钢材仓库的管理方法及管理装置、电子设备制造方法及图纸

本申请提出一种钢材仓库的管理方法及管理装置、电子设备，所述管理方法包括：利用终端摄像头获取钢材车辆出入库时的视频数据；利用所述视频数据确定需要进行数据分析的时间窗；利用预先训练的卷积神经网络模型和与所述时间窗对应的视频数据，确定所述钢材仓库所需的出入库数据，所述出入库数据包括钢材的数量。根据本申请的一些实施例，利用计算机视觉技术对货物进行盘点，在现有仓库管理系统的基础上，对货物进行辅助的管理与监管，减少了人工盘点次数，降低了时间成本和人力成本。降低了时间成本和人力成本。降低了时间成本和人力成本。

Management method, management device and electronic equipment of steel warehouse

【技术实现步骤摘要】
钢材仓库的管理方法及管理装置、电子设备


[0001]本申请涉及仓库管理领域，具体而言，涉及一种钢材仓库的管理方法及管理装置、电子设备。

技术介绍

[0002]在钢材仓库中，主要利用仓库管理系统来进行货物的各项业务操作。仓库管理系统可以独立进行使用，也可以与其他系统对接，以实现完整的物流管理。
[0003]目前，仓库管理系统还存在一些缺陷：比如，数据缺乏实时性及仓库货物需要盘点，人力成本高。
[0004]例如，当仓库计划入库一批货物时，现场在货物入库后并没有及时录入系统，造成实际货物已经入库，而在仓库管理系统中还是入库计划状态的情况。
[0005]又例如，需要监管人员定期去仓库进行盘点，盘点仓库中的实际库存是否与仓库管理系统中的库存量保持一致。因此，需要耗费较大的人力成本与时间成本。

技术实现思路

[0006]基于此，本申请提出了一种钢材仓库的管理方法及管理装置、电子设备，以解决上述至少一种问题。
[0007]根据本申请的一方面，提出一种钢材仓库的管理方法，所述管理方法包括：利用终端摄像头获取钢材车辆出入库时的视频数据；利用所述视频数据确定需要进行数据分析的时间窗；利用预先训练的卷积神经网络模型和与所述时间窗对应的视频数据，确定所述钢材仓库所需的出入库数据，所述出入库数据包括钢材的数量。
[0008]根据一些实施例，所述预先训练的卷积神经网络模型由如下步骤获得：
[0009]利用终端摄像头获取钢材车辆出入库时的训练用视频数据；利用所述训练用视频数据确定需要进行数据分析的训练时间窗；在与所述训练时间窗对应的训练用视频数据中标注出入库所需的数据；根据预设的深度因子和宽度因子确定所述卷积神经网络模型的结构；利用与所述训练时间窗对应的训练用视频数据和与所述训练时间窗对应的训练用视频数据的标注数据训练所述卷积神经网络模型。
[0010]根据一些实施例，在利用预先训练的卷积神经网络模型和与所述时间窗对应的视频数据之前，所述管理方法还包括：预处理所述视频数据。
[0011]根据一些实施例，所述预处理所述视频数据包括：对所述视频数据进行直方图均值化、图像平滑和/或白平衡处理。
[0012]根据一些实施例，所述利用所述视频数据确定需要进行数据分析的时间窗，包括：根据所述视频数据确定所述视频数据中出现车辆的车辆开始时间和车辆结束时间；等分根据所述车辆开始时间和所述车辆结束时间确定的时间段；计算与每个时间段对应的视频数据中包含车辆的视频帧比例；利用所述时间段和预设的视频帧比例值确定所述时间窗的开始时间和结束时间；其中，所述包含车辆的视频帧比例为包括钢材数量视图的视频帧比例。
[0013]根据一些实施例，所述卷积神经网络模型包括至少一个深度卷积网络模块和全连接层模块；所述卷积神经网络模型根据所述深度因子确定所述卷积神经网络模型包括的深度卷积网络模块的个数；所述卷积神经网络模型根据所述宽度因子确定所述深度卷积网络模块和所述全连接层模块的模型参数。
[0014]根据一些实施例，所述管理方法还包括：定时计算所述卷积神经网络模型的正确率，根据预设的正确率，判断是否需要对所述卷积神经网络模型的模型参数进行修正。
[0015]根据一些实施例，所述出入库数据包括车辆、钢材类型和/或钢卷数量，其中，所述钢材类型包括钢卷、螺纹钢和线材。
[0016]根据本申请的一方面，提出一种钢材仓库的管理装置，所述管理装置包括：
[0017]视频数据采集单元，用于利用终端摄像头获取钢材车辆出入库时的视频数据；时间窗确定单元，用于利用所述视频数据确定需要进行数据分析的时间窗；出入库数据分析单元，用于利用预先训练的卷积神经网络模型和与所述时间窗对应的视频数据，确定所述钢材仓库所需的出入库数据，所述出入库数据包括钢材的数量。
[0018]根据本申请的一方面，提出一种电子设备，所述电子设备包括：一个或多个处理单元；存储单元，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理单元执行，使得一个或多个处理单元实现如前任一所述的管理方法。
[0019]根据本申请的一些实施例，通过在园区出入口安装摄像头，获取货车进出园区的视频与图像，进行图像分析识别，对钢材每天出入库的类别和数量进行识别，利用计算机视觉技术对货物进行盘点。在现有仓库管理系统的基础上，对货物进行辅助的管理与监管，减少了人工盘点次数，降低了时间成本和人力成本。
附图说明
[0020]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍。
[0021]图1示出根据本申请示例性实施例的一种钢材仓库的管理方法流程图。
[0022]图2示出根据本申请示例性实施例的一种时间窗的确定方法流程图。
[0023]图3示出根据本申请示例性实施例的一种确定时间窗的示意图。
[0024]图4a示出根据本申请示例性实施例的一种原始视频帧图片。
[0025]图4b示出根据本申请示例性实施例的一种经过直方图均值化的视频帧图片。
[0026]图4c示出根据本申请示例性实施例的一种经过图像平滑处理后的视频帧图片。
[0027]图4d示出根据本申请示例性实施例的一种经过图像平滑处理后的视频帧图片。
[0028]图5示出根据本申请示例性实施例的一种卷积神经网络模型的训练方法流程图。
[0029]图6示出根据本申请示例性实施例的一种卷积神经网络模型结构示意图。
[0030]图7示出根据本申请示例性实施例的一种深度卷积网络子单元结构示意图。
[0031]图8示出根据本申请示例性实施例的一种钢材仓库的管理装置框图。
[0032]图9示出根据本申请示例性实施例的一种电子设备。
具体实施方式
[0033]现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实
施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本申请将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。
[0034]所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有这些特定细节中的一个或更多，或者可以采用其它的方式、组元、材料、装置或操作等。在这些情况下，将不详细示出或描述公知结构、方法、装置、实现、材料或者操作。
[0035]附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
[0036]本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种钢材仓库的管理方法，其特征在于，所述管理方法包括：利用终端摄像头获取钢材车辆出入库时的视频数据；利用所述视频数据确定需要进行数据分析的时间窗；利用预先训练的卷积神经网络模型和与所述时间窗对应的视频数据，确定所述钢材仓库所需的出入库数据，所述出入库数据包括钢材的数量。2.根据权利要求1所述的管理方法，其特征在于，所述预先训练的卷积神经网络模型由如下步骤获得：利用终端摄像头获取钢材车辆出入库时的训练用视频数据；利用所述训练用视频数据确定需要进行数据分析的训练时间窗；在与所述训练时间窗对应的训练用视频数据中标注出入库所需的数据；根据预设的深度因子和宽度因子确定所述卷积神经网络模型的结构；利用与所述训练时间窗对应的训练用视频数据和与所述训练时间窗对应的训练用视频数据的标注数据训练所述卷积神经网络模型。3.根据权利要求1所述的管理方法，其特征在于，在利用预先训练的卷积神经网络模型和与所述时间窗对应的视频数据之前，所述管理方法还包括：预处理所述视频数据。4.根据权利要求3所述的管理方法，其特征在于，所述预处理所述视频数据包括：对所述视频数据进行直方图均值化、图像平滑和/或白平衡处理。5.根据权利要求1所述的管理方法，其特征在于，所述利用所述视频数据确定需要进行数据分析的时间窗，包括：根据所述视频数据确定所述视频数据中出现车辆的车辆开始时间和车辆结束时间；等分根据所述车辆开始时间和所述车辆结束时间确定的时间段；计算与每个时间段对应的视频数据中包含车辆的视频帧比例；利用所述时间段和预设的视频帧比例值确...

【专利技术属性】
技术研发人员：王键，陈建华，徐正海，续杰，陈昌杰，
申请(专利权)人：欧冶云商股份有限公司，
类型：发明
国别省市：