本申请涉及自动化技术领域，特别是涉及一种检测方法、检测模型生成方法和装置。
背景技术：
随着电子商务和在线支付技术的不断发展，在线购物日益普及。与此同时，人们对物流业务的要求也越来越高。但是，在物流运输过程中，包裹内的物品可能由于各种因素而导致出现破损的情况。
在现有技术中，一般是收件者在拆开包裹后，才能得知包裹内的物品是否有破损。不仅影响了消费者体验，也浪费了物流资源。
技术实现要素：
鉴于上述问题，提出了本申请实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种检测方法、相应的一种检测装置，以及，一种检测模型生成方法、相应的一种检测模型生成装置。
为了解决上述问题，本申请公开了一种检测方法，包括：
获取待测包裹的目标声纹特征；所述待测包裹收容有待测物流对象；
将所述目标声纹特征输入至预设的检测模型；
获取所述检测模型输出的破损检测结果；
其中，所述破损检测结果包括所述待测物流对象的破损状态，所述破损状态包括未破损和已破损中的一种。
可选地，所述检测模型包括预设的正标签和负标签；
所述检测模型用于当所述目标声纹特征与所述正标签匹配时，输出破损状态为未破损的破损检测结果；
所述检测模型还用于当所述目标声纹特征与所述负标签匹配时，输出破损状态为已破损的破损检测结果。
可选地，所述获取待测包裹的目标声纹特征的步骤，包括：
获取待测包裹；所述待测包裹收容有物流对象；
在所述待测包裹的运动方向变化时，采集与所述待测包裹对应的待测音频信息；
根据所述待测音频信息和梅尔倒频谱算法，生成所述目标声纹特征。
可选地，所述检测模型通过如下方法生成：
获取样本声纹特征，以及初始模型；
确定与所述样本声纹特征对应的特征标签；
采用所述样本声纹特征和所述特征标签训练所述初始模型，直至所述初始模型的损失函数值达到预设阈值；
确定已训练的初始模型为检测模型。
本申请还公开了一种检测模型生成方法，包括：
获取样本声纹特征，以及初始模型；
确定与所述样本声纹特征对应的特征标签；
采用所述样本声纹特征和所述特征标签训练所述初始模型，直至所述初始模型的损失函数值达到预设阈值；
确定已训练的初始模型为检测模型。
可选地，所述获取样本声纹特征的步骤，包括：
获取样本包裹；所述样本包裹收容有物流对象；
在所述样本包裹的运动方向变化时，采集与所述样本包裹对应的样本音频信息；
根据所述样本音频信息和梅尔倒频谱算法，生成所述样本声纹特征。
可选地，所述根据所述样本音频信息和梅尔倒频谱算法，生成所述样本声纹特征的步骤，包括：
生成与所述样本音频信息对应的样本频谱信息；
采用梅尔倒频谱算法，在所述样本频谱信息中提取所述样本声纹特征。
可选地，所述物流对象的破损状态包括已破损和未破损中的一种；所述特征标签包括正标签和负标签；所述采用所述样本声纹特征和所述特征标签训练所述初始模型的步骤，包括：
组合破损状态为未破损的样本声纹特征与所述正标签为第一样本数据；
组合破损状态为已破损的样本声纹特征与所述负标签为第二样本数据；
采用所述第一样本数据、所述第二样本数据和所述初始模型进行训练。
本申请还公开了一种检测装置，包括：
目标获取模块，用于获取待测包裹的目标声纹特征；所述待测包裹收容有待测物流对象；
目标输入模块，用于将所述目标声纹特征输入至预设的检测模型；
结果获取模块，用于获取所述检测模型输出的破损检测结果；
其中，所述破损检测结果包括所述待测物流对象的破损状态，所述破损状态包括未破损和已破损中的一种
可选地，所述检测模型包括预设的正标签和负标签；
所述检测模型用于当所述目标声纹特征与所述正标签匹配时，输出破损状态为未破损的破损检测结果；
所述检测模型还用于当所述目标声纹特征与所述负标签匹配时，输出破损状态为已破损的破损检测结果。
