[发明专利]分拨中心流水线状态识别方法、装置、设备及存储介质

权利要求书

1.一种分拨中心流水线状态识别方法，其特征在于，所述分拨中心流水线状态识别方法包括：

获取样本数据，并基于所述样本数据制作样本数据集；

对所述样本数据集进行处理，生成训练数据和验证数据列表；

构建StNet网络模型；

读取所述训练数据和验证数据列表中的训练数据，并基于读取的训练数据对所述StNet网络模型进行训练，得到流水线状态识别模型；

定期从流水线的监控视频中抓取预设时长的原始监控视频，并将所述原始监控视频输入所述流水线状态识别模型，输出流水线状态。

2.根据权利要求1所述的分拨中心流水线状态识别方法，其特征在于，所述获取样本数据，并基于所述样本数据制作样本数据集，包括：

获取流水线的历史监控视频，按照预设时间间隔从所述流水线的历史监控视频抓取多段视频作为样本数据；

基于流水线状态对所述样本数据进行分类，得到正常运作状态的第一数据集和暂停运作状态的第二数据集，所述第一数据集和所述第二数据集构成样本数据集；

将所述第一数据集和所述第二数据集分别保存至不同的存储位置。

3.根据权利要求1所述的分拨中心流水线状态识别方法，其特征在于，所述对所述样本数据集进行处理，生成训练数据和验证数据列表，包括：

获取所述样本数据集中所有样本数据的路径和标签信息；

打乱所述样本数据集中的样本数据，并按照预先设定的训练数据和验证数据的比例计算训练数据的大小和验证数据的大小；

创建CSV表格，遍历所述训练数据并写入所述CSV表格，以及遍历所述验证数据并写入所述CSV表格，得到CSV样本文件；

将所述CSV样本文件转换为pkl样本文件，并根据所述pkl样本文件生成训练数据和验证数据列表。

4.根据权利要求1所述的分拨中心流水线状态识别方法，其特征在于，所述构建StNet网络模型，包括：

搭建StNet网络模型的基本架构，所述StNet网络模型包括至少2个卷积层、至少1个池化层、1个LSTM循环层和3个全连接层；

使用交叉熵损失函数作为所述StNet网络模型的损失函数；

确定所述StNet网络模型的数据增强方法为随机平移，构建所述StNet网络模型。

5.根据权利要求1所述的分拨中心流水线状态识别方法，其特征在于，所述读取所述训练数据和验证数据列表中的训练数据，并基于读取的训练数据对所述StNet网络模型进行训练，得到流水线状态识别模型，包括：

读取所述训练数据和验证数据列表中的训练数据；

基于读取的训练数据利用贝叶斯优化和K折交叉验证法确定所述StNet网络模型的最优超参数组合；

根据所述最优超参数组合更新所述StNet网络模型的超参数，得到流水线状态识别模型。

6.根据权利要求5所述的分拨中心流水线状态识别方法，其特征在于，所述基于读取的训练数据利用贝叶斯优化和K折交叉验证法确定所述StNet网络模型的最优超参数组合，包括：

将读取的训练数据以随机的方式分为K个子集，取其中一个子集作为验证集，剩下的子集作为训练集，并使用所述训练集对所述StNet网络模型拟合K次；

定义所有需要调整的超参数的搜索范围和步长，并定义高斯过程回归的先验概率；

随机生成一组初始超参数，并使用交叉验证法在训练集上训练StNet模型，并记录每个超参数组合的评价指标；

利用贝叶斯公式计算每个超参数的后验分布，并在后验分布中寻找最大化期望收益的点作为下一个超参数组合，重复迭代直至达到预定的迭代次数；

选取所有迭代中产生的模型中在验证集上表现最好的一组超参数组合，作为StNet模型的最优超参数组合。