分拨中心装车码货规范识别方法、装置、设备及存储介质

技术领域

本发明涉及物流技术领域，尤其涉及一种分拨中心装车码货规范识别方法、装置、设备及存储介质。

背景技术

在物流公司系统内，一般包括控制中心和物流网，所述控制中心包括对货物进行分配管理分拨系统、车辆调度系统和路径派单系统；物流网通常设有一级分拨中心、二级分拨中心、三级分拨中心，进行零担货物和集散分拨的业务组织。在整个物流网络阶段系统里，分拨中心的运作是在规定的时间内通过一系列资源整合实现零担规模运输，主要是为了提高时效、降低成本、完成汽运产品要求。一级分拨中心跨幅一个或几个省，二级分拨中心跨幅一个或几个市，三级分拨中心串联派送部和营业部，跨幅一个区域或几个区域。分拨系统运作是指货物先通过三级分拨中心资源整合进港一级分拨中心或二级分拨中心，再由一、二级分拨中心分拨到相应目的站。一级分拨中心的城市半径辐射最大距离为4.5小时，此区域内的货物都会汇集到相应的一级分拨中心，对货物进行统一的中转、交换、分拣等一系列的资源整合实现零担规模运输。

对于装车码货，传统的人工监督方式只能在事后进行检查，无法实时发现不规范的码货行为，从而无法及时采取纠正措施，而不规范的码货容易导致货物在运输途中相互碰撞，增加了货物受损的风险。

因此，现有技术还有待改进和发展。

发明内容

本发明提供了一种分拨中心装车码货规范识别方法、装置、设备及存储介质，用于利用深度学习技术和实时图像识别来自动化地进行码货规范识别，提高装车的准确性和效率。

本发明第一方面提供了一种分拨中心装车码货规范识别方法，所述分拨中心装车码货规范识别方法包括：收集码货图像样本，并对所述码货图像样本进行处理，得到训练集和测试集；构建VGGNet网络模型，并在所述VGGNet网络模型增加SE模块，得到优化后的VGGNet网络模型；将所述训练集和所述测试集输入所述优化后的VGGNet网络模型进行训练，得到码货规范识别模型；获取码货实时图像，将所述码货实时图像输入所述码货规范识别模型，并获取所述码货规范识别模型输出的结果；当所述码货规范识别模型输出的结果为码货不规范时，生成预警消息。

可选的，在本发明第一方面的第一种实现方式中，所述收集码货图像样本，并对所述码货图像样本进行处理，得到训练集和测试集，包括：收集码货图像样本，将所述码货图像样本按照码货规范和码货不规范进行分类；采用分层抽样法将分类后的样本划分为训练样本和测试样本，并将所述测试样本添加到测试集中；采用Cutout数据增强方法和Mix-up数据增强方法对所述训练样本进行数据增广，得到训练集。

可选的，在本发明第一方面的第二种实现方式中，所述采用Cutout数据增强方法和Mix-up数据增强方法对所述训练样本进行数据增广，得到训练集，包括：创建空的训练集；对每个所述训练样本进行Cutout操作，得到第一增强样本，并将所述第一增强样本添加到训练集中；对每个所述训练样本进行Mix-up操作，得到第二增强样本，并将所述第二增强样本添加到训练集中。

可选的，在本发明第一方面的第三种实现方式中，所述构建VGGNet网络模型，并在所述VGGNet网络模型中添加SE模块，得到优化后的VGGNet网络模型，包括：构建VGGNet网络模型的基础结构，所述VGGNet网络模型包括5个卷积层、3个全连接层和1个softmax层；添加ReLU激活函数和最大池化层连接各个层次，得到VGGNet网络模型；构建SE模块，并将所述SE模块添加到所述VGGNet网络模型的最后一个最大池化层，得到优化后的VGGNet网络模型。

