CN117809066A - 一种卷烟交付目的地一致性检验系统、方法、设备及介质 - Google Patents
一种卷烟交付目的地一致性检验系统、方法、设备及介质 Download PDFInfo
- Publication number
- CN117809066A CN117809066A CN202410232222.XA CN202410232222A CN117809066A CN 117809066 A CN117809066 A CN 117809066A CN 202410232222 A CN202410232222 A CN 202410232222A CN 117809066 A CN117809066 A CN 117809066A
- Authority
- CN
- China
- Prior art keywords
- matching
- retail store
- cigarette
- photo
- feature
- 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
- 235000019504 cigarettes Nutrition 0.000 title claims abstract description 200
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000000605 extraction Methods 0.000 claims abstract description 43
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012544 monitoring process Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 abstract description 6
- 238000013135 deep learning Methods 0.000 abstract description 5
- 241000208125 Nicotiana Species 0.000 description 12
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 12
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000013598 vector Substances 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
- Image Analysis (AREA)
Abstract
本申请公开了一种卷烟交付目的地一致性检验系统、方法、设备及介质，涉及深度学习领域，包括：图像预处理模块，用于获取当前卷烟零售店照片，对当前卷烟零售店照片进行预处理，得到处理后图像；特征提取模块，用于基于图形特征提取模型对处理后图像进行特征提取，确定处理后图像的目标特征点；特征匹配模块，用于利用特征匹配模型并基于目标特征点将当前卷烟零售店照片与保存的卷烟零售店照片进行图像特征点匹配，基于匹配结果进行分析以确定当前卷烟零售店照片与保存的卷烟零售店照片的匹配值；判断模块，用于判断匹配值与预设匹配阈值的大小关系，根据判断结果确定卷烟交付目的地的一致性。本申请能够在减少人工操作的基础上提高匹配的准确性。
Description
技术领域
本发明涉及深度学习领域，特别涉及一种卷烟交付目的地一致性检验系统、方法、设备及介质。
背景技术
妥善管理和监控烟草零售店对烟草行业具有重大意义。这不仅关乎合规性问题的严格执行，更是保障烟草物流运输和分销效率顺畅运行的关键因素。传统上，烟草公司依赖送货员和零售商之间的良好沟通，以及公司员工的人工检查来确保烟草送达正确的零售点。这包括了送货员拍摄送货现场照片，公司员工随后对照片进行人工比对，以确认送货地点。然而，这一过程存在多个挑战和限制：1）人力资源消耗：人工比对大量照片需要投入大量员工时间，这既费时又费力。2）比对错误：由于依赖于人眼判断，这一过程容易出错，尤其是在高压和忙碌的工作环境中。3）响应时效：在发现照片不匹配时，通常需要额外时间和资源来纠正错误，这可能导致延误和额外的成本。因此，如何减少人力资源消耗，并提高匹配的准确性和效率是目前亟待解决的问题。
发明内容
有鉴于此，本发明的目的在于提供一种卷烟交付目的地一致性检验系统、方法、设备及介质，能够极大地减少人力资源消耗，还可以提高匹配的准确性和效率，从而保障烟草分销的流畅和准确，并且最大限度地减少操作延误和相关成本。其具体方案如下：
第一方面，本申请公开了一种卷烟交付目的地一致性检验系统，包括：