可选地，所述目标获取模块包括：
待测包裹子模块，用于获取待测包裹；所述样本包裹收容有物流对象；
待测音频子模块，用于在所述待测包裹的运动方向变化时，采集与所述待测包裹对应的待测音频信息；
目标声纹子模块，用于根据所述待测音频信息和梅尔倒频谱算法，生成所述目标声纹特征。
可选地，所述检测模型通过如下模块生成：
初始获取模块，用于获取样本声纹特征，以及初始模型；
特征标签模块，用于确定与所述样本声纹特征对应的特征标签；
模型训练模块，用于采用所述样本声纹特征和所述特征标签训练所述初始模型，直至所述初始模型的损失函数值达到预设阈值；
模型确定模块，用于确定已训练的初始模型为检测模型。
本申请还公开了一种检测模型生成装置，包括：
初始获取模块，用于获取样本声纹特征，以及初始模型；
特征标签模块，用于确定与所述样本声纹特征对应的特征标签；
模型训练模块，用于采用所述样本声纹特征和所述特征标签训练所述初始模型，直至所述初始模型的损失函数值达到预设阈值；
模型确定模块，用于确定已训练的初始模型为检测模型。
可选地，所述初始获取模块包括：
样本获取子模块，用于获取样本包裹；所述样本包裹收容有物流对象；
样本音频子模块，用于在所述样本包裹的运动方向变化时，采集与所述样本包裹对应的样本音频信息；
样本声纹子模块，用于根据所述样本音频信息和梅尔倒频谱算法，生成所述样本声纹特征。
可选地，所述样本声纹子模块包括：
频谱生成单元，用于生成与所述样本音频信息对应的样本频谱信息；
特征生成单元，用于采用梅尔倒频谱算法，在所述样本频谱信息中提取所述样本声纹特征。
可选地，所述物流对象的破损状态包括已破损和未破损中的一种；所述特征标签包括正标签和负标签；所述模型训练模块包括：
第一样本子模块，用于组合破损状态为未破损的样本声纹特征与所述正标签为第一样本数据；
第二样本子模块，用于组合破损状态为已破损的样本声纹特征与所述负标签为第二样本数据；
样本训练子模块，用于采用所述第一样本数据、所述第二样本数据和所述初始模型进行训练。
本申请还公开了一种装置，包括：
一个或多个处理器；和
其上存储有指令的一个或多个机器可读介质，当由所述一个或多个处理器执行时，使得所述装置执行如上所述的方法。
本申请还公开了一个或多个机器可读介质，其上存储有指令，当由一个或多个处理器执行时，使得所述处理器执行如上所述的方法。
本申请实施例包括以下优点：
本申请实施例，通过在获取到收容有物流对象的待测包裹对应的目标声纹特征后，将目标声纹特征输入至预设的已训练的检测模型。当所述目标声纹特征与预设的正标签匹配时，检测模型输出破损状态为未破损的破损检测结果；当所述目标声纹特征与所述负标签匹配时，检测模型输出破损状态为已破损的破损检测结果。通过接收检测模型输出的破损检测结果，可以获取待测包裹中物流对象的破损状态，破损状态包括未破损和已破损中的一种。从而实现对待测包裹中物流对象的破损状态进行检测，提高物流运输效率，以及包裹收件人的用户体验。
附图说明
图1是本申请的一种检测模型生成方法实施例的步骤流程图；
图2是本申请的一种检测方法实施例的步骤流程图；
图3是本申请的一种检测模型生成装置实施例的结构框图；
图4是本申请的一种检测装置实施例的结构框图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。
参照图1，示出了本申请的一种检测模型生成方法实施例的步骤流程图，具体可以包括如下步骤：
步骤101，获取样本声纹特征，以及初始模型；
在收件人和寄件人收发物流对象(例如：商品)时候，一般是采用包裹的形式进行物流运输。例如：一个包裹可以是一个容器装载有物流对象
可以预先收集多种包裹。例如：物流对象未破损且物流对象与容器之间没有空隙的包裹、物流对象未破损且物流对象与容器有空隙的包裹、物流对象已破损的包裹。通过晃动不同的包裹，采集包裹晃动时的音频信息，并提取音频信息中的特征从而生成样本声纹特征。
