本发明专利技术公开了一种物流操作违规行为的检测方法、装置、设备和存储介质，通过采集物流分拨中心的历史图像，对历史图像进行处理，得到目标数据集；创建YOLOv5目标检测模型，基于目标数据集，对YOLOv5目标检测模型进行训练，得到物流违规检测模型；基于物流违规检测模型，对待测图像进行识别，判断是否存在物流操作违规行为。实现自动检测物流操作违规行为，预防因工作人员的违规操作而产生安全风险及降低工作效率。工作效率。工作效率。
【技术实现步骤摘要】
物流操作违规行为的检测方法、装置、设备和存储介质
[0001]本专利技术属于物流管理的
，尤其涉及一种物流操作违规行为的检测方法、装置、设备和存储介质。
技术介绍
[0002]近年来，网络购物规模的爆发式增长使物流快递行业快速发展。在操作上，流水线逐渐取代人工，无论是分拣还是输送，都离不开流水线的身影。流水线在物流快递行业的应用主要有以下几个方面：
[0003]1.货物的分流及合流，多工位同样产品生产模式中，需要对产品进行集中操作，简化工人多工位操作的弊端使工作效率及模式提高，对产品的品质也能做到单点集中的管控。
[0004]2.货物的分拣，多品种产品区分处理，可以在分流及合流线基础上引入各种检测及区分仪器(例如：重量、温度、大小、湿度等)，并且可以在识别仪器的后端引入分流线，简化工人劳动强度，因为直接采用了仪器去辨识物品，稳定可靠性提高。
[0005]3.货物的输送及存储，主要体现在不易人工搬运、需要稳定输送及放置的货物，减少人工，并且提高输送的稳定性及效率，后端可引入立体仓储，货物的自动存放及取出安全稳定，对空间的节省也有很大作用。
[0006]虽然流水线简化了人工大部分工作，但是在货物的处理过程中，人工是不可或缺的。如流水线上各工位的运行情况需要人工协调与监察，便于物流工作的顺利进行及发现或处理流水线故障等事件。
[0007]由于快递行业每天包裹数量巨大，但是工作人员素质参差不齐，存在了许多工作时间玩手机、抽烟等违规现象。虽然流水线操作本身没有安全隐患，但是工作人员玩手机容易分神、注意力不集中会造成操作失误，影响货物的分拣、输送及存储，降低工作效率。而抽烟则会引发火灾风险，使货物及工作人员存在安全隐患。
技术实现思路
[0008]本专利技术的目的是提供一种物流操作违规行为的检测方法、装置、设备和存储介质，可自动检测物流操作违规行为，预防因工作人员的违规操作而产生安全风险及降低工作效率。
[0009]为解决上述问题，本专利技术的技术方案为：
[0010]一种物流操作违规行为的检测方法，包括：
[0011]采集物流分拨中心的历史图像，对历史图像进行处理，得到目标数据集；
[0012]创建YOLOv5目标检测模型，基于目标数据集，对YOLOv5目标检测模型进行训练，得到物流违规检测模型；
[0013]基于物流违规检测模型，对待测图像进行识别，判断是否存在物流操作违规行为。
[0014]根据本专利技术一实施例，所述对历史图像进行处理，得到目标数据集进一步包括：
[0015]采用Labeling工具对历史图像进行目标标注；
[0016]将目标标注后的历史图像按voc数据集的格式进行存储。
[0017]根据本专利技术一实施例，所述将目标标注后的历史图像按voc数据集的格式进行存储进一步包括：
[0018]创建voc数据集，将未标注的历史图像保存于JPEGImages文件夹中；
[0019]将标注后的历史图像保存于Annotations文件夹中；JPEGImages文件夹中的历史图像的名称与Annotations文件夹中的xml文件的名称一一对应；
[0020]在voc数据集的ImageSets\Main文件夹中建立四个txt文件，分别为test.txt、train.txt、val.txt及trainval.txt，依次作为模型测试集、模型训练集、模型验证集及模型训练+验证集；按预设的比例分别为四个txt文件分配图像数据。
[0021]根据本专利技术一实施例，所述创建YOLOv5目标检测模型进一步包括：
[0022]依次创建Input、Backbone、Neck及Prediction网络结构，构成YOLOv5目标检测模型；
[0023]在Input网络中，创建高斯滤波器，去除输入图像的噪声；将去除噪声后的图像进行Mosaic数据增强、自适应锚框计算及自适应图像缩放；
[0024]在Backbone网络中，先将Input网络输出的图像输入Focus结构进行切片，将图像分割成多个大小相等的特征图，经过n个卷积核的卷积操作，得到n个相同大小的特征图；再通过多个CSP结构对特征图进行下采样；
[0025]在Neck网络中，采用MFPN结构对特征图进行上采样，得到准确的特征图；
[0026]在Prediction网络中，采用GIOU_Loss作为锚框的损失函数，输出目标框的位置。
