本发明涉及智慧生活领域，具体涉及一种基于移动终端的箱包空间规划系统。
背景技术：
日常生活中，出行是时常发生的，出发前对箱包的有限空间进行合理规划是一个难题。而人们在远行的时候，总是会遇到东西太多，箱包不够的问题，其部分原因在于箱包的空间得不到有效利用。
鉴于上述缺陷，本发明创作者经过长时间的研究和实践终于获得了本发明。
技术实现要素：
为解决上述技术缺陷，本发明采用的技术方案在于，提供一种基于移动终端的箱包空间规划系统，包括：移动端应用子系统和服务端子系统，所述移动端应用子系统包含：登陆模块，用于用户注册并登陆；
目标箱包的扫描模块，用于实现箱包的内部轮廓的扫描识别；
待携带物品的扫描模块，用于实现待携带物品的外部轮廓；
手动矫正模块，用于对已扫描物品的数目、轮廓、名称、分类实现用户手动修改、删除、设定功能；
空间规划与展示模块，用以展示每个物品的在目标箱包的最优布局建议；
必带物品提醒模块，用于存储用户的必带物品清单并给出未带物品提醒；
网络模块，用于实时同步所述服务端子系统信息；
所述服务端子系统包括：
物品分类卷积神经网络模块，用于训练物品分类模型；
数据模块，用于存储用户手动矫正后的正确数据。
较佳的，所述目标箱包的扫描模块和待携带物品的扫描模块使用移动终端自带的摄像头进行扫描。
较佳的，所述目标箱包的扫描模块通过所述移动终端摄像头对目标箱包的内部从各个面的“前”“左”“上”三个角度进行拍照，重复直至扫描完成所有箱包。
较佳的，所述待携带物品的扫描模块，在一致浅色背景下，通过所述移动终端摄像头对成斜线排开的多个待携带的物品从“前”“左”“上”三个角度进行拍照。
较佳的，所述目标箱包扫描模块和物品扫描模块均使用边缘检测算法检测边缘。
较佳的，所述边缘检测算法为sobel边缘检测算法，所述sobel边缘检测算法通过在对图像进行灰度化之后，利用所述图像的像素点及其周围的像素点的灰度值计算该点的梯度，计算得出，如果梯度大于某一预设阈值，则认为该点是边缘点。
较佳的，所述灰度值的计算方法为：
通过卷积因子与原灰度图作卷积，分别得到梯度的水平分量和垂直分量。即：
gx(x,y)＝[f(x+1,y-1)+2*f(x+1,y)+f(x+1,y+1)]-[f(x-1,y-1)+2*f(x-1,y)+f(x-1,y+1)]
gy(x,y)＝[f(x-1,y-1)+2*f(x,y-1)+f(x+1,y-1)]-[f(x-1,y+1)+2*f(x,y+1)+f(x+1,y+1)]
其中：f(a,b)表示像素(a,b)点的灰度值，x代表第x行，y代表第y列,f(a,b)代表第a行、第b列的像素的灰度值，gx(x,y)代表坐标为(x,y)的像素的水平梯度。
较佳的，所述图像的每一个像素的梯度值则由：
其中：g代表梯度，gx代表坐标为x的像素的水平梯度，gy代表坐标为y的像素的水平梯度。
较佳的，所述物品分类的卷积神经网络模块利用卷积神经网络进行物品名称及分类。
较佳的，所述卷积神经网络的激活函数使用relu激活函数，所述relu激活函数为：
与现有技术比较本发明的有益效果在于：1，本发明能够有效的解决箱包空间不足的问题，对箱包空间进行有效的规划和使用。2，本发明能够给人们的出行和空间的有效利用提供建议，而以移动终端应用的形式将大大提高它的实用性和便捷性。3，本发明将卷积神经网络进行物品分类和空间规划，并给出对应的智能的箱包空间规划器的移动终端应用。4，本发明的必带物品提醒模块能够对已带物品的清单由扫描及物品分类完成，自动比对必须物品清单，是一种全新的智能提醒服务。5，本发明能够解决有限空间条件下，给出物品在箱包内的最优布局的一种工具。
附图说明
为了更清楚地说明本发明各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。
图1是本发明的各模块连接示意图；
图2是本发明的带扫描物品摆放示例图；
图3是本发明的物品分类卷积神经网络模型；
