本文為荷蘭代爾夫特理工大學（作者：N.E. Sahla）的碩士論文，共58頁。

在過去的十年，全球倉儲自動化市場迅速而顯著地增長。最大的挑戰在於識別和處理不同的物件。本研究旨在探討物件特徵，例如大小或形狀與條形碼位置之間是否存在可用的關係，從而穩健地辨識儲存箱中的物件。在MATLAB中建立了一個深度卷積神經網路（CNN），並在一個由來自不同角度的數千幅產品影象組成的標記資料集上進行訓練，以確定條形碼位於產品的哪個表面。訓練結果表明，訓練資料集精度達到100%，而驗證資料的最大精度只有45%。需要更大的資料集以減少過度擬合，並提高驗證精度。當達到足夠的分類精度時，智慧揀選策略可以被有效地用於實際產品的處理。

The last decade has marked a rapid andsignificant growth of the global market of warehouse automation. The biggestchallenge lies in the identification and handling of foreign objects. The aimof this research is to investigate whether a usable relation exist betweenobject features such as size or shape, and barcode location, that can be usedto robustly identify objects in a bin. A deep convolutional neural network(CNN) is built in MATLAB and trained on a labeled dataset of thousand productimages from various perspectives, to determine on which surface of a productthe barcode lies. Training results show that while the training set accuracy reaches100%, a maximum validation accuracy of only 45% is achieved. A larger datasetis required to reduce overfitting and increase the validation accuracy. Whensufficient classification accuracies are reached, smart picking strategies canbe implemented to efficiently handle products.

1 引言

2 機器學習

3 機器學習演算法回顧

4 目標辨識理論框架

5 深度學習的實現

6 結論

附錄 MATLAB程式碼：卷積神經網路

下載英文原文地址：

http://page5.dfpan.com/fs/0lcbj2f21e296161357/

更多精彩文章請關注微訊號：