分拨中心流水线状态识别方法、装置、设备及存储介质制造方法及图纸

本发明专利技术涉及物流领域，公开了分拨中心流水线状态识别方法、装置、设备及存储介质，该方法用于通过流水线状态识别模型得出流水线的状态，且在识别到流水线状态为暂停运作状态后，可发出告警，通知管理员及时查看，从而能够第一时间进行处理，有利于提高分拨中心的效率。该方法包括：获取样本数据，并基于样本数据制作样本数据集；对样本数据集进行处理，生成训练数据和验证数据列表；构建StNet网络模型；读取训练数据和验证数据列表中的训练数据对StNet网络模型进行训练，得到流水线状态识别模型；定期从流水线的监控视频中抓取预设时长的原始监控视频，并将原始监控视频输入流水线状态识别模型，输出流水线状态。输出流水线状态。输出流水线状态。

【技术实现步骤摘要】
分拨中心流水线状态识别方法、装置、设备及存储介质


[0001]本专利技术涉及物流
，尤其涉及一种分拨中心流水线状态识别方法、装置、设备及存储介质。

技术介绍

[0002]分拨中心是物流行业运作的经济活动组织，换个角度来说，它又是集加工、理货、送货等多种职能于一体的物流据点。分拨中心的服务对象是为数众多的生产企业和商业网点。分拨中心的作用是按照用户的要求，及时将各种已经配装好的货物送交到用户手中，满足生产和消费的需要。分拨中心的流水线设备在临时运转工作中，多少都会出现损坏或是停止运转的情况，遇到这种情况，通常会对那些由于损坏造成设备无法正常工作而进行修复，没有智能监控的情况下流水线损坏或是停止运转并不能第一时间处理，影响分拨中心的效率。

