本發(fā)明涉及數(shù)據(jù)分析，具體是一種基于數(shù)據(jù)分析的物流異常過程識別系統(tǒng)及方法。

背景技術(shù)：

1、在物流行業(yè)蓬勃發(fā)展的當(dāng)下，物流過程的高效性與安全性至關(guān)重要。隨著物聯(lián)網(wǎng)、大數(shù)據(jù)及人工智能技術(shù)的深度融合，通過傳感器與圖像采集設(shè)備獲取物流過程中的數(shù)據(jù)，并對這些數(shù)據(jù)進(jìn)行分析以識別異常情況，成為保障物流順暢運行的關(guān)鍵手段。傳感器能夠?qū)崟r監(jiān)測物流集裝箱的各項物理參數(shù)，圖像采集設(shè)備則可直觀呈現(xiàn)物流場景，為物流狀態(tài)分析提供豐富信息。

2、然而，現(xiàn)有的物流異常識別技術(shù)在應(yīng)對物流集裝箱復(fù)雜狀況時暴露出諸多短板。在對物流集裝箱異常情況的監(jiān)測上，大多數(shù)現(xiàn)有方案僅側(cè)重于集裝箱表面易于察覺的部分。對于集裝箱底部等難以直接觀測的區(qū)域，往往缺乏有效的監(jiān)測手段，使得這部分區(qū)域成為異常監(jiān)測的盲點。當(dāng)集裝箱底部物品出現(xiàn)諸如磨損、變形等潛在安全隱患時，現(xiàn)有技術(shù)無法及時捕捉和預(yù)測這些異常情況，從而給物流運輸帶來嚴(yán)重的安全風(fēng)險。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于數(shù)據(jù)分析的物流異常過程識別系統(tǒng)及方法，以解決現(xiàn)有技術(shù)中提出的問題。

2、為實現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：一種基于數(shù)據(jù)分析的物流異常過程識別方法，該方法包括以下步驟：

3、步驟1、確定傳感器及圖像采集設(shè)備部署位置，以固定頻率采集傳感器和圖像數(shù)據(jù)，并進(jìn)行人工標(biāo)注；

4、步驟2、對傳感器數(shù)據(jù)進(jìn)行分析處理，結(jié)合標(biāo)注情況構(gòu)建分類模型；選取重要特征定位異?？臻g部分；

5、步驟3、根據(jù)異?？臻g部分獲取相應(yīng)的圖像數(shù)據(jù)，對圖像數(shù)據(jù)進(jìn)行分析處理，并結(jié)合標(biāo)注情況構(gòu)建圖像分類模型；

6、步驟4、對新數(shù)據(jù)進(jìn)行傳感器數(shù)據(jù)及圖像數(shù)據(jù)的預(yù)測分類，并根據(jù)不同情況進(jìn)行反饋。

7、在步驟1中，于物流集裝箱側(cè)面1、側(cè)面2、側(cè)面3、側(cè)面4、底面及頂面分別布置傳感器；

8、對于相對的側(cè)面1和側(cè)面3，均分為a×b個部分；其中，a、b均為正整數(shù)；a表示側(cè)面1與側(cè)面2或側(cè)面4相接的邊被均分為a份；b表示側(cè)面1與底面或頂面相接的邊被均分為b份；

9、對于相對的側(cè)面2和側(cè)面4，均分為a×c個部分；其中，c為正整數(shù)；c表示側(cè)面2與底面或頂面相接的邊被均分為c份；

10、對于底面和頂面，均分為b×c個部分；

11、集裝箱被分為a×b×c個空間部分，表示為k1～ka·b·c；

12、分別在集裝箱6個面的2(a×b+a×c+b×c)個部分部署復(fù)合傳感器組；

13、復(fù)合傳感器組表示為：[s1,s2,…,sd]；其中，d為正整數(shù)，表示傳感器種類數(shù)量；s1～sd分別表示第1～d種傳感器；

14、以固定頻率采集傳感器數(shù)據(jù)，采集時刻表示為：[t1,t2,…,te]；其中，e為正整數(shù)，表示采集數(shù)據(jù)的時刻數(shù)量；t1～te分別表示第1～e個傳感器數(shù)據(jù)采集時刻；

15、于集裝箱頂面布置a個圖像采集設(shè)備，結(jié)合圖像采集設(shè)備視角，覆蓋整個集裝箱，每個空間部分至少有兩個圖像采集設(shè)備覆蓋；

16、記錄每個圖像采集設(shè)備對應(yīng)覆蓋的空間部分；

17、圖像采集設(shè)備以傳感器數(shù)據(jù)采集相同頻率采集圖像；

18、將傳感器數(shù)據(jù)與圖像數(shù)據(jù)在時間上對齊；使用人工標(biāo)注，對每一時刻傳感器數(shù)據(jù)及圖像數(shù)據(jù)進(jìn)行人工分析，標(biāo)注正常狀態(tài)和異常分類；標(biāo)注異常分類表示為：[b1,b2,…,bf]；其中，f為正整數(shù)，表示異常分類數(shù)量；b1～bf分別表示第1～f種異常分類。

19、在步驟2中，對于傳感器數(shù)據(jù)，對不同時刻傳感器數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理；

20、提取ti時刻及ti-1時刻標(biāo)準(zhǔn)化后的傳感器數(shù)據(jù)，計算ti時刻與ti-1時刻傳感器數(shù)據(jù)梯度變化，表示為δci；計算異常時刻與前一刻傳感器數(shù)據(jù)的歐氏距離，表示為di；

21、其中，i為正整數(shù)，表示數(shù)據(jù)采集時刻序列；1＜i≤e；

22、以傳感器數(shù)據(jù)梯度變化δci、歐氏距離di作為特征，結(jié)合ti時刻的標(biāo)注構(gòu)建決策樹分類模型；δci由ti時刻及ti-1時刻2(a×b+a×c+b×c)·d個數(shù)據(jù)的梯度變化表示；di為ti時刻2(a×b+a×c+b×c)·d個數(shù)據(jù)與ti-1時刻2(a×b+a×c+b×c)·d個數(shù)據(jù)的歐氏距離；

23、計算每個特征在每次分裂時所帶來的信息增益，將一個特征在所有分裂節(jié)點上的信息增益進(jìn)行累加；從δci中選取累加值最高的前t個特征；其中，t為正整數(shù)，t≤[2(a×b+a×c+b×c)·d]；

24、對于標(biāo)注為異常分類的時刻tm，選取信息增益累加值最高的t個特征，定位其所在傳感器位置，進(jìn)一步定位異?？臻g部分；其中，m為正整數(shù)，表示任一標(biāo)注為異常分類的時刻序列；1＜m≤e。

25、在步驟3中，對于每個異?？臻g部分，篩選覆蓋該異常空間部分的j臺數(shù)據(jù)采集設(shè)備，當(dāng)數(shù)據(jù)采集設(shè)備采集圖像對應(yīng)異?？臻g部分未被遮擋時，基于深度學(xué)習(xí)分割和多視角3d重建分割異常空間部分，形成圖像集：[i1(tm),i2(tm),…,ij(tm),i1(tm-1),i2(tm-1),…,ij(tm-1)]；其中，j為正整數(shù)，表示數(shù)據(jù)采集設(shè)備數(shù)量；2≤j≤a；i1(tm)～ij(tm)分別表示在tm時刻覆蓋該異?？臻g部分的1～j臺數(shù)據(jù)采集設(shè)備采集并進(jìn)行分割后的圖像；

26、基于結(jié)構(gòu)相似度ssim分析異常是否可見：ssim(iu(tm),iu(tm-1))；當(dāng)任一ssim低于預(yù)設(shè)閾值時，認(rèn)為圖像存在變化，屬于可見異常；其中，u為正整數(shù)，表示圖像序列；1≤u≤j；

27、篩選出所有可見異常對應(yīng)時刻及上一時刻圖像，結(jié)合該時刻對應(yīng)的異常分類標(biāo)注構(gòu)建resnet圖像分類模型。

28、在步驟4中，對于新時刻te+1，計算te+1時刻與te時刻傳感器數(shù)據(jù)梯度變化δce+1和歐氏距離de+1；使用構(gòu)建的決策樹分類模型進(jìn)行分類預(yù)測；

29、當(dāng)分類預(yù)測為正常狀態(tài)時，不進(jìn)行預(yù)警；

30、當(dāng)分類預(yù)測為異常分類時，選取該次預(yù)測信息增益累加值最高的前t個特征，定位異?？臻g部分；對于每個異?？臻g部分，篩選覆蓋該異常空間部分的數(shù)據(jù)采集設(shè)備；

31、當(dāng)數(shù)據(jù)采集設(shè)備采集圖像對應(yīng)異?？臻g部分被遮擋時，將傳感器數(shù)據(jù)預(yù)測結(jié)果反饋給工作人員；

32、當(dāng)數(shù)據(jù)采集設(shè)備采集圖像對應(yīng)異?？臻g部分未被遮擋時，基于深度學(xué)習(xí)分割和多視角3d重建分割異?？臻g本部分；基于結(jié)構(gòu)相似度ssim分析異常是否可見；

33、當(dāng)所有ssim均不低于預(yù)設(shè)閾值時，認(rèn)為圖像不存在變化，屬于不可見異常，將傳感器數(shù)據(jù)預(yù)測結(jié)果反饋給工作人員；

34、當(dāng)任一ssim低于預(yù)設(shè)閾值時，認(rèn)為圖像存在變化，屬于可見異常；使用resnet圖像分類模型對新時刻異常分類進(jìn)行預(yù)測，并將預(yù)測結(jié)果反饋給工作人員。

35、一種基于數(shù)據(jù)分析的物流異常過程識別系統(tǒng)，該系統(tǒng)包括數(shù)據(jù)采集模塊、數(shù)據(jù)分析模塊、圖像分析模塊和預(yù)測反饋模塊；

36、所述數(shù)據(jù)采集模塊用于確定傳感器及圖像采集設(shè)備部署位置，以固定頻率采集傳感器和圖像數(shù)據(jù)，并進(jìn)行人工標(biāo)注；

37、所述數(shù)據(jù)分析模塊用于對傳感器數(shù)據(jù)進(jìn)行分析處理，結(jié)合標(biāo)注情況構(gòu)建分類模型；選取重要特征定位異?？臻g部分；

38、所述圖像分析模塊用于根據(jù)異?？臻g部分獲取相應(yīng)的圖像數(shù)據(jù)，對圖像數(shù)據(jù)進(jìn)行分析處理，并結(jié)合標(biāo)注情況構(gòu)建圖像分類模型；

39、所述預(yù)測反饋模塊用于對新數(shù)據(jù)進(jìn)行傳感器數(shù)據(jù)及圖像數(shù)據(jù)的預(yù)測分類，并根據(jù)不同情況進(jìn)行反饋。

40、所述數(shù)據(jù)采集模塊包括傳感器部署單元、圖像設(shè)備部署單元以及數(shù)據(jù)標(biāo)注單元；

41、所述傳感器部署單元用于在集裝箱6個面部署復(fù)合傳感器組，建立a×b×c空間部分劃分；

42、所述圖像設(shè)備部署單元用于在頂面布置a個攝像頭，確保每個空間部分被兩個攝像頭覆蓋；

43、所述數(shù)據(jù)標(biāo)注單元用于對齊傳感器與圖像數(shù)據(jù)，人工標(biāo)注正常和異常狀態(tài)及分類。

44、所述數(shù)據(jù)分析模塊包括數(shù)據(jù)預(yù)處理單元、特征提取單元以及異常定位單元；

45、所述數(shù)據(jù)預(yù)處理單元用于標(biāo)準(zhǔn)化傳感器數(shù)據(jù)并計算梯度變化δc和歐氏距離d；

46、所述特征提取單元用于用決策樹模型計算特征信息增益，篩選前t個關(guān)鍵特征；

47、所述異常定位單元用于根據(jù)關(guān)鍵特征定位異常發(fā)生的具體空間部分。

48、所述圖像分析模塊包括圖像篩選單元、圖像處理單元以及模型構(gòu)建單元；

49、所述圖像篩選單元用于根據(jù)異?？臻g部分篩選覆蓋該區(qū)域的攝像頭圖像；

50、所述圖像處理單元用于多視角3d重建分割異常區(qū)域，ssim分析異?？梢娦?；

51、所述模型構(gòu)建單元用于基于可見異常圖像構(gòu)建resnet分類模型。

52、所述預(yù)測反饋模塊包括預(yù)測分類單元、遮擋檢測單元以及結(jié)果反饋單元；

53、所述預(yù)測分類單元用于用決策樹模型預(yù)測新數(shù)據(jù)是否為異常；

54、所述遮擋檢測單元用于判斷異?？臻g是否被遮擋，調(diào)用ssim驗證可見性；

55、所述結(jié)果反饋單元用于結(jié)合傳感器和圖像預(yù)測結(jié)果，輸出預(yù)警或人工核查指令。

56、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：本發(fā)明在物流集裝箱的多個側(cè)面、底面及頂面布置復(fù)合傳感器組，且在頂面布置多個圖像采集設(shè)備，能全面采集物流過程中的數(shù)據(jù)，每個空間部分至少有兩個圖像采集設(shè)備覆蓋，確保無數(shù)據(jù)采集死角，為準(zhǔn)確識別異常提供豐富數(shù)據(jù)基礎(chǔ)；本發(fā)明通過計算傳感器數(shù)據(jù)梯度變化和歐氏距離，選取信息增益高的特征，能精準(zhǔn)定位異常所在傳感器位置及空間部分；本發(fā)明針對新數(shù)據(jù)能快速進(jìn)行預(yù)測分類，當(dāng)判斷為異常時，能根據(jù)不同情況迅速反饋給工作人員，無論是異?？臻g部分被遮擋，還是基于圖像分析確定為不可見異常或可見異常，都能及時將相關(guān)信息傳達(dá)給工作人員，便于其快速采取措施處理異常，減少物流損失。