CN114743073A - 一种基于深度学习的危险货物集装箱预警方法及装置 - Google Patents

一种基于深度学习的危险货物集装箱预警方法及装置 Download PDF

Info

Publication number
CN114743073A
CN114743073A CN202210658869.XA CN202210658869A CN114743073A CN 114743073 A CN114743073 A CN 114743073A CN 202210658869 A CN202210658869 A CN 202210658869A CN 114743073 A CN114743073 A CN 114743073A
Authority
CN
China
Prior art keywords
container
information
goods
deep learning
dangerous
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210658869.XA
Other languages
English (en)
Inventor
崔迪
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.)
China Waterborne Transport Research Institute
Original Assignee
China Waterborne Transport Research Institute
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 China Waterborne Transport Research Institute filed Critical China Waterborne Transport Research Institute
Priority to CN202210658869.XA priority Critical patent/CN114743073A/zh
Publication of CN114743073A publication Critical patent/CN114743073A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/90335—Query processing
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold

Landscapes

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

Abstract

本发明公开了一种基于深度学习的危险货物集装箱预警方法及装置，涉及危险货物预警技术领域，所述方法包括以下步骤：获取集装箱信息和货物信息；构建深度学习模型；基于识别结果判断货物是否为危险货物；判定集装箱具有安全运输环境；基于集装箱运输信息判定集装箱是否处于危险运输状态。本发明通过构建深度学习模型，基于深度学习模型对货物的X光扫描图像信息进行识别，得到货物的识别结果，利用识别结果判断货物是否属于危险货物，并在集装箱内运输危险货物时进行预警；还能够判定集装箱具有安全运输环境以及集装箱是否处于危险运输状态，并在判定结果为时进行预警，提高危险货物集装箱运输的安全性。

