CN117455324A - 一种基于物理模型的大型港口运营管理方法及系统 - Google Patents

Abstract

本发明涉及港口运营管理技术领域，特别是一种基于物理模型的大型港口运营管理方法及系统。获取港口的预设运营模型图，并在所述预设运营模型图中分离出港口预设位置的预设情景三维模型图；将所述实际情景三维模型图与预设情景三维模型图进行比较，得到情景偏差模型图；将使用状态为空闲状态的预设位置标记为可存放区域，并获取进港货船中的订单信息，根据所述订单信息对各可存放区域进行检索配对，得到存放该进港货船中货物的最终存放区域。基于物理模型的智能识别方法通过将计算机视觉、物理建模和深度学习技术融合在一起，克服了传统方法的限制，实现了更准确、高效、实时的货物卸货地点识别。

Description

一种基于物理模型的大型港口运营管理方法及系统

技术领域

本发明涉及港口运营管理技术领域，特别是一种基于物理模型的大型港口运营管理方法及系统。

背景技术

大型港口作为全球贸易和物流的关键节点，承载着大量的货物运输和卸货活动。为了提高港口的运营效率、优化货物管理以及加强安全监控，自动化和智能化的解决方案变得尤为重要。其中，基于物理模型的智能管理方法在实现货物卸货地点的自动识别方面具有巨大的潜力。传统上，港口货物卸货地点的识别主要依赖于人工巡逻和摄像头监控，虽然传统的人工巡逻或摄像头监控虽然在某种程度上能够监控货物卸货活动，但无法实现实时的、准确的卸货地点识别，无法精确地预测、规划和优化港口运营过程，导致港口的运营效率低下，而基于物理模型的智能管理方法能够在这方面发挥关键作用。

发明内容

本发明克服了现有技术的不足，提供了一种基于物理模型的大型港口运营管理方法及系统。

为达到上述目的本发明采用的技术方案为：

本发明第一方面公开了一种基于物理模型的大型港口运营管理方法，包括以下步骤：

获取港口中各个预设位置的实际情景图像信息，根据所述实际情景图像信息构建港口中各个预设位置的实际情景三维模型图；

获取港口的预设运营模型图，并在所述预设运营模型图中分离出港口预设位置的预设情景三维模型图；将所述实际情景三维模型图与预设情景三维模型图进行比较，得到情景偏差模型图；

根据所述情景偏差模型图对港口中各个预设位置进行识别判断，以识别判断出港口中各个预设位置的使用状态；

将使用状态为空闲状态的预设位置标记为可存放区域，并获取进港货船中的订单信息，根据所述订单信息对各可存放区域进行检索配对，得到存放该进港货船中货物的最终存放区域。

进一步地，本发明的一个较佳实施例中，获取港口中各个预设位置的实际情景图像信息，根据所述实际情景图像信息构建港口中各个预设位置的实际情景三维模型图，具体为：

获取港口中预设位置的实际情景图像信息，并对所述实际情景图像信息进行降噪与图像增强处理，得到处理后的实际情景图像信息；

通过ORB算法提取所述处理后的实际情景图像信息中的特征点，得到若干个特征点；并在所述处理后的实际情景图像信息检索出预设基准点，根据所述预设基准点构建相对坐标系；

在所述相对坐标系中获取各特征点的相对坐标值，根据所述相对坐标值计算出各特征点与所述预设基准点之间的曼哈顿距离，将各特征点与所述预设基准点之间的曼哈顿距离和预设曼哈顿距离进行比较；

将曼哈顿距离大于预设曼哈顿距离的特征点剔除，将曼哈顿距离不大于预设曼哈顿距离的特征点保留，得到经过离群筛选后的特征点；

获取所述经过离群筛选后的特征点的点云数据，并根据经过离群筛选后的特征点的点云数据重构得到港口中预设位置的实际情景三维模型图。

进一步地，本发明的一个较佳实施例中，将所述实际情景三维模型图与预设情景三维模型图进行比较，得到情景偏差模型图，具体为：

对所述实际情景三维模型图进行检索，以获取实际情景三维模型图中的第一标识物；对所述预设情景三维模型图进行检索，以获取预设情景三维模型图中的第二标识物；

构建虚拟配对空间，将所述实际情景三维模型图与预设情景三维模型图导入所述虚拟配对空间中，并将使得所述第一标识物与第二标识物相重合，以对所述实际情景三维模型图与预设情景三维模型图进行对齐处理；

对齐完成后，将所述实际情景三维模型图与预设情景三维模型图相重合的模型区域剔除，并保存所述实际情景三维模型图与预设情景三维模型图不相重合的模型区域，得到情景偏差模型图。