可选的，在本发明第一方面的第四种实现方式中，将所述训练集和所述测试集输入所述优化后的VGGNet网络模型进行训练，得到码货规范识别模型，包括：通过随机初始化的方法对所述优化后的VGGNet网络模型的权重和偏置进行初始化；将所述训练集输入初始化的VGGNet网络模型进行训练，通过计算损失函数并使用反向传播算法更新模型参数，直至达到迭代次数，得到已训练VGGNet网络模型；使用所述测试集对所述已训练VGGNet网络模型进行评估，并根据评估结果对所述已训练VGGNet网络模型进行调优，得到码货规范识别模型。

可选的，在本发明第一方面的第五种实现方式中，所述获取码货实时图像，将所述码货实时图像输入所述码货规范识别模型，并获取所述码货规范识别模型输出的结果，包括：获取码货实时图像，并对获取的码货实时图像进行预处理；将预处理后的图像转换为与训练集相匹配的格式；将转换格式后的图像输入码货规范识别模型，并获取码货规范识别模型输出的结果。

可选的，在本发明第一方面的第六种实现方式中，所述当所述码货规范识别模型输出的结果为码货不规范时，生成预警消息，包括：当所述码货规范识别模型输出的结果为码货不规范时，根据获取的码货实时图像确定码货问题类型和位置信息；调用预设的预警消息模板，将所述码货问题类型、所述位置信息和所述获取的码货实时图像整合到预设的预警消息模板中；对整合后的预警消息模板的内容进行格式化处理，生成预警消息。

本发明第二方面提供了一种分拨中心装车码货规范识别装置，包括：样本处理模块，用于收集码货图像样本，并对所述码货图像样本进行处理，得到训练集和测试集；模型构建模块，用于构建VGGNet网络模型，并在所述VGGNet网络模型增加SE模块，得到优化后的VGGNet网络模型；训练模块，用于将所述训练集和所述测试集输入所述优化后的VGGNet网络模型进行训练，得到码货规范识别模型；识别模块，用于获取码货实时图像，将所述码货实时图像输入所述码货规范识别模型，并获取所述码货规范识别模型输出的结果；预警模块，用于当所述码货规范识别模型输出的结果为码货不规范时，生成预警消息。

可选的，在本发明第二方面的第一种实现方式中，所述样本处理模块包括：分类单元，用于收集码货图像样本，将所述码货图像样本按照码货规范和码货不规范进行分类；划分单元，用于采用分层抽样法将分类后的样本划分为训练样本和测试样本，并将所述测试样本添加到测试集中；数据增广单元，用于采用Cutout数据增强方法和Mix-up数据增强方法对所述训练样本进行数据增广，得到训练集。

可选的，在本发明第二方面的第二种实现方式中，所述模型构建模块包括：构建单元，构建VGGNet网络模型的基础结构，所述VGGNet网络模型包括5个卷积层、3个全连接层和1个softmax层；第一添加单元，用于添加ReLU激活函数和最大池化层连接各个层次，得到VGGNet网络模型；第二添加单元，用于构建SE模块，并将所述SE模块添加到所述VGGNet网络模型的最后一个最大池化层，得到优化后的VGGNet网络模型。

可选的，在本发明第二方面的第三种实现方式中，所述训练模块包括：初始化单元，用于通过随机初始化的方法对所述优化后的VGGNet网络模型的权重和偏置进行初始化；训练单元，用于将所述训练集输入初始化的VGGNet网络模型进行训练，通过计算损失函数并使用反向传播算法更新模型参数，直至达到迭代次数，得到已训练VGGNet网络模型；调优单元，用于使用所述测试集对所述已训练VGGNet网络模型进行评估，并根据评估结果对所述已训练VGGNet网络模型进行调优，得到码货规范识别模型。

可选的，在本发明第二方面的第四种实现方式中，所述识别模块包括：预处理单元，用于获取码货实时图像，并对获取的码货实时图像进行预处理；转换单元，用于将预处理后的图像转换为与训练集相匹配的格式；识别单元，用于将转换格式后的图像输入码货规范识别模型，并获取码货规范识别模型输出的结果。

可选的，在本发明第二方面的第五种实现方式中，所述预警模块包括：确定单元，用于当所述码货规范识别模型输出的结果为码货不规范时，根据获取的码货实时图像确定码货问题类型和位置信息；调用单元，用于调用预设的预警消息模板，将所述码货问题类型、所述位置信息和所述获取的码货实时图像整合到预设的预警消息模板中；格式化单元，用于对整合后的预警消息模板的内容进行格式化处理，生成预警消息。

