基于图像分析的物流配送调度方法及系统与流程

本发明涉及人工智能，具体而言，涉及一种基于图像分析的物流配送调度方法及系统。

背景技术：

1、物流配送的调度是物流配送环节中的重要手段。其中，物流配送，即从商品流通的经营方式看的一种商品流通方式，是一种现代的流通方式。物流配送定位在为电子商务的客户提供服务，根据电子商务的特点，对整个物流配送体系实行统一的信息管理和调度，按照用户订货要求，在物流基地进行理货工作，并将配好的货物送交收货人的一种物流方式。物流仓储配送服务已然成为中国电子商务最为核心的行业环节，能够提供一个全面完善的物流仓储配送解决方案也成为了很多中小卖家、电子商务供应商品牌商必须关注的问题。物流配送的许多环节都造成巨大的成本、人力、时间浪费，物流企业必须重视物流配送系统的信息化管理。其中，在现有技术中，一般是随机的、任意的进行物流配送调度，如此，就容易出现物流配送调度的可靠度不高的问题。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种基于图像分析的物流配送调度方法及系统，以在一定程度上提高物流配送调度的可靠度。

2、为实现上述目的，本发明实施例采用如下技术方案：

3、一种基于图像分析的物流配送调度方法，包括：

4、确定出目标物流区域监控视频的初始监控图像帧有序集合，所述初始监控图像帧有序集合是在所述目标物流区域监控视频中基于图像帧时间戳选择出的多个初始监控图像帧的有序集合，所述目标物流区域监控视频通过对目标物流区域的目标物流物品的人工搬运过程进行图像监控以形成；

5、对所述初始监控图像帧有序集合进行加载，以加载到经过网络优化的监控视频分析神经网络中，利用所述监控视频分析神经网络，分析出所述目标物流区域监控视频对应的所述目标物流物品属于目标种类物品的估计可能性参数，所述监控视频分析神经网络用于对所述初始监控图像帧有序集合进行特征挖掘和特征还原操作，以形成对应的还原监控图像帧有序集合，以及，基于所述初始监控图像帧有序集合与所述还原监控图像帧有序集合之间的还原区别信息，分析出所述估计可能性参数，所述估计可能性参数与所述还原区别信息之间具有负相关的对应关系，所述监控视频分析神经网络是利用所述目标种类物品对应的典型视频信息进行网络优化形成的神经网络，所述监控视频分析神经网络用于在加载到的监控视频属于所述目标种类物品的人工搬运过程监控视频的时候，分析出所述加载到的监控视频对应的物流物品为目标种类物品的可能性参数不小于预先配置的参考可能性参数；

6、倘若所述估计可能性参数不小于所述参考可能性参数，则判定所述目标物流区域监控视频对应的所述目标物流物品属于所述目标种类物品，倘若所述估计可能性参数小于所述参考可能性参数，则判定所述目标物流区域监控视频对应的所述目标物流物品不属于所述目标种类物品；

7、基于所述目标物流物品是否属于所述目标种类物品，对所述目标物流物品进行物流配送调度方案的确定操作。

8、在一些优选的实施例中，在上述基于图像分析的物流配送调度方法中，所述对所述初始监控图像帧有序集合进行加载，以加载到经过网络优化的监控视频分析神经网络中，利用所述监控视频分析神经网络，分析出所述目标物流区域监控视频对应的所述目标物流物品属于目标种类物品的估计可能性参数的步骤，包括：

9、对所述初始监控图像帧有序集合进行加载，以加载到经过网络优化的图像重建第一单元中，利用所述图像重建第一单元对所述初始监控图像帧有序集合进行图像重建操作，以形成对应的还原监控图像帧有序集合；

10、对所述初始监控图像帧有序集合与所述还原监控图像帧有序集合进行加载，以加载到经过网络优化的图像对比分析第一单元中，利用所述图像对比分析第一单元，基于所述还原区别信息，分析出所述目标物流区域监控视频对应的所述目标物流物品属于目标种类物品的估计可能性参数，所述监控视频分析神经网络包括所述图像重建第一单元和所述图像对比分析第一单元。

11、在一些优选的实施例中，在上述基于图像分析的物流配送调度方法中，在所述确定出目标物流区域监控视频的初始监控图像帧有序集合的步骤以前，所述基于图像分析的物流配送调度方法还包括：

12、提取到属于所述目标种类物品的典型视频信息的典型监控图像帧有序集合，所述典型监控图像帧有序集合是在所述典型视频信息中基于图像帧时间戳选择出的多个典型监控图像帧的有序集合；

