本发明涉及班线空仓状态判断。更具体地，涉及一种基于图像识别的班线空仓状态判断方法。
背景技术
在快递物流领域，当班车在分拨中装好后，需要获取各个班车的空仓状态，并将班车的空仓状态与其运行的班线对应起来，以获得班线的空仓状态，为班线的方案规划，例如停开和加车等，提供参考依据。
目前，对于班线空仓状态的获取一般通过人工上报或视频监控两种模式，其中：
一、人工上报是指，在班车装好后，由现场的操作人员为班车的空仓数进行估计，然后将该空仓数对应到班线上并记录上报。人工上报虽然能够很好的将班车与班线对应起来，但是由于空仓数为操作人员的估计值，这样获得的空仓状态准确度不高。同时，对空仓状态的估计因人而异，缺少统一的标准，不利于精细化和数字化的管理。进一步地，人工上班由于缺乏有效监督，对空仓状态乱报的情况难以发现，因此带来了查证等后续困难。
二、视频监控是指由固定的运营人员获取对应分拨卡扣的视频监控录像，通过查看视频监控录像来获取班线的空仓数。视频监控需要运营人员在一段时间内监视到班车离开的瞬间，这样及其耗费人力。同时，实际生产可能调整各个卡口与班线的对应关系；一个卡口也可能对应多个班线。由于视频监控只能查看固定卡扣位置的录像，因此在班车与班线进行对应时，需要不断根据卡扣与班线的维护进行调整，即如果没有及时维护，就找不到想找的班线。
因此，需要提供一种基于图像识别的班线空仓状态判断方法。
技术实现要素：
本发明的目的在于提供一种班线空仓状态的判断方法，该方法能够综合人工上报与视频监控的特点，实现班车与班线的快速对应，并准确获取班线的空仓状态信息，同时，避免班线调整带来的维护，对班线的空仓状态进行分类，为班线的方案规划提供参考依据。
为达到上述目的，本发明采用下述技术方案：
一种基于图像识别的班线空仓状态判断方法，该方法包括：
步骤s1：对班车装载情况进行拍照获取班车照片；
步骤s2：对班车对应的任务单进行扫描获取班车信息；
步骤s3：在班车信息中提取班车对应班线的班线信息，将班车照片与班线信息相关联；
步骤s4：基于深度神经网络对班车照片进行识别，获取识别结果；
步骤s5：基于识别结果对相关联的班线空仓状态进行判断。
本发明中，通过将对班车装载情况进行拍照获取的班车照片与对班车对应的任务单进行扫描获取的班车信息相关联，实现了班车与班线的准确方便对应，同时，获取的班车照片能够避免人工上报过程中的误报问题，提高了空仓状态的准确度。进一步地，基于深度神经网络对班车照片进行识别，能够确保对班线空仓状态的判断具有统一的标准，同时，通过对神经网络进行调整来实现空仓状态分类的调整。
优选地，当班车装好后，用靶枪对班车装载情况进行拍照获取班车照片。
优选地，用靶枪对班车对应的任务单进行扫描获取班车信息。
本发明中，通过靶抢来对班车装载情况进行拍照并对任务单进行扫描，能够方便，快捷，准确地将班车照片与班线相对应，减少了中间环节，提高了班线空仓状态获取的效率。
优选地，识别结果包括“完全满车”、“空5m3以内”、“空5-30m3”、“空30m3以上”和“无法识别”。
本申请中，将识别结果按照等级进行分类，能够方便直观的对班线空仓状态进行判断，同时增加了“无法识别”的情况，能够适应于实际操作中的各种情况。
优选地，步骤s5中基于识别结果对相关联的班线空仓状态进行判断，包括：
当识别结果为“完全满车”时，判断对应的空仓状态为0；
当识别结果为“空5m3以内”时，判断对应的空仓状态为2.5m3；
当识别结果为“空5-30m3”时，判断对应的空仓状态为17.5m3；
当识别结果为“空30m3以上”时，判断对应的空仓状态为(30+v)/2m3；及
当识别结果为“无法识别”时，无法判断对应的空仓状态，并记录识别结果；
其中，v为班车的最大体积。
本发明中，对应于识别结果对班线空仓状态进行判断，得出不同级别的班线空仓状态，每个级别的空仓状态数值代表了该级别的平均值，判断所得的空仓状态直接用于为班线的方案规划提供参考依据。
优选地，执行完步骤s1后还包括：
判断班车照片是否为“不规范照片”，若是，则无法判断对应的空仓状态，并记录班车照片。
