CN117495232B - 一种订单跟踪方法及系统 - Google Patents
一种订单跟踪方法及系统 Download PDFInfo
- Publication number
- CN117495232B CN117495232B CN202311598041.0A CN202311598041A CN117495232B CN 117495232 B CN117495232 B CN 117495232B CN 202311598041 A CN202311598041 A CN 202311598041A CN 117495232 B CN117495232 B CN 117495232B
- Authority
- CN
- China
- Prior art keywords
- data
- environment
- order
- cargo
- dynamic
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000005516 engineering process Methods 0.000 claims abstract description 58
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 238000009877 rendering Methods 0.000 claims description 176
- 230000000007 visual effect Effects 0.000 claims description 38
- 238000012545 processing Methods 0.000 claims description 36
- 238000004458 analytical method Methods 0.000 claims description 32
- 230000007613 environmental effect Effects 0.000 claims description 31
- 230000008859 change Effects 0.000 claims description 23
- 238000013507 mapping Methods 0.000 claims description 19
- 201000010099 disease Diseases 0.000 claims description 15
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 14
- 230000033001 locomotion Effects 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 11
- 238000005538 encapsulation Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 8
- 238000007499 fusion processing Methods 0.000 claims description 5
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 230000004438 eyesight Effects 0.000 description 10
- 239000000284 extract Substances 0.000 description 8
- 238000007726 management method Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 7
- 238000005286 illumination Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 6
- 230000008447 perception Effects 0.000 description 4
- 238000013500 data storage Methods 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012384 transportation and delivery Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000016776 visual perception Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 238000001148 chemical map Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000009430 construction management Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 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
- G06Q10/0833—Tracking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/005—General purpose rendering architectures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Multimedia (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Remote Sensing (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioethics (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明涉及订单跟踪技术领域,尤其涉及一种订单跟踪方法及系统。该方法包括以下步骤:获取货物订单信息及货物环境数据;对货物订单信息进行分布式结构构建,以生成订单信息分布式数据模块;对订单信息分布式数据模块进行智能合约编辑,生成订单信息智能合约;通过订单信息智能合约对订单信息分布式数据模块进行去中心化网络结构搭建,构建订单追踪区块链网络;利用GPS定位技术获取货物实时位置信息;通过货物实时位置信息构建货物动态位置地图;通过订单追踪区块链网络对货物环境数据进行位置特征提取,以生成货物环境特征数据。本发明实现了高效、准确的订单跟踪。
Description
技术领域
本发明涉及订单跟踪技术领域,尤其涉及一种订单跟踪方法及系统。
背景技术
在现代商业环境中,订单跟踪是一项关键的业务需求。随着电子商务和全球供应链的快速增长,准确追踪和监控订单的位置和状态变得至关重要。传统的订单跟踪方法通常依赖于手动查询和信息交流,这可能导致信息滞后、错误和不准确的情况。为了满足这一需求,需要一种智能化的订单跟踪方法及系统,能够提供高效、准确的订单位置和状态信息。
发明内容
本发明为解决上述技术问题,提出了一种订单跟踪方法及系统,以解决至少一个上述技术问题。
为实现上述目的,本发明提供一种订单跟踪方法,包括以下步骤:
步骤S1:获取货物订单信息及货物环境数据;对货物订单信息进行分布式结构构建,以生成订单信息分布式数据模块;对订单信息分布式数据模块进行智能合约编辑,生成订单信息智能合约;
步骤S2:通过订单信息智能合约对订单信息分布式数据模块进行去中心化网络结构搭建,构建订单追踪区块链网络;利用GPS定位技术获取货物实时位置信息;通过货物实时位置信息构建货物动态位置地图;
步骤S3:通过订单追踪区块链网络对货物环境数据进行位置特征提取,以生成货物环境特征数据;利用货物环境特征数据对货物动态位置地图进行真实环境渲染,以生成环境渲染贴图数据;利用深度神经网络对环境渲染贴图数据对渲染参数动态调节,以生成动态渲染网络;
步骤S4:通过动态渲染网络对货物动态位置地图进行亚细粒度渲染,以构建超分辨率订单图像流;根据环境渲染贴图数据对超分辨率订单图像流进行3D环境重建,以构建3D货物环境地图;
步骤S5:基于货物环境数据对3D货物环境地图及订单追踪区块链网络进行虚拟模型构建,以生成订单位置元宇宙模型;
步骤S6:利用量子加密技术对订单位置元宇宙模型进行数据封装加密,以生成订单位置加密模型,并将订单位置加密模型上传至云服务器,以执行订单实时跟踪作业。
