3、集装箱损伤识别与组合优化算法的改进研究

集装箱损伤识别与组合优化算法的改进研究

在实际应用中，集装箱损伤识别和组合多目标优化问题都具有重要意义。本文将围绕集装箱损伤识别的改进方法以及多智能体强化学习在组合优化中的应用展开探讨。

集装箱损伤识别改进方法

为了提高集装箱损伤识别的准确性，提出了一系列改进方法，下面分别进行介绍。

路径融合增强（Path Fusion Augmentation）

FPN 提取候选区域后，引入路径融合增强方法，在不减少高层信息的前提下，提高低层信息利用率和定位信息准确性。具体操作如下：
- 原始 Maskrcnn 用 FPN 生成 FPN2 - FPN5 用于后续转换，这里对其进行增强。
- FPN2 转换为 FPN21，与 FPN3 相加后卷积得到 FPN31。
- FPN31 与 3×3 卷积核卷积，加上 FPN4 得到 FPN41，再由 FPN41 得到 FPN51。
- 除第一层直接输出外，后续三层融合前一步的输入和输出后输出，即分别融合 FPN3 和 FPN31、FPN4 和 FPN41、FPN5 和 FPN51 得到该层输出。

多层全连接层（Multiple Fully Connected Layers）

为提高掩码预测质量，在掩码预测分支引入多层全连接层。全连接层通过大量参数预测特征图不同位置，具有位置敏感性，还能利用全局信息预测子区域，有助于区分不同实例和识别同一对象的不同部分，提高不同尺度的预测准确性。其结构如下：
- 在原始掩码预测分支引入三个分支，分支中设置卷积层、全连接层和维度修改部分。
- conv2、conv3 和 conv4 通过该分支得到