货损风险的检测方法、装置、设备和介质

技术领域

本发明涉及图像处理技术领域，尤其涉及一种货损风险的检测方法、装置、设备和介质。

背景技术

在货运场景中，司机在平台上接到运输订单后，由于履约过程中没有严格遵守运输规范而导致货物出现损坏的情况时有发生，这其中出现频率较高的问题就是在雨雪天气时司机没有及时采取防雨雪措施，导致货物受湿变质。

为了防止货物在雨雪天气受湿变质，现有技术大多依赖人工抽检的方式检查司机是否及时采取防雨雪措施，但这无疑会带来较大的人力成本，且检查效率和准确率较低。

发明内容

本发明提供了一种货损风险的检测方法、装置、设备和介质，以解决现有技术通过人工方式检查司机是否及时采取防雨雪措施，存在人力成本较大，且检查效率和准确率较低的问题。

根据本发明的一方面，提供了一种货损风险的检测方法，包括：

根据候选货运订单对应待运输货物的货物种类，以及承接所述候选货运订单的候选车辆的车辆类型，从所述候选车辆中确定待检测车辆；

获取所述待检测车辆的车辆采集图像，并根据所述车辆采集图像确定所述待检测车辆中防雨雪设备的配备状态和/或工作状态；

根据所述配备状态和/或工作状态，对所述待检测车辆进行货损风险检测。

根据本发明的另一方面，提供了一种货损风险的检测装置，包括：

待检测车辆确定模块，用于根据候选货运订单对应待运输货物的货物种类，以及承接所述候选货运订单的候选车辆的车辆类型，从所述候选车辆中确定待检测车辆；

状态确定模块，用于获取所述待检测车辆的车辆采集图像，并根据所述车辆采集图像确定所述待检测车辆中防雨雪设备的配备状态和/或工作状态；

货损风险检测模块，用于根据所述配备状态和/或工作状态，对所述待检测车辆进行货损风险检测。

根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的账户的处罚方法。

根据本发明的另一方面，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存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的账户的处罚方法。

本发明实施例的技术方案，通过根据候选货运订单对应待运输货物的货物种类，以及承接候选货运订单的候选车辆的车辆类型，从候选车辆中确定待检测车辆，获取待检测车辆的车辆采集图像，并根据车辆采集图像确定待检测车辆中防雨雪设备的配备状态和/或工作状态，根据配备状态和/或工作状态，对待检测车辆进行货损风险检测，实现了基于车辆采集图像自动对待检测车辆进行货损风险检测的效果，大大减少人工介入，节省了人力成本，且提高了检测效率以及准确率。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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一些实施例，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，还可以根据这些附图获得其他的附图。

图1为本发明实施例一提供了一种货损风险的检测方法的流程图；

图2为本发明实施例二提供的一种货损风险的检测方法的流程图；

图3为本发明实施例三提供的一种货损风险的检测方法的流程图；

图4为本发明实施例四提供的一种货损风险检测的流程示意图；

图5为本发明实施例五提供的一种货损风险的检测装置的结构示意图；

图6是实现本发明实施例的货损风险的检测方法的电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“候选”、“待检测”、“第一”和“第二”等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，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，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。

货运平台的出现消除了传统物流时代由于信息不对称而产生的车辆空驶、运力浪费和多头中间商赚差价等问题，从而提高了货物接取运达效率，且降低了社会物流总成本和碳排放量，助力中国物流大市场转型升级。

司机在货运平台接到运输订单后，会按照预定的时间和地点对货物进行装货和卸货，然而由于司机的主观情况或者其他客观情况，司机在履约过程中没有严格遵守运输规范而导致货物出现损坏的情况时有发生。

这其中出现频率较高的问题就是在雨雪天气时司机没有及时采取防雨雪措施，导致货物受湿变质，例如，司机没有按照运输规范随车配置防雨雪设备，无法在雨雪天气为货物提供保护；又例如，司机在雨雪天气运输时没有及时开启防雨雪设备，导致货物受湿变质等。一旦货物出现损坏，无疑会导致货主与司机之间出现纠纷，也会影响货运平台的平台形象。