本发明通过货物订单信息构建分布式结构,实现订单信息的去中心化存储和共享,提高数据的安全性和可靠性,通过订单信息智能合约对订单信息分布式数据模块进行去中心化网络结构搭建,构建订单追踪区块链网络,利用GPS定位技术获取货物的实时位置信息,实现对货物的准确追踪和监控,通过实时位置信息构建货物的动态位置地图,能够直观地展示货物的当前位置和移动轨迹,提供更详细的信息,通过订单追踪区块链网络,对货物环境数据进行位置特征提取,提取出与位置相关的环境特征,为后续的渲染和分析提供基础,利用货物环境特征数据对货物动态位置地图进行真实环境渲染,通过将环境信息与位置地图结合,提供更真实的视觉效果,通过深度神经网络对环境渲染贴图数据进行动态调节,根据不同的渲染参数实现动态的渲染效果,提供更丰富的视觉体验,通过动态渲染网络对货物动态位置地图进行亚细粒度渲染,提高图像的清晰度和细节展示,增强用户对订单图像流的观察和理解能力,根据环境渲染贴图数据,对超分辨率订单图像流进行3D环境重建,将货物的位置信息与环境场景相结合,生成真实的3D货物环境地图,提供更立体化的视觉体验,基于货物环境数据,对3D货物环境地图和订单追踪区块链网络进行虚拟模型构建,将实际数据转化为虚拟的元宇宙模型,提供更广阔的交互和探索空间,利用量子加密技术对订单位置元宇宙模型进行数据封装加密,保证模型数据的安全性和隐私性,加密后的订单位置加密模型上传至云服务器,实现订单实时跟踪作业,确保订单位置的实时更新和安全传输。
优选地,步骤S1包括以下步骤:
步骤S11:获取货物订单信息数据及货物环境数据;
步骤S12:对货物订单信息进行节点划分,以生成货物订单数据节点;
步骤S13:对货物订单数据节点进行分布式结构构建,以生成订单信息分布式数据模块;
步骤S14:对订单信息分布式数据模块进行合约分析,以生成订单信息合约逻辑;
步骤S15:利用订单信息合约逻辑对订单信息分布式数据模块进行智能合约集成编辑,生成订单信息智能合约。
本发明通过获取货物订单信息数据和货物环境数据,获得有关订单的详细信息以及订单相关的环境数据,这些数据将用于后续的分析和处理,提供对订单流程和环境因素的全面了解,对货物订单信息进行节点划分将把订单数据划分为不同的节点,每个节点对应一个订单数据集,有助于将订单数据进行更好的管理和处理,提高处理效率和分布式处理的可行性,通过对货物订单数据节点进行分布式结构构建,建立基于分布式计算的订单数据处理模块,提供更高的可伸缩性和容错性,使得订单数据的处理更加高效和可靠,对订单信息分布式数据模块进行合约分析确定合适的合约逻辑,以规定订单数据的处理规则和约束条件,合约逻辑确保订单数据的准确性、一致性和安全性,通过将订单信息合约逻辑应用于订单信息分布式数据模块,生成订单信息智能合约,实现自动化的订单处理和管理,确保订单操作的可追溯性和透明性,智能合约还提供安全性和可编程性,使得订单信息的操作更加高效和可控。
优选地,步骤S2包括以下步骤:
步骤S21:对订单信息分布式数据模块进行去中心化网络拓扑结构构建,以生成区块链网络拓扑结构;
步骤S22:通过订单信息智能合约对区块链网络拓扑结构进行模块重构,以生成区块链创世区块;
步骤S23:利用分布式指定共识算法对区块链创世区块进行区块链网络构建,以构建订单追踪区块链网络;
步骤S24:利用GPS定位技术获取货物实时位置信息;
步骤S25:通过货物实时位置信息构建货物动态位置地图。
本发明通过构建去中心化网络拓扑结构,订单信息分布式数据模块在多个节点之间进行分布式存储和处理,拓扑结构提供更高的可靠性、容错性和安全性,减少了单一故障点并防止数据篡改,通过智能合约对区块链网络拓扑结构进行模块重构,创建具有特定规则和逻辑的创世区块,创世区块定义区块链网络的起始状态和初始参数,为后续的数据存储和交易提供了基础,使用分布式指定共识算法对区块链创世区块进行构建,确保网络中的节点达成一致共识,并构建具有去中心化特性的区块链网络,区块链网络具有高度的可靠性、安全性和透明性,为订单追踪提供了可信的基础,使用GPS定位技术获取货物的实时位置信息,实现对运输中货物的准确位置追踪,提高货物的可视性和可追踪性,便于监控货物的运输和及时采取必要的措施,利用货物的实时位置信息,构建货物的动态位置地图,显示货物当前的位置和运行轨迹,运行轨迹提供实时的货物状态和位置信息,提高货物运输的监控能力和决策效果。
优选地,步骤S3包括以下步骤:
步骤S31:通过货物动态位置地图对货物环境数据进行位置标签标注,以生成位置标签数据;
步骤S32:通过订单追踪区块链网络对位置标签数据进行位置特征提取,以生成货物环境特征数据;
步骤S33:利用货物环境特征数据对货物动态位置地图进行真实环境渲染,以生成环境渲染贴图数据;
步骤S34:对货物动态位置地图进行环境变化速度计算,以生成环境变化速度数据;
步骤S35:利用深度神经网络通过环境变化速度数据对货物动态位置地图进行动态模糊处理,生成动态模糊轨迹渲染数据;
步骤S36:通过动态模糊轨迹渲染数据对环境渲染贴图数据进行渲染参数动态调节,以生成动态渲染网络。
本发明通过货物环境数据和货物动态位置地图进行关联,位置标签标注方便地获取每个位置点对应的环境数据,为后续的环境特征提取和渲染过程提供准确的数据基础,通过订单追踪区块链网络的功能,对位置标签数据进行分析和处理,提取出与货物环境相关的特征信息,这些特征信息包括温度、湿度、光照等环境参数,以及其他与货物运输过程相关的数据,如运输时间、运输方式等,生成的货物环境特征数据用于后续的环境渲染和模型构建,将货物环境特征数据应用到货物动态位置地图上,对每个位置点进行真实环境的渲染,环境渲染贴图数据在可视化界面中展示货物所处的真实环境,包括环境的外观、光照等信息,提供更加直观的视觉效果,通过分析货物动态位置地图的变化情况,计算出环境在不同位置点的变化速度,用于后续的动态模糊处理,以模拟货物在不同位置点环境变化的连续性和平滑性,提升渲染效果,通过深度神经网络的学习和推断能力,根据环境变化速度数据对货物动态位置地图进行动态模糊处理,增强渲染结果的真实感和连贯性,使得货物所处环境的变化在渲染结果中表现得更加自然和流畅,利用动态模糊轨迹渲染数据对环境渲染贴图数据进行参数调节,以生成适应不同环境变化的动态渲染网络,动态渲染网络根据货物所处环境的变化实时调整渲染参数,保证渲染结果的准确性和逼真度,提供更加细致和真实的视觉效果。
优选地,步骤S33包括以下步骤:
步骤S331:利用货物环境特征数据对货物动态位置地图进行货物位置检测,并进行货物边界框切割,以生成边界框数据;
步骤S332:对货物动态位置地图进行细粒度分析,以生成图像细粒度数据;
步骤S333:通过图像细粒度数据对货物动态位置地图进行图像对比度增强,以生成对比增强货物动态图像;
步骤S334:将对比增强货物动态图像进行像素色度检测分析,以生成像素色度数据;
步骤S335:通过边界框数据对对比增强货物动态图像进行货物边界框剔除,以生成货物动态背景;
步骤S336:利用像素色度数据对货物动态背景进行图像综合场景分析,以生成场景描述动态背景;
步骤S337:利用场景描述动态背景对货物动态位置地图进行真实环境渲染,以生成环境渲染贴图数据。
本发明通过分析货物环境特征数据,识别出货物在动态位置地图中的位置,并利用边界框切割技术将货物从背景中分离出来,生成的边界框数据提供货物的准确位置和边界信息,为后续的图像分析和渲染过程提供基础,对货物动态位置地图进行细粒度分析,提取图像的细节和特征信息,包括纹理、形状等,生成的图像细粒度数据用于后续的图像处理和增强,对图像细粒度数据进行对比度增强处理,增强图像中的亮度和对比度,使得货物动态图像更加清晰和鲜明,生成的对比增强货物动态图像提供更好的视觉效果和图像质量,通过对对比增强货物动态图像进行像素色度检测分析,提取出图像中的色彩信息和色度分布,生成的像素色度数据用于后续的图像分析和色彩调整,通过边界框数据对对比增强货物动态图像进行货物边界框剔除,以生成货物动态背景,利用边界框数据将对比增强的货物动态图像中的货物部分剔除,只保留背景部分,生成的货物动态背景用于后续的场景分析和环境渲染,通过对像素色度数据进行图像综合场景分析,对货物动态背景进行进一步的分析和理解,提取出场景的描述信息,如光线、色彩等,通过将场景描述动态背景应用到货物动态位置地图上,对地图进行真实环境的渲染,在可视化界面中展示货物所处的真实环境,包括背景的外观、光照等信息,提供更加逼真和细致的视觉效果。
优选地,步骤S4包括以下步骤:
步骤S41:利用循环卷积网络对货物动态位置地图进行堆叠卷积,以生成货物动态卷积特征数据;
步骤S42:对货物动态卷积特征数据进行残差连接,以生成深层货物动态卷积层图像;
