CN116934191A - 基于图像分析的物流配送调度方法及系统 - Google Patents
基于图像分析的物流配送调度方法及系统 Download PDFInfo
- Publication number
- CN116934191A CN116934191A CN202310974791.7A CN202310974791A CN116934191A CN 116934191 A CN116934191 A CN 116934191A CN 202310974791 A CN202310974791 A CN 202310974791A CN 116934191 A CN116934191 A CN 116934191A
- Authority
- CN
- China
- Prior art keywords
- image
- ordered set
- typical
- monitoring
- logistics
- 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
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 105
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000010191 image analysis Methods 0.000 title claims abstract description 55
- 238000012544 monitoring process Methods 0.000 claims abstract description 289
- 238000004458 analytical method Methods 0.000 claims abstract description 110
- 238000013528 artificial neural network Methods 0.000 claims abstract description 46
- 238000005457 optimization Methods 0.000 claims description 45
- 230000009467 reduction Effects 0.000 claims description 42
- 238000005065 mining Methods 0.000 claims description 30
- 238000013507 mapping Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 15
- 230000004927 fusion Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000009825 accumulation Methods 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 141
- 238000012216 screening Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供的基于图像分析的物流配送调度方法及系统,涉及人工智能技术领域。在本发明中,确定出目标物流区域监控视频的初始监控图像帧有序集合;对初始监控图像帧有序集合进行加载,利用监控视频分析神经网络,分析出对应的目标物流物品属于目标种类物品的估计可能性参数;倘若估计可能性参数不小于参考可能性参数,则判定对应的目标物流物品属于目标种类物品,倘若估计可能性参数小于参考可能性参数,则判定对应的目标物流物品不属于目标种类物品;基于目标物流物品是否属于目标种类物品,对目标物流物品进行物流配送调度方案的确定操作。基于上述内容,可以在一定程度上提高物流配送调度的可靠度。
Description
技术领域
本发明涉及人工智能技术领域,具体而言,涉及一种基于图像分析的物流配送调度方法及系统。
背景技术
物流配送的调度是物流配送环节中的重要手段。其中,物流配送,即从商品流通的经营方式看的一种商品流通方式,是一种现代的流通方式。物流配送定位在为电子商务的客户提供服务,根据电子商务的特点,对整个物流配送体系实行统一的信息管理和调度,按照用户订货要求,在物流基地进行理货工作,并将配好的货物送交收货人的一种物流方式。物流仓储配送服务已然成为中国电子商务最为核心的行业环节,能够提供一个全面完善的物流仓储配送解决方案也成为了很多中小卖家、电子商务供应商品牌商必须关注的问题。物流配送的许多环节都造成巨大的成本、人力、时间浪费,物流企业必须重视物流配送系统的信息化管理。其中,在现有技术中,一般是随机的、任意的进行物流配送调度,如此,就容易出现物流配送调度的可靠度不高的问题。
发明内容
有鉴于此,本发明的目的在于提供一种基于图像分析的物流配送调度方法及系统,以在一定程度上提高物流配送调度的可靠度。
为实现上述目的,本发明实施例采用如下技术方案:
一种基于图像分析的物流配送调度方法,包括:
确定出目标物流区域监控视频的初始监控图像帧有序集合,所述初始监控图像帧有序集合是在所述目标物流区域监控视频中基于图像帧时间戳选择出的多个初始监控图像帧的有序集合,所述目标物流区域监控视频通过对目标物流区域的目标物流物品的人工搬运过程进行图像监控以形成;
对所述初始监控图像帧有序集合进行加载,以加载到经过网络优化的监控视频分析神经网络中,利用所述监控视频分析神经网络,分析出所述目标物流区域监控视频对应的所述目标物流物品属于目标种类物品的估计可能性参数,所述监控视频分析神经网络用于对所述初始监控图像帧有序集合进行特征挖掘和特征还原操作,以形成对应的还原监控图像帧有序集合,以及,基于所述初始监控图像帧有序集合与所述还原监控图像帧有序集合之间的还原区别信息,分析出所述估计可能性参数,所述估计可能性参数与所述还原区别信息之间具有负相关的对应关系,所述监控视频分析神经网络是利用所述目标种类物品对应的典型视频信息进行网络优化形成的神经网络,所述监控视频分析神经网络用于在加载到的监控视频属于所述目标种类物品的人工搬运过程监控视频的时候,分析出所述加载到的监控视频对应的物流物品为目标种类物品的可能性参数不小于预先配置的参考可能性参数;
倘若所述估计可能性参数不小于所述参考可能性参数,则判定所述目标物流区域监控视频对应的所述目标物流物品属于所述目标种类物品,倘若所述估计可能性参数小于所述参考可能性参数,则判定所述目标物流区域监控视频对应的所述目标物流物品不属于所述目标种类物品;
基于所述目标物流物品是否属于所述目标种类物品,对所述目标物流物品进行物流配送调度方案的确定操作。
在一些优选的实施例中,在上述基于图像分析的物流配送调度方法中,所述对所述初始监控图像帧有序集合进行加载,以加载到经过网络优化的监控视频分析神经网络中,利用所述监控视频分析神经网络,分析出所述目标物流区域监控视频对应的所述目标物流物品属于目标种类物品的估计可能性参数的步骤,包括:
对所述初始监控图像帧有序集合进行加载,以加载到经过网络优化的图像重建第一单元中,利用所述图像重建第一单元对所述初始监控图像帧有序集合进行图像重建操作,以形成对应的还原监控图像帧有序集合;
对所述初始监控图像帧有序集合与所述还原监控图像帧有序集合进行加载,以加载到经过网络优化的图像对比分析第一单元中,利用所述图像对比分析第一单元,基于所述还原区别信息,分析出所述目标物流区域监控视频对应的所述目标物流物品属于目标种类物品的估计可能性参数,所述监控视频分析神经网络包括所述图像重建第一单元和所述图像对比分析第一单元。
在一些优选的实施例中,在上述基于图像分析的物流配送调度方法中,在所述确定出目标物流区域监控视频的初始监控图像帧有序集合的步骤以前,所述基于图像分析的物流配送调度方法还包括:
提取到属于所述目标种类物品的典型视频信息的典型监控图像帧有序集合,所述典型监控图像帧有序集合是在所述典型视频信息中基于图像帧时间戳选择出的多个典型监控图像帧的有序集合;
基于所述典型监控图像帧有序集合,将图像重建第一候选单元进行网络优化操作,以形成对应的图像重建第一单元,所述典型监控图像帧有序集合为所述图像重建第一候选单元的加载数据,所述图像重建第一候选单元用于对所述典型监控图像帧有序集合进行图像重建操作,以形成对应的典型还原图像帧有序集合,所述典型还原图像帧有序集合和所述典型监控图像帧有序集合之间的网络学习指标第一参数与预先配置的第一网络学习目标匹配;
基于所述典型监控图像帧有序集合和所述典型还原图像帧有序集合,将图像对比分析第一候选单元进行网络优化操作,以形成对应的图像对比分析第一单元,所述典型监控图像帧有序集合和所述典型还原图像帧有序集合为所述图像对比分析第一候选单元的加载数据,所述图像对比分析第一候选单元用于分析出所述典型视频信息对应的物流物品属于所述目标种类物品的可能性参数,所述图像重建第一单元基于所述典型监控图像帧有序集合、所述典型还原图像帧有序集合分析出的所述典型视频信息对应的物流物品属于目标种类物品的可能性参数的网络学习指标第二参数与预先确定的第二网络学习目标匹配。
在一些优选的实施例中,在上述基于图像分析的物流配送调度方法中,所述基于所述典型监控图像帧有序集合,将图像重建第一候选单元进行网络优化操作,以形成对应的图像重建第一单元的步骤,包括:
将所述典型监控图像帧有序集合进行特征空间映射操作,以完成特征挖掘操作,从而形成所述典型视频信息对应的图像信息第一特征表示,所述图像信息第一特征表示属于所述典型监控图像帧有序集合的特征空间的映射结果;
将所述图像信息第一特征表示进行特征还原操作,以完成图像重建操作,从而形成对应的典型还原图像帧有序集合;
计算出所述典型还原图像帧有序集合和所述典型监控图像帧有序集合之间的网络学习指标第一参数,并依据所述网络学习指标第一参数,对所述图像重建第一候选单元进行网络优化操作,以形成对应的图像重建第一单元。
在一些优选的实施例中,在上述基于图像分析的物流配送调度方法中,所述基于所述典型监控图像帧有序集合和所述典型还原图像帧有序集合,将图像对比分析第一候选单元进行网络优化操作,以形成对应的图像对比分析第一单元的步骤,包括:
对所述典型还原图像帧有序集合和所述典型监控图像帧有序集合进行区别分析操作,以输出所述典型视频信息的第一还原区别信息;
对所述第一还原区别信息、所述网络学习指标第一参数和所述网络学习指标第二参数进行融合操作,以形成对应的网络学习指标累积参数,以及,在确定出所述网络学习指标累积参数与预先配置的第三网络学习目标匹配的时候,结束对所述图像重建第一候选单元和所述图像对比分析第一候选单元的网络优化操作,形成对应的图像重建第一单元和对应的图像对比分析第一单元。
在一些优选的实施例中,在上述基于图像分析的物流配送调度方法中,所述对所述初始监控图像帧有序集合进行加载,以加载到经过网络优化的监控视频分析神经网络中,利用所述监控视频分析神经网络,分析出所述目标物流区域监控视频对应的所述目标物流物品属于目标种类物品的估计可能性参数的步骤,包括:
对所述初始监控图像帧有序集合进行加载,以加载到经过网络优化的图像重建第二单元中,利用所述图像重建第二单元将所述初始监控图像帧有序集合进行特征空间的映射操作,以形成所述目标物流区域监控视频对应的初始图像信息特征表示,以及,将所述初始图像信息特征表示进行图像重建操作,以形成对应的还原监控图像帧有序集合;
对所述还原监控图像帧有序集合进行特征空间的映射操作,以形成所述目标物流区域监控视频对应的还原图像信息特征表示;
对所述初始图像信息特征表示和所述还原图像信息特征表示进行加载,以加载到经过网络优化的图像对比分析第二单元中,利用所述图像对比分析第二单元分析出所述目标物流区域监控视频对应的所述目标物流物品属于所述目标种类物品的估计可能性参数,所述监控视频分析神经网络包括所述图像重建第二单元和所述图像对比分析第二单元。
在一些优选的实施例中,在上述基于图像分析的物流配送调度方法中,在所述确定出目标物流区域监控视频的初始监控图像帧有序集合的步骤以前,所述基于图像分析的物流配送调度方法还包括:
提取到属于所述目标种类物品的典型视频信息的典型监控图像帧有序集合,所述典型监控图像帧有序集合是在所述典型视频信息中基于图像帧时间戳选择出的多个典型监控图像帧的有序集合;
基于所述典型监控图像帧有序集合,将图像重建第二候选单元进行网络优化操作,以形成对应的图像重建第二单元,所述典型监控图像帧有序集合为所述图像重建第二候选单元的加载数据,所述图像重建第二候选单元用于对所述典型监控图像帧有序集合进行图像重建操作,以形成对应的典型视频信息的图像信息第一特征表示,并将所述图像信息第一特征表示进行图像重建操作,以形成对应的典型还原图像帧有序集合,以及,对所述典型还原图像帧有序集合进行特征空间的映射操作,以形成所述典型视频信息的图像信息第二特征表示,所述图像重建第二单元依据所述典型监控图像帧有序集合分析出的图像信息第二特征表示和所述典型监控图像帧有序集合真实对应的图像信息第二特征表示之间的网络学习指标第三参数与预先确定的第四网络学习目标匹配;
基于所述图像信息第一特征表示和所述图像信息第二特征表示,将图像对比分析第二候选单元进行网络优化操作,以形成对应的图像对比分析第二单元,所述图像信息第一特征表示和所述图像信息第二特征表示为所述图像对比分析第二候选单元的加载数据,所述图像对比分析第二候选单元用于分析出所述典型视频信息对应的物流物品属于目标种类物品的可能性参数,所述图像重建第二单元依据所述图像信息第一特征表示和所述图像信息第二特征表示分析出的所述典型视频信息对应的物流物品属于目标种类物品的可能性参数的网络学习指标第四参数与预先确定的第五网络学习目标匹配。
在一些优选的实施例中,在上述基于图像分析的物流配送调度方法中,所述基于所述图像信息第一特征表示和所述图像信息第二特征表示,将图像对比分析第二候选单元进行网络优化操作,以形成对应的图像对比分析第二单元的步骤,包括:
对所述图像信息第二特征表示和所述图像信息第一特征表示进行区别分析操作,以输出所述典型视频信息对应的第二还原区别信息;
