CN112325936A - 一种物流环境检测识别方法及系统 - Google Patents
一种物流环境检测识别方法及系统 Download PDFInfo
- Publication number
- CN112325936A CN112325936A CN202011193919.9A CN202011193919A CN112325936A CN 112325936 A CN112325936 A CN 112325936A CN 202011193919 A CN202011193919 A CN 202011193919A CN 112325936 A CN112325936 A CN 112325936A
- Authority
- CN
- China
- Prior art keywords
- data
- goods
- abnormal
- cargo
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- 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
- G06Q10/0832—Special goods or special handling procedures, e.g. handling of hazardous or fragile goods
Abstract
本发明提供一种物流环境检测识别方法及系统。本发明利用多传感器集成的数据采集终端对货物物流过程中运动状态及位姿、温湿度、光照强度、地理位置信息、货物承受压力等数据进行全方位采集。然后分别针对不同类型的数据采用与之匹配的基于神经元网络的模式识别、阈值分析等手段,实现对物流环境异常情况的深入智能化分析。本发明能够将分析结果与异常发生的时间、地点信息匹配录入数据库供大数据分析和用户查询。本发明对物流环境数据的采集监测更为系统化、集成化程度高,检测内容丰富、检测结果准确,可以为物流企业决策、监管部门监管、物流保险定价等提供有力的数据支撑。
Description
技术领域
本发明涉及物流监管技术领域,具体而言涉及一种物流环境检测识别方法及系统。
背景技术
广义的物流环境,既包括货物在物流过程中的自然环境,如温湿度、光照等,也包括物流操作对货物产生的影响。这种影响可能是直接由操作人员引起的,比如人工装卸时,货物受到的冲击等,也可能是由代替人力而完成物流职能的半自动化或自动化设备引起的,比如运输过程中的颠簸等。
目前物流环境检测方法多是利用特定种类的传感器采集特定的、单一的物流环境数据,而后通过设定简单的阈值对货物物流过程中环境的某种变量进行异常的判断和识别。现有的这些方法普遍存在环境监测缺乏系统性的缺点。并且,由于其过于粗略的数据处置方式,会使得物流系统能够从传感器数据中获取的信息相对有限,很难满足如今物联网时代对物流数据进行细致分析的需求。比如,当前对物流过程中货物所受冲击和振动的检测多是利用三轴加速度传感器测量货物的加速度,然后将加速度分量进行正交合并,利用相应的运动学公式折算成诸如力、能量等物理量,最后通过阈值判断货物的冲击和振动是否超出容许的范围。这种方法将检测结果简单的划分为一个二分类问题,即正常和异常,缺乏对数据的深入挖掘,忽略掉了对造成异常的原因、异常的种类等更有价值的信息的分析。
发明内容
本发明针对现有技术的不足,提供一种物流环境检测识别方法及系统,本发明针对当前行业中常见监测方法的弊端,提出了一个新的系统性解决方案。本发明具体采用如下技术方案。
首先,为实现上述目的,提出一种物流环境检测识别系统,其包括:数据采集终端,其被固定在货物的包裹上,各所述数据采集终端分别集成有或连接有若干组传感器,用于分别通过不同类型的传感器采集获取货物包裹在物流过程中的各类物流环境数据,所述数据采集终端还用于对各类所述物流环境数据分别以预设的第一阈值范围进行筛选,存储并上传超出第一阈值范围的所述物流环境数据;服务器,其分别与各所述数据采集终端无线通讯连接,用于接收各所述数据采集终端所上传的超出第一阈值范围的物流环境数据,所述服务器还用于分别根据各物流环境数据的类别调用与之相匹配的异常识别单元,对该物流环境数据进行分析,获得异常识别分析结果,将所述异常识别分析结果以及对应的异常状况发生时间和异常状况发生地点进行匹配和汇总,录入数据库;所述数据库,其与服务器通讯连接,用于存储并更新各货物包裹的异常识别分析结果以及对应的异常状况发生时间和异常状况发生地点;用户终端设备,其分别按照不同的用户类型配备有不同权限等级,用于在权限等级所允许的范围内,与所述数据库交互,获取并显示用户所需查询的货物包裹信息、该货物包裹所对应的异常识别分析结果以及对应的异常状况发生时间和异常状况发生地点。
可选的,如上任一所述的物流环境检测识别系统,其中,所述数据采集终端被固定在货物的包裹内,所述数据采集终端中集成有或连接有以下传感器中的任意一种或其组合:三轴加速度传感器、三轴角加速度传感器、陀螺仪、三轴地磁传感器、温度传感器、湿度传感器、光照强度传感器、压力传感器、GPS模块;其中,所述三轴加速度传感器及所述陀螺仪的采样频率不低于1600Hz,所述三轴地磁传感器的采样频率不低于30Hz,所述温度传感器、所述湿度传感器的采样频率不低于0.1Hz,所述光照强度传感器的采样频率不低于60Hz,所述压力传感器的采样频率不低于60Hz。
可选的,如上任一所述的物流环境检测识别系统,其中,所述第一阈值范围设置为[130%*A,70%*B],其中,[A,B]表示货物物流过程中所允许的对应类别物流环境数据的数值范围。
可选的,如上任一所述的物流环境检测识别系统,其中,所述异常识别单元内设置有:带有通道注意力机制的CNN-GRU神经元模型,以及全连接网络;所述CNN-GRU神经元模型其利用CNN卷积神经元网络对由物流环境数据经过双向阈值截取、补长和添加时间窗处理后所获得的抽象特征进行再提取,还利用GRU对各时间窗按照时序进行串联,并对时间序列依赖性抽象特征进行再提取;所述全连接网络用于实现最终的模式识别,所述全连接网络的最后一个全连接层所包含的神经元数量等于异常状况的类别数量,并且,该最后一个全连接层为使用Softmax函数激活的密集连接层。
同时,为实现上述目的,本发明还提供一种物流环境检测识别方法,其用于如上任一所述的物流环境检测识别系统,该方法对物流环境进行检测识别的具体步骤包括:第一步,由分别被固定在各货物包裹上的数据采集终端分别采集获取货物包裹在物流过程中的各类物流环境数据;第二步,各所述数据采集终端分别对其所采集的各类所述物流环境数据按照预设的第一阈值范围进行筛选,存储并上传超出第一阈值范围的所述物流环境数据;第三步,服务器接收各所述数据采集终端所上传的超出第一阈值范围的物流环境数据,并分别根据各物流环境数据的类别调用与之相匹配的异常识别单元,分别对各物流环境数据进行分析,获得异常识别分析结果;第四步,所述服务器将所述异常识别分析结果以及对应的异常状况发生时间和异常状况发生地点进行匹配和汇总,录入数据库;在用户终端设备请求时,所述数据库分别按照该用户终端设备所具有的权限等级,在该权限等级所允许的范围内,输出并供所述用户终端设备显示用户所需查询的货物包裹信息、该货物包裹所对应的异常识别分析结果以及对应的异常状况发生时间和异常状况发生地点。