图中数字表示：
1-移动端应用子系统2-服务端子系统11-登陆模块12-目标箱包扫描模块13-待携带物品的扫描模块14-手动矫正模块15-空间规划展示模块16-必带物品提醒模块17-网络模块21-物品分类卷积神经网络模块22-数据模块
具体实施方式
以下结合附图，对本发明上述的和另外的技术特征和优点作更详细的说明。
实施例1
如图1所示，本发明是一种基于移动终端的箱包空间规划系统，包括：移动端应用子系统1和服务端子系统2。移动端应用子系统1，用于用户进行线上下载并进行规划使用；服务端子系统2，由服务团队通过网络进行后期维护。
移动端应用子系统1包含：登陆模块11，目标箱包的扫描模块12，待携带物品的扫描模块13，手动矫正模块14，空间规划展示模块15，必带物品提醒模块16，网络模块17。
其中，登陆模块11，作为个性化服务的认证页面，通过用户移动终端登陆注册系统认证，进行使用；登陆模块通过用户的注册，并将用户信息传送至服务端子系统2进行认证，给予使用权限；并对其信息进行加密保护，确保个人隐私不泄露。
目标箱包扫描模块12，可调用摄像头，用以实现箱包的内部轮廓的扫描识别。在摄像画面清晰的场景下，对目标箱包的内部从各个面的“前”“左”“上”三个角度进行拍照，重复直至扫描完成所有箱包，并利用边缘检测算法自动画出箱包内部轮廓图。
待携带物品的扫描模块13，可调用摄像头，用以实现待携带物品的外部轮廓。如图2所示，在一致浅色背景下，通过移动终端摄像头对成斜线排开的多个待携带的物品从“前”“左”“上”三个角度进行拍照，由边缘检测算法给出物品的外部轮廓图，然后利用卷积神经网络进行物品名称及分类。
手动矫正模块14，用以对已扫描物品的数目、轮廓、名称、分类实现用户手动修改、删除、设定功能。在每次扫描结束后，由用户确认物品数目、轮廓、名称、分类是否正确，不正确则可以手动修改并保存。
空间规划与展示模块15，用以展示每个物品的在目标箱包的最优布局建议。使用动态规划算法和贪心算法分别给出两种空间规划结果。对于总空间不够的情形，给出建议舍弃物品清单。
必带物品提醒模块16，用于存储用户的必带物品清单并给出未带物品提醒。在完成手动矫正模块后，应用自动匹配算法自动比较已扫描物品和必带物品清单，若存在未扫描物品，将给出提醒。
网络模块17，用以实时同步服务端子系统卷积神经网络的模型。
服务端子系统2包括物品分类卷积神经网络模块21，数据模块22。
其中，物品分类卷积神经网络模块21，用于训练物品分类模型。
数据模块22，用于存储用户手动矫正后的正确数据，还用于矫正物品分类卷积神经网络模块。
用户与移动端应用子系统1进行交互，由服务团队对服务端子系统1进行维护，移动端应用子系统1与服务端子系统2通过网络进行通讯。移动端应用子系统1的目标箱包扫描模块12以及待携带物品的扫描模块13，为了达到最佳扫描效果以及以此完成多个物品的扫描，待扫描物品，请按照图2进行摆放，分别从物品的“前面”“侧面”“上面”进行拍照，在进行边缘检测后，使用服务端子系统2训练好的神经网络模块21对物品进行分类。
分类结果由用户进行手动矫正，矫正后的结果传输到服务端子系统2的数据模块22进行保存。服务端子系统2将利用数据模块22内的矫正数据对神经网络进行修正。
物品在箱包中的规划算法采用动态规划法和贪心算法，两种方法计算出的结果均展示出来，由用户自行选择。
动态规划算法是按照空间特征，把问题分解为若干个子问题(划分阶段)，将问题发展到各个阶段时所处于的各种客观情况用不同的状态表示出来(确定状态和状态变量)。根据相邻两个阶段的状态之间的关系来确定决策方法和状态转移方程(确定决策并写出状态转移方程)。以自底向上或自顶向下的记忆化方式(备忘录法)计算出最优值。根据计算最优值时得到的信息，构造空间特征的最优解。
贪心算法充分考虑每件物品的重要性和体积。每件物品的权重定义为重要性/体积，然后按照物品的权重排序，依次将物品装入箱包内。