对所述第二还原区别信息、所述网络学习指标第三参数和所述网络学习指标第四参数进行融合操作,以形成对应的网络学习指标融合参数,以及,在确定的所述网络学习指标融合参数与预先确定的第六网络学习目标匹配的时候,结束对所述图像重建第二候选单元和所述图像对比分析第二候选单元的网络优化操作,形成对应的图像重建第二单元和对应的图像对比分析第二单元。
在一些优选的实施例中,在上述基于图像分析的物流配送调度方法中,在所述对所述典型监控图像帧有序集合进行图像重建操作,以形成对应的典型视频信息的图像信息第一特征表示的步骤以前,所述基于图像分析的物流配送调度方法还包括:
将所述典型监控图像帧有序集合进行干扰信息的添加操作;
所述对所述典型监控图像帧有序集合进行图像重建操作,以形成对应的典型视频信息的图像信息第一特征表示的步骤,包括:
将添加有所述干扰信息的典型监控图像帧有序集合,进行图像重建操作,以形成对应的典型视频信息的图像信息第一特征表示。
本发明实施例还提供一种基于图像分析的物流配送调度系统,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序,以实现上述的基于图像分析的物流配送调度方法。
本发明实施例提供的基于图像分析的物流配送调度方法及系统,可以先确定出目标物流区域监控视频的初始监控图像帧有序集合;对初始监控图像帧有序集合进行加载,利用监控视频分析神经网络,分析出对应的目标物流物品属于目标种类物品的估计可能性参数;倘若估计可能性参数不小于参考可能性参数,则判定对应的目标物流物品属于目标种类物品,倘若估计可能性参数小于参考可能性参数,则判定对应的目标物流物品不属于目标种类物品;基于目标物流物品是否属于目标种类物品,对目标物流物品进行物流配送调度方案的确定操作。基于前述的内容,由于会先分析出目标物流物品属于目标种类物品的估计可能性参数,使得可以可靠地确定出目标物流物品是否属于目标种类物品,因此,可以对目标物流物品进行可靠的(依据充分的)物流配送调度方案的确定操作,使得可以在一定程度上提高物流配送调度的可靠度,改善现有技术的不足。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
图1为本发明实施例提供的基于图像分析的物流配送调度系统的结构框图。
图2为本发明实施例提供的基于图像分析的物流配送调度方法包括的各步骤的流程示意图。
图3为本发明实施例提供的基于图像分析的物流配送调度装置包括的各模块的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例只是本发明的一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
如图1所示,本发明实施例提供了一种基于图像分析的物流配送调度系统。其中,所述物流配送调度系统可以包括存储器和处理器。
详细地,所述存储器和处理器之间直接或间接地电性连接,以实现数据的传输或交互。例如,相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件(firmware)的形式,存在的软件功能模块(计算机程序)。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序,从而实现本发明实施例提供的基于图像分析的物流配送调度方法。
应当理解的是,在一些可能的实施方式中,所述存储器可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(ErasableProgrammable Read-Only Memory,EPROM),电可擦除只读存储器(Electric ErasableProgrammable Read-Only Memory,EEPROM)等。
应当理解的是,在一些可能的实施方式中,所述处理器可以是一种通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)、片上系统(System on Chip,SoC)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
应当理解的是,在一些可能的实施方式中,所述基于图像分析的物流配送调度系统可以是一种具备数据处理能力的服务器。
结合图2,本发明实施例还提供一种基于图像分析的物流配送调度方法,可应用于上述基于图像分析的物流配送调度系统。其中,所述基于图像分析的物流配送调度方法有关的流程所定义的方法步骤,可以由所述基于图像分析的物流配送调度系统实现。
下面将对图2所示的具体流程,进行详细阐述。
步骤S110,确定出目标物流区域监控视频的初始监控图像帧有序集合。
在本发明实施例中,所述基于图像分析的物流配送调度系统可以,确定出目标物流区域监控视频的初始监控图像帧有序集合。所述初始监控图像帧有序集合是在所述目标物流区域监控视频中基于图像帧时间戳选择出的多个初始监控图像帧的有序集合,例如,可以每间隔预设帧,提取得到一帧初始监控图像帧,所述间隔预设帧的具体数值不受限制,可以根据实际需求进行配置,所述目标物流区域监控视频通过对目标物流区域的目标物流物品的人工搬运过程进行图像监控以形成,如此,所述目标物流区域监控视频中会携带有所述目标物流物品的搬运动作信息,其中,对于不同的搬运动作信息,一般会具有不同的物品种类,因此,可以基于所述初始监控图像帧有序集合进行候选的步骤,以分析出相应的物品种类。
步骤S120,对所述初始监控图像帧有序集合进行加载,以加载到经过网络优化的监控视频分析神经网络中,利用所述监控视频分析神经网络,分析出所述目标物流区域监控视频对应的所述目标物流物品属于目标种类物品的估计可能性参数。
在本发明实施例中,所述基于图像分析的物流配送调度系统可以,对所述初始监控图像帧有序集合进行加载,以加载到经过网络优化的监控视频分析神经网络中,利用所述监控视频分析神经网络,分析出所述目标物流区域监控视频对应的所述目标物流物品属于目标种类物品的估计可能性参数,即可能性的高低。所述监控视频分析神经网络用于对所述初始监控图像帧有序集合进行特征挖掘和特征还原操作,即实现图像的重建,以形成对应的还原监控图像帧有序集合,以及,基于所述初始监控图像帧有序集合与所述还原监控图像帧有序集合之间的还原区别信息,分析出所述估计可能性参数,所述估计可能性参数与所述还原区别信息之间具有负相关的对应关系,所述监控视频分析神经网络是利用所述目标种类物品对应的典型视频信息进行网络优化形成的神经网络,所述监控视频分析神经网络用于在加载到的监控视频属于所述目标种类物品的人工搬运过程监控视频的时候,分析出所述加载到的监控视频对应的物流物品为目标种类物品的可能性参数不小于预先配置的参考可能性参数。所述参考可能性参数的具体数值不受限制,可以根据实际需求进行配置。
步骤S130,倘若所述估计可能性参数不小于所述参考可能性参数,则判定所述目标物流区域监控视频对应的所述目标物流物品属于所述目标种类物品,倘若所述估计可能性参数小于所述参考可能性参数,则判定所述目标物流区域监控视频对应的所述目标物流物品不属于所述目标种类物品。
