CN111612398A - 仓库配货方法、装置、计算机设备及存储介质 - Google Patents

Abstract

本申请公开了一种仓库配货方法、装置、计算机设备及存储介质，属于互联网技术领域。该方法包括：确定待配货的仓库的室内环境的图像；将所述图像输入目标模型，输出所述仓库的爆仓指示信息，所述目标模型用于基于任一仓库的室内环境的图像输出所述任一仓库的爆仓指示信息，所述爆仓指示信息用于指示所述仓库内货物是否爆满；基于所述仓库的爆仓指示信息，向所述仓库进行配货。本公开实施例通过仓库的室内环境的图像输入目标模型，基于该目标模型得到对应仓库的爆仓指示信息，通过该爆仓指示信息准确的表示出仓库内货物爆满的情况，从而基于该爆仓指示信息来对各个仓库精准配货，提升仓库的配货的准确度。

Description

仓库配货方法、装置、计算机设备及存储介质

技术领域

本发明涉及互联网技术领域，特别涉及一种仓库配货方法、装置、计算机设备及存储介质。

背景技术

随着互联网技术的发展，时下许多电商平台可以为用户提供产品交易服务。通常电商平台在一定地理范围内分散配置多个仓库，每个仓库内存储有多种产品，该电商平台通过该多个仓库快速向周围用户配送交易的产品。然而，随着交易的不断进行，电商平台需要持续向各个仓库进行配货，以满足每个仓库周围用户的交易需求。

相关技术中，通常是根据仓库周围用户的历史交易情况，对仓库进行配货，例如，服务器根据仓库周围用户最近一个月内在电商平台的交易量，预测该仓库周围用户下个月的预测交易量，按照该预测交易量，向该仓库内配送不少于该预测交易量的货物。

上述过程实际为按照之前一段时间的交易情况预估未来交易量，以对仓库配货。然而，所预估的未来交易量极易存在误差，可能与仓库的实际配货需求并不相符，从而导致仓库配货的准确率较低。

发明内容

本公开实施例提供了一种仓库配货方法、装置、计算机设备及存储介质，能够提高仓库配货过程的准确率。所述技术方案如下：

一方面，提供了一种仓库配货方法，所述方法包括：

确定待配货的仓库的室内环境的图像；

将所述图像输入目标模型，输出所述仓库的爆仓指示信息，所述目标模型用于基于任一仓库的室内环境的图像输出所述任一仓库的爆仓指示信息，所述爆仓指示信息用于指示所述仓库内货物是否爆满；

基于所述仓库的爆仓指示信息，向所述仓库进行配货。

在一种可能实现方式中，所述将所述图像输入目标模型，输出所述仓库的爆仓指示信息包括：

将所述图像输入所述目标模型；

在所述目标模型中，基于所述目标模型的第一特征层，提取所述图像的图像特征；

将所述图像特征输入所述目标模型的第二特征层，基于所述目标模型的第二特征层，输出所述仓库的爆仓概率，所述爆仓概率用于指示所述仓库内货物爆满的可能性。

在一种可能实现方式中，所述在所述目标模型中，基于所述目标模型的第一特征层，提取所述图像的图像特征之后，所述方法还包括：

将所述图像特征输入所述目标模型的第三特征层，基于所述目标模型的第三特征层，输出所述仓库的爆仓程度指数，所述爆仓程度指数用于指示所述仓库内货物爆满的程度。

在一种可能实现方式中，所述目标模型的训练过程包括：

获取多个样本图像和所述多个样本图像中每个样本图像的样本标签；

将所述多个样本图像输入预设模型，基于所述预设模型输出的所述多个样本图像的爆仓指示信息和所述多个样本图像的样本标签，对所述预设模型进行训练，得到所述目标模型。

在一种可能实现方式中，所述样本图像的样本标签包括所述样本图像的样本概率和所述样本图像的样本程度指数，所述将所述多个样本图像输入预设模型，基于所述预设模型输出的所述多个样本图像的爆仓指示信息和所述多个样本图像的样本标签，对所述预设模型进行训练，得到所述目标模型包括：

将所述多个样本图像输入所述预设模型；

基于所述预设模型的第一特征层，提取所述多个样本图像的图像特征，将所述图像特征分别输入所述目标模型的第二特征层和第三特征层，分别输出所述每个样本图像对应的爆仓概率和所述每个样本图像对应的爆仓程度指数；

确定所述每个样本图像对应的爆仓概率与所述每个样本图像的样本概率之间的第一差异，以及，所述每个样本图像对应的爆仓程度指数与所述每个样本图像的样本程度指数之间的第二差异；

基于所述第一差异和所述第二差异，对所述预设模型的第一特征层、第二特征层和第三特征层的参数进行调整，直至符合目标条件时停止调整，得到所述目标模型。

在一种可能实现方式中，所述确定待配货的仓库的室内环境的图像包括以下任一项：

基于待配送货物的目标货物类别和多个仓库所存放货物的货物类别，获取所述多个仓库中货物类别为所述目标货物类别的仓库的室内环境的图像；

基于所述待配送货物所在的地理位置和所述多个仓库所在的地理位置，获取所述多个仓库中位于目标地理区域的仓库的室内环境的图像。

在一种可能实现方式中，所述确定待配货的仓库的室内环境的图像包括：

基于所述仓库所包括的多个仓库区域，获取所述仓库的多个区域图像，每个区域图像为对应一个仓库区域的室内环境的图像；

所述基于所述仓库的爆仓指示信息，向所述仓库进行配货包括：

基于所仓库中每个仓库区域的爆仓指示信息和每个仓库区域对应的货物类别，确定所述仓库中每个仓库区域对应货物类别的货物的配货量，按照每个仓库区域对应货物类别的货物的配货量，向所述仓库进行配货。

在一种可能实现方式中，所述将所述图像输入目标模型，输出所述仓库的爆仓指示信息包括：

将所述多个区域图像输入所述目标模型，输出每个区域图像对应的爆仓指示信息，将所述多个区域图像对应的多个爆仓指示信息作为所述仓库的爆仓指示信息。

另一方面，提供了一种仓库配货装置，所述装置包括：

确定模块，用于确定待配货的仓库的室内环境的图像；

输出模块，用于将所述图像输入目标模型，输出所述仓库的爆仓指示信息，所述目标模型用于基于任一仓库的室内环境的图像输出所述任一仓库的爆仓指示信息，所述爆仓指示信息用于指示所述仓库内货物是否爆满；

配货模块，用于基于所述仓库的爆仓指示信息，向所述仓库进行配货。

在一种可能实现方式中，所述输出模块，还用于将所述图像输入所述目标模型；在所述目标模型中，基于所述目标模型的第一特征层，提取所述图像的图像特征；将所述图像特征输入所述目标模型的第二特征层，基于所述目标模型的第二特征层，输出所述仓库的爆仓概率，所述爆仓概率用于指示所述仓库内货物爆满的可能性。

在一种可能实现方式中，所述输出模块，还用于将所述图像特征输入所述目标模型的第三特征层，基于所述目标模型的第三特征层，输出所述仓库的爆仓程度指数，所述爆仓程度指数用于指示所述仓库内货物爆满的程度。

在一种可能实现方式中，所述装置还包括：

获取模块，用于获取多个样本图像和所述多个样本图像中每个样本图像的样本标签；

模型训练模块，用于将所述多个样本图像输入预设模型，基于所述预设模型输出的所述多个样本图像的爆仓指示信息和所述多个样本图像的样本标签，对所述预设模型进行训练，得到所述目标模型。

