CN114418489B - 物流分拣机器人的智能监测预警方法、装置、设备及介质 - Google Patents
物流分拣机器人的智能监测预警方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114418489B CN114418489B CN202210004043.1A CN202210004043A CN114418489B CN 114418489 B CN114418489 B CN 114418489B CN 202210004043 A CN202210004043 A CN 202210004043A CN 114418489 B CN114418489 B CN 114418489B
- Authority
- CN
- China
- Prior art keywords
- article
- logistics
- early warning
- preset
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Strategic Management (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人工智能技术,揭露了一种物流分拣机器人的智能监测预警方法,包括:根据物流物品的物品信息和物品类别构建物品的信息画像;将信息画像划分为多个画像数据块;提取画像数据块的数据特征并构建物品特征矩阵;根据多级分类表构建决策树,利用决策树对物品特征矩阵进行分类决策,得到分拣类别;计算物流物品对应的分拣类别与物品类别之间的单个偏差和所有物品的平均偏差;获取单个偏差大于预设偏差阈值的物流物品的决策逻辑路径,根据决策逻辑路径计算得到路径误差;根据平均偏差和路径误差计算预警分值并在预警分值大于预设数值时,进行分拣错误预警。本发明还提出一种物流分拣机器人的智能监测预警装置、设备及介质。本发明可以提高物流产品分拣预警精确度。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种物流分拣机器人的智能监测预警方法、装置、电子设备及计算机可读存储介质。
背景技术
随着物流运输行业的发展,大部分物流业务提供商选择搭载电子控制单元的物流分拣机器人来实现对物流线上不同物品的分拣,但由于物流物品的多样化,且新产品的层出不穷,导致物流分拣机器人在进行物流分拣时的表现不佳,精确度较低。
现有的物流分拣机器人对于物流分拣过程的监测预警多为基于分拣结果的分析,即根据物流分拣机器人对于物流物品的分拣结果的错误率,来进行监测预警,该方法中,仅依照分拣结果的错误进行预警,会导致预警的参照标准过少,进而造成预警的精确度较低。
发明内容
本发明提供一种物流分拣机器人的智能监测预警方法、装置及计算机可读存储介质,其主要目的在于解决进行物流产品分拣预警的精确度较低的问题。
为实现上述目的,本发明提供的一种物流分拣机器人的智能监测预警方法,包括:
获取预设的物流分拣机器人中多个物流物品的物品信息和每个物流物品对应的物品类别,根据所述物品信息构建每个物流物品的信息画像;
逐个从多个所述物流物品中选取其中一个物流物品为目标物品,对所述目标物品的信息画像进行数据分块处理,得到多个画像数据块;
分别提取每个所述画像数据块的数据特征,并根据所有画像数据块的数据特征构建所述目标物品的物品特征矩阵;
根据预设的多级分类表构建分类决策树,利用所述分类决策树对所述物品特征矩阵进行分类决策,得到所述目标物品的分拣类别;
计算每个物流物品对应的所述分拣类别与所述物品类别之间的单个偏差,并根据所述单个偏差计算所有物流物品的平均偏差;
获取所述单个偏差大于预设偏差阈值的物流物品在所述分类决策树内的决策逻辑路径,根据所述决策逻辑路径计算得到路径误差;
根据所述平均偏差和所述路径误差计算预警分值,并在所述预警分值大于预设数值时,进行分拣错误预警。
可选地,所述根据所述物品信息构建每个物流物品的信息画像,包括:
从所述多个物流物品中逐个选取其中一个物流物品的物品信息为目标信息;
对所述目标信息进行核心语义提取,得到信息语义;
对所述核心语义进行向量转换,得到语义向量;
将所有物品信息对应的语义向量拼接为信息画像。
可选地,所述分别提取每个所述画像数据块的数据特征,包括:
按照预设数量对所述画像数据块中的数据进行多次随机采样,得到所述画像数据块的多个子集数据块;
利用预先训练的深度神经网络分别提取出所述多个子集数据块中每一个子集数据块的特征数据;
统计所述特征数据中每一个数据的出现频率,选取所述出现频率大于预设频率阈值的特征数据为所述画像数据块的数据特征。
可选地,所述按照预设数量对所述画像数据块中的数据进行多次随机采样,得到所述画像数据块的多个子集数据块,包括:
按照预设数量对所述画像数据块中的数据进行随机采样,并将采样得到的元汇集为所述画像数据块的子集数据块;
判断所述子集数据块的数量是否等于预设阈值;
若所述采样数据的数量不等于预设阈值,则返回按照预设数量对所述画像数据块中的数据进行随机采样的步骤;
若所述采样数据的数量等于预设数量,则将所有子集数据块汇集为所述画像数据块的多个子集数据块。
可选地,所述利用预先训练的深度神经网络分别提取出所述多个子集数据块中每一个子集数据块的特征数据,包括:
从所述多个子集数据块中逐个选取其中一个矩阵为目标矩阵;
