CN116503887B - 基于图像识别的货代订单处理方法 - Google Patents

基于图像识别的货代订单处理方法 Download PDF

Info

Publication number
CN116503887B
CN116503887B CN202310777090.4A CN202310777090A CN116503887B CN 116503887 B CN116503887 B CN 116503887B CN 202310777090 A CN202310777090 A CN 202310777090A CN 116503887 B CN116503887 B CN 116503887B
Authority
CN
China
Prior art keywords
information
screenshot
server
key
user
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
CN202310777090.4A
Other languages
English (en)
Other versions
CN116503887A (zh
Inventor
欧阳广庆
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.)
Nanjing Yuanquan Software Technology Co ltd
Original Assignee
Nanjing Yuanquan Software Technology 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 Nanjing Yuanquan Software Technology Co ltd filed Critical Nanjing Yuanquan Software Technology Co ltd
Priority to CN202310777090.4A priority Critical patent/CN116503887B/zh
Publication of CN116503887A publication Critical patent/CN116503887A/zh
Application granted granted Critical
Publication of CN116503887B publication Critical patent/CN116503887B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/40—Document-oriented image-based pattern recognition
    • G06V30/41—Analysis of document content
    • G06V30/412—Layout analysis of documents structured with printed lines or input boxes, e.g. business forms or tables
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Marketing (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供基于图像识别的货代订单处理方法，所述方法包括：S1、用户登陆客户端，选择货运的基本需求信息；S2、服务端接收所述基本需求信息，并判断其内置的数据库是否有与所述基本需求信息匹配的自动化申报模板；若有，则将已存在的自动化申报模板反馈给用户端，进入S5；若无，则进入S3；S3、服务端生成预自动化申报模板：S4、代理员对预自动化申报模板进行审核，审核通过得到新的自动化申报模板并反馈给客户端；S5、用户接收并填写自动化申报模板；S6、服务端将用户填写好的自动化申报模板内的信息自动填入承运方申报系统中；本发明的方法用人工智能取代了传统人工填写订单的方式，大大提高效率。

