本申请实施例公开了一种物流装载率测量建模方法、装置、设备及存储介质，本申请实施例通过获取多帧厢体图像，每帧厢体图像标注载物率及载物等级；根据所述多帧厢体图像的载物等级训练第一神经网络模型；以及根据所述第一神经网络模型及所述多帧厢体图像的载物率训练第二神经网络模型。从而提高了物流装载率的测量效果。量效果。量效果。
【技术实现步骤摘要】
物流装载率测量建模方法、装置、设备、及存储介质
[0001]本申请涉及数据处理
，具体涉及一种物流装载率测量建模方法、装置、设备及存储介质。
技术介绍
[0002]货运的装载率可以反映物流过程中转场的工作情况，通常指的是货物体积除以车厢最大可载货体积，例如瞬时装载率指的是到港或离港时的车厢装载率，过程装载率则可以实时监控当前车辆的装卸情况。
[0003]在物流运营领域，装载率的估算方法主要有三种，一是通过货物重量与货车额定载重的比值进行估算；二是依靠人工进行评估；三是通过激光测试设备进行测试。但是，第一种方法因为货物体积与重量无特定比例关系，容易出现误差且需额外使用称重设备。第二种方法需依赖人员经验进行估算，除了带来额外的人力成本，且估算结果容易受到人为主观意识影响。第三种方法搭建激光测试平台需要较多成本，安装场地要求高，而且反应速度慢。
技术实现思路
[0004]本申请实施例提供一种物流装载率测量建模方法、装置、设备及存储介质，可以实现提高物流装载率的测量效果。
[0005]在一方面，本申请实施例提供了一种物流装载率测量建模方法，包括：
[0006]获取多帧厢体图像，每帧厢体图像标注载物率及载物等级；
[0007]根据所述多帧厢体图像的载物等级训练第一神经网络模型；
[0008]根据所述第一神经网络模型及所述多帧厢体图像的载物率训练第二神经网络模型。
[0009]在一些实施方式中，所述物流装载率测量建模方法，还包括：根据所述第二神经网络模型测试待测图像的物流装载率。
[0010]在一些实施方式中，所述根据所述多帧厢体图像的载物等级训练第一神经网络模型，包括：
[0011]从所述多帧厢体图像中分别选取当前图像作为第一图像、与所述当前图像的载物等级相同的厢体图像作为第二图像及与所述当前图像的载物等级不同的厢体图像作为第三图像；
[0012]将所述第一图像、所述第二图像及所述第三图像作为第一神经网络模型的输入，进行前向传播；
[0013]将所述第一图像、第二图像及第三图像经过第一神经网络模型的提取结果作为三元损失函数的输入参数，计算第一损失；
[0014]根据所述第一损失进行反向传播，优化所述第一神经网络模型的提取结果。
[0015]在一些实施方式中，所述根据所述多帧厢体图像的载物等级训练第一神经网络模
型，还包括：
[0016]选定多个卷积神经网络构成所述第一神经网络模型，将所述多帧被选取的厢体图像输入所述第一神经网络模型中的所述多个卷积神经网络，进行前向传播。
[0017]在一些实施方式中，所述根据所述第一神经网络模型及所述多帧厢体图像的载物率训练第二神经网络模型，包括：
[0018]将所述第一神经网络模型中最后一层的所有神经元替换为单个神经元，并将所述第一神经网络模型的提取结果用于所述第二神经网络模型；
[0019]将所述第一图像、所述第二图像及所述第三图像作为所述第二神经网络模型的输入，进行前向传播；
[0020]将所述多帧厢体图像的载物率当作Huber损失函数的输入参数，计算第二损失；
[0021]根据所述第二损失进行反向传播，优化所述第二神经网络模型的提取结果。
[0022]在一些实施方式中，所述根据所述多帧厢体图像的载物等级训练第二神经网络模型，还包括：
[0023]选定多个卷积神经网络构成所述第二神经网络模型，将所述多帧被选取的厢体图像输入所述第二神经网络模型中的所述多个卷积神经网络，进行前向传播。
[0024]在一些实施方式中，所述获取多帧厢体图像，包括：
[0025]从所述多帧厢体图像选取当前图像及在先图像；
[0026]计算所述当前图像与所述在先图像的差值图像；
[0027]将所述当前图像的三通道图像、所述在先图像的三通道图像及所述差值图像的三通道图像叠加成九通道图像，作为训练所述第一神经网络模型及所述第二神经网络模型的输入。
[0028]在一些实施方式中，所述获取多帧厢体图像，包括：
[0029]选取多帧原始厢体图像；
[0030]将所述多帧原始厢体图像进行加工，产生多帧加工图像；
[0031]将所述多帧原始厢体图像进行转向，产生多帧转向图像；
[0032]将所述多帧原始厢体图像、所述多帧加工图像及所述多帧转向图像合并为所述多帧厢体图像。
[0033]另一方面，本申请实施例还提供了一种物流装载率测量建模装置，包括：
[0034]获取单元，用于获取多帧厢体图像，每帧厢体图像标注载物率及载物等级；
[0035]第一训练单元，用于根据所述多帧厢体图像的载物等级训练第一神经网络模型；
[0036]第二训练单元，用于根据所述第一神经网络模型及所述多帧厢体图像的载物率训练第二神经网络模型。
[0037]在一些实施方式中，所述物流装载率测量建模装置，还包括：测试单元，用于根据所述第二神经网络模型测试待测图像的物流装载率。
[0038]在一些实施方式中，所述第一训练单元，包括：
[0039]映对子单元，用于从所述多帧厢体图像中分别选取当前图像作为第一图像、与所述当前图像的载物等级相同的厢体图像作为第二图像及与所述当前图像的载物等级不同的厢体图像作为第三图像；
[0040]第一训练子单元，用于将所述第一图像、所述第二图像及所述第三图像作为第一
神经网络模型的输入，进行前向传播；
[0041]第一估损子单元，用于将所述第一图像、第二图像及第三图像经过第一神经网络模型的提取结果作为三元损失函数的输入参数，计算第一损失；
[0042]第一优化子单元，用于根据所述第一损失进行反向传播，优化所述第一神经网络模型的提取结果。
[0043]在一些实施方式中，所述第一训练单元，还包括：
[0044]第一卷积子单元，用于选定多个卷积神经网络构成所述第一神经网络模型，将所述多帧被选取的厢体图像输入所述第一神经网络模型中的所述多个卷积神经网络，进行前向传播。
[0045]在一些实施方式中，所述第二训练单元，包括：
[0046]第二替用子单元，用于将所述第一神经网络模型中最后一层的所有神经元替换为单个神经元，并将所述第一神经网络模型的提取结果用于所述第二神经网络模型；
[0047]第二训练子单元，用于将所述第一图像、所述第二图像及所述第三图像作为所述第二神经网络模型的输入，进行前向传播；
[0048]第二估损子单元，用于将所述多帧厢体图像的载物率当作Huber损失函数的输入参数，计算第二损失；
[0049]第二优化子单元，用于根据所述第二损失进行反向传播，优化所述第二神经网络模型的提取结果。
[0050]在一些实施方式中，所述第二训练单元，还包括：
[0051]第二卷积子单元，用于选定多个卷积神经网络构成所述第二神经网络模型，将所述多帧被选取的厢体图像输入本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种物流装载率测量建模方法，其特征在于，包括：获取多帧厢体图像，每帧厢体图像标注载物率及载物等级；根据所述多帧厢体图像的载物等级训练第一神经网络模型；以及根据所述第一神经网络模型及所述多帧厢体图像的载物率训练第二神经网络模型。2.根据权利要求1所述的物流装载率测量建模方法，其特征在于，还包括根据所述第二神经网络模型测试待测图像的物流装载率。3.根据权利要求1所述的物流装载率测量建模方法，其特征在于，所述根据所述多帧厢体图像的载物等级训练第一神经网络模型，包括：从所述多帧厢体图像中分别选取当前图像作为第一图像、与所述当前图像的载物等级相同的厢体图像作为第二图像及与所述当前图像的载物等级不同的厢体图像作为第三图像；将所述第一图像、所述第二图像及所述第三图像作为第一神经网络模型的输入，进行前向传播；将所述第一图像、第二图像及第三图像经过第一神经网络模型的提取结果作为三元损失函数的输入参数，计算第一损失；根据所述第一损失进行反向传播，优化所述第一神经网络模型的提取结果。4.根据权利要求3所述的物流装载率测量建模方法，其特征在于，所述根据所述多帧厢体图像的载物等级训练第一神经网络模型，还包括：选定多个卷积神经网络构成所述第一神经网络模型。5.根据权利要求3所述的物流装载率测量建模方法，其特征在于，所述根据所述第一神经网络模型及所述多帧厢体图像的载物率训练第二神经网络模型，包括：将所述第一神经网络模型中最后一层的所有神经元替换为单个神经元，并将所述第一神经网络模型的提取结果用于所述第二神经网络模型；将所述第一图像、...
【专利技术属性】
技术研发人员：张宽，郭明坚，宋翔，张恒瑞，张劲松，孟小敏，
申请(专利权)人：顺丰科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。