利用预先训练的深度神经网络将所述目标矩阵中的每一个数据进行特征描述,得到数据特征;
利用预设的激活函数计算每一个数据的数据特征的特征值;
选取所述特征值大于预设特征阈值的数据特征对应的数据为所述目标矩阵的特征数据。
可选地,所述根据预设的多级分类表构建分类决策树,包括:
从所述多级分类表中逐个选取其中一个物品的多级分类,并从被选取的物品的多级分类中逐个选取其中一个级别的分类为目标类别;
将所述目标类别作为参数对预设的决策函数进行赋值,并利用赋值后的决策函数作为决策条件,生成决策树;
汇集所述被选取的物品的所有多级分类生成的决策树为所述被选取的物品的决策树,以及汇集所述多级分类表中每一个物品的决策树为分类决策树。
可选地,所述根据所述决策逻辑路径计算得到路径误差,包括:
将所述决策逻辑路径进行可视化处理,得到可视化路径;
将所述可视化路径发送至预设用户,获取所述预设用户根据所述可视化路径返回的路径错误标注点;
根据所述路径错误标注点将所述决策逻辑路径划分为错误路径部分与正确路径部分;
利用所述错误路径部分的路径长度除以所述正确路径部分的路径长度,得到所述路径误差。
为了解决上述问题,本发明还提供一种物流分拣机器人的智能监测预警装置,所述装置包括:
画像构建模块,用于获取预设的物流分拣机器人中多个物流物品的物品信息和每个物流物品对应的物品类别,根据所述物品信息构建每个物流物品的信息画像;
数据分析模块,用于逐个从多个所述物流物品中选取其中一个物流物品为目标物品,对所述目标物品的信息画像进行数据分块处理,得到多个画像数据块,分别提取每个所述画像数据块的数据特征,并根据所有画像数据块的数据特征构建所述目标物品的物品特征矩阵;
分类决策模块,用于根据预设的多级分类表构建分类决策树,利用所述分类决策树对所述物品特征矩阵进行分类决策,得到所述目标物品的分拣类别;
误差分析模块,用于计算每个物流物品对应的所述分拣类别与所述物品类别之间的单个偏差,并根据所述单个偏差计算所有物流物品的平均偏差,获取所述单个偏差大于预设偏差阈值的物流物品在所述分类决策树内的决策逻辑路径,根据所述决策逻辑路径计算得到路径误差;
错误预警模块,用于根据所述平均偏差和所述路径误差计算预警分值,并在所述预警分值大于预设数值时,进行分拣错误预警。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述所述的物流分拣机器人的智能监测预警方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个计算机程序,所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的物流分拣机器人的智能监测预警方法。
本发明实施例通过构建物流物品的信息画像,并利用构建出的分类决策树根据根据信息画像对物流物品进行分类,进而计算出分类的过程的决策逻辑路径的路径误差,并根据平均偏差和路径误差共同计算得到所述预警分值,可实现对分拣结果与分拣逻辑的综合考虑,有利于提升计算得到的预警分值的精确度,进而提高了对该物流分拣机器人进行分拣预警的精确度。因此本发明提出的物流分拣机器人的智能监测预警方法、装置、电子设备及计算机可读存储介质,可以解决进行物流产品分拣预警的精确度较低的问题。
附图说明
图1为本发明一实施例提供的物流分拣机器人的智能监测预警方法的流程示意图;
图2为本发明一实施例提供的进行核心语义提取的流程示意图;
图3为本发明一实施例提供的计算路径误差的流程示意图;
图4为本发明一实施例提供的物流分拣机器人的智能监测预警装置的功能模块图;
图5为本发明一实施例提供的实现所述物流分拣机器人的智能监测预警方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种物流分拣机器人的智能监测预警方法。所述物流分拣机器人的智能监测预警方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述物流分拣机器人的智能监测预警方法可以由安装在终端设备或服务端设备的软件或硬件来执行,其中,所述硬件包括但不限于电子控制单元,如ECU(Electronic Control Unit)等。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示,为本发明一实施例提供的物流分拣机器人的智能监测预警方法的流程示意图。在本实施例中,所述物流分拣机器人的智能监测预警方法包括:
S1、获取预设的物流分拣机器人中多个物流物品的物品信息和每个物流物品对应的物品类别,根据所述物品信息构建每个物流物品的信息画像。
本发明实施例中,所述物流物品可以为任何可进行物流运输的物品,如电子产品、生活用品等。
详细地,所述物品信息包括物流物品的物品名称、物品重量、物品形状等数据;所述物品类别为物流物品的分类,例如,钢笔的物品类别为日常用品-学习用品-文具-笔。
具体地,可利用具有数据抓取功能的计算机语句(如java语句、python语句等)从预先确定的存储区域抓取存储的物品信息和每个物流物品对应的物品类别,所述存储区域包括但不限于数据库、区块链节点、网络缓存。
本发明实施例中,为了实现对每个物流物品的精确分析,可根据所述物品信息分别构建每个物流物品的信息画像。
本发明实施例中,所述根据所述物品信息构建每个物流物品的信息画像,包括:
从所述多个物流物品中逐个选取其中一个物流物品的物品信息为目标信息;