Description

一种基于深度学习的危险货物集装箱预警方法及装置
技术领域
本发明具体涉及危险货物预警技术领域，具体是一种基于深度学习的危险货物集装箱预警方法及装置。
背景技术
众所周知，危险货物具有易燃易爆、有毒有害的理化特性，在航运过程中极易发生泄漏、火灾、爆炸等严重事故，进而对长江航道、通航建筑物、其他航行船舶以及周边人民生活和工业生产场所造成严重的不利影响。
危险货物集装箱运输要求更高，业务流程更为复杂；因此，危险货物集装箱运价通常比普通货物集装箱高50%-100%，装卸、堆存等作业费率比普通货物集装箱高 200%-300%，出于压缩成本和牟取暴利的目的，往往普通货物集装箱里夹带危险货物，另外，危险货物集装箱监管查验力度不够，由于集装箱具有密封性，查验人员只有通过开箱检查才能直观了解箱内载运的货物情况；但在实际查验过程中，查验人员难以对每个集装箱实施开箱检查。目前我国各地监管部门对危险货物集装箱实施开箱检查的比例并不高。此外，我国专业的化学品鉴定评估机构数量较少且分布不均，而一般的鉴定评估机构由于缺乏专业的鉴定工具、资料和手段，难以对危险货物特别是新型危险货物实施有效的鉴定评估，导致我国危险货物集装箱监管查验效果不佳。
发明内容
本发明的目的在于提供一种基于深度学习的危险货物集装箱预警方法及装置，以解决上述背景技术中提出的由于集装箱具有密封性，查验人员只有通过开箱检查才能直观了解箱内载运的货物情况；但在实际查验过程中，查验人员难以对每个集装箱实施开箱检查。目前我国各地监管部门对危险货物集装箱实施开箱检查的比例并不高的问题。
为实现上述目的，本发明提供如下技术方案：
一种基于深度学习的危险货物集装箱预警方法，包括以下步骤：
S100、获取集装箱信息和货物信息，所述货物为集装箱的装箱货物，所述集装箱信息包括集装箱运输信息和集装箱实时监测数据，所述货物信息包括货物的X光扫描图像；
S200、构建深度学习模型，基于深度学习模型对货物的X光扫描图像信息进行识别，得到货物的识别结果，所述识别结果包括货物的名称和种类；
S300、基于识别结果判断货物是否为危险货物，若是，则生成第一预警信息，并进行步骤S400，若不是，进行步骤S500；
S400、基于识别结果设置集装箱实时监测数据的阈值，将实时监测数据与阈值进行对比，实时监测数据处于阈值范围内时，判定集装箱具有安全运输环境，监测数据超出阈值范围时，判定集装箱不具有安全运输环境，并生成第二预警信息；
S500、基于集装箱运输信息判定集装箱是否处于危险运输状态，若是，则生成第三预警信息；
S600、发送第一、第二和第三预警信息。
作为本发明进一步的方案：步骤S100中，所述集装箱运输信息包括：
集装箱信息、运输所述集装箱的船舶信息以及集装箱装箱货物的货物清单；
货物的装箱信息，包括装箱人员和审批人员信息；
船舶的运输路径、始发位置和终点位置信息以及船员信息；
集装箱的实时位置信息。
作为本发明再进一步的方案：步骤S100中，所述货物信息还包括有货物名称、货物体积、货物重量、货物种类信息以及货物的发货和到货信息，该货物的发货和到货信息包括：发货人、收货人信息以及发货时间和到货时间信息。
作为本发明再进一步的方案：步骤S200中，所述深度学习模型的构建方法为：
S201、获取训练数据，所述训练数据为货物图像库，货物图像库包括标注过名称和种类的货物图片和货物图标，将训练数据分为训练集、验证集和测试集，需要说明的是，训练数据经过了图像预处理，该图像预处理方法为图像灰度处理，包括对图像进行高斯模糊，降低图像噪声，接着对图像的R、G、B三通道进行加权灰度处理；
S202、构建深度学习模型，所述深度学习模型包括卷积模块，所述卷积模块设有五段卷积，每段卷积均包括有卷积层、ReLu激活层和池化层；
S203、使用训练集的数据对构建的深度学习模型进行训练，即将训练集数据输入到步骤S202中的深度学习模型进行迭代；
S204、使用验证集的数据对训练好的深度学习模型进行验证；
S205、将测试集的数据输入到训练好的深度学习模型，得到识别结果，所述识别结果为货物的名称和种类；
S206、判断识别结果是否符合预期，结果不符合时，继续步骤S203；结果符合时，深度学习模型构建完成。
作为本发明再进一步的方案：步骤S201中，将训练数据分为训练集、验证集和测试集的方式为：
随机选取处理好的训练数据，将训练数据中80％数据作为训练集，10％作为验证集，10％作为测试集。
