CN115099756A - 一种基于云视频信息处理的冷链食品物流可视化方法 - Google Patents

一种基于云视频信息处理的冷链食品物流可视化方法 Download PDF

Info

Publication number
CN115099756A
CN115099756A CN202210879170.6A CN202210879170A CN115099756A CN 115099756 A CN115099756 A CN 115099756A CN 202210879170 A CN202210879170 A CN 202210879170A CN 115099756 A CN115099756 A CN 115099756A
Authority
CN
China
Prior art keywords
data
representing
visualization
chain food
cold chain
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
Application number
CN202210879170.6A
Other languages
English (en)
Other versions
CN115099756B (zh
Inventor
孙炜
周婷
姜佰胜
孙利平
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.)
Shenzhen Zhongnong Yixun Information Technology Co ltd
Shenzhen Agricultural Products Co ltd
Original Assignee
Shenzhen Zhongnong Yixun Information Technology Co ltd
Shenzhen Agricultural Products 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 Shenzhen Zhongnong Yixun Information Technology Co ltd, Shenzhen Agricultural Products Co ltd filed Critical Shenzhen Zhongnong Yixun Information Technology Co ltd
Priority to CN202210879170.6A priority Critical patent/CN115099756B/zh
Publication of CN115099756A publication Critical patent/CN115099756A/zh
Application granted granted Critical
Publication of CN115099756B publication Critical patent/CN115099756B/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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/74—Browsing; Visualisation therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/75—Clustering; Classification
    • 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
    • G06Q10/0838—Historical data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Human Computer Interaction (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Cold Air Circulating Systems And Constructional Details In Refrigerators (AREA)

Abstract

本发明公开了一种基于云视频信息处理的冷链食品物流可视化方法，该方法包括，对冷链食品物流信息进行数据采集并传输到云端，在云端利用卷积神经网络对冷链食品物流数据进行预处理；对预处理后的冷链食品物流数据利用范数进行特征提取，用于描述数据之间的差异；建立数据搜寻方程，对特征提取后的数据进行归类；对可视化数据利用建立的数据范围函数寻找出数据范围中的最优解；利用可视化函数对物流数据进行图像生成并展示；对可视化结果进行判断，判断是否为最佳展示效果，该方法在海量数据中，改善数据可视化提取质量，同时建立评估过程，提高可视化过程的准确性。

