CN117952490A - 物流订单监控方法、装置、设备及存储介质 - Google Patents
物流订单监控方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117952490A CN117952490A CN202311848331.6A CN202311848331A CN117952490A CN 117952490 A CN117952490 A CN 117952490A CN 202311848331 A CN202311848331 A CN 202311848331A CN 117952490 A CN117952490 A CN 117952490A
- Authority
- CN
- China
- Prior art keywords
- information
- logistics order
- order
- picture
- logistics
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000012544 monitoring process Methods 0.000 title claims abstract description 53
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 109
- 238000012545 processing Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims description 39
- 238000012360 testing method Methods 0.000 claims description 34
- 230000008569 process Effects 0.000 claims description 25
- 230000002159 abnormal effect Effects 0.000 claims description 23
- 238000007781 pre-processing Methods 0.000 claims description 17
- 238000012795 verification Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 14
- 238000012806 monitoring device Methods 0.000 claims description 7
- 230000007704 transition Effects 0.000 claims description 7
- 238000012790 confirmation Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000010365 information processing Effects 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 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
- 230000002085 persistent effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及物流数据处理领域,公开了一种物流订单监控方法、装置、设备及存储介质。该方法包括:获取物流系统中目标物流订单的物流订单信息,对物流订单信息进行数据处理,得到目标物流订单信息;获取物流系统中和目标物流订单对应的物流订单图片信息,将物流订单图片信息输入至卷积神经网络模型进行识别,得到物流订单识别信息;将目标物流订单信息和物流订单识别信息进行对比,得到信息对比结果;如果信息不一致,则对目标物流订单进行标记和异常处理,并存储在数据库中。本发明提供的是一种快运订单的物流订单监控方法,能有效提升物流订单的流转效率,避免地址填写错误带来的用户体验差的问题,提升用户体验的同时能够提升派件效率。
Description
技术领域
本发明涉及物流数据处理技术领域,尤其涉及一种物流订单监控方法、装置、设备及存储介质。
背景技术
近年来随着快递行业的业务量高速增长,大量包裹在运输过程中发生遗漏、面单脱落或者污染等异常情况,从而造成快件丢失,因而对物流订单在运输过程的监控和发生异常后的处理尤为重要。
目前对物流订单进行监控处理的方式一般是获取物流订单的运输信息,通过运输信息判断物流订单在预设的物流订单最迟到达时间内是否到达目标站点。物流订单可以附带图片上传和图片识别功能,有利于提升后续纠纷解决和对物流订单的信息进行确认等问题。
但是目前的处理方法中无法快速对物流订单图片进行准确识别,导致出现异常的物流订单无法及时得到有效处理,从而产生客户抱怨,并且也降低了物流订单的派件效率。
因此,现有技术还有待于改进和发展。
发明内容
本发明的主要目的在于解决现有技术中无法快速对物流订单图片进行准确识别,导致出现异常的物流订单无法及时得到有效处理,从而产生客户抱怨,并且也降低了物流订单的派件效率的问题。
本发明第一方面提供了一种物流订单监控方法,包括:获取物流系统中目标物流订单的物流订单信息,对所述物流订单信息进行数据处理,得到目标物流订单信息;获取所述物流系统中和所述目标物流订单对应的物流订单图片信息,将所述物流订单图片信息输入至卷积神经网络模型进行识别,得到物流订单识别信息;将所述目标物流订单信息和所述卷积神经网络模型输出的所述物流订单识别信息进行对比,得到信息对比结果;如果所述信息对比结果表示所述目标物流订单信息和所述物流订单识别信息不一致,则对所述目标物流订单进行标记和异常处理,并存储在数据库中。