作为本发明再进一步的方案：步骤S202中，所述卷积模块设有五段卷积，每段卷积均包括有卷积层、ReLu激活层和池化层，其中：
第一段卷积：包括两个卷积层，每层64个卷积核；
第二段卷积：包括两个卷积层，每层128个卷积核；
第三段卷积：包括三个卷积层，每层256个卷积核；
第四段卷积：包括三个卷积层，每层512个卷积核；
第五段卷积：包括三个卷积层，每层512个卷积核。
作为本发明再进一步的方案：所述深度学习模型还包括有输入层、全连接层和输出层，所述输入层与卷积模块连接，所述卷积模块与全连接层连接，所述全连接层与输出层连接，最后一段卷积完成特征提取后与全连接层连接，整合卷积模块提取得到的特征，得到一个识别结果。
作为本发明再进一步的方案：步骤S300中，根据识别结果判断货物是否为危险货物的方法包括以下步骤：
a、建立危险货物数据库，所述危险货物数据库包括危险货物名称和分类；
b、提取识别结果的关键词，基于所述关键词对危险货物数据库进行检索，得到检索结果，所述检索结果包括危险货物数据库存在具有所述关键词的货物和不存在具有所述关键词的货物；
c、检索结果为危险货物数据库存在具有所述关键词的货物时，判定识别结果对应的货物为危险货物。
作为本发明再进一步的方案：还包括有在货物输运前进行预评估的方法，所述方法设置于步骤S100和步骤S200之间，预评估方法包括以下步骤：
步骤一、构建预评估模型，所述预评估模型为：
Figure 297031DEST_PATH_IMAGE001
其中，B表示瞒报风险，A表示风险因素权重向量矩阵，R表示等级模糊综合评价矩 阵，
Figure 237305DEST_PATH_IMAGE002
，
Figure 698374DEST_PATH_IMAGE003
表示因素集U关于评判等级V的隶属程度，
Figure 714568DEST_PATH_IMAGE004
，
Figure 893876DEST_PATH_IMAGE005
，对U中每一因素根据评判等级V中 的等级指标进行评判，得到等级模糊综合评价矩阵R；
步骤二、基于集装箱运输信息中的货物发货人信息、装箱人信息、申报人信息建立因素集，对因素集中各因素进行评级，建立评判等级，将因素集和评判等级输入预评估模型，得到评价结果；
步骤三、基于评价结果判断是否存在瞒报行为。
一种基于深度学习的危险货物集装箱预警装置，包括：
获取模块，用于获取集装箱信息和货物信息，所述货物为集装箱的装箱货物，所述集装箱信息包括集装箱运输信息和集装箱实时监测数据，所述货物信息包括货物的X光扫描图像；
处理模块，用于构建深度学习模型，基于深度学习模型对货物的X光扫描图像信息进行识别，得到货物的识别结果；还用于基于所述识别结果生成实时监测数据的阈值；
判断模块，用于基于所述识别结果判断货物是否为危险货物，结果为是时发送第一指令；还用于基于所述阈值判定集装箱是否具有安全运输环境，结果为是时发送第二指令；以及，基于集装箱运输信息判定集装箱是否处于危险运输状态，结果为是时发送第三指令；
预警信息生成模块，用于基于第一指令生成第一预警信息；还用于基于第二指令生成第二预警信息；以及，基于第三指令生成第三预警信息。
与现有技术相比，本发明的有益效果是：本发明通过构建深度学习模型，基于深度学习模型对货物的X光扫描图像信息进行识别，得到货物的识别结果，利用识别结果判断货物是否属于危险货物，并在集装箱内运输危险货物时进行预警；还能够判定集装箱具有安全运输环境以及集装箱是否处于危险运输状态，并在判定结果为时进行预警，从而对危险货物以及运输危险货物集装箱的船舶进行监测，提高危险货物集装箱运输的安全性。
附图说明
图1为基于深度学习的危险货物集装箱预警方法的流程图。
图2为基于深度学习的危险货物集装箱预警方法中预评估方法的流程图。
图3为基于深度学习的危险货物集装箱预警装置的结构框图。
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在没有做出创造性劳动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。