在一种可能实现方式中，所述模型训练模块，还用于将所述多个样本图像输入所述预设模型；基于所述预设模型的第一特征层，提取所述多个样本图像的图像特征，将所述图像特征分别输入所述目标模型的第二特征层和第三特征层，分别输出所述每个样本图像对应的爆仓概率和所述每个样本图像对应的爆仓程度指数；确定所述每个样本图像对应的爆仓概率与所述每个样本图像的样本概率之间的第一差异，以及，所述每个样本图像对应的爆仓程度指数与所述每个样本图像的样本程度指数之间的第二差异；基于所述第一差异和所述第二差异，对所述预设模型的第一特征层、第二特征层和第三特征层的参数进行调整，直至符合目标条件时停止调整，得到所述目标模型。

在一种可能实现方式中，所述确定模块，还用于以下任一项：

基于待配送货物的目标货物类别和多个仓库所存放货物的货物类别，获取所述多个仓库中货物类别为所述目标货物类别的仓库的室内环境的图像；

基于所述待配送货物所在的地理位置和所述多个仓库所在的地理位置，获取所述多个仓库中位于目标地理区域的仓库的室内环境的图像。

在一种可能实现方式中，所述确定模块，还用于基于所述仓库所包括的多个仓库区域，获取所述仓库的多个区域图像，每个区域图像为对应一个仓库区域的室内环境的图像；

所述配货模块，还用于基于所仓库中每个仓库区域的爆仓指示信息和每个仓库区域对应的货物类别，确定所述仓库中每个仓库区域对应货物类别的货物的配货量，按照每个仓库区域对应货物类别的货物的配货量，向所述仓库进行配货。

在一种可能实现方式中，所述输出模块，还用于将所述多个区域图像输入所述目标模型，输出每个区域图像对应的爆仓指示信息，将所述多个区域图像对应的多个爆仓指示信息作为所述仓库的爆仓指示信息。

另一方面，提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述指令由所述处理器加载并执行以实现如上述的仓库配货方法所执行的操作。

另一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现如上述的仓库配货方法所执行的操作。

本公开实施例提供的技术方案带来的有益效果是：

通过将仓库的室内环境的图像输入目标模型，基于该目标模型得到对应仓库的爆仓指示信息，通过该爆仓指示信息准确的表示出仓库内货物爆满的情况，从而基于该爆仓指示信息来对各个仓库精准配货，大大提高了仓库的配货的准确度。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本公开实施例提供的一种仓库配货方法的实施环境示意图；

图2是本公开实施例提供的一种仓库配货方法的流程图；

图3是本公开实施例提供的一种仓库配货方法的流程图；

图4是本公开实施例提供的一种仓库的室内环境的图像示意图；

图5是本公开实施例提供的一种仓库的室内环境的图像示意图；

图6是本公开实施例提供的一种仓库配货流程图；

图7是本公开实施例提供的一种仓库配货装置的结构示意图；

图8是本公开实施例提供的一种终端的结构示意图；

图9是本公开实施例提供的一种服务器的结构示意图。

具体实施方式

下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。

图1是本公开实施例提供的一种仓库配货方法的实施环境示意图。参见图1，该实施环境包括：计算机设备101和图像采集设备102。该图像采集设备102可以位于仓库中，用于采集该仓库的室内环境的图像。该计算机设备101可以为该仓库的管理计算机设备，该计算机设备101和该图像采集设备102之间可以建立有通信连接。该计算机设备101可以基于该通信连接从图像采集设备102中获取该仓库的室内环境的图像，基于该仓库的室内环境的图像，来为仓库进行配货。

该图像采集设备102的数目可以为多个，该仓库的数目也可以为多个，每个仓库可以配置有一个或多个图像采集设备102。在一个可能场景中，该仓库可以为电商平台配置的仓库，该仓库可以为该电商平台的前置仓。该电商平台通过计算机设备101对多个前置仓进行智能化管理和运营，本公开实施例中，该计算机设备101可以利用该图像采集设备102的图像，实时监控多个前置仓的爆仓情况，例如，前置仓的爆仓指示信息、爆仓概率等，基于多个前置仓的爆仓情况，动态调整每个前置仓的配货量，以对多个前置仓进行智能化管理。

需要说明的是，该图像采集设备102可以为具备图像采集功能的任一设备，例如，该图像采集设备102可以为无线摄像头、监控一体机、网络监控机等。计算机设备101可以为服务器或终端，该服务器既可以是一个独立的服务器，也可以是由多个服务器组成的服务器集群，该图像采集设备102的数可以为多个，图1中仅以三个为例进行示出，本公开实施例对此不进行具体限定。

下面对本公开实施例涉及的多个名词进行介绍：

电商平台：是指为用户提供产品交易的网络平台，该电商平台上配置有多个前置仓，每个前置仓内存储有多种产品，该电商平台通过该多个前置仓快速向用户配送交易的产品，实现高效、便捷的网络交易过程。例如，该电商平台可以提供全品类的产品交易，也可以为以提供某一大类产品为主的交易平台，例如，该电商平台可以为用户供应生鲜产品的生鲜电商平台，例如，水果蔬菜、海鲜肉禽、牛奶零食等；例如，该电商平台还可以为图书电商平台、服装电商平台等。

前置仓：在一定地理区域范围内分散分布的产品供给配送中心。通常，该电商平台可以在一定地理区域范围内配置多个前置仓，每个前置仓分别对应于该地理区域范围内的某一片子区域，专门为对应子区域内的用户提供产品供给和配送服务，例如，用户购买的产品可能是来自于在附近社区里设置的一个前置仓，而不是从诸如远在郊区的某个前置仓发货。例如，每个子区域对应的前置仓可以为一个中小型的仓储配送中心，该电商平台可以通过中心大仓持续向各个前置仓进行配货，以保证每个前置仓内产品有一定的库存量，避免断货。

爆仓指示信息：用于指示所述仓库内货物是否爆满。该爆仓指示信息可以包括爆仓概率。在一个可能示例中，该爆仓指示信息还可以包括爆仓程度指数。

爆仓概率：用于指示仓库内货物爆满的可能性。该爆仓概率的数值越大，表示仓库内货物极有可能已爆满的可能性越大。当爆仓概率大于目标阈值时，该仓库内货物爆满。例如，爆仓概率为0.9，说明该仓库内货物已爆满的可能性非常大，可以表示该仓库内货物爆满。爆仓概率0.1，该仓库内货物爆满可能性较低，则可以表示该仓库内货物还未爆满。

爆仓程度指数：用于指示仓库内货物爆满的程度，该爆仓程度指数越高，货物爆满程度越大。本公开实施例中，计算机设备还可以基于爆仓程度指数的数值大小，将爆仓程度指数简化为爆仓等级来表示仓库内货物爆满的程度。例如，爆仓程度指数为3.8，计算机设备可以按照“四舍五入”的方式，爆仓程度指数为3.8，则可以采用简化后的爆仓等级为4级进行表示。爆仓等级越大，货物爆满程度越大，爆仓等级为二级时货物爆满程度大于一级时的货物爆满程度，爆仓等级为五级时爆满程度最大，对应的仓库内货物当前的货物数量非常大，已经接近仓库的最大储量。

图2是本公开实施例提供的一种仓库配货方法的流程图。该发明实施例的执行主体为计算机设备。参见图2，该方法包括：

201、确定待配货的仓库的室内环境的图像；

202、将该图像输入目标模型，输出该仓库的爆仓指示信息，该目标模型用于基于任一仓库的室内环境的图像输出该任一仓库的爆仓指示信息，该爆仓指示信息用于指示该仓库内货物是否爆满；

