CN114742503A - 一种基于深度学习的智慧物流拼车方法和装置 - Google Patents

一种基于深度学习的智慧物流拼车方法和装置 Download PDF

Info

Publication number
CN114742503A
CN114742503A CN202210390740.5A CN202210390740A CN114742503A CN 114742503 A CN114742503 A CN 114742503A CN 202210390740 A CN202210390740 A CN 202210390740A CN 114742503 A CN114742503 A CN 114742503A
Authority
CN
China
Prior art keywords
goods
cargo
confusion
list
image
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.)
Granted
Application number
CN202210390740.5A
Other languages
English (en)
Other versions
CN114742503B (zh
Inventor
许旭然
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Yalian Supply Chain Management Group Co ltd
Original Assignee
Guangzhou Huisuan New Generation Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Huisuan New Generation Information Technology Co ltd filed Critical Guangzhou Huisuan New Generation Information Technology Co ltd
Priority to CN202210390740.5A priority Critical patent/CN114742503B/zh
Publication of CN114742503A publication Critical patent/CN114742503A/zh
Application granted granted Critical
Publication of CN114742503B publication Critical patent/CN114742503B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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"
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于深度学习的智慧物流拼车方法和装置，包括获取等待拼车货物列表，训练货物组合事故预测模型，所述第一货物与所述第二货物的拼车组合，拍摄所述第一货物上货后的图像作为第一图像，拍摄所述第二货物卸货后的图像作为第二图像，计算所述第一图像以及所述第二图像的所有差异矩阵以及其坐标位置，确定图像差异点集合，基于预设规则将所述图像差异点集合中的部分图像差异点列入混淆提醒列表，根据所述混淆提醒列表中货物的准点运输权重，向搬运员发送混淆验证提醒信息。本发明有效通过区块链以及深度学习技术进行拼车规划，提高混淆提醒模型准确率，提高了运输及时性准确性。

