CN117236826A - 物流托盘的码放识别方法、装置、设备及存储介质 - Google Patents
物流托盘的码放识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117236826A CN117236826A CN202311524820.6A CN202311524820A CN117236826A CN 117236826 A CN117236826 A CN 117236826A CN 202311524820 A CN202311524820 A CN 202311524820A CN 117236826 A CN117236826 A CN 117236826A
- Authority
- CN
- China
- Prior art keywords
- tray
- stacking
- model
- training
- vibration data
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 67
- 230000033001 locomotion Effects 0.000 claims abstract description 40
- 239000011159 matrix material Substances 0.000 claims description 60
- 238000012360 testing method Methods 0.000 claims description 20
- 230000000007 visual effect Effects 0.000 claims description 20
- 238000012795 verification Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 6
- 230000001131 transforming effect Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 description 18
- 230000009466 transformation Effects 0.000 description 14
- 238000012545 processing Methods 0.000 description 7
- 230000001133 acceleration Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种物流托盘的码放识别方法、装置、设备及存储介质，包括：基于预设的传感器采集托盘在预设时间段内的振动数据序列，以及采集托盘的图像信息；基于所述振动数据序列以及训练得到的第一托盘识别模型，识别所述托盘的运动状态；所述第一托盘识别模型基于梯度模型训练得到；基于所述图像信息以及训练得到的第二托盘识别模型，识别所述托盘的码放状态；将所述托盘的运动状态以及码放状态发送至关联的管理终端；其中，所述管理终端基于所述托盘的运动状态以及码放状态确定所述托盘是否码放规范。本发明中，通过检测托盘的振动数据序列以及图像信息，并采用对应的托盘识别模型进行识别，最后进行综合判断，确定托盘是否码放规范。
Description
技术领域
本发明涉及数据处理的技术领域，特别涉及一种物流托盘的码放识别方法、装置、设备及存储介质。
背景技术
在物流行业中，物品的码放和运动状态往往需要进行监测和识别。目前，现有技术中，有一些利用图像信息来识别物品码放状态的方法，如基于视觉模型的方法可以通过分析图像信息来判断物品是否符合码放规范。然而，这些方法往往需要复杂的图像处理算法和大量的训练数据，且容易受到环境因素的影响而导致识别准确率不高。
同时，目前的视觉模型的方法只能检测托盘上是否有物体，但是并不能检测出物体的重量是否符合规定，是否会对托盘造成损坏；因此，目前的检测方法并不能准确检测托盘是否码放规范。
发明内容
本发明的主要目的为提供一种物流托盘的码放识别方法、装置、设备及存储介质，旨在克服当前的检测方式无法准确检测托盘是否码放规范的缺陷。
为实现上述目的，本发明提供了一种物流托盘的码放识别方法，包括以下步骤：
基于预设的传感器采集托盘在预设时间段内的振动数据序列，以及采集托盘的图像信息；其中，所述托盘设置于物流企业运输车间；
基于所述振动数据序列以及训练得到的第一托盘识别模型，识别所述托盘的运动状态；所述第一托盘识别模型基于梯度模型训练得到；
基于所述图像信息以及训练得到的第二托盘识别模型，识别所述托盘的码放状态；所述第二托盘识别模型基于视觉模型训练得到；
将所述托盘的运动状态以及码放状态发送至关联的管理终端；其中，所述管理终端基于所述托盘的运动状态以及码放状态确定所述托盘是否码放规范。
进一步地，所述第二托盘识别模型的训练方式，包括：
获取物流企业运输车间的托盘的图像，基于所述托盘的图像构建训练样本；其中，所述训练样本包括正样本以及负样本；
获取初始视觉模型；
利用所述训练数据集对所述初始视觉模型进行训练，并进行模型迭代优化，得到第二托盘识别模型。
进一步地，所述得到托盘识别模型之后，还包括：
基于所述托盘的图像构建验证样本以及测试样本；