步骤S43:对深层货物动态卷积层图像进行多帧信息提取,以生成多帧动态卷积层图像;
步骤S44:对多帧动态卷积层图像进行动态视觉捕捉,以获取动态视觉特征卷积图像;
步骤S45:对动态视觉特征卷积图像进行跨帧融合处理,以生成跨帧疾动高分辨率图像;
步骤S46:对跨帧疾动高分辨率图像进行细粒度动态波动检测,以生成细粒度动态波动数据;
步骤S47:根据细粒度动态波动数据利用动态渲染网络对跨帧疾动高分辨率图像进行亚细粒度渲染,以构建超分辨率订单图像流;
步骤S48:根据环境渲染贴图数据对超分辨率订单图像流进行3D环境重建,以构建3D货物环境地图。
本发明通过应用循环卷积网络,对货物动态位置地图进行堆叠卷积操作,提取出图像中的卷积特征,包括边缘、纹理等,应用残差连接技术,将货物动态卷积特征数据与原始数据进行加权求和,生成深层的卷积层图像,残差连接加强图像的特征表达和信息传递,提高图像处理的效果,提取深层货物动态卷积层图像的多帧信息,捕捉到货物动态的时间序列变化,并生成多帧动态卷积层图像,多帧信息提取增强对动态变化的感知和理解,通过动态视觉捕捉技术,对多帧动态卷积层图像进行处理,提取出图像中的动态视觉特征,如运动轨迹、速度等,生成的动态视觉特征卷积图像用于后续的运动分析和特征提取,通过对动态视觉特征卷积图像进行跨帧融合处理,将不同帧之间的信息进行融合,生成高分辨率的跨帧图像,跨帧融合处理提高图像的清晰度和细节,并减少运动模糊的影响,对跨帧疾动高分辨率图像进行分析和检测,提取出图像中的细粒度动态波动信息,如震动、振动等,生成的细粒度动态波动数据用于后续的波动分析和异常检测,通过应用动态渲染网络,根据细粒度动态波动数据对跨帧疾动高分辨率图像进行亚细粒度的渲染,以生成具有更高分辨率和更真实细节的订单图像流,亚细粒度渲染提升图像的视觉质量和真实感,通过利用环境渲染贴图数据,对超分辨率订单图像流进行3D环境重建,还原出货物所处的真实环境,包括物体的位置、大小、形状等信息,以及环境的光照、纹理等特征,通过构建3D货物环境地图,为后续的场景分析、路径规划等任务提供更准确的环境信息。
优选地,步骤S48包括以下步骤:
步骤S481:将环境渲染贴图数据进行点云投影,以生成环境渲染点云图;
步骤S482:利用像素色度数据对环境渲染点云图进行颜色插值,以生成点云像素色度图;
步骤S483:根据点云像素色度图对环境渲染贴图数据进行场景几何结构拟合,生成货物环境立体结构;
步骤S484:通过环境渲染贴图数据对货物环境立体结构进行贴图纹理细节增强,以生成纹理细节增强立体结构;
步骤S485:通过纹理细节增强立体结构对超分辨率订单图像流进行3D环境重建,以构建3D货物环境地图。
本发明通过将环境渲染贴图数据进行点云投影,将图像中的像素点映射到三维空间中的对应位置,生成点云表示的环境渲染图,将二维图像数据转换为三维点云表示,为后续的环境重建提供了几何信息,通过利用像素色度数据对点云图进行颜色插值,将点云中的每个点赋予相应的颜色值,生成点云像素色度图,为点云图提供了丰富的颜色信息,使得点云能够更好地反映环境的视觉特征,通过对点云像素色度图进行场景几何结构拟合,推断出环境中的几何结构信息,包括物体的形状、位置和尺寸等,生成的货物环境立体结构提供更加真实和准确的环境几何信息,利用环境渲染贴图数据对货物环境立体结构进行贴图纹理细节增强使立体结构的表面具有更加真实和细致的纹理特征,提高环境立体结构的视觉质量和真实感,使得重建的立体结构更加逼真和精细,利用纹理细节增强的立体结构对超分辨率订单图像流进行3D环境重建将二维图像序列恢复为三维的货物环境地图,将图像数据与三维结构相融合,生成具有纹理和空间信息的高精度3D货物环境地图,提供更加全面和真实的环境表示。
优选地,步骤S5包括以下步骤:
步骤S51:根据货物实时位置信息对3D货物环境地图进行移动轨迹识别,以生成货物移动轨迹;
步骤S52:利用订单追踪区块链网络构建虚拟世界引擎;
步骤S53:将3D货物环境地图对虚拟世界引擎进行环境地图映射,以生成货物环境虚拟模型;
步骤S54:利用货物移动轨迹对货物环境虚拟模型进行虚拟模型构建,以生成订单位置元宇宙模型。
本发明通过识别货物实时位置信息并在3D货物环境地图上进行移动轨迹识别,准确追踪货物在环境中的移动轨迹,实时识别和更新货物的位置信息,及时反映货物在环境中的位置变化,提供实时的位置数据,通过生成货物移动轨迹,对货物的运输过程进行监控和控制,确保货物按照预定的轨迹进行移动,利用订单追踪区块链网络,提供去中心化的、不可篡改的订单追踪和验证机制,增强了虚拟世界引擎的安全性和可信度,通过区块链网络,不同参与者实时共享订单追踪数据,包括货物位置、状态等信息,提供实时的数据交换和协作平台,将3D货物环境地图映射到虚拟世界引擎中,构建出与真实环境相对应的虚拟环境模型,将3D货物环境地图映射到虚拟世界引擎中提供真实环境的空间感知,使得在虚拟环境中进行的操作和决策更贴近实际情况,将货物移动轨迹和货物环境虚拟模型结合,生成订单位置元宇宙模型,提供更综合和全面的订单位置信息,为进一步的分析和应用提供基础。
优选地,步骤S6包括以下步骤:
步骤S61:对订单位置元宇宙模型进行数据封装,以生成元宇宙模型数据包;
步骤S62:利用量子加密技术生成量子密钥;
步骤S63:通过量子密钥对元宇宙模型数据包进行量子态数据加密,以生成订单位置加密模型;
步骤S64:将订单位置加密模型上传至云服务器,以执行订单实时跟踪作业。
本发明通过对订单位置元宇宙模型进行数据封装,将相关数据进行整合和组织,形成一个完整的数据包,通过生成元宇宙模型数据包,将订单位置元宇宙模型的数据方便地进行传输和共享,使得数据的使用更加便捷和灵活,量子加密技术具有较高的安全性,通过生成量子密钥提供更强的数据保护和防护能力,防止数据被未经授权的人访问和篡改,通过量子态数据加密,将元宇宙模型数据包进行加密,保护数据的机密性,确保数据在传输和存储过程中不被窃取或篡改,通过将订单位置加密模型上传至云服务器,在云端进行实时跟踪作业,提供及时的订单位置信息和监控,云服务器提供了灵活性和可扩展性,能够处理大量的订单数据和实时跟踪任务,确保订单管理的效率和准确性。
在本说明书中,提供一种订单跟踪系统,包括:
信息采集模块,获取货物订单信息及货物环境数据;对货物订单信息进行分布式结构构建,以生成订单信息分布式数据模块;对订单信息分布式数据模块进行智能合约编辑,生成订单信息智能合约;
区块链网络模块,通过订单信息智能合约对订单信息分布式数据模块进行去中心化网络结构搭建,构建订单追踪区块链网络;利用GPS定位技术获取货物实时位置信息;通过货物实时位置信息构建货物动态位置地图;
环境渲染模块,通过订单追踪区块链网络对货物环境数据进行位置特征提取,以生成货物环境特征数据;利用货物环境特征数据对货物动态位置地图进行真实环境渲染,以生成环境渲染贴图数据;利用深度神经网络对环境渲染贴图数据对渲染参数动态调节,以生成动态渲染网络;
3D环境地图模块,通过动态渲染网络对货物动态位置地图进行亚细粒度渲染,以构建超分辨率订单图像流;根据环境渲染贴图数据对超分辨率订单图像流进行3D环境重建,以构建3D货物环境地图;
元宇宙模型模块,基于货物环境数据对3D货物环境地图及订单追踪区块链网络进行虚拟模型构建,以生成订单位置元宇宙模型;
数据上传模块,利用量子加密技术对订单位置元宇宙模型进行数据封装加密,以生成订单位置加密模型,并将订单位置加密模型上传至云服务器,以执行订单实时跟踪作业。
本发明通过构建订单跟踪系统,通过信息采集模块获取货物订单信息和货物环境数据,为后续处理和分析提供必要的数据基础,确保订单信息和环境数据的准确性和完整性,提高后续模块处理的可靠性和准确性,将货物订单信息进行分布式结构构建实现数据的分布式存储和管理,提高数据的可扩展性和容错性,通过智能合约编辑对订单信息分布式数据模块进行管理和控制,确保数据的安全性和合规性,通过区块链网络的搭建,订单信息以去中心化的方式进行存储和管理,避免单点故障和数据丢失的风险,区块链网络提供了公开透明的特性,使得订单信息被授权的参与方共享和查看,增加了订单追踪的可信度和可验证性,通过GPS定位技术获取货物的实时位置信息,实现对货物的实时追踪和监控,货物动态位置地图将货物的实时位置以地图形式展示,使得订单追踪更加直观和可理解,通过环境渲染模块对货物环境数据进行分析和提取重要的位置特征,为后续模块的处理和分析提供基础,生成的货物环境特征数据描述货物所处环境的重要特征,方便后续模块对环境变化的理解和处理,3D环境地图模块通过环境渲染贴图数据,将货物动态位置地图进行真实环境渲染,使得订单追踪更加直观和真实,环境渲染贴图数据提供货物所处环境的视觉感知,帮助用户更好地理解货物的周围环境,通过3D环境重建实现对超分辨率订单图像流的空间感知,构建货物环境的三维模型,提供更直观和准确的环境展示,元宇宙模型模块将3D货物环境地图和订单追踪区块链网络进行虚拟化展示,实现对订单位置的全方位展示和观察,数据上传模块利用量子加密技术对订单位置元宇宙模型进行数据封装加密,提供高度的数据安全性,量子加密技术利用量子力学原理,防止数据被窃听和篡改,确保订单位置数据的机密性和完整性,通过将订单位置加密模型上传至云服务器,实现弹性的数据存储和处理,云服务器提供了灵活的资源扩展和调度能力,能够根据实际需求自动扩展存储和计算资源,满足不断增长的订单实时跟踪需求。