203、基于该仓库的爆仓指示信息，向该仓库进行配货。

本公开实施例中，通过将仓库的室内环境的图像输入目标模型，基于该目标模型得到对应仓库的爆仓指示信息，通过该爆仓指示信息准确的表示出仓库内货物爆满的情况，从而基于该爆仓指示信息来对各个仓库精准配货，大大提高了仓库的配货的准确度。

在一种可能实现方式中，该将该图像输入目标模型，输出该仓库的爆仓指示信息包括：

将该图像输入该目标模型；

在该目标模型中，基于该目标模型的第一特征层，提取该图像的图像特征；

将该图像特征输入该目标模型的第二特征层，基于该目标模型的第二特征层，输出该仓库的爆仓概率，该爆仓概率用于指示该仓库内货物爆满的可能性。

在一种可能实现方式中，该在该目标模型中，基于该目标模型的第一特征层，提取该图像的图像特征之后，该方法还包括：

将该图像特征输入该目标模型的第三特征层，基于该目标模型的第三特征层，输出该仓库的爆仓程度指数，该爆仓程度指数用于指示该仓库内货物爆满的程度。

在一种可能实现方式中，该目标模型的训练过程包括：

获取多个样本图像和该多个样本图像中每个样本图像的样本标签；

将该多个样本图像输入预设模型，基于该预设模型输出的该多个样本图像的爆仓指示信息和该多个样本图像的样本标签，对该预设模型进行训练，得到该目标模型。

在一种可能实现方式中，该样本图像的样本标签包括该样本图像的样本概率和该样本图像的样本程度指数，该将该多个样本图像输入预设模型，基于该预设模型输出的该多个样本图像的爆仓指示信息和该多个样本图像的样本标签，对该预设模型进行训练，得到该目标模型包括：

将该多个样本图像输入该预设模型；

基于该预设模型的第一特征层，提取该多个样本图像的图像特征，将该图像特征分别输入该目标模型的第二特征层和第三特征层，分别输出该每个样本图像对应的爆仓概率和该每个样本图像对应的爆仓程度指数；

确定该每个样本图像对应的爆仓概率与该每个样本图像的样本概率之间的第一差异，以及，该每个样本图像对应的爆仓程度指数与该每个样本图像的样本程度指数之间的第二差异；

基于该第一差异和该第二差异，对该预设模型的第一特征层、第二特征层和第三特征层的参数进行调整，直至符合目标条件时停止调整，得到该目标模型。

在一种可能实现方式中，该确定待配货的仓库的室内环境的图像包括以下任一项：

基于待配送货物的目标货物类别和多个仓库所存放货物的货物类别，获取该多个仓库中货物类别为该目标货物类别的仓库的室内环境的图像；

基于该待配送货物所在的地理位置和该多个仓库所在的地理位置，获取该多个仓库中位于目标地理区域的仓库的室内环境的图像。

在一种可能实现方式中，该确定待配货的仓库的室内环境的图像包括：

基于该仓库所包括的多个仓库区域，获取该仓库的多个区域图像，每个区域图像为对应一个仓库区域的室内环境的图像；

该基于该仓库的爆仓指示信息，向该仓库进行配货包括：

基于所仓库中每个仓库区域的爆仓指示信息和每个仓库区域对应的货物类别，确定该仓库中每个仓库区域对应货物类别的货物的配货量，按照每个仓库区域对应货物类别的货物的配货量，向该仓库进行配货。

在一种可能实现方式中，该将该图像输入目标模型，输出该仓库的爆仓指示信息包括：

将该多个区域图像输入该目标模型，输出每个区域图像对应的爆仓指示信息，将该多个区域图像对应的多个爆仓指示信息作为该仓库的爆仓指示信息。

图3是本公开实施例提供的一种仓库配货方法的流程图。该发明实施例的执行主体为计算机设备。参见图3，该方法包括：

301、计算机设备确定待配货的仓库的室内环境的图像。

每个仓库内配置有图像采集设备，该图像采集设备可以采集该仓库的室内环境的图像，该服务区可以从该图像采集设备中获取该图像。在一种可能示例中，该图像采集设备可以为监控摄像头，该图像采集设备可以录制仓库的室内环境的视频，该计算机设备可以抽取该视频中的图像帧作为该仓库的室内环境的图像。则本步骤可以包括：该计算机设备从图像采集设备中获取该仓库的视频，根据该视频中图像帧的时间戳，从该视频包括的多个图像帧中抽取时间戳为目标时间的图像帧，将该抽取的图像帧作为该仓库的室内环境的图像。该目标时间可以基于需要进行设置，例如，该目标时间可以为当前时间、每天的下午五点或者每周的周五下午六点等。

在一种可能的实施方式中，仓库内所存放的货物可以包括多种货物类别，该多种货物类别的货物可以对应划分到多个仓库区域中分门别类进行存放。例如，每个仓库内还可以包括多个仓库区域，每个仓库区域用于存储对应货物类别的货物，每个仓库区域对应一个图像采集设备，则本步骤还可以包括：该计算机设备基于该仓库所包括的多个仓库区域，获取该仓库的多个区域图像，每个区域图像为对应一个仓库区域的室内环境的图像。该计算机设备还可以获取采集每个区域图像的图像设备的第二设备标识，该第二设备标识用于指示该图像采集设备所在的仓库区域，也即是该仓库图像所对应的仓库区域。

在一种可能的实施方式中，该计算机设备可以基于待配送的货物的类别或所在地理位置，选取符合条件的仓库进行配货，则该计算机设备确定待配货的仓库的室内环境的图像可以通过以下两种方式实现。

第一种方式、该计算机设备基于待配送货物的目标货物类别和多个仓库所存放货物的货物类别，获取该多个仓库中货物类别为该目标货物类别的仓库的室内环境的图像。

在一个可能示例中，每个仓库可以存放该仓库对应的货物类别的货物，该计算机设备可以按照待配送的货物的类别来选取仓库进行配货。则本步骤中，该计算机设备可以根据待配送的货物的目标货物类别，从多个仓库中筛选出对应货物类别为该目标货物类别的仓库，将所筛选出的仓库作为该待配货的仓库，并获取该待配货的仓库的室内环境的图像。例如，仓库A和仓库B用于存放的货物类别可以为水产、海鲜类别，仓库C、仓库D和仓库E用于存放的货物类别可以为日常生活用品类别，仓库F和仓库G用于存放的货物类别可以为图书类别和家具类别，则待配送日常生活用品类别的货物时，可以选取仓库C、仓库D和仓库E作为待配货的仓库，并获取仓库C、仓库D和仓库E的图像。

第二种方式、该计算机设备基于该待配送货物所在的地理位置和该多个仓库所在的地理位置，获取该多个仓库中位于目标地理区域的仓库的室内环境的图像。

在一个可能示例中，该计算机设备还可以根据待配送的货物的地理位置，来选取仓库进行配货。则本步骤中，则该计算机设备可以根据待配送的货物所在的地理位置，确定该待配送的货物对应的目标地理区域，根据多个仓库所在的地理位置，从多个仓库中筛选出地理位置位于该目标地理区域内的仓库，将所筛选出的仓库作为该待配货的仓库，并获取该待配货的仓库的室内环境的图像。该目标地理区域可以基于需要进行设置，例如，该目标地理区域可以为距离待配送的货物所在的地理位置不超过目标距离的区域，或者，待配送的货物所在的地理位置所属于的行政区域等，例如，距离该待配送货物50公里以内的目标地理区域，或者，待配送货物所在地理位置所属的城市作为该目标地理区域。