图像预处理模块，用于在卷烟交付过程中通过预设照片拍摄系统获取当前卷烟零售店照片，并对所述当前卷烟零售店照片进行预处理，以得到处理后图像；
特征提取模块，用于基于预先训练好的图形特征提取模型对所述处理后图像进行特征提取，以确定所述处理后图像对应的目标特征点；所述目标特征点为用于表征所述处理后图像中的交付场所地点特性的特征点；
特征匹配模块，用于利用预先训练好的特征匹配模型并基于所述目标特征点将所述当前卷烟零售店照片与预先创建的数据库中保存的卷烟零售店照片进行图像特征点匹配，并基于图像特征点匹配结果进行分析以确定所述当前卷烟零售店照片与所述数据库中保存的卷烟零售店照片之间的匹配值；
判断模块，用于判断所述匹配值与预设匹配阈值的大小关系，根据相应的判断结果确定卷烟交付目的地的一致性。
可选的，所述预设照片拍摄系统位于所述卷烟交付目的地一致性检验系统中；所述预设照片拍摄系统包括交付状态实时监测模块、控制模块和拍摄设备；其中，
所述交付状态实时监测模块，用于对卷烟交付过程中的卷烟交付状态进行实时监测，以检测当前时刻是否为卷烟交付完成的时刻；
所述控制模块，用于若检测到当前时刻为卷烟交付完成的时刻，则触发拍摄控制指令，并将所述拍摄控制指令传输至所述拍摄设备，以控制所述拍摄设备进行拍摄以获取所述当前卷烟零售店照片。
可选的，所述系统，还包括：
信息与照片收集模块，用于收集各卷烟零售店的目标信息以及基于预设方向和角度拍摄的卷烟零售店照片；所述目标信息包括各所述卷烟零售店的店铺特征信息；
数据库建立模块，用于将所述目标信息以及与所述目标信息对应的一张卷烟零售店照片存储至以所述店铺特征信息为检索标识的数据库中，以建立所述数据库；
相应的，所述特征匹配模块，包括：
数据库查找单元，用于利用在卷烟交付之前获取到的目标卷烟零售店的店铺特征信息对所述数据库进行检索，以从所述数据库中获取与所述目标卷烟零售店的店铺特征信息对应的目标卷烟零售店照片；
特征匹配子模块，用于利用预先训练好的特征匹配模型并基于所述目标特征点将所述当前卷烟零售店照片与所述目标卷烟零售店照片进行图像特征点匹配，并基于图像特征点匹配结果进行分析以确定所述当前卷烟零售店照片与所述目标卷烟零售店照片之间的匹配值。
可选的，所述系统，还包括：
格式转换模块，用于从存储路径中读取收集的各所述卷烟零售店照片，并将各所述卷烟零售店照片对应的格式转换为目标格式；
尺寸调整模块，用于调整格式转换后的各所述卷烟零售店照片的尺寸大小，以得到调整后图像；
归一化处理模块，用于将所述调整后图像转换为PyTorch张量，以便对所述调整后图像进行归一化处理，以得到归一化处理后图像。
可选的，所述系统，还包括：
人工识别模块，用于选取若干张所述卷烟零售店照片，对若干张所述卷烟零售店照片进行人工识别，以确定识别结果；
模型训练模块，用于基于若干张所述卷烟零售店照片对应的归一化处理后图像以及所述识别结果对模型进行训练，以得到相应的所述图形特征提取模型以及所述特征匹配模型。
可选的，所述特征匹配子模块，包括：
匹配单元，用于利用预先训练好的特征匹配模型基于所述目标特征点将所述当前卷烟零售店照片与所述目标卷烟零售店照片进行图像特征点匹配；
匹配特征点数量确定单元，用于确定所述当前卷烟零售店照片与所述目标卷烟零售店照片之间匹配特征点的数量；
匹配值确定单元，用于基于所述匹配特征点的数量确定所述匹配值。
可选的，所述判断模块，包括：
第一判断结果执行单元，用于若所述匹配值小于所述预设匹配阈值，则判定卷烟交付目的地不一致，并触发重新拍摄和/或确认送货位置的提示信息；
第二判断结果执行单元，用于若所述匹配值大于或等于所述预设匹配阈值，则判定卷烟交付目的地一致。
第二方面，本申请公开了一种卷烟交付目的地一致性检验方法，包括：
在卷烟交付过程中通过预设照片拍摄系统获取当前卷烟零售店照片，并对所述当前卷烟零售店照片进行预处理，以得到处理后图像；
基于预先训练好的图形特征提取模型对所述处理后图像进行特征提取，以确定所述处理后图像对应的目标特征点；所述目标特征点为用于表征所述处理后图像中的交付场所地点特性的特征点；
利用预先训练好的特征匹配模型并基于所述目标特征点将所述当前卷烟零售店照片与预先创建的数据库中保存的卷烟零售店照片进行图像特征点匹配，并基于图像特征点匹配结果进行分析以确定所述当前卷烟零售店照片与所述数据库中保存的卷烟零售店照片之间的匹配值；
判断所述匹配值与预设匹配阈值的大小关系，根据相应的判断结果确定卷烟交付目的地的一致性。
第三方面，本申请公开了一种电子设备，包括：
存储器，用于保存计算机程序；
处理器，用于执行所述计算机程序以实现前述的卷烟交付目的地一致性检验方法。
第四方面，本申请公开了一种计算机可读存储介质，用于保存计算机程序，所述计算机程序被处理器执行时实现前述的卷烟交付目的地一致性检验方法。
