دانلود رایگان


بررسی استفاده از تکنولوژی بینایی ماشین در ثبت - دانلود رایگان



دانلود رایگان امروزه اهمیت انبارداری و مدیریت انبار بر کسی پوشیده نیست و بی دقتی در انبار­گردانی یک مسئله عملیاتی مهم در زنجیره تامین است (دوهوراتیس و رامان، 2008).

دانلود رایگان
بررسی استفاده از تکنولوژی بینایی ماشین در ثبت ورود و خروج کالاها... امروزه اهمیت انبارداری و مدیریت انبار بر کسی پوشیده نیست و بی دقتی در انبار­گردانی یک مسئله عملیاتی مهم در زنجیره تامین است (دوهوراتیس و رامان، 2008). بدیهی است که در عصر حاضر، که عصر اطلاعات و ارتباطات لقب گرفته استفاده از جدیدترین و به روز ترین تکنولوژی ها برای جمع آوری، ثبت و ضبط اطالاعات است که مزیت رقابتی شرکت ها را تامین می کند. فناوری هاییکهازآنان برایشناساییاشیا،انسانوحیواناتتوسطماشیناستفادهمی گرددشناساییخودکار نامیده می شوند. هدف اکثرسامانه های شناسایی خودکار،افزایش کارآیی،کاهش خطا،وروداطلاعات وآزادسازی زمان کارکنان برای انجام کارهای مهمترنظیر سرویس دهی بهتربه مشتریان است.همچنین ضرورت شناسایی خودکار عناصر و جمع آوری داده مرتبط به آنان بدون نیاز به دخالت انسان جهت ورود اطلاعات در بسیاری از عرصه های صنعتی ، علمی ، خدماتی و اجتماعی به شدت احساس می شود و در پاسخ به این نیاز تاکنون فناوری های متعددی طراحی و پیاده سازی شده است. کدهای میله[1] ای و RFID[2] نمونه هایی در این زمینه می باشند، که هر کدام از این تکنولوژی ها دارای معایب و مزایایی هستند اما آنچه که در این پژوهش مورد سوال و بررسی قرار گرفته است این است که آیا می توان با استفاده از تکنولوژی بینایی ماشین ورود و خروج کالاها را ثبت و کنترل نمود؟ و این تکنولوژی را جایگزین فناوری های پیشین نمود؟ در این پژوهش بنا داریم که پاسخ پرسش های بالا یافته و از الگوریتم های پردازش تصویر موجود در حوزه بینایی ماشین جهت اثبات فرضیات خود استفاده نماییم و در نهایت الگوریتم سیستم خبره انبارداری مبتنی بر بینایی ماشین را ارایه دهیم.
واژه هاي كليدي:مدل FCIM، بازشناسی اشیاء،بینایی ماشین، پردازش تصویر، انبار داری، RFID
پیوست
فهرست تصاویر
فصل اول
کلیات پژوهش 1-1( مقدمه سیستم­های بینایی ماشین امروزه کاربرد گسترده­ای در زندگی انسان پیدا کرده­اند. به همین دلیل توسعه­ی دانش بینایی ماشین[3] که حاصل تلفیق دانش­های پردازش تصویر، شناسایی آماری الگو و یادگیری ماشین است، مورد توجه محققان بسیاری در سراسر جهان قرار گرفته است. یکی از حوزه های فعال در بینایی ماشین، طراحی سیستم­های بازشناسی اشیاء است. این سیستم­ها کاربردهای متنوعی دارند که از جمله می­توان به سیستم­های احراز هویت، بازرسی تولیدات صنعتی، کنترل خودکار وسائل نقلیه، بازرسی و نظارت زنده در محیط­های باز، کنترل ترافیک، پردازش اسناد و کنترل ربات­ها اشاره کرد.
در این پژوهش ما سعی داریم امکان استفاده از بینایی ماشین به جای فناوری های سنتی شناسایی خودکار اشیاء از جمله بارکد و RFID را بررسی نماییم و الگوریتم مربوطه را شبیه سازی و ارایه کنیم. در ابتدا سعی می کنیم مفاهیم فناوری شناسایی خودکار در انبارداری را تشریح کنیم و سپس مفاهیم مربوط به فناوری شناسایی خودکار اشیاء را به صورت مختصر تشریح می­نماییم.