在一种示例中，可以通过实体设备模拟不同的包裹，或者模拟不同包裹产生的音频信息。
初始模型可以是初始神经网络模型(Neural Networks)。
步骤102，确定与所述样本声纹特征对应的特征标签；
可以根据样本声纹特征对应的物流对象破损状态配置不同的特征标签，所述物流对象的破损状态包括已破损和未破损中的一种。
在一种示例中，可以为与物流对象未破损的包裹对应的样本声纹特征配置正标签，为与物流对象已破损的包裹对应的样本声纹特征配置负标签。通过正标签和负标签对应不同的样本声纹特征，从而将样本声纹特征进行分类，具体的，一类是物流对象未破损对应的样本声纹特征，一类是物流对象已破损对应的样本声纹特征。
在另一种示例中，可以为物流对象未破损且物流对象与容器之间没有空隙的包裹对应的样本声纹特征配置第一标签，为物流对象未破损且物流对象与容器有空隙的包裹对应的样本声纹特征配置第二标签，为物流对象已破损的包裹对应的样本声纹特征配置第三标签。
步骤103，采用所述样本声纹特征和所述特征标签训练所述初始模型，直至所述初始模型的损失函数值达到预设阈值；
将样本声纹特征以及与其对应的特征标签一并输入至初始模型中，从而对初始模型进行训练。在每次训练后都计算初始模型的损失函数值，当损失函数值达到预设阈值时，停止对初始模型的训练。
步骤104，确定已训练的初始模型为检测模型。
初始模型中包括有一个或多个变量。确定当损失函数值达到预设阈值时初始模型中变量的值，并将采用当前变量的初始模型为检测模型。
在本申请实施例中，在获取包裹对应的样本声纹特征之后，为不同的样本声纹特征配置不同的特征标签，并采用样本声纹特征以及对应的特征标签训练初始模型。其中，特征标签与包裹中物流对象的破损状态对应。将完成训练的初始模型确定为检测模型，检测模型能够区别不同的声纹特征。使得当不同的声纹特征输入至检测模型时，检测模型能够获取与输入的声纹特征对应的特征标签，从而实现采用声纹特征，对包裹中物流对象的破损状态进行检测。
在本申请的一种实施例中，所述步骤101可以包括：
子步骤S11，获取样本包裹；所述样本包裹收容有物流对象；
可以收集不同的包裹作为样本包裹，样本包裹中收容有物流对象。其中，样本包裹包括但不限于：物流对象未破损且物流对象与容器之间没有空隙的包裹、物流对象未破损且物流对象与容器有空隙的包裹、物流对象已破损的包裹。
子步骤S12，在所述样本包裹的运动方向变化时，采集与所述样本包裹对应的样本音频信息；
当晃动样本包裹时，样本包裹的运动方向在变化。不同的样本包裹可能会产生不同的音频信息。例如：物流对象未破损且物流对象与容器之间没有空隙的包裹，能够产生响度较小的音频信息；物流对象未破损且物流对象与容器有空隙的包裹和物流对象已破损的包裹相比较，两者能够产生响度较大但是音色不同的音频信息。
可以采用音频采集部件(例如：麦克风)，采集样本包裹的运动方向变化时产生的音频信息。
子步骤S13，根据所述样本音频信息和梅尔倒频谱算法，生成所述样本声纹特征。
采用梅尔倒频谱算法，生成与音频信息对应的样本声纹特征。
在本申请的一种实施例中，所述子步骤S13包括：
子步骤S131，生成与所述样本音频信息对应的样本频谱信息；
采集到的样本音频信息为声谱信息，针对每一帧的音频信息通过对音频信息进行快速傅立叶变换(FFT，Fast Fourier Transform)，得到样本音频信息对应的样本频谱信息。
子步骤S132，采用梅尔倒频谱算法，在所述样本频谱信息中提取所述样本声纹特征。
具体的，针对与每一帧音频信息对应的样本频谱信息，将获取到的样本频谱信息通过梅尔滤波器得到梅尔频谱，对梅尔频谱进行倒谱分析，从而获得梅尔频率倒谱系数(MFCC)。确定与样本音频信息中对应的梅尔频率倒谱系数为样本声纹特征。