在本发明实施例中,所述基于图像分析的物流配送调度系统可以在所述估计可能性参数不小于所述参考可能性参数的时候,判定所述目标物流区域监控视频对应的所述目标物流物品属于所述目标种类物品,在所述估计可能性参数小于所述参考可能性参数的时候,判定所述目标物流区域监控视频对应的所述目标物流物品不属于所述目标种类物品。
步骤S140,基于所述目标物流物品是否属于所述目标种类物品,对所述目标物流物品进行物流配送调度方案的确定操作。
在本发明实施例中,所述基于图像分析的物流配送调度系统可以基于所述目标物流物品是否属于所述目标种类物品,对所述目标物流物品进行物流配送调度方案的确定操作。对于确定出的物流配送调度方案,基于所述目标种类物品的具体种类不同,该物流配送调度方案也可以不同,所述目标种类物品也可以根据实际需求进行定义,只要在进行网络优化的过程中具有相应的典型视频信息即可,例如,所述目标种类物品可以是易碎物品,如此,物流配送调度方案可以是配送中应存储在最上层等安全位置。
基于前述的内容(即前述的步骤S110-步骤S140),由于会先分析出目标物流物品属于目标种类物品的估计可能性参数,使得可以可靠地确定出目标物流物品是否属于目标种类物品,因此,可以对目标物流物品进行可靠的(依据充分的)物流配送调度方案的确定操作,使得可以在一定程度上提高物流配送调度的可靠度,改善现有技术的不足。
应当理解的是,在一些可能的实施方式中,上文中的步骤S120,即所述对所述初始监控图像帧有序集合进行加载,以加载到经过网络优化的监控视频分析神经网络中,利用所述监控视频分析神经网络,分析出所述目标物流区域监控视频对应的所述目标物流物品属于目标种类物品的估计可能性参数的步骤,可以进一步包括下文所述的各具体实施内容:
对所述初始监控图像帧有序集合进行加载,以加载到经过网络优化的图像重建第一单元中,利用所述图像重建第一单元对所述初始监控图像帧有序集合进行图像重建操作,以形成对应的还原监控图像帧有序集合;
对所述初始监控图像帧有序集合与所述还原监控图像帧有序集合进行加载,以加载到经过网络优化的图像对比分析第一单元中,利用所述图像对比分析第一单元,基于(所述初始监控图像帧有序集合与所述还原监控图像帧有序集合之间的)所述还原区别信息,分析出所述目标物流区域监控视频对应的所述目标物流物品属于目标种类物品的估计可能性参数,所述监控视频分析神经网络包括所述图像重建第一单元和所述图像对比分析第一单元,对于所述还原区别信息,可以直接对所述初始监控图像帧有序集合与所述还原监控图像帧有序集合进行图像相似度的计算,可以参照相关的图像相似度计算方式,然后,可以基于图像相似度确定出还原区别信息,所述还原区别信息可以与所述图像相似度负相关,或者,可以对所述初始监控图像帧有序集合和所述还原监控图像帧有序集合分别进行特征空间的映射操作,然后,计算对应的特征表示之间的距离,以得到所述还原区别信息,另外,特征表示的形式可以是向量。
应当理解的是,在一些可能的实施方式中,在所述确定出目标物流区域监控视频的初始监控图像帧有序集合的步骤以前,即在上文中的步骤S110以前,所述基于图像分析的物流配送调度方法还可以进一步包括下文所述的各具体实施内容:
提取到属于所述目标种类物品的典型视频信息的典型监控图像帧有序集合,所述典型监控图像帧有序集合是在所述典型视频信息中基于图像帧时间戳选择出(如前所述)的多个典型监控图像帧的有序集合,可以理解的是,所述典型视频信息是指,作为网络优化操作依据的视频信息;
基于所述典型监控图像帧有序集合,将图像重建第一候选单元进行网络优化操作,以形成对应的图像重建第一单元,所述典型监控图像帧有序集合为所述图像重建第一候选单元的加载数据,所述图像重建第一候选单元用于对所述典型监控图像帧有序集合进行图像重建操作,以形成对应的典型还原图像帧有序集合,所述典型还原图像帧有序集合和所述典型监控图像帧有序集合之间的网络学习指标第一参数与预先配置的第一网络学习目标匹配,例如,在网络优化操作结束时,对应的网络学习指标第一参数(即损失)应当小于或等于一个预设值;
基于所述典型监控图像帧有序集合和所述典型还原图像帧有序集合,将图像对比分析第一候选单元进行网络优化操作,以形成对应的图像对比分析第一单元,所述典型监控图像帧有序集合和所述典型还原图像帧有序集合为所述图像对比分析第一候选单元的加载数据,所述图像对比分析第一候选单元用于分析出所述典型视频信息对应的物流物品属于所述目标种类物品的可能性参数,所述图像重建第一单元基于所述典型监控图像帧有序集合、所述典型还原图像帧有序集合分析出的所述典型视频信息对应的物流物品属于目标种类物品的可能性参数的网络学习指标第二参数与预先确定的第二网络学习目标匹配,例如,在网络优化操作结束时,对应的网络学习指标第二参数(即损失)应当小于或等于一个预设值。
应当理解的是,在一些可能的实施方式中,所述基于所述典型监控图像帧有序集合,将图像重建第一候选单元进行网络优化操作,以形成对应的图像重建第一单元的步骤,可以进一步包括下文所述的各具体实施内容:
将所述典型监控图像帧有序集合进行特征空间映射操作,以完成特征挖掘操作,从而形成所述典型视频信息对应的图像信息第一特征表示,所述图像信息第一特征表示属于所述典型监控图像帧有序集合的特征空间的映射结果,也就是说,将所述典型监控图像帧有序集合映射到特征空间中,用向量的形式进行表示,以形成对应的特征表示,便于后续的处理;
将所述图像信息第一特征表示进行特征还原操作,以完成图像重建操作,从而形成对应的典型还原图像帧有序集合,所述特征还原操作可以与所述特征空间映射操作属于互逆的过程;
计算出所述典型还原图像帧有序集合和所述典型监控图像帧有序集合之间的网络学习指标第一参数(如前相关描述),并依据所述网络学习指标第一参数,对所述图像重建第一候选单元进行网络优化操作,以形成对应的图像重建第一单元,即沿着降低所述网络学习指标第一参数的方向,对所述图像重建第一候选单元包括的参数进行优化调整。
应当理解的是,在一些可能的实施方式中,所述基于所述典型监控图像帧有序集合和所述典型还原图像帧有序集合,将图像对比分析第一候选单元进行网络优化操作,以形成对应的图像对比分析第一单元的步骤,可以进一步包括下文所述的各具体实施内容:
对所述典型还原图像帧有序集合和所述典型监控图像帧有序集合进行区别分析操作,以输出所述典型视频信息的第一还原区别信息,所述第一还原区别信息的确定方式可以参照前文的相关描述;
对所述第一还原区别信息(所述第一还原区别信息可以是对所述典型还原图像帧有序集合和所述典型监控图像帧有序集合分别对应的特征表示进行距离计算,以得到)、所述网络学习指标第一参数(所述网络学习指标第一参数可以是对所述典型还原图像帧有序集合和所述典型监控图像帧有序集合直接进行图像相似度的计算以得到)和所述网络学习指标第二参数(即基于所述典型监控图像帧有序集合、所述典型还原图像帧有序集合分析出的所述典型视频信息对应的物流物品属于目标种类物品的可能性参数的网络学习指标第二参数,即基于所述典型监控图像帧有序集合、所述典型还原图像帧有序集合分析出的所述典型视频信息对应的物流物品属于目标种类物品的可能性参数与实际情况之间的区别)进行融合操作,如进行相加运算,以形成对应的网络学习指标累积参数,以及,在确定出所述网络学习指标累积参数与预先配置的第三网络学习目标匹配的时候,结束对所述图像重建第一候选单元和所述图像对比分析第一候选单元的网络优化操作,形成对应的图像重建第一单元和对应的图像对比分析第一单元,例如,在网络优化操作结束时,对应的网络学习指标累积参数(即损失)应当小于或等于一个预设值,与前述的各预设值可以不同。