对所述目标信息进行核心语义提取,得到信息语义;
对所述核心语义进行向量转换,得到语义向量;
将所有物品信息对应的语义向量拼接为信息画像。
本发明实施例中,可依次从所述多个物流物品对应的物品信息中选取目标信息,或者,随机不放回地从所述多个物流物品对应的物品信息中选取目标信息。
本发明实施例中,可预先构建的语义分析模型对所述目标信息进行核心语义提取,得到信息语义。
详细地,所述语义分析模型包括但不限于NLP(Natural Language Processing,自然语言处理)模型、HMM(Hidden Markov Model,隐马尔科夫模型)。
例如,利用预先构建的语义分析模型对所述目标信息进行卷积、池化等操作,以提取该目标信息的低维特征表达,再将提取到的低维特表达征映射至预先构建的高维空间,得到该低维特征的高维特征表达,利用预设的激活函数对所述高维特征表达进行选择性地输出,得到信息语义。
本发明实施例中,参图2所示,所述对所述目标信息进行核心语义提取,得到信息语义,包括:
S21、对所述目标信息进行卷积、池化处理,得到所述目标信息的低维特征语义;
S22、将所述低维特征语义映射至预先构建的高维空间,得到高维特征语义;
S23、利用预设的激活函数对所述高维特征语义进行筛选,得到信息语义。
详细地,可通过语义分析模型对所述目标信息进行卷积、池化处理,以降低所述目标信息的数据维度,进而减少对所述目标信息进行分析时计算资源的占用,提高进行核心语义提取的效率。
具体地,可利用预设的映射函数将低维特征语义映射至预先构建的高维空间,所述映射函数包括MATLAB库中的Gaussian Radial Basis Function函数、高斯函数等。
例如,所述低维特征语义为二维平面中的点,则可利用映射函数对该二维平面中的点的二维坐标进行计算,以将二维坐标转换为三维坐标,并利用计算得到的三维坐标将点映射至预先构建的三维空间,得到该低维特征语义的高维特征语义。
将所述低维特征语义映射至预先构建的高维空间,可提高该低维特征的可分类性,进而提高从得到的高维特征语义中对特征进行筛选,得到信息语义的精确度。
本发明实施例中,可利用预设的激活函数计算所述高维特征语义中每个特征语义的输出值,并选取所述输出值大于预设的输出阈值的特征语义为信息语义,所述激活函数包括但不限于sigmoid激活函数、tanh激活函数、relu激活函数。
例如,高维特征语义中存在特征语义A、特征语义B和特征语义C,分别利用激活函数对特征语义A、特征语义B和特征语义C进行计算,得到特征语义A的输出值为80,特征语义B的输出值为30,特征语义C的输出值为70,当输出阈值为50时,则将特征语义A与特征语义C输出为所述目标信息的信息语义。
本发明实施例中,可通过预设的向量转换模型对所述信息语义进行向量转换,得到信息向量,所述向量转换模型包括但不限于word2vec模型、Bert模型。
本发明实施例中,获取所述信息向量后,可将所述信息向量进行向量拼接,以生成所述信息画像。
本发明实施例中,所述将所有物品信息对应的语义向量拼接为所述信息画像,包括:
统计所述信息向量中所有向量的向量长度;
确定所述向量长度中的最大值为目标长度;
利用预设参数将所有信息向量的长度延长至所述目标长度;
将长度延长后的所有信息向量进行列维度合并,得到所述信息画像。
详细地,由于所述信息向量的长度可能不相同,因此,为了将所述信息向量进行向量拼接,需要将所述信息向量的向量长度进行统一化。
本发明实施例中,可比对所有信息向量的向量长度,并对向量长度较短的向量进行向量延长,以使得所有信息向量的向量量长度相同。
例如,信息向量中存在向量A:[11,36,22],向量B:[14,25,31,27],经过统计可知,向量A的向量长度为3,向量B的向量长度为4,向量B的向量长度大于第一向量长度,则可利用预设参数(如0)对所述向量A进行向量延长,直至所述向量A的向量长度与所述向量B的向量长度相等,得到延长后的向量A:[11,36,22,0]。
本发明实施例中,可通过将两个向量中对应列数据相加的形式将所述两个向量进行列维度合并。
本发明实施例中,还可通过将两个向量中对应列数据进行并行展示的方式,利用两个向量生成矩阵,进而实现向量间的列维度合并。
例如,信息向量为[11,36,22,0],第二语义向量为[14,25,31,27],则可将所述信息向量中对应列的数据进行并行展示,得到矩阵并将该矩阵作为所述信息画像。
S2、逐个从多个所述物流物品中选取其中一个物流物品为目标物品,对所述目标物品的信息画像进行数据分块处理,得到多个画像数据块。
本发明实施例中,可逐个从所述多个物流物品中选取其中一个物流物品作为目标物品,进而实现分别对每一次选取的目标物品进行单独分析。
本发明其中一个实际应用场景中,由于物流物品对应的信息画像内可能包含该物流物品的大量信息数据,因此,若直接对所述信息画像进行分析处理,不仅会导致分析效率低下,还会使得分析过程中,所述信息画像内的数据之间相互产生影响作用,进而降低分析结果的精确度。
因此,可对所述目标物品的信息画像进行数据分块,以将该信息画像划分为多个较小的数据块,减少数据量的同时,降低数据间的互相干扰,进而提升分析的效率和准确率。
本发明实施例中,所述对所述目标物品的信息画像进行数据分块处理,得到多个画像数据块,包括:
统计所述信息画像的数据大小和数据行数量;
根据所述数据大小和所述数据行数量计算得到单行数据大小;