附图说明
图1为本发明一种订单跟踪方法及系统的步骤流程示意图;
图2为步骤S1的详细实施步骤流程示意图;
图3为步骤S2的详细实施步骤流程示意图;
图4为步骤S3的详细实施步骤流程示意图。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本申请实例提供一种订单跟踪方法及系统的。所述订单跟踪方法及系统的执行主体包括但不限于搭载该系统的:机械设备、数据处理平台、云服务器节点、网络上传设备等可看作本申请的通用计算节点,所述数据处理平台包括但不限于:音频图像管理系统、信息管理系统、云端数据管理系统至少一种。
请参阅图1至图4,本发明提供一种订单跟踪方法,所述方法包括以下步骤:
步骤S1:获取货物订单信息及货物环境数据;对货物订单信息进行分布式结构构建,以生成订单信息分布式数据模块;对订单信息分布式数据模块进行智能合约编辑,生成订单信息智能合约;
步骤S2:通过订单信息智能合约对订单信息分布式数据模块进行去中心化网络结构搭建,构建订单追踪区块链网络;利用GPS定位技术获取货物实时位置信息;通过货物实时位置信息构建货物动态位置地图;
步骤S3:通过订单追踪区块链网络对货物环境数据进行位置特征提取,以生成货物环境特征数据;利用货物环境特征数据对货物动态位置地图进行真实环境渲染,以生成环境渲染贴图数据;利用深度神经网络对环境渲染贴图数据对渲染参数动态调节,以生成动态渲染网络;
步骤S4:通过动态渲染网络对货物动态位置地图进行亚细粒度渲染,以构建超分辨率订单图像流;根据环境渲染贴图数据对超分辨率订单图像流进行3D环境重建,以构建3D货物环境地图;
步骤S5:基于货物环境数据对3D货物环境地图及订单追踪区块链网络进行虚拟模型构建,以生成订单位置元宇宙模型;
步骤S6:利用量子加密技术对订单位置元宇宙模型进行数据封装加密,以生成订单位置加密模型,并将订单位置加密模型上传至云服务器,以执行订单实时跟踪作业。
本发明通过货物订单信息构建分布式结构,实现订单信息的去中心化存储和共享,提高数据的安全性和可靠性,通过订单信息智能合约对订单信息分布式数据模块进行去中心化网络结构搭建,构建订单追踪区块链网络,利用GPS定位技术获取货物的实时位置信息,实现对货物的准确追踪和监控,通过实时位置信息构建货物的动态位置地图,能够直观地展示货物的当前位置和移动轨迹,提供更详细的信息,通过订单追踪区块链网络,对货物环境数据进行位置特征提取,提取出与位置相关的环境特征,为后续的渲染和分析提供基础,利用货物环境特征数据对货物动态位置地图进行真实环境渲染,通过将环境信息与位置地图结合,提供更真实的视觉效果,通过深度神经网络对环境渲染贴图数据进行动态调节,根据不同的渲染参数实现动态的渲染效果,提供更丰富的视觉体验,通过动态渲染网络对货物动态位置地图进行亚细粒度渲染,提高图像的清晰度和细节展示,增强用户对订单图像流的观察和理解能力,根据环境渲染贴图数据,对超分辨率订单图像流进行3D环境重建,将货物的位置信息与环境场景相结合,生成真实的3D货物环境地图,提供更立体化的视觉体验,基于货物环境数据,对3D货物环境地图和订单追踪区块链网络进行虚拟模型构建,将实际数据转化为虚拟的元宇宙模型,提供更广阔的交互和探索空间,利用量子加密技术对订单位置元宇宙模型进行数据封装加密,保证模型数据的安全性和隐私性,加密后的订单位置加密模型上传至云服务器,实现订单实时跟踪作业,确保订单位置的实时更新和安全传输。
本发明实施例中,参考图1,为本发明一种订单跟踪方法的步骤流程示意图,在本实例中,所述订单跟踪方法的步骤包括:
步骤S1:获取货物订单信息及货物环境数据;对货物订单信息进行分布式结构构建,以生成订单信息分布式数据模块;对订单信息分布式数据模块进行智能合约编辑,生成订单信息智能合约;
本实施例中,收集货物订单信息,包括订单编号、货物类型、数量、发货地址、收货地址等关键信息,收集货物环境数据,例如温度、湿度、光照等与货物运输相关的环境参数,将货物订单信息进行分布式结构构建,采用区块链或分布式数据库等技术实现,在分布式结构中,将订单信息按照一定的规则进行分布和存储,确保数据的安全性和可访问性,在智能合约中定义订单信息的数据结构和相关的业务逻辑,例如订单状态、支付规则、货物追踪等,考虑订单信息的安全性和隐私保护,添加访问控制和数据加密等机制。
步骤S2:通过订单信息智能合约对订单信息分布式数据模块进行去中心化网络结构搭建,构建订单追踪区块链网络;利用GPS定位技术获取货物实时位置信息;通过货物实时位置信息构建货物动态位置地图;
本实施例中,使用分布式账本技术确保订单信息的不可篡改性和可追溯性,将订单信息分布式数据模块与区块链网络进行连接,实现数据的去中心化存储和共享,在区块链网络中,每个订单将被表示为一个区块,包含订单信息的哈希值和指向前一个区块的链接,使用智能合约定义订单状态的转换规则,例如订单创建、发货、运输中、送达等状态,在货物运输过程中,使用GPS定位技术获取货物的实时位置信息,将GPS设备与订单信息智能合约进行连接,实时上传货物的位置信息到区块链网络,在订单追踪区块链网络中,根据货物的实时位置信息,更新订单状态和位置,利用订单信息智能合约中的位置数据,构建货物动态位置地图,显示货物在运输过程中的实时位置和轨迹。
步骤S3:通过订单追踪区块链网络对货物环境数据进行位置特征提取,以生成货物环境特征数据;利用货物环境特征数据对货物动态位置地图进行真实环境渲染,以生成环境渲染贴图数据;利用深度神经网络对环境渲染贴图数据对渲染参数动态调节,以生成动态渲染网络;
本实施例中,根据货物的位置信息,提取货物所处位置的环境特征,如温度、湿度、气压等,将提取的环境特征与订单信息关联,生成货物环境特征数据,将环境特征与地图的位置进行匹配,并在相应位置上渲染对应的环境特征,生成环境渲染贴图数据,其中每个像素点代表一个位置,并包含相应的环境特征信息,使用环境渲染贴图数据作为输入,设计神经网络的结构,以学习和调节渲染参数,运用训练数据集对深度神经网络进行训练,使其能够根据环境特征动态调节渲染效果。
步骤S4:通过动态渲染网络对货物动态位置地图进行亚细粒度渲染,以构建超分辨率订单图像流;根据环境渲染贴图数据对超分辨率订单图像流进行3D环境重建,以构建3D货物环境地图;
本实施例中,使用动态渲染网络对每个像素点进行渲染参数的调节,以增强图像的细节和清晰度,生成超分辨率订单图像流,其中每个图像代表一个时间点的货物位置和环境渲染效果,将环境渲染贴图数据与超分辨率订单图像流进行对应,确定每个像素点的位置和环境特征,利用计算机视觉和图像处理技术,将超分辨率订单图像流中的每个图像映射到对应的3D空间位置上,将经过3D环境重建的超分辨率订单图像流融合在一起,形成3D货物环境地图,在3D货物环境地图中,每个位置都包含了货物的图像信息和对应的环境特征。
步骤S5:基于货物环境数据对3D货物环境地图及订单追踪区块链网络进行虚拟模型构建,以生成订单位置元宇宙模型;
本实施例中,将订单追踪区块链网络中的数据与3D货物环境地图进行关联,确定订单的位置和相关信息,在3D货物环境地图中,根据订单的位置和信息,构建相应的虚拟模型,代表订单的存在和状态,将虚拟模型与其他元素进行组合,生成订单位置的元宇宙模型,添加其他虚拟元素,如用户界面、交互元素等,以增强用户体验和功能性,将3D货物环境地图、订单追踪区块链网络数据和虚拟模型融合在一起,形成订单位置的综合模型,实时更新订单追踪区块链网络中的数据,并反映在元宇宙模型中,监测货物位置和环境数据的变化,更新虚拟模型中的订单状态和位置信息。
步骤S6:利用量子加密技术对订单位置元宇宙模型进行数据封装加密,以生成订单位置加密模型,并将订单位置加密模型上传至云服务器,以执行订单实时跟踪作业。
