CN113651061B - 一种物流流转状态的监测方法及监测系统 - Google Patents
一种物流流转状态的监测方法及监测系统 Download PDFInfo
- Publication number
- CN113651061B CN113651061B CN202110957434.0A CN202110957434A CN113651061B CN 113651061 B CN113651061 B CN 113651061B CN 202110957434 A CN202110957434 A CN 202110957434A CN 113651061 B CN113651061 B CN 113651061B
- Authority
- CN
- China
- Prior art keywords
- inflection point
- information
- duty ratio
- current
- parcel
- 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
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G43/00—Control devices, e.g. for safety, warning or fault-correcting
- B65G43/08—Control devices operated by article or material being fed, conveyed or discharged
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G2203/00—Indexing code relating to control or detection of the articles or the load carriers during conveying
- B65G2203/02—Control or detection
- B65G2203/0208—Control or detection relating to the transported articles
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G2203/00—Indexing code relating to control or detection of the articles or the load carriers during conveying
- B65G2203/02—Control or detection
- B65G2203/0208—Control or detection relating to the transported articles
- B65G2203/0241—Quantity of articles
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G2203/00—Indexing code relating to control or detection of the articles or the load carriers during conveying
- B65G2203/04—Detection means
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Control Of Conveyors (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种物流流转状态的监测方法及监测系统。监测方法包括:实时采集物流输送线上的包裹信息和物流输送线信息;根据所述包裹信息和所述物流输送线信息得到当前拐点和与所述当前拐点临近的至少一个拐点的包裹占空比;根据所述当前拐点的包裹占空比和与所述当前拐点临近的至少一个拐点的包裹占空比确定所述物流输送线是否处于运行状态;若是,则根据所述当前拐点的包裹占空比和/或与所述当前拐点临近的至少一个拐点的包裹占空比判断当前拐点是否已经发生拥堵或是否即将发生拥堵。本发明能够及时发现物流分拣中输送带上的拥堵情况。
Description
技术领域
本发明涉及物流技术领域,特别是涉及一种物流流转状态的监测方法及监测系统。
