电子商务用仓储中心安全监控系统及其方法与流程

1.本技术涉及安全监控技术领域，且更为具体地，涉及一种电子商务用仓储中心安全监控系统及其方法。


背景技术：

2.电子商务用仓储中心通常存放着大量的货物和商品，这些货物价值巨大。通过安装监控系统，可以实时监测仓库内部和周边区域的情况，有效预防盗窃、抢劫等违法行为，保障货物的安全。并且在电子商务仓储过程中，有些货物可能是易燃易爆的，如果发生火灾，将会给人员和货物带来极大的危害。
3.为了实现对仓库内部和周边区域的全面监控和安全管理，确保电子商务仓储环节的顺畅运营和安全可靠，对电子商务用仓储中心进行安全监控是非常有必要的。
4.因此，期待一种电子商务用仓储中心安全监控系统及其方法。


技术实现要素：

5.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种电子商务用仓储中心安全监控系统及其方法，其通过在电子商务用仓储中心内部部署摄像头，实时获取监控图像，基于深度学习和图像处理技术，判断仓储中心是否存在异常情况。该方案利用多种技术手段对电子商务用仓储中心内部的情况进行监测和分析，以提高货物安全性，防止盗窃、抢劫等违法行为，同时也能够及时发现并应对火灾等安全事故，保障人员和货物的安全。
6.相应地，根据本技术的一个方面，提供了一种电子商务用仓储中心安全监控系统，其包括：
7.监控模块，用于获取由部署于电子商务用仓储中心内部的摄像头采集的监控图像；
8.分块模块，用于对所述监控图像进行图像分块处理以得到多个图像块；
9.图像块目标探测模块，用于将所述多个图像块分别通过目标检测网络以得到至少一个感兴趣区域；
10.感兴趣区域像素增强模块，用于将所述感兴趣区域通过基于对抗生成网络的图像增强器以得到增强感兴趣区域；
11.特征提取模块，用于将所述增强感兴趣区域通过作为特征提取器的卷积神经网络模型以得到感兴趣区域特征图；
12.特征增强模块，用于将所述感兴趣区域特征图通过非局部神经网络模型以得到增强感兴趣区域特征图；以及
13.管理结果生成模块，用于将所述增强感兴趣区域特征图通过分类器以得到分类结果，所述分类结果用于表示仓储中心是否存在异常情况。
14.在上述电子商务用仓储中心安全监控系统中，所述分块模块，用于：对所述监控图
像进行均匀图像分块处理以得到所述多个图像块，其中，所述多个图像块中各个图像块具有相同的尺寸。
15.在上述电子商务用仓储中心安全监控系统中，所述目标检测网络为基于锚窗的目标检测网络，所述基于锚窗的目标检测网络为fast r-cnn、faster r-cnn或retinanet。
16.在上述电子商务用仓储中心安全监控系统中，所述基于对抗生成网络包含鉴别器和生成器。
17.在上述电子商务用仓储中心安全监控系统中，所述感兴趣区域像素增强模块，用于：将所述感兴趣区域输入所述基于对抗生成网络的图像增强器的生成器以由所述生成器对所述感兴趣区域进行反卷积处理以得到所述增强感兴趣区域。
18.在上述电子商务用仓储中心安全监控系统中，所述特征提取模块，包括：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的卷积神经网络的最后一层的输出为所述感兴趣区域特征图，所述作为特征提取器的卷积神经网络的第一层的输入为所述增强感兴趣区域。
19.在上述电子商务用仓储中心安全监控系统中，所述特征增强模块，包括：点卷积单元，用于将所述感兴趣区域特征图分别输入所述非局部神经网络的第一点卷积层、第二点卷积层和第三点卷积层以得到第一特征图、第二特征图和第三特征图；第一融合单元，用于计算所述第一特征图和所述第二特征图的按位置加权和以得到中间融合特征图；归一化单元，用于将所述中间融合特征图输入softmax函数以对所述中间融合特征图中各个位置的特征值进行归一化以得到归一化中间融合特征图；第二融合单元，用于计算所述归一化中间融合特征图和所述第三特征图的按位置加权和以得到再融合特征图；全局感知单元，用于将所述再融合特征图通过嵌入高斯相似性函数以计算所述再融合特征图中各个位置的特征值间的相似性以得到全局相似特征图；通道数调整单元，用于将所述全局相似特征图通过所述非局部神经网络的第四点卷积层以调整所述全局相似特征图的通道数以得到通道调整全局相似特征图；以及，第三融合单元，用于基于所述通道调整全局相似特征图和所述感兴趣区域特征图之间的高维特征流形分布之间的相似性来进行特征图融合以得到所述增强感兴趣区域特征图。
20.在上述电子商务用仓储中心安全监控系统中，所述第三融合单元，包括：使用主成分分析将所述通道调整全局相似特征图的沿通道维度的各个特征矩阵映射到低维特征空间中以得到多个第一主成分特征向量，且使用所述主成分分析将所述感兴趣区域特征图的沿通道维度的各个特征矩阵映射到低维特征空间中以得到多个第二主成分特征向量；
21.以如下第一交叉熵公式计算所述第一主成分特征向量相对于所述第二主成分特征向量之间的第一交叉熵以得到多个归一化第一交叉熵系数；其中，所述第一交叉熵公式为：
[0022][0023]
其中，v
1ij
表示第i个所述第一主成分特征向量的第j个位置的特征值，v
2ij
表示第i
个所述第二主成分特征向量的第j个位置的特征值，k表示特征向量的长度，n表示特征向量的个数，max表示最大值函数，w
1i
表示所述多个归一化第一交叉熵系数；
[0024]
以如下第二交叉熵公式计算所述第二主成分特征向量相对于所述第一主成分特征向量之间的第二交叉熵以得到多个归一化第二交叉熵系数；其中，所述第二交叉熵公式为：
[0025][0026]
其中，v
1ij
表示第i个所述第一主成分特征向量的第j个位置的特征值，v
2ij
