CN115730878B - 基于数据识别的货物进出口查验管理方法 - Google Patents
基于数据识别的货物进出口查验管理方法 Download PDFInfo
- Publication number
- CN115730878B CN115730878B CN202211613270.0A CN202211613270A CN115730878B CN 115730878 B CN115730878 B CN 115730878B CN 202211613270 A CN202211613270 A CN 202211613270A CN 115730878 B CN115730878 B CN 115730878B
- Authority
- CN
- China
- Prior art keywords
- inspected
- cargo
- goods
- risk
- neural network
- 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
- 230000008676 import Effects 0.000 title claims abstract description 17
- 238000007726 management method Methods 0.000 title claims abstract description 15
- 238000007689 inspection Methods 0.000 claims abstract description 66
- 238000003062 neural network model Methods 0.000 claims abstract description 36
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims description 19
- 238000000034 method Methods 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims 2
- 230000006870 function Effects 0.000 description 18
- 240000005373 Panax quinquefolius Species 0.000 description 8
- 235000003140 Panax quinquefolius Nutrition 0.000 description 8
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 239000000047 product Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 240000005979 Hordeum vulgare Species 0.000 description 1
- 235000007340 Hordeum vulgare Nutrition 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 244000061176 Nicotiana tabacum Species 0.000 description 1
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 244000046052 Phaseolus vulgaris Species 0.000 description 1
- 235000010627 Phaseolus vulgaris Nutrition 0.000 description 1
- 244000061456 Solanum tuberosum Species 0.000 description 1
- 235000002595 Solanum tuberosum Nutrition 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 244000098338 Triticum aestivum Species 0.000 description 1
- 240000006677 Vicia faba Species 0.000 description 1
- 235000010749 Vicia faba Nutrition 0.000 description 1
- 235000002098 Vicia faba var. major Nutrition 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 235000013409 condiments Nutrition 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 235000013365 dairy product Nutrition 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 235000012015 potatoes Nutrition 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000011265 semifinished product Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