在本申请的一种实施例中，所述特征标签包括正标签和负标签；所述步骤103包括：
子步骤S21，组合破损状态为未破损的样本声纹特征与所述正标签为第一样本数据；
子步骤S22，组合破损状态为已破损的样本声纹特征与所述负标签为第二样本数据；
子步骤S23，采用所述第一样本数据、所述第二样本数据和所述初始模型进行训练。
通过建立破损状态为未破损的样本声纹特征与所述正标签的对应关系，从而生成第一样本数据；通过建立破损状态为已破损的样本声纹特征与所述负标签的对应关系，从而生成第二样本数据。采用第一样本数据和所述第二样本输数据训练初始模型。将完成训练后的初始模型确定为检测模型，使得训练完成后的检测模型能够对获取到的声纹特征进行识别，当检测模型获取到声纹特征时，能够根据与正标签、负标签的匹配程度，输出破损检测结果。
在本申请实施例中，通过收集包含有不同破损状态的物流对象的包裹作为样本包裹，以及获取样本包裹生成的样本声纹特征。在对不同的样本声纹特征与不同的特征标签建立对应关系从而生成不同的样本数据后，将不同的样本数据发送至初始模型进行训练。将完成训练后的初始模型确定为检测模型，使得训练完成后的检测模型能够对获取到的声纹特征进行识别，当检测模型获取到声纹特征时，能够根据获取的到声纹特征与样本数据中的特征标签的匹配程度，输出破损检测结果。从而实现该模型能够用于对包裹中的物流对象进行破损检测。
参照图2，示出了本申请的一种检测方法实施例的步骤流程图，具体可以包括如下步骤：
步骤201，获取待测包裹的目标声纹特征；所述待测包裹收容有待测物流对象；
当待测物流对象到达指定位置(例如：仓库、分拨、站点)时，获取待测包裹的目标声纹特征。
步骤202，将所述目标声纹特征输入至预设的检测模型；
将目标声纹特征作为输入数据，发送至已经经过训练的预设的检测模型中。
步骤203，获取所述检测模型输出的破损检测结果；
检测模型能够根据输出的目标声纹特征，输出与物流对象对应的破损检测结果。其中，所述破损检测结果包括所述待测物流对象的破损状态，所述破损状态包括未破损和已破损中的一种。当破损状态为未破损时，表示物流对象没有发生破损；当破损状态为已破损时，表示物流对象已经破损。
在本申请实施例中，通过在获取待测包裹的目标声纹特征后，将目标声纹特征发送至已完成训练的预设的检测模型中。检测模型能够采用目标声纹特征，输出待测包裹的破损检测结果。破损检测结果用以表示待测包裹内的物流对象的破损状态。从而实现采用待测包裹的目标声纹特征，即可对待测包裹内物流对象的破损状态进行检测，避免只有当包裹收件人拆开包裹才能获知物流对象的破损状态。以及，当发现物流对象的破损状态为已破损时，能够进行退回包裹或者停止运输包裹，提高物流运输效率，以及包裹收件人的体验。
在本申请的一种实施例中，所述检测模型包括预设的正标签和负标签；
所述检测模型用于当所述目标声纹特征与所述正标签匹配时，输出破损状态为未破损的破损检测结果；
所述检测模型还用于当所述目标声纹特征与所述负标签匹配时，输出破损状态为已破损的破损检测结果。
在本申请的一种实施例中，所述步骤201可以包括：
子步骤S31，获取待测包裹；所述待测包裹收容有物流对象；
可以将到达物流运输过程中任一指定位置的包裹确定为待测包裹。待测包裹中收容有物流对象。
子步骤S32，在所述待测包裹的运动方向变化时，采集与所述待测包裹对应的待测音频信息；
通过晃动待测包裹时，是待测包裹的运动方向发生变化，待测包裹可能会由于内部碰撞，产生声音。可以利用音频采集部件，采集待测包裹的运动方向变化时对应的音频信息，并将该音频信息确定为待测音频信息。
子步骤S33，根据所述待测音频信息和梅尔倒频谱算法，生成所述目标声纹特征。