Description

一种基于深度学习的智慧物流拼车方法和装置
技术领域
本发明涉及智慧物流技术领域，具体为一种基于深度学习的智慧物流拼车方法和装置。
背景技术
目前已有的物流平台虽然能够找到适合配的车辆，但是货物的运输不单单只有整车运输，还会有很多货量较小的物流订单，导致在货物量较小时，车辆的装载率较低，空载率较高，进而导致物流公司的物流成本较高且物流订单处理效率较低。
拼车行为指的是，在运输过程中，将多目的地或多出发地的货物装载于同一车辆上进行运输的行为，现有的拼车解决方案，往往以牺牲物流服务质量为代价，节省运输成本，同时，因为多种货物共用同一货车，也容易导致货物混淆，从而将错误的货物卸货到了错误目的地，造成不必要的影响，如何进行货物拼车组合并降低货物运输出现的意外情况，是运输厂家急需解决的问题。
发明内容
针对上述至少一个技术问题，本发明的目的在于提供一种基于深度学习的智慧物流拼车方法和装置。
一方面，本发明实施例包括一种基于深度学习的智慧物流拼车方法，包括：
获取等待拼车货物列表，确定所述等待拼车货物列表中的货物信息，获取货车信息，货车车主在客户端根据所述等待拼车货物列表，选择需要运输的第一货物，根据所述第一货物的货物信息，以及所述货车信息，确定货车可运输剩余体积、货车可运输剩余重量；
获取历史拼车信息-事故发生情况表，统计历史拼车的货物组合情况，以及该货物组合情况下，道路运输长度、道路颠簸情况，运输加速度情况，发生事故的类型名称，以所述历史拼车信息-事故发生情况表、道路运输长度、道路颠簸情况作为特征值，所述发生事故的类型名称作为预测值，结合深度学习或机器学习分类算法，训练货物组合事故预测模型；
将与所述第一货物组成错误组合的货物在所述等待拼车货物列表中排除，根据货物总体积、货物重量、所述货车可运输剩余体积、货车可运输剩余重量、货物终点目的地、货物起始位置，筛选候选拼车货物列表，基于所述货物组合事故预测模型预测遍历所述候选拼车货物列表，将预测结果为无事故风险的货物信息录入无事故风险货物列表；基于所述无事故风险货物列表，选择所述第二货物；
根据所述第一货物以及所述第二货物进行拼车运输，布置所述第一货物与所述第二货物的放置位置；
统计历史拼车的货物组合情况，以及该货物组合情况下，道路运输长度、道路颠簸情况，运输加速度情况，货物发生混淆的距离，建立历史拼车信息-混淆距离表；
根据所述历史拼车信息-混淆距离表，确定货物混淆检测的roi距离等级，拍摄所述第一货物上货后的图像作为第一图像，拍摄所述第二货物卸货后的图像作为第二图像，计算所述第一图像以及所述第二图像的所有差异矩阵以及其坐标位置，确定图像差异点集合，根据所述图像差异点集合，获取所述第一货物的货物总高度与所述第二货物的货物总高度，计算货物高度差，基于预设规则将所述图像差异点集合中的部分图像差异点列入混淆提醒列表；
根据所述混淆提醒列表中货物的准点运输权重，结合搬运员能验证货物的最高个数，向搬运员发送混淆验证提醒信息。
优选的，所述获取等待拼车货物列表，确定所述等待拼车货物列表中的货物信息，获取货车信息，货车车主在客户端根据所述等待拼车货物列表，选择需要运输的第一货物，根据所述第一货物的货物信息，以及所述货车信息，确定货车可运输剩余体积、货车可运输剩余重量，包括：
所述等待拼车货物列表通过在货物运输中介网页收集采集获取，所述货物运输中介网页收纳有送货需求的货物信息，货物由一堆相同类型名称规格的单件货物组成；
所述货物信息包括：货物名称、货物重量、货物总体积、货物类型、货物起始位置、货物终点目的地、货物总高度、货物总长度、货物总个数、货物运输报酬、货物的准点运输权重、单件货物图像、单件货物宽度、单件货物高度、单件货物重量；
所述货物的准点运输权重是货物必须准点运输到达终点目的地的权重，通过***预设确定权重；
所述货物运输报酬是货车车主运输货物后，获得的报酬，通过网上交易平台进行记录设置；
获取货车信息，所述货车信息包括：货车可运输总体积、货车可运输总重量，货车车厢宽度；
所述根据所述第一货物的货物信息，以及所述货车信息，确定货车可运输剩余体积、货车可运输剩余重量，包括：将所述货车可运输总重量减去所述第一货物的货物信息的货物重量，得到所述货车可运输剩余重量；将所述货车可运输总体积，减去所述第一货物的货物信息的货物总体积，得到货车可运输剩余体积。
优选的，所述在服务器获取历史拼车信息-事故发生情况表，统计历史拼车的货物组合情况，以及该货物组合情况下，道路运输长度、道路颠簸情况，运输加速度情况，发生事故的类型名称，以所述历史拼车信息-事故发生情况表、道路运输长度、道路颠簸情况作为特征值，所述发生事故的类型名称作为预测值，结合深度学习或机器学习分类算法，训练货物组合事故预测模型，包括：
所述机器学习分类算法，包括：支持向量机(SVM)、朴素贝叶斯分类器、决策树；所述深度学习分类算法包括卷积神经网络分类算法；当机器学习训练数据量小于10000条时，选择机器学习分类算法，大于10000条时，选择深度学习分类算法；
所述历史拼车的货物组合情况是指该次拼车的两种拼车货物的货物信息；
所述发生事故的类型名称，包括：发生混淆、发生损坏、无事故风险；所述道路运输长度，包括：两种拼车货物共同运输的道路里程总数；所述道路颠簸情况，包括：结合震动传感器，检测道路颠簸超过阈值的次数，得到道路颠簸情况；
所述运输加速度情况，包括：通过加速度传感器，检测运输过程中加速度超过阈值的次数，得到运输加速度情况。
优选的，所述将与所述第一货物组成错误组合的货物在所述等待拼车货物列表中排除，根据货物总体积、货物重量、所述货车可运输剩余体积、货车可运输剩余重量、货物终点目的地、货物起始位置，筛选候选拼车货物列表，基于所述货物组合事故预测模型预测遍历所述候选拼车货物列表，将预测结果为无事故风险的货物信息录入无事故风险货物列表，基于所述无事故风险货物列表，选择所述第二货物，包括：
判断所述历史拼车信息-事故发生情况表的货物组合是否发生火灾、发生腐蚀，如果发生，将该货物组合列为错误组合；将与所述第一货物组成错误组合的货物排除在所述等待拼车货物列表之外；
在所述等待拼车货物列表中，选择货物总体积、货物重量小于所述货车可运输剩余体积、所述货车可运输剩余重量，货物终点目的地在所述第一货物的终点目的地之前，货物起始位置在所述第一货物的货物起始位置之后的货物列表，得到候选拼车货物列表；
遍历所述候选拼车货物列表，将其中的每一货物信息与所述第一货物进行临时货物组合，基于地图软件，获取该货物组合情况下，预计的道路运输长度、基于所述历史拼车信息-事故发生情况表，获取预计的道路运输长度情况下的预计道路颠簸情况，将所述临时货物组合的货物信息，预计的道路运输长度、预计道路颠簸情况输入所述货物组合事故预测模型，得到发生事故的类型名称的预测结果，如果预测结果为无事故风险，将该次遍历的货物信息录入无事故风险货物列表，遍历完成后得到所述无事故风险货物列表；
所述基于所述无事故风险货物列表，选择所述第二货物，包括：基于所述无事故风险货物列表，选择货物运输报酬最高的货物作为所述第二货物；
或
基于所述无事故风险货物列表，遍历其中的货物信息，根据货物的终点目的地与所述第一货物的终点目的地的距离，结合互联网运费价格，确定混淆货物后补发需要的运费价格作为货物补发价格；
在客户端展示所述无事故风险货物列表中每件货物的补发价格以及在所述货物组合事故预测模型中预测结果的置信度，推荐所述货物组合事故预测模型中预测结果的置信度高于预设第一阈值，且补发价格低于预设第二阈值的n件货物给所述货车车主选择，从而确认所述第二货物。
优选的，所述根据所述第一货物以及所述第二货物进行拼车运输，布置所述第一货物与所述第二货物的放置位置，包括：将所述第一货物放置于车厢内偏里侧，将所述第二货物放置于车厢内偏外测，在所述第一货物与所述第二货物之间设置一条货物间隙，以区分所述第一货物与所述第二货物，所述货物间隙必须大于所述第一货物及第二货物的单件货物宽度。
优选的，统计历史拼车的货物组合情况，以及该货物组合情况下，道路运输长度、道路颠簸情况，运输加速度情况，货物发生混淆的距离，建立历史拼车信息-混淆距离表，包括：
