CN111626578A - 物流货车的调配方法、装置、设备及存储介质 - Google Patents
物流货车的调配方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111626578A CN111626578A CN202010420319.5A CN202010420319A CN111626578A CN 111626578 A CN111626578 A CN 111626578A CN 202010420319 A CN202010420319 A CN 202010420319A CN 111626578 A CN111626578 A CN 111626578A
- Authority
- CN
- China
- Prior art keywords
- logistics
- information
- vehicle
- truck
- trucks
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 58
- 230000007935 neutral effect Effects 0.000 claims abstract description 41
- 238000000605 extraction Methods 0.000 claims abstract description 22
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims description 33
- 238000012384 transportation and delivery Methods 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000002156 mixing Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 10
- 238000013468 resource allocation Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims 1
- 230000008569 process Effects 0.000 description 11
- 238000002372 labelling Methods 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000032683 aging Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及物流技术领域，提供一种物流货车的调配方法、装置、设备及存储介质，用于解决对物流货车的调配效率不高，无法满足物流行业的时效性要求的问题。物流货车的调配方法包括：获取多个物流站点在预设时段内的站点图像；对站点图像中的车辆区域进行边界框标注处理，得到目标图像；通过预先训练好的图像识别模型，对目标图像进行基于卷积神经网络的图像特征提取和特征分类处理，得到车辆特征信息；根据车辆特征信息识别到站物流货车，并获取与到站物流货车对应的车辆基本信息、车辆运输信息和运输空档时段；根据车辆基本信息、车辆运输信息、运输空档时段以及预置的物流货车调配策略，从到站物流货车中确定需要调配的目标到站物流货车。
Description
技术领域
本发明涉及物流技术领域，尤其涉及一种物流货车的调配方法、装置、设备及存储介质。
背景技术
随着互联网技术和信息技术的发展，物流行业也飞速发展，随之对快递包裹的运输时效的需求也越来越大。对于快递包裹的运输，由于随着物流订单量的增大，快递包裹的量也越来越大，需要调配不同站点的物流货车来运送快递包裹。
而对物流货车调配前，首先需判断物流货车是否到站。目前，判断物流货车是否到站一般是人工识别和登记，且物流货车到站后，是由人工从到站物流货车中确定需要调配的物流货车，如此导致对物流货车的调配效率不高，无法满足物流行业的时效性要求。
发明内容
本发明的主要目的在于解决对物流货车的调配效率低，无法满足物流行业的时效性要求的问题。
本发明第一方面提供了一种物流货车的调配方法，包括：
获取多个物流站点在预设时段内的站点图像；
识别所述站点图像中的车辆区域，对所述车辆区域进行边界框标注处理，得到目标图像；
通过预先训练好的图像识别模型，对所述目标图像进行基于卷积神经网络的图像特征提取和特征分类处理，得到车辆特征信息；
根据所述车辆特征信息识别到站物流货车，并获取与所述到站物流货车对应的车辆基本信息、车辆运输信息以及运输空档时段；
根据所述车辆基本信息、所述车辆运输信息、所述运输空档时段，以及预置的物流货车调配策略，从所述到站物流货车中确定需要调配的目标到站物流货车。
可选的，在本发明第一方面的第一种实现方式中，所述根据所述车辆基本信息、所述车辆运输信息、所述运输空档时段，以及预置的物流货车调配策略，从所述到站物流货车中确定需要调配的目标到站物流货车，包括：
从预置的调配文件中读取物流货车调配策略，从所述物流货车调配策略中获取物流货车调配条件；
根据所述车辆基本信息、所述车辆运输信息以及所述运输空档时段，计算所述到站物流货车与所述物流货车调配条件之间的匹配度，得到匹配度分值；
根据所述匹配度分值从所述到站物流货车中确定需要调配的目标到站物流货车。
可选的，在本发明第一方面的第二种实现方式中，所述根据所述匹配度分值从所述到站物流货车中确定需要调配的目标到站物流货车，包括：
按照所述匹配度分值从大到小的顺序，对所述到站物流货车进行排序；
将排列在预设顺序位置的到站物流货车确定为候选到站物流货车；
获取所述候选到站物流货车的到站站点，并将所述到站站点划分为主站点和子站点；
获取所述主站点与所述子站点之间的距离信息；
获取所述物流货车调配条件中的快件运送量，并根据所述距离信息和所述快件运送量，从所述候选到站物流货车中确定需要调配的目标到站物流货车。
可选的，在本发明第一方面的第三种实现方式中，所述对所述车辆区域进行边界框标注处理，得到目标图像，包括：
通过预置的锚框对所述车辆区域进行边界框预测，得到大目标边界框和小目标边界框，所述大目标边界框用于标注所述站点图像中的车辆区域，所述小目标边界框用于标注所述车辆区域中的物流公司标识区域和车牌区域；
建立所述大目标边界框和所述小目标边界框的对应关系；
根据建立有对应关系的大目标边界框和小目标边界框，生成所述站点图像的目标图像。
可选的，在本发明第一方面的第四种实现方式中，所述根据所述车辆特征信息识别到站物流货车，并获取与所述到站物流货车对应的车辆基本信息、车辆运输信息以及运输空档时段，包括：
将所述车辆特征信息与预置的物流货车特征信息进行对比分析，得到到站物流货车以及所述到站物流货车的特征信息，所述到站物流货车的特征信息包括车牌信息；
根据所述车牌信息检索预置的到站物流货车信息数据库，得到与所述到站物流货车对应的车辆基本信息、车辆运输信息以及运输空档时段。
可选的，在本发明第一方面的第五种实现方式中，所述获取多个物流站点在预设时段内的站点图像之前，还包括：
获取多个物流站点的站点图像集，并将所述站点图像集分类为样本图像集和测试图像集；