Description

基于图像识别的货代订单处理方法
技术领域
本发明涉及货代订单处理技术领域，具体为基于图像识别的货代订单处理方法。
背景技术
货代，是货运代理的简称；主要是接受客户的委托完成货物运输的某一个环节或与此有关的环节，涉及这方面的工作都可以直接或间接的找货代来完成，以节省资本，一般来说货代是货主与承运人之间的中间人、经纪人和运输组织者。
海运货代是货代中的一种，海运货运代理出口业务是从承揽和接受货物开始，安排货物装船，运至国内或者国外目的地，并将货物送交收货人的过程。
在传统的货代系统中，用户（也就是货主），首先选择好目的地，船东，运输时间；然后在货代系统填写所需信息，货代系统所属代理员根据货主填写的信息再去填写各种订单和提交订单材料。
由于目的地不同，船东不同，货物不同，甚至不同时间目的地政策也有变化；因此海运的订单下单填表流程复杂，对用户的专业能力要求高。
发明内容
针对现有技术存在的不足，本发明目的是提供基于图像识别的货代订单处理方法，可以解决现有海运的订单下单填表流程复杂，对用户的专业能力要求高的问题。
为了实现上述目的，本发明是技术方案如下：
本发明是通过如下的技术方案来实现：一种基于图像识别的货代订单处理方法，所述方法包括：
S1、用户登陆客户端，选择货运的基本需求信息；
S2、服务端接收所述基本需求信息，并判断其内置的数据库是否有与所述基本需求信息匹配的自动化申报模板；
若有，则将已存在的自动化申报模板反馈给用户端，进入S5；
若无，则进入S3；
S3、服务端生成预自动化申报模板：
S3.1、代理员实际登陆承运方申报系统并进行模拟申报操作，服务端记录模拟申报操作过程中的关键模拟信息；
S3.2、服务端内置的机器学习模型进行学习申报操作，并将学习成功的关键模拟信息保存至服务端；
S3.3、服务端根据保存的学习成功的关键模拟信息生成预自动化申报模板；
S4、代理员对预自动化申报模板进行审核，审核通过得到新的自动化申报模板并反馈给客户端；
S5、用户接收并填写自动化申报模板；
S6、服务端将用户填写好的自动化申报模板内的信息自动填入承运方申报系统中，并将填完后的表单截图发送给用户确认。
一种电子设备，包括存储器、处理器，以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现上述所述基于图像识别的货代订单处理方法的步骤。
一种非暂态计算机可读存储介质，其上存储有计算机程序，当所述计算机程序被处理器执行时，实现上述所述基于图像识别的货代订单处理方法的步骤。
与现有技术相比，本发明的有益效果包括：
发明的方法，通过实际模拟申报单的操作，利用机器学习模型进行学习操作，并结合图片识别的方式形成用户所需填写的信息及信息对应填写的表单项，填补承运方缺失后自动化申报模板缺失而无法生成货运订单的缺失，减少货运中货代处理的流程，减少了用户学习成本，并用人工智能取代了传统人工填写订单的方式，大大提高效率。
附图说明
参照附图来说明本发明的公开内容。应当了解，附图仅仅用于说明目的，而并非意在对本发明的保护范围构成限制。其中：
图1为本发明基于图像识别的货代订单处理方法整流程示意图。
具体实施方式
容易理解，根据本发明的技术方案，在不变更本发明实质精神下，本领域的一般技术人员可以提出可相互替换的多种结构方式以及实现方式。因此，以下具体实施方式以及附图仅是对本发明的技术方案的示例性说明，而不应当视为本发明的全部或者视为对本发明技术方案的限定或限制。
本发明提供一种基于图像识别的货代订单处理方法，如图1所示，所述方法包括以下步骤，
S1、用户登陆客户端，选择货运的基本需求信息；
具体的，用户根据客户端软件，完成登陆；根据实际需求查询并选择以下基本需求信息，包括货物类型、集装箱型号及数量、承运方以及出发地、目的地、出发时间等；用户选择确定后将所述基本需求信息发往服务端。
S2、服务端接收所述基本需求信息，并判断其内置的数据库是否有与所述基本需求信息匹配的自动化申报模板；
若有，则将已存在的自动化申报模板反馈给用户端，进入S5；
若无，则进入S3；
S3、服务端生成新的自动化申报模板；
S3.1、代理员实际登陆承运方申报系统并进行模拟申报操作，服务端记录模拟申报操作过程中的关键模拟信息；具体操作为：