1-2) بیان مسئله مسئله اساسی در این تحقیق پاسخ به این پرسش است که آیا می توانیم از بینایی ماشین برای شناسایی خودکار اشیاء استفاده نماییم یا خیر؟ در ادامه ابتدا مفاهیم اولیه بینایی ماشین و سپس شناسایی خودکار را برای درک بهتر کلیات مسئله بیان خواهیم کرد.
1-2-1) بازشناسی اشیاء و مبحث انبارداری 1-2-1-1) بارکد همانگونه که مستحضرید یکی از کاربردهای بازشناسی اشیاء در بحث انبارداری می باشد. به عبارتی به جای استفاده از کاغذ بازی خسته کننده در جمع آوری اطلاعات و پیگیری کالاها، که علاوه بر ایجاد مشکلات و خطاهای متعاقب برای انباردار، هزینه های نفر ساعت و هزینه های زمان انجام زیادی را تیز به سازمان تحمیل می کند، به کارگیری بارکد هماهنگ شده در کل زنجیره تامین می تواند جایگزین مناسبی باشد(هنری،2006). بارکد یک برچسب نشان دهنده کد مشخص است که این کد توسط بارکدخوان، قابل تشخیص و تعیین است. در کدگذاری اطلاعات در بارکد، دو رویکرد وجود دارد:
اول: استفاده از شکل قدیمی بارکد(بارکد خطی) که خطوطی به صورت فشرده و متراکم در کنار هم قرار می گیرند.
دوم: استفاده از شکل پیکسلی است، که اطلاعات در نقاط تیره و روشن برچسب قرار می گیرند(بارکد ماتریسی)، که این روش به دلیل توانایی در ذخیره حجم زیاد اطلاعات، کاربرد فراوانی یافته است.
در رویکرد اول (خطی)، در حالیکه امکان ذخیره تا 2کیلو بایت اطلاعات بر روی برچسب وجود دارد، در رویکرد دوم، محدودیتی برای ذخیره اطلاعات وجود ندارد.(جانسون، 1997)
1-2-1-2) RFID سیستم های اطلاعاتی و به خصوص میان افزارها به عنوان فناوری مکمل برای فناوری RFID مطرح شده اند. میان افزارها داده های جمع آوری شده توسط تگ خوان ها را به پایگاه های داده منتقل می سازند و سیستم های اطلاعاتی داده ها پردازش آنها را میسر می سازند (مارینوس2003؛ زهیر ایرانی، او کیفی،2001 ؛ تامپسون2006). اکنون، با کاهش هزینه سخت افزار و به همین ترتیب تگ خوان ها و تگ های RFID و توسعه نرم افزار استفاده توام از این دو فناوری در صنایع گوناگونی مانند زنجیره تامین کالاهای مصرفی دیده می شود (رینالد،2003؛ونت، چاترجی، ولف، 2006).
هر دو فناوری بارکد و RFID که زیر مجموعه فناوری بازشناسی اشیاء به شمار می­روند، تا کنون به صورت گسترده جهت ثبت ورود و خروج کالاها مورد استفاده قرار گرفته اند و مزایا و معایبشان آشکار شده است. اما با گذشت زمان و پیشرفت تکنولوژی فناوری های جدید ظهور پیدا می کنند. بینایی ماشین فناوری جدیدی است که به سرعت جایگاه خود را در حوزه های مختلف پیدا می کند.
1-2-1-3) بینایی ماشین چنانچه بخواهیم تعریفی مختصر از بینایی ماشین داشته باشیم باید گفت که يك سيستم ماشين بينايي شامل تمام اجزاء لازم به منظور تهيه، تعريف ديجيتالي يك تصوير تغيير واصلاح داده ها وارائه نمايش داده هاي تصويري ديجيتالي به دنياي بيرون مي باشد، چنين سيستمي چنانچه در يك محيط صنعتي بكار گرفته شود، ممكن است به دليل اينكه متصل به ساير تجهيزات خط توليد مي باشد بسيار پيچيده بنظر مي رسد ولي اگر چنانچه با توجه به نقش و وظيفه سيستم بينايي اجزاء اصلي تشكيل دهنده آن بيان شوند، مشخص خواهد شد كه پيچيدگي زيادي در سيستم وجود ندارد اجزاء اصلي سيستم شامل سه قسمت اصلي زیر است:
  1. قسمت تصوير برداري
  2. پردازش
  3. نمايش يا وسايل خروجي اطلاعات
که قسمت تصویر برداری عبارتست از اخذ تصاویر از موضوعی که قصد داریم مورد تجزیه وتحلیل قرار دهیم و در این بخش بایستی به مواردی چون وضوح تصویر برداری، نورپردازی و ورود نویز و اعوجاج در تصاویر دقت نماییم.
در قسمت پردازش، متناسب با هدفی که به دنبال آن هستیم از الگوریتم های پردازش تصویر برای پردازش تصاویر اخذ شده استفاده می­نماییم. در این بخش بایستی به سراغ حوزه پردازش تصویر رفته و از الگوریتم­ها موجود در این بخش استفاده نماییم.
آخرین بخش بینایی ماشین، چگونگی نمایش اطلاعات تحلیل شده است، گاهی این خروجی می­تواند ورودی تصمیم­گیری برای یک سیستم صنعتی باشد و گاهی نیز می تواند یک تصمیم باشد.
در این پژوهش تلاش شده است که سه قسمت فوق به صورت مشروح توضیح داده شود تا سیستم خبره انبارداری مبتنی بر بینایی ماشین به صورت کامل تشریح گردد. در ادامه مروری اجمالی خواهیم داشت بر بازشناسی اشیاء که پایه و اساس این پژوهش را تشکیل می دهد.
1-2-2) تعریف بازشناسی اشیاء بازشناسی به معنای تشخیص تفاوت بین دو چیز است و بازشناسی اشیاء در اصطلاح بینایی ماشین، به معنای توانایی تشخیص یک شی از بین مجموعه­ای از اشیاء است. به عنوان نمونه، بازشناسی تصاویر چهره شامل توانایی تشخیص هویت یک فرد از روی تصویر چهره­ی او با داشتن پایگاه داده­ای از تصاویر افراد مختلف است. چندین دهه است که این مفهوم به عنوان ابزاری پر کاربرد، مورد توجه محققین قرار گرفته است.
1-2-2-1)فرآیند طراحی یک سیستم بازشناسی اشیاء
  • از آن جایی که هر شی دارای الگوی خاصی است که آن را از سایر اشیاء متمایز می­کند، سیستم­های بازشناسی اشیاء زیرشاخه­ای از سیستم­های بازشناسی الگو هستند و از فرآیندهای حاکم بر این سیستم ها پیروی می­کنند. هر سیستم بازشناسی الگو برای این که قدرت تمایز بین الگوهای مختلف را پیدا کند و در اجرای وظیفه­ی تشخیص و بازشناسی الگو­ها با موفقیت عمل کند، باید ابتدا آموزش ببیند. ساختار کلی فرآیند آموزش در یک سیستم بازشناسی الگو در شکل(1-2) نمایش داده شده است. اولین گام در فرآیند آموزش یک سیستم بازشناسی الگو، جمع­آوری تعداد مناسبی نمونه از الگوهای مورد نظر (به طور مثال تصاویر اشیاء در یک سیستم بازشناسی اشیاء) است. خصوصیات این نمونه­ها باید به گونه­ای باشد که اهداف نهایی مورد نظر در سیستم بازشناسی الگو را برآورده کند و حتی­الامکان همه­ی حالت­های قابل پیش­بینی برای الگوها در بین این نمونه­ها وجود داشته باشد. این بخش زمان زیادی از فرایند طراحی سیستم بازشناسی الگو را به خود اختصاص می­دهد و گاهی اوقات با مشکلاتی نیز همراه است.