可选的,如上任一所述的物流环境检测识别方法,其中,所述服务器中的异常识别单元包括:货物异常运动状态识别单元,用于通过带有通道注意力机制的CNN-GRU神经元模型对由物流环境数据经过双向阈值截取、补长和添加时间窗处理后所获得的抽象特征进行再提取,利用GRU对各时间窗按照时序进行串联并对时间序列依赖性抽象特征进行再提取,最后由所述全连接网络进行最终的模式识别,上报货物运动异常状况的类别、异常状况发生时间和异常状况发生地点;货物运动状态可视化单元,用于根据货物包裹的外尺寸、以及货物包裹的运动状态数据、位姿数据,直观地以图像方式展示货物的异常运动状态;货物温湿度异常状态识别单元,用于根据温湿度-时间-货物损失率之间的参数关系持续累计计算并上报货物的损失量,直至温湿度恢复正常,或物流过程终止;货物异常开启检测单元,用于根据货物光照强度和承压的物流环境数据的变化情况,在光照强度或承压数据中的任意一个发生突变时,判断货物被开启,记录并上报货物被开启的时间和位置;货物承压检测单元,用于在货物承压的物流环境数据超出预设的最大承压值的85%时,上报承压异常,其中,所述最大承压值通过测试不同压力下货物是否出现损坏进行测定或直接由货物寄出方进行标记;货物光照异常检测单元,用于在货物光照强度的物流环境数据超出阈值范围时上报光照强度异常,否则判断货物光照强度为正常。
可选的,如上任一所述的物流环境检测识别方法,其中,所述货物异常运动状态识别单元中,所述CNN-GRU神经元模型具体通过以下步骤训练获得:步骤a1,采集各种异常的物流操作和异常的运输状况下的加速度数据,并人工对数据标注上标签,对采集到的数据进行双向的阈值截取,获得加速度数值出现异常波动的部分;步骤a2,对样本的加速度数据进行补长,使所有样本对应时长相等,对补齐后的样本添加时间窗,得到n个时间窗;步骤a3,分别在每个时间窗内提取三轴加速度和角加速度的均值、方差的特征,得到包含3轴、若干时间窗以及若干种特征的传统特征矩阵;步骤a4,在神经元模型中,输入上述传统特征矩阵,并按照神经元模型输出结果与预期的误差进行反向传播运算,并通过Adam、Momentum、SGD的优化函数迭代更新CNN-GRU神经元模型中的各参数,直至CNN-GRU神经元模型输出的概率值与标签一致。
可选的,如上任一所述的物流环境检测识别方法,其中,所述货物运动状态可视化单元具体按照以下步骤直观地以图像方式展示货物的异常运动状态:步骤b1,根据货物包裹的外尺寸,对货物包裹进行3D建模,得到货物包裹的3D仿真模型;步骤b2,根据经度、纬度和海拔建立3维欧式坐标空间,并以货物包裹在运输初始时间下的质心位置作为该欧式坐标空间的坐标原点;步骤b3,利用三轴地磁传感器所获得的位姿数据确定货物的初始位姿,利用三轴加速度传感器的数据进行二重积分获得运输过程中货物质心的位置坐标,利用三轴角加速度传感器的数据进行二重积分获得运输过程中货物的位姿,并用三轴地磁传感器所获得的位姿数据进行校准;步骤b4,根据步骤b3中所计算获得的货物质心的位置坐标以及货物的位姿,在所述欧式坐标空间内相应移动所述货物包裹的3D仿真模型,展示货物的异常运动状态。
可选的,如上任一所述的物流环境检测识别方法,其中,所述货物温湿度异常状态识别单元具体按照以下步骤持续累计计算并上报货物的损失量:步骤c1,根据货物运输中温度传感器和湿度传感器所采集获得的温湿度物流环境数据,查找温湿度-时间-货物损失率之间的参数关系表格中对应该温湿度物流环境数据档位下的货物的损失率;步骤c2,根据该损失率累计计算货物的损失量;步骤c3,在货物运输中温度传感器和湿度传感器所采集获得的温湿度物流环境数据跳转至温湿度-时间-货物损失率之间参数关系表格的其他温湿度物流环境数据档位时,以该档位下的货物的损失率继续累计计算货物的损失量,直至温湿度恢复正常或物流过程终止;其中,所述温湿度-时间-货物损失率之间的参数关系表格提前在实验室环境下测试获得。
有益效果
本发明利用多传感器集成的数据采集终端对货物物流过程中运动状态及位姿、温湿度、光照强度、地理位置信息、货物承受压力等数据进行全方位采集。然后分别针对不同类型的数据采用与之匹配的基于神经元网络的模式识别、阈值分析等手段,实现对物流环境异常情况的深入智能化分析。本发明能够将分析结果与异常发生的时间、地点信息匹配录入数据库供大数据分析和用户查询。本发明对物流环境数据的采集监测更为系统化、集成化程度高,检测内容丰富、检测结果准确,可以为物流企业决策、监管部门监管、物流保险定价等提供有力的数据支撑。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,并与本发明的实施例一起,用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明的物流环境检测识别方法的主体流程图;
图2是本发明的物流环境检测识别方法中设备之间交互关系的示意图;
图3是本发明所采用的多传感器集成的数据采集终端的使用状态下的视图;
图4是全连接网络的一般结构;
图5是GRU单元内部结构的示意图;
图6是本发明所采用的带有通道注意力机制的CNN-GRU网络结构图;
图7是本发明所采用的带有通道注意力机制的CNN-GRU前端子网络结构图;
图8是本发明中GRU结构图;
图9是本发明中模式识别全连接网络结构图;
图10本发明中对物流包裹进行3D动态建模过程;
图11用户查询界面的示意图。
具体实施方式
为使本发明实施例的目的和技术方案更加清楚,下面将结合本发明实施例的附图,对本发明实施例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发明的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
图1为根据本发明的物流环境检测识别系统的整体运行步骤。其具体实施步骤如图2所示:
(1)利用集成了三轴加速度传感器、陀螺仪、地磁传感器、温湿度传感器、光照强度传感器、压力传感器的数据采集终端全面采集货物的物流环境数据。在数据采集终端,通过宽泛的阈值初步筛选出潜在的异常情况数据,以此降低数据存储、传输和处理的成本;
(2)将潜在异常数据保存并上传至服务器;
(3)在服务器端对潜在异常数据进行相应的识别和分析,得到异常分析结果;将异常识别和分析结果与异常发生的时间及货物的地理位置信息进行匹配和汇总,然后录入数据库;
(4)用户可根据其权限等级(如,高级管理员:企业管理者,可以查询全部货品的情况;一般管理员:企业相关部门负责人,可以查询所管辖范围内货品的情况;访客:托运人,可查询其托运的货品的情况)对货物状态数据进行实施查询。
本发明中,数据采集终端可通过图3的方式实现多传感器的数据采集。具体实现时,本发明可用集成有三轴加速度传感器、陀螺仪、地磁传感器、温湿度传感器、光照强度传感器、压力传感器、GPS模块的数据数据采集终端采集货物的三轴直线加速度数据、三轴角加速度数据、位姿数据、温湿度数据、光照强度数据、承压数据,地理位置数据等。对于物流场景,考虑到其实际应用需求。三轴加速度传感器及陀螺仪的采样频率应不低于1600Hz,地磁传感器的采样频率不低于30Hz,温湿度传感器采样频率不低于0.1Hz,光照强度传感器采样频率不低于60Hz,压力传感器不低于60Hz。一般情况下,数据数据采集终端还应配备微处理器、数据存储器、通讯装置及电源等必要组件以构成终端系统。