搭建基于符号数学系统Tensorflow的图像识别框架，并通过所述基于符号数学系统Tensorflow的图像识别框架对所述样本图像集进行运算处理和权重调整处理，得到初始的图像识别模型；
通过所述基于符号数学系统Tensorflow的图像识别框架中的时间轴，获取所述初始的图像识别模型中的运行信息，所述运行信息包括所述初始的图像识别模型的操作执行时间信息、资源分配状况信息和资源消耗状态信息；
根据所述运行信息对所述初始的图像识别模型进行超参数调整，得到调整后的图像识别模型；
通过所述测试图像集对所述调整后的图像识别模型进行测试，得到测试结果；
根据预置损失函数和所述测试结果，对所述调整后的图像识别模型的权重值进行迭代调整，得到训练好的图像识别模型。
可选的，在本发明第一方面的第六种实现方式中，所述根据所述车辆基本信息、所述车辆运输信息、所述运输空档时段，以及预置的物流货车调配策略，从所述到站物流货车中确定需要调配的目标到站物流货车之后，还包括：
获取调配反馈信息，根据所述调配反馈信息和预置的优化算法对所述图像识别模型进行优化。
本发明第二方面提供了一种物流货车的调配装置，包括：
第一获取模块，用于获取多个物流站点在预设时段内的站点图像；
标注处理模块，用于识别所述站点图像中的车辆区域，对所述车辆区域进行边界框标注处理，得到目标图像；
特征提取模块，用于通过预先训练好的图像识别模型，对所述目标图像进行基于卷积神经网络的图像特征提取和特征分类处理，得到车辆特征信息；
识别模块，用于根据所述车辆特征信息识别到站物流货车，并获取与所述到站物流货车对应的车辆基本信息、车辆运输信息以及运输空档时段；
确定模块，用于根据所述车辆基本信息、所述车辆运输信息、所述运输空档时段，以及预置的物流货车调配策略，从所述到站物流货车中确定需要调配的目标到站物流货车。
可选的，在本发明第二方面的第一种实现方式中，所述确定模块包括：
读取单元，用于从预置的调配文件中读取物流货车调配策略，从所述物流货车调配策略中获取物流货车调配条件；
计算单元，用于根据所述车辆基本信息、所述车辆运输信息以及所述运输空档时段，计算所述到站物流货车与所述物流货车调配条件之间的匹配度，得到匹配度分值；
确定单元，用于根据所述匹配度分值从所述到站物流货车中确定需要调配的目标到站物流货车。
可选的，在本发明第二方面的第二种实现方式中，所述确定单元具体用于：
按照所述匹配度分值从大到小的顺序，对所述到站物流货车进行排序；
将排列在预设顺序位置的到站物流货车确定为候选到站物流货车；
获取所述候选到站物流货车的到站站点，并将所述到站站点划分为主站点和子站点；
获取所述主站点与所述子站点之间的距离信息；
获取所述物流货车调配条件中的快件运送量，并根据所述距离信息和所述快件运送量，从所述候选到站物流货车中确定需要调配的目标到站物流货车。
可选的，在本发明第二方面的第三种实现方式中，所述标注处理模块具体用于：
通过预置的锚框对所述车辆区域进行边界框预测，得到大目标边界框和小目标边界框，所述大目标边界框用于标注所述站点图像中的车辆区域，所述小目标边界框用于标注所述车辆区域中的物流公司标识区域和车牌区域；
建立所述大目标边界框和所述小目标边界框的对应关系；
根据建立有对应关系的大目标边界框和小目标边界框，生成所述站点图像的目标图像。
可选的，在本发明第二方面的第四种实现方式中，所述识别模块具体用于：
将所述车辆特征信息与预置的物流货车特征信息进行对比分析，得到到站物流货车以及所述到站物流货车的特征信息，所述到站物流货车的特征信息包括车牌信息；
根据所述车牌信息检索预置的到站物流货车信息数据库，得到与所述到站物流货车对应的车辆基本信息、车辆运输信息以及运输空档时段。
可选的，在本发明第二方面的第五种实现方式中，所述物流货车的调配装置，还包括：
样本提取模块，用于获取多个物流站点的站点图像集，并将所述站点图像集分类为样本图像集和测试图像集；
运算调整模块，用于搭建基于符号数学系统Tensorflow的图像识别框架，并通过所述基于符号数学系统Tensorflow的图像识别框架对所述样本图像集进行运算处理和权重调整处理，得到初始的图像识别模型；
第二获取模块，用于通过所述基于符号数学系统Tensorflow的图像识别框架中的时间轴，获取所述初始的图像识别模型中的运行信息，所述运行信息包括所述初始的图像识别模型的操作执行时间信息、资源分配状况信息和资源消耗状态信息；
参数调整模块，用于根据所述运行信息对所述初始的图像识别模型进行超参数调整，得到调整后的图像识别模型；
测试模块，用于通过所述测试图像集对所述调整后的图像识别模型进行测试，得到测试结果；
迭代调整模块，用于根据预置损失函数和所述测试结果，对所述调整后的图像识别模型的权重值进行迭代调整，得到训练好的图像识别模型。
可选的，在本发明第二方面的第六种实现方式中，所述物流货车的调配装置，还包括：
优化模块，用于获取调配反馈信息，根据所述调配反馈信息和预置的优化算法对所述图像识别模型进行优化。
本发明第三方面提供了一种物流货车的调配设备，包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；所述至少一个处理器调用所述存储器中的所述指令，以使得所述物流货车的调配设备执行上述的物流货车的调配方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的物流货车的调配方法。
本发明提供的技术方案中，获取多个物流站点在预设时段内的站点图像；识别所述站点图像中的车辆区域，对所述车辆区域进行边界框标注处理，得到目标图像；通过预先训练好的图像识别模型，对所述目标图像进行基于卷积神经网络的图像特征提取和特征分类处理，得到车辆特征信息；根据所述车辆特征信息识别到站物流货车，并获取与所述到站物流货车对应的车辆基本信息、车辆运输信息以及运输空档时段；根据所述车辆基本信息、所述车辆运输信息、所述运输空档时段，以及预置的物流货车调配策略，从所述到站物流货车中确定需要调配的目标到站物流货车。本发明中，通过对站点图像的车辆区域进行边界框标注处理，能够便于图像识别模型快速而准确地识别站点图像中的物流货车，通过图像识别模型对目标图像进行基于卷积神经网络的图像特征提取、特征分类处理和物流货车识别，能够高效地识别目标图像中的到站物流货车，提高物流货车到站的识别效率，通过对物流站点的目标到站物流货车进行调配，能够避免运输途中的多种因素导致的调配失效，有利于高效地对物流站点的目标到站物流货车进行调配，从而解决了对物流货车的调配效率不高，无法满足物流行业的时效性要求的问题。
附图说明
图1为本发明实施例中物流货车的调配方法的一个实施例示意图；
图2为本发明实施例中物流货车的调配方法的另一个实施例示意图；
图3为本发明实施例中物流货车的调配装置的一个实施例示意图；
图4为本发明实施例中物流货车的调配装置的另一个实施例示意图；
图5为本发明实施例中物流货车的调配设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种物流货车的调配方法、装置、设备及存储介质，解决了对物流货车的调配效率不高，无法满足物流行业的时效性要求的问题。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中物流货车的调配方法的一个实施例包括：
