一种基于深度学习的智慧物流拼车方法和装置   0    0

本发明公开了一种基于深度学习的智慧物流拼车方法和装置，包括获取等待拼车货物列表，训练货物组合事故预测模型，所述第一货物与所述第二货物的拼车组合，拍摄所述第一货物上货后的图像作为第一图像，拍摄所述第二货物卸货后的图像作为第二图像，计算所述第一图像以及所述第二图像的所有差异矩阵以及其坐标位置，确定图像差异点集合，基于预设规则将所述图像差异点集合中的部分图像差异点列入混淆提醒列表，根据所述混淆提醒列表中货物的准点运输权重，向搬运员发送混淆验证提醒信息。本发明有效通过区块链以及深度学习技术进行拼车规划，提高混淆提醒模型准确率，提高了运输及时性准确性。

1.一种基于深度学习的智慧物流拼车方法，其特征在于，包括：
获取等待拼车货物列表，确定所述等待拼车货物列表中的货物信息，获取货车信息，货车车主在客户端根据所述等待拼车货物列表，选择需要运输的第一货物，根据所述第一货物的货物信息，以及所述货车信息，确定货车可运输剩余体积、货车可运输剩余重量；
获取历史拼车信息‑事故发生情况表，统计历史拼车的货物组合情况，以及该货物组合情况下，道路运输长度、道路颠簸情况，运输加速度情况，发生事故的类型名称，以所述历史拼车信息‑事故发生情况表、道路运输长度、道路颠簸情况作为特征值，所述发生事故的类型名称作为预测值，结合深度学习或机器学习分类算法，训练货物组合事故预测模型；
将与所述第一货物组成错误组合的货物在所述等待拼车货物列表中排除，根据货物总体积、货物重量、所述货车可运输剩余体积、货车可运输剩余重量、货物终点目的地、货物起始位置，筛选候选拼车货物列表，基于所述货物组合事故预测模型预测遍历所述候选拼车货物列表，将预测结果为无事故风险的货物信息录入无事故风险货物列表；基于所述无事故风险货物列表，选择所述第二货物；
根据所述第一货物以及所述第二货物进行拼车运输，布置所述第一货物与所述第二货物的放置位置；
统计历史拼车的货物组合情况，以及该货物组合情况下，道路运输长度、道路颠簸情况，运输加速度情况，货物发生混淆的距离，建立历史拼车信息‑混淆距离表；
根据所述历史拼车信息‑混淆距离表，确定货物混淆检测的roi距离等级，拍摄所述第一货物上货后的图像作为第一图像，拍摄所述第二货物卸货后的图像作为第二图像，计算所述第一图像以及所述第二图像的所有差异矩阵以及其坐标位置，确定图像差异点集合，根据所述图像差异点集合，获取所述第一货物的货物总高度与所述第二货物的货物总高度，计算货物高度差，基于预设规则将所述图像差异点集合中的部分图像差异点列入混淆提醒列表；
根据所述混淆提醒列表中货物的准点运输权重，结合搬运员能验证货物的最高个数，向搬运员发送混淆验证提醒信息。

2.根据权利要求1所述的一种基于深度学习的智慧物流拼车方法，其特征在于：所述获取等待拼车货物列表，确定所述等待拼车货物列表中的货物信息，获取货车信息，货车车主在客户端根据所述等待拼车货物列表，选择需要运输的第一货物，根据所述第一货物的货物信息，以及所述货车信息，确定货车可运输剩余体积、货车可运输剩余重量，包括：
所述等待拼车货物列表通过在货物运输中介网页收集采集获取，所述货物运输中介网页收纳有送货需求的货物信息，货物由一堆相同类型名称规格的单件货物组成；
所述货物信息包括：货物名称、货物重量、货物总体积、货物类型、货物起始位置、货物终点目的地、货物总高度、货物总长度、货物总个数、货物运输报酬、货物的准点运输权重、单件货物图像、单件货物宽度、单件货物高度、单件货物重量；
所述货物的准点运输权重是货物必须准点运输到达终点目的地的权重，通过系统预设确定权重；
所述货物运输报酬是货车车主运输货物后，获得的报酬，通过网上交易平台进行记录设置；
获取货车信息，所述货车信息包括：货车可运输总体积、货车可运输总重量，货车车厢宽度；
所述根据所述第一货物的货物信息，以及所述货车信息，确定货车可运输剩余体积、货车可运输剩余重量，包括：将所述货车可运输总重量减去所述第一货物的货物信息的货物重量，得到所述货车可运输剩余重量；将所述货车可运输总体积，减去所述第一货物的货物信息的货物总体积，得到货车可运输剩余体积。

