货物识别方法、计算机设备和货物监控系统与流程

1.本发明属于物流监管领域，尤其涉及一种货物识别方法、计算机可读存储介质、计算机设备和货物监控系统。


背景技术：

2.在货物运输领域中，会出现货物丢失、损毁等意外事件，目前对车内装载货物数量的判别还主要依靠人工现场查看，或者利用摄像头采集图片等方式来进行。这些方案有限制：一是人工现场查看；但只适用于车辆停止运行的时候，在车辆运行中，很难做到货物状况的判断；二是摄像头采集的图像；这要在运输结束后才可以调取查看，可能因为没有及时的处理货物丢失的情况而造成巨大的损失；三是在线视频监控；但是会造成高昂的流量费用，同时需要匹配人力进行实时监控。


技术实现要素：

3.本发明的目的在于提供一种货物识别方法、计算机可读存储介质、计算机设备和货物监控系统，旨在解决货物运输过程中不能及时发现货物减少等异常的问题。
4.第一方面，本发明提供了一种货物识别方法，所述方法是针对每辆车执行的步骤，包括：
5.获取基础图像和多张不同装货状态的车厢图像作为样本数据，所述基础图像为空车车厢图像；
6.将多张不同装货状态的车厢图像分别与基础图像进行差异化特征提取，得到多张差异图，将多张差异图作为训练数据；
7.输入训练数据到卷积神经网络模型中进行训练，得到货物识别模型；
8.实时获取车厢图像；
9.将实时获取的车厢图像与基础图像进行差异化特征提取得到差异图后传入所述货物识别模型中进行推理，将相邻时刻得到的差异图进行对比，实时得到车厢内的货物变化信息。
10.进一步地，所述差异化特征提取包括像素作差和向量作差。
11.进一步地，当所述差异化特征提取采用像素作差时，所述货物识别方法还包括：将车厢图像和基础图像分别转换为像素值在0
‑
255之间的灰度图像。
12.第二方面，本发明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程序，所述计算机程序被处理器执行时实现述的货物识别方法的步骤。
13.第三方面，本发明提供了一种计算机设备，包括：一个或多个处理器、存储器以及一个或多个计算机程序，所述处理器和所述存储器通过总线连接，其中所述一个或多个计算机程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述处理器执行所述计算机程序时实现所述的货物识别方法的步骤。
14.第四方面，本发明提供了一种货物监控系统，包括所述计算机设备、与计算机设备
连接的摄像头模块和提醒模块，所述摄像头模块进行图像采集并传给计算机设备；如果货物丢失，则由提醒模块发出提醒。
15.在本发明中，将实时获取的车厢图像和基础图像进行差异化特征提取得到差图后传入所述货物识别模型中进行推理，将相邻时刻得到的差异图进行对比，实时得到车厢内的货物变化信息；可以实现对车厢内的货物的实时监控，及时发现货物减少等异常，减少货物丢失，检测到异常情况时会通过提醒模块提醒司机，系统工作时不需要人工参与。
附图说明
16.图1是本发明一实施例提供的货物识别方法的流程图。
17.图2是本发明一实施例提供的计算机设备的具体结构框图。
18.图3是本发明一实施例提供的货物监控系统的结构框图。
具体实施方式
19.为了使本发明的目的、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
20.为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
21.请参阅图1，本发明一实施例提供的货物识别方法包括以下步骤：需注意的是，所述方法是针对每辆车执行的步骤，若有实质上相同的结果，本发明的货物识别方法并不以图1所示的流程顺序为限。
22.s1.获取基础图像和多张不同装货状态的车厢图像作为样本数据，所述基础图像为空车车厢图像；
23.s2.将多张不同装货状态的车厢图像分别与基础图像进行差异化特征提取，得到多张差异图，将多张差异图作为训练数据；
24.s3.输入训练数据到卷积神经网络模型中进行训练，得到货物识别模型；
25.s4.实时获取车厢图像；
26.s5.将实时获取的车厢图像与基础图像进行差异化特征提取得到差异图后传入所述货物识别模型中进行推理，将相邻时刻得到的差异图进行对比，实时得到车厢内的货物变化信息。
27.在本发明一实施例中，所述实时得到车厢内的货物变化信息之后，所述货物识别方法还包括：根据货物变化信息判断货物是否丢失，如果是，则发出提醒。
28.在本发明一实施例中，所述差异化特征提取包括像素作差和向量作差。
29.在本发明一实施例中，当所述差异化特征提取采用像素作差时，所述货物识别方法还包括：将车厢图像和基础图像分别转换为像素值在0
‑
255之间的灰度图像。
30.在本发明一实施例中，所述卷积神经网络模型是resnet模型。
31.本发明一实施例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程序，所述计算机程序被处理器执行时实现如本发明一实施例提供的货物识别方法的步骤。
32.图2示出了本发明一实施例提供的计算机设备的具体结构框图，一种服计算机设
备100包括：一个或多个处理器101、存储器102、以及一个或多个计算机程序，其中所述处理器101和所述存储器102通过总线连接，所述一个或多个计算机程序被存储在所述存储器102中，并且被配置成由所述一个或多个处理器101执行，所述处理器101执行所述计算机程序时实现如本发明一实施例提供的货物识别方法的步骤。
33.请参阅图3，本发明一实施例提供了一种货物监控系统，包括本发明实施例所述的计算机设备100、与计算机设备100连接的摄像头模块200和提醒模块300，所述摄像头模块200进行图像采集并传给计算机设备100；如果货物丢失，则由提醒模块300发出提醒。
34.本发明实施例将实时获取的车厢图像和基础图像进行差异化特征提取得到差图后传入所述货物识别模型中进行推理，将相邻时刻得到的差异图进行对比，实时得到车厢内的货物变化信息；可以实现对车厢内的货物的实时监控，及时发现货物减少等异常，减少货物丢失，检测到异常情况时会通过提醒模块提醒司机，系统工作时不需要人工参与。
35.本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(rom，read only memory)、随机存取记忆体(ram，random access memory)、磁盘或光盘等。
36.以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。