101、获取多个物流站点在预设时段内的站点图像。
可以理解的是，本发明的执行主体可以为物流货车的调配装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
物流站点为物流分拨中心或物流业务网点，每个物流分拨中心和每个物流业务网点都安装有站点监控摄像头，通过站点监控摄像头对站点的情况进行监控和拍摄。站点监控摄像头可连接有预置终端，预置终端可控制站点监控摄像头对各物流分拨中心或各物流业务网点在预置场景下预设时段内的站点图像进行监控拍摄，并将监控拍摄所得的站点图像发送至服务器，也可由服务器直接控制站点监控摄像头对各物流分拨中心或各物流业务网点在预置场景下预设时段内的站点图像进行监控拍摄。
其中，站点图像可为预先设置的拍摄时段下的图像，例如：服务器或预置终端对历史存储的物流货车到站时间数据以及当前运行的运输订单运输信息进行统计分析，得到物流货车可能到站的时间段(即预先设置的拍摄时段)，在该时段内对各物流分拨中心或各物流业务网点的车辆进入处进行监控拍摄，得到站点图像。
站点图像也可为接收到感应指令时拍摄的图像，例如：各物流分拨中心或各物流业务网点的车辆进入处设有道闸，当车辆进入站点时，道闸感应到并向服务器或预置终端发送感应指令，服务器或预置终端接受该指令后启动站点监控摄像头进行摄像拍照，得到站点图像。
站点图像也可为预设拍摄范围所拍摄的图像，例如：在白天时的预先设置的拍摄时段中，即预设时段，在该预设时段内对各物流分拨中心或各物流业务网点的车辆进入处以能覆盖多辆车辆全身的拍摄角度进行监控拍摄，得到拍摄到完整的车辆的站点图像；在夜晚时的预先设置的拍摄时段中，即预设时段，在该预设时段内对各物流分拨中心或各物流业务网点的车辆进入处以能覆盖车辆车牌号和挡风玻璃的拍摄角度进行监控拍摄，得到拍摄到车牌信息以及挡风玻璃上贴着的标识信息的站点图像。
通过多种拍摄时段和拍摄范围，实现站点图像的多角度性和提高后续对其站点图像处理的效率，从而便于方便高效地对站点图像进行处理。
该步骤101之前，服务器还可以获取多个物流站点的站点图像集，并将站点图像集分类为样本图像集和测试图像集；搭建基于符号数学系统Tensorflow的图像识别框架，并通过基于符号数学系统Tensorflow的图像识别框架对样本图像集进行运算处理和权重调整处理，得到初始的图像识别模型；通过基于符号数学系统Tensorflow的图像识别框架中的时间轴，获取初始的图像识别模型中的运行信息，运行信息包括初始的图像识别模型的操作执行时间信息、资源分配状况信息和资源消耗状态信息；根据运行信息对初始的图像识别模型进行超参数调整，得到调整后的图像识别模型；通过测试图像集对调整后的图像识别模型进行测试，得到测试结果；根据预置损失函数和测试结果，对调整后的图像识别模型的权重值进行迭代调整，得到训练好的图像识别模型。
服务器获取样本图像集和测试图像集，并搭建基于符号数学系统Tensorflow的图像识别框架后，将样本图像集和测试图像集的尺寸大小转换为预置的尺寸大小，得到转换后的样本图像集和测试图像集，生成转换后的样本图像集的第一TFRecord存储文件和转换后的测试图像集的第二TFRecord存储文件，TFRecord为Tensorflow的文件格式，通过第一TFRecord存储文件对基于Tensorflow的图像识别框架进行基于卷积神经网络的特征提取、分类处理、物流货车识别和权值调整，得到初始的图像识别模型。
其中，站点图像集可包括车辆图像和非车辆图像，服务器将站点图像集分类为样本图像集和测试图像集之外，还包括验证图像集，通过结合验证图像集和运行信息对初始的图像识别模型进行超参数调整，超参数包括初始的图像识别模型的学习率、正则化器、正则化系数、隐藏层的维数、定型周期数量、初始权重值和偏置，超参数调整例如：通过验证图像集对初始的图像识别模型的识别准确度进行验证来确定定型周期epoch的数量，以防止初始的图像识别模型的过拟合。
需要说明的是，服务器对调整后的图像识别模型的权重值进行迭代调整的过程中，还会通过调整后的图像识别模型中的时间轴获取调整后的图像识别模型的运行信息，并根据该运行信息对调整后的图像识别模型进行超参数调整，以对调整后的图像识别模型进行性能优化，得到训练好的图像识别模型。
102、识别站点图像中的车辆区域，对车辆区域进行边界框标注处理，得到目标图像。
服务器可通过预置的一种目标检测算法提取站点图像的特征图，对该特征图进行车辆区域识别，并生成特征图的车辆区域边界框，以对站点图像的车辆区域进行边界框标注处理，得到目标图像，目标图像包括边界框以及边界框中的图像信息。
服务器也可通过预置的多种目标检测算法(基于深度神经网络的对象识别和定位算法(you only look once，YOLO)、单点多盒探测器(single shotmultibox detector，SSD)和密集检测器RetinaNet等中至少两种)分别对站点图像的车辆区域进行边界框预测，得到多个候选边界框，根据多个候选边界框之间的交并比值大小确定目标边界框，从而得到目标边界框对应的目标图像，其中，以其中一种目标检测算法作为参考，另外几种作为验证，例如：YOLO、SSD和RetinaNet对站点图像的车辆区域进行边界框预测，得到多个候选边界框分别为A、B和C，计算A和B之间的交并比值D1，计算A和C之间的交并比值D2，判断D1和D2是否均大于预设阈值，若大于，则说明YOLO算法对站点图像的车辆区域进行边界框的标注准确度高，若小于或等于，则说明YOLO算法对站点图像的车辆区域进行边界框的标注准确度低，调用其他算法对站点图像的车辆区域进行边界框预测，得到目标图像。
103、通过预先训练好的图像识别模型，对目标图像进行基于卷积神经网络的图像特征提取和特征分类处理，得到车辆特征信息。
该步骤中，图像识别模型可以是符号数学系统Tensorflow，Tensorflow是一个采用数据流图(data flow graphs)，用于数值计算的开源软件库，节点(Nodes)在数据流图中表示数学操作，数据流图中的线(edges)则表示在节点间相互联系的多维数据数组，即张量(tensor)。服务器通过预先训练好的基于Tensorflow的图像识别模型，通过两层卷积网络(第一层卷积网络和第二层卷积网络)对目标图像进行图像特征提取得到特征图张量，每层卷积网络包括卷积层、线性回归层、激活函数层和最大池化层，第一层卷积网络的输出是第二层卷积网络的输入。服务器通过图像识别模型中的密集连接层对特征图张量依次进行向量转换、与权重矩阵相乘、与预置的偏置相加、激活函数运算、抛弃dropout处理和分类概率输出，得到分类结果，从而得到目标图像中的车辆特征信息。
需要说明的是，图像识别模型中的卷积层采用两个级联小卷积核对目标图像进行卷积处理，通过采用小卷积核减少参数和计算量，提高特征提取的速度和准确度，例如：两个级联小卷积核为3*3，或者两个级联小卷积核分别为3*3和1*1。
104、根据车辆特征信息识别到站物流货车，并获取与到站物流货车对应的车辆基本信息、车辆运输信息以及运输空档时段。
服务器通过根据车辆特征信息对预置物流货车信息结构树进行遍历，得到车辆为预置物流货车的到站物流货车以及到站物流货车的车辆特征信息，创建到站物流货车的车辆特征信息的哈希值，根据哈希值对预置的物流货车信息散列表进行检索，得到与到站物流货车对应的车辆基本信息、车辆运输信息以及运输空档时段。