进一步地，本发明的一个较佳实施例中，根据所述情景偏差模型图对港口中各个预设位置进行识别判断，以识别判断出港口中各个预设位置的使用状态，具体为：

通过网格化法计算所述情景偏差模型图的模型体积值，并将所述模型体积值与预设模型体积值进行比较；

若所述模型体积值不大于预设模型体积值，则将港口中该预设位置标记为空闲状态；

若所述模型体积值大于预设模型体积值，则对所述情景偏差模型图进行识别，以根据所述情景偏差模型图识别出存在于港口中该预设位置的物体是否为预设物体；

若所述物体不是预设物体，则将港口中该预设位置标记为空闲状态；若所述物体是预设物体，则将港口中该预设位置标记为非空闲状态。

进一步地，本发明的一个较佳实施例中，对所述情景偏差模型图进行识别，以根据所述情景偏差模型图识别出存在于港口中该预设位置的物体是否为预设物体，具体为：

构建数据库，并通过大数据网络获取各类型预设物体对应的预设模型图，将各类型预设物体对应的预设模型图导入所述数据库中，得到配对数据库；

将所述情景偏差模型图导入所述配对数据库中，通过豪斯多夫距离算法计算所述情景偏差模型图与各预设模型图之间的相似度，得到多个相似度；

构建序列表，并将多个所述相似度导入所述序列表中进行大小排序，排序完成后，提取出最大相似度；将所述最大相似度与预设相似度进行比较；

若所述最大相似度大于预设相似度，则说明存在于港口中该预设位置的物体是预设物体；若所述最大相似度不大于预设相似度，则说明存在于港口中该预设位置的物体不是预设物体。

进一步地，本发明的一个较佳实施例中，将使用状态为空闲状态的预设位置标记为可存放区域，并获取进港货船中的订单信息，根据所述订单信息对各可存放区域进行检索配对，得到存放该进港货船中货物的最终存放区域，具体为：

获取进港货船中的订单信息，并对所述订单信息进行特征提出，得到订单特征数据，根据所述订单特征数据获取得到货物的卸货地点与货物特征信息；根据所述货物特征信息计算得到存放货物所需的存放占地空间信息；其中，货物特征信息包括货物数量与货物尺寸参数信息；

将使用状态为空闲状态的预设位置标记为可存放区域，以及获取各可存放区域的可存放空间信息，将可存放空间信息小于存放占地空间信息的可存放区域筛除，得到剩余可存放区域；

在所述预设运营模型图对卸货地点与各剩余可存放区域进行标记，并基于蚁群算法在所述预设运营模型图中规划出卸货地点与各剩余可存放区域之间的最佳卸货路径；

获取卸货设备的尺寸参数信息，根据所述尺寸参数信息构建得到卸货设备三维模型图；并根据货物尺寸参数信息构建得到货物三维模型图；以及在所述预设运营模型图中分离出各最佳卸货路径的卸货路径三维模型图；

将所述卸货路径三维模型图、卸货设备三维模型图以及货物三维模型图导入三维仿真软件中进行模拟仿真，以得到将货物卸存至各剩余可存放区域的卸存效率；

提取最大卸存效率，并将与最大卸存效率对应的剩余可存放区域标记为最终存放区域。

本发明第二方面公开了一种基于物理模型的大型港口运营管理系统，所述大型港口运营管理系统包括存储器与处理器，所述存储器中存储有大型港口运营管理方法程序，当所述大型港口运营管理方法程序被所述处理器执行时，实现如下步骤：

获取港口中各个预设位置的实际情景图像信息，根据所述实际情景图像信息构建港口中各个预设位置的实际情景三维模型图；

获取港口的预设运营模型图，并在所述预设运营模型图中分离出港口预设位置的预设情景三维模型图；将所述实际情景三维模型图与预设情景三维模型图进行比较，得到情景偏差模型图；

根据所述情景偏差模型图对港口中各个预设位置进行识别判断，以识别判断出港口中各个预设位置的使用状态；

将使用状态为空闲状态的预设位置标记为可存放区域，并获取进港货船中的订单信息，根据所述订单信息对各可存放区域进行检索配对，得到存放该进港货船中货物的最终存放区域。

进一步地，本发明的一个较佳实施例中，根据所述情景偏差模型图对港口中各个预设位置进行识别判断，以识别判断出港口中各个预设位置的使用状态，具体为：

通过网格化法计算所述情景偏差模型图的模型体积值，并将所述模型体积值与预设模型体积值进行比较；

若所述模型体积值不大于预设模型体积值，则将港口中该预设位置标记为空闲状态；

若所述模型体积值大于预设模型体积值，则对所述情景偏差模型图进行识别，以根据所述情景偏差模型图识别出存在于港口中该预设位置的物体是否为预设物体；

若所述物体不是预设物体，则将港口中该预设位置标记为空闲状态；若所述物体是预设物体，则将港口中该预设位置标记为非空闲状态。

进一步地，本发明的一个较佳实施例中，对所述情景偏差模型图进行识别，以根据所述情景偏差模型图识别出存在于港口中该预设位置的物体是否为预设物体，具体为：

构建数据库，并通过大数据网络获取各类型预设物体对应的预设模型图，将各类型预设物体对应的预设模型图导入所述数据库中，得到配对数据库；

将所述情景偏差模型图导入所述配对数据库中，通过豪斯多夫距离算法计算所述情景偏差模型图与各预设模型图之间的相似度，得到多个相似度；

构建序列表，并将多个所述相似度导入所述序列表中进行大小排序，排序完成后，提取出最大相似度；将所述最大相似度与预设相似度进行比较；

若所述最大相似度大于预设相似度，则说明存在于港口中该预设位置的物体是预设物体；若所述最大相似度不大于预设相似度，则说明存在于港口中该预设位置的物体不是预设物体。

进一步地，本发明的一个较佳实施例中，将使用状态为空闲状态的预设位置标记为可存放区域，并获取进港货船中的订单信息，根据所述订单信息对各可存放区域进行检索配对，得到存放该进港货船中货物的最终存放区域，具体为：

