開(kāi)展進(jìn)一步研究，主要包括如下內(nèi)容：

" （1）光線的明暗影響貨物圖像質(zhì)量，也會(huì)影響算法使用時(shí)對(duì)預(yù)測(cè)框位置和大小的捕捉，此時(shí)會(huì)出現(xiàn)相同貨位的相同貨物在不同時(shí)間不同光照條件下拍攝的圖片被算法識(shí)別為存在差異，但實(shí)際上貨物并未發(fā)生變化，此外，因?yàn)閳D像質(zhì)量問(wèn)題，一些非貨物對(duì)象可能會(huì)被識(shí)別為貨物。

" （2）樣本數(shù)量需要增加，以提高訓(xùn)練后的模型識(shí)別的準(zhǔn)確率。

"（3）算法只能識(shí)別圖片中呈現(xiàn)的貨物的狀態(tài)和數(shù)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(shí)際數(shù)量還需要進(jìn)行折算。然而，貨物碼放方式不同，折算方式也不一樣，同時(shí)，托盤上的貨物可能存在貨物層數(shù)或者一層貨物沒(méi)有堆滿的情況，此時(shí)對(duì)樣本的多樣性和數(shù)量要求更高。

參考文獻(xiàn)：

[1] 魏林. 基于ABC分類的自動(dòng)化立體倉(cāng)庫(kù)貨位分區(qū)優(yōu)化研究——以某煙草配送中心為例[J]. 物流技術(shù)，2015，34（8）：148-152.

[2] 孫明偉，盧會(huì)超，湯穎佳，等. 某大型醫(yī)藥配送中心自動(dòng)化立體倉(cāng)庫(kù)系統(tǒng)的規(guī)劃與設(shè)計(jì)[J]. 物流技術(shù)與應(yīng)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(dòng)化立體倉(cāng)庫(kù)方案設(shè)計(jì)與研究[J]. 機(jī)床與液壓，2017，45（23）：110-119，25.

[4] 葉康. 雙向式自動(dòng)化立體倉(cāng)庫(kù)貨位分配及調(diào)度優(yōu)化研究[D]. 西安：西安建筑科技大學(xué)，2022.

[5] 張延昌. 自動(dòng)化立體倉(cāng)庫(kù)存儲(chǔ)管理策略的優(yōu)化[J]. 時(shí)代農(nóng)機(jī)，2019，46（8）：13-14.

[6] 汪赟杰，譚愛(ài)紅. 基于深度學(xué)習(xí)的雷達(dá)交通目標(biāo)檢測(cè)研究[J]. 現(xiàn)代電子技術(shù)，2023，46（21）：134-140.

[7] 楊文霞. 基于深度學(xué)習(xí)的醫(yī)學(xué)圖像超分辨率重建分析[J]. 信息技術(shù)與信息化，2023（8）：176-179.

[8] 李煒杰. 基于雙伸位自動(dòng)化立體倉(cāng)庫(kù)盤點(diǎn)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 西安：西安電子科技大學(xué)，2022.

收稿日期：2023-11-15

基金項(xiàng)目：中國(guó)煙草總公司湖北省公司科技項(xiàng)目（2023XY3CGTGWL2C018）

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

引文格式：王超，邴紅濤. 基于深度學(xué)習(xí)的貨物盤點(diǎn)自動(dòng)識(shí)別方法研究[J]. 物流科技，2024，47（7）：153-155.