X Международная студенческая научная конференция Студенческий научный форум - 2018

В работе проводится исследование и реализация поэтапного решения задачи автоматического распознавания коридоров набивных стеллажей вилочными погрузчиками с использованием нейронной сети. Описан принцип работы нейронной сети, её структура и реализация. Так же, выполняется проверка работоспособности построенной нейронной сети для данной задачи.

Ключевые слова: Машинное обучение, классификация, автоматизация, распознавание, вилочный погрузчик, набивной стеллаж

Введение

Развитие информационных технологий способствует автоматизации различных сфер человеческой деятельности с целью повышения эффективности труда и упрощения жизнедеятельности людей. Автоматизация складов и складской техники является одним из перспективных направлений автоматизации. Автоматизированные склады превосходят по показателям эффективности неавтоматизированные. Автоматизация складской техники, используемой для разгрузки и загрузки товаров на складе, в частности погрузчиков, является актуальным направлением.

Постановка задачи

Задача заключается в автоматическом определении наличия стеллажного коридора погрузчиком для последующей загрузки или разгрузки товаров без участия человека. Предполагается, что погрузчик снабжен портативной камерой, которая производит съемку находящегося перед погрузчиком набивного стеллажа. Обученная нейронная сеть на основе получаемых изображений будет делать вывод о наличии стеллажного коридора перед погрузчиком.

Нейронная сеть представляет из себя математическую модель для решения различного рода задач со способностью к обучению – автоматическим нахождением сложных зависимостей между входными параметрами и выходными значениями с использованием различных обучающих методов и обучающего набора. В роли обучающего набора выступает заранее подготовленный набор входных параметров и выходные значения, соответствующих им. Результатом работы нейронной сети является предсказание – наиболее вероятное выходное значение.

Определение наличия или отсутствия стеллажного коридора являются задачей классификации. Входными параметрами (признаками) в данном случае является пиксели изображений, получаемых с камеры. Изображения для программы являются трехмерными или двухмерными, в зависимости от кодирования изображения, матрицами, каждый элемент которой отвечает за цвет отдельного пикселя. Далее нейронная сеть выполняет нелинейные расчеты и прогнозирует принадлежность изображения к одному из классов.

Модель нейронной сети

В качестве модели нейронной сети был выбран персептрон (рис. 1). В персептроне отсутствует обратная связь и, следовательно, память, все элементы предыдущего слоя связаны со всеми элементами следующего слоя с использованием весов, рассчитываемых с использованием обучающего набора. Скрытые слои участвуют только при расчетах, их количество и размеры влияют на точность нейронной сети и требуемые для расчета мощности.

Рисунок 1 – Общий вид персептрона

Для реализации был собран обучающий набор, состоящий из черно-белых изображений с размеров 20х20. Каждый пиксель кодируется одним из оттенков серого, принимающим значение от 0 (черный цвет) до 255 (белый цвет). Пример изображения и его матричного вида представлен на рис. 2.

Рисунок 2 - Пример изображения стеллажного коридора и его матричное представление

Изображения, используемые для обучающего набора, необходимо подбирать крайне тщательно, надо учитывать ряд условий: различные освещенности помещения; нахождение погрузчика под углом к стеллажному коридору или сбоку, когда дальнейшее движение вперед может привести к аварии; наличие товара в коридоре; неисправность самой камеры, в результате чего на изображении могут наблюдаться шумы или «битые пиксели».

Пример распознавания проходов

В обучающий набор вошло 200 примеров, состоящих из изображений и соответствующих им классов, 120 с наличием стеллажного коридора, 80 без стеллажного коридора или нахождения его под углом непригодным для загрузки/разгрузки.

Каждый пример включает в себя 400 параметров (произведение ширины и высоты), а также значение выходного параметра, которое соответствует наличию стеллажного коридора, «1» - стеллажный коридор есть, «0» - стеллажного коридора нет.