[0027]根据本专利技术一实施例，所述基于目标数据集，对YOLOv5目标检测模型进行训练，得到物流违规检测模型进一步包括：
[0028]将目标数据集按60％，30％及10％的比例，依次分为模型训练集，模型验证集及模型测试集；
[0029]将模型训练集、模型验证集及模型测试集输入YOLOv5模型中进行训练，在训练过程中，YOLOv5模型网络在初始锚框的基础上输出预测框，进而与真实框进行对比，计算误差，再反向更新，迭代网络参数，得到物流违规检测模型。
[0030]根据本专利技术一实施例，所述基于物流违规检测模型，对待测图像进行识别，判断是否存在物流操作违规行为进一步包括：
[0031]若检测到工作人员玩手机，则存在物流操作违规行为。
[0032]根据本专利技术一实施例，所述判断是否存在物流操作违规行为之后还包括：
[0033]截取存在物流操作违规行为的图像，在物流分拨中心显示或播报。
[0034]一种物流操作违规行为的检测装置，包括：
[0035]数据处理模块，用于采集物流分拨中心的历史图像，对历史图像进行处理，得到目标数据集；
[0036]模型创建模块，用于创建YOLOv5目标检测模型，基于目标数据集，对YOLOv5目标检测模型进行训练，得到物流违规检测模型；
[0037]检测模块，用于基于物流违规检测模型，对待测图像进行识别，判断是否存在物流操作违规行为。
[0038]一种物流操作违规行为的检测设备，包括：
[0039]存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；
[0040]所述至少一个处理器调用所述存储器中的所述指令，以使得所述物流操作违规行为的检测设备执行本专利技术一实施例中的物流操作违规行为的检测方法。
[0041]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程序，所述计算机程序被处理器执行时实现本专利技术一实施例中的物流操作违规行为的检测方法。
[0042]本专利技术由于采用以上技术方案，使其与现有技术相比具有以下的优点和积极效果：
[0043]1)本专利技术一实施例中的物流操作违规行为的检测方法，通过采集物流分拨中心的历史图像，对历史图像进行处理，得到目标数据集；创建YOLOv5目标检测模型，基于目标数据集，对YOLOv5目标检测模型进行训练，得到物流违规检测模型；基于物流违规检测模型，对待测图像进行识别，判断是否存在物流操作违本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种物流操作违规行为的检测方法，其特征在于，包括：采集物流分拨中心的历史图像，对历史图像进行处理，得到目标数据集；创建YOLOv5目标检测模型，基于目标数据集，对YOLOv5目标检测模型进行训练，得到物流违规检测模型；基于物流违规检测模型，对待测图像进行识别，判断是否存在物流操作违规行为。2.如权利要求1所述的物流操作违规行为的检测方法，其特征在于，所述对历史图像进行处理，得到目标数据集进一步包括：采用Labeling工具对历史图像进行目标标注；将目标标注后的历史图像按voc数据集的格式进行存储。3.如权利要求2所述的物流操作违规行为的检测方法，其特征在于，所述将目标标注后的历史图像按voc数据集的格式进行存储进一步包括：创建voc数据集，将未标注的历史图像保存于JPEGImages文件夹中；将标注后的历史图像保存于Annotations文件夹中；JPEGImages文件夹中的历史图像的名称与Annotations文件夹中的xml文件的名称一一对应；在voc数据集的ImageSets\Main文件夹中建立四个txt文件，分别为test.txt、train.txt、val.txt及trainval.txt，依次作为模型测试集、模型训练集、模型验证集及模型训练+验证集；按预设的比例分别为四个txt文件分配图像数据。4.如权利要求1所述的物流操作违规行为的检测方法，其特征在于，所述创建YOLOv5目标检测模型进一步包括：依次创建Input、Backbone、Neck及Prediction网络结构，构成YOLOv5目标检测模型；在Input网络中，创建高斯滤波器，去除输入图像的噪声；将去除噪声后的图像进行Mosaic数据增强、自适应锚框计算及自适应图像缩放；在Backbone网络中，先将Input网络输出的图像输入Focus结构进行切片，将图像分割成多个大小相等的特征图，经过n个卷积核的卷积操作，得到n个相同大小的特征图；再通过多个CSP结构对特征图进行下采样；在Neck网络中，采用MFPN结构对特征图进行上采样，得到准确的特征图；在Prediction网络...
【专利技术属性】
技术研发人员：李斯，赵齐辉，
申请(专利权)人：上海东普信息科技有限公司，
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。