本发明第三方面提供了一种分拨中心装车码货规范识别设备，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，以使得所述分拨中心装车码货规范识别设备执行如上所述分拨中心装车码货规范识别方法的各个步骤。

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分拨中心装车码货规范识别方法的各个步骤。

本发明提供的技术方案中，通过收集并处理样本数据，训练出优化后的VGGNet网络模型，并将训练集输入模型进行训练，得到码货规范识别模型，再将实时获取的码货图像输入模型进行识别，当识别结果为不规范时，系统会生成预警消息，及时通知相关人员处理，其可以帮助识别出装车过程中是否存在不符合规范的码货，从而及时发现并纠正装车中可能存在的问题，从而能够提高装车的准确性和效率，减少人工干预，降低潜在的错误风险，而且其利用深度学习技术和实时图像识别来自动化地进行码货规范识别，能够提高识别的准确性和效率。

附图说明

图1为本发明实施例提供的分拨中心装车码货规范识别方法的第一种流程图；

图2为本发明实施例提供的分拨中心装车码货规范识别方法的第二种流程图；

图3为本发明实施例提供的分拨中心装车码货规范识别方法的第三种流程图；

图4为本发明实施例提供的分拨中心装车码货规范识别方法的第四种流程图；

图5为本发明实施例提供的分拨中心装车码货规范识别方法的第五种流程图；

图6为本发明实施例提供的分拨中心装车码货规范识别方法的第六种流程图；

图7为本发明实施例提供的分拨中心装车码货规范识别装置的结构示意图；

图8为本发明实施例提供的分拨中心装车码货规范识别设备的结构示意图。

具体实施方式

本发明实施例提供了分拨中心装车码货规范识别方法、装置、设备及存储介质，该方法用于利用深度学习技术和实时图像识别来自动化地进行码货规范识别，提高装车的准确性和效率。该方法包括：收集码货图像样本，并对所述码货图像样本进行处理，得到训练集和测试集；构建VGGNet网络模型，并在所述VGGNet网络模型增加SE模块，得到优化后的VGGNet网络模型；将所述训练集和所述测试集输入所述优化后的VGGNet网络模型进行训练，得到码货规范识别模型；获取码货实时图像，将所述码货实时图像输入所述码货规范识别模型，并获取所述码货规范识别模型输出的结果；当所述码货规范识别模型输出的结果为码货不规范时，生成预警消息。

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，本发明实施例中一种分拨中心装车码货规范识别方法的第一个实施例包括：

S101、收集码货图像样本，并对码货图像样本进行处理，得到训练集和测试集。

可以理解地，本发明的执行主体可以为分拨中心装车码货规范识别装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。

在本实施例中，需要收集大量的码货图像样本，包括规范的和不规范的码货样本。可以通过实地拍摄或者从已有的图像数据库中获取。

在收集样本后，可以对收集到的码货图像样本进行预处理，以提高模型的鲁棒性和准确率。预处理步骤可以包括图像增强、噪声去除、图像对齐等。

此外，还需要对收集到的码货图像样本进行标注，区分出规范和不规范的码货。可以使用标注工具将每个样本标记为正样本(规范)或负样本(不规范)。

一般情况下，大部分样本用于训练模型，少部分样本用于评估和验证模型性能。

S102、构建VGGNet网络模型，并在VGGNet网络模型增加SE模块，得到优化后的VGGNet网络模型。

在本实施例中，VGGNet的主要特点是具有相对简单且重复性的架构，在不同的卷积层中使用了大量的小尺寸卷积核，并且没有使用局部响应归一化(LRN)和参数共享。VGGNet的网络结构可分为两个部分：特征提取部分和分类部分。特征提取部分由一系列带有ReLU激活函数的卷积层和池化层组成，通过多次的卷积操作可以提取输入图像的特征。分类部分则是由全连接层组成，最后一层通过Softmax激活函数输出分类结果。