3.根据权利要求1所述的一种基于深度学习的智慧物流拼车方法，其特征在于：所述在服务器获取历史拼车信息‑事故发生情况表，统计历史拼车的货物组合情况，以及该货物组合情况下，道路运输长度、道路颠簸情况，运输加速度情况，发生事故的类型名称，以所述历史拼车信息‑事故发生情况表、道路运输长度、道路颠簸情况作为特征值，所述发生事故的类型名称作为预测值，结合深度学习或机器学习分类算法，训练货物组合事故预测模型，包括：
所述机器学习分类算法，包括：支持向量机（SVM）、朴素贝叶斯分类器、决策树；所述深度学习分类算法包括卷积神经网络分类算法；当机器学习训练数据量小于10000条时，选择机器学习分类算法，大于10000条时，选择深度学习分类算法；
所述历史拼车的货物组合情况是指该次拼车的两种拼车货物的货物信息；
所述发生事故的类型名称，包括：发生混淆、发生损坏、无事故风险；
所述道路运输长度，包括：两种拼车货物共同运输的道路里程总数；
所述道路颠簸情况，包括：结合震动传感器，检测道路颠簸超过阈值的次数，得到道路颠簸情况；
所述运输加速度情况，包括：通过加速度传感器，检测运输过程中加速度超过阈值的次数，得到运输加速度情况。

4.根据权利要求1所述的一种基于深度学习的智慧物流拼车方法，其特征在于：所述将与所述第一货物组成错误组合的货物在所述等待拼车货物列表中排除，根据货物总体积、货物重量、所述货车可运输剩余体积、货车可运输剩余重量、货物终点目的地、货物起始位置，筛选候选拼车货物列表，基于所述货物组合事故预测模型预测遍历所述候选拼车货物列表，将预测结果为无事故风险的货物信息录入无事故风险货物列表，基于所述无事故风险货物列表，选择所述第二货物，包括：
判断所述历史拼车信息‑事故发生情况表的货物组合是否发生火灾、发生腐蚀，如果发生，将该货物组合列为错误组合；将与所述第一货物组成错误组合的货物排除在所述等待拼车货物列表之外；
在所述等待拼车货物列表中，选择货物总体积、货物重量小于所述货车可运输剩余体积、所述货车可运输剩余重量，货物终点目的地在所述第一货物的终点目的地之前，货物起始位置在所述第一货物的货物起始位置之后的货物列表，得到候选拼车货物列表；
遍历所述候选拼车货物列表，将其中的每一货物信息与所述第一货物进行临时货物组合，基于地图软件，获取该货物组合情况下，预计的道路运输长度、基于所述历史拼车信息‑事故发生情况表，获取预计的道路运输长度情况下的预计道路颠簸情况，将所述临时货物组合的货物信息，预计的道路运输长度、预计道路颠簸情况输入所述货物组合事故预测模型，得到发生事故的类型名称的预测结果，如果预测结果为无事故风险，将该次遍历的货物信息录入无事故风险货物列表，遍历完成后得到所述无事故风险货物列表；
所述基于所述无事故风险货物列表，选择所述第二货物，包括：
基于所述无事故风险货物列表，选择货物运输报酬最高的货物作为所述第二货物；
或
基于所述无事故风险货物列表，遍历其中的货物信息，根据货物的终点目的地与所述第一货物的终点目的地的距离，结合互联网运费价格，确定混淆货物后补发需要的运费价格作为货物补发价格；
在客户端展示所述无事故风险货物列表中每件货物的补发价格以及在所述货物组合事故预测模型中预测结果的置信度，推荐所述货物组合事故预测模型中预测结果的置信度高于预设第一阈值，且补发价格低于预设第二阈值的n件货物给所述货车车主选择，从而确认所述第二货物。