本申请公开了一种卷烟交付目的地一致性检验系统，其中，图像预处理模块，用于在卷烟交付过程中通过预设照片拍摄系统获取当前卷烟零售店照片，并对所述当前卷烟零售店照片进行预处理，以得到处理后图像；特征提取模块，用于基于预先训练好的图形特征提取模型对所述处理后图像进行特征提取，以确定所述处理后图像对应的目标特征点；所述目标特征点为用于表征所述处理后图像中的交付场所地点特性的特征点；特征匹配模块，用于利用预先训练好的特征匹配模型并基于所述目标特征点将所述当前卷烟零售店照片与预先创建的数据库中保存的卷烟零售店照片进行图像特征点匹配，并基于图像特征点匹配结果进行分析以确定所述当前卷烟零售店照片与所述数据库中保存的卷烟零售店照片之间的匹配值；判断模块，用于判断所述匹配值与预设匹配阈值的大小关系，根据相应的判断结果确定卷烟交付目的地的一致性。可见，本申请通过深度学习模型提取照片特征进行特征匹配，来减少人工操作和提高匹配准确性。这样一来，能够在实时操作中确保配送的准确性，减少错误和混淆，从而提升整体的业务效率和客户满意度。并且极大地减少人力资源消耗，提高匹配的准确性和效率，从而保障烟草分销的流畅和准确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请公开的一种卷烟交付目的地一致性检验系统结构示意图；
图2为本申请公开的一种图像特征点匹配示意图；
图3为本申请公开的一种卷烟交付目的地一致性检验方法流程图；
图4为本申请公开的一种电子设备结构图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做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。
随着技术的进步，尤其是在计算机视觉和深度学习领域，特别是在图像识别和特征匹配方面，已经显示出了巨大的潜力。这些技术可以自动处理和分析照片，快速准确地识别图像特征，并进行高效的匹配。因此，本申请根据这些技术公开了一种卷烟交付目的地一致性检验系统，能够极大地减少人力资源消耗，还可以提高匹配的准确性和效率，从而保障烟草分销的流畅和准确，并且最大限度地减少操作延误和相关成本。
参见图1所示，本发明实施例公开了一种卷烟交付目的地一致性检验系统，包括：
图像预处理模块11，用于在卷烟交付过程中通过预设照片拍摄系统获取当前卷烟零售店照片，并对所述当前卷烟零售店照片进行预处理，以得到处理后图像。
本实施例中，预设照片拍摄系统位于所述卷烟交付目的地一致性检验系统中；所述预设照片拍摄系统包括交付状态实时监测模块、控制模块和拍摄设备；其中，交付状态实时监测模块，用于对卷烟交付过程中的卷烟交付状态进行实时监测，以检测当前时刻是否为卷烟交付完成的时刻；控制模块，用于若检测到当前时刻为卷烟交付完成的时刻，则触发拍摄控制指令，并将所述拍摄控制指令传输至所述拍摄设备，以控制所述拍摄设备进行拍摄以获取所述当前卷烟零售店照片。对于当前卷烟零售店照片的拍摄可以是送货员用手机进行的拍摄，也可以是在零售店中用预先布置好的设备进行拍摄，在这里具体拍摄方式不做限定。获取到当前卷烟零售店照片后，对新拍摄的卷烟交付地点照片进行细致的图像前处理，以优化图像质量，为后续的特征提取和匹配步骤提供清晰、一致的输入。需要知道的是，系统已经提前建立拍摄图像的预处理流程：包括：读取图像：从存储路径中读取图像文件，确保图像为RGB（red green blue）格式。调整大小：根据模型要求调整图像的尺寸大小，保持图像的宽高比。格式转换：将读取的图像数据从NumPy（Numerical Python，Python的一种开源的数值计算扩展）数组转换为PyTorch张量，进行归一化处理。
特征提取模块12，用于基于预先训练好的图形特征提取模型对所述处理后图像进行特征提取，以确定所述处理后图像对应的目标特征点；所述目标特征点为用于表征所述处理后图像中的交付场所地点特性的特征点。
本实施例中，需要指出的是，本申请提前会对模型进行训练，在训练时，人工识别模块，用于选取若干张所述卷烟零售店照片，对若干张所述卷烟零售店照片进行人工识别，以确定识别结果；模型训练模块，用于基于若干张所述卷烟零售店照片对应的归一化处理后图像以及所述识别结果对模型进行训练，以得到相应的所述图形特征提取模型以及所述特征匹配模型。在一种具体的实施例中，首先人工识别并匹配了大约10000对来自零售店的图片，这些图片代表了不同的零售店场景。在这一阶段，标记出其中属于相同零售店的图像对，以此作为基准数据。为了设定合理的匹配标准，引入了匹配点阈值的概念。当图像之间的匹配点数量低于这个预设的阈值时，将其判断为不属于同一家零售店。这一机制有助于在后续的模型训练和测试中，更加精确地区分不同零售店的图像。接下来，从这10000对图像中选取了8000对作为训练集，用于训练零售店场景识别模型。通过训练过程的目标是提升模型对零售店图像的匹配精度，从而增加最终的匹配点数量。在模型训练完成后，使用剩余的2000对图像作为测试集，以评估模型的性能和泛化能力。通过这个独立的测试集，进一步调整和设定图像匹配点的阈值，旨在找到一个既能有效区分不同零售店，又能保持高识别准确率的最佳阈值。之后基于预先训练好的图形特征提取模型对所述处理后图像进行特征提取，以确定所述处理后图像对应的目标特征点；所述目标特征点为用于表征所述处理后图像中的交付场所地点特性的特征点。