SE模块是一种通道注意力模块，SE模块能对输入特征图进行通道特征加强，且不改变输入特征图的大小。SE模块的Squeeze(压缩):对输入特征图的空间信息进行压缩；SE模块的Excitation(激励)：学习到的通道注意力信息，与输入特征图进行结合，最终得到具有通道注意力的特征图；SE模块的作用是在保留原始特征的基础上，通过学习不同通道之间的关系，提高模型的表现能力。在卷积神经网络中，通过引入SE模块，可以动态地调整不同通道的权重，从而提高模型的表现能力。

S103、将训练集和测试集输入优化后的VGGNet网络模型进行训练，得到码货规范识别模型。

在本实施例中，在训练过程中，需要注意以下问题：

模型参数调整：通过控制学习率、正则化系数和批量大小等超参数，可以对模型进行调整，避免过拟合或欠拟合。此外，还可以通过交叉验证等方法来确定最佳超参数值。

过拟合问题：过拟合是指模型在训练集上表现良好，但在测试集或实际应用中表现不佳的问题。为了避免过拟合，可以使用正则化技术如L1/L2正则化和dropout等方法，以及合理的训练集/测试集划分和数据增广等技术来缓解过拟合问题。

模型评估和调优：在训练过程中，需要根据测试集数据对模型进行评估，并根据评估结果不断调整模型参数和超参数，以达到最佳的性能和泛化能力。

S104、获取码货实时图像，将码货实时图像输入码货规范识别模型，并获取码货规范识别模型输出的结果。

在本实施例中，连接并打开码货区域的摄像头，确保能够获取码货实时图像，然后使用相应的编程语言或库(如OpenCV)调用摄像头接口，获取实时图像帧。

在本实施例中，码货规范识别模型输出的结果包括码货规范和码货不规范。

S105、当码货规范识别模型输出的结果为码货不规范时，生成预警消息。

在本实施例中，将模型输出与预警规则进行比对，判断是否满足预警条件，当码货规范识别模型输出的结果为码货不规范时，视为满足预警条件。此时，需要生成预警消息，并可以通过电子邮件、短信、即时通讯工具等方式发送预警消息将生成的预警消息发送给相关人员，例如负责码货管理和审查的工作人员、相关部门或管理者，以便于接收预警消息的人员及时处理。

本实施例提供的是一种分拨中心装车码货规范识别方法，其通过收集并处理样本数据，训练出优化后的VGGNet网络模型，并将训练集输入模型进行训练，得到码货规范识别模型，再将实时获取的码货图像输入模型进行识别，当识别结果为不规范时，系统会生成预警消息，及时通知相关人员处理，其可以帮助识别出装车过程中是否存在不符合规范的码货，从而及时发现并纠正装车中可能存在的问题，从而能够提高装车的准确性和效率，减少人工干预，降低潜在的错误风险，而且其利用深度学习技术和实时图像识别来自动化地进行码货规范识别，能够提高识别的准确性和效率。

请参阅图2，本发明实施例中分拨中心装车码货规范识别方法的第二个实施例包括：

S201、收集码货图像样本，将码货图像样本按照码货规范和码货不规范进行分类。

在本实施例中，对收集到的码货图像样本进行标注，区分出规范和不规范的码货之后，根据样本标注将其划分为码货规范和码货不规范两个类别。

S202、采用分层抽样法将分类后的样本划分为训练样本和测试样本，并将测试样本添加到测试集中。

在本实施例中，在进行数据集划分时，采用分层抽样法可以确保训练集和测试集中的类别分布相似，避免出现训练集和测试集中类别分布不均衡的情况。具体来说，该方法将样本按照类别进行分层，并从每个类别中分别随机选择一定比例的样本作为训练集和测试集。

例如，先将分类好的样本按照“规范”和“不规范”两类进行分层，然后从每个类别中随机选取一定比例的样本作为训练集和测试集。通常情况下，训练集的比例会设置得较高，如80％，测试集的比例会设置得较低，如20％。