因此，对司机的履约过程检测货损风险，并及时推送至司机侧，有利于降低货损货差率、减少司责纠纷、提高司机履约意识、提高货主黏度和平台形象、以及降低公司支付的保险费用等。

现有技术大多依赖人工抽检的方式检查司机是否及时采取防雨雪措施，但是由于不同地区天气状况不同，审核员需要重复检查同一承运司机履约全程的货损风险，这显然会大量耗费时间和精力的，增加了人力成本，同时人工在重复检查时容易出现懈怠心理，导致检测的准确度各效率难以保证。

实施例一

图1为本发明实施例一提供了一种货损风险的检测方法的流程图，本实施例可适用于货运平台自动对待检测车辆进行货损风险检测的情况，该方法可以由货损风险的检测装置来执行，该货损风险的检测装置可以采用硬件和/或软件的形式实现，该货损风险的检测装置可配置于货运平台中。如图1所示，该方法包括：

S101、根据候选货运订单对应待运输货物的货物种类，以及承接候选货运订单的候选车辆的车辆类型，从候选车辆中确定待检测车辆。

其中，候选货运订单表示在货运平台的货运订单池中，已经被货运司机接单且未运输结束的货运订单集合。待运输货物表示各候选货运订单中需要被货运车辆运输的货物，而货物种类则体现了待运输货物的类别，例如货物种类包括但不限于粮食、建材、书本、服装、电器和家具等等。

候选车辆表示承接候选货运订单，用于运输候选货运订单对应待运输货物的货运车辆。可以理解的是，任一候选货运订单与承接该候选货运订单的候选车辆之间具有唯一的关联关系。候选车辆的车辆类型则体现了候选车辆的类别，例如车辆类型包括但不限于面包车、厢货、平板车和高栏车等等。

在一种实施方式中，货运平台从货运订单池中获取候选货运订单，并在货运订单池对应的数据库中获取候选货运订单对应的订单信息，并从订单信息中获取候选货运订单对应待运输货物的货物种类。进一步地，货运平台从司机数据库中获取承接候选货运订单的候选车辆的车辆信息，并从车辆信息中获取候选车辆的车辆类型。

货运平台根据货物种类确定待运输货物是否为易潮湿货物，且根据车辆类型确定候选车辆是否为封闭式车辆。若任一候选车辆不是封闭式车辆，表示该候选车辆不具备遮挡雨雪的能力，与此同时该候选车辆承接的候选货运订单对应的待运输货物为易潮湿货物，则可以确定该候选车辆为待检测车辆，需要进行货损风险检测。相应的，若任一候选车辆是封闭式车辆，或者，该候选车辆承接的候选货运订单对应的待运输货物不是易潮湿货物，则可以确定该候选车辆不是待检测车辆，无需进行货损风险检测。

通过根据候选货运订单对应待运输货物的货物种类，以及承接候选货运订单的候选车辆的车辆类型，从候选车辆中确定待检测车辆，实现了从候选车辆中筛选出需要进行货损风险检测的待检测车辆的效果，从而无需后续对每个候选车辆都进行货损风险检测，避免了无意义的货损风险检测，提高了货损风险检测的效率。

S102、获取待检测车辆的车辆采集图像，并根据车辆采集图像确定待检测车辆中防雨雪设备的配备状态和/或工作状态。

其中，车辆采集图像表示对待检测车辆的货物仓进行图像采集得到的图像，其可以是由待检测车辆的货运司机自主对货物仓进行图像采集得到，也可以通过安装在待检测车辆上的摄像头自动对货物仓进行图像采集得到，本实施例并不对车辆采集图像的具体采集方式进行限定。

防雨雪设备的配备状态体现了待检测车辆中是否配备了防雨雪设备，其包括已配备状态和未配备状态。防雨雪设备的工作状态体现了待检测车辆中是否已开启了防雨雪设备，其包括已开启状态和未开启状态。防雨雪设备包括但不限于挡雨布、挡雨板、挡雪布、挡雪板、用于固定挡雨布/挡雪布的捆扎绳、或者其他任意具有遮挡雨雪功能的设备等，本实施例同样并不对防雨雪设备的具体类型进行限定。

