CN115018433B - 一种酒品供应链监控方法、装置、设备及介质 - Google Patents

Abstract

本申请公开了一种酒品供应链监控方法、装置、设备及介质，涉及酒品监控技术领域，用于解决现有技术中不能全面的获得酒品流转信息的技术问题。该方法包括获取若干酒品供应链节点的监控数据；其中，所述监控数据包括酒品入库节点监控数据、仓内监控节点监控数据、仓内预警节点监控数据、酒品出库节点监控数据、酒品盘点节点监控数据和物流配送节点监控数据；将所述若干酒品供应链节点的监控数据均进行加密存储，以生成加密监控数据、公钥和区块链证书；将所述加密监控数据、公钥和区块链证书共享给酒品供应链上的若干参与者。通过该方法能全面的获得酒品的流转信息，从而更便于各参与者实时获得酒品的流转信息。

Description

一种酒品供应链监控方法、装置、设备及介质

技术领域

本申请涉及酒品监控技术领域，尤其涉及酒品供应链监控方法、装置、设备及介质。

背景技术

酒品的完整供应链一般需要经过酒企、仓储和经销商等节点的流转，在酒品的仓储与物流运输过程中，需要对酒品的流转信息进行跟踪登记，以便对酒品的流转信息进行追溯，以及使得各参与者可以实时跟进酒品的监控数据和监控状态。

但是，现有技术中不能全面的获得酒品的流转信息，从而不便于各参与者实时获得酒品的流转信息。

发明内容

本申请的主要目的在于提供酒品供应链监控方法、装置、设备及介质，旨在解决现有技术中不能全面的获得酒品的流转信息，从而不便于各参与者实时获得酒品的流转信息的技术问题。

为实现上述目的，本申请第一方面提供了一种酒品供应链监控方法，所述方法包括：

获取若干酒品供应链节点的监控数据；其中，所述监控数据包括酒品入库节点监控数据、仓内监控节点监控数据、仓内预警节点监控数据、酒品出库节点监控数据、酒品盘点节点监控数据和物流配送节点监控数据；

将所述若干酒品供应链节点的监控数据均进行加密存储，以生成加密监控数据、公钥和区块链证书；

将所述加密监控数据、公钥和区块链证书共享给酒品供应链上的若干参与者。

可选地，所述获取若干酒品供应链节点的监控数据，包括：

获取目标酒品的电子入库仓单数据和实际入库仓单数据；其中，所述电子入库仓单数据是通过扫描目标酒品货物码得到酒品信息，并根据所述酒品信息生成的数据；所述实际入库仓单数据是对所述目标酒品进行实际信息采集后得到的数据；

基于所述实际入库仓单数据，对所述电子入库仓单数据进行效验；

在对所述电子入库仓单数据进行效验通过的情况下，获得所述酒品入库节点监控数据。

可选地，所述获取若干酒品供应链节点的监控数据，包括：

获取目标酒品入库后的图像信息；

基于所述目标酒品入库后的图像信息，获得所述目标酒品入库后的移动轨迹信息；

基于预设的基点位置信息和所述目标酒品入库后的移动轨迹信息，判断所述目标酒品是否发生异常移动；所述异常移动包括所述目标酒品在未收到移动指令的情况下，所述目标酒品到基点的距离大于或小于所述目标酒品静止时到基点的距离；

基于所述目标酒品是否发生异常移动的信息，获得所述仓内监控节点监控数据。

可选地，所述基于所述目标酒品入库后的图像信息，获得所述目标酒品入库后的移动轨迹信息，包括：

基于所述目标酒品入库后的图像信息，获得目标酒品检测目标框信息；

基于样本移动轨迹信息和所述目标酒品入库后的图像信息，预测所述目标酒品在当前帧的预测位置信息；

将所述目标酒品检测目标框信息与所述预测位置信息进行匹配，以获得所述目标酒品入库后的移动轨迹信息。

可选地，所述获取若干酒品供应链节点的监控数据，包括：

获取仓内预警节点监控数据，所述仓内预警节点监控数据包括酒品是否发生异常移动预警数据、酒品轮廓变化预警数据、仓内环境预警数据、仓内库存预警数据、酒品库龄预警数据、酒品保质期预警数据和仓内安全性预警数据。

可选地，所述获取若干酒品供应链节点的监控数据，包括：

获取电子出库仓单数据和实际出库仓单数据；所述电子出库仓单数据是通过扫描酒品货物码得到酒品信息，并根据所述酒品信息生成的数据；所述实际出库仓单数据是对目标酒品进行实际信息采集后得到的数据；