必需物品清单的匹配。在每次装箱前，由用户手动确认必带物品清单，清单上的每一件物品的标志均初始化为false。每一件物品经过扫描之后就可以获得物品的名称，程序检索判断该物品是否在必需物品清单内，是则将该必需品的标志置true,反之则检索下一件物品，直至被扫描物品清单被判断完全。如果扫描结束时，存在必须物品清单的标志为false,则给与用户以提示。
本发明能够解决有限空间条件下，给出物品在箱包内的最优布局的一种工具。
实施例2
本实施例与上述实施例的区别在于，目标箱包扫描模块12，可调用摄像头，用以实现箱包的内部轮廓的扫描识别。在摄像画面清晰的场景下，对目标箱包的内部从各个面的“前”“左”“上”三个角度进行拍照，重复直至扫描完成所有箱包，并利用边缘检测算法自动画出箱包内部轮廓图。
待携带物品的扫描模块13，可调用摄像头，用以实现待携带物品的外部轮廓。如图2所示，在一致浅色背景下，通过移动终端摄像头对成斜线排开的多个待携带的物品从“前”“左”“上”三个角度进行拍照，由边缘检测算法给出物品的外部轮廓图，然后利用卷积神经网络进行物品名称及分类。
目标箱包扫描模块12和物品扫描模块13均使用边缘检测算法检测边缘。
本发明采用sobel边缘检测算法：在对图像进行灰度化之后，利用像素点及其周围的像素点的灰度值计算该点的梯度。
sobel卷积因子为：
通过以上卷积因子与原灰度图作卷积，分别得到梯度的水平分量和垂直分量。即：
gx(x,y)＝[f(x+1,y-1)+2*f(x+1,y)+f(x+1,y+1)]-[f(x-1,y-1)+2*f(x-1,y)+f(x-1,y+1)]
gy(x,y)＝[f(x-1,y-1)+2*f(x,y-1)+f(x+1,y-1)]-[f(x-1,y+1)+2*f(x,y+1)+f(x+1,y+1)]
其中，f(a,b)表示像素(a,b)点的灰度值。
图像的每一个像素的梯度值则由：
x代表第x行，y代表第y列,f(a,b)代表第a行、第b列的像素的灰度值，g代表梯度，gx(x,y)代表坐标为(x,y)的像素的水平梯度。
计算得出，如果梯度g大于某一预设阈值，则认为该点(x,y)是边缘点。
soble边缘检测算法比较简便，且实际应用中效率较高，能够提高整个系统的速率。
实施例3
本实施例与上述实施例的区别在于，待携带物品的扫描模块13，可调用摄像头，用以实现待携带物品的外部轮廓。如图2所示，在一致浅色背景下，通过移动终端摄像头对成斜线排开的多个待携带的物品从“前”“左”“上”三个角度进行拍照，由边缘检测算法给出物品的外部轮廓图，然后利用卷积神经网络进行物品名称及分类。
如图3所示，物品分类的卷积神经网络给出了物品分类使用的神经网络的具体结构。该神经网络一共12个卷积层，每个卷积层均使用3*3大小的卷积核，pool/2代表该卷积层后紧接以池化层，采用max-pooling方式进行池化。每一层卷积核的数目由图依次给出。激活函数使用relu函数。
relu激活函数的具体形式是：
神经网络采用反向传播的方式进行训练，min-batch选取256,步长选取10e-3。
在扫描结束后，物品的扫描图将作为该神经网络的输入，然后神经网络进行计算，在输出中给出每个物品的名称。
实施例4
本实施例与上述实施例的区别在于，本发明的移动终端包括手机、平板电脑以及带有摄像头的可安装本系统的设备均可。本发明通过现有的设备将本系统充分利用，能够合理的解决使用者箱包空间不足的问题。
实施例5
本实施例与上述实施例的区别在于，本发明还可以用于快递盒内空间布局等一系列有限空间的规划问题。长期对有限的空间进行合理的规划，进而能够提高使用者对空间规划的良好习惯。
以上所述仅为本发明的较佳实施例，对本发明而言仅仅是说明性的，而非限制性的。本专业技术人员理解，在本发明权利要求所限定的精神和范围内可对其进行许多改变，修改，甚至等效，但都将落入本发明的保护范围内。