CN117496066A - 基于仓储实时数据的仓储货物3d渲染系统及其方法 - Google Patents

Abstract

本申请公开了一种基于仓储实时数据的仓储货物3D渲染系统及其方法，其通过在采集到当前时刻的仓储数据后，利用上一时刻的仓储数据和仓储货物3D渲染图，并引入数据处理和分析算法来进行这些数据的协同分析以生成当前时刻的仓储货物3D渲染图，通过这样的方式，能够基于上一时刻的仓储货物数据和3D渲染图来提供实时的仓储货物三维视觉效果，以在显示仓储货物3D效果图时考虑到预定区域的分布特征，从而提高仓储管理的效率和准确性，并增强仓储安全和监控能力。

Description

基于仓储实时数据的仓储货物3D渲染系统及其方法

技术领域

本申请涉及智能管理领域，且更为具体地，涉及一种基于仓储实时数据的仓储货物3D渲染系统及其方法。

背景技术

随着数字化和物联网技术的发展，仓储管理系统在大宗商品交易中起着关键作用。然而，传统的数字仓库系统主要以平面图形式展示仓库内的货物布局，无法提供直观的三维视觉效果。此外，在大宗商品交易中，客户对于货物状态的实时了解非常重要，而传统的数字仓库管理系统中对于数字仓库的状态更新速度较慢，无法实时同步仓库内的信息。或者，现有一些管理系统中虽然能够同步数字仓库状态信息，但无法在数字仓库中直观地展现出来，降低了仓储管理的效率和直观性。

因此，期望一种基于仓储实时数据的仓储货物3D渲染系统。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于仓储实时数据的仓储货物3D渲染系统及其方法，其通过在采集到当前时刻的仓储数据后，利用上一时刻的仓储数据和仓储货物3D渲染图，并引入数据处理和分析算法来进行这些数据的协同分析以生成当前时刻的仓储货物3D渲染图，通过这样的方式，能够基于上一时刻的仓储货物数据和3D渲染图来提供实时的仓储货物三维视觉效果，以在显示仓储货物3D效果图时考虑到预定区域的分布特征，从而提高仓储管理的效率和准确性，并增强仓储安全和监控能力。

根据本申请的一个方面，提供了一种基于仓储实时数据的仓储货物3D渲染系统，其包括：

仓储数据采集模块，用于获取上一时刻的仓储数据和当前时刻的仓储数据；

仓储货物3D渲染图采集模块，用于获取所述上一时刻的仓储货物3D渲染图；

仓储变化语义理解模块，用于基于所述上一时刻的仓储数据和所述当前时刻的仓储数据，计算仓储数据之间的仓储变化语义理解特征；

仓储货物3D渲染图实时生成模块，用于基于所述仓储变化语义理解特征，对所述上一时刻的仓储货物3D渲染图进行分析和对抗生成以得到当前时刻的仓储货物3D渲染图。

根据本申请的另一个方面，提供了一种基于仓储实时数据的仓储货物3D渲染方法，其包括：

获取上一时刻的仓储数据和当前时刻的仓储数据；

获取所述上一时刻的仓储货物3D渲染图；

基于所述上一时刻的仓储数据和所述当前时刻的仓储数据，计算仓储数据之间的仓储变化语义理解特征；

基于所述仓储变化语义理解特征，对所述上一时刻的仓储货物3D渲染图进行分析和对抗生成以得到当前时刻的仓储货物3D渲染图。

与现有技术相比，本申请提供的一种基于仓储实时数据的仓储货物3D渲染系统及其方法，其通过在采集到当前时刻的仓储数据后，利用上一时刻的仓储数据和仓储货物3D渲染图，并引入数据处理和分析算法来进行这些数据的协同分析以生成当前时刻的仓储货物3D渲染图，通过这样的方式，能够基于上一时刻的仓储货物数据和3D渲染图来提供实时的仓储货物三维视觉效果，以在显示仓储货物3D效果图时考虑到预定区域的分布特征，从而提高仓储管理的效率和准确性，并增强仓储安全和监控能力。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1为根据本申请实施例的基于仓储实时数据的仓储货物3D渲染系统的框图；

