مشخصات پژوهش

عنوان	بازشناسی کالاها در انبارهای صنایع نفت، گاز و پتروشیمی با استفاده از پردازش تصویر
نوع پژوهش	پایان نامه های تقاضا محور و غیر تقاضا محور
کلیدواژه‌ها	کد استاندارد کالا و تجهیزات، طبقه بندی کالا، شبکه های عصبی کانولوشنی، یادگیری عمیق، بینایی ماشین
چکیده	مدیریت کارآمد موجودی قطعات یدکی یک عملکرد حیاتی است که در خدمات پس از فروش مورد نیاز می باشد. همچنین باعث در دسترس بودن تجهیزات در حین عملیات تعمیر و نگهداری برای شرکت های تولیدی می شود. به طور سنتی در یک انبار، محصولات به صورت تصادفی بر روی زمین قرار داده می شود، و اجرای عملیات بیشتر وابسته به حافظه و تجربه ی اپراتور است، در نتیجه در زمان بیشتر و با خطای بیشتر انجام می شود. هر عملکرد ضعیف در چیدن انبار می تواند به خدمات نامطلوب و هزینه ی عملیاتی بالا برای ذخیره سازی برای کل زنجیره ی تأمین منجر شود . حدود 50 تا 60 درصد هزینه ی هر پروژه مربوط به قیمت کالاهای آن می باشد. به عنوان مثال در شرکت های تابع وزارت نفت بیش از 60 درصد کل بودجه های عملیاتی آن مربوط به تامین کالاهای مورد نیاز می باشد . بنابراین با هدف کاهش مشکلات ناشی از تنوع کالاها و ایجاد یک برنامه ی منظم در مصرف کالاها و جلوگیری از تعدد وسایل و دستگاه ها و پراکندگی نوع اجناس معرفی و نهایتاً تأمین مناسب ترین نوع کالا و رعایت صرفه و صلاح در مصارف لازم است. کلیه ی اجناس و وسایل و قطعات در یک سیستم مشخص و با اختصاص شماره های طبقه بندی و کالا کدگذاری شوند. با توجه به اینکه تجهیزات مورد استفاده در صنعت نفت و گاز مدت زیادی در حال استفاده است، ممکن است بدلیل شرایط نامطلوب محیط صنعتی(مانند دمای بالا، لرزش، رطوبت، نور آفتاب و ...) و تعمیر و نگهداری نامطلوب، برگه ی مشخصات تجهیز از بین رفته یا خواندن مشخصات تجهیز ممکن نباشد. در این صورت ممکن است در برخی از تجهیزات پیدا کردن کد استاندارد کالا مشکل و وقت گیر باشد و گاهی نیز پیدا کردن کد استاندارد کالا ممکن نباشد. در این صورت کالا در انبار موجود است ولی بدلیل نداشتن کد استاندارد تجهیز مورد نظر اپراتور انبار قادر به جستجو در میان هزاران تجهیز در قفسه ها و طبقه های مختلف نیست. از شبکه ی عصبی عمیق CNN به عنوان استخراج گر بردار ویژگی از تصاویر رنگی RGB تجهیزات صنعتی استفاده شده است. با استفاده از طبقه بندی کننده SVM کد استاندارد تجهیز مربوطه را تشخیص و در 10 کلاس طبقه بندی شده است. با دقت 98.5 درصد در تشخیص کد استاندارد تجهیز مربوطه طبقه بندی شده است. از روش پیش آموزش جهت استخراج ویژگی استفاده شده است و پس از بررسی معماری های مختلف از معماری AlexNet با تغییرات در لایه ی استخراج
پژوهشگران	ابوالقاسم خاتمی (دانشجو)، حسن مرادزاده (استاد راهنما)، سیف اله سلیمانی (استاد راهنما)