本实施例中,将订单位置元宇宙模型中的数据进行封装和加密,以保护订单位置和相关信息的安全性,使用量子加密技术对数据进行加密,确保加密过程的安全性和不可逆性,选择安全可靠的云服务器提供商,并确保数据传输过程中的安全性和稳定性,将订单位置加密模型上传至云服务器,以实现订单的实时跟踪作业,在云服务器中执行订单实时跟踪作业,使用相应的解密密钥和算法,解密并处理上传的订单位置加密模型,对订单位置加密模型进行解密,恢复出原始的订单位置和相关信息,根据解密后的订单位置,通过订单追踪区块链网络获取最新的位置和状态数据,并更新订单实时跟踪信息。
本实施例中,参考图2,为步骤S1的详细实施步骤流程示意图,本实施例中,所述步骤S1的详细实施步骤包括:
步骤S11:获取货物订单信息数据及货物环境数据;
步骤S12:对货物订单信息进行节点划分,以生成货物订单数据节点;
步骤S13:对货物订单数据节点进行分布式结构构建,以生成订单信息分布式数据模块;
步骤S14:对订单信息分布式数据模块进行合约分析,以生成订单信息合约逻辑;
步骤S15:利用订单信息合约逻辑对订单信息分布式数据模块进行智能合约集成编辑,生成订单信息智能合约。
本实施例中,从订单管理系统或相关数据库中获取货物订单信息数据,通过传感器、监控设备或其他数据采集方式获取货物环境数据,将货物订单信息按照一定的规则进行划分,形成多个订单数据节点,划分基于订单号、货物类型、地理位置等因素进行,以便后续的分布式结构构建和数据管理,采用分布式数据库或分布式文件系统等技术来实现数据的分布式存储和管理,将货物订单数据节点分布到不同的节点或服务器上,形成分布式结构,根据业务需求,定义订单信息合约的功能和规则,包括订单状态变更、验证、控制等方面的逻辑,对订单信息分布式数据模块进行分析,确定需要进行智能合约处理的业务逻辑,根据订单信息合约逻辑,使用智能合约开发工具对订单信息分布式数据模块进行集成和编辑,编写智能合约代码,实现订单信息合约的功能和规则。
本实施例中,参考图3,为步骤S2的详细实施步骤流程示意图,本实施例中,所述步骤S2的详细实施步骤包括:
步骤S21:对订单信息分布式数据模块进行去中心化网络拓扑结构构建,以生成区块链网络拓扑结构;
步骤S22:通过订单信息智能合约对区块链网络拓扑结构进行模块重构,以生成区块链创世区块;
步骤S23:利用分布式指定共识算法对区块链创世区块进行区块链网络构建,以构建订单追踪区块链网络;
步骤S24:利用GPS定位技术获取货物实时位置信息;
步骤S25:通过货物实时位置信息构建货物动态位置地图。
本实施例中,将订单信息分布式数据模块中的节点分布到区块链网络中的多个节点上,采用点对点连接、广播等方式实现节点之间的通信和数据传输,构建区块链网络的拓扑结构,根据订单信息智能合约的逻辑和规则,对区块链网络拓扑结构进行模块重构,确定创世区块的结构和内容,包括初始状态、初始数据等信息,生成区块链创世区块,作为区块链网络的起始块,选择适合的分布式指定共识算法,如ProofofWork(PoW)、ProofofStake(PoS)等,使用该共识算法对区块链创世区块进行验证和确认,生成区块链网络的第一个区块,使用GPS设备或其他定位技术,获取货物的实时位置信息,定位设备通过卫星定位系统、蜂窝网络、Wi-Fi等方式获取位置信息,将货物实时位置信息与订单追踪区块链网络进行关联,实时更新货物的位置和状态,基于实时位置信息,构建货物的动态位置地图,使用地图API或其他可视化工具实现,在地图上显示货物的当前位置、运动轨迹和其他相关信息,方便实时跟踪和监控。
本实施例中,参考图4,为步骤S3的详细实施步骤流程示意图,本实施例中,所述步骤S3的详细实施步骤包括:
步骤S31:通过货物动态位置地图对货物环境数据进行位置标签标注,以生成位置标签数据;
步骤S32:通过订单追踪区块链网络对位置标签数据进行位置特征提取,以生成货物环境特征数据;
步骤S33:利用货物环境特征数据对货物动态位置地图进行真实环境渲染,以生成环境渲染贴图数据;
步骤S34:对货物动态位置地图进行环境变化速度计算,以生成环境变化速度数据;
步骤S35:利用深度神经网络通过环境变化速度数据对货物动态位置地图进行动态模糊处理,生成动态模糊轨迹渲染数据;
步骤S36:通过动态模糊轨迹渲染数据对环境渲染贴图数据进行渲染参数动态调节,以生成动态渲染网络。
本实施例中,使用已生成的货物动态位置地图,包含货物的实时位置和运动轨迹,将货物环境数据与货物动态位置地图进行对应,在地图上标注每个位置点的环境数据,如温度、湿度、光照等,将位置标签信息与对应的环境数据整合,形成位置标签数据,从位置标签数据中提取与货物环境相关的特征信息,采用统计分析、机器学习等方法提取温度变化趋势、湿度波动等特征,根据货物环境特征数据,对货物动态位置地图进行真实环境渲染,根据温度、湿度等环境特征,调整地图上每个位置点的渲染效果,分析货物动态位置地图中环境数据的变化趋势,计算相邻位置点之间环境数据的变化速度,将计算得到的环境变化速度信息整合,形成环境变化速度数据,基于深度神经网络模型,对货物动态位置地图进行动态模糊处理,将环境变化速度数据作为输入,生成动态模糊轨迹渲染数据,基于动态模糊轨迹渲染数据,对环境渲染贴图数据的渲染参数进行动态调节,动态渲染网络根据环境变化速度和位置标签数据等,实时调整渲染参数,提供更加动态的环境渲染效果。
本实施例中,步骤S33包括以下步骤:
步骤S331:利用货物环境特征数据对货物动态位置地图进行货物位置检测,并进行货物边界框切割,以生成边界框数据;
步骤S332:对货物动态位置地图进行细粒度分析,以生成图像细粒度数据;
步骤S333:通过图像细粒度数据对货物动态位置地图进行图像对比度增强,以生成对比增强货物动态图像;
步骤S334:将对比增强货物动态图像进行像素色度检测分析,以生成像素色度数据;
步骤S335:通过边界框数据对对比增强货物动态图像进行货物边界框剔除,以生成货物动态背景;
步骤S336:利用像素色度数据对货物动态背景进行图像综合场景分析,以生成场景描述动态背景;
步骤S337:利用场景描述动态背景对货物动态位置地图进行真实环境渲染,以生成环境渲染贴图数据。
本实施例中,基于货物环境特征数据,对货物动态位置地图进行货物位置检测,使用图像处理和计算机视觉技术,识别货物在地图上的位置,并生成相应的边界框数据,边界框表示货物在图像中的位置和大小,采用图像处理和计算机视觉技术,提取图像的细节特征,如纹理、形状等,对货物动态位置地图进行细粒度分析,基于图像细粒度数据,对货物动态位置地图进行图像对比度增强,调整图像的亮度、对比度等参数,增强图像的视觉效果,将对比度增强后的货物动态位置地图保存为对比增强货物动态图像数据,使用图像处理技术,提取图像的颜色信息,如色调、饱和度等,对对比增强货物动态图像进行像素色度检测分析,根据边界框数据,将对比增强货物动态图像中的货物边界框区域剔除,通过在边界框区域上设置透明或背景色,实现将边界框内部的货物部分移除,只保留背景部分,基于像素色度数据,对货物动态背景进行图像综合场景分析,利用图像处理和分析技术,识别背景中的不同场景元素,如天空、地面、建筑物等,将分析得到的场景描述信息与货物动态背景数据关联,形成场景描述动态背景数据,基于场景描述动态背景数据,利用计算机图形学技术,将场景描述动态背景与货物位置地图进行融合,对货物动态位置地图进行真实环境渲染,生成具有真实环境效果的渲染图像。
本实施例中,步骤S4包括以下步骤:
步骤S41:利用循环卷积网络对货物动态位置地图进行堆叠卷积,以生成货物动态卷积特征数据;
步骤S42:对货物动态卷积特征数据进行残差连接,以生成深层货物动态卷积层图像;
步骤S43:对深层货物动态卷积层图像进行多帧信息提取,以生成多帧动态卷积层图像;
步骤S44:对多帧动态卷积层图像进行动态视觉捕捉,以获取动态视觉特征卷积图像;
步骤S45:对动态视觉特征卷积图像进行跨帧融合处理,以生成跨帧疾动高分辨率图像;
步骤S46:对跨帧疾动高分辨率图像进行细粒度动态波动检测,以生成细粒度动态波动数据;
步骤S47:根据细粒度动态波动数据利用动态渲染网络对跨帧疾动高分辨率图像进行亚细粒度渲染,以构建超分辨率订单图像流;
步骤S48:根据环境渲染贴图数据对超分辨率订单图像流进行3D环境重建,以构建3D货物环境地图;
