一种关于民航异常行李基于多维特征的挑找方法及系统技术方案

本发明专利技术公开了一种关于民航异常行李基于多维特征的挑找方法及系统，该方法包括：采集行李外观照图片；对图片依次进行特征标记、转换、划分处理，得到带有多维特征标记的训练数据集和测试数据集；将训练数据集输入多标签分类神经网络进行模型训练，根据训练结果调整模型参数，周期性地利用测试数据集来评估模型的准确率，保存模型；将待测的行李外观照图片输入训练后的模型，提取出该图片的多维特征并保存；获取目标行李的描述信息，提取目标行李的多维特征，将多维特征与数据库中图片及其多维特征进行匹配，挑找出目标行李。该方法实现对行李特征的自动识别及行李信息的快速检索，解决传统行李人工挑找的繁琐过程及目前特征标识效率低的弊端。识效率低的弊端。识效率低的弊端。

【技术实现步骤摘要】
一种关于民航异常行李基于多维特征的挑找方法及系统


[0001]本专利技术涉及航空行李管理
，尤其涉及一种关于民航异常行李基于多维特征的挑找方法及系统。

技术介绍

[0002]机场航空公司在接收旅客行李或者运送旅客行李时可能存在少收、多收、破损、丢失等异常行李，在旅客无法找到或提取自己行李的时候就需要求助航空公司工作人员进行查询挑找。
[0003]对于存在异常的行李，工作人员进行人工判断该行李的多个特征（如颜色、材质等）及对行李进行拍照后操作系统录入，后续旅客在无法找到自己行李的情况下，可以通过向员工描述行李特征点来使用系统模糊查询，匹配较为接近的多个行李图片信息，接着旅客对查询结果进行指认是否含有自己的行李，继而工作人员根据行李信息进行行李挑找，最后向旅客核对确认行李物品。
[0004]随着航空业的快速发展，航班数量增加，人流量增大，异常行李的数量也因此不断地增加。在当前技术背景下，人工挑找异常行李过程繁琐，准确率也存在一定的问题。工作人员传统的人工标识行李特征效率低下，特征点维度偏少，容易出现遗漏或误判，在大规模行李处理时无法满足快速检索的需求等。因此航空公司仍然需要许多的人力来处理异常行李的标识、挑找和分类，不仅费时费力，而且还存在一定的疏漏。
[0005]为了解决上述问题，本专利技术提出了一种关于民航异常行李基于多维特征的挑找方法。