背景技术
电商网购已经成为人们生活中的主流消费方式,物流快递的包裹量与日俱增,在以大件、重货为主体的大型物流分拣中心内,合流输送线贯穿全场,其距离长、拐弯多,高峰期的货物处理量往往超出场地规划设计时的运载量,非常容易发生货物拥堵,如果未能及时发现,拥堵范围蔓延将导致整条线体停机。输送线高频次的拥堵、蔓延全线停机、再到人员发现和疏通,对货物分拣流转的时效延误影响显著。
为了预防拥堵,物流分拣中心往往需要投入专人进行全场巡视,尽可能及时发现并疏通货物的堵塞。当输送线堵塞时,需要强制停机,这对设备损耗巨大,增加了大量维养费用。不论是人力资源与设备维养的持续增加,还是货物拥堵本身造成的时效延误,都不利于当前物流企业所面临的降本增效压力。
因此,如何及时发现物流分拣中输送带上的拥堵情况,成为需要本领域技术人员解决的技术问题。
发明内容
本发明提供了一种物流流转状态的监测方法及监测系统,能够及时发现物流分拣中输送带上的拥堵情况。
本发明提供了如下方案:
一种物流流转状态的监测方法,包括:
实时采集物流输送线上的包裹信息和物流输送线信息;
根据所述包裹信息和所述物流输送线信息得到当前拐点和与所述当前拐点临近的至少一个拐点的包裹占空比;
根据所述当前拐点的包裹占空比和与所述当前拐点临近的至少一个拐点的包裹占空比判断所述物流输送线是否处于运行状态;
若是,则根据所述当前拐点的包裹占空比和/或与所述当前拐点临近的至少一个拐点的包裹占空比判断当前拐点是否已经发生拥堵或是否即将发生拥堵。
可选地,根据所述当前拐点的包裹占空比和/或与所述当前拐点临近的至少一个拐点的包裹占空比判断当前拐点是否已经发生拥堵或是否即将发生拥堵,包括:
若与所述当前拐点临近的至少一个拐点的包裹占空比在第一预设时间内处于变化状态且所述当前拐点的包裹占空比在所述第一预设时间内保持不变,则判定所述当前拐点已经发生拥堵。
可选地,根据所述当前拐点的包裹占空比和与所述当前拐点临近的至少一个拐点的包裹占空比判断当前拐点是否已经发生拥堵或是否即将发生拥堵,包括:
若所述当前拐点的包裹占空比在所述第二预设时间内的变化率随着时间的推移逐渐减小,则判定所述当前拐点即将发生拥堵。
可选地,所述包裹占空比为任一拐点上任一时刻同时存在的所有包裹形成的整体的上表面积与该拐点的上表面积之比。
可选地,所述监测方法还包括:
根据所述物流输送线信息得到所述物流输送线的运动速度;
根据所述包裹信息和所述运动速度得到所述物流输送线上的包裹数量。
可选地,根据所述包裹信息和所述运动速度得到所述物流输送线上的包裹数量的步骤,包括:
将所述包裹信息输入至预设模型得到所述包裹的形状信息和所述包裹在所述物流输送线上的位置信息;
根据所述形状信息、所述位置信息和所述运动速度得到所述包裹的运动信息;
根据所述运动信息对所述包裹进行追踪;
根据追踪结果得到所述包裹数量。
可选地,所述预设模型包括卷积神经网络模型和多尺度特征提取模型。
可选地,根据所述包裹信息和所述物流输送线信息得到当前拐点和与所述当前拐点临近的至少一个拐点的包裹占空比,包括:
根据所述包裹信息和所述物流输送线信息判断所述物流输送线表面是否磨损;
若是,根据所述包裹信息和所述物流输送线信息得到磨损面积;
根据所述磨损面积、所述包裹信息和所述物流输送线信息得到当前拐点和与所述当前拐点临近的至少一个拐点的包裹占空比。
可选地,根据所述当前拐点的包裹占空比和与所述当前拐点临近的至少一个拐点的包裹占空比判断所述物流输送线是否处于运行状态,包括:
当所述当前拐点和与所述当前拐点临近的至少一个拐点中任意一个拐点的包裹占空比处于变化状态时,则判定所述物流输送线处于所述运行状态。
一种物流流转状态的监测系统,包括:
采集单元,用于实时采集物流输送线上的包裹信息和物流输送线信息;
计算单元,与所述采集单元连接,用于根据所述包裹信息和所述物流输送线信息得到当前拐点和与所述当前拐点临近的至少一个拐点的包裹占空比,及根据所述当前拐点的包裹占空比和与所述当前拐点临近的至少一个拐点的包裹占空比确定所述物流输送线是否处于运行状态,并在所述物流输送线处于所述运行状态时根据所述当前拐点的包裹占空比和/或与所述当前拐点临近的至少一个拐点的包裹占空比判断当前拐点是否已经发生拥堵或是否即将发生拥堵。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