具体的，子步骤S33可以包括：生成与所述待测音频信息对应的待测频谱信息；采用梅尔倒频谱算法，在所述待测频谱信息中提取所述目标声纹特征。
采集到的待测音频信息为声谱信息，针对每一帧的音频信息通过对音频信息进行快速傅立叶变换，得到待测音频信息对应的待测频谱信息。
针对与每一帧音频信息对应的待测频谱信息，将获取到的待测频谱信息通过梅尔滤波器得到梅尔频谱，对梅尔频谱进行倒谱分析，从而获得梅尔频率倒谱系数(MFCC)。确定与待测音频信息中对应的梅尔频率倒谱系数为目标声纹特征。
在本申请的一种实施例中，所述检测模型通过如下方法生成：
获取样本声纹特征，以及初始模型；
确定与所述样本声纹特征对应的特征标签；
采用所述样本声纹特征和所述特征标签训练所述初始模型，直至所述初始模型的损失函数值达到预设阈值；
确定已训练的初始模型为检测模型。
在本申请的一种实施例中，所述获取样本声纹特征的步骤，包括：
获取样本包裹；所述样本包裹收容有物流对象；
在所述样本包裹的运动方向变化时，采集与所述样本包裹对应的样本音频信息；
根据所述样本音频信息和梅尔倒频谱算法，生成所述样本声纹特征。
在本申请的一种实施例中，所述根据所述样本音频信息和梅尔倒频谱算法，生成所述样本声纹特征的步骤，包括：
生成与所述样本音频信息对应的样本频谱信息；
采用梅尔倒频谱算法，在所述样本频谱信息中提取所述样本声纹特征。
在本申请的一种实施例中，所述物流对象的破损状态包括已破损和未破损中的一种；所述特征标签包括正标签和负标签；所述采用所述样本声纹特征和所述特征标签训练所述初始模型的步骤，包括：
组合破损状态为未破损的样本声纹特征与所述正标签为第一样本数据；
组合破损状态为已破损的样本声纹特征与所述负标签为第二样本数据；
采用所述第一样本数据、所述第二样本数据和所述初始模型进行训练。
在本申请实施例中，检测模型的生成方法与上述的检测模型生成方法实施例基本相似，所以描述的比较简单，相关之处参见检测模型生成方法实施例的部分说明即可。
在本申请实施例中，通过在获取到收容有物流对象的待测包裹对应的目标声纹特征后，将目标声纹特征输入至预设的已训练的检测模型。当所述目标声纹特征与预设的正标签匹配时，检测模型输出破损状态为未破损的破损检测结果；当所述目标声纹特征与所述负标签匹配时，检测模型输出破损状态为已破损的破损检测结果。通过接收检测模型输出的破损检测结果，可以获取待测包裹中物流对象的破损状态，破损状态包括未破损和已破损中的一种。从而实现对待测包裹中物流对象的破损状态进行检测，提高物流运输效率，以及包裹收件人的用户体验。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请实施例并不受所描述的动作顺序的限制，因为依据本申请实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本申请实施例所必须的。
参照图3，示出了本申请的一种检测模型生成装置实施例的结构框图，具体可以包括如下模块：
初始获取模块301，用于获取样本声纹特征，以及初始模型；
特征标签模块302，用于确定与所述样本声纹特征对应的特征标签；
模型训练模块303，用于采用所述样本声纹特征和所述特征标签训练所述初始模型，直至所述初始模型的损失函数值达到预设阈值；
模型确定模块304，用于确定已训练的初始模型为检测模型。
在本申请的一种实施例中，所述初始获取模块301包括：
样本获取子模块，用于获取样本包裹；所述样本包裹收容有物流对象；
样本音频子模块，用于在所述样本包裹的运动方向变化时，采集与所述样本包裹对应的样本音频信息；
样本声纹子模块，用于根据所述样本音频信息和梅尔倒频谱算法，生成所述样本声纹特征。
在本申请的一种实施例中，所述样本声纹子模块包括：