根据预设的单位数据量和所述单行数据大小计算得到划分行数;
按照所述划分行数将所述信息画像划分为多个画像数据块。
详细地,所述数据大小是指所述信息画像内所有数据的大小之和,所述数据行数是指所述信息画像内数据行的数量,所述单位数据量是指划分后,每个画像数据块内包含的数据的大小。
具体地,可利用所述数据大小除以所述数据行数量,以确定所述信息画像内的单行数据大小,进而,利用所述单位数据量除以所述单行数据大小,得到所述划分行数。
S3、分别提取每个所述画像数据块的数据特征,并根据所有画像数据块的数据特征构建所述目标物品的物品特征矩阵。
本发明实施例中,为了实现对每个所述画像数据块的精细化分析,可分别对每个所述画像数据块进行特征提取,得到每个所述画像数据块的数据特征,进而将所有画像数据块的数据特征构建成目标物品的物品特征矩阵,以提升该物品特征矩阵的精确度。
本发明实施例中,所述分别提取每个所述画像数据块的数据特征,包括:
按照预设数量对所述画像数据块中的数据进行多次随机采样,得到所述画像数据块的多个子集数据块;
利用预先训练的深度神经网络分别提取出所述多个子集数据块中每一个子集数据块的特征数据;
统计所述特征数据中每一个数据的出现频率,选取所述出现频率大于预设频率阈值的特征数据为所述画像数据块的数据特征。
详细地,所述按照预设数量对所述画像数据块中的数据进行多次随机采样,得到所述画像数据块的多个子集数据块,包括:
按照预设数量对所述画像数据块中的数据进行随机采样,并将采样得到的元汇集为所述画像数据块的子集数据块;
判断所述子集数据块的数量是否等于预设阈值;
若所述采样数据的数量不等于预设阈值,则返回按照预设数量对所述画像数据块中的数据进行随机采样的步骤;
若所述采样数据的数量等于预设数量,则将所有子集数据块汇集为所述画像数据块的多个子集数据块。
例如,所述画像数据块中包括100个数据,当预设数量为20时,则随机从所述画像数据块中采集20个数据,并将采集到的20个数据汇集为该画像数据块的一个子集数据块;判断所述子集数据块的数量(1)是否等于预设阈值(2),可知,所述子集数据块的数量(1)不等于预设阈值(2),则重新对所述画像数据块中的20个数据进行采样,并将采样结果汇集为该画像数据块的另一个子集数据块,此时,所述子集数据块的数量(2)不等于预设阈值(2),将得到的两个子集数据块进行汇集,得到该画像数据块的多个子集数据块。
本发明实施例中,所述预先训练的深度神经网络包括但不限于基于XGboost的深度神经网络、基于随机森林的深度神经网络等。
详细地,可利用所述深度神经网络分别对所述多个子集数据块中每一个矩阵进行特征提取,得到每一个子集数据块对应的特征数据。
本发明实施例中,所述利用预先训练的深度神经网络分别提取出所述多个子集数据块中每一个子集数据块的特征数据,包括:
从所述多个子集数据块中逐个选取其中一个矩阵为目标矩阵;
利用预先训练的深度神经网络将所述目标矩阵中的每一个数据进行特征描述,得到数据特征;
利用预设的激活函数计算每一个数据的数据特征的特征值;
选取所述特征值大于预设特征阈值的数据特征对应的数据为所述目标矩阵的特征数据。
详细地,所述深度神经网络可通过函数映射的方式将所述目标矩阵中每一个数据映射至预先构建的特征空间,利用每一个数据在改特征空间内的坐标值对所述深度神经网络中预设的多个神经元进行赋值,并通过全连接的方式将每个神经元的数值进行重复筛选,进而得到每一个数据的数据特征。
具体地,所述激活函数包括但不限于relu激活函数、Sigmoid激活函数、softmax激活函数。
通过所述激活函数可计算得出每一个数据的数据特征的特征值,进而筛选出所述特征值大于预设特征阈值的数据特征对应的数据,并将筛选获取的数据作为所述目标矩阵的特征数据。
进一步地,可统计所述特征数据中每一个数据的出现频率,进而选取所述出现频率大于预设频率阈值的特征数据为所述画像数据块的数据特征。
本发明实施例中,所述根据所有画像数据块的数据特征构建所述目标物品的物品特征矩阵的步骤,与S1中根据所述物品信息构建每个物流物品的信息画像的步骤一致,在此不做赘述。
S4、根据预设的多级分类表构建分类决策树,利用所述分类决策树对所述物品特征矩阵进行分类决策,得到所述目标物品的分拣类别。
本发明实施例中,所述多级分类表中包含多个物流物品,以及每个物流物品对应的多种不同级别的分类,例如,所述多级分类表中包含物品钢笔,钢笔对应的多种不同级别的分类为:日常用品(一级分类)-学习用品(二级分类)-文具(三级分类)-笔(四级分类)。
本发明实施例中,所述根据预设的多级分类表构建分类决策树,包括:
从所述多级分类表中逐个选取其中一个物品的多级分类,并从被选取的物品的多级分类中逐个选取其中一个级别的分类为目标类别;
将所述目标类别作为参数对预设的决策函数进行赋值,并利用赋值后的决策函数作为决策条件,生成决策树;
汇集所述被选取的物品的所有多级分类生成的决策树为所述被选取的物品的决策树,以及汇集所述多级分类表中每一个物品的决策树为分类决策树。
示例性地,所述决策函数可以为:
其中,f(x)为所述决策函数的输出值,x为所述决策函数的参数,g(y)为所述决策函数的输入值。
详细地,可从所述产品特中逐个选取其中一个级别的分类为目标类别,利用该目标类别对所述决策函数的参数x进行赋值,并将赋值后的决策函数作为决策条件生成如下决策树:
当所述决策树的输入值g(y)与所述决策树的参数x相同时,该决策树输出值f(x)=α;