Description

一种基于云视频信息处理的冷链食品物流可视化方法
技术领域
本发明涉及物流与算法的领域，尤其涉及一种基于云视频信息处理的冷链食品物流可视化方法。
背景技术
近年来，我国冷链食品市场发展迅速，冷链食品物流的发展前景引起业内广泛关注。但现有的冷链食品物流还未形成完整而独立的冷链体系，缺乏运输过程中物流的可视化技术，导致食品流通环节损耗严重，影响食品品质安全，物流效率低下，物流公司无法实时定位、即时调度，给食品企业和第三方物流企业带来损失。
授权公告号为CN109345177B公开了一种基于云视频信息处理的冷链食品物流可视化方法，该方法主要包括：A.通过冷藏车厢内的监控获取食品的属性信息，将采集的视频流进行编码压缩处理，形成数字化的视频流；B.将视频编码映射到各共享信道，通过时隙目标函数优化组播传输能效，将监控视频传至物流中心；C.建立冷链食品物流动态跟踪模型，通过粒子滤波优化得到射频识别信号的位置，获取食品传输路径，实现冷链食品的物流可视化。该方法具有较好的时效性和灵活性，能够快速、准确、高效和无损地进行食品品质安全信息的获取，对食品和车辆进行精确定位，方便物流公司远程调度管理，提高物流运输效率和食品运输的安全性。
公开号为CN109377121A的专利公开了一种冷链物流可视化监控系统及方法，该发明公开了一种冷链物流可视化监控系统，包括运输车辆，所述运输车辆上设有PLC控制器和GPS定位器，所述运输车辆后侧设有冷库，所述冷库内部设有货架和机械臂，所述货架一侧设有温度传感器，所述货架上设有置物格，所述机械臂一端底部设有条码扫描仪和摄像头，所述冷库后侧设有推拉门，所述推拉门内侧对应的冷库内部设有置物台。本发明利用冷库内部设置机械臂进行上下料，避免冷库内部冷气流失，保证货物的质量，另外通过地图生成模块的设置，能够快速生成用时最短的输送路线，并且生成的输送路线以及多个订单的位置在送货员终端上的GPS定位系统中标记显示，便于送货员观看并使用，缩短送货时间，保证货物质量。
但是，目前现有的方法中对于冷链食品物流数据在可视化的过程中如何处理数据、如何在海量数据中，改善空间数据可视化提取质量，以及如何建立评价体系，在现有方法中都未提及，这些都将直接影响可视化的结果，因此这些问题亟需解决。
发明内容
为了克服现有技术存在的缺点与不足，本发明提供一种基于云视频信息处理的冷链食品物流可视化方法。
本发明所采用的技术方案是，该方法包括如下：
步骤S1：对冷链食品物流信息进行数据采集并传输到云端，在云端利用卷积神经网络对冷链食品物流数据进行预处理；
步骤S2：对预处理后的冷链食品物流数据利用范数进行特征提取，用于描述数据之间的差异；
步骤S3：建立数据搜寻方程，对特征提取后的数据进行归类；
步骤S4：对可视化数据利用建立的数据范围函数寻找出数据范围中的最优解；
步骤S5：利用可视化函数对物流数据进行图像生成并展示；
步骤S6：对可视化结果进行判断，判断是否为最佳展示效果。
进一步地，所述利用卷积神经网络对冷链食品物流数据进行预处理，表达式为：
Figure 547176DEST_PATH_IMAGE001
Figure 166376DEST_PATH_IMAGE002
Figure 587737DEST_PATH_IMAGE003
其中，A表示卷积神经网络中输入节点匹配响应程度，
Figure 317795DEST_PATH_IMAGE004
表示冷链食品物流输入数据的权值矩阵，b表示神经元与神经元之间的连接系数，
Figure 127619DEST_PATH_IMAGE005
表示在卷积神经网络中冷链食品物流的输入数据，
Figure 917721DEST_PATH_IMAGE006
表示卷积神经网络中的输出，
Figure 327843DEST_PATH_IMAGE007
表示卷积神经网络中节点与节点之间的输入，n表示神经元的个数，
Figure 736958DEST_PATH_IMAGE008
表示前一节点神经元x与神经元y之间的系数矩阵，
