一种基于深度学习的危险货物集装箱预警方法及装置制造方法及图纸

本发明专利技术公开了一种基于深度学习的危险货物集装箱预警方法及装置，涉及危险货物预警技术领域，所述方法包括以下步骤：获取集装箱信息和货物信息；构建深度学习模型；基于识别结果判断货物是否为危险货物；判定集装箱具有安全运输环境；基于集装箱运输信息判定集装箱是否处于危险运输状态。本发明专利技术通过构建深度学习模型，基于深度学习模型对货物的X光扫描图像信息进行识别，得到货物的识别结果，利用识别结果判断货物是否属于危险货物，并在集装箱内运输危险货物时进行预警；还能够判定集装箱具有安全运输环境以及集装箱是否处于危险运输状态，并在判定结果为时进行预警，提高危险货物集装箱运输的安全性。物集装箱运输的安全性。物集装箱运输的安全性。

【技术实现步骤摘要】
一种基于深度学习的危险货物集装箱预警方法及装置


[0001]本专利技术具体涉及危险货物预警
，具体是一种基于深度学习的危险货物集装箱预警方法及装置。

技术介绍

[0002]众所周知，危险货物具有易燃易爆、有毒有害的理化特性，在航运过程中极易发生泄漏、火灾、爆炸等严重事故，进而对长江航道、通航建筑物、其他航行船舶以及周边人民生活和工业生产场所造成严重的不利影响。
[0003]危险货物集装箱运输要求更高，业务流程更为复杂；因此，危险货物集装箱运价通常比普通货物集装箱高50%
‑
100%，装卸、堆存等作业费率比普通货物集装箱高 200%
‑
300%，出于压缩成本和牟取暴利的目的，往往普通货物集装箱里夹带危险货物，另外，危险货物集装箱监管查验力度不够，由于集装箱具有密封性，查验人员只有通过开箱检查才能直观了解箱内载运的货物情况；但在实际查验过程中，查验人员难以对每个集装箱实施开箱检查。目前我国各地监管部门对危险货物集装箱实施开箱检查的比例并不高。此外，我国专业的化学品鉴定评估机构数量较少且分布不均，而一般的鉴定评估机构由于缺乏专业的鉴定工具、资料和手段，难以对危险货物特别是新型危险货物实施有效的鉴定评估，导致我国危险货物集装箱监管查验效果不佳。

技术实现思路

[0004]本专利技术的目的在于提供一种基于深度学习的危险货物集装箱预警方法及装置，以解决上述
技术介绍
中提出的由于集装箱具有密封性，查验人员只有通过开箱检查才能直观了解箱内载运的货物情况；但在实际查验过程中，查验人员难以对每个集装箱实施开箱检查。目前我国各地监管部门对危险货物集装箱实施开箱检查的比例并不高的问题。
[0005]为实现上述目的，本专利技术提供如下技术方案：一种基于深度学习的危险货物集装箱预警方法，包括以下步骤：S100、获取集装箱信息和货物信息，所述货物为集装箱的装箱货物，所述集装箱信息包括集装箱运输信息和集装箱实时监测数据，所述货物信息包括货物的X光扫描图像；S200、构建深度学习模型，基于深度学习模型对货物的X光扫描图像信息进行识别，得到货物的识别结果，所述识别结果包括货物的名称和种类；S300、基于识别结果判断货物是否为危险货物，若是，则生成第一预警信息，并进行步骤S400，若不是，进行步骤S500；S400、基于识别结果设置集装箱实时监测数据的阈值，将实时监测数据与阈值进行对比，实时监测数据处于阈值范围内时，判定集装箱具有安全运输环境，监测数据超出阈值范围时，判定集装箱不具有安全运输环境，并生成第二预警信息；S500、基于集装箱运输信息判定集装箱是否处于危险运输状态，若是，则生成第三预警信息；
S600、发送第一、第二和第三预警信息。
[0006]作为本专利技术进一步的方案：步骤S100中，所述集装箱运输信息包括：集装箱信息、运输所述集装箱的船舶信息以及集装箱装箱货物的货物清单；货物的装箱信息，包括装箱人员和审批人员信息；船舶的运输路径、始发位置和终点位置信息以及船员信息；集装箱的实时位置信息。
[0007]作为本专利技术再进一步的方案：步骤S100中，所述货物信息还包括有货物名称、货物体积、货物重量、货物种类信息以及货物的发货和到货信息，该货物的发货和到货信息包括：发货人、收货人信息以及发货时间和到货时间信息。
[0008]作为本专利技术再进一步的方案：步骤S200中，所述深度学习模型的构建方法为：S201、获取训练数据，所述训练数据为货物图像库，货物图像库包括标注过名称和种类的货物图片和货物图标，将训练数据分为训练集、验证集和测试集，需要说明的是，训练数据经过了图像预处理，该图像预处理方法为图像灰度处理，包括对图像进行高斯模糊，降低图像噪声，接着对图像的R、G、B三通道进行加权灰度处理；S202、构建深度学习模型，所述深度学习模型包括卷积模块，所述卷积模块设有五段卷积，每段卷积均包括有卷积层、ReLu激活层和池化层；S203、使用训练集的数据对构建的深度学习模型进行训练，即将训练集数据输入到步骤S202中的深度学习模型进行迭代；S204、使用验证集的数据对训练好的深度学习模型进行验证；S205、将测试集的数据输入到训练好的深度学习模型，得到识别结果，所述识别结果为货物的名称和种类；S206、判断识别结果是否符合预期，结果不符合时，继续步骤S203；结果符合时，深度学习模型构建完成。
[0009]作为本专利技术再进一步的方案：步骤S201中，将训练数据分为训练集、验证集和测试集的方式为：随机选取处理好的训练数据，将训练数据中80％数据作为训练集，10％作为验证集，10％作为测试集。
[0010]作为本专利技术再进一步的方案：步骤S202中，所述卷积模块设有五段卷积，每段卷积均包括有卷积层、ReLu激活层和池化层，其中：第一段卷积：包括两个卷积层，每层64个卷积核；第二段卷积：包括两个卷积层，每层128个卷积核；第三段卷积：包括三个卷积层，每层256个卷积核；第四段卷积：包括三个卷积层，每层512个卷积核；第五段卷积：包括三个卷积层，每层512个卷积核。
[0011]作为本专利技术再进一步的方案：所述深度学习模型还包括有输入层、全连接层和输出层，所述输入层与卷积模块连接，所述卷积模块与全连接层连接，所述全连接层与输出层连接，最后一段卷积完成特征提取后与全连接层连接，整合卷积模块提取得到的特征，得到一个识别结果。
[0012]作为本专利技术再进一步的方案：步骤S300中，根据识别结果判断货物是否为危险货
物的方法包括以下步骤：a、建立危险货物数据库，所述危险货物数据库包括危险货物名称和分类；b、提取识别结果的关键词，基于所述关键词对危险货物数据库进行检索，得到检索结果，所述检索结果包括危险货物数据库存在具有所述关键词的货物和不存在具有所述关键词的货物；c、检索结果为危险货物数据库存在具有所述关键词的货物时，判定识别结果对应的货物为危险货物。
