卷積神經(jīng)網(wǎng)絡(luò)概述精選(九篇)

前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的卷積神經(jīng)網(wǎng)絡(luò)概述主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：卷積神經(jīng)網(wǎng)絡(luò)概述范文

關(guān)鍵詞：機器學(xué)習(xí)；深度學(xué)習(xí)；推薦算法；遠程教育

深度學(xué)習(xí)（DeepLearning），也叫階層學(xué)習(xí)，是機器學(xué)習(xí)領(lǐng)域研究的分支，它是學(xué)習(xí)樣本數(shù)據(jù)的表示層次和內(nèi)在規(guī)律，在學(xué)習(xí)的過程中獲取某些信息，對于數(shù)據(jù)的解釋有巨大幫助。比如對文字數(shù)據(jù)的學(xué)習(xí)，在網(wǎng)絡(luò)上獲取關(guān)鍵字，對圖像數(shù)據(jù)的學(xué)習(xí)，進行人臉識別等等。

一、深度學(xué)習(xí)發(fā)展概述

深度學(xué)習(xí)是機器學(xué)習(xí)領(lǐng)域里一種對數(shù)據(jù)進行表征學(xué)習(xí)的方法。一句話總結(jié)三者之間的關(guān)系就是：“機器學(xué)習(xí)，實現(xiàn)人工智能的方法；深度學(xué)習(xí)，實現(xiàn)機器學(xué)習(xí)的技術(shù)。深度學(xué)習(xí)目前是機器學(xué)習(xí)和人工智能領(lǐng)域研究的主要方向，為計算機圖形學(xué)、計算機視覺等領(lǐng)域帶來了革命性的進步。機器學(xué)習(xí)最早在1980年被提出，1984年分類與回歸樹出現(xiàn)，直到1986年，Rumelhart等人反向傳播（BackPropaga-tion，BP）算法的提出，解決了感知模型只能處理線性分類的問題，1989年出現(xiàn)的卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNet-works，CNN）也因此得到了一定的發(fā)展。在1990年至2012年，機器學(xué)習(xí)逐漸成熟并施以應(yīng)用，GeoffreyHinton在2006年設(shè)計出了深度信念網(wǎng)絡(luò)，解決了反向傳播算法神經(jīng)網(wǎng)絡(luò)中梯度消失的問題，正式提出了深度學(xué)習(xí)的概念，逐漸走向深度學(xué)習(xí)飛速發(fā)展的時期。隨后，各種具有獨特神經(jīng)處理單元和復(fù)雜層次結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)不斷涌現(xiàn)，深度學(xué)習(xí)技術(shù)不斷提高人工智能領(lǐng)域應(yīng)用方面的極限。