基于所述验证样本或测试样本对所述第二托盘识别模型进行验证或测试，以验证所述第二托盘识别模型的准确性。
进一步地，所述第一托盘识别模型的损失函数为：
；
L表示损失值，y表示真实值，表示预测概率值；/>表示第i个样本的真实值。
进一步地，所述基于预设的传感器采集托盘在预设时间段内的振动数据序列的步骤，包括：
基于设置在所述托盘底部四个角以及底部中心的五个惯性传感器，分别采集所述托盘在预设时间段内对应的第一振动数据序列；
将所述托盘四个角的各个所述惯性传感器采集的第一振动数据序列进行加权计算，得到第二振动数据序列；
将所述第二振动数据序列与所述托盘底部中心的惯性传感器采集的第一振动数据序列进行组合，得到所述振动数据序列。
本发明还提供了一种物流托盘的码放识别装置，包括：
采集单元，用于基于预设的传感器采集托盘在预设时间段内的振动数据序列，以及采集托盘的图像信息；其中，所述托盘设置于物流企业运输车间；
第一识别单元，用于基于所述振动数据序列以及训练得到的第一托盘识别模型，识别所述托盘的运动状态；所述第一托盘识别模型基于梯度模型训练得到；
第二识别单元，用于基于所述图像信息以及训练得到的第二托盘识别模型，识别所述托盘的码放状态；所述第二托盘识别模型基于视觉模型训练得到；
管理单元，用于将所述托盘的运动状态以及码放状态发送至关联的管理终端；其中，所述管理终端基于所述托盘的运动状态以及码放状态确定所述托盘是否码放规范。
本发明还提供一种设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本发明提供的物流托盘的码放识别方法、装置、设备及存储介质，基于预设的传感器采集托盘在预设时间段内的振动数据序列，以及采集托盘的图像信息；基于所述振动数据序列以及训练得到的第一托盘识别模型，识别所述托盘的运动状态；所述第一托盘识别模型基于梯度模型训练得到；基于所述图像信息以及训练得到的第二托盘识别模型，识别所述托盘的码放状态；所述第二托盘识别模型基于视觉模型训练得到；将所述托盘的运动状态以及码放状态发送至关联的管理终端；其中，所述管理终端基于所述托盘的运动状态以及码放状态确定所述托盘是否码放规范。本发明中，通过检测托盘的振动数据序列以及图像信息，并采用对应的托盘识别模型进行识别，最后进行综合判断，确定托盘是否码放规范。
附图说明
图1是本发明一实施例中物流托盘的码放识别方法步骤示意图；
图2是本发明一实施例中物流托盘的码放识别装置结构框图；
图3是本发明一实施例的设备的结构示意框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参照图1，本发明一实施例中提供了一种物流托盘的码放识别方法，包括以下步骤：
步骤S1，基于预设的传感器采集托盘在预设时间段内的振动数据序列，以及采集托盘的图像信息；其中，所述托盘设置于物流企业运输车间；
步骤S2，基于所述振动数据序列以及训练得到的第一托盘识别模型，识别所述托盘的运动状态；所述第一托盘识别模型基于梯度模型训练得到；
步骤S3，基于所述图像信息以及训练得到的第二托盘识别模型，识别所述托盘的码放状态；所述第二托盘识别模型基于视觉模型训练得到；
步骤S4，将所述托盘的运动状态以及码放状态发送至关联的管理终端；其中，所述管理终端基于所述托盘的运动状态以及码放状态确定所述托盘是否码放规范。
在本实施例中，如上述步骤S1所述的，首先需要在托盘上安装预设的传感器，例如加速度传感器或惯性传感器等，然后基于上述传感器对设置于物流企业运输车间的托盘进行振动数据的采集。在一定时间段内，传感器会连续采集托盘的振动数据序列，该序列包括托盘在运动中所产生的振动数据，例如竖直方向的加速度、速度等。基于上述振动数据，可以准确判断出上述托盘是否发生振动，重量变化是否超出阈值等等。同时，该步骤还需要采集托盘的图像信息，例如使用相机对托盘进行拍摄，以获取托盘的码放状态信息。采集到的振动数据和图像信息会作为后续识别和判断的输入数据。
如上述步骤S2所述的，将采集到的振动数据序列作为输入，经过第一托盘识别模型进行处理，以识别判断托盘的运动状态，例如竖直方向的加速度；而基于上述加速度，则可以确定出托盘在竖直方向上的振动是否在合理范围内。本实施例中，采用上述第一托盘识别模型以实现对托盘的运动状态识别。
举例来说，当一个托盘被放置在仓库，传感器会持续采集振动数据。通过第一托盘识别模型的处理，可以判断托盘是否在水平方向或垂直方向发生振动，是否发生了旋转或颤动等运动状态，从而实现对托盘的运动状态识别。这些信息可以为后续的托盘码放状态的识别提供辅助信息。
如上述步骤S3所述的，将采集到的托盘的图像信息作为输入，通过第二托盘识别模型进行处理，以判断托盘的码放状态，即判断托盘上物品的摆放位置和摆放规范。
举例来说，当托盘的图像被拍摄下来后，通过第二托盘识别模型的处理，可以分析图像中的物品摆放情况，例如判断物品是否均匀分布在托盘上，是否有超出托盘边界的情况，是否有未按照规定方式码放的情况等。基于训练得到的模型，可以判断托盘的码放状态是否符合规范，并给出相应的识别结果。通过该步骤识别出的码放状态信息可以被发送至关联的管理终端，供后续的管理和决策使用。例如，管理终端可以基于托盘的运动状态和码放状态判断托盘是否符合规范，以便及时纠正和调整物品的摆放位置，确保托盘的安全和有效的运输。
