人工智能与实际的生产应用相结合,将是未来创新发展的新趋势;原木理货是港口一项非常重要的业务,目前的理货模式需要到现场以人工点数的方式进行,工作量很大;由于现场环境恶劣,存在安全隐患,且需要占用大量的人员,另外原木的规格各不相同,无法保证理货数据的准确性以及追溯争议性数据。针对以上存在的一系列问题,我们开发了一套与人工智能算法相结合的原木智能理货平台,通过平台可以对现场作业的拖车、叉车,进行实时有效的跟踪监控和逻辑状态分析,以及对原木整个装卸过程进行统计分析,从而获得每一满叉的原木数量、每一趟拖车的原木数量、整条船的原木数量;同时平台可以实时的将分析结果展示出来。平台整体可分为GPU服务端和web服务端,GPU服务端用于处理视频流和图像,检测识别叉车、拖车和原木,分析状态和统计原木数量;web服务端用于显示、查询、存储分析结果,必要情况下可以进行少量的人工干预。原木智能理货平台融合了前沿的人工智能算法,使得对原木的检测很容易实现,但是也面临着挑战;由于原木的规格各不相同,又是户外作业,因此对模型的鲁棒性要求很高,不仅要适应光线的变化,还要求可以检测识别密集的和较细的原木。基于这样的特点重新设计了深度卷积模型;为了适应密集和小目标的特点,需要优化模型的感受野,以及充分利用浅层的纹理特征;主要创新与工作如下:1、提出全局上下文模块和残差分支、反卷积的四分支特征融合模型。通过全局上下文信息进行建模,整合特征空间依赖关系,又通过通道之间依赖关系进行标定,实现上下文信息的整合,可优化原木目标边缘信息。其中一个残差分支用于传递骨干特征层的特征,有两个分支利用空间不同方向的卷积分支进一步提取特征,深层特征通过反卷积进行上采样也作为一个残差分支,最后把四个分支的特征进行融合。2、提出池化层特征金字塔和相邻特征层融合模块。池化特征金字塔是为了实现自下而上的权值共享,另外加上自上而下的特征融合,使得整个网络能够充分利用各个层的特征信息,从而加快了训练损失的收敛趋势,且在小数据集中发挥一定的优势。相邻特征层融合是进一步进行优化,为了减少不同尺度特征信息带来的特征重叠和缓冲反向传播时的梯度流,只对相邻的用于预测的特征层进行融合;以上优化可以进一步提升训练的效率和测试效果。3、提出利用不同感受野特征融合来进行密集的原木检测。为了解决由于小原木截面密集排列而难以准确定位的问题,根据空洞卷积的特性,通过增加接受域和分辨率来增加局部细节信息,更有益于目标的检测,且不增加任何开销。在跟踪分析中,目标角度是实时变化的,导致在不同角度、密集目标之间出现严重的遮挡问题,特别是小目标,增加局部感受野可以提高对密集目标的检测效率。4、原木智能理货平台需求分析和方案设计。在开发前期进行了详细的需求分析和方案设计;针对作业流程、接口交互、功能设计、web设计做了重点分析,并以此为标准进行开发。平台设计目的是将算法和现场的视频流进行整合,展示和保存算法识别分析的结果,同时提供与港口原有系统对接的接口。我们在现场搜集了在不同规格、不同作业状态、不同角度下原木截面的数据集,在此数据集下通过大量的实验对比,以表明新模型在实际作业中的优势,特别是密集小规格的原木检测识别。