通过本发明提供的物流流转状态的监测方法通过实时地采集物流输送线上的包裹信息和物流输送线信息,监测物流输送线的状态。具体地,根据包裹信息和物流输送线信息得到物流输送线上多个拐点的包裹占空比,根据包裹占空比确定物流输送线是否处于运行状态,如果物流输送线确实处于运行状态,则需要进一步地对其拥堵情况进行判断,也即通过包裹占空比确定是否有拐点即将发生拥堵或已经发生拥堵,以便提前预防物流输送线拥堵。因而,本发明提供的监测方法能够及时地发现物流输送线的拥堵情况,且该流程无需人为参与,不仅降低了人力成本,而且解决了人工难以监测的复杂位置(如高空穿墙拐弯口)的监测问题,也避免包裹拥堵造成的时效延误。
当然,实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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例,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是本发明一个实施例提供的物流流转状态的监测方法的流程框图;
图2是本发明另一个实施例提供的物流流转状态的监测方法的流程框图;
图3是本发明一个实施例提供的预设模型的结构图;
图4是本发明一个实施例提供的物流流转状态的监测系统的结构框图;
图5是本发明一个实施例提供的物流流转状态的监测系统的结构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
图1是本发明一个实施例提供的物流流转状态的监测方法的流程框图。如图1所示,本发明提供了一种物流流转状态的监测方法,其一般性地包括:
S10:实时采集物流输送线上的包裹信息和物流输送线信息,其中,包裹信息包括包裹形状、包裹数量和包裹叠置情况等,物流输送线信息包括物流输送线宽度、拐点长度等;
S20:根据包裹信息和物流输送线信息得到当前拐点和与当前拐点临近的至少一个拐点的包裹占空比,其中,拐点为物流输送线的转弯点,临近当前拐点的拐点可以是位于当前拐点之前的拐点,也可以是位于当前拐点之后的拐点,当拐点较多时,还可以是分布在当前拐点两侧的拐点;
S30:根据当前拐点的包裹占空比和与当前拐点临近的至少一个拐点的包裹占空比判断物流输送线是否处于运行状态,其中,运行状态通常是指物流输送线处于运动中的状态,若物流输送线处于停止状态,则不会出现拥堵的情况,因此,仅在运行状态时才进行后面操作;
S40:若是,则根据当前拐点的包裹占空比和/或与当前拐点临近的至少一个拐点的包裹占空比判断当前拐点是否已经发生拥堵或是否即将发生拥堵,若已经发生拥堵则需要立即进行干预,以避免造成物流输送线被迫停机,若即将发生拥堵也要及时进行干预,从而避免拥堵的发生,而物流输送线之所以发生拥堵的原因通常的多方面的,例如,大件包裹或不规则包裹在拐点处卡住、包裹太多等。
本实施例提供的物流流转状态的监测方法通过实时地采集物流输送线上的包裹信息和物流输送线信息,监测物流输送线的状态。具体地,根据包裹信息和物流输送线信息得到物流输送线上多个拐点的包裹占空比,根据包裹占空比确定物流输送线是否处于运行状态,如果物流输送线确实处于运行状态,则需要进一步地对其拥堵情况进行判断,也即通过包裹占空比确定是否有拐点即将发生拥堵或已经发生拥堵。因而,本发明提供的监测方法能够及时地发现物流输送线的拥堵情况,且该流程无需人为参与,不仅降低了人力成本,而且解决了人工难以监测的复杂位置(如高空穿墙拐弯口)的监测问题,也避免包裹拥堵造成的时效延误。
图2是本发明另一个实施例提供的物流流转状态的监测方法的流程框图。如图2所示,在一个具体的实施例中,根据当前拐点的包裹占空比和/或与当前拐点临近的至少一个拐点的包裹占空比判断当前拐点是否已经发生拥堵或是否即将发生拥堵,包括:
S41:判断当前拐点的包裹占空比是否在第一预设时间内保持不变,若是,执行S42;
S42:判断与当前拐点临近的至少一个拐点的包裹占空比在第一预设时间内是否处于变化状态;
S43:若在第一预设时间内保持不变,则判定当前拐点已经发生拥堵。
需要注意的是,当同时满足当前拐点临近的至少一个拐地的包裹占空比在第一预设时间内处于变化状态且当前拐点的包裹占空比在第一预设时间内保持不变,则判定当前拐点已经发生拥堵,当与当前拐点临近的至少一个拐点的包裹占空比在第一预设时间内处于变化状态则可以判定物流输送线上持续有包裹进入,此时,若当前拐点的包裹占空比在第一预设时间内保持不变,则说明当前拐点的包裹不在流动,也即当前拐点发生了拥堵。优选地,当与当前拐点临近的拐点为一个时,该临近拐点位于当前拐点的上游。具体地,第一预设时间根据物流输送线实际拥堵的经验时长设定,例如为1min-5min,优选为1min。
继续参见图2,在一个具体的实施例中,根据当前拐点的包裹占空比和/或与当前拐点临近的至少一个拐点的包裹占空比判断当前拐点是否已经发生拥堵或是否即将发生拥堵,包括:
S44:判断当前拐点的包裹占空比在第二预设时间内的变化率是否随着时间的推移逐渐减小;
S45:若是,则判定当前拐点即将发生拥堵。
其中,在一个优选的实施例中,将第二预设时间按照时间先后平均分成多个时段,例如分成第一时段、第二时段、第三时段和第四时段,分别记录当第一时段、第二时段、第三时段和第四时段的包裹占空比,并计算临近的两个时段的包裹占空比的变化率,当变化率随着时间的推移逐渐减小,也即包裹占空比的变化逐渐减小,此时,可以判定当前拐点即将发生拥堵。具体地,第二预设时间根据物流输送线实际拥堵的经验时长设定,例如为1min-5min,优选为1min。
在一个具体的实施例中,包裹占空比为任一拐点上任一时刻同时存在的所有包裹形成的整体的上表面积与该拐点的上表面积之比,例如,当前拐点的包裹占空比为采集时刻位于当前拐点上所有包裹形成的整体的上表面积与当前拐点的上表面积之比。
具体的,所有包裹形成的整体的上表面积仅限于所有包裹暴露出的上表面的面积,既不包括侧面面积,也不包括叠置的包裹中被覆盖的面积。
在一个具体的实施例中,监测方法还包括:
根据物流输送线信息得到物流输送线的运动速度;
根据包裹信息和运动速度得到物流输送线上的包裹数量。
在本实施例中,该监测方法还能用于统计物流输送线的包裹数量,为计算物流输送线的运载量和人员处理效率提供依据。
在一个具体的实施例中,根据包裹信息和运动速度得到物流输送线上的包裹数量的步骤,包括:
将包裹信息输入至预设模型得到包裹的形状信息和包裹在物流输送线上的位置信息;
根据形状信息、位置信息和运动速度得到包裹的运动信息;
根据运动信息对包裹进行追踪;
根据追踪结果得到包裹数量。
在本实施例中,根据包裹的形状信息、位置信息以及物流输送线的运动速度,可以得到包裹的运动信息,从而可以对包裹进行追踪,如此可以避免包裹数量的重复计算,提升统计的准确性。
在一个具体的实施例中,预设模型包括卷积神经网络模型和多尺度特征提取模型,预设模型的结构如图3所示。该预设模型在设计阶段通过多个图像信息深度学习后建立。
为了提高包裹监测的定位和分类精度,本发明在数据处理环节设计了融合YOLOv2、Darknet-19以及其他新型残差网络的卷积神经网络模型结构,同时为提升小目标包裹检测的准确度,借鉴特征金字塔网络,还设计了多尺度特征提取结构。
在一个具体的实施例中,根据包裹信息和物流输送线信息得到当前拐点和与当前拐点临近的至少一个拐点的包裹占空比,包括:
根据包裹信息和物流输送线信息判断物流输送线表面是否磨损;
若是,根据包裹信息和物流输送线信息得到磨损面积;
根据磨损面积、包裹信息和物流输送线信息得到当前拐点和与当前拐点临近的至少一个拐点的包裹占空比。
当物流输送线上某个位置出现磨损点,在采集物流输送线信息时,由于物流输送线的周期性运动,该磨损点会被周期性的采集到,而当包裹与磨损点交叉时,磨损点会影响包裹的边界,从而导致包裹占空比不准确,因此,在此实施例中,在计算包裹占空比时,需要结合磨损点的磨损面积来计算,具体地,可以去除影响包裹边界的磨损面积,从而可以提升计算的准确性。另外,物流输送线的磨损获取后,可以对磨损位置进行标记,也为后期输送线的保养提供了依据。
在一个具体的实施例中,根据当前拐点的包裹占空比和与当前拐点临近的至少一个拐点的包裹占空比确定物流输送线是否处于运行状态,包括:
判断当前拐点和与当前拐点临近的至少一个拐点中是否有拐点的包裹占空比处于变化状态;
若是,则判定物流输送线处于运行状态。
换句话说,当任意一个拐点的包裹占空比处于变化状态时,即可判定物流输送线处于运行状态。
在一个具体的实施例中,该监测方法在判定当前拐点已经发生拥堵发出一级警报,在判定当前拐点即将发生拥堵发出二级警报。