Figure 525923DEST_PATH_IMAGE009
表示后一节点神经元x与神经元y之间的系数矩阵，
Figure 486925DEST_PATH_IMAGE010
表示神经元x与神经元y之间的系数矩阵的特征值，
Figure 620229DEST_PATH_IMAGE011
表示神经元与神经元之间的系数矩阵均值。
进一步地，所述对预处理后的冷链食品物流数据利用范数进行特征提取，表达式为：
Figure 692090DEST_PATH_IMAGE012
其中，
Figure 742086DEST_PATH_IMAGE013
表示经过训练的数据集合，
Figure 608410DEST_PATH_IMAGE014
表示新采集的数据集合，
Figure 993124DEST_PATH_IMAGE008
表示前一节点神经元x与神经元y之间的系数矩阵，
Figure 744043DEST_PATH_IMAGE015
表示经过训练的数据的特征矩阵，r表示系数矩阵行与列的和，x表示迭代次数。
进一步地，所述数据搜寻方程，表达式为：
Figure 507599DEST_PATH_IMAGE016
其中，
Figure 544825DEST_PATH_IMAGE017
表示目标数据，
Figure 932949DEST_PATH_IMAGE018
表示数据库中的所有数据，L与Q均表示随机参数。
进一步地，所述数据范围函数，表达式为：
Figure 346612DEST_PATH_IMAGE019
其中，
Figure 105621DEST_PATH_IMAGE020
表示数据范围函数，
Figure 579328DEST_PATH_IMAGE021
表示数据范围中的最优解，L表示范围函数的匹配系数，E表示最优解的系数矩阵，
Figure 673055DEST_PATH_IMAGE022
表示需要进行可视化展示的目标数据。
进一步地，所述可视化函数，表达式为：
Figure 624830DEST_PATH_IMAGE023
其中，
Figure 503924DEST_PATH_IMAGE022
表示需要进行可视化展示的目标数据，
Figure 882953DEST_PATH_IMAGE020
表示数据范围函数，
Figure 965441DEST_PATH_IMAGE024
表示可视化系数，
Figure 720907DEST_PATH_IMAGE025
表示可视化视图长宽比，
Figure 454508DEST_PATH_IMAGE026
表示视图最佳的展示比例，Z表示[-1，1]中的随机数。
进一步地，所述对可视化结果进行判断，表达式为：
Figure 270017DEST_PATH_IMAGE027
其中，
Figure 338336DEST_PATH_IMAGE028
表示可视化结果进行判断函数，
Figure 631914DEST_PATH_IMAGE029
表示可视化结果的正面反馈，
Figure 485601DEST_PATH_IMAGE030
表示可视化结果的负面反馈，rand(y)表示随机函数，CR表示数据可视化的正确率，y表示由随机函数产生的随机数，
Figure 95180DEST_PATH_IMAGE031
表示随机整数。
有益效果：
本发明提出一种基于云视频信息处理的冷链食品物流可视化方法，该方法利用卷积神经网络对冷链食品物流数据进行预处理，利用卷积神经网络对数据实现识别与分类，在海量数据中，改善数据可视化提取质量，同时建立评估过程，提高可视化过程的准确性，该方法思路清晰，理解简单，解决了冷链食品物流数据在可视化的过程中所存在的问题，可在物流体系中进行大范围的推广。
附图说明
图1为本发明总体步骤流程图；
图2为本发明的预处理步骤图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互结合，下面结合附图和有具体实施例对本申请作进一步详细说明。
如图1所示，一种基于云视频信息处理的冷链食品物流可视化方法，该方法包括如下：