当所述决策树的输入至g(y)与所述决策树的参数x不相同时,该决策树输出值f(x)=β。
本发明实施例中,可利用并联或者串联的形式将所述多级分类中每一个级别的分类对应的决策树进行汇集,得到被选取的物品的决策树。
进一步地,可利用所述分类决策树对所述物品特征矩阵进行分类决策,得到所述目标物品的分拣类别。
S5、计算每个物流物品对应的所述分拣类别与所述物品类别之间的单个偏差,并根据所述单个偏差计算所有物流物品的平均偏差。
本发明实施例中,所述计算每个物流物品对应的所述分拣类别与所述物品类别之间的单个偏差,包括:
利用如下偏差算法计算每个物流物品对应的所述分拣类别与所述物品类别之间的单个偏差:
其中,Dn为第n个物流物品对应的单个偏差,an为第n个物流物品对应的分拣类别,bn为第n个物流物品对应的物品类别。
进一步地,可将所有物流物品对应的单个偏差求平均值,即可得到所有物流物品的平均偏差。
S6、获取所述单个偏差大于预设偏差阈值的物流物品在所述分类决策树内的决策逻辑路径,根据所述决策逻辑路径计算得到路径误差。
本发明实施例中,当所述单个偏差大于预设偏差阈值时,则说明该物流分拣机器人在对该物流物品的相同种类物品进行分拣时,出现错误的概率较大,因此,为了实现精确度地分拣预警,可获取该物流物品再被分拣时,所述分类决策树内的决策逻辑路径,以便于对该决策逻辑路径进行分析。
详细地,所述决策逻辑路径是指所述分类决策树在对该物流物品进行分拣时,该分类决策树内的决策路径,例如,所述分类决策树对钢笔输出的分拣类别为“笔”,但分拣过程中,钢笔在该分类决策树内的路径为日常用品-学习用品-文具-笔,此路径即为钢笔在所述分类决策树内的决策逻辑路径。
具体地,可利用具有路径分析功能的python语句抓取所述物流物品在所述分类决策树内的决策逻辑路径。
本发明实施例中,参图3所示,所述根据所述决策逻辑路径计算得到路径误差,包括:
S31、将所述决策逻辑路径进行可视化处理,得到可视化路径;
S32、将所述可视化路径发送至预设用户,获取所述预设用户根据所述可视化路径返回的路径错误标注点;
S33、根据所述路径错误标注点将所述决策逻辑路径划分为错误路径部分与正确路径部分;
S34、利用所述错误路径部分的路径长度除以所述正确路径部分的路径长度,得到所述路径误差。
详细地,可利用预设的可视化工具(如RAWGraphs工具)将所述决策逻辑路径进行可视化处理,得到可视化路径。
具体地,所述路径错误标注点为所述预设用户根据该可视化路径标注出的,用于标识该决策逻辑路径在路径中哪一点出现错误的标注点。
S7、根据所述平均偏差和所述路径误差计算预警分值,并在所述预警分值大于预设数值时,进行分拣错误预警。
本发明实施例中,所述根据所述平均偏差和所述路径误差计算预警分值,包括:
利用如下分值算法根据所述平均偏差和所述路径误差计算预警分值:
G=*L+β*AvgD
其中,G为所述预警分值,AvgD为所述平均偏差,L为所述路径误差,α、β为预设权重系数。
详细地,当所述预警分值大于预设数值时,则说明该物流分拣机器人的分拣错误率较高,则向该物流分拣机器人的管理人员进行预警。
本发明实施例中,通过所述平均偏差和所述路径误差共同计算得到所述预警分值,可实现对该物流分拣机器人分拣结果与分拣逻辑的综合考虑,有利于提升计算得到的预警分值的精确度,进而提高了对该物流分拣机器人进行分拣预警的精确度。
本发明实施例通过构建物流物品的信息画像,并利用构建出的分类决策树根据根据信息画像对物流物品进行分类,进而计算出分类的过程的决策逻辑路径的路径误差,并根据平均偏差和路径误差共同计算得到所述预警分值,可实现对分拣结果与分拣逻辑的综合考虑,有利于提升计算得到的预警分值的精确度,进而提高了对该物流分拣机器人进行分拣预警的精确度。因此本发明提出的物流分拣机器人的智能监测预警方法,可以解决进行物流产品分拣预警的精确度较低的问题。
如图4所示,是本发明一实施例提供的物流分拣机器人的智能监测预警装置的功能模块图。
本发明所述物流分拣机器人的智能监测预警装置100可以安装于电子设备中。根据实现的功能,所述物流分拣机器人的智能监测预警装置100可以包括画像构建模块101、数据分析模块102、分类决策模块103、误差分析模块104及错误预警模块105。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述画像构建模块101,用于获取预设的物流分拣机器人中多个物流物品的物品信息和每个物流物品对应的物品类别,根据所述物品信息构建每个物流物品的信息画像;
所述数据分析模块102,用于逐个从多个所述物流物品中选取其中一个物流物品为目标物品,对所述目标物品的信息画像进行数据分块处理,得到多个画像数据块,分别提取每个所述画像数据块的数据特征,并根据所有画像数据块的数据特征构建所述目标物品的物品特征矩阵;
所述分类决策模块103,用于根据预设的多级分类表构建分类决策树,利用所述分类决策树对所述物品特征矩阵进行分类决策,得到所述目标物品的分拣类别;
所述误差分析模块104,用于计算每个物流物品对应的所述分拣类别与所述物品类别之间的单个偏差,并根据所述单个偏差计算所有物流物品的平均偏差,获取所述单个偏差大于预设偏差阈值的物流物品在所述分类决策树内的决策逻辑路径,根据所述决策逻辑路径计算得到路径误差;
所述错误预警模块105,用于根据所述平均偏差和所述路径误差计算预警分值,并在所述预警分值大于预设数值时,进行分拣错误预警。