特征匹配模块13，用于利用预先训练好的特征匹配模型并基于所述目标特征点将所述当前卷烟零售店照片与预先创建的数据库中保存的卷烟零售店照片进行图像特征点匹配，并基于图像特征点匹配结果进行分析以确定所述当前卷烟零售店照片与所述数据库中保存的卷烟零售店照片之间的匹配值。
本实施例中，本申请提前收集了每家零售店的信息以确保每次送货员是否送错以及漏送，因此，信息与照片收集模块，用于收集各卷烟零售店的目标信息以及基于预设方向和角度拍摄的卷烟零售店照片；所述目标信息包括各所述卷烟零售店的店铺特征信息；数据库建立模块，用于将所述目标信息以及与所述目标信息对应的一张卷烟零售店照片存储至以所述店铺特征信息为检索标识的数据库中，以建立所述数据库；相应的，所述特征匹配模块，包括：数据库查找单元，用于利用在卷烟交付之前获取到的目标卷烟零售店的店铺特征信息对所述数据库进行检索，以从所述数据库中获取与所述目标卷烟零售店的店铺特征信息对应的目标卷烟零售店照片；特征匹配子模块，用于利用预先训练好的特征匹配模型并基于所述目标特征点将所述当前卷烟零售店照片与所述目标卷烟零售店照片进行图像特征点匹配，并基于图像特征点匹配结果进行分析以确定所述当前卷烟零售店照片与所述目标卷烟零售店照片之间的匹配值。特征匹配子模块，包括：匹配单元，用于利用预先训练好的特征匹配模型基于所述目标特征点将所述当前卷烟零售店照片与所述目标卷烟零售店照片进行图像特征点匹配；匹配特征点数量确定单元，用于确定所述当前卷烟零售店照片与所述目标卷烟零售店照片之间匹配特征点的数量；匹配值确定单元，用于基于所述匹配特征点的数量确定所述匹配值。如图2所示，使用特征提取模型进行特征点提取，然后通过特征匹配模型进行图像间的匹配，最后根据匹配的特征点的数量确定匹配值。特征提取模型是可选择基于深度学习的图像特征点提取模型如SuperPoint，DISK等；也可选择传统的特征提取方法，如SIFT（Scale-invariant feature transform，尺度不变特征变换），SURF（Speeded Up Robust Feature，加速版的具有鲁棒特性的特征算法），HOG（HistogramOf Gradient，方向梯度直方图）等。特征匹配模型主要使用了基于深度学习模型，如SpuerGlue、LightGlue等，与传统的特征匹配算法相比，其能够自动从数据中学习有效的特征表示，无需手动设计，这使得它们能够捕捉更复杂和抽象的视觉信息。使其能够更好地适应各种环境和场景的变化。特征匹配模型通过训练一个匹配网络，将一对图像的特征映射到一个相似度得分，该得分反映了两幅图像之间的匹配程度。通过优化匹配网络的参数，使得相似图像对的得分高于不相似图像对，从而实现精确的图像匹配。
需要指出的是，这里将特征提取模型和特征匹配两个模型的结合，充分利用了特征提取模型在特征点检测和描述上的优势，以及特征匹配模型在多模态特征融合和注意力驱动匹配上的创新，从而在图像特征提取与匹配任务中实现了高效、准确和鲁棒的性能。
判断模块14，用于判断所述匹配值与预设匹配阈值的大小关系，根据相应的判断结果确定卷烟交付目的地的一致性。
本实施例中，判断模块，包括：第一判断结果执行单元，用于若所述匹配值小于所述预设匹配阈值，则判定卷烟交付目的地不一致，并触发重新拍摄和/或确认送货位置的提示信息；第二判断结果执行单元，用于若所述匹配值大于或等于所述预设匹配阈值，则判定卷烟交付目的地一致。如果新照片的匹配值低于这个阈值，系统将智能地判断该照片可能未能准确捕捉到正确的交付目的地。在这种情况下，系统会及时向送货员发出提示，建议他们重新拍摄照片或者确认当前的送货位置是否准确无误。通过这样的闭环审核机制，本申请能够在实时操作中确保配送的准确性，减少错误和混淆，从而提升整体的业务效率和客户满意度。
由上可知，本申请公开了一种卷烟交付目的地一致性检验系统，其中，图像预处理模块，用于在卷烟交付过程中通过预设照片拍摄系统获取当前卷烟零售店照片，并对所述当前卷烟零售店照片进行预处理，以得到处理后图像；特征提取模块，用于基于预先训练好的图形特征提取模型对所述处理后图像进行特征提取，以确定所述处理后图像对应的目标特征点；所述目标特征点为用于表征所述处理后图像中的交付场所地点特性的特征点；特征匹配模块，用于利用预先训练好的特征匹配模型并基于所述目标特征点将所述当前卷烟零售店照片与预先创建的数据库中保存的卷烟零售店照片进行图像特征点匹配，并基于图像特征点匹配结果进行分析以确定所述当前卷烟零售店照片与所述数据库中保存的卷烟零售店照片之间的匹配值；判断模块，用于判断所述匹配值与预设匹配阈值的大小关系，根据相应的判断结果确定卷烟交付目的地的一致性。可见，本申请通过深度学习模型提取照片特征进行特征匹配，来减少人工操作和提高匹配准确性。这样一来，能够在实时操作中确保配送的准确性，减少错误和混淆，从而提升整体的业务效率和客户满意度。并且极大地减少人力资源消耗，提高匹配的准确性和效率，从而保障烟草分销的流畅和准确。