进一步优选地，当班车照片满足下述情况至少之一时，判断班车照片为“不规范照片”：
班车照片中的车框所占的面积占班车照片面积的25％以下；
班车照片中的左右车框所占的面积占左右车框面积的70％以下；
班车照片中的上下车框的边缘不包括在班车照片中；
班车照片中班车的车门关闭；及
班车照片中无法判断空方。
本发明中，通过对获取的班车照片进行规范情况判断，能够及时剔除不合规范的照片，省去了不合规范照片流入后续步骤，提高了处理效率，确保深度神经网络对班车照片进行识别的可靠性。进一步地，可以通过调整“不规范照片”的判断标准来确定班车照片的合格率。
优选地，深度神经网络采用xception网络结构。本发明中，采用谷歌的xception网络结构。
优选地，基于深度神经网络对班车照片进行识别时，采用超参数搜索技术和图像随机扰动技术。
本发明中，采用gridsearch思想对优化器、池化层类型、数据预处理类型和预训练四种参数进行搜索，以选择确定最有参数组合。在训练过程中通过对输入图像随机旋转、光线随机增强(减弱)、随机裁剪等方式加大对模型干扰。使训练后的模型有更好的泛化性能，避免过拟合。
优选地，基于深度神经网络对班车照片进行识别时，还采用组合模型技术，其中：
prediction1层输出识别结果；
获取班车的装载信息；
基于装载信息与prediction1层输出的识别结果共同构成prediction2层，以对相关联的班线空仓状态进行判断。
本发明中，采用谷歌的xception网络结构，并结合超参数搜索技术、图像随机扰动技术和组合模型技术，使准确率从仅采用xception网络结构的70％提升到90％，达到了使用标准。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明。
图1示出基于图像识别的班线空仓状态判断方法步骤图。
图2示出本发明一个实施例中图像识别框架结构示意图。
图3示出本发明另一个实施例中图像识别框架结构示意图。
具体实施方式
为了更清楚地说明本发明，下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。
为了解决人工上报和视频监控的弊端，本发明公开一种基于图像识别的班线空仓状态判断方法，该方法包括：
步骤s1：对班车装载情况进行拍照获取班车照片。
步骤s2：对班车对应的任务单进行扫描获取班车信息；
步骤s3：在班车信息中提取班车对应班线的班线信息，将班车照片与班线信息相关联；
步骤s4：基于深度神经网络对班车照片进行识别，获取识别结果；
步骤s5：基于识别结果对相关联的班线空仓状态进行判断。
本发明中，通过将对班车装载情况进行拍照获取的班车照片与对班车对应的任务单进行扫描获取的班车信息相关联，实现了班车与班线的准确方便对应，同时，获取的班车照片能够避免人工上报过程中的误报问题，提高了空仓状态的准确度。进一步地，基于深度神经网络对班车照片进行识别，能够确保对班线空仓状态的判断具有统一的标准，同时，通过对神经网络进行调整来实现空仓状态分类的调整。
下面结合具体实施例，对本发明的基于图像识别的班线空仓状态判断方法进行说明。
第一，进行现场操作。
首先，当班车在分拨中装好后，用靶枪对班车装载情况进行拍照获取班车照片，班车照片中记录了班车的实际装载情况。
在实际中，对班车照片做出规范，若出现以下五种情况，则认定照片为不规范照片：
(1)班车照片中的车框所占的面积占班车照片面积的25％以下；
(2)班车照片中的左右车框所占的面积占左右车框面积的70％以下；
(3)班车照片中的上下车框的边缘不包括在班车照片中；
(4)班车照片中班车的车门关闭；
(5)班车照片中无法判断空方。
然后，在获得班车照片后，用靶枪对班车对应的任务单进行扫描获取班车信息，将班车照片与班线对应起来。通过靶抢来对班车装载情况进行拍照并对任务单进行扫描，能够方便，快捷，准确地将班车照片与班线相对应，减少了中间环节，提高了班线空仓状态获取的效率。
第二，进行模型识别。
首先，基于深度神经网络对班车照片进行识别。具体地，从系统调取需要识别的照片，用深度神经网络识别每张照片是“完全满车”、“空5m3以内”、“空5～30m3”、“空30m3以上”和“无法判断”中的哪一类。
