技术摘要：
本发明公开了一种基于AI分析技术的仓储库存状态感知方法，本发明的训练模式能够YOLOv3网络模型在定位货车坐标的同时提供车长信息，通过车长估算每一辆货车的载货量，可以在一定程度上减小库存动态变化量的误差，但对于货车重叠情境下货车在厂区域数量可以作为新的特征  全部
背景技术：
在货车识别方面，传统工厂通常使用人工计数法或者闸口计数的方法来进行测 量，而更加数字化的方法是使用物体检测算法对工厂厂区摄像头视频流进行分析检测，主 流的方法包括RCNN和YOLO等。 Girshick  Ross，Donahue  Jeff以及Darrell等提出的RCNN网络结构先针对图像帧 的颜色、纹理特征筛选出候选区域，再对候选区域进行物体检测。该网络模型能够实现较高 的物体检测精度，但由于整个流程被划分为了两个步骤，而非端到端模式的网络结构，因此 该方法在识别速率上较慢，这意味工厂需要花费更多资金用于购买边缘算力强的设备来满 足视频流的检测。且在动态随机图像帧，区域内货车重叠，多方位角度轨迹情况下，预测精 度较低。 Redmon，Joseph和Farhadi发表的YOLO网络模型(You  Only  Look  Once)则在满足 一定精度的前提下，大幅度提升了物体检测的速率。该模型未采用候选区域法，而是将模型 隐藏层输出的特征图划分为了S×S的网格，为每个网格设置多个锚框，最后通过与特征图 网格相连的全连接层进行目标信息的输出，得到物体检测的结果，整个识别流程只有一个 步骤，为端到端模式的网络结构，因此运行速率非常快，也意味着该模型能够在边缘算力弱 的设备上实现实时视频流的检测。现在，YOLO网络模型吸取了同领域其他算法或网络模型 的优点，已经发展出了YOLOv2(YOLO  9000)以及YOLOv3，在保持一定高速率的同时，大幅度 提升了物体识别的精度，并且增强了对中小物体的识别能力，因此在物体识别方法中被广 泛地应用。 在仓库存储量检测方面，工厂通常采用激光扫描设备或双目深度摄像头测量货物 的体积，然后根据得到的体积进行库存量的推算。 在货车识别方面，以传统的训练方法得到的RCNN以及YOLO模型虽然能够很好地胜 任货车识别工作，但无法区分货车的具体种类。由于不同种类的货车车身长度不同，在运货 能力上存有差异，所以传统方法通常取货车车长的中位数或者众数作为衡量一辆车运货量 的标准，而即使如此，最终计算得到的运货总量通常也与实际值有着较大的偏差。 此外，此类目标检测算法无法胜任于复杂的货车进出场景：如货车进入厂门后未 经卸货又倒车出厂的情景，或者货车相互重叠的情况。在此场景中，没有形成确定的货物装 卸，但是仓库存储系统却判断有动态变化的存货量。要使传统方案预测的结果精确，除了要 限制摄像头的位置在厂门口处之外，还需要限制货车的流向，对整个数字工厂的作业来看， 增加了额外的成本开销。再者，在复杂工厂情况下，视频流中的货车发生遮挡或重叠的现象 时有发生，与此同时，由于视频流流量因素，现主要采取触发式采集图片，该方式存在的一 个主要问题在于所采集图片为随机触发，帧与帧之间并未有规律，导致无法完全按照视频 3 CN 111598158 A 说　明　书 2/6 页 流方案开展追踪。这也使得传统方案得不到足够精确的结果。 在仓库存储检测方面，传统检测方法过多地依赖于硬件设备的检测能力，这意味 着企业需要投入大量资金用于购买先进的设备仪器以保证足够的精准度。
技术实现要素：
本发明的目的在于提供一种基于AI分析技术的仓储库存状态感知方法，以解决上 述