一种暴力分拣识别方法、绩效管理方法、装置及电子设备

1.本发明涉及物流中暴力分拣行为识别的技术领域，具体涉及一种暴力分拣识别方法、绩效管理方法、装置、电子设备及存储介质。


背景技术：

2.随着我国电子商务、网络购物等新型服务业的迅速发展，对快递服务的需求也不断增加，我国快递行业呈现出高速发展的态势。相较与前几年，虽然在一系列智能化设备实施的应用下，我国快递行业的服务质量以及分拣效率不断提高，但“暴力分拣”等行业顽疾依然层出不穷。特别是各大电商纷纷促销时，例如:双十一、双十二、店庆周年等，暴力分拣情况更为恶劣。不仅损害消费者和电商的利益，而且也有损快递企业自身的竞争力以及快递业声誉。
3.目前绝大部分的快递企业在分拣场所都安装了摄像机系统，并主要依靠人工对视频图像进行辨别和监视以检测是否存在着暴力分拣等行为，需要耗费大量的人力和财力，并且人工判断会存在错漏判断和误操作，因而，导致对快递员暴力分拣动作的识别准确度较低。
4.为了实现对快递暴力分拣行为的自动，智能识别。以往提出的一种基于传感器的识别方法,通过多中传感器组合,根据三轴直线加速度数据判断是否发生暴力分拣及其类型最后经相应智能算法对数据进行分析处理,将各种异常情况分类,最后反馈到应用程序端上供客户查询。然而，本方法只是通过快件的加速度来判断快件是否受到暴力分拣。针对此方法，传感器的摆放位置和传感器和快件的粘合程度将会影响判断结果，具有很大的局限性。另外一种基于计算机视觉的方法，该方法利用小波包分析方法对采集的物流分拣图像行为特征进行提取，从而为物流暴力分拣识别提供相似性判断基础，当待分类图片和暴力分拣图片特征的欧式距离小于指定的阈值时，则判断该图片中存在暴力分拣行为。然而，该方法仅仅对单张图片进行判断，提取的特征也没有利用到连续的视频帧，而暴力分拣动作是由连续的帧构成的一段运动，因此该方法存在着明显的局限性。显然的，现有技术对于暴力分拣的识别方式存在着通过快件的加速度来判断是否为暴力分拣和仅对单张图片进行暴力分拣识别判断的局限性问题。


技术实现要素：

5.有鉴于此，有必要提供一种暴力分拣识别方法、装置、电子设备及存储介质，用以解决现有技术中通过快件的加速度来判断是否为暴力分拣和仅对单张图片进行暴力分拣识别判断的局限性的技术问题。
6.进一步的，有必要提供一种绩效管理方法，用于实现物流网点的绩效管理。为了解决上述技术问题，本发明提供了一种暴力分拣识别方法，包括：
7.获取连续的暴力分拣视频帧，并对所述暴力分拣视频帧进行标记；
8.建立初始神经网络预测模型，将所述标记的暴力分拣视频帧作为训练集输入到所
述初始神经网络预测模型进行迭代训练，得到训练完备的神经网络预测模型；
9.实时获取当前暴力分拣视频帧，基于所述训练完备的神经网络识别模型进行暴力分拣行为识别。
10.进一步的，获取连续的暴力分拣视频帧，并对暴力分拣视频帧进行标记，包括：
11.获取摄像头从不同方位对分拣者进行拍摄的视频；
12.根据所述摄像头从不同方位对分拣者进行拍摄的视频，获取所述连续的暴力分拣视频帧，根据所述连续的暴力分拣视频帧确定暴力分拣视频帧；
13.根据所述暴力分拣视频帧，对暴力分拣视频帧进行标记。
14.进一步的，所述初始神经网络预测模型，包括：
15.输入层，输出层，权重矩阵模块，残差连接层，邻接矩阵模块、注意力模块以及损失函数层；
16.将所述暴力分拣视频帧经输入层输入，通过输入输出转换关系计算得到结果，并从输出层输出。
17.进一步的，所述将所述标记的暴力分拣视频帧作为训练集输入到所述初始神经网络预测模型进行迭代训练，得到训练完备的神经网络预测模型，包括：
18.在输入层输入所述标记的暴力分拣视频帧；
19.在邻接矩阵模块中输入人体骨骼图结构以及学习矩阵；
20.所述标记的暴力分拣视频帧和人体骨骼图结构数据以及学习矩阵输入到初始神经网络预测模型进行迭代训练，得到训练完备的神经网络预测模型。
21.进一步的，基于输入输出转换公式确定所述输入输出转换关系，具体为：基于输入输出转换公式确定输入层与权重矩阵模块、人体骨骼图结构、学习矩阵与输出层的关系；
22.其中，所述输入输出转换公式为：
[0023][0024]
其中，f
out
表示输出层，f
in
表示输入层，kv表示训练集的个数，wk表示权重矩阵模块，ak表示人体骨骼图结构，bk表示学习矩阵，k表示可变参数。
[0025]
本发明还提供了一种暴力分拣物流加盟网点绩效管理方法，包括：
[0026]
通过上述技术方案所述的暴力分拣行为识别方法确定暴力分拣发生率；
[0027]
获取员工缺勤率以及货物破损率，并为所述暴力分拣发生率、员工缺勤率以及货物破损率设置对应权重；
[0028]
根据所述暴力分拣发生率、员工缺勤率、货物破损率以及对应的权重确定员工的网点绩效。
[0029]
进一步的，确定员工的网点绩效，包括：
[0030]
利用以下公式进行计算；
[0031]
f＝ax+by+cz；
[0032]
其中，f表示员工的网点绩效，a表示暴力分拣发生率，b表示员工缺勤率，c表示货物破损率，x表示暴力分拣发生率对应的权重，y表示员工缺勤率对应的权重，z表示货物破损率对应的权重。
[0033]
本发明还提供一种暴力分拣行为识别装置，所述暴力分拣行为识别装置包括：
[0034]
信息获取模块，用于获取连续的暴力分拣视频帧，并对所述暴力分拣视频帧进行标记；
[0035]
预测模型确定模块，用于建立初始神经网络预测模型，将所述标记的暴力分拣视频帧作为训练集输入到所述初始神经网络预测模型进行迭代训练，得到训练完备的神经网络预测模型；
[0036]
暴力分拣行为识别模块，用于实时获取当前暴力分拣视频帧，基于所述训练完备的神经网络识别模型进行暴力分拣行为识别。
[0037]
本发明还提供了一种电子设备，包括存储器和处理器，其中，
[0038]
所述存储器，用于存储程序；
[0039]
所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以实现上述任一种暴力分拣行为识别实现方式中的所述方法中的步骤。
[0040]
本发明还提供了一种计算机可读存储介质，用于存储计算机可读取的程序或指令，所述程序或指令被处理器执行时，能够实现上述任一种暴力分拣识别的物流加盟网点绩效管理方法中的步骤。
[0041]
采用上述实施例的有益效果是：本发明提供的暴力分拣行为识别方法通过获取连续的暴力分拣视频帧，对暴力分拣视频帧进行标记，将标记的暴力分拣视频帧进行神经网络模型进行预测，得到训练完备的神经网络预测模型，有效提高了暴力分拣行为的识别。
[0042]
进一步的，本发明通过在神经网络模型的训练下，能够准确识别暴力分拣行为，相比与现在的仅通过快件的加速度以及图片进行识别，大大提高了识别的效率和准确度，能够通过暴力分拣视频帧准确识别员工在网点分拣快递时是否有暴力分拣行为。可以提高快递企业的竞争力以及快递业的声誉。
附图说明
[0043]
为了更清楚地说明本发明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，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0044]
图1为本发明提供的一种暴力分拣行为识别方法的一个实施例的流程示意图；
[0045]
图2为本发明实施例中步骤s101的一个流程示意图；
[0046]
图3为本发明实施例中的一个初始神经网络预测模型流程示意图；
[0047]
图4为本发明提供的暴力分拣行为识别装置的一个实施例结构示意图；
[0048]
图5为本发明提供的电子设备的一个实施例结构示意图。
具体实施方式
[0049]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0050]
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
[0051]
本发明提供了一种暴力分拣识别方法、物流加盟网点绩效管理方法、装置、电子设备以及存储介质，以下分别进行说明。
[0052]
如图1所示，为本发明提供的暴力分拣识别方法的一个实施例流程示意图，该方法包括：
[0053]
s101、获取连续的暴力分拣视频帧，并对所述暴力分拣视频帧进行标记；
[0054]
s102、建立初始神经网络预测模型，将所述标记的暴力分拣视频帧作为训练集输入到所述初始神经网络预测模型进行迭代训练，得到训练完备的神经网络预测模型；
[0055]
s103、实时获取当前暴力分拣视频帧，基于所述训练完备的神经网络识别模型进行暴力分拣行为识别。
[0056]
作为具体的实施例，在步骤s101中，先获取到员工在分拣快递时的视频，再从分拣快递时的视频中截取出有暴力分拣行为的连续的暴力分拣视频，再从连续的暴力分拣视频中得到暴力分拣视频中的暴力分拣视频帧。根据得到的暴力分拣视频中的暴力分拣视频帧，对暴力分拣视频帧进行标记。
[0057]
作为具体的实施例，在步骤s102中，将标记的暴力分拣视频帧作为输入，输入到初始神经网络预测模型中，其中标记的暴力分拣视频帧包括的暴力分拣行为有抛，丢，扔，踢，通过迭代训练得到一个较为成熟，科学的神经网络预测模型。
[0058]
作为具体的实施例，在步骤s103中，实时获取当前的暴力分拣视频帧，将实时获取到的暴力分拣视频帧输入到所述训练完备的神经网络预测模型中，实时对暴力分拣行为进行识别。
[0059]
与现有技术相比，本发明实施例通过在神经网络预测模型的训练下，能够通过暴力分拣视频帧准确识别员工在网点分拣快递时是否有暴力分拣行为。可以提高快递企业的竞争力以及快递业的声誉。
[0060]
进一步地，如图2所示，在本发明的一些实施例中，s101包括：
[0061]
s201、获取摄像头从不同方位对分拣者进行拍摄的视频；
[0062]
s202、根据所述摄像头从不同方位对分拣者进行拍摄的视频，获取所述连续的暴力分拣视频帧，根据所述连续的暴力分拣视频帧确定暴力分拣视频帧；
[0063]
s203、根据所述暴力分拣视频帧，对暴力分拣视频帧进行标记。
[0064]
作为优选的实施例，在步骤s201中，在分拣者的前方后方左方分别安装一个摄像头，从这三个方位分别对分拣者在进行分拣的时候进行拍摄，得到分拣拍摄的视频。
[0065]
作为优选的实施例，在步骤s202中，暴力分拣视频帧中包括分拣者的暴力分拣行为有抛，丢，扔，踢，正常分拣。摄像头从不同方位拍摄分拣者的分拣动作，得到连续的暴力分拣视频，从连续的暴力分拣视频中对在分拣的过程中有抛，丢，扔，踢行为的视频帧进行标记。
[0066]
作为优选的实施例，在步骤s203中，将所述暴力分拣视频帧进行标记，标记的方式可以为在暴力分拣视频上注上暴力分拣的字样或者符号进行标记。
[0067]
进一步地，如图3所示，在本发明的一些实施例中，所述初始神经网络预测模型，包括：
[0068]
输入层，输出层，权重矩阵模块，残差连接层，邻接矩阵模块、注意力模块以及损失函数层；
[0069]
将所述暴力分拣视频帧经输入层输入，通过输入输出转换关系计算得到结果，并从输出层输出。
[0070]
具体的，输入层为多个视频连续的人体姿态估计信息；
[0071]
权重矩阵模块为不同的骨骼在不同的暴力分解行为中所占的识别的影响因子；
[0072]
残差连接层为允许该层插入任何现有模型而不被破坏；
[0073]
邻接矩阵模块为人体骨骼图及可学习矩阵作为邻接矩阵作为输入；
[0074]
注意力模块为更新各个关节在网络中的权重矩阵；
[0075]
损失函数层为计算模型预测结果和真实结果的误差损失；
[0076]
输出层为神经网络预测模型的结果输出，即为预测员工是否有暴力分拣行为。
[0077]
进一步地，在本发明的一些实施例中，基于输入输出转换公式确定所述输入输出转换关系，具体为：基于输入输出转换公式确定输入层与权重矩阵模块、人体骨骼图结构、学习矩阵与输出层的关系；
[0078]
其中，所述输入输出转换公式为：
[0079][0080]
其中，f
out
表示输出层，f
in
表示输入层，kv表示训练集的个数，wk表示权重矩阵模块，ak表示人体骨骼图结构，bk表示学习矩阵，k表示可变参数。
[0081]
具体的，ak和bk同为n*n的矩阵，将ak和bk的元素和作为邻接矩阵输入至神经网络预测模型，最后将输出层的结果输出接入损失函数层用于计算神经网络模型的预测结果和真实结果的误差损失。
[0082]
进一步地，在本发明的一些实施例中，还提供了一种物流加盟网点绩效管理方法，包括：
[0083]
获取员工缺勤率以及货物破损率，并为所述暴力分拣发生率、员工缺勤率以及货物破损率设置对应权重；
[0084]
根据所述暴力分拣发生率、员工缺勤率、货物破损率以及对应的权重确定员工的网点绩效。
[0085]
具体的，暴力分拣发生率是指员工在快递分拣的过程中，发生暴力分拣的货物数量占总货物数量的比率；
[0086]
其中，员工的缺勤率＝本月缺勤次数/本月应到次数*100％，暴力分拣发生率＝发生暴力分拣的货物数量/总货物数*100％，货物破损率＝破损货物数量/总货物数*100％；通过获取到的员工的缺勤率，货物破损率，暴力分拣发生率及其分别对应的权重，得到员工的网点绩效。
[0087]
进一步地，在本发明的一些实施例中，确定员工的网点绩效，包括：利用以下公式进行计算；f＝ax+by+cz；
[0088]
其中，f表示员工的网点绩效，a表示暴力分拣发生率，b表示员工缺勤率，c表示货物破损率，x表示暴力分拣发生率对应的权重，y表示员工缺勤率对应的权重，z表示货物破损率对应的权重。
[0089]
为了更好实施本发明实施例中的刀具磨损状态识别方法，在刀具磨损状态别方法基础之上，对应的，如图4示，本发明实施例还提供了一种暴力分拣识别装置400，包括：
[0090]
信息获取模块401，用于获取连续的暴力分拣视频帧，并对所述暴力分拣视频帧进行标记；
[0091]
预测模型确定模块402，用于建立初始神经网络预测模型，将所述标记的暴力分拣视频帧作为训练集输入到所述初始神经网络预测模型进行迭代训练，得到训练完备的神经网络预测模型；
[0092]
暴力分拣行为识别模块403，用于实时获取当前暴力分拣视频帧，基于所述训练完备的神经网络识别模型进行暴力分拣行为识别。
[0093]
这里需要说明的是：上述实施例提供的暴力分拣行为识别装置400可实现上述各方法实施例中描述的技术方案，上述各模块或单元具体实现的原理可参见上述方法实施例中的相应内容，此处不再赘述。
[0094]
如图5所示，基于上述暴力分拣识别方法，本发明还相应提供了一种电子设备500。该电子设备500包括处理器501、存储器502及显示器503。图5仅示出了电子设备500的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
[0095]
所述存储器502在一些实施例中可以是所述电子设备500的内部存储单元，例如电子设备500的硬盘或内存。所述存储器502在另一些实施例中也可以是所述电子设备500的外部存储设备，例如所述电子设备500上配备的插接式硬盘，智能存储卡(smartmediacard，smc)，安全数字(securedigital，sd)卡，闪存卡(flashcard)等。
[0096]
进一步地，所述存储器502还可既包括电子设备500的内部储存单元也包括外部存储设备。所述存储器502用于存储安装所述电子设备500的应用软件及各类数据，
[0097]
所述处理器501在一些实施例中可以是一中央处理器(centralprocessingunit，cpu)，微处理器或其他数据处理芯片，用于运行所述存储502中存储的程序代码或处理数据，例如本发明中的暴力分拣行为识别方法。
[0098]
所述显示器503在一些实施例中可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organiclight-emittingdiode，有机发光二极管)触摸器等。所述显示器503用于显示在所述电子设备500的信息以及用于显示可视化的用户界面。所述电子设备500的部件501-503通过系统总线相互通信。
[0099]
在一实施例中，当所述处理器501执行所述存储器502中的暴力分拣行为识别程序504时，可实现以下步骤：
[0100]
获取连续的暴力分拣视频帧，并对所述暴力分拣视频帧进行标记；
[0101]
建立初始神经网络预测模型，将所述标记的暴力分拣视频帧作为训练集输入到所述初始神经网络预测模型进行迭代训练，得到训练完备的神经网络预测模型；
[0102]
实时获取当前暴力分拣视频帧，基于所述训练完备的神经网络识别模型进行暴力分拣行为识别。
[0103]
应当理解的是：处理器501在执行存储器502中的暴力分拣行为识别程序504时，除了上面的功能之外，还可实现其它功能，具体可参见前面相应方法实施例的描述。
[0104]
进一步地，本发明实施例对提及的电子设备500的类型不做具体限定，电子设备500可以为手机、平板电脑、个人数字助理(personaldigitalassistant，pda)、可穿戴设备、膝上型计算机(laptop)等便携式电子设备。便携式电子设备的示例性实施例包括但不限于搭载ios、android、microsoft或者其他操作系统的便携式电子设备。上述便携式电子设备也可以是其他便携式电子设备，诸如具有触敏表面(例如触控面板)的膝上型计算机(laptop)等。还应当理解的是，在本发明其他一些实施例中，电子设备500也可以不是便携式电子设备，而是具有触敏表面(例如触控面板)的台式计算机。
[0105]
相应地，本技术实施例还提供一种计算机可读存储介质，计算机可读存储介质用于存储计算机可读取的程序或指令，所述程序或指令被处理器执行时，能够实现上述各方法实施例提供的方法步骤或功能。
[0106]
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
[0107]
以上对本发明所提供的暴力分拣行为识别方法、装置、电子设备及存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。