二、深度學(xué)習(xí)主要模型

1、卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetworks，CNN）是指有著深度結(jié)構(gòu)又包含著卷積計算的前饋神經(jīng)網(wǎng)絡(luò)。卷積物理上理解為系統(tǒng)某一時刻的輸出是有多個輸入共同疊加的結(jié)果，就是相當于對一個原圖像的二次轉(zhuǎn)化，提取特點的過程。卷積神經(jīng)網(wǎng)絡(luò)實際上就是一個不斷提取特征，進行特征選擇，然后進行分類的過程，卷積在CNN里，首先對原始圖像進行特征提取。所以卷積神經(jīng)網(wǎng)絡(luò)能夠得到數(shù)據(jù)的特征，在模式識別、圖像處理等方面應(yīng)用廣泛。一個卷積神經(jīng)網(wǎng)絡(luò)主要由三層組成，即卷積層（convolutionlayer）、池化層（poolinglayer）、全連接層（fullyconnectedlayer）。卷積層是卷積神經(jīng)網(wǎng)絡(luò)的核心部分，通過一系列對圖像像素值進行的卷積運算，得到圖像的特征信息，同時不斷地加深節(jié)點矩陣的深度，從而獲得圖像的深層特征；池化層的本質(zhì)是對特征圖像進行采樣，除去冗雜信息，增加運算效率，不改變特征矩陣的深度；全連接將層間所有神經(jīng)元兩兩連接在一起，對之前兩層的數(shù)據(jù)進行分類處理。CNN的訓(xùn)練過程是有監(jiān)督的，各種參數(shù)在訓(xùn)練的過程中不斷優(yōu)化，直到得到最好的結(jié)果。目前，卷積神經(jīng)網(wǎng)絡(luò)的改進模型也被廣泛研究，如全卷積神經(jīng)網(wǎng)絡(luò)（FullyConvolutionalNeuralNetworks，F(xiàn)CN）和深度卷積神經(jīng)網(wǎng)絡(luò)（DeepConvolutionalNeuralNetworks，DCNN）等等。2、循環(huán)神經(jīng)網(wǎng)絡(luò)區(qū)別于卷積神經(jīng)網(wǎng)絡(luò)在圖片處理領(lǐng)域的應(yīng)用，循環(huán)神經(jīng)網(wǎng)絡(luò)（RecurrentNeuralNetwork，RNN）主要應(yīng)用在自然語言處理領(lǐng)域。RNN最大的特點就是神經(jīng)元的輸出可以繼續(xù)作為輸入，再次利用到神經(jīng)元中循環(huán)使用。RNN是以序列的方式對數(shù)據(jù)進行讀取，這也是RNN最為獨特的特征。RNN的串聯(lián)式結(jié)構(gòu)適用于時間序列的數(shù)據(jù)，可以完好保持數(shù)據(jù)中的依賴關(guān)系。循環(huán)神經(jīng)網(wǎng)絡(luò)主要有三層結(jié)構(gòu)，輸入層，隱藏層和輸出層。隱藏層的作用是對輸入層傳遞進來的數(shù)據(jù)進行一系列的運算，并將結(jié)果傳遞給輸出層進行輸出。RNN可用于許多不同的地方。下面是RNN應(yīng)用最多的領(lǐng)域：1.語言建模和文本生成，給出一個詞語序列，試著預(yù)測下一個詞語的可能性。這在翻譯任務(wù)中是很有用的，因為最有可能的句子將是可能性最高的單詞組成的句子；2.語音識別；3.生成圖像描述，RNN一個非常廣泛的應(yīng)用是理解圖像中發(fā)生了什么，從而做出合理的描述。這是CNN和RNN相結(jié)合的作用。CNN做圖像分割，RNN用分割后的數(shù)據(jù)重建描述。這種應(yīng)用雖然基本，但可能性是無窮的；4.視頻標記，可以通過一幀一幀地標記視頻進行視頻搜索。3、深度神經(jīng)網(wǎng)絡(luò)深度神經(jīng)網(wǎng)絡(luò)（deepneuralnetworks，DNN）可以理解為有很多隱藏層的神經(jīng)網(wǎng)絡(luò)。多層神經(jīng)網(wǎng)絡(luò)和深度神經(jīng)網(wǎng)絡(luò)DNN其實也是指的一個東西，DNN有時也叫做多層感知機（Mul-ti-Layerperceptron,MLP）。DNN內(nèi)部的神經(jīng)網(wǎng)絡(luò)層也是分為三類，輸入層，隱藏層和輸出層，一般來說第一層是輸入層，最后一層是輸出層，而中間的層數(shù)都是隱藏層。深度神經(jīng)網(wǎng)絡(luò)（DNN）目前作為許多人工智能應(yīng)用的基礎(chǔ)，并且在語音識別和圖像識別上有突破性應(yīng)用。DNN的發(fā)展也非常迅猛，被應(yīng)用到工業(yè)自動駕駛汽車、醫(yī)療癌癥檢測等領(lǐng)域。在這許多領(lǐng)域中，深度神經(jīng)網(wǎng)絡(luò)技術(shù)能夠超越人類的準確率，但同時也存在著計算復(fù)雜度高的問題。因此，那些能夠解決深度神經(jīng)網(wǎng)絡(luò)表現(xiàn)準確度或不會增加硬件成本高效處理的同時，又能提升效率和吞吐量的技術(shù)是現(xiàn)在人工智能領(lǐng)域能夠廣泛應(yīng)用DNN技術(shù)的關(guān)鍵。