本实施例中,在循环卷积网络中,对货物动态位置地图进行堆叠卷积操作,堆叠卷积通过在网络的不同层之间共享权重,增加网络的深度和感受野,以提取更丰富的动态卷积特征,货物动态卷积特征数据包含了从货物动态位置地图中提取的卷积特征,对货物动态卷积特征数据进行残差连接操作,残差连接通过将输入数据与输出数据进行逐元素相加的方式,将浅层特征与深层特征相结合,以提高网络的表示能力和学习能力,深层货物动态卷积层图像包含了经过残差连接处理后的特征数据,用于后续的多帧信息提取和处理,对深层货物动态卷积层图像进行多帧信息提取操作,多帧信息提取通过使用光流估计等技术,提取连续帧之间的运动信息和变化信息,以捕捉货物动态的时间序列特征,多帧动态卷积层图像包含了从深层货物动态卷积层图像中提取的多帧信息,用于后续的动态视觉捕捉,采用光流估计、运动目标检测、目标跟踪等技术来捕捉多帧动态卷积层图像中的动态视觉特征,光流估计可以判断连续帧之间的像素位移,从而获得物体的运动信息,运动目标检测检测图像中的运动物体,并提取其特征,根据所选的视觉捕捉算法,将捕捉到的动态视觉特征与多帧动态卷积层图像进行结合,将动态视觉特征叠加到多帧动态卷积层图像的对应位置,形成动态视觉特征卷积图像,跨帧融合通过使用图像融合技术(如加权平均、深度学习模型等)将多个动态视觉特征卷积图像融合成一个图像,跨帧疾动高分辨率图像包含了=经过跨帧融合处理后的动态视觉特征,具有更高的分辨率和更丰富的疾动信息,使用适当的算法和技术对跨帧疾动高分辨率图像进行细粒度动态波动检测,细粒度动态波动检测通过分析图像中的局部细节和运动变化来检测和量化图像中的细微动态波动。在动态渲染网络中,利用细粒度动态波动数据对跨帧疾动高分辨率图像进行亚细粒度渲染,亚细粒度渲染根据细粒度动态波动数据的指导,对图像进行微小的颜色、光照、纹理等细节调整,以增强图像的真实感和质感,使用适当的算法和技术对超分辨率订单图像流进行3D环境重建,3D环境重建通过将超分辨率订单图像流与环境渲染贴图数据进行融合,推断出场景中的物体和环境结构,并还原出三维空间中的货物环境地图。
本实施例中,步骤S48包括以下步骤:
步骤S481:将环境渲染贴图数据进行点云投影,以生成环境渲染点云图;
步骤S482:利用像素色度数据对环境渲染点云图进行颜色插值,以生成点云像素色度图;
步骤S483:根据点云像素色度图对环境渲染贴图数据进行场景几何结构拟合,生成货物环境立体结构;
步骤S484:通过环境渲染贴图数据对货物环境立体结构进行贴图纹理细节增强,以生成纹理细节增强立体结构;
步骤S485:通过纹理细节增强立体结构对超分辨率订单图像流进行3D环境重建,以构建3D货物环境地图。
本实施例中,将环境渲染贴图数据进行点云投影操作,将每个像素点的三维坐标信息转换为对应的点云坐标,基于像素色度数据,对环境渲染点云图进行颜色插值操作,将每个点云的颜色信息根据其在图像上的位置进行插值,得到对应点云的像素色度值,基于点云像素色度图,对环境渲染贴图数据进行场景几何结构拟合,使用计算机视觉和三维重建技术,将点云的位置和像素色度信息与环境渲染贴图数据进行匹配和拟合,得到货物环境的立体结构,基于环境渲染贴图数据,使用图像处理技术,对货物环境立体结构进行贴图纹理细节增强操作,将环境渲染贴图数据的纹理细节应用到货物环境立体结构上,增强立体结构的视觉效果,基于纹理细节增强立体结构和超分辨率订单图像流,进行3D环境重建操作,使用计算机视觉和图像处理技术,将超分辨率订单图像流与纹理细节增强立体结构进行匹配和融合,从而构建出具有高分辨率和真实纹理的3D货物环境地图。
本实施例中,步骤S5包括以下步骤:
步骤S51:根据货物实时位置信息对3D货物环境地图进行移动轨迹识别,以生成货物移动轨迹;
步骤S52:利用订单追踪区块链网络构建虚拟世界引擎;
步骤S53:将3D货物环境地图对虚拟世界引擎进行环境地图映射,以生成货物环境虚拟模型;
步骤S54:利用货物移动轨迹对货物环境虚拟模型进行虚拟模型构建,以生成订单位置元宇宙模型
本实施例中,获取货物实时位置信息,通过传感器、定位系统或其他相关技术获取,通过比对货物实时位置与3D货物环境地图中的位置信息,确定货物在环境中的移动轨迹,虚拟世界引擎是一个基于区块链技术的分布式系统,用于管理和跟踪订单的状态和位置信息,将3D货物环境地图映射到虚拟世界引擎中,以构建货物环境虚拟模型,将3D货物环境地图中的地理和几何信息与虚拟世界引擎中的数据结构进行对应和映射,确保虚拟模型与实际环境一致,根据货物移动轨迹,更新虚拟模型中货物的位置和状态信息,以反映实际货物在虚拟世界中的运动。元宇宙模型是基于虚拟世界引擎和货物移动轨迹的整合,提供实际和虚拟世界中订单位置的综合视图。
本实施例中,步骤S6包括以下步骤:
步骤S61:对订单位置元宇宙模型进行数据封装,以生成元宇宙模型数据包;
步骤S62:利用量子加密技术生成量子密钥;
步骤S63:通过量子密钥对元宇宙模型数据包进行量子态数据加密,以生成订单位置加密模型;
步骤S64:将订单位置加密模型上传至云服务器,以执行订单实时跟踪作业。
本实施例中,将订单位置元宇宙模型进行数据封装,将其打包成一个单独的数据包,数据封装采用常见的数据格式,如JSON、XML或二进制格式,以便于数据的传输和处理,数据包是一个文件或数据流,用于存储和传输元宇宙模型数据,在量子加密系统中,使用量子加密技术生成一个随机的、安全的量子密钥,量子密钥的生成过程通常涉及使用量子态进行加密和解密操作,以确保密钥的安全性和不可破解性,量子态数据加密使用量子加密算法,将数据包中的元宇宙模型信息转化为量子态,以实现高度的数据保护和安全性,加密模型包含了经过量子态数据加密的订单位置元宇宙模型数据,以确保数据的保密性和完整性,将订单位置加密模型上传至云服务器,以便进行后续的订单实时跟踪作业,上传通过网络传输协议,如HTTP、FTP或其他云服务提供商的特定接口实现。云服务器解密订单位置加密模型并提取其中的数据,进行实时跟踪操作,以更新订单的状态和位置信息。
在本实施例中,提供一种订单跟踪系统,包括:
信息采集模块,获取货物订单信息及货物环境数据;对货物订单信息进行分布式结构构建,以生成订单信息分布式数据模块;对订单信息分布式数据模块进行智能合约编辑,生成订单信息智能合约;
区块链网络模块,通过订单信息智能合约对订单信息分布式数据模块进行去中心化网络结构搭建,构建订单追踪区块链网络;利用GPS定位技术获取货物实时位置信息;通过货物实时位置信息构建货物动态位置地图;
环境渲染模块,通过订单追踪区块链网络对货物环境数据进行位置特征提取,以生成货物环境特征数据;利用货物环境特征数据对货物动态位置地图进行真实环境渲染,以生成环境渲染贴图数据;利用深度神经网络对环境渲染贴图数据对渲染参数动态调节,以生成动态渲染网络;
3D环境地图模块,通过动态渲染网络对货物动态位置地图进行亚细粒度渲染,以构建超分辨率订单图像流;根据环境渲染贴图数据对超分辨率订单图像流进行3D环境重建,以构建3D货物环境地图;
元宇宙模型模块,基于货物环境数据对3D货物环境地图及订单追踪区块链网络进行虚拟模型构建,以生成订单位置元宇宙模型;
数据上传模块,利用量子加密技术对订单位置元宇宙模型进行数据封装加密,以生成订单位置加密模型,并将订单位置加密模型上传至云服务器,以执行订单实时跟踪作业。
本发明通过构建订单跟踪系统,通过信息采集模块获取货物订单信息和货物环境数据,为后续处理和分析提供必要的数据基础,确保订单信息和环境数据的准确性和完整性,提高后续模块处理的可靠性和准确性,将货物订单信息进行分布式结构构建实现数据的分布式存储和管理,提高数据的可扩展性和容错性,通过智能合约编辑对订单信息分布式数据模块进行管理和控制,确保数据的安全性和合规性,通过区块链网络的搭建,订单信息以去中心化的方式进行存储和管理,避免单点故障和数据丢失的风险,区块链网络提供了公开透明的特性,使得订单信息被授权的参与方共享和查看,增加了订单追踪的可信度和可验证性,通过GPS定位技术获取货物的实时位置信息,实现对货物的实时追踪和监控,货物动态位置地图将货物的实时位置以地图形式展示,使得订单追踪更加直观和可理解,通过环境渲染模块对货物环境数据进行分析和提取重要的位置特征,为后续模块的处理和分析提供基础,生成的货物环境特征数据描述货物所处环境的重要特征,方便后续模块对环境变化的理解和处理,3D环境地图模块通过环境渲染贴图数据,将货物动态位置地图进行真实环境渲染,使得订单追踪更加直观和真实,环境渲染贴图数据提供货物所处环境的视觉感知,帮助用户更好地理解货物的周围环境,通过3D环境重建实现对超分辨率订单图像流的空间感知,构建货物环境的三维模型,提供更直观和准确的环境展示,元宇宙模型模块将3D货物环境地图和订单追踪区块链网络进行虚拟化展示,实现对订单位置的全方位展示和观察,数据上传模块利用量子加密技术对订单位置元宇宙模型进行数据封装加密,提供高度的数据安全性,量子加密技术利用量子力学原理,防止数据被窃听和篡改,确保订单位置数据的机密性和完整性,通过将订单位置加密模型上传至云服务器,实现弹性的数据存储和处理,云服务器提供了灵活的资源扩展和调度能力,能够根据实际需求自动扩展存储和计算资源,满足不断增长的订单实时跟踪需求。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (5)