需要说明的是，车辆基本信息包括但不限于车牌信息、载重量和运载快件数量等，车辆运输信息包括但不限于当前时刻对应所运输以及晚于当前时刻对应所要运输的订单信息和司机信息，订单信息包括但不限于快件类型、快件数量、快件重量、始发地、目的地和时间表，运输空档时段为不需进行运输的时间段，例如：目标图像的拍摄时间为2020/4/10，那到站物流货车信息为2020/4/10 10:50运输到站点所对应的订单信息D，以及2020/4/1010:50之后需运输的订单信息E。
105、根据车辆基本信息、车辆运输信息、运输空档时段，以及预置的物流货车调配策略，从到站物流货车中确定需要调配的目标到站物流货车。
其中，预置的物流货车调配策略包括调配条件和调配方案，调配条件可包括快件数量、快件重量、运送的始发地、运送的目标地和运送时段，调配方案为根据调配条件确定到站物流货车中的目标到站物流货车的步骤方法。服务器获取物流货车调配策略后，根据到站物流货车对应的车辆基本信息、车辆运输信息以及运输空档时段，和物流货车调配策略中的调配方案，从到站物流货车中确定与调配条件对应的目标到站物流货车，并将该匹配和调用所得的信息以及调配条件发送至目标到站物流货车的司机的用户端，以使得司机能够通过目标到站物流货车对调配条件对应的订单快件进行配送，实现目标物流货车的调配。
需要说明的是，服务器对目标到站物流货车进行调配完成后，会相应地对调配的目标物流货车在预置存储空间或预置显示页面上的信息和状态进行更新，以及时地对信息进行反馈和更新。
本发明实施例中，通过对站点图像的车辆区域进行边界框标注处理，能够便于图像识别模型快速而准确地识别站点图像中的物流货车，通过图像识别模型对目标图像进行基于卷积神经网络的图像特征提取、特征分类处理和物流货车识别，能够高效地识别目标图像中的到站物流货车，提高物流货车到站的识别效率，通过对物流站点的目标到站物流货车进行调配，能够避免运输途中的多种因素导致的调配失效，有利于高效地对物流站点的目标到站物流货车进行调配，从而解决了对物流货车的调配效率不高，无法满足物流行业的时效性要求的问题。
请参阅图2，本发明实施例中物流货车的调配方法的另一个实施例包括：
201、获取多个物流站点在预设时段内的站点图像。
服务器在获取多个物流站点在预设时段内的站点图像之前，接收到多个物流站点在预设时段内原始的站点图像，对多个物流站点在预设时段内原始的站点图像进行图像预处理，得到最终的多个物流站点在预设时段内的站点图像，该图像预处理可包括几何变换处理、归一化处理、平滑处理、复原处理、增强处理和图像尺寸大小变换处理。
202、识别站点图像中的车辆区域，对车辆区域进行边界框标注处理，得到目标图像。
具体地，服务器通过预置的锚框对车辆区域进行边界框预测，得到大目标边界框和小目标边界框，大目标边界框用于标注站点图像中的车辆区域，小目标边界框用于标注车辆区域中的物流公司标识区域和车牌区域；建立大目标边界框和小目标边界框的对应关系；根据建立有对应关系的大目标边界框和小目标边界框，生成站点图像的目标图像。
例如：站点图像的车辆区域为一辆物流货车W，通过预置的锚框中对应大目标的大锚框对W进行边界框预测，得到W的目标边界框H，W上有物流公司的标识W1，则通过预置的锚框中对应小目标的小锚框对W进行边界框预测，得到W1的小目标边界框L，建立H与L的对应关系，即L包含于H中，包括H、L和W的站点图像为目标图像，目标图像也可为将站点图像中包含H、L和W的图像分割后所得的图像。通过对站点图像的目标区域进行大目标边界框和小目标边界框的生成和标注，以便于后续准确地对站点图像的目标区域中的大目标和小目标进行识别。
203、通过预先训练好的图像识别模型，对目标图像进行基于卷积神经网络的图像特征提取和特征分类处理，得到车辆特征信息。
服务器通过预先训练好的图像识别模型中的卷积层、池化层和激励层，依次对目标图像进行卷积处理、最大池化处理和非线性转化处理，得到图像特征信息；通过图像识别模型中的分类器输出层对图像车辆特征信息进行物流货车分类处理，得到车辆特征信息。
204、根据车辆特征信息识别到站物流货车，并获取与到站物流货车对应的车辆基本信息、车辆运输信息以及运输空档时段。
需要说明的是，与到站物流货车对应的信息除了车辆基本信息、车辆运输信息以及运输空档时段，还包括到站物流货车的实际到站时间和预测到站时间，判断实际到站时间和预测到站时间是否一致，若一致，则到站物流货车准时到站，若不一致，则到站物流不准时到站，例如：计算实际到站时间2020/4/10 11:50和预测到站时间2020/4/10 11:30的差值，取其差值的绝对值20min，判断差值的绝对值20min是否小于预设24h，若小于，则到站物流货车准时到站，若不小于，则到站物流不准时到站，可通过此来统计分析物流货车的运作时效以及导致运作时效低的原因。
具体地，服务器将车辆特征信息与预置的物流货车特征信息进行对比分析，得到到站物流货车以及到站物流货车的特征信息，到站物流货车的特征信息包括车牌信息；根据车牌信息检索预置的到站物流货车信息数据库，得到与到站物流货车对应的车辆基本信息、车辆运输信息以及运输空档时段。
服务器通过计算车辆特征信息与预置的物流货车特征信息之间的相似度，将相似度值最大的车辆特征信息确定为到站物流货车的车辆特征信息。其中，车辆特征信息为所有类型的车辆的特征信息，可包括到站物流货车的特征信息，预置的物流货车特征信息为物流公司专属的物流货车的特征信息。与到站物流货车对应的信息除了包括到站物流货车的车辆基本信息、车辆运输信息以及运输空档时段外，还包括历史运输时效统计信息，历史运输时效统计信息例如：历史运输次数为5次，在这5次运输中准时将快件运输到站点的占比，通过根据历史运输时效统计信息提高调配的准确性，从而提高对物流货车的调配效率。
205、根据车辆基本信息、车辆运输信息、运输空档时段，以及预置的物流货车调配策略，从到站物流货车中确定需要调配的目标到站物流货车。
具体地，服务器从预置的调配文件中读取物流货车调配策略，从物流货车调配策略中获取物流货车调配条件；根据车辆基本信息、车辆运输信息以及运输空档时段，计算到站物流货车与物流货车调配条件之间的匹配度，得到匹配度分值；根据匹配度分值从到站物流货车中确定需要调配的目标到站物流货车。
其中，调配条件可包括快件数量、快件重量、运送的始发地、运送的目标地和运送时段。服务器根据匹配度分值对到站物流货车进行排序和筛选，得到目标物流货车，例如：根据匹配度分值的大小对到站物流货车进行排序，可将排序第一顺位的到站物流货车确定目标到站物流货车，也可将排序前两位的到站物流货车确定目标到站物流货车，将第二顺位的到站物流货车作为突发状况出现时备用的目标到站物流货车。通过确定符合物流货车调配条件的目标到站物流货车，来实现对目标到站物流货车的调配，提高对物流货车的调配准确度，从而调高对物流货车的调配效率。
具体地，服务器按照匹配度分值从大到小的顺序，对到站物流货车进行排序；将排列在预设顺序位置的到站物流货车确定为候选到站物流货车；获取候选到站物流货车的到站站点，并将到站站点划分为主站点和子站点；获取主站点与子站点之间的距离信息；获取物流货车调配条件中的快件运送量，并根据距离信息和快件运送量，从候选到站物流货车中确定需要调配的目标到站物流货车。