三、深度學(xué)習(xí)在教育領(lǐng)域的影響

1、學(xué)生學(xué)習(xí)方面通過網(wǎng)上學(xué)習(xí)的實時反饋數(shù)據(jù)對學(xué)生的學(xué)習(xí)模式進行研究，并修正現(xiàn)有教學(xué)模式存在的不足。分析網(wǎng)絡(luò)大數(shù)據(jù)，相對于傳統(tǒng)在線學(xué)習(xí)本質(zhì)區(qū)別在于捕捉學(xué)生學(xué)習(xí)過程，有針對性，實現(xiàn)學(xué)生個性化學(xué)習(xí)。舉個例子，在學(xué)習(xí)過程中，可以通過學(xué)習(xí)平臺對學(xué)生學(xué)習(xí)課程所花費的時間，參與的程度，知識的偏好等等數(shù)據(jù)加以分析。也可以通過學(xué)生學(xué)習(xí)某門課程的次數(shù)，鼠標點擊次數(shù)、停留的時間等，來推斷學(xué)生學(xué)習(xí)情況。通過以上或類似數(shù)據(jù)匯總分析，可以正向引導(dǎo)學(xué)生學(xué)習(xí)，并給予積極的學(xué)習(xí)評價。這種利用計算機收集分析出來的客觀數(shù)據(jù)，很好展示了學(xué)生學(xué)習(xí)行為的結(jié)果，總結(jié)學(xué)習(xí)規(guī)律，而不需要教師多年的教學(xué)經(jīng)驗來判斷。對于教育研究者而言，利用深度學(xué)習(xí)技術(shù)可以更客觀準確地了解學(xué)生，使教學(xué)工作良好發(fā)展更進一步。2、教學(xué)方面學(xué)習(xí)平臺的數(shù)據(jù)能夠?qū)虒W(xué)模式的適應(yīng)度進行預(yù)測，通過學(xué)生的考試成績和對教師的線上評價等加以分析，能夠預(yù)測出某一階段的教學(xué)方式發(fā)發(fā)是否可行，影響如何。通過學(xué)生與教師的在線互動，學(xué)生測驗時完成的時間與完成的結(jié)果，都會產(chǎn)生大量的有效的數(shù)據(jù)，都可以為教師教學(xué)支持服務(wù)的更好開展提供幫助，從而避免低效率的教學(xué)模式造成教學(xué)資源的浪費。

四、成人遠程教育中深度學(xué)習(xí)技術(shù)的可應(yīng)用性

深度學(xué)習(xí)方面的應(yīng)用在眾多領(lǐng)域都取得了成功，比如電商商品推薦、圖像識別、自然語言處理、棋類博弈等等。在遠程教育方面，深度學(xué)習(xí)的技術(shù)還有很大的發(fā)揮空間，智能網(wǎng)絡(luò)教育的實現(xiàn)是人們的眾望所盼。若要將深度學(xué)習(xí)技術(shù)應(yīng)用到遠程教育平臺，首先要清楚學(xué)生的需求和教學(xué)資源如何分配。1、針對學(xué)生的學(xué)習(xí)需求與學(xué)習(xí)特征進行分析美國斯坦福大學(xué)克里斯皮希研究團隊的研究成果顯示，通過對學(xué)生知識學(xué)習(xí)進行時間建模，可以精確預(yù)測出學(xué)生對知識點的掌握情況，以及學(xué)生在下一次學(xué)習(xí)中的表現(xiàn)。深度學(xué)習(xí)的應(yīng)用可以幫助教師推測出學(xué)生的學(xué)習(xí)能力發(fā)展水平。通過學(xué)生與教學(xué)環(huán)境的交互行為，分析其學(xué)習(xí)風(fēng)格，避免教師用經(jīng)驗進行推斷而產(chǎn)生的誤差。2、教學(xué)資源的利用與分配深度學(xué)習(xí)技術(shù)能夠形成智能的分析結(jié)論。計算機實時采集數(shù)據(jù)集，對學(xué)生的學(xué)習(xí)情況加以分析，使教師對學(xué)生的學(xué)習(xí)狀態(tài)、情緒狀態(tài)等有更加清晰、準確的了解。有了上面良好的教學(xué)模式，教師對學(xué)生的學(xué)習(xí)狀態(tài)有了更準確的掌握，對學(xué)生的學(xué)習(xí)結(jié)果就有了更科學(xué)的教學(xué)評價。基于深度學(xué)習(xí)的人工智能技術(shù)，還可以輔助教師實現(xiàn)智能閱卷，通過智能閱卷自動總結(jié)出學(xué)習(xí)中出現(xiàn)的問題，幫助教師減少重復(fù)性勞動，減輕教師負擔(dān)。作為成人高校，遠程教育是我們的主要教學(xué)手段，也是核心教學(xué)方式，學(xué)校的教學(xué)必定是在學(xué)生方便學(xué)習(xí)的同時，以學(xué)生的學(xué)習(xí)效果為重。通過深度學(xué)習(xí)技術(shù)，可以科學(xué)地分析出學(xué)生的學(xué)習(xí)效果，對后續(xù)教與學(xué)給予科學(xué)、可靠的數(shù)據(jù)支撐。我們可以在平臺上為每位同學(xué)建立學(xué)習(xí)模型，根據(jù)學(xué)生的學(xué)習(xí)習(xí)慣為其定制個性化方案，按他們的興趣進行培養(yǎng)，發(fā)揮他們專業(yè)的潛能。同時，可以將學(xué)生正式在線參加學(xué)習(xí)和考試的學(xué)習(xí)行為和非學(xué)習(xí)時間瀏覽網(wǎng)站的行為結(jié)合到一起，更加科學(xué)地分析出學(xué)生在學(xué)習(xí)網(wǎng)站上感興趣的地方。采用深度學(xué)習(xí)算法，根據(jù)學(xué)生學(xué)習(xí)行為產(chǎn)生的海量數(shù)據(jù)推算出學(xué)生當前狀態(tài)與目標狀態(tài)之間的差距，做到精準及時的學(xué)習(xí)需求反饋。有助于幫助學(xué)生明確學(xué)習(xí)目標，教師確立教學(xué)目標，真正做好因材施教?；谏疃葘W(xué)習(xí)各種智能識別技術(shù)，可以為教師的線上教學(xué)活動增光添彩，在反饋學(xué)生學(xué)習(xí)狀態(tài)的同時，采用多種形式的教學(xué)方法吸引學(xué)生的注意力，增強教學(xué)活動的互動性，達到良好的教學(xué)效果。