S3.11、代理员通过服务端访问与所述基本需求信息匹配的承运方申报系统，服务端开始同步录制键鼠输入信息；键鼠输入信息包括鼠标滑行轨迹（以（x，y）形式）、鼠标单击、双击动作、键盘输入；
S3.12、代理员填写承运方申报系统内的申报单，并对每一个网页进行模拟截图和标注；键鼠输入信息和标注信息共同组成关键模拟信息。
其中所述对每一个网页进行模拟截图和标注包括：
代理员对每一个网页进行模拟截图；
若当前网页有需要填写信息的表单，则标注该模拟截图为表单截图；并标注出每个表单项描述文字区域和每个表单项描述文字区域对应的表单项输入区域，得到表单项描述文字区域信息和表单项输入区域信息；
若当前网页无需填写信息的表单，则标注该模拟截图为普通截图。
实施例：代理员通过服务端访问与所述基本需求信息匹配的承运方申报系统，服务端即刻开始录制键鼠输入信息，代理员对当前网页进行模拟截图，然后判断当前网页是否有需要填写信息表单，若有如“联系方式------------------”则该网页为需要填写信息的表单，此时标注该截图为表单截图，并对表单项描述文字区域即“联系方式”的区域，表单项描述文字区域对应的表单项输入区域即“-----------------”的区域进行标注，标注的方式包括但是不限于画框，形成表单项描述文字区域信息和表单项输入区域信息。
S3.2、服务端内置的机器学习模型进行学习申报操作，并将学习成功的关键模拟信息保存至服务端；具体为：
S3.21、机器学习模型使用模拟浏览器打开承运方申报系统；
S3.22、对当前页面进行截图，得到当前页面的学习截图；
S3.23、将当前页面的学习截图与S3.12中当前页面的模拟截图进行对比，判断两者是否相同；
若是，则检查S3.12中当前页面的模拟截图是否被标注为表单截图：
若是，则S3.12中当前页面的模拟截图对应的键鼠输入信息、表单项描述文字区域信息和表单项输入区域信息为学习成功的关键模拟信息，并识别表单项描述文字区域信息为关键字，将键鼠输入信息、关键字和表单项输入区域信息保存至服务端；进入S3.24；
实施例，对表单项描述文字区域即“联系方式”的区域进行识别，识别“联系方式”，将“联系方式”作为关键字；在此网页时，代理员通过键盘输入的方式输入联系方式，服务端对此操作进行录制；而后将代理员实际操作时键鼠输入信息、关键字和表单项输入区域信息保存至服务端。
若否，则S3.12中当前页面的模拟截图对应的键鼠输入信息为学习成功的关键模拟信息，仅将键鼠输入信息保存至服务端；进入S3.24；
若否，则说明承运方系统可能出现更新，或者网站因网速问题没有显示清楚，此时则反馈至代理员处理；
S3.24、重复S3.21-S3.23，直至完成承运方申报系统的最后一个网页。
示例性的，服务端内置的机器学习模型进行学习申报操作流程采用mock（template t）算法，t为模板，模板t中存储了录制的模拟截图P和关联的键鼠输入操作数组Arr，数组Arr中按序存储键鼠操作Op；
鼠标动作按照每秒20次采集，每次生成一个Op按顺序存入Arr中；键盘动作按次采集生成Op按顺序存入Arr中。
Op有以下属性：
Type（操作类型）：鼠标或键盘，
ActionType（动作类型）：鼠标单击、鼠标双击、鼠标移动、键盘输入，
Value（值）：根据ActionType不同而不同，ActionType为鼠标单击，鼠标双击，鼠标移动时，值为坐标（x，y）；ActionType为键盘输入时，值为文本。
mock算法流程如下：
a、首先从t中查询网页地址并打开，并根据学习进行截图得到学习截图并与该模板中存储的模拟截图依次对比；像素点相同率超过或等于90%则认为匹配；匹配成功则获取该截图关联的有序数组Arr。
b、依次读取数组Arr的Op_n输出模拟操作信号：
b1、判断Op_n的Type类型；
b11、如果类型是鼠标则继续判断ActionType，
如果ActionType为鼠标移动，则将value按照（x，y）类型解析，同时向浏览器输出信号鼠标移动至坐标点（x，y）；
如果ActionType为鼠标单击，则将value按照（x，y）类型解析，同时向浏览器输出信号鼠标单击做标点（x，y）；