预设顺序位置为按照一定排列顺序后的排列后，排列在前的预设范围的位置，例如：预设顺序位置可为排序为第一，也可为排序为第一和第二。到站站点的数量包括一个或一个以上，服务器可对同一个到站站点内的到站物流货车进行调配，也可对多个到站站点内的到站物流货车进行调配，当快件运送量大时，一个到站站点的到站物流货车无法满足调配运送时，需对多个到站站点内的到站物流货车进行调配，而当对多个到站站点内的到站物流货车进行调配时需要根据到站站点之间的距离信息进行分析。
需要说明的是，在一实施方式中，服务器可以获取物流货车调配条件中的始发地，并计算到站站点分别与始发地之间的距离值，将距离值最小(即离物流货车调配条件中的始发地最近)的到站站点作为主站点，其他的到站站点作为子站点，对主站点进行调配外，以离主站点最近的子站点优先进行调配。距离信息可为主站点与子站点之间的路径信息，也可为主站点与子站点之间的距离关系，例如：主站点为P1，子站点为P2和P3，P1、P2和P3之间的距离信息可为：P1与P2之间的距离为a公里，P1和P3之间的距离为b公里；也可为：P1、P2和P3中，P1与P2之间的距离较近，P1和P3之间的距离较远。服务器可通过获取主站点和子站点各自的经纬度，根据经纬度计算主站点和子站点之间的距离，来获取距离信息。通过这种方式，能够提高对物流货车的调配准确度，从而调高对物流货车的调配效率。
206、获取调配反馈信息，根据调配反馈信息和预置的优化算法对图像识别模型进行优化。
一方面，该调配反馈信息可包括对调配的评分、可改善意见以及出现错误或调配不善的环节信息等。服务器接收用户端发送的调配反馈信息后，根据该调配反馈信息从预置数据库中获取对应的调整策略，根据该调整策略对物流货车调配策略进行调整得到调整后的物流货车调配策略，将调整后的物流货车调配策略发送至预置审核端，当接收到预置审核端发送的确认信息时，将调整后的物流货车调配策略作为更新后的物流货车调配策略，当接收到预置审核端发送的调整内容时，根据该调整内容更新调整后的物流货车调配策略，得到更新后的物流货车调配策略。
另一方面，该调配反馈信息还包括调配的目标到站物流货车的错误信息，例如：调配的目标到站物流货车在进行调配时，还没到站，还在运输中。服务器接收用户端发送的调配反馈信息后，提取调配反馈信息中的错误信息，根据该错误信息和预置的优化算法对图像识别模型进行优化。其中，预置的优化算法为一个或一个以上的优化算法。服务器对图像识别模型进行优化时，可通过对图像识别模型的Tensorflow图像识别框架进行调整，也可添加其他神经网络框架至图像识别模型，与Tensorflow图像识别框架进行综合的图像识别。
通过对物流货车调配策略进行更新调整，提高对物流货车的调配精确度，通过对图像识别模型进行优化，提高对到站物流货车的识别速度和准确度，从而提高对物流货车的调配效率。
本发明实施例中，在能够快速而准确地识别站点图像中的物流货车、提高物流货车到站的识别效率和有利于高效地对物流站点的目标到站物流货车进行调配的基础上，通过对物流货车调配策略进行更新调整，提高对物流货车的调配精确度，通过对图像识别模型进行优化，提高对到站物流货车的识别速度和准确度，从而解决了对物流货车的调配效率不高，无法满足物流行业的时效性要求的问题。
上面对本发明实施例中物流货车的调配方法进行了描述，下面对本发明实施例中物流货车的调配装置进行描述，请参阅图3，本发明实施例中物流货车的调配装置一个实施例包括：
第一获取模块301，用于获取多个物流站点在预设时段内的站点图像；
标注处理模块302，用于识别站点图像中的车辆区域，对车辆区域进行边界框标注处理，得到目标图像；
特征提取模块303，用于通过预先训练好的图像识别模型，对目标图像进行基于卷积神经网络的图像特征提取和特征分类处理，得到车辆特征信息；
识别模块304，用于根据车辆特征信息识别到站物流货车，并获取与到站物流货车对应的车辆基本信息、车辆运输信息以及运输空档时段；
确定模块305，用于根据车辆基本信息、车辆运输信息、运输空档时段，以及预置的物流货车调配策略，从到站物流货车中确定需要调配的目标到站物流货车。
物流货车的调配装置，还包括：
样本提取模块306，用于获取多个物流站点的站点图像集，并将站点图像集分类为样本图像集和测试图像集；
运算调整模块307，用于搭建基于符号数学系统Tensorflow的图像识别框架，并通过基于符号数学系统Tensorflow的图像识别框架对样本图像集进行运算处理和权重调整处理，得到初始的图像识别模型；
第二获取模块308，用于通过基于符号数学系统Tensorflow的图像识别框架中的时间轴，获取初始的图像识别模型中的运行信息，运行信息包括初始的图像识别模型的操作执行时间信息、资源分配状况信息和资源消耗状态信息；
参数调整模块309，用于根据运行信息对初始的图像识别模型进行超参数调整，得到调整后的图像识别模型；
测试模块310，用于通过测试图像集对调整后的图像识别模型进行测试，得到测试结果；
迭代调整模块311，用于根据预置损失函数和测试结果，对调整后的图像识别模型的权重值进行迭代调整，得到训练好的图像识别模型。
上述物流货车的调配装置中各个模块的功能实现与上述物流货车的调配方法实施例中各步骤相对应，其功能和实现过程在此处不再一一赘述。
本发明实施例中，通过对站点图像的车辆区域进行边界框标注处理，能够便于图像识别模型快速而准确地识别站点图像中的物流货车，通过的图像识别模型对目标图像进行基于卷积神经网络的图像特征提取、特征分类处理和物流货车识别，能够高效地识别目标图像中的到站物流货车，提高物流货车到站的识别效率，通过对物流站点的目标到站物流货车进行调配，能够避免运输途中的多种因素导致的调配失效，有利于高效地对物流站点的目标到站物流货车进行调配，从而解决了对物流货车的调配效率不高，无法满足物流行业的时效性要求的问题。
请参阅图4，本发明实施例中物流货车的调配装置的另一个实施例包括：
第一获取模块301，用于获取多个物流站点在预设时段内的站点图像；
标注处理模块302，用于识别站点图像中的车辆区域，对车辆区域进行边界框标注处理，得到目标图像；
特征提取模块303，用于通过预先训练好的图像识别模型，对目标图像进行基于卷积神经网络的图像特征提取和特征分类处理，得到车辆特征信息；
识别模块304，用于根据车辆特征信息识别到站物流货车，并获取与到站物流货车对应的车辆基本信息、车辆运输信息以及运输空档时段；
确定模块305，用于根据车辆基本信息、车辆运输信息、运输空档时段，以及预置的物流货车调配策略，从到站物流货车中确定需要调配的目标到站物流货车；
优化模块312，用于获取调配反馈信息，根据调配反馈信息和预置的优化算法对图像识别模型进行优化。
可选的，确定模块305包括：
读取单元3051，用于从预置的调配文件中读取物流货车调配策略，从物流货车调配策略中获取物流货车调配条件；
计算单元3052，用于根据车辆基本信息、车辆运输信息以及运输空档时段，计算到站物流货车与物流货车调配条件之间的匹配度，得到匹配度分值；
确定单元3053，用于根据匹配度分值从到站物流货车中确定需要调配的目标到站物流货车。
可选的，确定单元3053还可以具体用于：
按照匹配度分值从大到小的顺序，对到站物流货车进行排序；