5.根据权利要求1所述的一种基于深度学习的智慧物流拼车方法，其特征在于：所述根据所述第一货物以及所述第二货物进行拼车运输，布置所述第一货物与所述第二货物的放置位置，包括：将所述第一货物放置于车厢内偏里侧，将所述第二货物放置于车厢内偏外测，在所述第一货物与所述第二货物之间设置一条货物间隙，以区分所述第一货物与所述第二货物，所述货物间隙必须大于所述第一货物及第二货物的单件货物宽度。

6.根据权利要求1所述的一种基于深度学习的智慧物流拼车方法，其特征在于：统计历史拼车的货物组合情况，以及该货物组合情况下，道路运输长度、道路颠簸情况，运输加速度情况，货物发生混淆的距离，建立历史拼车信息‑混淆距离表，包括：
每次运输，搬运员在所述第二货物卸货结束后， 检查所述第一货物是否混淆所述第二货物，通过扫描货物上的二维码判断是否是所述第二货物，如果属于所述第二货物，搬运员通过移动客户端输入该第二货物与所述货物间隙的距离，将该第二货物与该次货物间隙的距离以及该次运输的货物组合情况道路运输长度、道路颠簸情况、运输加速度情况上传到所述历史拼车信息‑混淆距离表。

7.根据权利要求1所述的一种基于深度学习的智慧物流拼车方法，其特征在于：所述根据所述历史拼车信息‑混淆距离表，确定货物混淆检测的roi距离等级，拍摄所述第一货物上货后的图像作为第一图像，拍摄所述第二货物卸货后的图像作为第二图像，计算所述第一图像以及所述第二图像的所有差异矩阵以及其坐标位置，确定图像差异点集合，具体包括：
根据所述历史拼车信息‑混淆距离表，结合本次运输的货物组合情况下，道路运输长度、道路颠簸情况，运输加速度情况，与所述历史拼车信息‑混淆距离表中的历史数据进行相似度计算，得到与本次运输相似度最高的一次运输的货物组合及其货物发生混淆的距离，从而确定货物混淆检测的roi距离等级；
所述本次运输相似度最高的一次运输的货物发生混淆的距离包括：货物发生混淆的平均距离、货物发生混淆的最远距离；
所述roi距离等级，包括：设置2个roi距离等级，第一roi距离等级及第二roi距离等级；
将货物发生混淆的平均距离作为第一roi距离等级的长度，将货物发生混淆的最远距离作为第二roi距离等级的长度；所述第一roi距离等级及第二roi距离等级的宽度为货车车厢宽度；
所述roi距离等级的起始坐标为所述货物间隙的所在坐标；
再相同角度，拍摄所述第一货物上货后的图像作为第一图像，拍摄所述第二货物卸货后的图像作为第二图像，使用OpenCV，Python和scikit‑image技术结合结构相似性指数（SSIM）来计算所述第一图像以及所述第二图像的所有差异矩阵以及其坐标位置，从而确定图像差异点集合；
所述拍摄所述第二货物卸货后的图像，包括：当到达所述第二货物终点目的地时通过目标检测算法判断所述第二货物放置区域是否存在货物，如果不存在，判断为所述第二货物卸货结束；
所述第二货物放置区域坐标获取方法是，在拍摄的图片中，以所述货物间隙的所在坐标作为起始坐标，所述第二货物的货物总长度作为长度、货车车厢宽度作为宽度。

