CN112862395A - 基于区块链的物流供应链管理系统 - Google Patents
基于区块链的物流供应链管理系统 Download PDFInfo
- Publication number
- CN112862395A CN112862395A CN202110095361.9A CN202110095361A CN112862395A CN 112862395 A CN112862395 A CN 112862395A CN 202110095361 A CN202110095361 A CN 202110095361A CN 112862395 A CN112862395 A CN 112862395A
- Authority
- CN
- China
- Prior art keywords
- network
- face
- layer
- channel
- input
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及物流供应技术领域,具体地说,涉及一种基于区块链的物流供应链管理系统。其包括物流订单管理中心,所述物流订单管理中心的输入端与订单输入系统的输出端连接,所述物流订单管理中心的输入端还与区块链识别系统连接。本发明中通过采用循环卷积和密集残差网络来联合学习全局人脸特征的长程依赖性,辅助全局人脸轮廓的建模;同时加设的局部增强网络,学习低分辨率人脸剪切块到高分辨率人脸剪切块之间的映射关系,用于强化对局部人脸特征,特别是人脸五官特征的建模。
Description
技术领域
本发明涉及物流供应技术领域,具体地说,涉及基于区块链的物流供应链管理系统。
背景技术
供应链管理,指使供应链运作达到最优化,以最少的成本,令供应链从采购开始,到满足最终客户的所有过程,供应链管理就是协调企业内外资源来共同满足消费者需求,当我们把供应链上各环节的企业看作为一个虚拟企业同盟,而把任一个企业看作为这个虚拟企业同盟中的一个部门时,同盟的内部管理就是供应链管理,只不过同盟的组成是动态的,根据市场需要随时在发生变化,有效的供应链管理可以帮助实现四项目标,缩短现金周转时间,降低企业面临的风险,实现盈利增长以及提供可预测收入,然而现有基于物流供应链管理系统存在反应的滞后性,物品在运输过程中出现折损不能进行及时处理,造成后续维护成本增加。
物流是指为了满足客户的需求,以最低的成本进行配送,因此在配送时为了提高效率会利用网络系统进行分配,然而一般的脸部识别无法有效提取和融合全局和局部特征,使得对于人脸特征的建模更准确,转化效果更好。
另外,一般的分配系统的网络归一化层的伽马参数在原始网络分配模型中不具备很高的稀疏性,而且在脸部进行识别时建模的准确性也比较差。
发明内容
本发明的目的在于提供基于区块链的物流供应链管理系统,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供基于区块链的物流供应链管理系统,包括物流订单管理中心,所述物流订单管理中心的输入端与订单输入系统的输出端连接,所述物流订单管理中心的输入端还与区块链识别系统连接,所述物流订单管理中心的输出端与分配系统的输入端连接,并且物流订单管理中心的输入端与分配系统的输出端连接,所述物流订单管理中心的输出端与处理系统的输入端连接,并且物流订单管理中心的输入端与处理系统的输出端连接,所述物流订单管理中心的输出端与进购系统的输入端连接,并且物流订单管理中心的输入端与进购系统的输出端连接,所述分配系统包括物流信息采集模块和折损计算模块,并且物流信息采集模块的输出端与折损计算模块的输入端连接。
作为本技术方案的进一步改进,所述区块链识别系统包括构建人脸图像数据;所述构建人脸图像数据用于对进购系统采集的脸部图像进行识别,并通过目标检测网络进行检测。
作为本技术方案的进一步改进,所述人脸图像数据包含若干数量的成对数据,即高解析度人脸图像和对应的低解析度人脸图像;将所述人脸图像数据中的人脸图像对进行剪切,得到人脸剪切块;
分批次将得到的人脸剪切块输入到卷积神经网络中,卷积神经网络又包括全局记忆网络和局部增强网络,即将人脸剪切块分别输入到全局记忆网络和局部增强网络进行特征提取;
在全局记忆网络中,利用初始化卷积将低解析度人脸剪切块从图像空间映射到特征空间,获得初始化人脸特征,再通过若干个密集残差单元提取人脸特征,将不同残差单元的输出集合起来,通过递归单元建模不同阶段和空间区域之间的相互映射关系,从初始化人脸特征中学习得到全局人脸轮廓特征;
在局部增强网络中,通过预设尺寸的采样器对输入图像进行采样,得到多个低解析度人脸剪切块,为了获得合适的人脸剪切块,并保持一定的局部结构,采用原始输入尺寸1/n大小的采样器对输入图像进行无重叠采样,得到n个低解析度人脸剪切块;
