[发明专利]一种快递货物堆积程度的检测方法及装置

说明书

本发明提供一种快递货物堆积程度的检测方法及装置，所述方法包括：获取目标站点货物堆积的图像，将所述货物堆积的图像作为预测样本输入预设的深度学习检测模型，并将该深度学习检测模型的输出作为该目标站点货物堆积的图像对应的堆积程度检测结果，其中，所述深度学习检测模型用于表示货物堆积图像的堆积类型和堆积程度检测结果之间的对应关系，本发明的检测算法是基于深度学习的原理，能够实现快递货物堆积程度的自动检测，检测过程高效且检测结果准确，进而能够帮助管理人员实时了解当前快递分拨中心每一个堆货区域的堆积情况，以便能够及时且有针对性地做出相应的处理。

技术领域

本发明涉及快递分拣领域，更具体的，涉及一种快递货物堆积程度的检测方法及装置。

背景技术

快递货物在快递分拨中心经过粗分流水线和末端分拣流水线分拣完毕后，需要进行装车处理，然后发往对应的方向。然而很多时候，货物已经分拣完毕，但是车辆还未到达，因此，需要将货物临时放置到堆货区域。由于堆货区域都有堆货的上限，当堆货区域已经被快递货物堆满，而车辆还未到达，会给装车现场造成很大的影响，因此需要现场管理人员进行介入处理。

对于站点堆货区域有额外的时效要求的，即需要在某个时间点之前，将该区域的货物都装送完毕，保证当日能派送到用户手中，如果在某个时间点之后，该区域还有货物堆积，也需要相应的管理人员及时处理。

然而由于每个快递分拨中心有较多的货物堆积区域，现场管理人员很难实时感应到每一个区域的货物堆积程度而提前做出有效的处理，因此就会给分拨的操作和货物的时效产生较大地影响。

发明内容

为了解决上述问题中的至少一个，本发明第一方面提供一种快递货物堆积程度的检测方法，所述检测方法包括：

获取目标站点货物堆积的图像；

将所述货物堆积的图像作为预测样本输入预设的深度学习检测模型，并将该深度学习检测模型的输出作为该目标站点货物堆积的图像对应的堆积程度检测结果；

其中，所述深度学习检测模型用于表示货物堆积图像的堆积类型和堆积程度检测结果之间的对应关系。

在某些实施方式中，所述检测方法还包括：

根据货物堆积的历史数据生成训练样本集，所述历史数据包括多个堆积类型及其对应的已知堆积程度检测结果。

在某些实施方式中，所述根据货物堆积的历史数据生成训练样本集，所述历史数据包括多个堆积类型及其对应的已知堆积程度检测结果，包括：

自电力系统的遥测数据、遥信数据和电力模块监控数据中的至少一份数据中提取多个货物堆积的历史数据；

在所述历史运行数据中提取货物堆积的多种堆积类型对应的堆积程度特征数据，并根据多种堆积类型分别对应的堆积程度特征数据之间的从属关系建立货物堆积程度指标体系；

对所述货物堆积程度指标体系对应的堆积程度特征数据进行预处理；

根据经预处理后的堆积程度特征数据生成训练样本集。

在某些实施方式中，所述对所述货物堆积程度指标体系对应的堆积程度特征数据进行预处理，包括：

对所述货物堆积程度指标体系对应的堆积程度特征数据进行数据清洗和/或属性规约处理。

本发明第二方面提供一种快递货物堆积程度检测装置，所述检测装置包括：

图像获取模块，获取目标站点货物堆积的图像；

堆积程度检测模块，将所述货物堆积的图像作为预测样本输入预设的深度学习检测模型，并将该深度学习检测模型的输出作为该目标站点货物堆积的图像对应的堆积程度检测结果；