危险货物集装箱运输要求更高，业务流程更为复杂；因此，危险货物集装箱运价通常比普通货物集装箱高50%-100%，装卸、堆存等作业费率比普通货物集装箱高 200%-300%，出于压缩成本和牟取暴利的目的，往往普通货物集装箱里夹带危险货物，另外，危险货物集装箱监管查验力度不够，由于集装箱具有密封性，查验人员只有通过开箱检查才能直观了解箱内载运的货物情况；但在实际查验过程中，查验人员难以对每个集装箱实施开箱检查。目前我国各地监管部门对危险货物集装箱实施开箱检查的比例并不高。此外，我国专业的化学品鉴定评估机构数量较少且分布不均，而一般的鉴定评估机构由于缺乏专业的鉴定工具、资料和手段，难以对危险货物特别是新型危险货物实施有效的鉴定评估，导致我国危险货物集装箱监管查验效果不佳。
基于此，请参阅图1-2，本发明实施例中，一种基于深度学习的危险货物集装箱预警方法，包括以下步骤：
S100、获取集装箱信息和货物信息，所述货物为集装箱的装箱货物，所述集装箱信息包括集装箱运输信息和集装箱实时监测数据，所述货物信息包括货物的X光扫描图像；
在本发明实施例中，所述集装箱运输信息包括：
集装箱信息、运输所述集装箱的船舶信息以及集装箱装箱货物的货物清单；
货物的装箱信息，包括装箱人员和审批人员信息；
船舶的运输路径、始发位置和终点位置信息以及船员信息；
集装箱的实时位置信息，该集装箱的实时位置信息由安装于集装箱中的定位设备提供，本实施例中，该定位设备为GPRS定位设备；
还有，所述货物信息还包括有货物名称、货物体积、货物重量、货物种类信息以及货物的发货和到货信息，该货物的发货和到货信息包括：发货人、收货人信息以及发货时间和到货时间信息。
S200、构建深度学习模型，基于深度学习模型对货物的X光扫描图像信息进行识别，得到货物的识别结果，所述识别结果包括货物的名称和种类；
在本发明实施例中，所述深度学习模型包括卷积模块，所述卷积模块设有五段卷积，每段卷积均包括有卷积层、ReLu激活层和池化层，其中：
第一段卷积：包括两个卷积层，每层64个卷积核；
第二段卷积：包括两个卷积层，每层128个卷积核；
第三段卷积：包括三个卷积层，每层256个卷积核；
第四段卷积：包括三个卷积层，每层512个卷积核；
第五段卷积：包括三个卷积层，每层512个卷积核。
各段卷积中的卷积层使用的卷积核相同，尺寸为3*3，卷积步长均为1，每个卷积层后均设有ReLu激活层，ReLu激活层采用ReLu激活函数对卷积得到的特征图片进行激活，每段卷积后军设有池化层，本实施例优选采用最大池化层，池化层的池化核大小为2*2*64，步长为2，用于对卷积提取的特征图进行降维处理；
进一步的，所述深度学习模型还包括有输入层、全连接层和输出层，所述输入层与卷积模块连接，所述卷积模块与全连接层连接，所述全连接层与输出层连接，最后一段卷积完成特征提取后与全连接层连接，整合卷积模块提取得到的特征，得到一个识别结果；
在本发明实施例中，所述深度学习模型的构建方法为：
S201、获取训练数据，所述训练数据为货物图像库，货物图像库包括标注过名称和种类的货物图片和货物图标，将训练数据分为训练集、验证集和测试集，需要说明的是，训练数据经过了图像预处理，本实施例中，该图像预处理方法为图像灰度处理，包括对图像进行高斯模糊，降低图像噪声，接着对图像的R、G、B三通道进行加权灰度处理；
S202、构建深度学习模型，所述深度学习模型包括卷积模块，所述卷积模块设有五段卷积，每段卷积均包括有卷积层、ReLu激活层和池化层；
S203、使用训练集的数据对构建的深度学习模型进行训练，即将训练集数据输入到步骤S202中的深度学习模型进行迭代；
S204、使用验证集的数据对训练好的深度学习模型进行验证；
S205、将测试集的数据输入到训练好的深度学习模型，得到识别结果，所述识别结果为货物的名称和种类；
S206、判断识别结果是否符合预期，结果不符合时，继续步骤S203；结果符合时，深度学习模型构建完成。
步骤S201中，将训练数据分为训练集、验证集和测试集的方式为：
随机选取处理好的训练数据，将训练数据中80％数据作为训练集，10％作为验证集，10％作为测试集，设训练数据具有65000条心电数据，分类后得到训练集52000条，验证集6500条，测试集6500条；
在训练过程中，把训练集数据每一张数据集大小调整为224*224尺寸大小，首先输入数据和5段卷积中第一段第一层卷积层进行卷积操作，卷积核为3*3*64，步长stride为1，计算第一段卷积第一层输出为222*222*64，为了和原图片尺寸保持一致，还需要通过padding对卷积后特征图片四周进行补零操作，所以实际输出为224*224*64，经过Relu激活函数激活后来到第一段第二层卷积层，输入为224*224*64，同样卷积核为3*3*64，步长为stride为1，经过padding四周补零后，输出为224*224*64，通过Relu激活函数激活后完成第一段卷积特征提取，在第一段卷积最后通过最大池化层对第一段卷积提取的特征图进行降维处理，特征图大小变为原始图像一半，变为112*112*64，依次类推第二段卷积，卷积核为128，所以经过第二段卷积后输出为56*56*128，第三段卷积输出28*28*256，第四段卷积输出为14*14*512，最后一段输出为7*7*512。
S300、基于识别结果判断货物是否为危险货物，若是，则生成第一预警信息，并进行步骤S400，若不是，进行步骤S500；
根据《国际海运危险货物规则》，危险货物分为9类：第1类为爆炸品；第2类为气体；第3类为易燃液体；第4类为易燃固体、易自燃物质和遇水放出易燃气体的物质；第5类为氧化物质和有机过氧化物；第6类为有毒和感染性物质；第7类为放射性材料；第8类为腐蚀性物质；第9类为杂类危险物质和物品。就危险货物集装箱运输而言：第1类、第2类、第5类和第7类危险货物的危险级别较高，第4类、第6类、第8类和第9类危险货物的危险级别相对较低，在本发明实施例中，经由步骤S200得到识别结果后，即可根据识别结果判断货物是否为危险货物，具体方法为：
a、建立危险货物数据库，所述危险货物数据库包括危险货物名称和分类，所述危险货物为《国际海运危险货物规则》中涵盖的所有的危险货物；
b、提取识别结果的关键词，基于所述关键词对危险货物数据库进行检索，得到检索结果，所述检索结果包括危险货物数据库存在具有所述关键词的货物和不存在具有所述关键词的货物；
c、检索结果为危险货物数据库存在具有所述关键词的货物时，判定识别结果对应的货物为危险货物。
S400、基于识别结果设置集装箱实时监测数据的阈值，将实时监测数据与阈值进行对比，实时监测数据处于阈值范围内时，判定集装箱具有安全运输环境，监测数据超出阈值范围时，判定集装箱不具有安全运输环境，并生成第二预警信息；
需要说明的时，在本发明实施例中，所述集装箱实时监测数据包括集装箱内部的温湿度数据、加速度数据、静电数据、压力数据、气体浓度数据等，危险货物在满足一定的运输条件下可以进行运输，本发明实施例中的步骤S400是为了判别集装箱本身是否具备为危险货物提供所需安全的外部环境条件，集装箱实时监测数据即为表征外部环境条件安全特性的特征数据；
以易燃易爆类危险品烟花爆竹为例，对于爆炸性物质，感度是指爆炸性物质具有一定的稳定性，需要在一定的外界作用下才能发生爆炸反应；爆炸物的感度是用爆炸性物质在外界作用下发生爆炸反应所必需的最小能量来表示的；常用来衡量爆炸性物质性的感度有：热感度、火焰感度、机械感度、压力感度、静电感度等。
1、热感度：烟花爆竹对湿度和温度的感度都较高，常用药剂的自燃点和点火温度较低；气温过高时，空间内通风散热不良易引起火灾爆炸；湿度过大时，烟花爆竹成分中的铝银粉、镁铝合金粉等物质遇湿反应剧烈，放出大量可燃气体和热量，若散热不及时，热能蓄积而达到药剂自燃点而引起燃烧和爆炸；
2、火焰感度：在一定条件下，烟花爆竹药剂受火焰作用而发火的难易程度称为火焰感度。测定火焰感度的常用方法有导火索法、标准黑药柱法、电火花法等。实验发现，黑火药的发火极限为2crn，瞎火极限为15cm。含氯酸钾的红色发光剂发火极限为0．5mm，瞎火极限为20mm；
3、机械感度：分为摩擦感度、撞击感度两种。对摩擦比较敏感的药剂有氯酸钾一磷的混合物、氯酸钾—硫—雄黄混合物、氯酸钾—硫化锑一木碳混合物。这些药物对外界摩擦、撞击十分敏感，甚至于用排笔扫药，用扫帚清扫浮药都会收起；
4、压力感度：不同烟花爆竹在压力的作用下发生的化学反应不同，在不同的压力下相同药剂的化学作用也是迥异的。集装箱内大气压力是影响烟花爆竹运输安全性的另一大重要因素，压力过大的情况下，组成烟花爆竹的化学材料(如硫、磷等)会产生较大的化学反应，从而导致集装箱内温度上升，乃至造成连环爆炸；
5、静电感度：烟火药物在生产、运输过程中，由于摩擦会产生静电，当静电积聚到一定程度就会因静电放电，导致药剂发火燃烧爆炸。一般静电电压达到300V时，放电火花就能够点燃烟火药。静电能够引起火灾爆炸的根本原因在于静电释放出具有点火能力的电火花引。成品烟花爆竹及其内含的烟火剂是电的不良导体，静电能在生产、包装、装卸等过程中产生，而一旦发生放电现象并达到着火点会引起。
S500、基于集装箱运输信息判定集装箱是否处于危险运输状态，若是，则生成第三预警信息，具体的：
所述集装箱运输信息包括船舶的运输路径、始发位置和终点位置信息、船员信息以及集装箱的实时位置信息，通过判断船舶是否在预设位置出发、到达以及在船舶航行过程中是否处于预设航线判定集装箱是否处于危险运输状态。
S600、发送第一、第二和第三预警信息。
在本发明实施例中，还包括有在货物输运前进行预评估的方法，所述方法设置于步骤S100和步骤S200之间，具体的，该方法包括：
步骤一、构建预评估模型，所述预评估模型为：
Figure 106683DEST_PATH_IMAGE006
其中，B表示瞒报风险，A表示风险因素权重向量矩阵，R表示等级模糊综合评价矩 阵，
Figure 15733DEST_PATH_IMAGE007
，
Figure 288582DEST_PATH_IMAGE008
表示因素集U关于评判等级V的隶属程度，
Figure 627291DEST_PATH_IMAGE009
，
Figure 643789DEST_PATH_IMAGE010
，对U中每一因素根据评判等 级V中的等级指标进行评判，得到等级模糊综合评价矩阵R；
步骤二、基于集装箱运输信息中的货物发货人信息、装箱人信息、申报人信息建立因素集，对因素集中各因素进行评级，建立评判等级，将因素集和评判等级输入预评估模型，得到评价结果；
步骤三、基于评价结果判断是否存在瞒报行为，由于集装箱具有密封性，查验人员只有通过开箱检查才能直观了解箱内载运的货物情况；但在实际查验过程中，查验人员难以对每个集装箱实施开箱检查，故而存在瞒报、谎报的情况，涉及瞒报、谎报的危险货物主要有化妆品、香水、酒类、电池和烟花爆竹等，近年来，全球因危险货物集装箱瞒报、谎报而引发的火灾和爆炸等事故已导致数十艘大型集装箱船舶遭受严重损失，对船舶、货物、港口、人员等均造成巨大危害，因此，本实施例在货物输运前进行预评估的方法的目的是为了对集装箱的瞒报、谎报行为的发送概率进行评估，降低集装箱的瞒报、谎报的发生概率，提供集装箱运输时的安全性。
请参阅图3，本发明还公开了一种基于深度学习的危险货物集装箱预警装置，包括获取模块100、处理模块200、判断模块300和预警信息生成模块400，所述获取模块100与处理模块200、判断模块300连接，所述处理模块200与判断模块300连接，所述判断模块300与预警信息生成模块400连接，其中：
获取模块100，用于获取集装箱信息和货物信息，所述货物为集装箱的装箱货物，所述集装箱信息包括集装箱运输信息和集装箱实时监测数据，所述货物信息包括货物的X光扫描图像；
处理模块200，用于构建深度学习模型，基于深度学习模型对货物的X光扫描图像信息进行识别，得到货物的识别结果；还用于基于所述识别结果生成实时监测数据的阈值；
判断模块300，用于基于所述识别结果判断货物是否为危险货物，结果为是时发送第一指令；还用于基于所述集装箱实时监测数据和阈值判定集装箱是否具有安全运输环境，结果为是时发送第二指令；以及，基于集装箱运输信息判定集装箱是否处于危险运输状态，结果为是时发送第三指令；
预警信息生成模块400，用于基于第一指令生成第一预警信息；还用于基于第二指令生成第二预警信息；以及，基于第三指令生成第三预警信息；
进一步的，在本发明实施例中，还包括有发送模块500和显示模块600，其中：
所述发送模块500与预警信息生成模块400连接，用于获取第一、第二和第三预警信息，将第一、第二和第三预警信息发送给显示模块600；
预警模块600，用于获取第一、第二和第三预警信息，基于第一、第二和第三预警信息进行报警，报警方法为声光报警，具体的：
1、波长为0.480-0.455μm的蓝光，对应第一预警信息；
2、波长为0.597-0.577μm的黄光，对应第二预警信息；
3、波长为0.760-0.622μm的红光，对应第三预警信息。
综上所述，本发明通过构建深度学习模型，基于深度学习模型对货物的X光扫描图像信息进行识别，得到货物的识别结果，利用识别结果判断货物是否属于危险货物，并在集装箱内运输危险货物时进行预警；还能够判定集装箱具有安全运输环境以及集装箱是否处于危险运输状态，并在判定结果为时进行预警，从而对危险货物以及运输危险货物集装箱的船舶进行监测，提高危险货物集装箱运输的安全性。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (10)