应当理解的是,在一些可能的实施方式中,上文中的步骤S120,即所述对所述初始监控图像帧有序集合进行加载,以加载到经过网络优化的监控视频分析神经网络中,利用所述监控视频分析神经网络,分析出所述目标物流区域监控视频对应的所述目标物流物品属于目标种类物品的估计可能性参数的步骤,可以进一步包括下文所述的各具体实施内容:
对所述初始监控图像帧有序集合进行加载,以加载到经过网络优化的图像重建第二单元中,利用所述图像重建第二单元将所述初始监控图像帧有序集合进行特征空间的映射操作,以形成所述目标物流区域监控视频对应的初始图像信息特征表示,以及,将所述初始图像信息特征表示进行图像重建操作,以形成对应的还原监控图像帧有序集合;
对所述还原监控图像帧有序集合进行特征空间的映射操作,以形成所述目标物流区域监控视频对应的还原图像信息特征表示,可以理解的是,该特征空间的映射操作可以与所述图像重建第二单元进行的特征空间的映射操作不同,如通过不同的图像重建单元实现,图像重建单元的参数可以在神经网络的网络优化过程中形成;
对所述初始图像信息特征表示和所述还原图像信息特征表示进行加载,以加载到经过网络优化的图像对比分析第二单元中,利用所述图像对比分析第二单元分析出所述目标物流区域监控视频对应的所述目标物流物品属于所述目标种类物品的估计可能性参数,所述监控视频分析神经网络包括所述图像重建第二单元和所述图像对比分析第二单元,例如,所述估计可能性参数与所述初始图像信息特征表示和所述还原图像信息特征表示之间的距离之间具有负相关的对应关系。
应当理解的是,在一些可能的实施方式中,在所述确定出目标物流区域监控视频的初始监控图像帧有序集合的步骤以前,即在上文中的步骤S110以前,所述基于图像分析的物流配送调度方法还可以进一步包括下文所述的各具体实施内容:
提取到属于所述目标种类物品的典型视频信息的典型监控图像帧有序集合,所述典型监控图像帧有序集合是在所述典型视频信息中基于图像帧时间戳选择出的多个典型监控图像帧的有序集合;
基于所述典型监控图像帧有序集合,将图像重建第二候选单元进行网络优化操作,以形成对应的图像重建第二单元,所述典型监控图像帧有序集合为所述图像重建第二候选单元的加载数据,所述图像重建第二候选单元用于对所述典型监控图像帧有序集合进行图像重建操作(即特征挖掘),以形成对应的典型视频信息的图像信息第一特征表示,并将所述图像信息第一特征表示进行图像重建操作(即特征还原),以形成对应的典型还原图像帧有序集合,以及,对所述典型还原图像帧有序集合进行特征空间的映射操作,以形成所述典型视频信息的图像信息第二特征表示,所述图像重建第二单元依据所述典型监控图像帧有序集合分析出的图像信息第二特征表示和所述典型监控图像帧有序集合真实对应的图像信息第二特征表示(该图像信息第二特征表示可以对所述典型视频信息进行特征挖掘,即特征空间的映射操作以形成)之间的网络学习指标第三参数与预先确定的第四网络学习目标匹配,例如,所述网络学习指标第三参数应当小于或等于所述第四网络学习对应的一个预设值,所述网络学习指标第三参数可以是;
基于所述图像信息第一特征表示和所述图像信息第二特征表示,将图像对比分析第二候选单元进行网络优化操作,以形成对应的图像对比分析第二单元,所述图像信息第一特征表示和所述图像信息第二特征表示为所述图像对比分析第二候选单元的加载数据,所述图像对比分析第二候选单元用于分析出所述典型视频信息对应的物流物品属于目标种类物品的可能性参数,所述图像重建第二单元依据所述图像信息第一特征表示和所述图像信息第二特征表示分析出的所述典型视频信息对应的物流物品属于目标种类物品的可能性参数(与实际可能性之间的区别)的网络学习指标第四参数与预先确定的第五网络学习目标匹配,例如,所述网络学习指标第四参数应当小于或等于所述第五网络学习对应的一个预设值。
应当理解的是,在一些可能的实施方式中,所述基于所述图像信息第一特征表示和所述图像信息第二特征表示,将图像对比分析第二候选单元进行网络优化操作,以形成对应的图像对比分析第二单元的步骤,可以进一步包括下文所述的各具体实施内容:
对所述图像信息第二特征表示和所述图像信息第一特征表示进行区别分析操作,以输出所述典型视频信息对应的第二还原区别信息,例如,所述第二还原区别信息与所述图像信息第二特征表示和所述图像信息第一特征表示之间的距离正相关,如余弦距离等;
对所述第二还原区别信息、所述网络学习指标第三参数和所述网络学习指标第四参数进行融合操作,如进行相加运算,以形成对应的网络学习指标融合参数,以及,在确定的所述网络学习指标融合参数与预先确定的第六网络学习目标匹配的时候,结束对所述图像重建第二候选单元和所述图像对比分析第二候选单元的网络优化操作,形成对应的图像重建第二单元和对应的图像对比分析第二单元。
应当理解的是,在一些可能的实施方式中,在所述对所述典型监控图像帧有序集合进行图像重建操作,以形成对应的典型视频信息的图像信息第一特征表示的步骤以前,所述基于图像分析的物流配送调度方法还可以进一步包括下文所述的各具体实施内容:
将所述典型监控图像帧有序集合进行干扰信息的添加操作,例如,可以在所述典型监控图像帧有序集合中添加一些不属于所述典型视频信息的监控图像帧,如对其它物流物品的人工搬运过程进行图像监控以形成,添加的监控图像帧的数量可以是少量的,如一帧,或者,将其中一帧述典型监控图像帧中添加干扰信息,如用其它图像覆盖部分区域等。
基于此,在一些可能的实施方式中,所述对所述典型监控图像帧有序集合进行图像重建操作,以形成对应的典型视频信息的图像信息第一特征表示的步骤,可以进一步包括下文所述的各具体实施内容:
将添加有所述干扰信息的典型监控图像帧有序集合,进行图像重建操作,以形成对应的典型视频信息的图像信息第一特征表示,示例性地,可以进一步对该图像信息第一特征表示进行图像重建操作,以形成对应的重建典型监控图像帧有序集合,然后,可以基于所述重建典型监控图像帧有序集合和所述典型监控图像帧有序集合之间的差异、所述重建典型监控图像帧有序集合对应的图像信息第二特征表示和该图像信息第一特征表示之间的差异,对所述图像重建第二候选单元进行网络优化操作。
其中,应当理解的是,在一些可能的实施方式中,所述基于图像分析的物流配送调度方法还可以进一步包括下文所述的各具体实施内容:
将添加有所述干扰信息的典型监控图像帧有序集合对应的典型视频信息的图像信息第一特征表示进行图像重建操作,以形成对应的重建典型监控图像帧有序集合;
将所述重建典型监控图像帧有序集合进行特征挖掘操作,以形成所述重建典型监控图像帧有序集合对应的图像信息第二特征表示;