将排列在预设顺序位置的到站物流货车确定为候选到站物流货车；
获取候选到站物流货车的到站站点，并将到站站点划分为主站点和子站点；
获取主站点与子站点之间的距离信息；
获取物流货车调配条件中的快件运送量，并根据距离信息和快件运送量，从候选到站物流货车中确定需要调配的目标到站物流货车。
可选的，标注处理模块302还可以具体用于：
通过预置的锚框对车辆区域进行边界框预测，得到大目标边界框和小目标边界框，大目标边界框用于标注站点图像中的车辆区域，小目标边界框用于标注车辆区域中的物流公司标识区域和车牌区域；
建立大目标边界框和小目标边界框的对应关系；
根据建立有对应关系的大目标边界框和小目标边界框，生成站点图像的目标图像。
可选的，识别模块304还可以具体用于：
将车辆特征信息与预置的物流货车特征信息进行对比分析，得到到站物流货车以及到站物流货车的特征信息，到站物流货车的特征信息包括车牌信息；
根据车牌信息检索预置的到站物流货车信息数据库，得到与到站物流货车对应的车辆基本信息、车辆运输信息以及运输空档时段。
上述物流货车的调配装置中各模块和各单元的功能实现与上述物流货车的调配方法实施例中各步骤相对应，其功能和实现过程在此处不再一一赘述。
本发明实施例中，在能够快速而准确地识别站点图像中的物流货车、提高物流货车到站的识别效率和有利于高效地对物流站点的目标到站物流货车进行调配的基础上，通过对物流货车调配策略进行更新调整，提高对物流货车的调配精确度，通过对图像识别模型进行优化，提高对到站物流货车的识别速度和准确度，从而提高了对物流货车的调配效率不高，无法满足物流行业的时效性要求的问题。
上面图3和图4从模块化功能实体的角度对本发明实施例中的物流货车的调配装置进行详细描述，下面从硬件处理的角度对本发明实施例中物流货车的调配设备进行详细描述。
图5是本发明实施例提供的一种物流货车的调配设备的结构示意图，该物流货车的调配设备500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 processing units，CPU)510(例如，一个或一个以上处理器)和存储器520，一个或一个以上存储应用程序533或数据532的存储介质530(例如一个或一个以上海量存储设备)。其中，存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对物流货车的调配设备500中的一系列指令操作。更进一步地，处理器510可以设置为与存储介质530通信，在物流货车的调配设备500上执行存储介质530中的一系列指令操作。
物流货车的调配设备500还可以包括一个或一个以上电源540，一个或一个以上有线或无线网络接口550，一个或一个以上输入输出接口560，和/或，一个或一个以上操作系统531，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图5示出的物流货车的调配设备结构并不构成对物流货车的调配设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述物流货车的调配方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种物流货车的调配方法，其特征在于，所述物流货车的调配方法包括：
获取多个物流站点在预设时段内的站点图像；
识别所述站点图像中的车辆区域，对所述车辆区域进行边界框标注处理，得到目标图像；
通过预先训练好的图像识别模型，对所述目标图像进行基于卷积神经网络的图像特征提取和特征分类处理，得到车辆特征信息；
根据所述车辆特征信息识别到站物流货车，并获取与所述到站物流货车对应的车辆基本信息、车辆运输信息以及运输空档时段；
根据所述车辆基本信息、所述车辆运输信息、所述运输空档时段，以及预置的物流货车调配策略，从所述到站物流货车中确定需要调配的目标到站物流货车。
2.根据权利要求1所述的物流货车的调配方法，其特征在于，所述根据所述车辆基本信息、所述车辆运输信息、所述运输空档时段，以及预置的物流货车调配策略，从所述到站物流货车中确定需要调配的目标到站物流货车，包括：
从预置的调配文件中读取物流货车调配策略，从所述物流货车调配策略中获取物流货车调配条件；
根据所述车辆基本信息、所述车辆运输信息以及所述运输空档时段，计算所述到站物流货车与所述物流货车调配条件之间的匹配度，得到匹配度分值；
根据所述匹配度分值从所述到站物流货车中确定需要调配的目标到站物流货车。
3.根据权利要求2所述的物流货车的调配方法，其特征在于，所述根据所述匹配度分值从所述到站物流货车中确定需要调配的目标到站物流货车，包括：
按照所述匹配度分值从大到小的顺序，对所述到站物流货车进行排序；
将排列在预设顺序位置的到站物流货车确定为候选到站物流货车；
获取所述候选到站物流货车的到站站点，并将所述到站站点划分为主站点和子站点；
获取所述主站点与所述子站点之间的距离信息；
获取所述物流货车调配条件中的快件运送量，并根据所述距离信息和所述快件运送量，从所述候选到站物流货车中确定需要调配的目标到站物流货车。
4.根据权利要求1所述的物流货车的调配方法，其特征在于，所述对所述车辆区域进行边界框标注处理，得到目标图像，包括：
通过预置的锚框对所述车辆区域进行边界框预测，得到大目标边界框和小目标边界框，所述大目标边界框用于标注所述站点图像中的车辆区域，所述小目标边界框用于标注所述车辆区域中的物流公司标识区域和车牌区域；
建立所述大目标边界框和所述小目标边界框的对应关系；
根据建立有对应关系的大目标边界框和小目标边界框，生成所述站点图像的目标图像。
5.根据权利要求1所述的物流货车的调配方法，其特征在于，所述根据所述车辆特征信息识别到站物流货车，并获取与所述到站物流货车对应的车辆基本信息、车辆运输信息以及运输空档时段，包括：
将所述车辆特征信息与预置的物流货车特征信息进行对比分析，得到到站物流货车以及所述到站物流货车的特征信息，所述到站物流货车的特征信息包括车牌信息；
根据所述车牌信息检索预置的到站物流货车信息数据库，得到与所述到站物流货车对应的车辆基本信息、车辆运输信息以及运输空档时段。
6.根据权利要求1所述的物流货车的调配方法，其特征在于，所述获取多个物流站点在预设时段内的站点图像之前，还包括：
获取多个物流站点的站点图像集，并将所述站点图像集分类为样本图像集和测试图像集；
搭建基于符号数学系统Tensorflow的图像识别框架，并通过所述基于符号数学系统Tensorflow的图像识别框架对所述样本图像集进行运算处理和权重调整处理，得到初始的图像识别模型；
通过所述基于符号数学系统Tensorflow的图像识别框架中的时间轴，获取所述初始的图像识别模型中的运行信息，所述运行信息包括所述初始的图像识别模型的操作执行时间信息、资源分配状况信息和资源消耗状态信息；
根据所述运行信息对所述初始的图像识别模型进行超参数调整，得到调整后的图像识别模型；
通过所述测试图像集对所述调整后的图像识别模型进行测试，得到测试结果；
根据预置损失函数和所述测试结果，对所述调整后的图像识别模型的权重值进行迭代调整，得到训练好的图像识别模型。
7.根据权利要求1-6中任一项所述的物流货车的调配方法，其特征在于，所述根据所述车辆基本信息、所述车辆运输信息、所述运输空档时段，以及预置的物流货车调配策略，从所述到站物流货车中确定需要调配的目标到站物流货车之后，还包括：
获取调配反馈信息，根据所述调配反馈信息和预置的优化算法对所述图像识别模型进行优化。
8.一种物流货车的调配装置，其特征在于，所述物流货车的调配装置包括：
第一获取模块，用于获取多个物流站点在预设时段内的站点图像；
标注处理模块，用于识别所述站点图像中的车辆区域，对所述车辆区域进行边界框标注处理，得到目标图像；
特征提取模块，用于通过预先训练好的图像识别模型，对所述目标图像进行基于卷积神经网络的图像特征提取和特征分类处理，得到车辆特征信息；
识别模块，用于根据所述车辆特征信息识别到站物流货车，并获取与所述到站物流货车对应的车辆基本信息、车辆运输信息以及运输空档时段；
确定模块，用于根据所述车辆基本信息、所述车辆运输信息、所述运输空档时段，以及预置的物流货车调配策略，从所述到站物流货车中确定需要调配的目标到站物流货车。
9.一种物流货车的调配设备，其特征在于，所述物流货车的调配设备包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述物流货车的调配设备执行如权利要求1-7中任意一项所述的物流货车的调配方法。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的物流货车的调配方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010420319.5A CN111626578A (zh) | 2020-05-18 | 2020-05-18 | 物流货车的调配方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010420319.5A CN111626578A (zh) | 2020-05-18 | 2020-05-18 | 物流货车的调配方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111626578A true CN111626578A (zh) | 2020-09-04 |
Family
ID=72258936
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010420319.5A Pending CN111626578A (zh) | 2020-05-18 | 2020-05-18 | 物流货车的调配方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111626578A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112474403A (zh) * | 2020-12-03 | 2021-03-12 | 中邮信息科技(北京)有限公司 | 一种自主集包的管理方法、装置、介质及电子设备 |
| CN113011666A (zh) * | 2021-03-29 | 2021-06-22 | 上海寻梦信息技术有限公司 | 时效预测模型的训练方法、时效预测方法及相关设备 |
| CN116227306A (zh) * | 2023-05-08 | 2023-06-06 | 中汽研（天津）汽车工程研究院有限公司 | 用于有限元网格划分的零件连接结构自动识别方法 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103745329A (zh) * | 2013-12-19 | 2014-04-23 | 柳州职业技术学院 | 一种面向物联网的经济型物流运输配送方法 |
| CN204731828U (zh) * | 2015-05-14 | 2015-10-28 | 北京速派得物流信息技术有限公司 | 一种用于同城网络货运的货物-车辆匹配系统 |
| CN106980854A (zh) * | 2017-03-29 | 2017-07-25 | 珠海习悦信息技术有限公司 | 车牌号码识别方法、装置、存储介质及处理器 |
| CN108549978A (zh) * | 2018-03-29 | 2018-09-18 | 惠龙易通国际物流股份有限公司 | 一种调配安全货运车辆的方法及系统 |
| CN109064098A (zh) * | 2018-08-09 | 2018-12-21 | 圆通速递有限公司 | 一种车辆动态调度方法和系统 |
| CN109215333A (zh) * | 2017-07-07 | 2019-01-15 | 杭州中策车空间汽车服务有限公司 | 调度配置方法和系统 |
| CN109784576A (zh) * | 2019-01-24 | 2019-05-21 | 好生活农产品集团有限公司 | 物流运输时效监控方法及平台 |
| CN110322128A (zh) * | 2019-06-20 | 2019-10-11 | 吉旗物联科技（上海）有限公司 | 车货匹配方法、装置及计算机存储介质 |
| CN110414895A (zh) * | 2019-07-26 | 2019-11-05 | 珠海格力电器股份有限公司 | 车辆调度系统及方法 |
| CN110443510A (zh) * | 2019-08-08 | 2019-11-12 | 圆通速递有限公司 | 一种车辆调度方法和系统 |
| CN110598709A (zh) * | 2019-08-12 | 2019-12-20 | 北京智芯原动科技有限公司 | 一种卷积神经网络训练方法以及车牌识别方法及装置 |
| CN110853349A (zh) * | 2019-10-24 | 2020-02-28 | 杭州飞步科技有限公司 | 车辆调度方法、装置及设备 |
| CN111126224A (zh) * | 2019-12-17 | 2020-05-08 | 成都通甲优博科技有限责任公司 | 车辆检测方法及分类识别模型训练方法 |
| CN111144372A (zh) * | 2019-12-31 | 2020-05-12 | 上海眼控科技股份有限公司 | 车辆检测方法、装置、计算机设备和存储介质 |
-
2020
- 2020-05-18 CN CN202010420319.5A patent/CN111626578A/zh active Pending
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103745329A (zh) * | 2013-12-19 | 2014-04-23 | 柳州职业技术学院 | 一种面向物联网的经济型物流运输配送方法 |
| CN204731828U (zh) * | 2015-05-14 | 2015-10-28 | 北京速派得物流信息技术有限公司 | 一种用于同城网络货运的货物-车辆匹配系统 |
| CN106980854A (zh) * | 2017-03-29 | 2017-07-25 | 珠海习悦信息技术有限公司 | 车牌号码识别方法、装置、存储介质及处理器 |