表示第i个所述第二主成分特征向量的第j个位置的特征值，k表示特征向量的长度，n表示特征向量的个数，max表示最大值函数，w
2i
表示所述多个归一化第二交叉熵系数；
[0027]
以所述多个归一化第一交叉熵系数和所述多个归一化第二交叉熵系数作为权重，分别对所述通道调整全局相似特征图和所述感兴趣区域特征图的沿通道维度的各个特征矩阵进行加权以得到流形校正通道调整全局相似特征图和流形校正感兴趣区域特征图，并计算所述流形校正通道调整全局相似特征图和所述流形校正感兴趣区域特征图之间的按位置均值以得到所述增强感兴趣区域特征图。
[0028]
在上述电子商务用仓储中心安全监控系统中，所述管理结果生成模块，用于：使用所述分类器以如下分类公式对所述增强感兴趣区域特征图进行处理以获得分类结果，其中，所述分类公式为：softmax{（mc,bc）project(f)}，其中project(f)表示将所述增强感兴趣区域特征图投影为向量，mc为全连接层的权重矩阵，bc表示全连接层的偏置矩阵，softmax表示归一化指数函数。
[0029]
根据本技术的另一个方面，提供了一种电子商务用仓储中心安全监控方法，其包括：
[0030]
获取由部署于电子商务用仓储中心内部的摄像头采集的监控图像；
[0031]
对所述监控图像进行图像分块处理以得到多个图像块；
[0032]
将所述多个图像块分别通过目标检测网络以得到至少一个感兴趣区域；
[0033]
将所述感兴趣区域通过基于对抗生成网络的图像增强器以得到增强感兴趣区域；
[0034]
将所述增强感兴趣区域通过作为特征提取器的卷积神经网络模型以得到感兴趣区域特征图；
[0035]
将所述感兴趣区域特征图通过非局部神经网络模型以得到增强感兴趣区域特征图；以及
[0036]
将所述增强感兴趣区域特征图通过分类器以得到分类结果，所述分类结果用于表示仓储中心是否存在异常情况。
[0037]
与现有技术相比，本技术提供的电子商务用仓储中心安全监控系统及其方法，其通过在电子商务用仓储中心内部部署摄像头，实时获取监控图像，基于深度学习和图像处理技术，判断仓储中心是否存在异常情况。该方案利用多种技术手段对电子商务用仓储中心内部的情况进行监测和分析，以提高货物安全性，防止盗窃、抢劫等违法行为，同时也能够及时发现并应对火灾等安全事故，保障人员和货物的安全。
附图说明
[0038]
通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
[0039]
图1为根据本技术实施例的电子商务用仓储中心安全监控系统的应用场景图。
[0040]
图2为根据本技术实施例的电子商务用仓储中心安全监控系统的框图。
[0041]
图3为根据本技术实施例的电子商务用仓储中心安全监控系统的架构示意图。
[0042]
图4为根据本技术实施例的电子商务用仓储中心安全监控系统中特征增强模块的框图。
[0043]
图5为根据本技术实施例的电子商务用仓储中心安全监控方法的流程图。
[0044]
图6为根据本技术实施例的电子设备的框图。
具体实施方式
[0045]
下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
[0046]
申请概述
[0047]
针对上述问题，本技术的技术构思为通过在电子商务用仓储中心内部部署摄像头，实时获取监控图像，基于深度学习和图像处理技术，判断仓储中心是否存在异常情况。该方案利用多种技术手段对电子商务用仓储中心内部的情况进行监测和分析，以提高货物安全性，防止盗窃、抢劫等违法行为，同时也能够及时发现并应对火灾等安全事故，保障人员和货物的安全。
[0048]
通过摄像头可以对电子商务用仓储中心的内部进行实时监测，可以及时发现可能存在的安全隐患和异常情况，有利于后续的安全防范和管理。
[0049]
接着，对所述监控图像进行图像分块处理以得到多个图像块。如果直接对监控图像整体进行处理，由于图像复杂，容易受到光线、角度等因素的影响，导致误检率较高。通过分块处理后，可以得到多个图像块，每个图像块相当于一个小的监控画面，能够从不同角度监测仓储中心内部的情况。并且，将监控图像按照一定的规则进行分块，可以使得每个小块只需要进行局部的处理，而且这些小块的特征信息更加精细，有利于后续的特征提取和分析，提高了处理效率和准确度。
[0050]
为了实现对每个小块的异常情况进行精细化的检测与监测，将所述多个图像块分别通过目标检测网络以得到至少一个感兴趣区域。目标检测网络能够检测出多种异常情况，例如人员闯入、车辆进出、火灾等，从而更加全面地监测电子商务用仓储中心内部的情况。当目标检测网络发现异常情况时，可以及时发出警报，进行实时预警和应对，防止事态扩大。将大的监控图像分成多个小块后，再通过目标检测网络进行处理，能够实现对每个小块的异常情况进行精细化的检测与监测，提高了处理效率和准确度。并且，将监控图像分块处理后，目标检测网络只需要对每个小块进行处理，能够减少整体图像处理时的误检率，提高了安全监测效果。
[0051]
为了提高异常情况检测的准确度和显示效果，将所述感兴趣区域通过基于对抗生成网络的图像增强器进行特征增强。图像增强器可以加强感兴趣区域的细节信息和纹理特征，有利于后续的特征提取和分析。考虑到，有些感兴趣区域可能受到光线、角度等因素的影响导致不够清晰，而基于对抗生成网络的图像增强器可以通过复杂的算法提高图像的清晰度，使得异常情况更加明显，有利于后续的分析和判断。并且，感兴趣区域中可能存在一些噪声或者其他干扰因素，而基于对抗生成网络的图像增强器可以通过去噪等技术手段降低噪声，提高图像的质量。通过自动化的图像处理技术，能够减少人工对图像进行干预的成本和风险，提高安全监测的效率和准确度。
[0052]
