本申请公开了一种包裹的异常运输行为识别方法、装置、终端及存储介质。该包裹的异常运输行为识别方法包括：获取待识别包裹的加速度数据；将所述加速度数据输入已训练的行为识别模型，所述加速度数据用于所述行为识别模型识别所述待识别包裹在各个方向的运动加速度，所述运动加速度用于所述行为识别模型确定出所述待识别包裹的异常运输行为；获取所述行为识别模型基于所述加速度数据确定的所述待识别包裹的异常运输行为。本申请可以识别出包裹的异常运输行为，为物流行业精准地确定包裹损坏的归责人或归责物提供了便利。的归责人或归责物提供了便利。的归责人或归责物提供了便利。
【技术实现步骤摘要】
包裹的异常运输行为识别方法、装置、终端及存储介质
[0001]本申请实施例涉及人工智能
，尤其涉及一种包裹的异常运输行为识别方法、装置、终端及存储介质。
技术介绍
[0002]随着人民生活水平不断地提高，线上购物成为了新的生活方式，线上购物的快速发展带动了物流行业的快速发展。为了满足物流行业的精细化运营，经常需要检测包裹运输途中的异常情况，如包裹是否存在被人为抛扔、人为脚踢、车内颠簸或设备分拣等异常运输行为，以便于确定包裹损坏的归责人或归责物。
[0003]但是，现有技术中，只能通过在包裹中内置传感器，检测包裹瞬间收到的加速度值来确定包裹被人或设备操作的严重程度。然而，单纯的加速度检测，并不能检测出包裹的异常运输行为(如被人为抛扔、被人为脚踢、被车内颠簸或被设备分拣)，也就无法精准地确定包裹损坏的归责人或归责物。
技术实现思路
[0004]本申请实施例提供一种包裹的异常运输行为识别方法、装置、终端及存储介质，旨在解决现有技术中无法识别出包裹的异常运输行为的问题。
[0005]为实现上述目的，本申请实施例提供一种包裹的异常运输行为识别方法，包括：
[0006]获取待识别包裹的加速度数据；
[0007]将所述加速度数据输入已训练的行为识别模型，所述加速度数据用于所述行为识别模型识别所述待识别包裹在各个方向的运动加速度，所述运动加速度用于所述行为识别模型确定出所述待识别包裹的异常运输行为；
[0008]获取所述行为识别模型基于所述加速度数据确定的所述待识别包裹的异常运输行为。
[0009]在本申请的一些实施例中，所述将所述加速度数据输入已训练的行为识别模型，之前还包括：
[0010]获取待训练模型的训练数据；
[0011]将所述训练数据输入所述待训练模型进行学习，得到所述行为识别模型。
[0012]在本申请的一些实施例中，所述获取待训练模型的训练数据，包括：
[0013]获取预设的特定异常运输行为，以及所述特定异常运输行为的行为片段，并获取所述行为片段预设的采样时长和采样率；
[0014]根据所述采样时长和所述采样率，获取所述行为片段的片段加速度数据；
[0015]将所述特定异常运输行为所有的所述行为片段的所述片段加速度数据整合为高维数据，作为待训练模型的训练数据。
[0016]在本申请的一些实施例中，所述将所述训练数据输入所述待训练模型进行学习，得到所述行为识别模型，包括：
[0017]将所述训练数据输入所述待训练模型的特征表征子模型；
[0018]获取所述特征表征子模型基于所述训练数据输出的目标特征；
[0019]将所述目标特征输入所述待训练模型的信息记忆子模型进行学习，得到所述行为识别模型。
[0020]在本申请的一些实施例中，所述获取所述特征表征子模型基于所述训练数据输出的目标特征，包括：
[0021]通过所述特征表征子模型，获取所述训练数据的原始特征和所述训练数据的提取特征；
[0022]通过所述特征表征子模型，对所述原始特征和所述提取特征，进行特征叠加，得到所述目标特征。
[0023]在本申请的一些实施例中，所述获取所述训练数据的提取特征，包括：
[0024]根据预设的第一权重范围，获取所述训练数据的第一提取权重；
[0025]根据所述第一提取权重，从所述训练数据中获取第一特征数据；
[0026]通过所述特征表征子模型的特征提取层，从所述第一特征数据中获取第二特征数据；
[0027]根据预设的第二权重范围，获取所述第二特征数据的第二提取权重；
[0028]根据所述第二提取权重，从所述第二特征数据中获取数据，作为所述训练数据的提取特征。
[0029]在本申请的一些实施例中，所述获取所述训练数据的原始特征，包括：
[0030]根据预设的第三权重范围，获取所述训练数据的第三提取权重；
[0031]根据所述第三提取权重，从所述训练数据中获取数据，作为所述训练数据的原始特征。
[0032]此外，为实现上述目的，本申请实施例还提供一种包裹的异常运输行为识别装置，所述包裹的异常运输行为识别装置包括：