在一种实施方式中，货运平台向待检测车辆的货运司机发送提示信息，以提示货运司机对货物仓进行图像采集，并将采集到的车辆采集图像上传至货运平台。当货运司机将车辆采集图像上传至货运平台后，货运平台对车辆采集图像进行识别，并根据识别结果确定待检测车辆中防雨雪设备的配备状态和/或工作状态。

在另一种实施方式中，各候选车辆上均安装有智能摄像头，且智能摄像头与货运平台之间通信连接。货运平台向待检测车辆中的智能摄像头发送控制指令，以控制待检测车辆中的智能摄像头开启，用于对待检测车辆的货物仓自动进行图像采集，得到车辆采集图像。智能摄像头将车辆采集图像发送给货运平台，货运平台对车辆采集图像进行识别，并根据识别结果确定待检测车辆中防雨雪设备的配备状态和/或工作状态。

通过获取待检测车辆的车辆采集图像，并根据车辆采集图像确定待检测车辆中防雨雪设备的配备状态和/或工作状态，实现了基于对车辆采集图像的图像识别结果，自动确定待检测车辆中防雨雪设备的配备状态和/或工作状态的效果，无需人工介入，节省了人力成本。

S103、根据配备状态和/或工作状态，对待检测车辆进行货损风险检测。

在一种实施方式中，货运平台根据待检测车辆中防雨雪设备的配备状态，对待检测车辆进行货损风险检测。具体的，若防雨雪设备的配备状态为未配备状态，则表示待检测车辆无法在雨雪天气对待运输货物提供保护，则确定待检测车辆存在货损风险；若防雨雪设备的配备状态为已配备状态，则表示待检测车辆能够在雨雪天气对待运输货物提供保护，则确定待检测车辆不存在货损风险。

在另一种实施方式中，货运平台根据待检测车辆中防雨雪设备的工作状态，对待检测车辆进行货损风险检测。具体的，若防雨雪设备的工作状态为未开启状态，则表示待检测车辆在雨雪天气没有及时对待运输货物提供保护，则确定待检测车辆存在货损风险；若防雨雪设备的工作状态为已开启状态，则表示待检测车辆在雨雪天气及时对待运输货物提供保护，则确定待检测车辆不存在货损风险。

在另一种实施方式中，货运平台先根据待检测车辆中防雨雪设备的配备状态，对待检测车辆进行货损风险检测，再根据待检测车辆中防雨雪设备的工作状态，对待检测车辆进行货损风险检测。具体的，首先确定防雨雪设备的配备状态是否为已配备状态，若否，则确定待检测车辆存在货损风险，若是，则确定防雨雪设备的工作状态是否为已开启状态，若否，则确定待检测车辆存在货损风险，若是，则确定待检测车辆不存在货损风险。

本发明通过根据候选货运订单对应待运输货物的货物种类，以及承接候选货运订单的候选车辆的车辆类型，从候选车辆中确定待检测车辆，获取待检测车辆的车辆采集图像，并根据车辆采集图像确定待检测车辆中防雨雪设备的配备状态和/或工作状态，根据配备状态和/或工作状态，对待检测车辆进行货损风险检测，实现了基于车辆采集图像自动对待检测车辆进行货损风险检测的效果，大大减少人工介入，节省了人力成本，并且由于是货运平台自动检测，避免了人工检测方式容易出现懈怠心理的问题，提高了检测效率以及准确率。

实施例二

图2为本发明实施例二提供的一种货损风险的检测方法的流程图，本实施例对上述实施例一进行进一步优化与扩展，并可以与上述各个可选实施方式进行结合。如图2所示，该方法包括：