- 235000014101 wine Nutrition 0.000 description 1
Classifications
-
- 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
Abstract
本发明公开了一种基于数据识别的货物进出口查验管理方法，包括：获取待查验货物表单及待查验货物图像，待查验货物表单包括待查验货物的名称、种类、抵达城市、数目、查验地点、企业代码；基于图神经网络模型确定待查验货物表单与待查验货物图像的匹配程度；基于卷积神经网络模型确定待查验货物的风险程度，风险程度包括高风险、中风险、低风险，卷积神经网络模型的输入包括待查验货物表单和匹配程度，卷积神经网络模型的输出为待查验货物的风险程度；基于待查验货物的风险程度对待查验货物进行查验处理。
Description
技术领域
本发明涉及物流技术领域，具体涉及基于数据识别的货物进出口查验管理方法。
背景技术
货物进出口是指通过运输、保管、配送等方式，实现原材料、半成品、成品或相关信息的进口或出口。货物进出口时需要在查验关口进行查验，查验的作用是避免货物与表单不符、货物超过表单允许的数量、存在安全隐患等，安全隐患包括将国外的病毒、微生物、动物、植物携带至国内，从而造成对生态环境的迫害。现有技术中，大多是通过工作人员手动的对表单及其表单对应的货物进行查验，耗时耗力。由于进出口的货物大多是乘船运输，如果在查验过程中耗时较长，容易造成港口拥堵，影响贸易，货物容易出现丢失或货物滞留的情况。
因此如何在货物进出口时减少查验时间，提高货物进出口查验效率是亟待解决的问题。
发明内容
本发明主要解决的技术问题是如何提高货物进出口查验效率。
根据第一方面，一种实施例中提供一种基于数据识别的货物进出口查验管理方法，包括：
获取待查验货物表单及待查验货物图像，所述待查验货物表单包括待查验货物的名称、种类、抵达城市、数目、查验地点、企业代码；基于图神经网络模型确定所述待查验货物表单与待查验货物图像的匹配程度，所述匹配程度包括高度匹配、中度匹配、低度匹配、不匹配，所述图神经网络模型的输入包括多个节点和多个边，所述多个节点包括待查验货物表单的名称、种类、抵达城市、数目、查验地点、企业代码和待查验货物图像，所述多个边为所述多个节点之间的关系，所述图神经网络模型的输出为所述待查验货物表单与待查验货物图像的匹配程度；基于卷积神经网络模型确定所述待查验货物的风险程度，所述风险程度包括高风险、中风险、低风险，所述卷积神经网络模型的输入包括所述待查验货物表单和所述匹配程度，所述卷积神经网络模型的输出为所述待查验货物的风险程度；基于所述待查验货物的风险程度对所述待查验货物进行查验处理。
在一实施例中，所述基于所述待查验货物的风险程度对所述待查验货物进行查验处理，包括：若待查验货物的风险程度为高风险，则通知查验关口对所述高风险待查验货物以及对应的待查验货物表单都进行重点核查，并通知抵达城市在所述高风险待查验货物抵达后再次进行核查；若待查验货物的风险程度为中风险，则通知查验关口对所述中风险待查验货物进行一般核查；若待查验货物的风险程度为低风险，则通知查验关口对所述低风险待查验货物不进行查验，并通知抵达城市对所述低风险待查验货物抵达后进行备案。
在一实施例中，若基于图神经网络模型确定出所述待查验货物表单与待查验货物图像的匹配程度为不匹配，则通知查验关口对所述不匹配的待查验货物以及对应的待查验货物表单进行重点核查，并通知抵达城市在所述不匹配待查验货物抵达后再次进行核查。
在一实施例中，所述待查验货物图像是三维立体图像。
在一实施例中，所述三维立体图像是通过对多个RGB拍摄的二维图像进行三维重建得到的。
在一实施例中，所述图神经网络模型经过梯度下降法训练得到。
在一实施例中，所述图神经网络模型包括图神经网络和全连接层，图神经网络的输出连接到全连接层，所述全连接层进行分类输出匹配结果。
根据第二方面，一种实施例中提供一种计算机产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上述第一方面任一项所述的基于数据识别的货物进出口查验管理方法的步骤。
根据第三方面，一种实施例中提供一种电子设备，包括：存储器；处理器；以及计算机程序；其中，所述计算机程序存储在所述存储器中，并配置为由所述处理器执行以实现如第一方面所述的方法。
根据第四方面，一种实施例中提供一种计算机可读存储介质，所述介质上存储有程序，所述程序能够被处理器执行以实现如上述第一方面中任一项所述的方法。
依据上述实施例的基于数据识别的货物进出口查验管理方法和程序产品，通过图神经网络模型确定所述待查验货物表单与待查验货物图像的匹配程度，从而避免了货物表单与待查验货物图像不一致的情况。还通过卷积神经网络模型综合表单和匹配程度确定所述待查验货物的风险程度，最终对不同风险程度的货物进行分级处理。提高了货物的查验效率。