基于所述实际出库仓单数据，对所述电子出库仓单数据进行效验；

在对所述电子出库仓单数据进行效验通过的情况下，获得所述酒品出库节点监控数据。

可选地，所述获取若干酒品供应链节点的监控数据，包括：

获取酒品电子盘点表单数据和酒品实际盘点表单数据；所述酒品电子盘点表单数据是通过扫描酒品识别码得到的数据；所述酒品实际盘点表单数据是通过对目标酒品进行实际信息采集后得到的数据；

基于所述酒品实际盘点表单数据，对所述酒品电子盘点表单数据进行效验；

在对所述酒品电子盘点表单数据进行效验通过的情况下，获得所述酒品盘点节点监控数据。

可选地，所述获取若干酒品供应链节点的监控数据，包括：

基于历史物流配送数据，对目标酒品的出库时间、交付时间和路径耗时进行预估；

基于对所述目标酒品的出库时间、交付时间和路径耗时的预估结果，对配送车辆进行调度；

基于对所述配送车辆的调度结果，获得所述物流配送节点监控数据；其中，所述物流配送节点监控数据包括配送车辆的实时定位数据和配送车辆的实时车辆属性数据。

可选地，所述获取若干酒品供应链节点的监控数据，包括：

基于若干维度，获取若干酒品供应链节点的监控数据；其中，所述若干维度包括图像采集维度、云计算维度、视频监控维度、定位系统维度和物联网感应器维度。

第二方面，本申请提供了一种酒品供应链监控装置，所述装置包括：

获取模块，用于获取若干酒品供应链节点的监控数据；其中，所述监控数据包括酒品入库节点监控数据、仓内监控节点监控数据、仓内预警节点监控数据、酒品出库节点监控数据、酒品盘点节点监控数据和物流配送节点监控数据；

加密模块，用于将所述若干酒品供应链节点的监控数据均进行加密存储，以生成加密监控数据、公钥和区块链证书；

共享模块，用于将所述加密监控数据、公钥和区块链证书共享给酒品供应链上的若干参与者。

第三方面，本申请提供了一种计算机设备，该计算机设备包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序，实现实施例中所述的方法。

第四方面，本申请提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，处理器执行所述计算机程序，实现实施例中所述的方法。

通过上述技术方案，本申请至少具有如下有益效果：

本申请实施例提出的酒品供应链监控方法、装置、设备及介质，该方法通过先获取若干酒品供应链节点的监控数据；其中，所述监控数据包括酒品入库节点监控数据、仓内监控节点监控数据、仓内预警节点监控数据、酒品出库节点监控数据、酒品盘点节点监控数据和物流配送节点监控数据；然后将所述若干酒品供应链节点的监控数据均进行加密存储，以生成加密监控数据、公钥和区块链证书；最后将所述加密监控数据、公钥和区块链证书共享给酒品供应链上的若干参与者。即，本申请的技术方案由于可以实时获得酒品入库节点、仓内监控节点、仓内预警节点、酒品出库节点、酒品盘点节点和物流配送节点的监控数据，也就是可以实时的获得酒品在整个供应链上各节点流转的监控数据，并将各节点的监控数据加密后共享给相关人员，因此通过该方法能全面的获得酒品的流转信息，从而更便于各参与者实时获得酒品的流转信息。

附图说明

图1为本申请实施例涉及的硬件运行环境的计算机设备结构示意图；

图2为本申请实施例的酒品供应链监控方法的流程图；

图3为本申请实施例中获得酒品入库节点监控数据的流程图；

图4为本申请实施例中获得仓内监控节点监控数据的流程图；

图5为本申请实施例中获得物流配送节点监控数据的流程图；

图6为本申请实施例的酒品供应链监控装置的示意图。

本申请目的的实现、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申请，并不用于限定本申请。

酒品的完整供应链一般需要经过酒企、仓储和经销商等节点的流转，在酒品的仓储与物流运输过程中，需要对酒品的流转信息进行跟踪登记，以便对酒品的流转信息进行追溯，以及使得各参与者可以实时跟进酒品的监控数据和监控状态。但是，目前不能全面的获得酒品的流转信息，从而不便于各参与者实时获得酒品的流转信息。

为了解决上述技术问题，本申请提供了一种酒品供应链监控方法、装置、设备及介质，在介绍本申请的具体技术方案之前，先介绍下本申请实施例方案涉及的硬件运行环境。

参照图1，图1为本申请实施例方案涉及的硬件运行环境的计算机设备结构示意图。

如图1所示，该计算机设备可以包括：处理器1001，例如中央处理器(CentralProcessing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity，WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory，RAM)存储器，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图1中示出的结构并不构成对计算机设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及电子程序。