S201、根据货物种类确定待运输货物是否为易潮湿货物，并确定候选车辆的车辆类型是否为非厢货类型。

在一种实施方式中，将待运输货物的货物类型与易潮湿货物对应的至少一个候选货物类型进行匹配，若待运输货物的货物类型与任一易潮湿货物对应的候选货物类型相匹配，则确定待运输货物为易潮湿货物，否则不是易潮湿货物。例如，若待运输货物的货物类型为纸箱包装货物、粮食、水泥和石灰中的一种，则确定待运输货物为易潮湿货物。相反，若待运输货物的货物类型为煤炭或钢材等，则确定待运输货物不是易潮湿货物。

将候选车辆的车辆类型与非厢货类型对应的至少一个车辆类型进行匹配，若候选车辆的车辆类型与任一非厢货类型对应的车辆类型相匹配，则确定候选车辆的车辆类型为非厢货类型，否则不是非厢货类型。例如，若候选车辆的车辆类型为平板车或者高栏车，则确定候选车辆的车辆类型为非厢货类型。

S202、在待运输货物为易潮湿货物，且车辆类型为非厢货类型的情况下，将候选车辆作为待检测车辆。

在一种实施方式中，若待运输货物为易潮湿货物，且候选车辆的车辆类型为非厢货类型，则表示候选车辆在雨雪天气运输待运输货物时，需要考虑货物潮湿受损的风险，因此将候选车辆作为待检测车辆。

通过根据货物种类确定待运输货物是否为易潮湿货物，并确定候选车辆的车辆类型是否为非厢货类型，在待运输货物为易潮湿货物，且车辆类型为非厢货类型的情况下，将候选车辆作为待检测车辆，实现了精准筛选存在货物潮湿受损风险的待检测车辆的效果，避免后续对不存在货物潮湿受损风险的候选车辆进行无意义的货损风险检测，提高了货损风险检测的效率。

S203、获取待检测车辆的车辆采集图像。

可选的，S203包括以下步骤A1、B1和C1：

A1、获取目标货运订单对应装卸货地点的装卸货位置信息以及装卸货时间信息。

其中，目标货运订单为待检测车辆承接的候选货运订单。装卸货地点包括装货地点和卸货地点，装卸货位置信息包括装货位置信息和卸货位置信息，装卸货时间信息包括装货时间信息和卸货时间信息。

在一种实施方式中，货运平台在货运订单池对应的数据库中获取目标货运订单对应的订单信息，并从订单信息中获取目标货运订单对应装卸货地点的装卸货位置信息以及装卸货时间信息。

B1、根据装卸货位置信息以及装卸货时间信息，预测装卸货地点的第一天气状态。

在一种实施方式中，货运平台通过接口调用天气预报功能，基于装卸货位置信息以及装卸货时间信息，预测在装卸货时间时装卸货地点的第一天气状态。

C1、在第一天气状态为雨雪天气的情况下，获取待检测车辆的车辆采集图像。

在一种实施方式中，若装货地点的第一天气状态为雨雪天气，且待检测车辆正行驶至装货地点，则获取待检测车辆的车辆采集图像。

在另一种实施方式中，若卸货地点的第一天气状态为雨雪天气，且待检测车辆正行驶至卸货地点，则获取待检测车辆的车辆采集图像。

例如，货运平台弹窗提醒货运司机上传车辆采集图像，如司机未及时响应，则转至人工电呼提醒。

通过获取目标货运订单对应装卸货地点的装卸货位置信息以及装卸货时间信息；其中，目标货运订单为待检测车辆承接的候选货运订单，根据装卸货位置信息以及装卸货时间信息，预测装卸货地点的第一天气状态，在第一天气状态为雨雪天气的情况下，获取待检测车辆的车辆采集图像，实现了在装卸货地点为雨雪天气时，及时对待检测车辆进行货损风险检测的效果，避免出现待运输货物在装卸货地点潮湿受损的问题；并且，仅在装卸货地点为雨雪天气时，才触发获取待检测车辆的车辆采集图像，避免非雨雪天气时获取无意义的车辆采集图像，提高了整个检测流程的效率。