第2篇：卷積神經(jīng)網(wǎng)絡(luò)概述范文

關(guān)鍵詞：無人機 雙目視覺 機器學(xué)習(xí) 姿態(tài)識別

中圖分類號：TP391.41 文獻標識碼：A 文章編號：1007-9416（2016）10-0048-02

無人機的姿態(tài)測量方法可分兩大類：一是在無人機上裝載傳感器，如陀螺儀、GPS等，把相關(guān)的數(shù)據(jù)傳回地面處理，即所謂的遙測法，它的優(yōu)點是可以不受空間的限制，但精準度會大大降低。本文采用基于雙目視覺的無人機姿態(tài)測量方法， 采用全站儀和圖像采集裝置構(gòu)建系統(tǒng)，利用全站儀數(shù)據(jù)進行三維標定，圖像采集裝置對無人機進行三維重建，利用雙目直線原理重構(gòu)機身、機翼的空間直線向量，再根據(jù)直線向量算出姿態(tài)參數(shù)，該方法具有精度高、適用范圍高等特點。

1 系統(tǒng)設(shè)計概述

本設(shè)計利用四臺全高清的攝像頭、全站儀、時間同步器及PC終端組成。系統(tǒng)由四臺攝像頭分別處于邊長為5米的矩形場地的（我給你新加的文字）四個角中，用以（我給你新加的文字）采集視頻數(shù)據(jù)，再由全站儀提供的相關(guān)角度矢量參數(shù)，通過計算得出系統(tǒng)所需要測量的姿態(tài)參數(shù)：偏航角、俯仰角及翻滾角。最后把這些參數(shù)存儲到數(shù)據(jù)庫中，并進行BP神經(jīng)網(wǎng)絡(luò)算法機器學(xué)習(xí)，讓該系統(tǒng)具有（新加）能夠二次識別飛行目標參數(shù)的能力。該系統(tǒng)能廣泛應(yīng)用于無人機的主動測量領(lǐng)域，即不需要在無人機上安裝傳感器，也能夠準確識別無人機的姿態(tài)參數(shù)，應(yīng)用方便、快捷。

2 姿態(tài)參數(shù)計算分析

步驟一：利用雙目視覺原理，對飛行物體進行三維姿態(tài)恢復(fù)。

步驟二：分離目標和背景。對飛行物體進行數(shù)字信息提取。統(tǒng)計每幀圖像像素分布直方圖，設(shè)此時像素分布直方圖的灰度分布為gmin及gmax，在gmin及gmax中選擇較合適的灰度值g作為分割的閾值，去分離目標和標景。