8.根据权利要求1所述的一种基于深度学习的智慧物流拼车方法，其特征在于：所述根据所述图像差异点集合，获取所述第一货物的货物总高度与所述第二货物的货物总高度，计算货物高度差，基于预设规则将所述图像差异点集合中的部分图像差异点列入混淆提醒列表，具体包括：
当所述货物高度差少于20cm或少于所述第一货物或所述第二货物的单件货物高度时，遍历所述图像差异点集合每个差异矩阵及其坐标位置，如果其中某个差异矩阵所在坐标位置在所述货物间隙区域范围中，通过图像分类算法计算该差异矩阵属于所述第一货物还是所述第二货物，如果属于所述第二货物，将该差异矩阵列入所述混淆提醒列表；
所述货物间隙区域获取方法是，在拍摄的图片中，以所述货物间隙的所在坐标作为起始坐标，所述货物间隙长度作为长度、货车车厢宽度作为宽度；
所述第一货物放置区域坐标获取方法是，在拍摄的图片中，以所述货车最里部所在坐标作为起始坐标，所述第一货物的货物总长度作为长度、货车车厢宽度作为宽度；
当所述货物高度差高于20cm或高于所述第一货物或所述第二货物的单件货物高度时，如果所述第一货物较高，遍历所述图像差异点集合每个差异矩阵及其坐标位置，如果其中某个差异矩阵所在坐标位置在所述第一货物放置区域范围中，通过目标检测算法，统计所述第二图片在所述第一货物放置区域范围中单件第一货物的个数，判断与所述第一图片在所述第一货物放置区域范围中单件第一货物的个数是否相同，如果相同，不进行提醒，如果不同，向后台发送混淆提醒信息，提醒所述第二货物可能混淆所述第一货物，将全部所述第二货物列入第二混淆提醒列表；如果该差异矩阵在所述货物间隙区域范围中，通过图像分类算法计算该差异矩阵属于所述第一货物还是所述第二货物，如果属于所述第二货物，将该差异矩阵列入所述混淆提醒列表；
当所述货物高度差高于20cm或高于所述第一货物或所述第二货物的单件货物高度时，如果所述第二货物较高，遍历所述图像差异点集合每个差异矩阵及其坐标位置，如果其中某个差异矩阵所在坐标位置在所述第一货物放置区域范围中，通过图像分类算法计算该差异矩阵属于所述第一货物还是所述第二货物，如果属于所述第二货物，判断该差异矩阵所在roi距离等级，如果在所述第一roi距离等级且不在所述第二roi距离等级中，那么混淆可能性较高，将该差异矩阵列入所述混淆提醒列表，如果在所述第二roi距离等级中，那么混淆可能性较低，根据所述历史拼车信息‑混淆距离表，计算表中是否存在与本次货物运输的货物组合，道路运输长度、道路颠簸情况，运输加速度情况，货物发生混淆的距离相似度超过第三阈值的数据，如果存在，将该差异矩阵列入所述混淆提醒列表。

9.根据权利要求1所述的一种基于深度学习的智慧物流拼车方法，其特征在于：所述根据所述混淆提醒列表中货物的准点运输权重，结合搬运员能验证货物的最高个数，向搬运员发送混淆验证提醒信息，包括：
计算所述混淆提醒列表中货物的准点运输权重是否高于预设第四阈值，当高于预设第四阈值时，对所述混淆提醒列表中每一个货品都向搬运员发送混淆验证提醒信息，当低于预设第四阈值时，在系统预设搬运员能验证货物的最高个数，将所述混淆提醒列表中每一个差异矩阵与所述第二货物的单件货物图像进行相似度计算，并根据相似度降序排序，取相似度最高的所述搬运员能验证货物的最高个数的差异矩阵，向搬运员发送混淆验证提醒信息。

10.一种计算机装置，其特征在于，包括存储器和处理器，所述存储器用于存储至少一个程序，所述处理器用于加载所述至少一个程序以执行权利要求1‑9任一项所述方法。