本发明中“潜在异常数据”可具体通过数据采集终端,设置其分别对各类所述物流环境数据分别以预设的第一阈值范围进行筛选,以实现该数据初筛功能。其中,所述的第一阈值范围,可具体根据货物物流过程中所允许的对应类别物流环境数据的数值范围[A,B],而相应设置为[130%*A,70%*B]。由此,通过设定较为宽泛的阈值,本步骤可以过滤掉物流环境明显正常的数据,仅保留潜在异常数据进行进一步处理和分析,从而压缩数据存储、通讯、处理成本。
具体对于运动状态数据,可采用一个较小的加速度数值作为阈值:
比如,经过实验发现5g(g为加速度单位,即1g=9.8m/s2)作为一般货物的三轴加速度阈值可得到较好的效果,当任意一轴的加速度数值超过5g,则数据需要被保存、上传和处理。而对于易碎物品则可以设定为3g。
具体对于温湿度数据,可首先测试承运物所属类别对应的温度范围,在超出该温度范围后单位时间货物损失率超出合理的增长曲线,那么在该温度范围基础上缩小30%作为裕量,得到的新的范围的边界值即可作为温湿度数据粗筛选的阈值。该阈值根据物流订单信息判别货物类别从而自动生成或在安置数据采集装置时人工判断货物类别并手动输入:
比如在冷链物流过程中,热带水果的保鲜温度在7℃-15℃之间,对应的粗筛选阈值可以设定为8.2℃-13.2℃;而耐寒性水果的保鲜温度在0℃-5℃之间,对应的粗筛选阈值可以设定为0.8℃-4.2℃。其他场景下的各种货物的粗筛选阈值确定方法类似,湿度的阈值确定方法也类似。
具体对于光照强度数据,其包括有两种情况:
在货物开启检测中,分别设置较小的货物运输包装封装处压力变化导数阈值和包装内光照强度变化导数阈值,当两个导数中任意一个超出其对应的阈值则判定为一次潜在包装开启。与运动状态粗筛选类似;
而在危化品等光敏感性货物的光照条件检测中,主要根据承运物的许用光照条件表,在货物存放的许用光照强度范围基础上缩小30%裕量后以新的边界值作为阈值。该阈值根据物流订单信息判别货物类别从而自动生成或在安置数据采集装置时人工判断货物类别并手动输入。与温湿度状态粗筛选类似。
具体对于货物承压数据,其也包括有两种情况:
第一种情况,在货物开启检测中,分别设置较小的货物运输包装封装处压力变化导数阈值和包装内光照强度变化导数阈值,当两个导数中任意一个超出其对应的阈值则判定为一次潜在包装开启。与运动状态粗筛选类似;
第二种情况,在货物承压检测中,主要根据其静态绝对数值,故取一个合理的较小的数值作为阈值实现粗筛选。与运动状态粗筛选类似。
初筛后的潜在异常数据可通过以下的步骤进行处理和识别,从而实现对异常状况的上报。本发明中,对不同种类的物流环境数据具体可按照以下几种方式分别进行智能识别。
S.1针对货物异常运动状态所进行的异常的物流操作和运输环境智能识别:
目的:智能化判别出物流过程中是否有物流操作和运输环境异常情况发生并识别出异常物流操作和运输环境的类型。以此评估物流操作和运输环境的水平,为物流企业管理和自查、监管部门监督、高价值物品保险保价定价等工作提供数据支持。
适用范围:各类货物,特别是高价值、易碎货物。
数据源:货物的三轴加速度数据(三轴角加速度数据)。
流程:
(S-1-1)采集各种异常的物流操作和异常的运输状况下的加速度数据,并对数据人工标注标签。构建样本规模足够的数据集用于训练神经元网络。
(S-1-2)对采集到的数据进行双向的阈值截取,即按照时间顺序正向从先到后找到第一个超过阈值的采样点,然后反向从后到前找到第一个超过阈值的采样点,两个采样点间的数据被截取,该部分数据即加速度数值出现异常波动的部分。
(S-1-3)将样本数据进行补长,使所有样本对应时长相等,补齐方法可以在数据末尾补0填充或补充货物稳态时的数据均可,这个操作仅在数据识别过程中临时存储。
(S-1-4)对补齐后的样本添加时间窗,时间窗的尺寸可以设置为0.1秒,最终得到n个时间窗。
(S-1-5)分别在每个时间窗内提取三轴加速度和角加速度的均值、方差等m种传统特征,实现对原始数据的压缩。每个样本得到一个3轴×n个时间窗×m种特征的传统特征矩阵。
(S-1-6)将采集到的带有标签的样本划分为两部分,一部分用于神经元模型的训练,一部分用于神经元模型的测试。
(S-1-7)神经元模型中(见图6),每个样本按时间窗顺序分为n个形如3轴×1时间窗×m种特征的矩阵,分别作为带有通道注意力机制的CNN-GRU模型每个时间窗子网络的输入。
(S-1-8)在每个子网络中,利用通道注意力机制实现对m种特征的加权,在通道注意力机制中,权重是可学习的,一种典型的实现形式见图7,其中涉及的全局平均池化计算方式见式1(式1中,p和q分别表示通道内矩阵的长和宽,xi表示矩阵内元素),全连接层计算方法见式2-式3(式2是以3层为例的全连接网络的正向计算公式,y1j,y2j和y3分别表示全连接网络第一、第二层和输出层的输出值,f()表示激活函数,w表示权重,b表示偏置;式3是全连接网络误差反向传播的基本机理公式即链式导数,E是网络输出与预期的误差,δ表示局部梯度),利用CNN对三轴空间抽象特征进行再提取(卷积神经元网络主要机理见式4,式中convi表示卷积输出,p和q分别表示通道内矩阵的长和宽,wi表示权重,xi表示矩阵内元素,反向传播的基本原理同全连接网络类似),利用GRU对n个时间窗按照时序进行串联,并对时间序列依赖性抽象特征进行再提取(GRU结构见图5,其机理见式5,式中rt是t时刻的重置门,zt是t时刻的更新门,Ht-1是t-1时刻GRU单元的输出,Ht是t时刻GRU单元的输出,H’t是t时刻GRU的一个内隐状态值,各式中的W和b分别表示重置门、更新门、内隐状态的权重和偏置,其反向过程的基本原理也是链式求导)。利用一组全连接网络实现最终的模式识别。对于模式识别全连接网络部分的最后一个全连接层,应包含cls个(若分为cls种异常类别)神经元,并使用Softmax函数(见下式6,式中si为第i个神经元输出经过softmax激活得到的结果,zi为第i个神经元的输出,它将神经元输出映射为概率值,因此s1+s2+...+sy=1。
注:在训练过程中,优化函数可以使用神经元网络常用的优化器,如Adam,Momentum,SGD(Stochastic Gradient Descent)等,以Adam为宜。另外可采用衰减学习率、前停止等方法避免过拟合、欠拟合等情况,提高模型识别效果。Adam的伪代码如下:
实施例:以小件速运包裹操作异常识别为例(设仅使用三轴加速度,采样频率设置为6400Hz)
(S-1-1)若将小件速运包裹操作异常分为跌落、足踢、抛扔三种,再包括部分正常样本,因此识别对象总共分为4类。一般情况下,每种类别应不少于100个样本,样本越多,神经元模型分类效果越好,假设数据集样本总数为1000个。每个样本从任意一轴加速度超过3g开始记录,记录数据的时长应不少于5秒,以5秒为例。
(S-1-2)对潜在异常样本进行双向截取,截取出加速度波动的数据部分。对于三轴加速度读,正向截取阈值可以设置为3g,反向阈值可以设置为2g,任意一轴加速度超过阈值则触发截取。传感器集成的数据采集终端将截取后的数据记录并上传至服务器,此时各个样本的数据不等长。
(S-1-3)在服务器端对数据进行补长,统一补齐为不少于3s的数据,以3s为例,则样本应包含19200个采样点。
(S-1-4)为样本数据加时间窗口,时间窗口尺度为0.1s,即划分为30个时间窗。
(S-1-5)在每个时间窗内分别提取传统特征,设特征种类为4种分别为均值、方差、标准差、最大值(计算公式见式7-式10),则每个样本将会得到一个3轴×30个时间窗×4种特征的特征表达矩阵。
