CN112101125A - 一种快递货物堆积程度的检测方法及装置 - Google Patents
一种快递货物堆积程度的检测方法及装置 Download PDFInfo
- Publication number
- CN112101125A CN112101125A CN202010846705.0A CN202010846705A CN112101125A CN 112101125 A CN112101125 A CN 112101125A CN 202010846705 A CN202010846705 A CN 202010846705A CN 112101125 A CN112101125 A CN 112101125A
- Authority
- CN
- China
- Prior art keywords
- stacking
- degree
- goods
- data
- cargo
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000001514 detection method Methods 0.000 claims abstract description 142
- 238000013135 deep learning Methods 0.000 claims abstract description 46
- 238000009825 accumulation Methods 0.000 claims description 63
- 238000012549 training Methods 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 14
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 7
- 230000011664 signaling Effects 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 description 28
- 230000008569 process Effects 0.000 description 23
- 238000010586 diagram Methods 0.000 description 8
- 239000002699 waste material Substances 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
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)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Multimedia (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种快递货物堆积程度的检测方法及装置,所述方法包括:获取目标站点货物堆积的图像,将所述货物堆积的图像作为预测样本输入预设的深度学习检测模型,并将该深度学习检测模型的输出作为该目标站点货物堆积的图像对应的堆积程度检测结果,其中,所述深度学习检测模型用于表示货物堆积图像的堆积类型和堆积程度检测结果之间的对应关系,本发明的检测算法是基于深度学习的原理,能够实现快递货物堆积程度的自动检测,检测过程高效且检测结果准确,进而能够帮助管理人员实时了解当前快递分拨中心每一个堆货区域的堆积情况,以便能够及时且有针对性地做出相应的处理。
Description
技术领域
本发明涉及快递分拣领域,更具体的,涉及一种快递货物堆积程度的检测方法及装置。
背景技术
快递货物在快递分拨中心经过粗分流水线和末端分拣流水线分拣完毕后,需要进行装车处理,然后发往对应的方向。然而很多时候,货物已经分拣完毕,但是车辆还未到达,因此,需要将货物临时放置到堆货区域。由于堆货区域都有堆货的上限,当堆货区域已经被快递货物堆满,而车辆还未到达,会给装车现场造成很大的影响,因此需要现场管理人员进行介入处理。
对于站点堆货区域有额外的时效要求的,即需要在某个时间点之前,将该区域的货物都装送完毕,保证当日能派送到用户手中,如果在某个时间点之后,该区域还有货物堆积,也需要相应的管理人员及时处理。
然而由于每个快递分拨中心有较多的货物堆积区域,现场管理人员很难实时感应到每一个区域的货物堆积程度而提前做出有效的处理,因此就会给分拨的操作和货物的时效产生较大地影响。
发明内容
为了解决上述问题中的至少一个,本发明第一方面提供一种快递货物堆积程度的检测方法,所述检测方法包括:
