CN111784031A - 物流车辆分类预测方法、装置、设备及存储介质 - Google Patents
物流车辆分类预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111784031A CN111784031A CN202010540709.6A CN202010540709A CN111784031A CN 111784031 A CN111784031 A CN 111784031A CN 202010540709 A CN202010540709 A CN 202010540709A CN 111784031 A CN111784031 A CN 111784031A
- Authority
- CN
- China
- Prior art keywords
- network model
- image data
- data set
- training
- logistics
- 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 42
- 238000012549 training Methods 0.000 claims abstract description 150
- 238000012360 testing method Methods 0.000 claims abstract description 69
- 238000011176 pooling Methods 0.000 claims abstract description 37
- 230000006872 improvement Effects 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims 2
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 238000002372 labelling Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000009467 reduction Effects 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (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)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及物流技术领域，公开了一种物流车辆分类预测方法、装置、设备及存储介质，用于提高物流车辆分类预测的准确率，并提高物流车辆停靠站台的效率。物流车辆分类预测方法包括：获取物流车辆的训练图像数据集；采用预设的imagenet数据集对初始Resnet50网络模型进行预训练，得到resnet50网络模型文件；按照resnet50网络模型文件和训练图像数据集依次进行模型改进和微调训练，得到已训练的resnet50网络模型，已训练的resnet50网络模型包括卷积网络层、全局平均池化层和紧密连接层；获取物流车辆图像的测试图像数据集，并采用已训练的resnet50网络模型对测试图像数据集进行预测，得到预测结果集，预测结果集用于指示多个目标物流车辆是否已停靠站台。
Description
技术领域
本发明涉及物流技术领域，尤其涉及一种物流车辆分类预测方法、装置、设备及存储介质。
背景技术
物流是物品从供应地向接收地的实体流动过程中，根据实际需要，将运输、储存、装卸搬运、包装、流通加工、配送、信息处理等功能有机结合起来实现用户要求的过程。近年来随着物流行业的崛起与发展，越来越多的物流车辆服务于工作和生活中，因此需要对物流车辆进行高效停放与调度。
现有的物流仓库站台停车，采用对车辆站台中配送物资的物流车辆进行拍照监控，并分类预测，但是由于分类预测算法存在缺陷，导致分类预测准确率低，不利于物流车辆到站调度，并降低物流车辆停靠站台的效率低。
发明内容
本发明的主要目的在于解决已有的分类预测算法存在不准确的情况，导致分类预测准确率低和物流车辆停靠站台的效率低的问题。
本发明第一方面提供了一种物流车辆分类预测方法，包括：获取物流车辆的训练图像数据集，所述训练图像数据集包括物流车辆已停靠站台的图像数据集和物流车辆未停靠站台的图像数据集；采用预设的imagenet数据集对初始resnet50网络模型进行预训练，得到resnet50网络模型文件；按照所述resnet50网络模型文件和所述训练图像数据集依次进行模型改进和微调训练，得到已训练的resnet50网络模型，所述已训练的resnet50网络模型包括卷积网络层、全局平均池化层和紧密连接层；获取物流车辆图像的测试图像数据集，并采用所述已训练的resnet50网络模型对所述测试图像数据集进行预测，得到预测结果集，所述预测结果集用于指示多个目标物流车辆是否已停靠站台。
可选的，在本发明第一方面的第一种实现方式中，所述获取物流车辆的训练图像数据集，所述训练图像数据集包括物流车辆已停靠站台的图像数据集和物流车辆未停靠站台的图像数据集，包括：在预设的物流车辆到站场景中采集源图像数据集；对所述源图像数据集进行图像处理，得到已处理的图像数据集；从所述已处理的图像数据集中筛选预设数量的初始图像数据集；采用预设标注框对所述预设数量的初始图像数据集进行标记处理，得到物流车辆的训练图像数据集，所述训练图像数据集包括物流车辆已停靠站台的图像数据集和物流车辆未停靠站台的图像数据集。
可选的，在本发明第一方面的第二种实现方式中，所述采用预设的imagenet数据集对初始resnet50网络模型进行预训练，得到resnet50网络模型文件，包括：获取预设的imagenet数据集，并将所述预设的imagenet数据集输入至初始resnet50网络模型中；调整所述初始resnet50网络模型中的各网络参数，直至模型训练误差下降到预设阈值以下时，停止训练，得到残差网络模型结构和初始网络参数；将所述残差网络模型结构和所述初始网络参数写入到resnet50网络模型文件，并将所述resnet50网络模型文件存储到预设文件路径下。
可选的，在本发明第一方面的第三种实现方式中，所述按照所述resnet50网络模型文件和所述训练图像数据集依次进行模型改进和微调训练，得到已训练的resnet50网络模型，所述已训练的resnet50网络模型包括卷积网络层、全局平均池化层和紧密连接层，包括：解析所述resnet50网络模型文件，得到所述残差网络模型结构和所述初始网络参数，所述初始网络参数包括物流车辆的候选框参数；根据所述残差网络模型结构和所述初始网络参数进行模型改进，得到已调整的残差网络模型；基于所述训练图像数据集，采用随机梯度下降和反向传播算法对所述已调整的残差网络模型进行参数微调并训练，得到已训练的resnet50网络模型，所述已训练的resnet50网络模型包括卷积网络层、全局平均池化层和紧密连接层；获取所述已训练的resnet50网络模型对应的目标网络参数，并将所述已训练的resnet50网络模型和所述对应的目标网络参数写入到预设的模型文件中。
