本發(fā)明涉及物流數(shù)據(jù)管理，尤其涉及一種基于云計(jì)算的物流產(chǎn)品定位數(shù)據(jù)管理方法及系統(tǒng)。

背景技術(shù)：

1、物流產(chǎn)品定位數(shù)據(jù)管理是指在物流過程中，對物流產(chǎn)品（如包裹、貨物、集裝箱等）的位置、狀態(tài)、流向等信息進(jìn)行采集、存儲、處理、分析和管理，以實(shí)現(xiàn)物流產(chǎn)品的實(shí)時(shí)追蹤、精準(zhǔn)定位和高效管理。該過程通常包括數(shù)據(jù)采集、處理和應(yīng)用，旨在為物流供應(yīng)鏈中的各個(gè)環(huán)節(jié)（如倉儲、運(yùn)輸、配送等）提供及時(shí)、準(zhǔn)確的位置信息，以提高物流效率，優(yōu)化資源配置，降低運(yùn)營成本。

2、在復(fù)雜的物流場景中，物流產(chǎn)品定位需要處理大量的視頻流和定位數(shù)據(jù)。然而，傳統(tǒng)的物流產(chǎn)品定位數(shù)據(jù)管理方法主要是基于單一的圖像處理和定位技術(shù)，如光學(xué)相機(jī)、超聲波傳感器等。這些方法在實(shí)際應(yīng)用中面臨著定位精度和穩(wěn)定性的問題。

3、綜上，現(xiàn)有技術(shù)中，依靠相機(jī)和傳感器等傳統(tǒng)技術(shù)已無法滿足如今愈加復(fù)雜的物流場景，難以快速高效的實(shí)現(xiàn)物流產(chǎn)品定位。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供了一種基于云計(jì)算的物流產(chǎn)品定位數(shù)據(jù)管理方法及系統(tǒng)，能夠提高物流產(chǎn)品的定位與尺度參數(shù)的精準(zhǔn)度，達(dá)到物流產(chǎn)品的高效、準(zhǔn)確地定位。

2、第一方面，為了解決上述技術(shù)問題，本發(fā)明提供了一種基于云計(jì)算的物流產(chǎn)品定位數(shù)據(jù)管理方法，包括：

3、獲取不同種類物流產(chǎn)品的視頻流圖像，并標(biāo)注第一時(shí)間戳；

4、獲取所述不同種類物流產(chǎn)品的定位圖像，并標(biāo)注第二時(shí)間戳；

5、根據(jù)所述視頻流圖像和所述定位圖像，進(jìn)行關(guān)聯(lián)處理，得到所述視頻流圖像和所述定位圖像的圖像關(guān)聯(lián)集；

6、將所述圖像關(guān)聯(lián)集存儲到基于內(nèi)存緩存的云存儲數(shù)據(jù)庫中，并對所述圖像關(guān)聯(lián)集進(jìn)行第一特征提取，得到動態(tài)特征向量和靜態(tài)特征向量；

7、根據(jù)所述動態(tài)特征向量和所述靜態(tài)特征向量，基于三維尺度特征點(diǎn)識別模型進(jìn)行第二特征提取，得到三維尺度特征點(diǎn)；

8、將所述三維尺度特征點(diǎn)進(jìn)行種類匹配，得到匹配結(jié)果；

9、根據(jù)所述匹配結(jié)果，進(jìn)行參數(shù)提取，得到定位參數(shù)和尺度參數(shù)；

10、根據(jù)所述定位參數(shù)和所述尺度參數(shù)，進(jìn)行參數(shù)匹配，得到對應(yīng)物流產(chǎn)品標(biāo)簽。

11、優(yōu)選地，所述根據(jù)所述視頻流圖像和所述定位圖像，進(jìn)行關(guān)聯(lián)處理，得到所述視頻流圖像和所述定位圖像的圖像關(guān)聯(lián)集，包括：

12、對所述第一時(shí)間戳和所述第二時(shí)間戳中相同的時(shí)間戳數(shù)據(jù)進(jìn)行匹配，得到相同時(shí)間戳數(shù)據(jù)的視頻流圖像和定位圖像；