基于所述添加有所述干扰信息的典型监控图像帧有序集合对应的典型视频信息的图像信息第一特征表示和所述重建典型监控图像帧有序集合对应的图像信息第二特征表示,分析出对应的可能性参数,以及,基于该可能性参数和实际可能性参数之间的差异,确定出网络学习代价指标,然后,基于该网络学习代价指标进行网络优化操作,由于所述典型视频信息对应的是所述目标种类物品,因此,该实际可能性参数表征对应的物流物品属于所述目标种类物品,如不小于所述参考可能性参数。
其中,应当理解的是,在一些可能的实施方式中,所述将所述重建典型监控图像帧有序集合进行特征挖掘操作(上文中对其它数据进行特征挖掘操作的过程也可以如下文中的特征挖掘的过程一致),以形成所述重建典型监控图像帧有序集合对应的图像信息第二特征表示的步骤,可以进一步包括下文所述的各具体实施内容:
将所述重建典型监控图像帧有序集合包括的各重建典型监控图像帧按序进行拼接,以形成对应的拼接典型监控图像帧,以及,将所述拼接典型监控图像帧进行特征空间的映射操作,以形成对应的拼接映射特征表示;
在特征深度挖掘单元包括的每一个特征挖掘子单元中,利用该特征挖掘子单元,对接收到的待处理特征表示进行滤波操作,以形成该特征挖掘子单元对应的输出特征表示,其中,所述特征深度挖掘单元包括多个特征挖掘子单元,所述多个特征挖掘子单元级联连接,且第一个特征挖掘子单元的待处理特征表示为所述拼接映射特征表示,其它特征挖掘子单元的待处理特征表示为前一个特征挖掘子单元对应的输出特征表示,最后一个特征挖掘子单元对应的输出特征表示作为所述重建典型监控图像帧有序集合对应的图像信息第二特征表示,或者,将每一个特征挖掘子单元对应的输出特征表示进行聚合操作,如进行叠加运算等,以得到所述重建典型监控图像帧有序集合对应的图像信息第二特征表示。
其中,应当理解的是,在一些可能的实施方式中,所述在特征深度挖掘单元包括的每一个特征挖掘子单元中,利用该特征挖掘子单元,对接收到的待处理特征表示进行滤波操作,以形成该特征挖掘子单元对应的输出特征表示的步骤,可以进一步包括下文所述的各具体实施内容:
利用所述特征挖掘子单元包括的滤波矩阵对应的滤波滑窗,对所述特征挖掘子单元接收到的待处理特征表示进行截取操作,以形成对应的至少一个截取特征表示,所述截取特征表示的尺寸等于所述滤波矩阵的尺寸;
提取到所述滤波矩阵对应的至少一个重要性参数分布,所述至少一个重要性参数分布和所述至少一个截取特征表示一一对应,且对应的尺寸大小一致,所述重要性参数分布可以是预先配置的,也可以是作为神经网络的参数,在神经网络的网络优化过程中形成;
对所述至少一个重要性参数分布和所述至少一个截取特征表示进行相应的参数筛除操作,以分别形成对应的至少一个筛除重要性参数分布和对应的至少一个筛除截取特征表示,在进行参数筛除操作的过程中,将对应的一个重要性参数分布和截取特征表示,对该重要性参数分布和该截取特征表示中相同位置的参数进行比较,若一个位置在该重要性参数分布中的参数和在该截取特征表示中的参数中有一个以上的等于零,可以将该重要性参数分布中的参数和在该截取特征表示中的参数都筛除;
对于每一个所述筛除截取特征表示,将该筛除截取特征表示和该筛除截取特征表示对应的筛除重要性参数分布进行对应位置参数的相乘运算,并对各位置对应的相乘运算值进行相加运算,以输出该筛除截取特征表示对应的滤波值,以及,将每一个所述筛除截取特征表示对应的滤波值进行组合操作,以形成所述特征挖掘子单元对应的输出特征表示。
结合图3,本发明实施例还提供一种基于图像分析的物流配送调度装置,可应用于上述基于图像分析的物流配送调度系统。其中,所述基于图像分析的物流配送调度装置可以包括:
图像帧确定模块,用于确定出目标物流区域监控视频的初始监控图像帧有序集合,所述初始监控图像帧有序集合是在所述目标物流区域监控视频中基于图像帧时间戳选择出的多个初始监控图像帧的有序集合,所述目标物流区域监控视频通过对目标物流区域的目标物流物品的人工搬运过程进行图像监控以形成;
物品种类估计模块,用于对所述初始监控图像帧有序集合进行加载,以加载到经过网络优化的监控视频分析神经网络中,利用所述监控视频分析神经网络,分析出所述目标物流区域监控视频对应的所述目标物流物品属于目标种类物品的估计可能性参数,所述监控视频分析神经网络用于对所述初始监控图像帧有序集合进行特征挖掘和特征还原操作,以形成对应的还原监控图像帧有序集合,以及,基于所述初始监控图像帧有序集合与所述还原监控图像帧有序集合之间的还原区别信息,分析出所述估计可能性参数,所述估计可能性参数与所述还原区别信息之间具有负相关的对应关系,所述监控视频分析神经网络是利用所述目标种类物品对应的典型视频信息进行网络优化形成的神经网络,所述监控视频分析神经网络用于在加载到的监控视频属于所述目标种类物品的人工搬运过程监控视频的时候,分析出所述加载到的监控视频对应的物流物品为目标种类物品的可能性参数不小于预先配置的参考可能性参数;
物品种类确定模块,用于倘若所述估计可能性参数不小于所述参考可能性参数,则判定所述目标物流区域监控视频对应的所述目标物流物品属于所述目标种类物品,倘若所述估计可能性参数小于所述参考可能性参数,则判定所述目标物流区域监控视频对应的所述目标物流物品不属于所述目标种类物品;
调度方案确定模块,用于基于所述目标物流物品是否属于所述目标种类物品,对所述目标物流物品进行物流配送调度方案的确定操作。
综上所述,本发明提供的基于图像分析的物流配送调度方法及系统,可以先确定出目标物流区域监控视频的初始监控图像帧有序集合;对初始监控图像帧有序集合进行加载,利用监控视频分析神经网络,分析出对应的目标物流物品属于目标种类物品的估计可能性参数;倘若估计可能性参数不小于参考可能性参数,则判定对应的目标物流物品属于目标种类物品,倘若估计可能性参数小于参考可能性参数,则判定对应的目标物流物品不属于目标种类物品;基于目标物流物品是否属于目标种类物品,对目标物流物品进行物流配送调度方案的确定操作。基于前述的内容,由于会先分析出目标物流物品属于目标种类物品的估计可能性参数,使得可以可靠地确定出目标物流物品是否属于目标种类物品,因此,可以对目标物流物品进行可靠的(依据充分的)物流配送调度方案的确定操作,使得可以在一定程度上提高物流配送调度的可靠度,改善现有技术的不足。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于图像分析的物流配送调度方法,其特征在于,包括:
确定出目标物流区域监控视频的初始监控图像帧有序集合,所述初始监控图像帧有序集合是在所述目标物流区域监控视频中基于图像帧时间戳选择出的多个初始监控图像帧的有序集合,所述目标物流区域监控视频通过对目标物流区域的目标物流物品的人工搬运过程进行图像监控以形成;