如上述步骤S4所述的，管理终端会根据接收到的运动状态和码放状态信息进行判断和决策，以确定托盘是否符合规范，并采取相应的措施。
举例来说，当托盘的运动状态和码放状态信息被发送至管理终端后，通过分析这些信息，管理终端可以评估托盘的运输过程和物品的摆放情况。如果托盘的运动状态显示托盘在运输过程中存在过大的振动或颤动，或者码放状态显示托盘上的物品未按规定方式摆放，管理终端可以发出警报并通知相关人员进行检查和调整。另外，管理终端还可以记录和统计托盘的运动状态和码放状态信息，以便进行分析和改进物流运输过程。通过对大量托盘的运动状态和码放状态的分析，可以发现潜在的问题和瓶颈，并采取相应的优化措施，提高物流运输的效率和质量。
综上所述，基于上述技术方案在物流运输过程中起到了监测和决策的作用，通过识别托盘的运动状态和码放状态，管理终端可以及时准确判断托盘是否符合规范，并采取相应的措施，以提供安全高效的物流运输服务。
在一实施例中，所述第二托盘识别模型的训练方式，包括：
获取物流企业运输车间的托盘的图像，基于所述托盘的图像构建训练样本；其中，所述训练样本包括正样本以及负样本；
获取初始视觉模型；
利用所述训练数据集对所述初始视觉模型进行训练，并进行模型迭代优化，得到第二托盘识别模型。
在本实施例中，首先，获取物流企业运输车间中的托盘的图像数据。可以通过安装摄像头或其他图像采集设备，在不同的角度和位置对托盘进行拍摄，以获得多个视角和不同的码放状态的图像。基于所获取的托盘图像，可以将这些图像作为训练样本。训练样本包括正样本和负样本。正样本是指符合码放规范的托盘的图像样本，可以通过人工标注或参考其他标准进行确定。负样本则是指不符合码放规范的托盘的图像样本。
在训练之前，需要准备一个初始的视觉模型。这个初始模型可以是已有的预训练模型，在视觉识别领域中经过大量数据训练和优化的模型。初始模型的选择可以基于特定的目标和应用需求。
使用所构建的训练样本以及初始视觉模型，对初始视觉模型进行训练。训练时，输入托盘图像样本，并通过与标注的码放状态进行比对和匹配，使模型能够学习和理解托盘的码放规范。训练过程中会对模型进行迭代优化，通过不断地调整模型参数，提高其对于托盘码放状态的识别准确性和泛化能力。
通过上述训练方式，可以得到一个经过训练和优化的第二托盘识别模型。该模型能够根据输入的托盘图像，准确地判断托盘的码放状态，提供判别性的信息用于后续的判断和决策。对于新的托盘图像，可以使用这个训练得到的模型进行判断，从而实现自动化的托盘码放状态识别。
在一实施例中，所述得到托盘识别模型之后，还包括：
基于所述托盘的图像构建验证样本以及测试样本；
基于所述验证样本或测试样本对所述第二托盘识别模型进行验证或测试，以验证所述第二托盘识别模型的准确性。
在本实施例中，为了评估第二托盘识别模型的准确性，需要构建验证样本和测试样本。验证样本和测试样本可以从物流企业运输车间的托盘图像中提取。验证样本用于验证模型的准确性和性能，测试样本则用于测试模型在实际应用中的表现。
基于构建的验证样本和测试样本，可以将它们作为输入，利用训练得到的第二托盘识别模型进行验证和测试。模型会处理样本，并输出模型对于托盘的码放状态的预测结果。
将验证样本输入到第二托盘识别模型中，模型会对样本进行处理，并输出预测结果。然后，将模型的预测结果与样本的实际码放状态进行比较，以评估模型在验证数据集上的准确性和性能。
将测试样本输入到第二托盘识别模型中，模型会对样本进行处理，并输出预测结果。测试样本代表了实际使用场景中的数据。可以根据测试结果评估模型在实际情况下的准确性和可用性。
通过验证和测试过程，可以评估第二托盘识别模型的准确性和性能。如果模型在验证和测试样本上的表现良好，能够准确地预测托盘的码放状态，那么模型可以被认为是有效的，并可以继续在实际物流运输中应用。如果模型的准确性不满足要求，可以通过改进训练样本、调整模型参数等方法来进一步优化模型，提高其准确性和性能。
在一实施例中，所述基于预设的传感器采集托盘在预设时间段内的振动数据序列的步骤，包括：
基于设置在所述托盘底部四个角以及底部中心的五个惯性传感器，分别采集所述托盘在预设时间段内对应的第一振动数据序列；
将所述托盘四个角的各个所述惯性传感器采集的第一振动数据序列进行加权计算，得到第二振动数据序列；
将所述第二振动数据序列与所述托盘底部中心的惯性传感器采集的第一振动数据序列进行组合，得到所述振动数据序列。
在本实施例中，首先在托盘上设置惯性传感器：在托盘的底部四个角以及底部中心设置五个惯性传感器。这些传感器可以是加速度传感器或惯性传感器等。通过设置在不同位置的传感器，可以更全面地获取托盘在不同位置的振动情况。
采集第一振动数据序列：在预设的时间段内，这些设置的惯性传感器会采集托盘的振动数据序列。对于托盘底部的每个角以及中心的传感器，采集相应位置上的振动数据序列。上述数据序列反映了托盘在该位置上的振动情况。
加权计算得到第二振动数据序列：针对托盘底部的四个角的传感器采集的第一振动数据序列，进行加权计算。这意味着将每个角的传感器采集到的振动数据序列按照一定的权重进行加权求和，得到第二振动数据序列。通过加权计算可以综合考虑托盘底部不同角度的振动信息，得到更全面的振动数据。