每次运输，搬运员在所述第二货物卸货结束后，检查所述第一货物是否混淆所述第二货物，通过扫描货物上的二维码判断是否是所述第二货物，如果属于所述第二货物，搬运员通过移动客户端输入该第二货物与所述货物间隙的距离，将该第二货物与该次货物间隙的距离以及该次运输的货物组合情况道路运输长度、道路颠簸情况、运输加速度情况上传到所述历史拼车信息-混淆距离表。
优选的，所述根据所述历史拼车信息-混淆距离表，确定货物混淆检测的roi距离等级，拍摄所述第一货物上货后的图像作为第一图像，拍摄所述第二货物卸货后的图像作为第二图像，计算所述第一图像以及所述第二图像的所有差异矩阵以及其坐标位置，确定图像差异点集合，具体包括：
根据所述历史拼车信息-混淆距离表，结合本次运输的货物组合情况下，道路运输长度、道路颠簸情况，运输加速度情况，与所述历史拼车信息-混淆距离表中的历史数据进行相似度计算，得到与本次运输相似度最高的一次运输的货物组合及其货物发生混淆的距离，从而确定货物混淆检测的roi距离等级；
所述本次运输相似度最高的一次运输的货物发生混淆的距离包括：货物发生混淆的平均距离、货物发生混淆的最远距离；
所述roi距离等级，包括：设置2个roi距离等级，第一roi距离等级及第二roi距离等级；将货物发生混淆的平均距离作为第一roi距离等级的长度，将货物发生混淆的最远距离作为第二roi距离等级的长度；所述第一roi距离等级及第二roi距离等级的宽度为货车车厢宽度；
所述roi距离等级的起始坐标为所述货物间隙的所在坐标；
再相同角度，拍摄所述第一货物上货后的图像作为第一图像，拍摄所述第二货物卸货后的图像作为第二图像，使用OpenCV，Python和 scikit-image技术结合结构相似性指数(SSIM)来计算所述第一图像以及所述第二图像的所有差异矩阵以及其坐标位置，从而确定图像差异点集合；
所述拍摄所述第二货物卸货后的图像，包括：当到达所述第二货物终点目的地时通过目标检测算法判断所述第二货物放置区域是否存在货物，如果不存在，判断为所述第二货物卸货结束；
所述第二货物放置区域坐标获取方法是，在拍摄的图片中，以所述货物间隙的所在坐标作为起始坐标，所述第二货物的货物总长度作为长度、货车车厢宽度作为宽度。
优选的，所述根据所述图像差异点集合，获取所述第一货物的货物总高度与所述第二货物的货物总高度，计算货物高度差，基于预设规则将所述图像差异点集合中的部分图像差异点列入混淆提醒列表，具体包括：
当所述货物高度差少于20cm或少于所述第一货物或所述第二货物的单件货物高度时，遍历所述图像差异点集合每个差异矩阵及其坐标位置，如果其中某个差异矩阵所在坐标位置在所述货物间隙区域范围中，通过图像分类算法计算该差异矩阵属于所述第一货物还是所述第二货物，如果属于所述第二货物，将该差异矩阵列入所述混淆提醒列表；
所述货物间隙区域获取方法是，在拍摄的图片中，以所述货物间隙的所在坐标作为起始坐标，所述货物间隙长度作为长度、货车车厢宽度作为宽度；
所述第一货物放置区域坐标获取方法是，在拍摄的图片中，以所述货车最里部所在坐标作为起始坐标，所述第一货物的货物总长度作为长度、货车车厢宽度作为宽度；
当所述货物高度差高于20cm或高于所述第一货物或所述第二货物的单件货物高度时，如果所述第一货物较高，遍历所述图像差异点集合每个差异矩阵及其坐标位置，如果其中某个差异矩阵所在坐标位置在所述第一货物放置区域范围中，通过目标检测算法，统计所述第二图片在所述第一货物放置区域范围中单件第一货物的个数，判断与所述第一图片在所述第一货物放置区域范围中单件第一货物的个数是否相同，如果相同，不进行提醒，如果不同，向后台发送混淆提醒信息，提醒所述第二货物可能混淆所述第一货物，将全部所述第二货物列入第二混淆提醒列表；如果该差异矩阵在所述货物间隙区域范围中，通过图像分类算法计算该差异矩阵属于所述第一货物还是所述第二货物，如果属于所述第二货物，将该差异矩阵列入所述混淆提醒列表；当所述货物高度差高于20cm或高于所述第一货物或所述第二货物的单件货物高度时，如果所述第二货物较高，遍历所述图像差异点集合每个差异矩阵及其坐标位置，如果其中某个差异矩阵所在坐标位置在所述第一货物放置区域范围中，通过图像分类算法计算该差异矩阵属于所述第一货物还是所述第二货物，如果属于所述第二货物，判断该差异矩阵所在roi距离等级，如果在所述第一roi距离等级且不在所述第二roi距离等级中，那么混淆可能性较高，将该差异矩阵列入所述混淆提醒列表，如果在所述第二roi距离等级中，那么混淆可能性较低，根据所述历史拼车信息-混淆距离表，计算表中是否存在与本次货物运输的货物组合，道路运输长度、道路颠簸情况，运输加速度情况，货物发生混淆的距离相似度超过第三阈值的数据，如果存在，将该差异矩阵列入所述混淆提醒列表。
优选的，所述根据所述混淆提醒列表中货物的准点运输权重，结合搬运员能验证货物的最高个数，向搬运员发送混淆验证提醒信息，包括：计算所述混淆提醒列表中货物的准点运输权重是否高于预设第四阈值，当高于预设第四阈值时，对所述混淆提醒列表中每一个货品都向搬运员发送混淆验证提醒信息，当低于预设第四阈值时，在***预设搬运员能验证货物的最高个数，将所述混淆提醒列表中每一个差异矩阵与所述第二货物的单件货物图像进行相似度计算，并根据相似度降序排序，取相似度最高的所述搬运员能验证货物的最高个数的差异矩阵，向搬运员发送混淆验证提醒信息。
另一方面，本发明实施例还包括一种计算机装置，包括存储器和处理器，所述存储器用于存储至少一个程序，所述处理器用于加载所述至少一个程序以执行实施例所述方法。
本发明的有益效果是：
1、所述获取历史拼车信息-事故发生情况表，统计历史拼车的货物组合情况，以及该货物组合情况下，道路运输长度、道路颠簸情况，运输加速度情况，发生事故的类型名称，以所述历史拼车信息-事故发生情况表、道路运输长度、道路颠簸情况作为特征值，所述发生事故的类型名称作为预测值，结合深度学习或机器学习分类算法，训练货物组合事故预测模型，可以在基于历史拼车信息-事故发生情况表训练货物组合事故预测模型，从而筛选货物组合，提高了货物组合推荐的准确率，在组合阶段减少后续混淆等事故的发生。
2、基于所述货物组合事故预测模型预测遍历所述候选拼车货物列表，将预测结果为无事故风险的货物信息录入无事故风险货物列表；基于所述无事故风险货物列表，选择所述第二货物，基于货物运输报酬以及事故风险推荐第二货物，减少了误运输的损失。
3、根据所述历史拼车信息-混淆距离表，确定货物混淆检测的roi 距离等级，拍摄所述第一货物上货后的图像作为第一图像，拍摄所述第二货物卸货后的图像作为第二图像，计算所述第一图像以及所述第二图像的所有差异矩阵以及其坐标位置，确定图像差异点集合，根据所述图像差异点集合，获取所述第一货物的货物总高度与所述第二货物的货物总高度，计算货物高度差，基于预设规则将所述图像差异点集合中的部分图像差异点列入混淆提醒列表，考虑货物高度差，在进行混淆提醒确认，提高了混淆提醒的准确率。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍。显而易见地，下面所描述的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例的一种基于深度学习的智慧物流拼车方法的流程示意图；
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在本申请的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本申请中，“示例性”一词用来表示“用作例子、例证或说明”。本申请中被描述为“示例性”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本申请，给出了以下描述。在以下描述中，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本申请。在其它实例中，不会对公知的结构和过程进行详细阐述，以避免不必要的细节使本申请的描述变得晦涩。因此，本申请并非旨在限于所示的实施例，而是与符合本申请所公开的原理和特征的最广范围相一致。