可选的,在本发明第一方面的第一种实现方式中,所述获取物流系统中目标物流订单的物流订单信息,对所述物流订单信息进行数据处理,得到目标物流订单信息的步骤包括:根据单件寄件或者批量寄件的寄件信息维护物品信息页,生成备注图片,根据用户的添加或者修改操作更新所述备注图片;当确认所述备注图片中的物品信息后,将所述备注图片通过图片上传接口上传至图片服务器,并生成图片地址;根据所述图片地址获取所述备注图片,根据所述备注图片获取需要进行监控的目标物流订单的物流订单信息,对所述物流订单信息进行数据处理,得到目标物流订单信息。
可选的,在本发明第一方面的第二种实现方式中,所述当确认所述备注图片中的物品信息后,将所述备注图片通过图片上传接口上传至图片服务器,并生成图片地址的步骤包括:以弹窗的方式提示对物品信息页的物品信息进行确认,当接收到确认操作时,通过订单中心图片服务提供图片上传接口;将所述备注图片通过所述图片上传接口上传至图片服务器,在所述图片上传接口展示图片缩略图,并判断所述备注图片是否上传成功;若所述备注图片上传成功,则生成所述备注图片对应的图片地址;若所述备注图片上传失败,则停留在当前页,并提醒用户再次上传或者上传新的备注图片。
可选的,在本发明第一方面的第三种实现方式中,所述获取所述物流系统中和所述目标物流订单对应的物流订单图片信息,将所述物流订单图片信息输入至卷积神经网络模型进行识别,得到物流订单识别信息的步骤包括:获取所述物流系统中的历史物流订单图片信息,根据所述历史物流订单图片信息对所述卷积神经网络模型进行训练,得到已训练好的卷积神经网络模型;获取所述物流系统中和所述目标物流订单对应的物流订单图片信息,对所述物流订单图片信息进行数据预处理后,输入至已训练好的卷积神经网络模型;基于已训练好的卷积神经网络模型根据数据预处理后的所述物流订单图片信息进行识别,输出物流订单识别信息。
可选的,在本发明第一方面的第四种实现方式中,所述获取所述物流系统中的历史物流订单图片信息,根据所述历史物流订单图片信息对所述卷积神经网络模型进行训练,得到已训练好的卷积神经网络模型的步骤包括:根据稠密连接网络构建得到所述卷积神经网络模型,所述稠密连接网络通过使用过渡层降低特征图的通道数和尺寸;获取所述物流系统中的多个历史物流订单图片信息,将多个所述历史物流订单图片信息按照预设比例分为训练集、验证集和测试集;将所述训练集输入到所述卷积神经网络模型进行训练,并计算模型损失函数,直至所述模型损失函数达到收敛条件;使用所述验证集调整训练后的所述卷积神经网络模型的模型参数,并对训练后的所述卷积神经网络模型的稳定性进行评估;将所述测试集输入到稳定性评估合格的所述卷积神经网络模型中进行测试,得到测试结果;若所述测试结果符合训练要求,则得到已训练好的所述卷积神经网络模型。
可选的,在本发明第一方面的第五种实现方式中,所述将所述目标物流订单信息和所述卷积神经网络模型输出的所述物流订单识别信息进行对比,得到信息对比结果的步骤包括:获取所述目标物流订单的根据用户下单时填写信息生成的目标物流订单信息,并获取所述目标物流订单在实际运输过程中由所述卷积神经网络模型识别到实际派送的物流订单识别信息;将所述目标物流订单信息和所述卷积神经网络模型输出的所述物流订单识别信息进行对比,根据对比过程中信息的一致性生成信息对比结果。
可选的,在本发明第一方面的第六种实现方式中,所述如果所述信息对比结果表示所述目标物流订单信息和所述物流订单识别信息不一致,则对所述目标物流订单进行标记和异常处理,并存储在数据库中的步骤包括:根据所述信息对比结果判断所述目标物流订单是否出现异常;若所述目标物流订单正常,则按照实际地址对所述目标物流订单进行派件;若所述目标物流订单出现异常,将所述目标物流订单标记为异常订单,并将不一致的信息传输至数据库中进行存储;对所述目标物流订单进行跟踪,获取所述目标物流订单在运输途中的实时状态和地理位置;在对所述目标物流订单进行派件时,通知派件员对所述目标物流订单的客户进行电话通知,并询问具体的地址后进行派件。
本发明第二方面提供了一种物流订单监控装置,包括:物流订单信息获取模块,用于获取物流系统中目标物流订单的物流订单信息,对所述物流订单信息进行数据处理,得到目标物流订单信息;物流订单信息识别模块,用于获取所述物流系统中和所述目标物流订单对应的物流订单图片信息,将所述物流订单图片信息输入至卷积神经网络模型进行识别,得到物流订单识别信息;物流订单信息对比模块,用于将所述目标物流订单信息和所述卷积神经网络模型输出的所述物流订单识别信息进行对比,得到信息对比结果;物流订单异常处理模块,用于如果所述信息对比结果表示所述目标物流订单信息和所述物流订单识别信息不一致,则对所述目标物流订单进行标记和异常处理,并存储在数据库中。
可选的,在本发明第二方面的第一种实现方式中,所述物流订单信息获取模块包括:物品信息维护单元,用于根据单件寄件或者批量寄件的寄件信息维护物品信息页,生成备注图片,根据用户的添加或者修改操作更新所述备注图片;图片上传与地址生成单元,用于当确认所述备注图片中的物品信息后,将所述备注图片通过图片上传接口上传至图片服务器,并生成图片地址;物流订单信息处理单元,用于根据所述图片地址获取所述备注图片,根据所述备注图片获取需要进行监控的目标物流订单的物流订单信息,对所述物流订单信息进行数据处理,得到目标物流订单信息。
可选的,在本发明第二方面的第二种实现方式中,所述图片上传与地址生成单元包括:信息确认子单元,用于以弹窗的方式提示对物品信息页的物品信息进行确认,当接收到确认操作时,通过订单中心图片服务提供图片上传接口;图片上传子单元,用于将所述备注图片通过所述图片上传接口上传至图片服务器,在所述图片上传接口展示图片缩略图,并判断所述备注图片是否上传成功;地址生成子单元,用于若所述备注图片上传成功,则生成所述备注图片对应的图片地址;图片重上传子单元,用于若所述备注图片上传失败,则停留在当前页,并提醒用户再次上传或者上传新的备注图片。