详细地,本发明实施例中所述物流分拣机器人的智能监测预警装置100中所述的各模块在使用时采用与上述图1至图3中所述的物流分拣机器人的智能监测预警方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图5所示,是本发明一实施例提供的实现物流分拣机器人的智能监测预警方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如物流分拣机器人的智能监测预警程序。
其中,所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行物流分拣机器人的智能监测预警程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如物流分拣机器人的智能监测预警程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图中仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图中示出的结构并不构成对所述电子设备的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备中的所述存储器11存储的物流分拣机器人的智能监测预警程序是多个指令的组合,在所述处理器10中运行时,可以实现:
获取预设的物流分拣机器人中多个物流物品的物品信息和每个物流物品对应的物品类别,根据所述物品信息构建每个物流物品的信息画像;
逐个从多个所述物流物品中选取其中一个物流物品为目标物品,对所述目标物品的信息画像进行数据分块处理,得到多个画像数据块;
分别提取每个所述画像数据块的数据特征,并根据所有画像数据块的数据特征构建所述目标物品的物品特征矩阵;
根据预设的多级分类表构建分类决策树,利用所述分类决策树对所述物品特征矩阵进行分类决策,得到所述目标物品的分拣类别;
计算每个物流物品对应的所述分拣类别与所述物品类别之间的单个偏差,并根据所述单个偏差计算所有物流物品的平均偏差;
获取所述单个偏差大于预设偏差阈值的物流物品在所述分类决策树内的决策逻辑路径,根据所述决策逻辑路径计算得到路径误差;
根据所述平均偏差和所述路径误差计算预警分值,并在所述预警分值大于预设数值时,进行分拣错误预警。
具体地,所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取预设的物流分拣机器人中多个物流物品的物品信息和每个物流物品对应的物品类别,根据所述物品信息构建每个物流物品的信息画像;
逐个从多个所述物流物品中选取其中一个物流物品为目标物品,对所述目标物品的信息画像进行数据分块处理,得到多个画像数据块;
分别提取每个所述画像数据块的数据特征,并根据所有画像数据块的数据特征构建所述目标物品的物品特征矩阵;
根据预设的多级分类表构建分类决策树,利用所述分类决策树对所述物品特征矩阵进行分类决策,得到所述目标物品的分拣类别;
计算每个物流物品对应的所述分拣类别与所述物品类别之间的单个偏差,并根据所述单个偏差计算所有物流物品的平均偏差;
获取所述单个偏差大于预设偏差阈值的物流物品在所述分类决策树内的决策逻辑路径,根据所述决策逻辑路径计算得到路径误差;
根据所述平均偏差和所述路径误差计算预警分值,并在所述预警分值大于预设数值时,进行分拣错误预警。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本级别的分类的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。***权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (9)
1.一种物流分拣机器人的智能监测预警方法,其特征在于,所述方法包括:
获取预设的物流分拣机器人中多个物流物品的物品信息和每个物流物品对应的物品类别,从所述多个物流物品中逐个选取其中一个物流物品的物品信息为目标信息,对所述目标信息进行核心语义提取,得到信息语义,对所述核心语义进行向量转换,得到语义向量,将所有物品信息对应的语义向量拼接为信息画像;
逐个从多个所述物流物品中选取其中一个物流物品为目标物品,对所述目标物品的信息画像进行数据分块处理,得到多个画像数据块;
分别提取每个所述画像数据块的数据特征,并根据所有画像数据块的数据特征构建所述目标物品的物品特征矩阵;
根据预设的多级分类表构建分类决策树,利用所述分类决策树对所述物品特征矩阵进行分类决策,得到所述目标物品的分拣类别;
计算每个物流物品对应的所述分拣类别与所述物品类别之间的单个偏差,并根据所述单个偏差计算所有物流物品的平均偏差;
获取所述单个偏差大于预设偏差阈值的物流物品在所述分类决策树内的决策逻辑路径,根据所述决策逻辑路径计算得到路径误差;
根据所述平均偏差和所述路径误差计算预警分值,并在所述预警分值大于预设数值时,进行分拣错误预警。
2.如权利要求1所述的物流分拣机器人的智能监测预警方法,其特征在于,所述分别提取每个所述画像数据块的数据特征,包括:
按照预设数量对所述画像数据块中的数据进行多次随机采样,得到所述画像数据块的多个子集数据块;
利用预先训练的深度神经网络分别提取出所述多个子集数据块中每一个子集数据块的特征数据;
