一种基于机器视觉的存货周转率实时估算方法、系统及装置与流程

摘要: 本发明涉及计算机视觉与融资租赁物联网监控领域,更具体地说,它涉及一种基于机器视觉的存货周转率实时估算方法、系统及装置。背景技术:1、在融资租赁业务中,出租人将设...
一种基于机器视觉的存货周转率实时估算方法、系统及装置与流程

本发明涉及计算机视觉与融资租赁物联网监控领域,更具体地说,它涉及一种基于机器视觉的存货周转率实时估算方法、系统及装置。

背景技术:

1、在融资租赁业务中,出租人将设备、车辆或包装单元等租赁物交付承租人使用后,需要持续监控租赁物的存放状态和周转情况,以降低灭失、转移与不当使用风险。实际业务中,不同系统各管一段,人工核对费时费力,出了问题难以追溯。

2、现有监控技术路线主要包括以下三类:

3、(1)基于rfid的方案:在租赁物表面贴附rfid标签,在库房出入口安装读写器。但是金属货架和叉车对rfid信号干扰较大,标签读取率受角度和遮挡影响明显。rfid只能记录标签经过事件,无法提供视觉证据,当承租人对进出记录有异议时,出租人缺乏画面佐证。

4、(2)基于卫星/蜂窝定位的方案:在租赁物上安装gps/北斗终端或nb-iot模组。室内定位精度下降明显,单台终端数百至上千元,大规模部署的经济性较差,电池更换也是运维负担。

5、(3)基于人工盘点的方案:派出巡检人员定期实地清点。盘点周期通常是月度甚至季度,周转异常发现不及时,人工记录的可信度也存在问题。

6、上述方案在工程化落地中存在以下共性缺陷:

7、数据口径不统一:rfid事件、gps轨迹、盘点台账各自存储于独立系统,格式各异,跨系统核对依赖人工导出比对,无法形成可机器复核的完整证据链。

8、缺乏可解释的判定规则:当采用规则与模型混用架构时,规则版本、模型版本与特征工程缺乏统一治理,导致误报原因不可追溯、漏报难以系统排查。

9、缺乏与租赁合同状态联动的周转估计闭环:现有方案仅被动采集数据,未将监控数据与erp系统中的租赁合同台账进行系统对齐,无法自动判断租赁物周转是否符合合同约定的使用频率或存放要求。

10、对异常场景缺乏标准化降级策略:视频流中断、部分目标被遮挡、网络超时等异常发生时,现有系统通常直接中断处理或产生错误数据,缺乏分等级的降级处理与自动恢复机制。

11、批处理与在线链路耦合过紧:离线数据分析与在线事件处理共享同一计算资源,峰值时相互影响业务稳定性。

12、因此现有技术的问题是:现有融资租赁存货监控方案中,基于rfid的方案受金属货架和叉车信号干扰严重且无法提供视觉证据,基于卫星或蜂窝定位的方案在室内精度下降明显且终端成本高,基于人工盘点的方案周期长达月度甚至季度、异常发现不及时。上述方案在工程化落地中普遍存在以下共性缺陷:数据口径不统一,rfid事件、gps轨迹和盘点台账各自存储于独立系统,无法形成可机器复核的完整证据链;缺乏可解释的进出判定规则,规则版本与模型版本缺乏统一治理,误报原因不可追溯、漏报难以系统排查;缺乏与erp租赁合同台账联动的周转估计闭环,无法自动判断租赁物周转是否符合合同约定的使用频率或存放要求;对视频流中断、部分遮挡、网络超时等异常场景缺乏标准化降级策略;离线批处理与在线事件处理共享计算资源,峰值时相互影响业务稳定性。

技术实现思路

1、为解决上述技术问题,本发明提供一种基于机器视觉的存货周转率实时估算方法,包括:在库房出入口安装相机并设置带方向的有向计数线,以轻量级目标检测模型和多目标跟踪算法实现租赁物及搬运设备的自动检测与持续跟踪,通过位移向量与计数线的几何相交判定和方向点积判定识别进出库事件,在滑动时间窗内累计进出量并从erp系统同步在库台账进行类别对齐,进而计算周转率估计值及置信区间,当估计值偏离历史基准超阈值时自动分级告警并触发抽查任务,形成从视频流输入到告警输出的端到端自动化闭环。所述检测目标对应于库房内存放的租赁物及搬运设备。

2、具体地,所述方法包括:

3、s1、在库房出入口安装至少一台相机,在相机视野图像平面上设置至少一条法向量正方向对应于进库方向的有向计数线,控制相机以预设帧率获取连续视频帧;

4、s2、将视频帧输入预先训练的目标检测模型,输出包括边界框坐标、中心点、目标类别和置信度的检测结果;

5、s3、采用基于运动状态预测与外观嵌入特征联合匹配的多目标跟踪算法对连续视频帧的检测结果进行数据关联,为每个检测目标分配跟踪标识并记录中心点坐标序列作为运动轨迹,基于位移向量与计数线相交测试和法向量点积方向判定识别进出库事件;

6、s4、在预设滑动时间窗内累计各租赁物种类的进出次数和数量,剔除无效轨迹;

7、s5、从erp系统获取当前租赁合同下的在库租赁物台账,将累计进出事件按租赁物类别与台账进行关联匹配;

8、s6、根据出库次数、平均在库数量、时间基准和时间窗长度计算周转率估计值及置信区间,当周转率估计值相对历史移动平均基准的偏差超过预设倍数阈值时,按至少包含轻微偏离、显著偏离和严重偏离三个等级的分级策略生成告警并生成抽查任务。

9、在一个实施例中,在将连续视频帧输入目标检测模型之前,对每个视频帧执行畸变校正、尺寸缩放、色彩空间转换和像素值归一化预处理。

10、在一个实施例中,对进出事件设置冷却时间防止重复触发,并执行轨迹长度、检测置信度和边界框面积的有效性校验,每个有效进出事件记录事件标识、跟踪标识、事件类型、时间戳、穿越点坐标及目标裁剪图像。

11、在一个实施例中,无效轨迹包括跟踪时长不足的短暂轨迹、平均检测置信度低于阈值的低置信轨迹、位移总量小于阈值的静止目标轨迹以及类别不属于租赁物的非目标轨迹。

12、在一个实施例中,周转率估计值按公式itr=(n_out/q_avg)×(t/δt)计算,采用bootstrap重采样法计算置信区间,历史移动平均基准采用指数加权移动平均ewma更新。

13、在一个实施例中,上述方法还包括模型迭代步骤:当目标检测模型输出的置信度处于低置信区间时自动采集难例样本,当误报告警被确认时将关联图像标记为难负样本加入训练集,累积至阈值后自动触发模型重训练并部署更新。在一个实施例中,在多相机部署场景下,通过跨镜外观嵌入向量余弦相似度匹配和时间差判定实现协同跟踪,通过预先标定的单应性矩阵映射实现重叠视场去重。

14、一种基于机器视觉的存货周转率实时估算系统,包括:

15、至少一台相机,安装于库房出入口上方,用于输出连续视频帧;

16、边缘计算节点,配置为上述方法的步骤s1至s4中的视频采集、预处理、目标检测、多目标跟踪、穿越判定和时间窗累计,并将累计进出事件通过消息队列上传至云平台;

17、云平台服务器集群,配置为执行上述方法的步骤s5至s6中的台账同步、周转率计算、置信区间估计、告警判定和抽查任务生成;

18、所述边缘计算节点在检测到与云平台的网络中断时,将进出事件数据持久化至本地存储,并在网络恢复后按时间戳顺序批量补偿上传。

19、一种基于机器视觉的存货周转率实时估算装置,包括:处理器和存储器,所述存储器存储有所述处理器可执行的计算机程序,所述处理器执行所述计算机程序时实现上述方法。

20、综上所述,本发明具有以下有益效果:

21、实现端到端自动化闭环,从视频采集到告警输出形成全自动闭环,无需人工介入盘点,实现近实时的周转监控。各环节之间通过事件溯源、异常剔除和台账校验形成互验机制,检测跟踪的误差会被后续的轨迹有效性校验和台账对齐所约束,不会无限制地传播放大。

22、具有可解释性,每一进出判定均记录关联的检测框坐标、跟踪轨迹、置信度、方向向量点积值等中间特征,支持事后逐帧回放审计。当承租人对某条进出记录有异议时,可以调出穿越时刻的目标裁剪图像和判定依据进行核实。

23、具有可配置性,置信度阈值、跟踪参数、时间窗长度、告警阈值等关键参数均支持配置,适应不同库房场景的部署需求。

24、鲁棒性好,通过异常剔除、降级策略、断点续跑等机制保证在视频流中断、网络超时、部分遮挡等异常场景下不丢失已处理数据。