可选的,在本发明第二方面的第三种实现方式中,所述物流订单信息识别模块包括:模型训练单元,用于获取所述物流系统中的历史物流订单图片信息,根据所述历史物流订单图片信息对所述卷积神经网络模型进行训练,得到已训练好的卷积神经网络模型;物流订单图片信息处理单元,用于获取所述物流系统中和所述目标物流订单对应的物流订单图片信息,对所述物流订单图片信息进行数据预处理后,输入至已训练好的卷积神经网络模型;物流订单图片信息识别单元,用于基于已训练好的卷积神经网络模型根据数据预处理后的所述物流订单图片信息进行识别,输出物流订单识别信息。
可选的,在本发明第二方面的第四种实现方式中,所述模型训练单元包括:模型构建子单元,用于根据稠密连接网络构建得到所述卷积神经网络模型,所述稠密连接网络通过使用过渡层降低特征图的通道数和尺寸;数据划分子单元,用于获取所述物流系统中的多个历史物流订单图片信息,将多个所述历史物流订单图片信息按照预设比例分为训练集、验证集和测试集;训练集训练子单元,用于将所述训练集输入到所述卷积神经网络模型进行训练,并计算模型损失函数,直至所述模型损失函数达到收敛条件;验证集验证子单元,用于使用所述验证集调整训练后的所述卷积神经网络模型的模型参数,并对训练后的所述卷积神经网络模型的稳定性进行评估;测试集测试子单元,用于将所述测试集输入到稳定性评估合格的所述卷积神经网络模型中进行测试,得到测试结果;模型生成子单元,用于若所述测试结果符合训练要求,则得到已训练好的所述卷积神经网络模型。
可选的,在本发明第二方面的第五种实现方式中,所述物流订单信息对比模块包括:物流订单识别单元,用于获取所述目标物流订单的根据用户下单时填写信息生成的目标物流订单信息,并获取所述目标物流订单在实际运输过程中由所述卷积神经网络模型识别到实际派送的物流订单识别信息;物流信息对比单元,用于将所述目标物流订单信息和所述卷积神经网络模型输出的所述物流订单识别信息进行对比,根据对比过程中信息的一致性生成信息对比结果。
可选的,在本发明第二方面的第六种实现方式中,所述物流订单异常处理模块包括:订单异常判断单元,用于根据所述信息对比结果判断所述目标物流订单是否出现异常;正常订单派送单元,用于若所述目标物流订单正常,则按照实际地址对所述目标物流订单进行派件;订单异常标记单元,用于若所述目标物流订单出现异常,将所述目标物流订单标记为异常订单,并将不一致的信息传输至数据库中进行存储;派送信息获取单元,用于对所述目标物流订单进行跟踪,获取所述目标物流订单在运输途中的实时状态和地理位置;异常订单派送单元,用于在对所述目标物流订单进行派件时,通知派件员对所述目标物流订单的客户进行电话通知,并询问具体的地址后进行派件。
本发明第三方面提供了一种物流订单监控设备,包括:存储器和至少一个处理器,所述存储器中存储有计算机可读指令,所述存储器和所述至少一个处理器通过线路互连;所述至少一个处理器调用所述存储器中的所述计算机可读指令,以使得所述物流订单监控设备执行如上所述物流订单监控方法的各个步骤。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机可读指令,当其在计算机上运行时,使得计算机执行如上所述物流订单监控方法的各个步骤。
有益效果:本发明的技术方案中,获取物流系统中目标物流订单的物流订单信息,对所述物流订单信息进行数据处理,得到目标物流订单信息;获取所述物流系统中和所述目标物流订单对应的物流订单图片信息,将所述物流订单图片信息输入至卷积神经网络模型进行识别,得到物流订单识别信息;将所述目标物流订单信息和所述卷积神经网络模型输出的所述物流订单识别信息进行对比,得到信息对比结果;如果所述信息对比结果表示所述目标物流订单信息和所述物流订单识别信息不一致,则对所述目标物流订单进行标记和异常处理,并存储在数据库中。本发明提供的是一种快运订单的物流订单监控方法,能有效提升物流订单的流转效率,避免地址填写错误带来的用户体验差的问题,提升用户体验的同时能够提升派件效率。
附图说明
图1为本发明实施例提供的物流订单监控方法的第一种流程图;
图2为本发明实施例提供的物流订单监控方法的第二种流程图;
图3为本发明实施例提供的物流订单监控方法的第三种流程图;
图4为本发明实施例提供的物流订单监控方法中备注图片的生成和修改流程示意图;
图5为本发明实施例提供的物流订单监控方法的第四种流程图;
图6为本发明实施例提供的物流订单监控方法的第五种流程图;
图7为本发明实施例提供的物流订单监控方法的第六种流程图;
图8为本发明实施例提供的物流订单监控方法的第七种流程图;
图9为本发明实施例提供的物流订单监控装置的一种结构示意图;
图10为本发明实施例提供的物流订单监控装置的另一种结构示意图;
图11为本发明实施例提供的物流订单监控设备的结构示意图。
具体实施方式
本发明实施例提供了一种物流订单监控方法、装置、设备及存储介质,获取物流系统中目标物流订单的物流订单信息,对所述物流订单信息进行数据处理,得到目标物流订单信息;获取所述物流系统中和所述目标物流订单对应的物流订单图片信息,将所述物流订单图片信息输入至卷积神经网络模型进行识别,得到物流订单识别信息;将所述目标物流订单信息和所述卷积神经网络模型输出的所述物流订单识别信息进行对比,得到信息对比结果;如果所述信息对比结果表示所述目标物流订单信息和所述物流订单识别信息不一致,则对所述目标物流订单进行标记和异常处理,并存储在数据库中。本发明解决了无法快速对物流订单图片进行准确识别,导致出现异常的物流订单无法及时得到有效处理,从而产生客户抱怨,并且也降低了物流订单的派件效率的问题。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中物流订单监控方法的第一个实施例包括:
S101、获取物流系统中目标物流订单的物流订单信息,对所述物流订单信息进行数据处理,得到目标物流订单信息;
在本实施例中,物流系统中存储有多个物流订单的物流订单信息,当需要对一个或者多个目标物流订单进行信息监控时,就可以先从所述物流系统中获取目标物流订单的物流订单信息,例如所述目标物流订单的寄件信息、收件人地址和电话等信息,当获取到所述目标物流订单的物流订单信息后,就可以对所述物流订单信息进行数据处理,例如去除冗余数据和重复数据,得到目标物流订单信息,所述目标物流订单信息用于有效的反映所述目标物流订单真实信息,为后面对订单信息进行对比和监控提供基础。