需要说明的是，本申请实施例方法由于是在电子设备中执行，各电子设备的处理对象均以数据或信息的形式存在，例如时间，实质为时间信息，可以理解的是，后续实施例中若提及尺寸、数量、位置等，均为对应的数据存在，以便电子设备进行处理，具体此处不作赘述。
s1：获取等待拼车货物列表，确定所述等待拼车货物列表中的货物信息，获取货车信息，货车车主在客户端根据所述等待拼车货物列表，选择需要运输的第一货物，根据所述第一货物的货物信息，以及所述货车信息，确定货车可运输剩余体积、货车可运输剩余重量；
所述等待拼车货物列表通过在货物运输中介网页收集采集获取，所述货物运输中介网页收纳有送货需求的货物信息，货物一般由一堆相同类型名称规格的单件货物组成，例如单件一袋50斤大米，共70 包，组成货物送入所述等待拼车货物列表；
所述货物信息包括：货物名称、货物重量、货物总体积、货物类型、货物起始位置、货物终点目的地、货物总高度、货物总长度、货物总个数、货物运输报酬、货物的准点运输权重、单件货物图像、单件货物宽度、单件货物高度、单件货物重量；
所述货物的准点运输权重是货物必须准点运输到达终点目的地的权重，权重越高，越需要准点运输到达终点目的地，通过***预设确定权重，其中，购买运输保险的货物，权重越高，保鲜度越低的货物，权重越高，权重值为1-100；
所述货物运输报酬是货车车主运输货物后，可以获得的报酬，通过网上交易平台进行记录设置；
获取货车信息，所述货车信息包括：货车可运输总体积、货车可运输总重量，货车车厢宽度；
所述根据所述第一货物的货物信息，以及所述货车信息，确定货车可运输剩余体积、货车可运输剩余重量，包括：将所述货车可运输总重量减去所述第一货物的货物信息的货物重量，得到所述货车可运输剩余重量；将所述货车可运输总体积，减去所述第一货物的货物信息的货物总体积，得到货车可运输剩余体积；
s2：在服务器获取历史拼车信息-事故发生情况表，统计历史拼车的货物组合情况，以及该货物组合情况下，道路运输长度、道路颠簸情况，运输加速度情况，发生事故的类型名称，以所述历史拼车信息-事故发生情况表、道路运输长度、道路颠簸情况作为特征值，所述发生事故的类型名称作为预测值，结合深度学习或机器学习分类算法，训练货物组合事故预测模型；
所述机器学习分类算法，包括：支持向量机(SVM)、朴素贝叶斯分类器、决策树；所述深度学习分类算法包括卷积神经网络分类算法；当机器学习训练数据量小于10000条时，选择机器学习分类算法，大于10000条时，选择深度学习分类算法；
所述历史拼车的货物组合情况是指该次拼车的两种拼车货物的货物信息；
所述发生事故的类型名称，包括：发生混淆、发生损坏、无事故风险；
所述道路运输长度，包括：两种拼车货物共同运输的道路里程总数；
所述道路颠簸情况，包括：结合震动传感器，检测道路颠簸超过阈值的次数，得到道路颠簸情况；
所述运输加速度情况，包括：通过加速度传感器，检测运输过程中加速度超过阈值的次数，得到运输加速度情况；
所述历史拼车信息-事故发生情况表在服务器后台中保存，记录了历史拼车的货物组合情况，以及该货物组合情况下，道路运输长度、道路颠簸情况，运输加速度情况，发生事故的类型名称；
s3：将与所述第一货物组成错误组合的货物在所述等待拼车货物列表中排除，根据货物总体积、货物重量、所述货车可运输剩余体积、货车可运输剩余重量、货物终点目的地、货物起始位置，筛选候选拼车货物列表，基于所述货物组合事故预测模型预测遍历所述候选拼车货物列表，将预测结果为无事故风险的货物信息录入无事故风险货物列表；基于所述无事故风险货物列表，选择所述第二货物，具体包括：
判断历史拼车信息-事故发生情况表的货物组合是否发生火灾、发生腐蚀，如果发生，将该货物组合列为错误组合；将与所述第一货物组成错误组合的货物排除在所述等待拼车货物列表之外；
在所述等待拼车货物列表中，选择货物总体积、货物重量小于所述货车可运输剩余体积、货车可运输剩余重量，货物终点目的地在所述第一货物的终点目的地之前，货物起始位置在所述第一货物的货物起始位置之后的货物列表，得到候选拼车货物列表；
遍历所述候选拼车货物列表，将其中的每一货物信息与所述第一货物进行临时货物组合，基于地图软件，获取该货物组合情况下，预计的道路运输长度、基于所述历史拼车信息-事故发生情况表，获取预计的道路运输长度情况下的预计道路颠簸情况，将所述临时货物组合的货物信息，预计的道路运输长度、预计道路颠簸情况输入所述货物组合事故预测模型，得到发生事故的类型名称的预测结果，如果预测结果为无事故风险，将该次遍历的货物信息录入无事故风险货物列表，遍历完成后得到所述无事故风险货物列表；
所述基于所述无事故风险货物列表，选择所述第二货物，包括：
基于所述无事故风险货物列表，选择货物运输报酬最高的货物作为所述第二货物；
或
基于所述无事故风险货物列表，遍历其中的货物信息，根据货物的终点目的地与所述第一货物的终点目的地的距离，结合互联网运费价格，确定混淆货物后补发需要的运费价格作为货物补发价格；
在客户端展示所述无事故风险货物列表中每件货物的补发价格以及在所述货物组合事故预测模型中预测结果的置信度，推荐所述货物组合事故预测模型中预测结果的置信度高于预设第一阈值，且补发价格低于预设第二阈值的n件货物给所述货车车主选择，从而确认所述第二货物；
所述第一阈值可以是0.6；
所述第二阈值可以是100元；
s4：根据所述第一货物以及所述第二货物进行拼车运输，布置所述第一货物与所述第二货物的放置位置；
布置所述第一货物与所述第二货物的放置位置，具体包括：将所述第一货物放置于车厢内偏里侧，将所述第二货物放置于车厢内偏外测，在所述第一货物与所述第二货物之间设置一条货物间隙，以区分所述第一货物与所述第二货物，所述货物间隙必须大于所述第一货物及第二货物的单件货物宽度；
S5：统计历史拼车的货物组合情况，以及该货物组合情况下，道路运输长度、道路颠簸情况，运输加速度情况，货物发生混淆的距离，建立历史拼车信息-混淆距离表，具体包括：每次运输，搬运员在第二货物卸货结束后，检查第一货物是否混淆第二货物，通过扫描货物上的二维码判断是否第二货物，如果属于第二货物，搬运员通过移动客户端输入该第二货物与所述货物间隙的距离，将该第二货物与该次货物间隙的距离以及该次运输的货物组合情况道路运输长度、道路颠簸情况、运输加速度情况上传到所述历史拼车信息-混淆距离表；
S6：根据所述历史拼车信息-混淆距离表，确定货物混淆检测的 roi距离等级，拍摄所述第一货物上货后的图像作为第一图像，拍摄所述第二货物卸货后的图像作为第二图像，计算所述第一图像以及所述第二图像的所有差异矩阵以及其坐标位置，确定图像差异点集合，根据所述图像差异点集合，获取所述第一货物的货物总高度与所述第二货物的货物总高度，计算货物高度差，基于预设规则将所述图像差异点集合中的部分图像差异点列入混淆提醒列表，具体包括：
根据所述历史拼车信息-混淆距离表，结合本次运输的货物组合情况下，道路运输长度、道路颠簸情况，运输加速度情况，与所述历史拼车信息-混淆距离表中的历史数据进行相似度计算，得到与本次运输相似度最高的一次运输的货物组合及其货物发生混淆的距离，从而确定货物混淆检测的roi距离等级；
所述本次运输相似度最高的一次运输的货物发生混淆的距离包括：货物发生混淆的平均距离、货物发生混淆的最远距离；
所述roi距离等级，包括：设置2个roi距离等级，第一roi距离等级及第二roi距离等级；将货物发生混淆的平均距离作为第一roi 距离等级的长度，将货物发生混淆的最远距离作为第二roi距离等级的长度；所述第一roi距离等级及第二roi距离等级的宽度为货车车厢宽度；
所述roi距离等级的起始坐标为所述货物间隙的所在坐标；
所述roi距离等级用于辅助目标检测算法及图像差异点检测的 roi区域判断；
再相同角度，拍摄所述第一货物上货后的图像作为第一图像，拍摄所述第二货物卸货后的图像作为第二图像，使用OpenCV，Python 和scikit-image技术结合结构相似性指数(SSIM)来计算所述第一图像以及所述第二图像的所有差异矩阵以及其坐标位置，从而确定图像差异点集合；