可选的，在本发明第一方面的第四种实现方式中，所述根据所述残差网络模型结构和所述初始网络参数进行模型改进，得到已调整的残差网络模型，包括：采用全局平均池化层替代所述残差网络模型结构中的全连接层；在所述全局平均池化层之后，添加紧密连接层，所述紧密连接层包括批量标准化BN层、模型平均dropout层和激活函数activation；对各新增加的网络层进行参数初始化，并采用所述初始网络参数对其他的网络层中的各网络参数进行参数设置，得到已调整的残差网络模型。
可选的，在本发明第一方面的第五种实现方式中，所述获取物流车辆图像的测试图像数据集，并采用所述已训练的resnet50网络模型对所述测试图像数据集进行预测，得到预测结果集，所述预测结果集用于指示多个目标物流车辆是否已停靠站台，包括：获取物流车辆图像的测试图像数据集，并将所述测试图像数据集输入到所述已训练的resnet50网络模型中，所述测试图像数据集包括物流车辆已停靠站台的图像数据集和物流车辆未停靠站台的图像数据集；通过所述已训练的resnet50网络模型预测输出各测试图像数据中目标物流车辆的目标中心点位置、目标尺寸和车辆类型，得到预测结果集，所述预测结果集用于指示多个目标物流车辆是否已停靠站台；判断所述预测结果集中的各预测结果是否为目标值；若所述预测结果集中的各预测结果为目标值，则确定目标物流车辆已停靠站台；若所述预测结果集中的各预测结果不为目标值，则确定目标物流车辆未停靠站台。
可选的，在本发明第一方面的第六种实现方式中，在所述获取物流车辆图像的测试图像数据集，并采用所述已训练的resnet50网络模型对所述测试图像数据集进行预测，得到预测结果集，所述预测结果集用于指示多个目标物流车辆是否已停靠站台之后，所述物流车辆分类预测方法还包括：按照所述预测结果集确定所述已训练的resnet50网络模型对应的预测准确率；判断所述预测准确率是否大于预设的准确率阈值；若所述预测准确率大于预设的准确率阈值，则将所述已训练的Resnet50网络模型设置为最终resnet50网络模型；若所述预测准确率小于或者等于预设的准确率阈值，则将所述测试图像数据集中预测结果错误的测试图像数据添加到所述训练图像数据集中，得到更新后的训练图像数据集，并基于更新后的训练图像数据集，对所述已训练的resnet50网络模型进行训练，得到最终resnet50网络模型。
本发明第二方面提供了一种物流车辆分类预测装置，包括：获取模块，用于获取物流车辆的训练图像数据集，所述训练图像数据集包括物流车辆已停靠站台的图像数据集和物流车辆未停靠站台的图像数据集；预训练模块，用于采用预设的imagenet数据集对初始resnet50网络模型进行预训练，得到resnet50网络模型文件；微调训练模块，用于按照所述resnet50网络模型文件和所述训练图像数据集依次进行模型改进和微调训练，得到已训练的resnet50网络模型，所述已训练的resnet50网络模型包括卷积网络层、全局平均池化层和紧密连接层；预测模块，用于获取物流车辆图像的测试图像数据集，并采用所述已训练的resnet50网络模型对所述测试图像数据集进行预测，得到预测结果集，所述预测结果集用于指示多个目标物流车辆是否已停靠站台。
可选的，在本发明第二方面的第一种实现方式中，所述预训练模块具体用于：在预设的物流车辆到站场景中采集源图像数据集；对所述源图像数据集进行图像处理，得到已处理的图像数据集；从所述已处理的图像数据集中筛选预设数量的初始图像数据集；采用预设标注框对所述预设数量的初始图像数据集进行标记处理，得到物流车辆的训练图像数据集，所述训练图像数据集包括物流车辆已停靠站台的图像数据集和物流车辆未停靠站台的图像数据集。
可选的，在本发明第二方面的第二种实现方式中，所述预处理模块具体用于：获取预设的imagenet数据集，并将所述预设的imagenet数据集输入至初始resnet50网络模型中；调整所述初始resnet50网络模型中的各网络参数，直至模型训练误差下降到预设阈值以下时，停止训练，得到残差网络模型结构和初始网络参数；将所述残差网络模型结构和所述初始网络参数写入到resnet50网络模型文件，并将所述resnet50网络模型文件存储到预设文件路径下。
可选的，在本发明第二方面的第三种实现方式中，所述微调训练模块还包括：解析单元，用于解析所述resnet50网络模型文件，得到所述残差网络模型结构和所述初始网络参数，所述初始网络参数包括物流车辆的候选框参数；改进单元，用于根据所述残差网络模型结构和所述初始网络参数进行模型改进，得到已调整的残差网络模型；微调训练单元，用于基于所述训练图像数据集，采用随机梯度下降和反向传播算法对所述已调整的残差网络模型进行参数微调并训练，得到已训练的resnet50网络模型，所述已训练的resnet50网络模型包括卷积网络层、全局平均池化层和紧密连接层；写入单元，用于获取所述已训练的resnet50网络模型对应的目标网络参数，并将所述已训练的resnet50网络模型和所述对应的目标网络参数写入到预设的模型文件中。
可选的，在本发明第二方面的第四种实现方式中，所述改进单元具体用于：采用全局平均池化层替代所述残差网络模型结构中的全连接层；在所述全局平均池化层之后，添加紧密连接层，所述紧密连接层包括批量标准化BN层、模型平均dropout层和激活函数activation；对各新增加的网络层进行参数初始化，并采用所述初始网络参数对其他的网络层中的各网络参数进行参数设置，得到已调整的残差网络模型。
可选的，在本发明第二方面的第五种实现方式中，所述分类预测模块具体用于：获取物流车辆图像的测试图像数据集，并将所述测试图像数据集输入到所述已训练的resnet50网络模型中，所述测试图像数据集包括物流车辆已停靠站台的图像数据集和物流车辆未停靠站台的图像数据集；通过所述已训练的resnet50网络模型预测输出各测试图像数据中目标物流车辆的目标中心点位置、目标尺寸和车辆类型，得到预测结果集，所述预测结果集用于指示多个目标物流车辆是否已停靠站台；判断所述预测结果集中的各预测结果是否为目标值；若所述预测结果集中的各预测结果为目标值，则确定目标物流车辆已停靠站台；若所述预测结果集中的各预测结果不为目标值，则确定目标物流车辆未停靠站台。
可选的，在本发明第二方面的第六种实现方式中，所述物流车辆分类预测装置还包括：确定模块，用于按照所述预测结果集确定所述已训练的resnet50网络模型对应的预测准确率；判断模块，用于判断所述预测准确率是否大于预设的准确率阈值；设置模块，若所述预测准确率大于预设的准确率阈值，则用于将所述已训练的Resnet50网络模型设置为最终resnet50网络模型；处理模块，若所述预测准确率小于或者等于预设的准确率阈值，则用于将所述测试图像数据集中预测结果错误的测试图像数据添加到所述训练图像数据集中，得到更新后的训练图像数据集，并基于更新后的训练图像数据集，对所述已训练的resnet50网络模型进行训练，得到最终resnet50网络模型。