附图说明
图1为本发明实施例提供的一种基于数据识别的货物进出口查验管理方法的流程示意图；
图2为本发明实施例提供的一种待查验货物表单的示意图；
图3为本发明实施例提供的一种电子设备的示意图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中，很多细节描述是为了使得本发明能被更好的理解。然而，本领域技术人员可以毫不费力的认识到，其中部分特征在不同情况下是可以省略的，或者可以由其他元件、材料、方法所替代。在某些情况下，本发明相关的一些操作并没有在说明书中显示或者描述，这是为了避免本发明的核心部分被过多的描述所淹没，而对于本领域技术人员而言，详细描述这些相关操作并不是必要的，他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。
另外，说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时，方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此，说明书和附图中的各种顺序只是为了清楚描述某一个实施例，并不意味着是必须的顺序，除非另有说明其中某个顺序是必须遵循的。
本文中为部件所编序号本身，例如“第一”、“第二”等，仅用于区分所描述的对象，不具有任何顺序或技术含义。而本发明所说“连接”、“联接”，如无特别说明，均包括直接和间接连接（联接）。
本发明实施例中，提供了如图1所示的一种基于数据识别的货物进出口查验管理方法，包括步骤S1~S4：
步骤S1，获取待查验货物表单及待查验货物图像，所述待查验货物表单包括待查验货物的名称、种类、抵达城市、数目、查验地点、企业代码。
待查验货物表单表示记载待查验货物相关信息的表单，在一些实施例中，待查验货物表单包括待查验货物的名称、种类、抵达城市、数目、查验地点、企业代码、运输人员、产地、产地种植人员、运输时间、运输方式、运输费用、关税等。作为示例，图2为待查验货物表单的示意图。
待查验货物的名称表示待查验货物在进出口时所使用的规范名字，待查验货物的名称。例如，待查验货物的名称可以包括水稻、玉米、豆类、薯类、青稞、蚕豆、小麦等。
待查验货物的种类为待查验货物的名称所属的种类，待查验货物的种类可以包括食品、半导体、酒、乳制品、烟草、纺织品及其制成品、糖制品、调味品等。
待查验货物的抵达城市表示待查验货物最终将要到达的城市。以图1作为示例，西洋参最终将要到达北京进行销售。
待查验货物的数目表示待查验货物的总量是多少。例如待查验货物的数目可以为10000罐，10万斤等。
待查验货物的查验地点表示待查验货物是在哪个地方进行查验，从而实现进出口。例如以图1作为示例，西洋参在上海入关查验后，最终将要到达北京进行销售。
待查验货物的企业代码表示待查验货物属于哪个公司，该公司登记在册的代码。
待查验货物图像表示待查验货物对应的图像，待查验货物对应的图像可以各种方式获得。例如通过工作人员拍照获得、关口摄像机自动拍照获得、监控摄像头拍照获得等。待查验货物图像包含了待查验货物的相关信息。
在一些实施例中，待查验货物图像可以是多个RGB相机拍摄合成的三维立体图像，例如，可以通过深度学习方法对多个RGB拍摄的二维图像进行三维重建，得到三维立体图像。在一些实施例中，待查验货物图像可以为多张二维图像合成的一张二维图像。
步骤S2，基于图神经网络模型确定所述待查验货物表单与待查验货物图像的匹配程度，所述匹配程度包括高度匹配、中度匹配、低度匹配、不匹配，所述图神经网络模型的输入包括多个节点和多个边，所述多个节点包括待查验货物表单的名称、种类、抵达城市、数目、查验地点、企业代码和待查验货物图像，所述多个边为多个节点之间的关系，所述图神经网络模型的输出为所述待查验货物表单与待查验货物图像的匹配程度。
在一些实施例中，图神经网络模型可以包括图神经网络和全连接层。图神经网络是一种直接作用于图上的神经网络，所述图是由顶点和边两部分组成的一种数据结构。图神经网络模型基于信息传播机制，每一个节点通过相互交换信息来更新自己的节点状态，直到达到某一个稳定值，图神经网络模型的输出就是在每个节点处，根据当前节点状态分别计算输出。
在一些实施例中，图神经网络模型可以包括多层图神经网络。多层图神经网络训练或实际应用过程中，每一层每个节点从与之连接(例如，相邻)的节点接收信息，并进行节点之间的信息融合，经过多层图神经网络之后，每一层中的节点可以与更远的节点(例如，与之不连接或相邻的节点)进行信息融合，提高了分类准确性。
在一些实施例中，图神经网络模型可以包括图神经网络和全连接层，图神经网络的输出可以连接到全连接层，全连接层进行分类输出匹配结果。分类结果包括高度匹配、中度匹配、低度匹配、不匹配。
在一些实施例中，可以将待查验货物表单与待查验货物图像进行裁剪到一起形成一个新的图像，并输入进图神经网络模型，从而输出得到匹配程度。
待查验货物表单与待查验货物图像的匹配程度表示表单与货物的一致情况。例如表单上填写西洋参、数目为100000斤，但是通过图像可以大致判断出西洋参的数目为150000斤，则此时说明表单与货物不匹配，则可能存在风险。又例如表单上填写西洋参、数目为100000斤，但是通过图像可以判断出图像中的货物为人参，则此时说明表单与货物不匹配。又例如，表单上填写的企业代码为10130，但是通过图像中产品的包装或运输工具上看出，企业代码为10310。