组合振动数据序列：将第二振动数据序列与底部中心的传感器采集的第一振动数据序列进行组合，得到最终的振动数据序列。上述组合过程将底部中心的振动数据与角部的综合振动数据合并，综合考虑了托盘底部各个位置的振动情况，提供了一个更全局的振动数据序列。
通过上述技术方案，可以获取到托盘在预设时间段内的振动数据序列。这些振动数据序列可用于对托盘的移动状态进行识别和判断，进而实现对托盘位置的自动识别和监控。
在一实施例中，所述第一托盘识别模型的训练过程，包括：
获取振动数据训练样本，以及初始XGBoost机器学习模型；初始XGBoost机器学习模型为决策树模型；
将振动数据训练样本输入至初始XGBoost机器学习模型中，计算每个振动数据训练样本的预测值与真实值之间的损失值；其中，常用的损失函数为softmax损失函数。在计算损失函数时，XGBoost会将每个振动数据训练样本的损失函数值累加起来，作为当前模型的总损失函数值，用于后续的模型优化和更新。同时，XGBoost还会加入正则项，用于防止过拟合。
计算每个振动数据训练样本的梯度以及海森矩阵；其中，梯度表示损失值对模型参数的一阶导数，海森矩阵表示损失值对模型参数的二阶导数，用于描述函数的局部曲率和凸性；海森矩阵的具体公式是根据损失函数的二阶导数计算得到的。
根据梯度以及海森矩阵构建一个新的决策树，其中所述新的决策树的叶节点对应于所述振动数据训练样本的预测值；
计算决策树每个叶节点的权重值；权重值表示叶节点对应的样本的梯度之和，除以梯度之和的平方，之后再加上一个正则项用于防止过拟合。
根据新的决策树以及各个叶节点的权重值，迭代训练更新对应的模型参数，直到达到指定的迭代次数或模型的性能不再提升为止，训练完成得到所述第一托盘识别模型。
在一实施例中，所述损失值的计算函数为：
；
L表示损失值，y表示真实标签，表示预测概率值；
海森矩阵的计算公式为：
；
H表示海森矩阵，表示第i个样本的真实值，/>表示第i个样本属于第k个类别预测的概率值。
在一实施例中，所述将所述托盘的运动状态以及码放状态发送至关联的管理终端的步骤之后，还包括：
获取管理终端的数据库最近更新时间，基于所述最近更新时间在更新日志中获取对应的各项更新内容；
对各项更新内容进行特征映射，得到各项更新内容分别对应的第一特征字符；其中，数据库中存储有各个更新内容与特征字符的映射关系；
依序将各项更新内容分别对应的所述第一特征字符进行组合，得到特征字符集合；
获取字符矩阵；其中，所述字符矩阵中包括m行n列的字符；
基于所述特征字符集合，对所述字符矩阵进行变换，得到变换字符矩阵；
基于所述变换字符矩阵，生成一个加密字符串；
获取一个转换表；其中，所述转换表中包括两列，其中一列为数字列，另一列是与数字列对应映射的字符列；
基于所述转换表，对所述加密字符串的字符依次进行转换，得到加密数字；
将所述振动数据序列以及图像信息存储至管理终端的预设文件夹中，并基于所述加密数字对所述预设文件夹进行加密。
在本实施例中，首先从管理终端的数据库中获取最近一次的更新时间信息，用于后续步骤中的更新内容的获取。在更新日志中获取对应的各项更新内容：根据最近更新时间，在更新日志中获取与最近更新时间对应的各项更新内容。上述更新内容可以是数据库中存储的一些关于系统状态、参数配置、运行结果等信息的变化；也可以代表着管理终端的更新状态，而更新时间具有唯一性，方便后续进行数据处理。
然后，将每个更新内容进行特征映射处理，得到相应的第一特征字符。在数据库中存储了各个更新内容与特征字符的映射关系，用于将更新内容映射为对应的特征字符。依序将各项更新内容对应的第一特征字符进行组合，得到一个特征字符集合。上述集合将包含所有更新内容对应的特征字符。
获取字符矩阵：从数据库获取一个字符矩阵，其中字符矩阵由m行n列的字符组成。字符矩阵是后续加密过程中的一个重要输入。例如，上述字符矩阵包括5行5列，每个位置上的字符均为英文字符。
变换字符矩阵得到变换字符矩阵：基于特征字符集合，对字符矩阵进行变换操作，得到一个变换后的字符矩阵。变换之后的字符矩阵具有更强的无序性，独特性，用于后续生成密码具有更高的安全性。
根据变换字符矩阵生成加密字符串：基于变换字符矩阵，生成一个加密字符串。加密字符串体现了字符矩阵的变换关系。由于变换字符矩阵具有唯一性、独特性，无序性，因此基于此生成的加密字符串也具有很强的独特性，避免被轻易破解。
获取转换表：从数据库获取一个预设的转换表，其中转换表包含两列。一列是数字列，另一列是与数字列对应映射的字符列。转换表用于将加密字符串中的字符转换为相应的加密数字。
对加密字符串的字符进行转换得到加密数字：基于转换表，依次对加密字符串的字符进行转换，从而得到一串加密数字。
加密预设文件夹：将振动数据序列和图像信息存储至管理终端的预设文件夹中，并基于上述加密数字对预设文件夹进行加密处理。上述过程可以保证预设文件夹中的数据在传输过程中是加密的，提高数据的安全性和保密性。
在一实施例中，所述基于所述特征字符集合，对所述字符矩阵进行变换，得到变换字符矩阵的步骤，包括：
依次在所述字符矩阵中查找出与所述特征字符集合中的第一特征字符相同的各个第一目标字符；
在所述字符矩阵的四个边上获取与各个第一目标字符距离最近的字符，作为与第一目标字符对应的第二目标字符；
将各个所述第一目标字符与其对应的第二目标字符分别进行交换，得到所述变换字符矩阵。