频谱生成单元，用于生成与所述样本音频信息对应的样本频谱信息；
特征生成单元，用于采用梅尔倒频谱算法，在所述样本频谱信息中提取所述样本声纹特征。
在本申请的一种实施例中，所述物流对象的破损状态包括已破损和未破损中的一种；所述特征标签包括正标签和负标签；所述模型训练模块303包括：
第一样本子模块，用于组合破损状态为未破损的样本声纹特征与所述正标签为第一样本数据；
第二样本子模块，用于组合破损状态为已破损的样本声纹特征与所述负标签为第二样本数据；
样本训练子模块，用于采用所述第一样本数据、所述第二样本数据和所述初始模型进行训练。
在一种示例中，检测模型生成装置可以是一种实体装置，例如：智能终端。
参照图4，示出了本申请的一种检测装置实施例的结构框图，具体可以包括如下模块：
目标获取模块401，用于获取待测包裹的目标声纹特征；所述待测包裹收容有待测物流对象；
目标输入模块402，用于将所述目标声纹特征输入至预设的检测模型；
结果获取模块403，用于获取所述检测模型输出的破损检测结果；
其中，所述破损检测结果包括所述待测物流对象的破损状态，所述破损状态包括未破损和已破损中的一种
在本申请的一种实施例中，所述检测模型包括预设的正标签和负标签；
所述检测模型用于当所述目标声纹特征与所述正标签匹配时，输出破损状态为未破损的破损检测结果；
所述检测模型还用于当所述目标声纹特征与所述负标签匹配时，输出破损状态为已破损的破损检测结果。
在本申请的一种实施例中，所述目标获取模块401包括：
待测包裹子模块，用于获取待测包裹；所述待测包裹收容有物流对象；
待测音频子模块，用于在所述待测包裹的运动方向变化时，采集与所述待测包裹对应的待测音频信息；
目标声纹子模块，用于根据所述待测音频信息和梅尔倒频谱算法，生成所述目标声纹特征。
在本申请的一种实施例中，所述检测模型通过如下模块生成：
初始获取模块，用于获取样本声纹特征，以及初始模型；
特征标签模块，用于确定与所述样本声纹特征对应的特征标签；
模型训练模块，用于采用所述样本声纹特征和所述特征标签训练所述初始模型，直至所述初始模型的损失函数值达到预设阈值；
模型确定模块，用于确定已训练的初始模型为检测模型。
在本申请的一种实施例中，所述初始获取模块包括：
样本获取子模块，用于获取样本包裹；所述样本包裹收容有物流对象；
样本音频子模块，用于在所述样本包裹的运动方向变化时，采集与所述样本包裹对应的样本音频信息；
样本声纹子模块，用于根据所述样本音频信息和梅尔倒频谱算法，生成所述样本声纹特征。
在本申请的一种实施例中，所述样本声纹子模块包括：
频谱生成单元，用于生成与所述样本音频信息对应的样本频谱信息；
特征生成单元，用于采用梅尔倒频谱算法，在所述样本频谱信息中提取所述样本声纹特征。
在本申请的一种实施例中，所述物流对象的破损状态包括已破损和未破损中的一种；所述特征标签包括正标签和负标签；所述模型训练模块包括：
第一样本子模块，用于组合破损状态为未破损的样本声纹特征与所述正标签为第一样本数据；
第二样本子模块，用于组合破损状态为已破损的样本声纹特征与所述负标签为第二样本数据；
样本训练子模块，用于采用所述第一样本数据、所述第二样本数据和所述初始模型进行训练。
在一种示例中，检测装置可以是一种实体设备，例如：自动化检测设备。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本申请实施例还提供了一种装置，包括：一个或多个处理器；和，其上存储的有指令的一个或多个机器可读介质，当由所述一个或多个处理器执行时，使得所述装置执行如本申请实施例中的方法。