如果ActionType为鼠标双击，则将value按照（x，y）类型解析，同时向浏览器输出信号鼠标双击做标点（x，y）；
b12、如果类型是键盘则继续判断ActionType，
如果ActionType为键盘输入则将value按照字符串解析，同时向浏览器输出字符串。
c、Arr数组最后一个元素op_n动作必定是鼠标单击/双击进入下一表单页面或是鼠标单击/双击完成表单提交。
所以在mock函数执行完Arr中所有动作后，等待5秒后（确保页面成功跳转）截图，并与该模板中存储的未匹配过的截图进行对比；如果没有未匹配过的截图或未匹配到，反馈给管理员并认为流程结束。
S3.3、服务端根据保存的学习成功的关键模拟信息生成预自动化申报模板，包括：
服务端对S3.2保存的关键字进行去重处理，以去除重复的表单项描述文字信息和表单项输入区域信息；判断S3.2保存的表单项描述文字区域内识别的关键字是否有重复的：若有，则去除重复的关键字和与其对应的表单项描述文字区域信息和表单项输入区域信息；若无，则不进行操作；
根据剩余的关键字、表单项输入区域信息生成用户填写表单；
用户填写表单与S3.2保存的键鼠输入信息共同生成预自动化申报模板。
S4、代理员对预自动化申报模板进行审核，审核通过得到新的自动化申报模板并反馈给客户端；
S5、用户接收并填写自动化申报模板；
S6、服务端将用户填写好的自动化申报模板内的信息自动填入承运方申报系统中；包括：
S6.1、服务端接收用户填写好的自动化申报模板；
S6.2、服务端打开承运方申报系统；
S6.3、识别当前页面是否为表单截图：
若是，则当前页面有需要填写的表单项，进入S6.4；
若否，则当前页面为普通截图，自动化申报模板按照保存的键鼠输入信息自动操作即可；
S6.4、确定当前页面的表单项描述关键字，在自动化申报模板内用户填写表单中找到相同的关键字，按照当前页面的键鼠输入信息将表单项内容填写至当前页面的表单项输入区域；
S6.5、重复S6.1-S6.4，直至完成承运方申报系统的最后一个网页。
示例性的，服务端将用户填写好的自动化申报模板内的信息自动填入承运端申报单中，并将填完后的表单截图发送给用户确认，流程如下：
用户填写完的信息以哈希表Map的形式存储在服务器中，如（key：value），key为关键词库中关键字，value为用户输入的值。
c、调用函数setUserValue（template t）：t为模板，模板t中存储了录制的模拟截图P和关联的键鼠操作数组Arr，数组Arr中按序存储操作Op。
d、setUserValue函数执行以下步骤并更新数组中满足条件的op_n的value值，
d1、获取截图并根据标注判断是否为表单截图，
d11、若是，则获取图中标注的表单项描述文字区域A1，（B1，C1等多组）和关键字与其关联的输入区域A2（B2，C2等多组）；A1区域为矩形框则有4个端点a（a1，a2），b（b1，b2），c（c1，c2），d（d1，d2）；计算得出A1区域中所有的像素点keyword（x，y）同时满足以下条件Condition_A1：
X>=min(a1，b1，c1，d1)
X<=max(a1，b1，c1，d1)
y>=min(a2，b2，c2，d2)
y>=max(a2，b2，c2，d2)
同样的计算得出满足A2区域的点input（x，y）的条件Condition_A2；
d12、依次取出Arr中元素op_n，判断op_n的Type是否为鼠标且ActionType为鼠标单击或双击；
d121、若是，则判断op_n的value（x，y）依次判断否满足Condition_A2（B2对应为Condition_B2依此类推）；
若是，则判断下一个op_n+1是否类型为键盘且ActionType键盘输入；
若是，则认为op_n动作为点击表单项输入框，op_n+1动作为输入表单数据。
此时op_n的value（x，y）满足Condition_X2，更新op_n+1的value，步骤如下：
获取其对应的关键字关联的输入区域A2；
再通过A2获取关联的表单项描述文字区域A1；
识别出A1区域包含的关键字Key_A1；
通过哈希表Map获取Key_A1中对应的值Value_A1；
将op_n+1的value更新为Value_A1；