为了从图像中提取出有用的高层次特征信息，支持后续的异常情况检测，将所述增强感兴趣区域通过作为特征提取器的卷积神经网络模型以得到感兴趣区域特征图。卷积神经网络是一种高效的深度学习算法，具有多个卷积层和池化层，能够在不同尺度上对图像进行特征提取，从图像中提取出丰富的高层次特征信息，对于异常情况的识别具有较高的准确性和鲁棒性。通过将增强的感兴趣区域作为输入，卷积神经网络可以有效地提取出感兴趣区域中的高精度特征，包括形状、纹理和颜色等，为后续的异常情况识别提供更为准确和全面的数据支持。并且，卷积神经网络卷积神经网络可以通过训练自适应地学习特征，减少了人为设定特征提取器的成本和风险，提高了异常情况检测的效率和准确度。
[0053]
为了进一步提高特征表达的准确性，采用非局部神经网络模型来处理所述感兴趣区域特征图。非局部神经网络是一种能够对输入信号进行全局关联性建模的深度学习算法，可以通过全局范围内的信息交互来平滑化特征图，从而降低噪声的影响，使得特征更加稳定和可靠。具体地，将所述感兴趣区域特征图通过非局部神经网络可以得到通道调整全局相似特征图，再通过融合所述通道调整全局相似特征图和所述感兴趣区域特征图，以生成更加全面和准确的特征表示，增强感兴趣区域特征图的表达能力，提高特征提取的准确性。非局部神经网络在计算特征相似性时，能够发现更加重要的空间维度信息，并且能够生成位置不变的特征表示，具有更好的可解释性，为后续的异常情况检测提供更为全面和准确的数据支持。
[0054]
最后，将所述增强感兴趣区域特征图通过分类器进行分类，判断仓储中心是否存在异常情况。分类器可以根据特征图判断感兴趣区域是否存在异常情况，能够提取出更加准确和有意义的特征，从而提高异常情况检测的准确性。通过对增强感兴趣区域特征图进行分类，可以对异常情况进行识别，例如人员闯入、危险物品存放、火灾等，有助于制定针对性的应急措施，保障安全和稳定的工作环境。
[0055]
特别地，在本技术的技术方案中，通过融合所述通道调整全局相似特征图和所述感兴趣区域特征图能够融合所述感兴趣区域的全局特征和局部特征，但考虑到所述通道调整全局相似特征图是在所述感兴趣区域特征图的基础上进行非局部特征提取得到的，在进行非局部特征提取时需要进行通道维度的调整，可能会导致所述通道调整全局相似特征图和所述感兴趣区域特征图存在高维特征流形分布差异较大的问题，从而影响所述增强感兴趣区域特征图通过分类器得到的分类结果的准确性。
[0056]
基于此，在本技术的技术方案中，基于特征图之间的高维特征流形分布之间的相似性来进行特征图融合。具体地，使用主成分分析(pca)将所述通道调整全局相似特征图的沿通道维度的各个特征矩阵映射到低维特征空间中以得到多个第一主成分特征向量，且使
用所述主成分分析将所述感兴趣区域特征图的沿通道维度的各个特征矩阵映射到低维特征空间中以得到多个第二主成分特征向量；计算所述第一主成分特征向量相对于所述第二主成分特征向量之间的第一交叉熵，且计算所述第二主成分特征向量相对于所述第一主成分特征向量之间的第二交叉熵以得到到多个归一化第一交叉熵系数和多个归一化第二交叉熵系数；
[0057][0058][0059]
其中，v
1ij
表示第i个所述第一主成分特征向量的第j个位置的特征值，v
2ij
表示第i个所述第二主成分特征向量的第j个位置的特征值，k表示特征向量的长度，n表示特征向量的个数，max表示最大值函数，w
1i
表示所述归一化第一交叉熵系数，w
2i
表示所述多个归一化第二交叉熵系数。
[0060]
然后，以所述多个归一化第一交叉熵系数和所述多个归一化第二交叉熵系数作为权重，分别对所述通道调整全局相似特征图和所述感兴趣区域特征图的沿通道维度的各个特征矩阵进行加权以得到流形校正通道调整全局相似特征图和流形校正感兴趣区域特征图，并计算所述流形校正通道调整全局相似特征图和所述流形校正感兴趣区域特征图之间的按位置均值以得到所述增强感兴趣区域特征图。
[0061]
基于所述通道调整全局相似特征图和所述感兴趣区域特征图之间的高维特征流形分布之间的相似性来进行特征图融合，其利用流形学习思想捕捉不同特征图之间的内在联系和结构信息，从而提取出更有判别力和表达力的融合特征。
[0062]
具体地，利用流形学习思想将所述通道调整全局相似特征图和所述感兴趣区域特征图的高维特征分布以保留保持数据的局部结构和全局拓扑的方式映射到低维特征空间中，进而利用流形学习的思想来捕捉不同特征图之间的内在联系和结构信息。应可以理解，如果所述通道调整全局相似特征图和所述感兴趣区域特征图在高维空间中位于相近的特征流形分布上，就可以通过流形学习将它们对齐或投影到同一低维特征空间中，从而实现特征的融合。这样，适应不同尺度和视角的变化，增强特征的语义信息和判别能力，减少特征的冗余和噪声，提高特征的紧凑性和鲁棒性。
[0063]
图1为根据本技术实施例的电子商务用仓储中心安全监控系统的应用场景图。如图1所示，在该应用场景中，首先，获取由部署于电子商务用仓储中心(例如，如图1中所示意的e)内部的摄像头(例如，如图1中所示意的c)采集的监控图像。然后，将采集的监控图像输入至部署有电子商务用仓储中心安全监控算法的服务器中(例如，图1中所示意的s)，其中，所述服务器能够使用所述电子商务用仓储中心安全监控算法对所述监控图像进行处理以生成用于表示仓储中心是否存在异常情况的分类结果。
[0064]
在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
[0065]
示例性系统
[0066]