Для дальнейшей проверки работы нейронной сети обучающий набор разбивается на тренировочное множество и тестовое множество в соотношениях 70% на 30%. В результате было получено тренировочное множество из 140 примеров (90 со стеллажным коридором, 50 без) и тестовое множество из 60 примеров (по 30 на каждый класс).

В качестве архитектуры нейронной сети был выбран персептрон с одним скрытым слоем. Опытным путем было решено использовать 6 элементов (рис. 3). Обучение проводилось методом обратного распространения ошибки.

Рисунок 3 - Изменение точности нейронной сети с изменением размера скрытого слоя

Перед обучением нейронной сети так же необходимо задать изначальные значения весовых коэффициентов, которые определяют вес каждого элемента предыдущего слоя по отношению к элементу следующего слоя, и необходимые для метода обратного распространения ошибки коэффициента регуляризации, влияющего на скорость и правильность работы алгоритма, и условия окончания работы метода.

Хотя весовые коэффициенты и находятся в результате работы метода обратного распространения ошибки, во избежание симметрии коэффициентов необходимо задать некие начальные значения, отличные друг от друга. Для этого проводят «случайную инициализацию» - присвоение весовым коэффициентам случайных значений из диапазона [−𝜀; 𝜀]. Таким образом, весовые коэффициенты примут случайные значения: –𝜀 ≤Θ𝑖𝑗(𝑙)≤ ε. В данной задаче ε было выбрано 0.005.

Коэффициент регуляризации (λ) влияет на работу обучающего метода: при его отсутствии нейронная сеть может обучиться правильно работать только с данными идентичными обучающим; при слишком малом значении коэффициента методу потребуется намного больше итераций для нахождения весовых коэффициентов; при слишком большом значении коэффициента метод может не найти оптимальный результат так как на каждой итерации будет «перешагивать» через решение. Коэффициент регуляризации может быть динамическим или статичным, на начальных этапах обучения нейронной сети используют статичный, так как это упрощает возможность ручной проверки результатов. Начальное значение коэффициента, полученное экспериментально (рис. 4), λ=0.03.

Рисунок 4 - Точность нейронной сети от коэффициента регуляризации

Условием остановки работы обучающего метода может служить заданное конечное число итераций или условия достижения погрешности, когда в результате следующих итераций происходит незначительное изменение значений. В данной задаче в качестве условия остановки было решено использовать 100 итераций метода обратного распространения ошибки.

Точность работы нейронной сети рассчитывалась на количестве верно предсказанных классов по отношению ко всем классам.

Заключение

В результате работы была получена 80% точность: 48 из 60 тестовых примеров были правильно определены, из них 30 из 30 являлись стеллажным коридором и 18 из 30 не являлись стеллажным коридором. Точность недостаточна, чтобы сразу применять нейронную сеть в реальных условиях. По результатам анализа было решено, что дальнейшее повышение точности возможно при увеличении размера обучающего набора и количества признаков путем использования изображений большего расширения и/или использования цветных изображений.

Список литературы

Барсук И.В. Алгоритм построения маршрутов сбора товаров со стеллажей // Логистика. – 2016. – № 8. – С. 22 – 29.

Воронов В.И., Воронова Л.И. О повышении результативности магистерских программ в условиях инновационной экономики/ Инновационные подходы в науке и образовании: теория, методология, практика. - Изд-во: "Наука и Просвещение, 2017, с.35-44

Л.И. Воронова, В.И. Воронов. Machine Learning: Регрессионные методы интеллектуального анализа данных: учебное пособие – МТУСИ, 2017 – 81 с.

Открытая библиотека машинного обучения scikit-learn [Электронный ресурс]. – Режим доступа: http://scikit-learn.org/ (дата обращения: 25.12.2017)

Andrew L. Maas, Awni Y. Hannun, Andrew Y. Ng Rectifier Nonlinearities Improve Neural Network Acoustic Models – Computer Science Department, Stanford University, CA 94305 USA, 2014

5

Код для цитирования: Скопировать