异常面单的快速识别方法、装置、设备及存储介质与流程

本发明涉及物流配送，特别涉及一种异常面单的快速识别方法、装置、设备及存储介质。

背景技术：

1、快递面单是指快递行业在运送货物的过程中用以记录发件人、收件人以及产品重量、价格等相关信息的单据。目前快递行业多用条码快递单，以保证快递行业的连续数据输出，便于管理。

2、在整个物流运输过程中，许多环节都需要读取快递面单信息。实际上，由于快递人员操作失误或者物理环境的影响下，快递面单经常出现快递面单被折叠、面单表面污损、印刷字迹模糊,或者一个快递上粘贴了多个快递面单造成快递面单信息被遮挡等异常情况，这些异常的快递面单会影响后续信息的录入，对读取快递面单信息造成干扰，容易影响配送效率。可见，现有技术还有待改进和提高。

技术实现思路

1、鉴于上述现有技术的不足之处，本发明的目的在于提供一种异常面单的快速识别方法、装置、设备及存储介质，通过对快递包裹的原始图像进行预处理获取面单识别图像，在alexnet网络中构建的初始alexnet网络模型，经过训练集、验证集的训练和验证后得到目标alexnet网络模型，由目标alexnet网络模型对面单识别图像进行识别，具有识别率高、识别时间快、泛化能力强的特点，能够明显提高物流配送的效率，在辅助物流处理、减轻快递人员负担方面具有重要作用。

2、为了达到上述目的，本发明的第一方面提供了一种异常面单的快速识别方法，包括如下步骤：获取快递包裹的原始图像，对所述原始图像进行预处理，得到面单识别图像；基于alexnet网络构建初始alexnet网络模型；调用预先设置的训练主函数，根据所述训练主函数生成训练数据集，将所述训练数据集划分为训练集和验证集；将所述训练集输入至所述初始alexnet网络模型中，训练得到优化alexnet网络模型，通过所述验证集对优化alexnet网络模型进行网络参数调整，得到目标alexnet网络模型；将所述面单识别图像输入至所述目标alexnet网络模型中，由所述目标alexnet网络模型输出面单类型识别结果；当所述面单类型识别结果存在异常时，发出预警信号。

3、可选的，在本发明第一方面的第一种实现方式中，所述获取快递包裹的原始图像，对所述原始图像进行预处理，得到面单识别图像，包括：从服务器中获取快递包裹的原始图像，识别原始图像的面单区域；以所述面单区域为目标区域对所述原始图像进行裁剪，得到面单图像；采用otsu最大类间方差的改进算法对所述面单图像进行自适应二值化处理，得到所述面单识别图像。

4、可选的，在本发明第一方面的第二种实现方式中，所述基于alexnet网络构建初始alexnet网络模型，包括：基于快递面单识别需求，设定adam算法的参数配置；以adam算法为优化器，确定网络架构的输入层、卷积层和全连接层的数据，搭建alexnet架构；独立运行所述alexnet架构并演算出网络参数，根据所述网络参数生成初始alexnet网络模型。

5、可选的，在本发明第一方面的第三种实现方式中，所述调用预先设置的训练主函数，根据所述训练主函数生成训练数据集，将所述训练数据集划分为训练集和验证集，包括：采用keras数据生成算法生成循环数据集；调用并读取预先设置的训练主函数，利用训练主函数打乱所述循环数据集；对打乱后的循环数据集进行重新划分，得到训练集和验证集。

6、可选的，在本发明第一方面的第四种实现方式中，所述将所述训练集输入至所述初始alexnet网络模型中，训练得到优化alexnet网络模型，通过所述验证集对优化alexnet网络模型进行网络参数调整，得到目标alexnet网络模型，包括：将训练集输入至初始alexnet网络模型中，得到优化alexnet网络模型；将验证集输入至优化alexnet网络模型中，得到目标alexnet网络模型；设定目标alexnet网络模型的保存方式和学习效率下降方式后，保存目标alexnet网络模型至服务器。

7、可选的，在本发明第一方面的第五种实现方式中，所述将所述面单识别图像输入至所述目标alexnet网络模型中，由所述目标alexnet网络模型输出面单类型识别结果，包括：将面单识别图像输入至目标alexnet网络模型中进行识别处理；识别完成后，在所述目标alexnet网络模型的输出层输出得到面单类型识别结果；根据所述面单类型识别结果，标记对应的快递面单类型，所述快递面单类型分为异常和正常。

8、可选的，在本发明第一方面的第六种实现方式中，所述当所述面单类型识别结果存在异常时，发出预警信号，包括：判断所述面单类型识别结果是否存在异常情况，所述异常情况包括面单折叠、面单污损、面单模糊或者面单信息被遮挡；若出现面单折叠、面单污损、面单模糊或者面单信息被遮挡的情况，根据异常情况生成预警信号；否则，反馈面单识别图像无异常结果。