图2为根据本申请实施例的基于仓储实时数据的仓储货物3D渲染系统的系统架构图；

图3为根据本申请实施例的基于仓储实时数据的仓储货物3D渲染系统中仓储变化语义理解模块的框图；

图4为根据本申请实施例的基于仓储实时数据的仓储货物3D渲染系统中仓储货物3D渲染图实时生成模块的框图；

图5为根据本申请实施例的基于仓储实时数据的仓储货物3D渲染系统中仓储信息和货物渲染图语义融合单元的框图；

图6为根据本申请实施例的基于仓储实时数据的仓储货物3D渲染系统中仓储货物3D渲染图对抗生成单元的框图；

图7为根据本申请实施例的基于仓储实时数据的仓储货物3D渲染方法的流程图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。

虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。

本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

传统的数字仓库管理系统中对于数字仓库的状态更新速度较慢，无法实时同步仓库内的信息。或者，现有一些管理系统中虽然能够同步数字仓库状态信息，但无法在数字仓库中直观地展现出来，降低了仓储管理的效率和直观性。因此，期望一种基于仓储实时数据的仓储货物3D渲染系统。

在本申请的技术方案中，提出了一种基于仓储实时数据的仓储货物3D渲染系统。图1为根据本申请实施例的基于仓储实时数据的仓储货物3D渲染系统的框图。图2为根据本申请实施例的基于仓储实时数据的仓储货物3D渲染系统的系统架构图。如图1和图2所示，根据本申请的实施例的基于仓储实时数据的仓储货物3D渲染系统300，包括：仓储数据采集模块310，用于获取上一时刻的仓储数据和当前时刻的仓储数据；仓储货物3D渲染图采集模块320，用于获取所述上一时刻的仓储货物3D渲染图；仓储变化语义理解模块330，用于基于所述上一时刻的仓储数据和所述当前时刻的仓储数据，计算仓储数据之间的仓储变化语义理解特征；仓储货物3D渲染图实时生成模块340，用于基于所述仓储变化语义理解特征，对所述上一时刻的仓储货物3D渲染图进行分析和对抗生成以得到当前时刻的仓储货物3D渲染图。

特别地，所述仓储数据采集模块310和所述仓储货物3D渲染图采集模块320，用于获取上一时刻的仓储数据和当前时刻的仓储数据；以及，获取所述上一时刻的仓储货物3D渲染图。其中，所述仓储数据包括库存数量、入库数据、出库数据、库存变动记录等等；以及，所述仓储货物的3D渲染图是指通过计算机图形技术将仓储场景和货物以三维形式呈现的图像或动画。它可以模拟和展示仓库内货物的布局、摆放和空间利用情况，以及货物与仓库设施之间的关系。

特别地，所述仓储变化语义理解模块330，用于基于所述上一时刻的仓储数据和所述当前时刻的仓储数据，计算仓储数据之间的仓储变化语义理解特征。特别地，在本申请的一个具体示例中，如图3所示，所述仓储变化语义理解模块330，包括：仓储变化数据计算单元331，用于计算所述上一时刻的仓储数据和所述当前时刻的仓储数据之间的逐属性项差值以得到仓储变化数据；仓储变化语义理解单元332，用于对所述仓储变化数据进行语义编码以得到仓储变化语义理解特征向量作为所述仓储变化语义理解特征。

具体地，所述仓储变化数据计算单元331，用于计算所述上一时刻的仓储数据和所述当前时刻的仓储数据之间的逐属性项差值以得到仓储变化数据。应可以理解，为了能够在三维数字仓库的预定区域显示仓储货物3D效果图时考虑到预定区域的情况，例如不能突出，也不能堆放无序，需要利用所述上一时刻的仓储货物3D渲染图，并利用上一时刻和当前时刻的仓储数据差异特征信息。因此，在本申请的技术方案中，为了捕捉仓储状态的变化，并在渲染过程中进行相应的调整，以保持仓储货物的实时性和准确性，需要进一步计算所述上一时刻的仓储数据和所述当前时刻的仓储数据之间的逐属性项差值以得到仓储变化数据，即仓储数据在两个时刻之间发生的变化情况。