获取目标站点货物堆积的图像;
将所述货物堆积的图像作为预测样本输入预设的深度学习检测模型,并将该深度学习检测模型的输出作为该目标站点货物堆积的图像对应的堆积程度检测结果;
其中,所述深度学习检测模型用于表示货物堆积图像的堆积类型和堆积程度检测结果之间的对应关系。
在某些实施方式中,所述检测方法还包括:
根据货物堆积的历史数据生成训练样本集,所述历史数据包括多个堆积类型及其对应的已知堆积程度检测结果。
在某些实施方式中,所述根据货物堆积的历史数据生成训练样本集,所述历史数据包括多个堆积类型及其对应的已知堆积程度检测结果,包括:
自电力系统的遥测数据、遥信数据和电力模块监控数据中的至少一份数据中提取多个货物堆积的历史数据;
在所述历史运行数据中提取货物堆积的多种堆积类型对应的堆积程度特征数据,并根据多种堆积类型分别对应的堆积程度特征数据之间的从属关系建立货物堆积程度指标体系;
对所述货物堆积程度指标体系对应的堆积程度特征数据进行预处理;
根据经预处理后的堆积程度特征数据生成训练样本集。
在某些实施方式中,所述对所述货物堆积程度指标体系对应的堆积程度特征数据进行预处理,包括:
对所述货物堆积程度指标体系对应的堆积程度特征数据进行数据清洗和/或属性规约处理。
本发明第二方面提供一种快递货物堆积程度检测装置,所述检测装置包括:
图像获取模块,获取目标站点货物堆积的图像;
堆积程度检测模块,将所述货物堆积的图像作为预测样本输入预设的深度学习检测模型,并将该深度学习检测模型的输出作为该目标站点货物堆积的图像对应的堆积程度检测结果;
其中,所述深度学习检测模型用于表示货物堆积图像的堆积类型和堆积程度检测结果之间的对应关系。
在某些实施方式中,所述装置还包括:
训练样本集生成模块,用于根据货物堆积的历史数据生成训练样本集,所述历史数据包括多个堆积类型及其对应的已知堆积程度检测结果。
在某些实施方式中,所述训练样本集生成模块包括:
历史运行数据获取单元,用于自电力系统的遥测数据、遥信数据和电力模块监控数据中的至少一份数据中提取多个货物堆积的历史数据;
货物堆积程度指标体系建立单元,用于在所述历史运行数据中提取货物堆积的多种堆积类型对应的堆积程度特征数据,并根据多种堆积类型分别对应的堆积程度特征数据之间的从属关系建立货物堆积程度指标体系;
数据预处理单元,用于对所述货物堆积程度指标体系对应的堆积程度特征数据进行预处理;
训练样本集生成单元,根据经预处理后的堆积程度特征数据生成训练样本集。
在某些实施方式中,所述数据预处理单元具体用于:
对所述货物堆积程度指标体系对应的堆积程度特征数据进行数据清洗和/或属性规约处理。
本发明第三方面提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述任一项所述货物堆积程度检测方法的步骤。
本发明第四方面提供一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现上述任一项所述的货物堆积程度检测方法的步骤。
本发明的有益效果
本发明提供一种快递货物堆积程度的检测方法及装置,所述方法包括:获取目标站点货物堆积的图像,将所述货物堆积的图像作为预测样本输入预设的深度学习检测模型,并将该深度学习检测模型的输出作为该目标站点货物堆积的图像对应的堆积程度检测结果,其中,所述深度学习检测模型用于表示货物堆积图像的堆积类型和堆积程度检测结果之间的对应关系,本发明的检测算法是基于深度学习的原理,能够实现快递货物堆积程度的自动检测,检测过程高效且检测结果准确,进而能够帮助管理人员实时了解当前快递分拨中心每一个堆货区域的堆积情况,以便能够及时且有针对性地做出相应的处理,并能够有效提高运维人员工作效率,减轻针对快递货物堆积的运维工作压力,同时,该检测方法过程简单且具有科学依据,能够为快递货物堆积日常的运维工作提供有效的数据支撑,具有很强的科学性、可靠性和可操作性,能够有效地指导快递货物堆积的智能化运维,缩短货物堆积处理时长,解决了资源浪费和错配等问题,可用于多种货物堆积程度检测任务。
附图说明
为了更清楚地说明本发明实施方式或现有技术中的技术方案,下面将对实施方式或现有技术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方式,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为本发明实施方式中一种快递货物堆积程度的检测方法流程示意图;
图2为本发明实施方式中本发明实施方式中训练样本集生成方法流程示意图;
图3为本发明实施方式中一种快递货物堆积程度检测装置结构示意图;
图4为本发明实施方式中本发明实施方式中训练样本集生成模块结构示意图;
