基于深度学习的物流跟踪管理.docx

基于深度学习的物流跟踪管理

摘要：利用先进的人工智能和计算机视觉技术，物流管理取得了重大进展。如何建立一套能够有效解决物体遮挡、运动模糊、目标相似等实际问题的检测技术，是一个重要的挑战。文章提出了一种基于YOLOv8和Deep-SORT的方法来跟踪货物位置。该系统可以有效地识别、定位、跟踪和计数镜头前的货物。称之为“warehousemanagement”，该算法基于示例跟踪范式，并将跟踪应用于检测对象的边界框。在此基础上，自动识别感兴趣区域（ROI），有效消除不需要物体。我们的F1的分数是0.8167。

关键词：Deep-SORT；YOLOv8；warehousemanagement；目标检测；图像识别

0??引??言

近几年来，由于人们的消费能力提高，商品的需求量与日俱增，因此，如何对商品进行有效的库存管理已成为一个亟待解决的问题。大部分的仓库管理者都是以手工方式清点存货。但这种方法成本较高，由于要经常监视进货和出货，因此需要大量的劳动力，迫切需要能降低劳力、大大节约成本的仓储管理系。为了解决仓库管理问题，现有的各种管理解决方案都使用物联网设备为工作人员提供实时库存细节。虽然采用了感应器和硬件，保证了精确性，但却要求持续的维修，这使得其并不适合于市场，仍需要进行低成本的存货检查。

在零售行业中，将人工智能与计算机视觉相结合（尤其是在库存自动化方面），已成为一个新兴的研究热点。自助服务的潮流已经影响到我们生活的方方面面。但实际情况下，如目标遮挡、目标运动、目标相似度高、新季节性商品的引入等，对目标识别造成了很大的阻碍。我们获得了一个训练数据集，包含真实图像和合成图像总计116500个项目扫描以及相关的分割掩码。该测试资料包含了大量的录像剪辑，每一剪辑都包含了一至几个用户用一种很自然的方式所做的扫描操作。由于涉及到多个管理员，且每一个管理员的扫描方式都稍有差异，试验变得更加复杂。在测试方案中，会有一个用于存放被扫描项目的托盘，同时摄像头会被放在结算台的正上方。本项目提出一种全新的warehousemanagement管理方法，该方法融合了检测、追踪和筛选等多个功能，能够精确地计算出不同物体的个数。近年来，利用相机进行库存行为检测的研究取得了很大进展。目前，很多的研究都是利用高斯混合模型对汽车进行分割，以获取汽车的相关信息。Akhawaji等[1]使用卡尔曼滤波器，进一步消除了假阳性，从而改善了跟踪的效率。但是，当作业区光照条件改变时，该方法的效果就会降低。在图像处理之外，我们也会使用深度学习的方法来探测目标。

在此基础上，给出了一个基于YOLOv8的实时库存管理方法。一种必威体育精装版的物件检测算法，YOLOv8已经被用来检测存货中的物件数目。然后，对每一类目标进行识别、深度排序。并对该方法进行优化，使其在各种光照、气象条件及短时遮挡等情况下更具优越性。由于这种方法无需对目标区域有先验知识，所以其适用范围广泛。

1??相关工作

人们对深度学习研究得越深入，对其认识就越来越多。例如分类、物体探测、物体追踪、以及健康护理。由于其取消了传统的收银台，并显著地减少了收银员的工作时间，因而引起了自助收银员的浓厚兴趣。这种方法最大程度上节约了人力资源，因为它采用了机器视觉和感应器融合技术，以识别被选择的商品，并在结束时，通过手机应用软件将其结算给收银员。松下公司已经开发出一套基于无线电波识别（RFID）标签的自助检验系统，该技术已经被广泛地应用于安防领域。这一系统具有很高的性价比，这使得它非常适合在仓储中使用。目前，国内外学者已对视觉物体的识别与分类进行了大量的研究，尤其是在仓库中，以货架上的商品探测为主要研究内容。即便如此，也有多视角立体视觉（MVS）利用圆锥直方图（CHoG）作为特征描述子，从检索图像中抽取出隐藏的特征，然后发送给数据服务器以供识别。除阅读标签外，还可将检测自动功能延伸至对物品进行视觉特性及总体外观的分析。Aquilina等[2]开创了一种利用SCARA机器人简化仓库结算流程的方法，SCARA机器人带有机器视觉的四轴机器人系统。当管理员把东西放到传送带上时，这个系统会确认东西，把它们包装好，并且会自动产生一个总账。相比之下，Redmon等[3]提出使用传统多类检测器，依赖于卷积神经网络从单个RGB图像中检测并识别项目。

1.1??对象检测

在此基础上，提出了一种基于机器学习方法的物体检测方法。在Liu等[4]的目标检测模型中，主要包含了3个阶段：感兴趣区域的选择、特征的提取和目标的分类。一种常用的感兴趣区域提取方法是利用一个滑动窗口来对一张图片进行不同比例的变换。如图1所示。

深度学习算法主要可以分为两类，其中将检测任务视为回归问题的是YouOnlyLookOnce（YOLO）和S