统计所述特征数据中每一个数据的出现频率,选取所述出现频率大于预设频率阈值的特征数据为所述画像数据块的数据特征。
3.如权利要求2所述的物流分拣机器人的智能监测预警方法,其特征在于,所述按照预设数量对所述画像数据块中的数据进行多次随机采样,得到所述画像数据块的多个子集数据块,包括:
按照预设数量对所述画像数据块中的数据进行随机采样,并将采样得到的元汇集为所述画像数据块的子集数据块;
判断所述子集数据块的数量是否等于预设阈值;
若所述子集数据块的数量不等于预设阈值,则返回按照预设数量对所述画像数据块中的数据进行随机采样的步骤;
若所述子集数据块的数量等于预设数量,则将所有子集数据块汇集为所述画像数据块的多个子集数据块。
4.如权利要求2所述的物流分拣机器人的智能监测预警方法,其特征在于,所述利用预先训练的深度神经网络分别提取出所述多个子集数据块中每一个子集数据块的特征数据,包括:
从所述多个子集数据块中逐个选取其中一个矩阵为目标矩阵;
利用预先训练的深度神经网络将所述目标矩阵中的每一个数据进行特征描述,得到数据特征;
利用预设的激活函数计算每一个数据的数据特征的特征值;
选取所述特征值大于预设特征阈值的数据特征对应的数据为所述目标矩阵的特征数据。
5.如权利要求1所述的物流分拣机器人的智能监测预警方法,其特征在于,所述根据预设的多级分类表构建分类决策树,包括:
从所述多级分类表中逐个选取其中一个物品的多级分类,并从被选取的物品的多级分类中逐个选取其中一个级别的分类为目标类别;
将所述目标类别作为参数对预设的决策函数进行赋值,并利用赋值后的决策函数作为决策条件,生成决策树;
汇集所述被选取的物品的所有多级分类生成的决策树为所述被选取的物品的决策树,以及汇集所述多级分类表中每一个物品的决策树为分类决策树。
6.如权利要求1至5中任一项所述的物流分拣机器人的智能监测预警方法,其特征在于,所述根据所述决策逻辑路径计算得到路径误差,包括:
将所述决策逻辑路径进行可视化处理,得到可视化路径;
将所述可视化路径发送至预设用户,获取所述预设用户根据所述可视化路径返回的路径错误标注点;
根据所述路径错误标注点将所述决策逻辑路径划分为错误路径部分与正确路径部分;
利用所述错误路径部分的路径长度除以所述正确路径部分的路径长度,得到所述路径误差。
7.一种物流分拣机器人的智能监测预警装置,其特征在于,所述装置包括:
画像构建模块,用于获取预设的物流分拣机器人中多个物流物品的物品信息和每个物流物品对应的物品类别,从所述多个物流物品中逐个选取其中一个物流物品的物品信息为目标信息,对所述目标信息进行核心语义提取,得到信息语义,对所述核心语义进行向量转换,得到语义向量,将所有物品信息对应的语义向量拼接为信息画像;
数据分析模块,用于逐个从多个所述物流物品中选取其中一个物流物品为目标物品,对所述目标物品的信息画像进行数据分块处理,得到多个画像数据块,分别提取每个所述画像数据块的数据特征,并根据所有画像数据块的数据特征构建所述目标物品的物品特征矩阵;
分类决策模块,用于根据预设的多级分类表构建分类决策树,利用所述分类决策树对所述物品特征矩阵进行分类决策,得到所述目标物品的分拣类别;
误差分析模块,用于计算每个物流物品对应的所述分拣类别与所述物品类别之间的单个偏差,并根据所述单个偏差计算所有物流物品的平均偏差,获取所述单个偏差大于预设偏差阈值的物流物品在所述分类决策树内的决策逻辑路径,根据所述决策逻辑路径计算得到路径误差;
错误预警模块,用于根据所述平均偏差和所述路径误差计算预警分值,并在所述预警分值大于预设数值时,进行分拣错误预警。
8.一种电子设备,其特征在于,所述电子设备包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至6中任意一项所述的物流分拣机器人的智能监测预警方法。
9.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6中任意一项所述的物流分拣机器人的智能监测预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210004043.1A CN114418489B (zh) | 2022-01-04 | 2022-01-04 | 物流分拣机器人的智能监测预警方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210004043.1A CN114418489B (zh) | 2022-01-04 | 2022-01-04 | 物流分拣机器人的智能监测预警方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114418489A CN114418489A (zh) | 2022-04-29 |
CN114418489B true CN114418489B (zh) | 2023-04-07 |
Family
ID=81272043
