CN114722984B - 一种智能货物仓储优化方法 - Google Patents

一种智能货物仓储优化方法 Download PDF

Info

Publication number
CN114722984B
CN114722984B CN202210414603.0A CN202210414603A CN114722984B CN 114722984 B CN114722984 B CN 114722984B CN 202210414603 A CN202210414603 A CN 202210414603A CN 114722984 B CN114722984 B CN 114722984B
Authority
CN
China
Prior art keywords
shelf
product
storage
wireless network
warehousing
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.)
Active
Application number
CN202210414603.0A
Other languages
English (en)
Other versions
CN114722984A (zh
Inventor
雷刚
吕文涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhangjiajie Fuyuan Simulation Flowers Co ltd
Original Assignee
Zhangjiajie Fuyuan Simulation Flowers Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhangjiajie Fuyuan Simulation Flowers Co ltd filed Critical Zhangjiajie Fuyuan Simulation Flowers Co ltd
Priority to CN202210414603.0A priority Critical patent/CN114722984B/zh
Publication of CN114722984A publication Critical patent/CN114722984A/zh
Application granted granted Critical
Publication of CN114722984B publication Critical patent/CN114722984B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
    • G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisions for transferring data to distant stations, e.g. from a sensing device
    • G06K17/0025—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisions for transferring data to distant stations, e.g. from a sensing device the arrangement consisting of a wireless interrogation device in combination with a device for optically marking the record carrier
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
    • B65G1/00—Storing articles, individually or in orderly arrangement, in warehouses or magazines
    • B65G1/02—Storage devices
    • B65G1/04—Storage devices mechanical
    • B65G1/0485—Check-in, check-out devices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Biophysics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Mechanical Engineering (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)

Abstract

本发明涉及仓储优化的技术领域，公开了一种智能货物仓储优化方法，包括：利用空间识别模型实时识别货架区域的剩余存储空间；在各货架区域安装无线网络信号发射装置，发射装置实时向周围发射无线网络信号；获取无线网络信号发射装置的MAC地址，并实时采集发射装置发射的无线网络信号；仓库利用基于无线网络信号以及产品入库成本模型的入库产品存储策略为待入库产品确定存储货架，并将MAC地址以及待入库产品的信息生成标签二维码；根据二维码扫描结果确定待入库产品的存储货架，将待入库产品运送到存储货架。本发明所述方法构建产品入库成本模型，利用基于禁忌表的蚁群优化算法对模型进行优化求解，求解得到组合成本最小的存储货架位置。

Description

一种智能货物仓储优化方法
技术领域
本发明涉及仓储优化的技术领域，尤其涉及一种智能货物仓储优化方法。
背景技术
仓储库存管理系统是实现货物远程控制的基础，该系统能够直接对货物进行登记管理，完成货物存储；但随着货物存储量的增大，建立派工单所需的时间也在不断延长，此时如何在保证货物运输时效的基础上，促进库存管理体系的快速运行就显得极为必要。针对该问题，本专利提出一种智能货物仓储优化方法。
发明内容
本发明提供一种智能货物仓储优化方法，目的在于(1)实现入库产品二维码的自动生成，通过扫描二维码可以得知入库产品的存储货架位置；(2)构建产品入库成本模型，利用基于禁忌表的蚁群优化算法对模型进行优化求解，求解得到组合成本最小的存储货架位置。
实现上述目的，本发明提供的一种智能货物仓储优化方法，包括以下步骤：
S1：将仓库货架划分为若干货架区域，利用空间识别模型实时识别货架区域的剩余存储空间；
S2：在各货架区域安装无线网络信号发射装置，发射装置实时向周围发射无线网络信号，所述无线网络信号描述了货架区域的位置、货架剩余存储空间、货架存储产品的类别；
S3：获取无线网络信号发射装置的MAC地址，并实时采集发射装置发射的无线网络信号，将采集的无线网络信号与对应发射装置的MAC地址建立链接；
S4：待入库产品向仓库进行入库申请，仓库利用基于无线网络信号以及产品入库成本模型的入库产品存储策略为待入库产品确定存储货架，并将存储货架上安装的无线网络信号发射装置的MAC地址以及待入库产品的信息生成标签二维码；
S5：利用PDA扫描标签二维码，根据扫描结果确定待入库产品的存储货架，并将待入库产品运送到存储货架完成产品入库。
作为本发明的进一步改进方法：
所述S1步骤中利用货物识别模型实时识别货架区域的剩余存储空间，包括：
将仓库区域划分为若干货架区域，使得任意货架区域存在至多三列货架，则每个货架区域的编号为(a,b)，其中(a,b)表示以仓库入口为坐标原点的二维仓库坐标系中，货架区域的坐标位置，货架区域的货架编号为(a,b,c)，c表示货架区域的第c列货架，其中c＝1,2,3，c＝1表示是距离仓库入口最近的货架，c＝3表示是距离仓库入口最远的货架；在任意货架区域设置摄像头，摄像头实时拍摄货架区域的图像，并将拍摄的图像发送到仓储处理中心，仓储处理中心利用空间识别模型实时识别货架区域的货架剩余存储空间；
所述空间识别模型的输入为拍摄的货架区域图像，所述空间识别模型识别货架区域剩余存储空间的流程为：
1)利用高斯滤波器对货架区域图像I进行高斯滤波处理，得到高斯滤波图像Iσ，所述高斯滤波处理的公式为：
Iσ(x,y)＝I(x,y)*Gσ(x,y)
Figure BDA0003605076120000011
其中：
I(x,y)表示货架区域图像中以(x,y)为中心的3×3像素区域，Iσ(x,y)表示高斯滤波处理后像素点(x,y)的值；
*表示卷积操作；
Gσ(x,y)表示高斯滤波器模板，高斯滤波器模板对应标准差为σ的二维高斯核，在本发明一个具体实施例中，所设置二维高斯核的标准差为0.8，则二维高斯核对应的高斯滤波器模板为：
Figure BDA0003605076120000021
2)计算高斯滤波图像Iσ中任意像素点i的梯度值G(i)：
G(i)＝|G1(i)|+|G2(i)|
Figure BDA0003605076120000022
Figure BDA0003605076120000023
其中：
Iσ(i)表示高斯滤波图像中以任意像素点i为中心的3×3像素区域；
若G(i)大于预设定的梯度阈值，则说明像素点i为边缘像素点；将边缘像素点的颜色像素值设置为255，得到图像I′；
3)利用最大类间差法对图像I′进行二值化处理，将二值化处理后的背景标记为货架的剩余存储空间区域，并利用矩形框将剩余存储空间区域框起来，计算矩形框的面积，计算结果即为货架区域中货架的剩余存储空间。
所述S2步骤中无线网络信号发射装置实时向周围发射无线网络信号，包括：
在各货架区域安装无线网络信号发射装置，仓储处理中心将实时计算得到的货架区域的剩余存储空间发送到无线网络信号发射装置，发射装置实时向周围发射无线网络信号，所述无线网络信号描述了货架区域的位置、货架剩余存储空间、货架存储产品的类别，所述无线网络信号的信号格式为：
Signal＝{Protocol:TCP/IP；Location；Kinds；Space}
其中：
Protocol表示无线网络信号的通信协议；
Location表示货架区域的位置；
Kinds表示货架所存储产品的类别；
Space表示实时计算得到的货架区域的剩余存储空间；
在本发明一个具体实施例中，当确认待入库产品的入库申请后，入库产品的信息会发送到对应存储货架所在货架区域的无线网络信号发射装置，无线网络信号发射装置更新货架所存储产品的类别。
所述S3步骤中实时采集发射装置发射的无线网络信号，将采集的无线网络信号与对应发射装置的MAC地址建立链接，包括：
仓储处理中心获取无线网络信号发射装置的MAC地址，并实时采集发射装置发射的无线网络信号，将采集的无线网络信号与对应发射装置的MAC地址建立链接，则所建立的链接为：
Figure BDA0003605076120000024
其中：
Signal表示所采集的无线网络信号；
MACSignal表示发出无线网络信号Signal的无线网络信号发射装置的MAC地址。
所述S4步骤中所述产品入库成本模型以及模型的优化求解方法为：
所构建的产品入库成本模型为：
min[C′(a,b,c)ya,b,c+C(a,b,c)]+distance(a,b,c)×M,c∈{1,2,3}
其中：
(a,b,c)表示货架编号，其中(a,b)表示以仓库入口为坐标原点的二维仓库坐标系中，货架区域的坐标位置，c表示货架区域的第c列货架，其中c＝1,2,3，c＝1表示是距离仓库入口最近的货架，c＝3表示是距离仓库入口最远的货架；
C(a,b,c)表示将待入库产品存储到货架(a,b,c)的存储成本；
C′(a,b,c)表示已入库产品存储到货架(a,b,c)的存储成本，ya,b,c表示货架(a,b,c)是否已经存放产品的决策变量，ya,b,c＝{0,1}，其中ya,b,c＝0表示货架(a,b,c)未存放产品，即货架(a,b,c)为空，ya,b,c＝1表示货架(a,b,c)已经存放产品；
distance(a,b,c)表示从仓库入口运输到货架(a,b,c)的运输路径距离；
M表示待入库产品的重量，则distance(a,b,c)×M表示待入库产品进行入库的运输成本；
所述产品入库成本模型的约束条件为：
Space(a,b,c)≥Q
Num(a,b,c)＝1
其中：
Space(a,b,c)表示货架(a,b,c)的剩余存储空间，Q表示待入库产品所需的存储空间；
Num(a,b,c)＝1表示待入库产品只存储到一个货架上；
通过对产品入库成本模型进行优化求解，最终求解结果为使得产品存储成本、运输成本的组合成本最小的存储货架(a′,b′,c′)；
所述产品入库成本模型优化求解流程为：
1)生成m只蚂蚁，将所生成的m只蚂蚁置于仓库入口，将仓库中的不同货架以及仓库入口作为节点，将节点间的连线作为蚂蚁的移动路径，每只蚂蚁在节点处随机选择下一时刻的移动路径，则在初始时刻t0蚂蚁由节点e0移动到节点e1的概率pe0e1(t0)为：
Figure BDA0003605076120000031
其中：
e0为初始节点，e1为移动节点；
Figure BDA0003605076120000032
表示路径e0e1的信息素浓度，τ表示信息素重要因子；
Figure BDA0003605076120000033
表示节点e1的启发因子，θ表示启发函数重要因子；
将移动概率最高的节点添加到禁忌表中，并计算禁忌表中所保留节点的目标函数值；所述信息素浓度的计算公式为：
Figure BDA0003605076120000034
其中：
distance(e0e1)表示路径e0e1的运输路径距离；
所述启发因子的计算公式为：
Figure BDA0003605076120000035
其中：
Figure BDA0003605076120000041
表示节点e1的存储成本；
2)以上一时刻的移动节点作为当前时刻的初始节点，计算当前时刻初始节点移动到各节点的移动概率，将移动概率最高的节点添加到禁忌表中，并计算禁忌表中所保留节点的目标函数值，仅保留目标函数最低的节点；
3)重复步骤2)，直到蚂蚁遍历完成仓库中的所有节点，最终禁忌表中所保留的节点即为存储货架。
所述S4步骤中仓库利用基于无线网络信号以及产品入库成本模型的入库产品存储策略为待入库产品确定存储货架，包括：
所述入库产品存储策略为：
仓储处理中心对接收到的无线网络信号进行解析，得到不同货架的剩余存储空间以及是否存储产品的货架信息，将货架信息输入到产品入库成本模型，并对产品入库成本模型进行优化求解，得到使得产品存储成本、运输成本的组合成本最小的存储货架。
所述S4步骤中将存储货架所在货架区域的无线网络信号发射装置的MAC地址以及待入库产品的信息生成标签二维码，包括：
仓储处理中心将存储货架所在货架区域的无线网络信号发射装置的MAC地址以及待入库产品的信息生成标签二维码，将所生成的标签二维码粘贴在待入库产品上，所述标签二维码的编码区包括格式信息、版本信息、数据编码以及纠错码字，所述格式信息用于表示标签二维码的纠错能力，本发明将其设置为M级别的纠错能力，所述版本信息用于规定标签二维码的版本号，所述数据编码为MAC地址、存储货架所在列数以及待入库产品的数量信息的二进制位流，所述纠错码字用于依据所设置的纠错能力，对编码完成的二进制位流进行分块处理。
所述S5步骤中利用PDA扫描标签二维码，根据扫描结果确定待入库产品的存储货架，包括：
利用PDA扫描待入库产品上的标签二维码，根据扫描结果确定待入库产品的存储货架的位置信息，并将待入库产品运输到存储货架进行产品存储。
相对于现有技术，本发明提出一种智能货物仓储优化方法，该技术具有以下优势：
首先，本方案提出一种货架剩余存储空间识别方法，通过在任意货架区域设置摄像头，摄像头实时拍摄货架区域的图像，并将拍摄的图像发送到仓储处理中心，仓储处理中心利用空间识别模型实时识别货架区域的货架剩余存储空间；所述空间识别模型的输入为拍摄的货架区域图像，所述空间识别模型识别货架区域剩余存储空间的流程为：利用高斯滤波器对货架区域图像I进行高斯滤波处理，得到高斯滤波图像Iσ，所述高斯滤波处理的公式为：
Iσ(x,y)＝I(x,y)*Gσ(x,y)
Figure BDA0003605076120000042
其中：I(x,y)表示货架区域图像中以(x,y)为中心的3×3像素区域，Iσ(x,y)表示高斯滤波处理后像素点(x,y)的值；*表示卷积操作；Gσ(x,y)表示高斯滤波器模板，高斯滤波器模板对应标准差为σ的二维高斯核；计算高斯滤波图像Iσ中任意像素点i的梯度值G(i)：
G(i)＝|G1(i)|+|G2(i)|
Figure BDA0003605076120000043
Figure BDA0003605076120000044
其中：Iσ(i)表示高斯滤波图像中以任意像素点i为中心的3×3像素区域；若G(i)大于预设定的梯度阈值，则说明像素点i为边缘像素点；将边缘像素点的颜色像素值设置为255，得到图像I′；利用最大类间差法对图像I′进行二值化处理，将二值化处理后的背景标记为货架的剩余存储空间区域，并利用矩形框将剩余存储空间区域框起来，计算矩形框的面积，计算结果即为货架区域中货架的剩余存储空间，并在各货架区域安装无线网络信号发射装置，仓储处理中心将实时计算得到的货架区域的剩余存储空间发送到无线网络信号发射装置，发射装置实时向周围发射无线网络信号，所述无线网络信号描述了货架区域的位置、货架剩余存储空间、货架存储产品的类别，使得仓储处理中心能够实时了解到货架的剩余存储空间，从而可以利用产品入库成本模型实现待入库产品存储位置的计算。
同时，本方案提出一种待入库产品存储货架的计算方法，所构建的产品入库成本模型为：
min[C′(a,b,c)ya,b,c+C(a,b,c)]+distance(a,b,c)×M,c∈{1,2,3}
其中：(a,b,c)表示货架编号，其中(a,b)表示以仓库入口为坐标原点的二维仓库坐标系中，货架区域的坐标位置，c表示货架区域的第c列货架，其中c＝1,2,3，c＝1表示是距离仓库入口最近的货架，c＝3表示是距离仓库入口最远的货架；C(a,b,c)表示将待入库产品存储到货架(a,b,c)的存储成本；C′(a,b,c)表示已入库产品存储到货架(a,b,c)的存储成本，ya,b,c表示货架(a,b,c)是否已经存放产品的决策变量，ya,b,c＝{0,1}，其中ya,b,c＝0表示货架(a,b,c)未存放产品，即货架(a,b,c)为空，ya,b,c＝1表示货架(a,b,c)已经存放产品；distance(a,b,c)表示从仓库入口运输到货架(a,b,c)的运输路径距离；M表示待入库产品的重量，则distance(a,b,c)×M表示待入库产品进行入库的运输成本；所述产品入库成本模型的约束条件为：
Space(a,b,c)≥Q
Num(a,b,c)＝1
其中：Space(a,b,c)表示货架(a,b,c)的剩余存储空间，Q表示待入库产品所需的存储空间；Num(a,b,c)＝1表示待入库产品只存储到一个货架上；通过对产品入库成本模型进行优化求解，最终求解结果为使得产品存储成本、运输成本的组合成本最小的存储货架(a′,b′,c′)；根据所构建的模型，本方案基于禁忌表以及蚁群优化算法对模型进行求解，所述产品入库成本模型优化求解流程为：1)生成m只蚂蚁，将所生成的m只蚂蚁置于仓库入口，将仓库中的不同货架以及仓库入口作为节点，将节点间的连线作为蚂蚁的移动路径，每只蚂蚁在节点处随机选择下一时刻的移动路径，则在初始时刻t0蚂蚁由节点e0移动到节点e1的概率
Figure BDA0003605076120000051
为：
Figure BDA0003605076120000052
其中：e0为初始节点，e1为移动节点；
Figure BDA0003605076120000053
表示路径e0e1的信息素浓度，τ表示信息素重要因子；
Figure BDA0003605076120000054
表示节点e1的启发因子，θ表示启发函数重要因子；将移动概率最高的节点添加到禁忌表中，并计算禁忌表中所保留节点的目标函数值；所述信息素浓度的计算公式为：
Figure BDA0003605076120000055
其中：distance(e0e1)表示路径e0e1的运输路径距离；所述启发因子的计算公式为：
Figure BDA0003605076120000056
其中：
Figure BDA0003605076120000057
表示节点e1的存储成本；2)以上一时刻的移动节点作为当前时刻的初始节点，计算当前时刻初始节点移动到各节点的移动概率，将移动概率最高的节点添加到禁忌表中，并计算禁忌表中所保留节点的目标函数值，仅保留目标函数最低的节点；3)重复步骤2)，直到蚂蚁遍历完成仓库中的所有节点，最终禁忌表中所保留的节点即为存储货架。相较于传统方案，本方案对蚁群算法的信息素浓度以及启发因子进行调整，当节点的运输成本越小、存储成本越小，则蚁群向这个节点的移动概率越大，从而使得最终得到组合成本最小的存储货架，同时仓库利用基于无线网络信号以及产品入库成本模型的入库产品存储策略为待入库产品确定存储货架，所述入库产品存储策略为：仓储处理中心对接收到的无线网络信号进行解析，得到不同货架的剩余存储空间以及是否存储产品的货架信息，将货架信息输入到产品入库成本模型，并对产品入库成本模型进行优化求解，得到使得产品存储成本、运输成本的组合成本最小的存储货架。
附图说明
图1为本发明一实施例提供的一种智能货物仓储优化方法的流程示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
S1：将仓库货架划分为若干货架区域，利用空间识别模型实时识别货架区域的剩余存储空间。
所述S1步骤中利用货物识别模型实时识别货架区域的剩余存储空间，包括：
将仓库区域划分为若干货架区域，使得任意货架区域存在至多三列货架，则每个货架区域的编号为(a,b)，其中(a,b)表示以仓库入口为坐标原点的二维仓库坐标系中，货架区域的坐标位置，货架区域的货架编号为(a,b,c)，c表示货架区域的第c列货架，其中c＝1,2,3，c＝1表示是距离仓库入口最近的货架，c＝3表示是距离仓库入口最远的货架；在任意货架区域设置摄像头，摄像头实时拍摄货架区域的图像，并将拍摄的图像发送到仓储处理中心，仓储处理中心利用空间识别模型实时识别货架区域的货架剩余存储空间；
所述空间识别模型的输入为拍摄的货架区域图像，所述空间识别模型识别货架区域剩余存储空间的流程为：
1)利用高斯滤波器对货架区域图像I进行高斯滤波处理，得到高斯滤波图像Iσ，所述高斯滤波处理的公式为：
Iσ(x,y)＝I(x,y)*Gσ(x,y)
Figure BDA0003605076120000061
其中：
I(x,y)表示货架区域图像中以(x,y)为中心的3×3像素区域，Iσ(x,y)表示高斯滤波处理后像素点(x,y)的值；
*表示卷积操作；
Gσ(x,y)表示高斯滤波器模板，高斯滤波器模板对应标准差为σ的二维高斯核，在本发明一个具体实施例中，所设置二维高斯核的标准差为0.8，则二维高斯核对应的高斯滤波器模板为：
Figure BDA0003605076120000062
2)计算高斯滤波图像Iσ中任意像素点i的梯度值G(i)：
G(i)＝|G1(i)|+|G2(i)|
Figure BDA0003605076120000071
Figure BDA0003605076120000072
其中：
Iσ(i)表示高斯滤波图像中以任意像素点i为中心的3×3像素区域；
若G(i)大于预设定的梯度阈值，则说明像素点i为边缘像素点；将边缘像素点的颜色像素值设置为255，得到图像I′；
3)利用最大类间差法对图像I′进行二值化处理，将二值化处理后的背景标记为货架的剩余存储空间区域，并利用矩形框将剩余存储空间区域框起来，计算矩形框的面积，计算结果即为货架区域中货架的剩余存储空间。
S2：在各货架区域安装无线网络信号发射装置，发射装置实时向周围发射无线网络信号，所述无线网络信号描述了货架区域的位置、货架剩余存储空间、货架存储产品的类别。
所述S2步骤中无线网络信号发射装置实时向周围发射无线网络信号，包括：
在各货架区域安装无线网络信号发射装置，仓储处理中心将实时计算得到的货架区域的剩余存储空间发送到无线网络信号发射装置，发射装置实时向周围发射无线网络信号，所述无线网络信号描述了货架区域的位置、货架剩余存储空间、货架存储产品的类别，所述无线网络信号的信号格式为：
Signal＝{Protocol:TCP/IP；Location；Kinds；Space}
其中：
Protocol表示无线网络信号的通信协议；
Location表示货架区域的位置；
Kinds表示货架所存储产品的类别；
Space表示实时计算得到的货架区域的剩余存储空间；
在本发明一个具体实施例中，当确认待入库产品的入库申请后，入库产品的信息会发送到对应存储货架所在货架区域的无线网络信号发射装置，无线网络信号发射装置更新货架所存储产品的类别。
S3：获取无线网络信号发射装置的MAC地址，并实时采集发射装置发射的无线网络信号，将采集的无线网络信号与对应发射装置的MAC地址建立链接。
所述S3步骤中实时采集发射装置发射的无线网络信号，将采集的无线网络信号与对应发射装置的MAC地址建立链接，包括：
仓储处理中心获取无线网络信号发射装置的MAC地址，并实时采集发射装置发射的无线网络信号，将采集的无线网络信号与对应发射装置的MAC地址建立链接，则所建立的链接为：
Figure BDA0003605076120000073
其中：
Signal表示所采集的无线网络信号；
MACSignal表示发出无线网络信号Signal的无线网络信号发射装置的MAC地址。
S4：待入库产品向仓库进行入库申请，仓库利用基于无线网络信号以及产品入库成本模型的入库产品存储策略为待入库产品确定存储货架，并将存储货架上安装的无线网络信号发射装置的MAC地址以及待入库产品的信息生成标签二维码。
所述S4步骤中所述产品入库成本模型以及模型的优化求解方法为：
所构建的产品入库成本模型为：
min[C′(a,b,c)ya,b,c+C(a,b,c)]+distance(a,b,c)×M,c∈{1,2,3}
其中：
(a,b,c)表示货架编号，其中(a,b)表示以仓库入口为坐标原点的二维仓库坐标系中，货架区域的坐标位置，c表示货架区域的第c列货架，其中c＝1,2,3，c＝1表示是距离仓库入口最近的货架，c＝3表示是距离仓库入口最远的货架；
C(a,b,c)表示将待入库产品存储到货架(a,b,c)的存储成本；
C′(a,b,c)表示已入库产品存储到货架(a,b,c)的存储成本，ya,b,c表示货架(a,b,c)是否已经存放产品的决策变量，ya,b,c＝{0,1}，其中ya,b,c＝0表示货架(a,b,c)未存放产品，即货架(a,b,c)为空，ya,b,c＝1表示货架(a,b,c)已经存放产品；
distance(a,b,c)表示从仓库入口运输到货架(a,b,c)的运输路径距离；
M表示待入库产品的重量，则distance(a,b,c)×M表示待入库产品进行入库的运输成本；
所述产品入库成本模型的约束条件为：
Space(a,b,c)≥Q
Num(a,b,c)＝1
其中：
Space(a,b,c)表示货架(a,b,c)的剩余存储空间，Q表示待入库产品所需的存储空间；
Num(a,b,c)＝1表示待入库产品只存储到一个货架上；
通过对产品入库成本模型进行优化求解，最终求解结果为使得产品存储成本、运输成本的组合成本最小的存储货架(a′,b′,c′)；
所述产品入库成本模型优化求解流程为：
1)生成m只蚂蚁，将所生成的m只蚂蚁置于仓库入口，将仓库中的不同货架以及仓库入口作为节点，将节点间的连线作为蚂蚁的移动路径，每只蚂蚁在节点处随机选择下一时刻的移动路径，则在初始时刻t0蚂蚁由节点e0移动到节点e1的概率
Figure BDA0003605076120000081
为：
Figure BDA0003605076120000082
其中：
e0为初始节点，e1为移动节点；
Figure BDA0003605076120000083
表示路径e0e1的信息素浓度，τ表示信息素重要因子；
Figure BDA0003605076120000084
表示节点e1的启发因子，θ表示启发函数重要因子；
将移动概率最高的节点添加到禁忌表中，并计算禁忌表中所保留节点的目标函数值；所述信息素浓度的计算公式为：
Figure BDA0003605076120000085
其中：
distance(e0e1)表示路径e0e1的运输路径距离；
所述启发因子的计算公式为：
Figure BDA0003605076120000086
其中：
Figure BDA0003605076120000087
表示节点e1的存储成本；
2)以上一时刻的移动节点作为当前时刻的初始节点，计算当前时刻初始节点移动到各节点的移动概率，将移动概率最高的节点添加到禁忌表中，并计算禁忌表中所保留节点的目标函数值，仅保留目标函数最低的节点；
3)重复步骤2)，直到蚂蚁遍历完成仓库中的所有节点，最终禁忌表中所保留的节点即为存储货架。
所述S4步骤中仓库利用基于无线网络信号以及产品入库成本模型的入库产品存储策略为待入库产品确定存储货架，包括：
所述入库产品存储策略为：
仓储处理中心对接收到的无线网络信号进行解析，得到不同货架的剩余存储空间以及是否存储产品的货架信息，将货架信息输入到产品入库成本模型，并对产品入库成本模型进行优化求解，得到使得产品存储成本、运输成本的组合成本最小的存储货架。
所述S4步骤中将存储货架所在货架区域的无线网络信号发射装置的MAC地址以及待入库产品的信息生成标签二维码，包括：
将存储货架所在货架区域的无线网络信号发射装置的MAC地址以及待入库产品的信息生成标签二维码，将所生成的标签二维码粘贴在待入库产品上，所述标签二维码的编码区包括格式信息、版本信息、数据编码以及纠错码字，所述格式信息用于表示标签二维码的纠错能力，本发明将其设置为M级别的纠错能力，所述版本信息用于规定标签二维码的版本号，所述数据编码为MAC地址、存储货架所在列数以及待入库产品的数量信息的二进制位流，所述纠错码字用于依据所设置的纠错能力，对编码完成的二进制位流进行分块处理。
S5：利用PDA扫描标签二维码，根据扫描结果确定待入库产品的存储货架，并将待入库产品运送到存储货架完成产品入库。
所述S5步骤中利用PDA扫描标签二维码，根据扫描结果确定待入库产品的存储货架，包括：
利用PDA扫描待入库产品上的标签二维码，根据扫描结果确定待入库产品的存储货架的位置信息，并将待入库产品运输到存储货架进行产品存储。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“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、装置、物品或者方法不仅包括那些要素，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、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (8)

1.一种智能货物仓储优化方法，其特征在于，所述方法包括：
S1：将仓库货架划分为若干货架区域，利用空间识别模型实时识别货架区域的剩余存储空间；
S2：在各货架区域安装无线网络信号发射装置，发射装置实时向周围发射无线网络信号，所述无线网络信号描述了货架区域的位置、货架剩余存储空间、货架存储产品的类别；
S3：获取无线网络信号发射装置的MAC地址，并实时采集发射装置发射的无线网络信号，将采集的无线网络信号与对应发射装置的MAC地址建立链接；
S4：待入库产品向仓库进行入库申请，仓库利用基于无线网络信号以及产品入库成本模型的入库产品存储策略为待入库产品确定存储货架，并将存储货架上安装的无线网络信号发射装置的MAC地址以及待入库产品的信息生成标签二维码，其中，所述产品入库成本模型优化求解流程包括：
1)生成m只蚂蚁，将所生成的m只蚂蚁置于仓库入口，将仓库中的不同货架以及仓库入口作为节点，将节点间的连线作为蚂蚁的移动路径，每只蚂蚁在节点处随机选择下一时刻的移动路径，则在初始时刻t0蚂蚁由节点e0移动到节点e1的概率
Figure FDA0003605076110000011
为：
Figure FDA0003605076110000012
其中：
e0为初始节点，e1为移动节点；
Figure FDA0003605076110000013
表示路径e0e1的信息素浓度，τ表示信息素重要因子；
Figure FDA0003605076110000014
表示节点e1的启发因子，θ表示启发函数重要因子；
将移动概率最高的节点添加到禁忌表中，并计算禁忌表中所保留节点的目标函数值；
所述信息素浓度的计算公式为：
Figure FDA0003605076110000015
其中：
distance(e0e1)表示路径e0e1的运输路径距离；
所述启发因子的计算公式为：
Figure FDA0003605076110000016
其中：
Figure FDA0003605076110000017
表示节点e1的存储成本；
2)以上一时刻的移动节点作为当前时刻的初始节点，计算当前时刻初始节点移动到各节点的移动概率，将移动概率最高的节点添加到禁忌表中，并计算禁忌表中所保留节点的目标函数值，仅保留目标函数最低的节点；
3)重复步骤2)，直到蚂蚁遍历完成仓库中的所有节点，最终禁忌表中所保留的节点即为存储货架；
S5：利用PDA扫描标签二维码，根据扫描结果确定待入库产品的存储货架，并将待入库产品运送到存储货架完成产品入库。
2.如权利要求1所述的一种智能货物仓储优化方法，其特征在于，所述S1步骤中利用货物识别模型实时识别货架区域的剩余存储空间，包括：
将仓库区域划分为若干货架区域，使得任意货架区域存在至多三列货架，则每个货架区域的编号为(a，b)，其中(a，b)表示以仓库入口为坐标原点的二维仓库坐标系中，货架区域的坐标位置，货架区域的货架编号为(a，b，c)，c表示货架区域的第c列货架，其中c＝1，2，3，c＝1表示是距离仓库入口最近的货架，c＝3表示是距离仓库入口最远的货架；在任意货架区域设置摄像头，摄像头实时拍摄货架区域的图像，并将拍摄的图像发送到仓储处理中心，仓储处理中心利用空间识别模型实时识别货架区域的货架剩余存储空间；
所述空间识别模型的输入为拍摄的货架区域图像，所述空间识别模型识别货架区域剩余存储空间的流程为：
1)利用高斯滤波器对货架区域图像I进行高斯滤波处理，得到高斯滤波图像Iσ，所述高斯滤波处理的公式为：
Iσ(x，y)＝I(x，y)*Gσ(x，y)
Figure FDA0003605076110000021
其中：
I(x，y)表示货架区域图像中以(x，y)为中心的3×3像素区域，Iσ(x，y)表示高斯滤波处理后像素点(x，y)的值；
*表示卷积操作；
Gσ(x，y)表示高斯滤波器模板，高斯滤波器模板对应标准差为σ的二维高斯核；
2)计算高斯滤波图像Iσ中任意像素点i的梯度值G(i)：
G(i)＝|G1(i)|+|G2(i)|
Figure FDA0003605076110000022
Figure FDA0003605076110000023
其中：
Iσ(i)表示高斯滤波图像中以任意像素点i为中心的3×3像素区域；
若G(i)大于预设定的梯度阈值，则说明像素点i为边缘像素点；将边缘像素点的颜色像素值设置为255，得到图像I′；
3)利用最大类间差法对图像I′进行二值化处理，将二值化处理后的背景标记为货架的剩余存储空间区域，并利用矩形框将剩余存储空间区域框起来，计算矩形框的面积，计算结果即为货架区域中货架的剩余存储空间。
3.如权利要求1所述的一种智能货物仓储优化方法，其特征在于，所述S2步骤中无线网络信号发射装置实时向周围发射无线网络信号，包括：
在各货架区域安装无线网络信号发射装置，仓储处理中心将实时计算得到的货架区域的剩余存储空间发送到无线网络信号发射装置，发射装置实时向周围发射无线网络信号，所述无线网络信号描述了货架区域的位置、货架剩余存储空间、货架存储产品的类别，所述无线网络信号的信号格式为：
Signal＝{Protocol：TCP/IP；Location；Kinds；Space}
其中：
Protocol表示无线网络信号的通信协议；
Location表示货架区域的位置；
Kinds表示货架所存储产品的类别；
Space表示实时计算得到的货架区域的剩余存储空间。
4.如权利要求3所述的一种智能货物仓储优化方法，其特征在于，所述S3步骤中实时采集发射装置发射的无线网络信号，将采集的无线网络信号与对应发射装置的MAC地址建立链接，包括：
仓储处理中心获取无线网络信号发射装置的MAC地址，并实时采集发射装置发射的无线网络信号，将采集的无线网络信号与对应发射装置的MAC地址建立链接，则所建立的链接为：
Figure FDA0003605076110000031
其中：
Signal表示所采集的无线网络信号；
MACSignal表示发出无线网络信号Signal的无线网络信号发射装置的MAC地址。
5.如权利要求1所述的一种智能货物仓储优化方法，其特征在于，所述S4步骤中所述产品入库成本模型为：
所构建的产品入库成本模型为：
min[C′(a，b，c)ya，b，c+C(a，b，c)]+distance(a，b，c)×M，c∈{1，2，3}
其中：
(a，b，c)表示货架编号，其中(a，b)表示以仓库入口为坐标原点的二维仓库坐标系中，货架区域的坐标位置，c表示货架区域的第c列货架，其中c＝1，2，3，c＝1表示是距离仓库入口最近的货架，c＝3表示是距离仓库入口最远的货架；
C(a，b，c)表示将待入库产品存储到货架(a，b，c)的存储成本；
C′(a，b，c)表示已入库产品存储到货架(a，b，c)的存储成本，ya，b，c表示货架(a，b，c)是否已经存放产品的决策变量，ya，b，c＝{0，1}，其中ya，b，c＝0表示货架(a，b，c)未存放产品，即货架(a，b，c)为空，ya，b，c＝1表示货架(a，b，c)已经存放产品；
distance(a，b，c)表示从仓库入口运输到货架(a，b，c)的运输路径距离；
M表示待入库产品的重量，则distance(a，b，c)×M表示待入库产品进行入库的运输成本；
所述产品入库成本模型的约束条件为：
Space(a，b，c)≥Q
Num(a，b，c)＝1
其中：
Space(a，b，c)表示货架(a，b，c)的剩余存储空间，Q表示待入库产品所需的存储空间；
Num(a，b，c)＝1表示待入库产品只存储到一个货架上；
通过对产品入库成本模型进行优化求解，最终求解结果为使得产品存储成本、运输成本的组合成本最小的存储货架(a′，b′，c′)。
6.如权利要求5所述的一种智能货物仓储优化方法，其特征在于，所述S4步骤中仓库利用基于无线网络信号以及产品入库成本模型的入库产品存储策略为待入库产品确定存储货架，包括：
所述入库产品存储策略为：
仓储处理中心对接收到的无线网络信号进行解析，得到不同货架的剩余存储空间以及是否存储产品的货架信息，将货架信息输入到产品入库成本模型，并对产品入库成本模型进行优化求解，得到使得产品存储成本、运输成本的组合成本最小的存储货架。
7.如权利要求1所述的一种智能货物仓储优化方法，其特征在于，所述S4步骤中将存储货架所在货架区域的无线网络信号发射装置的MAC地址以及待入库产品的信息生成标签二维码，包括：
将存储货架所在货架区域的无线网络信号发射装置的MAC地址以及待入库产品的信息生成标签二维码，将所生成的标签二维码粘贴在待入库产品上，所述标签二维码的编码区包括格式信息、版本信息、数据编码以及纠错码字，所述格式信息用于表示标签二维码的纠错能力，所述版本信息用于规定标签二维码的版本号，所述数据编码为MAC地址、存储货架所在列数以及待入库产品的数量信息的二进制位流，所述纠错码字用于依据所设置的纠错能力，对编码完成的二进制位流进行分块处理。
8.如权利要求7所述的一种智能货物仓储优化方法，其特征在于，所述S5步骤中利用PDA扫描标签二维码，根据扫描结果确定待入库产品的存储货架，包括：
利用PDA扫描待入库产品上的标签二维码，根据扫描结果确定待入库产品的存储货架的位置信息，并将待入库产品运输到存储货架进行产品存储。
CN202210414603.0A 2022-04-20 2022-04-20 一种智能货物仓储优化方法 Active CN114722984B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210414603.0A CN114722984B (zh) 2022-04-20 2022-04-20 一种智能货物仓储优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210414603.0A CN114722984B (zh) 2022-04-20 2022-04-20 一种智能货物仓储优化方法