图5示出适于用来实现本发明实施方式的计算机设备的结构示意图。
具体实施方式
下面将结合本发明实施方式中的附图,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式仅仅是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,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方式,都属于本发明保护的范围。
快递堆货区域都有堆货的上限,当堆货区域已经被快递货物堆满,而车辆还未到达,会给装车现场造成很大的影响,需要现场管理人员进行及时介入处理;对于站点堆货区域有额外的时效要求的,即需要在某个时间点之前,将该区域的货物都装送完毕,保证当日能派送到用户手中,如果在某个时间点之后,该区域还有货物堆积,也需要相应的管理人员及时处理。
然而由于每个快递分拨中心有较多的货物堆积区域,现场管理人员很难实时感应到每一个区域的货物堆积程度而提前做出有效的处理,产生资源浪费和错配的问题,因此就会给分拨的操作和货物的时效产生较大地影响。
基于此,请参阅图1,本发明第一方面实施方式中提供一种快递货物堆积程度的检测方法,所述检测方法包括:
S11:获取目标站点货物堆积的图像;
S12:将所述货物堆积的图像作为预测样本输入预设的深度学习检测模型,并将该深度学习检测模型的输出作为该目标站点货物堆积的图像对应的堆积程度检测结果;其中,所述深度学习检测模型用于表示货物堆积图像的堆积类型和堆积程度检测结果之间的对应关系。
本发明的检测算法是基于深度学习的原理,能够实现快递货物堆积程度的自动检测,检测过程高效且检测结果准确,进而能够帮助管理人员实时了解当前快递分拨中心每一个堆货区域的堆积情况,以便能够及时且有针对性地做出相应的处理,并能够有效提高运维人员工作效率,减轻针对快递货物堆积的运维工作压力,同时,该检测方法过程简单且具有科学依据,能够为快递货物堆积日常的运维工作提供有效的数据支撑,具有很强的科学性、可靠性和可操作性,能够有效地指导快递货物堆积的智能化运维,缩短货物堆积处理时长,解决了资源浪费和错配等问题,可用于多种货物堆积程度检测任务。
本发明实施方式中的深度学习检测模型是基于计算机视觉技术和深度学习算法建立的。计算机视觉技术是一种利用摄影机和计算机替代人眼对目标进行识别和测量的技术,通过图像处理算法和特征提取算法可以进一步获得目标的信息。人工很难判断目标站点货物堆积程度的指标,这些指标也难以被数学表达式精确描述,而深度学习算法可以学习复杂的特征,对目标站点货物堆积程度进行标注和分类。
因此利用计算机视觉和深度学习技术可以自动识别目标站点货物堆积程度,并能根据识别结果及时做出相应的处理。
请继续结合图1,为了能够提供更为准确且有针对性的深度学习检测模型,以进一步提高检测过程的效率和检测结果的准确性,在本发明的某些实施方式中,本发明提供的检测方法还包括:
S13:根据货物堆积的历史数据生成训练样本集,所述历史数据包括多个堆积类型及其对应的已知堆积程度检测结果。
如图2所示,为了能够提供更为准确且有针对性的深度学习检测模型,以进一步提高检测过程的效率和检测结果的准确性,在本发明的某些实施方式中,所述根据货物堆积的历史数据生成训练样本集,所述历史数据包括多个堆积类型及其对应的已知堆积程度检测结果,包括:
S21:自电力系统的遥测数据、遥信数据和电力模块监控数据中的至少一份数据中提取多个货物堆积的历史数据;
可以理解的是,货物堆积的历史数据可以为预设运行时段内的历史运行数据。举例来说,该预设运行时段可以为1个月、3个月或者1年等。
S22:在所述历史运行数据中提取货物堆积的多种堆积类型对应的堆积程度特征数据,并根据多种堆积类型分别对应的堆积程度特征数据之间的从属关系建立货物堆积程度指标体系;
S23:对所述货物堆积程度指标体系对应的堆积程度特征数据进行预处理;
S24:根据经预处理后的堆积程度特征数据生成训练样本集。
为了能够进一步提高深度学习检测模型的准确性和可靠性,所述对所述货物堆积程度指标体系对应的堆积程度特征数据进行预处理,包括:
对所述货物堆积程度指标体系对应的堆积程度特征数据进行数据清洗和/或属性规约处理。
可以理解的是,数据清洗方式至少可以包含有:异常值识别、缺失值插补及数据去重等处理手段。具体来说:对堆积程度特征数据进行异常值识别,并将识别出的异常值自该堆积程度特征数据中删除,以及,对该堆积程度特征数据进行缺失识别,并将缺失值插补到该堆积程度特征数据中的对应位置,另外,对该堆积程度特征数据进行重复数据识别,并将识别出的重复数据自该堆积程度特征数据中删除。