步骤S1：对冷链食品物流信息进行数据采集并传输到云端，在云端利用卷积神经网络对冷链食品物流数据进行预处理；
为了准确提取出冷链食品物流数据，本发明提出利用卷积神经网络对冷链食品物流数据进行预处理，卷积神经网络可实现模式识别与分类，在海量数据中，有助于改善空间数据可视化提取质量，可以在不理想状况下实现噪声数据过滤。卷积神经网络在对冷链食品物流数据中能够进行降维处理，构建拓扑，不但保留数据初始关系，还能将数据的非线性关系变换为几何关系，减少计算量。卷积神经网络自组织性能较强，通过该预处理步骤对神经元与神经元之间的系数矩阵的不断调节，保证神经网络在相同形态中收敛，在该步骤中涉及三个变量的计算，分别为：卷积神经网络中输入节点匹配响应程度、卷积神经网络中的输出以及神经元与神经元之间的系数矩阵。
步骤S2：对预处理后的冷链食品物流数据利用范数进行特征提取，用于描述数据之间的差异；
在该步骤中特征提取与经过训练的数据集合、新采集的数据集合、前一节点神经元与神经元之间的系数矩阵、经过训练的数据的特征矩阵、系数矩阵行与列的和相关，通过特征提取可以掌握冷链食品物流数据的规律以及物流的基本信息，为后续步骤的可视化提供基础。
经过步骤S1和S2后能够对冷链食品物流数据起到聚类作用，可将聚类中心当做初始输入，具有压缩效果，确保拓扑有序。其非监督学习原则可以有效去除冗余数据，实现数据降维，有助于改善可视化提取性能。
步骤S3：建立数据搜寻方程，对特征提取后的数据进行归类；
在冷链食物物流可视化过程中，视图长宽比是非常重要的性能。传统的可视化系统随着数据量的增加，长宽比性能迅速下降，这是因为系统容量不够导致的。为解决这一问题，本发明利用改进鲸鱼算法寻找可视化提取的最佳目标，同时能够实现系统扩容。该方法模仿了鲸鱼的狩猎行为，其优势在于操作简便，需调节的参数较少，能够避免局部最优。算法整个过程包括数据搜寻、减小数据范围与可视化展示三个过程。数据搜寻是该三个过程的基础，因此需要建立数据搜寻方程，该方程与数据库中的所有数据，以及随机参数相关。
步骤S4：对可视化数据利用建立的数据范围函数寻找出数据范围中的最优解；
在进行数据可视化的前由于冷链食品物流数据的多样性，需要寻找出数据范围中的最优解，冷链食品的种类多种多样，所造成的物流数据也随之增加，在可视化的过程中不可能对所有的冷链食品数据进行全部的可视化，所以在可视化之前数据范围函数的建立尤为重要，该函数与数据范围中的最优解，范围函数的匹配系数，最优解的系数矩阵，需要进行可视化展示的目标数据相关。
步骤S5：利用可视化函数对物流数据进行图像生成并展示；
可视化过程中与需要进行可视化展示的目标数据，数据范围函数，可视化系数可视化视图长宽比，视图最佳的展示比例，随机数相关。
步骤S6：对可视化结果进行判断，判断是否为最佳展示效果。
对可视化结果进行判断的本质是对可视化结果的评估过程，该过程涉及可视化结果进行判断函数，可视化结果的正面反馈可视化结果的负面反馈，数据可视化的正确率等因素，经过该步骤后可以利用可视化结果进行判断函数作为对可视化过程的指导，提高可视化过程的准确性。
如图2所示，利用卷积神经网络对冷链食品物流数据进行预处理，表达式为：
Figure 526162DEST_PATH_IMAGE001
Figure 498797DEST_PATH_IMAGE002
Figure 66045DEST_PATH_IMAGE003
其中，A表示卷积神经网络中输入节点匹配响应程度，
Figure 347990DEST_PATH_IMAGE004
表示冷链食品物流输入数据的权值矩阵，b表示神经元与神经元之间的连接系数，
Figure 266268DEST_PATH_IMAGE005
表示在卷积神经网络中冷链食品物流的输入数据，
Figure 777014DEST_PATH_IMAGE006
表示卷积神经网络中的输出，
Figure 464348DEST_PATH_IMAGE007
表示卷积神经网络中节点与节点之间的输入，n表示神经元的个数，
Figure 418660DEST_PATH_IMAGE008