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210004043.1A Active CN114418489B (zh) | 2022-01-04 | 2022-01-04 | 物流分拣机器人的智能监测预警方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114418489B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114769072A (zh) * | 2022-06-16 | 2022-07-22 | 深圳徕科技术有限公司 | 高速喷射阀控制方法、装置、电子设备及存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6539360B1 (en) * | 1999-02-05 | 2003-03-25 | United Parcel Service Of America, Inc. | Special handling processing in a package transportation system |
US20180000428A1 (en) * | 2016-05-18 | 2018-01-04 | Massachusetts Institute Of Technology | Methods and Systems for Pre-Symptomatic Detection of Exposure to an Agent |
CN111582796B (zh) * | 2020-05-08 | 2021-05-14 | 国家***邮政业安全中心 | 一种基于图像识别的快递监控***及方法 |
CN113021341B (zh) * | 2021-03-18 | 2022-04-19 | 周宗平 | 一种基于5g的物品识别和自动转移运输的机器人 |
CN113499996B (zh) * | 2021-07-13 | 2023-01-13 | 广州哆啦科技有限公司 | 一种基于机器视觉的商品包裹智能分拣方法、***及计算机存储介质 |
CN113759917A (zh) * | 2021-09-09 | 2021-12-07 | 王海卫 | 一种基于云计算的智慧物流分拣*** |
-
2022
- 2022-01-04 CN CN202210004043.1A patent/CN114418489B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114418489A (zh) | 2022-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112883190A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN108241867B (zh) | 一种分类方法及装置 | |
CN113157927A (zh) | 文本分类方法、装置、电子设备及可读存储介质 | |
CN116186594B (zh) | 基于决策网络结合大数据实现环境变化趋势智能检测方法 | |
CN113961473A (zh) | 数据测试方法、装置、电子设备及计算机可读存储介质 | |
CN112528616A (zh) | 业务表单生成方法、装置、电子设备及计算机存储介质 | |
CN113626607A (zh) | 异常工单识别方法、装置、电子设备及可读存储介质 | |
CN110276382A (zh) | 基于谱聚类的人群分类方法、装置及介质 | |
CN113268665A (zh) | 基于随机森林的信息推荐方法、装置、设备及存储介质 | |
CN115081025A (zh) | 基于数字中台的敏感数据管理方法、装置及电子设备 | |
CN114418489B (zh) | 物流分拣机器人的智能监测预警方法、装置、设备及介质 | |
CN114612194A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
CN114781832A (zh) | 课程推荐方法、装置、电子设备及存储介质 | |
CN115018588A (zh) | 产品推荐方法、装置、电子设备及可读存储介质 | |
CN115062200A (zh) | 基于人工智能的用户行为挖掘方法及*** | |
CN113806492A (zh) | 基于语义识别的记录生成方法、装置、设备及存储介质 | |
CN113343306A (zh) | 基于差分隐私的数据查询方法、装置、设备及存储介质 | |
CN113435308A (zh) | 文本多标签分类方法、装置、设备及存储介质 | |
CN112579781A (zh) | 文本归类方法、装置、电子设备及介质 | |
CN117155771A (zh) | 一种基于工业物联网的设备集群故障溯源方法及装置 | |
CN112269875A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN113705201B (zh) | 基于文本的事件概率预测评估算法、电子设备及存储介质 | |
CN113656559B (zh) | 一种基于计量平台的数据分析方法、装置及电子设备 | |
CN115221274A (zh) | 文本情感分类方法、装置、电子设备及存储介质 | |
CN113706019A (zh) | 基于多维数据的业务能力分析方法、装置、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |