传统快递行业正在迎来自己的“拐点”。
根据行业预测，未来的几年内，中国日均包裹量将突破 10 亿。中国物流企业将无法再单纯依靠传统的人力劳动模式去分拣处理包裹，必须使用物流云这样的服务为物流网络赋能，使物流系统保持高效运转。
菜鸟网络 CTO 谷雪梅曾指出，技术决定了物流业的未来。
为了加速快递行业转型，推动智能物流落地，菜鸟网络先行一步上线视频云监控系统。从全国各类物流场站内的百万摄像头下手，菜鸟通过机器学习分析采集到的视频数据，可以做到实时分析车、货的动态，实现智能调度。
而藏在超过 1000 个分拨中心后、隐身于看不见的大数据中，一手掌控车、货、人状态的机器学习智慧核心，就是 Google 发布的机器学习开源框架 TensorFlow。
传统快递行业艰难转身
过去的六年里，我国包括“三通一达”、顺丰、德邦、百世在内的第三方物流规模增长迅速。从 2013 年到 2019 年，我国第三方物流规模翻了三倍，市场份额达到 2825 亿美元。但与此同时，中国社会物流成本占 GDP 比例居高不下，整个行业呈现出“规模大、效率低”的特征。
“物流成本占 GDP 比例”是衡量物流效率的重要指标，占比越高，说明物流行业效率越低。对于中国社会物流 15 万亿左右的总市场来说，成本比例每下降 0.1%，对应的收益都是百亿级别。2019 年，中国物流成本占总 GDP 比率为 14.4%，而同一时间，这个数字在美国只有 8% 左右。
在居高不下的物流成本中，运输成本其实只占了一半。根据中国物流与采购联合会提供的数据，2018 年，管理费用和仓储费用占到物流总成本的 48%，总额高达 5.6 万亿元。
中国物流与采购联合会会长何黎明表示，随着经济结构的调整和运输供给市场的优化，我国的物流运行效率不断提高，运输成本有所下降。然而因为物流用地紧张、劳动力要素成本上涨，管理和仓储费用其实一直在上升。
这种成本结构和依赖人工分拣装卸的粗放行业现状直接相关。
虽然目前已经有很多物流公司在做运单数字化，在做在线管理，但是某种程度上，这是“假在线”。
电子面单虽然将包裹数字化了，但包裹状态的录入并不是实时的。快递公司和消费者并不清楚包裹在传递空隙间的实时位置，无法监控快递的真实状况。
此外，随着物流仓储规模的扩大，“包裹上线”这一手段成本过高，逐渐失效。物流园区、分拨场站、仓库，这些物流行业的基础要素，面积都是几万平方米起，仅靠包裹数字化很难进一步提高仓储空间利用率，精细度不够。
还有运输车辆。现有的车联网往往仅能获取车辆的信息，无法掌握车辆的装载量，车货无法精准匹配。譬如车辆在 A 地装了一批货，可能还剩三分之二的空间，还能在 B 地继续装货。
而集成了 TensorFlow 机器学习、计算机视觉、3D 体积测量的菜鸟视频云监控系统，可以帮助物流企业实现更精准的人、车、货匹配。从感知仓库利用率，到检测空闲车位，再到监控卸车装车流程，这些原本需要使用人力现场巡检的工作，如今都可以通过摄像头完成。
有多少 TensorFlow，就有多少智能
分散在全国各地的分拨中心和快递网点是物流服务的核心。
截止目前，全国的快递分拨中心已经超过了 1000 个，网点总数更是超过了 18 万。在一个一个服务终端所织成的物流大网中，共有 100 多万个监控摄像头。
这些摄像头虽然数量多，但仅发挥了安保作用，只能在问题出现以后通过监控录像回溯现场情况，摄像头记录到的影像并没有得到有效利用。
菜鸟利用 TensorFlow 开发的计算机视觉模型，把这些摄像头利用了起来，让它们成为物流网络最敏感的神经末梢。菜鸟算法工程师磐山介绍道：“用 TF 训练和部署视觉模型后，视频云系统可以实现如车位状态检测、包裹堆积度统计、车牌识别等功能。”之前需要网点工作人员手动录入的信息，现在都可以通过摄像头自动录入了。
除了人类能发现的表面问题，机器学习模型还能进一步得出仓库和月台的使用效率，为物流公司精细化管理提供所需要的数据。
对于工程师而言，需要解决的另一个问题是，如何把依赖强大算力的计算模型“塞进”各个网点参差不齐的摄像头里。
终端资源非常有限，无论是计算能力还是内存容量都不能与 PC 相比，为了把大模型装进小摄像头，必须要对模型进行结构裁剪、压缩和复杂的参数调节，这个工程的繁琐和复杂程度不亚于重新构建一个小的自然语言处理模型。而利用 TensorFlow，可以方便地在 TensorFlow 平台上把模型转化为专为移动设备设计的轻量级的 TersorFlow Lite，省去了冗杂的裁剪压缩过程。
磐山表示：“TensorFlow 提供了丰富的函数接口，推理部署非常方便，对于物联网的终端设备来说，还可以选择 TensorFlow Lite 进行端上部署。”
2018 年，德邦快递率先使用了这套“物流天眼”系统。
德邦快递营运研发中心高级总监丁俊哲介绍道，“摄像头以前只是监控记录功能，现在能够识别车位是不是空闲，还有卸车装车作业是否在正常进行，以及场站内堆积度是不是饱和，通道有没有被堵塞。”
这些原本需要使用人力现场巡检的工作，均由摄像头完成实时识别，第一时间智能推送给总台，由总台调集人员迅速处理。物流场站内的管理模式，也由人员主动巡检不能及时发现异常，或者异常导致场站停摆后再被动介入的处理模式，变成了实时智能管理模式。
“在没有改变原有监控设备的情况下，以较低成本的投入，识别准确率达到 98%，挪车及时率比以前提高 54%。”丁俊哲说。
数据显示，德邦快递场站内流转效率因此提高了 15%，一年可以节省成本近千万元，如果算上物流效率的提升以及货损率的降低，一年可产生过亿元的效益。
近几年，中国第三方物流规模的增长已经趋近平缓，物流公司开疆拓土的时代也将接近尾声，接下来等待着他们的将是精耕细作、以技术取胜的新时代。在云计算、大数据、机器学习、计算机视觉等技术的加持下，物流业将迎来全面的革命。
目前，我们仍在征集更多杰出的 TensorFlow 应用案例，你可以扫描海报下方二维码或点击“阅读原文”提交案例参与我们的报道！