表示前一节点神经元x与神经元y之间的系数矩阵，
Figure 558654DEST_PATH_IMAGE009
表示后一节点神经元x与神经元y之间的系数矩阵，
Figure 138671DEST_PATH_IMAGE010
表示神经元x与神经元y之间的系数矩阵的特征值，
Figure 680511DEST_PATH_IMAGE011
表示神经元与神经元之间的系数矩阵均值。
对预处理后的冷链食品物流数据利用范数进行特征提取，表达式为：
Figure 304259DEST_PATH_IMAGE012
其中，
Figure 931549DEST_PATH_IMAGE013
表示经过训练的数据集合，
Figure 784099DEST_PATH_IMAGE014
表示新采集的数据集合，
Figure 446024DEST_PATH_IMAGE008
表示前一节点神经元x与神经元y之间的系数矩阵，
Figure 745068DEST_PATH_IMAGE015
表示经过训练的数据的特征矩阵，r表示系数矩阵行与列的和，x表示迭代次数。
数据搜寻方程，表达式为：
Figure 859655DEST_PATH_IMAGE016
其中，
Figure 515895DEST_PATH_IMAGE017
表示目标数据，
Figure 32327DEST_PATH_IMAGE018
表示数据库中的所有数据，L与Q均表示随机参数。
数据范围函数，表达式为：
Figure 997878DEST_PATH_IMAGE019
其中，
Figure 599761DEST_PATH_IMAGE020
表示数据范围函数，
Figure 59692DEST_PATH_IMAGE021
表示数据范围中的最优解，L表示范围函数的匹配系数，E表示最优解的系数矩阵，
Figure 430631DEST_PATH_IMAGE022
表示需要进行可视化展示的目标数据。
可视化函数，表达式为：
Figure 68548DEST_PATH_IMAGE023
其中，
Figure 892147DEST_PATH_IMAGE022
表示需要进行可视化展示的目标数据，
Figure 155769DEST_PATH_IMAGE020
表示数据范围函数，
Figure 381214DEST_PATH_IMAGE024
表示可视化系数，
Figure 688568DEST_PATH_IMAGE025
表示可视化视图长宽比，
Figure 265043DEST_PATH_IMAGE026
表示视图最佳的展示比例，Z表示[-1，1]中的随机数。
对可视化结果进行判断，表达式为：
Figure 66777DEST_PATH_IMAGE027
其中，
Figure 146728DEST_PATH_IMAGE028
表示可视化结果进行判断函数，
Figure 389097DEST_PATH_IMAGE029
表示可视化结果的正面反馈，
Figure 187289DEST_PATH_IMAGE030
表示可视化结果的负面反馈，rand(y)表示随机函数，CR表示数据可视化的正确率，y表示由随机函数产生的随机数，
Figure 527134DEST_PATH_IMAGE031
表示随机整数。
本发明提出一种基于云视频信息处理的冷链食品物流可视化方法，该方法利用卷积神经网络对冷链食品物流数据进行预处理，利用卷积神经网络对数据实现识别与分类，在海量数据中，改善数据可视化提取质量，同时建立评估过程，提高可视化过程的准确性，该方法思路清晰，理解简单，解决了冷链食品物流数据在可视化的过程中所存在的问题，可在物流体系中进行大范围的推广。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解的是，在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种等效的变化、修改、替换和变型，本发明的范围由所附权利要求及其等同范围限定。