所述拍摄所述第二货物卸货后的图像，包括：当到达所述第二货物终点目的地时通过目标检测算法判断所述第二货物放置区域是否存在货物，如果不存在，判断为所述第二货物卸货结束；
所述第二货物放置区域坐标获取方法是，在拍摄的图片中，以所述货物间隙的所在坐标作为起始坐标，所述第二货物的货物总长度作为长度、货车车厢宽度作为宽度；
根据所述图像差异点集合，获取所述第一货物的货物总高度与所述第二货物的货物总高度，计算货物高度差，基于预设规则将所述图像差异点集合中的部分图像差异点列入混淆提醒列表，具体包括：
当所述货物高度差少于20cm或少于所述第一货物或所述第二货物的单件货物高度时，遍历所述图像差异点集合每个差异矩阵及其坐标位置，如果其中某个差异矩阵所在坐标位置在所述货物间隙区域范围中，通过图像分类算法计算该差异矩阵属于所述第一货物还是所述第二货物，如果属于所述第二货物，将该差异矩阵列入所述混淆提醒列表；
如果该差异矩阵在所述第一货物堆区域范围中，不做处理，因为所述货物高度差很小，所以不处理在这种高度差下的货物混淆，从而减少误判；
所述货物间隙区域获取方法是，在拍摄的图片中，以所述货物间隙的所在坐标作为起始坐标，所述货物间隙长度作为长度、货车车厢宽度作为宽度；
所述第一货物放置区域坐标获取方法是，在拍摄的图片中，以所述货车最里部所在坐标作为起始坐标，所述第一货物的货物总长度作为长度、货车车厢宽度作为宽度；
当所述货物高度差高于20cm或高于所述第一货物或所述第二货物的单件货物高度时，如果所述第一货物较高，那么货物混淆更多发生在所述第二货物以及所述货物间隙中，遍历所述图像差异点集合每个差异矩阵及其坐标位置，如果其中某个差异矩阵所在坐标位置在所述第一货物放置区域范围中，通过目标检测算法，统计所述第二图片在所述第一货物放置区域范围中单件第一货物的个数，判断与所述第一图片在所述第一货物放置区域范围中单件第一货物的个数是否相同，如果相同，不进行提醒，如果不同，向后台发送混淆提醒信息，提醒所述第二货物可能混淆所述第一货物，将全部所述第二货物列入第二混淆提醒列表；如果该差异矩阵在所述货物间隙区域范围中，通过图像分类算法计算该差异矩阵属于所述第一货物还是所述第二货物，如果属于所述第二货物，将该差异矩阵列入所述混淆提醒列表；
当所述货物高度差高于20cm或高于所述第一货物或所述第二货物的单件货物高度时，如果所述第二货物较高，那么货物混淆更多发生在所述第一货物以及所述货物间隙中，遍历所述图像差异点集合每个差异矩阵及其坐标位置，如果其中某个差异矩阵所在坐标位置在所述第一货物放置区域范围中，通过图像分类算法计算该差异矩阵属于所述第一货物还是所述第二货物，如果属于所述第二货物，判断该差异矩阵所在roi距离等级，如果在所述第一roi距离等级且不在所述第二roi距离等级中，那么混淆可能性较高，将该差异矩阵列入所述混淆提醒列表，如果在所述第二roi距离等级中，那么混淆可能性较低，根据所述历史拼车信息-混淆距离表，计算表中是否存在与本次货物运输的货物组合，道路运输长度、道路颠簸情况，运输加速度情况，货物发生混淆的距离相似度超过第三阈值的数据，如果存在，将该差异矩阵列入所述混淆提醒列表；
所述第三阈值可以是0.6；
S7：根据所述混淆提醒列表中货物的准点运输权重，结合搬运员能验证货物的最高个数，向搬运员发送混淆验证提醒信息，具体包括：
计算所述混淆提醒列表中货物的准点运输权重是否高于预设第四阈值，当高于预设第四阈值时，对所述混淆提醒列表中每一个货品都向搬运员发送混淆验证提醒信息，当低于预设第四阈值时，在***预设搬运员能验证货物的最高个数，将所述混淆提醒列表中每一个差异矩阵与所述第二货物的单件货物图像进行相似度计算，并根据相似度降序排序，取相似度最高的所述搬运员能验证货物的最高个数的差异矩阵，向搬运员发送混淆验证提醒信息；
所述在***预设搬运员能验证货物的最高个数，例如100件货物；
所述预设第四阈值可以是60；
所述混淆验证指，搬运员获取需要验证的差异矩阵坐标位置，找到对应货物，通过扫描货物上的二维码判断是否发生货物混淆；
通过计算所述混淆提醒列表中货物的准点运输权重是否高于预设第四阈值，当高于预设第四阈值时，对所述混淆提醒列表中每一个货品都向搬运员发送混淆验证提醒信息，可以避免不能混淆的货物发生混淆从而错过搬运时机，例如：某货物是水果食品，错误运输后，哪怕再次运输，也会导致腐烂，因此不可以出现错误运输的情况；
当低于预设第四阈值时，在***预设搬运员能验证货物的最高个数，将所述混淆提醒列表中每一个差异矩阵与所述第二货物的单件货物图像进行相似度计算，并根据相似度降序排序，取相似度最高的所述搬运员能验证货物的最高个数的差异矩阵，向搬运员发送混淆验证提醒信息，例如在***预设搬运员能验证货物的最高个数100件，避免搬运员需要挨个混淆验证，节省人力；
基于区块链技术，在货物运输结束后，进行溯源上链，包括，在区块链上，当所述混淆提醒列表中的货物没有全部被搬运员混淆验证时，标记所述第一货物中的全部单件货物为怀疑混淆货物。还包括，标记全部所述第二混淆提醒列表中的所述第二货物中的全部单件货物为怀疑混淆货物，以方便后续货物溯源。
本实施例中，一种计算机装置，包括存储器和处理器，所述存储器用于存储至少一个程序，所述处理器用于加载所述至少一个程序以执行实施例S1-S7中的一种基于深度学习的智慧物流拼车方法，实现与实施例所述的相同的技术效果。
需要说明的是，如无特殊说明，当某一特征被称为“固定”、“连接”在另一个特征，它可以直接固定、连接在另一个特征上，也可以间接地固定、连接在另一个特征上。此外，本公开中所使用的上、下、左、右等描述仅仅是相对于附图中本公开各组成部分的相互位置关系来说的。在本公开中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。此外，除非另有定义，本实施例所使用的所有的技术和科学术语与本技术领域的技术人员通常理解的含义相同。本实施例说明书中所使用的术语只是为了描述具体的实施例，而不是为了限制本发明。本实施例所使用的术语“和 /或”包括一个或多个相关的所列项目的任意的组合。
应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种元件，但这些元件不应限于这些术语。这些术语仅用来将同一类型的元件彼此区分开。例如，在不脱离本公开范围的情况下，第一元件也可以被称为第二元件，类似地，第二元件也可以被称为第一元件。本实施例所提供的任何以及所有实例或示例性语言(“例如”、“如”等)的使用仅意图更好地说明本发明的实施例，并且除非另外要求，否则不会对本发明的范围施加限制。
应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机***通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。
此外，可按任何合适的顺序来执行本实施例描述的过程的操作，除非本实施例另外指示或以其他方式明显地与上下文矛盾。本实施例描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机***的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM 等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本实施例所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。
计算机程序能够应用于输入数据以执行本实施例所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。
以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。在本发明的保护范围内其技术方案和/ 或实施方式可以有各种不同的修改和变化。

Claims (10)

1.一种基于深度学习的智慧物流拼车方法，其特征在于，包括：
获取等待拼车货物列表，确定所述等待拼车货物列表中的货物信息，获取货车信息，货车车主在客户端根据所述等待拼车货物列表，选择需要运输的第一货物，根据所述第一货物的货物信息，以及所述货车信息，确定货车可运输剩余体积、货车可运输剩余重量；
获取历史拼车信息-事故发生情况表，统计历史拼车的货物组合情况，以及该货物组合情况下，道路运输长度、道路颠簸情况，运输加速度情况，发生事故的类型名称，以所述历史拼车信息-事故发生情况表、道路运输长度、道路颠簸情况作为特征值，所述发生事故的类型名称作为预测值，结合深度学习或机器学习分类算法，训练货物组合事故预测模型；
将与所述第一货物组成错误组合的货物在所述等待拼车货物列表中排除，根据货物总体积、货物重量、所述货车可运输剩余体积、货车可运输剩余重量、货物终点目的地、货物起始位置，筛选候选拼车货物列表，基于所述货物组合事故预测模型预测遍历所述候选拼车货物列表，将预测结果为无事故风险的货物信息录入无事故风险货物列表；基于所述无事故风险货物列表，选择所述第二货物；
根据所述第一货物以及所述第二货物进行拼车运输，布置所述第一货物与所述第二货物的放置位置；
统计历史拼车的货物组合情况，以及该货物组合情况下，道路运输长度、道路颠簸情况，运输加速度情况，货物发生混淆的距离，建立历史拼车信息-混淆距离表；
根据所述历史拼车信息-混淆距离表，确定货物混淆检测的roi距离等级，拍摄所述第一货物上货后的图像作为第一图像，拍摄所述第二货物卸货后的图像作为第二图像，计算所述第一图像以及所述第二图像的所有差异矩阵以及其坐标位置，确定图像差异点集合，根据所述图像差异点集合，获取所述第一货物的货物总高度与所述第二货物的货物总高度，计算货物高度差，基于预设规则将所述图像差异点集合中的部分图像差异点列入混淆提醒列表；
根据所述混淆提醒列表中货物的准点运输权重，结合搬运员能验证货物的最高个数，向搬运员发送混淆验证提醒信息。
2.根据权利要求1所述的一种基于深度学习的智慧物流拼车方法，其特征在于：所述获取等待拼车货物列表，确定所述等待拼车货物列表中的货物信息，获取货车信息，货车车主在客户端根据所述等待拼车货物列表，选择需要运输的第一货物，根据所述第一货物的货物信息，以及所述货车信息，确定货车可运输剩余体积、货车可运输剩余重量，包括：
所述等待拼车货物列表通过在货物运输中介网页收集采集获取，所述货物运输中介网页收纳有送货需求的货物信息，货物由一堆相同类型名称规格的单件货物组成；
所述货物信息包括：货物名称、货物重量、货物总体积、货物类型、货物起始位置、货物终点目的地、货物总高度、货物总长度、货物总个数、货物运输报酬、货物的准点运输权重、单件货物图像、单件货物宽度、单件货物高度、单件货物重量；
所述货物的准点运输权重是货物必须准点运输到达终点目的地的权重，通过***预设确定权重；
所述货物运输报酬是货车车主运输货物后，获得的报酬，通过网上交易平台进行记录设置；
获取货车信息，所述货车信息包括：货车可运输总体积、货车可运输总重量，货车车厢宽度；
所述根据所述第一货物的货物信息，以及所述货车信息，确定货车可运输剩余体积、货车可运输剩余重量，包括：将所述货车可运输总重量减去所述第一货物的货物信息的货物重量，得到所述货车可运输剩余重量；将所述货车可运输总体积，减去所述第一货物的货物信息的货物总体积，得到货车可运输剩余体积。
3.根据权利要求1所述的一种基于深度学习的智慧物流拼车方法，其特征在于：所述在服务器获取历史拼车信息-事故发生情况表，统计历史拼车的货物组合情况，以及该货物组合情况下，道路运输长度、道路颠簸情况，运输加速度情况，发生事故的类型名称，以所述历史拼车信息-事故发生情况表、道路运输长度、道路颠簸情况作为特征值，所述发生事故的类型名称作为预测值，结合深度学习或机器学习分类算法，训练货物组合事故预测模型，包括：
所述机器学习分类算法，包括：支持向量机（SVM）、朴素贝叶斯分类器、决策树；所述深度学习分类算法包括卷积神经网络分类算法；当机器学习训练数据量小于10000条时，选择机器学习分类算法，大于10000条时，选择深度学习分类算法；
所述历史拼车的货物组合情况是指该次拼车的两种拼车货物的货物信息；
所述发生事故的类型名称，包括：发生混淆、发生损坏、无事故风险；
所述道路运输长度，包括：两种拼车货物共同运输的道路里程总数；
所述道路颠簸情况，包括：结合震动传感器，检测道路颠簸超过阈值的次数，得到道路颠簸情况；
所述运输加速度情况，包括：通过加速度传感器，检测运输过程中加速度超过阈值的次数，得到运输加速度情况。
4.根据权利要求1所述的一种基于深度学习的智慧物流拼车方法，其特征在于：所述将与所述第一货物组成错误组合的货物在所述等待拼车货物列表中排除，根据货物总体积、货物重量、所述货车可运输剩余体积、货车可运输剩余重量、货物终点目的地、货物起始位置，筛选候选拼车货物列表，基于所述货物组合事故预测模型预测遍历所述候选拼车货物列表，将预测结果为无事故风险的货物信息录入无事故风险货物列表，基于所述无事故风险货物列表，选择所述第二货物，包括：
判断所述历史拼车信息-事故发生情况表的货物组合是否发生火灾、发生腐蚀，如果发生，将该货物组合列为错误组合；将与所述第一货物组成错误组合的货物排除在所述等待拼车货物列表之外；
在所述等待拼车货物列表中，选择货物总体积、货物重量小于所述货车可运输剩余体积、所述货车可运输剩余重量，货物终点目的地在所述第一货物的终点目的地之前，货物起始位置在所述第一货物的货物起始位置之后的货物列表，得到候选拼车货物列表；
遍历所述候选拼车货物列表，将其中的每一货物信息与所述第一货物进行临时货物组合，基于地图软件，获取该货物组合情况下，预计的道路运输长度、基于所述历史拼车信息-事故发生情况表，获取预计的道路运输长度情况下的预计道路颠簸情况，将所述临时货物组合的货物信息，预计的道路运输长度、预计道路颠簸情况输入所述货物组合事故预测模型，得到发生事故的类型名称的预测结果，如果预测结果为无事故风险，将该次遍历的货物信息录入无事故风险货物列表，遍历完成后得到所述无事故风险货物列表；
所述基于所述无事故风险货物列表，选择所述第二货物，包括：
基于所述无事故风险货物列表，选择货物运输报酬最高的货物作为所述第二货物；
或
基于所述无事故风险货物列表，遍历其中的货物信息，根据货物的终点目的地与所述第一货物的终点目的地的距离，结合互联网运费价格，确定混淆货物后补发需要的运费价格作为货物补发价格；
在客户端展示所述无事故风险货物列表中每件货物的补发价格以及在所述货物组合事故预测模型中预测结果的置信度，推荐所述货物组合事故预测模型中预测结果的置信度高于预设第一阈值，且补发价格低于预设第二阈值的n件货物给所述货车车主选择，从而确认所述第二货物。
5.根据权利要求1所述的一种基于深度学习的智慧物流拼车方法，其特征在于：所述根据所述第一货物以及所述第二货物进行拼车运输，布置所述第一货物与所述第二货物的放置位置，包括：将所述第一货物放置于车厢内偏里侧，将所述第二货物放置于车厢内偏外测，在所述第一货物与所述第二货物之间设置一条货物间隙，以区分所述第一货物与所述第二货物，所述货物间隙必须大于所述第一货物及第二货物的单件货物宽度。
6.根据权利要求1所述的一种基于深度学习的智慧物流拼车方法，其特征在于：统计历史拼车的货物组合情况，以及该货物组合情况下，道路运输长度、道路颠簸情况，运输加速度情况，货物发生混淆的距离，建立历史拼车信息-混淆距离表，包括：
每次运输，搬运员在所述第二货物卸货结束后， 检查所述第一货物是否混淆所述第二货物，通过扫描货物上的二维码判断是否是所述第二货物，如果属于所述第二货物，搬运员通过移动客户端输入该第二货物与所述货物间隙的距离，将该第二货物与该次货物间隙的距离以及该次运输的货物组合情况道路运输长度、道路颠簸情况、运输加速度情况上传到所述历史拼车信息-混淆距离表。
7.根据权利要求1所述的一种基于深度学习的智慧物流拼车方法，其特征在于：所述根据所述历史拼车信息-混淆距离表，确定货物混淆检测的roi距离等级，拍摄所述第一货物上货后的图像作为第一图像，拍摄所述第二货物卸货后的图像作为第二图像，计算所述第一图像以及所述第二图像的所有差异矩阵以及其坐标位置，确定图像差异点集合，具体包括：
根据所述历史拼车信息-混淆距离表，结合本次运输的货物组合情况下，道路运输长度、道路颠簸情况，运输加速度情况，与所述历史拼车信息-混淆距离表中的历史数据进行相似度计算，得到与本次运输相似度最高的一次运输的货物组合及其货物发生混淆的距离，从而确定货物混淆检测的roi距离等级；
所述本次运输相似度最高的一次运输的货物发生混淆的距离包括：货物发生混淆的平均距离、货物发生混淆的最远距离；
所述roi距离等级，包括：设置2个roi距离等级，第一roi距离等级及第二roi距离等级；将货物发生混淆的平均距离作为第一roi距离等级的长度，将货物发生混淆的最远距离作为第二roi距离等级的长度；所述第一roi距离等级及第二roi距离等级的宽度为货车车厢宽度；
所述roi距离等级的起始坐标为所述货物间隙的所在坐标；
再相同角度，拍摄所述第一货物上货后的图像作为第一图像，拍摄所述第二货物卸货后的图像作为第二图像，使用OpenCV，Python和scikit-image技术结合结构相似性指数（SSIM）来计算所述第一图像以及所述第二图像的所有差异矩阵以及其坐标位置，从而确定图像差异点集合；
所述拍摄所述第二货物卸货后的图像，包括：当到达所述第二货物终点目的地时通过目标检测算法判断所述第二货物放置区域是否存在货物，如果不存在，判断为所述第二货物卸货结束；
所述第二货物放置区域坐标获取方法是，在拍摄的图片中，以所述货物间隙的所在坐标作为起始坐标，所述第二货物的货物总长度作为长度、货车车厢宽度作为宽度。
8.根据权利要求1所述的一种基于深度学习的智慧物流拼车方法，其特征在于：所述根据所述图像差异点集合，获取所述第一货物的货物总高度与所述第二货物的货物总高度，计算货物高度差，基于预设规则将所述图像差异点集合中的部分图像差异点列入混淆提醒列表，具体包括：
当所述货物高度差少于20cm或少于所述第一货物或所述第二货物的单件货物高度时，遍历所述图像差异点集合每个差异矩阵及其坐标位置，如果其中某个差异矩阵所在坐标位置在所述货物间隙区域范围中，通过图像分类算法计算该差异矩阵属于所述第一货物还是所述第二货物，如果属于所述第二货物，将该差异矩阵列入所述混淆提醒列表；
所述货物间隙区域获取方法是，在拍摄的图片中，以所述货物间隙的所在坐标作为起始坐标，所述货物间隙长度作为长度、货车车厢宽度作为宽度；
所述第一货物放置区域坐标获取方法是，在拍摄的图片中，以所述货车最里部所在坐标作为起始坐标，所述第一货物的货物总长度作为长度、货车车厢宽度作为宽度；
当所述货物高度差高于20cm或高于所述第一货物或所述第二货物的单件货物高度时，如果所述第一货物较高，遍历所述图像差异点集合每个差异矩阵及其坐标位置，如果其中某个差异矩阵所在坐标位置在所述第一货物放置区域范围中，通过目标检测算法，统计所述第二图片在所述第一货物放置区域范围中单件第一货物的个数，判断与所述第一图片在所述第一货物放置区域范围中单件第一货物的个数是否相同，如果相同，不进行提醒，如果不同，向后台发送混淆提醒信息，提醒所述第二货物可能混淆所述第一货物，将全部所述第二货物列入第二混淆提醒列表；如果该差异矩阵在所述货物间隙区域范围中，通过图像分类算法计算该差异矩阵属于所述第一货物还是所述第二货物，如果属于所述第二货物，将该差异矩阵列入所述混淆提醒列表；
当所述货物高度差高于20cm或高于所述第一货物或所述第二货物的单件货物高度时，如果所述第二货物较高，遍历所述图像差异点集合每个差异矩阵及其坐标位置，如果其中某个差异矩阵所在坐标位置在所述第一货物放置区域范围中，通过图像分类算法计算该差异矩阵属于所述第一货物还是所述第二货物，如果属于所述第二货物，判断该差异矩阵所在roi距离等级，如果在所述第一roi距离等级且不在所述第二roi距离等级中，那么混淆可能性较高，将该差异矩阵列入所述混淆提醒列表，如果在所述第二roi距离等级中，那么混淆可能性较低，根据所述历史拼车信息-混淆距离表，计算表中是否存在与本次货物运输的货物组合，道路运输长度、道路颠簸情况，运输加速度情况，货物发生混淆的距离相似度超过第三阈值的数据，如果存在，将该差异矩阵列入所述混淆提醒列表。
9.根据权利要求1所述的一种基于深度学习的智慧物流拼车方法，其特征在于：所述根据所述混淆提醒列表中货物的准点运输权重，结合搬运员能验证货物的最高个数，向搬运员发送混淆验证提醒信息，包括：
计算所述混淆提醒列表中货物的准点运输权重是否高于预设第四阈值，当高于预设第四阈值时，对所述混淆提醒列表中每一个货品都向搬运员发送混淆验证提醒信息，当低于预设第四阈值时，在***预设搬运员能验证货物的最高个数，将所述混淆提醒列表中每一个差异矩阵与所述第二货物的单件货物图像进行相似度计算，并根据相似度降序排序，取相似度最高的所述搬运员能验证货物的最高个数的差异矩阵，向搬运员发送混淆验证提醒信息。
10.一种计算机装置，其特征在于，包括存储器和处理器，所述存储器用于存储至少一个程序，所述处理器用于加载所述至少一个程序以执行权利要求1-9任一项所述方法。
CN202210390740.5A 2022-04-14 2022-04-14 一种基于深度学习的智慧物流拼车方法和装置 Active CN114742503B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210390740.5A CN114742503B (zh) 2022-04-14 2022-04-14 一种基于深度学习的智慧物流拼车方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210390740.5A CN114742503B (zh) 2022-04-14 2022-04-14 一种基于深度学习的智慧物流拼车方法和装置

Publications (2)

Publication Number Publication Date
CN114742503A true CN114742503A (zh) 2022-07-12
CN114742503B CN114742503B (zh) 2023-01-20

Family

ID=82281921

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210390740.5A Active CN114742503B (zh) 2022-04-14 2022-04-14 一种基于深度学习的智慧物流拼车方法和装置

Country Status (1)

Country Link
CN (1) CN114742503B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115545621A (zh) * 2022-11-25 2022-12-30 万联易达物流科技有限公司 一种精准拼柜提高运输收益的方法及装置

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003019425A1 (de) * 2001-08-23 2003-03-06 Tgw Transportgeräte Gmbh & Co.Kg Zwischenlager für identifizierte waren und verfahren zur weitergabe von bestellten waren
US20040220818A1 (en) * 2003-04-30 2004-11-04 International Business Machines Corporation Second site control of article transport processing
US20050119904A1 (en) * 2003-12-02 2005-06-02 Tissington A. R. Cargo handling security handling system and method
CN106485456A (zh) * 2016-10-28 2017-03-08 上海壹佰米网络科技有限公司 一种运输方法及导航方法
CN109685411A (zh) * 2018-11-16 2019-04-26 南京大学 一种物流货运平台的拼车匹配方法
WO2019136066A1 (en) * 2018-01-02 2019-07-11 Owl Cameras, Inc. Camera enhanced ride sharing
US20200132530A1 (en) * 2018-10-25 2020-04-30 Blackberry Limited Apparatus and method for verifying a shipping load
CN112163818A (zh) * 2020-10-21 2021-01-01 江苏满运软件科技有限公司 货物运输控制方法及装置、存储介质及电子设备
CN112639852A (zh) * 2018-08-27 2021-04-09 戴姆勒股份公司 用于运输工具货物管理的方法和***
US20220050473A1 (en) * 2018-09-21 2022-02-17 Starship Technologies Oü Method and system for modifying image data captured by mobile robots

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003019425A1 (de) * 2001-08-23 2003-03-06 Tgw Transportgeräte Gmbh & Co.Kg Zwischenlager für identifizierte waren und verfahren zur weitergabe von bestellten waren
US20040220818A1 (en) * 2003-04-30 2004-11-04 International Business Machines Corporation Second site control of article transport processing
US20050119904A1 (en) * 2003-12-02 2005-06-02 Tissington A. R. Cargo handling security handling system and method
CN106485456A (zh) * 2016-10-28 2017-03-08 上海壹佰米网络科技有限公司 一种运输方法及导航方法
WO2019136066A1 (en) * 2018-01-02 2019-07-11 Owl Cameras, Inc. Camera enhanced ride sharing
CN112639852A (zh) * 2018-08-27 2021-04-09 戴姆勒股份公司 用于运输工具货物管理的方法和***
US20220050473A1 (en) * 2018-09-21 2022-02-17 Starship Technologies Oü Method and system for modifying image data captured by mobile robots
US20200132530A1 (en) * 2018-10-25 2020-04-30 Blackberry Limited Apparatus and method for verifying a shipping load
CN109685411A (zh) * 2018-11-16 2019-04-26 南京大学 一种物流货运平台的拼车匹配方法
CN112163818A (zh) * 2020-10-21 2021-01-01 江苏满运软件科技有限公司 货物运输控制方法及装置、存储介质及电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
M. I. MALYSHEV等: "Artificial Neural Network Detection of Damaged Goods by Packaging State", 《2021 INTELLIGENT TECHNOLOGIES AND ELECTRONIC DEVICES IN VEHICLE AND ROAD TRANSPORT COMPLEX (TIRVED)》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115545621A (zh) * 2022-11-25 2022-12-30 万联易达物流科技有限公司 一种精准拼柜提高运输收益的方法及装置

Also Published As

Publication number Publication date
CN114742503B (zh) 2023-01-20

Similar Documents

Publication Publication Date Title
US9965739B2 (en) Systems and methods for freight tracking and monitoring
US9841314B2 (en) Systems and methods for freight tracking and monitoring
US20180194575A1 (en) Automatic truck loading and unloading system
US20150046298A1 (en) Method and system for monitoring deliveries
US20200394746A1 (en) Baggage transportation using autonomous vehicle
US11693935B2 (en) Automated authentication systems and methods including automated waste management system with automated weight ticket and authentication
US11461729B2 (en) Methods and systems for transportation dock management
CN114742503B (zh) 一种基于深度学习的智慧物流拼车方法和装置
CN114757623A (zh) 一种货运派单方法、装置、电子设备及存储介质
US20230114688A1 (en) Edge computing device and system for vehicle, container, railcar, trailer, and driver verification
CN113837688A (zh) 运输资源匹配方法、装置、可读存储介质和计算机设备
CN116772987A (zh) 货运车辆地磅检测方法、装置、***及存储介质
CN114596033A (zh) 一种基于深度学习的智慧物流规划监控方法及***
CN111736540B (zh) 货物分拣控制方法、装置、电子设备及存储介质
CN116433742A (zh) 搬运车辆违规判断方法、装置、电子设备及可读存储介质
NL1041965B1 (en) Processing consignments in a pick-up and delivery network on the basis of weight and volume Information
EP3258434A1 (en) Method and system for processing a request to transport a consignment
US20210073747A1 (en) Reuse material management apparatus, reuse material management system, and reuse material management method
US20230297953A1 (en) Devices, systems, and methods for freight logistics and asset management
KR102361722B1 (ko) 운송작업 관리 시스템
US20230376884A1 (en) Package location services and routing
Bierwirth et al. SmartAirCargoTrailer: Autonomous short distance transports in air cargo
JP2021157574A (ja) 配達支援システムおよび配達支援プログラム
CN115760272A (zh) 一种建材订单的处理方法、处理装置及计算机存介质
NL2020208A (en) Processing non-conveyable consignments in a pick-up and delivery network on the basis of weight and volume information

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230104

Address after: 014000 No. 22, Building 2, Panyu Community, Block 6, Gongyuan Road, Donghe District, Baotou, Inner Mongolia Autonomous Region

Applicant after: Wang Kaiyue

Address before: 510000 Building 1, No. 37, zhusigang Second Road, Nonglin street, Yuexiu District, Guangzhou City, Guangdong Province

Applicant before: Guangzhou Huisuan new generation information technology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230629

Address after: Room 602, Unit 3, Building 7, Shangang Xintiandi Plaza, No. 61, Gongye South Road, High tech Zone, Jinan City, Shandong Province, 250000

Patentee after: Jinshicheng Network Technology (Jinan) Co.,Ltd.

Address before: 014000 No. 22, Building 2, Panyu Community, Block 6, Gongyuan Road, Donghe District, Baotou, Inner Mongolia Autonomous Region

Patentee before: Wang Kaiyue

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230904

Address after: 250000 room 1107, 11th floor, zero logistics building, No. 117, Daqiao Road, Licheng District, Jinan City, Shandong Province

Patentee after: Shandong Yalian Supply Chain Management Group Co.,Ltd.

Address before: Room 602, Unit 3, Building 7, Shangang Xintiandi Plaza, No. 61, Gongye South Road, High tech Zone, Jinan City, Shandong Province, 250000

Patentee before: Jinshicheng Network Technology (Jinan) Co.,Ltd.