按照以上逻辑依次处理Arr中元素op_n。
e、将处理完的Arr作为入参传递给函数 mock2（Array arr），mock2函数流程如下：
e1、首先查询网页地址并打开，并截图，与该模板中存储的截图依次进行对比，像素点相同率超过或等于90%则认为匹配，判断匹配截图的是否被标注为表单截图；
是则临时变量flag=true，否则临时变量flag=false；
e2、Mock2依次读取数组Arr的Op_n，判断Op_n的Type类型；
e21、如果类型是鼠标则继续判断ActionType，
如果ActionType为鼠标移动则将value按照（x，y）类型解析，同时向浏览器输出信号鼠标移动至坐标点（x，y）；
如果ActionType为鼠标单击则将value按照（x，y）类型解析，同时向浏览器输出信号鼠标单击做标点（x，y）；
如果ActionType为鼠标双击则将value按照（x，y）类型解析，同时向浏览器输出信号鼠标双击做标点（x，y）。
e3、如果类型是键盘则继续判断ActionType，
e31、如果ActionType为键盘输入则将value按照字符串解析，同时向浏览器输出字符串；
e4、Arr数组最后一个元素op_n动作必定是鼠标单击/双击操作以进入下一表单页面或是鼠标单击/双击完成表单提交。
所以在执行完op_n-1时，mock2函数判断临时变量flag值是否为true；
是，则截图并储存在结果集Set中；
否，则等待5秒后（确保页面成功跳转）截图，并与该模板中存储的未匹配过的截图进行对比。如果没有未匹配过的截图或未匹配到，则认为流程结束。
f.将结果集Set中保存的截图返回给用户核对信息是否准确。
将本发明运用到海运货代订单处理中。
实施例一：
需要进行海运的用户登陆客户端，查询信息；
用户根据实际需求在客户端内选择或者填写基本需求信息：出发港口，目的港口，出发时间，船东（承运方），货物信息；
服务端根据用户的基本需求信息匹配出已存在的自动化申报模板；
服务端将自动化申报模板反馈给用户，并提醒用户进一步填写信息；
用户根据提醒在自动化申报模板内完成信息填写并提交；
服务端根据自动化模板信息填写到船东的申报单中，并截图形成图片返回给用户确认；
用户确认无误后付款即可进行海运物流服务。
实施例二：
需要进行海运的用户登陆客户端，查询信息；
用户根据实际需求在客户端内选择或者填写基本需求信息：出发港口，目的港口，出发时间，船东（承运方），货物信息；
服务端根据用户的基本需求信息未匹配出自动化申报模板；
服务端生成预自动化申报模板：即代理员实际登陆承运方申报系统并进行模拟申报操作，服务端记录模拟申报操作过程中的关键模拟信息；服务端内置的机器学习模型进行学习申报操作，并将学习成功的关键模拟信息保存至服务端；服务端根据保存的学习成功的关键模拟信息生成预自动化申报模板；
代理员对预自动化申报模板进行审核，审核通过得到新的自动化申报模板并反馈给客户端；
用户接收并填写自动化申报模板；
服务端将用户填写好的自动化申报模板内的信息自动填入承运方申报系统。
本发明还提供一种基于机器学习及图像识别的货代订单处理系统，所述系统包括：
客户端，所述客户端运行于window和安卓操作系统，所述客户端用于查询并选择货运的基本需求信息、查询货运申报流程和付款；示例性的，所述客户端用于查询海运出发地港口，目的地港口；船东及货船信息查询预定；集装箱查询预定；货运申报流程，费用计算方式和付款方式；
服务端，所述服务端运行于Linux操作系统；所述服务端连接客户端，所述服务端用于并判断其内置的数据库是否有与所述基本需求信息匹配的自动化申报模板；
若有，则将已存在的自动化申报模板反馈给用户端，
若无，服务端生成新的自动化申报模板反馈给用户端，
所述服务端还用于将用户填写好的自动化申报模板内的信息自动填入承运端申报单中，并将填完后的表单截图发送给用户确认；
管理端，运行于window操作系统，所述管理端连接客户端和服务端，所述管理端用于用户信息管理、审核自动化申报模板、机器学习模型的调用和校对。
本发明的技术范围不仅仅局限于上述说明中的内容，本领域技术人员可以在不脱离本发明技术思想的前提下，对上述实施例进行多种变形和修改，而这些变形和修改均应当属于本发明的保护范围内。