本发明第三方面提供了一种物流车辆分类预测设备，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，以使得所述物流车辆分类预测设备执行上述的物流车辆分类预测方法。
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车辆分类预测方法。
本发明提供的技术方案中，获取物流车辆的训练图像数据集，所述训练图像数据集包括物流车辆已停靠站台的图像数据集和物流车辆未停靠站台的图像数据集；采用预设的imagenet数据集对初始resnet50网络模型进行预训练，得到resnet50网络模型文件；按照所述resnet50网络模型文件和所述训练图像数据集依次进行模型改进和微调训练，得到已训练的resnet50网络模型，所述已训练的resnet50网络模型包括卷积网络层、全局平均池化层和紧密连接层；获取物流车辆图像的测试图像数据集，并采用所述已训练的resnet50网络模型对所述测试图像数据集进行预测，得到预测结果集，所述预测结果集用于指示多个目标物流车辆是否已停靠站台。本发明实施例中，通过采用全局平均池化层和紧密连接层对残差网络模型结构进行模型改进，同时对已调整的resnet50网络模型参数微调与模型训练，避免过拟合现象，提高了分类预测准确率；采用预测数据集确定最终resnet50网络模型，提高了物流车辆停靠站台的效率，并提高了快递派送效率。
附图说明
图1为本发明实施例中物流车辆分类预测方法的一个实施例示意图；
图2为本发明实施例中物流车辆分类预测方法的另一个实施例示意图；
图3为本发明实施例中物流车辆分类预测装置的一个实施例示意图；
图4为本发明实施例中物流车辆分类预测装置的另一个实施例示意图；
图5为本发明实施例中物流车辆分类预测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车辆分类预测方法、装置、设备及存储介质，用于通过采用全局平均池化层和紧密连接层对残差网络模型结构进行模型改进，同时对已调整的resnet50网络模型参数微调与模型训练，避免过拟合现象，提高分类预测准确率。
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车辆分类预测方法的一个实施例包括：
101、获取物流车辆的训练图像数据集，训练图像数据集包括物流车辆已停靠站台的图像数据集和物流车辆未停靠站台的图像数据集。
其中，物流车辆为用于物流运输的车辆，包括重型货车、中型货车、轻型货车和微型货车，主要用于装载并运输不同重量的货物(例如，快递包裹)。训练图像数据集为预先在停车站点中设置的摄像头与监控平台系统拍摄并采集的图像数据集。既包括物流车辆已停靠站台的图像数据集，还包括物流车辆未停靠站台的图像数据集。
可以理解的是，由于resnet50网络模型需要输入数据的尺寸为224*224*3，所以需要在输入数据前对训练图像数据集进行图像预处理，包括图像增强和统一化处理，例如，将尺寸为700*460*3图像数据集裁剪为batch_size*224*224*3，其中，batch_size用于指示一次训练所选取的样本数量。具体的，服务器从预设数据库中获取已采集的图像数据集；服务器对已采集的图像数据集进行图像预处理，并对处理后的图像数据集进行标注以及样本取图，得到物流车辆的训练图像数据集。例如，服务器获取1000张物流车辆的训练图像数据集，其中，700张为物流车辆已停靠站台的图像数据集，300张为物流车辆未停靠站台的图像数据集。
可以理解的是，本发明的执行主体可以为物流车辆分类预测装置，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。
102、采用预设的imagenet数据集对初始resnet50网络模型进行预训练，得到resnet50网络模型文件。
其中，初始resnet50网络模型为预训练模型，预设的imagenet数据集用于指示视觉对象识别的可视化数据库。具体的，服务器将预设的imagenet数据集输入至初始resnet50网络模型中；按照预设迭代次数对初始resnet50网络模型进行预训练，并在预训练过程中对初始resnet50网络模型中的各网络参数进行调整，直到模型训练误差减小到预设阈值以下时，停止训练，进一步地，服务器获取resnet50网络模型文件。
需要说明的是，resnet50网络模型文件的类型可以为h5模型文件，也可以为pb模型文件，具体此处不做限定。例如，服务器获取resnet50网络模型文件为resnet50_file001.h5。
103、按照resnet50网络模型文件和训练图像数据集依次进行模型改进和微调训练，得到已训练的resnet50网络模型，已训练的resnet50网络模型包括卷积网络层、全局平均池化层和紧密连接层。
其中，resnet50网络模型文件包括残差网络模型结构和初始网络参数，残差网络模型结构(resnet50)是一种残差学习框架，而残差用来设计解决退化和梯度问题，使得网络模型的性能在深度增加的同时也得以提升。残差网络模型结构中包含了49个卷积网络层和1个全连阶层，并且包括不改变维度的残差块和添加维度的残差块，每个残差块包含三个卷积网络层，共计1+3*(3+4+6+3)＝49个卷积网络层。卷积网络层用于提取物流车辆的边框特征。
具体的，服务器将残差网络模型结构中的全连接层替换为全局平均池化层，其中，全连接层用于训练图像数据的降维和数据特征的高阶表示；并且在全局平均池化层之后，增加紧密连接层。服务器按照初始网络参数对卷积网络层的各网络参数进行初始化，并对全局平均池化层和紧密连接层中的各网络参数进行初始化处理，得到已调整的残差网络模型，其中，紧密连接层用于对图像信号进行滤波处理，因而，已调整的残差网络模型利用多尺度检测框对物流车辆进行精确定位。进一步地，服务器采用训练图像数据集对已调整的残差网络模型进行训练，最后固定各网络参数，并输出已训练的resnet50网络模型。其中，训练图像数据集包括物流车辆的车身图像和车牌照，已训练的resnet50网络模型通过识别车身图像和车牌照确定车辆类型。
需要说明的是，全局平均池化层通过降低模型的参数数量来最小化过拟合效应，而紧密连接层可以动态调整学习率，提高模型训练的效率。
104、获取物流车辆图像的测试图像数据集，并采用已训练的resnet50网络模型对测试图像数据集进行预测，得到预测结果集，预测结果集用于指示多个目标物流车辆是否已停靠站台。
其中，测试图像数据集为按照预设比例划分的图像数据集，包括有物流车辆的图像数据集和无物流车辆的图像数据集。例如，100张测试图像数据集，其中，40张为有物流车辆的图像数据集，60张为无物流车辆的图像数据集。