可选的，S203包括以下步骤A2和B2：

A2、获取待检测车辆在当前时刻的车辆位置信息，并根据当前时刻以及车辆位置信息，预测待检测车辆所处区域的第二天气状态。

其中，待检测车辆所处区域表示待检测车辆在当前时刻所处的地理区域范围，包括但不限于街道、辖区、市或省等。

在一种实施方式中，待检测车辆中安装有定位装置，且定位装置与货运平台之间通信连接，货运平台通过定位装置获取待检测车辆在当前时刻的车辆位置信息。进一步地，货运平台通过接口调用天气预报功能，基于车辆位置信息以及当前时刻，预测待检测车辆所处区域的第二天气状态。

B2、在第二天气状态为雨雪天气的情况下，获取待检测车辆的车辆采集图像。

在一种实施方式中，若待检测车辆所处区域的第二天气状态为雨雪天气，则获取待检测车辆的车辆采集图像。

通过获取待检测车辆在当前时刻的车辆位置信息，并根据当前时刻以及车辆位置信息，预测待检测车辆所处区域的第二天气状态，在第二天气状态为雨雪天气的情况下，获取待检测车辆的车辆采集图像，实现了在待检测车辆所处区域为雨雪天气时，及时对待检测车辆进行货损风险检测的效果，避免出现待运输货物潮湿受损的问题；并且，仅在待检测车辆所处区域为雨雪天气时，才触发获取待检测车辆的车辆采集图像，避免非雨雪天气时获取无意义的车辆采集图像，提高了整个检测流程的效率。

S204、将车辆采集图像输入至防雨雪设备检测模型中，并根据防雨雪设备检测模型的输出结果，确定待检测车辆中防雨雪设备的配备状态。

其中，防雨雪设备检测模型的类型为目标检测模型或语义分割模型。

在一种实施方式中，货运平台调用训练完成的防雨雪设备检测模型，并将车辆采集图像输入至防雨雪设备检测模型中，进而根据防雨雪设备检测模型的输出结果，确定车辆采集图像中是否包含了防雨雪设备，若是，则确定待检测车辆中防雨雪设备的配备状态为已配备状态，若否，则确定待检测车辆中防雨雪设备的配备状态为未配备状态。

可选的，在本实施例中可以采用目标检测模型或语义分割模型，作为防雨雪设备配备状态的检测手段，包括但不限于YOLO系列模型或者segformer系列模型等。其中，目标检测模型的模型结构包括但不限于输入层、图像特征提取多层卷积神经网络、组合图像特征层和输出层等。

传统的特征匹配或模板匹配方法，无法快速且准确的检测到司机上传车辆采集图像中的防雨雪设备，因为防雨雪设备的颜色、折叠形状和大小多变。而本发明通过将车辆采集图像输入至防雨雪设备检测模型中，并根据防雨雪设备检测模型的输出结果，确定待检测车辆中防雨雪设备的配备状态，其中，防雨雪设备检测模型能够对识别不同大小、形状和颜色的防雨雪设备更加鲁棒。

可选的，防雨雪设备检测模型的训练方式包括但不限于以下方式：

获取第一数量的第一训练图像，以及第二数量的第二训练图像；将第一训练图像作为训练正样本，且将第二训练图像作为训练负样本，对待训练模型进行训练生成防雨雪设备检测模型。

其中，第一训练图像为包含防雨雪设备的训练图像，例如真实运输场景下包含防雨雪设备的货运车辆图像。第二训练图像为不包含防雨雪设备的训练图像，例如真实运输场景下不包含防雨雪设备的货运车辆图像。

第一数量与第二数量之间的数量比值为预设比值，优选的，设定第一数量与第二数量的数据比值为10:1。

在一种实施方式中，对第一训练样本图像中包含的防雨雪设备的类别及防雨雪设备所在图像位置进行标注，并将标注后的第一训练图像作为训练正样本，且将第二训练图像作为训练负样本，输入至待训练模型中，由待训练模型预测训练样本中防雨雪设备的类别及所在图像位置。采用预设的损失函数，计算待训练模型预测的防雨雪设备的类别及所在图像位置，与标注的防雨雪设备真实的类别及所在图像位置之间的损失值，并将损失值沿模型结构反向传播，进一步调优待训练模型参数。通过上述过程的持续迭代，直到损失值逐渐降低至收敛为止，得到最终的防雨雪设备检测模型。

