一种基于气压传感的物流过程中违规操作行为的检测方法

技术领域

本发明涉及物流包装盒状态检测领域，尤其涉及一种基于气压传感的物流过程中违规操作行为的检测方法。

背景技术

物流过程中违规操作是指在货物的揽收、中转、仓储以及配送等整个物流环节中，作业人员对货物进行野蛮作业的行为。其中物流违规操作的现象在快递领域尤为严重，据《快递服务体验式调查报告》显示，物流过程中违规操作行为以及野蛮装卸的行为在快递行业十分普遍，其中至少16.1％的快递件出现不同程度的损伤。并且2021年12月邮政业用户申诉情况通告显示，快递服务申诉的主要问题中快件损毁占申诉总量的21.8％。

目前，常见的物流过程中违规操作行为有踩踏、挤压、抛扔三种。传统的方式是通过人工巡检的方式去分辨违规行为发生的时间及类别，人工巡检的方法存在着成本高、效率低、易受外界干扰等缺点。随着技术的发展，物流过程中违规操作行为的检测主要有两种技术路线：第一种为基于视频和图像的快递异常操作行为的识别方法；第二种是基于传感器集群的快递异常操作行为的识别方法。近年来，基于视频和图片对目标行为进行检测的方法得到迅速发展，并被广泛应用于农业、医疗、工业制造等诸多领域，但是基于视频和图像的识别方法识别精度受视频和图片的质量影响，视频及图片的质量在复杂的天气状况和物流环境中无法得到有效的保证。因此，简易且精确的检测方法具有重要的理论和实际意义，而基于传感器集群的快递异常操作行为的识别方法将传感器内置于包裹中，通过开发专用硬件和云平台对异常行为进行分析处理，满足物流过程违规操作监测环境复杂多变的需求。

发明内容

本发明的目的在于提供一种基于气压传感的物流过程中违规操作行为的检测方法，通过气压检测模块检测物体内部的气压变化，通过人工智能算法进行模式识别，判断违规操作发生的时间、地点和行为，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于气压传感的物流过程中违规操作行为检测的监测装置，包括气压监测模块、数据处理模块、数据传输模块以及数据分析模块；

气压监测模块，其主要功能为实时监测物流过程的气压值的变化，将采集的气压数据输出到数据处理模块进行数据的预处理；主要由气压传感器、电阻、电容等基本元器件组成；气压传感器应用于物流过程中的违规操作行为，具有功耗低、精度高、稳定性强的特点，将其选做物流过程中违规操作的监测设备，充分满足了复杂物流环境的要求；

数据处理模块，通过气压监测模块获取的数据存在因环境、自身损耗等因素所造成的噪声影响，会对实验结果产生影响；而数据处理模块利用移动平均法、指数平滑法等有效解决了这一问题，其主要功能为对气压检测模块获取的数据进行预处理，消除数据因环境因素和自身因素而产生的噪声影响；

数据传输模块，其主要包含4G模块、蓝牙模块等；通过数据处理模块后的数据一部分将由数据分析模块进行分析，另一部分将由数据传输模块直接传输到云平台以便后续的查询分析；数据传输模块的主要功能为将预处理后的数据传输到云平台；

数据分析模块，数据分析模块的主要功能为通过人工智能算法进行违规操作行为的状态监测；数据分析模块属于轻量化的实时检测模块，将处理后的数据经过轻量化的算法进行状态识别，获取物体在物流过程中的状态，判断是否发生违规操作；

进一步的：通过数据传输模块传输的数据将最终传输到云平台进行分析。云平台相较于数据分析模块的轻量化识别方式，将采用更为复杂的识别方法进行状态检测，如循环神经网络、卷积神经网络等。