具体的，服务器获取预设数量的物流车辆图像的测试图像数据集；服务器测试图像数据集输入到已训练的resnet50网络模型中进行盲测，得到预测结果集，预测结果集用于指示多个目标物流车辆是否已停靠站台。
例如，预测结果集用于指示35张测试图像数据集为目标物流车辆已停靠站台，65张测试图像数据集为目标物流车辆未停靠站台。
本发明实施例中，通过采用全局平均池化层和紧密连接层对残差网络模型结构进行模型改进，同时对已调整的resnet50网络模型参数微调与模型训练，避免过拟合现象，提高了分类预测准确率；采用预测数据集确定最终resnet50网络模型，提高了物流车辆停靠站台的效率，并提高了快递派送效率。
请参阅图2，本发明实施例中物流车辆分类预测方法的另一个实施例包括：
201、获取物流车辆的训练图像数据集，训练图像数据集包括物流车辆已停靠站台的图像数据集和物流车辆未停靠站台的图像数据集。
其中，物流车辆的停靠站台用于指示物流运输的车辆停靠的停车位，包括停车位、与停车位连接的至少一个入口和至少一个出口，其中，停车位可以采用预设的唯一编码进行标识。同时，入口、出口或者停车位均可以设置有通行管控装置(包括摄像头)，通行管控装置与服务器通讯连接。实现了对物流车辆作业过程的监控，不仅提高了货物安全性，而且提高了物流车辆作业过程的规范性。
可选的，服务器在预设的物流车辆到站场景中采集源图像数据集，也就是，服务器接收预设的物流车辆到站场景中拍摄的源图像数据集，并将源图像数据集存储到预置数据库中；服务器对源图像数据集进行图像处理，得到已处理的图像数据集，其中图像处理包括尺寸校正、调整对比度、亮度、色调和饱和度、归一化处理(最大-最小准则min-max标准化或者标准分数z-score处理)，例如，对服务器采用跨平台计算机视觉库opencv对源图像数据集进行图像处理，得到已处理的图像数据集；服务器按照预设数量从已处理的图像数据集中筛选预设数量的初始图像数据集，其中，预设数量可以为1000张，也可以为2000张，具体此处不做限定，进一步地，服务器按照预置比例设置预设数量，也就是，当预设数量为1500张时，包含物流车辆的图像数据集为1000张，未包含物流车辆的图像数据集为500张，预设比例为2:1；服务器采用预设标注框对包含物流车辆的初始图像数据集进行标记处理，得到物流车辆的训练图像数据集，训练图像数据集包括物流车辆已停靠站台的图像数据集和物流车辆未停靠站台的图像数据集。
需要说明的是，预设标注框为图像标注矩形框，各标注框可以采用矩形框的左上角坐标和右下角坐标表示物流车辆在图像数据中的位置信息，具体此处不做限定。可选的，服务器采用预置图像标注工具labelimg对包含物流车辆的初始图像数据集中的每张图像进行图像标注。
202、采用预设的imagenet数据集对初始resnet50网络模型进行预训练，得到resnet50网络模型文件。
其中，初始resnet50网络模型为预训练模型，可选的，服务器获取预设的imagenet数据集，并将预设的imagenet数据集输入至初始resnet50网络模型中；服务器调整初始resnet50网络模型中的各网络参数，直至模型训练误差下降到预设阈值以下时，停止训练，得到残差网络模型结构和初始网络参数，其中，模型训练误差(也可以为损失函数)减小到10％以下时，服务器停止训练；服务器将残差网络模型结构和初始网络参数写入到resnet50网络模型文件，并将resnet50网络模型文件存储到预设文件路径下。例如，服务器将resnet50网络模型文件resnet50_file001.h5存储到预设文件路径/var/www/html/resnet50/下，其中，预设文件路径可以采用绝对路径，也可以采用相对路径表示，具体此处不做限定。
203、按照resnet50网络模型文件和训练图像数据集依次进行模型改进和微调训练，得到已训练的resnet50网络模型，已训练的resnet50网络模型包括卷积网络层、全局平均池化层和紧密连接层。
其中，resnet50网络模型文件包括残差网络模型结构，模型改进是指对残差网络模型结构进行改进，微调训练是指对已调整的残差网络模型在训练过程中进行参数调整。可选的，服务器解析resnet50网络模型文件，得到残差网络模型结构和初始网络参数，初始网络参数包括物流车辆的候选框参数(标注框的位置信息)；服务器根据残差网络模型结构和初始网络参数进行模型改进，得到已调整的残差网络模型；服务器基于训练图像数据集，采用随机梯度下降和反向传播算法对已调整的残差网络模型进行参数微调并训练，得到已训练的resnet50网络模型，已训练的resnet50网络模型包括卷积网络层、全局平均池化层和紧密连接层，其中，参数微调包括在训练过程中对batch_size参数和学习率参数进行调整；服务器获取已训练的resnet50网络模型对应的目标网络参数，并将已训练的resnet50网络模型和对应的目标网络参数写入到预设的模型文件中。其中，预设的模型文件可以为h5模型文件，也可以为pb模型文件，具体此处不做限定。
进一步地，服务器采用全局平均池化层替代残差网络模型结构中的全连接层，其中，采用全连接层替代全连接层使得残差网络模型提取特征图与最终分类之间的转换简单，减少了大量训练调优的网络参数，使得已训练的resnet50网络模型运行更加健壮，而且具有抗过拟合效果；服务器在全局平均池化层之后，添加紧密连接层，紧密连接层包括批量标准化BN层、模型平均dropout层和激活函数activation，其中，模型平均dropout层使得每一个批次都在训练不同的网络，增加了网络模型的健壮性，减少了过拟合现象；服务器对各新增加的网络层进行参数初始化，并采用初始网络参数对其他的网络层中的各网络参数进行参数设置，得到已调整的残差网络模型。
需要说明的是，批标准化层一般用在非线性映射(激活函数)之前，对y＝Wx+b进行规范化，使得输出结果的各个维度的均值都为0，方差为1，确保各网络层的输入均可以具有稳定的分布，有利于网络的训练。
204、获取物流车辆图像的测试图像数据集，并采用已训练的resnet50网络模型对测试图像数据集进行预测，得到预测结果集，预测结果集用于指示多个目标物流车辆是否已停靠站台。
可以理解的是，服务器将物流车辆图像的测试图像数据集输入到已训练的resnet50网络模型中；服务器通过已训练的resnet50网络模型中的卷积网络层对各输入图像提取特征图像信息集，服务器对特征图像信息集进行对象检测，得到预测结果集，预测结果集用于指示多个目标物流车辆是否已停靠站台。
可选的，服务器获取物流车辆图像的测试图像数据集，并将测试图像数据集输入到已训练的resnet50网络模型中，测试图像数据集包括物流车辆已停靠站台的图像数据集和物流车辆未停靠站台的图像数据集；服务器通过已训练的resnet50网络模型预测输出各测试图像数据中目标物流车辆的目标中心点位置、目标尺寸和车辆类型，得到预测结果集，预测结果集用于指示多个目标物流车辆是否已停靠站台，其中，可以采用数字或者字符标识车辆类型，例如，车辆类型包括重型货车001、中型货车002、轻型货车003和微型货车004；服务器判断预测结果集中的各预测结果是否为目标值；若预测结果集中的各预测结果为目标值，则服务器确定目标物流车辆已停靠站台；若预测结果集中的各预测结果不为目标值，则服务器确定目标物流车辆未停靠站台。其中，目标值可以为0，0可以用于指示未检测到目标物流车辆停靠站台，服务器确定预测结果集中的各预测结果不为目标值，也就是，各预测结果为1时，服务器确定识别到目标物流车辆已停靠站台。