1.一种订单跟踪方法,其特征在于,包括以下步骤:
步骤S1:获取货物订单信息及货物环境数据;对货物订单信息进行分布式结构构建,以生成订单信息分布式数据模块;对订单信息分布式数据模块进行智能合约编辑,生成订单信息智能合约;
步骤S2:通过订单信息智能合约对订单信息分布式数据模块进行去中心化网络结构搭建,构建订单追踪区块链网络;利用GPS定位技术获取货物实时位置信息;通过货物实时位置信息构建货物动态位置地图;
步骤S3:通过订单追踪区块链网络对货物环境数据进行位置特征提取,以生成货物环境特征数据;利用货物环境特征数据对货物动态位置地图进行真实环境渲染,以生成环境渲染贴图数据;利用深度神经网络对环境渲染贴图数据对渲染参数动态调节,以生成动态渲染网络;步骤S3的具体步骤为:
步骤S31:通过货物动态位置地图对货物环境数据进行位置标签标注,以生成位置标签数据;
步骤S32:通过订单追踪区块链网络对位置标签数据进行位置特征提取,以生成货物环境特征数据;
步骤S33:利用货物环境特征数据对货物动态位置地图进行真实环境渲染,以生成环境渲染贴图数据;步骤S33的具体步骤为:
步骤S331:利用货物环境特征数据对货物动态位置地图进行货物位置检测,并进行货物边界框切割,以生成边界框数据;
步骤S332:对货物动态位置地图进行细粒度分析,以生成图像细粒度数据;
步骤S333:通过图像细粒度数据对货物动态位置地图进行图像对比度增强,以生成对比增强货物动态图像;
步骤S334:将对比增强货物动态图像进行像素色度检测分析,以生成像素色度数据;
步骤S335:通过边界框数据对对比增强货物动态图像进行货物边界框剔除,以生成货物动态背景;
步骤S336:利用像素色度数据对货物动态背景进行图像综合场景分析,以生成场景描述动态背景;
步骤S337:利用场景描述动态背景对货物动态位置地图进行真实环境渲染,以生成环境渲染贴图数据;
步骤S34:对货物动态位置地图进行环境变化速度计算,以生成环境变化速度数据;
步骤S35:利用深度神经网络通过环境变化速度数据对货物动态位置地图进行动态模糊处理,生成动态模糊轨迹渲染数据;
步骤S36:通过动态模糊轨迹渲染数据对环境渲染贴图数据进行渲染参数动态调节,以生成动态渲染网络;
步骤S4:通过动态渲染网络对货物动态位置地图进行亚细粒度渲染,以构建超分辨率订单图像流;根据环境渲染贴图数据对超分辨率订单图像流进行3D环境重建,以构建3D货物环境地图;步骤S4的具体步骤为:
步骤S41:利用循环卷积网络对货物动态位置地图进行堆叠卷积,以生成货物动态卷积特征数据;
步骤S42:对货物动态卷积特征数据进行残差连接,以生成深层货物动态卷积层图像;
步骤S43:对深层货物动态卷积层图像进行多帧信息提取,以生成多帧动态卷积层图像;
步骤S44:对多帧动态卷积层图像进行动态视觉捕捉,以获取动态视觉特征卷积图像;
步骤S45:对动态视觉特征卷积图像进行跨帧融合处理,以生成跨帧疾动高分辨率图像;
步骤S46:对跨帧疾动高分辨率图像进行细粒度动态波动检测,以生成细粒度动态波动数据;
步骤S47:根据细粒度动态波动数据利用动态渲染网络对跨帧疾动高分辨率图像进行亚细粒度渲染,以构建超分辨率订单图像流;
步骤S48:根据环境渲染贴图数据对超分辨率订单图像流进行3D环境重建,以构建3D货物环境地图;步骤S48的具体步骤为:
步骤S481:将环境渲染贴图数据进行点云投影,以生成环境渲染点云图;
步骤S482:利用像素色度数据对环境渲染点云图进行颜色插值,以生成点云像素色度图;
步骤S483:根据点云像素色度图对环境渲染贴图数据进行场景几何结构拟合,生成货物环境立体结构;
步骤S484:通过环境渲染贴图数据对货物环境立体结构进行贴图纹理细节增强,以生成纹理细节增强立体结构;
步骤S485:通过纹理细节增强立体结构对超分辨率订单图像流进行3D环境重建,以构建3D货物环境地图;
步骤S5:基于货物环境数据对3D货物环境地图及订单追踪区块链网络进行虚拟模型构建,以生成订单位置元宇宙模型;步骤S5的具体步骤为:
步骤S51:根据货物实时位置信息对3D货物环境地图进行移动轨迹识别,以生成货物移动轨迹;
步骤S52:利用订单追踪区块链网络构建虚拟世界引擎;
步骤S53:将3D货物环境地图对虚拟世界引擎进行环境地图映射,以生成货物环境虚拟模型;
步骤S54:利用货物移动轨迹对货物环境虚拟模型进行虚拟模型构建,以生成订单位置元宇宙模型;
步骤S6:利用量子加密技术对订单位置元宇宙模型进行数据封装加密,以生成订单位置加密模型,并将订单位置加密模型上传至云服务器,以执行订单实时跟踪作业。
2.根据权利要求1所述的订单跟踪方法,其特征在于,步骤S1的具体步骤为:
步骤S11:获取货物订单信息数据及货物环境数据;
步骤S12:对货物订单信息进行节点划分,以生成货物订单数据节点;
步骤S13:对货物订单数据节点进行分布式结构构建,以生成订单信息分布式数据模块;
步骤S14:对订单信息分布式数据模块进行合约分析,以生成订单信息合约逻辑;
步骤S15:利用订单信息合约逻辑对订单信息分布式数据模块进行智能合约集成编辑,生成订单信息智能合约。
3.根据权利要求1所述的订单跟踪方法,其特征在于,步骤S2的具体步骤为:
步骤S21:对订单信息分布式数据模块进行去中心化网络拓扑结构构建,以生成区块链网络拓扑结构;
步骤S22:通过订单信息智能合约对区块链网络拓扑结构进行模块重构,以生成区块链创世区块;
步骤S23:利用分布式指定共识算法对区块链创世区块进行区块链网络构建,以构建订单追踪区块链网络;
步骤S24:利用GPS定位技术获取货物实时位置信息;
步骤S25:通过货物实时位置信息构建货物动态位置地图。
4.根据权利要求1所述的订单跟踪方法,其特征在于,步骤S6的具体步骤为:
步骤S61:对订单位置元宇宙模型进行数据封装,以生成元宇宙模型数据包;
步骤S62:利用量子加密技术生成量子密钥;
步骤S63:通过量子密钥对元宇宙模型数据包进行量子态数据加密,以生成订单位置加密模型;
步骤S64:将订单位置加密模型上传至云服务器,以执行订单实时跟踪作业。
5.一种订单跟踪系统,其特征在于,用于执行如权利要求1所述的订单跟踪方法,包括:
信息采集模块,获取货物订单信息及货物环境数据;对货物订单信息进行分布式结构构建,以生成订单信息分布式数据模块;对订单信息分布式数据模块进行智能合约编辑,生成订单信息智能合约;
区块链网络模块,通过订单信息智能合约对订单信息分布式数据模块进行去中心化网络结构搭建,构建订单追踪区块链网络;利用GPS定位技术获取货物实时位置信息;通过货物实时位置信息构建货物动态位置地图;
环境渲染模块,通过订单追踪区块链网络对货物环境数据进行位置特征提取,以生成货物环境特征数据;利用货物环境特征数据对货物动态位置地图进行真实环境渲染,以生成环境渲染贴图数据;利用深度神经网络对环境渲染贴图数据对渲染参数动态调节,以生成动态渲染网络;
3D环境地图模块,通过动态渲染网络对货物动态位置地图进行亚细粒度渲染,以构建超分辨率订单图像流;根据环境渲染贴图数据对超分辨率订单图像流进行3D环境重建,以构建3D货物环境地图;
元宇宙模型模块,基于货物环境数据对3D货物环境地图及订单追踪区块链网络进行虚拟模型构建,以生成订单位置元宇宙模型;
数据上传模块,利用量子加密技术对订单位置元宇宙模型进行数据封装加密,以生成订单位置加密模型,并将订单位置加密模型上传至云服务器,以执行订单实时跟踪作业。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311598041.0A CN117495232B (zh) | 2023-11-27 | 2023-11-27 | 一种订单跟踪方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311598041.0A CN117495232B (zh) | 2023-11-27 | 2023-11-27 | 一种订单跟踪方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117495232A CN117495232A (zh) | 2024-02-02 |
CN117495232B true CN117495232B (zh) | 2024-06-25 |
Family
ID=89670779