获取进港货船中的订单信息，并对所述订单信息进行特征提出，得到订单特征数据，根据所述订单特征数据获取得到货物的卸货地点与货物特征信息；根据所述货物特征信息计算得到存放货物所需的存放占地空间信息；其中，货物特征信息包括货物数量与货物尺寸参数信息；

将使用状态为空闲状态的预设位置标记为可存放区域，以及获取各可存放区域的可存放空间信息，将可存放空间信息小于存放占地空间信息的可存放区域筛除，得到剩余可存放区域；

在所述预设运营模型图对卸货地点与各剩余可存放区域进行标记，并基于蚁群算法在所述预设运营模型图中规划出卸货地点与各剩余可存放区域之间的最佳卸货路径；

获取卸货设备的尺寸参数信息，根据所述尺寸参数信息构建得到卸货设备三维模型图；并根据货物尺寸参数信息构建得到货物三维模型图；以及在所述预设运营模型图中分离出各最佳卸货路径的卸货路径三维模型图；

将所述卸货路径三维模型图、卸货设备三维模型图以及货物三维模型图导入三维仿真软件中进行模拟仿真，以得到将货物卸存至各剩余可存放区域的卸存效率；

提取最大卸存效率，并将与最大卸存效率对应的剩余可存放区域标记为最终存放区域。

本发明解决了背景技术中存在的技术缺陷，本发明具备以下有益效果：本方法通过融合多种技术，实现了对港口货物卸货地点的高度准确识别，从而降低了误判和漏判的问题，可以在几乎实时的情况下处理监控图像，适应快速变化的卸货场景；基于物理模型的智能识别方法通过将计算机视觉、物理建模和深度学习技术融合在一起，克服了传统方法的限制，实现了更准确、高效、实时的货物卸货地点识别。该方法不仅适用于特定港口，还具备在其他港口或类似环境中的应用潜力。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他实施例的附图。

图1为一种基于物理模型的大型港口运营管理方法第一方法流程图；

图2为一种基于物理模型的大型港口运营管理方法第二方法流程图；

图3为一种基于物理模型的大型港口运营管理方法第三方法流程图；

图4为一种基于物理模型的大型港口运营管理系统的系统框图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

如图1所示，本发明第一方面公开了一种基于物理模型的大型港口运营管理方法，包括以下步骤：

S102：获取港口中各个预设位置的实际情景图像信息，根据所述实际情景图像信息构建港口中各个预设位置的实际情景三维模型图；

S104：获取港口的预设运营模型图，并在所述预设运营模型图中分离出港口预设位置的预设情景三维模型图；将所述实际情景三维模型图与预设情景三维模型图进行比较，得到情景偏差模型图；

S106：根据所述情景偏差模型图对港口中各个预设位置进行识别判断，以识别判断出港口中各个预设位置的使用状态；

S108：将使用状态为空闲状态的预设位置标记为可存放区域，并获取进港货船中的订单信息，根据所述订单信息对各可存放区域进行检索配对，得到存放该进港货船中货物的最终存放区域。

需要说明的是，所述预设位置即预设货物存放位置区域，在港口中预设货物存放位置区域有多个，且这些预设货物存放位置区域由工程人员提前规划制定得到。预设运营模型图为在港口中的各个预设货物存放位置区域均没有存放货物时的三维状态模型图，该预设运营模型图由工程人员通过三维建模软件提前绘制得到。预设情景三维模型图由预设运营模型图中分离得到，设情景三维模型图为预设位置没有存放货物时的情景三维结构示意图。

本方法通过融合多种技术，实现了对港口货物卸货地点的高度准确识别，从而降低了误判和漏判的问题，可以在几乎实时的情况下处理监控图像，适应快速变化的卸货场景；基于物理模型的智能识别方法通过将计算机视觉、物理建模和深度学习技术融合在一起，克服了传统方法的限制，实现了更准确、高效、实时的货物卸货地点识别。该方法不仅适用于特定港口，还具备在其他港口或类似环境中的应用潜力。

进一步地，本发明的一个较佳实施例中，获取港口中各个预设位置的实际情景图像信息，根据所述实际情景图像信息构建港口中各个预设位置的实际情景三维模型图，具体为：

获取港口中预设位置的实际情景图像信息，并对所述实际情景图像信息进行降噪与图像增强处理，得到处理后的实际情景图像信息；

通过ORB算法提取所述处理后的实际情景图像信息中的特征点，得到若干个特征点；并在所述处理后的实际情景图像信息检索出预设基准点，根据所述预设基准点构建相对坐标系；

在所述相对坐标系中获取各特征点的相对坐标值，根据所述相对坐标值计算出各特征点与所述预设基准点之间的曼哈顿距离，将各特征点与所述预设基准点之间的曼哈顿距离和预设曼哈顿距离进行比较；

将曼哈顿距离大于预设曼哈顿距离的特征点剔除，将曼哈顿距离不大于预设曼哈顿距离的特征点保留，得到经过离群筛选后的特征点；

获取所述经过离群筛选后的特征点的点云数据，并根据经过离群筛选后的特征点的点云数据重构得到港口中预设位置的实际情景三维模型图。

需要说明的是，可以通过提前布置好的摄像头或无人机等设备获取港口中预设位置的实际情景图像信息，并通过图像预处理技术对实际情景图像信息进行处理，得到处理后的实际情景图像信息；预设基准点可以是实际情景图像信息的中心点，该预设基准点在图像经过预处理后标定得到。由于在通过ORB算法提取特征点的过程中，部分特征点会存在失真与漂移现象，此为噪声点，即离群点，此时需要将这些离群点筛除，从而得到经过离群筛选后的特征点，然后再利用三维点云重构的方式重构得到港口中预设位置的实际情景三维模型图，通过本方法能够快速构建得到实际情景三维模型图，提高系统鲁棒性，并且所得到的模型精度高，能够进一步提高后续模型的配对精度。

如图2所示，进一步地，本发明的一个较佳实施例中，将所述实际情景三维模型图与预设情景三维模型图进行比较，得到情景偏差模型图，具体为：

S202：对所述实际情景三维模型图进行检索，以获取实际情景三维模型图中的第一标识物；对所述预设情景三维模型图进行检索，以获取预设情景三维模型图中的第二标识物；

S204：构建虚拟配对空间，将所述实际情景三维模型图与预设情景三维模型图导入所述虚拟配对空间中，并将使得所述第一标识物与第二标识物相重合，以对所述实际情景三维模型图与预设情景三维模型图进行对齐处理；

S206：对齐完成后，将所述实际情景三维模型图与预设情景三维模型图相重合的模型区域剔除，并保存所述实际情景三维模型图与预设情景三维模型图不相重合的模型区域，得到情景偏差模型图。

需要说明的是，标识物提前布置在预设位置中，即提前布置在预设货物存放位置区域中，标识物可以是具有特定形状的杆状物等，标识物用于将实际情景三维模型图与预设情景三维模型图进行几何对齐使用。通过如SketchUp、Rhino等三维软件构建虚拟配对空间，虚拟配对空间可以是网格三维坐标系形式。通过本方法能够将实际情景三维模型图与预设情景三维模型图进行配对后，从而得到情景偏差模型图。

如图3所示，进一步地，本发明的一个较佳实施例中，根据所述情景偏差模型图对港口中各个预设位置进行识别判断，以识别判断出港口中各个预设位置的使用状态，具体为：

S302：通过网格化法计算所述情景偏差模型图的模型体积值，并将所述模型体积值与预设模型体积值进行比较；

S304：若所述模型体积值不大于预设模型体积值，则将港口中该预设位置标记为空闲状态；

S306：若所述模型体积值大于预设模型体积值，则对所述情景偏差模型图进行识别，以根据所述情景偏差模型图识别出存在于港口中该预设位置的物体是否为预设物体；

S308：若所述物体不是预设物体，则将港口中该预设位置标记为空闲状态；若所述物体是预设物体，则将港口中该预设位置标记为非空闲状态。

需要说明的是，使用网格化法（或称离散化法）特别适用于复杂形状的模型的体积值，将三维模型转化为网格结构。这可以通过将三维空间划分为小的立方体单元（体素）来实现。这些体素构成了离散化的网格，覆盖了整个模型的几何形状。对于每个体素，计算其体积。由于体素通常是规则的立方体，其体积可以通过边长的立方来计算，将它们的体积累加起来，即可得到模型的总体积。若所述模型体积值不大于预设模型体积值，说明实际情景三维模型图与预设情景三维模型图高度重合，此时说明港口中的该预设位置并没有存放货物，则将港口中该预设位置标记为空闲状态。

若所述模型体积值大于预设模型体积值，说明实际情景三维模型图与预设情景三维模型图的重合度较低，此时说明港口中该预设位置存在物体，此时需要进一步判断出该预设位置中的物体是否为货物，亦或者仅是可以随时移动的物体，如临时车辆等。所述预设物体即堆放的货物。若所述物体不是预设物体（例如是临时车辆等），此时说明该预设位置上并没有堆放货物，而在需要在该预设位置堆放货物时，只需要知会工作人员将临时车辆移开即可，此时则将港口中该预设位置标记为空闲状态。若所述物体是预设物体，此时说明该预设位置上已经堆放有货物，则将港口中该预设位置标记为非空闲状态。

通过以上步骤能够自动且实时识别出港口中各货物存放区域的使用状态。

进一步地，本发明的一个较佳实施例中，对所述情景偏差模型图进行识别，以根据所述情景偏差模型图识别出存在于港口中该预设位置的物体是否为预设物体，具体为：

构建数据库，并通过大数据网络获取各类型预设物体对应的预设模型图，将各类型预设物体对应的预设模型图导入所述数据库中，得到配对数据库；

将所述情景偏差模型图导入所述配对数据库中，通过豪斯多夫距离算法计算所述情景偏差模型图与各预设模型图之间的相似度，得到多个相似度；

构建序列表，并将多个所述相似度导入所述序列表中进行大小排序，排序完成后，提取出最大相似度；将所述最大相似度与预设相似度进行比较；

若所述最大相似度大于预设相似度，则说明存在于港口中该预设位置的物体是预设物体；若所述最大相似度不大于预设相似度，则说明存在于港口中该预设位置的物体不是预设物体。

需要说明的是，首先通过大数据网络获取各类型预设物体对应的预设模型图，即获取各种大小与各种形状货物对应的预设模型图，然后得到配对数据库。豪斯多夫距离是一种用于度量两个集合之间相似性的指标，广泛应用于计算机图形学和计算机视觉领域，包括三维模型的相似性比较，在三维模型比较中，豪斯多夫距离用于衡量两个模型之间的形状差异程度。若所述最大相似度大于预设相似度，则说明存在于港口中该预设位置的物体是预设物体；若所述最大相似度不大于预设相似度，则说明存在于港口中该预设位置的物体不是预设物体。