在一些实施例中，若基于图神经网络模型确定出所述待查验货物表单与待查验货物图像的匹配程度为不匹配，则通知查验关口对所述不匹配的待查验货物进行重点核查，并通知抵达城市在所述不匹配的待查验货物抵达后再次进行核查。
图神经网络模型可以通过训练样本训练得到。训练样本的输入为多个待查验货物表单与待查验货物图像，训练样本的输出为匹配程度。多组训练样本可以根据工作人员历史设定的数据中提取，例如通过工作人员对多个待查验货物表单与待查验货物图像进行人工匹配的数据中得到。在一些实施例中，可以通过梯度下降法对图神经网络模型进行训练得到训练后的图神经网络模型。具体的，根据训练样本，构建图神经网络模型的损失函数，通过图神经网络模型的损失函数调整图神经网络模型的参数，直到损失函数值收敛或者小于预设阈值，则训练完成。损失函数可以包括但不限于对数(log)损失函数、平方损失函数、指数损失函数、Hinge损失函数以及绝对值损失函数等。
训练完成后，可以输入待查验货物表单的名称、种类、抵达城市、数目、查验地点、企业代码和待查验货物图像到训练后的图神经网络模型输出得到匹配程度。例如，输入为名称：西洋参、种类：食品、抵达城市：北京、数目：100000斤、企业代码：10130、查验地点：上海，最后输出得到高度匹配。
步骤S3，基于卷积神经网络模型确定所述待查验货物的风险程度，所述风险程度包括高风险、中风险、低风险，所述卷积神经网络模型的输入包括所述待查验货物表单和所述匹配程度，所述卷积神经网络模型的输出为所述待查验货物的风险程度。
卷积神经网络模型包括卷积神经网络。卷积神经网络(CNN)可以是多层神经网络(例如，包括至少两个层)。所述至少两个层可以包括卷积层(CONV)、修正线性单元(ReLU)层、池化层(POOL)或全连接层(FC)中的至少一个。卷积神经网络(CNN)的至少两个层可以对应于以三维排列的神经元：宽度、高度、深度。在一些实施例中，卷积神经网络(CNN)可以具有[输入层-卷积层-修正线性单元层-池化层-全连接层]的架构。卷积层可以计算连接到输入中局部区域的神经元的输出，计算每个神经元的权重与其在输入体积中连接的小区域之间的点积。
待查验货物表单中的记载信息包含了货物的基本情况，卷积神经网络模型可以基于待查验货物表单中的记载信息和所述待查验货物表单与待查验货物图像的匹配程度进行综合判断，生成待查验货物的风险程度。
卷积神经网络模型可以通过训练样本训练得到。训练样本的输入为所述待查验货物表单和所述匹配程度，训练样本的输出为风险程度。多组训练样本可以根据工作人员历史设定的数据中提取，例如可以从工作人员的人工判定的风险程度数据中提取多个训练样本。在一些实施例中，可以通过梯度下降法对卷积神经网络模型进行训练得到训练后的卷积神经网络模型。具体的，根据训练样本，构建卷积神经网络模型的损失函数，通过卷积神经网络模型的损失函数调整卷积神经网络模型的参数，直到损失函数值收敛或者小于预设阈值，则训练完成。损失函数可以包括但不限于对数(log)损失函数、平方损失函数、指数损失函数、Hinge损失函数以及绝对值损失函数等。
匹配程度表示了待查验货物表单与待查验货物图像的一致性，在一定程度上可以影响待查验货物的风险程度。例如匹配程度越低，则待查验货物可能会存在与质量问题、与待查验货物表单数目不对等问题，其风险程度就会更高。
步骤S4，基于所述待查验货物的风险程度对所述待查验货物进行查验处理。
在一些实施例中，若待查验货物的风险程度为高风险，则通知查验关口对所述高风险待查验货物以及对应的待查验货物表单都进行重点核查，并通知抵达城市在所述高风险待查验货物抵达后再次进行核查；重点核查可以表示将货物拆卸下来进行逐一检查，或者对公司工作人员进行重点盘问。
若待查验货物的风险程度为中风险，则通知查验关口对所述中风险待查验货物进行一般核查；一般核查可以表示对货物的手续进行盘查。
若待查验货物的风险程度为低风险，则通知查验关口对所述低风险待查验货物不进行查验，并通知抵达城市对所述低风险待查验货物抵达后进行备案。
通过对高风险、中风险、低风险的待查验货物采取不同的处理措施。对高风险的货物可以重点进行查验、对中风险的货物采取一般的查验手段，对低风险的货物则可以免于查验，仅仅让抵达城市对低风险的货物进行备案，大大提高了查验效率。
基于同一发明构思，本发明的实施例提供了一种电子设备，如图3所示，包括：
处理器41；用于存储处理器41中可执行程序指令的存储器42；其中，处理器41被配置为执行以实现如前述提供的一种基于数据识别的货物进出口查验管理方法，所述方法包括：
获取待查验货物表单及待查验货物图像，所述待查验货物表单包括待查验货物的名称、种类、抵达城市、数目、查验地点、企业代码；基于图神经网络模型确定所述待查验货物表单与待查验货物图像的匹配程度，所述匹配程度包括高度匹配、中度匹配、低度匹配、不匹配，所述图神经网络模型的输入包括多个节点和多个边，所述多个节点包括待查验货物表单的名称、种类、抵达城市、数目、查验地点、企业代码和待查验货物图像，所述多个边为所述多个节点之间的关系，所述图神经网络模型的输出为所述待查验货物表单与待查验货物图像的匹配程度；基于卷积神经网络模型确定所述待查验货物的风险程度，所述风险程度包括高风险、中风险、低风险，所述卷积神经网络模型的输入包括所述待查验货物表单和所述匹配程度，所述卷积神经网络模型的输出为所述待查验货物的风险程度；基于所述待查验货物的风险程度对所述待查验货物进行查验处理。