S203、采用Cutout数据增强方法和Mix-up数据增强方法对训练样本进行数据增广，得到训练集。

在本实施例中，采用Cutout数据增强方法和Mix-up数据增强方法对训练样本进行数据增广，得到训练集具体包括：创建空的训练集；对每个训练样本进行Cutout操作，得到第一增强样本，并将第一增强样本添加到训练集中；对每个训练样本进行Mix-up操作，得到第二增强样本，并将第二增强样本添加到训练集中。

可选地，对每个训练样本进行Cutout操作，包括针对每个训练样本，随机选择一个区域，并将该区域的像素值置为预定值，例如零和随机噪声。

可选地，对每个训练样本进行Mix-up操作包括随机选择两个样本，记作样本A和样本B，随机选择一恶搞介于0和1之间的权重值λ，将样本A和样本B的特征按照权重值λ进行线性组合：mixed＿feature＝λ*feature＿A+(1-λ)*feature＿B，将样本A和样本B的标签按照权重值λ进行线性组合：mixed＿label＝λ*label＿A+(1-λ)*label＿B，使用mixed＿feature作为新的训练样本，使用mixed＿label作为对应的标签。

本实施例中，通过收集大量的码货图像样本，并按照码货规范和不规范进行分类，可以得到更加完整和准确的训练集和测试集，而且采用分层抽样法将样本数据集划分为训练集和测试集，可以避免过拟合的问题，提高模型的稳定性和可靠性，此外通过采用Cutout数据增强方法和Mix-up数据增强方法，可以增加训练样本的多样性和数量，有助于提高模型的鲁棒性和泛化能力，减少过拟合的风险。

请参阅图3，本发明实施例中的一种分拨中心装车码货规范识别方法的第三个实施例包括：

S301、构建VGGNet网络模型的基础结构。

在本实施例中，VGGNet网络模型包括5个卷积层、3个全连接层和1个softmax层。每个卷积层都使用小尺寸的卷积核，通常是3x3。VGGNet的架构非常灵活，可以根据不同的应用和数据集进行调整。通常情况下，VGGNet的深度会比较大，并且在较大的数据集上进行训练，以避免过拟合并提高泛化能力。

S302、添加ReLU激活函数和最大池化层连接各个层次，得到VGGNet网络模型。

在本实施例中，ReLU激活函数ReLU是非线性激活函数，ReLU激活函数能更好地捕捉输入数据的非线性关系。当输入的值小于等于0时，ReLU函数的输出为0，这就导致了稀疏激活。稀疏激活意味着只有部分神经元会被激活，从而减少了网络中的冗余信息，提高了网络的表示能力和计算效率。

在大部分输入范围内，ReLU函数的导数是常数1，这样可以避免梯度消失问题。梯度消失问题指的是在反向传播过程中，梯度逐渐变小甚至消失，导致网络无法进行有效的训练。ReLU激活函数的简单梯度计算使得神经网络的训练更加稳定和高效。

S303、构建SE模块，并将SE模块添加到VGGNet网络模型的最后一个最大池化层，得到优化后的VGGNet网络模型。

在本实施例中，将SE模块添加到VGGNet网络模型的最后一个最大池化层具体包括：按照VGGNet网络模型的基础结构构建网络直到最后一个最大池化层；在最后一个最大池化层后面添加一个SE模块；将最后一个最大池化层的输出作为SE模块的输入；在SE模块内部，首先进行全局平均池化操作，将通道维度压缩为一个标量；接下来，使用两个全连接层，其中第一个全连接层将通道数降低，第二个全连接层将通道数恢复到原始大小；在两个全连接层之间添加ReLU激活函数，以引入非线性；最后，使用Sigmoid激活函数对最终的权重系数进行归一化，得到每个通道的权重；将SE模块的输出与最后一个最大池化层的输出相乘，以增强特征的表示能力。

本实施中，在每个卷积层后面添加ReLU激活函数，能够增强网络的非线性建模能力，提高分类性能，而且通过最大池化层，可以缩小特征图的尺寸，保留主要特征，减少过拟合风险，此外将SE模块添加到VGGNet网络模型的最后一个最大池化层，通过SE模块动态调整通道权重，提高特征的表达能力，有助于学习更具区分度的特征表示。