在一个实施例中，深度神经网络采用谷歌的xception网络结构，应说明的是，本发明并不限制深度神经网络的类型，其他能够完成深度神经网络识别功能的网络结构同样属于本发明的发明构思。
将识别结果按照等级进行分类，能够方便直观的对班线空仓状态进行判断，同时增加了“无法识别”的情况，能够适应于实际操作中的各种情况。
基于深度神经网络对班车照片进行识别时，采用超参数搜索技术、图像随机扰动技术和组合模型技术，其中：
(1)超参数搜索技术
本领域技术人员可以理解的是，同样的网络结构，可设置不同的参数。不同参数组合在最终结果上表现差别很大。
本发明实施例中，采用gridsearch思想对下述四中参数进行搜索，从而选择最优的参数组合。
a).优化器(optimizer)
b).池化层类型(pooling)
c).数据预处理方式(datapreprocessing)
d).预训练(pre-train&fine-tune)
(2)图像随机扰动技术
本发明实施例中，在训练过程中通过对输入图像随机旋转、光线随机增强(减弱)、随机裁剪等方式加大对模型干扰。使训练后的模型有更好的泛化性能，避免过拟合。
(3)组合模型技术
在一个实施例中，如图2中示出的传统的图像识别问题的框架，最下面的input是班车图像，通过隐含层最终预测为“完全满车”、“空5m3以内”、“空5～30m3”、“空30m3以上”和“无法判断”中的哪一类。
对于快递物流，除了班车照片外，可以获取一些其他信息来辅助判断，如：班车装载件量、重量、班车内集包个数等可描述班车装载的信息，因此在另一个实施例中将模型调整如图3所示。
在图3中，在prediction1层输出“完全满车”、“空5m3以内”、“空5～30m3”、“空30m3以上”和“无法判断”中的每一类的概率。在input2中加入可描述班车装载的信息(即上文的班车装载件量、重量、班车内集包个数等)，与prediction1层相连接，一起再放入下一个dnn(深层神经网络)，最后再预测“完全满车”、“空5m3以内”、“空5～30m3”、“空30m3以上”和“无法判断”中的哪一类——即prediction2层。
然后，基于识别结果对相关联的班线空仓状态进行判断，包括：
当识别结果为“完全满车”时，判断对应的空仓状态为0；
当识别结果为“空5m3以内”时，判断对应的空仓状态为2.5m3；
当识别结果为“空5-30m3”时，判断对应的空仓状态为17.5m3；
当识别结果为“空30m3以上”时，判断对应的空仓状态为(30+v)/2m3；及
当识别结果为“无法识别”时，将识别结果推送运营人员，敦促拍照人员规范拍照并以“无法识别”的识别结果为依据对拍照人员进行考核；
其中，v为班车的最大体积。
对应于识别结果对班线空仓状态进行判断，得出不同级别的班线空仓状态，每个级别的空仓状态数值代表了该级别的平均值，判断所得的空仓状态直接用于为班线的方案规划提供参考依据。特别地，当操作人员乱拍或错拍造成识别结果为“无法识别”时，当天对应的班车装载将无法从图像识别方法上得知，此时以“无法识别”的识别结果为依据对拍照人员进行考核能够减少乱拍及错拍现象的发生。
在又一个实施例中，执行完步骤s1后还包括：判断班车照片是否为“不规范照片”，若是，则无法判断对应的空仓状态，将班车照片推送运营人员，敦促拍照人员规范拍照并以“不规范照片”的班车照片为依据对拍照人员进行考核。
通过对获取的班车照片进行规范情况判断，能够及时剔除不合规范的照片，省去了不合规范照片流入后续步骤，提高了处理效率，确保深度神经网络对班车照片进行识别的可靠性。进一步地，可以通过调整“不规范照片”的判断标准来确定班车照片的合格率。
本发明实施例中，用靶枪拍照并扫一下任务单的动作方便，快捷且不易出错，同时班车照片和班线的对应是也更加准确。通过模型识别照片的空仓，对提供了全网统一规范的标准，排除了人为主观影响，本方法在效率、准确率上均优于之前的方法。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。