对所述初始监控图像帧有序集合进行加载,以加载到经过网络优化的监控视频分析神经网络中,利用所述监控视频分析神经网络,分析出所述目标物流区域监控视频对应的所述目标物流物品属于目标种类物品的估计可能性参数,所述监控视频分析神经网络用于对所述初始监控图像帧有序集合进行特征挖掘和特征还原操作,以形成对应的还原监控图像帧有序集合,以及,基于所述初始监控图像帧有序集合与所述还原监控图像帧有序集合之间的还原区别信息,分析出所述估计可能性参数,所述估计可能性参数与所述还原区别信息之间具有负相关的对应关系,所述监控视频分析神经网络是利用所述目标种类物品对应的典型视频信息进行网络优化形成的神经网络,所述监控视频分析神经网络用于在加载到的监控视频属于所述目标种类物品的人工搬运过程监控视频的时候,分析出所述加载到的监控视频对应的物流物品为目标种类物品的可能性参数不小于预先配置的参考可能性参数;
倘若所述估计可能性参数不小于所述参考可能性参数,则判定所述目标物流区域监控视频对应的所述目标物流物品属于所述目标种类物品,倘若所述估计可能性参数小于所述参考可能性参数,则判定所述目标物流区域监控视频对应的所述目标物流物品不属于所述目标种类物品;
基于所述目标物流物品是否属于所述目标种类物品,对所述目标物流物品进行物流配送调度方案的确定操作。
2.如权利要求1所述的基于图像分析的物流配送调度方法,其特征在于,所述对所述初始监控图像帧有序集合进行加载,以加载到经过网络优化的监控视频分析神经网络中,利用所述监控视频分析神经网络,分析出所述目标物流区域监控视频对应的所述目标物流物品属于目标种类物品的估计可能性参数的步骤,包括:
对所述初始监控图像帧有序集合进行加载,以加载到经过网络优化的图像重建第一单元中,利用所述图像重建第一单元对所述初始监控图像帧有序集合进行图像重建操作,以形成对应的还原监控图像帧有序集合;
对所述初始监控图像帧有序集合与所述还原监控图像帧有序集合进行加载,以加载到经过网络优化的图像对比分析第一单元中,利用所述图像对比分析第一单元,基于所述还原区别信息,分析出所述目标物流区域监控视频对应的所述目标物流物品属于目标种类物品的估计可能性参数,所述监控视频分析神经网络包括所述图像重建第一单元和所述图像对比分析第一单元。
3.如权利要求2所述的基于图像分析的物流配送调度方法,其特征在于,在所述确定出目标物流区域监控视频的初始监控图像帧有序集合的步骤以前,所述基于图像分析的物流配送调度方法还包括:
提取到属于所述目标种类物品的典型视频信息的典型监控图像帧有序集合,所述典型监控图像帧有序集合是在所述典型视频信息中基于图像帧时间戳选择出的多个典型监控图像帧的有序集合;
基于所述典型监控图像帧有序集合,将图像重建第一候选单元进行网络优化操作,以形成对应的图像重建第一单元,所述典型监控图像帧有序集合为所述图像重建第一候选单元的加载数据,所述图像重建第一候选单元用于对所述典型监控图像帧有序集合进行图像重建操作,以形成对应的典型还原图像帧有序集合,所述典型还原图像帧有序集合和所述典型监控图像帧有序集合之间的网络学习指标第一参数与预先配置的第一网络学习目标匹配;
基于所述典型监控图像帧有序集合和所述典型还原图像帧有序集合,将图像对比分析第一候选单元进行网络优化操作,以形成对应的图像对比分析第一单元,所述典型监控图像帧有序集合和所述典型还原图像帧有序集合为所述图像对比分析第一候选单元的加载数据,所述图像对比分析第一候选单元用于分析出所述典型视频信息对应的物流物品属于所述目标种类物品的可能性参数,所述图像重建第一单元基于所述典型监控图像帧有序集合、所述典型还原图像帧有序集合分析出的所述典型视频信息对应的物流物品属于目标种类物品的可能性参数的网络学习指标第二参数与预先确定的第二网络学习目标匹配。
4.如权利要求3所述的基于图像分析的物流配送调度方法,其特征在于,所述基于所述典型监控图像帧有序集合,将图像重建第一候选单元进行网络优化操作,以形成对应的图像重建第一单元的步骤,包括:
将所述典型监控图像帧有序集合进行特征空间映射操作,以完成特征挖掘操作,从而形成所述典型视频信息对应的图像信息第一特征表示,所述图像信息第一特征表示属于所述典型监控图像帧有序集合的特征空间的映射结果;
将所述图像信息第一特征表示进行特征还原操作,以完成图像重建操作,从而形成对应的典型还原图像帧有序集合;
计算出所述典型还原图像帧有序集合和所述典型监控图像帧有序集合之间的网络学习指标第一参数,并依据所述网络学习指标第一参数,对所述图像重建第一候选单元进行网络优化操作,以形成对应的图像重建第一单元。
5.如权利要求3所述的基于图像分析的物流配送调度方法,其特征在于,所述基于所述典型监控图像帧有序集合和所述典型还原图像帧有序集合,将图像对比分析第一候选单元进行网络优化操作,以形成对应的图像对比分析第一单元的步骤,包括:
对所述典型还原图像帧有序集合和所述典型监控图像帧有序集合进行区别分析操作,以输出所述典型视频信息的第一还原区别信息;
对所述第一还原区别信息、所述网络学习指标第一参数和所述网络学习指标第二参数进行融合操作,以形成对应的网络学习指标累积参数,以及,在确定出所述网络学习指标累积参数与预先配置的第三网络学习目标匹配的时候,结束对所述图像重建第一候选单元和所述图像对比分析第一候选单元的网络优化操作,形成对应的图像重建第一单元和对应的图像对比分析第一单元。
6.如权利要求1所述的基于图像分析的物流配送调度方法,其特征在于,所述对所述初始监控图像帧有序集合进行加载,以加载到经过网络优化的监控视频分析神经网络中,利用所述监控视频分析神经网络,分析出所述目标物流区域监控视频对应的所述目标物流物品属于目标种类物品的估计可能性参数的步骤,包括:
对所述初始监控图像帧有序集合进行加载,以加载到经过网络优化的图像重建第二单元中,利用所述图像重建第二单元将所述初始监控图像帧有序集合进行特征空间的映射操作,以形成所述目标物流区域监控视频对应的初始图像信息特征表示,以及,将所述初始图像信息特征表示进行图像重建操作,以形成对应的还原监控图像帧有序集合;
对所述还原监控图像帧有序集合进行特征空间的映射操作,以形成所述目标物流区域监控视频对应的还原图像信息特征表示;
对所述初始图像信息特征表示和所述还原图像信息特征表示进行加载,以加载到经过网络优化的图像对比分析第二单元中,利用所述图像对比分析第二单元分析出所述目标物流区域监控视频对应的所述目标物流物品属于所述目标种类物品的估计可能性参数,所述监控视频分析神经网络包括所述图像重建第二单元和所述图像对比分析第二单元。
7.如权利要求6所述的基于图像分析的物流配送调度方法,其特征在于,在所述确定出目标物流区域监控视频的初始监控图像帧有序集合的步骤以前,所述基于图像分析的物流配送调度方法还包括:
提取到属于所述目标种类物品的典型视频信息的典型监控图像帧有序集合,所述典型监控图像帧有序集合是在所述典型视频信息中基于图像帧时间戳选择出的多个典型监控图像帧的有序集合;
基于所述典型监控图像帧有序集合,将图像重建第二候选单元进行网络优化操作,以形成对应的图像重建第二单元,所述典型监控图像帧有序集合为所述图像重建第二候选单元的加载数据,所述图像重建第二候选单元用于对所述典型监控图像帧有序集合进行图像重建操作,以形成对应的典型视频信息的图像信息第一特征表示,并将所述图像信息第一特征表示进行图像重建操作,以形成对应的典型还原图像帧有序集合,以及,对所述典型还原图像帧有序集合进行特征空间的映射操作,以形成所述典型视频信息的图像信息第二特征表示,所述图像重建第二单元依据所述典型监控图像帧有序集合分析出的图像信息第二特征表示和所述典型监控图像帧有序集合真实对应的图像信息第二特征表示之间的网络学习指标第三参数与预先确定的第四网络学习目标匹配;