本实施例中，请参阅图4，本发明实施例中的一种分拨中心装车码货规范识别方法的第四个实施例包括：

S401、通过随机初始化的方法对优化后的VGGNet网络模型的权重和偏置进行初始化。

在本实施例中，通过随机初始化的方法对优化后的VGGNet网络模型的权重和偏置进行初始化可以为网络提供一定的随机性，以便网络能够更好地学习和适应不同的数据。

通常，可以按照以下步骤进行随机初始化：

对卷积层的权重进行初始化：可以使用均匀分布或正态分布来随机初始化卷积层的权重。例如，可以从均匀分布中随机抽取数值来初始化权重，或者从正态分布中随机抽取数值。

对全连接层的权重进行初始化：对全连接层的权重也可以使用均匀分布或正态分布进行随机初始化。可以根据全连接层的输入和输出尺寸来确定合适的分布范围。

对偏置进行初始化：可以使用零初始化或者从均匀分布或正态分布中随机抽取数值来初始化偏置。

可以理解地，初始化的方法和范围可以根据实际情况进行调整和优化。在实际应用中，还可以尝试其他的初始化方法，例如Xavier初始化或He初始化，这些方法可以更好地适应深度神经网络的训练。

S402、将训练集输入初始化的VGGNet网络模型进行训练，通过计算损失函数并使用反向传播算法更新模型参数，直至达到迭代次数，得到已训练VGGNet网络模型。

在本实施例中，在训练过程中，对于每个训练样本，网络模型计算一次前向传播，并计算预测值与实际值之间的损失函数值，然后通过反向传播算法计算梯度并更新网络参数。

具体来说，VGGNet网络模型使用交叉熵损失函数来度量预测结果和实际标签之间的差异。

在每次迭代中，按照以下步骤进行更新：

前向传播：将batch_size个训练样本输入网络模型，计算输出结果(即各类别的概率值)。

计算损失函数：使用交叉熵损失函数计算batch_size个训练样本的平均损失值。

反向传播：使用反向传播算法计算梯度，并更新网络参数，在计算完所有参数的梯度后，使用优化器(如SGD、Adam等)更新网络参数。

S403、使用测试集对已训练VGGNet网络模型进行评估，并根据评估结果对已训练VGGNet网络模型进行调优，得到码货规范识别模型。

在本实施例中，评估过程通常包括以下几个步骤：加载测试数据集并对数据进行预处理；加载已训练的VGGNet网络模型；将测试数据输入模型，得到模型的预测结果；计算模型的评估指标，如精度、召回率、F1分数等；分析评估结果，找出模型的缺陷和潜在问题。

根据评估结果对已训练VGGNet网络模型进行调优具体包括：根据问题的特点和数据的分布，可能需要调整模型的深度、宽度、卷积核大小等参数，以提高模型的表达能力和适应性；根据问题的特点和数据的分布，可能需要调整模型的深度、宽度、卷积核大小等参数，以提高模型的表达能力和适应性。

本实施例中，通过计算损失函数并使用反向传播算法更新模型参数，可以根据模型的预测结果与真实标签之间的差异，优化模型的权重和偏置。这使得模型能够更好地拟合训练集，并逐步减小训练误差，且通过多次迭代训练，即反复计算损失函数和更新模型参数，可以逐步提高模型的性能。

请参阅图5，本发明实施例中的一种分拨中心装车码货规范识别方法的第五个实施例包括：

S501、获取码货实时图像，并对获取的码货实时图像进行预处理。

在本实施例中，对获取到的实时图像进行预处理，以提高模型的识别性能，可以包括图像缩放、裁剪、归一化，这些操作有助于减少图像中的噪声、改善对比度，并使图像更适合输入到模型中。

S502、将预处理后的图像转换为与训练集相匹配的格式。

在本实施例中，与训练数据相匹配的格式为张量(Tensor)或数组(Array)格式。表示图像的张量格式包括二维灰度图像、三维彩色图像和四维批量图像。

二维灰度图像指的是形状为(Height,Width)的二维张量，其中每个元素表示像素的灰度值。

三维彩色图像指的是形状为(Height,Width,Channels)的三维张量，其中Channels表示颜色通道数(例如RGB图像的Channels为3)，每个元素表示像素在每个通道上的值。