S102、获取所述物流系统中和所述目标物流订单对应的物流订单图片信息,将所述物流订单图片信息输入至卷积神经网络模型进行识别,得到物流订单识别信息;
在本实施例中,在完成目标物流订单的处理后,那么所述目标物流订单就会开始进行运输,运输的每个过程或者环节都会将相关信息实时记录到所述物流系统中,便于需要进行查看或者比对时进行调用,当需要对所述目标物流订单进行监控时,那么就可以在所述物流系统获取和所述目标物流订单对应的物流订单图片信息(实际中的运输信息),然后将所述物流订单图片信息输入至卷积神经网络模型(CNN,Convolutional NeuralNetworks),所述卷积神经网络模型对所述物流订单图片信息进行识别后输出物流订单识别信息。
S103、将所述目标物流订单信息和所述卷积神经网络模型输出的所述物流订单识别信息进行对比,得到信息对比结果;
在本实施例中,所述卷积神经网络模型输出的所述物流订单识别信息为根据实际运输过程中所述目标物流订单实际信息,需要将所述物流订单识别信息与开始得到的目标物流订单信息进行对比,比对两个信息是否一致,因为在实际运输过程中订单可能会因为某些原因而发生了异常,那么就需要进行对比之后才能得到信息对比结果,最后才能根据所述信息对比结果来判断所述目标物流订单是否出现异常。
S104、如果所述信息对比结果表示所述目标物流订单信息和所述物流订单识别信息不一致,则对所述目标物流订单进行标记和异常处理,并存储在数据库中。
在本实施例中,在将所述目标物流订单信息和所述卷积神经网络模型输出的所述物流订单识别信息进行对比后,得到了信息对比结果,如果所述信息对比结果表示所述目标物流订单信息和所述物流订单识别信息一致,那么就说明所述目标物流订单在运输过程中都是按照最初的寄件信息在进行运输,并未发生任何异常;如果所述信息对比结果表示所述目标物流订单信息和所述物流订单识别信息不一致,那么就表示所述目标物流订单发生了异常,就需要对所述目标物流订单进行标记和异常处理,并存储在数据库中。
请参阅图2,本发明实施例中物流订单监控方法的第二个实施例包括:
S201、根据单件寄件或者批量寄件的寄件信息维护物品信息页,生成备注图片,根据用户的添加或者修改操作更新所述备注图片;
S202、当确认所述备注图片中的物品信息后,将所述备注图片通过图片上传接口上传至图片服务器,并生成图片地址;
S203、根据所述图片地址获取所述备注图片,根据所述备注图片获取需要进行监控的目标物流订单的物流订单信息,对所述物流订单信息进行数据处理,得到目标物流订单信息。
在本实施例中,可以在所述物流系统中根据单件寄件或者批量寄件的寄件信息维护物品信息页,即录入物流订单的物流信息,生成备注图片,还可以根据用户的添加或者修改操作更新所述备注图片,当用户确认所述备注图片中的物品信息后,就可以将所述备注图片通过图片上传接口(增加图片上传入口)上传至图片服务器,并生成图片地址,根据所述图片地址获取所述备注图片,根据所述备注图片获取需要进行监控的目标物流订单的物流订单信息,对所述物流订单信息进行数据处理,从而得到目标物流订单信息。
请参阅图3,本发明实施例中物流订单监控方法的第三个实施例包括:
S301、以弹窗的方式提示对物品信息页的物品信息进行确认,当接收到确认操作时,通过订单中心图片服务提供图片上传接口;
S302、将所述备注图片通过所述图片上传接口上传至图片服务器,在所述图片上传接口展示图片缩略图,并判断所述备注图片是否上传成功;
S303、若所述备注图片上传成功,则生成所述备注图片对应的图片地址;
S304、若所述备注图片上传失败,则停留在当前页,并提醒用户再次上传或者上传新的备注图片。
在本实施例中,如图4所示,点击图片上传入口,呼起弹窗,可在弹窗内选择拍照或从相册选择,根据用户选择,呼起对应控件,点击取消或遮层部分,关闭弹窗;选择图片后,在原上传入口展示图片缩略图,同时在右上角显示“×”按钮,点击“×”后可以清除已选择的图片,入口展示为默认态;点击缩略图,放大展示图片,缩略图可以根据图片宽高自适应展示,勿拉伸。
当点击确认物品信息填写页后,将已选择的图片上传至图片服务器,获取图片地址,订单中心图片服务提供上传图片接口,若图片上传失败,则toast:图片上传失败,请重新上传,停留在当前页。若用户再次进入物品信息填写页并点击“×”,对图片进行删除。点击确认物品信息,则上传新的图片。用户下单时,将图片地址作为下单入参传给点通达;点通达提供新字段。订单备注中若带图片,则可在下单成功页、订单详情页、电子存根内,物品信息后展示icon,点击icon可全屏查看图片。
在本实施例中,图片上传时需对图片进行压缩,压缩至少200k以内,图片需存储180天,预估所需图片服务器:使用备注率(477/57260)*预估上传图片,率(0.1)*日均散单量(300000)*保存日期(180天)*图片大小(200k)≈8.5G,图片由订单中心存储,会员下单时传图片地址,详情查看时通过图片地址获取图片。
请参阅图5,本发明实施例中物流订单监控方法的第四个实施例包括:
S401、获取所述物流系统中的历史物流订单图片信息,根据所述历史物流订单图片信息对所述卷积神经网络模型进行训练,得到已训练好的卷积神经网络模型;
S402、获取所述物流系统中和所述目标物流订单对应的物流订单图片信息,对所述物流订单图片信息进行数据预处理后,输入至已训练好的卷积神经网络模型;
S403、基于已训练好的卷积神经网络模型根据数据预处理后的所述物流订单图片信息进行识别,输出物流订单识别信息。
在本实施例中,CNN卷积神经网络模型中包含DenseNet(稠密连接网络),它通过密集连接(dense connection)的方式将每一层的特征图与所有后续层的特征图连接在一起,从而有效地促进信息流动和特征重用。
