傳統快遞行業正在迎來自己的“拐點”。
根據行業預測，未來的幾年內，中國日均包裹量將突破 10 億。中國物流企業將無法再單純依靠傳統的人力勞動模式去分揀處理包裹，必須使用物流雲這樣的服務為物流網絡賦能，使物流系統保持高效運轉。
菜鳥網絡 CTO 谷雪梅曾指出，技術決定了物流業的未來。
為了加速快遞行業轉型，推動智能物流落地，菜鳥網絡先行一步上線視頻雲監控系統。從全國各類物流場站內的百萬攝像頭下手，菜鳥通過機器學習分析採集到的視頻數據，可以做到實時分析車、貨的動態，實現智能調度。
而藏在超過 1000 個分撥中心後、隱身於看不見的大數據中，一手掌控車、貨、人狀態的機器學習智慧核心，就是 Google 發佈的機器學習開源框架 TensorFlow。
傳統快遞行業艱難轉身
過去的六年裡，我國包括“三通一達”、順豐、德邦、百世在內的第三方物流規模增長迅速。從2013年到2019年，我國第三方物流規模翻了三倍，市場份額達到 2825 億美元。但與此同時，中國社會物流成本佔 GDP 比例居高不下，整個行業呈現出“規模大、效率低”的特徵。
“物流成本佔 GDP 比例”是衡量物流效率的重要指標，佔比越高，說明物流行業效率越低。對於中國社會物流 15 萬億左右的總市場來說，成本比例每下降 0.1%，對應的收益都是百億級別。2019年，中國物流成本佔總 GDP 比率為 14.4%，而同一時間，這個數字在美國只有 8% 左右。
在居高不下的物流成本中，運輸成本其實只佔了一半。根據中國物流與採購聯合會提供的數據，2018年，管理費用和倉儲費用佔到物流總成本的 48%，總額高達 5.6 萬億元。
中國物流與採購聯合會會長何黎明表示，隨著經濟結構的調整和運輸供給市場的優化，我國的物流運行效率不斷提高，運輸成本有所下降。然而因為物流用地緊張、勞動力要素成本上漲，管理和倉儲費用其實一直在上升。
這種成本結構和依賴人工分揀裝卸的粗放行業現狀直接相關。
雖然目前已經有很多物流公司在做運單數字化，在做在線管理，但是某種程度上，這是“假在線”。
電子面單雖然將包裹數字化了，但包裹狀態的錄入並不是實時的。快遞公司和消費者並不清楚包裹在傳遞空隙間的實時位置，無法監控快遞的真實狀況。
此外，隨著物流倉儲規模的擴大，“包裹上線”這一手段成本過高，逐漸失效。物流園區、分撥場站、倉庫，這些物流行業的基礎要素，面積都是幾萬平方米起，僅靠包裹數字化很難進一步提高倉儲空間利用率，精細度不夠。
還有運輸車輛。現有的車聯網往往僅能獲取車輛的信息，無法掌握車輛的裝載量，車貨無法精準匹配。譬如車輛在 A 地裝了一批貨，可能還剩三分之二的空間，還能在 B 地繼續裝貨。
而集成了 TensorFlow 機器學習、計算機視覺、3D 體積測量的菜鳥視頻雲監控系統，可以幫助物流企業實現更精準的人、車、貨匹配。從感知倉庫利用率，到檢測空閒車位，再到監控卸車裝車流程，這些原本需要使用人力現場巡檢的工作，如今都可以通過攝像頭完成。
有多少 TensorFlow，就有多少智能
分散在全國各地的分撥中心和快遞網點是物流服務的核心。
截止目前，全國的快遞分撥中心已經超過了 1000 個，網點總數更是超過了 18 萬。在一個一個服務終端所織成的物流大網中，共有 100 多萬個監控攝像頭。
這些攝像頭雖然數量多，但僅發揮了安保作用，只能在問題出現以後通過監控錄像回溯現場情況，攝像頭記錄到的影像並沒有得到有效利用。
菜鳥利用 TensorFlow 開發的計算機視覺模型，把這些攝像頭利用了起來，讓它們成為物流網絡最敏感的神經末梢。菜鳥算法工程師磐山介紹道：“用 TF 訓練和部署視覺模型後，視頻雲系統可以實現如車位狀態檢測、包裹堆積度統計、車牌識別等功能。”之前需要網點工作人員手動錄入的信息，現在都可以通過攝像頭自動錄入了。
除了人類能發現的表面問題，機器學習模型還能進一步得出倉庫和月臺的使用效率，為物流公司精細化管理提供所需要的數據。
對於工程師而言，需要解決的另一個問題是，如何把依賴強大算力的計算模型“塞進”各個網點參差不齊的攝像頭裡。
終端資源非常有限，無論是計算能力還是內存容量都不能與 PC 相比，為了把大模型裝進小攝像頭，必須要對模型進行結構裁剪、壓縮和複雜的參數調節，這個工程的繁瑣和複雜程度不亞於重新構建一個小的自然語言處理模型。而利用 TensorFlow，可以方便地在 TensorFlow 平臺上把模型轉化為專為移動設備設計的輕量級的 TersorFlow Lite，省去了冗雜的裁剪壓縮過程。
磐山表示：“TensorFlow 提供了豐富的函數接口，推理部署非常方便，對於物聯網的終端設備來說，還可以選擇TensorFlow Lite 進行端上部署。”
2018年，德邦快遞率先使用了這套“物流天眼”系統。
德邦快遞營運研發中心高級總監丁俊哲介紹道，“攝像頭以前只是監控記錄功能，現在能夠識別車位是不是空閒，還有卸車裝車作業是否在正常進行，以及場站內堆積度是不是飽和，通道有沒有被堵塞。”
這些原本需要使用人力現場巡檢的工作，均由攝像頭完成實時識別，第一時間智能推送給總檯，由總檯調集人員迅速處理。物流場站內的管理模式，也由人員主動巡檢不能及時發現異常，或者異常導致場站停擺後再被動介入的處理模式，變成了實時智能管理模式。
“在沒有改變原有監控設備的情況下，以較低成本的投入，識別準確率達到 98%，挪車及時率比以前提高54%。”丁俊哲說。
數據顯示，德邦快遞場站內流轉效率因此提高了 15%，一年可以節省成本近千萬元，如果算上物流效率的提升以及貨損率的降低，一年可產生過億元的效益。
近幾年，中國第三方物流規模的增長已經趨近平緩，物流公司開疆拓土的時代也將接近尾聲，接下來等待著他們的將是精耕細作、以技術取勝的新時代。在雲計算、大數據、機器學習、計算機視覺等技術的加持下，物流業將迎來全面的革命。
目前，我們仍在徵集更多傑出的TensorFlow應用案例，你可以掃描海報下方二維碼或點擊“閱讀原文”提交案例參與我們的報道！
閱讀更多 PingWest品玩 的文章