在一种可能场景中，以该仓库为电商平台的前置仓为例，该电商平台往往配置有多个前置仓，多个前置仓对应多个图像采集设备。则本步骤中，该计算机设备可以从该多个图像采集设备中获取该多个仓库的室内环境的图像以及采集该图像的图像采集设备的第一设备标识，每个第一设备标识用于指示该图像采集设备所在的仓库，也即是该图像所对应的仓库。在一个可能示例中，当仓库数目为多个时，该计算机设备还可以采用轮询的方式，按照一定顺序轮流获取不同仓库的图像，以动态管理每个仓库。该过程可以包括：该计算机设备根据目标排序，依次获取该多个仓库的室内环境的图像。该目标排序是指该多个仓库的排列顺序。例如，该计算机设备可以按照仓库所在地理区域进行轮询，则该目标排序可以为按照仓库所在地理区域的顺序进行排列的顺序，例如，该计算机设备可以按照该目标排序，先获取排序靠前的A城市内多个仓库的图像，再获取排序位于A城市之后的B城市内多个仓库的图像。又或者，该计算机设备还可以按照仓库等级大小进行轮询，则该目标排序还可以为按照仓库等级大小进行降序排列的顺序，该计算机设备按照该目标排序，先获取等级较大的仓库的图像，依次再获取等级较小的仓库的图像。其中，该仓库等级可以驾驭需要进行设置，例如，该仓库等级可以基于仓库的区域面积大小划分为多个不同等级，也可以基于仓库内货物的重要程度划分为多个不同等级等，本公开实施例对此不做具体限定。

需要说明的是，该计算机设备可以通过执行预先安装的数据采集程序，来实现上述图像获取过程。其中，该图像为图像采集设备对该仓库的室内环境进行拍摄的图像，该图像中包括该仓库内所存放的货物，如图4所示，图像内容可以直观、真实的展示出该仓库内货物的数量、获取的摆放位置等情况，本公开实施例中，通过计算机设备获取该仓库的图像，后续基于图像展示的实际货物情况对仓库进行配货，从而能够真实、客观的实现仓库配货，提高仓库配货的准确性。

302、计算机设备获取目标模型。

该目标模型用于基于任一仓库的室内环境的图像输出该任一仓库的爆仓指示信息，该爆仓指示信息用于指示该仓库内货物爆满的程度。本公开实施例中，该计算机设备可以基于多个样本图像对预设模型进行训练得到该目标模型。相应的，本步骤可以包括以下步骤3021-3025。

3021、该计算机设备获取多个样本图像和该多个样本图像中每个样本图像的样本标签。

该计算机设备可以从多个仓库的图像采集设备中获取多个样本图像，并获取每个样本图像的样本标签，该样本标签包括样本概率，该样本概率用于指示该样本图像所对应仓库内货物爆满的可能性。该样本概率越大，该仓库内货物爆满的可能性越大。该样本概率的取值范围为不小于0且不大于1。在一个可能示例中，该样本标签还可以包括样本程度指数，该样本程度指数用于指示该样本图像所对应仓库内货物爆满的程度，该样本程度指数可以采用该样本图像对应仓库内货物爆满程度的样本等级来表示。样本等级越高，表示对应仓库内货物爆满程度越大。

在一个可能示例中，该计算机设备可以预先获取并存储该多个样本图像和每个样本图像的样本标签。则本步骤中，该计算机设备直接从本地存储空间中获取该多个样本图像以及每个样本图像的样本标签。其中，该样本程度指数和样本概率为样本图像的爆仓指示信息和爆仓概率的真实值，能够准确表示对应仓库内货物的爆满程度和货物爆满的可能性。其中，该多个样本图像的获取过程可以与上述步骤301中的图像获取过程同理，此处不再赘述。

3022、该计算机设备将该多个样本图像输入预设模型，基于该预设模型的第一特征层，提取该多个样本图像的图像特征。

该预设模型内可以包括有第一特征层，本步骤中，该计算机设备可以通过该第一特征层来提取该样本图像的图像特征。其中，该图像特征抽象的表示了该样本图像在多个维度的特征。该图像特征可以包括该样本图像在多个维度的深度特征信息，本公开实施例中，该多个维度可以包括样本图像所包括的货物数量、该样本图像所展示的货箱的数量或者样本图像所包括的货箱的密集程度等。当然，该货物数量越多，该爆仓概率越大，爆仓程度指数越大；货箱的数量越多，该爆仓概率越大，爆仓程度指数越大；货箱的密集程度越大，该爆仓概率越大，爆仓程度指数越大。

在一个可能示例中，该图像特征可以表示为多维的特征矩阵，该特征矩阵所包括的多个维度的数值可以抽象的描述该样本图像在多个维度的特征。例如，该特征矩阵可以描述该样本图像中存放货物的货箱的数量、密度、位置等多个维度的特征。该第一特征层可以为卷积神经网络的结构，该卷积神经网络可以包括卷积层，还可以包括激活层，池化层等。例如，该卷积神经网络可以采用基于Python的torch深度学习框架，也即是，PyTorch深度学习框架，该第一特征层可以为PyTorch深度学习框架下搭建的ShuffleNet v2轻量级网络结构。需要说明的是，由于采用轻量级网络结构ShuffleNet v2进行搭建，因此该第一特征层的运算量小，运算速度较快，非常适用于移动端运行计算，从而提高了仓库配货方法的适用性。当然，除采用PyTorch深度学习框架搭建该卷积神经网络结构以外，本公开实施例中，该第一特征层还可以由其他网络结构所搭建，例如，计算机视觉技术领域的其他深度学习框架，例如，Tensorflow深度学习框架，Caffe深度学习框架，MXnet深度学习框架，或者MobileNet系列的神经网络结构，SqueezeNet神经网络结构，或者更为强大的密集网络DenseNet神经网络结构、残差网络ResNet神经网络结构等网络结构，本公开实施例对此不做具体限定。

3023、该计算机设备将该图像特征分别输入该目标模型的第二特征层和第三特征层，分别输出该每个样本图像对应的爆仓概率和该每个样本图像对应的爆仓程度指数。

该预设模型内还包括有第二特征层和第三特征层，该计算机设备通过该第二特征层，输出该样本图像对应的爆仓概率，通过该第三特征层，输出该样本图像的爆仓程度指数。

在一个可能示例中，该第二特征层可以包括池化层和全连接层，该全连接层可以连接在池化层之后。该计算机设备将该图像依次输入该第二特征层中的池化层和该全连接层，输出该样本图像对应的爆仓概率。以该图像特征为特征矩阵为例，在该第二特征层中，该计算机设备可以先通过该池化层，对该图像矩阵进行池化处理，并将池化处理后的图像矩阵输入至全连接层(fully connected layer)，利用全连接层内的多个参数对池化处理后的图像矩阵进行多项运算，并且，该计算机设备还可以利用激活函数，将全连接层的输出结果映射到0至1之间的数值，从而输出爆仓概率。例如，该池化层可以为最大值池化层(global maxpool)，该激活函数可以为sigmoid(S型)函数，以大小为100*100*3的图像为例，将100*100*3的图像输入预设第一特征层，通过第一特征层的运算，输出表示该图像的深度特征的10*10*100大小的矩阵。在最大值池化层中，对该10*10*100大小的矩阵进行最大值池化处理，得到1*1*100向量，并将该1*1*100向量输出全连接层，经过全连接层内参数进行运算，并通过sigmoid函数，将全连接层输出的数值映射为0至1之间的爆仓概率。

在一个可能示例中，该第三特征层可以包括池化层和全连接层，该全连接层可以连接在池化层之后。该计算机设备将该图像依次输入该第三特征层中的池化层和该全连接层，输出该样本图像对应的爆仓程度指数。需要说明的是，第三特征层中的池化层可以为全局平均值池化层(global avepool)，以该图像特征为特征矩阵为例，与上述第三特征层的处理过程同理，在该第三特征层中，该计算机设备可以先通过该全局平均值池化层，对该图像矩阵进行全局平均值池化处理，并将全局平均值池化处理后的图像矩阵输入至全连接层(fully connected layer)，利用全连接层内的多个参数对全局平均值池化处理后的图像矩阵进行多项运算，将该运算结果输出为样本图像对应的爆仓程度指数。