M=max{x1,x2,...,x640} (10)
(S-1-6)将采集到的4种类别的样本集合打乱顺序,按照70%用于神经元模型训练,30%用于神经元模型测试的比例进行分配,即700个样本用于训练,300个样本用于测试。
(S-1-7)神经元模型的训练和测试:每个样本按照时间顺序,被划分为30个3×1×4的矩阵,作为带有通道注意力机制的CNN-GRU模型的30个子网络的输入。将3×1分别视作CNN网络输入的长和宽,将4视作CNN网络的通道。子网络的结构示例见图7,利用通道注意力机制为4种特征对应的通道赋予可学习的权重,利用CNN网络中的1维卷积核提取三轴抽象特征。利用GRU网络将CNN网络提取后的每个时间窗内的抽象空间特征从时间维度进行串联并提取时间依赖性抽象特征,见图8。最后通过全连接网络实现模式识别,见图9。全连接网络最后一层应为一个神经元个数为4且用softmax函数激活的全连接层。全连接网络中的dropout层是一个为了避免过拟合而设计的层,实际上它的作用是在一次参数更新中使一定比例的神经元放弃更新,从而缓解过拟合。在该实施例中使用到的tanh激活函数,ReLU激活函数和sigmoid激活函数的公式见下式11-13。
(S-1-8)神经元网络的预测:对于不带标签的新样本,将其经过实施例中步骤(S-1-2)-(S-1-5)的处理后,送入带有通道注意力机制的CNN-GRU神经元网络,得到一个该样本属于4种操作的概率的向量。以此作为识别结果,录入数据库。
S.2针对货物异常的运动状态所进行的3D可视化模拟图像输出:
目的:对异常物流操作和运输状态的补充,将货物异常运动状态更直观的展示。
适用范围:货物异常运动状态的3D可视化模拟适用于各种货物。
数据源:货物异常运动状态的3D可视化模拟的数据源包括货物外尺寸、运动状态数据(三轴加速度、三轴角加速度)、位姿数据(地磁数据)。
流程:
(S-2-1)根据货物外尺寸,对货物进行3D建模,得到货物3D仿真模型。
(S-2-2)根据经纬度、海拔方向建立3维欧式坐标空间,以运动状态初始时间货物质心作为坐标原点。
(S-2-3)利用位姿数据,确定货物的初始位姿。
(S-2-4)利用三轴直线加速度的二重积分计算新的质心(下式14),利用三轴角加速度的二重积分(下式15)计算新的位姿。并用地磁位姿进行校准。
(S-2-5)最终得到运动状态异常时间段内货物运动的3D可视化模拟。
实施例:以外包装尺寸为80cm×50cm×30cm的货物的3D可视化模拟为例。
(S-2-1)在仿真系统中绘制一个80cm×50cm×30cm的长方体。
(S-2-2)以经纬度方向为x轴和y轴,以海拔方向为z轴;以货物初始质心位置为原点建立三维直角坐标系。利用地磁数据确定货物初始位姿。
(S-2-3)利用公式2和3计算一个时间序列中,每个时间点货物的位置及姿态。
(S-2-4)将各个时间点货物的位置、姿态按照时间连接,即可得到货物3D可视化动态模拟如图10所示。
S.3针对货物温湿度异常所进行的识别和上报:
目的:对物流环境中的温湿度异常情况进行识别,并结合识别结果预估出货物因此而产生的损失情况。
适用范围:对环境温湿度敏感的货物,如果蔬、生鲜、粉针剂药品等。
数据源:货物所处环境的温湿度数据
流程:
提前在实验室环境下进行测试建立形如表1的温湿度-时间-货物损失率表格。对于一种货物将得到初始损失率在不同区间下的温湿度-时间-货物损失率表。
表1.在初始损失率在区间p的情况下,温湿度-时间-货物损失率表格
在货物温湿度出现异常时,将数据代入表格中进行迭代。具体做法如下:
(S-3-1)代入初始损失率区间表,确定温湿度区间a,累计时间t,计算货物损失率μ,如果温湿度变化超过当前区间a而进入区间b,则转(S-3-2),否则持续累计计算损失率直到温湿度恢复正常,或物流过程终止。
(S-3-2)找到初始损失率区间包括温湿度从区间a转为区间b时的货物损失率μa-b对应的表格,按照温湿度区间b继续累计货物损失率。如再出现温湿度区间变化,则重复类似(S-3-2)操作,否则持续累计计算损失率直到温湿度恢复正常,或物流过程终止。
实施例:以某种温湿度-时间-货物损失率情况如下表2的货物,温湿度先经历25±5℃,40±10%RH2个小时,然后经历25±5℃,60±10%RH3个小时为例
表2-1在初始损失率在货物正常损耗区间的情况下,温湿度-时间-货物损失率表格
表2-2在初始损失率在区间A的情况下,温湿度-时间-货物损失率表格
表2-3到表2-n在初始损失率在区间B,C,D,E...的情况下,温湿度-时间-货物损失率表格。形同表2-1和表2-2。
(S-3-1)温湿度超出粗筛选阈值,开始计算损失率。
(S-3-2)货物在15±5℃,40±10%RH条件下,持续2小时,查找表格2-1对应行列找到C02。
(S-3-3)找到区间A,使C02∈A。其对应温湿度-时间-货物损失率表格为表2-2。货物在25±5℃,60±10%RH条件下,持续3个小时,查找表格2-2对应行列找到Ca12。则Ca12为预估的货物损失率期望。
注:以上过程在计算机中以矩阵形式表示,通过相应的逻辑判断实现。为便于测量和计算,上述损失率可以定义为实际损失率与理想损失率的损失率差值,直接用该损失率差值衡量异常。
S.4针对货物异常开启所进行的检测:
目的:出于保护货主隐私、保证运输包装完整的目的对货物异常开启进行检测,异常开启主要指物流服务人员在未经货主同意下私自拆封或货物封装不牢出现开启等情况。
适用范围:运输包装无防盗、防开启功能的货物,典型例子如瓦楞纸箱承装的货物。
数据源:货物异常开启检测的数据源包括光照强度数据和货物密封处压力数据。
流程:(原理)在货物开启时,包装内部光照强度及包装密封处压力数据会有突变。
(S-4-1)计算光照强度和货物密封处压力与时间的导数。由于数据使用传感器采集得到,属于离散数据,所以导数可以近似使用下式16得到。
(S-4-2)考虑到物流环境的多样性,如昏暗的环境光照强度突变不明显或一些特殊的封装形式不支持压力数据采集,所以当光照强度和密封处压力任一数值出现突变超出阈值即认定为货物被开启。
伪代码如下:
if dI≥TdI or dF≥TdF
警告异常
else
不警告
end if
S.5针对货物异常承压所进行的检测:
目的:检测货物堆码是否造成货物被过度挤压。
适用范围:各种货物,特别是易碎品。
数据源:货物的承受压力数据。
流程:
对于不同货物,货物承压超过其许用最大承压的85%即认定为其承压异常。货物最大承压可以通过测试不同压力下货物是否出现损坏进行测定,对于一些货物这些数据在出厂时已知
S.6针对货物异常的光照状态所进行的检测:
目的:检测货物储存、运输环境光强度是否超过容许范围。
适用范围:光敏感性的货物,如化学品、鲜花等。
数据源:货物的光照强度数据。
流程:
对于不同的光敏感性货物,其许用的运输、存储光照条件不同,根据其许用的光照强度范围确定阈值,当货物光照强度超出异常情况,则认定为异常,否则为正常。
在完成上述对货物包裹不同物流环境数据所进行的异常监测后,本发明可进一步通过以下的方式对异常结果进行汇总,使其与异常状况发生时间和异常状况发生地点的地理信息进行匹配,从而相应输出完整物流信息:
在对货物进行了全方位的异常检测后,将异常识别结果与异常发生的时间、地理信息进行匹配,确定货物在何时、何地发生何种异常。这些记录被录入数据库,数据库一方面可以汇总大数据对行业、企业服务水平进行评价,为物流自动化设备设计、运输包装设计提供大数据支持,另一方面,可以供用户进行查询,提升物流服务的透明性。用户查询界面见图11。
以上仅为本发明的实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些均属于本发明的保护范围。
Claims (9)
1.一种物流环境检测识别系统,其特征在于,包括:
数据采集终端,其被固定在货物的包裹上,各所述数据采集终端分别集成有或连接有若干组传感器,用于分别通过不同类型的传感器采集获取货物包裹在物流过程中的各类物流环境数据,所述数据采集终端还用于对各类所述物流环境数据分别以预设的第一阈值范围进行筛选,存储并上传超出第一阈值范围的所述物流环境数据;
服务器,其分别与各所述数据采集终端无线通讯连接,用于接收各所述数据采集终端所上传的超出第一阈值范围的物流环境数据,所述服务器还用于分别根据各物流环境数据的类别调用与之相匹配的异常识别单元,对该物流环境数据进行分析,获得异常识别分析结果,将所述异常识别分析结果以及对应的异常状况发生时间和异常状况发生地点进行匹配和汇总,录入数据库;
所述数据库,其与服务器通讯连接,用于存储并更新各货物包裹的异常识别分析结果以及对应的异常状况发生时间和异常状况发生地点;
用户终端设备,其分别按照不同的用户类型配备有不同权限等级,用于在权限等级所允许的范围内,与所述数据库交互,获取并显示用户所需查询的货物包裹信息、该货物包裹所对应的异常识别分析结果以及对应的异常状况发生时间和异常状况发生地点。
2.如权利要求1所述的物流环境检测识别系统,其特征在于,所述数据采集终端被固定在货物的包裹内,所述数据采集终端中集成有或连接有以下传感器中的任意一种或其组合:
三轴加速度传感器、三轴角加速度传感器、陀螺仪、三轴地磁传感器、温度传感器、湿度传感器、光照强度传感器、压力传感器、GPS模块;
其中,所述三轴加速度传感器及所述陀螺仪的采样频率不低于1600Hz,所述三轴地磁传感器的采样频率不低于30Hz,所述温度传感器、所述湿度传感器的采样频率不低于0.1Hz,所述光照强度传感器的采样频率不低于60Hz,所述压力传感器的采样频率不低于60Hz。
3.如权利要求1-2所述的物流环境检测识别系统,其特征在于,所述第一阈值范围设置为[130%*A,70%*B],其中,[A,B]表示货物物流过程中所允许的对应类别物流环境数据的数值范围。
4.如权利要求1-3所述的物流环境检测识别系统,其特征在于,所述异常识别单元内设置有:带有通道注意力机制的CNN-GRU神经元模型,以及全连接网络;
所述CNN-GRU神经元模型其利用CNN卷积神经元网络对由物流环境数据经过双向阈值截取、补长和添加时间窗处理后所获得的抽象特征进行再提取,还利用GRU对各时间窗按照时序进行串联,并对时间序列依赖性抽象特征进行再提取;
所述全连接网络用于实现最终的模式识别,所述全连接网络的最后一个全连接层所包含的神经元数量等于异常状况的类别数量,并且,该最后一个全连接层为使用Softmax函数激活的密集连接层。
5.一种物流环境检测识别方法,其特征在于,用于如权利要求1-4所述的物流环境检测识别系统,其对物流环境进行检测识别的具体步骤包括:
第一步,由分别被固定在各货物包裹上的数据采集终端分别采集获取货物包裹在物流过程中的各类物流环境数据;
第二步,各所述数据采集终端分别对其所采集的各类所述物流环境数据按照预设的第一阈值范围进行筛选,存储并上传超出第一阈值范围的所述物流环境数据;
第三步,服务器接收各所述数据采集终端所上传的超出第一阈值范围的物流环境数据,并分别根据各物流环境数据的类别调用与之相匹配的异常识别单元,分别对各物流环境数据进行分析,获得异常识别分析结果;
第四步,所述服务器将所述异常识别分析结果以及对应的异常状况发生时间和异常状况发生地点进行匹配和汇总,录入数据库;
在用户终端设备请求时,所述数据库分别按照该用户终端设备所具有的权限等级,在该权限等级所允许的范围内,输出并供所述用户终端设备显示用户所需查询的货物包裹信息、该货物包裹所对应的异常识别分析结果以及对应的异常状况发生时间和异常状况发生地点。
6.如权利要求5所述的物流环境检测识别方法,其特征在于,所述服务器中的异常识别单元包括:
货物异常运动状态识别单元,用于通过带有通道注意力机制的CNN-GRU神经元模型对由物流环境数据经过双向阈值截取、补长和添加时间窗处理后所获得的抽象特征进行再提取,利用GRU对各时间窗按照时序进行串联并对时间序列依赖性抽象特征进行再提取,最后由所述全连接网络进行最终的模式识别,上报货物运动异常状况的类别、异常状况发生时间和异常状况发生地点;
货物运动状态可视化单元,用于根据货物包裹的外尺寸、以及货物包裹的运动状态数据、位姿数据,直观地以图像方式展示货物的异常运动状态;
货物温湿度异常状态识别单元,用于根据温湿度-时间-货物损失率之间的参数关系持续累计计算并上报货物的损失量,直至温湿度恢复正常,或物流过程终止;
货物异常开启检测单元,用于根据货物光照强度和承压的物流环境数据的变化情况,在光照强度或承压数据中的任意一个发生突变时,判断货物被开启,记录并上报货物被开启的时间和位置;
货物承压检测单元,用于在货物承压的物流环境数据超出预设的最大承压值的85%时,上报承压异常,其中,所述最大承压值通过测试不同压力下货物是否出现损坏进行测定或直接由货物寄出方进行标记;
货物光照异常检测单元,用于在货物光照强度的物流环境数据超出阈值范围时上报光照强度异常,否则判断货物光照强度为正常。
7.如权利要求5-6所述的物流环境检测识别方法,其特征在于,所述货物异常运动状态识别单元中,所述CNN-GRU神经元模型具体通过以下步骤训练获得:
步骤a1,采集各种异常的物流操作和异常的运输状况下的加速度数据,并人工对数据标注上标签,对采集到的数据进行双向的阈值截取,获得加速度数值出现异常波动的部分;
步骤a2,对样本的加速度数据进行补长,使所有样本对应时长相等,对补齐后的样本添加时间窗,得到n个时间窗;
步骤a3,分别在每个时间窗内提取三轴加速度和角加速度的均值、方差的特征,得到包含3轴、若干时间窗以及若干种特征的传统特征矩阵;
步骤a4,在神经元模型中,输入上述传统特征矩阵,并按照神经元模型输出结果与预期的误差进行反向传播运算,并通过Adam、Momentum、SGD的优化函数迭代更新CNN-GRU神经元模型中的各参数,直至CNN-GRU神经元模型输出的概率值与标签一致。
8.如权利要求5-6所述的物流环境检测识别方法,其特征在于,所述货物运动状态可视化单元具体按照以下步骤直观地以图像方式展示货物的异常运动状态:
步骤b1,根据货物包裹的外尺寸,对货物包裹进行3D建模,得到货物包裹的3D仿真模型;
步骤b2,根据经度、纬度和海拔建立3维欧式坐标空间,并以货物包裹在运输初始时间下的质心位置作为该欧式坐标空间的坐标原点;
步骤b3,利用三轴地磁传感器所获得的位姿数据确定货物的初始位姿,利用三轴加速度传感器的数据进行二重积分获得运输过程中货物质心的位置坐标,利用三轴角加速度传感器的数据进行二重积分获得运输过程中货物的位姿,并用三轴地磁传感器所获得的位姿数据进行校准;
步骤b4,根据步骤b3中所计算获得的货物质心的位置坐标以及货物的位姿,在所述欧式坐标空间内相应移动所述货物包裹的3D仿真模型,展示货物的异常运动状态。
9.如权利要求5-6所述的物流环境检测识别方法,其特征在于,所述货物温湿度异常状态识别单元具体按照以下步骤持续累计计算并上报货物的损失量:
步骤c1,根据货物运输中温度传感器和湿度传感器所采集获得的温湿度物流环境数据,查找温湿度-时间-货物损失率之间的参数关系表格中对应该温湿度物流环境数据档位下的货物的损失率;
步骤c2,根据该损失率累计计算货物的损失量;
步骤c3,在货物运输中温度传感器和湿度传感器所采集获得的温湿度物流环境数据跳转至温湿度-时间-货物损失率之间参数关系表格的其他温湿度物流环境数据档位时,以该档位下的货物的损失率继续累计计算货物的损失量,直至温湿度恢复正常或物流过程终止;
其中,所述温湿度-时间-货物损失率之间的参数关系表格提前在实验室环境下测试获得。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011193919.9A CN112325936B (zh) | 2020-10-30 | 2020-10-30 | 一种物流环境检测识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011193919.9A CN112325936B (zh) | 2020-10-30 | 2020-10-30 | 一种物流环境检测识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112325936A true CN112325936A (zh) | 2021-02-05 |
CN112325936B CN112325936B (zh) | 2023-01-24 |
Family
ID=74297632
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011193919.9A Active CN112325936B (zh) | 2020-10-30 | 2020-10-30 | 一种物流环境检测识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112325936B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113240141A (zh) * | 2021-06-16 | 2021-08-10 | 重庆电子工程职业学院 | 基于无线传感器网络的快递安防监控系统 |
CN113392881A (zh) * | 2021-05-27 | 2021-09-14 | 重庆大学 | 一种基于迁移学习的旋转机械故障诊断方法 |
CN113537881A (zh) * | 2021-07-07 | 2021-10-22 | 深圳市易流科技股份有限公司 | 一种物流信息监控方法及系统 |
CN113792484A (zh) * | 2021-09-07 | 2021-12-14 | 珠海格力电器股份有限公司 | 货物冲击姿态模型构建方法和平台 |
CN113793097A (zh) * | 2021-09-07 | 2021-12-14 | 珠海格力电器股份有限公司 | 一种货物运输风险的分析方法及系统 |
CN115164993A (zh) * | 2022-07-26 | 2022-10-11 | 正人智慧科技(苏州)有限公司 | 一种泵房环境温湿度监测预警方法和系统 |
CN115685932A (zh) * | 2022-10-31 | 2023-02-03 | 青岛家哇云网络科技有限公司 | 基于大数据的物流信息智能管理系统及方法 |
Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101834982A (zh) * | 2010-05-28 | 2010-09-15 | 上海交通大学 | 基于多模态的暴力视频分层筛选方法 |
CN103049838A (zh) * | 2012-12-26 | 2013-04-17 | 华中科技大学 | 基于有限状态机的包裹运输状态监控方法 |
CN103287359A (zh) * | 2013-04-25 | 2013-09-11 | 华南农业大学 | 一种纯电动汽车能耗检测方法 |
CN106228002A (zh) * | 2016-07-19 | 2016-12-14 | 北京工业大学 | 一种基于二次筛选的高效率异常时序数据提取方法 |
CN106529881A (zh) * | 2016-11-21 | 2017-03-22 | 山东省计算中心(国家超级计算济南中心) | 物流货物跟踪监测装置及方法 |
WO2019028443A1 (en) * | 2017-08-03 | 2019-02-07 | Overhaul Group, Inc. | MONITORING SYSTEM AND METHOD FOR MONITORING AND ASSURING SHIPPING SECURITY |
CN109341763A (zh) * | 2018-10-10 | 2019-02-15 | 广东长盈科技股份有限公司 | 一种基于物联网的运输数据采集系统及方法 |
CN109409807A (zh) * | 2018-11-08 | 2019-03-01 | 四川坤翔科技有限公司 | 一种大数据物流管理平台 |
CN109426202A (zh) * | 2017-09-01 | 2019-03-05 | 青岛大数华创科技有限公司 | 一种多功能货物运输监控系统 |
CN109473120A (zh) * | 2018-11-14 | 2019-03-15 | 辽宁工程技术大学 | 一种基于卷积神经网络的异常声音信号识别方法 |
CN109523993A (zh) * | 2018-11-02 | 2019-03-26 | 成都三零凯天通信实业有限公司 | 一种基于cnn与gru融合深度神经网络的语音语种分类方法 |
CN109857025A (zh) * | 2019-02-11 | 2019-06-07 | 北京印刷学院 | 一种快件在途状态监测系统 |
CN109947007A (zh) * | 2018-11-16 | 2019-06-28 | 浙江大学 | 一种基于多传感器融合的物流状态监控方法及系统 |
CN110097123A (zh) * | 2019-05-05 | 2019-08-06 | 北京印刷学院 | 一种快件物流过程状态检测多分类系统 |
CN110110785A (zh) * | 2019-05-05 | 2019-08-09 | 北京印刷学院 | 一种快件物流过程状态检测分类方法 |
US20190250653A1 (en) * | 2018-02-12 | 2019-08-15 | Overhaul Group, Inc. | Monitoring and ensuring proper ambient conditions, including chemical balance, within a shipping medium used for transporting ambient-condition sensitive goods |
CN110135788A (zh) * | 2019-05-26 | 2019-08-16 | 浙江大学 | 一种冷链物流运输设备、冷链物流系统及货物动态定价方法 |
CN110555479A (zh) * | 2019-09-05 | 2019-12-10 | 北京工业大学 | 基于1dcnn与gru融合的故障特征学习与分类方法 |
CN110597240A (zh) * | 2019-10-24 | 2019-12-20 | 福州大学 | 一种基于深度学习的水轮发电机组故障诊断方法 |
CN110610158A (zh) * | 2019-09-16 | 2019-12-24 | 南京师范大学 | 一种基于卷积和门控循环神经网络的人体姿态识别方法及系统 |
CN110807365A (zh) * | 2019-09-29 | 2020-02-18 | 浙江大学 | 一种基于gru与一维cnn神经网络融合的水下目标识别方法 |
CN111241597A (zh) * | 2020-02-27 | 2020-06-05 | 陕西科技大学 | 一种基于区块链的在途货物状态监测系统、装置及方法 |
CN111340156A (zh) * | 2020-02-14 | 2020-06-26 | 天津知途物联科技有限公司 | 一种货物运输信息监测系统、监测仪及货物运输信息隔箱监测方法 |
CN111626667A (zh) * | 2020-05-15 | 2020-09-04 | 中储南京智慧物流科技有限公司 | 一种用于车货在线配载的智能配对方法 |
-
2020
- 2020-10-30 CN CN202011193919.9A patent/CN112325936B/zh active Active
Patent Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101834982A (zh) * | 2010-05-28 | 2010-09-15 | 上海交通大学 | 基于多模态的暴力视频分层筛选方法 |
CN103049838A (zh) * | 2012-12-26 | 2013-04-17 | 华中科技大学 | 基于有限状态机的包裹运输状态监控方法 |
CN103287359A (zh) * | 2013-04-25 | 2013-09-11 | 华南农业大学 | 一种纯电动汽车能耗检测方法 |
CN106228002A (zh) * | 2016-07-19 | 2016-12-14 | 北京工业大学 | 一种基于二次筛选的高效率异常时序数据提取方法 |
CN106529881A (zh) * | 2016-11-21 | 2017-03-22 | 山东省计算中心(国家超级计算济南中心) | 物流货物跟踪监测装置及方法 |
WO2019028443A1 (en) * | 2017-08-03 | 2019-02-07 | Overhaul Group, Inc. | MONITORING SYSTEM AND METHOD FOR MONITORING AND ASSURING SHIPPING SECURITY |
CN109426202A (zh) * | 2017-09-01 | 2019-03-05 | 青岛大数华创科技有限公司 | 一种多功能货物运输监控系统 |
US20190250653A1 (en) * | 2018-02-12 | 2019-08-15 | Overhaul Group, Inc. | Monitoring and ensuring proper ambient conditions, including chemical balance, within a shipping medium used for transporting ambient-condition sensitive goods |
CN109341763A (zh) * | 2018-10-10 | 2019-02-15 | 广东长盈科技股份有限公司 | 一种基于物联网的运输数据采集系统及方法 |
CN109523993A (zh) * | 2018-11-02 | 2019-03-26 | 成都三零凯天通信实业有限公司 | 一种基于cnn与gru融合深度神经网络的语音语种分类方法 |
CN109409807A (zh) * | 2018-11-08 | 2019-03-01 | 四川坤翔科技有限公司 | 一种大数据物流管理平台 |
CN109473120A (zh) * | 2018-11-14 | 2019-03-15 | 辽宁工程技术大学 | 一种基于卷积神经网络的异常声音信号识别方法 |
CN109947007A (zh) * | 2018-11-16 | 2019-06-28 | 浙江大学 | 一种基于多传感器融合的物流状态监控方法及系统 |
CN109857025A (zh) * | 2019-02-11 | 2019-06-07 | 北京印刷学院 | 一种快件在途状态监测系统 |
CN110097123A (zh) * | 2019-05-05 | 2019-08-06 | 北京印刷学院 | 一种快件物流过程状态检测多分类系统 |
CN110110785A (zh) * | 2019-05-05 | 2019-08-09 | 北京印刷学院 | 一种快件物流过程状态检测分类方法 |
CN110135788A (zh) * | 2019-05-26 | 2019-08-16 | 浙江大学 | 一种冷链物流运输设备、冷链物流系统及货物动态定价方法 |
CN110555479A (zh) * | 2019-09-05 | 2019-12-10 | 北京工业大学 | 基于1dcnn与gru融合的故障特征学习与分类方法 |
CN110610158A (zh) * | 2019-09-16 | 2019-12-24 | 南京师范大学 | 一种基于卷积和门控循环神经网络的人体姿态识别方法及系统 |
CN110807365A (zh) * | 2019-09-29 | 2020-02-18 | 浙江大学 | 一种基于gru与一维cnn神经网络融合的水下目标识别方法 |
CN110597240A (zh) * | 2019-10-24 | 2019-12-20 | 福州大学 | 一种基于深度学习的水轮发电机组故障诊断方法 |
CN111340156A (zh) * | 2020-02-14 | 2020-06-26 | 天津知途物联科技有限公司 | 一种货物运输信息监测系统、监测仪及货物运输信息隔箱监测方法 |
CN111241597A (zh) * | 2020-02-27 | 2020-06-05 | 陕西科技大学 | 一种基于区块链的在途货物状态监测系统、装置及方法 |
CN111626667A (zh) * | 2020-05-15 | 2020-09-04 | 中储南京智慧物流科技有限公司 | 一种用于车货在线配载的智能配对方法 |
Non-Patent Citations (8)
Title |
---|
AO DING 等: "Recognition method research on rough handling of express parcels based on acceleration features and CNN", 《MEASUREMENT》 * |
丁奥 等: "一种基于传感器的快件物流过程检测方法及配套系统设计", 《物流技术》 * |
夏晶等: "公路运输统计指标数据质量评估方法研究", 《交通运输研究》 * |
孔子迁 等: "基于时频融合和注意力机制的深度学习行星齿轮箱故障诊断方法", 《仪器仪表学报》 * |
尹紫红等: "铁路超重货物运输下轨道路基的静态响应", 《铁道建筑》 * |
李旭东等: "基于三尺度嵌套残差结构的交通标志快速检测算法", 《计算机研究与发展》 * |
陆百川等: "基于时空特性和灰色残差的交通故障数据诊断与修复", 《重庆交通大学学报(自然科学版)》 * |
陈跃等: "基于指数模型的危险货物道路运输风险评价与管理研究", 《公路交通科技》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113392881A (zh) * | 2021-05-27 | 2021-09-14 | 重庆大学 | 一种基于迁移学习的旋转机械故障诊断方法 |
CN113240141A (zh) * | 2021-06-16 | 2021-08-10 | 重庆电子工程职业学院 | 基于无线传感器网络的快递安防监控系统 |
CN113537881A (zh) * | 2021-07-07 | 2021-10-22 | 深圳市易流科技股份有限公司 | 一种物流信息监控方法及系统 |
CN113792484A (zh) * | 2021-09-07 | 2021-12-14 | 珠海格力电器股份有限公司 | 货物冲击姿态模型构建方法和平台 |
CN113793097A (zh) * | 2021-09-07 | 2021-12-14 | 珠海格力电器股份有限公司 | 一种货物运输风险的分析方法及系统 |
CN113792484B (zh) * | 2021-09-07 | 2024-02-27 | 珠海格力电器股份有限公司 | 货物冲击姿态模型构建方法和平台 |
CN113793097B (zh) * | 2021-09-07 | 2024-04-26 | 珠海格力电器股份有限公司 | 一种货物运输风险的分析方法及系统 |
CN115164993A (zh) * | 2022-07-26 | 2022-10-11 | 正人智慧科技(苏州)有限公司 | 一种泵房环境温湿度监测预警方法和系统 |
CN115685932A (zh) * | 2022-10-31 | 2023-02-03 | 青岛家哇云网络科技有限公司 | 基于大数据的物流信息智能管理系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112325936B (zh) | 2023-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112325936B (zh) | 一种物流环境检测识别方法及系统 | |
CN105181898B (zh) | 基于大密度部署传感器的大气污染监控及管理方法及系统 | |
De Paz et al. | Combining case-based reasoning systems and support vector regression to evaluate the atmosphere–ocean interaction | |
CN106327520A (zh) | 一种运动目标检测方法及系统 | |
CN110673206B (zh) | 一种基于非负矩阵分解的卫星磁场数据地震异常检测方法 | |
CN113269500B (zh) | 一种基于神经网络的冷链物流监控方法及系统 | |
Alharam et al. | Real time AI-based pipeline inspection using drone for oil and gas industries in Bahrain | |
KR20180058194A (ko) | 물류정보 처리 방법 및 이를 이용하는 물류정보 처리 서버, 물류 관리 장치 | |
CN114037907A (zh) | 输电线路的检测方法、装置、计算机设备、存储介质 | |
Pullman et al. | Applying deep learning to hail detection: A case study | |
CN110532974B (zh) | 基于深度学习的高分辨率遥感地质灾害信息自动提取方法 | |
US20200117840A1 (en) | Injection of simulated sources in a system of networked sensors | |
EP3648029A1 (en) | Method and system for cargo management | |
CN111191594A (zh) | 一种基于多源卫星数据的云底高度反演方法及系统 | |
Nekoee et al. | Thermal anomaly detection using NARX neural network method to estimate the earthquake occurrence time | |
CN110197381A (zh) | 基于农业物联网综合服务管理系统的可追溯信息处理方法 | |
Aung et al. | Quality monitoring and dynamic pricing in cold chain management | |
US20200349506A1 (en) | Method and system for predicting extent of loss | |
Menaka et al. | Enhanced missing object detection system using YOLO | |
Anush et al. | Bottle line detection using digital image processing with machine learning | |
CN113688506B (zh) | 基于微站等多维数据的潜在大气污染源识别方法 | |
Sun et al. | Robust bivariate error detection in skewed data with application to historical radiosonde winds | |
CN109087041B (zh) | 储物仓内的物流大数据智能采集方法 | |
Pumpong et al. | Building detection in airports through remote sensing image using YOLOv3 with Jet Saliency map | |
Bocca et al. | Developing data fusion systems devoted to security control in port facilities |
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 |