在本实施例中，依次在字符矩阵中查找与特征字符集合中的第一特征字符相同的目标字符：遍历字符矩阵的每个字符，检查该字符是否与特征字符集合中的第一个特征字符相同。如果找到一个字符与第一特征字符相同，则将其标记为第一目标字符。
在字符矩阵的四个边上获取与第一目标字符距离最近且不重复的字符作为第二目标字符：对于每个第一目标字符，检查它在字符矩阵的上、下、左、右四个边上与其距离最近的字符。这些最近的字符将作为与第一目标字符对应的第二目标字符。也就是说，从字符矩阵的四周开始，找到与第一目标字符距离最近的字符。应当理解的是，若出现两个及以算的字符与第一目标字符距离最近，则按照上下左右的顺序进行第二目标字符的优先选取。即，最先选取第一目标字符上面最近的字符作为第二目标字符，以此类推。
将第一目标字符与其对应的第二目标字符分别进行交换：将找到的第一目标字符与其对应的第二目标字符分别进行交换。通过交换字符位置，得到变换后的字符矩阵。
通过上述步骤，即在字符矩阵中找到与特征字符集合中的第一特征字符相同的目标字符，再获取与这些目标字符距离最近的字符作为第二目标字符，并最终进行交换，可以实现基于特征字符集合的字符矩阵变换。这个变换过程将改变字符矩阵的排列顺序，达到一种改变字符分布的效果，从而得到变换字符矩阵，使其具有无序性、独特性，增强破译难度。
在一具体实施例中，上述特征字符集合为{song}，上述字符矩阵为：
；
基于上述特征字符集合中的字符，在字符矩阵中获取第一目标字符分别为s、o、n、g；在所述字符矩阵的四个边上获取到与s最近的字符为x、t，按照优先顺序可知，选取x作为s最接近的第二目标字符；在所述字符矩阵的四个边上获取到与o最近的字符即为o，则无需变动；在所述字符矩阵的四个边上获取到与n最近的字符为o，但是由于o已经被作为一个第二目标字符，因此排除该字符，则获取最近的字符为d、x，根据优先规则，选取d作为n最接近的第二目标字符；在所述字符矩阵的四个边上获取到与g最近的字符为b。
因此，将各个所述第一目标字符与其对应的第二目标字符分别进行交换，得到所述变换字符矩阵为：
；
在一实施例中，所述基于所述变换字符矩阵，生成一个加密字符串的步骤，包括：
在预设的映射表中，依次获取所述特征字符集合中各个第一特征字符对应的第一数字；其中，各个第一数字均为两位数，所述第一数字的十位代表行，个位代表列；
在所述变换字符矩阵中，依次获取与各个所述第一数字对应的字符，作为加密字符；
依序将各个加密字符进行组合，得到所述加密字符串。
在本实施例中，在预设的映射表中，依次获取特征字符集合中各个第一特征字符对应的第一数字：根据特征字符集合中的每个第一特征字符，在预设的映射表中查找对应的第一数字，这个第一数字是一个两位数，其中十位代表行，个位代表列。例如上述特征字符集合为{song}，其中各个字符对应的第一数字为12、33、45、21。
在变换字符矩阵中，依次获取与各个第一数字对应的字符作为加密字符：根据第一数字的行和列信息，在变换字符矩阵中找到相应位置的字符。依次对特征字符集合中的每个第一特征字符，都会对应一个加密字符。对于上述第一数字12、33、45、21在变换字符矩阵获取对应位置的加密字符则分别为：g、m、t、f。
依序将各个加密字符进行组合得到加密字符串：将所获得的加密字符按照顺序依次组合，从而得到一个加密字符串。这个加密字符串是根据特征字符集合中的第一特征字符以及其对应的行列信息，在变换字符矩阵中找到相应的字符，再按顺序组合而成的。上述组合得到的加密字符串为：gmtf。
通过以上技术方案，在预设的映射表中获取特征字符对应的第一数字，然后在变换字符矩阵中找到与第一数字对应的字符，并最终将这些字符依序组合，可以生成一个加密字符串。上述加密字符串体现了特征字符集合中各个特征字符的变换后的字符信息，并作为最终的加密结果，且上述加密字符串与上述特征字符集合，即与管理终端的更新内容相关，本实施例中，将个字不同的信息进行关联，不仅提升了密码安全性，而且后续验证时也具有很强的参考性。
参照图2，本发明一实施例中还提供了一种物流托盘的码放识别装置，包括：
采集单元，用于基于预设的传感器采集托盘在预设时间段内的振动数据序列，以及采集托盘的图像信息；其中，所述托盘设置于物流企业运输车间；
第一识别单元，用于基于所述振动数据序列以及训练得到的第一托盘识别模型，识别所述托盘的运动状态；所述第一托盘识别模型基于梯度模型训练得到；
第二识别单元，用于基于所述图像信息以及训练得到的第二托盘识别模型，识别所述托盘的码放状态；所述第二托盘识别模型基于视觉模型训练得到；
管理单元，用于将所述托盘的运动状态以及码放状态发送至关联的管理终端；其中，所述管理终端基于所述托盘的运动状态以及码放状态确定所述托盘是否码放规范。
在本实施例中，上述装置实施例中的各个单元的具体实现，请参照上述方法实施例中所述，在此不再进行赘述。
参照图3，本发明实施例中还提供一种设备，该设备可以是服务器，其内部结构可以如图3所示。该设备包括通过系统总线连接的处理器、存储器、显示屏、输入装置、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该设备的数据库用于存储本实施例中对应的数据。该设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述方法。