参见图3所示，本发明实施例公开了一种卷烟交付目的地一致性检验方法，包括：
步骤S11、在卷烟交付过程中通过预设照片拍摄系统获取当前卷烟零售店照片，并对所述当前卷烟零售店照片进行预处理，以得到处理后图像。
步骤S12、基于预先训练好的图形特征提取模型对所述处理后图像进行特征提取，以确定所述处理后图像对应的目标特征点；所述目标特征点为用于表征所述处理后图像中的交付场所地点特性的特征点。
步骤S13、利用预先训练好的特征匹配模型并基于所述目标特征点将所述当前卷烟零售店照片与预先创建的数据库中保存的卷烟零售店照片进行图像特征点匹配，并基于图像特征点匹配结果进行分析以确定所述当前卷烟零售店照片与所述数据库中保存的卷烟零售店照片之间的匹配值。
步骤S14、判断所述匹配值与预设匹配阈值的大小关系，根据相应的判断结果确定卷烟交付目的地的一致性。
本实施例中，在进行一致性校验前，本申请已经提前进行数据收集以及模型训练等的准备工作，数据收集：烟草公司需要收集每家零售店的信息以确保每次送货员是否送错以及漏送，每次信息中需要包含零售店名、零售店负责人、许可证号、送货员、零售店坐标、送达时间和送货线路名。在一种具体的实施例中，送货员可以每次以特定的方向和角度拍摄零售店的照片，以供数据库的建立和模型的训练以及匹配。建立烟草零售店数据库：以许可证号为检索的标识符建立零售店的数据库，每个零售店需要包含数据收集的信息以及唯一的照片，所有数据库的照片拍摄的方向和角度都是一致的。同时，建立拍摄图像的预处理流程：包括：读取图像：从存储路径中读取图像文件，确保图像为RGB格式。调整大小：根据模型要求调整图像的尺寸大小，保持图像的宽高比。格式转换：将读取的图像数据从NumPy数组转换为PyTorch张量，进行归一化处理。模型训练：选取若干张所述卷烟零售店照片，对若干张所述卷烟零售店照片进行人工识别，以确定识别结果；基于若干张所述卷烟零售店照片对应的归一化处理后图像以及所述识别结果对模型进行训练，以得到相应的所述图形特征提取模型以及所述特征匹配模型。
接下来，对新拍摄的卷烟交付地点照片进行细致的图像前处理，以优化图像质量，为后续的特征提取和匹配步骤提供清晰、一致的输入。接下来，利用先进的图像识别技术进行模型特征提取，并从处理后的图像中抽取关键的视觉特征，这些特征独特地代表了每个交付地点的特性。随后，将新拍摄的照片与已知的数据库中正确交付地点图像进行精确匹配。通过比较两者的特征向量，计算出一个匹配值，该值反映了新照片与目标位置的相似程度。在此过程中，预先设定了一个预设的匹配阈值。如果新照片的匹配值低于这个阈值，系统将智能地判断该照片可能未能准确捕捉到正确的交付目的地。在这种情况下，会及时向送货员发出提示，建议他们重新拍摄照片或者确认当前的送货位置是否准确无误。
由上可知，本申请在对卷烟交付目的地一致性进行检验是，首先在卷烟交付过程中通过预设照片拍摄系统获取当前卷烟零售店照片，并对所述当前卷烟零售店照片进行预处理，以得到处理后图像；之后基于预先训练好的图形特征提取模型对所述处理后图像进行特征提取，以确定所述处理后图像对应的目标特征点；所述目标特征点为用于表征所述处理后图像中的交付场所地点特性的特征点；再利用预先训练好的特征匹配模型并基于所述目标特征点将所述当前卷烟零售店照片与预先创建的数据库中保存的卷烟零售店照片进行图像特征点匹配，并基于图像特征点匹配结果进行分析以确定所述当前卷烟零售店照片与所述数据库中保存的卷烟零售店照片之间的匹配值；最后判断所述匹配值与预设匹配阈值的大小关系，根据相应的判断结果确定卷烟交付目的地的一致性。可见，本申请通过深度学习模型提取照片特征进行特征匹配，来减少人工操作和提高匹配准确性。这样一来，能够在实时操作中确保配送的准确性，减少错误和混淆，从而提升整体的业务效率和客户满意度。并且极大地减少人力资源消耗，提高匹配的准确性和效率，从而保障烟草分销的流畅和准确。
进一步的，本申请实施例还公开了一种电子设备，图4是根据一示例性实施例示出的电子设备20结构图，图中的内容不能认为是对本申请的使用范围的任何限制。
图4为本申请实施例提供的一种电子设备20的结构示意图。该电子设备 20，具体可以包括：至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中，所述存储器22用于存储计算机程序，所述计算机程序由所述处理器21加载并执行，以实现前述任一实施例公开的卷烟交付目的地一致性检验方法中的相关步骤。另外，本实施例中的电子设备20具体可以为电子计算机。
本实施例中，电源23用于为电子设备20上的各硬件设备提供工作电压；通信接口24能够为电子设备20创建与外界设备之间的数据传输通道，其所遵 循的通信协议是能够适用于本申请技术方案的任意通信协议，在此不对其进 行具体限定；输入输出接口25，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。
另外，存储器22作为资源存储的载体，可以是只读存储器、随机存储器、 磁盘或者光盘等，其上所存储的资源可以包括操作系统221、计算机程序222 等，存储方式可以是短暂存储或者永久存储。
其中，操作系统221用于管理与控制电子设备20上的各硬件设备以及计算 机程序222，其可以是Windows Server、Netware、Unix、Linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的卷烟交付目的地一致性检验方法的计算机程序之外，还可以进一步包括能够用于完成其他特定工作的计算机程序。
进一步的，本申请还公开了一种计算机可读存储介质，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现前述公开的卷烟交付目的地一致性检验方法。关于该方法的具体步骤可以参考前述实施例中公开的相应内容，在此不再进行赘述。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他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、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本申请所提供的技术方案进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种卷烟交付目的地一致性检验系统，其特征在于，包括：
图像预处理模块，用于在卷烟交付过程中通过预设照片拍摄系统获取当前卷烟零售店照片，并对所述当前卷烟零售店照片进行预处理，以得到处理后图像；
特征提取模块，用于基于预先训练好的图形特征提取模型对所述处理后图像进行特征提取，以确定所述处理后图像对应的目标特征点；所述目标特征点为用于表征所述处理后图像中的交付场所地点特性的特征点；
特征匹配模块，用于利用预先训练好的特征匹配模型并基于所述目标特征点将所述当前卷烟零售店照片与预先创建的数据库中保存的卷烟零售店照片进行图像特征点匹配，并基于图像特征点匹配结果进行分析以确定所述当前卷烟零售店照片与所述数据库中保存的卷烟零售店照片之间的匹配值；
判断模块，用于判断所述匹配值与预设匹配阈值的大小关系，根据相应的判断结果确定卷烟交付目的地的一致性。
2.根据权利要求1所述的卷烟交付目的地一致性检验系统，其特征在于，所述预设照片拍摄系统位于所述卷烟交付目的地一致性检验系统中；所述预设照片拍摄系统包括交付状态实时监测模块、控制模块和拍摄设备；其中，
所述交付状态实时监测模块，用于对卷烟交付过程中的卷烟交付状态进行实时监测，以检测当前时刻是否为卷烟交付完成的时刻；
所述控制模块，用于若检测到当前时刻为卷烟交付完成的时刻，则触发拍摄控制指令，并将所述拍摄控制指令传输至所述拍摄设备，以控制所述拍摄设备进行拍摄以获取所述当前卷烟零售店照片。
3.根据权利要求1所述的卷烟交付目的地一致性检验系统，其特征在于，还包括：
信息与照片收集模块，用于收集各卷烟零售店的目标信息以及基于预设方向和角度拍摄的卷烟零售店照片；所述目标信息包括各所述卷烟零售店的店铺特征信息；
数据库建立模块，用于将所述目标信息以及与所述目标信息对应的一张卷烟零售店照片存储至以所述店铺特征信息为检索标识的数据库中，以建立所述数据库；
相应的，所述特征匹配模块，包括：
数据库查找单元，用于利用在卷烟交付之前获取到的目标卷烟零售店的店铺特征信息对所述数据库进行检索，以从所述数据库中获取与所述目标卷烟零售店的店铺特征信息对应的目标卷烟零售店照片；
特征匹配子模块，用于利用预先训练好的特征匹配模型并基于所述目标特征点将所述当前卷烟零售店照片与所述目标卷烟零售店照片进行图像特征点匹配，并基于图像特征点匹配结果进行分析以确定所述当前卷烟零售店照片与所述目标卷烟零售店照片之间的匹配值。
4.根据权利要求3所述的卷烟交付目的地一致性检验系统，其特征在于，还包括：
格式转换模块，用于从存储路径中读取收集的各所述卷烟零售店照片，并将各所述卷烟零售店照片对应的格式转换为目标格式；
尺寸调整模块，用于调整格式转换后的各所述卷烟零售店照片的尺寸大小，以得到调整后图像；