13、基于所述典型监控图像帧有序集合，将图像重建第一候选单元进行网络优化操作，以形成对应的图像重建第一单元，所述典型监控图像帧有序集合为所述图像重建第一候选单元的加载数据，所述图像重建第一候选单元用于对所述典型监控图像帧有序集合进行图像重建操作，以形成对应的典型还原图像帧有序集合，所述典型还原图像帧有序集合和所述典型监控图像帧有序集合之间的网络学习指标第一参数与预先配置的第一网络学习目标匹配；

14、基于所述典型监控图像帧有序集合和所述典型还原图像帧有序集合，将图像对比分析第一候选单元进行网络优化操作，以形成对应的图像对比分析第一单元，所述典型监控图像帧有序集合和所述典型还原图像帧有序集合为所述图像对比分析第一候选单元的加载数据，所述图像对比分析第一候选单元用于分析出所述典型视频信息对应的物流物品属于所述目标种类物品的可能性参数，所述图像重建第一单元基于所述典型监控图像帧有序集合、所述典型还原图像帧有序集合分析出的所述典型视频信息对应的物流物品属于目标种类物品的可能性参数的网络学习指标第二参数与预先确定的第二网络学习目标匹配。

15、在一些优选的实施例中，在上述基于图像分析的物流配送调度方法中，所述基于所述典型监控图像帧有序集合，将图像重建第一候选单元进行网络优化操作，以形成对应的图像重建第一单元的步骤，包括：

16、将所述典型监控图像帧有序集合进行特征空间映射操作，以完成特征挖掘操作，从而形成所述典型视频信息对应的图像信息第一特征表示，所述图像信息第一特征表示属于所述典型监控图像帧有序集合的特征空间的映射结果；

17、将所述图像信息第一特征表示进行特征还原操作，以完成图像重建操作，从而形成对应的典型还原图像帧有序集合；

18、计算出所述典型还原图像帧有序集合和所述典型监控图像帧有序集合之间的网络学习指标第一参数，并依据所述网络学习指标第一参数，对所述图像重建第一候选单元进行网络优化操作，以形成对应的图像重建第一单元。

19、在一些优选的实施例中，在上述基于图像分析的物流配送调度方法中，所述基于所述典型监控图像帧有序集合和所述典型还原图像帧有序集合，将图像对比分析第一候选单元进行网络优化操作，以形成对应的图像对比分析第一单元的步骤，包括：

20、对所述典型还原图像帧有序集合和所述典型监控图像帧有序集合进行区别分析操作，以输出所述典型视频信息的第一还原区别信息；

21、对所述第一还原区别信息、所述网络学习指标第一参数和所述网络学习指标第二参数进行融合操作，以形成对应的网络学习指标累积参数，以及，在确定出所述网络学习指标累积参数与预先配置的第三网络学习目标匹配的时候，结束对所述图像重建第一候选单元和所述图像对比分析第一候选单元的网络优化操作，形成对应的图像重建第一单元和对应的图像对比分析第一单元。

22、在一些优选的实施例中，在上述基于图像分析的物流配送调度方法中，所述对所述初始监控图像帧有序集合进行加载，以加载到经过网络优化的监控视频分析神经网络中，利用所述监控视频分析神经网络，分析出所述目标物流区域监控视频对应的所述目标物流物品属于目标种类物品的估计可能性参数的步骤，包括：

23、对所述初始监控图像帧有序集合进行加载，以加载到经过网络优化的图像重建第二单元中，利用所述图像重建第二单元将所述初始监控图像帧有序集合进行特征空间的映射操作，以形成所述目标物流区域监控视频对应的初始图像信息特征表示，以及，将所述初始图像信息特征表示进行图像重建操作，以形成对应的还原监控图像帧有序集合；

24、对所述还原监控图像帧有序集合进行特征空间的映射操作，以形成所述目标物流区域监控视频对应的还原图像信息特征表示；

25、对所述初始图像信息特征表示和所述还原图像信息特征表示进行加载，以加载到经过网络优化的图像对比分析第二单元中，利用所述图像对比分析第二单元分析出所述目标物流区域监控视频对应的所述目标物流物品属于所述目标种类物品的估计可能性参数，所述监控视频分析神经网络包括所述图像重建第二单元和所述图像对比分析第二单元。

26、在一些优选的实施例中，在上述基于图像分析的物流配送调度方法中，在所述确定出目标物流区域监控视频的初始监控图像帧有序集合的步骤以前，所述基于图像分析的物流配送调度方法还包括：