图2为根据本技术实施例的电子商务用仓储中心安全监控系统的框图。如图2所示，根据本技术实施例的电子商务用仓储中心安全监控系统100，包括：监控模块110，用于获取由部署于电子商务用仓储中心内部的摄像头采集的监控图像；分块模块120，用于对所述监控图像进行图像分块处理以得到多个图像块；图像块目标探测模块130，用于将所述多个图像块分别通过目标检测网络以得到至少一个感兴趣区域；感兴趣区域像素增强模块140，用于将所述感兴趣区域通过基于对抗生成网络的图像增强器以得到增强感兴趣区域；特征提取模块150，用于将所述增强感兴趣区域通过作为特征提取器的卷积神经网络模型以得到感兴趣区域特征图；特征增强模块160，用于将所述感兴趣区域特征图通过非局部神经网络模型以得到增强感兴趣区域特征图；以及，管理结果生成模块170，用于将所述增强感兴趣区域特征图通过分类器以得到分类结果，所述分类结果用于表示仓储中心是否存在异常情况。
[0067]
图3为根据本技术实施例的电子商务用仓储中心安全监控系统的架构示意图。如图3所示，首先，获取由部署于电子商务用仓储中心内部的摄像头采集的监控图像。接着，对所述监控图像进行图像分块处理以得到多个图像块。然后，将所述多个图像块分别通过目标检测网络以得到至少一个感兴趣区域。其次，将所述感兴趣区域通过基于对抗生成网络的图像增强器以得到增强感兴趣区域。接着，将所述增强感兴趣区域通过作为特征提取器的卷积神经网络模型以得到感兴趣区域特征图。然后，将所述感兴趣区域特征图通过非局部神经网络模型以得到增强感兴趣区域特征图。最后，将所述增强感兴趣区域特征图通过分类器以得到分类结果，所述分类结果用于表示仓储中心是否存在异常情况。
[0068]
在上述电子商务用仓储中心安全监控系统100中，所述监控模块110，用于获取由部署于电子商务用仓储中心内部的摄像头采集的监控图像。针对上述问题，本技术的技术构思为通过在电子商务用仓储中心内部部署摄像头，实时获取监控图像，基于深度学习和图像处理技术，判断仓储中心是否存在异常情况。通过摄像头可以对电子商务用仓储中心的内部进行实时监测，可以及时发现可能存在的安全隐患和异常情况，有利于后续的安全防范和管理。因此，在本技术的技术方案中，首先，获取部署于电子商务用仓储中心内部的摄像头采集的监控图像。
[0069]
在上述电子商务用仓储中心安全监控系统100中，所述分块模块120，用于对所述监控图像进行图像分块处理以得到多个图像块。如果直接对监控图像整体进行处理，由于图像复杂，容易受到光线、角度等因素的影响，导致误检率较高。通过分块处理后，可以得到多个图像块，每个图像块相当于一个小的监控画面，能够从不同角度监测仓储中心内部的情况。并且，将监控图像按照一定的规则进行分块，可以使得每个小块只需要进行局部的处理，而且这些小块的特征信息更加精细，有利于后续的特征提取和分析，提高了处理效率和准确度。
[0070]
相应地，在一个具体示例中，所述分块模块120，用于：对所述监控图像进行均匀图像分块处理以得到所述多个图像块，其中，所述多个图像块中各个图像块具有相同的尺寸。
[0071]
在上述电子商务用仓储中心安全监控系统100中，所述图像块目标探测模块130，用于将所述多个图像块分别通过目标检测网络以得到至少一个感兴趣区域。为了实现对每个小块的异常情况进行精细化的检测与监测，将所述多个图像块分别通过目标检测网络以得到至少一个感兴趣区域。目标检测网络能够检测出多种异常情况，例如人员闯入、车辆进
出、火灾等，从而更加全面地监测电子商务用仓储中心内部的情况。当目标检测网络发现异常情况时，可以及时发出警报，进行实时预警和应对，防止事态扩大。将大的监控图像分成多个小块后，再通过目标检测网络进行处理，能够实现对每个小块的异常情况进行精细化的检测与监测，提高了处理效率和准确度。并且，将监控图像分块处理后，目标检测网络只需要对每个小块进行处理，能够减少整体图像处理时的误检率，提高了安全监测效果。
[0072]
相应地，在一个具体示例中，所述目标检测网络为基于锚窗的目标检测网络，所述基于锚窗的目标检测网络为fast r-cnn、faster r-cnn或retinanet。
[0073]
在上述电子商务用仓储中心安全监控系统100中，所述感兴趣区域像素增强模块140，用于将所述感兴趣区域通过基于对抗生成网络的图像增强器以得到增强感兴趣区域。为了提高异常情况检测的准确度和显示效果，将所述感兴趣区域通过基于对抗生成网络的图像增强器进行特征增强。图像增强器可以加强感兴趣区域的细节信息和纹理特征，有利于后续的特征提取和分析。考虑到，有些感兴趣区域可能受到光线、角度等因素的影响导致不够清晰，而基于对抗生成网络的图像增强器可以通过复杂的算法提高图像的清晰度，使得异常情况更加明显，有利于后续的分析和判断。并且，感兴趣区域中可能存在一些噪声或者其他干扰因素，而基于对抗生成网络的图像增强器可以通过去噪等技术手段降低噪声，提高图像的质量。通过自动化的图像处理技术，能够减少人工对图像进行干预的成本和风险，提高安全监测的效率和准确度。
[0074]
相应地，在一个具体示例中，所述基于对抗生成网络包含鉴别器和生成器，其中，所述感兴趣区域像素增强模块140，用于：将所述感兴趣区域输入所述基于对抗生成网络的图像增强器的生成器以由所述生成器对所述感兴趣区域进行反卷积处理以得到所述增强感兴趣区域。
[0075]
在上述电子商务用仓储中心安全监控系统100中，所述特征提取模块150，用于将所述增强感兴趣区域通过作为特征提取器的卷积神经网络模型以得到感兴趣区域特征图。为了从图像中提取出有用的高层次特征信息，支持后续的异常情况检测，采用作为特征提取器的卷积神经网络模型对所述增强感兴趣区域进行处理。卷积神经网络是一种高效的深度学习算法，具有多个卷积层和池化层，能够在不同尺度上对图像进行特征提取，从图像中提取出丰富的高层次特征信息，对于异常情况的识别具有较高的准确性和鲁棒性。通过将增强的感兴趣区域作为输入，卷积神经网络可以有效地提取出感兴趣区域中的高精度特征，包括形状、纹理和颜色等，为后续的异常情况识别提供更为准确和全面的数据支持。并且，卷积神经网络卷积神经网络可以通过训练自适应地学习特征，减少了人为设定特征提取器的成本和风险，提高了异常情况检测的效率和准确度。