进一步地，本发明的一个较佳实施例中，将使用状态为空闲状态的预设位置标记为可存放区域，并获取进港货船中的订单信息，根据所述订单信息对各可存放区域进行检索配对，得到存放该进港货船中货物的最终存放区域，具体为：

获取进港货船中的订单信息，并对所述订单信息进行特征提出，得到订单特征数据，根据所述订单特征数据获取得到货物的卸货地点与货物特征信息；根据所述货物特征信息计算得到存放货物所需的存放占地空间信息；其中，货物特征信息包括货物数量与货物尺寸参数信息；

将使用状态为空闲状态的预设位置标记为可存放区域，以及获取各可存放区域的可存放空间信息，将可存放空间信息小于存放占地空间信息的可存放区域筛除，得到剩余可存放区域；

在所述预设运营模型图对卸货地点与各剩余可存放区域进行标记，并基于蚁群算法在所述预设运营模型图中规划出卸货地点与各剩余可存放区域之间的最佳卸货路径；

获取卸货设备的尺寸参数信息，根据所述尺寸参数信息构建得到卸货设备三维模型图；并根据货物尺寸参数信息构建得到货物三维模型图；以及在所述预设运营模型图中分离出各最佳卸货路径的卸货路径三维模型图；

将所述卸货路径三维模型图、卸货设备三维模型图以及货物三维模型图导入三维仿真软件中进行模拟仿真，以得到将货物卸存至各剩余可存放区域的卸存效率；

提取最大卸存效率，并将与最大卸存效率对应的剩余可存放区域标记为最终存放区域。

需要说明的是，蚁群算法是一种受到蚁群觅食行为启发的优化算法，用于解决组合优化问题。这个算法的灵感来自于蚂蚁在寻找食物时释放信息素和选择路径的行为。蚁群算法算法已经在多个领域证明了其有效性，如图论、旅行商问题、调度问题、路径规划等。通过蚁群算法可以迭代规划出卸货地点与各剩余可存放区域之间的最佳卸货路径。然后将所述卸货路径三维模型图、卸货设备三维模型图以及货物三维模型图导入如SolidWorks等三维仿真软件中进行卸货路径运营仿真分析，从而得到将货物卸存至各剩余可存放区域的卸存效率，提取最大卸存效率，并将与最大卸存效率对应的剩余可存放区域标记为最终存放区域。通过以上方法能够自动规划出各进港货船中货物的最高效、最合适的卸货地点。

此外，所述一种基于物理模型的大型港口运营管理方法还包括以下步骤：

通过大数据网络获取预设类型设备在进行各种行为时的预设视频帧信息，基于深度学习网络构建识别模型，并将预设类型设备在进行各种行为时的预设视频帧信息导入所述识别模型中进行训练，得到训练好的识别模型；

构建检索标签，基于所述检索标签对所述预设运营模型图进行检索，以检索到港口中预设类型设备的位置节点；

在预设时间段内获取所述位置节点中预设类型设备的实时视频帧图像信息；

将所述实时视频帧图像信息导入所述训练好的识别模型中，以将实时视频帧图像信息与各预设视频帧信息进行比较，得到多个相似性；

构建排序表，将多个所述相似度导入所述排序表中进行大小排序，排序完成后，提取出最大相似性，获取与最大相似性对应的预设视频帧信息；根据与最大相似性对应的预设视频帧信息确定出港口中该位置节点的该预设类型设备的行为信息，并将该预设类型设备的行为信息更新至预设运营模型图中，得到港口实时经营动态模型图。

需要说明的是，预设类型设备包括起重设备、堆垛设备、装卸设备、通信设备、能源设备等。通过本方法能够实时监测出港口中各设备的实时工作类型，如装卸设备是处于装货状态还是处于卸货状态等，从而得到港口实时经营动态模型图，能够汇聚并可视化港口的经营状态，更利于对港口的经营状态进行分析，能够快速了解港口运营状态与机理，可以帮助管理者更好地规划资源分配，找到最佳运营策略，减少操作时间和资源浪费，从而提高整体效率。

此外，所述一种基于物理模型的大型港口运营管理方法还包括以下步骤：

获取预设类型设备在进行各种行为时的历史运行参数，构建知识图谱，并将预设类型设备在进行各种行为时的历史运行参数导入所述知识图谱中；

在所述港口实时经营动态模型图中获取预设类型设备的实时行为信息，将所述实时行为信息导入所述知识图谱中，以得到预设类型设备在进行实时行为时的预设运行参数；并基于所述预设运行参数构建得到预设运行参数响应图；

获取预设类型设备的实时运行参数；基于所述实时运行参数构建得到实时运行参数响应图；

构建二维坐标系，将所述预设运行参数响应图与所述实时运行参数响应图导入所述二维坐标系中进行配准，配准完毕后，计算得到所述预设运行参数响应图与实时运行参数响应图的重合度，并将所述重合度与预设重合度进行比较；

若所述重合度大于预设重合度，则将该预设类型设备标记为故障设备。

需要说明的是，通过计算预设运行参数响应图与实时运行参数响应图之间线段重合区域长度与线段不重合区域长度从而得到重合度。通过将预设类型设备的实时运行参数与预设运行参数进行比较，从而快速判断出该预设类型设备是否发生了故障，实现了港口中设备故障自检的功能，不需要通过人工监测，提高港口运营效率。

此外，所述一种基于物理模型的大型港口运营管理方法还包括以下步骤：

获取最终存放区域中对应货物的订单信息，根据所述订单信息提取得到货物的物品名称信息；

根据物品名称信息通过大数据网络进行检索，得到能够与该最终存放区域中货物产生危害关系的相关设施设备；

对所述预设运营模型图进行检索，判断在最终存放区域的预设范围内是否存在相关设施设备；

若存在，则调整最终存放区域中货物的位置，并生成调整结果。

需要说明的是，产生危害关系即为货物与港口中设备有可能存在反应的关系，如最终存放区域存储了危险品，如化学品、气体、爆炸品等，若在最终存放区域存在焊接和切割设备等相关设施设备，此时说明该最终存放区域不适合存放这些危险品，需要调整存储位置。通过本方法能有效提高货物在存储时的安全性，有效避免发生存储爆炸等安全事故。

如图4所示，本发明第二方面公开了一种基于物理模型的大型港口运营管理系统，所述大型港口运营管理系统包括存储器15与处理器16，所述存储器5中存储有大型港口运营管理方法程序，当所述大型港口运营管理方法程序被所述处理器16执行时，实现如下步骤：

获取港口中各个预设位置的实际情景图像信息，根据所述实际情景图像信息构建港口中各个预设位置的实际情景三维模型图；

获取港口的预设运营模型图，并在所述预设运营模型图中分离出港口预设位置的预设情景三维模型图；将所述实际情景三维模型图与预设情景三维模型图进行比较，得到情景偏差模型图；

根据所述情景偏差模型图对港口中各个预设位置进行识别判断，以识别判断出港口中各个预设位置的使用状态；

将使用状态为空闲状态的预设位置标记为可存放区域，并获取进港货船中的订单信息，根据所述订单信息对各可存放区域进行检索配对，得到存放该进港货船中货物的最终存放区域。

进一步地，本发明的一个较佳实施例中，根据所述情景偏差模型图对港口中各个预设位置进行识别判断，以识别判断出港口中各个预设位置的使用状态，具体为：

通过网格化法计算所述情景偏差模型图的模型体积值，并将所述模型体积值与预设模型体积值进行比较；

若所述模型体积值不大于预设模型体积值，则将港口中该预设位置标记为空闲状态；

若所述模型体积值大于预设模型体积值，则对所述情景偏差模型图进行识别，以根据所述情景偏差模型图识别出存在于港口中该预设位置的物体是否为预设物体；

若所述物体不是预设物体，则将港口中该预设位置标记为空闲状态；若所述物体是预设物体，则将港口中该预设位置标记为非空闲状态。

进一步地，本发明的一个较佳实施例中，对所述情景偏差模型图进行识别，以根据所述情景偏差模型图识别出存在于港口中该预设位置的物体是否为预设物体，具体为：

构建数据库，并通过大数据网络获取各类型预设物体对应的预设模型图，将各类型预设物体对应的预设模型图导入所述数据库中，得到配对数据库；

将所述情景偏差模型图导入所述配对数据库中，通过豪斯多夫距离算法计算所述情景偏差模型图与各预设模型图之间的相似度，得到多个相似度；

构建序列表，并将多个所述相似度导入所述序列表中进行大小排序，排序完成后，提取出最大相似度；将所述最大相似度与预设相似度进行比较；

若所述最大相似度大于预设相似度，则说明存在于港口中该预设位置的物体是预设物体；若所述最大相似度不大于预设相似度，则说明存在于港口中该预设位置的物体不是预设物体。

进一步地，本发明的一个较佳实施例中，将使用状态为空闲状态的预设位置标记为可存放区域，并获取进港货船中的订单信息，根据所述订单信息对各可存放区域进行检索配对，得到存放该进港货船中货物的最终存放区域，具体为：

获取进港货船中的订单信息，并对所述订单信息进行特征提出，得到订单特征数据，根据所述订单特征数据获取得到货物的卸货地点与货物特征信息；根据所述货物特征信息计算得到存放货物所需的存放占地空间信息；其中，货物特征信息包括货物数量与货物尺寸参数信息；

将使用状态为空闲状态的预设位置标记为可存放区域，以及获取各可存放区域的可存放空间信息，将可存放空间信息小于存放占地空间信息的可存放区域筛除，得到剩余可存放区域；

在所述预设运营模型图对卸货地点与各剩余可存放区域进行标记，并基于蚁群算法在所述预设运营模型图中规划出卸货地点与各剩余可存放区域之间的最佳卸货路径；

获取卸货设备的尺寸参数信息，根据所述尺寸参数信息构建得到卸货设备三维模型图；并根据货物尺寸参数信息构建得到货物三维模型图；以及在所述预设运营模型图中分离出各最佳卸货路径的卸货路径三维模型图；

将所述卸货路径三维模型图、卸货设备三维模型图以及货物三维模型图导入三维仿真软件中进行模拟仿真，以得到将货物卸存至各剩余可存放区域的卸存效率；

提取最大卸存效率，并将与最大卸存效率对应的剩余可存放区域标记为最终存放区域。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。

另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于物理模型的大型港口运营管理方法，其特征在于，包括以下步骤：

获取港口中各个预设位置的实际情景图像信息，根据所述实际情景图像信息构建港口中各个预设位置的实际情景三维模型图；

获取港口的预设运营模型图，并在所述预设运营模型图中分离出港口预设位置的预设情景三维模型图；将所述实际情景三维模型图与预设情景三维模型图进行比较，得到情景偏差模型图；

根据所述情景偏差模型图对港口中各个预设位置进行识别判断，以识别判断出港口中各个预设位置的使用状态；

将使用状态为空闲状态的预设位置标记为可存放区域，并获取进港货船中的订单信息，根据所述订单信息对各可存放区域进行检索配对，得到存放该进港货船中货物的最终存放区域。

2.根据权利要求1所述的一种基于物理模型的大型港口运营管理方法，其特征在于，获取港口中各个预设位置的实际情景图像信息，根据所述实际情景图像信息构建港口中各个预设位置的实际情景三维模型图，具体为：

获取港口中预设位置的实际情景图像信息，并对所述实际情景图像信息进行降噪与图像增强处理，得到处理后的实际情景图像信息；

通过ORB算法提取所述处理后的实际情景图像信息中的特征点，得到若干个特征点；并在所述处理后的实际情景图像信息检索出预设基准点，根据所述预设基准点构建相对坐标系；

在所述相对坐标系中获取各特征点的相对坐标值，根据所述相对坐标值计算出各特征点与所述预设基准点之间的曼哈顿距离，将各特征点与所述预设基准点之间的曼哈顿距离和预设曼哈顿距离进行比较；

将曼哈顿距离大于预设曼哈顿距离的特征点剔除，将曼哈顿距离不大于预设曼哈顿距离的特征点保留，得到经过离群筛选后的特征点；

获取所述经过离群筛选后的特征点的点云数据，并根据经过离群筛选后的特征点的点云数据重构得到港口中预设位置的实际情景三维模型图。

3.根据权利要求1所述的一种基于物理模型的大型港口运营管理方法，其特征在于，将所述实际情景三维模型图与预设情景三维模型图进行比较，得到情景偏差模型图，具体为：

对所述实际情景三维模型图进行检索，以获取实际情景三维模型图中的第一标识物；对所述预设情景三维模型图进行检索，以获取预设情景三维模型图中的第二标识物；

构建虚拟配对空间，将所述实际情景三维模型图与预设情景三维模型图导入所述虚拟配对空间中，并将使得所述第一标识物与第二标识物相重合，以对所述实际情景三维模型图与预设情景三维模型图进行对齐处理；

对齐完成后，将所述实际情景三维模型图与预设情景三维模型图相重合的模型区域剔除，并保存所述实际情景三维模型图与预设情景三维模型图不相重合的模型区域，得到情景偏差模型图。

4.根据权利要求1所述的一种基于物理模型的大型港口运营管理方法，其特征在于，根据所述情景偏差模型图对港口中各个预设位置进行识别判断，以识别判断出港口中各个预设位置的使用状态，具体为：

通过网格化法计算所述情景偏差模型图的模型体积值，并将所述模型体积值与预设模型体积值进行比较；

若所述模型体积值不大于预设模型体积值，则将港口中该预设位置标记为空闲状态；

若所述模型体积值大于预设模型体积值，则对所述情景偏差模型图进行识别，以根据所述情景偏差模型图识别出存在于港口中该预设位置的物体是否为预设物体；

若所述物体不是预设物体，则将港口中该预设位置标记为空闲状态；若所述物体是预设物体，则将港口中该预设位置标记为非空闲状态。

5.根据权利要求4所述的一种基于物理模型的大型港口运营管理方法，其特征在于，对所述情景偏差模型图进行识别，以根据所述情景偏差模型图识别出存在于港口中该预设位置的物体是否为预设物体，具体为：

构建数据库，并通过大数据网络获取各类型预设物体对应的预设模型图，将各类型预设物体对应的预设模型图导入所述数据库中，得到配对数据库；

将所述情景偏差模型图导入所述配对数据库中，通过豪斯多夫距离算法计算所述情景偏差模型图与各预设模型图之间的相似度，得到多个相似度；

构建序列表，并将多个所述相似度导入所述序列表中进行大小排序，排序完成后，提取出最大相似度；将所述最大相似度与预设相似度进行比较；

若所述最大相似度大于预设相似度，则说明存在于港口中该预设位置的物体是预设物体；若所述最大相似度不大于预设相似度，则说明存在于港口中该预设位置的物体不是预设物体。

6.根据权利要求1所述的一种基于物理模型的大型港口运营管理方法，其特征在于，将使用状态为空闲状态的预设位置标记为可存放区域，并获取进港货船中的订单信息，根据所述订单信息对各可存放区域进行检索配对，得到存放该进港货船中货物的最终存放区域，具体为：

获取进港货船中的订单信息，并对所述订单信息进行特征提出，得到订单特征数据，根据所述订单特征数据获取得到货物的卸货地点与货物特征信息；根据所述货物特征信息计算得到存放货物所需的存放占地空间信息；其中，货物特征信息包括货物数量与货物尺寸参数信息；