DenseNet主要解决的也是卷积神经网络中的梯度消失和特征传递的效率问题,在传统的卷积神经网络中,由于每一层的输出只与其前一层的输出相连接,信息在网络中逐层传递时可能会逐渐丢失,导致梯度消失的问题,这限制了网络的深度和性能。DenseNet通过引入密集连接的结构,将每一层的特征图与所有后续层的特征图连接在一起,使得每一层都能够直接访问之前所有层的特征图,实现了特征的全面共享和重用。为了减小特征图的尺寸,DenseNet还会使用过渡层(Transition Layer),通过降低特征图的通道数和尺寸来控制网络的复杂度,解决了梯度消失问题。
DenseNet中的基本单元是称为“Dense Block”的模块,它由多个卷积层组成,每个卷积层的输出都会与前面所有层的输出进行连接。在每个Dense Block内部,通常还会使用批量归一化(batch normalization)和非线性激活函数(如ReLU)来增强模型的表达能力和非线性拟合能力。
本发明在获取所述物流系统中的历史物流订单图片信息后,根据所述历史物流订单图片信息(作为样本集)对所述卷积神经网络模型进行训练,得到已训练好的卷积神经网络模型,然后获取所述物流系统中和所述目标物流订单对应的物流订单图片信息,对所述物流订单图片信息进行数据预处理后,输入至已训练好的卷积神经网络模型,基于已训练好的卷积神经网络模型根据数据预处理后的所述物流订单图片信息进行识别,输出物流订单识别信息,便于后续跟所述目标物流订单信息进行对比。
请参阅图6,本发明实施例中物流订单监控方法的第五个实施例包括:
S501、根据稠密连接网络构建得到所述卷积神经网络模型,所述稠密连接网络通过使用过渡层降低特征图的通道数和尺寸;
S502、获取所述物流系统中的多个历史物流订单图片信息,将多个所述历史物流订单图片信息按照预设比例分为训练集、验证集和测试集;
S503、将所述训练集输入到所述卷积神经网络模型进行训练,并计算模型损失函数,直至所述模型损失函数达到收敛条件;
S504、使用所述验证集调整训练后的所述卷积神经网络模型的模型参数,并对训练后的所述卷积神经网络模型的稳定性进行评估;
S505、将所述测试集输入到稳定性评估合格的所述卷积神经网络模型中进行测试,得到测试结果;
S506、若所述测试结果符合训练要求,则得到已训练好的所述卷积神经网络模型。
在本实施例中,将所述物流系统中的多个历史物流订单图片信息按照预设比例分为训练集、验证集和测试集,将所述训练集输入到所述卷积神经网络模型进行训练,并计算模型损失函数,直至所述模型损失函数达到收敛条件,然后使用所述验证集调整训练后的所述卷积神经网络模型的模型参数,并对训练后的所述卷积神经网络模型的稳定性进行评估,最后将所述测试集输入到稳定性评估合格的所述卷积神经网络模型中进行测试,得到测试结果,若所述测试结果符合训练要求,则得到已训练好的所述卷积神经网络模型。
请参阅图7,本发明实施例中物流订单监控方法的第六个实施例包括:
S601、获取所述目标物流订单的根据用户下单时填写信息生成的目标物流订单信息,并获取所述目标物流订单在实际运输过程中由所述卷积神经网络模型识别到实际派送的物流订单识别信息;
S602、将所述目标物流订单信息和所述卷积神经网络模型输出的所述物流订单识别信息进行对比,根据对比过程中信息的一致性生成信息对比结果。
在本实施例中,将处理后的物流订单信息(即对所述物流订单信息进行数据处理得到的目标物流订单信息)和CNN卷积神经网络模型识别后的信息(即基于已训练好的卷积神经网络模型根据数据预处理后的所述物流订单图片信息进行识别后输出的物流订单识别信息)进行对比判断,判断两者信息是否一致,根据对比得到信息对比结果。
请参阅图8,本发明实施例中物流订单监控方法的第七个实施例包括:
S701、根据所述信息对比结果判断所述目标物流订单是否出现异常;
S702、若所述目标物流订单正常,则按照实际地址对所述目标物流订单进行派件;
S703、若所述目标物流订单出现异常,将所述目标物流订单标记为异常订单,并将不一致的信息传输至数据库中进行存储;
S704、对所述目标物流订单进行跟踪,获取所述目标物流订单在运输途中的实时状态和地理位置;
S705、在对所述目标物流订单进行派件时,通知派件员对所述目标物流订单的客户进行电话通知,并询问具体的地址后进行派件。
在本实施例中,根据所述信息对比结果判断所述目标物流订单是否出现异常,如果两者的信息一致,则不对该目标物流订单进行监控和跟踪,按照实际地址对所述目标物流订单进行派件即可。如果物流订单信息和识别后的信息不一致,则对该目标物流订单进行标记,同时将不一致的信息传输至数据库中进行存储,并对该目标物流订单进行跟踪,获取该目标物流订单在运输途中的实时状态和地理位置,由于存在不一致,所以有可能是客户的地址填写错误或者是客户图片中手写错误,因此在进行派件时,需要通知派件员对客户进行电话通知,询问具体的地址,进而进行派件,避免派件出现错误,提高派件效率。
本发明通过获取物流系统中目标物流订单的物流订单信息,对所述物流订单信息进行数据处理,得到目标物流订单信息;获取所述物流系统中和所述目标物流订单对应的物流订单图片信息,将所述物流订单图片信息输入至卷积神经网络模型进行识别,得到物流订单识别信息;将所述目标物流订单信息和所述卷积神经网络模型输出的所述物流订单识别信息进行对比,得到信息对比结果;如果所述信息对比结果表示所述目标物流订单信息和所述物流订单识别信息不一致,则对所述目标物流订单进行标记和异常处理,并存储在数据库中。本发明提供的是一种快运订单的物流订单监控方法,能有效提升物流订单的流转效率,避免地址填写错误带来的用户体验差的问题,提升用户体验的同时能够提升派件效率。
上面对本发明实施例中物流订单监控方法进行了描述,下面对本发明实施例中物流订单监控装置进行描述,请参阅图9,本发明实施例中物流订单监控装置一个实施例包括:
物流订单信息获取模块50,用于获取物流系统中目标物流订单的物流订单信息,对所述物流订单信息进行数据处理,得到目标物流订单信息;