27、提取到属于所述目标种类物品的典型视频信息的典型监控图像帧有序集合，所述典型监控图像帧有序集合是在所述典型视频信息中基于图像帧时间戳选择出的多个典型监控图像帧的有序集合；

28、基于所述典型监控图像帧有序集合，将图像重建第二候选单元进行网络优化操作，以形成对应的图像重建第二单元，所述典型监控图像帧有序集合为所述图像重建第二候选单元的加载数据，所述图像重建第二候选单元用于对所述典型监控图像帧有序集合进行图像重建操作，以形成对应的典型视频信息的图像信息第一特征表示，并将所述图像信息第一特征表示进行图像重建操作，以形成对应的典型还原图像帧有序集合，以及，对所述典型还原图像帧有序集合进行特征空间的映射操作，以形成所述典型视频信息的图像信息第二特征表示，所述图像重建第二单元依据所述典型监控图像帧有序集合分析出的图像信息第二特征表示和所述典型监控图像帧有序集合真实对应的图像信息第二特征表示之间的网络学习指标第三参数与预先确定的第四网络学习目标匹配；

29、基于所述图像信息第一特征表示和所述图像信息第二特征表示，将图像对比分析第二候选单元进行网络优化操作，以形成对应的图像对比分析第二单元，所述图像信息第一特征表示和所述图像信息第二特征表示为所述图像对比分析第二候选单元的加载数据，所述图像对比分析第二候选单元用于分析出所述典型视频信息对应的物流物品属于目标种类物品的可能性参数，所述图像重建第二单元依据所述图像信息第一特征表示和所述图像信息第二特征表示分析出的所述典型视频信息对应的物流物品属于目标种类物品的可能性参数的网络学习指标第四参数与预先确定的第五网络学习目标匹配。

30、在一些优选的实施例中，在上述基于图像分析的物流配送调度方法中，所述基于所述图像信息第一特征表示和所述图像信息第二特征表示，将图像对比分析第二候选单元进行网络优化操作，以形成对应的图像对比分析第二单元的步骤，包括：

31、对所述图像信息第二特征表示和所述图像信息第一特征表示进行区别分析操作，以输出所述典型视频信息对应的第二还原区别信息；

32、对所述第二还原区别信息、所述网络学习指标第三参数和所述网络学习指标第四参数进行融合操作，以形成对应的网络学习指标融合参数，以及，在确定的所述网络学习指标融合参数与预先确定的第六网络学习目标匹配的时候，结束对所述图像重建第二候选单元和所述图像对比分析第二候选单元的网络优化操作，形成对应的图像重建第二单元和对应的图像对比分析第二单元。

33、在一些优选的实施例中，在上述基于图像分析的物流配送调度方法中，在所述对所述典型监控图像帧有序集合进行图像重建操作，以形成对应的典型视频信息的图像信息第一特征表示的步骤以前，所述基于图像分析的物流配送调度方法还包括：

34、将所述典型监控图像帧有序集合进行干扰信息的添加操作；

35、所述对所述典型监控图像帧有序集合进行图像重建操作，以形成对应的典型视频信息的图像信息第一特征表示的步骤，包括：

36、将添加有所述干扰信息的典型监控图像帧有序集合，进行图像重建操作，以形成对应的典型视频信息的图像信息第一特征表示。

37、本发明实施例还提供一种基于图像分析的物流配送调度系统，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现上述的基于图像分析的物流配送调度方法。

38、本发明实施例提供的基于图像分析的物流配送调度方法及系统，可以先确定出目标物流区域监控视频的初始监控图像帧有序集合；对初始监控图像帧有序集合进行加载，利用监控视频分析神经网络，分析出对应的目标物流物品属于目标种类物品的估计可能性参数；倘若估计可能性参数不小于参考可能性参数，则判定对应的目标物流物品属于目标种类物品，倘若估计可能性参数小于参考可能性参数，则判定对应的目标物流物品不属于目标种类物品；基于目标物流物品是否属于目标种类物品，对目标物流物品进行物流配送调度方案的确定操作。基于前述的内容，由于会先分析出目标物流物品属于目标种类物品的估计可能性参数，使得可以可靠地确定出目标物流物品是否属于目标种类物品，因此，可以对目标物流物品进行可靠的（依据充分的）物流配送调度方案的确定操作，使得可以在一定程度上提高物流配送调度的可靠度，改善现有技术的不足。

39、为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。