技术特征：
1.一种货物识别方法，其特征在于，所述方法是针对每辆车执行的步骤，包括：获取基础图像和多张不同装货状态的车厢图像作为样本数据，所述基础图像为空车车厢图像；将多张不同装货状态的车厢图像分别与基础图像进行差异化特征提取，得到多张差异图，将多张差异图作为训练数据；输入训练数据到卷积神经网络模型中进行训练，得到货物识别模型；实时获取车厢图像；将实时获取的车厢图像与基础图像进行差异化特征提取得到差异图后传入所述货物识别模型中进行推理，将相邻时刻得到的差异图进行对比，实时得到车厢内的货物变化信息。2.如权利要求1所述的货物识别方法，其特征在于，所述实时得到车厢内的货物变化信息之后，所述货物识别方法还包括：根据货物变化信息判断货物是否丢失，如果是，则发出提醒。3.如权利要求1所述的货物识别方法，其特征在于，所述差异化特征提取包括像素作差和向量作差。4.如权利要求3所述的货物识别方法，其特征在于，当所述差异化特征提取采用像素作差时，所述货物识别方法还包括：将车厢图像和基础图像分别转换为像素值在0
‑
255之间的灰度图像。5.如权利要求1所述的货物识别方法，其特征在于，所述卷积神经网络模型是resnet模型。6.一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程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的货物识别方法的步骤。7.一种计算机设备，包括：一个或多个处理器、存储器以及一个或多个计算机程序，所述处理器和所述存储器通过总线连接，其中所述一个或多个计算机程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述的货物识别方法的步骤。8.一种货物监控系统，其特征在于，包括如权利要求7所述的计算机设备、与计算机设备连接的摄像头模块和提醒模块，所述摄像头模块进行图像采集并传给计算机设备；如果货物丢失，则由提醒模块发出提醒。

技术总结
本发明提供了一种货物识别方法、计算机可读存储介质、计算机设备和货物监控系统，所述方法是针对每辆车执行的步骤，包括：获取基础图像和多张不同装货状态的车厢图像作为样本数据，所述基础图像为空车车厢图像；将多张不同装货状态的车厢图像分别与基础图像进行差异化特征提取，得到多张差异图，将多张差异图作为训练数据；输入训练数据到卷积神经网络模型中进行训练，得到货物识别模型；实时获取车厢图像；将实时获取的车厢图像与基础图像进行差异化特征提取得到差异图后传入所述货物识别模型中进行推理，将相邻时刻得到的差异图进行对比，实时得到车厢内的货物变化信息。对车厢进行实时监控，无需人工参与。无需人工参与。无需人工参与。


技术研发人员：范文洋
受保护的技术使用者：深圳依时货拉拉科技有限公司
技术研发日：2021.05.07
技术公布日：2021/9/6