為了推動物流業(yè)的智能化發(fā)展，本書深入研究了物流安全檢測技術(shù)及應用：首先介紹了物流安全檢測技術(shù)的背景和評估方法體系；然后詳細介紹了基于慣性和圖像的物流安全檢測技術(shù)，這些技術(shù)能有效監(jiān)測物流環(huán)境中的各種異常情況。此外，本書還對基于慣性、圖像的檢測方法進行了總結(jié)，為讀者提供了豐富而全面的物流安全檢測技術(shù)知識。通過閱讀本書，讀者能夠深入了解物流安全檢測與應用的最新研究成果和實踐案例，從而加深對物流業(yè)智慧化、智能化發(fā)展的認識。
本書不僅適合機械工程、物流工程、交通運輸工程、安全工程等相關(guān)學科或?qū)I(yè)的科研人員、高校師生閱讀，也可作為物流安全檢測相關(guān)領(lǐng)域?qū)嵺`工作的參考用書。
第1章 緒論 001
1.1 物流安全檢測技術(shù)的研究背景 002
1.2 物流安全檢測技術(shù)的研究目的和意義 004
1.3 物流安全檢測方法和技術(shù)的發(fā)展及應用現(xiàn)狀 007
1.3.1 方法和技術(shù)研究現(xiàn)狀 007
1.3.2 應用現(xiàn)狀 016
1.4 本書主要內(nèi)容 031
參考文獻 032
第2章 物流安全檢測技術(shù)體系框架 039
2.1 全流程物流安全檢測技術(shù)的體系框架 040
2.2 面向在途運輸?shù)奈锪靼踩珯z測技術(shù)方案 046
2.3 面向固定場所的物流安全檢測技術(shù)方案 048
參考文獻 050
第3章 基于慣性傳感的物流安全檢測技術(shù) 053
3.1 基于慣性傳感的物流安全檢測技術(shù)實現(xiàn)流程 054
3.2 基于慣性傳感的物流安全檢測的硬件終端 055
3.2.1 智能慣性傳感終端 056
3.2.2 基于振動能量收集的續(xù)航保持技術(shù) 060
3.3 基于深度學習的異常物流操作行為識別算法 082
3.3.1 加速度數(shù)據(jù)預處理（作為基于深度學習的識別算法的輸入） 083
3.3.2 CNN 095
3.3.3 CNN-LSTM 102
3.3.4 CDCE-CNN-GRU 105
3.4 基于慣性傳感的物流安全檢測云平臺 123
3.4.1 功能需求分析 123
3.4.2 云平臺界面 125
3.4.3 云平臺功能 127
參考文獻 128
第4章 基于圖像識別的物流安全檢測技術(shù) 135
4.1 人為異常操作行為的智能識別技術(shù) 136
4.1.1 快遞分揀人員異常行為研究 136
4.1.2 基于視頻識別的快遞分揀人員異常行為檢測算法 139
4.1.3 基于圖像識別的快遞分揀人員異常行為檢測算法 145
4.1.4 基于輕量化對抗增強的復雜強噪背景下物流違規(guī)操作檢測方法 166
4.2 貨物安檢圖像的智能判別技術(shù) 180
4.2.1 小樣本學習 181
4.2.2 小樣本學習的算法方式 183
4.2.3 多標簽圖像標注 189
4.2.4 多標簽分類 190
4.2.5 使用Tensorflow構(gòu)建關(guān)系網(wǎng)絡與匹配網(wǎng)絡 193
4.2.6 基于YOLOv4算法的違禁寄遞物品識別方法 200
參考文獻 215
第5章 總結(jié)與展望 219
5.1 主要工作與結(jié)論 220
5.2 未來工作展望 222
書單推薦