通过获取第一数量的第一训练图像，以及第二数量的第二训练图像；其中，第一训练图像为包含防雨雪设备的训练图像，第二训练图像为不包含防雨雪设备的训练图像；第一数量与第二数量之间的数量比值为预设比值，将第一训练图像作为训练正样本，且将第二训练图像作为训练负样本，对待训练模型进行训练生成防雨雪设备检测模型，由于设置了训练正样本以及训练负样本，且约束了训练正样本与训练负样本之间的数量比值，使得最终训练得到的防雨雪设备检测模型的模型性能更优，保证了防雨雪设备检测模型能够对识别不同大小、形状和颜色的防雨雪设备更加鲁棒。

S205、在防雨雪设备的配备状态为未配备状态的情况下，确定待检测车辆存在货损风险。

在一种实施方式中，若确定待检测车辆中防雨雪设备的配备状态为未配备状态，则确定待检测车辆存在货损风险，货运平台进而向待检测车辆的货运司机发送提示信息，用于提示货运司机及时为待检测车辆配备防雨雪设备，并再次获取车辆采集图像，以再次识别防雨雪设备的配备状态，直至确定待检测车辆中防雨雪设备的配备状态为已配备状态为止。若待检测车辆在规定时间内依然未配备防雨雪设备，货运平台则强制取消待检测车辆本次承接的目标货运订单，并将目标货运订单重新输入到货运订单池中，供其它货运车辆承接。

通过在防雨雪设备的配备状态为未配备状态的情况下，确定待检测车辆存在货损风险，实现了及时发现存在货运风险的货运车辆的效果，有利于降低货损货差率、减少司责纠纷、提高司机履约意识、提高货主黏度和平台形象、以及降低公司支付的保险费用等。

实施例三

图3为本发明实施例三提供的一种货损风险的检测方法的流程图，本实施例对上述实施例一进行进一步优化与扩展，并可以与上述各个可选实施方式进行结合。如图3所示，该方法包括：

S301、根据货物种类确定待运输货物是否为易潮湿货物，并确定候选车辆的车辆类型是否为非厢货类型。

S302、在待运输货物为易潮湿货物，且车辆类型为非厢货类型的情况下，将候选车辆作为待检测车辆。

S303、获取待检测车辆的车辆采集图像。

S304、将车辆采集图像输入至特征提取模型中，并根据特征提取模型的输出结果确定车辆采集图像包含的车辆特征，根据车辆特征确定待检测车辆中防雨雪设备的工作状态。

其中，由于防雨雪设备处于已开启状态时会存在明显特征，例如当防雨设备为雨布和捆扎绳时，存在雨布褶皱、绳子扎捆和雨布鼓包隆起等明显特征，因此设置特征提取模型来提取车辆采集图像包含的车辆特征。

在一种实施方式中，将车辆采集图像输入至特征提取模型中，利用特征提取模型提取车辆采集图像包含的车辆特征，并利用特征提取模型连接的激活函数(如Sigmoid激活函数)，基于车辆特征预测防雨雪设备处于已开启状态和未开启状态的概率值，并将概率值较大的状态作为待检测车辆中防雨雪设备的工作状态。

可选的，特征提取模型在训练过程中，将不同天气下(阴、晴、雨和雪等)、各角度(正侧后位)和不同车型(平板车、高栏车、皮卡车和小货车等)的车辆开启防雨雪设备时的图像作为训练样本进行模型训练，使得特征提取模型具有很高的场景扩展性。

通过将车辆采集图像输入至特征提取模型中，并根据特征提取模型的输出结果确定车辆采集图像包含的车辆特征，根据车辆特征确定待检测车辆中防雨雪设备的工作状态，实现了基于车辆采集图像自动识别防雨雪设备的工作状态的效果。