需要说明的是，上述以该第二特征层和第三特征层由池化层和全连接层为例进行说明，本公开实施例中，该第二特征层和第三特征层中还可以采用卷积层代替池化层来实现池化处理过程，例如，该第二特征层或者第三特征层中，还可以在最大值池化层或者全局平均值池化层之后连接多个全连接层，实现爆仓概率的输出和爆仓程度指数的输出过程。

3024、该计算机设备确定该每个样本图像对应的爆仓概率与该每个样本图像的样本概率之间的第一差异，以及，该每个样本图像对应的爆仓程度指数与该每个样本图像的样本程度指数之间的第二差异。

本步骤中，该计算机设备可以计算样本标签与模型输出结果之间的差异，基于该差异来训练模型。第一差异用于表示样本图像的样本概率和预设模型输出的爆仓概率之间的差异程度，第二差异用于表示样本图像的样本程度指数和预设模型输出的爆仓程度指数之间的差异程度，该第一差异的数值越大，说明样本概率和爆仓概率之间的差异程度越大，该第二差异的数值越大，说明样本程度指数和爆仓程度指数之间的差异程度越大；该第一差异或第二差异的数值越小，说明预设模型所输出的结果越接近于真实结果。

在一种可能示例中，该计算机设备可以通过损失函数来衡量样本标签和模型输出结果之间的差异。对于每个样本图像，该计算机设备确定爆仓概率和样本概率之间的第一差异的过程可以包括：该计算机设备根据该样本图像的爆仓概率和样本概率，基于第一损失函数，计算爆仓概率和样本概率之间的第一差异。在一个可能示例中，该第一损失函数可以为交叉熵(cross-entropy loss)损失函数。同理，该计算机设备确定爆仓程度指数和样本程度指数之间的第二差异的过程可以包括：该计算机设备根据该样本图像对应的爆仓程度指数和样本程度指数，基于第二损失函数，计算爆仓程度指数和样本程度指数之间的第二差异。例如，该第二损失函数可以为最小二乘化误差(mean square error)损失函数。

在一个可能示例中，该计算机设备还可以将第一损失函数和第二损失函数进行合并，组成目标损失函数，根据该样本图像的爆仓概率、样本概率、样本程度指数和爆仓程度指数，利用该目标损失函数，确定样本标签和模型输出结果之间的目标差异。该目标差异的数值越大，说明模型输出结果偏离真实结果的偏离程度越大。当该目标差异较大时，该计算机设备可以通过以下步骤3025，对模型进行优化。

3025、该计算机设备基于该第一差异和该第二差异，对该预设模型的第一特征层、第二特征层和第三特征层的参数进行调整，直至符合目标条件时停止调整，得到该目标模型。

该计算机设备可以按照目标优化算法，重复调整预设模型中第一特征层、第二特征层和第三特征层的参数的模型参数，直到符合第一目标条件时，停止调整，输出目标模型。在一种可能的实施方式中，该第一目标条件可以包括但不限于：该第一差异、第二差异的数值小于目标数值，或者，该第一差异、第二差异不再随着训练次数的增多而降低，或者，训练次数达到目标次数等。该目标条件可以基于需要进行设置，该第一目标条件还可以为其他预设条件，本公开实施例对此不作限定。在一个可能示例中，该目标优化算法可以为SGD(Stochastic Gradient Descent，随机梯度下降)优化算法，该SGD优化算法的初始学习率可以设为0.01，该计算机设备将每个样本图像输入预设模型，基于输出结果和样本标签之间的差异，按照初始学习率调整一次预设模型的参数，从而对预设模型进行一次训练，直至该计算机设备基于多个样本图像输入模型，则对预设模型进行了一轮训练。然后，当该计算机设备对预设模型进行下一轮训练时，该计算机设备可以降低SGD优化算法的学习率，例如，将0.01降低为0.009，按照降低后的学习率调整预设模型的参数，按照上述方式，重复对模型进行训练，直至符合第一目标条件停止。

在一种可能示例中，该计算机设备还可以获取多个样本图像中多个第一样本图像作为训练数据集，通过上述步骤302，利用训练数据集训练模型。同时，该计算机设备获取多个样本图像中多个第二样本图像作为测试数据集，对训练后的模型进行测试，例如，每当训练完一次预设模型时，该计算机设备将第二样图像输入该预设模型，如果预设模型的输出结果与样本标签之间的差异符合第二目标条件，则将该预设模型确定为目标模型。例如，该第二目标条件可以为：预设模型的输出结果与样本标签相同，或者，预设模型的输出结果与样本标签之间的差异小于目标数值等。

需要说明的是，该计算机设备可以通过上述步骤3021-3025的过程，基于样本图像，多次训练预设模型得到较为精准的目标模型，使得目标模型的输出结果达到预期的精度，利用该目标模型来确定仓库的爆仓指数信息，并智能调整对应的配货策略，大大提高了仓库配货的准确性。

需要说明的是，上述步骤3022-3025实际上是步骤“将该多个样本图像输入预设模型，基于该预设模型输出的该多个样本图像的爆仓指示信息和该多个样本图像的样本标签，对该预设模型进行训练，得到该目标模型”的一种实现方式，上述步骤3022-3025中，训练得到的目标模型包含第二特征层和第三特征层，计算机设备分别通过第二特征层和第三特征层，分别输出图像的爆仓概率和爆仓程度指数。在另一种可能实施方式中，该预设目标还可以仅配置第二特征层，则步骤3023-3025可以替换为：计算机设备将该图像特征输入该目标模型的第二特征层，输出该每个样本图像对应的爆仓概率，该计算机设备确定该每个样本图像对应的爆仓概率与该每个样本图像的样本概率之间的第一差异，该计算机设备基于该第一差异，对该预设模型的第一特征层和第二特征层的参数进行调整，直至符合目标条件时停止调整，得到该目标模型。也即是，计算机设备执行步骤3022后，直接执行步骤3023-3025的上述替换步骤。当然，该计算机设备也可以在该预设模型中增加其他特征层，本公开实施例对此不做限定。在另一种可能实施方式中，该计算机设备还可以预先按照训练并存储该目标模型，当需要进行仓库配货时，该计算机设备直接调用已存储的目标模型。也即是，计算机设备执行步骤301后，直接执行步骤303的过程。

303、计算机设备将该图像输入目标模型，输出该仓库的爆仓指示信息。

该计算机设备将该图像输入目标模型，在该目标模型中，该计算机设备基于该目标模型的第一特征层，提取该图像的图像特征，将该图像特征输入该目标模型的第二特征层；该计算机设备基于该目标模型的第二特征层，输出该仓库的爆仓概率。在另一个可能示例中，该目标模型还可以配置有第三特征层，则该计算机设备将该图像特征输入该目标模型的第三特征层；该计算机设备基于该目标模型的第三特征层，输出该仓库的爆仓程度指数，该爆仓程度指数用于指示该仓库内货物的爆满程度。其中，该计算机设备利用第二特征层输出爆仓概率的过程，与上述步骤3023中计算机设备输出样本图像对应的爆仓概率的过程同理，以及，计算机设备利用第三特征层输出爆仓程度指数的过程，与上述步骤3023中计算机设备输出样本图像对应的爆仓程度指数的过程同理，此处不再赘述。