本领域技术人员可以理解，图3中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的设备的限定。
本发明一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述方法。可以理解的是，本实施例中的计算机可读存储介质可以是易失性可读存储介质，也可以为非易失性可读存储介质。
综上所述，为本发明实施例中提供的物流托盘的码放识别方法、装置、设备和存储介质，基于预设的传感器采集托盘在预设时间段内的振动数据序列，以及采集托盘的图像信息；基于所述振动数据序列以及训练得到的第一托盘识别模型，识别所述托盘的运动状态；所述第一托盘识别模型基于梯度模型训练得到；基于所述图像信息以及训练得到的第二托盘识别模型，识别所述托盘的码放状态；所述第二托盘识别模型基于视觉模型训练得到；将所述托盘的运动状态以及码放状态发送至关联的管理终端；其中，所述管理终端基于所述托盘的运动状态以及码放状态确定所述托盘是否码放规范。本发明中，通过检测托盘的振动数据序列以及图像信息，并采用对应的托盘识别模型进行识别，最后进行综合判断，确定托盘是否码放规范。。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM通过多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双速据率SDRAM（SSRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink）DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种物流托盘的码放识别方法，其特征在于，包括以下步骤：
基于预设的传感器采集托盘在预设时间段内的振动数据序列，以及采集托盘的图像信息；其中，所述托盘设置于物流企业运输车间；
基于所述振动数据序列以及训练得到的第一托盘识别模型，识别所述托盘的运动状态；所述第一托盘识别模型基于梯度模型训练得到；
基于所述图像信息以及训练得到的第二托盘识别模型，识别所述托盘的码放状态；所述第二托盘识别模型基于视觉模型训练得到；
将所述托盘的运动状态以及码放状态发送至关联的管理终端；其中，所述管理终端基于所述托盘的运动状态以及码放状态确定所述托盘是否码放规范。
2.根据权利要求1所述的物流托盘的码放识别方法，其特征在于，所述第二托盘识别模型的训练方式，包括：
获取物流企业运输车间的托盘的图像，基于所述托盘的图像构建训练样本；其中，所述训练样本包括正样本以及负样本；
获取初始视觉模型；
利用所述训练数据集对所述初始视觉模型进行训练，并进行模型迭代优化，得到第二托盘识别模型。
3.根据权利要求2所述的物流托盘的码放识别方法，其特征在于，所述得到托盘识别模型之后，还包括：
基于所述托盘的图像构建验证样本以及测试样本；
基于所述验证样本或测试样本对所述第二托盘识别模型进行验证或测试，以验证所述第二托盘识别模型的准确性。
4.根据权利要求1所述的物流托盘的码放识别方法，其特征在于，所述第一托盘识别模型的损失函数为：
；
L表示损失值，y表示真实值，表示预测概率值；/>表示第i个样本的真实值。
5.根据权利要求1所述的物流托盘的码放识别方法，其特征在于，所述基于预设的传感器采集托盘在预设时间段内的振动数据序列的步骤，包括：
基于设置在所述托盘底部四个角以及底部中心的五个惯性传感器，分别采集所述托盘在预设时间段内对应的第一振动数据序列；
将所述托盘四个角的各个所述惯性传感器采集的第一振动数据序列进行加权计算，得到第二振动数据序列；
将所述第二振动数据序列与所述托盘底部中心的惯性传感器采集的第一振动数据序列进行组合，得到所述振动数据序列。
6.根据权利要求1所述的物流托盘的码放识别方法，其特征在于，所述将所述托盘的运动状态以及码放状态发送至关联的管理终端的步骤之后，还包括：
获取管理终端的数据库最近更新时间，基于所述最近更新时间在更新日志中获取对应的各项更新内容；
对各项更新内容进行特征映射，得到各项更新内容分别对应的第一特征字符；其中，数据库中存储有各个更新内容与特征字符的映射关系；
依序将各项更新内容分别对应的所述第一特征字符进行组合，得到特征字符集合；
获取字符矩阵；其中，所述字符矩阵中包括m行n列的字符；
基于所述特征字符集合，对所述字符矩阵进行变换，得到变换字符矩阵；
基于所述变换字符矩阵，生成一个加密字符串；
获取一个转换表；其中，所述转换表中包括两列，其中一列为数字列，另一列是与数字列对应映射的字符列；
基于所述转换表，对所述加密字符串的字符依次进行转换，得到加密数字；
将所述振动数据序列以及图像信息存储至管理终端的预设文件夹中，并基于所述加密数字对所述预设文件夹进行加密。
7.一种物流托盘的码放识别装置，其特征在于，包括：
采集单元，用于基于预设的传感器采集托盘在预设时间段内的振动数据序列，以及采集托盘的图像信息；其中，所述托盘设置于物流企业运输车间；
第一识别单元，用于基于所述振动数据序列以及训练得到的第一托盘识别模型，识别所述托盘的运动状态；所述第一托盘识别模型基于梯度模型训练得到；
第二识别单元，用于基于所述图像信息以及训练得到的第二托盘识别模型，识别所述托盘的码放状态；所述第二托盘识别模型基于视觉模型训练得到；