13、將所述視頻流圖像和所述定位圖像進(jìn)行關(guān)聯(lián)，得到所述視頻流圖像和所述定位圖像的圖像關(guān)聯(lián)集。

14、優(yōu)選地，所述將所述圖像關(guān)聯(lián)集存儲到基于內(nèi)存緩存的云存儲數(shù)據(jù)庫中，并對所述圖像關(guān)聯(lián)集進(jìn)行第一特征提取，得到動態(tài)特征向量和靜態(tài)特征向量，包括：

15、基于卷積神經(jīng)網(wǎng)絡(luò)對所述視頻流圖像進(jìn)行第一預(yù)處理，得到動態(tài)特征向量；

16、基于卷積神經(jīng)網(wǎng)絡(luò)對所述定位圖像進(jìn)行第二預(yù)處理，得到靜態(tài)特征向量。

17、優(yōu)選地，所述基于卷積神經(jīng)網(wǎng)絡(luò)對所述視頻流圖像進(jìn)行第一預(yù)處理，得到動態(tài)特征向量，包括：

18、基于所述卷積神經(jīng)網(wǎng)絡(luò)對所述視頻流圖像進(jìn)行去噪、圖像增強(qiáng)、圖像去霧、圖像分割，得到視頻流圖像目標(biāo)區(qū)域；

19、基于所述卷積神經(jīng)網(wǎng)絡(luò)將所述視頻流圖像轉(zhuǎn)換為動態(tài)特征向量。

20、優(yōu)選地，所述基于卷積神經(jīng)網(wǎng)絡(luò)對所述定位圖像進(jìn)行第二預(yù)處理，得到靜態(tài)特征向量，包括：

21、基于所述卷積神經(jīng)網(wǎng)絡(luò)對所述定位圖像進(jìn)行去噪、圖像增強(qiáng)、圖像去霧，標(biāo)簽識別，得到定位標(biāo)簽圖像；

22、基于所述卷積神經(jīng)網(wǎng)絡(luò)將所述定位標(biāo)簽圖像轉(zhuǎn)換為靜態(tài)特征向量。

23、優(yōu)選地，所述根據(jù)所述動態(tài)特征向量和所述靜態(tài)特征向量，基于三維尺度特征點(diǎn)識別模型進(jìn)行第二特征提取，得到三維尺度特征點(diǎn)，包括：

24、基于圖像關(guān)聯(lián)集將所述動態(tài)特征向量和所述靜態(tài)特征向量進(jìn)行關(guān)聯(lián)，得到關(guān)聯(lián)向量；

25、對所述關(guān)聯(lián)向量進(jìn)行尺度化和平移變換，并映射到三維空間中，得到三維尺度特征點(diǎn)。

26、優(yōu)選地，所述將所述三維尺度特征點(diǎn)進(jìn)行種類匹配，得到匹配結(jié)果，包括：

27、基于全局特征描述子對所述三維尺度特征點(diǎn)進(jìn)行描述，得到特征描述值；

28、根據(jù)所述特征描述值，基于nndr算法進(jìn)行三維尺度特征點(diǎn)匹配，得到匹配結(jié)果。

29、第二方面，本發(fā)明提供了一種基于云計(jì)算的物流產(chǎn)品定位數(shù)據(jù)管理裝置，包括：第一圖像獲取模塊，用于獲取不同種類物流產(chǎn)品的視頻流圖像，并標(biāo)注第一時(shí)間戳；

30、第二圖像獲取模塊，用于獲取所述不同種類物流產(chǎn)品的定位圖像，并標(biāo)注第二時(shí)間戳；

31、關(guān)聯(lián)處理模塊，用于根據(jù)所述視頻流圖像和所述定位圖像，進(jìn)行關(guān)聯(lián)處理，得到所述視頻流圖像和所述定位圖像的圖像關(guān)聯(lián)集；

32、第一特征提取模塊，用于將所述圖像關(guān)聯(lián)集存儲到基于內(nèi)存緩存的云存儲數(shù)據(jù)庫中，并對所述圖像關(guān)聯(lián)集進(jìn)行第一特征提取，得到動態(tài)特征向量和靜態(tài)特征向量；

