[发明专利]物流车辆识别与引导方法、装置、设备及存储介质

说明书

本发明涉及一种物流车辆识别与引导方法、装置、设备及存储介质，包括：实时获取网点入口通道图像信息，通过密集网络(DenseNet)模型，判断是否有物流车辆进入网点；通过光学字符识别(OCR)模型，识别所述进入网点物流车辆车牌号码；根据识别的进入网点物流车辆车牌号码，获取车辆信息和货物信息；根据车辆信息和货物信息判断物流车辆待进入的货仓并进行引导提示，车辆根据提示信息进入相应的货仓。

技术领域

本发明涉及物流技术领域，具体涉及物流车辆识别与引导方法、装置、设备及存储介质。

背景技术

随着电商行业的迅速发展，物流行业成为了现代重要的服务业之一，也是国民经济的重要产业。近年来，我国物流行业保持快速发展，人们的生活与物流息息相关，全社会物流总额不断增加。为了能更好地服务客户，提升客户体验，提升物流效率是提升用户体验的重要参数之一。现有物流是否到达网点主要是依靠人工检查，耗费时间与人力，且效率较低。另外，现有网点的货仓因为分配不均匀的问题，导致车辆移动到已经满仓的货仓，而造成无法卸载货物，导致效率较低的问题，影响货物在网点的分拨时间。

发明内容

为解决上述问题，本发明的目的是提供物流车辆识别与引导方法、装置、设备及存储介质，该物流车辆识别与引导方法能够提高物流车辆到站检测的效率、提高卸载货物的效率、提高物流的效率，保障用户体验和行业竞争力。

一种物流车辆识别与引导方法，包括如下步骤：

实时获取网点入口通道图像信息，通过密集网络(DenseNet)模型，判断是否有物流车辆进入网点；

通过光学字符识别(OCR)模型，识别所述进入网点物流车辆车牌号码；

根据识别的进入网点物流车辆车牌号码，获取车辆信息和货物信息；

根据车辆信息和货物信息判断物流车辆待进入的货仓并进行引导提示，车辆根据提示信息进入相应的货仓。

在本发明一个实施例中，所述实时获取网点入口通道图像，通过DenseNet模型，判断是否有物流车辆进入网点前建立DenseNet模型的方法包括：

随机收集网点入口监控系统监控样本数据集，进行包括有车辆、无车辆和其他至少三个类型的分类，对每一个类别定义一个标签并分配存储空间；

将随机收集的样本数据集分为训练数据集、验证数据集和测试数据集；

搭建输入层、四层稠密块层(Dense Block层)、三层过渡层(Transition Layers层)及分类层的密集网络(DenseNet)模型；设定增长率为32，输入层设64个7×7的卷积，稠密块层(Dense Block)设4层，在稠密块层(Dense Block)之间设3层过渡层(TransitionLayers)，分类层设7×7的平均池化，1×1的卷积以及输出层(Softmax)；

所述输入层包括卷积层和最大池化层处理输入图像(Conv,MaxPool)，所述卷积层包括一个7×7的卷积，步长为2；所述最大池化层包括3×3的池化，步长为2；

所述稠密块层(Dense Block层)内设有多个密集块，各密集块之间输入和输出在通道维上连结，通道数增长率为K，若输入特征图的通道为K₀，则第L层通道数为K_L＝K₀+(L-1)K；

所述过渡层包括卷积层和池化层进行下采样；

所述密集网络是采用跨通道密集连接操作(concat)的形式拼接之前的所有特征，如公式(1)：

x_l＝H_l([x₀,x₁,…,x_l-1]) (1)