可选的，服务器还可以将各预测结果与目标值进行大小比较，当各预测结果大于目标值时，服务器确定目标物流车辆已停靠站台，否则，服务器确定目标物流车辆未停靠站台。
进一步地，预先在停靠站台(停车场)安装数据采集装置，数据采集装置用于检测停靠站台内车位是否空闲，并将所采集的车位信息上传到并发布于预设网络系统，目标用户(例如，物流车辆的驾驶员)可以通过预设网络系统实时查询车位信息，并在到达停靠站台预设时长之内预定车位，其中，预设时长可以为1分钟，然后到达停靠站台时，将物流车辆直接停靠在该预定车位所在的具体位置。不仅提高了停靠站台中物流车辆的管理效率，而且提高了查找停车位置的准确性，并减少交通堵塞的发生概率。
205、按照预测结果集确定已训练的resnet50网络模型对应的预测准确率。
具体的，对预测结果集进行筛选，得到分类正确数量CQ和预测结果集的总数量T；服务器按照预设公式对分类正确数量CQ和预测结果集的总数量T进行计算，得到已训练的resnet50网络模型对应的预测准确率S，其中预设公式为：
例如，分类正确数量CQ为97，预测结果集的总数量T为100，则已训练的resnet50网络模型对应的预测准确率S为97％。
需要说明的是，根据已有的训练结果，确定已训练的resnet50网络模型对应的预测准确率可以达到96.88％以上。
206、判断预测准确率是否大于预设的准确率阈值。
例如，预设的准确率阈值为95％(或者0.95)，若预测准确率为93.6％或者95％，则服务器确定预测准确率小于或者等于预设的准确率阈值，服务器执行步骤208；若预测准确率为98.6％，则服务器确定预测准确率大于预设的准确率阈值，服务器执行步骤207。
207、若预测准确率大于预设的准确率阈值，则将已训练的Resnet50网络模型设置为最终resnet50网络模型。
其中，最终resnet50网络模型可以用于在停靠站点对物流车辆进行停靠识别检测，以便于对物流车辆进行快速卸货以及快速装货，实现物流快件运输的快速调配操作。例如，服务器接收到待检测的图像数据，服务器采用最终resnet50网络模型对待检测的图像数据进行分类检测，得到目标预测结果，当目标预测结果为0时，确定目标物流车辆A已停靠站台。
208、若预测准确率小于或者等于预设的准确率阈值，则将测试图像数据集中预测结果错误的测试图像数据添加到训练图像数据集中，得到更新后的训练图像数据集，并基于更新后的训练图像数据集，对已训练的resnet50网络模型进行训练，得到最终resnet50网络模型。
也就是，若预测准确率小于或者等于预设的准确率阈值，则服务器从将测试图像数据集中获取预测结果错误的测试图像数据，并根据预测结果错误的测试图像数据继续进行模型训练，直到预测准确率大于预设的准确率阈值时，停止训练，得到最终resnet50网络模型。
进一步地，服务器还可以对已检测到停靠站台的目标物流车辆进行停靠位置的调度和货物(快递包裹)的装卸，确保物流信息的准确性，提高了物流效率。需要说明的是，当服务器在预设时长内还未检测到目标物流车辆的停靠站台信息时，向目标终端发送提示信息，以使得目标人员及时排查目标物流车辆的物流信息，降低物流信息的出错率。同时，还可以对物流车辆的停靠站台信息生成信息报表，以便于统计物流车辆是否准时停靠站台和运输效率，以及检测最终resnet50网络模型的分类预测的准确性。
本发明实施例中，通过采用全局平均池化层和紧密连接层对残差网络模型结构进行模型改进，同时对已调整的resnet50网络模型参数微调与模型训练，避免过拟合现象，提高了分类预测准确率；采用预测数据集确定最终resnet50网络模型，提高了物流车辆停靠站台的效率，并提高了快递派送效率。
上面对本发明实施例中物流车辆分类预测方法进行了描述，下面对本发明实施例中物流车辆分类预测装置进行描述，请参阅图3，本发明实施例中物流车辆分类预测装置一个实施例包括：
获取模块301，用于获取物流车辆的训练图像数据集，训练图像数据集包括物流车辆已停靠站台的图像数据集和物流车辆未停靠站台的图像数据集；
预训练模块302，用于采用预设的imagenet数据集对初始resnet50网络模型进行预训练，得到resnet50网络模型文件；
微调训练模块303，用于按照resnet50网络模型文件和训练图像数据集依次进行模型改进和微调训练，得到已训练的resnet50网络模型，已训练的resnet50网络模型包括卷积网络层、全局平均池化层和紧密连接层；
预测模块304，用于获取物流车辆图像的测试图像数据集，并采用已训练的resnet50网络模型对测试图像数据集进行预测，得到预测结果集，预测结果集用于指示多个目标物流车辆是否已停靠站台。
本发明实施例中，通过采用全局平均池化层和紧密连接层对残差网络模型结构进行模型改进，同时对已调整的resnet50网络模型参数微调与模型训练，避免过拟合现象，提高了分类预测准确率；采用预测数据集确定最终resnet50网络模型，提高了物流车辆停靠站台的效率，并提高了快递派送效率。
请参阅图4，本发明实施例中物流车辆分类预测装置的另一个实施例包括：
获取模块301，用于获取物流车辆的训练图像数据集，训练图像数据集包括物流车辆已停靠站台的图像数据集和物流车辆未停靠站台的图像数据集；
预训练模块302，用于采用预设的imagenet数据集对初始resnet50网络模型进行预训练，得到resnet50网络模型文件；
微调训练模块303，用于按照resnet50网络模型文件和训练图像数据集依次进行模型改进和微调训练，得到已训练的resnet50网络模型，已训练的resnet50网络模型包括卷积网络层、全局平均池化层和紧密连接层；
预测模块304，用于获取物流车辆图像的测试图像数据集，并采用已训练的resnet50网络模型对测试图像数据集进行预测，得到预测结果集，预测结果集用于指示多个目标物流车辆是否已停靠站台。
可选的，获取模块301还可以具体用于：
在预设的物流车辆到站场景中采集源图像数据集；
对源图像数据集进行图像处理，得到已处理的图像数据集；
从已处理的图像数据集中筛选预设数量的初始图像数据集；
采用预设标注框对预设数量的初始图像数据集进行标记处理，得到物流车辆的训练图像数据集，训练图像数据集包括物流车辆已停靠站台的图像数据集和物流车辆未停靠站台的图像数据集。
可选的，预训练模块302还可以具体用于：
获取预设的imagenet数据集，并将预设的imagenet数据集输入至初始resnet50网络模型中；