步驟三：分離機身及機翼。在做實驗前，對飛機進行如下處理：機翼與機身處涂上不同的顏色。獲取視頻信息后利用直方圖對灰度進行分析，把兩者分離出來，并分別對兩者信息進行存儲。

步驟四：對機身進行邊緣檢測處理，構(gòu)建直線向量。

（1）選用的是Sobel算子來對其圖像進行檢測。Sobel算子模板分為水平模板及垂直模板，利用此模板在每幀上的像素去卷積，那么就可以得到機身的邊緣輪廓線段。（2）構(gòu)建機身直線向量。利用雙目攝像頭在空間交匯產(chǎn)生直線，可構(gòu)建直線向量。如圖2所示，對于任兩個攝像機，無人機在其攝像頭所投影的圖像平面分別為S1、S2，兩攝像頭在空間所形成的平面相交即會產(chǎn)生一直線，可以利用這一原理來計算機身直線向量。

本系統(tǒng)采用的是四臺攝像機，可以排除更大的干擾，因此，可以利用構(gòu)建一個關(guān)于的集合，為：

式中指的是攝像機的臺數(shù)。

步驟五：對圖像的機翼處理。圖像的機翼部分可看作為梯形。由上述，利用Hough Transform進行邊緣檢測，求飛行目標的前后翼邊緣，設(shè)其在圖像坐標系下的直線方程為：

由上式，可以算出點’

由上述求的兩點，就可以算出此機翼在圖像坐標系下的直線方程：

同理，利用雙目系統(tǒng)中兩兩圖像平面相交可求得機翼向量

步驟六：利用構(gòu)建的空間向量計算姿態(tài)參數(shù)。參數(shù)推導(dǎo)如下：

由向量得出：

3 實驗

3.1 數(shù)據(jù)準備

準備的數(shù)據(jù)為訓(xùn)練集及測試集，里面的數(shù)據(jù)包括特征數(shù)據(jù)及樣本標簽。

訓(xùn)練集便是雙攝像頭采集到的視頻數(shù)據(jù)，通過數(shù)字圖像處理，提取圖像的特征數(shù)據(jù)存儲。測試數(shù)據(jù)集表示二次提取圖像信息時所得到的圖像特征信息，二者都需過相同的處理，所得的參數(shù)求法是一樣的。

特征數(shù)據(jù)是根據(jù)雙目視覺分析的圖像的特征數(shù)據(jù)，這里選用了周長像素點總數(shù)、奇數(shù)鏈碼數(shù)目、高度、寬度、周長目標面積、矩形度、伸長度、及七個不變距特征。

3.2 訓(xùn)練結(jié)果與分析

根據(jù)上述算法，對1241組特征數(shù)據(jù)進行訓(xùn)練，為了結(jié)果更為準確，本文從測試的的數(shù)據(jù)中拿了一部分數(shù)據(jù)作為輸入的訓(xùn)練，這里取訓(xùn)練組的數(shù)據(jù)1000組，測試的數(shù)據(jù)241組。經(jīng)過BP神經(jīng)網(wǎng)絡(luò)算法后，對測試的數(shù)據(jù)進行了測試，為了結(jié)果的顯示，只從測試數(shù)據(jù)中隨機抽出50組數(shù)據(jù)對訓(xùn)練結(jié)果進行測試。

圖1中黑色空白圈表示測試的值，星點表示神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)后所得的理想值?？梢钥闯鱿鄬τ谀滁c的測試值與理想值相擬合程度相對較高，也就是說，在一定的范圍內(nèi)，系統(tǒng)可以正常測量無人機的姿態(tài)參數(shù)。但也有部分數(shù)據(jù)擬合程度不太好，這和實驗設(shè)備及機器學(xué)習(xí)的算法都有很大的關(guān)系。

如圖2所示，BP網(wǎng)絡(luò)預(yù)誤差圖中可以看出，把測試樣本增大到100個，測量誤差也控制在30%之內(nèi)，所以，系統(tǒng)具有一定的穩(wěn)定性。