可以理解的是,在海量数据上进行复杂的数据分析扣挖掘将需要很长时间,使得这种分析不现实或不可行。属性规约技术通过计算堆积程度特征数据中各种缺陷类型分别对应的信息熵,并自该堆积程度特征数据中删除信息熵为0的缺陷类型属性所对应的数据,熵为0即系统中数据失序现象。其中,该属性规约的目的是寻找出最小的属性子集,并确保新数据子集的概率分布尽可能地接近原来数据集的概率分布。新数据子集虽然小,但仍大致保持原数据的完整性。这样,在归约后的数据集上挖掘将更有效,并产生相同(或几乎相同)的分析结果。
根据经数据清洗和属性规约后的堆积程度特征数据,生成用于训练深度学习检测模型的训练样本集。
在某些实施方式中,该检测方法具体实施包括:
步骤1:点击视频监控中的目标堆货区域的4个顶点,用于提取该区域作为检测区域,只需在获取该目标堆货区域图像前配置一次;
步骤2:获取一段时间内目标堆货区域图像,对这些图像进行人工标注,训练得到一个用于判断当前区域是否堆满货物的深度学习检测模型;
步骤3:从当前视频监控中抓取一帧图片,使用步骤1配置的区域点提取检测区域,并将该检测区域调整为224*224大小;
步骤4:堆积检测。使用步骤2训练得到的模型对步骤3处理后的图片进行预测,得到该区域是否堆满的结果,0为未堆满,1为堆满;
步骤5:对步骤3的图像切分成16个相等大小的图像;
步骤6:对步骤5的16个图像分别重复步骤4,得到16组结果;
步骤7:对于步骤4和步骤6的结果进行处理,给出当前堆货区域的货物堆积情况:如0%,20%,50%,80%,100%;
步骤8:重复步骤3至步骤7,可以对不同位置和不同时刻的堆货区域进行实时检测,给出对应的货物堆积情况。
需要说明的是,此处仅仅示出该实施方式的具体检测方式的其中一种形式,本领域技术人员可以理解,在不影响本发明的主体构思的前提下,本领域技术人员有能力在不付出创造性劳动的基础上,可以进行其他检测方式的选取,如图像可切分成20个、30个等,对应的货物堆积情况的百分比也将随之变化。
从上述描述可知,本发明的检测算法基于深度学习的原理,能够实现快递货物堆积程度的自动检测,检测过程高效且检测结果准确,进而能够帮助管理人员实时了解当前快递分拨中心每一个堆货区域的堆积情况,以便能够及时且有针对性地做出相应的处理,并能够有效提高运维人员工作效率,减轻针对快递货物堆积的运维工作压力,同时,该检测方法过程简单且具有科学依据,能够为快递货物堆积日常的运维工作提供有效的数据支撑,具有很强的科学性、可靠性和可操作性,能够有效地指导快递货物堆积的智能化运维,缩短货物堆积处理时长,解决了资源浪费和错配等问题,可用于多种货物堆积程度检测任务。
本发明第二方面提供一种用于实现快递货物堆积程度的检测方法中全部内容的快递货物堆积程度检测装置的具体实施方式,参见图3,所述检测装置包括:
图像获取模块10,获取目标站点货物堆积的图像;
堆积程度检测模块20,将所述货物堆积的图像作为预测样本输入预设的深度学习检测模型,并将该深度学习检测模型的输出作为该目标站点货物堆积的图像对应的堆积程度检测结果;
其中,所述深度学习检测模型用于表示货物堆积图像的堆积类型和堆积程度检测结果之间的对应关系。
本发明的检测装置是基于深度学习的原理,能够实现快递货物堆积程度的自动检测,检测过程高效且检测结果准确,进而能够帮助管理人员实时了解当前快递分拨中心每一个堆货区域的堆积情况,以便能够及时且有针对性地做出相应的处理,并能够有效提高运维人员工作效率,减轻针对快递货物堆积的运维工作压力,同时,该检测方法过程简单且具有科学依据,能够为快递货物堆积日常的运维工作提供有效的数据支撑,具有很强的科学性、可靠性和可操作性,能够有效地指导快递货物堆积的智能化运维,缩短货物堆积处理时长,解决了资源浪费和错配等问题,可用于多种货物堆积程度检测任务。
请继续结合图3,为了能够提供更为准确且有针对性的深度学习检测模型,以进一步提高检测过程的效率和检测结果的准确性,在本发明的某些实施方式中,本发明提供的检测装置还包括:
训练样本集生成模块30,用于根据货物堆积的历史数据生成训练样本集,所述历史数据包括多个堆积类型及其对应的已知堆积程度检测结果。
如图4所示,为了能够提供更为准确且有针对性的神经网络缺陷检测模型,以进一步提高检测过程的效率和检测结果的准确性,在本发明的某些实施方式中,所述训练样本集生成模块23包括:
历史运行数据获取单元31,用于自电力系统的遥测数据、遥信数据和电力模块监控数据中的至少一份数据中提取多个货物堆积的历史数据;
货物堆积程度指标体系建立单元32,用于在所述历史运行数据中提取货物堆积的多种堆积类型对应的堆积程度特征数据,并根据多种堆积类型分别对应的堆积程度特征数据之间的从属关系建立货物堆积程度指标体系;