本申请实施例还提供了一个或多个机器可读介质，其上存储有指令，当由一个或多个处理器执行时，使得装置执行如本申请实施例中的方法。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白，本申请实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本申请实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
在一个典型的配置中，所述计算机设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非持续性的电脑可读媒体(transitory media)，如调制的数据信号和载波。
本申请实施例是参照根据本申请实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种检测方法、检测模型生成方法和装置，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
技术特征：
1.一种检测方法，其特征在于，包括：
获取待测包裹的目标声纹特征；所述待测包裹收容有待测物流对象；
将所述目标声纹特征输入至预设的检测模型；
获取所述检测模型输出的破损检测结果；
其中，所述破损检测结果包括所述待测物流对象的破损状态，所述破损状态包括未破损和已破损中的一种。
2.根据权利要求1所述的方法，其特征在于，所述检测模型包括预设的正标签和负标签；
所述检测模型用于当所述目标声纹特征与所述正标签匹配时，输出破损状态为未破损的破损检测结果；
所述检测模型还用于当所述目标声纹特征与所述负标签匹配时，输出破损状态为已破损的破损检测结果。
3.根据权利要求1或2所述的方法，其特征在于，所述获取待测包裹的目标声纹特征的步骤，包括：
获取待测包裹；所述待测包裹收容有物流对象；
在所述待测包裹的运动方向变化时，采集与所述待测包裹对应的待测音频信息；
根据所述待测音频信息和梅尔倒频谱算法，生成所述目标声纹特征。
4.根据权利要求3所述的方法，其特征在于，所述检测模型通过如下方法生成：
获取样本声纹特征，以及初始模型；
确定与所述样本声纹特征对应的特征标签；
采用所述样本声纹特征和所述特征标签训练所述初始模型，直至所述初始模型的损失函数值达到预设阈值；
确定已训练的初始模型为检测模型。
5.一种检测模型生成方法，其特征在于，包括：
获取样本声纹特征，以及初始模型；
确定与所述样本声纹特征对应的特征标签；
采用所述样本声纹特征和所述特征标签训练所述初始模型，直至所述初始模型的损失函数值达到预设阈值；
确定已训练的初始模型为检测模型。
6.根据权利要求5所述的方法，其特征在于，所述获取样本声纹特征的步骤，包括：
获取样本包裹；所述样本包裹收容有物流对象；
在所述样本包裹的运动方向变化时，采集与所述样本包裹对应的样本音频信息；
根据所述样本音频信息和梅尔倒频谱算法，生成所述样本声纹特征。
7.根据权利要求6所述的方法，其特征在于，所述根据所述样本音频信息和梅尔倒频谱算法，生成所述样本声纹特征的步骤，包括：
生成与所述样本音频信息对应的样本频谱信息；
采用梅尔倒频谱算法，在所述样本频谱信息中提取所述样本声纹特征。
8.根据权利要求5所述的方法，其特征在于，所述物流对象的破损状态包括已破损和未破损中的一种；所述特征标签包括正标签和负标签；所述采用所述样本声纹特征和所述特征标签训练所述初始模型的步骤，包括：
组合破损状态为未破损的样本声纹特征与所述正标签为第一样本数据；
组合破损状态为已破损的样本声纹特征与所述负标签为第二样本数据；
采用所述第一样本数据、所述第二样本数据和所述初始模型进行训练。
9.一种检测装置，其特征在于，包括：
目标获取模块，用于获取待测包裹的目标声纹特征；所述待测包裹收容有待测物流对象；
目标输入模块，用于将所述目标声纹特征输入至预设的检测模型；