调整初始resnet50网络模型中的各网络参数，直至模型训练误差下降到预设阈值以下时，停止训练，得到残差网络模型结构和初始网络参数；
将残差网络模型结构和初始网络参数写入到resnet50网络模型文件，并将resnet50网络模型文件存储到预设文件路径下。
可选的，微调训练模块303还包括：
解析单元3031，用于解析resnet50网络模型文件，得到残差网络模型结构和初始网络参数，初始网络参数包括物流车辆的候选框参数；
改进单元3032，用于根据残差网络模型结构和初始网络参数进行模型改进，得到已调整的残差网络模型；
微调训练单元3033，用于基于训练图像数据集，采用随机梯度下降和反向传播算法对已调整的残差网络模型进行参数微调并训练，得到已训练的resnet50网络模型，已训练的resnet50网络模型包括卷积网络层、全局平均池化层和紧密连接层；
写入单元3034，用于获取已训练的resnet50网络模型对应的目标网络参数，并将已训练的resnet50网络模型和对应的目标网络参数写入到预设的模型文件中。
可选的，改进单元3032还可以具体用于：
采用全局平均池化层替代残差网络模型结构中的全连接层；
在全局平均池化层之后，添加紧密连接层，紧密连接层包括批量标准化BN层、模型平均dropout层和激活函数activation；
对各新增加的网络层进行参数初始化，并采用初始网络参数对其他的网络层中的各网络参数进行参数设置，得到已调整的残差网络模型。
可选的，预测模块304还可以具体用于：
获取物流车辆图像的测试图像数据集，并将测试图像数据集输入到已训练的resnet50网络模型中，测试图像数据集包括物流车辆已停靠站台的图像数据集和物流车辆未停靠站台的图像数据集；
通过已训练的resnet50网络模型预测输出各测试图像数据中目标物流车辆的目标中心点位置、目标尺寸和车辆类型，得到预测结果集，预测结果集用于指示多个目标物流车辆是否已停靠站台；
判断预测结果集中的各预测结果是否为目标值；
若预测结果集中的各预测结果为目标值，则确定目标物流车辆已停靠站台；
若预测结果集中的各预测结果不为目标值，则确定目标物流车辆未停靠站台。
可选的，物流车辆分类预测装置还包括：
确定模块305，用于按照预测结果集确定已训练的resnet50网络模型对应的预测准确率；
判断模块306，用于判断预测准确率是否大于预设的准确率阈值；
设置模块307，若预测准确率大于预设的准确率阈值，则用于将已训练的Resnet50网络模型设置为最终resnet50网络模型；
处理模块308，若预测准确率小于或者等于预设的准确率阈值，则用于将测试图像数据集中预测结果错误的测试图像数据添加到训练图像数据集中，得到更新后的训练图像数据集，并基于更新后的训练图像数据集，对已训练的resnet50网络模型进行训练，得到最终resnet50网络模型。
本发明实施例中，通过采用全局平均池化层和紧密连接层对残差网络模型结构进行模型改进，同时对已调整的resnet50网络模型参数微调与模型训练，避免过拟合现象，提高了分类预测准确率；采用预测数据集确定最终resnet50网络模型，提高了物流车辆停靠站台的效率，并提高了快递派送效率。
上面图3和图4从模块化的角度对本发明实施例中的物流车辆分类预测装置进行详细描述，下面从硬件处理的角度对本发明实施例中物流车辆分类预测设备进行详细描述。
图5是本发明实施例提供的一种物流车辆分类预测设备的结构示意图，该物流车辆分类预测设备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车辆分类预测设备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，在物流车辆分类预测设备500上执行存储介质530中的一系列指令操作。
物流车辆分类预测设备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示出的物流车辆分类预测设备结构并不构成对物流车辆分类预测设备的限定，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车辆分类预测方法的步骤。
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)
1.一种物流车辆分类预测方法，其特征在于，所述物流车辆分类预测方法包括：
获取物流车辆的训练图像数据集，所述训练图像数据集包括物流车辆已停靠站台的图像数据集和物流车辆未停靠站台的图像数据集；
采用预设的imagenet数据集对初始resnet50网络模型进行预训练，得到resnet50网络模型文件；
按照所述resnet50网络模型文件和所述训练图像数据集依次进行模型改进和微调训练，得到已训练的resnet50网络模型，所述已训练的resnet50网络模型包括卷积网络层、全局平均池化层和紧密连接层；
获取物流车辆图像的测试图像数据集，并采用所述已训练的resnet50网络模型对所述测试图像数据集进行预测，得到预测结果集，所述预测结果集用于指示多个目标物流车辆是否已停靠站台。
2.根据权利要求1所述的物流车辆分类预测方法，其特征在于，所述获取物流车辆的训练图像数据集，所述训练图像数据集包括物流车辆已停靠站台的图像数据集和物流车辆未停靠站台的图像数据集，包括：
在预设的物流车辆到站场景中采集源图像数据集；
对所述源图像数据集进行图像处理，得到已处理的图像数据集；
从所述已处理的图像数据集中筛选预设数量的初始图像数据集；
采用预设标注框对所述预设数量的初始图像数据集进行标记处理，得到物流车辆的训练图像数据集，所述训练图像数据集包括物流车辆已停靠站台的图像数据集和物流车辆未停靠站台的图像数据集。
3.根据权利要求1所述的物流车辆分类预测方法，其特征在于，所述采用预设的imagenet数据集对初始resnet50网络模型进行预训练，得到resnet50网络模型文件，包括：
获取预设的imagenet数据集，并将所述预设的imagenet数据集输入至初始resnet50网络模型中；
调整所述初始resnet50网络模型中的各网络参数，直至模型训练误差下降到预设阈值以下时，停止训练，得到残差网络模型结构和初始网络参数；
将所述残差网络模型结构和所述初始网络参数写入到resnet50网络模型文件，并将所述resnet50网络模型文件存储到预设文件路径下。
4.根据权利要求3所述的物流车辆分类预测方法，其特征在于，所述按照所述resnet50网络模型文件和所述训练图像数据集依次进行模型改进和微调训练，得到已训练的resnet50网络模型，所述已训练的resnet50网络模型包括卷积网络层、全局平均池化层和紧密连接层，包括：
解析所述resnet50网络模型文件，得到所述残差网络模型结构和所述初始网络参数，所述初始网络参数包括物流车辆的候选框参数；
根据所述残差网络模型结构和所述初始网络参数进行模型改进，得到已调整的残差网络模型；