值得注意的是，逐属性项差值是指在数据分析中，对于两个时间点或两个数据集之间的每个属性，计算其差异或变化的值。当涉及到比较两个时间点的数据或两个数据集的属性时，逐属性项差值可以提供详细的属性级别的变化信息。它可以帮助我们了解每个属性在不同时间或不同数据集之间的具体变化情况，而不仅仅是整体的差异。逐属性项差值可以应用于各种数据分析场景，包括但不限于仓储数据、销售数据、生产数据等。

具体地，所述仓储变化语义理解单元332，用于对所述仓储变化数据进行语义编码以得到仓储变化语义理解特征向量作为所述仓储变化语义理解特征。在本申请的技术方案中，为了能够对于所述仓储变化数据进行语义理解，以便于后续对于仓储变化情况分析和当前时刻的仓储货物3D渲染图进行生成，在本申请的技术方案中，进一步对所述仓储变化数据进行语义编码以得到仓储变化语义理解特征向量。应可以理解，通过语义编码可以将所述仓储变化数据转化为机器可理解的语义表示形式。这样，系统可以理解仓储变化的含义和影响，例如货物的移动、堆叠或数量变化等。这有助于系统更好地理解和推断仓储状态的变化，并做出相应的处理和决策。同时，由于所述仓储变化数据中可能包含大量的细节和冗余信息。通过语义编码，可以提取出仓储变化的关键特征，去除不必要的信息，从而减少数据的维度和复杂性。这有助于系统更有效地处理和分析仓储变化数据。

相应的，在一种可能的实现方式中，可通过以下步骤对所述仓储变化数据进行语义编码以得到仓储变化语义理解特征向量作为所述仓储变化语义理解特征,例如：对所述仓储变化数据进行分词处理以将所述仓储变化数据转化为由多个词组成的词序列；使用所述包含嵌入层的语义编码器的嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列；使用所述包含嵌入层的语义编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量；以及，将所述多个全局上下文语义特征向量进行级联以得到所述仓储变化语义理解特征向量。值得一提的是，所述语义编码器是一种用于将文本或语言数据转换为语义表示的模型或算法。它通常用于将自然语言文本转换为向量表示，以捕捉文本的语义信息。以下是几种常见的语义编码器：词嵌入模型：词嵌入模型将每个单词映射到一个低维向量空间中的向量表示。这些向量捕捉了单词之间的语义和语法关系。常见的词嵌入模型包括Word2Vec、GloVe和FastText等；循环神经网络：RNN是一种递归神经网络，可以处理序列数据。它通过在每个时间步骤上将当前输入和前一个时间步骤的隐藏状态进行组合，来捕捉序列中的上下文信息。RNN在处理自然语言文本时常用于语义编码；长短时记忆网络：LSTM是一种特殊类型的RNN，通过引入门控机制来解决传统RNN中的梯度消失和梯度爆炸问题。它能够更好地捕捉长期依赖关系，适用于语义编码任务；Transformer模型：Transformer是一种基于自注意力机制的模型，用于处理序列数据。它不依赖于递归结构，可以并行计算，因此在处理长序列时具有优势。Transformer在自然语言处理任务中广泛应用，包括语义编码。

值得一提的是，在本申请的其他具体示例中，还可以通过其他方式基于所述上一时刻的仓储数据和所述当前时刻的仓储数据，计算仓储数据之间的仓储变化语义理解特征，例如：对上一时刻的仓储数据和当前时刻的仓储数据进行对齐，确保相同位置的货物能够对应起来；根据对齐后的数据，计算上一时刻的仓储数据和当前时刻的仓储数据之间的变化情况；根据仓储数据的变化情况，提取关键的语义理解特征；将提取的语义理解特征表示为向量或其他形式的数值表示，以便后续处理和分析。

特别地，所述仓储货物3D渲染图实时生成模块340，用于基于所述仓储变化语义理解特征，对所述上一时刻的仓储货物3D渲染图进行分析和对抗生成以得到当前时刻的仓储货物3D渲染图。特别地，在本申请的一个具体示例中，如图4所示，所述仓储货物3D渲染图实时生成模块340，包括：仓储信息和货物渲染图语义融合单元341，用于将所述仓储货物3D渲染图和所述仓储变化语义理解特征向量通过MetaNet模块以得到融合仓储变化信息的仓储货物3D特征图；仓储货物3D渲染图对抗生成单元342，用于将所述融合仓储变化信息的仓储货物3D特征图通过基于对抗生成网络的渲染器以得到所述当前时刻的仓储货物3D渲染图。

具体地，所述仓储信息和货物渲染图语义融合单元341，用于将所述仓储货物3D渲染图和所述仓储变化语义理解特征向量通过MetaNet模块以得到融合仓储变化信息的仓储货物3D特征图。应可以理解，由于所述仓储货物3D渲染图提供了直观的视觉信息，展示了仓储中货物的位置、形状和外观等情况，而所述仓储变化语义理解特征向量则提供了对仓储变化的语义理解和抽象表示。通过将这两种信息融合在一起，可以综合利用它们的优势，提供更全面、准确的仓储状态描述，有利于后续在进行当前时刻的仓储货物3D渲染图的生成时考虑到上一时刻的仓储货物3D渲染图情况，即预定区域的分布特征，以避免出现突出和堆放无序的问题。因此，在本申请的技术方案中，进一步将所述仓储货物3D渲染图和所述仓储变化语义理解特征向量通过MetaNet模块以得到融合仓储变化信息的仓储货物3D特征图。也就是说，通过MetaNet模块的融合操作，可以将所述仓储变化语义理解特征向量与所述仓储货物3D渲染图中的特征信息进行交互和增强。这样，可以使得所述融合仓储变化信息的仓储货物3D特征图中的每个像素点都包含更丰富、更准确的信息，有助于提高仓储状态的表示和分析能力。特别地，在本申请的一个具体示例中，如图5所示，所述仓储信息和货物渲染图语义融合单元341，包括：仓储货物3D渲染特征提取子单元3411，用于将所述仓储货物3D渲染图通过所述MetaNet模块的三维卷积神经网络模型以得到仓储货物3D渲染特征图；仓储变化语义特征线性修正子单元3412，用于将所述仓储变化语义理解特征向量通过所述MetaNet模块的第一卷积层后再通过ReLU函数进行线性修正以得到线性修正后仓储变化语义理解特征向量；仓储变化语义特征激活子单元3413，用于将所述线性修正后仓储变化语义理解特征向量通过所述MetaNet模块的第二卷积层后再通过Sigmoid 函数进行处理以得到激活后仓储变化语义理解特征向量；特征融合编码子单元3414，用于以所述激活后仓储变化语义理解特征向量对所述仓储货物3D渲染特征图进行沿通道维度加权融合以得到所述融合仓储变化信息的仓储货物3D特征图。

更具体地，所述仓储货物3D渲染特征提取子单元3411，用于将所述仓储货物3D渲染图通过所述MetaNet模块的三维卷积神经网络模型以得到仓储货物3D渲染特征图。通过使用三维卷积神经网络模型，可以从仓储货物的3D渲染图中提取有意义的特征。通过多个卷积层和池化层，网络可以学习到仓储货物的局部和全局特征，捕捉到不同尺度的结构信息。在一个示例中，所述仓储货物3D渲染特征提取子单元3411，包括：使用所述MetaNet模块的三维卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述MetaNet模块的三维卷积神经网络模型的最后一层的输出为所述仓储货物3D渲染特征图，所述MetaNet模块的三维卷积神经网络模型的第一层的输入为所述仓储货物3D渲染图。

值得注意的是，三维卷积神经网络（3D Convolutional Neural Network，3D CNN）是一种用于处理三维数据的深度学习模型。与传统的二维卷积神经网络（2D CNN）相比，3DCNN可以有效地处理具有时间维度的数据，例如视频、医学影像和动态体积数据。3D CNN的基本结构与2D CNN相似，但在卷积操作中引入了时间维度。它使用三维卷积核（3D kernel）对输入数据进行卷积操作，同时考虑了空间和时间上的特征。通过在三个维度上滑动卷积核，3D CNN可以捕捉到数据中的空间和时间相关性。

更具体地，所述仓储变化语义特征线性修正子单元3412，用于将所述仓储变化语义理解特征向量通过所述MetaNet模块的第一卷积层后再通过ReLU函数进行线性修正以得到线性修正后仓储变化语义理解特征向量。应可以理解，ReLU函数（修正线性单元）是一种常用的激活函数，它能够引入非线性性质，通过将仓储变化语义理解特征向量通过MetaNet模块的第一卷积层后再通过ReLU函数进行线性修正，可以增强特征的非线性表达能力，增强特征向量中的有用信息。