  • گام بعدی پس از جمع­آوری نمونه­های لازم، استخراج ویژگی[7] از نمونه­ها است. استخراج ویژگی نگاشتی از فضای الگوها به فضای ویژگی­ها است و حاصل آن یک بردار ویژگی عددی برای هر نمونه است. استخراج ویژگی در واقع خصوصیات کیفی الگوها را به ویژگی­های کمی تبدیل می­کند و بردار ویژگی هر نمونه، توصیفی کمی از آن نمونه ارائه می­دهد. این کار عملا یک فرآیند کدگذاری[8] است، چرا که از نظر هندسی هر الگو را می توان به عنوان یک نقطه در فضای اقلیدسی در نظر گرفت. انتخاب نوع ویژگی­ها نیازمند دانش اولیه در مورد الگوها است. این انتخاب باید به گونه­ای باشد که ویژگی­های استخراج­شده بین الگوهای متعلق به یک کلاس حداکثر تشابه و بین الگوهای متعلق به کلاس­های متفاوت حداکثر تمایز را به وجود آورند.
  • پس از استخراج ویژگی باید روش یادگیری در سیستم بازشناسی الگو تعیین شود تا گام­های اصلی آموزش سیستم شروع شود. روش یادگیری می تواند از نوع بدون نظارت[9] یا بانظارت[10] باشد. در یادگیری بدون نظارت، الگوها برچسب کلاسی ندارند و بر اساس شباهتشان در کلاس­های یکسان قرار می گیرند. در واقع در این روش، هدف کاربر این است که تعیین کند آیا گروه­هایی در مجموعه­ی داده وجود دارند و اگر وجود دارند، چه مشخصاتی الگوهای داخل یک گروه را به هم شبیه می­کند و چه مشخصاتی الگوهای موجود در گروه­های متفاوت را از یکدیگر متمایز می­کند.
در یادگیری بانظارت، برای هر الگو در مجموعه­ی داده، علاوه بر یک بردار ویژگی، یک برچسب کلاس هم وجود دارد. هدف این است که بر اساس نمونه­های موجود، یک رده­بند[11] به گونه­ای آموزش داده شود که بتواند نمونه های جدیدی را که تاکنون ندیده است با کمترین خطا در کلاس مربوط به خودشان رده بندی کند. روش یادگیری با توجه به ماهیت مسأله تعیین می­شود. اگر الگوها برچسب کلاس داشته باشند، از روش یادگیری بانظارت و اگر الگوها برچسب کلاس نداشته باشند از روش یادگیری بدون نظارت استفاده می­شود.
اگر روش یادگیری بانظارت باشد، گام بعدی اجرای فرآیند گزینش ویژگی[12] است. ویژگی­هایی که در مرحله­ی استخراج ویژگی از الگوها استخراج می شوند، دارای کیفیت و اهمیت یکسانی نیستند و برخی از آن ها نسبت به بقیه از اهمیت و کیفیت بالاتری برخوردارند. هر چه قدرت یک ویژگی برای جداسازی نمونه­ها در کلاس­های مختلف بیشتر باشد، کیفیت بالاتری دارد. در مرحله­ی گزینش ویژگی، زیرمجموعه­ای از ویژگی­ها که بیش ترین اهمیت را در جداسازی کلاس­های الگو دارند، از بین مجموعه­ی ویژگی­ها گزینش می­شوند. با این کار هم ابعاد بردار ویژگی کاهش می­یابد و بار محاسباتی سیستم کمتر می­شود و هم کیفیت توصیف الگوها توسط این ویژگی ها بهتر می­شود. البته اجرای این مرحله در فرآیند آموزش یک سیستم بازشناسی الگو اختیاری است و اگر ویژگی­های استخراج­شده در مرحله­­ی استخراج ویژگی به حد کافی مطلوب و باکیفیت باشند، نیازی به اجرای این مرحله نیست.
پس از گزینش ویژگی، باید مدل رده­بندی انتخاب شود. مدل رده­بندی هر الگوی ناشناخته را بر اساس ویژگی­های آن به یکی از کلاس­های شناخته­شده نسبت می­دهد. به بیان ریاضی، به هر نگاشتی از فضای n-بعدی ویژگی­ها به فضای k-بعدی برچسب­های کلاس، یک رده­بندی[13] گفته می شود. بنابراین یک رده­بند تابعی است مانند D که با رابطه­ی (1-1) توصیف می­شود:
1-1
که در آن مجموعه­ی برچسب کلاس الگوها است. یک رده­بند، میزان تعلق بردار ویژگی به هر یک از کلاس­های الگو را به صورت یک عدد حقیقی بیان می­کند. تاکنون مدل­های رده­بندی متنوعی برای سیستم­های بازشناسی الگو پیشنهاد شده­اند که هر کدام کاربرد متفاوتی دارند. از جمله­ی این رده­بندها می­توان به رده­بند بیزین[14]، رده­بند نزدیک­ترین همسایگی، رده بند ماشین بردار پشتیبان(SVM[15]) و شبکه­های عصبی اشاره کرد.
گام بعدی پس از انتخاب مدل رده­بندی، آموزش رده­بند است. منظور از آموزش رده­بند در واقع تجزیه و تحلیل نمونه­های آموزشی[16] و استنتاج تابعی از آن­ها برای تعیین برچسب کلاس نمونه­های جدید است. این تابع نگاشتی از فضای ویژگی­ها به فضای برچسب­ کلاس­ها است.
پس از آموزش رده­بند، نوبت به آزمایش رده­بند و اعتبارسنجی آن می­رسد. در این مرحله با استفاده از نمونه­های آزمون[17]، کارایی رده­بند مورد ارزیابی قرار می­گیرد و اگر اهداف مورد نظر طراحی را برآورده نکند، طراح سیستم به یکی از گام­های قبلی برمی­گردد و با انجام اصلاحاتی در آن فرآیند آموزش را تکرار می­کند و این تکرار تا زمانی که اهداف طراحی برآورده شود، ادامه می­یابد تا دست­یابی به سیستمی قابل تعمیم به نمونه­های جدید را تضمین کند.
اگر روش یادگیری بدون نظارت باشد،پس از جمع آوری داده­ها و استخراج ویژگی از آن­ها، یک روش خوشه­بندی[18] برای گروه­بندی داده­ها انتخاب می شود. اگر نتیجه­ی خوشه­بندی قابل قبول نباشد، با تغییر روش خوشه بندی یا تغییر پارامترهای خوشه بندی،کار ادامه پیدا می کند تا نتیجه مورد نظر حاصل شود.
پس از این که سیستم بازشناسی الگو آموزش داده شد، برای کارکرد عادی و اجرای وظیفه­ی بازشناسی الگوها آماده می­شود. شکل(1-2) فرآیند حاکم بر یک سیستم بازشناسی الگو را در حالت کارکرد عادی و تشخیص الگو در نمونه­های جدید نشان می­دهد. برای هر نمونه­­ی ورودی، ابتدا ویژگی­ها استخراج می­شود و سپس این ویژگی­ها وارد رده­بند آموزش­دیده در مرحله­ی آموزش می شوند تا کلاس الگو در نمونه­­ی ورودی تعیین شود
1-2-2-2)مشخصات یک سیستم بازشناسی اشیای کارآم
اغلب سیستم­های بازشناسی اشیاء برای استفاده در محیط­های واقعی طراحی می­شوند. تصاویر اشیاء در دنیای واقعی و صحنه­های طبیعی با اعوجاج­های گوناگونی مثل تغییر مقیاس، تغییر جهت، تغییر موقعیت، تغییر شدت روشنایی، تغییر زاویه­ی دید همراه است(شکل(1-3)). هر چه تغییرناپذیری و مقاومت یک سیستم بازشناسی اشیاء در مقابل این اعوجاج­ها و تغییرات بیشتر باشد، عملکرد کارآمدتری دارد.
در بخش های قبل با مفاهیم اولیه و اساسی مبحث شناسایی خودکار در انبارداری و همچنین بازشناسی اشیاء آشنا شدیم. اما آنچه که در این پژوهش به دنبال آنیم، طراحی یک سیستم بازشناسی اشیاء با استفاده از فناوری بینایی ماشین در حوزه انبار داری است. بر این اساس قصد داریم با استفاده از مفاهیم بازشناسی اشیاء یک سیستم کارآمد با استفاده از الگوریتم های پردازش تصویر ارایه دهیم. در ادامه اهداف این پژوهش را بیشتر نمایان خواهیم ساخت.
