卷積神經(jīng)網(wǎng)絡概述精選(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)絡概述范文

關(guān)鍵詞：機器學習；深度學習；推薦算法；遠程教育

深度學習（DeepLearning），也叫階層學習，是機器學習領(lǐng)域研究的分支，它是學習樣本數(shù)據(jù)的表示層次和內(nèi)在規(guī)律，在學習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)的學習，在網(wǎng)絡上獲取關(guān)鍵字，對圖像數(shù)據(jù)的學習，進行人臉識別等等。

一、深度學習發(fā)展概述

深度學習是機器學習領(lǐng)域里一種對數(shù)據(jù)進行表征學習的方法。一句話總結(jié)三者之間的關(guān)系就是：“機器學習，實現(xiàn)人工智能的方法；深度學習，實現(xiàn)機器學習的技術(shù)。深度學習目前是機器學習和人工智能領(lǐng)域研究的主要方向，為計算機圖形學、計算機視覺等領(lǐng)域帶來了革命性的進步。機器學習最早在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（ConvolutionalNeuralNet-works，CNN）也因此得到了一定的發(fā)展。在1990年至2012年，機器學習逐漸成熟并施以應用，GeoffreyHinton在2006年設計出了深度信念網(wǎng)絡，解決了反向傳播算法神經(jīng)網(wǎng)絡中梯度消失的問題，正式提出了深度學習的概念，逐漸走向深度學習飛速發(fā)展的時期。隨后，各種具有獨特神經(jīng)處理單元和復雜層次結(jié)構(gòu)的神經(jīng)網(wǎng)絡不斷涌現(xiàn)，深度學習技術(shù)不斷提高人工智能領(lǐng)域應用方面的極限。

二、深度學習主要模型

1、卷積神經(jīng)網(wǎng)絡卷積神經(jīng)網(wǎng)絡（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。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)絡能夠得到數(shù)據(jù)的特征，在模式識別、圖像處理等方面應用廣泛。一個卷積神經(jīng)網(wǎng)絡主要由三層組成，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的訓練過程是有監(jiān)督的，各種參數(shù)在訓練的過程中不斷優(yōu)化，直到得到最好的結(jié)果。目前，卷積神經(jīng)網(wǎng)絡的改進模型也被廣泛研究，如全卷積神經(jīng)網(wǎng)絡（FullyConvolutionalNeuralNetworks，F(xiàn)CN）和深度卷積神經(jīng)網(wǎng)絡（DeepConvolutionalNeuralNetworks，DCNN）等等。2、循環(huán)神經(jīng)網(wǎng)絡區(qū)別于卷積神經(jīng)網(wǎng)絡在圖片處理領(lǐng)域的應用，循環(huán)神經(jīng)網(wǎng)絡（RecurrentNeuralNetwork，RNN）主要應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，試著預測下一個詞語的可能性。這在翻譯任務中是很有用的，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)絡深度神經(jīng)網(wǎng)絡（deepneuralnetworks，DNN）可以理解為有很多隱藏層的神經(jīng)網(wǎng)絡。多層神經(jīng)網(wǎng)絡和深度神經(jīng)網(wǎng)絡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（DNN）目前作為許多人工智能應用的基礎，并且在語音識別和圖像識別上有突破性應用。DNN的發(fā)展也非常迅猛，被應用到工業(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)絡技術(shù)能夠超越人類的準確率，但同時也存在著計算復雜度高的問題。因此，那些能夠解決深度神經(jīng)網(wǎng)絡表現(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)域能夠廣泛應用DNN技術(shù)的關(guān)鍵。

三、深度學習在教育領(lǐng)域的影響

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

四、成人遠程教育中深度學習技術(shù)的可應用性

深度學習方面的應用在眾多領(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，深度學習的技術(shù)還有很大的發(fā)揮空間，智能網(wǎng)絡教育的實現(xiàn)是人們的眾望所盼。若要將深度學習技術(shù)應用到遠程教育平臺，首先要清楚學生的需求和教學資源如何分配。1、針對學生的學習需求與學習特征進行分析美國斯坦福大學克里斯皮希研究團隊的研究成果顯示，通過對學生知識學習進行時間建模，可以精確預測出學生對知識點的掌握情況，以及學生在下一次學習中的表現(xiàn)。深度學習的應用可以幫助教師推測出學生的學習能力發(fā)展水平。通過學生與教學環(huán)境的交互行為，分析其學習風格，避免教師用經(jīng)驗進行推斷而產(chǎn)生的誤差。2、教學資源的利用與分配深度學習技術(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，對學生的學習情況加以分析，使教師對學生的學習狀態(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模式，教師對學生的學習狀態(tài)有了更準確的掌握，對學生的學習結(jié)果就有了更科學的教學評價。基于深度學習的人工智能技術(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)出學習中出現(xiàn)的問題，幫助教師減少重復性勞動，減輕教師負擔。作為成人高校，遠程教育是我們的主要教學手段，也是核心教學方式，學校的教學必定是在學生方便學習的同時，以學生的學習效果為重。通過深度學習技術(shù)，可以科學地分析出學生的學習效果，對后續(xù)教與學給予科學、可靠的數(shù)據(jù)支撐。我們可以在平臺上為每位同學建立學習模型，根據(jù)學生的學習習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，可以將學生正式在線參加學習和考試的學習行為和非學習時間瀏覽網(wǎng)站的行為結(jié)合到一起，更加科學地分析出學生在學習網(wǎng)站上感興趣的地方。采用深度學習算法，根據(jù)學生學習行為產(chǎn)生的海量數(shù)據(jù)推算出學生當前狀態(tài)與目標狀態(tài)之間的差距，做到精準及時的學習需求反饋。有助于幫助學生明確學習目標，教師確立教學目標，真正做好因材施教。基于深度學習各種智能識別技術(shù)，可以為教師的線上教學活動增光添彩，在反饋學生學習狀態(tài)的同時，采用多種形式的教學方法吸引學生的注意力，增強教學活動的互動性，達到良好的教學效果。

第2篇：卷積神經(jīng)網(wǎng)絡概述范文

關(guān)鍵詞：無人機 雙目視覺 機器學習 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)設計概述

本設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)絡算法機器學習，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。

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)作為輸入的訓練，這里取訓練組的數(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)絡學習后所得的理想值。可以看出相對于某點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，這和實驗設備及機器學習的算法都有很大的關(guān)系。

如圖2所示，BP網(wǎng)絡預誤差圖中可以看出，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，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)做上相應的標簽，讓其進行機器學習。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，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，合理使用智能設備，推進無人倉庫技術(shù)深度應用，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上延伸應用范圍，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，建設或購買物流設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)物流設備，建立統(tǒng)一的數(shù)據(jù)接口，通過任務引擎分解任務指揮和監(jiān)控各物流設備運轉(zhuǎn)。無人倉庫的特點是物流設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，并且在控制物流設備的基礎上，對倉庫的其他設備進行集成控制，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，集成管理人員與倉庫設備，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用情況，在鐵路企業(yè)物資管理中無人倉庫可以應用以下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，并且在檢修車間應用具有一定的局限性，在鐵路企業(yè)應用不夠理想。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器，會加大無人倉庫的建設成本。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用前景

中國鐵道科學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)負責管理的地區(qū)較大，特別是鐵路工務段、電務段、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。異地倉庫具備應用無人倉庫技術(shù)的有利場景。異地無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。