更具体地，所述仓储变化语义特征激活子单元3413，用于将所述线性修正后仓储变化语义理解特征向量通过所述MetaNet模块的第二卷积层后再通过Sigmoid 函数进行处理以得到激活后仓储变化语义理解特征向量。应可以理解，通过Sigmoid函数的非线性映射可以引入非线性变换。这有助于提取更复杂的特征和模式，使得特征向量能够更好地表示仓储变化的语义信息；Sigmoid函数的输出可以被解释为对应位置的激活强度。较大的输出值表示更高的激活程度，而较小的输出值表示较低的激活程度。这有助于突出重要的特征和信息，使得后续的任务能够更好地关注和利用这些重要的特征。

更具体地，所述特征融合编码子单元3414，用于以所述激活后仓储变化语义理解特征向量对所述仓储货物3D渲染特征图进行沿通道维度加权融合以得到所述融合仓储变化信息的仓储货物3D特征图。应可以理解，仓储变化语义理解特征向量包含了对仓储变化的语义理解信息，而仓储货物的3D渲染特征图则提供了对货物的几何形状和外观的描述。通过对特征图进行沿通道维度的加权融合，可以将这两种信息融合在一起，从而得到融合了仓储变化信息的3D特征图。这有助于综合考虑仓储变化和货物特征，提供更全面和准确的特征表示

值得一提的是，在本申请的其他具体示例中，还可以通过其他方式将所述仓储货物3D渲染图和所述仓储变化语义理解特征向量通过MetaNet模块以得到融合仓储变化信息的仓储货物3D特征图，例如：使用语义编码器对仓储变化数据进行编码，生成仓储变化语义理解特征向量；MetaNet模块是一个用于融合仓储变化信息的模块。它可以是一个神经网络模型，接受仓储货物3D渲染图和仓储变化语义理解特征向量作为输入，并输出融合了变化信息的仓储货物3D特征图；将仓储货物的3D渲染图和仓储变化语义理解特征向量作为输入提供给MetaNet模块；MetaNet模块使用输入的3D渲染图和特征向量进行特征融合；MetaNet模块输出融合了仓储变化信息的仓储货物3D特征图。

具体地，所述仓储货物3D渲染图对抗生成单元342，用于将所述融合仓储变化信息的仓储货物3D特征图通过基于对抗生成网络的渲染器以得到所述当前时刻的仓储货物3D渲染图。特别地，在本申请的一个具体示例中，如图6所示，所述仓储货物3D渲染图对抗生成单元342，包括：特征分布优化子单元3421，用于对所述融合仓储变化信息的仓储货物3D特征图进行特征分布优化以得到优化融合仓储变化信息的仓储货物3D特征图；以及，3D渲染图对抗生成子单元3422，用于将所述优化融合仓储变化信息的仓储货物3D特征图通过基于对抗生成网络的渲染器以得到所述当前时刻的仓储货物3D渲染图。

更具体地，所述特征分布优化子单元3421，用于对所述融合仓储变化信息的仓储货物3D特征图进行特征分布优化以得到优化融合仓储变化信息的仓储货物3D特征图。在一个示例中，所述特征分布优化子单元3421，包括：计算所述仓储货物3D渲染特征图沿通道维度的每个特征矩阵的全局均值以得到仓储货物3D渲染特征向量；以所述仓储货物3D渲染特征向量对所述仓储变化语义理解特征向量进行优化以得到优化后仓储变化语义理解特征向量；以所述优化后仓储变化语义理解特征向量对所述仓储货物3D渲染特征图进行沿通道维度的加权融合以得到所述优化融合仓储变化信息的仓储货物3D特征图。特别地，在本申请的技术方案中，将所述仓储货物3D渲染图和所述仓储变化语义理解特征向量通过MetaNet模块时，首先将所述仓储货物3D渲染图通过卷积神经网络以得到仓储货物3D渲染特征图，由此，所述仓储货物3D渲染特征图的各个特征矩阵表达所述仓储货物3D渲染图的图像语义特征，而在通道维度上符合所述卷积神经网络的通道分布。

这里，在以所述仓储变化语义理解特征向量对所述仓储货物3D渲染特征图进行沿通道维度的图像语义特征空间分布权重约束时，考虑到所述仓储货物3D渲染特征图在语义空间内的特征表达强度上要远高于所述仓储变化语义理解特征向量，也就是，所述仓储货物3D渲染特征图的通道维度特征表达可以被视为所述仓储变化语义理解特征向量的插值式特征混合增强。

因此，为了提升所述仓储变化语义理解特征向量在所述仓储货物3D渲染特征图的通道维度特征表达一致性基础上的权重约束效果，本申请申请人首先计算所述仓储货物3D渲染特征图的每个特征矩阵的全局均值以获得仓储货物3D渲染特征向量，例如记为，再以所述仓储货物3D渲染特征向量对所述仓储变化语义理解特征向量，例如记为/>进行优化，以获得优化仓储变化语义理解特征向量，例如记为/>，表示为：以如下优化公式对以所述仓储货物3D渲染特征向量对所述仓储变化语义理解特征向量进行优化以得到所述优化后仓储变化语义理解特征向量；其中，所述优化公式为：其中，/>是所述仓储货物3D渲染特征向量，/>是所述仓储变化语义理解特征向量，/>和/>分别表示所述仓储货物3D渲染特征向量/>和所述仓储变化语义理解特征向量/>的全局最大值的倒数，/>是单位向量，且/>表示对所述仓储变化语义理解特征向量/>的逐位置特征值取倒数，/>表示按位置点乘，/>表示按位置相加，/>表示按位置相减，/>表示过渡特征向量，/>是所述优化后仓储变化语义理解特征向量。

具体地，针对在基于MetaNet模块的通道维度约束过程中对于约束特征向量的插值式特征混合增强，基于插值正则化的思想，通过将离群特征的特征映射解除混合，使得高维特征流形基于归纳偏差而恢复到以弱增强为基础的流形几何形状，实现基于特征提取的插值样本和插值预测的一致性特征增强映射，以在保持所述仓储货物3D渲染特征向量和所述仓储变化语义理解特征向量/>的表达一致性的同时获得插值式特征混合增强效果。这样，再以所述优化后的仓储变化语义理解特征向量/>来对所述仓储货物3D渲染特征图进行通道加权，就可以提升得到的所述融合仓储变化信息的仓储货物3D特征图的特征表达效果，从而提升其通过基于对抗生成网络的渲染器得到的当前时刻的仓储货物3D渲染图的图像质量。这样，能够基于上一时刻的仓储货物数据和3D渲染图来提供实时的仓储货物三维视觉效果，以在实时显示仓储货物3D效果图时考虑到预定区域的仓储货物情况，从而提高仓储管理的效率和准确性，并增强仓储安全和监控能力。

更具体地，所述3D渲染图对抗生成子单元3422，用于将所述优化融合仓储变化信息的仓储货物3D特征图通过基于对抗生成网络的渲染器以得到所述当前时刻的仓储货物3D渲染图。也就是，将所述优化融合仓储变化信息的仓储货物3D特征图通过基于对抗生成网络的渲染器以得到当前时刻的仓储货物3D渲染图。应可以理解，仓储状态是动态变化的，仓储中的货物位置、数量和属性等可能随时间发生变化。因此，通过将融合了仓储变化特征信息的仓储货物3D特征图输入所述基于对抗生成网络的渲染器，可以根据最新的仓储状态生成当前时刻的仓储货物3D渲染图。这样，可以实现对仓储状态的动态更新和呈现，确保渲染结果与实际情况保持一致。

值得注意的是，对抗生成网络（Generative Adversarial Networks，简称GAN）是一种由生成器和判别器组成的神经网络框架，用于生成逼真的样本数据。GAN的目标是通过生成器生成的样本与真实样本之间的对抗训练，逐步提升生成器的生成能力，使其能够生成与真实样本难以区分的新样本。GAN的基本原理是通过训练生成器和判别器两个网络的对抗过程来实现。生成器接受一个随机噪声向量作为输入，并生成一个与真实样本类似的样本。判别器则接受生成器生成的样本和真实样本作为输入，并尝试区分它们的来源。生成器的目标是欺骗判别器，使其无法准确区分生成样本和真实样本，而判别器的目标是尽可能准确地区分它们。

值得一提的是，在本申请的其他具体示例中，还可以通过其他方式将所述融合仓储变化信息的仓储货物3D特征图通过基于对抗生成网络的渲染器以得到所述当前时刻的仓储货物3D渲染图，例如：设计生成器网络，它接受融合特征图作为输入，并输出当前时刻的仓储货物3D渲染图。生成器通常采用卷积神经网络（CNN）或者变分自编码器（VAE）等结构；设计判别器网络，它接受当前时刻的仓储货物3D渲染图和真实的仓储货物3D渲染图作为输入，并输出一个判别结果，表示输入图像是真实的还是生成的。判别器也通常采用CNN结构；将融合了仓储变化信息的仓储货物3D特征图输入生成器，生成当前时刻的仓储货物3D渲染图。

值得一提的是，在本申请的其他具体示例中，还可以通过其他方式基于所述仓储变化语义理解特征，对所述上一时刻的仓储货物3D渲染图进行分析和对抗生成以得到当前时刻的仓储货物3D渲染图，例如：准备上一时刻的仓储货物3D渲染图作为生成器的输入数据；对上一时刻的仓储货物3D渲染图进行语义理解，提取关键的语义特征，这可以通过使用卷积神经网络（CNN）或其他图像特征提取方法来实现；设计生成器网络，它接受语义理解特征作为输入，并输出当前时刻的仓储货物3D渲染图；设计判别器网络，它接受当前时刻的仓储货物3D渲染图和真实的仓储货物3D渲染图作为输入，并输出一个判别结果，表示输入图像是真实的还是生成的；进行对抗训练，即交替地训练生成器和判别器；使用训练好的生成器网络，将语义理解特征作为输入，生成当前时刻的仓储货物3D渲染图。

如上所述，根据本申请实施例的基于仓储实时数据的仓储货物3D渲染系统300可以实现在各种无线终端中，例如具有基于仓储实时数据的仓储货物3D渲染算法的服务器等。在一种可能的实现方式中，根据本申请实施例的基于仓储实时数据的仓储货物3D渲染系统300可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该基于仓储实时数据的仓储货物3D渲染系统300可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该基于仓储实时数据的仓储货物3D渲染系统300同样可以是该无线终端的众多硬件模块之一。

替换地，在另一示例中，该基于仓储实时数据的仓储货物3D渲染系统300与该无线终端也可以是分立的设备，并且该基于仓储实时数据的仓储货物3D渲染系统300可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。

进一步地，还提供一种基于仓储实时数据的仓储货物3D渲染方法。

图7为根据本申请实施例的基于仓储实时数据的仓储货物3D渲染方法的流程图。如图7所示，根据本申请实施例的基于仓储实时数据的仓储货物3D渲染方法，包括步骤：S1，获取上一时刻的仓储数据和当前时刻的仓储数据；S2，获取所述上一时刻的仓储货物3D渲染图；S3，基于所述上一时刻的仓储数据和所述当前时刻的仓储数据，计算仓储数据之间的仓储变化语义理解特征；S4，基于所述仓储变化语义理解特征，对所述上一时刻的仓储货物3D渲染图进行分析和对抗生成以得到当前时刻的仓储货物3D渲染图。

综上，根据本申请实施例的基于仓储实时数据的仓储货物3D渲染方法被阐明，其通过在采集到当前时刻的仓储数据后，利用上一时刻的仓储数据和仓储货物3D渲染图，并引入数据处理和分析算法来进行这些数据的协同分析以生成当前时刻的仓储货物3D渲染图，通过这样的方式，能够基于上一时刻的仓储货物数据和3D渲染图来提供实时的仓储货物三维视觉效果，以在显示仓储货物3D效果图时考虑到预定区域的分布特征，从而提高仓储管理的效率和准确性，并增强仓储安全和监控能力。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (8)

1.一种基于仓储实时数据的仓储货物3D渲染系统，其特征在于，包括：

仓储数据采集模块，用于获取上一时刻的仓储数据和当前时刻的仓储数据；

仓储货物3D渲染图采集模块，用于获取所述上一时刻的仓储货物3D渲染图；

仓储变化语义理解模块，用于基于所述上一时刻的仓储数据和所述当前时刻的仓储数据，计算仓储数据之间的仓储变化语义理解特征；

仓储货物3D渲染图实时生成模块，用于基于所述仓储变化语义理解特征，对所述上一时刻的仓储货物3D渲染图进行分析和对抗生成以得到当前时刻的仓储货物3D渲染图。

2.根据权利要求1所述的基于仓储实时数据的仓储货物3D渲染系统，其特征在于，所述仓储变化语义理解模块，包括：

仓储变化数据计算单元，用于计算所述上一时刻的仓储数据和所述当前时刻的仓储数据之间的逐属性项差值以得到仓储变化数据；

仓储变化语义理解单元，用于对所述仓储变化数据进行语义编码以得到仓储变化语义理解特征向量作为所述仓储变化语义理解特征。

3.根据权利要求2所述的基于仓储实时数据的仓储货物3D渲染系统，其特征在于，所述仓储货物3D渲染图实时生成模块，包括：

仓储信息和货物渲染图语义融合单元，用于将所述仓储货物3D渲染图和所述仓储变化语义理解特征向量通过MetaNet模块以得到融合仓储变化信息的仓储货物3D特征图；

仓储货物3D渲染图对抗生成单元，用于将所述融合仓储变化信息的仓储货物3D特征图通过基于对抗生成网络的渲染器以得到所述当前时刻的仓储货物3D渲染图。

4.根据权利要求3所述的基于仓储实时数据的仓储货物3D渲染系统，其特征在于，所述仓储信息和货物渲染图语义融合单元，包括：

仓储货物3D渲染特征提取子单元，用于将所述仓储货物3D渲染图通过所述MetaNet模块的三维卷积神经网络模型以得到仓储货物3D渲染特征图；

仓储变化语义特征线性修正子单元，用于将所述仓储变化语义理解特征向量通过所述MetaNet模块的第一卷积层后再通过ReLU函数进行线性修正以得到线性修正后仓储变化语义理解特征向量；

仓储变化语义特征激活子单元，用于将所述线性修正后仓储变化语义理解特征向量通过所述MetaNet模块的第二卷积层后再通过Sigmoid 函数进行处理以得到激活后仓储变化语义理解特征向量；

特征融合编码子单元，用于以所述激活后仓储变化语义理解特征向量对所述仓储货物3D渲染特征图进行沿通道维度加权融合以得到所述融合仓储变化信息的仓储货物3D特征图。

5. 根据权利要求4所述的基于仓储实时数据的仓储货物3D渲染系统，其特征在于，所述仓储货物3D渲染图对抗生成单元，包括：

特征分布优化子单元，用于对所述融合仓储变化信息的仓储货物3D特征图进行特征分布优化以得到优化融合仓储变化信息的仓储货物3D特征图；以及

3D渲染图对抗生成子单元，用于将所述优化融合仓储变化信息的仓储货物3D特征图通过基于对抗生成网络的渲染器以得到所述当前时刻的仓储货物3D渲染图。

6.根据权利要求5所述的基于仓储实时数据的仓储货物3D渲染系统，其特征在于，所述特征分布优化子单元，包括：

降维二级子单元，用于计算所述仓储货物3D渲染特征图沿通道维度的每个特征矩阵的全局均值以得到仓储货物3D渲染特征向量；

优化融合二级子单元，用于以所述仓储货物3D渲染特征向量对所述仓储变化语义理解特征向量进行优化以得到优化后仓储变化语义理解特征向量；

加权融合二级子单元，用于以所述优化后仓储变化语义理解特征向量对所述仓储货物3D渲染特征图进行沿通道维度的加权融合以得到所述优化融合仓储变化信息的仓储货物3D特征图。

7.根据权利要求6所述的基于仓储实时数据的仓储货物3D渲染系统，其特征在于，所述基于对抗生成网络的渲染器包括鉴别器和生成器。

8.一种基于仓储实时数据的仓储货物3D渲染方法，其特征在于，包括：

获取上一时刻的仓储数据和当前时刻的仓储数据；

获取所述上一时刻的仓储货物3D渲染图；

基于所述上一时刻的仓储数据和所述当前时刻的仓储数据，计算仓储数据之间的仓储变化语义理解特征；

基于所述仓储变化语义理解特征，对所述上一时刻的仓储货物3D渲染图进行分析和对抗生成以得到当前时刻的仓储货物3D渲染图。