在一种可能的实施方式中，当该仓库的室内环境的图像包括多个仓库区域的区域图像时，计算机设备可以将该多个区域图像输入目标模型中，输出用于指示每个仓库区域内货物是否爆满的爆仓指示信息，本步骤可以包括：该计算机设备可以将该多个区域图像输入该目标模型，输出每个区域图像对应的爆仓指示信息，将该多个区域图像对应的多个爆仓指示信息作为该仓库的爆仓指示信息。其中，该计算机设备获取区域图像的爆仓指示信息的过程，与上述直接基于图像获取爆仓指示信息的过程同理，此处不再赘述。其中，该计算机设备还可以先根据该爆仓概率，判断该仓库内货物是否爆满，当该仓库内货物爆满时，输出仓库的爆仓程度指数，以将货物爆满的仓库筛选出，避免仓库由于过多补货导致的爆仓状态。

如图5所示，该图5中包括4个图像，分别展示4个仓库内货物的爆满情况，其中，图5中左上图像即为图4所示图像，图4中右上角已标出该图像对应仓库的爆仓概率(prob)为0.97，以及爆仓程度指数(degree)为3.98。该计算机设备将该图5中4个图像输入该目标模型，依次得到该4个仓库的爆仓概率和爆仓程度指数，通过该目标模型可准确得出左上图像、右上图像、左下图像、右下图像的爆仓概率分别为：0.97、0.99、0.99、0.98，也即是，该4个图像对应的仓库内货物均已爆满，如图5所示，显然，该4个图像均展示仓库内货物较多，仓库内空间大部分被装有货物的货箱占据，实际为货物爆满状态，目标模型的输出结果准确的表示了该4个仓库内货物是否爆满的状态。并且，左上图像、右上图像、左下图像、右下图像的爆仓程度指数分别为：3.98、4.12、3.54、3.80，显然，右上图像展示该图像对应仓库内装有货物的货箱的密集程度最大，仓库的空间最为拥挤，其次，左上图像中仓库内装有货物的货箱货箱的密集程度次之，对应的爆仓程度指数小于该右上图像的爆仓程度指数。另外，左下图像中，图像展示装有货物的货箱的数量仅次于右下图像对应的仓库，因此，左下图像对应的爆仓程度指数小于右下图像对应的爆仓程度指数；左下图像中，图像右半部分区域为固定的空置箱子，左半部分区域为装有货物的货箱，装有货物的货箱的货箱的密集程度最小，对应的爆仓程度指数也最小。

304、计算机设备基于该仓库的爆仓指示信息，向该仓库进行配货。

如果该爆仓指示信息包括爆仓概率，当该爆仓概率不大于目标概率阈值时，该计算机设备确定该仓库内货物未爆满，并向该仓库配货。例如，该计算机设备可以按照预先配置的目标配货量，向该仓库配货。当该爆仓概率大于目标概率阈值时，该计算机设备确定该库内货物爆满，不向该仓库配货。如果该爆仓指示信息还包括爆仓程度指数，该计算机设备还可以根据爆仓程度指数，确定该仓库的配货量，按照该配货量，向该仓库进行配货。其中，该目标概率阈值可以基于需要进行设置，本公开实施例对此不做具体限定。例如，该目标概率阈值可以为0.6、0.7等，当该爆仓概率大于0.6时，则确定仓库内货物爆满。

在一种可能的实施方式中，该计算机设备还可以根据该爆仓概率，确定爆仓结果，并将爆仓结果实时同步至用户。或者，该计算机设备还可以基于爆仓结果，将仓库内货物爆满的仓库发送给用户，以提醒用户，实现仓库库存情况的告警。当仓库数量为多个时，该计算机设备还可以按照图像采集设备的设备标识，来定位仓库。例如，该计算机设备该在确定库内货物爆满时，该计算机设备根据采集该图像的图像采集设备的设备标识，确定该图像对应的仓库，并向目标终端发送告警消息，该告警消息用于提示该图像对应的仓库内货物已爆满。该目标终端可以为用户的手机、计算机等。其中，该计算机设备可以事先存储爆仓等级和配货量之间的对应关系，该计算机设备按照该图像的爆仓程度指数，确定该仓库的爆仓等级，从爆仓等级和配货量之间的对应关系中，获取该仓库的配货量。当然，该计算机设备还可以直接存储爆仓程度指数和配货量之间的对应关系，按照该爆仓程度指数和该对应关系来确定配货量。

在一种可能的实施方式中，当计算机设备基于待配送货物的目标货物类别或地理位置进行配货时，该计算机设备还可以结合该目标货物目标货物类别或地理位置，向该仓库配送该目标货物。例如，以结合目标货物类别进行配货为例，该计算机设备可以根据爆仓程度指数，确定该仓库的爆仓等级；根据该爆仓等级和目标货物的目标货物类别，从爆仓等级、货物类别和配货量之间的对应关系中，获取该目标货物的配货量，并向该仓库配送该配货量的目标货物。

在一个可能示例中，当仓库中包括多个仓库区域时，该计算机设备可以按照不同区域图像的爆仓程度指数，确定不同仓库区域对应货物和配货量，以对仓库内各个仓库区域进行精准配货。该过程可以包括：该计算机设备基于该仓库所包括的多个仓库区域，获取该仓库的多个区域图像，每个区域图像为对应一个仓库区域的室内环境的图像；该计算机设备该基于该仓库的爆仓指示信息，向该仓库进行配货包括：该计算机设备基于所仓库中每个仓库区域的爆仓指示信息和每个仓库区域对应的货物类别，确定该仓库中每个仓库区域对应货物类别的货物的配货量，按照每个仓库区域对应货物类别的货物的配货量，向该仓库进行配货。

需要说明的是，本公开实施例中，该仓库的数目和图像的数目均可以为一个或多个，例如，该计算机设备可以获取多个仓库的图像输入至该目标模型中，基于输出的爆仓指示信息对多个仓库进行配货，以实现同时对多个仓库的智能化管理。

需要说明的是，在一些应用场景中，例如，对于电商平台配置的存放生鲜货物的仓库、存放图书的仓库或者日常生活用品的仓库等，如何对前置仓内货物进行监控，准确衡量仓库的货物库存以精准配货，实现按照实际需求智能补货，是多种仓库使用场景的关键问题。尤其对于保质期较短的生鲜仓库，若库存积压过多,就会导致过高的货损率,若库存不足,短时间内售罄,无法满足线上订单需求,既会影响客户购买需求,又会降低销售额。而本公开实施例中，通过计算机设备实时基于图像和目标模型，获取仓库的爆仓指示信息，通过爆仓指示信息准确衡量仓库内货物的爆满情况，通过本公开实施例提供的仓库配货方法，可以准确的辅助仓库的智能补货系统，使得其既能动态地满足线上订单的需求,又能避免过多的补货,从而提高仓库运行效率,降低货损成本。如图6所示，计算机设备通过安装于各个仓库的图像采集设备，例如，摄像头，采集各个仓库的图像，并将通过目标模型中作为特征提取网络的第一特征层提取图像特征，并分别将图像特征输入第二特征层和第三特征层，分别通过第二特征层中的最大值池化层和全连接层，输出爆仓概率，以及通过第三特征层的全局平均值池化层和全连接层，输出爆仓程度指数。如果基于爆仓概率判断仓库内货物爆满，则可以根据采集该图像的图像采集设备的设备标识，例如，摄像头ID(Identity,身份标识)，来定位图像所对应的仓库，并进行告警；该计算机设备还可以基于各个仓库的爆仓程度指数，进一步精确出各个仓库的配货量，按照各个仓库的实际需求动态调整各个仓库的配货策略，对各个仓库精准配货，提升仓库的补货准确度,减少生鲜货物积压,降低生鲜货损率,从而降低运营成本,优化运营效率,实现前置仓库的智能化管理。