4 結(jié)語

本文論述了基于雙目視覺的無人機姿態(tài)測量系統(tǒng)，該系統(tǒng)通過四臺攝像頭讀取無人機數(shù)據(jù)，利用雙目視覺系統(tǒng)對無人機三維形態(tài)進行恢復(fù)，通過數(shù)字圖像處理技術(shù)提取無人機的特征信息并進行存儲。首先利用直方圖法分離背景及無人機，再分離無人機的機翼及機身信息，并分別進行數(shù)據(jù)存儲。其次利用空間兩圖像平面相交得出了無人機的機身、機翼向量，然后利用這些向量進行了姿態(tài)參數(shù)的計算。最后把無人機的特征參數(shù)及姿態(tài)參數(shù)做上相應(yīng)的標簽，讓其進行機器學(xué)習(xí)。由實驗得出，該系統(tǒng)具有二次識別無人機姿態(tài)的能力，且此系統(tǒng)比較穩(wěn)定。但由于實驗設(shè)備及算法原因，該系統(tǒng)還存在一定的誤差，但大部分數(shù)據(jù)誤差率保持在30%內(nèi)。

參考文獻

[1]蘇國中.基于光電經(jīng)緯儀影像的飛機姿態(tài)測量方法研究[J].武漢大學(xué)，博士論文，2005.

[2]H.Mostafavi，M.A. Streicker.Rigid body attitude estimation from a single view.[J] SPIE Ultrahigh-and High- speed Phot ography，videography，and Phot oni cs，1992，290-297.

第3篇：卷積神經(jīng)網(wǎng)絡(luò)概述范文

關(guān)鍵詞：鐵路物資；物資管理；無人倉庫；WMS；WCS

鐵路企業(yè)通過融合物聯(lián)網(wǎng)技術(shù)形成新型無人倉庫模式，在物資入庫、出庫、盤點等作業(yè)環(huán)節(jié)，依托智慧物流技術(shù)，替代傳統(tǒng)管庫員工作，使鐵路倉儲管理模式進一步科學(xué)化、簡約化、智能化，符合鐵路物資工作智能化發(fā)展方向和鐵路高質(zhì)量發(fā)展方向，符合建設(shè)現(xiàn)代化物流體系運營模式的要求。

1無人倉庫技術(shù)的概述及特點

1.1無人倉庫技術(shù)概述

在“互聯(lián)網(wǎng)+”時代，物聯(lián)網(wǎng)技術(shù)促進倉儲管理向智慧化、無人化發(fā)展，創(chuàng)新發(fā)展倉儲管理是物流業(yè)的研究重點，無人倉庫是倉儲管理智能化應(yīng)用的一個研究方向。無人倉庫的核心就是倉庫管理系統(tǒng)、倉庫控制系統(tǒng)與智能物流設(shè)備集成。鐵路企業(yè)根據(jù)物資管理實際，在不同場景下，合理使用智能設(shè)備，推進無人倉庫技術(shù)深度應(yīng)用，實現(xiàn)鐵路倉庫的智能化、無人化管理，可大幅提高物資的周轉(zhuǎn)效率，減少人力成本，提高資產(chǎn)利用率，快速提升鐵路物資的管理水平和物資供應(yīng)鏈的整體效率，提高鐵路企業(yè)整體運營效率。

1.2無人倉庫技術(shù)的特點

無人倉庫是一種基于管理系統(tǒng)、控制系統(tǒng)的綜合物流系統(tǒng)，建設(shè)無人倉庫雖然在倉庫內(nèi)達不到完全無人的情況，但可以通過人機高效協(xié)作創(chuàng)建智能倉庫，最大程度地減少人員數(shù)量，降低人工成本。

1.2.1WMS系統(tǒng)的延伸。WMS是倉庫管理系統(tǒng)（WarehouseManagementSystem）的縮寫，倉庫管理系統(tǒng)主要包括出入庫管理、庫存管理、盤點管理、貨位管理等。目前全路使用的鐵路物資管理信息系統(tǒng)屬于MIS類型信息系統(tǒng)，包含WMS功能。無人倉庫屬于存儲倉庫的一種新類型，在普通倉庫管理的基礎(chǔ)上延伸應(yīng)用范圍，通過引進先進的物聯(lián)網(wǎng)技術(shù)，實現(xiàn)減少倉庫現(xiàn)場管理人員，甚至實現(xiàn)現(xiàn)場無人管理。