Claims (7)

1.一种基于云视频信息处理的冷链食品物流可视化方法，其特征在于，该方法包括如下：
步骤S1：对冷链食品物流信息进行数据采集并传输到云端，在云端利用卷积神经网络对冷链食品物流数据进行预处理；
步骤S2：对预处理后的冷链食品物流数据利用范数进行特征提取，用于描述数据之间的差异；
步骤S3：建立数据搜寻方程，对特征提取后的数据进行归类；
步骤S4：对可视化数据利用建立的数据范围函数寻找出数据范围中的最优解；
步骤S5：利用可视化函数对物流数据进行图像生成并展示；
步骤S6：对可视化结果进行判断，判断是否为最佳展示效果。
2.如权利要求1所述的一种基于云视频信息处理的冷链食品物流可视化方法，其特征在于，所述利用卷积神经网络对冷链食品物流数据进行预处理，表达式为：
Figure 193252DEST_PATH_IMAGE001
Figure 752409DEST_PATH_IMAGE002
Figure 340517DEST_PATH_IMAGE003
其中，A表示卷积神经网络中输入节点匹配响应程度，
Figure 61348DEST_PATH_IMAGE004
表示冷链食品物流输入数据的权值矩阵，b表示神经元与神经元之间的连接系数，
Figure 616963DEST_PATH_IMAGE005
表示在卷积神经网络中冷链食品物流的输入数据，
Figure 979811DEST_PATH_IMAGE006
表示卷积神经网络中的输出，
Figure 422425DEST_PATH_IMAGE007
表示卷积神经网络中节点与节点之间的输入，n表示神经元的个数，
Figure 314158DEST_PATH_IMAGE008
表示前一节点神经元x与神经元y之间的系数矩阵，
Figure 121183DEST_PATH_IMAGE009
表示后一节点神经元x与神经元y之间的系数矩阵，
Figure 756564DEST_PATH_IMAGE010
表示神经元x与神经元y之间的系数矩阵的特征值，
Figure 53684DEST_PATH_IMAGE011
表示神经元与神经元之间的系数矩阵均值。
3.如权利要求1所述的一种基于云视频信息处理的冷链食品物流可视化方法，其特征在于，所述对预处理后的冷链食品物流数据利用范数进行特征提取，表达式为：
Figure 381897DEST_PATH_IMAGE012
其中，
Figure 912105DEST_PATH_IMAGE013
表示经过训练的数据集合，
Figure 351176DEST_PATH_IMAGE014
表示新采集的数据集合，
Figure 33961DEST_PATH_IMAGE008
表示前一节点神经元x与神经元y之间的系数矩阵，
Figure 533076DEST_PATH_IMAGE015
表示经过训练的数据的特征矩阵，r表示系数矩阵行与列的和，x表示迭代次数。
4.如权利要求1所述的一种基于云视频信息处理的冷链食品物流可视化方法，其特征在于，所述数据搜寻方程，表达式为：
Figure 786465DEST_PATH_IMAGE016
其中，
Figure 29227DEST_PATH_IMAGE017
表示目标数据，
Figure 300940DEST_PATH_IMAGE018
表示数据库中的所有数据，L与Q均表示随机参数。
5.如权利要求1所述的一种基于云视频信息处理的冷链食品物流可视化方法，其特征在于，所述数据范围函数，表达式为：
Figure 970956DEST_PATH_IMAGE019
其中，
Figure 210176DEST_PATH_IMAGE020
表示数据范围函数，
Figure 991050DEST_PATH_IMAGE021
表示数据范围中的最优解，L表示范围函数的匹配系数，E表示最优解的系数矩阵，
Figure 382848DEST_PATH_IMAGE022
表示需要进行可视化展示的目标数据。
6.如权利要求1所述的一种基于云视频信息处理的冷链食品物流可视化方法，其特征在于，所述可视化函数，表达式为：
Figure 223765DEST_PATH_IMAGE023
其中，
Figure 708537DEST_PATH_IMAGE022
表示需要进行可视化展示的目标数据，
Figure 168468DEST_PATH_IMAGE020
表示数据范围函数，
Figure 273827DEST_PATH_IMAGE024
表示可视化系数，
Figure 675859DEST_PATH_IMAGE025
表示可视化视图长宽比，
Figure 499458DEST_PATH_IMAGE026
表示视图最佳的展示比例，Z表示[-1，1]中的随机数。
7.如权利要求1所述的一种基于云视频信息处理的冷链食品物流可视化方法，其特征在于，所述对可视化结果进行判断，表达式为：
Figure 763081DEST_PATH_IMAGE027
其中，
Figure 988526DEST_PATH_IMAGE028
表示可视化结果进行判断函数，
Figure 797344DEST_PATH_IMAGE029
表示可视化结果的正面反馈，
Figure 373819DEST_PATH_IMAGE030
表示可视化结果的负面反馈，rand(y)表示随机函数，CR表示数据可视化的正确率，y表示由随机函数产生的随机数，
Figure 175553DEST_PATH_IMAGE031
表示随机整数。
CN202210879170.6A 2022-07-25 2022-07-25 一种基于云视频信息处理的冷链食品物流可视化方法 Active CN115099756B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210879170.6A CN115099756B (zh) 2022-07-25 2022-07-25 一种基于云视频信息处理的冷链食品物流可视化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210879170.6A CN115099756B (zh) 2022-07-25 2022-07-25 一种基于云视频信息处理的冷链食品物流可视化方法