本公开实施例中，通过将仓库的室内环境的图像输入目标模型，基于该目标模型得到对应仓库的爆仓指示信息，通过该爆仓指示信息准确的表示出仓库内货物爆满的情况，从而基于该爆仓指示信息来对各个仓库精准配货，大大提高了仓库的配货的准确度。

图7是本公开实施例提供的一种仓库配货装置的框图。参见图7，该装置包括：

确定模块701，用于确定待配货的仓库的室内环境的图像；

输出模块702，用于将该图像输入目标模型，输出该仓库的爆仓指示信息，该目标模型用于基于任一仓库的室内环境的图像输出该任一仓库的爆仓指示信息，该爆仓指示信息用于指示该仓库内货物是否爆满；

配货模块703，用于基于该仓库的爆仓指示信息，向该仓库进行配货。

本公开实施例中，通过将仓库的室内环境的图像输入目标模型，基于该目标模型得到对应仓库的爆仓指示信息，通过该爆仓指示信息准确的表示出仓库内货物爆满的情况，从而基于该爆仓指示信息来对各个仓库精准配货，大大提高了仓库的配货的准确度。

在一种可能实现方式中，该输出模块702，还用于将该图像输入该目标模型；在该目标模型中，基于该目标模型的第一特征层，提取该图像的图像特征；将该图像特征输入该目标模型的第二特征层，基于该目标模型的第二特征层，输出该仓库的爆仓概率，该爆仓概率用于指示该仓库内货物爆满的可能性。

在一种可能实现方式中，该输出模块702，还用于将该图像特征输入该目标模型的第三特征层，基于该目标模型的第三特征层，输出该仓库的爆仓程度指数，该爆仓程度指数用于指示该仓库内货物爆满的程度。

在一种可能实现方式中，该装置还包括：

获取模块，用于获取多个样本图像和该多个样本图像中每个样本图像的样本标签；

模型训练模块，用于将该多个样本图像输入预设模型，基于该预设模型输出的该多个样本图像的爆仓指示信息和该多个样本图像的样本标签，对该预设模型进行训练，得到该目标模型。

在一种可能实现方式中，该模型训练模块，还用于将该多个样本图像输入该预设模型；基于该预设模型的第一特征层，提取该多个样本图像的图像特征，将该图像特征分别输入该目标模型的第二特征层和第三特征层，分别输出该每个样本图像对应的爆仓概率和该每个样本图像对应的爆仓程度指数；确定该每个样本图像对应的爆仓概率与该每个样本图像的样本概率之间的第一差异，以及，该每个样本图像对应的爆仓程度指数与该每个样本图像的样本程度指数之间的第二差异；基于该第一差异和该第二差异，对该预设模型的第一特征层、第二特征层和第三特征层的参数进行调整，直至符合目标条件时停止调整，得到该目标模型。

在一种可能实现方式中，该确定模块701，还用于以下任一项：

基于待配送货物的目标货物类别和多个仓库所存放货物的货物类别，获取该多个仓库中货物类别为该目标货物类别的仓库的室内环境的图像；

基于该待配送货物所在的地理位置和该多个仓库所在的地理位置，获取该多个仓库中位于目标地理区域的仓库的室内环境的图像。

在一种可能实现方式中，该确定模块701，还用于基于该仓库所包括的多个仓库区域，获取该仓库的多个区域图像，每个区域图像为对应一个仓库区域的室内环境的图像；

该配货模块703，还用于基于所仓库中每个仓库区域的爆仓指示信息和每个仓库区域对应的货物类别，确定该仓库中每个仓库区域对应货物类别的货物的配货量，按照每个仓库区域对应货物类别的货物的配货量，向该仓库进行配货。

在一种可能实现方式中，该输出模块702，还用于将该多个区域图像输入该目标模型，输出每个区域图像对应的爆仓指示信息，将该多个区域图像对应的多个爆仓指示信息作为该仓库的爆仓指示信息。

上述所有可选技术方案，可以采用任意结合形成本公开的可选实施例，在此不再一一赘述。

需要说明的是：上述实施例提供的仓库配货装置在仓库配货时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将计算机设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的仓库配货装置与仓库配货方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

图8是本公开实施例提供的一种终端的结构示意图。该终端800可以是：智能手机、平板电脑、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、笔记本电脑或台式电脑。终端800还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。

通常，终端800包括有：处理器801和存储器802。

处理器801可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器801可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器801也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器801可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器801还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。

存储器802可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器802还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器802中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器801所执行以实现本申请中方法实施例提供的仓库配货方法。

在一些实施例中，终端800还可选包括有：外围设备接口803和至少一个外围设备。处理器801、存储器802和外围设备接口803之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口803相连。具体地，外围设备包括：射频电路804、触摸显示屏805、摄像头806、音频电路807、定位组件808和电源809中的至少一种。

外围设备接口803可被用于将I/O(Input/Output，输入/输出)相关的至少一个外围设备连接到处理器801和存储器802。在一些实施例中，处理器801、存储器802和外围设备接口803被集成在同一芯片或电路板上；在一些其他实施例中，处理器801、存储器802和外围设备接口803中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。

射频电路804用于接收和发射RF(Radio Frequency，射频)信号，也称电磁信号。射频电路804通过电磁信号与通信网络以及其他通信设备进行通信。射频电路804将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路804包括：天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路804可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于：城域网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity，无线保真)网络。在一些实施例中，射频电路804还可以包括NFC(Near Field Communication，近距离无线通信)有关的电路，本申请对此不加以限定。

显示屏805用于显示UI(User Interface，用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏805是触摸显示屏时，显示屏805还具有采集在显示屏805的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器801进行处理。此时，显示屏805还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏805可以为一个，设置终端800的前面板；在另一些实施例中，显示屏805可以为至少两个，分别设置在终端800的不同表面或呈折叠设计；在再一些实施例中，显示屏805可以是柔性显示屏，设置在终端800的弯曲表面上或折叠面上。甚至，显示屏805还可以设置成非矩形的不规则图形，也即异形屏。显示屏805可以采用LCD(LiquidCrystal Display，液晶显示屏)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。

摄像头组件806用于采集图像或视频。可选地，摄像头组件806包括前置摄像头和后置摄像头。通常，前置摄像头设置在终端的前面板，后置摄像头设置在终端的背面。在一些实施例中，后置摄像头为至少两个，分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种，以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality，虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中，摄像头组件806还可以包括闪光灯。闪光灯可以是单色温闪光灯，也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合，可以用于不同色温下的光线补偿。

音频电路807可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波，并将声波转换为电信号输入至处理器801进行处理，或者输入至射频电路804以实现语音通信。出于立体声采集或降噪的目的，麦克风可以为多个，分别设置在终端800的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器801或射频电路804的电信号转换为声波。扬声器可以是传统的薄膜扬声器，也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时，不仅可以将电信号转换为人类可听见的声波，也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中，音频电路807还可以包括耳机插孔。

定位组件808用于定位终端800的当前地理位置，以实现导航或LBS(LocationBased Service，基于位置的服务)。定位组件808可以是基于美国的GPS(GlobalPositioning System，全球定位系统)、中国的北斗系统、俄罗斯的格雷纳斯系统或欧盟的伽利略系统的定位组件。

电源809用于为终端800中的各个组件进行供电。电源809可以是交流电、直流电、一次性电池或可充电电池。当电源809包括可充电电池时，该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。

在一些实施例中，终端800还包括有一个或多个传感器810。该一个或多个传感器810包括但不限于：加速度传感器811、陀螺仪传感器812、压力传感器813、指纹传感器814、光学传感器815以及接近传感器816。

