【技术实现步骤摘要】
本专利技术涉及物流监控，尤其涉及一种网点监控数据处理方法、装置、设备及存储介质。
技术介绍
1、现代物流指的是将信息、运输、仓储、库存、装卸搬运以及包装等物流活动，综合起来的一种新型的集成式管理，其任务是尽可能降低物流的总成本，为顾客提供最好的服务。物流电子商务化是以互联网的形式提供物流行业相关信息，包括货运信息、空运信息、陆运信息、海运信息、以及物流行业资讯和物流知识，法律法规等，还提供物流行业企业库，供货源方查找，货源方也可通过物流网发布货源信息，以供物流企业合作。
2、在物流业务数量的不断增加之时，对于物流行业的快递订单处理以及服务要求也随之提高，尤其对于那些未能及时完成转送以及投送的快件，如不能及时进行相关信息的更新并进行快件的相关处理，会导致相关网点或者中转站客户服务能力的下降、客户投诉率的上升，以至于及时监控快件的揽收等过程成为物流企业的趋势。
3、现有对物流快件的监控是将所有运输作业数据统一上传至远程服务器，由远程服务器通过实时计算引擎或离线计算引擎进行相关监控判断，并将处理后的监控信息发送给相关网点或者人员。但是随着业务数据量的快速增长，导致数据和处理量大，并且网点监控录像数据越来越多，对老旧图像数据处理和监控图像数据整理的速度越来越慢，存储空间大，无法及时对异常订单进行追踪，导致客户满意度降低。
4、因此，现有技术还有待于改进和发展。
技术实现思路
1、本专利技术的主要目的在于解决现有技术中物流监控图像数据的处理效率和存储效率低
2、本专利技术第一方面提供了一种网点监控数据处理方法，包括：获取历史物流监控数据，对所述历史物流监控数据进行图像数据预处理、得到处理好的图像数据；建立卷积神经网络图像模型，将所述图像数据输入至所述卷积神经网络图像模型中进行训练，得到训练好的卷积神经网络图像模型；获取网点的实时监控录像数据，将实时监控录像数据经过数据预处理后输入至训练好的卷积神经网络图像模型中进行识别，获取异常监控录像；对所述异常监控录像进行判断，并对所述异常监控录像的异常进行分类，如果异常情况达到需要预警的程度，则对异常进行预警。
3、可选的，在本专利技术第一方面的第一种实现方式中，所述图像数据预处理包括图像数据清洗和图像数据分帧处理；所述获取历史物流监控数据，对所述历史物流监控数据进行图像数据预处理、得到处理好的图像数据的步骤包括：获取系统中的历史物流监控数据，所述历史物流监控数据包括片区负责人、网点编码、硬盘录像机的登录账号、硬盘录像机的登录密码、监控画面数量、备注、附件、提交、重置、流程图、返回和流程放置；对所述历史物流监控数据进行图像数据清洗和图像数据分帧处理，得到处理好的图像数据。
4、可选的，在本专利技术第一方面的第二种实现方式中，所述建立卷积神经网络图像模型，将所述图像数据输入至所述卷积神经网络图像模型中进行训练，得到训练好的卷积神经网络图像模型的步骤包括：建立卷积神经网络图像模型，将处理完成的图像数据输入至卷积神经网络图像模型中进行训练，得到训练好的卷积神经网络图像模型；利用激活函数对训练好的卷积神经网络图像模型进行优化，得到优化后的卷积神经网络图像模型，优化后的卷积神经网络图像模型用于对图像数据中的分帧图像进行目标识别；其中，所述目标识别包括人物识别、物流订单识别、货物大小识别和货物体积计算。
5、可选的，在本专利技术第一方面的第三种实现方式中，所述获取网点的实时监控录像数据，将实时监控录像数据经过数据预处理后输入至训练好的卷积神经网络图像模型中进行识别，获取异常监控录像的步骤包括：获取网点中的实时监控录像数据，对所述实时监控录像数据进行图像数据清洗和图像数据分帧处理，得到处理好的实时监控录像数据；将处理好的实时监控录像数据输入至优化后的卷积神经网络图像模型中进行识别，得到监控信息中的异常监控录像。
6、可选的，在本专利技术第一方面的第四种实现方式中，所述将处理好的实时监控录像数据输入至优化后的卷积神经网络图像模型中进行识别，得到监控信息中的异常监控录像的步骤包括：将处理好的实时监控录像数据输入至优化后的卷积神经网络图像模型中，通过优化后的卷积神经网络图像模型识别出实时监控录像数据中的监控信息，并获取异常监控录像；将网点实时监控录像数据中的异常监控录像和历史监控录像数据中的异常监控录像进行存储；其中，所述异常监控录像包括人员操作异常录像和物流订单破损录像。
7、可选的，在本专利技术第一方面的第五种实现方式中，所述对所述异常监控录像进行判断，并对所述异常监控录像的异常进行分类，如果异常情况达到需要预警的程度，则对异常进行预警的步骤包括：基于蚁群算法对所述异常监控录像的异常进行分类，得到异常分类结果，所述异常分类结果包括人员监控录像数据异常和快运订单监控录像数据异常；对人员监控录像数据异常和快运订单监控录像数据异常进行判断；若判断出人员监控录像数据异常，且快运订单监控录像数据异常的异常值大于预警阈值，则对异常进行预警，并存储异常情况、展示异常数据和删除无异常监控图像。
8、可选的，在本专利技术第一方面的第六种实现方式中，所述存储异常情况、展示异常数据和删除无异常监控图像的步骤包括：将异常情况输入至数据库中进行存储，所述异常情况包括破损程度达到预警程度和人员有盗窃倾向；如果客户对订单异常存在疑问，则直接从数据库中调取异常录像进行查看，并将异常数据进行展示；获取无异常监控图像，并删除所述无异常监控图像。
9、本专利技术第二方面提供了一种网点监控数据处理装置，包括：历史数据处理模块，用于获取历史物流监控数据，对所述历史物流监控数据进行图像数据预处理、得到处理好的图像数据；图像模型训练模块，用于建立卷积神经网络图像模型，将所述图像数据输入至所述卷积神经网络图像模型中进行训练，得到训练好的卷积神经网络图像模型；实时数据处理模块，用于获取网点的实时监控录像数据，将实时监控录像数据经过数据预处理后输入至训练好的卷积神经网络图像模型中进行识别，获取异常监控录像；异常分类预警模块，用于对所述异常监控录像进行判断，并对所述异常监控录像的异常进行分类，如果异常情况达到需要预警的程度，则对异常进行预警。
10、可选的，在本专利技术第二方面的第一种实现方式中，所述图像数据预处理包括图像数据清洗和图像数据分帧处理；所述历史数据处理模块包括：历史物流监控数据获取单元，用于获取系统中的历史物流监控数据，所述历史物流监控数据包括片区负责人、网点编码、硬盘录像机的登录账号、硬盘录像机的登录密码、监控画面数量、备注、附件、提交、重置、流程图、返回和流程放置；历史物流监控数据预处理单元，用于对所述历史物流监控数据进行图像数据清洗和图像数据分帧处理，得到处理好的图像数据。
11、可选的，在本专利技术第二方面的第二种实现方式中，所述图像模型训练模块包括：卷积神经网络图像模型训练单元，用于建立卷积神经网络图像模型，将处理完成的图像数据输入至卷积神经网络图像模型中进行训练，得到训练好的卷本文档来自技高网...
【技术保护点】
1.一种网点监控数据处理方法，其特征在于，所述网点监控数据处理方法包括：
2.根据权利要求1所述网点监控数据处理方法，其特征在于，所述图像数据预处理包括图像数据清洗和图像数据分帧处理；
3.根据权利要求1或2所述网点监控数据处理方法，其特征在于，所述建立卷积神经网络图像模型，将所述图像数据输入至所述卷积神经网络图像模型中进行训练，得到训练好的卷积神经网络图像模型的步骤包括：
4.根据权利要求3所述网点监控数据处理方法，其特征在于，所述获取网点的实时监控录像数据，将实时监控录像数据经过数据预处理后输入至训练好的卷积神经网络图像模型中进行识别，获取异常监控录像的步骤包括：
5.根据权利要求4所述网点监控数据处理方法，其特征在于，所述将处理好的实时监控录像数据输入至优化后的卷积神经网络图像模型中进行识别，得到监控信息中的异常监控录像的步骤包括：
6.根据权利要求1所述网点监控数据处理方法，其特征在于，所述对所述异常监控录像进行判断，并对所述异常监控录像的异常进行分类，如果异常情况达到需要预警的程度，则对异常进行预警的步骤包括：
7.根据权利要求6所述网点监控数据处理方法，其特征在于，所述存储异常情况、展示异常数据和删除无异常监控图像的步骤包括：
8.一种网点监控数据处理装置，其特征在于，包括：
9.一种网点监控数据处理设备，其特征在于，包括存储器和至少一个处理器，所述存储器中存储有计算机可读指令；
10.一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可读指令，其特征在于，所述计算机可读指令被处理器执行时实现如权利要求1-7中任一项所述网点监控数据处理方法的各个步骤。
...【技术特征摘要】
1.一种网点监控数据处理方法，其特征在于，所述网点监控数据处理方法包括：
2.根据权利要求1所述网点监控数据处理方法，其特征在于，所述图像数据预处理包括图像数据清洗和图像数据分帧处理；
3.根据权利要求1或2所述网点监控数据处理方法，其特征在于，所述建立卷积神经网络图像模型，将所述图像数据输入至所述卷积神经网络图像模型中进行训练，得到训练好的卷积神经网络图像模型的步骤包括：
4.根据权利要求3所述网点监控数据处理方法，其特征在于，所述获取网点的实时监控录像数据，将实时监控录像数据经过数据预处理后输入至训练好的卷积神经网络图像模型中进行识别，获取异常监控录像的步骤包括：
5.根据权利要求4所述网点监控数据处理方法，其特征在于，所述将处理好的实时监控录像数据输入至优化后的卷积神经网络图像模型中进行识...
【专利技术属性】
技术研发人员：潘秒秒，
申请(专利权)人：上海乾臻信息科技有限公司，
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。