33、第二特征提取模塊，用于根據(jù)所述動態(tài)特征向量和所述靜態(tài)特征向量，基于三維尺度特征點(diǎn)識別模型進(jìn)行第二特征提取，得到三維尺度特征點(diǎn)；

34、特征匹配模塊，用于將所述三維尺度特征點(diǎn)進(jìn)行種類匹配，得到匹配結(jié)果；

35、參數(shù)提取模塊，用于根據(jù)所述匹配結(jié)果，進(jìn)行參數(shù)提取，得到定位參數(shù)和尺度參數(shù)；

36、參數(shù)匹配模塊，用于根據(jù)所述定位參數(shù)和所述尺度參數(shù)，進(jìn)行參數(shù)匹配，得到對應(yīng)物流產(chǎn)品標(biāo)簽。

37、第三方面，本發(fā)明還提供了一種電子設(shè)備，包括處理器、存儲器以及存儲在所述存儲器中且被配置為由所述處理器執(zhí)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)上述中任意一項(xiàng)所述的基于云計(jì)算的物流產(chǎn)品定位數(shù)據(jù)管理方法。

38、第四方面，本發(fā)明還提供了一種計(jì)算機(jī)可讀存儲介質(zhì)，所述計(jì)算機(jī)可讀存儲介質(zhì)包括存儲的計(jì)算機(jī)程序，其中，在所述計(jì)算機(jī)程序運(yùn)行時(shí)控制所述計(jì)算機(jī)可讀存儲介質(zhì)所在設(shè)備執(zhí)行上述中任意一項(xiàng)所述的基于云計(jì)算的物流產(chǎn)品定位數(shù)據(jù)管理方法。

39、相比于現(xiàn)有技術(shù)，本發(fā)明具有如下有益效果：本發(fā)明實(shí)施例提供了一種基于云計(jì)算的物流產(chǎn)品定位數(shù)據(jù)管理方法及系統(tǒng)。方法包括：獲取不同種類物流產(chǎn)品的視頻流圖像，并標(biāo)注第一時(shí)間戳；獲取所述不同種類物流產(chǎn)品的定位圖像，并標(biāo)注第二時(shí)間戳；根據(jù)所述視頻流圖像和所述定位圖像，進(jìn)行關(guān)聯(lián)處理，得到所述視頻流圖像和所述定位圖像的圖像關(guān)聯(lián)集；將所述圖像關(guān)聯(lián)集存儲到基于內(nèi)存緩存的云存儲數(shù)據(jù)庫中，并對所述圖像關(guān)聯(lián)集進(jìn)行第一特征提取，得到動態(tài)特征向量和靜態(tài)特征向量；根據(jù)所述動態(tài)特征向量和所述靜態(tài)特征向量，基于三維尺度特征點(diǎn)識別模型進(jìn)行第二特征提取，得到三維尺度特征點(diǎn)；將所述三維尺度特征點(diǎn)進(jìn)行種類匹配，得到匹配結(jié)果；根據(jù)所述匹配結(jié)果，進(jìn)行參數(shù)提取，得到定位參數(shù)和尺度參數(shù)；根據(jù)所述定位參數(shù)和所述尺度參數(shù)，進(jìn)行參數(shù)匹配，得到對應(yīng)物流產(chǎn)品標(biāo)簽。

40、在本發(fā)明中，所述方法能夠通過卷積神經(jīng)網(wǎng)絡(luò)對視頻流圖像和定位圖像分別進(jìn)行預(yù)處理，提取動態(tài)特征和靜態(tài)特征?；谶@些特征，進(jìn)行三維尺度特征點(diǎn)的識別和匹配，實(shí)現(xiàn)物流產(chǎn)品的特征提取。最終，通過匹配定位參數(shù)和尺度參數(shù)，精確標(biāo)識出對應(yīng)的物流產(chǎn)品標(biāo)簽。所述方法通過結(jié)合動態(tài)和靜態(tài)特征以及三維特征點(diǎn)識別，提高了物流產(chǎn)品定位的準(zhǔn)確性，同時(shí)，所述方法使用云計(jì)算和內(nèi)存緩存技術(shù)，加速了大規(guī)模數(shù)據(jù)的處理與存儲，實(shí)現(xiàn)了物流產(chǎn)品定位的高效管理。