1-3) اهمیت و ضرورت پژوهش امروزه اهمیت انبارداری و مدیریت انبار بر کسی پوشیده نیست و بی دقتی در انبار­گردانی یک مسئله عملیاتی مهم در زنجیره تامین است (دوهوراتیس و رامان، 2008). بدیهی است که در عصر حاضر، که عصر اطلاعات و ارتباطات لقب گرفته استفاده از جدیدترین و به روز ترین تکنولوژی ها برای جمع آوری، ثبت و ضبط اطالاعات است که مزیت رقابتی شرکت ها را تامین می کند. فناوریهاییکهازآنان برایشناساییاشیا،انسانوحیواناتتوسطماشیناستفادهمی گرددشناساییخودکار نامیده می شوند. هدفاکثرسامانه هایشناساییخودکار،افزایشکارآیی،کاهشخطا،وروداطلاعاتوآزادسازیزمانکارکنانبرایانجامکارهایمهمترنظیر سرویس دهیبهتربهمشتریاناست.همچنین ضرورت شناسایی خودکار عناصر و جمع آوری داده مرتبط به آنان بدون نیاز به دخالت انسان جهت ورود اطلاعات در بسیاری از عرصه های صنعتی ، علمی ، خدماتی و اجتماعی به شدت احساس می شود و در پاسخ به این نیاز تاکنون فناوری های متعددی طراحی و پیاده سازی شده است. کدهای میله[20] ای و RFID[21] نمونه هایی در این زمینه می باشند. که هر کدام از این تکنولوژی ها دارای معایب و مزایایی هستند اما آنچه که در این پژوهش مورد سوال قرار گرفته است این است که آیا می توان با استفاده از تکنولوژی بینایی ماشین ورود و خروج کالاها را ثبت و کنترل نمود؟ و این تکنولوژی را جایگزین فناوری های پیشین نمود؟
1-5) اهداف پژوهش
  1. یافتن الگوریتمی مناسب برای محقق ساختن ایده استفاده از بینایی ماشین
  2. یافتن مکان هایی که در آن ها می توان از تکنولوژی پردازش برای ثبت ورود و خروج کالاها استفاده نمود.
1-6) ساختار فصول پایان نامه فصل اول شامل کلیات پژوهش است که در آن به مقدمه، بیان مسئله، اهمیت و ضرورت موضوع، اهداف، سؤالات و ... می پردازد. در فصل دوم مبانی نظری پژوهش شامل مفاهیم بارکد، RFID و همچنین بینایی ماشین تشریح خواهد شد. در این فصل سعی شده انواع مدل ها و الگوریتم های موجود در بینایی ماشین تشریح شود. در ادامه در فصل سوم تلاش می­شود الگوریتم مورد استفاده در این پژوهش تشریح گردد و این فصل مقدمه­ای است بر نتایج تشریح شده در فصل بعد. در فصل چهارم این پژوهش به تجزیه و تحلیل داده ها که توسط الگوریتم ارایه شده در فصل سوم استخراج شده است، پرداخته می شود و نتایج و یافته های این الگوریتم ارایه می­گردد. در نهایت فصل پنجم و آخرین فصل این پژوهش شامل بحث و نتیجه گیری و ارائه پیشنهادات بر اساس یافته های پژوهش خواهد بود


دریافت فایل
جهت کپی مطلب از ctrl+A استفاده نمایید نماید




استفاده تکنولوژی بینایی ماشین


ثبت ورود و خروج کالاها


دانلودپایان نامه


word


مقاله


پاورپوینت


فایل فلش


کارآموزی


گزارش تخصصی


اقدام پژوهی


درس پژوهی


جزوه


خلاصه


مقاله استرس در دانش آموزان

تبیین تمایزات و تشابهات فراینید ببهسازی منابع

جزوه مبانی علوم ریاضی

مجتمع مسکونی 1

پاورپوینت quot;سر طانهای شایع زنان quot; در 26 اسلاید

تحقیق درباره فرم هزينه

دانلود پاورپوینت اشکالات اجرایی ساختمان های

دانلود تحقیق آماده قالب word با عنوان مديريت دانش

خط آهن با ترجمه آماده

بنر استند لایه باز اربعین Psd فتوشاپ