[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

说明书

本发明涉及物流领域，公开了分拨中心流水线状态识别方法、装置、设备及存储介质，该方法用于通过流水线状态识别模型得出流水线的状态，且在识别到流水线状态为暂停运作状态后，可发出告警，通知管理员及时查看，从而能够第一时间进行处理，有利于提高分拨中心的效率。该方法包括：获取样本数据，并基于样本数据制作样本数据集；对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；读取训练数据和验证数据列表中的训练数据对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，并将原始监控视频输入流水线状态识别模型，输出流水线状态。

技术领域

本发明涉及物流技术领域，尤其涉及一种分拨中心流水线状态识别方法、装置、设备及存储介质。

背景技术

分拨中心是物流行业运作的经济活动组织，换个角度来说，它又是集加工、理货、送货等多种职能于一体的物流据点。分拨中心的服务对象是为数众多的生产企业和商业网点。分拨中心的作用是按照用户的要求，及时将各种已经配装好的货物送交到用户手中，满足生产和消费的需要。分拨中心的流水线设备在临时运转工作中，多少都会出现损坏或是停止运转的情况，遇到这种情况，通常会对那些由于损坏造成设备无法正常工作而进行修复，没有智能监控的情况下流水线损坏或是停止运转并不能第一时间处理，影响分拨中心的效率。

发明内容

本发明提供了一种分拨中心流水线状态识别方法、装置、设备及存储介质，用于通过流水线状态识别模型得出流水线的状态，且在识别到流水线状态为暂停运作状态后，可发出告警，通知管理员及时查看，从而能够第一时间进行处理，有利于提高分拨中心的效率。

本发明第一方面提供了一种分拨中心流水线状态识别方法，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。

可选的，在本发明第一方面的第一种实现方式中，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。

可选的，在本发明第一方面的第二种实现方式中，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。

可选的，在本发明第一方面的第三种实现方式中，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。

可选的，在本发明第一方面的第四种实现方式中，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。