为了强化对局部特征关联的建模,利用若干个多路径残差操作来提取局部人脸特征,通过融合不同路径和阶段的特征信息,学习低解析度到高解析度图像剪切块之间的映射关系,得到基于人脸剪切块的特征表达;
将得到的人脸剪切块的特征表达输入到上采样层,利用亚像素卷积将这些人脸剪切块的特征表达进行编码重排,映射到全局人脸空间,得到与原始输入人脸解析度大小的特征映射图,即整张人脸的局部特征;
利用若干个卷积对得到的全局人脸轮廓特征和整张人脸的局部特征进行融合,并将融合后的特征输入到上采样层,利用亚像素卷积进行超解析度幻构,实现人脸特征的全局和局部协同表达,并映射到原始的图像空间,输出对应的残差人脸图像,将回归得到的残差人脸图像与低解析度人脸图像的插值结果进行相加,输出得到高质量人脸图像;
通过最小化输出得到的高质量人脸图像和原始高解析度人脸的余弦距离,优化提出的双路径深度融合网络,实现低解析度人脸图像转化成高解析度人脸图像;所述优化具体为:使用基于超分损失函数来约束网络生成的高质量的人脸图像尽可能逼近原始的高解析度人脸图像,实现双路径深度融合的低解析度人脸图像转化成高解析度人脸图像方法的优化。
作为本技术方案的进一步改进,对目标检测网络进行压缩,目标检测网络压缩方法,包括以下步骤:
引入基于深度学习的目标检测网络的批量归一化层,将归一化层中的伽马参数作为衡量深度网络每一层卷积层各通道对于该网络特征提取的重要程度的尺度因子;所述批量归一化层,指对该层输入进行归一化操作,然后引入可学习重构参数伽马;批量归一化层的输入为卷积层输出特征图,每个通道的特征图作为一个单独的神经元,使用权值共享策略,每个通道特征图只有一对重构参数伽马,即每个缩放因子参数和每个偏置因子参数均与输入特征图通道一一对应,将批量归一化层的缩放因子伽马参数作为网络剪切所需的通道重要性尺度因子;
根据所得网络卷积通道重要性尺度因子进行稀疏化迭代,具体为,在原始网络的损失函数中增加了一项对网络所有归一化层的伽马参数的稀疏化L1范数限制,使得伽马参数更加稀疏且大部分伽马参数接近于0;所述增加稀疏化L1范数限制,具体为,在原始网络的迭代损失函数上增加一项关于伽马参数的子项,其本质为该网络所有伽马参数值绝对值和的惩罚因子,其值越大,则伽马参数对迭代损失函数影响越大;网络迭代过程中,损失值函数不断减小,则所有伽马参数值绝对值和不断减小,更多伽马参数值不断趋近于0,即实现卷积通道重要性尺度因子的稀疏化迭代;当网络损失值不再随迭代次数产生较大波动且大部分伽马参数值趋近于0时,停止迭代,获得网络权重值;
原始网络的迭代损失函数包括四部分:第一部分为边框中心坐标损失函数,该损失函数用于表达第m个网格的第n个候选边框负责一个真实目标时,该候选边框产生的预测边框中心点坐标与真实目标的标注边框中心点坐标的差距;其中还需将网络输出的预测边框中心点对于网格相对值的横纵坐标和宽高对于候选边框相对值转化为对于图像的真实坐标和预测边框真实宽高的计算过程;第二部分为边框宽高损失函数,该项损失函数用于表达第m个网格的第n个候选边框负责一个真实目标时,该候选边框产生的预测边框尺寸与真实目标的标注边框尺寸的差距;第三部分为置信度损失函数,对于光学遥感图像,大部分内容不包含待检测物体,即没有物体的计算部分损失贡献会大于有物体的计算部分,这会导致网络倾向于预测单元格内不含物体,本损失函数减少不包含物体计算部分的贡献权重;第四部分为类别损失函数,该损失函数用于表达第m个网格的第n个候选边框负责一个真实目标时,该候选边框产生的预测边框类别概率与真实目标的标注边框类别概率的差距;
根据所得稀疏化迭代之后的网络伽马参数值进行卷积层通道剪切,具体如下,在通道稀疏正则化迭代后,得到了的网络伽马参数值大部分趋近于0,由归一化层伽马参数的含义可知输入该层的特征图的每个通道对应一个伽马参数值;将重要性低于剪枝比例的特征图通道舍弃,舍弃的特征图通道对应的卷积核也被舍弃,这就完成了通道裁剪的过程;所述剪枝比例,指稀疏迭代后所有伽马参数的百分比,即将网络所有伽马参数从小到大排列,取前剪枝比例对应数量的伽马参数对应的特征图通道剪切,该特征图通道对应的卷积核同时舍弃;当剪枝比例较高时,通道剪切可能会暂时导致一些精度损失,但这在很大程度上可以通过后序步骤中的网络微调来进行规避;具体地,对于卷积层,剪枝后判断每一层通道数是否为零,若为零,强制保留伽马参数绝对值最大的特征图参数对应的滤波器单通道,避免过度剪枝带来的网络结构破坏;对于没有后续接入批量归一化层的卷积层不进行通道剪切;对于直连层,剪枝后判断该层所连接的两个卷积层通道数是否一致,若不一致,则将两层卷积层通道进行标号,未被剪枝通道标示为1,被剪枝通道标识为0,生成两组一维的二进制向量,对两组向量各位进行或操作,得到一个一维向量,其中内容为1的向量位数对应的两个卷积层通道保留,内容为0的向量位数对应的两个卷积层通道剪切;对于池化层,上采样层和连接层,不对其进行参数剪枝;最大池化层指对每个通道维度的特征图进行最大池化操作,即将特征图不重叠地剪切成若干个池化尺寸大小的小块,每个小块内只取最大的数字,再舍弃其他节点后,保持原有的平面结构得到输出特征图;所述直连层,指对输入的两个卷积层特征图进行各对应通道参数相加操作,其要求输入卷积层通道数一致;所述上采样层,是指对输入特征图,在像素点值之间采用双线性插值方法插入新的元素;所述连接层,是指将输入的特征图按先后顺序,在通道维度上拼接,即连接层输出特征图通道数等于输入特征图通道数之和,在代码实现中,直接进行特征图数组在通道维度上的合并;
根据获取的通道剪切后的网络参数权重,对相同数据集进行网络再迭代;迭代损失函数为稀疏化迭代时的原始网络损失函数;当网络损失值不再随迭代次数产生较大波动时,停止训练,获得网络权重值,所述迭代具体为:对输入迭代集图片划分网格,在各网格内通过预设尺寸的候选边框生成预测边框,通过预测边框参数和标注真实框参数计算损失函数,计算完迭代内所有图片得到本次迭代损失函数值,完成一次迭代。
作为本技术方案的进一步改进,所述订单输入系统包括匹配订单录入模块和随机订单录入模块,匹配订单录入模块用于将订单录入模块录入的订单匹配给专门的配送人员,并通过区块链识别系统对配送人员进行识别,提高匹配的单一性,随机订单录入模块用于将订单录入模块录入的订单随机分配给配送人员,并通过区块链识别系统对配送人员进行识别。
作为本技术方案的进一步改进,所述进购系统包括生产数据库、采购数据库和数据监测模块,所述生产数据库和采购数据库的输出端均与数据监测模块的输入端连接。
作为本技术方案的进一步改进,所述数据监测模块还包括进度监测模块和收入预测模块,进度监测模块用于对生产数据库和采购数据库中的订单配送进度进行实时监测,以提供订单进度状态,收入预测模块用于对生产数据库和采购数据库中的订单数量进行统计,并生成出收入账单。
作为本技术方案的进一步改进,所述处理系统的输入端还与数据监测模块连接,以对进购系统中的数据库进行分析。
与现有技术相比,本发明的有益效果:
1、该基于区块链的物流供应链管理系统中,通过物流订单管理中心的输入端与订单输入系统的输出端连接,物流订单管理中心的输出端与分配系统的输入端连接,并且物流订单管理中心的输入端与分配系统的输出端连接,物流订单管理中心的输出端与处理系统的输入端连接,并且物流订单管理中心的输入端与处理系统的输出端连接,物流订单管理中心的输出端与进购系统的输入端连接,并且物流订单管理中心的输入端与进购系统的输出端连接,分配系统包括物流信息采集模块和折损计算模块,并且物流信息采集模块的输出端与折损计算模块的输入端连接,折损计算模块包括折损信息录入模块、预处理模块和协商处理模块,可实现针对中途折损产品进行高效率的处理,提高管理系统的反应处理能力,增强管理系统的反应优势。
2、该基于区块链的物流供应链管理系统中,通过采用循环卷积和密集残差网络来联合学习全局人脸特征的长程依赖性,辅助全局人脸轮廓的建模;同时加设的局部增强网络,学习低分辨率人脸剪切块到高分辨率人脸剪切块之间的映射关系,用于强化对局部人脸特征,特别是人脸五官特征的建模;而且,通过联合全局人脸轮廓特征和整张人脸的局部特征,可实现全局和局部的人脸特征的协同表示,得到高质量的人脸图像;最后,通过对全局和局部人脸特征的协同表达,能够有效提取和融合全局和局部特征,使得对于人脸特征的建模更准确,转化效果更好。
3、该基于区块链的物流供应链管理系统中,通过批量归一化层来改善网络梯度,这样允许更大的学习率,从而能大幅提高迭代速度并减少对初始化的强烈依赖;同时,批量归一化层伽马参数本质具有通道缩放属性,引入其作为衡量各通道重要程度所需的尺度因子,不会给网络带来额外的参数和计算工作量;而且,通过增加一项对网络所有归一化层的伽马参数的稀疏化L1范数限制,这样解决了在归一化层的伽马参数在原始网络中不具备很高的稀疏性,其值分布分散的问题,有利于后续根据通道重要性尺度因子进行通道剪切的过程;最后,针对目前的基于深度学习的目标检测网络压缩算法泛用性较差,检测精度损失较大的问题,引入归一化层的伽马参数作为衡量网络卷积通道重要性的尺度因子,通过迭代,网络自动识别冗余通道信息,在不影响泛化性能的前提下,可以安全地去除冗余参数,同时通过微调迭代有效地补偿了通道剪切带来的精度损失。
附图说明
图1为实施例1的整体模块框图;
图2为实施例1的区块链识别系统和物流订单管理中心模块框图。
图中各个标号意义为:
100、物流订单管理中心;
200、订单输入系统;
300、分配系统;310、物流信息采集模块;320、折损计算模块;
400、处理系统;500、生产系统;600、区块链识别系统。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例
本发明提供基于区块链的物流供应链管理系统,请参阅图1-图2,包括物流订单管理中心100,物流订单管理中心100的输入端与订单输入系统200的输出端连接,物流订单管理中心100的输入端还与区块链识别系统600连接,物流订单管理中心100的输出端与分配系统300的输入端连接,并且物流订单管理中心100的输入端与分配系统300的输出端连接,物流订单管理中心100的输出端与处理系统400的输入端连接,通过处理系统400与进购系统500的配合,大大提高管理系统针对供应需求变化的反应与处理应急能力,并且物流订单管理中心100的输入端与处理系统400的输出端连接,物流订单管理中心100的输出端与进购系统500的输入端连接,并且物流订单管理中心100的输入端与进购系统500的输出端连接,进购系统500包括采购数据库和生产数据库,并且采购数据库的输出端与生产数据库的输入端连接,采购数据库的输入端与生产数据库的输出端连接,生产数据库包括自产系统、外协生产系统和质检系统,通过自产系统与外协生产系统的配合,可有效根据供需变化做出高效处理,提高生产供应能力,并且质检系统分别与自产系统和外协生产系统实现双相连接,质检系统保证产品的质量,分配系统300包括物流信息采集模块310和折损计算模块320,并且物流信息采集模块310的输出端与折损计算模块320的输入端连接,折损计算模块320包括折损信息录入模块、预处理模块和协商处理模块,通过折损计算模块320的设置,大大提高管理系统的反应优势,使得中途折损产品能够得到及时处理。
此外,所述区块链识别系统600包括构建人脸图像数据;所述构建人脸图像数据用于对进购系统500采集的脸部图像进行识别,并通过目标检测网络进行检测;
除此之外,构建人脸图像数据,人脸图像数据包含若干数量的成对数据,即高解析度人脸图像和对应的低解析度人脸图像;将人脸图像数据中的人脸图像对进行剪切,得到人脸剪切块;
分批次将得到的人脸剪切块输入到卷积神经网络中,卷积神经网络又包括全局记忆网络和局部增强网络,即将人脸剪切块分别输入到全局记忆网络和局部增强网络进行特征提取;
在全局记忆网络中,利用初始化卷积将低解析度人脸剪切块从图像空间映射到特征空间,获得初始化人脸特征,再通过若干个密集残差单元提取人脸特征,将不同残差单元的输出集合起来,通过递归单元建模不同阶段和空间区域之间的相互映射关系,从初始化人脸特征中学习得到全局人脸轮廓特征;
在局部增强网络中,通过预设尺寸的采样器对输入图像进行采样,得到多个低解析度人脸剪切块,为了获得合适的人脸剪切块,并保持一定的局部结构,采用原始输入尺寸1/n大小的采样器对输入图像进行无重叠采样,得到n个低解析度人脸剪切块;
为了强化对局部特征关联的建模,利用若干个多路径残差操作来提取局部人脸特征,通过融合不同路径和阶段的特征信息,学习低解析度到高解析度图像剪切块之间的映射关系,得到基于人脸剪切块的特征表达;
将得到的人脸剪切块的特征表达输入到上采样层,利用亚像素卷积将这些人脸剪切块的特征表达进行编码重排,映射到全局人脸空间,得到与原始输入人脸解析度大小的特征映射图,即整张人脸的局部特征;
利用若干个卷积对得到的全局人脸轮廓特征和整张人脸的局部特征进行融合,并将融合后的特征输入到上采样层,利用亚像素卷积进行超解析度幻构,实现人脸特征的全局和局部协同表达,并映射到原始的图像空间,输出对应的残差人脸图像,将回归得到的残差人脸图像与低解析度人脸图像的插值结果进行相加,输出得到高质量人脸图像;
通过最小化输出得到的高质量人脸图像和原始高解析度人脸的余弦距离,优化提出的双路径深度融合网络,实现低解析度人脸图像转化成高解析度人脸图像;优化具体为:使用基于超分损失函数来约束网络生成的高质量的人脸图像尽可能逼近原始的高解析度人脸图像,实现双路径深度融合的低解析度人脸图像转化成高解析度人脸图像方法的优化;
进一步的,对目标检测网络进行压缩,目标检测网络压缩方法,包括以下步骤:
引入基于深度学习的目标检测网络的批量归一化层,将归一化层中的伽马参数作为衡量深度网络每一层卷积层各通道对于该网络特征提取的重要程度的尺度因子;批量归一化层,指对该层输入进行归一化操作,然后引入可学习重构参数伽马;批量归一化层的输入为卷积层输出特征图,每个通道的特征图作为一个单独的神经元,使用权值共享策略,每个通道特征图只有一对重构参数伽马,即每个缩放因子参数和每个偏置因子参数均与输入特征图通道一一对应,将批量归一化层的缩放因子伽马参数作为网络剪切所需的通道重要性尺度因子;
根据所得网络卷积通道重要性尺度因子进行稀疏化迭代,具体为,在原始网络的损失函数中增加了一项对网络所有归一化层的伽马参数的稀疏化L1范数限制,使得伽马参数更加稀疏且大部分伽马参数接近于0;增加稀疏化L1范数限制,具体为,在原始网络的迭代损失函数上增加一项关于伽马参数的子项,其本质为该网络所有伽马参数值绝对值和的惩罚因子,其值越大,则伽马参数对迭代损失函数影响越大;网络迭代过程中,损失值函数不断减小,则所有伽马参数值绝对值和不断减小,更多伽马参数值不断趋近于0,即实现卷积通道重要性尺度因子的稀疏化迭代;当网络损失值不再随迭代次数产生较大波动且大部分伽马参数值趋近于0时,停止迭代,获得网络权重值;
原始网络的迭代损失函数包括四部分:第一部分为边框中心坐标损失函数,该损失函数用于表达第m个网格的第n个候选边框负责一个真实目标时,该候选边框产生的预测边框中心点坐标与真实目标的标注边框中心点坐标的差距;其中还需将网络输出的预测边框中心点对于网格相对值的横纵坐标和宽高对于候选边框相对值转化为对于图像的真实坐标和预测边框真实宽高的计算过程;第二部分为边框宽高损失函数,该项损失函数用于表达第m个网格的第n个候选边框负责一个真实目标时,该候选边框产生的预测边框尺寸与真实目标的标注边框尺寸的差距;第三部分为置信度损失函数,对于光学遥感图像,大部分内容不包含待检测物体,即没有物体的计算部分损失贡献会大于有物体的计算部分,这会导致网络倾向于预测单元格内不含物体,本损失函数减少不包含物体计算部分的贡献权重;第四部分为类别损失函数,该损失函数用于表达第m个网格的第n个候选边框负责一个真实目标时,该候选边框产生的预测边框类别概率与真实目标的标注边框类别概率的差距;
根据所得稀疏化迭代之后的网络伽马参数值进行卷积层通道剪切,具体如下,在通道稀疏正则化迭代后,得到了的网络伽马参数值大部分趋近于0,由归一化层伽马参数的含义可知输入该层的特征图的每个通道对应一个伽马参数值;将重要性低于剪枝比例的特征图通道舍弃,舍弃的特征图通道对应的卷积核也被舍弃,这就完成了通道裁剪的过程;剪枝比例,指稀疏迭代后所有伽马参数的百分比,即将网络所有伽马参数从小到大排列,取前剪枝比例对应数量的伽马参数对应的特征图通道剪切,该特征图通道对应的卷积核同时舍弃;当剪枝比例较高时,通道剪切可能会暂时导致一些精度损失,但这在很大程度上可以通过后序步骤中的网络微调来进行规避;具体地,对于卷积层,剪枝后判断每一层通道数是否为零,若为零,强制保留伽马参数绝对值最大的特征图参数对应的滤波器单通道,避免过度剪枝带来的网络结构破坏;对于没有后续接入批量归一化层的卷积层不进行通道剪切;对于直连层,剪枝后判断该层所连接的两个卷积层通道数是否一致,若不一致,则将两层卷积层通道进行标号,未被剪枝通道标示为1,被剪枝通道标识为0,生成两组一维的二进制向量,对两组向量各位进行或操作,得到一个一维向量,其中内容为1的向量位数对应的两个卷积层通道保留,内容为0的向量位数对应的两个卷积层通道剪切;对于池化层,上采样层和连接层,不对其进行参数剪枝;最大池化层指对每个通道维度的特征图进行最大池化操作,即将特征图不重叠地剪切成若干个池化尺寸大小的小块,每个小块内只取最大的数字,再舍弃其他节点后,保持原有的平面结构得到输出特征图;直连层,指对输入的两个卷积层特征图进行各对应通道参数相加操作,其要求输入卷积层通道数一致;上采样层,是指对输入特征图,在像素点值之间采用双线性插值方法插入新的元素;连接层,是指将输入的特征图按先后顺序,在通道维度上拼接,即连接层输出特征图通道数等于输入特征图通道数之和,在代码实现中,直接进行特征图数组在通道维度上的合并;
根据获取的通道剪切后的网络参数权重,对相同数据集进行网络再迭代;迭代损失函数为稀疏化迭代时的原始网络损失函数;当网络损失值不再随迭代次数产生较大波动时,停止训练,获得网络权重值,迭代具体为:对输入迭代集图片划分网格,在各网格内通过预设尺寸的候选边框生成预测边框,通过预测边框参数和标注真实框参数计算损失函数,计算完迭代内所有图片得到本次迭代损失函数值,完成一次迭代。
具体的,订单输入系统200包括匹配订单录入模块和随机订单录入模块,匹配订单录入模块用于将订单录入模块录入的订单匹配给专门的配送人员,并通过区块链识别系统600对配送人员进行识别,提高匹配的单一性,随机订单录入模块用于将订单录入模块录入的订单随机分配给配送人员,并通过区块链识别系统600对配送人员进行识别。
此外,进购系统500包括生产数据库、采购数据库和数据监测模块,生产数据库和采购数据库的输出端均与数据监测模块的输入端连接,数据监测模块还包括进度监测模块和收入预测模块,进度监测模块用于对生产数据库和采购数据库中的订单配送进度进行实时监测,以提供订单进度状态,收入预测模块用于对生产数据库和采购数据库中的订单数量进行统计,并生成出收入账单,处理系统400的输入端还与数据监测模块连接,以对进购系统500中的数据库进行分析。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的仅为本发明的优选例,并不用来限制本发明,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (8)
1.一种基于区块链的物流供应链管理系统,包括物流订单管理中心(100),所述物流订单管理中心(100)的输入端与订单输入系统(200)的输出端连接,所述物流订单管理中心(100)的输入端还与区块链识别系统(600)连接,其特征在于:所述物流订单管理中心(100)的输出端与分配系统(300)的输入端连接,并且物流订单管理中心(100)的输入端与分配系统(300)的输出端连接,所述物流订单管理中心(100)的输出端与处理系统(400)的输入端连接,并且物流订单管理中心(100)的输入端与处理系统(400)的输出端连接,所述物流订单管理中心(100)的输出端与进购系统(500)的输入端连接,并且物流订单管理中心(100)的输入端与进购系统(500)的输出端连接,所述分配系统(300)包括物流信息采集模块(310)和折损计算模块(320),并且物流信息采集模块(310)的输出端与折损计算模块(320)的输入端连接。
2.根据权利要求1所述的基于区块链的物流供应链管理系统,其特征在于:所述区块链识别系统(600)包括构建人脸图像数据;所述构建人脸图像数据用于对进购系统(500)采集的脸部图像进行识别,并通过目标检测网络进行检测。
3.根据权利要求2所述的基于区块链的物流供应链管理系统,其特征在于:所述人脸图像数据包含若干数量的成对数据,即高解析度人脸图像和对应的低解析度人脸图像;将所述人脸图像数据中的人脸图像对进行剪切,得到人脸剪切块;
分批次将得到的人脸剪切块输入到卷积神经网络中,卷积神经网络又包括全局记忆网络和局部增强网络,即将人脸剪切块分别输入到全局记忆网络和局部增强网络进行特征提取;
在全局记忆网络中,利用初始化卷积将低解析度人脸剪切块从图像空间映射到特征空间,获得初始化人脸特征,再通过若干个密集残差单元提取人脸特征,将不同残差单元的输出集合起来,通过递归单元建模不同阶段和空间区域之间的相互映射关系,从初始化人脸特征中学习得到全局人脸轮廓特征;
在局部增强网络中,通过预设尺寸的采样器对输入图像进行采样,得到多个低解析度人脸剪切块,为了获得合适的人脸剪切块,并保持一定的局部结构,采用原始输入尺寸1/n大小的采样器对输入图像进行无重叠采样,得到n个低解析度人脸剪切块;
为了强化对局部特征关联的建模,利用若干个多路径残差操作来提取局部人脸特征,通过融合不同路径和阶段的特征信息,学习低解析度到高解析度图像剪切块之间的映射关系,得到基于人脸剪切块的特征表达;
将得到的人脸剪切块的特征表达输入到上采样层,利用亚像素卷积将这些人脸剪切块的特征表达进行编码重排,映射到全局人脸空间,得到与原始输入人脸解析度大小的特征映射图,即整张人脸的局部特征;
利用若干个卷积对得到的全局人脸轮廓特征和整张人脸的局部特征进行融合,并将融合后的特征输入到上采样层,利用亚像素卷积进行超解析度幻构,实现人脸特征的全局和局部协同表达,并映射到原始的图像空间,输出对应的残差人脸图像,将回归得到的残差人脸图像与低解析度人脸图像的插值结果进行相加,输出得到高质量人脸图像;
通过最小化输出得到的高质量人脸图像和原始高解析度人脸的余弦距离,优化提出的双路径深度融合网络,实现低解析度人脸图像转化成高解析度人脸图像;所述优化具体为:使用基于超分损失函数来约束网络生成的高质量的人脸图像尽可能逼近原始的高解析度人脸图像,实现双路径深度融合的低解析度人脸图像转化成高解析度人脸图像方法的优化。
4.根据权利要求2所述的基于区块链的物流供应链管理系统,其特征在于:对目标检测网络进行压缩,包括以下步骤:
引入基于深度学习的目标检测网络的批量归一化层,将归一化层中的伽马参数作为衡量深度网络每一层卷积层各通道对于该网络特征提取的重要程度的尺度因子;所述批量归一化层,指对该层输入进行归一化操作,然后引入可学习重构参数伽马;批量归一化层的输入为卷积层输出特征图,每个通道的特征图作为一个单独的神经元,使用权值共享策略,每个通道特征图只有一对重构参数伽马,即每个缩放因子参数和每个偏置因子参数均与输入特征图通道一一对应,将批量归一化层的缩放因子伽马参数作为网络剪切所需的通道重要性尺度因子;
根据所得网络卷积通道重要性尺度因子进行稀疏化迭代,具体为,在原始网络的损失函数中增加了一项对网络所有归一化层的伽马参数的稀疏化L1范数限制,使得伽马参数更加稀疏且大部分伽马参数接近于0;所述增加稀疏化L1范数限制,具体为,在原始网络的迭代损失函数上增加一项关于伽马参数的子项,其本质为该网络所有伽马参数值绝对值和的惩罚因子,其值越大,则伽马参数对迭代损失函数影响越大;网络迭代过程中,损失值函数不断减小,则所有伽马参数值绝对值和不断减小,更多伽马参数值不断趋近于0,即实现卷积通道重要性尺度因子的稀疏化迭代;当网络损失值不再随迭代次数产生较大波动且大部分伽马参数值趋近于0时,停止迭代,获得网络权重值;
原始网络的迭代损失函数包括四部分:第一部分为边框中心坐标损失函数,该损失函数用于表达第m个网格的第n个候选边框负责一个真实目标时,该候选边框产生的预测边框中心点坐标与真实目标的标注边框中心点坐标的差距;其中还需将网络输出的预测边框中心点对于网格相对值的横纵坐标和宽高对于候选边框相对值转化为对于图像的真实坐标和预测边框真实宽高的计算过程;第二部分为边框宽高损失函数,该项损失函数用于表达第m个网格的第n个候选边框负责一个真实目标时,该候选边框产生的预测边框尺寸与真实目标的标注边框尺寸的差距;第三部分为置信度损失函数,对于光学遥感图像,大部分内容不包含待检测物体,即没有物体的计算部分损失贡献会大于有物体的计算部分,这会导致网络倾向于预测单元格内不含物体,本损失函数减少不包含物体计算部分的贡献权重;第四部分为类别损失函数,该损失函数用于表达第m个网格的第n个候选边框负责一个真实目标时,该候选边框产生的预测边框类别概率与真实目标的标注边框类别概率的差距;
根据所得稀疏化迭代之后的网络伽马参数值进行卷积层通道剪切,具体如下,在通道稀疏正则化迭代后,得到了的网络伽马参数值大部分趋近于0,由归一化层伽马参数的含义可知输入该层的特征图的每个通道对应一个伽马参数值;将重要性低于剪枝比例的特征图通道舍弃,舍弃的特征图通道对应的卷积核也被舍弃,这就完成了通道裁剪的过程;所述剪枝比例,指稀疏迭代后所有伽马参数的百分比,即将网络所有伽马参数从小到大排列,取前剪枝比例对应数量的伽马参数对应的特征图通道剪切,该特征图通道对应的卷积核同时舍弃;当剪枝比例较高时,通道剪切可能会暂时导致一些精度损失,但这在很大程度上可以通过后序步骤中的网络微调来进行规避;具体地,对于卷积层,剪枝后判断每一层通道数是否为零,若为零,强制保留伽马参数绝对值最大的特征图参数对应的滤波器单通道,避免过度剪枝带来的网络结构破坏;对于没有后续接入批量归一化层的卷积层不进行通道剪切;对于直连层,剪枝后判断该层所连接的两个卷积层通道数是否一致,若不一致,则将两层卷积层通道进行标号,未被剪枝通道标示为1,被剪枝通道标识为0,生成两组一维的二进制向量,对两组向量各位进行或操作,得到一个一维向量,其中内容为1的向量位数对应的两个卷积层通道保留,内容为0的向量位数对应的两个卷积层通道剪切;对于池化层,上采样层和连接层,不对其进行参数剪枝;最大池化层指对每个通道维度的特征图进行最大池化操作,即将特征图不重叠地剪切成若干个池化尺寸大小的小块,每个小块内只取最大的数字,再舍弃其他节点后,保持原有的平面结构得到输出特征图;所述直连层,指对输入的两个卷积层特征图进行各对应通道参数相加操作,其要求输入卷积层通道数一致;所述上采样层,是指对输入特征图,在像素点值之间采用双线性插值方法插入新的元素;所述连接层,是指将输入的特征图按先后顺序,在通道维度上拼接,即连接层输出特征图通道数等于输入特征图通道数之和,在代码实现中,直接进行特征图数组在通道维度上的合并;
根据获取的通道剪切后的网络参数权重,对相同数据集进行网络再迭代;迭代损失函数为稀疏化迭代时的原始网络损失函数;当网络损失值不再随迭代次数产生较大波动时,停止训练,获得网络权重值,所述迭代具体为:对输入迭代集图片划分网格,在各网格内通过预设尺寸的候选边框生成预测边框,通过预测边框参数和标注真实框参数计算损失函数,计算完迭代内所有图片得到本次迭代损失函数值,完成一次迭代。
5.根据权利要求1所述的基于区块链的物流供应链管理系统,其特征在于:所述订单输入系统(200)包括匹配订单录入模块和随机订单录入模块。
6.根据权利要求1所述的基于区块链的物流供应链管理系统,其特征在于:所述进购系统(500)包括生产数据库、采购数据库和数据监测模块,所述生产数据库和采购数据库的输出端均与数据监测模块的输入端连接。
7.根据权利要求6所述的基于区块链的物流供应链管理系统,其特征在于:所述数据监测模块还包括进度监测模块和收入预测模块。
8.根据权利要求7所述的基于区块链的物流供应链管理系统,其特征在于:所述处理系统(400)的输入端还与数据监测模块连接,以对进购系统(500)中的数据库进行分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110095361.9A CN112862395A (zh) | 2021-01-25 | 2021-01-25 | 基于区块链的物流供应链管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110095361.9A CN112862395A (zh) | 2021-01-25 | 2021-01-25 | 基于区块链的物流供应链管理系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112862395A true CN112862395A (zh) | 2021-05-28 |
Family
ID=76008285
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110095361.9A Withdrawn CN112862395A (zh) | 2021-01-25 | 2021-01-25 | 基于区块链的物流供应链管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112862395A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113496046A (zh) * | 2021-01-18 | 2021-10-12 | 图林科技(深圳)有限公司 | 一种基于区块链的电商物流系统及方法 |
-
2021
- 2021-01-25 CN CN202110095361.9A patent/CN112862395A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113496046A (zh) * | 2021-01-18 | 2021-10-12 | 图林科技(深圳)有限公司 | 一种基于区块链的电商物流系统及方法 |
CN113496046B (zh) * | 2021-01-18 | 2024-05-10 | 华翼(广东)电商科技有限公司 | 一种基于区块链的电商物流系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110084216B (zh) | 人脸识别模型训练和人脸识别方法、系统、设备及介质 | |
CN111462120B (zh) | 一种基于语义分割模型缺陷检测方法、装置、介质及设备 | |
CN111398176B (zh) | 基于像元尺度特征的水体水色异常遥感识别方法和装置 | |
CN111259954B (zh) | 一种基于D-Resnet的高光谱中医舌苔舌质分类方法 | |
CN111881958B (zh) | 车牌分类识别方法、装置、设备及存储介质 | |
CN112419202B (zh) | 基于大数据及深度学习的野生动物图像自动识别系统 | |
Biard et al. | Automated detection of weather fronts using a deep learning neural network | |
CN114187120A (zh) | 一种车险理赔欺诈风险识别方法及装置 | |
CN114332473A (zh) | 目标检测方法、装置、计算机设备、存储介质及程序产品 | |
CN113378785A (zh) | 森林类型识别方法及装置 | |
CN107239532A (zh) | 数据挖掘方法及装置 | |
CN112785441A (zh) | 数据处理方法、装置、终端设备及存储介质 | |
CN112862395A (zh) | 基于区块链的物流供应链管理系统 | |
Shit et al. | An encoder‐decoder based CNN architecture using end to end dehaze and detection network for proper image visualization and detection | |
CN111738812B (zh) | 一种基于用户群微细分的信息推送方法及系统 | |
CN116563649B (zh) | 基于张量映射网络的高光谱图像轻量化分类方法及装置 | |
WO2024078112A1 (zh) | 一种舾装件智能识别方法、计算机设备 | |
Subraja et al. | Satellite image segmentation using modified u-net convolutional networks | |
CN116758419A (zh) | 针对遥感图像的多尺度目标检测方法、装置和设备 | |
CN115205681A (zh) | 基于空间上下文的车道线分割方法、设备及存储介质 | |
CN114154617A (zh) | 一种基于vfl的低压居民用户异常用电识别方法及系统 | |
CN115393631A (zh) | 基于贝叶斯层图卷积神经网络的高光谱图像分类方法 | |
CN113487374A (zh) | 一种基于5g网络的区块电商平台交易系统 | |
CN113269052A (zh) | 价签识别方法、终端、存储装置 | |
Mahalle et al. | Data Acquisition and Preparation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210528 |
|
WW01 | Invention patent application withdrawn after publication |