管理单元，用于将所述托盘的运动状态以及码放状态发送至关联的管理终端；其中，所述管理终端基于所述托盘的运动状态以及码放状态确定所述托盘是否码放规范。
8.一种设备，包括存储器和处理器，所述存储器中存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
9.一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，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311524820.6A CN117236826B (zh) | 2023-11-16 | 2023-11-16 | 物流托盘的码放识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311524820.6A CN117236826B (zh) | 2023-11-16 | 2023-11-16 | 物流托盘的码放识别方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117236826A true CN117236826A (zh) | 2023-12-15 |
| CN117236826B CN117236826B (zh) | 2024-03-19 |
Family
ID=89097073
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311524820.6A Active CN117236826B (zh) | 2023-11-16 | 2023-11-16 | 物流托盘的码放识别方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117236826B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117910930A (zh) * | 2024-03-15 | 2024-04-19 | 深圳市普拉托科技有限公司 | 基于智能仓储的托盘发货装载率测量方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103464384A (zh) * | 2013-09-10 | 2013-12-25 | 浙江中烟工业有限责任公司 | 一种基于机器视觉的物流平托盘破损分级系统及方法 |
| US20180247404A1 (en) * | 2017-02-27 | 2018-08-30 | Amazon Technologies, Inc. | Optical vibrometric testing of container for items |
| CN114219402A (zh) * | 2021-12-17 | 2022-03-22 | 上海东普信息科技有限公司 | 物流托盘码放识别方法、装置、设备及存储介质 |
| US20220157062A1 (en) * | 2020-11-13 | 2022-05-19 | Trax Technology Solutions Pte Ltd. | Vibration data analysis and image analysis for robust action recognition in retail environment |
| CN114724076A (zh) * | 2022-03-23 | 2022-07-08 | 上海东普信息科技有限公司 | 图像识别方法、装置、设备及存储介质 |
| CN115001690A (zh) * | 2022-05-16 | 2022-09-02 | 浙江吉利控股集团有限公司 | 基于魔方的加密方法、装置、设备及存储介质 |
-
2023
- 2023-11-16 CN CN202311524820.6A patent/CN117236826B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103464384A (zh) * | 2013-09-10 | 2013-12-25 | 浙江中烟工业有限责任公司 | 一种基于机器视觉的物流平托盘破损分级系统及方法 |
| US20180247404A1 (en) * | 2017-02-27 | 2018-08-30 | Amazon Technologies, Inc. | Optical vibrometric testing of container for items |
| US20220157062A1 (en) * | 2020-11-13 | 2022-05-19 | Trax Technology Solutions Pte Ltd. | Vibration data analysis and image analysis for robust action recognition in retail environment |
| CN114219402A (zh) * | 2021-12-17 | 2022-03-22 | 上海东普信息科技有限公司 | 物流托盘码放识别方法、装置、设备及存储介质 |