物流订单信息识别模块60,用于获取所述物流系统中和所述目标物流订单对应的物流订单图片信息,将所述物流订单图片信息输入至卷积神经网络模型进行识别,得到物流订单识别信息;
物流订单信息对比模块70,用于将所述目标物流订单信息和所述卷积神经网络模型输出的所述物流订单识别信息进行对比,得到信息对比结果;
物流订单异常处理模块80,用于如果所述信息对比结果表示所述目标物流订单信息和所述物流订单识别信息不一致,则对所述目标物流订单进行标记和异常处理,并存储在数据库中。
本实施例中,通过对信息进行监控和对比,判断是否出现异常订单,对异常订单进行有效处理,能有效提升物流订单的流转效率,避免地址填写错误带来的用户体验差的问题,提升用户体验的同时能够提升派件效率。
请参阅图10,本发明实施例中物流订单监控装置的另一个实施例包括:
物流订单信息获取模块50,用于获取物流系统中目标物流订单的物流订单信息,对所述物流订单信息进行数据处理,得到目标物流订单信息;
物流订单信息识别模块60,用于获取所述物流系统中和所述目标物流订单对应的物流订单图片信息,将所述物流订单图片信息输入至卷积神经网络模型进行识别,得到物流订单识别信息;
物流订单信息对比模块70,用于将所述目标物流订单信息和所述卷积神经网络模型输出的所述物流订单识别信息进行对比,得到信息对比结果;
物流订单异常处理模块80,用于如果所述信息对比结果表示所述目标物流订单信息和所述物流订单识别信息不一致,则对所述目标物流订单进行标记和异常处理,并存储在数据库中。
在本实施例中,所述物流订单信息获取模块50包括:
物品信息维护单元501,用于根据单件寄件或者批量寄件的寄件信息维护物品信息页,生成备注图片,根据用户的添加或者修改操作更新所述备注图片;
图片上传与地址生成单元502,用于当确认所述备注图片中的物品信息后,将所述备注图片通过图片上传接口上传至图片服务器,并生成图片地址;
物流订单信息处理单元503,用于根据所述图片地址获取所述备注图片,根据所述备注图片获取需要进行监控的目标物流订单的物流订单信息,对所述物流订单信息进行数据处理,得到目标物流订单信息。
在本实施例中,所述图片上传与地址生成单元502包括:
信息确认子单元5021,用于以弹窗的方式提示对物品信息页的物品信息进行确认,当接收到确认操作时,通过订单中心图片服务提供图片上传接口;
图片上传子单元5022,用于将所述备注图片通过所述图片上传接口上传至图片服务器,在所述图片上传接口展示图片缩略图,并判断所述备注图片是否上传成功;
地址生成子单元5023,用于若所述备注图片上传成功,则生成所述备注图片对应的图片地址;
图片重上传子单元5024,用于若所述备注图片上传失败,则停留在当前页,并提醒用户再次上传或者上传新的备注图片。
在本实施例中,所述物流订单信息识别模块60包括:
模型训练单元601,用于获取所述物流系统中的历史物流订单图片信息,根据所述历史物流订单图片信息对所述卷积神经网络模型进行训练,得到已训练好的卷积神经网络模型;
物流订单图片信息处理单元602,用于获取所述物流系统中和所述目标物流订单对应的物流订单图片信息,对所述物流订单图片信息进行数据预处理后,输入至已训练好的卷积神经网络模型;
物流订单图片信息识别单元603,用于基于已训练好的卷积神经网络模型根据数据预处理后的所述物流订单图片信息进行识别,输出物流订单识别信息。
在本实施例中,所述模型训练单元601包括:
模型构建子单元6011,用于根据稠密连接网络构建得到所述卷积神经网络模型,所述稠密连接网络通过使用过渡层降低特征图的通道数和尺寸;
数据划分子单元6012,用于获取所述物流系统中的多个历史物流订单图片信息,将多个所述历史物流订单图片信息按照预设比例分为训练集、验证集和测试集;
训练集训练子单元6013,用于将所述训练集输入到所述卷积神经网络模型进行训练,并计算模型损失函数,直至所述模型损失函数达到收敛条件;
验证集验证子单元6014,用于使用所述验证集调整训练后的所述卷积神经网络模型的模型参数,并对训练后的所述卷积神经网络模型的稳定性进行评估;
测试集测试子单元6015,用于将所述测试集输入到稳定性评估合格的所述卷积神经网络模型中进行测试,得到测试结果;
模型生成子单元6016,用于若所述测试结果符合训练要求,则得到已训练好的所述卷积神经网络模型。
在本实施例中,所述物流订单信息对比模块包括70包括:
物流订单识别单元701,用于获取所述目标物流订单的根据用户下单时填写信息生成的目标物流订单信息,并获取所述目标物流订单在实际运输过程中由所述卷积神经网络模型识别到实际派送的物流订单识别信息;
物流信息对比单元702,用于将所述目标物流订单信息和所述卷积神经网络模型输出的所述物流订单识别信息进行对比,根据对比过程中信息的一致性生成信息对比结果。
在本实施例中,所述物流订单异常处理模块80包括:
订单异常判断单元801,用于根据所述信息对比结果判断所述目标物流订单是否出现异常;
正常订单派送单元802,用于若所述目标物流订单正常,则按照实际地址对所述目标物流订单进行派件;
订单异常标记单元803,用于若所述目标物流订单出现异常,将所述目标物流订单标记为异常订单,并将不一致的信息传输至数据库中进行存储;
派送信息获取单元804,用于对所述目标物流订单进行跟踪,获取所述目标物流订单在运输途中的实时状态和地理位置;
异常订单派送单元805,用于在对所述目标物流订单进行派件时,通知派件员对所述目标物流订单的客户进行电话通知,并询问具体的地址后进行派件。
本发明提供的是一种快运订单的物流订单监控方法,能有效提升物流订单的流转效率,避免地址填写错误带来的用户体验差的问题,提升用户体验的同时能够提升派件效率。
上面图9和图10从模块化功能实体的角度对本发明实施例中的物流订单监控装置进行详细描述,下面从硬件处理的角度对本发明实施例中物流订单监控设备进行详细描述。
图11是本发明实施例提供的一种物流订单监控设备的结构示意图,该物流订单监控设备11可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)11(例如,一个或一个以上处理器)和存储器12,一个或一个以上存储应用程序133或数据132的存储介质13(例如一个或一个以上海量存储设备)。其中,存储器12和存储介质13可以是短暂存储或持久存储。存储在存储介质13的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对物流订单监控设备10中的一系列指令操作。更进一步地,处理器11可以设置为与存储介质13通信,在物流订单监控设备10上执行存储介质13中的一系列指令操作。
物流订单监控设备10还可以包括一个或一个以上电源14,一个或一个以上有线或无线网络接口15,一个或一个以上输入输出接口16,和/或,一个或一个以上操作系统131,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图10示出的设备结构并不构成对物流订单监控设备10的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,计算机可读存储介质中存储有指令,当指令在计算机上运行时,使得计算机执行物流订单监控方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统或装置、单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种物流订单监控方法,其特征在于,所述物流订单监控方法包括:
获取物流系统中目标物流订单的物流订单信息,对所述物流订单信息进行数据处理,得到目标物流订单信息;
获取所述物流系统中和所述目标物流订单对应的物流订单图片信息,将所述物流订单图片信息输入至卷积神经网络模型进行识别,得到物流订单识别信息;
将所述目标物流订单信息和所述卷积神经网络模型输出的所述物流订单识别信息进行对比,得到信息对比结果;
如果所述信息对比结果表示所述目标物流订单信息和所述物流订单识别信息不一致,则对所述目标物流订单进行标记和异常处理,并存储在数据库中。
2.根据权利要求1所述物流订单监控方法,其特征在于,所述获取物流系统中目标物流订单的物流订单信息,对所述物流订单信息进行数据处理,得到目标物流订单信息的步骤包括:
根据单件寄件或者批量寄件的寄件信息维护物品信息页,生成备注图片,根据用户的添加或者修改操作更新所述备注图片;
当确认所述备注图片中的物品信息后,将所述备注图片通过图片上传接口上传至图片服务器,并生成图片地址;
根据所述图片地址获取所述备注图片,根据所述备注图片获取需要进行监控的目标物流订单的物流订单信息,对所述物流订单信息进行数据处理,得到目标物流订单信息。
3.根据权利要求2所述物流订单监控方法,其特征在于,所述当确认所述备注图片中的物品信息后,将所述备注图片通过图片上传接口上传至图片服务器,并生成图片地址的步骤包括:
以弹窗的方式提示对物品信息页的物品信息进行确认,当接收到确认操作时,通过订单中心图片服务提供图片上传接口;
将所述备注图片通过所述图片上传接口上传至图片服务器,在所述图片上传接口展示图片缩略图,并判断所述备注图片是否上传成功;
若所述备注图片上传成功,则生成所述备注图片对应的图片地址;
若所述备注图片上传失败,则停留在当前页,并提醒用户再次上传或者上传新的备注图片。
4.根据权利要求1所述物流订单监控方法,其特征在于,所述获取所述物流系统中和所述目标物流订单对应的物流订单图片信息,将所述物流订单图片信息输入至卷积神经网络模型进行识别,得到物流订单识别信息的步骤包括:
获取所述物流系统中的历史物流订单图片信息,根据所述历史物流订单图片信息对所述卷积神经网络模型进行训练,得到已训练好的卷积神经网络模型;
获取所述物流系统中和所述目标物流订单对应的物流订单图片信息,对所述物流订单图片信息进行数据预处理后,输入至已训练好的卷积神经网络模型;
基于已训练好的卷积神经网络模型根据数据预处理后的所述物流订单图片信息进行识别,输出物流订单识别信息。
5.根据权利要求4所述物流订单监控方法,其特征在于,所述获取所述物流系统中的历史物流订单图片信息,根据所述历史物流订单图片信息对所述卷积神经网络模型进行训练,得到已训练好的卷积神经网络模型的步骤包括:
根据稠密连接网络构建得到所述卷积神经网络模型,所述稠密连接网络通过使用过渡层降低特征图的通道数和尺寸;
获取所述物流系统中的多个历史物流订单图片信息,将多个所述历史物流订单图片信息按照预设比例分为训练集、验证集和测试集;
将所述训练集输入到所述卷积神经网络模型进行训练,并计算模型损失函数,直至所述模型损失函数达到收敛条件;
使用所述验证集调整训练后的所述卷积神经网络模型的模型参数,并对训练后的所述卷积神经网络模型的稳定性进行评估;
将所述测试集输入到稳定性评估合格的所述卷积神经网络模型中进行测试,得到测试结果;
若所述测试结果符合训练要求,则得到已训练好的所述卷积神经网络模型。
6.根据权利要求1所述物流订单监控方法,其特征在于,所述将所述目标物流订单信息和所述卷积神经网络模型输出的所述物流订单识别信息进行对比,得到信息对比结果的步骤包括:
获取所述目标物流订单的根据用户下单时填写信息生成的目标物流订单信息,并获取所述目标物流订单在实际运输过程中由所述卷积神经网络模型识别到实际派送的物流订单识别信息;
将所述目标物流订单信息和所述卷积神经网络模型输出的所述物流订单识别信息进行对比,根据对比过程中信息的一致性生成信息对比结果。
7.根据权利要求1或6所述物流订单监控方法,其特征在于,所述如果所述信息对比结果表示所述目标物流订单信息和所述物流订单识别信息不一致,则对所述目标物流订单进行标记和异常处理,并存储在数据库中的步骤包括:
根据所述信息对比结果判断所述目标物流订单是否出现异常;
若所述目标物流订单正常,则按照实际地址对所述目标物流订单进行派件;
若所述目标物流订单出现异常,将所述目标物流订单标记为异常订单,并将不一致的信息传输至数据库中进行存储;