结果获取模块，用于获取所述检测模型输出的破损检测结果；
其中，所述破损检测结果包括所述待测物流对象的破损状态，所述破损状态包括未破损和已破损中的一种。
10.根据权利要求9所述的装置，其特征在于，所述检测模型包括预设的正标签和负标签；
所述检测模型用于当所述目标声纹特征与所述正标签匹配时，输出破损状态为未破损的破损检测结果；
所述检测模型还用于当所述目标声纹特征与所述负标签匹配时，输出破损状态为已破损的破损检测结果。
11.根据权利要求9或10所述的装置，其特征在于，所述目标获取模块包括：
待测包裹子模块，用于获取待测包裹；所述样本包裹收容有物流对象；
待测音频子模块，用于在所述待测包裹的运动方向变化时，采集与所述待测包裹对应的待测音频信息；
目标声纹子模块，用于根据所述待测音频信息和梅尔倒频谱算法，生成所述目标声纹特征。
12.根据权利要求11所述的装置，其特征在于，所述检测模型通过如下模块生成：
初始获取模块，用于获取样本声纹特征，以及初始模型；
特征标签模块，用于确定与所述样本声纹特征对应的特征标签；
模型训练模块，用于采用所述样本声纹特征和所述特征标签训练所述初始模型，直至所述初始模型的损失函数值达到预设阈值；
模型确定模块，用于确定已训练的初始模型为检测模型。
13.一种检测模型生成装置，其特征在于，包括：
初始获取模块，用于获取样本声纹特征，以及初始模型；
特征标签模块，用于确定与所述样本声纹特征对应的特征标签；
模型训练模块，用于采用所述样本声纹特征和所述特征标签训练所述初始模型，直至所述初始模型的损失函数值达到预设阈值；
模型确定模块，用于确定已训练的初始模型为检测模型。
14.根据权利要求13所述的装置，其特征在于，所述初始获取模块包括：
样本获取子模块，用于获取样本包裹；所述样本包裹收容有物流对象；
样本音频子模块，用于在所述样本包裹的运动方向变化时，采集与所述样本包裹对应的样本音频信息；
样本声纹子模块，用于根据所述样本音频信息和梅尔倒频谱算法，生成所述样本声纹特征。
15.根据权利要求14所述的装置，其特征在于，所述样本声纹子模块包括：
频谱生成单元，用于生成与所述样本音频信息对应的样本频谱信息；
特征生成单元，用于采用梅尔倒频谱算法，在所述样本频谱信息中提取所述样本声纹特征。
16.根据权利要求15所述的装置，其特征在于，所述物流对象的破损状态包括已破损和未破损中的一种；所述特征标签包括正标签和负标签；所述模型训练模块包括：
第一样本子模块，用于组合破损状态为未破损的样本声纹特征与所述正标签为第一样本数据；
第二样本子模块，用于组合破损状态为已破损的样本声纹特征与所述负标签为第二样本数据；
样本训练子模块，用于采用所述第一样本数据、所述第二样本数据和所述初始模型进行训练。
17.一种装置，其特征在于，包括：
一个或多个处理器；和
其上存储有指令的一个或多个机器可读介质，当由所述一个或多个处理器执行时，使得所述装置执行如权利要求1-4或5-8所述的一个或多个的方法。
18.一个或多个机器可读介质，其上存储有指令，当由一个或多个处理器执行时，使得所述处理器执行如权利要求1-4或5-8所述的一个或多个的方法。
技术总结
本申请实施例提供了一种检测方法、检测模型生成方法和装置，所述检测方法包括：获取待测包裹的目标声纹特征；所述待测包裹收容有待测物流对象；将所述目标声纹特征输入至预设的检测模型；获取所述检测模型输出的破损检测结果；其中，所述破损检测结果包括所述待测物流对象的破损状态，所述破损状态包括未破损和已破损中的一种。本申请实施例可以实现对待测包裹中物流对象的破损状态进行检测，提高物流运输效率。
技术研发人员：张愉
受保护的技术使用者：菜鸟智能物流控股有限公司
技术研发日：.05.20
技术公布日：.10.01