[0076]
相应地，在一个具体示例中，所述特征提取模块150，包括：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的卷积神经网络的最后一层的输出为所述感兴趣区域特征图，所述作为特征提取器的卷积神经网络的第一层的输入为所述增强感兴趣区域。
[0077]
在上述电子商务用仓储中心安全监控系统100中，所述特征增强模块160，用于将所述感兴趣区域特征图通过非局部神经网络模型以得到增强感兴趣区域特征图。为了进一
步提高特征表达的准确性，采用非局部神经网络模型来处理所述感兴趣区域特征图。非局部神经网络是一种能够对输入信号进行全局关联性建模的深度学习算法，可以通过全局范围内的信息交互来平滑化特征图，从而降低噪声的影响，使得特征更加稳定和可靠。并且，非局部神经网络模型可以将不同位置、不同尺度、不同通道的特征进行融合，生成更加全面和准确的特征表示，增强感兴趣区域特征图的表达能力，提高特征提取的准确性。非局部神经网络在计算特征相似性时，能够发现更加重要的空间维度信息，并且能够生成位置不变的特征表示，具有更好的可解释性，为后续的异常情况检测提供更为全面和准确的数据支持。
[0078]
图4为根据本技术实施例的电子商务用仓储中心安全监控系统中特征增强模块的框图。如图4所示，所述特征增强模块160，包括：点卷积单元161，用于将所述感兴趣区域特征图分别输入所述非局部神经网络的第一点卷积层、第二点卷积层和第三点卷积层以得到第一特征图、第二特征图和第三特征图；第一融合单元162，用于计算所述第一特征图和所述第二特征图的按位置加权和以得到中间融合特征图；归一化单元163，用于将所述中间融合特征图输入softmax函数以对所述中间融合特征图中各个位置的特征值进行归一化以得到归一化中间融合特征图；第二融合单元164，用于计算所述归一化中间融合特征图和所述第三特征图的按位置加权和以得到再融合特征图；全局感知单元165，用于将所述再融合特征图通过嵌入高斯相似性函数以计算所述再融合特征图中各个位置的特征值间的相似性以得到全局相似特征图；通道数调整单元166，用于将所述全局相似特征图通过所述非局部神经网络的第四点卷积层以调整所述全局相似特征图的通道数以得到通道调整全局相似特征图；以及，第三融合单元167，用于基于所述通道调整全局相似特征图和所述感兴趣区域特征图之间的高维特征流形分布之间的相似性来进行特征图融合以得到所述增强感兴趣区域特征图。
[0079]
特别地，在本技术的技术方案中，通过融合所述通道调整全局相似特征图和所述感兴趣区域特征图能够融合所述感兴趣区域的全局特征和局部特征，但考虑到所述通道调整全局相似特征图是在所述感兴趣区域特征图的基础上进行非局部特征提取得到的，在进行非局部特征提取时需要进行通道维度的调整，可能会导致所述通道调整全局相似特征图和所述感兴趣区域特征图存在高维特征流形分布差异较大的问题，从而影响所述增强感兴趣区域特征图通过分类器得到的分类结果的准确性。
[0080]
基于此，在本技术的技术方案中，基于特征图之间的高维特征流形分布之间的相似性来进行特征图融合。具体地，使用主成分分析(pca)将所述通道调整全局相似特征图的沿通道维度的各个特征矩阵映射到低维特征空间中以得到多个第一主成分特征向量，且使用所述主成分分析将所述感兴趣区域特征图的沿通道维度的各个特征矩阵映射到低维特征空间中以得到多个第二主成分特征向量；计算所述第一主成分特征向量相对于所述第二主成分特征向量之间的第一交叉熵，且计算所述第二主成分特征向量相对于所述第一主成分特征向量之间的第二交叉熵以得到到多个归一化第一交叉熵系数和多个归一化第二交叉熵系数；
[0081]
[0082][0083]
其中，v
1ij
表示第i个所述第一主成分特征向量的第j个位置的特征值，v
2ij
表示第i个所述第二主成分特征向量的第j个位置的特征值，k表示特征向量的长度，n表示特征向量的个数，max表示最大值函数，w
1i
表示所述归一化第一交叉熵系数，w
2i
表示所述多个归一化第二交叉熵系数。
[0084]
然后，以所述多个归一化第一交叉熵系数和所述多个归一化第二交叉熵系数作为权重，分别对所述通道调整全局相似特征图和所述感兴趣区域特征图的沿通道维度的各个特征矩阵进行加权以得到流形校正通道调整全局相似特征图和流形校正感兴趣区域特征图，并计算所述流形校正通道调整全局相似特征图和所述流形校正感兴趣区域特征图之间的按位置均值以得到所述增强感兴趣区域特征图。
[0085]
基于所述通道调整全局相似特征图和所述感兴趣区域特征图之间的高维特征流形分布之间的相似性来进行特征图融合，其利用流形学习思想捕捉不同特征图之间的内在联系和结构信息，从而提取出更有判别力和表达力的融合特征。
[0086]
具体地，利用流形学习思想将所述通道调整全局相似特征图和所述感兴趣区域特征图的高维特征分布以保留保持数据的局部结构和全局拓扑的方式映射到低维特征空间中，进而利用流形学习的思想来捕捉不同特征图之间的内在联系和结构信息。应可以理解，如果所述通道调整全局相似特征图和所述感兴趣区域特征图在高维空间中位于相近的特征流形分布上，就可以通过流形学习将它们对齐或投影到同一低维特征空间中，从而实现特征的融合。这样，适应不同尺度和视角的变化，增强特征的语义信息和判别能力，减少特征的冗余和噪声，提高特征的紧凑性和鲁棒性。
[0087]