| CN109215333A (zh) * | 2017-07-07 | 2019-01-15 | 杭州中策车空间汽车服务有限公司 | 调度配置方法和系统 |
| CN108549978A (zh) * | 2018-03-29 | 2018-09-18 | 惠龙易通国际物流股份有限公司 | 一种调配安全货运车辆的方法及系统 |
| CN109064098A (zh) * | 2018-08-09 | 2018-12-21 | 圆通速递有限公司 | 一种车辆动态调度方法和系统 |
| CN109784576A (zh) * | 2019-01-24 | 2019-05-21 | 好生活农产品集团有限公司 | 物流运输时效监控方法及平台 |
| CN110322128A (zh) * | 2019-06-20 | 2019-10-11 | 吉旗物联科技（上海）有限公司 | 车货匹配方法、装置及计算机存储介质 |
| CN110414895A (zh) * | 2019-07-26 | 2019-11-05 | 珠海格力电器股份有限公司 | 车辆调度系统及方法 |
| CN110443510A (zh) * | 2019-08-08 | 2019-11-12 | 圆通速递有限公司 | 一种车辆调度方法和系统 |
| CN110598709A (zh) * | 2019-08-12 | 2019-12-20 | 北京智芯原动科技有限公司 | 一种卷积神经网络训练方法以及车牌识别方法及装置 |
| CN110853349A (zh) * | 2019-10-24 | 2020-02-28 | 杭州飞步科技有限公司 | 车辆调度方法、装置及设备 |
| CN111126224A (zh) * | 2019-12-17 | 2020-05-08 | 成都通甲优博科技有限责任公司 | 车辆检测方法及分类识别模型训练方法 |
| CN111144372A (zh) * | 2019-12-31 | 2020-05-12 | 上海眼控科技股份有限公司 | 车辆检测方法、装置、计算机设备和存储介质 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112474403A (zh) * | 2020-12-03 | 2021-03-12 | 中邮信息科技(北京)有限公司 | 一种自主集包的管理方法、装置、介质及电子设备 |
| CN112474403B (zh) * | 2020-12-03 | 2022-10-18 | 中邮信息科技(北京)有限公司 | 一种自主集包的管理方法、装置、介质及电子设备 |
| CN113011666A (zh) * | 2021-03-29 | 2021-06-22 | 上海寻梦信息技术有限公司 | 时效预测模型的训练方法、时效预测方法及相关设备 |
| CN113011666B (zh) * | 2021-03-29 | 2024-04-26 | 上海寻梦信息技术有限公司 | 时效预测模型的训练方法、时效预测方法及相关设备 |
| CN116227306A (zh) * | 2023-05-08 | 2023-06-06 | 中汽研（天津）汽车工程研究院有限公司 | 用于有限元网格划分的零件连接结构自动识别方法 |
| CN116227306B (zh) * | 2023-05-08 | 2023-07-28 | 中汽研（天津）汽车工程研究院有限公司 | 用于有限元网格划分的零件连接结构自动识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111626578A (zh) | 物流货车的调配方法、装置、设备及存储介质 | |
| CN111415106A (zh) | 货车装载率识别方法、装置、设备及存储介质 | |
| CN114297935A (zh) | 基于数字孪生的机场航站楼离港优化运行仿真系统及方法 | |
| CN111666848B (zh) | 运输车辆到站检测方法、装置、设备及存储介质 | |
| CN111582559A (zh) | 一种到达时间的预估方法及装置 | |
| US20230131518A1 (en) | Model Generation Method and Apparatus, Object Detection Method and Apparatus, Device, and Storage Medium | |
| Saisree et al. | Pothole detection using deep learning classification method | |
| CN111881958A (zh) | 车牌分类识别方法、装置、设备及存储介质 | |
| CN111353094A (zh) | 一种信息推送方法及装置 | |
| CN111784031A (zh) | 物流车辆分类预测方法、装置、设备及存储介质 | |
| CN113704389A (zh) | 一种数据评估方法、装置、计算机设备及存储介质 | |
| He et al. | Space–time classification of public transit smart card users’ activity locations from smart card data | |
| KR20240011847A (ko) | 웹 페이지의 시변화 데이터 예측 방법, 장치, 이를 이용한 웹 관리 시스템, 컴퓨터 판독 가능한 기록 매체 및 컴퓨터 프로그램 | |
| CN111091163B (zh) | 一种最小距离分类方法、装置、计算机设备和存储介质 | |
| CN113192017A (zh) | 包裹缺陷识别方法、装置、设备及存储介质 | |
| CN111341096B (zh) | 一种基于gps数据的公交运行状态评估方法 | |
| CN117216615A (zh) | 窜货行为识别方法、系统、介质及电子设备 | |
| CN117006953A (zh) | 一种车辆超载检测预警方法及系统 | |
| CN116432835A (zh) | 客户流失预警归因方法、装置、计算机设备及存储介质 | |
| CN110334049A (zh) | 数据处理方法、装置、计算机设备及存储介质 | |
| CN115375943A (zh) | 一种行李图像处理方法和相关装置 | |
| CN111105176A (zh) | 数据处理方法、装置、设备和存储介质 | |
| CN113822301B (zh) | 分拣中心的分类方法及装置、存储介质、电子设备 | |
| WO2021000489A1 (zh) | 车辆图像分类方法、装置、计算机设备及存储介质 | |
| CN107316313A (zh) | 场景分割方法及设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200904 |
|
| RJ01 | Rejection of invention patent application after publication |