1.2.2WCS系統(tǒng)的發(fā)展。WCS是倉儲控制系統(tǒng)（WarehouseControlSystem）的縮寫，倉儲控制系統(tǒng)的主要功能是在存儲倉庫中協(xié)調(diào)智能物流設(shè)備的運轉(zhuǎn)，如機器臂、機器人、無人機、堆垛機、穿梭車、智能叉車等物流設(shè)備運轉(zhuǎn)。目前鐵路物資倉庫管理技術(shù)發(fā)展尚需完善，特別是在WCS方面，建設(shè)或購買物流設(shè)備時沒有考慮如何控制運轉(zhuǎn)，基本沒有發(fā)揮出現(xiàn)代物流設(shè)備的先進性功能。無人倉庫是WCS技術(shù)的一個發(fā)展方向，集成倉庫內(nèi)物流設(shè)備，建立統(tǒng)一的數(shù)據(jù)接口，通過任務(wù)引擎分解任務(wù)指揮和監(jiān)控各物流設(shè)備運轉(zhuǎn)。無人倉庫的特點是物流設(shè)備無需管理人員控制，通過信息系統(tǒng)指揮即可運轉(zhuǎn)一個倉庫，并且在控制物流設(shè)備的基礎(chǔ)上，對倉庫的其他設(shè)備進行集成控制，如智能門禁、燈光、空調(diào)、加濕器、除濕器等。

1.2.3WMS與WCS結(jié)合。無人倉庫技術(shù)是智能倉儲管理系統(tǒng)（IWMS）的一種關(guān)鍵技術(shù)，以WMS和WCS為基礎(chǔ)，集成管理人員與倉庫設(shè)備，集成管理系統(tǒng)與控制系統(tǒng)，減少倉庫中管理人員的操作，最終實現(xiàn)建設(shè)無人倉庫的目標。WMS與WCS集成模式見圖1。

2無人倉庫在鐵路物資管理中的應(yīng)用

通過對國內(nèi)外大型生產(chǎn)、銷售、物流企業(yè)的調(diào)查和研究，參考國內(nèi)外其他大型企業(yè)各種無人倉庫或者無人超市、無人店鋪等的實踐應(yīng)用情況，在鐵路企業(yè)物資管理中無人倉庫可以應(yīng)用以下3種模式。

2.1智能微庫方式

智能微庫是智能儲物柜的一種方式，與智能售貨機類似，通過集成生物識別、計重計件、計費收費等物聯(lián)網(wǎng)技術(shù)，實現(xiàn)領(lǐng)料人或取貨人自行完成物資或貨物的出庫作業(yè)，可以脫離倉庫管理人員自動進行出庫作業(yè)。智能微庫技術(shù)在鐵路行業(yè)應(yīng)用較早，與倉庫管理信息系統(tǒng)沒有對接，并且在檢修車間應(yīng)用具有一定的局限性，在鐵路企業(yè)應(yīng)用不夠理想。智能微庫與無人售貨機、豐巢快遞柜類似，具有投資少、見效快的特點。智能微庫技術(shù)成熟，其中WCS與鐵路物資管理信息系統(tǒng)（RMMIS）對接后，與人員信息、物資信息、領(lǐng)料計劃、預(yù)算數(shù)據(jù)等WMS數(shù)據(jù)相結(jié)合，共同完成出庫管理作業(yè)，信息流與指令流相輔相成可發(fā)揮智能微庫的最大作用。

2.2自助取料方式

自助取料方式是指領(lǐng)料人進入無人倉庫進行自助取料，不需要倉庫管理人員參與出庫作業(yè)。自助取料方式的無人倉庫技術(shù)與顧客在超市中選購商品后自助結(jié)賬類似，不同之處是倉庫屬于集體或個人資產(chǎn)的存放地，不允許其他人員隨便出入。自助取料方式通過集成智能門禁系統(tǒng)、RFID技術(shù)、電子料簽、智能指示燈、電子計重等物聯(lián)網(wǎng)技術(shù)，實現(xiàn)倉庫管理無人的目標。

2.2.1領(lǐng)料人進門。目前人物識別技術(shù)已經(jīng)非常成熟，人像識別、指紋識別、指靜脈識別、虹膜識別、聲音識別等，但識別技術(shù)需要單獨購買，識別精度越高費用越貴，而且需要配備圖像處理的專用服務(wù)器，會加大無人倉庫的建設(shè)成本。在鐵路企業(yè)，一般由內(nèi)部員工領(lǐng)料，可通過移動端APP展示二維碼進行身份認證。