数据预处理单元33,用于对所述货物堆积程度指标体系对应的堆积程度特征数据进行预处理;
训练样本集生成单元34,根据经预处理后的堆积程度特征数据生成训练样本集。
为了能够进一步提高深度学习检测模型的准确性和可靠性,所述数据预处理单元33具体用于:
对所述货物堆积程度指标体系对应的堆积程度特征数据进行数据清洗和/或属性规约处理。
从上述描述可知,本发明提供的一种快递货物堆积程度检测装置,基于深度学习的原理,能够实现快递货物堆积程度的自动检测,检测过程高效且检测结果准确,进而能够帮助管理人员实时了解当前快递分拨中心每一个堆货区域的堆积情况,以便能够及时且有针对性地做出相应的处理,并能够有效提高运维人员工作效率,减轻针对快递货物堆积的运维工作压力,同时,该检测方法过程简单且具有科学依据,能够为快递货物堆积日常的运维工作提供有效的数据支撑,具有很强的科学性、可靠性和可操作性,能够有效地指导快递货物堆积的智能化运维,缩短货物堆积处理时长,解决了资源浪费和错配等问题,可用于多种货物堆积程度检测任务。
本发明的实施方式还提供能够实现上述实施方式中的快递货物堆积程度的检测方法中全部步骤的一种电子设备的具体实施方式,参见图5,所述电子设备具体包括如下内容:
处理器(processor)601、存储器(memory)602、通信接口(CommunicationsInterface)603和总线604;其中,所述处理器601、存储器602、通信接口603通过所述总线604完成相互间的通信;所述通信接口603用于实现快递货物堆积程度检测装置、客户终端、缺陷监测设备以及其他参与机构之间的信息传输;
所述处理器601用于调用所述存储器602中的计算机程序,所述处理器执行所述计算机程序时实现上述实施方式中的快递货物堆积程度检测方法中的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
S11:获取目标站点货物堆积的图像;
S12:将所述货物堆积的图像作为预测样本输入预设的深度学习检测模型,并将该深度学习检测模型的输出作为该目标站点货物堆积的图像对应的堆积程度检测结果;其中,所述深度学习检测模型用于表示货物堆积图像的堆积类型和堆积程度检测结果之间的对应关系。
从上述描述可知,本发明提供的电子设备,能够实现快递货物堆积程度的自动检测,检测过程高效且检测结果准确,进而能够帮助管理人员实时了解当前快递分拨中心每一个堆货区域的堆积情况,以便能够及时且有针对性地做出相应的处理,并能够有效提高运维人员工作效率,减轻针对快递货物堆积的运维工作压力,同时,该检测方法过程简单且具有科学依据,能够为快递货物堆积日常的运维工作提供有效的数据支撑,具有很强的科学性、可靠性和可操作性,能够有效地指导快递货物堆积的智能化运维,缩短货物堆积处理时长,解决了资源浪费和错配等问题,可用于多种货物堆积程度检测任务。
本发明的实施方式还提供能够实现上述实施方式中的快递货物堆积程度的检测方法中全部步骤的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,该计算机程序被处理器执行时实现上述实施方式中的快递货物堆积程度检测方法的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
S11:获取目标站点货物堆积的图像;
S12:将所述货物堆积的图像作为预测样本输入预设的深度学习检测模型,并将该深度学习检测模型的输出作为该目标站点货物堆积的图像对应的堆积程度检测结果;其中,所述深度学习检测模型用于表示货物堆积图像的堆积类型和堆积程度检测结果之间的对应关系。
从上述描述可知,本发明提供的计算机可读存储介质,能够实现快递货物堆积程度的自动检测,检测过程高效且检测结果准确,进而能够帮助管理人员实时了解当前快递分拨中心每一个堆货区域的堆积情况,以便能够及时且有针对性地做出相应的处理,并能够有效提高运维人员工作效率,减轻针对快递货物堆积的运维工作压力,同时,该检测方法过程简单且具有科学依据,能够为快递货物堆积日常的运维工作提供有效的数据支撑,具有很强的科学性、可靠性和可操作性,能够有效地指导快递货物堆积的智能化运维,缩短货物堆积处理时长,解决了资源浪费和错配等问题,可用于多种货物堆积程度检测任务。