Claims (9)

1.一种基于图像识别的货代订单处理方法，其特征在于：所述方法包括：
S1、用户登陆客户端，选择货运的基本需求信息；
S2、服务端接收所述基本需求信息，并判断其内置的数据库是否有与所述基本需求信息匹配的自动化申报模板；
若有，则将已存在的自动化申报模板反馈给用户端，进入S5；
若无，则进入S3；
S3、服务端生成预自动化申报模板：
S3.1、代理员实际登陆承运方申报系统并进行模拟申报操作，服务端记录模拟申报操作过程中的关键模拟信息；具体操作如下：
S3.11、代理员通过服务端访问与所述基本需求信息匹配的承运方申报系统，服务端开始同步录制键鼠输入信息；键鼠输入信息包括鼠标滑行轨迹、鼠标单击、双击动作、键盘输入；
S3.12、代理员填写承运方申报系统内的申报单，并对每一个网页进行模拟截图和标注；键鼠输入信息和标注信息共同组成关键模拟信息；
S3.2、服务端内置的机器学习模型进行学习申报操作，并将学习成功的关键模拟信息保存至服务端；
S3.3、服务端根据保存的学习成功的关键模拟信息生成预自动化申报模板；
S4、代理员对预自动化申报模板进行审核，审核通过得到新的自动化申报模板并反馈给客户端；
S5、用户接收并填写自动化申报模板；
S6、服务端将用户填写好的自动化申报模板内的信息自动填入承运方申报系统中，并将填完后的表单截图发送给用户确认。
2.根据权利要求1所述的一种基于图像识别的货代订单处理方法，其特征在于：所述对每一个网页进行模拟截图和标注包括：
代理员对每一个网页进行模拟截图；
若当前网页有需要填写信息的表单，则标注该模拟截图为表单截图；并标注出每个表单项描述文字区域和每个表单项描述文字区域对应的表单项输入区域，得到表单项描述文字区域信息和表单项输入区域信息；
若当前网页无需填写信息的表单，则标注该模拟截图为普通截图。
3.根据权利要求2所述的一种基于图像识别的货代订单处理方法，其特征在于：在S3.2中，所述服务端内置的机器学习模型进行学习申报操作，并将学习成功的关键模拟信息保存至服务端包括：
S3.21、机器学习模型使用模拟浏览器打开承运方申报系统；
S3.22、对当前页面进行截图，得到当前页面的学习截图；
S3.23、将当前页面的学习截图与S3.12中当前页面的模拟截图进行对比，判断两者是否相同；
若是，则检查S3.12中当前页面的模拟截图是否被标注为表单截图：
若是，则S3.12中当前页面的模拟截图对应的键鼠输入信息、表单项描述文字区域信息和表单项输入区域信息为学习成功的关键模拟信息，并识别表单项描述文字区域信息为关键字，将键鼠输入信息、关键字和表单项输入区域信息保存至服务端；进入S3.24；
若否，则S3.12中当前页面的模拟截图对应的键鼠输入信息为学习成功的关键模拟信息，仅将键鼠输入信息保存至服务端；进入S3.24；
若否，则反馈至代理员处理；
S3.24、重复S3.21-S3.23，直至完成承运方申报系统的最后一个网页。
4.根据权利要求3所述的一种基于图像识别的货代订单处理方法，其特征在于：在S3.3中所述服务端根据保存的学习成功的关键模拟信息生成预自动化申报模板包括：
服务端对S3.2保存的关键字进行去重处理，以去除重复的表单项描述文字信息和表单项输入区域信息；
根据剩余的关键字、表单项输入区域信息生成用户填写表单；
用户填写表单与S3.2保存的键鼠输入信息共同生成预自动化申报模板。
5.根据权利要求4所述的一种基于图像识别的货代订单处理方法，其特征在于：所述去重处理包括：
判断S3.2保存的表单项描述文字区域内识别的关键字是否有重复的：
若有，则去除重复的关键字和与其对应的表单项描述文字区域信息和表单项输入区域信息；
若无，则不进行操作。
6.根据权利要求2所述的一种基于图像识别的货代订单处理方法，其特征在于：在S6中，所述服务端将用户填写好的自动化申报模板内的信息自动填入承运端申报单中，包括：
S6.1、服务端接收用户填写好的自动化申报模板；
S6.2、服务端打开承运方申报系统；
S6.3、识别当前页面是否为表单截图：
若是，则当前页面有需要填写的表单项，进入S6.4；
若否，则当前页面为普通截图，自动化申报模板按照保存的键鼠输入信息自动操作即可；
S6.4、确定当前页面的表单项描述关键字，在自动化申报模板内用户填写表单中找到相同的关键字，按照当前页面的键鼠输入信息将表单项内容填写至当前页面的表单项输入区域；
S6.5、重复S6.1-S6.4，直至完成承运方申报系统的最后一个网页。
7.根据权利要求1所述的一种基于图像识别的货代订单处理方法，其特征在于：所述基本需求信息包括货物类型、集装箱型号及数量、承运方、出发地、目的地以及出发时间。
8.一种电子设备，包括存储器、处理器，以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现如权利要求1-7任一项所述基于图像识别的货代订单处理方法的步骤。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，当所述计算机程序被处理器执行时，实现如权利要求1-7任一所述基于图像识别的货代订单处理方法的步骤。
CN202310777090.4A 2023-06-29 2023-06-29 基于图像识别的货代订单处理方法 Active CN116503887B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310777090.4A CN116503887B (zh) 2023-06-29 2023-06-29 基于图像识别的货代订单处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310777090.4A CN116503887B (zh) 2023-06-29 2023-06-29 基于图像识别的货代订单处理方法