技术实现思路

[0006]本专利技术的目的在于提供一种关于民航异常行李基于多维特征的挑找方法及系统，实现了对行李特征的自动识别及行李信息的快速检索，解决了传统行李人工挑找的繁琐过程，以及目前特征标识效率低的弊端。
[0007]为达到上述技术目的，本专利技术采用以下一种技术方案：一种关于民航异常行李基于多维特征的挑找方法，具体包括以下步骤：S1、采集行李外观照图片；S2、对图片依次进行特征标记、转换、划分处理，得到带有多维特征标记的训练数据集和测试数据集，所述多维特征至少包括行李的颜色、光泽、材质、有/无贴纸、有/无图案、纹理特征；S3、将训练数据集输入多标签分类神经网络进行模型训练，根据训练结果调整模型参数，周期性地利用测试数据集来评估模型的准确率，保存训练后的模型；S4、将待测的行李外观照图片输入训练后的模型，通过模型提取出该图片的多维特征，通过数据库保存该图片及其多维特征；S5、获取对于目标行李的描述信息，从描述信息中提取目标行李的多维特征，将该
多维特征与数据库中保存的图片及其多维特征进行匹配，匹配结果按照相似度排序，最终挑找出目标行李。
[0008]进一步的，所述步骤S2中，对图片依次进行特征标记、转换、划分处理，得到带有多种特征标记的训练数据集和测试数据集图片，包括：S21、对图片进行特征标记并保存，标记的特征至少包括行李的颜色、光泽、材质、有/无贴纸、有/无图案、纹理特征；S22、将所有图片均转换为分辨率224x224及相同类型的图片，转换后的图片保留RGB三通道信息；S23、按8:2的比例随机划分图片为训练数据集和测试数据集。
[0009]进一步的，所述步骤S3中，所述多标签分类神经网络为使用pytorch框架搭建的基于MobileNet
‑
V2的多标签分类神经网络；且该网络采用了深度可分离卷积，该网络的瓶颈层使用了Inverted Residuals倒残差结构，该网络的feature网络中瓶颈层的重复次数进行增加处理，该网络的分类器采用了至少具有6个分类头的分类器；该网络损失函数使用交叉熵，为每个分类分别定义一个单独的损失函数，使该网络的整体损失为所有分类的损失之和，交叉熵的公式如下：其中p为真实值，q为预测值，i代表每个图片的不同标签。
[0010]进一步的，所述步骤S3中，所述将训练数据集输入多标签分类神经网络进行模型训练，根据训练结果调整模型参数，周期性地利用测试数据集来评估模型的准确率，得到训练出的模型，包括：S31、加载训练数据集和测试数据集；S32、数据预处理：通过transforms图像数据增强对训练数据集和测试数据集进行随机仿射变换；S33、设定训练次数epoch为N进行训练，包括：S34、每训练n次（n＜N），则使用测试数据集评估模型准确率；S35、每训练5n次，则保存当前的内部事件；S36、结束训练并导出模型。
[0011]进一步的，所述步骤S33中，每次模型训练过程包括：S331、挑选M张训练数据集图片，以m张训练数据集图片为一个批次执行步骤S332
‑
S336，共需处理M/m批次；S332、读取每批次数量的图片进行梯度置零；S333、通过模型输出一个包含多种特征维度结果值的字典；S334、计算损失loss，包括每个特征维度和总体的损失loss，并计算准确率；S335、通过模型的反向传播更新权重；S336、执行下一个批次训练。
[0012]进一步的，在训练数据集图片输入模型前，对图像进行数据增强处理，具体包括：50%的概率使图片进行水平翻转；将图片的亮度、对比度和饱和度分别随机调整为原图像的70%
‑
130%；
将图片随机旋转0
‑
20
°
，上下偏移10%，放大或缩小20%；将图片的数据格式化为tensor类型；对tensor数据进行normalize归一化运算。
[0013]为了解决上述技术问题，本专利技术还采用以下一种技术方案：一种关于民航异常行李基于多维特征的挑找系统，包括：图片采集模块，用于采集行李外观照图片；训练图片处理模块，用于对图片依次进行特征标记、转换、划分处理，得到带有多维特征标记的训练数据集和测试数据集，所述多维特征至少包括行李的颜色、光泽、材质、有/无贴纸、有/无图案、纹理特征；模型训练模块，用于将训练数据集输入多标签分类神经网络进行模型训练，根据训练结果调整模型参数，周期性地利用测试数据集来评估模型的准确率，得到训练后的模型；待测图片处理模块，用于将待测的行李外观照图片输入训练后的模型，通过模型提取出该图片的多维特征，通过数据库保存该图片及其多维特征；挑找模块，用于获取对于目标行李的描述信息，从描述信息中提取目标行李的多维特征，将该多维特征与数据库中保存的图片及其多维特征进行匹配，匹配结果按照相似度排序，最终挑找出目标行李。
[0014]采用上述方案后，本专利技术具有以下有益效果：本专利技术通过机器学习训练，挑选用户容易描述且直观的特征点，如颜色、材质、纹理等多维特征，使用基于MobileNet
‑
V2的多标签分类神经网络进行参数迭代从而生成符合的模型，通过模型实现对行李图片多维特征的自动识别及行李信息的快速检索。解决了传统人工手动标识特征效率低下、准确度不高、容易遗漏或误判、在大规模行李处理时无法满足快速处理的需求等问题，该方法可以有效缩短异常行李挑找时间，提高行李挑找的准确度和效率，优化异常行李管理流程。
附图说明
[0015]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种关于民航异常行李基于多维特征的挑找方法，其特征在于包括步骤：S1、采集行李外观照图片；S2、对图片依次进行特征标记、转换、划分处理，得到带有多维特征标记的训练数据集和测试数据集，所述多维特征至少包括行李的颜色、光泽、材质、有/无贴纸、有/无图案、纹理特征；S3、将训练数据集输入多标签分类神经网络进行模型训练，根据训练结果调整模型参数，周期性地利用测试数据集来评估模型的准确率，保存训练后的模型；所述多标签分类神经网络为使用pytorch框架搭建的基于MobileNet
‑
V2的多标签分类神经网络；且该网络采用了深度可分离卷积，该网络的瓶颈层使用了Inverted Residuals倒残差结构，该网络的feature网络中瓶颈层的重复次数进行增加处理，该网络的分类器采用了至少具有6个分类头的分类器；该网络损失函数使用交叉熵，为每个分类分别定义一个单独的损失函数，使该网络的整体损失为所有分类的损失之和，交叉熵的公式如下：其中p为真实值，q为预测值，i代表每个图片的不同标签;S4、将待测的行李外观照图片输入训练后的模型，通过模型提取出该图片的多维特征，通过数据库保存该图片及其多维特征；S5、获取对于目标行李的描述信息，从描述信息中提取目标行李的多维特征，将该多维特征与数据库中保存的图片及其多维特征进行匹配，匹配结果按照相似度排序，最终挑找出目标行李。2.如权利要求1所述的一种关于民航异常行李基于多维特征的挑找方法，其特征在于：所述步骤S2中，对图片依次进行特征标记、转换、划分处理，得到带有多种特征标记的训练数据集和测试数据集图片，包括：S21、对图片进行特征标记并保存，标记的特征至少包括行李的颜色、光泽、材质、有/无贴纸、有/无图案、纹理特征；S22、将所有图片均转换为分辨率224x224及相同类型的图片，转换后的图片保留RGB三通道信息；S23、按8:2的比例随机划分图片为训练数据集和测试数据集。3.如权利要求1所述的一种关于民航异常行李基于多维特征的挑找方法，其特征在于：所述步骤S3中，所述将训练数据集输入多标签分类神经网络进行模型训练，根据训练结果调整模型参数，周期性地利用测试数据集来评估模型的准确率，得到训练出的模型，包括：S31、加载训练数据集和测试数据集；S32、数据预处理：通过transforms图像数据增强对训练数据集和测试数据集进行随机仿射变换；S33、设定训练次数epoch为N进行训练；S34、每训练n次（n＜N），则使用测试数据集评估模型准确率；S35、每训练5n次，则保存当前的内部事件；S36、结束训练并导出模型。4.如权利要求3所述的一种关于...

【专利技术属性】
技术研发人员：黄智鸿，孟翰奇，苏忠东，王春凯，林建昌，谢志鹏，王勇，陈丽群，吕福宝，王法创，
申请(专利权)人：厦门民航凯亚有限公司，
类型：发明
国别省市：