可选的，特征提取模型为轻量化神经网络模型。

某些现有自动检测技术在检测防雨雪设备的工作状态时，多依赖传统计算机视觉中的特征匹配或模板匹配方法，普遍存在推理速度慢和准确率低等问题。以模板匹配为例，司机上传车辆采集图像，货运平台使用已开启防雨雪设备的标准车辆图像在车辆采集图像上依次滑动，并计算子图相似度，相似度大的可认为司机已开启防雨雪设备。显然，该种方法既依赖人工来判断哪个匹配特征是最重要的，以及匹配模板图像的选择，同时也不具有旋转不变性和尺度不变性，若车辆采集图像与标准车辆图像的尺寸和角度不一致也无法检出。因此，仅使用这些方法无法提高检测精确度。而本发明通过设置特征提取模型为轻量化神经网络模型，由于轻量化神经网络模型具有高推理速度、轻模型参数以及强特征提取能力等优点，能够快速返回检测结果，因此相比上述现有自动检测技术，更适合检测防雨雪设备的工作状态这种紧急场景，并且更易于终端部署。

S305、在防雨雪设备的工作状态为未开启状态的情况下，确定待检测车辆存在货损风险。

在一种实施方式中，若确定待检测车辆中防雨雪设备的工作状态为未开启状态，则确定待检测车辆存在货损风险，货运平台进而向待检测车辆的货运司机发送提示信息，用于提示货运司机及时开启待检测车辆的防雨雪设备，并再次获取车辆采集图像，以再次识别防雨雪设备的工作状态，直至确定待检测车辆中防雨雪设备的工作状态为已开启状态为止。若待检测车辆在规定时间内依然未开启防雨雪设备，货运平台则对待检测车辆的货运司机进行惩罚，以限制后续对该货运司机进行订单推送。

通过在防雨雪设备的工作状态为未开启状态的情况下，确定待检测车辆存在货损风险，实现了及时发现存在货运风险的货运车辆的效果，有利于降低货损货差率、减少司责纠纷、提高司机履约意识、提高货主黏度和平台形象、以及降低公司支付的保险费用等。

实施例四

图4为本发明实施例四提供的一种货损风险检测的流程示意图，如图4所示，流程包括：

在货运订单池中获取候选货运订单，并确定候选货运订单对应待运输货物的货物种类，以及承接候选货运订单的候选车辆的车辆类型。

根据货物种类确定待运输货物是否为易潮湿货物，若否，则结束检测流程，若是，则确定车辆类型是否为厢货类型，若是，则结束检测流程，若否，则获取车辆采集图像。

采用防雨雪设备检测模型确定待检测车辆中防雨雪设备是否为已配备状态，若否，则强制取消待检测车辆的货运司机承接对应的候选货运订单，并将候选货运订单重新输入到货运订单池中；若是，则根据待检测车辆的定位装置结合天气预报功能，预测待检测车辆所处区域是否即将下雨雪。

若是，则提示货运司机及时开启防雨雪设备，并及时上传开启防雨雪设备后的车辆采集图像。

采用特征提取模型提取车辆采集图像的包含的车辆特征，并根据车辆特征确定待检测车辆中防雨雪设备是否处于已开启状态，若否，则再次提示货运司机及时开启防雨雪设备，并及时上传开启防雨雪设备后的车辆采集图像；若是，则检测结束。

上述流程中的名词的释义以及具体执行过程，可参考本发明其他方法实施例中的描述，本处不再赘述。并且，上述流程仅是提供了一种货损风险检测的可选的执行方式，并不是对货损风险检测的执行方式的限定。