[0033]识别数据获取单元，用于获取待识别包裹的加速度数据；
[0034]输入单元，用于将所述加速度数据输入已训练的行为识别模型，所述加速度数据用于所述行为识别模型识别所述待识别包裹在各个方向的运动加速度，所述运动加速度用于所述行为识别模型确定出所述待识别包裹的异常运输行为；
[0035]识别单元，用于获取所述行为识别模型基于所述加速度数据确定的所述待识别包裹的异常运输行为。
[0036]在本申请的一些实施例中，所述包裹的异常运输行为识别装置还包括：
[0037]训练数据获取单元，用于获取待训练模型的训练数据；
[0038]模型训练单元，用于将所述训练数据输入所述待训练模型进行学习，得到所述行为识别模型。
[0039]在本申请的一些实施例中，所述训练数据获取单元具体用于：
[0040]获取预设的特定异常运输行为，以及所述特定异常运输行为的行为片段，并获取所述行为片段预设的采样时长和采样率；
[0041]根据所述采样时长和所述采样率，获取所述行为片段的片段加速度数据；
[0042]将所述特定异常运输行为所有的所述行为片段的所述片段加速度数据整合为高
维数据，作为待训练模型的训练数据。
[0043]在本申请的一些实施例中，所述模型训练单元具体用于：
[0044]将所述训练数据输入所述待训练模型的特征表征子模型；
[0045]获取所述特征表征子模型基于所述训练数据输出的目标特征；
[0046]将所述目标特征输入所述待训练模型的信息记忆子模型进行学习，得到所述行为识别模型。
[0047]在本申请的一些实施例中，所述模型训练单元具体用于：
[0048]通过所述特征表征子模型，获取所述训练数据的原始特征和所述训练数据的提取特征；
[0049]通过所述特征表征子模型，对所述原始特征和所述提取特征，进行特征叠加，得到所述目标特征。
[0050]在本申请的一些实施例中，所述模型训练单元具体用于：
[0051]根据预设的第一权重范围，获取所述训练数据的第一提取权重；
[0052]根据所述第一提取权重，从所述训练数据中获取第一特征数据；
[0053]通过所述特征表征子模型的特征提取层，从所述第一特征数据中获取第二特征数据；
[0054]根据预设的第二权重范围，获取所述第二特征数据的第二提取权重；
[0055]根据所述第二提取权重，从所述第二特征数据中获取数据，作为所述训练数据的提取特征。
[0056]在本申请的一些实施例中，所述模型训练单元具体用于：
[0057]根据预设的第三权重范围，获取所述训练数据的第三提取权重；
...
【技术保护点】
【技术特征摘要】
1.一种包裹的异常运输行为识别方法，其特征在于，所述包裹的异常运输行为识别方法包括：获取待识别包裹的加速度数据；将所述加速度数据输入已训练的行为识别模型，所述加速度数据用于所述行为识别模型识别所述待识别包裹在各个方向的运动加速度，所述运动加速度用于所述行为识别模型确定出所述待识别包裹的异常运输行为；获取所述行为识别模型基于所述加速度数据确定的所述待识别包裹的异常运输行为。2.如权利要求1所述的包裹异常运输行为的识别方法，其特征在于，所述将所述加速度数据输入已训练的行为识别模型，之前还包括：获取待训练模型的训练数据；将所述训练数据输入所述待训练模型进行学习，得到所述行为识别模型。3.如权利要求2所述的包裹的异常运输行为识别方法，其特征在于，所述获取待训练模型的训练数据，包括：获取预设的特定异常运输行为，以及所述特定异常运输行为的行为片段，并获取所述行为片段预设的采样时长和采样率；根据所述采样时长和所述采样率，获取所述行为片段的片段加速度数据；将所述特定异常运输行为所有的所述行为片段的所述片段加速度数据整合为高维数据，作为待训练模型的训练数据。4.如权利要求2或3所述的包裹的异常运输行为识别方法，其特征在于，所述将所述训练数据输入所述待训练模型进行学习，得到所述行为识别模型，包括：将所述训练数据输入所述待训练模型的特征表征子模型；获取所述特征表征子模型基于所述训练数据输出的目标特征；将所述目标特征输入所述待训练模型的信息记忆子模型进行学习，得到所述行为识别模型。5.如权利要求4所述的包裹的异常运输行为识别方法，其特征在于，所述获取所述特征表征子模型基于所述训练数据输出的目标特征，包括：通过所述特征表征子模型，获取所述训练数据的原始特征和所述训练数据的提取特征；通过所述特征表征子模型，对所述原始特征和所述提取特征，进行特征叠加，得到所述目标特征。6.如权利...
【专利技术属性】
技术研发人员：邵耀辉，梁智，胡奉平，谭振辉，吴斯涵，
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。