基于所述训练图像数据集，采用随机梯度下降和反向传播算法对所述已调整的残差网络模型进行参数微调并训练，得到已训练的resnet50网络模型，所述已训练的resnet50网络模型包括卷积网络层、全局平均池化层和紧密连接层；
获取所述已训练的resnet50网络模型对应的目标网络参数，并将所述已训练的resnet50网络模型和所述对应的目标网络参数写入到预设的模型文件中。
5.根据权利要求4所述的物流车辆分类预测方法，其特征在于，所述根据所述残差网络模型结构和所述初始网络参数进行模型改进，得到已调整的残差网络模型，包括：
采用全局平均池化层替代所述残差网络模型结构中的全连接层；
在所述全局平均池化层之后，添加紧密连接层，所述紧密连接层包括批量标准化BN层、模型平均dropout层和激活函数activation；
对各新增加的网络层进行参数初始化，并采用所述初始网络参数对其他的网络层中的各网络参数进行参数设置，得到已调整的残差网络模型。
6.根据权利要求1所述的物流车辆分类预测方法，其特征在于，所述获取物流车辆图像的测试图像数据集，并采用所述已训练的resnet50网络模型对所述测试图像数据集进行预测，得到预测结果集，所述预测结果集用于指示多个目标物流车辆是否已停靠站台，包括：
获取物流车辆图像的测试图像数据集，并将所述测试图像数据集输入到所述已训练的resnet50网络模型中，所述测试图像数据集包括物流车辆已停靠站台的图像数据集和物流车辆未停靠站台的图像数据集；
通过所述已训练的resnet50网络模型预测输出各测试图像数据中目标物流车辆的目标中心点位置、目标尺寸和车辆类型，得到预测结果集，所述预测结果集用于指示多个目标物流车辆是否已停靠站台；
判断所述预测结果集中的各预测结果是否为目标值；
若所述预测结果集中的各预测结果为目标值，则确定目标物流车辆已停靠站台；
若所述预测结果集中的各预测结果不为目标值，则确定目标物流车辆未停靠站台。
7.根据权利要求1-6中任意一项所述的物流车辆分类预测方法，其特征在于，在所述获取物流车辆图像的测试图像数据集，并采用所述已训练的resnet50网络模型对所述测试图像数据集进行预测，得到预测结果集，所述预测结果集用于指示多个目标物流车辆是否已停靠站台之后，所述物流车辆分类预测方法还包括：
按照所述预测结果集确定所述已训练的resnet50网络模型对应的预测准确率；
判断所述预测准确率是否大于预设的准确率阈值；
若所述预测准确率大于预设的准确率阈值，则将所述已训练的Resnet50网络模型设置为最终resnet50网络模型；
若所述预测准确率小于或者等于预设的准确率阈值，则将所述测试图像数据集中预测结果错误的测试图像数据添加到所述训练图像数据集中，得到更新后的训练图像数据集，并基于更新后的训练图像数据集，对所述已训练的resnet50网络模型进行训练，得到最终resnet50网络模型。
8.一种物流车辆分类预测装置，其特征在于，所述物流车辆分类预测装置包括：
获取模块，用于获取物流车辆的训练图像数据集，所述训练图像数据集包括物流车辆已停靠站台的图像数据集和物流车辆未停靠站台的图像数据集；
预训练模块，用于采用预设的imagenet数据集对初始resnet50网络模型进行预训练，得到resnet50网络模型文件；
微调训练模块，用于按照所述resnet50网络模型文件和所述训练图像数据集依次进行模型改进和微调训练，得到已训练的resnet50网络模型，所述已训练的resnet50网络模型包括卷积网络层、全局平均池化层和紧密连接层；
预测模块，用于获取物流车辆图像的测试图像数据集，并采用所述已训练的resnet50网络模型对所述测试图像数据集进行预测，得到预测结果集，所述预测结果集用于指示多个目标物流车辆是否已停靠站台。
9.一种物流车辆分类预测设备，其特征在于，所述物流车辆分类预测设备包括：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，以使得所述物流车辆分类预测设备执行如权利要求1-7中任意一项所述的物流车辆分类预测方法。
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中任一项所述物流车辆分类预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010540709.6A CN111784031A (zh) | 2020-06-15 | 2020-06-15 | 物流车辆分类预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010540709.6A CN111784031A (zh) | 2020-06-15 | 2020-06-15 | 物流车辆分类预测方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111784031A true CN111784031A (zh) | 2020-10-16 |
Family
ID=72756468
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010540709.6A Pending CN111784031A (zh) | 2020-06-15 | 2020-06-15 | 物流车辆分类预测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111784031A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114332196A (zh) * | 2021-12-10 | 2022-04-12 | 深圳致星科技有限公司 | 料件重量百分比的获取方法、设备、装置及存储介质 |
| CN114882442A (zh) * | 2022-05-31 | 2022-08-09 | 广州信诚信息科技有限公司 | 一种基于电力作业现场的人员装备态势识别方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107430693A (zh) * | 2015-03-13 | 2017-12-01 | 北京市商汤科技开发有限公司 | 用于车辆分类和验证的设备和系统 |
| CN109034024A (zh) * | 2018-07-16 | 2018-12-18 | 浙江工业大学 | 基于图像目标检测的物流车辆车型分类识别方法 |
| CN208335219U (zh) * | 2017-12-28 | 2019-01-04 | 北京联合大学 | 一种基于rfid的物流园区管理系统 |
| CN109284704A (zh) * | 2018-09-07 | 2019-01-29 | 中国电子科技集团公司第三十八研究所 | 基于cnn的复杂背景sar车辆目标检测方法 |