基于同一发明构思，本实施例提供了一种非临时性计算机可读存储介质，当存储介质中的指令由电子设备的处理器41执行时，使得电子设备能够执行实现如前述提供的基于数据识别的货物进出口查验管理方法，所述方法包括:获取待查验货物表单及待查验货物图像，所述待查验货物表单包括待查验货物的名称、种类、抵达城市、数目、查验地点、企业代码；基于图神经网络模型确定所述待查验货物表单与待查验货物图像的匹配程度，所述匹配程度包括高度匹配、中度匹配、低度匹配、不匹配，所述图神经网络模型的输入包括多个节点和多个边，所述多个节点包括待查验货物表单的名称、种类、抵达城市、数目、查验地点、企业代码和待查验货物图像，所述多个边为所述多个节点之间的关系，所述图神经网络模型的输出为所述待查验货物表单与待查验货物图像的匹配程度；基于卷积神经网络模型确定所述待查验货物的风险程度，所述风险程度包括高风险、中风险、低风险，所述卷积神经网络模型的输入包括所述待查验货物表单和所述匹配程度，所述卷积神经网络模型的输出为所述待查验货物的风险程度；基于所述待查验货物的风险程度对所述待查验货物进行查验处理。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (4)
1.一种基于数据识别的货物进出口查验管理方法，其特征在于，包括：
获取待查验货物表单及待查验货物图像，所述待查验货物表单包括待查验货物的名称、种类、抵达城市、数目、查验地点、企业代码、运输人员、产地、产地种植人员、运输时间、运输方式、运输费用、关税，所述待查验货物图像是三维立体图像，所述待查验货物图像是多个RGB相机拍摄合成的三维立体图像；
基于图神经网络模型确定所述待查验货物表单与待查验货物图像的匹配程度，所述匹配程度包括高度匹配、中度匹配、低度匹配、不匹配，所述图神经网络模型的输入包括多个节点和多个边，所述多个节点包括待查验货物表单的名称、种类、抵达城市、数目、查验地点、企业代码和待查验货物图像，所述多个边为所述多个节点之间的关系，所述图神经网络模型的输出为所述待查验货物表单与待查验货物图像的匹配程度；
基于卷积神经网络模型确定所述待查验货物的风险程度，所述风险程度包括高风险、中风险、低风险，所述卷积神经网络模型的输入包括所述待查验货物表单中的记载信息和所述待查验货物表单与待查验货物图像的匹配程度，所述卷积神经网络模型的输出为所述待查验货物的风险程度；
基于所述待查验货物的风险程度对所述待查验货物进行查验处理，所述基于所述待查验货物的风险程度对所述待查验货物进行查验处理，包括：
若待查验货物的风险程度为高风险，则通知查验关口对高风险待查验货物以及对应的待查验货物表单都进行重点核查，并通知抵达城市在高风险待查验货物抵达后再次进行核查；
若待查验货物的风险程度为中风险，则通知查验关口对中风险待查验货物进行一般核查；
若待查验货物的风险程度为低风险，则通知查验关口对低风险待查验货物不进行查验，并通知抵达城市在低风险待查验货物抵达后进行备案；
所述方法还包括：若基于图神经网络模型确定出所述待查验货物表单与待查验货物图像的匹配程度为不匹配，则通知查验关口对不匹配的待查验货物以及对应的待查验货物表单进行重点核查，并通知抵达城市在不匹配待查验货物抵达后再次进行核查；
所述方法还包括：所述三维立体图像是通过对多个RGB相机拍摄的二维图像进行三维重建得到的；
所述方法还包括：所述图神经网络模型经过梯度下降法训练得到；
所述方法还包括：所述图神经网络模型包括图神经网络和全连接层，图神经网络的输出连接到全连接层，所述全连接层进行分类输出匹配结果。
2.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1所述的基于数据识别的货物进出口查验管理方法的步骤。
3.一种电子设备，其特征在于，包括：存储器；处理器；以及计算机程序；其中，所述计算机程序存储在所述存储器中，并配置为由所述处理器执行以实现如权利要求1所述的基于数据识别的货物进出口查验管理方法的步骤。
4.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1所述的基于数据识别的货物进出口查验管理方法对应的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211613270.0A CN115730878B (zh) | 2022-12-15 | 2022-12-15 | 基于数据识别的货物进出口查验管理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211613270.0A CN115730878B (zh) | 2022-12-15 | 2022-12-15 | 基于数据识别的货物进出口查验管理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115730878A CN115730878A (zh) | 2023-03-03 |