在图1所示的计算机设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明计算机设备中的处理器1001、存储器1005可以设置在计算机设备中，所述计算机设备通过处理器1001调用存储器1005中存储的酒品供应链监控装置，并执行本申请实施例提供的酒品供应链监控方法。

参照图2，基于前述实施例的硬件环境，本申请的实施例提供了一种酒品供应链监控方法，该方法包括：

S10：获取若干酒品供应链节点的监控数据；其中，所述监控数据包括酒品入库节点监控数据、仓内监控节点监控数据、仓内预警节点监控数据、酒品出库节点监控数据、酒品盘点节点监控数据和物流配送节点监控数据。

在具体实施过程中，酒品供应链节点是指酒品供应链上的各个节点，酒品供应链节点包括酒品入库节点、仓内监控节点、仓内预警节点、酒品出库节点、酒品盘点节点和物流配送节点等。上述节点基本上涵盖了酒品在整个供应链上的节点，通过获取酒品在上述节点中的监控数据，即酒品入库节点监控数据、仓内监控节点监控数据、仓内预警节点监控数据、酒品出库节点监控数据、酒品盘点节点监控数据和物流配送节点监控数据，可以实时的掌握酒品在整个供应链节点上的状态。

另外，通过多维度获取若干酒品供应链节点的监控数据；其中，多维度包括图像采集维度、云计算维度、视频监控维度、定位系统维度和物联网感应器维度。图像采集维度可以为摄像头、深度相机、RGB相机等，定位系统维度可以为北斗定位系统或GPS定位系统。通过多维度获取酒品供应链各节点的监控数据，避免了人工进行酒品流转信息跟踪登记的局限性，从而可以极大的提高酒品流转信息跟踪登记的效率，而且更便于后续追溯。

S11：将所述若干酒品供应链节点的监控数据均进行加密存储，以生成加密监控数据、公钥和区块链证书。

在具体实施过程中，根据实际需要，对获取的各酒品供应链节点的监控数据进行处理，处理后的监控数据更清楚、更保密和更容易被相关人员查看等。具体的，首先将网关与智能数据平台在区块链中进行登记成为合法的设备，登记信息包括各智能设备ID，设备类型等唯一身份标识，通过网关生成设备秘钥，将各智能设备秘钥配置到各智能设备中，通过智能秘钥对各身份认证和传输数据进行加密处理。网关注册登记对各酒品供应链各节点的监控数据进行非对称加密处理，同时生成网关公钥，并在区块链上注册登记生成区块链证书。

S12：将所述加密监控数据、公钥和区块链证书共享给酒品供应链上的若干参与者。

在具体实施过程中，将处理后各酒品供应链节点的监控数据，通过常规的方式共享给酒品供应链上的参与者，这些参与者包括酒企、仓储、经销商和第三方监管机构等，这样使得各参与者可以实时跟进酒品的监控数据。具体的，将区块链上加密后的监控数据整合处理成不同数据包，将数据包实时共享到对应酒企、经销商、仓储、三方监管机构等参与者，使各参与者均可以从时间、空间两个维度全面感知动产存续的状态和变化，解决参与者信任问题。对于酒企来说可以实时掌握经销商库存动态，及时为经销商进行酒类营销；对于经销商来说可以有效把控库存动态，下游销售情况，及时补货，同时掌握产品销售状况，进而可以更快选品和快速决策；对于仓储公司来说可以实时的把控仓储过程中的各种状况，减少人力成本，增加仓储收入，把控仓储内风险；基于三方监管来说可以实时看见实物资产，保证自己货权。

综上，本实施例的技术方案由于可以实时获得酒品入库节点、仓内监控节点、仓内预警节点、酒品出库节点、酒品盘点节点和物流配送节点的监控数据，也就是可以实时的获得酒品在整个供应链上各节点流转的监控数据，并将各节点的监控数据处理后共享给相关人员，因此通过该方法能全面的获得酒品的流转信息，从而更便于各参与者实时获得酒品的流转信息。

在一些实施例中，如图3所示，通过以下步骤获取酒品入库节点的酒品入库节点监控数据：

S20：获取目标酒品的电子入库仓单数据和实际入库仓单数据；其中，所述电子入库仓单数据是通过扫描目标酒品货物码得到酒品信息，并根据所述酒品信息生成的数据；所述实际入库仓单数据是对所述目标酒品进行实际信息采集后得到的数据。

在具体实施过程中，目标酒品是指需要被监控的酒品，酒品货物码是指酒品上粘贴的可以识别该酒品唯一性的标识码，具体的，酒品货物码可以通过现有技术获得。具体的，通过智能机器人扫描酒品货物码获取酒品信息如生成商、采购方、商品名称、白酒香型、酒精度、容量、入库数量、数量单位和入库日期等生成电子入库仓单；通过传输带入口对酒品放入称重，校验酒品的数量，生成实际入库仓单。