Publications (2)

Publication Number Publication Date
CN114722984A CN114722984A (zh) 2022-07-08
CN114722984B true CN114722984B (zh) 2022-11-22

Family

ID=82244438

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210414603.0A Active CN114722984B (zh) 2022-04-20 2022-04-20 一种智能货物仓储优化方法

Country Status (1)

Country Link
CN (1) CN114722984B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116105459A (zh) * 2022-12-29 2023-05-12 珠海格力电器股份有限公司 一种冰箱内空间调整方法及装置
CN116573325B (zh) * 2023-06-15 2024-01-09 广州中联环宇现代物流有限公司 一种智能仓储抓取机器人、智能仓储应用方法及仓管系统
CN118365250A (zh) * 2024-06-19 2024-07-19 中科微至科技股份有限公司 一种基于激光雷达的识别货位货物状态的系统及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109230142A (zh) * 2018-10-22 2019-01-18 陕西科技大学 一种密集仓储系统复合作业的调度路径优化方法
CN110375761A (zh) * 2019-08-07 2019-10-25 天津大学 基于增强蚁群优化算法的无人驾驶车辆路径规划方法
CN110986942A (zh) * 2019-10-17 2020-04-10 浙江科技学院 基于蚁群算法的立体仓库三维空间路径优化方法
CN111860754A (zh) * 2020-07-15 2020-10-30 无锡弘宜智能科技有限公司 基于蚁群以及遗传算法的agv调度方法
WO2021189720A1 (zh) * 2020-03-23 2021-09-30 南京理工大学 基于改进蚁群算法的泊车agv路径规划方法
CN114339651A (zh) * 2021-11-30 2022-04-12 南京邮电大学 一种改进蚁群算法的智慧农业传感器布局优化方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7778773B2 (en) * 2007-05-02 2010-08-17 Toshiba America Research, Inc. Optimum route planning for service vehicles

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109230142A (zh) * 2018-10-22 2019-01-18 陕西科技大学 一种密集仓储系统复合作业的调度路径优化方法
CN110375761A (zh) * 2019-08-07 2019-10-25 天津大学 基于增强蚁群优化算法的无人驾驶车辆路径规划方法
CN110986942A (zh) * 2019-10-17 2020-04-10 浙江科技学院 基于蚁群算法的立体仓库三维空间路径优化方法
WO2021189720A1 (zh) * 2020-03-23 2021-09-30 南京理工大学 基于改进蚁群算法的泊车agv路径规划方法
CN111860754A (zh) * 2020-07-15 2020-10-30 无锡弘宜智能科技有限公司 基于蚁群以及遗传算法的agv调度方法
CN114339651A (zh) * 2021-11-30 2022-04-12 南京邮电大学 一种改进蚁群算法的智慧农业传感器布局优化方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Dynamic Path Planning of UAV Based on Pheromone Diffusion Ant Colony Algorithm;Bin Zhou，et al;《ICCIP 2021: 2021 the 7th International Conference on Communication and Information Processing (ICCIP)》;20220307;Pages 16–21 *
一种面向室内AGV路径规划的改进蚁群算法;肖金壮，等;《仪器仪表学报》;20220331;第277-285页 *
基于蚁群算法的冷链物流运输路径优化—以F公司为例;姜方桃，等;《电脑知识与技术》;20210430;第251-524页 *

Also Published As

Publication number Publication date
CN114722984A (zh) 2022-07-08

Similar Documents

Publication Publication Date Title
CN114722984B (zh) 一种智能货物仓储优化方法
US10878372B2 (en) Method, system and device for association of commodities and price tags
US11238298B2 (en) Item tracking using a dynamic region of interest
CN109264275B (zh) 基于机器人的智能仓库管理方法、装置和存储介质
CN110689256A (zh) 托盘调度方法、装置、电子设备和仓库管理系统
US10296814B1 (en) Automated and periodic updating of item images data store
US20230122873A1 (en) Warehousing system, goods collection method and device, goods-container-moving device, and control terminal
KR101679381B1 (ko) 재고 관리 서비스 제공 방법
TWI457834B (zh) 智能化物料管理方法以及系統
CN111932155B (zh) 智能订单车辆匹配方法、系统、装置
CN107272674A (zh) 一种基于物联网的仓储监管系统
CN212160738U (zh) 一种货物视频追溯系统
CN114298198A (zh) 一种货物智能存储库房
CN111080310A (zh) 一种基于二维码的产品跟踪管理系统
CN113283839B (zh) 一种防差错的卷烟销售出库rfid扫码设备自动开启系统
CN113888089A (zh) 一种基于人工智能的货物存放方法及其系统
CN113112192A (zh) 揽收方法和装置
CN115689140A (zh) 分配月台的方法、装置、设备和存储介质
CN116664053B (zh) 一种商品库存管理方法
CN111325510B (zh) 确定托盘位置的方法、装置、电子设备和仓库管理系统
WO2018229791A1 (en) Sorting assistance system and method thereof
WO2021159313A1 (zh) 电子标签、物品绑定方法、装置、设备及存储介质
US12086761B2 (en) System and method to count and monitor containers
CN115471730A (zh) 料笼堆叠的确认方法、装置、计算机设备和存储介质
CN111413929A (zh) 一种基于web通讯的仓储堆栈自动防错系统及方法

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
GR01 Patent grant
GR01 Patent grant