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311598041.0A Active CN117495232B (zh) | 2023-11-27 | 2023-11-27 | 一种订单跟踪方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117495232B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110019534A (zh) * | 2017-09-11 | 2019-07-16 | 埃森哲环球解决方案有限公司 | 用于货运系统的分布式账本技术 |
CN110120072A (zh) * | 2013-12-19 | 2019-08-13 | 苹果公司 | 用于跟踪移动设备的方法和系统 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106971288A (zh) * | 2017-05-31 | 2017-07-21 | 无锡井通网络科技有限公司 | 一种基于区块链的分布式物流追踪方法 |
US11038948B2 (en) * | 2018-05-24 | 2021-06-15 | Cisco Technology, Inc. | Real time updates and predictive functionality in block chain |
CN111553632A (zh) * | 2020-04-24 | 2020-08-18 | 华侨大学 | 基于物联网和区块链技术的物流管理平台与物流管理方法 |
CN115526553A (zh) * | 2021-01-15 | 2022-12-27 | 江苏新链新科技有限公司 | 一种基于区块链的分布式共享仓储系统及实现方法 |
CN115392818A (zh) * | 2021-10-19 | 2022-11-25 | 上海闵东国际物流有限公司 | 一种基于gps的货运跟踪的运输管理系统 |
CN114036224A (zh) * | 2021-10-28 | 2022-02-11 | 东软集团股份有限公司 | 区块链信息治理方法、装置、存储介质及电子设备 |
CN116363333A (zh) * | 2022-12-29 | 2023-06-30 | 天翼视讯传媒有限公司 | 一种体育赛事信息ar实时显示的方法和系统 |
CN117011378A (zh) * | 2023-07-20 | 2023-11-07 | 中国电子科技集团有限公司电子科学研究院 | 一种移动机器人目标定位、跟踪方法及相关设备 |
-
2023
- 2023-11-27 CN CN202311598041.0A patent/CN117495232B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110120072A (zh) * | 2013-12-19 | 2019-08-13 | 苹果公司 | 用于跟踪移动设备的方法和系统 |
CN110019534A (zh) * | 2017-09-11 | 2019-07-16 | 埃森哲环球解决方案有限公司 | 用于货运系统的分布式账本技术 |
Also Published As
Publication number | Publication date |
---|---|
CN117495232A (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11250631B1 (en) | Systems and methods for enhancing and developing accident scene visualizations | |
US10996915B2 (en) | Surrogate visitor mixed-reality live environment sharing system with remote visitors | |
US9058669B2 (en) | Incorporating video meta-data in 3D models | |
US10607409B2 (en) | Synthetic geotagging for computer-generated images | |
CN112581567B (zh) | 图像处理方法、装置、电子设备及计算机可读存储介质 | |
US11403822B2 (en) | System and methods for data transmission and rendering of virtual objects for display | |
WO2020051160A1 (en) | Spatial transaction protocol | |
CN114600153A (zh) | 用于多角度屏幕覆盖分析的设备 | |
CN117495232B (zh) | 一种订单跟踪方法及系统 | |
Zhang et al. | Video extrapolation in space and time | |
Gomes Jr et al. | Semi-automatic methodology for augmented panorama development in industrial outdoor environments | |
Bai et al. | Cyber mobility mirror for enabling cooperative driving automation: A co-simulation platform | |
Chemodanov et al. | Fog Computing to Enable Geospatial Video Analytics for Disaster‐incident Situational Awareness | |
US10956981B1 (en) | Systems and methods for visualizing an accident scene | |
Hempe et al. | A semantics-based, active render framework to realize complex eRobotics applications with realistic virtual testing environments | |
Shahabi et al. | Geodec: Enabling geospatial decision making | |
Ren et al. | T-UNet: A novel TC-based point cloud super-resolution model for mechanical lidar | |
Zhao et al. | CollaborativeBEV: Collaborative bird eye view for reconstructing crowded environment | |
Prakash et al. | 3D Mapping and Exploration Using Autonomous Robots and NeRF | |
Wei | Research on Smart City Platform Based on 3D Video Fusion | |
Hussein et al. | Deep Learning in Distance Awareness Using Deep Learning Method | |
CN116977545A (zh) | 三维模型显示方法、装置、计算机设备和存储介质 | |
CN116486053A (zh) | 基于深度学习语义分割算法的远程交互方法及装置、ar设备 | |
Xia et al. | Enhancing 3D object detection through multi-modal fusion for cooperative perception | |
IT202000005521U1 (it) | Metodo per selezionare e ottenere una serie di scatti fotografici unici tramite tecniche di luci e posizionamenti innovativi. |
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 |