Publications (2)

Publication Number Publication Date
CN115099756A true CN115099756A (zh) 2022-09-23
CN115099756B CN115099756B (zh) 2022-11-11

Family

ID=83299780

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210879170.6A Active CN115099756B (zh) 2022-07-25 2022-07-25 一种基于云视频信息处理的冷链食品物流可视化方法

Country Status (1)

Country Link
CN (1) CN115099756B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140307066A1 (en) * 2011-11-23 2014-10-16 Thomson Licensing Method and system for three dimensional visualization of disparity maps
CN108470209A (zh) * 2018-03-27 2018-08-31 北京工业大学 一种基于格拉姆矩阵正则化的卷积神经网可视化方法
CN109598341A (zh) * 2018-11-21 2019-04-09 济南浪潮高新科技投资发展有限公司 一种基于遗传算法的卷积神经网络训练成果检测及可视化方法
CN113155464A (zh) * 2021-03-31 2021-07-23 燕山大学 面向轴承故障识别的cnn模型可视化优化方法
CN114021935A (zh) * 2021-10-29 2022-02-08 陕西科技大学 基于改进卷积神经网络模型的水产品安全预警方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140307066A1 (en) * 2011-11-23 2014-10-16 Thomson Licensing Method and system for three dimensional visualization of disparity maps
CN108470209A (zh) * 2018-03-27 2018-08-31 北京工业大学 一种基于格拉姆矩阵正则化的卷积神经网可视化方法
CN109598341A (zh) * 2018-11-21 2019-04-09 济南浪潮高新科技投资发展有限公司 一种基于遗传算法的卷积神经网络训练成果检测及可视化方法
CN113155464A (zh) * 2021-03-31 2021-07-23 燕山大学 面向轴承故障识别的cnn模型可视化优化方法
CN114021935A (zh) * 2021-10-29 2022-02-08 陕西科技大学 基于改进卷积神经网络模型的水产品安全预警方法

Also Published As

Publication number Publication date
CN115099756B (zh) 2022-11-11

Similar Documents

Publication Publication Date Title
CN111337768B (zh) 变压器油中溶解气体的深度并行故障诊断方法及系统
CN108596203B (zh) 并联池化层对受电弓碳滑板表面磨耗检测模型的优化方法
CN110569901A (zh) 一种基于通道选择的对抗消除弱监督目标检测方法
CN109523316A (zh) 商业服务模型的自动化建模方法
CN106991447A (zh) 一种嵌入式多类别属性标签动态特征选择算法
CN114240891A (zh) 融合知识图谱和图卷积神经网络的焊点质量识别方法
CN111967675A (zh) 光伏发电量的预测方法以及预测装置
CN111860775A (zh) 基于cnn和rnn融合的船舶故障实时诊断方法
CN115545166A (zh) 一种改进的ConvNeXt卷积神经网络及其遥感图像的分类方法
CN114419413A (zh) 感受野自适应的变电站绝缘子缺陷检测神经网络构建方法
Zhang et al. Cognitive best worst method for multiattribute decision-making
CN115830179A (zh) 一种类别无关的遥感地物矢量拓扑结构提取方法
CN116645579A (zh) 一种基于异质图注意力机制的特征融合方法
CN111597943A (zh) 一种基于图神经网络的表格结构识别方法
CN114972439A (zh) 一种新的无人机目标跟踪算法
CN115099756B (zh) 一种基于云视频信息处理的冷链食品物流可视化方法
Zhuang et al. A Multi-Scale Spatial-Temporal Graph Neural Network-Based Method of Multienergy Load Forecasting in Integrated Energy System
CN112734017A (zh) 一种降水量预测模型的建立方法
CN112561807A (zh) 一种基于卷积神经网络的端到端径向畸变校正方法
Du et al. Image recommendation algorithm combined with deep neural network designed for social networks
CN112115384A (zh) 一种基于生成排序的时序推荐算法
CN115330759B (zh) 一种基于豪斯多夫距离计算距离损失的方法及装置
CN114143210B (zh) 一种基于深度学习的指挥控制网络关键节点识别方法
CN114565774B (zh) 基于局部几何与全局结构联合学习的3d图卷积分类方法
CN115564989A (zh) 面向土地利用分类的随机森林算法

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