[0013]作为本专利技术再进一步的方案：还包括有在货物输运前进行预评估的方法，所述方法设置于步骤S100和步骤S200之间，预评估方法包括以下步骤：步骤一、构建预评估模型，所述预评估模型为：其中，B表示瞒报风险，A表示风险因素权重向量矩阵，R表示等级模糊综合评价矩阵，，表示因素集U关于评判等级V的隶属程度，，，对U中每一因素根据评判等级V中的等级指标进行评判，得到等级模糊综合评价矩阵R；步骤二、基于集装箱运输信息中的货物发货人信息、装箱人信息、申报人信息建立因素集，对因素集中各因素进行评级，建立评判等级，将因素集和评判等级输入预评估模型，得到评价结果；步骤三、基于评价结果判断是否存在瞒报行为。
[0014]一种基于深度学习的危险货物集装箱预警装置，包括：获取模块，用于获取集装箱信息和货物信息，所述货物为集装箱的装箱货物，所述集装箱信息包括集装箱运输信息和集装箱实时监测数据，所述货物信息包括货物的X光扫描图像；处理模块，用于构建深度学习模型，基于深度学习模型对货物的X光扫描图像信息进行识别，得到货物的识别结果；还用于基于所述识别本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的危险货物集装箱预警方法，其特征在于，包括以下步骤：S100、获取集装箱信息和货物信息，所述集装箱信息包括集装箱运输信息和集装箱实时监测数据，所述货物信息包括货物的X光扫描图像；S200、构建深度学习模型，基于深度学习模型对货物的X光扫描图像进行识别，得到货物的识别结果，所述识别结果包括货物的名称和种类；S300、基于识别结果判断货物是否为危险货物，若是，生成第一预警信息，并进行步骤S400，若不是，进行步骤S500；S400、基于识别结果设置集装箱实时监测数据的阈值，将集装箱实时监测数据与阈值进行对比，当集装箱实时监测数据小于阈值时，判定集装箱具有安全运输环境，否则，判定集装箱不具有安全运输环境，并生成第二预警信息；S500、基于集装箱运输信息判定集装箱是否处于危险运输状态，若是，则生成第三预警信息；S600、发送第一、第二和第三预警信息。2.根据权利要求1所述的基于深度学习的危险货物集装箱预警方法，其特征在于，步骤S100中，所述集装箱运输信息包括：集装箱信息、运输所述集装箱的船舶信息以及集装箱装箱货物的货物清单；货物的装箱信息，包括装箱人员和审批人员信息；船舶的运输路径、始发位置、终点位置信息以及船员信息；集装箱的实时位置信息。3.根据权利要求2所述的基于深度学习的危险货物集装箱预警方法，其特征在于，步骤S100中，所述货物信息还包括有货物名称、货物体积、货物重量、货物种类信息以及货物的发货和到货信息，货物的发货和到货信息包括：发货人、收货人信息以及发货时间和到货时间信息。4.根据权利要求1所述的基于深度学习的危险货物集装箱预警方法，其特征在于，步骤S200中，所述深度学习模型的构建方法为：S201、获取训练数据，所述训练数据为货物图像库，货物图像库包括标注过名称和种类的货物图片和货物图标，将训练数据分为训练集、验证集和测试集；S202、构建深度学习模型，所述深度学习模型包括卷积模块，所述卷积模块设有五段卷积，每段卷积均包括有卷积层、ReLu激活层和池化层；S203、使用训练集的数据对构建的深度学习模型进行训练，即将训练集数据输入到步骤S202中的深度学习模型进行迭代；S204、使用验证集的数据对训练好的深度学习模型进行验证；S205、将测试集数据输入到训练好的深度学习模型，得到识别结果，所述识别结果为货物的名称和种类；S206、判断识别结果是否符合预期，结果不符合时，继续步骤S203；结果符合时，深度学习模型构建完成。5.根据权利要求4所述的基于深度学习的危险货物集装箱预警方法，其特征在于，步骤S201中，将训练数据分为训练集、验证集和测试集的方式为：随机选取处理好的训练数据，将训练数据中80％数据作为训练集，10％作为验证集，
10％作为测试集。6.根据权利要求5所述的基于深度学习的危险货物集装箱预警方法，其特征在...

【专利技术属性】
技术研发人员：崔迪，
申请(专利权)人：交通运输部水运科学研究所，
类型：发明
国别省市：