基于所述图像信息第一特征表示和所述图像信息第二特征表示,将图像对比分析第二候选单元进行网络优化操作,以形成对应的图像对比分析第二单元,所述图像信息第一特征表示和所述图像信息第二特征表示为所述图像对比分析第二候选单元的加载数据,所述图像对比分析第二候选单元用于分析出所述典型视频信息对应的物流物品属于目标种类物品的可能性参数,所述图像重建第二单元依据所述图像信息第一特征表示和所述图像信息第二特征表示分析出的所述典型视频信息对应的物流物品属于目标种类物品的可能性参数的网络学习指标第四参数与预先确定的第五网络学习目标匹配。
8.如权利要求7所述的基于图像分析的物流配送调度方法,其特征在于,所述基于所述图像信息第一特征表示和所述图像信息第二特征表示,将图像对比分析第二候选单元进行网络优化操作,以形成对应的图像对比分析第二单元的步骤,包括:
对所述图像信息第二特征表示和所述图像信息第一特征表示进行区别分析操作,以输出所述典型视频信息对应的第二还原区别信息;
对所述第二还原区别信息、所述网络学习指标第三参数和所述网络学习指标第四参数进行融合操作,以形成对应的网络学习指标融合参数,以及,在确定的所述网络学习指标融合参数与预先确定的第六网络学习目标匹配的时候,结束对所述图像重建第二候选单元和所述图像对比分析第二候选单元的网络优化操作,形成对应的图像重建第二单元和对应的图像对比分析第二单元。
9.如权利要求7所述的基于图像分析的物流配送调度方法,其特征在于,在所述对所述典型监控图像帧有序集合进行图像重建操作,以形成对应的典型视频信息的图像信息第一特征表示的步骤以前,所述基于图像分析的物流配送调度方法还包括:
将所述典型监控图像帧有序集合进行干扰信息的添加操作;
所述对所述典型监控图像帧有序集合进行图像重建操作,以形成对应的典型视频信息的图像信息第一特征表示的步骤,包括:
将添加有所述干扰信息的典型监控图像帧有序集合,进行图像重建操作,以形成对应的典型视频信息的图像信息第一特征表示。
10.一种基于图像分析的物流配送调度系统,其特征在于,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序,以实现权利要求1-9任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310974791.7A CN116934191A (zh) | 2023-08-04 | 2023-08-04 | 基于图像分析的物流配送调度方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310974791.7A CN116934191A (zh) | 2023-08-04 | 2023-08-04 | 基于图像分析的物流配送调度方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116934191A true CN116934191A (zh) | 2023-10-24 |
Family
ID=88387774
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310974791.7A Pending CN116934191A (zh) | 2023-08-04 | 2023-08-04 | 基于图像分析的物流配送调度方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116934191A (zh) |
-
2023
- 2023-08-04 CN CN202310974791.7A patent/CN116934191A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109460432B (zh) | 一种数据处理方法及系统 | |
CN115412371B (zh) | 基于物联网的大数据安全防护方法、系统及云平台 | |
CN111709794A (zh) | 异常订单处理方法、装置以及计算机设备和存储介质 | |
CN110599354B (zh) | 线上对账方法、系统、计算机设备和计算机可读存储介质 | |
CN111814910B (zh) | 异常检测方法、装置、电子设备及存储介质 | |
CN106874135B (zh) | 用于检测机房故障的方法、装置及设备 | |
CN110807050B (zh) | 性能分析方法、装置、计算机设备及存储介质 | |
CN116010220A (zh) | 一种告警诊断方法、装置、设备及存储介质 | |
CN112487071A (zh) | 一种交易查询方法、装置、电子设备及可读存储介质 | |
CN110751490A (zh) | 欺诈识别方法、装置、电子设备及计算机可读存储介质 | |
US20220327678A1 (en) | Machine learning-based analysis of computing device images included in requests to service computing devices | |
CN113643260A (zh) | 用于检测图像质量的方法、装置、设备、介质和产品 | |
CN111371581A (zh) | 物联网卡业务异常检测的方法、装置、设备和介质 | |
CN109359034A (zh) | 一种业务系统测试方法、计算机可读存储介质及终端设备 | |
CN115620243B (zh) | 基于人工智能的污染源监测方法、系统及云平台 | |
CN116934191A (zh) | 基于图像分析的物流配送调度方法及系统 | |
CN109271431B (zh) | 数据抽取方法、装置、计算机设备及存储介质 | |
CN115168509A (zh) | 风控数据的处理方法及装置、存储介质、计算机设备 | |
CN110807466A (zh) | 一种处理订单数据的方法和装置 | |
CN113420713A (zh) | 异常监控方法、装置、电子设备及计算机可读介质 | |
CN115375886A (zh) | 一种基于云计算服务的数据采集方法及系统 | |
CN109657523B (zh) | 一种可行驶区域检测方法和装置 | |
CN112070473A (zh) | 一种基于工程项目的数据处理方法及装置 | |
CN113157911A (zh) | 一种服务验证方法和装置 | |
CN115599312B (zh) | 基于存储集群的大数据处理方法及ai系统 |
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 |