将使用状态为空闲状态的预设位置标记为可存放区域，以及获取各可存放区域的可存放空间信息，将可存放空间信息小于存放占地空间信息的可存放区域筛除，得到剩余可存放区域；

在所述预设运营模型图对卸货地点与各剩余可存放区域进行标记，并基于蚁群算法在所述预设运营模型图中规划出卸货地点与各剩余可存放区域之间的最佳卸货路径；

获取卸货设备的尺寸参数信息，根据所述尺寸参数信息构建得到卸货设备三维模型图；并根据货物尺寸参数信息构建得到货物三维模型图；以及在所述预设运营模型图中分离出各最佳卸货路径的卸货路径三维模型图；

将所述卸货路径三维模型图、卸货设备三维模型图以及货物三维模型图导入三维仿真软件中进行模拟仿真，以得到将货物卸存至各剩余可存放区域的卸存效率；

提取最大卸存效率，并将与最大卸存效率对应的剩余可存放区域标记为最终存放区域。

7.一种基于物理模型的大型港口运营管理系统，其特征在于，所述大型港口运营管理系统包括存储器与处理器，所述存储器中存储有大型港口运营管理方法程序，当所述大型港口运营管理方法程序被所述处理器执行时，实现如下步骤：

获取港口中各个预设位置的实际情景图像信息，根据所述实际情景图像信息构建港口中各个预设位置的实际情景三维模型图；

获取港口的预设运营模型图，并在所述预设运营模型图中分离出港口预设位置的预设情景三维模型图；将所述实际情景三维模型图与预设情景三维模型图进行比较，得到情景偏差模型图；

根据所述情景偏差模型图对港口中各个预设位置进行识别判断，以识别判断出港口中各个预设位置的使用状态；

将使用状态为空闲状态的预设位置标记为可存放区域，并获取进港货船中的订单信息，根据所述订单信息对各可存放区域进行检索配对，得到存放该进港货船中货物的最终存放区域。

8.根据权利要求7所述的一种基于物理模型的大型港口运营管理系统，其特征在于，根据所述情景偏差模型图对港口中各个预设位置进行识别判断，以识别判断出港口中各个预设位置的使用状态，具体为：

通过网格化法计算所述情景偏差模型图的模型体积值，并将所述模型体积值与预设模型体积值进行比较；

若所述模型体积值不大于预设模型体积值，则将港口中该预设位置标记为空闲状态；

若所述模型体积值大于预设模型体积值，则对所述情景偏差模型图进行识别，以根据所述情景偏差模型图识别出存在于港口中该预设位置的物体是否为预设物体；

若所述物体不是预设物体，则将港口中该预设位置标记为空闲状态；若所述物体是预设物体，则将港口中该预设位置标记为非空闲状态。

9.根据权利要求8所述的一种基于物理模型的大型港口运营管理系统，其特征在于，对所述情景偏差模型图进行识别，以根据所述情景偏差模型图识别出存在于港口中该预设位置的物体是否为预设物体，具体为：

构建数据库，并通过大数据网络获取各类型预设物体对应的预设模型图，将各类型预设物体对应的预设模型图导入所述数据库中，得到配对数据库；

将所述情景偏差模型图导入所述配对数据库中，通过豪斯多夫距离算法计算所述情景偏差模型图与各预设模型图之间的相似度，得到多个相似度；

构建序列表，并将多个所述相似度导入所述序列表中进行大小排序，排序完成后，提取出最大相似度；将所述最大相似度与预设相似度进行比较；

若所述最大相似度大于预设相似度，则说明存在于港口中该预设位置的物体是预设物体；若所述最大相似度不大于预设相似度，则说明存在于港口中该预设位置的物体不是预设物体。

10.根据权利要求7所述的一种基于物理模型的大型港口运营管理系统，其特征在于，将使用状态为空闲状态的预设位置标记为可存放区域，并获取进港货船中的订单信息，根据所述订单信息对各可存放区域进行检索配对，得到存放该进港货船中货物的最终存放区域，具体为：

获取进港货船中的订单信息，并对所述订单信息进行特征提出，得到订单特征数据，根据所述订单特征数据获取得到货物的卸货地点与货物特征信息；根据所述货物特征信息计算得到存放货物所需的存放占地空间信息；其中，货物特征信息包括货物数量与货物尺寸参数信息；

将使用状态为空闲状态的预设位置标记为可存放区域，以及获取各可存放区域的可存放空间信息，将可存放空间信息小于存放占地空间信息的可存放区域筛除，得到剩余可存放区域；

在所述预设运营模型图对卸货地点与各剩余可存放区域进行标记，并基于蚁群算法在所述预设运营模型图中规划出卸货地点与各剩余可存放区域之间的最佳卸货路径；

获取卸货设备的尺寸参数信息，根据所述尺寸参数信息构建得到卸货设备三维模型图；并根据货物尺寸参数信息构建得到货物三维模型图；以及在所述预设运营模型图中分离出各最佳卸货路径的卸货路径三维模型图；

将所述卸货路径三维模型图、卸货设备三维模型图以及货物三维模型图导入三维仿真软件中进行模拟仿真，以得到将货物卸存至各剩余可存放区域的卸存效率；

提取最大卸存效率，并将与最大卸存效率对应的剩余可存放区域标记为最终存放区域。