1.一种基于深度学习的危险货物集装箱预警方法，其特征在于，包括以下步骤：
S100、获取集装箱信息和货物信息，所述集装箱信息包括集装箱运输信息和集装箱实时监测数据，所述货物信息包括货物的X光扫描图像；
S200、构建深度学习模型，基于深度学习模型对货物的X光扫描图像进行识别，得到货物的识别结果，所述识别结果包括货物的名称和种类；
S300、基于识别结果判断货物是否为危险货物，若是，生成第一预警信息，并进行步骤S400，若不是，进行步骤S500；
S400、基于识别结果设置集装箱实时监测数据的阈值，将集装箱实时监测数据与阈值进行对比，当集装箱实时监测数据小于阈值时，判定集装箱具有安全运输环境，否则，判定集装箱不具有安全运输环境，并生成第二预警信息；
S500、基于集装箱运输信息判定集装箱是否处于危险运输状态，若是，则生成第三预警信息；
S600、发送第一、第二和第三预警信息。
2.根据权利要求1所述的基于深度学习的危险货物集装箱预警方法，其特征在于，步骤S100中，所述集装箱运输信息包括：
集装箱信息、运输所述集装箱的船舶信息以及集装箱装箱货物的货物清单；
货物的装箱信息，包括装箱人员和审批人员信息；
船舶的运输路径、始发位置、终点位置信息以及船员信息；
集装箱的实时位置信息。
3.根据权利要求2所述的基于深度学习的危险货物集装箱预警方法，其特征在于，步骤S100中，所述货物信息还包括有货物名称、货物体积、货物重量、货物种类信息以及货物的发货和到货信息，货物的发货和到货信息包括：发货人、收货人信息以及发货时间和到货时间信息。
4.根据权利要求1所述的基于深度学习的危险货物集装箱预警方法，其特征在于，步骤S200中，所述深度学习模型的构建方法为：
S201、获取训练数据，所述训练数据为货物图像库，货物图像库包括标注过名称和种类的货物图片和货物图标，将训练数据分为训练集、验证集和测试集；
S202、构建深度学习模型，所述深度学习模型包括卷积模块，所述卷积模块设有五段卷积，每段卷积均包括有卷积层、ReLu激活层和池化层；
S203、使用训练集的数据对构建的深度学习模型进行训练，即将训练集数据输入到步骤S202中的深度学习模型进行迭代；
S204、使用验证集的数据对训练好的深度学习模型进行验证；
S205、将测试集数据输入到训练好的深度学习模型，得到识别结果，所述识别结果为货物的名称和种类；
S206、判断识别结果是否符合预期，结果不符合时，继续步骤S203；结果符合时，深度学习模型构建完成。
5.根据权利要求4所述的基于深度学习的危险货物集装箱预警方法，其特征在于，步骤S201中，将训练数据分为训练集、验证集和测试集的方式为：
随机选取处理好的训练数据，将训练数据中80％数据作为训练集，10％作为验证集，10％作为测试集。
6.根据权利要求5所述的基于深度学习的危险货物集装箱预警方法，其特征在于，步骤S202中，所述卷积模块设有五段卷积，其中：
第一段卷积：包括两个卷积层，每层64个卷积核；
第二段卷积：包括两个卷积层，每层128个卷积核；
第三段卷积：包括三个卷积层，每层256个卷积核；
第四段卷积：包括三个卷积层，每层512个卷积核；
第五段卷积：包括三个卷积层，每层512个卷积核。
7.根据权利要求6所述的基于深度学习的危险货物集装箱预警方法，其特征在于，所述深度学习模型还包括有输入层、全连接层和输出层，所述输入层与卷积模块连接，所述卷积模块与全连接层连接，所述全连接层与输出层连接，最后一段卷积完成特征提取后与全连接层连接，整合卷积模块提取得到的特征，得到识别结果。
8.根据权利要求1所述的基于深度学习的危险货物集装箱预警方法，其特征在于，步骤S300中，根据识别结果判断货物是否为危险货物的方法包括以下步骤：
a、建立危险货物数据库，所述危险货物数据库包括危险货物名称和分类；
b、提取识别结果的关键词，基于所述关键词对危险货物数据库进行检索，得到检索结果；
c、检索结果为危险货物数据库存在具有所述关键词的货物时，判定识别结果对应的货物为危险货物。
9.根据权利要求2所述的基于深度学习的危险货物集装箱预警方法，其特征在于，还包括有在货物输运前进行预评估的方法，所述方法设置于步骤S100和步骤S200之间，预评估方法包括以下步骤：
步骤一、构建预评估模型，所述预评估模型为：
Figure 27944DEST_PATH_IMAGE001
其中，B表示瞒报风险，A表示风险因素权重向量矩阵，R表示等级模糊综合评价矩阵，
Figure 865885DEST_PATH_IMAGE002
，
Figure 736889DEST_PATH_IMAGE003
表示因素集U关于评判等级V的隶属程度，
Figure 874610DEST_PATH_IMAGE004
，
Figure 477760DEST_PATH_IMAGE005
，对U中每一因素根据评判等级V中 的等级指标进行评判，得到等级模糊综合评价矩阵R；
步骤二、基于集装箱运输信息中的货物发货人信息、装箱人信息、申报人信息建立因素集，对因素集中各因素进行评级，建立评判等级，将因素集和评判等级输入预评估模型，得到评价结果；
步骤三、基于评价结果判断是否存在瞒报行为。
10.根据权利要求1-9任一所述的基于深度学习的危险货物集装箱预警方法的装置，其特征在于，包括：
获取模块，用于获取集装箱信息和货物信息，所述集装箱信息包括集装箱运输信息和集装箱实时监测数据，所述货物信息包括货物的X光扫描图像；
处理模块，用于构建深度学习模型，基于深度学习模型对货物的X光扫描图像信息进行识别，得到货物的识别结果；还用于基于所述识别结果生成实时监测数据的阈值；
判断模块，用于基于所述识别结果判断货物是否为危险货物，结果为是时发送第一指令；还用于基于所述集装箱实时监测数据和阈值判定集装箱是否具有安全运输环境，结果为是时发送第二指令；以及，基于集装箱运输信息判定集装箱是否处于危险运输状态，结果为是时发送第三指令；
预警信息生成模块，用于基于第一指令生成第一预警信息；还用于基于第二指令生成第二预警信息；以及，基于第三指令生成第三预警信息。
CN202210658869.XA 2022-06-13 2022-06-13 一种基于深度学习的危险货物集装箱预警方法及装置 Pending CN114743073A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210658869.XA CN114743073A (zh) 2022-06-13 2022-06-13 一种基于深度学习的危险货物集装箱预警方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210658869.XA CN114743073A (zh) 2022-06-13 2022-06-13 一种基于深度学习的危险货物集装箱预警方法及装置