S21：基于所述实际入库仓单数据，对所述电子入库仓单数据进行效验。

在具体实施过程中，将电子入库仓单数据和实际入库仓单数据经RTSP/Onvif协议网络传输到云仓。云仓根据实际入库仓单数据对电子入库仓单数据进行一一效验，效验的具体方式为常规方式，效验的内容是电子入库仓单数据对应信息是否正确。在效验通过时向智能机器人发送允许入库批准，智能机器人依托传送带将酒品输送到对应的入库位置。

S22：在对所述电子入库仓单数据进行效验通过的情况下，获得所述酒品入库节点监控数据。

在具体实施过程中，入库过程中，利用物联网传感器、定位系统收集智能机器人物理信息、传送带传输信息、电机信息和酒品实时定位数据等，从而获得所述酒品入库节点监控数据。

在一些实施例中，如图4所示，通过以下步骤获取仓内监控节点的仓内监控节点监控数据：

S30：获取目标酒品入库后的图像信息。

在具体实施过程中，可以通过常规的获取目标酒品入库后的图像信息，目标酒品的图像信息可以反应出目标酒品入库后的状态。

S31：基于所述目标酒品入库后的图像信息，获得所述目标酒品入库后的移动轨迹信息。

在具体实施过程中，先基于所述目标酒品入库后的图像信息，获得目标酒品检测目标框信息；然后基于样本移动轨迹信息和所述目标酒品入库后的图像信息，预测所述目标酒品在当前帧的预测位置信息；最后将所述目标酒品检测目标框信息与所述预测位置信息进行匹配，以获得所述目标酒品入库后的移动轨迹信息。

S32：基于预设的基点位置信息和所述目标酒品入库后的移动轨迹信息，判断所述目标酒品是否发生异常移动；所述异常移动包括所述目标酒品在未收到移动指令的情况下，所述目标酒品到基点的距离大于或小于所述目标酒品静止时到基点的距离。

在具体实施过程中，基点是标准点或参考点，比如摄像头等，基点位置信息是指目标酒品静止时到基点的距离信息。当目标酒品在未收到移动指令的情况下，目标酒品到基点的距离不等于目标酒品静止时到基点的距离时，说明目标酒品产生了异常移动。反之，说明目标酒品未产生异常移动。

S33：基于所述目标酒品是否发生异常移动的信息，获得所述仓内监控节点监控数据。

本实施例中，基于YOLOV5和Deepsort确定酒品入库后的移动轨迹，YOLOV5和Deepsort为现有技术中常用的根据物体实时图像确定物体运动轨迹的算法。具体实施时，基于YOLOV5，根据酒品入库后的图像信息得到酒品检测目标框。通过实时采集酒品入库后的图像，并通过YOLOV5算法输入端经过图像进行预处理，如图像缩放、归一化将图像大小变为608*608，再采用Mosaic数据增强(如随机裁剪、随机排布、随机缩放等)方法将图像裁剪为4张子图像再进行拼接，其目的是提升网络层训练速度。接着采用自适应锚框计算，通过初始锚定框输出对应的预测框，并计算预测框与检测框差异，并执行反向更新。然后进行自适应图片缩放：依托原始图片与输入网络层图片计算缩放比例，通过原始图片与缩放比例计算缩放后图片大小，最后计算黑边填充数值来使得图片自适应缩放。

将处理后的图像输入基准网络(同时使用CSPDarknet53结构和基于Focus结构操作对输入图片剪裁)提取图像通用特征。利用NECK网络采用卷积操作，进一步提取图像的多样性特征，最终对图像中的酒品进行目标检测得到检测目标框。通过head输出层通过GIoU_Loss做Bounding box的损失函数最优化来完成目标检测结果输出，同时获得检测框与预测跟踪框。基于DeepSORT算法确定酒品入库后的移动轨迹：将目标检测结果作为检测器的输入，针对每一个检测器均分配一个跟踪器，对每个跟踪器的参数进行初始化。根据置信度对检测框过滤，对置信度小于0.7的检测框和特征予以删除，利用非极大值抑制(局部最大值)剔除检测中重叠的检测框。

将已有的酒类货物运动轨迹作为样本移动轨迹，样本移动轨迹是指事先选取的酒品移动的轨迹。根据酒品入库后的图像，基于样本移动轨迹预测酒品在当前帧的位置，将样本移动轨迹划分为认证样本移动轨迹和非认证样本移动轨迹。将认证样本移动轨迹预测的酒品在当前帧的位置与筛选后的检测框进行级联匹配，得到第一匹配结果；将非认证样本移动轨迹、没有匹配成功的认证样本移动轨迹和没有匹配成功的检测框进行检测框与预测框的交换线性分配和关联帧间，再次进行匹配，得到第二匹配结果，将第一匹配结果和第二匹配结果进行合并得到最终的匹配结果。根据匹配结果，利用检测结果更新(更新卡尔曼滤波的一系列运动变量、命中次数以及重置参数，获得深度特征需要加入到对应的轨迹特征集，若连续命中3帧，则需将货物运动轨迹暂时定义为未认定状态)移动轨迹参数；对于未匹配的移动轨迹，如果还未匹配成功或者是以前匹配确认后续仍然未匹配成功，就对未匹配的移动轨迹进行删除。更新已确认匹配成功的货物运行轨迹，得到最终酒品入库后的移动轨迹。如此，可以获得更准确的仓内监控节点监控数据。

在一些实施例中，获取仓内预警节点监控数据，所述仓内预警节点监控数据包括酒品是否发生异常移动预警数据、酒品轮廓变化预警数据、仓内环境预警数据、仓内库存预警数据、酒品库龄预警数据、酒品保质期预警数据和仓内安全性预警数据。

本实施例中，在酒品是否发生异常移动预警方面，先设定基点，然后通过得到的最终酒品入库后的移动轨迹，利用欧式距离计算酒品移动距离判别酒品是否异常移动。酒品在静止过程中，通过计算酒品静止状态与摄像头基点距离作为酒品静止点的阈值，若酒品在未收到移动指令状态下，酒品到基点距离大于或小于阈值，则判断为酒品异常移动，并作出预警；若酒品到基点距离与原来计算阈值相等，则判定为酒品处于正常状态。

在酒品轮廓变化预警方面，基于hough灰度图特征变换进行图像识别，通过轮廓梯度，对酒品轮廓缩减进行识别与预警。

在仓内环境预警方面，基于传感器技术收集仓内温度、湿度和光照强度，通过聚类算法分析处理，剔除异常数据，找到适宜的温度、湿度、光照等数据临界点，再通过matlib实现仿真模拟过程，通过设定阈值进行数据对比，实现温度、湿度和光照强度的智能预警。

在仓内库存预警数据方面，利用云仓数据通过阈值设定对库存进行预警。

在酒品库龄预警方面，依托云仓数据入库日期与当前日期计算入库天数，通过对入库期间设定阈值来对酒品库龄进行预警。

在酒品保质期预警方面，依托云仓数据生产日期与当前日期计算已过保质期天数，通过设定货物保质期对酒类保质期进行预警

在仓内安全性预警方面，通过传感器技术、电表对电线通电电流、电压、电线温度以及电线物理属性，通过阈值设定来对电线异常进行预警；依托云仓数据如机器工作数据、物理属性、过程数据等利用机器学习算法如ligitgbm\xgboost对机器设备异常预警、维修预警以及全生命周期管理。基于FASTCNN算法对异常人员、异常车辆靠近，以及吸烟、明火进行预警；依托无线网、手机、电脑实现远程发密码，远程监控密码锁状态。

在一些实施例中，通过以下步骤获取酒品出库节点的酒品出库节点监控数据：

先获取电子出库仓单数据和实际出库仓单数据；所述电子出库仓单数据是通过扫描酒品货物码得到酒品信息，并根据所述酒品信息生成的数据；所述实际出库仓单数据是对目标酒品进行实际信息采集后得到的数据。然后基于所述实际出库仓单数据，对所述电子出库仓单数据进行效验；最后在对所述电子出库仓单数据进行效验通过的情况下，获得所述酒品出库节点监控数据。

本实施例中，具体实施时，对仓内各相关设备发出出库指令，智能货架接收指令后，将待出仓酒品自动升降到指定出库位置。智能机器人接收指令后，通过扫描酒品货物码获取酒品信息如经销商、采购方、商品名称、白酒香型、酒精度、容量、出库数量、数量单位和出库日期等生成电子出库仓单。智能机器人将酒品送达传送带，通过传输带出口对酒品放入称重，校验酒品的数量，得到实际出库仓单。依托RTSP/Onvif协议网络将电子出库仓单和实际出库仓单传输到云仓，云仓根据实际出库仓单对电子出库仓单进行效验。通过传送带装置将酒品送达指定装货位置，智能机器人通过自动装置将酒品装载入配送车辆上。酒品出库过程中利用物联网传感器、定位系统收集智能机器人物理信息、传送带传输信息、电机信息、酒品定位信息。优选地，还利用物联网传感器、定位系统获取酒品智能货架定位信息、智能货架物理信息。这样可以更容易、更准确的获得所述酒品出库节点监控数据。

在一些实施例中，通过以下步骤获取酒品盘点节点的酒品盘点节点监控数据：

先获取酒品电子盘点表单数据和酒品实际盘点表单数据；所述酒品电子盘点表单数据是通过扫描酒品识别码得到的数据；所述酒品实际盘点表单数据是通过对目标酒品进行实际信息采集后得到的数据；然后基于所述酒品实际盘点表单数据，对所述酒品电子盘点表单数据进行效验；最后在对所述酒品电子盘点表单数据进行效验通过的情况下，获得所述酒品盘点节点监控数据。

本实施例中，获取酒品电子盘点表单和酒品实际盘点表单；电子酒品盘点表单是通过扫描酒品识别码得到的；酒品实际表单是通过是对酒品进行实际信息采集后得到的；根据酒品实际盘点表单对酒品电子盘点表单进行效验，分析盘点过程中的是否有差异，做到账实相符。这样可以更容易、更准确的获得所述酒品盘点节点监控数据。

在一些实施例中，如图5所示，通过以下步骤获取物流配送节点的物流配送节点监控数据：

S40：基于历史物流配送数据，对目标酒品的出库时间、交付时间和路径耗时进行预估。

在具体实施过程中，历史物流配送数据是指在监测目标酒品之前的与酒品物流配送相关的数据，具体的，通过现有技术可以得到。可以通过机器学习回归算法，对目标酒品的出库时间、交付时间和路径耗时进行预估。

S41：基于对所述目标酒品的出库时间、交付时间和路径耗时的预估结果，对配送车辆进行调度。

在具体实施过程中，根据预估结果，基于调度算法对配送车辆进行调度，并进行路径优化。其中，对配送车辆进行调度，以及对相应的路径进行优化均可以通过现有技术实现。

S42：基于对所述配送车辆的调度结果，获得所述物流配送节点监控数据；其中，所述物流配送节点监控数据包括配送车辆的实时定位数据和配送车辆的实时车辆属性数据。

本实施例中，具体实施时，获取历史车辆运输轨迹数据、配送业务数据、实时环境数据和定位数据等，利用机器学习回归算法，对出库时间进行预估、交付时间进行预估和路径耗时进行预估；通过运筹优化，采用基础数据与预测数据，进行智能系统派单和自动改派。在智能运力调度方面，依托调度算法如遗传算法对配送车辆进行智能调度。在智能路径优化方面，依托历史运输路径数据和地图信息数据，为配送车辆进行路径优化。在实时定位追踪过程中，通过北斗/GPS双模智能行车记录仪和GPS智能监控定位仪等电子设备进行实时定位，基于实时影像获取配送车辆的实时定位数据。在物流信息采集方面，依托传感器技术、卫星定位、地理信息技术，通过对车辆运输过程环境，里程、速度、油耗、车辆属性和驾驶因子等实时车辆属性数据进行实时采集。通过上述技术方案可以更容易、更准确的获得所述酒品盘点节点监控数据。

综上，本申请通过多维度获取酒品供应链各节点的监控数据，避免了人工进行酒品流转信息跟踪登记的局限性。并且将监控数据在区块链上进行加密存储，保证了监控数据的真实性和可追溯性。最后将加密后的监控数据、公钥和区块链证书共享到酒品供应链上的酒企、仓储、经销商和第三方监管机构等参与者，使得各参与者可以实时跟进酒品的监控数据。

需要说明的是，本申请中的方法可以应用于酒品供应链金融场景。在酒品供应链金融场景下，将酒品利用上述仓储物流管理办法，可以满足货权质押监控，方便放款方实时监控酒品实物，控制货权，解决在酒品货权质押中的贷款信任问题，同时也解决了酒品质押过程中出现的一货多贷情况。

需要说明的是，本申请中的方法还可以应用于经销商对酒品监控场景。在经销商购买酒品货物场景下，通过实时全方位感知酒品货物动态变化，有效解决酒品货物在仓储全过程中实时性差异，信息不对称问题，以及全链路监控，解决经销商顾虑，实现经销商购买体验感，同时解决了酒品货物在流通过程中运输成本增加，有效的减少运输环节，减少酒品货物破损损失。

可以理解的是，本申请中提供的技术方案可以有效减少了货物追踪人力成本；提高物流仓储公司服务，为客户提供方便快捷的服务；提高货物安全监管能力，为客户提供更好保证如实时监管、货物安全和货物移动预警；解决仓储过程中人工处理货物发货出错问题。