本说明书中的各个实施方式均采用递进的方式描述,各个实施方式之间相同相似的部分互相参见即可,每个实施方式重点说明的都是与其他实施方式的不同之处。尤其,对于硬件+程序类实施方式而言,由于其基本相似于方法实施方式,所以描述的比较简单,相关之处参见方法实施方式的部分说明即可。虽然本说明书实施方式提供了如实施方式或流程图所述的方法操作步骤,但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施方式中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或终端产品执行时,可以按照实施方式或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境,甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下,并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本说明书实施方式时可以把各模块的功能在同一个或多个软件和/或硬件中实现,也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施方式仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。本发明是参照根据本发明实施方式的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。本领域技术人员应明白,本说明书的实施方式可提供为方法、系统或计算机程序产品。因此,本说明书实施方式可采用完全硬件实施方式、完全软件实施方式或结合软件和硬件方面的实施方式的形式。而且,本说明书实施方式可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本说明书中的各个实施方式均采用递进的方式描述,各个实施方式之间相同相似的部分互相参见即可,每个实施方式重点说明的都是与其他实施方式的不同之处。尤其,对于系统实施方式而言,由于其基本相似于方法实施方式,所以描述的比较简单,相关之处参见方法实施方式的部分说明即可。在本说明书的描述中,参考术语“一个实施方式”、“一些实施方式”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施方式或示例描述的具体特征、结构、材料或者特点包含于本说明书实施方式的至少一个实施方式或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施方式或示例。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施方式或示例以及不同实施方式或示例的特征进行结合和组合。以上所述仅为本说明书实施方式的实施方式而已,并不用于限制本说明书实施方式。对于本领域技术人员来说,本说明书实施方式可以有各种更改和变化。凡在本说明书实施方式的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书实施方式的权利要求范围之内。
Claims (10)
1.一种快递货物堆积程度的检测方法,其特征在于,包括:
获取目标站点货物堆积的图像;
将所述货物堆积的图像作为预测样本输入预设的深度学习检测模型,并将该深度学习检测模型的输出作为该目标站点货物堆积的图像对应的堆积程度检测结果;
其中,所述深度学习检测模型用于表示货物堆积图像的堆积类型和堆积程度检测结果之间的对应关系。
2.根据权利要求1所述的检测方法,其特征在于,还包括:
根据货物堆积的历史数据生成训练样本集,所述历史数据包括多个堆积类型及其对应的已知堆积程度检测结果。
3.根据权利要求2所述的检测方法,其特征在于,所述根据货物堆积的历史数据生成训练样本集,所述历史数据包括多个堆积类型及其对应的已知堆积程度检测结果,包括:
自电力系统的遥测数据、遥信数据和电力模块监控数据中的至少一份数据中提取多个货物堆积的历史数据;
在所述历史运行数据中提取货物堆积的多种堆积类型对应的堆积程度特征数据,并根据多种堆积类型分别对应的堆积程度特征数据之间的从属关系建立货物堆积程度指标体系;
对所述货物堆积程度指标体系对应的堆积程度特征数据进行预处理;
根据经预处理后的堆积程度特征数据生成训练样本集。
4.根据权利要求3所述的检测方法,其特征在于,所述对所述货物堆积程度指标体系对应的堆积程度特征数据进行预处理,包括:
对所述货物堆积程度指标体系对应的堆积程度特征数据进行数据清洗和/或属性规约处理。
5.一种快递货物堆积程度检测装置,其特征在于,包括:
图像获取模块,获取目标站点货物堆积的图像;
堆积程度检测模块,将所述货物堆积的图像作为预测样本输入预设的深度学习检测模型,并将该深度学习检测模型的输出作为该目标站点货物堆积的图像对应的堆积程度检测结果;
其中,所述深度学习检测模型用于表示货物堆积图像的堆积类型和堆积程度检测结果之间的对应关系。
6.根据权利要求5所述的检测装置,其特征在于,还包括:
训练样本集生成模块,用于根据货物堆积的历史数据生成训练样本集,所述历史数据包括多个堆积类型及其对应的已知堆积程度检测结果。
7.根据权利要求6所述的检测装置,其特征在于,所述训练样本集生成模块包括:
历史运行数据获取单元,用于自电力系统的遥测数据、遥信数据和电力模块监控数据中的至少一份数据中提取多个货物堆积的历史数据;
货物堆积程度指标体系建立单元,用于在所述历史运行数据中提取货物堆积的多种堆积类型对应的堆积程度特征数据,并根据多种堆积类型分别对应的堆积程度特征数据之间的从属关系建立货物堆积程度指标体系;
数据预处理单元,用于对所述货物堆积程度指标体系对应的堆积程度特征数据进行预处理;
训练样本集生成单元,根据经预处理后的堆积程度特征数据生成训练样本集。
8.根据权利要求7所述的检测装置,其特征在于,所述数据预处理单元具体用于:对所述货物堆积程度指标体系对应的堆积程度特征数据进行数据清洗和/或属性规约处理。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至4任一项所述货物堆积程度检测方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至4任一项所述的货物堆积程度检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010846705.0A CN112101125B (zh) | 2020-08-21 | 2020-08-21 | 一种快递货物堆积程度的检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010846705.0A CN112101125B (zh) | 2020-08-21 | 2020-08-21 | 一种快递货物堆积程度的检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112101125A true CN112101125A (zh) | 2020-12-18 |
CN112101125B CN112101125B (zh) | 2024-05-03 |
Family
ID=73753366
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010846705.0A Active CN112101125B (zh) | 2020-08-21 | 2020-08-21 | 一种快递货物堆积程度的检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112101125B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113327241A (zh) * | 2021-06-16 | 2021-08-31 | 南昌航空大学 | 一种轴承端面的表面缺陷视觉检测方法及系统 |
CN114550102A (zh) * | 2022-03-01 | 2022-05-27 | 上海中通吉网络技术有限公司 | 货物堆积检测方法、装置、设备和系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109003329A (zh) * | 2018-08-15 | 2018-12-14 | 深圳市烽焌信息科技有限公司 | 一种目标货物堆监控设备及存储介质 |
CN109815943A (zh) * | 2019-03-18 | 2019-05-28 | 北京石油化工学院 | 一种危化品仓储堆垛图片样本生成方法及系统 |
CN109871898A (zh) * | 2019-02-27 | 2019-06-11 | 南京中设航空科技发展有限公司 | 一种利用生成对抗网络生成堆积物训练样本的方法 |
CN110909633A (zh) * | 2019-11-07 | 2020-03-24 | 浙江大华技术股份有限公司 | 堆积程度的确定方法及装置、存储介质、电子装置 |
CN111310645A (zh) * | 2020-02-12 | 2020-06-19 | 上海东普信息科技有限公司 | 货物堆积量的溢仓预警方法、装置、设备及存储介质 |
CN111553270A (zh) * | 2020-04-27 | 2020-08-18 | 石盼成 | 基于区块链的智慧工地水泥袋堆积监测系统 |
-
2020