| CN115730878B true CN115730878B (zh) | 2024-01-12 |
Family
ID=85301388
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211613270.0A Active CN115730878B (zh) | 2022-12-15 | 2022-12-15 | 基于数据识别的货物进出口查验管理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115730878B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018184596A1 (zh) * | 2017-04-06 | 2018-10-11 | 同方威视技术股份有限公司 | 基于辐射图像进行货物检查的方法及装置 |
| CN109522913A (zh) * | 2017-09-18 | 2019-03-26 | 同方威视技术股份有限公司 | 检查方法和检查设备以及计算机可读介质 |
| CN111324752A (zh) * | 2020-02-20 | 2020-06-23 | 中国科学技术大学 | 基于图神经网络结构建模的图像与文本检索方法 |
| CN111598214A (zh) * | 2020-04-02 | 2020-08-28 | 浙江工业大学 | 一种基于图卷积神经网络的跨模态检索方法 |
| CN113094533A (zh) * | 2021-04-07 | 2021-07-09 | 北京航空航天大学 | 一种基于混合粒度匹配的图文跨模态检索方法 |
| CN113221882A (zh) * | 2021-05-11 | 2021-08-06 | 西安交通大学 | 一种面向课程领域的图像文本聚合方法及系统 |
| CN113434716A (zh) * | 2021-07-02 | 2021-09-24 | 泰康保险集团股份有限公司 | 一种跨模态信息检索方法和装置 |
| CN113469197A (zh) * | 2021-06-29 | 2021-10-01 | 北京达佳互联信息技术有限公司 | 图文匹配方法、装置、设备以及存储介质 |
| CN114117104A (zh) * | 2020-08-28 | 2022-03-01 | 四川大学 | 一种基于多关系感知推理的图像文本匹配方法 |
| CN114743029A (zh) * | 2022-04-14 | 2022-07-12 | 北京理工大学 | 一种图像文本匹配的方法 |
| CN114896429A (zh) * | 2022-07-12 | 2022-08-12 | 苏州浪潮智能科技有限公司 | 一种图文互检方法、系统、设备及计算机可读存储介质 |
| CN115455171A (zh) * | 2022-11-08 | 2022-12-09 | 苏州浪潮智能科技有限公司 | 文本视频的互检索以及模型训练方法、装置、设备及介质 |
-
2022
- 2022-12-15 CN CN202211613270.0A patent/CN115730878B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018184596A1 (zh) * | 2017-04-06 | 2018-10-11 | 同方威视技术股份有限公司 | 基于辐射图像进行货物检查的方法及装置 |
| CN109522913A (zh) * | 2017-09-18 | 2019-03-26 | 同方威视技术股份有限公司 | 检查方法和检查设备以及计算机可读介质 |
| CN111324752A (zh) * | 2020-02-20 | 2020-06-23 | 中国科学技术大学 | 基于图神经网络结构建模的图像与文本检索方法 |
| CN111598214A (zh) * | 2020-04-02 | 2020-08-28 | 浙江工业大学 | 一种基于图卷积神经网络的跨模态检索方法 |
| CN114117104A (zh) * | 2020-08-28 | 2022-03-01 | 四川大学 | 一种基于多关系感知推理的图像文本匹配方法 |
| CN113094533A (zh) * | 2021-04-07 | 2021-07-09 | 北京航空航天大学 | 一种基于混合粒度匹配的图文跨模态检索方法 |
| CN113221882A (zh) * | 2021-05-11 | 2021-08-06 | 西安交通大学 | 一种面向课程领域的图像文本聚合方法及系统 |
| CN113469197A (zh) * | 2021-06-29 | 2021-10-01 | 北京达佳互联信息技术有限公司 | 图文匹配方法、装置、设备以及存储介质 |
| CN113434716A (zh) * | 2021-07-02 | 2021-09-24 | 泰康保险集团股份有限公司 | 一种跨模态信息检索方法和装置 |
| CN114743029A (zh) * | 2022-04-14 | 2022-07-12 | 北京理工大学 | 一种图像文本匹配的方法 |
| CN114896429A (zh) * | 2022-07-12 | 2022-08-12 | 苏州浪潮智能科技有限公司 | 一种图文互检方法、系统、设备及计算机可读存储介质 |
| CN115455171A (zh) * | 2022-11-08 | 2022-12-09 | 苏州浪潮智能科技有限公司 | 文本视频的互检索以及模型训练方法、装置、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115730878A (zh) | 2023-03-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Torbacki et al. | Identifying Key Performance Indicators to be used in Logistics 4.0 and Industry 4.0 for the needs of sustainable municipal logistics by means of the DEMATEL method | |
| Maniya et al. | A multi-attribute selection of automated guided vehicle using the AHP/M-GRA technique | |
| Aung et al. | Traceability in a food supply chain: Safety and quality perspectives | |
| Beheshtinia et al. | A multi-objective and integrated model for supply chain scheduling optimization in a multi-site manufacturing system | |
| CN110136129A (zh) | 一种商品质量检测方法、装置及存储介质 | |
| CN108830492B (zh) | 一种基于大数据的确定抽检商家的方法 | |
| CN107895172A (zh) | 利用图像信息检测异常视频文件的方法、装置及计算设备 | |
| CN107801090A (zh) | 利用音频信息检测异常视频文件的方法、装置及计算设备 | |
| CN112288374A (zh) | 一种基于云计算的智慧供应链物流智能优化管理系统 | |
| CN115730878B (zh) | 基于数据识别的货物进出口查验管理方法 | |
| CN110599071A (zh) | 一种基于bp神经网络的蔬菜冷链物流系统 | |
| Li | Predicting the investment risk in supply chain management using BPNN and machine learning | |
| CN107729873A (zh) | 视频文件中特定对象检测方法、装置及计算设备 | |
| CN112966131B (zh) | 一种海关数据风控类型识别方法、海关智能化风险布控方法、装置、计算机设备及存储介质 | |
| CN109409728A (zh) | 一种可配置物料清单的完整性检测方法和系统 | |
| CN112766739B (zh) | 一种基于bwm-e模型的肉制品中重金属污染评价方法 | |
| CN107230151A (zh) | 股票数据预测方法和装置、电子设备、计算机存储介质 | |
| CN113988592A (zh) | 一种船舶智能化水平的量化评价方法 | |
| CN113379211A (zh) | 基于区块链的物流信息平台违约风险管控系统及方法 | |
| Shen et al. | Integrated multi-criteria decision-making (MCDM) method combined with decision making trial and evaluation laboratory (DEMATEL) and analytic network process (ANP) in food supplier selection | |
| CN111222925B (zh) | 能源到岸价格计算的方法及装置 | |
| CN113222323B (zh) | 复合系统协调发展性评价方法、装置、设备和存储介质 | |
| Ferreira | Development of a Normalization Method for Social Life Cycle Assessment | |
| Fogliatti de Sinay et al. | Operational performance of terminals of containers | |
| CN108520042B (zh) | 实现经侦工作中嫌疑人涉案角色标定和角色评估的系统及方法 |
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 |