在另一实施例中，如图6所示，基于与前述实施例相同的发明思路，本申请的实施例还提供了一种仓储物流配送路径规划装置，该装置包括：

获取模块，用于获取若干酒品供应链节点的监控数据；其中，所述监控数据包括酒品入库节点监控数据、仓内监控节点监控数据、仓内预警节点监控数据、酒品出库节点监控数据、酒品盘点节点监控数据和物流配送节点监控数据；

加密模块，用于对所述若干酒品供应链节点的监控数据进行加密处理；

共享模块，用于将加密处理后的所述若干酒品供应链节点的监控数据共享给酒品供应链上的若干参与者。

需要说明的是，本实施例中酒品供应链监控装置中各模块是与前述实施例中的酒品供应链监控方法中的各步骤一一对应，因此，本实施例的具体实施方式和达到的技术效果可参照前述酒品供应链监控方法的实施方式，这里不再赘述。

此外，在一种实施例中，本申请还提供一种计算机设备，所述计算机设备包括处理器，存储器以及存储在所述存储器中的计算机程序，所述计算机程序被处理器运行时实现前述实施例中方法。

此外，在一种实施例中，本申请还提供一种计算机存储介质，所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器运行时实现前述实施例中方法。

在一些实施例中，计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器；也可以是包括上述存储器之一或任意组合的各种设备。计算机可以是包括智能终端和服务器在内的各种计算设备。

在一些实施例中，可执行指令可以采用程序、软件、软件模块、脚本或代码的形式，按任意形式的编程语言(包括编译或解释语言，或者声明性或过程性语言)来编写，并且其可按任意形式部署，包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。

作为示例，可执行指令可以但不一定对应于文件系统中的文件，可以可被存储在保存其它程序或数据的文件的一部分，例如，存储在超文本标记语言(HTML，Hyper TextMarkup Language)文档中的一个或多个脚本中，存储在专用于所讨论的程序的单个文件中，或者，存储在多个协同文件(例如，存储一个或多个模块、子程序或代码部分的文件)中。

作为示例，可执行指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行。

需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。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、方法、物品或者系统中还存在另外的相同要素。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

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，本申请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一个存储介质(如只读存储器/随机存取存储器、磁碟、光盘)中，包括若干指令用以使得一台多媒体终端设备(可以是手机，计算机，电视接收机，或者网络设备等)执行本申请各个实施例所述的方法。

以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请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，均同理包括在本申请的专利保护范围内。

Claims (10)

1.一种酒品供应链监控方法，其特征在于，所述方法包括：

获取若干酒品供应链节点的监控数据；其中，所述监控数据包括酒品入库节点监控数据、仓内监控节点监控数据、仓内预警节点监控数据、酒品出库节点监控数据、酒品盘点节点监控数据和物流配送节点监控数据；其中，所述仓内监控节点监控数据的获得过程如下：获得历史酒品的样本移动轨迹，所述样本移动轨迹包括认证样本移动轨迹和非认证样本移动轨迹；将所述认证样本移动轨迹预测的酒品在当前帧的位置与筛选后的检测框进行级联匹配，以获得第一匹配结果；将所述非认证样本移动轨迹、未匹配成功的所述认证样本移动轨迹和未匹配成功的所述检测框进行检测框与预测框的交换线性分配和关联帧间，以获得第二匹配结果；将所述第一匹配结果和所述第二匹配结果进行合并，以获得最终匹配结果；基于所述最终匹配结果，更新所述样本移动轨迹；基于更新后的所述样本移动轨迹，删除未匹配成功的所述样本移动轨迹；基于删除未匹配成功的所述样本移动轨迹，获得所述仓内监控节点监控数据；其中，所述样本移动轨迹为已有的酒品货物的运动轨迹；所述检测框和所述预测框均基于损失函数的最优化获得，所述检测框和所述预测框均用于对所述样本移动轨迹的检测；

将所述若干酒品供应链节点的监控数据均进行加密存储，以生成加密监控数据、公钥和区块链证书；

将所述加密监控数据、公钥和区块链证书共享给酒品供应链上的若干参与者。

2.如权利要求1所述的酒品供应链监控方法，其特征在于，所述获取若干酒品供应链节点的监控数据，包括：

获取目标酒品的电子入库仓单数据和实际入库仓单数据；其中，所述电子入库仓单数据是通过扫描目标酒品货物码得到酒品信息，并根据所述酒品信息生成的数据；所述实际入库仓单数据是对所述目标酒品进行实际信息采集后得到的数据；