- 2020-08-21 CN CN202010846705.0A patent/CN112101125B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109003329A (zh) * | 2018-08-15 | 2018-12-14 | 深圳市烽焌信息科技有限公司 | 一种目标货物堆监控设备及存储介质 |
CN109871898A (zh) * | 2019-02-27 | 2019-06-11 | 南京中设航空科技发展有限公司 | 一种利用生成对抗网络生成堆积物训练样本的方法 |
CN109815943A (zh) * | 2019-03-18 | 2019-05-28 | 北京石油化工学院 | 一种危化品仓储堆垛图片样本生成方法及系统 |
CN110909633A (zh) * | 2019-11-07 | 2020-03-24 | 浙江大华技术股份有限公司 | 堆积程度的确定方法及装置、存储介质、电子装置 |
CN111310645A (zh) * | 2020-02-12 | 2020-06-19 | 上海东普信息科技有限公司 | 货物堆积量的溢仓预警方法、装置、设备及存储介质 |
CN111553270A (zh) * | 2020-04-27 | 2020-08-18 | 石盼成 | 基于区块链的智慧工地水泥袋堆积监测系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113327241A (zh) * | 2021-06-16 | 2021-08-31 | 南昌航空大学 | 一种轴承端面的表面缺陷视觉检测方法及系统 |
CN114550102A (zh) * | 2022-03-01 | 2022-05-27 | 上海中通吉网络技术有限公司 | 货物堆积检测方法、装置、设备和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112101125B (zh) | 2024-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112801146B (zh) | 一种目标检测方法及系统 | |
CN112101125B (zh) | 一种快递货物堆积程度的检测方法及装置 | |
CN111401418A (zh) | 一种基于改进Faster r-cnn的员工着装规范检测方法 | |
CN113254254B (zh) | 系统故障的根因定位方法、装置、存储介质及电子装置 | |
CN111598860A (zh) | 基于嵌入自注意力门模块的yolov3网络的锂电池缺陷检测方法 | |
CN111340831A (zh) | 点云边缘检测方法和装置 | |
CN110009045A (zh) | 物联网终端的识别方法和装置 | |
CN110992307A (zh) | 基于yolo的绝缘子定位识别方法及装置 | |
CN110895506A (zh) | 测试数据的构造方法和构造系统 | |
CN115660288A (zh) | 一种基于互联网大数据的分析管理系统 | |
CN115659044A (zh) | 一种人岗匹配的推荐方法、系统、电子设备、存储介质 | |
CN116308679A (zh) | 供应链异常订单处理方法、装置、设备及存储介质 | |
CN113824580A (zh) | 一种网络指标预警方法及系统 | |
CN116435995A (zh) | 时间序列的处理方法、计算机可读存储介质和电子设备 | |
CN111797922B (zh) | 文本图像分类方法及装置 | |
CN115269438A (zh) | 针对图像处理算法的自动化测试方法及装置 | |
CN113191569A (zh) | 一种基于大数据的企业管理方法及系统 | |
WO2021149252A1 (ja) | 学習データセット生成装置および方法 | |
CN113724059A (zh) | 联邦学习模型的训练方法、装置和电子设备 | |
CN111488272A (zh) | 一种复杂交易文件的自动化测试方法及装置 | |
CN112968941B (zh) | 一种基于边缘计算的数据采集和人机协同标注方法 | |
CN116307407B (zh) | 一种基于云计算的企业数据可视化处理系统及方法 | |
CN116992550B (zh) | 油气化工码头数字化交付码头对象分类方法 | |
CN110826942B (zh) | 转运中心效率分析监测方法、装置、设备和存储介质 | |
CN115731478B (zh) | 一种基于多级目标检测的输电线路开口销目标检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |