[发明专利]一种基于深度学习的危险货物集装箱预警方法及装置

权利要求书

1.一种基于深度学习的危险货物集装箱预警方法，其特征在于，包括以下步骤：

S100、获取集装箱信息和货物信息，所述集装箱信息包括集装箱运输信息和集装箱实时监测数据，所述货物信息包括货物的X光扫描图像；

S200、构建深度学习模型，基于深度学习模型对货物的X光扫描图像进行识别，得到货物的识别结果，所述识别结果包括货物的名称和种类；

S300、基于识别结果判断货物是否为危险货物，若是，生成第一预警信息，并进行步骤S400，若不是，进行步骤S500；

S400、基于识别结果设置集装箱实时监测数据的阈值，将集装箱实时监测数据与阈值进行对比，当集装箱实时监测数据小于阈值时，判定集装箱具有安全运输环境，否则，判定集装箱不具有安全运输环境，并生成第二预警信息；

S500、基于集装箱运输信息判定集装箱是否处于危险运输状态，若是，则生成第三预警信息；

S600、发送第一、第二和第三预警信息。

2.根据权利要求1所述的基于深度学习的危险货物集装箱预警方法，其特征在于，步骤S100中，所述集装箱运输信息包括：

集装箱信息、运输所述集装箱的船舶信息以及集装箱装箱货物的货物清单；

货物的装箱信息，包括装箱人员和审批人员信息；

船舶的运输路径、始发位置、终点位置信息以及船员信息；

集装箱的实时位置信息。

3.根据权利要求2所述的基于深度学习的危险货物集装箱预警方法，其特征在于，步骤S100中，所述货物信息还包括有货物名称、货物体积、货物重量、货物种类信息以及货物的发货和到货信息，货物的发货和到货信息包括：发货人、收货人信息以及发货时间和到货时间信息。

4.根据权利要求1所述的基于深度学习的危险货物集装箱预警方法，其特征在于，步骤S200中，所述深度学习模型的构建方法为：

S201、获取训练数据，所述训练数据为货物图像库，货物图像库包括标注过名称和种类的货物图片和货物图标，将训练数据分为训练集、验证集和测试集；

S202、构建深度学习模型，所述深度学习模型包括卷积模块，所述卷积模块设有五段卷积，每段卷积均包括有卷积层、ReLu激活层和池化层；

S203、使用训练集的数据对构建的深度学习模型进行训练，即将训练集数据输入到步骤S202中的深度学习模型进行迭代；

S204、使用验证集的数据对训练好的深度学习模型进行验证；

S205、将测试集数据输入到训练好的深度学习模型，得到识别结果，所述识别结果为货物的名称和种类；

S206、判断识别结果是否符合预期，结果不符合时，继续步骤S203；结果符合时，深度学习模型构建完成。

5.根据权利要求4所述的基于深度学习的危险货物集装箱预警方法，其特征在于，步骤S201中，将训练数据分为训练集、验证集和测试集的方式为：

随机选取处理好的训练数据，将训练数据中80％数据作为训练集，10％作为验证集，10％作为测试集。

6.根据权利要求5所述的基于深度学习的危险货物集装箱预警方法，其特征在于，步骤S202中，所述卷积模块设有五段卷积，其中：

第一段卷积：包括两个卷积层，每层64个卷积核；

第二段卷积：包括两个卷积层，每层128个卷积核；

第三段卷积：包括三个卷积层，每层256个卷积核；

第四段卷积：包括三个卷积层，每层512个卷积核；

第五段卷积：包括三个卷积层，每层512个卷积核。

7.根据权利要求6所述的基于深度学习的危险货物集装箱预警方法，其特征在于，所述深度学习模型还包括有输入层、全连接层和输出层，所述输入层与卷积模块连接，所述卷积模块与全连接层连接，所述全连接层与输出层连接，最后一段卷积完成特征提取后与全连接层连接，整合卷积模块提取得到的特征，得到识别结果。