在上述电子商务用仓储中心安全监控系统100中，所述管理结果生成模块170，用于将所述增强感兴趣区域特征图通过分类器以得到分类结果，所述分类结果用于表示仓储中心是否存在异常情况。分类器可以根据特征图判断感兴趣区域是否存在异常情况，能够提取出更加准确和有意义的特征，从而提高异常情况检测的准确性。通过对增强感兴趣区域特征图进行分类，可以对异常情况进行识别，例如人员闯入、危险物品存放、火灾等，有助于制定针对性的应急措施，保障安全和稳定的工作环境。
[0088]
相应地，在一个具体示例中，所述管理结果生成模块170，用于：使用所述分类器以如下分类公式对所述增强感兴趣区域特征图进行处理以获得分类结果，其中，所述分类公式为：softmaxp(mc,bc)|project(f)}，其中project(f)表示将所述增强感兴趣区域特征图投影为向量，mc为全连接层的权重矩阵，bc表示全连接层的偏置矩阵，softmax表示归一化指数函数。
[0089]
综上，根据本技术实施例的电子商务用仓储中心安全监控系统被阐明，其通过在电子商务用仓储中心内部部署摄像头，实时获取监控图像，基于深度学习和图像处理技术，判断仓储中心是否存在异常情况。该方案利用多种技术手段对电子商务用仓储中心内部的情况进行监测和分析，以提高货物安全性，防止盗窃、抢劫等违法行为，同时也能够及时发现并应对火灾等安全事故，保障人员和货物的安全。
[0090]
示例性方法
[0091]
图5为根据本技术实施例的电子商务用仓储中心安全监控方法的流程图。如图5所示，根据本技术实施例的电子商务用仓储中心安全监控方法，包括步骤：s110，获取由部署于电子商务用仓储中心内部的摄像头采集的监控图像；s120，对所述监控图像进行图像分块处理以得到多个图像块；s130，将所述多个图像块分别通过目标检测网络以得到至少一个感兴趣区域；s140，将所述感兴趣区域通过基于对抗生成网络的图像增强器以得到增强感兴趣区域；s150，将所述增强感兴趣区域通过作为特征提取器的卷积神经网络模型以得到感兴趣区域特征图；s160，将所述感兴趣区域特征图通过非局部神经网络模型以得到增强感兴趣区域特征图；以及，s170，将所述增强感兴趣区域特征图通过分类器以得到分类结果，所述分类结果用于表示仓储中心是否存在异常情况。
[0092]
在一个具体示例中，在上述电子商务用仓储中心安全监控方法中，所述步骤s120，对所述监控图像进行图像分块处理以得到多个图像块，包括：对所述监控图像进行均匀图像分块处理以得到所述多个图像块，其中，所述多个图像块中各个图像块具有相同的尺寸。
[0093]
在一个具体示例中，在上述电子商务用仓储中心安全监控方法中，所述目标检测网络为基于锚窗的目标检测网络，所述基于锚窗的目标检测网络为fast r-cnn、faster r-cnn或retinanet。
[0094]
在一个具体示例中，在上述电子商务用仓储中心安全监控方法中，所述基于对抗生成网络包含鉴别器和生成器。
[0095]
在一个具体示例中，在上述电子商务用仓储中心安全监控方法中，所述步骤s140，将所述感兴趣区域通过基于对抗生成网络的图像增强器以得到增强感兴趣区域，包括：将所述感兴趣区域输入所述基于对抗生成网络的图像增强器的生成器以由所述生成器对所述感兴趣区域进行反卷积处理以得到所述增强感兴趣区域。
[0096]
在一个具体示例中，在上述电子商务用仓储中心安全监控方法中，所述步骤s150，将所述增强感兴趣区域通过作为特征提取器的卷积神经网络模型以得到感兴趣区域特征图，包括：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的卷积神经网络的最后一层的输出为所述感兴趣区域特征图，所述作为特征提取器的卷积神经网络的第一层的输入为所述增强感兴趣区域。
[0097]
在一个具体示例中，在上述电子商务用仓储中心安全监控方法中，所述步骤s160，将所述感兴趣区域特征图通过非局部神经网络模型以得到增强感兴趣区域特征图，包括：将所述感兴趣区域特征图分别输入所述非局部神经网络的第一点卷积层、第二点卷积层和第三点卷积层以得到第一特征图、第二特征图和第三特征图；计算所述第一特征图和所述第二特征图的按位置加权和以得到中间融合特征图；将所述中间融合特征图输入softmax函数以对所述中间融合特征图中各个位置的特征值进行归一化以得到归一化中间融合特征图；计算所述归一化中间融合特征图和所述第三特征图的按位置加权和以得到再融合特征图；将所述再融合特征图通过嵌入高斯相似性函数以计算所述再融合特征图中各个位置的特征值间的相似性以得到全局相似特征图；将所述全局相似特征图通过所述非局部神经网络的第四点卷积层以调整所述全局相似特征图的通道数以得到通道调整全局相似特征
图；以及，基于所述通道调整全局相似特征图和所述感兴趣区域特征图之间的高维特征流形分布之间的相似性来进行特征图融合以得到所述增强感兴趣区域特征图。
[0098]
在一个具体示例中，在上述电子商务用仓储中心安全监控方法中，基于所述通道调整全局相似特征图和所述感兴趣区域特征图之间的高维特征流形分布之间的相似性来进行特征图融合以得到所述增强感兴趣区域特征图，包括：使用主成分分析将所述通道调整全局相似特征图的沿通道维度的各个特征矩阵映射到低维特征空间中以得到多个第一主成分特征向量，且使用所述主成分分析将所述感兴趣区域特征图的沿通道维度的各个特征矩阵映射到低维特征空间中以得到多个第二主成分特征向量；
[0099]
以如下第一交叉熵公式计算所述第一主成分特征向量相对于所述第二主成分特征向量之间的第一交叉熵以得到多个归一化第一交叉熵系数；其中，所述第一交叉熵公式为：
[0100][0101]
其中，v
1ij
表示第i个所述第一主成分特征向量的第j个位置的特征值，v
2ij
表示第i个所述第二主成分特征向量的第j个位置的特征值，k表示特征向量的长度，n表示特征向量的个数，max表示最大值函数，w
1i
表示所述多个归一化第一交叉熵系数；
[0102]
以如下第二交叉熵公式计算所述第二主成分特征向量相对于所述第一主成分特征向量之间的第二交叉熵以得到多个归一化第二交叉熵系数；其中，所述第二交叉熵公式为：
[0103][0104]
其中，v
1ij
表示第i个所述第一主成分特征向量的第j个位置的特征值，v
2ij
表示第i个所述第二主成分特征向量的第j个位置的特征值，k表示特征向量的长度，n表示特征向量的个数，max表示最大值函数，w
2i
表示所述多个归一化第二交叉熵系数；
[0105]
以所述多个归一化第一交叉熵系数和所述多个归一化第二交叉熵系数作为权重，分别对所述通道调整全局相似特征图和所述感兴趣区域特征图的沿通道维度的各个特征矩阵进行加权以得到流形校正通道调整全局相似特征图和流形校正感兴趣区域特征图，并计算所述流形校正通道调整全局相似特征图和所述流形校正感兴趣区域特征图之间的按位置均值以得到所述增强感兴趣区域特征图。
[0106]
在一个具体示例中，在上述电子商务用仓储中心安全监控方法中，所述步骤s170，将所述增强感兴趣区域特征图通过分类器以得到分类结果，所述分类结果用于表示仓储中心是否存在异常情况，包括：使用所述分类器以如下分类公式对所述增强感兴趣区域特征图进行处理以获得分类结果，其中，所述分类公式为：softmax{(mc,bc)|project(f)}，其中project(f)表示将所述增强感兴趣区域特征图投影为向量，mc为全连接层的权重矩阵，bc表示全连接层的偏置矩阵，softmax表示归一化指数函数。
[0107]
这里，本领域技术人员可以理解，上述电子商务用仓储中心安全监控方法中的各个步骤的具体操作已经在上面参考图2到图4的电子商务用仓储中心安全监控系统的描述
中得到了详细介绍，并因此，将省略其重复描述。
[0108]
示例性电子设备
[0109]
下面，参考图6来描述根据本技术实施例的电子设备。图6为根据本技术实施例的电子设备的框图。如图6所示，电子设备10包括一个或多个处理器11和存储器12。
[0110]
处理器11可以是中央处理单元(cpu)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
[0111]
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(ram)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(rom)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本技术的各个实施例的电子商务用仓储中心安全监控系统中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如监控图像等各种内容。
[0112]
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
[0113]
该输入装置13可以包括例如键盘、鼠标等等。
[0114]
该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
[0115]
当然，为了简化，图6中仅示出了该电子设备10中与本技术有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
[0116]
示例性计算机程序产品和计算机可读存储介质
[0117]
除了上述方法和设备以外，本技术的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本技术各种实施例的电子商务用仓储中心安全监控方法中的功能中的步骤。
[0118]
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本技术实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如java、c++等，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
[0119]
此外，本技术的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本技术各种实施例的电子商务用仓储中心安全监控方法中的功能中的步骤。
[0120]
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的
例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。

技术特征：
1.一种电子商务用仓储中心安全监控系统，其特征在于，包括：监控模块，用于获取由部署于电子商务用仓储中心内部的摄像头采集的监控图像；分块模块，用于对所述监控图像进行图像分块处理以得到多个图像块；图像块目标探测模块，用于将所述多个图像块分别通过目标检测网络以得到至少一个感兴趣区域；感兴趣区域像素增强模块，用于将所述感兴趣区域通过基于对抗生成网络的图像增强器以得到增强感兴趣区域；特征提取模块，用于将所述增强感兴趣区域通过作为特征提取器的卷积神经网络模型以得到感兴趣区域特征图；特征增强模块，用于将所述感兴趣区域特征图通过非局部神经网络模型以得到增强感兴趣区域特征图；以及管理结果生成模块，用于将所述增强感兴趣区域特征图通过分类器以得到分类结果，所述分类结果用于表示仓储中心是否存在异常情况。2.根据权利要求1所述的电子商务用仓储中心安全监控系统，其特征在于，所述分块模块，用于：对所述监控图像进行均匀图像分块处理以得到所述多个图像块，其中，所述多个图像块中各个图像块具有相同的尺寸。3.根据权利要求2所述的电子商务用仓储中心安全监控系统，其特征在于，所述目标检测网络为基于锚窗的目标检测网络，所述基于锚窗的目标检测网络为fast r-cnn、faster r-cnn或retinanet。4.根据权利要求3所述的电子商务用仓储中心安全监控系统，其特征在于，所述基于对抗生成网络包含鉴别器和生成器。5.根据权利要求4所述的电子商务用仓储中心安全监控系统，其特征在于，所述感兴趣区域像素增强模块，用于：将所述感兴趣区域输入所述基于对抗生成网络的图像增强器的生成器以由所述生成器对所述感兴趣区域进行反卷积处理以得到所述增强感兴趣区域。6.根据权利要求5所述的电子商务用仓储中心安全监控系统，其特征在于，所述特征提取模块，包括：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的卷积神经网络的最后一层的输出为所述感兴趣区域特征图，所述作为特征提取器的卷积神经网络的第一层的输入为所述增强感兴趣区域。7.根据权利要求6所述的电子商务用仓储中心安全监控系统，其特征在于，所述特征增强模块，包括：点卷积单元，用于将所述感兴趣区域特征图分别输入所述非局部神经网络的第一点卷积层、第二点卷积层和第三点卷积层以得到第一特征图、第二特征图和第三特征图；第一融合单元，用于计算所述第一特征图和所述第二特征图的按位置加权和以得到中间融合特征图；归一化单元，用于将所述中间融合特征图输入softmax函数以对所述中间融合特征图
中各个位置的特征值进行归一化以得到归一化中间融合特征图；第二融合单元，用于计算所述归一化中间融合特征图和所述第三特征图的按位置加权和以得到再融合特征图；全局感知单元，用于将所述再融合特征图通过嵌入高斯相似性函数以计算所述再融合特征图中各个位置的特征值间的相似性以得到全局相似特征图；通道数调整单元，用于将所述全局相似特征图通过所述非局部神经网络的第四点卷积层以调整所述全局相似特征图的通道数以得到通道调整全局相似特征图；以及第三融合单元，用于基于所述通道调整全局相似特征图和所述感兴趣区域特征图之间的高维特征流形分布之间的相似性来进行特征图融合以得到所述增强感兴趣区域特征图。8.根据权利要求7所述的电子商务用仓储中心安全监控系统，其特征在于，所述第三融合单元，包括：使用主成分分析将所述通道调整全局相似特征图的沿通道维度的各个特征矩阵映射到低维特征空间中以得到多个第一主成分特征向量，且使用所述主成分分析将所述感兴趣区域特征图的沿通道维度的各个特征矩阵映射到低维特征空间中以得到多个第二主成分特征向量；以如下第一交叉熵公式计算所述第一主成分特征向量相对于所述第二主成分特征向量之间的第一交叉熵以得到多个归一化第一交叉熵系数；其中，所述第一交叉熵公式为：其中，v
1ij
表示第i个所述第一主成分特征向量的第j个位置的特征值，v
2ij
表示第i个所述第二主成分特征向量的第j个位置的特征值，k表示特征向量的长度，n表示特征向量的个数，max表示最大值函数，w
1i
表示所述多个归一化第一交叉熵系数；以如下第二交叉熵公式计算所述第二主成分特征向量相对于所述第一主成分特征向量之间的第二交叉熵以得到多个归一化第二交叉熵系数；其中，所述第二交叉熵公式为：其中，v
1ij
表示第i个所述第一主成分特征向量的第j个位置的特征值，v
2ij
表示第i个所述第二主成分特征向量的第j个位置的特征值，k表示特征向量的长度，n表示特征向量的个数，max表示最大值函数，w
2i
表示所述多个归一化第二交叉熵系数；以及以所述多个归一化第一交叉熵系数和所述多个归一化第二交叉熵系数作为权重，分别对所述通道调整全局相似特征图和所述感兴趣区域特征图的沿通道维度的各个特征矩阵进行加权以得到流形校正通道调整全局相似特征图和流形校正感兴趣区域特征图，并计算所述流形校正通道调整全局相似特征图和所述流形校正感兴趣区域特征图之间的按位置均值以得到所述增强感兴趣区域特征图。9.根据权利要求8所述的电子商务用仓储中心安全监控系统，其特征在于，所述管理结
果生成模块，用于：使用所述分类器以如下分类公式对所述增强感兴趣区域特征图进行处理以获得分类结果，其中，所述分类公式为：softmax{(m
c
,b
c
)|project(f)}，其中project(f)表示将所述增强感兴趣区域特征图投影为向量，m
c
为全连接层的权重矩阵，b
c
表示全连接层的偏置矩阵，softmax表示归一化指数函数。10.一种电子商务用仓储中心安全监控方法，其特征在于，包括：获取由部署于电子商务用仓储中心内部的摄像头采集的监控图像；对所述监控图像进行图像分块处理以得到多个图像块；将所述多个图像块分别通过目标检测网络以得到至少一个感兴趣区域；将所述感兴趣区域通过基于对抗生成网络的图像增强器以得到增强感兴趣区域；将所述增强感兴趣区域通过作为特征提取器的卷积神经网络模型以得到感兴趣区域特征图；将所述感兴趣区域特征图通过非局部神经网络模型以得到增强感兴趣区域特征图；以及将所述增强感兴趣区域特征图通过分类器以得到分类结果，所述分类结果用于表示仓储中心是否存在异常情况。

技术总结
本申请涉及安全监控技术领域，其具体地公开了一种电子商务用仓储中心安全监控系统及其方法，其通过在电子商务用仓储中心内部部署摄像头，实时获取监控图像，基于深度学习和图像处理技术，判断仓储中心是否存在异常情况。该方案利用多种技术手段对电子商务用仓储中心内部的情况进行监测和分析，以提高货物安全性，防止盗窃、抢劫等违法行为，同时也能够及时发现并应对火灾等安全事故，保障人员和货物的安全。安全。安全。


技术研发人员：吴强顺 喻剑光
受保护的技术使用者：安徽悦来悦好电子商务有限公司
技术研发日：2023.06.20
技术公布日：2023/9/19