归一化处理模块，用于将所述调整后图像转换为PyTorch张量，以便对所述调整后图像进行归一化处理，以得到归一化处理后图像。
5.根据权利要求4所述的卷烟交付目的地一致性检验系统，其特征在于，还包括：
人工识别模块，用于选取若干张所述卷烟零售店照片，对若干张所述卷烟零售店照片进行人工识别，以确定识别结果；
模型训练模块，用于基于若干张所述卷烟零售店照片对应的归一化处理后图像以及所述识别结果对模型进行训练，以得到相应的所述图形特征提取模型以及所述特征匹配模型。
6.根据权利要求3所述的卷烟交付目的地一致性检验系统，其特征在于，所述特征匹配子模块，包括：
匹配单元，用于利用预先训练好的特征匹配模型基于所述目标特征点将所述当前卷烟零售店照片与所述目标卷烟零售店照片进行图像特征点匹配；
匹配特征点数量确定单元，用于确定所述当前卷烟零售店照片与所述目标卷烟零售店照片之间匹配特征点的数量；
匹配值确定单元，用于基于所述匹配特征点的数量确定所述匹配值。
7.根据权利要求1至6任一项所述的卷烟交付目的地一致性检验系统，其特征在于，所述判断模块，包括：
第一判断结果执行单元，用于若所述匹配值小于所述预设匹配阈值，则判定卷烟交付目的地不一致，并触发重新拍摄和/或确认送货位置的提示信息；
第二判断结果执行单元，用于若所述匹配值大于或等于所述预设匹配阈值，则判定卷烟交付目的地一致。
8.一种卷烟交付目的地一致性检验方法，其特征在于，包括：
在卷烟交付过程中通过预设照片拍摄系统获取当前卷烟零售店照片，并对所述当前卷烟零售店照片进行预处理，以得到处理后图像；
基于预先训练好的图形特征提取模型对所述处理后图像进行特征提取，以确定所述处理后图像对应的目标特征点；所述目标特征点为用于表征所述处理后图像中的交付场所地点特性的特征点；
利用预先训练好的特征匹配模型并基于所述目标特征点将所述当前卷烟零售店照片与预先创建的数据库中保存的卷烟零售店照片进行图像特征点匹配，并基于图像特征点匹配结果进行分析以确定所述当前卷烟零售店照片与所述数据库中保存的卷烟零售店照片之间的匹配值；
判断所述匹配值与预设匹配阈值的大小关系，根据相应的判断结果确定卷烟交付目的地的一致性。
9.一种电子设备，其特征在于，包括：
存储器，用于保存计算机程序；
处理器，用于执行所述计算机程序，以实现如权利要求8所述的卷烟交付目的地一致性检验方法的步骤。
10.一种计算机可读存储介质，其特征在于，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现如权利要求8所述的卷烟交付目的地一致性检验方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410232222.XA CN117809066A (zh) | 2024-03-01 | 2024-03-01 | 一种卷烟交付目的地一致性检验系统、方法、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410232222.XA CN117809066A (zh) | 2024-03-01 | 2024-03-01 | 一种卷烟交付目的地一致性检验系统、方法、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117809066A true CN117809066A (zh) | 2024-04-02 |
Family
ID=90421987
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410232222.XA Pending CN117809066A (zh) | 2024-03-01 | 2024-03-01 | 一种卷烟交付目的地一致性检验系统、方法、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117809066A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210125131A1 (en) * | 2017-09-30 | 2021-04-29 | Ping An Technology (Shenzhen) Co., Ltd. | Electronic device, method for constructing scoring model of retail outlets, system, and computer readable medium |
| US20210342643A1 (en) * | 2019-05-10 | 2021-11-04 | Tencent Technology (Shenzhen) Company Limited | Method, apparatus, and electronic device for training place recognition model |