Publications (2)

Publication Number Publication Date
CN116503887A CN116503887A (zh) 2023-07-28
CN116503887B true CN116503887B (zh) 2023-09-19

Family

ID=87321686

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310777090.4A Active CN116503887B (zh) 2023-06-29 2023-06-29 基于图像识别的货代订单处理方法

Country Status (1)

Country Link
CN (1) CN116503887B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111815400A (zh) * 2020-06-16 2020-10-23 上海中通吉网络技术有限公司 跨境贸易电子商务物流信息通关申报方法及设备
CN112418812A (zh) * 2020-12-02 2021-02-26 上海三稻智能科技有限公司 分布式全链路自动化智能通关系统、方法及存储介质
CN113760582A (zh) * 2021-09-09 2021-12-07 北京京东振世信息技术有限公司 一种单据申报方法和装置
CN113807908A (zh) * 2021-01-12 2021-12-17 北京京东振世信息技术有限公司 一种物流申报方法、系统、装置、电子设备及其存储介质
CN114170044A (zh) * 2022-02-11 2022-03-11 北京金堤科技有限公司 自动申报方法、装置、存储介质及电子设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020023108A1 (en) * 1999-09-09 2002-02-21 Neil Daswani Automatic web form interaction proxy
US7548881B2 (en) * 2002-11-04 2009-06-16 Tradebeam, Inc. Systems and methods for producing documentary credit and conforming shipping documents

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111815400A (zh) * 2020-06-16 2020-10-23 上海中通吉网络技术有限公司 跨境贸易电子商务物流信息通关申报方法及设备
CN112418812A (zh) * 2020-12-02 2021-02-26 上海三稻智能科技有限公司 分布式全链路自动化智能通关系统、方法及存储介质
CN113807908A (zh) * 2021-01-12 2021-12-17 北京京东振世信息技术有限公司 一种物流申报方法、系统、装置、电子设备及其存储介质
CN113760582A (zh) * 2021-09-09 2021-12-07 北京京东振世信息技术有限公司 一种单据申报方法和装置
CN114170044A (zh) * 2022-02-11 2022-03-11 北京金堤科技有限公司 自动申报方法、装置、存储介质及电子设备

Also Published As

Publication number Publication date
CN116503887A (zh) 2023-07-28

Similar Documents

Publication Publication Date Title
US11816165B2 (en) Identification of fields in documents with neural networks without templates
US11113557B2 (en) System and method for generating an electronic template corresponding to an image of an evidence
CN110069623B (zh) 摘要文本生成方法、装置、存储介质和计算机设备
US10997507B2 (en) Data reconciliation
CN104737187A (zh) 将进口数据和/或出口数据与公司标识符关联的系统及过程
CN112418812A (zh) 分布式全链路自动化智能通关系统、方法及存储介质
CN103996102A (zh) 一种集装箱箱体查验方法
CN111582786A (zh) 基于机器学习的快递单号识别方法、装置和设备
Kamaletdinov et al. Qualitative and temporal characteristics of electronic document management processes in cargo and commercial operations
CN112418813B (zh) 基于智能解析识别的aeo资质智能评级管理系统、方法及存储介质
CN116503887B (zh) 基于图像识别的货代订单处理方法
CN117010779A (zh) 基于智能编码的海关进出口申报方法、系统、设备及介质
CN107563689A (zh) 使用条形码管理系统及方法
CN114708600A (zh) 单证审核方法、装置、计算机设备和存储介质
US20130300562A1 (en) Generating delivery notification
US20220172301A1 (en) System and method for clustering an electronic document that includes transaction evidence
US20230137639A1 (en) Data processing system and method for operating an enterprise application
CN114861622A (zh) 跟单信用证生成方法、装置、设备、存储介质和程序产品
CN114418236A (zh) 信息预测方法、装置、存储介质及电子设备
CN115880703A (zh) 表单数据处理方法、装置、电子设备和存储介质
CN111639905B (zh) 企业业务流程管控系统、方法、电子设备及存储介质
CN114359918A (zh) 提货单信息提取方法、装置及计算机设备
CN113553393A (zh) 结合rpa和ai报关信息的处理方法和处理装置
CN111222941B (zh) 一种基于大数据的线上采购信息分类系统及手持操作终端
CN112862409A (zh) 提运单核验方法及装置

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