9、本发明第二方面提供了一种异常面单的快速识别装置，包括：图像预处理模块，用于获取快递包裹的原始图像，对所述原始图像进行预处理，得到面单识别图像；初始网络模型模块，用于基于alexnet网络构建初始alexnet网络模型；训练数据集模块，用于调用预先设置的训练主函数，根据所述训练主函数生成训练数据集，将所述训练数据集划分为训练集和验证集；目标网络生成模块，用于将所述训练集输入至所述初始alexnet网络模型中，训练得到优化alexnet网络模型，通过所述验证集对优化alexnet网络模型进行网络参数调整，得到目标alexnet网络模型；识别结果模块，用于将所述面单识别图像输入至所述目标alexnet网络模型中，由所述目标alexnet网络模型输出面单类型识别结果；预警信号模块，用于当所述面单类型识别结果存在异常时，发出预警信号。

10、可选的，在本发明第二方面的第一种实现方式中，所述图像预处理模块包括：原始图像获取单元、面单图像处理单元和面单识别图像单元；所述原始图像获取单元，用于从服务器中获取快递包裹的原始图像，识别原始图像的面单区域；所述面单图像处理单元，用于以所述面单区域为目标区域对所述原始图像进行裁剪，得到面单图像；所述面单识别图像单元，用于采用otsu最大类间方差的改进算法对所述面单图像进行自适应二值化处理，得到所述面单识别图像。

11、可选的，在本发明第二方面的第二种实现方式中，所述初始网络模型模块包括：参数配置单元、架构搭建单元和初始网络模型单元；所述参数配置单元，用于基于快递面单识别需求，设定adam算法的参数配置；所述架构搭建单元，用于以adam算法为优化器，确定网络架构的输入层、卷积层和全连接层的数据，搭建alexnet架构；所述初始网络模型单元，用于独立运行所述alexnet架构并演算出网络参数，根据所述网络参数生成初始alexnet网络模型。

12、可选的，在本发明第二方面的第三种实现方式中，所述训练数据集模块包括：循环数据集单元、训练主函数单元和数据集划分单元；所述循环数据集单元，用于采用keras数据生成算法生成循环数据集；所述训练主函数单元，用于调用并读取预先设置的训练主函数，利用训练主函数打乱所述循环数据集；所述数据集划分单元，用于对打乱后的循环数据集进行重新划分，得到训练集和验证集。

13、可选的，在本发明第二方面的第四种实现方式中，所述目标网络生成模块包括：优化网络模型单元、目标网络模型单元和方式设定单元；所述优化网络模型单元，用于将训练集输入至初始alexnet网络模型中，得到优化alexnet网络模型；所述目标网络模型单元，用于将验证集输入至优化alexnet网络模型中，得到目标alexnet网络模型；所述方式设定单元，用于设定目标alexnet网络模型的保存方式和学习效率下降方式后，保存目标alexnet网络模型至服务器。

14、可选的，在本发明第二方面的第五种实现方式中，所述识别结果模块包括：识别处理输入单元、识别处理输出单元和面单类型标记单元；所述识别处理输入单元，用于将面单识别图像输入至目标alexnet网络模型中进行识别处理；所述识别处理输出单元，用于识别完成后，在所述目标alexnet网络模型的输出层输出得到面单类型识别结果；所述面单类型标记单元，用于根据所述面单类型识别结果，标记对应的快递面单类型，所述快递面单类型分为异常和正常。

15、可选的，在本发明第二方面的第六种实现方式中，所述预警信号模块包括：异常情况判断单元、预警信号单元和反馈单元；所述异常情况判断单元，用于判断所述面单类型识别结果是否存在异常情况，所述异常情况包括面单折叠、面单污损、面单模糊或者面单信息被遮挡；所述预警信号单元，用于若出现面单折叠、面单污损、面单模糊或者面单信息被遮挡的情况，根据异常情况生成预警信号；所述反馈单元，用于否则，反馈面单识别图像无异常结果。

16、本发明第三方面提供了一种异常面单的快速识别设备，包括存储器和至少一个处理器，所述存储器中存储有计算机可读指令；所述至少一个处理器调用所述存储器中的所述计算机可读指令，以执行如上述异常面单的快速识别方法的各个步骤。

17、本发明第四方面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上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如上述异常面单的快速识别方法的各个步骤。

18、如上所述，本发明的异常面单的快速识别方法、装置、设备及存储介质，具有以下有益效果：通过对快递包裹的原始图像进行预处理获取面单识别图像，在alexnet网络中构建的初始alexnet网络模型，经过训练集、验证集的训练和验证后得到目标alexnet网络模型，由目标alexnet网络模型对面单识别图像进行识别，具有识别率高、识别时间快、泛化能力强的特点，能够明显提高物流配送的效率，在辅助物流处理、减轻快递人员负担方面具有重要作用。