技术实现思路

[0003]本专利技术提供了一种分拨中心流水线状态识别方法、装置、设备及存储介质，用于通过流水线状态识别模型得出流水线的状态，且在识别到流水线状态为暂停运作状态后，可发出告警，通知管理员及时查看，从而能够第一时间进行处理，有利于提高分拨中心的效率。
[0004]本专利技术第一方面提供了一种分拨中心流水线状态识别方法，所述分拨中心流水线状态识别方法包括：获取样本数据，并基于所述样本数据制作样本数据集；对所述样本数据集进行处理，生成训练数据和验证数据列表；构建StNet网络模型；读取所述训练数据和验证数据列表中的训练数据，并基于读取的训练数据对所述StNet网络模型进行训练，得到流水线状态识别模型；定期从流水线的监控视频中抓取预设时长的原始监控视频，并将所述原始监控视频输入所述流水线状态识别模型，输出流水线状态。
[0005]可选的，在本专利技术第一方面的第一种实现方式中，所述获取样本数据，并基于所述样本数据制作样本数据集，包括：获取流水线的历史监控视频，按照预设时间间隔从所述流水线的历史监控视频抓取多段视频作为样本数据；基于流水线状态对所述样本数据进行分类，得到正常运作状态的第一数据集和暂停运作状态的第二数据集，所述第一数据集和所述第二数据集构成样本数据集；将所述第一数据集和所述第二数据集分别保存至不同的存储位置。
[0006]可选的，在本专利技术第一方面的第二种实现方式中，所述对所述样本数据集进行处理，生成训练数据和验证数据列表，包括：获取所述样本数据集中所有样本数据的路径和标签信息；打乱所述样本数据集中的样本数据，并按照预先设定的训练数据和验证数据的比例计算训练数据的大小和验证数据的大小；创建CSV表格，遍历所述训练数据并写入所述CSV表格，以及遍历所述验证数据并写入所述CSV表格，得到CSV样本文件；将所述CSV样本文件转换为pkl样本文件，并根据所述pkl样本文件生成训练数据和验证数据列表。
[0007]可选的，在本专利技术第一方面的第三种实现方式中，所述构建StNet网络模型，包括：搭建StNet网络模型的基本架构，所述StNet网络模型包括至少2个卷积层、至少1个池化层、1个LSTM循环层和3个全连接层；使用交叉熵损失函数作为所述StNet网络模型的损失函数；确定所述StNet网络模型的数据增强方法为随机平移，构建所述StNet网络模型。
[0008]可选的，在本专利技术第一方面的第四种实现方式中，所述读取所述训练数据和验证数据列表中的训练数据，并基于读取的训练数据对所述StNet网络模型进行训练，得到流水线状态识别模型，包括：读取所述训练数据和验证数据列表中的训练数据；基于读取的训练数据利用贝叶斯优化和K折交叉验证法确定所述StNet网络模型的最优超参数组合；根据所述最优超参数组合更新所述StNet网络模型的超参数，得到流水线状态识别模型。
[0009]可选的，在本专利技术第一方面的第五种实现方式中，所述基于读取的训练数据利用贝叶斯优化和K折交叉验证法确定所述StNet网络模型的最优超参数组合，包括：将读取的训练数据以随机的方式分为K个子集，取其中一个子集作为验证集，剩下的子集作为训练集，并使用所述训练集对所述StNet网络模型拟合K次；定义所有需要调整的超参数的搜索范围和步长，并定义高斯过程回归的先验概率；随机生成一组初始超参数，并使用交叉验证法在训练集上训练StNet模型，并记录每个超参数组合的评价指标；利用贝叶斯公式计算每个超参数的后验分布，并在后验分布中寻找最大化期望收益的点作为下一个超参数组合，重复迭代直至达到预定的迭代次数；选取所有迭代中产生的模型中在验证集上表现最好的一组超参数组合，作为StNet模型的最优超参数组合。
[0010]可选的，在本专利技术第一方面的第六种实现方式中，所述定期从流水线的监控视频中抓取预设时长的原始监控视频，并将所述原始监控视频输入所述流水线状态识别模型，输出流水线状态，包括：定期从流水线的监控视频中抓取预设时长的原始监控视频，并保存到云端存储服务器中；从云端存储服务器中获取原始监控视频，并对所述原始监控视频进行降噪和滤波处理，得到处理后监控视频；将所述处理后监控视频输入所述流水线状态识别模型，输出流水线状态，所述流水线状态包括正常运作状态和暂停运作状态；若所述流水线状态为暂停运作状态，则发出告警。
[0011]本专利技术第二方面提供了一种分拨中心流水线状态识别装置，包括：样本数据处理模块，用于获取样本数据，并基于所述样本数据制作样本数据集；列表生成模块，用于对所述样本数据集进行处理，生成训练数据和验证数据列表；模型构建模块，用于构建StNet网络模型；训练模块，用于读取所述训练数据和验证数据列表中的训练数据，并基于读取的训练数据对所述StNet网络模型进行训练，得到流水线状态识别模型；识别模块，用于定期从流水线的监控视频中抓取预设时长的原始监控视频，并将所述原始监控视频输入所述流水线状态识别模型，输出流水线状态。
[0012]可选的，在本专利技术第二方面的第一种实现方式中，所述样本数据处理模块包括：第一获取单元，用于获取流水线的历史监控视频，按照预设时间间隔从流水线的历史监控视频抓取多段视频作为样本数据；分类单元，用于基于流水线状态对样本数据进行分类，得到正常运作状态的第一数据集和暂停运作状态的第二数据集，第一数据集和第二数据集构成样本数据集；存储单元，用于将第一数据集和第二数据集分别保存至不同的存储位置。
[0013]可选的，在本专利技术第二方面的第二种实现方式中，所述列表生成模块包括：第二获取单元，用于获取样本数据集中所有样本数据的路径和标签信息；计算单元，用于打乱样本
数据集中的样本数据，并按照预先设定的训练数据和验证数据的比例计算训练数据的大小和验证数据的大小；文件创建单元，用于创建CSV表格，遍历训练数据并写入CSV表格，以及遍历验证数据并写入CSV表格，得到CSV样本文件；转换单元，用于将CSV样本文件转换为pkl样本文件，并根据pkl样本文件生成训练数据和验证数据列表。
[0014]可选的，在本专利技术第二方面的第三种实现方式中，所述模型构建模块包括：模型搭建单元，用于搭建StNet网络模型的基本架构，StNet网络模型包括至少2个卷积层、至少1个池化层、1个LSTM循环本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种分拨中心流水线状态识别方法，其特征在于，所述分拨中心流水线状态识别方法包括：获取样本数据，并基于所述样本数据制作样本数据集；对所述样本数据集进行处理，生成训练数据和验证数据列表；构建StNet网络模型；读取所述训练数据和验证数据列表中的训练数据，并基于读取的训练数据对所述StNet网络模型进行训练，得到流水线状态识别模型；定期从流水线的监控视频中抓取预设时长的原始监控视频，并将所述原始监控视频输入所述流水线状态识别模型，输出流水线状态。2.根据权利要求1所述的分拨中心流水线状态识别方法，其特征在于，所述获取样本数据，并基于所述样本数据制作样本数据集，包括：获取流水线的历史监控视频，按照预设时间间隔从所述流水线的历史监控视频抓取多段视频作为样本数据；基于流水线状态对所述样本数据进行分类，得到正常运作状态的第一数据集和暂停运作状态的第二数据集，所述第一数据集和所述第二数据集构成样本数据集；将所述第一数据集和所述第二数据集分别保存至不同的存储位置。3.根据权利要求1所述的分拨中心流水线状态识别方法，其特征在于，所述对所述样本数据集进行处理，生成训练数据和验证数据列表，包括：获取所述样本数据集中所有样本数据的路径和标签信息；打乱所述样本数据集中的样本数据，并按照预先设定的训练数据和验证数据的比例计算训练数据的大小和验证数据的大小；创建CSV表格，遍历所述训练数据并写入所述CSV表格，以及遍历所述验证数据并写入所述CSV表格，得到CSV样本文件；将所述CSV样本文件转换为pkl样本文件，并根据所述pkl样本文件生成训练数据和验证数据列表。4.根据权利要求1所述的分拨中心流水线状态识别方法，其特征在于，所述构建StNet网络模型，包括：搭建StNet网络模型的基本架构，所述StNet网络模型包括至少2个卷积层、至少1个池化层、1个LSTM循环层和3个全连接层；使用交叉熵损失函数作为所述StNet网络模型的损失函数；确定所述StNet网络模型的数据增强方法为随机平移，构建所述StNet网络模型。5.根据权利要求1所述的分拨中心流水线状态识别方法，其特征在于，所述读取所述训练数据和验证数据列表中的训练数据，并基于读取的训练数据对所述StNet网络模型进行训练，得到流水线状态识别模型，包括：读取所述训练数据和验证数据列表中的训练数据；基于读取的训练数据利用贝叶斯优化和K折交叉验证法确定所述StNet网络模型的最优超参数组合；根据所述最优超参数组合更新所述StNet网络模型的超参数，得到流水线状态识别模型。
6.根据权利要求5所述的分拨中心流水线状...

【专利技术属性】
技术研发人员：曾月，李斯，杨周龙，
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：