一种基于气压传感的物流过程中违规操作行为的检测方法，其特征在于，包括以下步骤：

(1)将监测装置安装在快递包裹中；

(2)利用监测装置实时监测快递包裹内部的气压变化；

若存在异常的气压变化，便将气压变化的强度、持续时间以及波形保存；如不存在气压的异常变化，则继续监测气压的变化；

(3)对监测到异常变化的气压数据，选择在移动端进行识别或上传到云平台，运用更为复杂的监测方法进行识别；

(4)检测物流过程中的违规操作行为；对存在异常的气压变化的快递包裹发生的违规操作的类别进行状态检测；判断所得气压数据是否满足物流违规操作的条件：若满足，则对违规操作进行分类；如不满足则返回步骤(2)；

(5)对违规操作发生的时间、地点进行记录并上传到云平台。

进一步的：所述步骤(1)中的监测装置能够附着在内部货物表面，或者固定在包装内壁。

进一步的：所述步骤(2)中气压变化的数据中包含气压变化时间序列。

再进一步的：所述步骤(4)中的违规操作类型分别为短暂性施力挤压、持续性施力挤压、踩踏和夹抱。

与现有技术相比，本发明提出基于气压传感的物流违规行为检测方法具有低功耗、高精度、续航久等特点。低功耗保证了设备运行过程中更少的能源消耗；高精度能够保障在物流过程中发生违规行为可以精准的监测；续航久保证了设备在长时间的运行过程能够提供连续的电能供应。

本发明具有广泛的适用性，可适用于不同尺寸的物流包装以及不同方式破损状态检测，尤其针对贵重货物有效避免货物损失，通过数据反馈可有效对快递包裹的损坏进行定责监管，对改善物流环境、保证物流安全具有重要的作用。

附图说明

图1为根据本发明违规操作行为的检测方法的模块结构示意图。

图2(a)为本发明实施例中短暂性施力挤压的气压异常曲线图。

图2(b)为本发明实施例中持续性施力挤压的气压异常曲线图。

图2(c)为本发明实施例中踩踏的气压异常曲线图。

图2(d)为本发明实施例中夹抱的气压异常曲线图。

图3(a)为本发明实施例中违规行为数据分布图。

图3(b)本发明实施例中违规数据使用KNN进行识别的混淆矩阵图。

图4为根据本发明基于气压传感的物流过程中违规操作行为的检测方法的实施流程图。

具体实施方式

本发明的基于气压传感的物流过程中违规操作行为的检测方法，是检测气压的变化反应包裹内部的状态变化，对物流过程进行实时的监测，运用人工智能算法对物体状态实时监测。若存在异常的气压变化，便对气压变化的强度、持续时间以及波形进行识别；如不存在气压的异常变化，则继续监测气压。

下面结合具体实施方式对本专利的技术方案作进一步详细地说明，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

如图1所示的本发明违规行为的识别方法及装置的模块结构，其中包含气压监测模块、数据处理模块、数据传输模块以及数据分析模块。

为验证本发明基于气压传感的物流过程中违规操作行为的检测方法的实施效果，进行以下验证：

(1)气压监测模块选型

主要监测设备为气压监测模块，其主要功能为实时检测包裹内的气压变化，获取快递包裹物流活动中的气压状态信息。模块选用BOSCH公司研发的BMP390高精度压力传感器，其通信方式为I

(2)算法概述

违规行为的识别算法有K最邻近(KNN，K-Nearest Neighbor)分类算法、支持向量机(SVM，Support Vector Machine)和卷积神经网络(CNN,Convolutional NeuralNetworks)等，以K近邻算法为例，介绍违规行为识别的具体实施方式。

K近邻算法是一种分类与回归算法，算法的核心思想是输入没有标签的数据，根据每一个维度的特征，从样本集选出k的最靠近的邻居，如果这k个样本中的大多数属于某一个类别，则该样本也属于这个类别，即每个样本都可以用它最接近的k个邻居来代表。