| CN117078152A (zh) * | 2023-08-04 | 2023-11-17 | 山东浪潮数字商业科技有限公司 | 一种烟草行业基于图像识别的商零精准签收方法及系统 |
-
2024
- 2024-03-01 CN CN202410232222.XA patent/CN117809066A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210125131A1 (en) * | 2017-09-30 | 2021-04-29 | Ping An Technology (Shenzhen) Co., Ltd. | Electronic device, method for constructing scoring model of retail outlets, system, and computer readable medium |
| US20210342643A1 (en) * | 2019-05-10 | 2021-11-04 | Tencent Technology (Shenzhen) Company Limited | Method, apparatus, and electronic device for training place recognition model |
| CN117078152A (zh) * | 2023-08-04 | 2023-11-17 | 山东浪潮数字商业科技有限公司 | 一种烟草行业基于图像识别的商零精准签收方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110147726B (zh) | 业务质检方法和装置、存储介质及电子装置 | |
| CN109284729B (zh) | 基于视频获取人脸识别模型训练数据的方法、装置和介质 | |
| CN110348441B (zh) | 增值税发票识别方法、装置、计算机设备及存储介质 | |
| CN109753928B (zh) | 违章建筑物识别方法和装置 | |
| CN108197618B (zh) | 用于生成人脸检测模型的方法和装置 | |
| CN110941978B (zh) | 一种未识别身份人员的人脸聚类方法、装置及存储介质 | |
| WO2023029353A1 (zh) | 基于多模态混合模型的业务数据处理方法及装置 | |
| CN111680603A (zh) | 一种菜品检测和识别方法 | |
| TW202009681A (zh) | 樣本標註方法及裝置、損傷類別的識別方法及裝置 | |
| US20130343618A1 (en) | Searching for Events by Attendants | |
| CN110647784A (zh) | 一种基于深度学习的设备资产管理的方法及装置 | |
| CN111583180A (zh) | 一种图像的篡改识别方法、装置、计算机设备及存储介质 | |
| CN112989990A (zh) | 医疗票据识别方法、装置、设备及存储介质 | |
| CN111104542B (zh) | 零件识别管理方法及装置 | |
| CN115223166A (zh) | 图片预标注方法、图片标注方法及装置、电子设备 | |
| CN110232130B (zh) | 元数据管理谱系生成方法、装置、计算机设备和存储介质 | |
| CN113128522B (zh) | 目标识别方法、装置、计算机设备和存储介质 | |
| JP2023543639A (ja) | 酒製品位置決め方法、酒製品情報管理方法及びその装置、デバイス及び記憶媒体 | |
| CN111222825A (zh) | 基于货物签收的双录方法、装置、终端及存储介质 | |
| CN117809066A (zh) | 一种卷烟交付目的地一致性检验系统、方法、设备及介质 | |
| CN111241930A (zh) | 一种用于人脸识别的方法及系统 | |
| CN115375936A (zh) | 一种人工智能核验监测方法、系统及存储介质 | |
| CN114022699A (zh) | 图像分类方法、装置、计算机设备和存储介质 | |
| CN112597803A (zh) | 一种人脸识别方法、装置、系统及电子设备 | |
| CN112699908A (zh) | 标注图片的方法、电子终端、计算机可读存储介质及设备 |
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 |