| US10482603B1 (en) * | 2019-06-25 | 2019-11-19 | Artificial Intelligence, Ltd. | Medical image segmentation using an integrated edge guidance module and object segmentation network |
| CN111160297A (zh) * | 2019-12-31 | 2020-05-15 | 武汉大学 | 基于残差注意机制时空联合模型的行人重识别方法及装置 |
| CN111178439A (zh) * | 2019-12-31 | 2020-05-19 | 杭州电子科技大学 | 基于卷积神经网络及微调的sar图像分类方法 |
-
2020
- 2020-06-15 CN CN202010540709.6A patent/CN111784031A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107430693A (zh) * | 2015-03-13 | 2017-12-01 | 北京市商汤科技开发有限公司 | 用于车辆分类和验证的设备和系统 |
| CN208335219U (zh) * | 2017-12-28 | 2019-01-04 | 北京联合大学 | 一种基于rfid的物流园区管理系统 |
| CN109034024A (zh) * | 2018-07-16 | 2018-12-18 | 浙江工业大学 | 基于图像目标检测的物流车辆车型分类识别方法 |
| CN109284704A (zh) * | 2018-09-07 | 2019-01-29 | 中国电子科技集团公司第三十八研究所 | 基于cnn的复杂背景sar车辆目标检测方法 |
| US10482603B1 (en) * | 2019-06-25 | 2019-11-19 | Artificial Intelligence, Ltd. | Medical image segmentation using an integrated edge guidance module and object segmentation network |
| CN111160297A (zh) * | 2019-12-31 | 2020-05-15 | 武汉大学 | 基于残差注意机制时空联合模型的行人重识别方法及装置 |
| CN111178439A (zh) * | 2019-12-31 | 2020-05-19 | 杭州电子科技大学 | 基于卷积神经网络及微调的sar图像分类方法 |
Non-Patent Citations (2)
| Title |
|---|
| 石鑫 等: "基于深度学习网络模型的车辆类型识别方法研究", 筑路机械与施工机械化, vol. 37, pages 67 - 78 * |
| 陈云霁 等: "《智能计算系统》", vol. 2020, 30 April 2020, 机械工业出版社, pages: 63 - 67 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114332196A (zh) * | 2021-12-10 | 2022-04-12 | 深圳致星科技有限公司 | 料件重量百分比的获取方法、设备、装置及存储介质 |
| CN114332196B (zh) * | 2021-12-10 | 2024-04-09 | 深圳致星科技有限公司 | 料件重量百分比的获取方法、设备、装置及存储介质 |
| CN114882442A (zh) * | 2022-05-31 | 2022-08-09 | 广州信诚信息科技有限公司 | 一种基于电力作业现场的人员装备态势识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111415106A (zh) | 货车装载率识别方法、装置、设备及存储介质 | |
| CN107633030B (zh) | 基于数据模型的信用评估方法及装置 | |
| CN113159147A (zh) | 基于神经网络的图像识别方法、装置、电子设备 | |
| CN112100425B (zh) | 基于人工智能的标签标注方法、装置、电子设备及介质 | |
| CN112861631B (zh) | 一种基于Mask Rcnn以及SSD的地磅人体入侵检测方法 | |
| CN111881958B (zh) | 车牌分类识别方法、装置、设备及存储介质 | |
| CN111784031A (zh) | 物流车辆分类预测方法、装置、设备及存储介质 | |
| CN112528908B (zh) | 活体检测方法、装置、电子设备及存储介质 | |
| CN115081025A (zh) | 基于数字中台的敏感数据管理方法、装置及电子设备 | |
| CN111222588A (zh) | 一种后门样本检测方法、系统及装置 | |
| CN111666848B (zh) | 运输车辆到站检测方法、装置、设备及存储介质 | |
| US11847817B2 (en) | Methods and systems for automated assessment of spermatogenesis | |
| CN111626578A (zh) | 物流货车的调配方法、装置、设备及存储介质 | |
| CN113592390A (zh) | 一种基于多传感器融合的仓储数字孪生的方法与系统 | |
| CN117557199B (zh) | 一种基于数学模型的智慧仓储方法、系统及存储介质 | |
| CN114140025A (zh) | 面向多模态数据的车险欺诈行为预测系统、方法和装置 | |
| CN112017065B (zh) | 车辆定损理赔方法、装置及计算机可读存储介质 | |
| CN110222652B (zh) | 行人检测方法、装置及电子设备 | |
| CN117006953A (zh) | 一种车辆超载检测预警方法及系统 | |
| CN116129100A (zh) | 一种货车零件定位与故障识别方法、装置、设备及介质 | |
| CN116206096A (zh) | 一种铁路货车图像关键故障识别方法、装置、设备及介质 | |
| CN114581360A (zh) | 光伏组件标签检测方法、装置、设备和计算机存储介质 | |
| CN112257525A (zh) | 物流车辆打卡的识别方法、装置、设备和存储介质 | |
| CN111522902A (zh) | 数据录入方法、装置、电子设备及计算机可读存储介质 | |
| CN113837173A (zh) | 目标对象检测方法、装置、计算机设备和存储介质 |
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 |