Publications (1)

Publication Number Publication Date
CN114743073A true CN114743073A (zh) 2022-07-12

Family

ID=82287434

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210658869.XA Pending CN114743073A (zh) 2022-06-13 2022-06-13 一种基于深度学习的危险货物集装箱预警方法及装置

Country Status (1)

Country Link
CN (1) CN114743073A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116257601A (zh) * 2023-03-01 2023-06-13 云目未来科技(湖南)有限公司 一种基于深度学习的违法词库构建方法及系统
CN116308003A (zh) * 2023-02-06 2023-06-23 交通运输部水运科学研究所 一种基于机器学习的危险货物自动化装卸安全测试方法
CN117191126A (zh) * 2023-09-08 2023-12-08 扬州日新通运物流装备有限公司 一种集装箱自检系统、方法、装置及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017008180A1 (zh) * 2015-07-16 2017-01-19 广东产品质量监督检验研究院 一种光伏组件失效风险判别方法
CN108303747A (zh) * 2017-01-12 2018-07-20 清华大学 检查设备和检测枪支的方法
CN111985466A (zh) * 2020-08-19 2020-11-24 上海海事大学 一种集装箱危险品标志识别方法
US20220084186A1 (en) * 2018-12-21 2022-03-17 Canscan Softwares And Technologies Inc. Automated inspection system and associated method for assessing the condition of shipping containers
CN114548839A (zh) * 2022-04-26 2022-05-27 交通运输部水运科学研究所 基于风险分级和定位的危险货物集装箱落水分类救援方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017008180A1 (zh) * 2015-07-16 2017-01-19 广东产品质量监督检验研究院 一种光伏组件失效风险判别方法
CN108303747A (zh) * 2017-01-12 2018-07-20 清华大学 检查设备和检测枪支的方法
US20220084186A1 (en) * 2018-12-21 2022-03-17 Canscan Softwares And Technologies Inc. Automated inspection system and associated method for assessing the condition of shipping containers
CN111985466A (zh) * 2020-08-19 2020-11-24 上海海事大学 一种集装箱危险品标志识别方法
CN114548839A (zh) * 2022-04-26 2022-05-27 交通运输部水运科学研究所 基于风险分级和定位的危险货物集装箱落水分类救援方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
冯媛: "危险货物集装箱水上运输风险与管理", 《船舶物资与市场》 *
孙彤等: "基于大数据处理技术的船载危险货物集装箱智能选箱系统开发", 《集装箱化》 *
王文靓: "基于群决策的危险品航空运输托运人的代理人风险评估", 《滨州学院学报》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116308003A (zh) * 2023-02-06 2023-06-23 交通运输部水运科学研究所 一种基于机器学习的危险货物自动化装卸安全测试方法
CN116308003B (zh) * 2023-02-06 2023-11-17 交通运输部水运科学研究所 一种基于机器学习的危险货物自动化装卸安全测试方法
CN116257601A (zh) * 2023-03-01 2023-06-13 云目未来科技(湖南)有限公司 一种基于深度学习的违法词库构建方法及系统
CN117191126A (zh) * 2023-09-08 2023-12-08 扬州日新通运物流装备有限公司 一种集装箱自检系统、方法、装置及存储介质
CN117191126B (zh) * 2023-09-08 2024-06-04 扬州日新通运物流装备有限公司 一种集装箱自检系统、方法、装置及存储介质

Similar Documents

Publication Publication Date Title
CN114743073A (zh) 一种基于深度学习的危险货物集装箱预警方法及装置
Crowl Understanding explosions
Yu et al. Comprehensive study on the catastrophic explosion of ammonium nitrate stored in the warehouse of Beirut port
Khan et al. MAXCRED–a new software package for rapid risk assessment in chemical process industries
KR101978662B1 (ko) 복합센서를 이용한 화물의 보안운송 시스템
CN114548839B (zh) 基于风险分级和定位的危险货物集装箱落水分类救援方法
Tumanov et al. Elaboration of theoretical methods for assessment of isolated and combined physical damage effects of technogenic accident while transporting radiological materials by multimodal transport
National Research Council et al. Containing the threat from illegal bombings: an integrated national strategy for marking, tagging, rendering inert, and licensing explosives and their precursors
National Research Council Black and smokeless powders: technologies for finding bombs and the bomb makers
Park et al. What can the trove of CSB incident investigations teach us? A detailed analysis of information characteristics among chemical process incidents investigated by the CSB
CN113344363A (zh) 一种烟花爆竹企业重大安全风险重大风险辨识与评估方法
Vaidogas et al. The risk to structures built near roads and rails used for moving hazardous materials
US6688475B2 (en) System for facilitating compliance with materials handling rules
CN117218081B (zh) 快件安检方法
PRASUŁA et al. SAFETY RISKS POSED BY PYROTECHNIC MATERIALS
Hertzberg A critique of the dust explosibility index: An alternative for estimating explosion probabilities
Taubert et al. Integrated Risk Assessment of a Dangerous Goods Container Terminal. A Bow-Tie Approach
Jianfeng et al. Real‐time data‐based risk assessment for hazard installations storing flammable gas
US9890092B1 (en) Explosives mimic for testing, training, and monitoring
Jelemensky et al. Reliable Risk Estimation in the Risk Analysis of Chemical Industry. Case Study: Ammonia Storage Pressurized Spherical Tank
Prasuła et al. Zagrożenia bezpieczeństwa stwarzane przez materiały pirotechniczne
Luo Blast Injuries from Explosion of Chemicals
Jitea et al. Testing of the pyrotechnic composition of the fireworks and the functional safety in order to evaluate the constructive and functional compliance with the specific rules and standards
ÖZGÜNER et al. How did the Policies of Explosive Transportation on Roads Comply with the Agreement Concerning the International Carriage of Dangerous Goods by Road (ADR) in Türkiye? A DEMATEL Method Evaluation of ADR Practicability
Leordean et al. COMPARATIVE STUDY ON LAND-USE PLANNING METHODOLOGIES BASED ON PHYSICAL EFFECTS, CONSEQUENCE AND RISK ANALYSIS FOR AMMONIUM NITRATE FERTILIZER PRODUCTION 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
RJ01 Rejection of invention patent application after publication

Application publication date: 20220712

RJ01 Rejection of invention patent application after publication