加速度传感器811可以检测以终端800建立的坐标系的三个坐标轴上的加速度大小。比如，加速度传感器811可以用于检测重力加速度在三个坐标轴上的分量。处理器801可以根据加速度传感器811采集的重力加速度信号，控制触摸显示屏805以横向视图或纵向视图进行用户界面的显示。加速度传感器811还可以用于游戏或者用户的运动数据的采集。

陀螺仪传感器812可以检测终端800的机体方向及转动角度，陀螺仪传感器812可以与加速度传感器811协同采集用户对终端800的3D动作。处理器801根据陀螺仪传感器812采集的数据，可以实现如下功能：动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。

压力传感器813可以设置在终端800的侧边框和/或触摸显示屏805的下层。当压力传感器813设置在终端800的侧边框时，可以检测用户对终端800的握持信号，由处理器801根据压力传感器813采集的握持信号进行左右手识别或快捷操作。当压力传感器813设置在触摸显示屏805的下层时，由处理器801根据用户对触摸显示屏805的压力操作，实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。

指纹传感器814用于采集用户的指纹，由处理器801根据指纹传感器814采集到的指纹识别用户的身份，或者，由指纹传感器814根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时，由处理器801授权该用户执行相关的敏感操作，该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器814可以被设置终端800的正面、背面或侧面。当终端800上设置有物理按键或厂商Logo时，指纹传感器814可以与物理按键或厂商Logo集成在一起。

光学传感器815用于采集环境光强度。在一个实施例中，处理器801可以根据光学传感器815采集的环境光强度，控制触摸显示屏805的显示亮度。具体地，当环境光强度较高时，调高触摸显示屏805的显示亮度；当环境光强度较低时，调低触摸显示屏805的显示亮度。在另一个实施例中，处理器801还可以根据光学传感器815采集的环境光强度，动态调整摄像头组件806的拍摄参数。

接近传感器816，也称距离传感器，通常设置在终端800的前面板。接近传感器816用于采集用户与终端800的正面之间的距离。在一个实施例中，当接近传感器816检测到用户与终端800的正面之间的距离逐渐变小时，由处理器801控制触摸显示屏805从亮屏状态切换为息屏状态；当接近传感器816检测到用户与终端800的正面之间的距离逐渐变大时，由处理器801控制触摸显示屏805从息屏状态切换为亮屏状态。

本领域技术人员可以理解，图8中示出的结构并不构成对终端800的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。

图9是本公开实施例提供的一种服务器的结构示意图，该服务器900可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processingunits，CPU)901和一个或一个以上的存储器902，其中，该存储器902中存储有至少一条指令，该至少一条指令由该处理器901加载并执行以实现上述各个方法实施例提供的仓库配货方法。当然，该服务器还可以具有有线或无线网络接口、键盘以及输入输出接口等部件，以便进行输入输出，该服务器还可以包括其他用于实现设备功能的部件，在此不做赘述。

在示例性实施例中，还提供了一种计算机可读存储介质，例如包括指令的存储器，上述指令可由终端或服务器中的处理器执行以完成上述实施例中的仓库配货方法。例如，所述计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本公开的较佳实施例，并不用以限制本公开，凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (10)

1.一种仓库配货方法，其特征在于，所述方法包括：

确定待配货的仓库的室内环境的图像；

将所述图像输入目标模型，输出所述仓库的爆仓指示信息，所述目标模型用于基于任一仓库的室内环境的图像输出所述任一仓库的爆仓指示信息，所述爆仓指示信息用于指示所述仓库内货物是否爆满；

基于所述仓库的爆仓指示信息，向所述仓库进行配货。

2.根据权利要求1所述的方法，其特征在于，所述将所述图像输入目标模型，输出所述仓库的爆仓指示信息包括：

将所述图像输入所述目标模型；

在所述目标模型中，基于所述目标模型的第一特征层，提取所述图像的图像特征；

将所述图像特征输入所述目标模型的第二特征层，基于所述目标模型的第二特征层，输出所述仓库的爆仓概率，所述爆仓概率用于指示所述仓库内货物爆满的可能性。

3.根据权利要求2所述的方法，其特征在于，所述在所述目标模型中，基于所述目标模型的第一特征层，提取所述图像的图像特征之后，所述方法还包括：

将所述图像特征输入所述目标模型的第三特征层，基于所述目标模型的第三特征层，输出所述仓库的爆仓程度指数，所述爆仓程度指数用于指示所述仓库内货物爆满的程度。

4.根据权利要求1所述的方法，其特征在于，所述目标模型的训练过程包括：

获取多个样本图像和所述多个样本图像中每个样本图像的样本标签；

将所述多个样本图像输入预设模型，基于所述预设模型输出的所述多个样本图像的爆仓指示信息和所述多个样本图像的样本标签，对所述预设模型进行训练，得到所述目标模型。

5.根据权利要求4所述的方法，其特征在于，所述样本图像的样本标签包括所述样本图像的样本概率和所述样本图像的样本程度指数，所述将所述多个样本图像输入预设模型，基于所述预设模型输出的所述多个样本图像的爆仓指示信息和所述多个样本图像的样本标签，对所述预设模型进行训练，得到所述目标模型包括：

将所述多个样本图像输入所述预设模型；

基于所述预设模型的第一特征层，提取所述多个样本图像的图像特征，将所述图像特征分别输入所述目标模型的第二特征层和第三特征层，分别输出所述每个样本图像对应的爆仓概率和所述每个样本图像对应的爆仓程度指数；

确定所述每个样本图像对应的爆仓概率与所述每个样本图像的样本概率之间的第一差异，以及，所述每个样本图像对应的爆仓程度指数与所述每个样本图像的样本程度指数之间的第二差异；

基于所述第一差异和所述第二差异，对所述预设模型的第一特征层、第二特征层和第三特征层的参数进行调整，直至符合目标条件时停止调整，得到所述目标模型。

6.根据权利要求1所述的方法，其特征在于，所述确定待配货的仓库的室内环境的图像包括以下任一项：

基于待配送货物的目标货物类别和多个仓库所存放货物的货物类别，获取所述多个仓库中货物类别为所述目标货物类别的仓库的室内环境的图像；

基于所述待配送货物所在的地理位置和所述多个仓库所在的地理位置，获取所述多个仓库中位于目标地理区域的仓库的室内环境的图像。

7.根据权利要求1所述的方法，其特征在于，所述确定待配货的仓库的室内环境的图像包括：

基于所述仓库所包括的多个仓库区域，获取所述仓库的多个区域图像，每个区域图像为对应一个仓库区域的室内环境的图像；

所述基于所述仓库的爆仓指示信息，向所述仓库进行配货包括：

基于所仓库中每个仓库区域的爆仓指示信息和每个仓库区域对应的货物类别，确定所述仓库中每个仓库区域对应货物类别的货物的配货量，按照每个仓库区域对应货物类别的货物的配货量，向所述仓库进行配货。

8.一种仓库配货装置，其特征在于，所述装置包括：

确定模块，用于确定待配货的仓库的室内环境的图像；

输出模块，用于将所述图像输入目标模型，输出所述仓库的爆仓指示信息，所述目标模型用于基于任一仓库的室内环境的图像输出所述任一仓库的爆仓指示信息，所述爆仓指示信息用于指示所述仓库内货物是否爆满；

配货模块，用于基于所述仓库的爆仓指示信息，向所述仓库进行配货。

9.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述指令由所述处理器加载并执行以实现如权利要求1至权利要求7任一项所述的仓库配货方法所执行的操作。

10.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现如权利要求1至权利要求7任一项所述的仓库配货方法所执行的操作。

Images