实施例五

图5为本发明实施例五提供的一种货损风险的检测装置的结构示意图。如图5所示，该装置包括：

待检测车辆确定模块51，用于根据候选货运订单对应待运输货物的货物种类，以及承接候选货运订单的候选车辆的车辆类型，从候选车辆中确定待检测车辆；

状态确定模块52，用于获取待检测车辆的车辆采集图像，并根据车辆采集图像确定待检测车辆中防雨雪设备的配备状态和/或工作状态；

货损风险检测模块53，用于根据配备状态和/或工作状态，对待检测车辆进行货损风险检测。

可选的，待检测车辆确定模块51，具体用于：

根据货物种类确定待运输货物是否为易潮湿货物，并确定候选车辆的车辆类型是否为非厢货类型；

在待运输货物为易潮湿货物，且车辆类型为非厢货类型的情况下，将候选车辆作为待检测车辆。

可选的，状态确定模块52，具体用于：

将车辆采集图像输入至防雨雪设备检测模型中，并根据防雨雪设备检测模型的输出结果确定配备状态；

其中，防雨雪设备检测模型的类型为目标检测模型或语义分割模型。

可选的，防雨雪设备检测模型通过如下方式训练得到：

获取第一数量的第一训练图像，以及第二数量的第二训练图像；其中，第一训练图像为包含防雨雪设备的训练图像，第二训练图像为不包含防雨雪设备的训练图像；第一数量与第二数量之间的数量比值为预设比值；

将第一训练图像作为训练正样本，且将第二训练图像作为训练负样本，对待训练模型进行训练生成防雨雪设备检测模型。

可选的，状态确定模块52，具体还用于：

获取目标货运订单对应装卸货地点的装卸货位置信息以及装卸货时间信息；其中，目标货运订单为待检测车辆承接的候选货运订单；

根据装卸货位置信息以及装卸货时间信息，预测装卸货地点的第一天气状态；

在第一天气状态为雨雪天气的情况下，获取待检测车辆的车辆采集图像。

可选的，状态确定模块52，具体还用于：

获取待检测车辆在当前时刻的车辆位置信息，并根据当前时刻以及车辆位置信息，预测待检测车辆所处区域的第二天气状态；

在第二天气状态为雨雪天气的情况下，获取待检测车辆的车辆采集图像。

可选的，状态确定模块52，具体用于：

将车辆采集图像输入至特征提取模型中，并根据特征提取模型的输出结果确定车辆采集图像包含的车辆特征；

根据车辆特征确定待检测车辆中防雨雪设备的工作状态。

可选的，特征提取模型为轻量化神经网络模型。

可选的，货损风险检测模块53，具体用于：

在配备状态为未配备状态，或者，工作状态为未开启状态的情况下，确定待检测车辆存在货损风险。

本发明实施例所提供的货损风险的检测装置可执行本发明任意实施例所提供的货损风险的检测方法，具备执行方法相应的功能模块和有益效果。

实施例六

图6示出了可以用来实施本发明的实施例的电子设备60的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。

如图6所示，电子设备60包括至少一个处理器61，以及与至少一个处理器61通信连接的存储器，如只读存储器(ROM)62、随机访问存储器(RAM)63等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器61可以根据存储在只读存储器(ROM)62中的计算机程序或者从存储单元68加载到随机访问存储器(RAM)63中的计算机程序，来执行各种适当的动作和处理。在RAM 63中，还可存储电子设备60操作所需的各种程序和数据。处理器61、ROM 62以及RAM 63通过总线64彼此相连。输入/输出(I/O)接口65也连接至总线64。

电子设备60中的多个部件连接至I/O接口65，包括：输入单元66，例如键盘、鼠标等；输出单元67，例如各种类型的显示器、扬声器等；存储单元68，例如磁盘、光盘等；以及通信单元69，例如网卡、调制解调器、无线通信收发机等。通信单元69允许电子设备60通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器61可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器61的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器61执行上文所描述的各个方法和处理，例如货损风险的检测方法。

在一些实施例中，货损风险的检测方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元68。在一些实施例中，计算机程序的部分或者全部可以经由ROM 62和/或通信单元69而被载入和/或安装到电子设备60上。当计算机程序加载到RAM 63并由处理器61执行时，可以执行上文描述的货损风险的检测方法的一个或多个步骤。备选地，在其他实施例中，处理器61可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行货损风险的检测方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。

计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。