基于所述实际入库仓单数据，对所述电子入库仓单数据进行效验；

在对所述电子入库仓单数据进行效验通过的情况下，获得所述酒品入库节点监控数据。

3.如权利要求1所述的酒品供应链监控方法，其特征在于，所述获取若干酒品供应链节点的监控数据，包括：

获取目标酒品入库后的图像信息；

基于所述目标酒品入库后的图像信息，获得所述目标酒品入库后的移动轨迹信息；

基于预设的基点位置信息和所述目标酒品入库后的移动轨迹信息，判断所述目标酒品是否发生异常移动；所述异常移动包括所述目标酒品在未收到移动指令的情况下，所述目标酒品到基点的距离大于或小于所述目标酒品静止时到基点的距离；

基于所述目标酒品是否发生异常移动的信息，获得所述仓内监控节点监控数据。

4.如权利要求3所述的酒品供应链监控方法，其特征在于，所述基于所述目标酒品入库后的图像信息，获得所述目标酒品入库后的移动轨迹信息，包括：

基于所述目标酒品入库后的图像信息，获得目标酒品检测目标框信息；

基于样本移动轨迹信息和所述目标酒品入库后的图像信息，预测所述目标酒品在当前帧的预测位置信息；

将所述目标酒品检测目标框信息与所述预测位置信息进行匹配，以获得所述目标酒品入库后的移动轨迹信息。

5.如权利要求1所述的酒品供应链监控方法，其特征在于，所述获取若干酒品供应链节点的监控数据，包括：

获取电子出库仓单数据和实际出库仓单数据；所述电子出库仓单数据是通过扫描酒品货物码得到酒品信息，并根据所述酒品信息生成的数据；所述实际出库仓单数据是对目标酒品进行实际信息采集后得到的数据；

基于所述实际出库仓单数据，对所述电子出库仓单数据进行效验；

在对所述电子出库仓单数据进行效验通过的情况下，获得所述酒品出库节点监控数据。

6.如权利要求1所述的酒品供应链监控方法，其特征在于，所述获取若干酒品供应链节点的监控数据，包括：

获取酒品电子盘点表单数据和酒品实际盘点表单数据；所述酒品电子盘点表单数据是通过扫描酒品识别码得到的数据；所述酒品实际盘点表单数据是通过对目标酒品进行实际信息采集后得到的数据；

基于所述酒品实际盘点表单数据，对所述酒品电子盘点表单数据进行效验；

在对所述酒品电子盘点表单数据进行效验通过的情况下，获得所述酒品盘点节点监控数据。

7.如权利要求1所述的酒品供应链监控方法，其特征在于，所述获取若干酒品供应链节点的监控数据，包括：

基于历史物流配送数据，对目标酒品的出库时间、交付时间和路径耗时进行预估；

基于对所述目标酒品的出库时间、交付时间和路径耗时的预估结果，对配送车辆进行调度；

基于对所述配送车辆的调度结果，获得所述物流配送节点监控数据；其中，所述物流配送节点监控数据包括配送车辆的实时定位数据和配送车辆的实时车辆属性数据。

8.一种酒品供应链监控装置，其特征在于，所述装置包括：

获取模块，用于获取若干酒品供应链节点的监控数据；其中，所述监控数据包括酒品入库节点监控数据、仓内监控节点监控数据、仓内预警节点监控数据、酒品出库节点监控数据、酒品盘点节点监控数据和物流配送节点监控数据；其中，所述仓内监控节点监控数据的获得过程如下：获得历史酒品的样本移动轨迹，所述样本移动轨迹包括认证样本移动轨迹和非认证样本移动轨迹；将所述认证样本移动轨迹预测的酒品在当前帧的位置与筛选后的检测框进行级联匹配，以获得第一匹配结果；将所述非认证样本移动轨迹、未匹配成功的所述认证样本移动轨迹和未匹配成功的所述检测框进行检测框与预测框的交换线性分配和关联帧间，以获得第二匹配结果；将所述第一匹配结果和所述第二匹配结果进行合并，以获得最终匹配结果；基于所述最终匹配结果，更新所述样本移动轨迹；基于更新后的所述样本移动轨迹，删除未匹配成功的所述样本移动轨迹；基于删除未匹配成功的所述样本移动轨迹，获得所述仓内监控节点监控数据；其中，所述样本移动轨迹为已有的酒品货物的运动轨迹；所述检测框和所述预测框均基于损失函数的最优化获得，所述检测框和所述预测框均用于对所述样本移动轨迹的检测；

加密模块，用于对所述若干酒品供应链节点的监控数据进行加密处理；

共享模块，用于将加密处理后的所述若干酒品供应链节点的监控数据共享给酒品供应链上的若干参与者。

9.一种计算机设备，其特征在于，该计算机设备包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序，实现如权利要求1-7中任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，处理器执行所述计算机程序，实现如权利要求1-7中任一项所述的方法。

Images