四维批量图像指的是形状为(Batch,Height,Width,Channels)的四维张量，其中Batch表示批量大小，可以同时处理多个图像。

为了与训练数据相匹配，实时获取的图像需要被转换为与训练数据具有相同形状和数据类型的张量。这可以通过使用图像处理库(如OpenCV、PIL)或深度学习框架提供的函数来完成。具体的转换方法取决于使用的库和框架，但常见的步骤包括图像缩放、归一化和颜色通道顺序调整等操作。

需要注意的是，需要确保实时获取的图像与训练数据的预处理方式保持一致，以避免在推理过程中出现不一致的结果。

S503、将转换格式后的图像输入码货规范识别模型，并获取码货规范识别模型输出的结果。

在本实施例，首先需要加载码货规范识别模型，可以使用深度学习框架如TensorFlow、PyTorch、Keras等进行模型，然后将转换格式后的图像输入已加载的码货规范识别模型中进行推理计算，得到输出结果。

本实施例中，通过对获取的码货实时图像进行预处理，并将预处理后的图像转换为与训练集相匹配的格式，并输入到码货规范识别模型中，可以实现对不同类型的码货图像进行规范识别，能够适应不同场景和需求。

请参阅图6，本发明实施例中的一种分拨中心装车码货规范识别方法的第六个实施例包括：

S601、当码货规范识别模型输出的结果为码货不规范时，根据获取的码货实时图像确定码货问题类型和位置信息。

在本实施例，根据获取的码货实时图像进行进一步的分析，以确定码货问题类型和位置信息。

通过图像分析和图像处理技术，可以检测出缺货、码放位置错误、商品损坏和混装问题。

具体地，通过比对实时图像中产品的数量和位置，与规定的编码货物数量进行比对，确定是否存在缺货的情况；通过比对规定的码放位置与实际码货的位置，可以确定是否存在码放位置错误的问题；通过图像分析技术，可以检测出商品外观上的损坏情况，如破损、变形、碎裂等；通过比对规定的码放顺序和实际的码放顺序，确定是否存在混装的情况。

码货问题位置信息确定：通过图像处理技术可以确定码货问题的位置信息，例如使用目标检测或图像分割算法，识别出问题码货的位置或区域。可以使用边界框或者掩膜的方式表示问题码货的位置，或者直接给出问题码货的坐标。

S602、调用预设的预警消息模板，将码货问题类型、位置信息和获取的码货实时图像整合到预设的预警消息模板中。

在本实施例，可以事先定义好预警消息模板，包括预警内容的格式和结构。例如，可以包含码货问题类型、位置信息和图像的相关字段。

将码货问题类型、位置信息和获取的码货实时图像的相关字段整合到预警消息模板中时，可以使用字符串拼接或其他方法将各个字段组合在一起，形成完整的预警消息内容。

S63、对整合后的预警消息模板的内容进行格式化处理，生成预警消息。

在本实施例，对整合后的预警消息模板的内容进行格式化处理可以包括根据位置信息的具体表达需求，对位置信息进行格式化处理。例如，可以将位置信息转换为地理坐标、具体地址或仓库/场地的编号等形式。

还可以包括将获取的码货实时图像转换为可访问的链接或附件，以确保接收者能够方便地查看相关图像。

本实施例中，过结合码货实时图像和预警消息模板的方式，能够快速、准确地生成预警消息，提高问题解决的速度和质量，从而保障码货的规范和质量要求。

上面对本发明实施例中分拨中心装车码货规范识别方法进行了描述，下面对本发明实施例中装置进行描述，请参阅图7，本发明实施例中分拨中心装车码货规范识别装置的实施方式包括：

