CN113269500B - 一种基于神经网络的冷链物流监控方法及系统 - Google Patents

一种基于神经网络的冷链物流监控方法及系统 Download PDF

Info

Publication number
CN113269500B
CN113269500B CN202110665480.3A CN202110665480A CN113269500B CN 113269500 B CN113269500 B CN 113269500B CN 202110665480 A CN202110665480 A CN 202110665480A CN 113269500 B CN113269500 B CN 113269500B
Authority
CN
China
Prior art keywords
temperature
low
frozen product
monitoring
cold
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.)
Active
Application number
CN202110665480.3A
Other languages
English (en)
Other versions
CN113269500A (zh
Inventor
潘红斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Jialida International Logistics Co ltd
Original Assignee
Jiangsu Jialida International Logistics Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu Jialida International Logistics Co ltd filed Critical Jiangsu Jialida International Logistics Co ltd
Priority to CN202110665480.3A priority Critical patent/CN113269500B/zh
Publication of CN113269500A publication Critical patent/CN113269500A/zh
Application granted granted Critical
Publication of CN113269500B publication Critical patent/CN113269500B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/08—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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Marketing (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种物流监控的技术领域，揭露了一种基于神经网络的冷链物流监控方法，包括：利用传感器实时获取低温冷冻品的温度和湿度，若短时间内低温冷冻品的温度和湿度具有较大变化，则进行安全警告；在物流仓库中设置若干摄像头，获取物流仓库的图像数据，采用高斯加权函数对所获取的图像数据进行主要目标框的检测；利用异常行为监测神经网络模型对所检测到的主要目标框进行异常行为监测，若监测到异常行为，则进行安全警告；利用位置传感器实时获取低温冷冻品的位置信息，对冷链物流运输路径进行监控，若冷链物流运输路径有误，则通过电话询问冷链物流员。本发明还提供了一种基于神经网络的冷链物流监控系统。本发明实现了冷链物流监控。

Description

一种基于神经网络的冷链物流监控方法及系统
技术领域
本发明涉及物流监控的技术领域，尤其涉及一种基于神经网络的冷链物流监控方法及系统。
背景技术
近年来，随着国民经济水平的提高，人们越来越注重食品的营养和健康，而低温冷冻品的需求量也日益增长，达到了质的变化。低温冷冻品具有鲜活易腐性等特点，因此采用冷链物流技术对低温冷冻品进行运输，保证其在每个环节都保持在低温环境下，从而保障低温冷冻品的质量安全。
同时传统物流监控方法功能较为单一，例如只能进行物流运输过程的监测，无法对不同环境下的冷链物流过程进行全面、实时、准确的监控，物流监控功能还需进一步完善和扩展。
鉴于此，如何对多维度的冷链物流过程进行监控，成为本领域技术人员亟待解决的问题。
发明内容
本发明提供一种基于神经网络的冷链物流监控方法，通过利用传感器实时获取低温冷冻品的温度，并在物流仓库运输中设置若干摄像头，获取物流图像数据，采用高斯加权函数对所获取的物流图像数据进行主要目标框的检测，并利用异常行为监测神经网络模型对所检测到的主要目标框进行异常行为监测；实时获取低温冷冻品的定位信息，对冷链物流运输过程进行监控。
为实现上述目的，本发明提供的一种基于神经网络的冷链物流监控方法，包括：
利用传感器实时获取低温冷冻品的温度和湿度，若短时间内低温冷冻品的温度和湿度具有较大变化，则进行安全警告；
在物流仓库中设置若干摄像头，获取物流仓库的图像数据，采用高斯加权函数对所获取的图像数据进行主要目标框的检测；
利用异常行为监测神经网络模型对所检测到的主要目标框进行异常行为监测，若监测到异常行为，则进行安全警告；
利用位置传感器实时获取低温冷冻品的位置信息，对冷链物流运输路径进行监控，若冷链物流运输路径有误，则通过电话询问冷链物流员。
可选地，所述利用传感器实时获取低温冷冻品的温度和湿度，包括：
利用传感器实时获取低温冷冻品的温度和湿度，在本发明一个具体实施例中，所述温度和湿度监测传感器的电压为3.5V，监测时电流为1.2mA，湿度的采集范围为80％，温度的采集精度为±2摄氏度；
将湿度和温度监测传感器放置于低温冷冻品表面，所述温度和湿度监测传感器利用温度监测元件以及电阻式湿度监测元件对低温冷冻品表面的温度和湿度进行监测，并将监测到的数字信号以40Bit/ms的速度发送到监控单元；
监控单元实时对所接收到的数字信号进行监测，若在时间间隔Δt范围内，低温冷冻品的温度变化为W摄氏度，或湿度变化为Sg/m3，则认为低温冷冻品的温度/湿度在短时间内发生较大变化，从而向物流管理者发起温度/湿度安全警告。
可选地，所述将数据发送到监控单元的流程为：
(1)数据发送方和监控单元通过TCP中的socket()函数建立数据通道套接字，监控单元通过bind()函数和数据发送方的后端服务器通信，将本地的通信地址和服务器进行地址绑定，同时设置listen()函数将通信链路自身状态设置为等待监听状态，实时对数据发送方的数据请求进行响应；
(2)当监控单元收到数据发送方的数据发送请求后，和数据发送方建立握手协议，数据发送方通过connect()函数发送数据通道建立请求，监控单元根据TCP协议调用accept()函数进行通道首尾套接字的创建，完成数据通道建立；
(3)数据发送方通过send()函数将数据信息通过数据通道，按照TCP协议完成数据通信，在通信过程中需要对数据信息进行编号处理和封装处理，通信完成后发送关闭通道请求，得到响应后关闭TCP链接；
(4)监控单元调用accept()函数确定关闭请求后，通过closesocket()函数关闭首尾套接字，并关闭TCP链接，完成数据发送方和监控单元的双端通信任务。
可选地，所述采用高斯加权函数对所获取的图像数据进行主要目标框的检测，包括：
在物流仓库设置若干摄像头，利用摄像头获取物流仓库的图像数据，在本发明一个具体实施例中，所述物流仓库的图像数据包括物流仓库中低温冷冻品的搬运、存储图像；并将物流仓库中的图像数据发送到监控单元；
所述监控单元采取滑动窗口对图像数据进行划分处理，将图像数据分为若干滑动窗口框；计算所有滑动窗口框的置信度得分，将置信度得分最高的滑动窗口框作为目标框M；
利用高斯加权函数对滑动窗口框进行主要目标框的监测，所述高斯加权函数为：
Figure BDA0003117206840000021
其中：
mi表示滑动窗口框i为主要目标框的置信度得分；
M表示最高的置信度得分所对应的目标框M；
si表示当前的滑动窗口框i；
IOU(M,si)表示滑动窗口框i与窗口框M的交并比；
Nt表示过滤阈值，将其设置为0.6；
Ni表示高斯阈值，将其设置为0.3；
若一个目标的目标框和某个滑动窗口框交并比大于设置的阈值Nt，那么就会将其置信度置于0，认为该滑动窗口框与目标框代表同一个目标，并将该滑动窗口框的置信度得分设置为0；
当滑动窗口框与目标框的交并比超过Ni，说明当前滑动窗口框与目标框M可能包含两个不同的目标，也可能是和M代表同一个目标，对滑动窗口框的置信度得分单调递减处理，与目标框M相邻很近的滑动窗口框衰减程度很大，而远离目标框M的滑动窗口框得分基本不变，避免了目标被遮挡从而被认为是背景的情况；
选择置信度得分最高的K个滑动窗口框以及目标框M作为主要目标框。在本发明一个具体实施例中，所述目标包括物流仓库中的低温冷冻品的装箱货物，以及处理装箱货物的工作人员。
可选地，所述利用异常行为监测神经网络模型对所检测到的主要目标框进行异常行为监测，包括：
1)将主要目标框压缩为400*400像素尺寸，并输入到特征提取网络中，采用Darknet-53特征提取网络对主要目标框进行5次下采样，得到13*13像素尺寸的特征图；
2)对特征图进行卷积处理，第一个卷积层的步幅为2，除了并行Inception分支中的最大池化层外，在最后一个线性分类层之前设置有四个具有步幅为2的最大池化层和一个7×7平均池化层；在本发明一个具体实施例中，卷积层使用1×1，3×3，7×7不同大小的卷积核对特征图进行卷积处理，所述不同大小的卷积核代表着不同大小的感受野，这些不同的特征在网络的最后进行了融合；所述特征融合公式为：
x′＝sum{x1,x2,…}
其中：
x′表示融合特征；
x1,x2,…表示不同卷积核的输出特征；
并将n×n的卷积核尺寸分解为1×n和n×1两个卷积，通过这种转化可以使计算量比之前减少33％，从而可以加快网络的运算速度，减弱了过拟合现象的发生；
3)对融合特征进行异常行为判断，若x′＝M＝{m1,m2,…}，则认为当前主目标框存在异常行为，并进行安全警告，其中M表示异常行为特征图集合，{m1,m2,…}表示训练得到的异常行为特征图，在本发明一个具体实施例中，所述异常行为包括拆封低温冷冻品、修改低温冷冻品标签等。
可选地，所述利用位置传感器实时获取低温冷冻品的位置信息，对冷链物流运输路径进行监控，包括：
利用位置传感器实时获取低温冷冻品的位置信息，并将低温冷冻品的位置信息发送到监控单元，所述低温冷冻品的位置信息为低温冷冻品在地图上的二维GPS定位点；
所述监控单元对低温冷冻品的位置信息进行预处理：
计算任意两个相邻时刻的位置信息距离，其中t2>t1：
Figure BDA0003117206840000031
其中：
(o1,a1)为t1时刻低温冷冻品的位置信息，其中o表示经度，a表示纬度；
(o2,a2)为t2时刻低温冷冻品的位置信息；
若d(t1,t2)>200，则说明t2时刻的GPS定位点超出变化时间Δt内运输车行驶的最大值，t2时刻的GPS定位点为异常值，则删除异常值。
获取低温冷冻品运输区域的道路节点信息和道路路段信息；
将低温冷冻品的位置信息作为马尔可夫链中一个隐藏状态的观察值，其中马尔可夫链中的状态序列中的每个位置为位置信息对应的时刻，运输区域的道路路段为隐变量；
对于低温冷冻品的位置信息pi和运输区域道路路段qi，建立观测模型：
Figure BDA0003117206840000032
其中：
||pi-qi||表示低温冷冻品的位置信息pi和运输区域道路路段qi之间的直线距离；
σ表示观测标准差，将其设置为3；
p(pi|qi)表示运输区域道路路段qi观测到低温冷冻品的位置信息pi的概率；
从最初时刻的低温冷冻品位置信息开始观测，选取观测模型中概率最大且连接下一时刻位置信息的运输区域道路路段作为运输路段，实时判断该运输路段是否正确，若当前低温冷冻品运输路段有误，则通过电话询问当前时刻冷链物流员；
在本发明一个具体实施例中，本发明设定在路径阈值T外的道路路段的观测概率值为0，极大减少低温冷冻品位置信息和道路路段观测匹配的时间，将路径阈值T设置为1000m，超出当前低温冷冻品位置信息1000m的道路路段的观测概率值为0。
此外，为实现上述目的，本发明还提供一种基于神经网络的冷链物流监控系统，所述系统包括：
数据获取装置，用于利用传感器获取低温冷冻品的温度和湿度信息，物流仓库的图像数据以及低温冷冻品的位置信息；
数据处理器，用于采用高斯加权函数对所获取的图像数据进行主要目标框的检测，对低温冷冻品的位置信息进行预处理；
基于神经网络的冷链物流监控装置，用于基于低温冷冻品的温度湿度信息进行安全警告，即若短时间内低温冷冻品的温度和湿度具有较大变化，则进行安全警告；利用异常行为监测神经网络模型对所检测到的主要目标框进行异常行为监测，若监测到异常行为，则进行安全警告；若冷链物流运输路径有误，则通过电话询问冷链物流员。
此外，为实现上述目的，本发明还提供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基于神经网络的冷链物流监控程序指令，所述基于神经网络的冷链物流监控程序指令可被一个或者多个处理器执行，以实现如上所述的基于神经网络的冷链物流监控的实现方法的步骤。
相对于现有技术，本发明提出一种基于神经网络的冷链物流监控方法，该技术具有以下优势：
首先，本发明利用摄像头获取物流仓库的图像数据，所述物流仓库的图像数据包括物流仓库中低温冷冻品的搬运、存储图像；并将物流仓库中的图像数据发送到监控单元；所述监控单元采取滑动窗口对图像数据进行划分处理，将图像数据分为若干滑动窗口框；计算所有滑动窗口框的置信度得分，将置信度得分最高的滑动窗口框作为目标框M；利用高斯加权函数对滑动窗口框进行主要目标框的监测，所述高斯加权函数为：
Figure BDA0003117206840000041
其中：mi表示滑动窗口框i为主要目标框的置信度得分；M表示最高的置信度得分所对应的目标框M；si表示当前的滑动窗口框i；IOU(M,si)表示滑动窗口框i与窗口框M的交并比；Nt表示过滤阈值，将其设置为0.6；Ni表示高斯阈值，将其设置为0.3；若一个目标的目标框和某个滑动窗口框交并比大于设置的阈值Nt，那么就会将其置信度置于0，认为该滑动窗口框与目标框代表同一个目标，并将该滑动窗口框的置信度得分设置为0；当滑动窗口框与目标框的交并比超过Ni，说明当前滑动窗口框与目标框M可能包含两个不同的目标，也可能是和M代表同一个目标，对滑动窗口框的置信度得分单调递减处理，与目标框M相邻很近的滑动窗口框衰减程度很大，而远离目标框M的滑动窗口框得分基本不变，避免了目标被遮挡从而被认为是背景的情况；选择置信度得分最高的K个滑动窗口框以及目标框M作为主要目标框，从而利用异常行为监测神经网络模型对所检测到的主要目标框进行异常行为监测，若监测到异常行为，则进行安全警告，避免了异常行为监测神经网络对目标的遍历寻找过程，从而直接对目标进行异常行为监测，提高了冷链物流监控的实时性。
同时，本发明利用位置传感器实时获取低温冷冻品的位置信息，并将低温冷冻品的位置信息发送到监控单元，所述低温冷冻品的位置信息为低温冷冻品在地图上的二维GPS定位点；所述监控单元对低温冷冻品的位置信息进行预处理：计算任意两个相邻时刻的位置信息距离，其中t2>t1：
Figure BDA0003117206840000042
其中：(o1,a1)为t1时刻低温冷冻品的位置信息，其中o表示经度，a表示纬度；(o2,a2)为t2时刻低温冷冻品的位置信息；若d(t1,t2)>200，则说明t2时刻的GPS定位点超出变化时间Δt内运输车行驶的最大值，t2时刻的GPS定位点为异常值，则删除异常值。获取低温冷冻品运输区域的道路节点信息和道路路段信息；将低温冷冻品的位置信息作为马尔可夫链中一个隐藏状态的观察值，其中马尔可夫链中的状态序列中的每个位置为位置信息对应的时刻，运输区域的道路路段为隐变量；对于低温冷冻品的位置信息pi和运输区域道路路段qi，建立观测模型：
Figure BDA0003117206840000043
其中：||pi-qi||表示低温冷冻品的位置信息pi和运输区域道路路段qi之间的直线距离；σ表示观测标准差，将其设置为3；p(pi|qi)表示运输区域道路路段qi观测到低温冷冻品的位置信息pi的概率；从最初时刻的低温冷冻品位置信息开始观测，选取观测模型中概率最大且连接下一时刻位置信息的运输区域道路路段作为运输路段，从而将GPS位置点转化为冷链物流路径，从而可以实时判断该运输路段是否正确，若当前低温冷冻品运输路段有误，则通过电话询问当前时刻冷链物流员；在本发明一个具体实施例中，本发明设定在路径阈值T外的道路路段的观测概率值为0，极大减少低温冷冻品位置信息和道路路段观测匹配的时间，将路径阈值T设置为1000m，超出当前低温冷冻品位置信息1000m的道路路段的观测概率值为0。
附图说明
图1为本发明一实施例提供的一种基于神经网络的冷链物流监控方法的流程示意图；
图2为本发明一实施例提供的一种基于神经网络的冷链物流监控系统的结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
通过利用传感器实时获取低温冷冻品的温度，并在物流仓库运输中设置若干摄像头，获取物流图像数据，采用高斯加权函数对所获取的物流图像数据进行主要目标框的检测，并利用异常行为监测神经网络模型对所检测到的主要目标框进行异常行为监测；实时获取低温冷冻品的定位信息，对冷链物流运输过程进行监控。参照图1所示，为本发明一实施例提供的基于神经网络的冷链物流监控方法示意图。
在本实施例中，基于神经网络的冷链物流监控方法包括：
S1、利用传感器实时获取低温冷冻品的温度和湿度，若短时间内低温冷冻品的温度和湿度具有较大变化，则进行安全警告。
首先，本发明利用传感器实时获取低温冷冻品的温度和湿度，在本发明一个具体实施例中，所述温度和湿度监测传感器的电压为3.5V，监测时电流为1.2mA，湿度的采集范围为80％，温度的采集精度为±2摄氏度；
本发明将湿度和温度监测传感器放置于低温冷冻品表面，所述温度和湿度监测传感器利用温度监测元件以及电阻式湿度监测元件对低温冷冻品表面的温度和湿度进行监测，并将监测到的数字信号以40Bit/ms的速度发送到监控单元；
监控单元实时对所接收到的数字信号进行监测，若在时间间隔Δt范围内，低温冷冻品的温度变化为W摄氏度，或湿度变化为Sg/m3，则认为低温冷冻品的温度/湿度在短时间内发生较大变化，从而向物流管理者发起温度/湿度安全警告。
所述将数据发送到监控单元的流程为：
(1)数据发送方和监控单元通过TCP中的socket()函数建立数据通道套接字，监控单元通过bind()函数和数据发送方的后端服务器通信，将本地的通信地址和服务器进行地址绑定，同时设置listen()函数将通信链路自身状态设置为等待监听状态，实时对数据发送方的数据请求进行响应；
(2)当监控单元收到数据发送方的数据发送请求后，和数据发送方建立握手协议，数据发送方通过connect()函数发送数据通道建立请求，监控单元根据TCP协议调用accept()函数进行通道首尾套接字的创建，完成数据通道建立；
(3)数据发送方通过send()函数将数据信息通过数据通道，按照TCP协议完成数据通信，在通信过程中需要对数据信息进行编号处理和封装处理，通信完成后发送关闭通道请求，得到响应后关闭TCP链接；
(4)监控单元调用accept()函数确定关闭请求后，通过closesocket()函数关闭首尾套接字，并关闭TCP链接，完成数据发送方和监控单元的双端通信任务。
S2、在物流仓库中设置若干摄像头，获取物流仓库的图像数据，采用高斯加权函数对所获取的图像数据进行主要目标框的检测。
进一步地，本发明在物流仓库设置若干摄像头，利用摄像头获取物流仓库的图像数据，在本发明一个具体实施例中，所述物流仓库的图像数据包括物流仓库中低温冷冻品的搬运、存储图像；并将物流仓库中的图像数据发送到监控单元；
进一步地，所述监控单元采取滑动窗口对图像数据进行划分处理，将图像数据分为若干滑动窗口框；
计算所有滑动窗口框的置信度得分，将置信度得分最高的滑动窗口框作为目标框M；
利用高斯加权函数对滑动窗口框进行主要目标框的监测，所述高斯加权函数为：
Figure BDA0003117206840000061
其中：
mi表示滑动窗口框i为主要目标框的置信度得分；
M表示最高的置信度得分所对应的目标框M；
si表示当前的滑动窗口框i；
IOU(M,si)表示滑动窗口框i与窗口框M的交并比；
Nt表示过滤阈值，将其设置为0.6；
Ni表示高斯阈值，将其设置为0.3；
若一个目标的目标框和某个滑动窗口框交并比大于设置的阈值Nt，那么就会将其置信度置于0，认为该滑动窗口框与目标框代表同一个目标，并将该滑动窗口框的置信度得分设置为0；
当滑动窗口框与目标框的交并比超过Ni，说明当前滑动窗口框与目标框M可能包含两个不同的目标，也可能是和M代表同一个目标，对滑动窗口框的置信度得分单调递减处理，与目标框M相邻很近的滑动窗口框衰减程度很大，而远离目标框M的滑动窗口框得分基本不变，避免了目标被遮挡从而被认为是背景的情况；
选择置信度得分最高的K个滑动窗口框以及目标框M作为主要目标框。在本发明一个具体实施例中，所述目标包括物流仓库中的低温冷冻品的装箱货物，以及处理装箱货物的工作人员。
S3、利用异常行为监测神经网络模型对所检测到的主要目标框进行异常行为监测，若监测到异常行为，则进行安全警告。
进一步地，本发明利用异常行为监测神经网络模型对所检测到的主要目标框进行异常行为监测，所述异常行为监测流程为：
1)将主要目标框压缩为400*400像素尺寸，并输入到特征提取网络中，采用Darknet-53特征提取网络对主要目标框进行5次下采样，得到13*13像素尺寸的特征图；
2)对特征图进行卷积处理，第一个卷积层的步幅为2，除了并行Inception分支中的最大池化层外，在最后一个线性分类层之前设置有四个具有步幅为2的最大池化层和一个7×7平均池化层；在本发明一个具体实施例中，卷积层使用1×1，3×3，7×7不同大小的卷积核对特征图进行卷积处理，所述不同大小的卷积核代表着不同大小的感受野，这些不同的特征在网络的最后进行了融合；所述特征融合公式为：
x′＝sum{x1,x2,…}
其中：
x′表示融合特征；
x1,x2,…表示不同卷积核的输出特征；
并将n×n的卷积核尺寸分解为1×n和n×1两个卷积，通过这种转化可以使计算量比之前减少33％，从而可以加快网络的运算速度，减弱了过拟合现象的发生；
3)对融合特征进行异常行为判断，若x′＝M＝{m1,m2,…}，则认为当前主目标框存在异常行为，并进行安全警告，其中M表示异常行为特征图集合，{m1,m2,…}表示训练得到的异常行为特征图，在本发明一个具体实施例中，所述异常行为包括拆封低温冷冻品、修改低温冷冻品标签等。
S4、利用位置传感器实时获取低温冷冻品的位置信息，对冷链物流运输路径进行监控，若冷链物流运输路径有误，则通过电话询问冷链物流员。
进一步地，本发明利用位置传感器实时获取低温冷冻品的位置信息，并将低温冷冻品的位置信息发送到监控单元，所述低温冷冻品的位置信息为低温冷冻品在地图上的二维GPS定位点；
所述监控单元对低温冷冻品的位置信息进行预处理：
计算任意两个相邻时刻的位置信息距离，其中t2>t1：
Figure BDA0003117206840000071
其中：
(o1,a1)为t1时刻低温冷冻品的位置信息，其中o表示经度，a表示纬度；
(o2,a2)为t2时刻低温冷冻品的位置信息；
若d(t1,t2)>200，则说明t2时刻的GPS定位点超出变化时间Δt内运输车行驶的最大值，t2时刻的GPS定位点为异常值，则删除异常值。
获取低温冷冻品运输区域的道路节点信息和道路路段信息；
将低温冷冻品的位置信息作为马尔可夫链中一个隐藏状态的观察值，其中马尔可夫链中的状态序列中的每个位置为位置信息对应的时刻，运输区域的道路路段为隐变量；
对于低温冷冻品的位置信息pi和运输区域道路路段qi，建立观测模型：
Figure BDA0003117206840000072
其中：
||pi-qi||表示低温冷冻品的位置信息pi和运输区域道路路段qi之间的直线距离；
σ表示观测标准差，将其设置为3；
p(pi|qi)表示运输区域道路路段qi观测到低温冷冻品的位置信息pi的概率；
从最初时刻的低温冷冻品位置信息开始观测，选取观测模型中概率最大且连接下一时刻位置信息的运输区域道路路段作为运输路段，实时判断该运输路段是否正确，若当前低温冷冻品运输路段有误，则通过电话询问当前时刻冷链物流员；
在本发明一个具体实施例中，本发明设定在路径阈值T外的道路路段的观测概率值为0，极大减少低温冷冻品位置信息和道路路段观测匹配的时间，将路径阈值T设置为1000m，超出当前低温冷冻品位置信息1000m的道路路段的观测概率值为0。
下面通过一个算法实验来说明本发明的具体实施方式，并对发明的处理方法进行测试。本发明算法的硬件测试环境为：Inter(R)Core(TM)i7-6700K CPU，软件为Matlab2018a；对比方法为基于随机森林的冷链物流监控方法以及基于SVM的冷链物流监控方法。
在本发明所述算法实验中，数据集为10G的物流数据。本实验通过将物流数据输入到算法模型中，将物流数据监控的准确率作为算法可行性的评价指标，其中物流数据监控的准确率越高，则说明算法的有效性、可行性越高。
根据实验结果，基于随机森林的冷链物流监控方法的物流监控准确率为81.31％，基于贝叶斯的冷链物流监控方法的物流监控准确率为86.38％，本发明所述方法的物流监控准确率为87.92％，相较于对比算法，本发明所提出的基于神经网络的冷链物流监控方法能够实现更高的物流监控准确率。
发明还提供一种基于神经网络的冷链物流监控系统。参照图2所示，为本发明一实施例提供的基于神经网络的冷链物流监控系统的内部结构示意图。
在本实施例中，所述基于神经网络的冷链物流监控系统1至少包括数据获取装置11、数据处理器12、基于神经网络的冷链物流监控装置13，通信总线14，以及网络接口15。
其中，数据获取装置11可以是PC(Personal Computer，个人电脑)，或者是智能手机、平板电脑、便携计算机等终端设备，也可以是一种服务器等。
数据处理器12至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、磁性存储器、磁盘、光盘等。数据处理器12在一些实施例中可以是基于神经网络的冷链物流监控系统1的内部存储单元，例如该基于神经网络的冷链物流监控系统1的硬盘。数据处理器12在另一些实施例中也可以是基于神经网络的冷链物流监控系统1的外部存储设备，例如基于神经网络的冷链物流监控系统1上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，数据处理器12还可以既包括基于神经网络的冷链物流监控系统1的内部存储单元也包括外部存储设备。数据处理器12不仅可以用于存储安装于基于神经网络的冷链物流监控系统1的应用软件及各类数据，还可以用于暂时地存储已经输出或者将要输出的数据。
基于神经网络的冷链物流监控装置13在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片，包括监控单元，用于运行数据处理器12中存储的程序代码或处理数据，例如基于神经网络的冷链物流监控程序指令16等。
通信总线14用于实现这些组件之间的连接通信。
网络接口15可选的可以包括标准的有线接口、无线接口(如WI-FI接口)，通常用于在该系统1与其他电子设备之间建立通信连接。
可选地，基于神经网络的冷链物流监控系统1还可以包括用户接口，用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard)，可选的用户接口还可以包括标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在基于神经网络的冷链物流监控系统1中处理的信息以及用于显示可视化的用户界面。
图2仅示出了具有组件11-15以及基于神经网络的冷链物流监控系统1，本领域技术人员可以理解的是，图1示出的结构并不构成对基于神经网络的冷链物流监控系统1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
在图2所示的基于神经网络的冷链物流监控系统1实施例中，数据处理器12中存储有基于神经网络的冷链物流监控程序指令16；基于神经网络的冷链物流监控装置13执行数据处理器12中存储的基于神经网络的冷链物流监控程序指令16的步骤，与基于神经网络的冷链物流监控方法的实现方法相同，在此不作类述。
此外，本发明实施例还提出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基于神经网络的冷链物流监控程序指令，所述基于神经网络的冷链物流监控程序指令可被一个或多个处理器执行，以实现如下操作：
利用传感器实时获取低温冷冻品的温度和湿度，若短时间内低温冷冻品的温度和湿度具有较大变化，则进行安全警告；
在物流仓库中设置若干摄像头，获取物流仓库的图像数据，采用高斯加权函数对所获取的图像数据进行主要目标框的检测；
利用异常行为监测神经网络模型对所检测到的主要目标框进行异常行为监测，若监测到异常行为，则进行安全警告；
利用位置传感器实时获取低温冷冻品的位置信息，对冷链物流运输路径进行监控，若冷链物流运输路径有误，则通过电话询问冷链物流员。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“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、装置、物品或者方法不仅包括那些要素，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、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，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的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (7)

1.一种基于神经网络的冷链物流监控方法，其特征在于，所述方法包括：
利用传感器实时获取低温冷冻品的温度和湿度，若短时间内低温冷冻品的温度和湿度具有较大变化，则进行安全警告；
在物流仓库中设置若干摄像头，获取物流仓库的图像数据，采用高斯加权函数对所获取的图像数据进行主要目标框的检测；
利用异常行为监测神经网络模型对所检测到的主要目标框进行异常行为监测，若监测到异常行为，则进行安全警告；
利用位置传感器实时获取低温冷冻品的位置信息，对冷链物流运输路径进行监控，若冷链物流运输路径有误，则通过电话询问冷链物流员；
其中，所述利用位置传感器实时获取低温冷冻品的位置信息，对冷链物流运输路径进行监控，包括：
利用位置传感器实时获取低温冷冻品的位置信息，并将低温冷冻品的位置信息发送到监控单元，所述低温冷冻品的位置信息为低温冷冻品在地图上的二维GPS定位点；
所述监控单元对低温冷冻品的位置信息进行预处理：
计算任意两个相邻时刻的位置信息距离，其中
Figure 785823DEST_PATH_IMAGE001
：
Figure 362298DEST_PATH_IMAGE002
其中：
Figure 288666DEST_PATH_IMAGE003
为
Figure 571880DEST_PATH_IMAGE004
时刻低温冷冻品的位置信息，其中
Figure 191080DEST_PATH_IMAGE005
表示经度，
Figure 254851DEST_PATH_IMAGE006
表示纬度；
Figure 984910DEST_PATH_IMAGE007
为
Figure 919367DEST_PATH_IMAGE008
时刻低温冷冻品的位置信息；
若
Figure 709469DEST_PATH_IMAGE009
，则说明
Figure 994957DEST_PATH_IMAGE010
时刻的GPS定位点超出变化时间
Figure 466389DEST_PATH_IMAGE011
内运输车行驶的最 大值，
Figure 520933DEST_PATH_IMAGE008
时刻的GPS定位点为异常值，则删除异常值；
获取低温冷冻品运输区域的道路节点信息和道路路段信息；
将低温冷冻品的位置信息作为马尔可夫链中一个隐藏状态的观察值，其中马尔可夫链中的状态序列中的每个位置为位置信息对应的时刻，运输区域的道路路段为隐变量；
对于低温冷冻品的位置信息
Figure 481936DEST_PATH_IMAGE012
和运输区域道路路段
Figure 254720DEST_PATH_IMAGE013
，建立观测模型
Figure 326581DEST_PATH_IMAGE014
其中：
Figure 501210DEST_PATH_IMAGE015
表示低温冷冻品的位置信息
Figure 570798DEST_PATH_IMAGE016
和运输区域道路路段
Figure 830878DEST_PATH_IMAGE013
之间的直线距离；
Figure 706430DEST_PATH_IMAGE017
表示观测标准差，将其设置为3；
Figure 735566DEST_PATH_IMAGE018
表示运输区域道路路段
Figure 772792DEST_PATH_IMAGE013
观测到低温冷冻品的位置信息
Figure 520168DEST_PATH_IMAGE016
的概率；
从最初时刻的低温冷冻品位置信息开始观测，选取观测模型中概率最大且连接下一时刻位置信息的运输区域道路路段作为运输路段，实时判断该运输路段是否正确，若当前低温冷冻品运输路段有误，则通过电话询问当前时刻冷链物流员。
2.如权利要求1所述的一种基于神经网络的冷链物流监控方法，其特征在于，所述利用传感器实时获取低温冷冻品的温度和湿度，包括：
将湿度和温度监测传感器放置于低温冷冻品表面，所述温度和湿度监测传感器利用温度监测元件以及电阻式湿度监测元件对低温冷冻品表面的温度和湿度进行监测，并将监测到的数字信号以40Bit/ms的速度发送到监控单元；
监控单元实时对所接收到的数字信号进行监测，若在时间间隔
Figure 933832DEST_PATH_IMAGE020
范围内，低温冷冻品 的温度变化为
Figure 20736DEST_PATH_IMAGE021
摄氏度，或湿度变化
Figure 494443DEST_PATH_IMAGE022
，则认为低温冷冻品的温度/湿度在短时间 内发生较大变化，从而向物流管理者发起温度/湿度安全警告。
3.如权利要求2所述的一种基于神经网络的冷链物流监控方法，其特征在于，所述将数据发送到监控单元的流程为：
（1）数据发送方和监控单元通过TCP中的socket()函数建立数据通道套接字，监控单元通过bind()函数和数据发送方的后端服务器通信，将本地的通信地址和服务器进行地址绑定，同时设置listen()函数将通信链路自身状态设置为等待监听状态，实时对数据发送方的数据请求进行响应；
（2）当监控单元收到数据发送方的数据发送请求后，和数据发送方建立握手协议，数据发送方通过 connect()函数发送数据通道建立请求，监控单元根据TCP协议调用 accept()函数进行通道首尾套接字的创建，完成数据通道建立；
（3）数据发送方通过send()函数将数据信息通过数据通道，按照TCP协议完成数据通信，在通信过程中需要对数据信息进行编号处理和封装处理，通信完成后发送关闭通道请求，得到响应后关闭TCP链接；
（4）监控单元调用accept()函数确定关闭请求后，通过 closesocket()函数关闭首尾套接字，并关闭 TCP 链接，完成数据发送方和监控单元的双端通信任务。
4.如权利要求3所述的一种基于神经网络的冷链物流监控方法，其特征在于，所述采用高斯加权函数对所获取的图像数据进行主要目标框的检测，包括：
在物流仓库设置若干摄像头，利用摄像头获取物流仓库的图像数据，并将物流仓库中的图像数据发送到监控单元；
所述监控单元采取滑动窗口对图像数据进行划分处理，将图像数据分为若干滑动窗口框；计算所有滑动窗口框的置信度得分，将置信度得分最高的滑动窗口框作为目标框M；
利用高斯加权函数对滑动窗口框进行主要目标框的监测，所述高斯加权函数为：
Figure 729115DEST_PATH_IMAGE023
其中：
Figure 675031DEST_PATH_IMAGE024
表示滑动窗口框i为主要目标框的置信度得分；
M表示最高的置信度得分所对应的目标框M；
Figure 678760DEST_PATH_IMAGE025
表示当前的滑动窗口框i；
Figure 261051DEST_PATH_IMAGE026
表示滑动窗口框i与窗口框M的交并比；
Figure 717440DEST_PATH_IMAGE028
表示过滤阈值，将其设置为0.6；
Figure 738485DEST_PATH_IMAGE029
表示高斯阈值，将其设置为0.3；
若一个目标的目标框和某个滑动窗口框交并比大于设置的阈值
Figure 596720DEST_PATH_IMAGE031
，那么就会将其置信 度置于0，认为该滑动窗口框与目标框代表同一个目标，并将该滑动窗口框的置信度得分设 置为0；
选择置信度得分最高的K个滑动窗口框以及目标框M作为主要目标框。
5.如权利要求4所述的一种基于神经网络的冷链物流监控方法，其特征在于，所述利用异常行为监测神经网络模型对所检测到的主要目标框进行异常行为监测，包括：
1）将主要目标框压缩为
Figure 615492DEST_PATH_IMAGE032
像素尺寸，并输入到特征提取网络中，采用 Darknet-53特征提取网络对主要目标框进行5次下采样，得到
Figure 559177DEST_PATH_IMAGE033
像素尺寸的特征图；
2）对特征图进行卷积处理，第一个卷积层的步幅为 2，除了并行Inception分支中的最大池化层外，在最后一个线性分类层之前设置有四个具有步幅为2的最大池化层和一个7×7平均池化层；卷积层使用 1×1，3×3，7×7不同大小的卷积核对特征图进行卷积处理，所述不同大小的卷积核代表着不同大小的感受野，这些不同的特征在网络的最后进行了融合；所述特征融合公式为：
Figure 852755DEST_PATH_IMAGE034
其中：
Figure 831075DEST_PATH_IMAGE035
表示融合特征；
Figure 817486DEST_PATH_IMAGE036
表示不同卷积核的输出特征；
将n×n的卷积核尺寸分解为 1×n 和n×1 两个卷积；
3）对融合特征进行异常行为判断，若
Figure DEST_PATH_IMAGE037
，则认为当前主目标框 存在异常行为，并进行安全警告，其中M表示异常行为特征图集合，
Figure 982888DEST_PATH_IMAGE038
表示训练 得到的异常行为特征图。
6.一种基于神经网络的冷链物流监控系统，其特征在于，所述系统包括：
数据获取装置，用于利用传感器获取低温冷冻品的温度和湿度信息，物流仓库的图像数据以及低温冷冻品的位置信息；
数据处理器，用于采用高斯加权函数对所获取的图像数据进行主要目标框的检测，对低温冷冻品的位置信息进行预处理；
基于神经网络的冷链物流监控装置，用于基于低温冷冻品的温度湿度信息进行安全警告，即若短时间内低温冷冻品的温度和湿度具有较大变化，则进行安全警告；利用异常行为监测神经网络模型对所检测到的主要目标框进行异常行为监测，若监测到异常行为，则进行安全警告；若冷链物流运输路径有误，则通过电话询问冷链物流员；
其中，所述利用位置传感器实时获取低温冷冻品的位置信息，对冷链物流运输路径进行监控，包括：
利用位置传感器实时获取低温冷冻品的位置信息，并将低温冷冻品的位置信息发送到监控单元，所述低温冷冻品的位置信息为低温冷冻品在地图上的二维GPS定位点；
所述监控单元对低温冷冻品的位置信息进行预处理：
计算任意两个相邻时刻的位置信息距离，其中
Figure 80157DEST_PATH_IMAGE001
：
Figure 912984DEST_PATH_IMAGE002
其中：
Figure 70295DEST_PATH_IMAGE003
为
Figure 988573DEST_PATH_IMAGE004
时刻低温冷冻品的位置信息，其中
Figure 827216DEST_PATH_IMAGE005
表示经度，
Figure 514549DEST_PATH_IMAGE006
表示纬度；
Figure 842762DEST_PATH_IMAGE007
为
Figure 248336DEST_PATH_IMAGE008
时刻低温冷冻品的位置信息；
若
Figure 952987DEST_PATH_IMAGE009
，则说明
Figure 698089DEST_PATH_IMAGE010
时刻的GPS定位点超出变化时间
Figure 197203DEST_PATH_IMAGE020
内运输车行驶的最 大值，
Figure 824494DEST_PATH_IMAGE008
时刻的GPS定位点为异常值，则删除异常值；
获取低温冷冻品运输区域的道路节点信息和道路路段信息；
将低温冷冻品的位置信息作为马尔可夫链中一个隐藏状态的观察值，其中马尔可夫链中的状态序列中的每个位置为位置信息对应的时刻，运输区域的道路路段为隐变量；
对于低温冷冻品的位置信息
Figure 67256DEST_PATH_IMAGE012
和运输区域道路路段
Figure 729182DEST_PATH_IMAGE013
，建立观测模型
Figure 399197DEST_PATH_IMAGE039
其中：
Figure 513784DEST_PATH_IMAGE015
表示低温冷冻品的位置信息
Figure 497921DEST_PATH_IMAGE016
和运输区域道路路段
Figure 14353DEST_PATH_IMAGE013
之间的直线距离；
Figure 855270DEST_PATH_IMAGE017
表示观测标准差，将其设置为3；
Figure 722731DEST_PATH_IMAGE018
表示运输区域道路路段
Figure 307297DEST_PATH_IMAGE013
观测到低温冷冻品的位置信息
Figure 678235DEST_PATH_IMAGE016
的概率；
从最初时刻的低温冷冻品位置信息开始观测，选取观测模型中概率最大且连接下一时刻位置信息的运输区域道路路段作为运输路段，实时判断该运输路段是否正确，若当前低温冷冻品运输路段有误，则通过电话询问当前时刻冷链物流员。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有基于神经网络的冷链物流监控程序指令，所述基于神经网络的冷链物流监控程序指令可被一个或者多个处理器执行，以实现如权利要求1-5任一所述的基于神经网络的冷链物流监控的实现方法的步骤。
CN202110665480.3A 2021-06-16 2021-06-16 一种基于神经网络的冷链物流监控方法及系统 Active CN113269500B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110665480.3A CN113269500B (zh) 2021-06-16 2021-06-16 一种基于神经网络的冷链物流监控方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110665480.3A CN113269500B (zh) 2021-06-16 2021-06-16 一种基于神经网络的冷链物流监控方法及系统

Publications (2)

Publication Number Publication Date
CN113269500A CN113269500A (zh) 2021-08-17
CN113269500B true CN113269500B (zh) 2022-06-10

Family

ID=77235047

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110665480.3A Active CN113269500B (zh) 2021-06-16 2021-06-16 一种基于神经网络的冷链物流监控方法及系统

Country Status (1)

Country Link
CN (1) CN113269500B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113657834A (zh) * 2021-08-20 2021-11-16 深圳市易流科技股份有限公司 一种基于视频与温度的监测方法、装置、设备和存储介质
CN115457451B (zh) * 2022-06-13 2023-06-16 广东众志检测仪器有限公司 基于物联网的恒温恒湿试验箱的监控方法及装置
CN115049345A (zh) * 2022-08-15 2022-09-13 山东矩阵软件工程股份有限公司 用于物流运输的多维化数据汇总、综合测控方法及系统
CN115447935A (zh) * 2022-08-29 2022-12-09 上海盘点食品科技有限公司 冷冻原料或成品自动存储及进出冷库的管理方法
CN115239255A (zh) * 2022-09-23 2022-10-25 广州朗通科技有限公司 一种基于神经网络的冷链物流监控方法及系统
CN116976675B (zh) * 2023-08-09 2024-04-05 南京龟兔赛跑软件研究院有限公司 一种基于物联网数据监控的冷链运输风险预警方法及系统
CN117611031B (zh) * 2023-12-04 2024-05-28 冻冻(北京)网络科技有限公司 一种冷链物联网物流温度实时监控方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107169711A (zh) * 2017-06-05 2017-09-15 广西振合供应链管理有限公司 一种农产品冷链物流的智能化监控系统及使用方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101694521A (zh) * 2009-10-12 2010-04-14 茂名学院 一种基于概率图模型的目标预测跟踪方法
US8452535B2 (en) * 2010-12-13 2013-05-28 GM Global Technology Operations LLC Systems and methods for precise sub-lane vehicle positioning
CN109489666B (zh) * 2018-11-14 2022-04-05 新疆工程学院 温室喷药机器人同步定位与地图构建的方法
CN112949359A (zh) * 2019-12-10 2021-06-11 清华大学 基于卷积神经网络的异常行为识别方法和装置
CN111986252B (zh) * 2020-07-16 2024-03-29 浙江工业大学 一种用于目标分割网络中候选边界框精准定位的方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107169711A (zh) * 2017-06-05 2017-09-15 广西振合供应链管理有限公司 一种农产品冷链物流的智能化监控系统及使用方法

Also Published As

Publication number Publication date
CN113269500A (zh) 2021-08-17

Similar Documents

Publication Publication Date Title
CN113269500B (zh) 一种基于神经网络的冷链物流监控方法及系统
CN108304775B (zh) 遥感图像识别方法、装置、存储介质以及电子设备
CN112100425B (zh) 基于人工智能的标签标注方法、装置、电子设备及介质
CN113379718A (zh) 一种目标检测方法、装置、电子设备以及可读存储介质
CN112862005B (zh) 视频的分类方法、装置、电子设备和存储介质
CN111429424B (zh) 一种基于深度学习的加热炉入口异常识别方法
CN111104841A (zh) 暴力行为检测方法及系统
CN114550053A (zh) 一种交通事故定责方法、装置、计算机设备及存储介质
CN110443119B (zh) 车厢内货物状态识别方法及装置
EP4131100A1 (en) Method and apparatus for positioning express parcel
CN113435753A (zh) 高危行业中企业风险判定方法、装置、设备及介质
CN111639523B (zh) 目标检测方法、装置、计算机设备和存储介质
CN111814653A (zh) 一种视频中异常行为的检测方法、装置、设备及存储介质
CN111199182A (zh) 基于智慧社区的丢失物件方法、系统及存储介质
CN115392361A (zh) 一种智能排序方法、装置、计算机设备及存储介质
CN113642961B (zh) 货物搬运过程中的监控方法及装置
CN115861809A (zh) 杆状物检测及其模型的训练方法、装置、电子设备、介质
CN115479946A (zh) 一种路面破损检测方法、系统、装置及存储介质
CN113591567A (zh) 目标检测方法、目标检测模型的训练方法及其装置
CN114972931A (zh) 一种基于知识蒸馏的货物存放方法及装置
CN113192198A (zh) 一种基于智能网联汽车的高精度动态地图生成与应用方法及系统
CN114359918A (zh) 提货单信息提取方法、装置及计算机设备
CN114373122A (zh) 设备识别方法、装置、计算机设备和存储介质
CN111291771B (zh) 对池化层特征优化的方法及装置
CN110633702A (zh) 基于无人机的线路检修费计算方法、服务器及存储介质

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
GR01 Patent grant
GR01 Patent grant