对所述目标物流订单进行跟踪,获取所述目标物流订单在运输途中的实时状态和地理位置;
在对所述目标物流订单进行派件时,通知派件员对所述目标物流订单的客户进行电话通知,并询问具体的地址后进行派件。
8.一种物流订单监控装置,其特征在于,包括:
物流订单信息获取模块,用于获取物流系统中目标物流订单的物流订单信息,对所述物流订单信息进行数据处理,得到目标物流订单信息;
物流订单信息识别模块,用于获取所述物流系统中和所述目标物流订单对应的物流订单图片信息,将所述物流订单图片信息输入至卷积神经网络模型进行识别,得到物流订单识别信息;
物流订单信息对比模块,用于将所述目标物流订单信息和所述卷积神经网络模型输出的所述物流订单识别信息进行对比,得到信息对比结果;
物流订单异常处理模块,用于如果所述信息对比结果表示所述目标物流订单信息和所述物流订单识别信息不一致,则对所述目标物流订单进行标记和异常处理,并存储在数据库中。
9.一种物流订单监控设备,其特征在于,包括存储器和至少一个处理器,所述存储器中存储有计算机可读指令;
所述至少一个处理器调用所述存储器中的所述计算机可读指令,以执行如权利要求1-7中任一项所述物流订单监控方法的各个步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机可读指令,其特征在于,所述计算机可读指令被处理器执行时实现如权利要求1-7中任一项所述物流订单监控方法的各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311848331.6A CN117952490A (zh) | 2023-12-28 | 2023-12-28 | 物流订单监控方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311848331.6A CN117952490A (zh) | 2023-12-28 | 2023-12-28 | 物流订单监控方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117952490A true CN117952490A (zh) | 2024-04-30 |
Family
ID=90791392
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311848331.6A Pending CN117952490A (zh) | 2023-12-28 | 2023-12-28 | 物流订单监控方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117952490A (zh) |
-
2023
- 2023-12-28 CN CN202311848331.6A patent/CN117952490A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10666814B2 (en) | Maintenance system, maintenance server, and maintenance method using a prediction model | |
CN110278121B (zh) | 一种检测网络性能异常的方法、装置、设备及存储介质 | |
CN111047264B (zh) | 一种物流任务分配方法及装置 | |
CN106156147A (zh) | 一种基于大数据分析的报告发送方法、装置及系统 | |
CN108255654A (zh) | 自动检测方法及装置 | |
CN114386088A (zh) | 数据校验方法、装置、计算机设备和存储介质 | |
CN117952490A (zh) | 物流订单监控方法、装置、设备及存储介质 | |
CN114444751A (zh) | 物资需求预测方法、装置、计算机设备以及存储介质 | |
CN115865777A (zh) | 一种基于rpa技术的招聘订单智能分发路由方法 | |
CN109600250A (zh) | 业务系统故障通知方法、装置、电子装置及存储介质 | |
CN115438812A (zh) | 输电设备全生命管理方法、装置、计算机设备和存储介质 | |
WO2020215542A1 (zh) | 信息通知方法、装置、计算机设备及存储介质 | |
CN110473079B (zh) | 一种基于图像识别的报销清单生成方法、装置及电子设备 | |
CN110457367B (zh) | 发现数据异动的方法和系统 | |
CN111429081B (zh) | 人力资源信息处理方法、装置及系统 | |
CN114693039A (zh) | 异常快件识别方法、装置、计算机设备和存储介质 | |
JP4926211B2 (ja) | プロジェクト管理システム及びプロジェクト管理プログラム | |
CN106575385A (zh) | 自动售票 | |
CN111222846A (zh) | 报销流程的跟踪方法、装置、计算机设备和存储介质 | |
CN115577867B (zh) | 一种抽检任务创建方法、系统、计算机设备及存储介质 | |
CN117689314B (zh) | 订单智能处理方法、装置、计算机设备及存储介质 | |
CN117312880B (zh) | 一种车辆基本信息数据的处理方法和装置 | |
US20170270459A1 (en) | Device, System, and Method for Tracking Job Management | |
Wahyuni | Business Process Improvement at Rosokku | |
CN111144734B (zh) | 基于缓存的公平派工方法、装置及计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |