Использование возможностей искусственного интеллекта для выявления повреждённых грузов по внешнему виду упаковки при выполнении логистических операций

В связи с прогнозируемым в долгосрочной перспективе увеличением объёмов перевозимых грузов, ростом влияния экономических и территориальных факторов на транспортные процессы, усложнением логистических услуг и повышением требований к их качеству, распространением информационных технологий и совершенствованием инструментов искусственного интеллекта предложен перспективный способ распознавания повреждённых грузов по внешнему виду упаковки с помощью обучающейся нейронной сети.
Целью работы является описание принципов использования искусственной нейронной сети для выявления повреждённых грузов по их внешнему виду. Актуальность проблемы подтверждена данными о повреждениях грузов во время транспортировки. В работе применены методы сбора и анализа данных, описания и сравнения существующих и перспективных технологий, наблюдения за процессом грузопереработки и их моделирования, обобщения результатов. Проанализированы распространённые и перспективные методы предупреждения и выявления повреждений грузов. Использованы результаты исследований в области обнаружения дефектов на различных поверхностях и распознавания знаков и цветов в движении с применением интеллектуальных технологий.
С помощью свёрточной нейронной сети решены проблемы распознавания повреждений на упаковке в сложных и неблагоприятных для машинного зрения условиях. В соответствии с предложенным алгоритмом захват изображения осуществляется со стандартных камер видеонаблюдения. Из введённого в нейронную сеть изображения по характерным признакам выделяются фрагменты, которые проверяются на соответствие паттернам повреждений. В результате анализа контуров повреждений нейросеть признаёт груз повреждённым. В процессе обучения нейросети и интеграции предложенного инструмента по всей цепи поставок обеспечивается распознавание реально повреждённых грузов и исключаются ошибки, связанные с незначительными допустимыми повреждениями и особенностями упаковки. Предложенная концепция не требует установки дополнительного оборудования и не предполагает существенной стоимости услуг распознавания повреждённых грузов. Представлены и описаны процессы видеофиксации грузопотока, загрузки изображения в нейронную сеть и модель распознавания повреждённого груза по внешнему виду упаковки.

1. Sezer, A. A., Fredriksson, A. Paving the Path towards Efficient Construction Logistics by Revealing the Current Practice and Issues. Logistics, 2021, Vol. 5, Iss. 3, p. 53. DOI: https://doi.org/10.3390/logistics5030053.

2. Roth, M., Klarmann, A., Franczyk, B. Future Logistics – Challenges, Requirements and Solutions for Logistics Networks. International Journal of Mechanical, Aerospace, Industrial, Mechatronic and Manufacturing Engineering, 2013, Vol. 7, Iss. 10, pp. 898–903. [Электронный ресурс]: https://www.researchgate.net/publication/260401798_Future_Logistics_-_Challenges_Requirements_and_Solutions_for_Logistics_Networks. Доступ 17.06.2022.

3. He, Yi; Sun, Changxin; Huang, Helai; Jiang, Liang; Ma, Ming; Wang, Pei; Wu, Chaozhong. Safety of micromobility: Riders’ psychological factors and risky behaviors of cargo TTWs in China. Transportation Research Part F: Traffic Psychology and Behaviour, 2021, Vol. 80, pp. 189–202. DOI:10.1016/j.trf.2021.04.001.

4. Козорезова О. Н. Ответственность перевозчика за несохранность груза по договору перевозки железнодорожным транспортом // Актуальные научные исследования в современном мире. – 2021. – № 2–9. – С. 137–140. [Электронный ресурс]: https://elibrary.ru/item.asp?id=44878063. Доступ 17.06.2022.

5. Горборуков В. Транспортная логистика. Правила профессионалов. – Litres, 2022. – 330 с. ISBN 978-5-4493-9452-1.

6. StrategyR Influencer Driven. Logistics Insurance World Market Report. Highlights & Report Index. [Электронный ресурс]: https://www.strategyr.com/market-reportlogistics-insurance-forecasts-global-industry-analysts-inc.asp. Доступ 17.06.2022.

7. Бусел А. А. Объект страхования как существенное условие договора транспортного страхования грузов // Вестник Полоцкого государственного университета, серия D. Экономические и юридические науки. – 2021. – Т. 1. – № 6. – С. 160–164. [Электронный ресурс]: https://elib.psu.by/handle/123456789/24342. Доступ 17.06.2022.

8. De Andres Gonzalez, O., Koivisto, H., Mustonen, J., Keinänen-Toivola, M. Digitalization in Just-In-Time Approach as a Sustainable Solution for Maritime Logistics in the Baltic Sea Region. Sustainability, 2021, Vol. 13 (3), pp. 1173. DOI: https://doi.org/10.3390/su13031173.

9. Захаров С. В. Теоретические подходы к формированию методики и инструментов анализа государственной политики транспортной системы. – Ростов-на-Дону: ООО «Форвардер», 2021. – № 22. – С. 62–69. DOI: https://doi.org/10.5281/zenodo.5115680.

10. Малышев М. И. Инновационные инструменты обеспечения омниканальности в управлении цепями поставок // Технологии информационного общества: Сб. трудов XVI Международной отраслевой науч.-техн. конференции, Москва, 02–03 марта 2022 года. – М.: ООО «Издательский дом Медиа паблишер», 2022. – С. 256–258.

11. Holubčík, M., Koman, G., Soviar, J. Industry 4.0 in Logistics Operations. Transportation Research Procedia, 2021, Vol. 53, pp. 282–288. DOI: https://doi.org/10.1016/j.trpro.2021.02.040.

12. Singh, R., Sharma, R., Akram, S. V., Gehlot, A., Buddhi, D., Malik, P. K., Arya, R. Highway 4.0: Digitalization of highways for vulnerable road safety development with intelligent IoT sensors and machine learning. Safety Science, 2021, Vol. 143, pp. 105407. DOI: https://doi.org/10.1016/j.ssci.2021.105407.

13. He, Yunze; Deng, Baoyuan; Wang, Hongjin; Cheng, Liang; Zhou, Ke; Cai, Siyuan; Ciampa, F. Infrared machine vision and infrared thermography with deep learning: Areview. Infrared Physics & Technology, 2021, Vol. 116 (2), pp. 103754. DOI:10.1016/j.infrared.2021.103754.

14. Jiang, Hua Feng; Hao, Yuan; Yun, Qing Hu; Jun, Lin; Shi, Wang Liu; Xiao, Luo. Research on deep learning method for rail surface defect detection. IET Electrical Systems in Transportation, 2020, Vol. 10, No. 4, pp. 436–442. DOI: https://doi.org/10.1049/iet-est.2020.0041. [Электронный ресурс]: https://ietresearch.onlinelibrary.wiley.com/doi/epdf/10.1049/iet-est.2020.0041. Доступ 17.06.2022.

15. Kherraki, A., Ouazzani, R. El. Deep convolutional neural networks architecture for an efficient emergency vehicle classification in real-time traffic monitoring. IAES International Journal of Artificial Intelligence (IJ-AI), 2022, Vol. 11, Iss. 1. DOI: http://doi.org/10.11591/ijai.v11.i1. pp110-120.

16. Yépez, J., Castro-Zunti, R., Cho, Y., Seok-Bum, Ko [et al]. Real‐time CVSA decals recognition system using deep convolutional neural network architectures. IET Intelligent Transport Systems, 2021, Vol. 15, Iss. 11, pp. 1359–1371. DOI: https://doi.org/10.1049/itr2.12103.

17. Uspenskiy, I. A., Yukhin, I. A., Ryabchikov, D., Rembalovich, G. K. Development and testing of a conveyor for detecting various types of vehicles when transporting agricultural products from the field. IOP Conference Series: Materials Science and Engineering. IOP Publishing, 2020, Vol. 832, Iss. 1, pp. 012059. DOI:10.1088/1757-899X/832/1/012059.

18. Song, Weidong; Jia, Guohui; Zhu, Hong; Jia, Di; Gao, Lin. Automated Pavement Crack Damage Detection Using Deep Multiscale Convolutional Features. Journal of Advanced Transportation, 2020, Vol. 2020. DOI: https://doi.org/10.1155/2020/6412562.

19. Малышев М. И. Обзор исследований в области повышения эффективности мультимодальных перевозок на основе технологических решений // Научный вестник Московского государственного технического университета гражданской авиации. – 2020. – Т. 23. – № 4. – С. 58–71. DOI:10.26467/2079-0619-2020-23-4-58-71.

20. Raut, R., Krit, S., Chatterjee, P. Machine Vision for Industry 4.0: Applications and Case Studies. CRC Press, 2022, 322 p. ISBN 9780367637125.