图4是本发明一个实施例提供的物流流转状态的监测系统的结构框图。如图4所示,本发明还提供了一种物流流转状态的监测系统,用于实现上述任意一个实施例提供的物流流转状态的监测方法,监测系统一般性地包括采集单元100和计算单元200。采集单元100用于实时采集物流输送线上的包裹信息和物流输送线信息。计算单元200与采集单元100连接,用于根据包裹信息和物流输送线信息得到当前拐点和与当前拐点临近的至少一个拐点的包裹占空比,及根据当前拐点的包裹占空比和与当前拐点临近的至少一个拐点的包裹占空比确定物流输送线是否处于运行状态,并在物流输送线处于运行状态时根据当前拐点的包裹占空比和/或与当前拐点临近的至少一个拐点的包裹占空比判断当前拐点是否已经发生拥堵或是否即将发生拥堵。
本实施例提供的物流流转状态的监测系统通过实时地采集物流输送线上的包裹信息和物流输送线信息,监测物流输送线的状态。具体地,根据包裹信息和物流输送线信息得到物流输送线上多个拐点的包裹占空比,根据包裹占空比确定物流输送线是否处于运行状态,如果物流输送线确实处于运行状态,则需要进一步地对其拥堵情况进行判断,也即通过包裹占空比确定是否有拐点即将发生拥堵或已经发生拥堵。因而,本发明提供的监测方法能够及时地发现物流输送线的拥堵情况,且该流程无需人为参与,降低了人工成本,也避免包裹拥堵造成的时效延误。
图5是本发明一个实施例提供的物流流转状态的监测系统的结构框图。如图5所示,在一个具体的实施例中,采集单元100包括图像采集器110,优选地,图像采集器110为工业相机,架设在物流输送线的上方,优选地,位于拐点的上方,用于拍摄拐点的图像,该图像包括物流输送线信息和包裹信息,在这里物流输送信息通常为图像信息。该工业相机的像素根据物流流转中心的环境(架设高度和物流输送线宽度)和预设模型对输入图像所需的最小像素大小进行选择,在一个实施例中,该工业相机的芯片为二百万像素的安森美CMOS芯片。
在一个具体的实施例中,计算单元200为边缘计算器210,集成在本地服务器中,对采集到的海量包裹数据实时运算分析,得到每一个拐点位置上流经的包裹数据变化,包括但不局限于包裹总数、异型(非规则纸箱、纤包类、圆柱球体等)包裹总数、包裹占空比。
在一个具体的实施例中,该边缘计算器210包括识别检测模块211和包裹运动追踪模块212,识别检测模块211基于视频流对每一帧图像进行多目标物体检测,可识别当前帧图像中多个目标物体的形状和位置。包裹运动追踪模块212结合使用目标物体的运动信息实现多目标物体追踪计数。识别检测模块211首先利用采集的数据训练模型,然后修改模型的接口形式,编写供本系统调用的功能模块,在实际运行时,与采集单元100连接,从采集单元100采集的包括物流输送线信息和包裹信息的图像中获取包裹在图像中的位置和形状。包裹运动追踪模块212的核心思想是利用多目标物体的运动信息,计算预测目标物体与深度学习识别物体形状位置的交集,建立运动物体一一追踪过程。包裹运动追踪模块212的输入包括YOLOv2模型输出的包裹位置信息和采集单元100采集的物流输送带的运动速度,输出是包裹数量。
在一个具体的实施例中,采集单元100还包括编码器120,用于采集物流输送线信息,在这里,物流输送信息通常为包括物流输送线运动速度的信息。优选地,边缘计算器210中还设置有解析模块,用于根据编码器120采集的物流输送线信息得到物流输送线的运动速度。
在一个优选的实施例中,编码器120采集物流输送线信息,解析模块根据物流输送线信息得到物流输送线的运动速度,图像采集器110采集包裹信息,识别检测模块211中的预设模型根据包裹信息包裹的形状信息和包裹在物流输送线上的位置信息,包裹运动追踪模块212根据形状信息、位置信息和运动速度得到包裹的运动信息,根据运动信息对包裹进行追踪,最后根据追踪结果得到包裹数量。
在一个具体的实施例中,计算单元200将处理完成的数据结果上传至企业云300,同时推送至应用平台端400,应用平台端400接收的结果数据有:实时的拐点位置、包裹总数、包裹大小件占比、规则/非规则包裹占比、当下拥堵照片等。
本发明提供的物流流转状态的监测系统一方面监测现场拥堵情况,结合数据分析向物流分拣中心的特定负责人的应用平台端400(手机端/PC端)推送发生拥堵的拐点信息,同时可联动物流输送线上对应的工业相机,对现场拥堵场景进行实时推送,这种通过自动监测包裹拥堵变化,联动监控摄像头的方式,减少了巡视全场的人员投入,同时对拥堵的监测更加敏感而全面,有利于现场集中管理,及时预防拥堵带来的全线停机;另一方面从长期的问题改善与优化角度,对物流分拣中心各关键合流分拣线进行实际数据的统计,流量变化、包裹情况占比等大数据分析,为场地升级改造、高峰期预案提供了最切合实际的当前/历史货物处理数据依据。
在一个具体的实施例中,该监测系统还包括:报警单元,与计算单元200连接,用于在当前拐点已经发生拥堵或即将发生拥堵时发出警报,优选地,该报警单元在当前拐点已经发生拥堵发出一级警报,在当前拐点即将发生拥堵时发出二级警报,一级警报的等级大于二级警报,实现根据拥堵情况进行分级报警。
以上对本发明所提供的技术方案,进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种物流流转状态的监测方法,其特征在于,包括:
实时采集物流输送线上的包裹信息和物流输送线信息;
根据所述包裹信息和所述物流输送线信息得到当前拐点和与所述当前拐点临近的至少一个拐点的包裹占空比;
根据所述当前拐点的包裹占空比和与所述当前拐点临近的至少一个拐点的包裹占空比判断所述物流输送线是否处于运行状态;
若是,则根据所述当前拐点的包裹占空比和/或与所述当前拐点临近的至少一个拐点的包裹占空比判断当前拐点是否已经发生拥堵或是否即将发生拥堵;
若所述当前拐点的包裹占空比在第二预设时间内的变化率随着时间逐渐减小,则判定所述当前拐点即将发生拥堵,包括:将所述第二预设时间按照时间先后平均分成多个时段,分别记录各个所述时段的包裹占空比,并计算临近的两个时段的包裹占空比的变化率,当变化率随着时间的推移逐渐减小时,则判定当前拐点即将发生拥堵;
若与所述当前拐点临近的至少一个拐点的包裹占空比在第一预设时间内处于变化状态且所述当前拐点的包裹占空比在所述第一预设时间内保持不变,则判定所述当前拐点已经发生拥堵;
其中,所述包裹占空比为任一拐点上任一时刻同时存在的所有包裹形成的整体的上表面积与该拐点的上表面积之比。
2.根据权利要求1所述的监测方法,其特征在于,所述监测方法还包括:
根据所述物流输送线信息得到所述物流输送线的运动速度;
根据所述包裹信息和所述运动速度得到所述物流输送线上的包裹数量。
3.根据权利要求2所述的监测方法,其特征在于,根据所述包裹信息和所述运动速度得到所述物流输送线上的包裹数量的步骤,包括:
将所述包裹信息输入至预设模型得到所述包裹的形状信息和所述包裹在所述物流输送线上的位置信息;
根据所述形状信息、所述位置信息和所述运动速度得到所述包裹的运动信息;
根据所述运动信息对所述包裹进行追踪;
根据追踪结果得到所述包裹数量。
4.根据权利要求3所述的监测方法,其特征在于,所述预设模型包括卷积神经网络模型和多尺度特征提取模型。
5.根据权利要求1所述的监测方法,其特征在于,根据所述包裹信息和所述物流输送线信息得到当前拐点和与所述当前拐点临近的至少一个拐点的包裹占空比,包括:
根据所述包裹信息和所述物流输送线信息判断所述物流输送线表面是否磨损;
若是,根据所述包裹信息和所述物流输送线信息得到磨损面积;
根据所述磨损面积、所述包裹信息和所述物流输送线信息得到当前拐点和与所述当前拐点临近的至少一个拐点的包裹占空比。
6.根据权利要求1所述的监测方法,其特征在于,根据所述当前拐点的包裹占空比和与所述当前拐点临近的至少一个拐点的包裹占空比判断所述物流输送线是否处于运行状态,包括:
当所述当前拐点和与所述当前拐点临近的至少一个拐点中任意一个拐点的包裹占空比处于变化状态时,则判定所述物流输送线处于所述运行状态。
7.一种物流流转状态的监测系统,其特征在于,包括:
采集单元,用于实时采集物流输送线上的包裹信息和物流输送线信息;
计算单元,与所述采集单元连接,用于根据所述包裹信息和所述物流输送线信息得到当前拐点和与所述当前拐点临近的至少一个拐点的包裹占空比,及根据所述当前拐点的包裹占空比和与所述当前拐点临近的至少一个拐点的包裹占空比判断所述物流输送线是否处于运行状态,并在所述物流输送线处于所述运行状态时根据所述当前拐点的包裹占空比和/或与所述当前拐点临近的至少一个拐点的包裹占空比判断当前拐点是否已经发生拥堵或是否即将发生拥堵,若所述当前拐点的包裹占空比在第二预设时间内的变化率随着时间逐渐减小,则判定所述当前拐点即将发生拥堵,包括:将所述第二预设时间按照时间先后平均分成多个时段,分别记录各个所述时段的包裹占空比,并计算临近的两个时段的包裹占空比的变化率,当变化率随着时间的推移逐渐减小时,则判定当前拐点即将发生拥堵;若与所述当前拐点临近的至少一个拐点的包裹占空比在第一预设时间内处于变化状态且所述当前拐点的包裹占空比在所述第一预设时间内保持不变,则判定所述当前拐点已经发生拥堵;
其中,所述包裹占空比为任一拐点上任一时刻同时存在的所有包裹形成的整体的上表面积与该拐点的上表面积之比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110957434.0A CN113651061B (zh) | 2021-08-18 | 2021-08-18 | 一种物流流转状态的监测方法及监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110957434.0A CN113651061B (zh) | 2021-08-18 | 2021-08-18 | 一种物流流转状态的监测方法及监测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113651061A CN113651061A (zh) | 2021-11-16 |
CN113651061B true CN113651061B (zh) | 2023-04-14 |
Family
ID=78481439
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110957434.0A Active CN113651061B (zh) | 2021-08-18 | 2021-08-18 | 一种物流流转状态的监测方法及监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113651061B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115936406B (zh) * | 2023-02-01 | 2023-05-09 | 南通华泰信息科技有限公司 | 基于网络的数据信息终端系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001307277A (ja) * | 2000-04-17 | 2001-11-02 | Sumitomo Electric Ind Ltd | 交通渋滞緩和システム |
CN106228209A (zh) * | 2016-07-21 | 2016-12-14 | 中国地质大学武汉 | 一种基于rfid的公共场合人流量监控方法 |
CN106816008A (zh) * | 2017-02-22 | 2017-06-09 | 银江股份有限公司 | 一种道路拥堵预警及拥堵形成时间预测方法 |
CN108376406A (zh) * | 2018-01-09 | 2018-08-07 | 公安部上海消防研究所 | 一种用于通道堵塞判别的动态递归建模和融合跟踪方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5915407B2 (ja) * | 2012-06-25 | 2016-05-11 | サクサ株式会社 | 監視システム |
CN108550259B (zh) * | 2018-04-19 | 2020-05-12 | 何澜 | 道路拥堵判断方法、终端设备及计算机可读存储介质 |
CN110298612A (zh) * | 2019-05-21 | 2019-10-01 | 菜鸟智能物流控股有限公司 | 物流对象管理系统和物流对象管理方法 |
CN110910355A (zh) * | 2019-11-07 | 2020-03-24 | 浙江大华技术股份有限公司 | 包裹堵塞检测方法、装置以及计算机存储介质 |
CN112224788B (zh) * | 2020-09-02 | 2022-03-15 | 福建(泉州)哈工大工程技术研究院 | 一种自动定位智慧物流输送线的控制方法 |
CN112629533B (zh) * | 2020-11-11 | 2023-07-25 | 南京大学 | 基于路网栅格化道路车流预测的精细化路径规划方法 |
CN112862161A (zh) * | 2021-01-18 | 2021-05-28 | 上海燕汐软件信息科技有限公司 | 货物分拣管理方法、装置、电子设备和存储介质 |
-
2021
- 2021-08-18 CN CN202110957434.0A patent/CN113651061B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001307277A (ja) * | 2000-04-17 | 2001-11-02 | Sumitomo Electric Ind Ltd | 交通渋滞緩和システム |
CN106228209A (zh) * | 2016-07-21 | 2016-12-14 | 中国地质大学武汉 | 一种基于rfid的公共场合人流量监控方法 |
CN106816008A (zh) * | 2017-02-22 | 2017-06-09 | 银江股份有限公司 | 一种道路拥堵预警及拥堵形成时间预测方法 |
CN108376406A (zh) * | 2018-01-09 | 2018-08-07 | 公安部上海消防研究所 | 一种用于通道堵塞判别的动态递归建模和融合跟踪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113651061A (zh) | 2021-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kim et al. | Multi-camera vision-based productivity monitoring of earthmoving operations | |
CN103247177B (zh) | 大规模路网交通流实时动态预测系统 | |
CN110336703A (zh) | 基于边缘计算的工业大数据监测系统 | |
CN111768030B (zh) | 银行运输配送线路规划方法和装置、设备以及介质 | |
CN108171452A (zh) | 一种快递点选址方法及装置 | |
CN113651061B (zh) | 一种物流流转状态的监测方法及监测系统 | |
US7587804B2 (en) | System and method for optimization of product throughput | |
CN113177761A (zh) | 一种考虑时效性的电商仓储智能排产预警系统 | |
CN107610282A (zh) | 一种公交客流统计系统 | |
CN110910355A (zh) | 包裹堵塞检测方法、装置以及计算机存储介质 | |
CN106789270A (zh) | 一种信息系统集中运维管理的实现方法及系统 | |
US11443513B2 (en) | Systems and methods for resource analysis, optimization, or visualization | |
CN116362501A (zh) | 一种散货港口智慧生产管控系统 | |
CN109508621A (zh) | 装卸口状态监控方法、装置、设备及其存储介质 | |
CN111056258B (zh) | 一种智能调整传送带的方法和装置 | |
Yadav et al. | Adaptive traffic management system using IoT and machine learning | |
CN102355575A (zh) | 一种具有预警功能的分布式视频监控装置 | |
CN114049301A (zh) | 一种基于目标检测的料场皮带堵料的检测系统 | |
Statsenko et al. | Developing software and hardware for automation of ground urban transport traffic management | |
CN115933685A (zh) | 一种巡检清洁方法、装置、设备及存储介质 | |
Pham et al. | Estimating truck queuing time at marine terminal gates | |
CN104063253A (zh) | 一种客流自动统计方法、一体机及其分布式系统 | |
CN114229387A (zh) | 一种皮带机物料流量的识别系统及方法 | |
CN114116756A (zh) | 一种工程造价数据修正系统及其方法 | |
CN112419003A (zh) | 一种基于大数据的服装跨区域快速反应供应链管理方法 |
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 |