[发明专利]物流车辆分类预测方法、装置、设备及存储介质

说明书

本发明涉及物流技术领域，公开了一种物流车辆分类预测方法、装置、设备及存储介质，用于提高物流车辆分类预测的准确率，并提高物流车辆停靠站台的效率。物流车辆分类预测方法包括：获取物流车辆的训练图像数据集；采用预设的imagenet数据集对初始Resnet50网络模型进行预训练，得到resnet50网络模型文件；按照resnet50网络模型文件和训练图像数据集依次进行模型改进和微调训练，得到已训练的resnet50网络模型，已训练的resnet50网络模型包括卷积网络层、全局平均池化层和紧密连接层；获取物流车辆图像的测试图像数据集，并采用已训练的resnet50网络模型对测试图像数据集进行预测，得到预测结果集，预测结果集用于指示多个目标物流车辆是否已停靠站台。

技术领域

本发明涉及物流技术领域，尤其涉及一种物流车辆分类预测方法、装置、设备及存储介质。

背景技术

物流是物品从供应地向接收地的实体流动过程中，根据实际需要，将运输、储存、装卸搬运、包装、流通加工、配送、信息处理等功能有机结合起来实现用户要求的过程。近年来随着物流行业的崛起与发展，越来越多的物流车辆服务于工作和生活中，因此需要对物流车辆进行高效停放与调度。

现有的物流仓库站台停车，采用对车辆站台中配送物资的物流车辆进行拍照监控，并分类预测，但是由于分类预测算法存在缺陷，导致分类预测准确率低，不利于物流车辆到站调度，并降低物流车辆停靠站台的效率低。

发明内容

本发明的主要目的在于解决已有的分类预测算法存在不准确的情况，导致分类预测准确率低和物流车辆停靠站台的效率低的问题。

本发明第一方面提供了一种物流车辆分类预测方法，包括：获取物流车辆的训练图像数据集，所述训练图像数据集包括物流车辆已停靠站台的图像数据集和物流车辆未停靠站台的图像数据集；采用预设的imagenet数据集对初始resnet50网络模型进行预训练，得到resnet50网络模型文件；按照所述resnet50网络模型文件和所述训练图像数据集依次进行模型改进和微调训练，得到已训练的resnet50网络模型，所述已训练的resnet50网络模型包括卷积网络层、全局平均池化层和紧密连接层；获取物流车辆图像的测试图像数据集，并采用所述已训练的resnet50网络模型对所述测试图像数据集进行预测，得到预测结果集，所述预测结果集用于指示多个目标物流车辆是否已停靠站台。

可选的，在本发明第一方面的第一种实现方式中，所述获取物流车辆的训练图像数据集，所述训练图像数据集包括物流车辆已停靠站台的图像数据集和物流车辆未停靠站台的图像数据集，包括：在预设的物流车辆到站场景中采集源图像数据集；对所述源图像数据集进行图像处理，得到已处理的图像数据集；从所述已处理的图像数据集中筛选预设数量的初始图像数据集；采用预设标注框对所述预设数量的初始图像数据集进行标记处理，得到物流车辆的训练图像数据集，所述训练图像数据集包括物流车辆已停靠站台的图像数据集和物流车辆未停靠站台的图像数据集。

可选的，在本发明第一方面的第二种实现方式中，所述采用预设的imagenet数据集对初始resnet50网络模型进行预训练，得到resnet50网络模型文件，包括：获取预设的imagenet数据集，并将所述预设的imagenet数据集输入至初始resnet50网络模型中；调整所述初始resnet50网络模型中的各网络参数，直至模型训练误差下降到预设阈值以下时，停止训练，得到残差网络模型结构和初始网络参数；将所述残差网络模型结构和所述初始网络参数写入到resnet50网络模型文件，并将所述resnet50网络模型文件存储到预设文件路径下。