样本处理模块701，用于收集码货图像样本，并对所述码货图像样本进行处理，得到训练集和测试集；

模型构建模块702，用于构建VGGNet网络模型，并在所述VGGNet网络模型增加SE模块，得到优化后的VGGNet网络模型；

训练模块703，用于将所述训练集和所述测试集输入所述优化后的VGGNet网络模型进行训练，得到码货规范识别模型；

识别模块704，用于获取码货实时图像，将所述码货实时图像输入所述码货规范识别模型，并获取所述码货规范识别模型输出的结果；

预警模块705，用于当所述码货规范识别模型输出的结果为码货不规范时，生成预警消息。

样本处理模块701包括：分类单元7011，用于收集码货图像样本，将所述码货图像样本按照码货规范和码货不规范进行分类；划分单元7012，用于采用分层抽样法将分类后的样本划分为训练样本和测试样本，并将测试样本添加到测试集中；数据增广单元7013，用于采用Cutout数据增强方法和Mix-up数据增强方法对所述训练样本进行数据增广，得到训练集。

模型构建模块702包括：构建单元7021，构建VGGNet网络模型的基础结构，所述VGGNet网络模型包括5个卷积层、3个全连接层和1个softmax层；第一添加单元7022，用于添加ReLU激活函数和最大池化层连接各个层次，得到VGGNet网络模型；第二添加单元7023，用于构建SE模块，并将所述SE模块添加到所述VGGNet网络模型的最后一个最大池化层，得到优化后的VGGNet网络模型。

训练模块703包括：初始化单元7031，用于通过随机初始化的方法对所述优化后的VGGNet网络模型的权重和偏置进行初始化；训练单元7032，用于将所述训练集输入初始化的VGGNet网络模型进行训练，通过计算损失函数并使用反向传播算法更新模型参数，直至达到迭代次数，得到已训练VGGNet网络模型；调优单元7033，用于使用所述测试集对所述已训练VGGNet网络模型进行评估，并根据评估结果对所述已训练VGGNet网络模型进行调优，得到码货规范识别模型。

识别模块704包括：预处理单元7041，用于获取码货实时图像，并对获取的码货实时图像进行预处理；转换单元7042，用于将预处理后的图像转换为与训练集相匹配的格式；识别单元7043，用于将转换格式后的图像输入码货规范识别模型，并获取码货规范识别模型输出的结果。

预警模块705包括：确定单元7051，用于当所述码货规范识别模型输出的结果为码货不规范时，根据获取的码货实时图像确定码货问题类型和位置信息；调用单元7052，用于调用预设的预警消息模板，将所述码货问题类型、所述位置信息和所述获取的码货实时图像整合到预设的预警消息模板中；格式化单元7053，用于对整合后的预警消息模板的内容进行格式化处理，生成预警消息。

本实施例中，通过收集并处理样本数据，训练出优化后的VGGNet网络模型，并将训练集输入模型进行训练，得到码货规范识别模型，再将实时获取的码货图像输入模型进行识别，当识别结果为不规范时，系统会生成预警消息，及时通知相关人员处理，其可以帮助识别出装车过程中是否存在不符合规范的码货，从而及时发现并纠正装车中可能存在的问题，从而能够提高装车的准确性和效率，减少人工干预，降低潜在的错误风险，而且其利用深度学习技术和实时图像识别来自动化地进行码货规范识别，能够提高识别的准确性和效率。

上面图7从模块化功能实体的角度对本发明实施例中的分拨中心装车码货规范识别装置进行详细描述，下面从硬件处理的角度对本发明实施例中分拨中心装车码货规范识别设备进行详细描述。

图8是本发明实施例提供的一种分拨中心装车码货规范识别设备的结构示意图，该设备800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)810(例如，一个或一个以上处理器)和存储器820，一个或一个以上存储应用程序833或数据832的存储介质830(例如一个或一个以上海量存储设备)。其中，存储器820和存储介质830可以是短暂存储或持久存储。存储在存储介质830的程序可以包括一个或一个以上模块(图未示)，每个模块可以包括对设备800中的一系列指令操作。更进一步地，处理器810可以设置为与存储介质830通信，在设备800上执行存储介质中的一系列指令操作。

设备800还可以包括一个或一个以上电源840，一个或一个以上有线或无线网络接口850，一个或一个以上输入输出接口860，和/或，一个或一个以上操作系统831，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。

本发明实施例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，使得计算机执行分拨中心装车码货规范识别方法的步骤。

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。