2.2.2貨位指引。無人倉庫中可以通過設(shè)置地面指示標志、料架指示燈、電子料簽進行物料位置的識別。如果領(lǐng)料人事先提報過領(lǐng)料計劃，倉庫工作指示屏上將顯示領(lǐng)料人的領(lǐng)料信息，并且對應(yīng)物資道路指引、貨架及料簽指示燈亮起，領(lǐng)料人拿取物資后在電子料簽上確認，系統(tǒng)自動指示物資的下一路徑。

2.2.3計件計重。無人倉庫中領(lǐng)料人拿取的個數(shù)或重量是無人倉庫解決方案的難點。重要物資的拿取可以通過RFID技術(shù)解決；一般非重要物資可以通過計重方式，在料架上安裝電子計重裝置，通過領(lǐng)料人拿取物資的重量與單重計算個數(shù)。

2.2.4出庫核算。領(lǐng)料人拿取物資后，倉庫工作指示屏上將自動顯示拿取物資的品種及數(shù)量，領(lǐng)料人點擊觸屏確認后自動在WMS系統(tǒng)中形成出庫單進行財務(wù)核算。

2.2.5庫存盤點。無人倉庫可以通過料架上的電子計重裝置與RFID技術(shù)自動進行庫存盤點，同時也可以使用盤點機器人或無人機通過高清攝像頭和卷積神經(jīng)網(wǎng)絡(luò)技術(shù)進行物資實物盤點。

2.3自動出貨方式

自動出貨方式與自助取料方式不同，自助取料方式是“人到貨”，自動出貨方式是“貨到人”。自動出貨方式是指領(lǐng)料人無需進入倉庫內(nèi)部進行取料，同時也無需倉庫管理人員出庫作業(yè)，是通過機器臂、機器人將物資配送到領(lǐng)料人處。自動出貨方式識別領(lǐng)料人后按照領(lǐng)料計劃潛伏式機器人將物資對應(yīng)的料架運送到領(lǐng)料區(qū)，領(lǐng)料人可以直接拿取，也可以配備機器臂將物資拿取到領(lǐng)料臺上。

3無人倉庫在鐵路物資管理應(yīng)用前景

中國鐵道科學(xué)研究院集團有限公司電子所物資課題組利用2020年課題《無人倉庫在鐵路物資管理中應(yīng)用研究》（合同編號DZYF20-10）的研究經(jīng)驗，開展無人倉庫技術(shù)在鐵路企業(yè)實際應(yīng)用的研究，認為無人倉庫技術(shù)可在鐵路企業(yè)的一些場景廣泛應(yīng)用。

3.1車間庫存管理

車間庫存是鐵路企業(yè)物資管理中的一個重要管理環(huán)節(jié)，在2018年鐵路物資管理信息系統(tǒng)V3.0版本中首次引用車間倉庫的概念，在系統(tǒng)中增加對車間倉庫的庫存管理。車間倉庫的特點是倉庫所在位置在生產(chǎn)檢修車間內(nèi)，不是在鐵路企業(yè)物資部門的倉庫內(nèi)，而且車間沒有專職的倉庫管理人員，一般情況下由車間工作人員兼職倉庫管理工作。車間倉庫具備應(yīng)用無人倉庫技術(shù)的有利場景，特別是智能微庫模式。智能微庫設(shè)在車間工作區(qū)域，一般情況靠墻放置，既方便車間工作人員隨時取料，又節(jié)約場地節(jié)約建設(shè)成本，同時也可以提高車間倉庫管理效能，解決車間易形成賬外料的難題。

3.2異地倉庫庫存管理

由于中國鐵路線路長且分布廣，一般情況下鐵路企業(yè)負責(zé)管理的地區(qū)較大，特別是鐵路工務(wù)段、電務(wù)段、供電段，異地倉庫普遍存在。由于一些異地倉庫地處偏遠，地區(qū)用料少，工作量較小，達不到一個倉庫管理人員的工作量。異地倉庫具備應(yīng)用無人倉庫技術(shù)的有利場景。異地?zé)o人倉庫采取自助取料方式，領(lǐng)料人按照車間領(lǐng)料計劃進入無人倉庫取料，自助取料、自動核算，可保證異地倉庫物資發(fā)放的準確性和核算的及時性，極大釋放異地倉庫管理的效能。