1)算法实现流程

基于上述思想，给出如下所示的KNN算法：

输入如公式(1)训练数据集，其中

T＝{(x

公式(2)yi为实例的类别，其中，i＝1,2,…,N，预测实例x；

yi∈Y＝{c

输出为预测实例x所属类别y。

给定上述条件后，该算法的具体实施步骤如下：第一个步骤是，通过给定的测距方法(通常采用欧氏距离)，从训练集T中找到与x最接近的k个样本点；第二个步骤是，实例x的归属分类y是按照以下大多数表决的原则决定，具体见公式(3)

2)实验

获取的异常行为数据类型如图2(a)-图2(d)所示，分为四类，分别为短暂性施力挤压、持续性施力挤压、踩踏和夹抱。

短暂性施力挤压是指某一包裹受到其他包裹或物体挤压时，施力物可能在短暂的施力过程中主动离开受力包裹(水平、倾斜滚落)或被动离开受力包裹(人为拿起、被其他具有动量的物体挤走)；如图2(a)其特点为分别在较短的时间区间内出现明显的峰值与谷值且峰值与谷值的出现有明显的区间间隔。

持续性施力挤压是指包裹被挤压后，施力物体由于动量消失，或其上方、斜上方存在其他堆叠物体致多个施力物体与包裹保持相对静止，且该状态短时间内不发生改变；如图2(b)所示在较短的时间区间内出现明显的峰值与谷值且峰值与谷值的出现无明显的区间间隔。

踩踏是指依照成年人的平均步行速度(约1.2m/s)，控制每组实验步行抬腿高度始终高于实验用包裹高度，随机对包裹进行，不同受力面积大小的踩踏，动作完成后施力脚按平均步行速度离开包裹；如图2(c)分别在较短的时间区间内出现明显的峰值、谷值、次峰值与次谷值且峰值、谷值、次峰值与次谷值随实验过程依次出现。

夹抱是指夹抱过程中施力物体完全接触到包装物，如图2(d)分别在较短的时间区间内出现明显的峰值与谷值且峰值先出现，谷值后出现，峰值绝对值一般小于谷值绝对值，峰值与谷值的出现有明显的区间间隔。

3)结果分析

将四类违规行为各取100组作为数据集，选取任意792组违规行为数据，如图3(a)，其中短暂性施力挤压199组，持续性施力挤压196组，踩踏198组，夹抱199组。将违规数据使用KNN进行识别的混淆矩阵如图3(b)，由图可知识别平均准确率高于99.1％，故KNN算法可有效对违规行为进行检测。

(3)实施场景及操作方法

参阅图4，以下以众多应用场景中快递包裹运输为例进行叙述。

1)将监测装置安装在快递包裹中，既可附着在内部货物表面，又可以固定包装内壁；监测装置安装可根据不同货物的类型以及需求进行调整。

2)快递包裹进行正常快递作业，其中包含发货、运输、装卸搬运、配送、回收等操作。

3)监测装置监测气压变化，利用监测装置实时监测快递包裹内部的气压变化，其中，每个所述样本数据中包含一段气压变化时间序列。

若存在异常的气压变化，便将气压变化的强度、持续时间以及波形保存；如不存在气压的异常变化，则继续监测气压的变化。

4)移动端识别或上传到云端平台，对监测到异常变化的气压数据，可选择在移动端进行识别或上传到云平台，运用更为复杂的监测方法进行识别。

5)检测物流过程中的违规操作行为，对存在异常的气压变化的快递包裹发生的违规操作的类别进行状态检测。根据K最邻近(KNN，K-Nearest Neighbor)识别违规操作的类别。判断所得气压数据是否满足物流违规操作的条件：若满足，则使用上述方法对违规操作进行分类；如不满足则返回步骤3)。

6)记录物流过程中违规操作的时间、地点。若确定存在违规操作行为，将对违规操作发生的时间、地点进行记录并上传到云平台，以便后续查询定责。

7)将检测结果生成报告反馈给事故相关方。

8)对降低事故发生和改进包装结构提出建议。

上面对本专利的较佳实施方式作了详细说明，但是本专利并不限于上述实施方式，在本领域的普通技术人员所具备的知识范围内，还可以在不脱离本专利宗旨的前提下作出各种变化。