本發明實施例公開了一種裝卸口狀態檢測方法、裝置、服務器及存儲器。該裝卸口狀態檢測方法包括：獲取裝卸口圖像；對裝卸口圖像進行圖像處理，得到第一處理圖像和第二處理圖像；將第一處理圖像輸入預設的第一分類模型，根據第一分類模型進行裝卸口狀態分類識別，得到第一狀態檢測結果；將第二處理圖像輸入預設的第二分類模型，根據第二分類模型進行裝卸口狀態分類識別，得到第二狀態檢測結果；根據第一狀態檢測結果和第二狀態檢測結果，確定裝卸口狀態。本發明實施例中由于該裝卸口狀態是通過兩個模型輸出的檢測結果確定，可以有效避免單獨模型狀態誤報及裝卸口狀態判定錯誤的問題，提高了裝卸口狀態判定的準確率。

技術領域

本發明涉及計算機技術領域，具體涉及一種裝卸口狀態檢測方法、裝置、服務器及存儲器。

背景技術

隨著物流行業的發展，將貨物進行集中整合然后再集中分發成為了提高運輸效率所必不可少的流程。貨物集中整合的地方就是中轉場(即裝卸口)，裝卸口是貨物被裝載到運輸工具上或者從運輸工具被卸載下來的工作平臺。為了提高裝卸口運行的效率，首先就需要對裝卸口的空閑，裝卸口的狀態進行監控，自動統計出裝卸口的狀態。裝卸口是否空閑可以輔助車輛調度，而裝卸口的狀態的判定，則可以統計出裝卸的時間以及休息的時間，可以輔助人員的調動。

基于深度學習的方法對裝卸口狀態進行實時監控，就能夠得到上面提到的這些生產要素。現有裝卸貨檢測方案是利用網絡模型配合狀態機，完成裝卸口狀態判定的過程。

在上述現有裝卸口狀態判定方法中會出現以下幾個問題：1、對于分類模型而言，模型在某些時刻誤檢的概率很高；2、在裝卸口狀態判定到離港的過程中會出現誤報問題；3、在某些特殊場景完整的事件會被拆分成多段事件。綜上可知，現有的裝卸口狀態判定方法檢測準確率不高，存在誤報。

發明內容

本發明實施例提供一種裝卸口狀態檢測方法、裝置、服務器及存儲器，可以有效避免單獨模型狀態誤報及裝卸口狀態判定錯誤的問題，提高了裝卸口狀態判定的準確率。

第一方面，本申請提供一種裝卸口狀態檢測方法，所述裝卸口狀態檢測方法包括：

獲取裝卸口圖像；

對所述裝卸口圖像進行圖像處理，得到第一處理圖像和第二處理圖像；

將所述第一處理圖像輸入預設的第一分類模型，根據所述第一分類模型進行裝卸口狀態分類識別，得到第一狀態檢測結果；

將所述第二處理圖像輸入預設的第二分類模型，根據所述第二分類模型進行裝卸口狀態分類識別，得到第二狀態檢測結果；

根據所述第一狀態檢測結果和所述第二狀態檢測結果，確定裝卸口狀態。

在本申請一些實施例中，所述對裝卸口圖像進行圖像處理，得到第一處理圖像和第二處理圖像，包括：

對所述裝卸口圖像提取光流，得到第一處理圖像；

對所述裝卸口圖像去除光流，得到第二處理圖像。

在本申請一些實施例中，所述根據所述第一狀態檢測結果和所述第二狀態檢測結果，確定裝卸口狀態，包括：

若所述第一狀態檢測結果為車輛到港，且所述第二狀態檢測結果為車輛到港，則確定所述裝卸口狀態為車輛到港。

在本申請一些實施例中，所述根據所述第一狀態檢測結果和所述第二狀態檢測結果，確定裝卸口狀態，包括：

若所述第一狀態檢測結果為車輛離港，且所述第二狀態檢測結果為車輛離港，則確定所述裝卸口狀態為車輛離港。

在本申請一些實施例中，所述第一分類模型為7分類模型，所述第一狀態結果為車輛到港、車輛離港、裝貨、卸貨、工作、休息或無車中的一個，所述第二分類模型為3分類模型，所述第二狀態結果為車輛離港、車輛半到港或車輛到港中的一個。