| CN114724076A (zh) * | 2022-03-23 | 2022-07-08 | 上海东普信息科技有限公司 | 图像识别方法、装置、设备及存储介质 |
| CN115001690A (zh) * | 2022-05-16 | 2022-09-02 | 浙江吉利控股集团有限公司 | 基于魔方的加密方法、装置、设备及存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117910930A (zh) * | 2024-03-15 | 2024-04-19 | 深圳市普拉托科技有限公司 | 基于智能仓储的托盘发货装载率测量方法及系统 |
| CN117910930B (zh) * | 2024-03-15 | 2024-05-28 | 深圳市普拉托科技有限公司 | 基于智能仓储的托盘发货装载率测量方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117236826B (zh) | 2024-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117236826B (zh) | 物流托盘的码放识别方法、装置、设备及存储介质 | |
| CN107562938B (zh) | 一种法院智能审判方法 | |
| CN111897962A (zh) | 一种物联网资产标记方法及装置 | |
| CN111461101B (zh) | 工服标志的识别方法、装置、设备及存储介质 | |
| Chow et al. | Understanding object detection through an adversarial lens | |
| CN116597384B (zh) | 基于小样本训练的空间目标识别方法、装置及计算机设备 | |
| CN113139536A (zh) | 一种基于跨域元学习的文本验证码识别方法、设备及存储介质 | |
| CN112818162A (zh) | 图像检索方法、装置、存储介质和电子设备 | |
| Lunga et al. | Resflow: A remote sensing imagery data-flow for improved model generalization | |
| CN114281991A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
| CN118132786A (zh) | 一种相似图片的检索方法、装置、设备及存储介质 | |
| CN111369417A (zh) | 一种基于技战法模型的案件线索获取方法及装置 | |
| Nguyen et al. | Explaining how deep neural networks forget by deep visualization | |
| CN116502705A (zh) | 兼用域内外数据集的知识蒸馏方法和计算机设备 | |
| Liang et al. | Automated filtering of façade defect images using a similarity method for enhanced inspection documentation | |
| CN114663760A (zh) | 模型训练的方法、目标检测方法、存储介质及计算设备 | |
| CN113673583A (zh) | 一种图像识别方法、识别网络的训练方法及相关装置 | |
| US20220307069A1 (en) | Hybrid manual-machine learning pcr curve analysis and classification | |
| CN116863481B (zh) | 一种基于深度学习的业务会话风险处理方法 | |
| CN116362816B (zh) | 凭证信息遗漏识别及处理方法、系统与介质 | |
| CN118468200B (zh) | 一种污染源在线监测数据中的造假数据分析方法 | |
| Jasem et al. | Iraqi License Plate Recognition System Using (YOLO) With SIFT and SURF Algorithm | |
| US20230343066A1 (en) | Automated linking of diagnostic images to specific assets | |
| CN118628456A (zh) | 一种基于实例分割和图像融合的钢桥锈蚀评价方法及系统 | |
| Chang et al. | Mining Concise Datasets for Testing Satellite-Data-Based Land-Cover Classifiers Meant for Large Geographic Areas |
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 |