CN115907622B - 一种大宗农产品出入库管理方法和系统 - Google Patents
一种大宗农产品出入库管理方法和系统 Download PDFInfo
- Publication number
- CN115907622B CN115907622B CN202211518999.XA CN202211518999A CN115907622B CN 115907622 B CN115907622 B CN 115907622B CN 202211518999 A CN202211518999 A CN 202211518999A CN 115907622 B CN115907622 B CN 115907622B
- Authority
- CN
- China
- Prior art keywords
- sampling
- storage unit
- agricultural product
- information
- quality
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000003860 storage Methods 0.000 claims abstract description 192
- 238000005070 sampling Methods 0.000 claims abstract description 147
- 238000007726 management method Methods 0.000 claims abstract description 97
- 238000007689 inspection Methods 0.000 claims abstract description 75
- 238000009826 distribution Methods 0.000 claims abstract description 41
- 238000012795 verification Methods 0.000 claims abstract description 31
- 238000012360 testing method Methods 0.000 claims abstract description 26
- 238000001303 quality assessment method Methods 0.000 claims description 57
- 238000010801 machine learning Methods 0.000 claims description 5
- 238000012797 qualification Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 28
- 238000013441 quality evaluation Methods 0.000 description 22
- 230000008569 process Effects 0.000 description 15
- 238000012986 modification Methods 0.000 description 12
- 230000004048 modification Effects 0.000 description 12
- 238000011156 evaluation Methods 0.000 description 11
- 238000012549 training Methods 0.000 description 11
- 230000015556 catabolic process Effects 0.000 description 10
- 238000006731 degradation reaction Methods 0.000 description 10
- 235000013601 eggs Nutrition 0.000 description 7
- 240000002791 Brassica napus Species 0.000 description 6
- 241000220225 Malus Species 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 6
- 239000012535 impurity Substances 0.000 description 6
- 230000001788 irregular Effects 0.000 description 6
- 235000004977 Brassica sinapistrum Nutrition 0.000 description 5
- 235000021016 apples Nutrition 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 235000013311 vegetables Nutrition 0.000 description 5
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 4
- 240000003768 Solanum lycopersicum Species 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 244000241257 Cucumis melo Species 0.000 description 3
- 235000015510 Cucumis melo subsp melo Nutrition 0.000 description 3
- 244000046052 Phaseolus vulgaris Species 0.000 description 3
- 235000010627 Phaseolus vulgaris Nutrition 0.000 description 3
- 235000010724 Wisteria floribunda Nutrition 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 3
- 235000013339 cereals Nutrition 0.000 description 3
- 230000002950 deficient Effects 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- FJJCIZWZNKZHII-UHFFFAOYSA-N [4,6-bis(cyanoamino)-1,3,5-triazin-2-yl]cyanamide Chemical compound N#CNC1=NC(NC#N)=NC(NC#N)=N1 FJJCIZWZNKZHII-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 210000002969 egg yolk Anatomy 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 244000105624 Arachis hypogaea Species 0.000 description 1
- 235000011293 Brassica napus Nutrition 0.000 description 1
- 102000002322 Egg Proteins Human genes 0.000 description 1
- 108010000912 Egg Proteins Proteins 0.000 description 1
- 244000068988 Glycine max Species 0.000 description 1
- 235000010469 Glycine max Nutrition 0.000 description 1
- 235000011430 Malus pumila Nutrition 0.000 description 1
- 235000015103 Malus silvestris Nutrition 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 230000018044 dehydration Effects 0.000 description 1
- 238000006297 dehydration reaction Methods 0.000 description 1
- 210000003278 egg shell Anatomy 0.000 description 1
- 235000012055 fruits and vegetables Nutrition 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 235000020232 peanut Nutrition 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000007873 sieving Methods 0.000 description 1
- 210000000352 storage cell Anatomy 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例提供一种大宗农产品出入库管理方法和系统,该方法包括获取多个储存单元中大宗农产品的农产品信息和供应商信息;基于农产品信息和供应商信息,确定检验方案,其中,检验方案包括取样策略与检验方法,取样策略包括取样量以及取样分布;基于检验方案,控制检验装置获取多个储存单元中至少一个储存单元的检验数据;基于至少一个储存单元的检验数据,确定流动管理方法。
Description
技术领域
本说明书涉及农产品管理领域,特别涉及一种大宗农产品出入库管理方法和系统。
背景技术
大宗农产品是指在商品农业经济结构中占有较大权重,生产量、消费量、贸易量、运输量等较大的农产品,如油籽,花生,鸡蛋、蔬菜等。大宗农产品在入库时需要对其进行水分值、杂质率、容重值、残损率等质量检验。由于大宗农产品的数量庞大,往往只能采用抽样检查,但抽样检查无法保证抽查到的样品质量能代表整体质量,因此在入库时通常不能实现高效质检和入库处理。同时,还需要根据样品的质检情况对大宗农产品做进一步分拣,影响入库效率,且不利于后续对大宗农产品的流动管理。
因此,希望提供一种大宗农产品出入库管理方法和系统,以解决上述问题。
发明内容
本说明书一个或多个实施例提供一种大宗农产品出入库管理方法,包括:获取多个储存单元中大宗农产品的农产品信息和供应商信息;基于农产品信息和供应商信息,确定检验方案,其中,检验方案包括取样策略与检验方法,取样策略包括取样量以及取样分布;基于检验方案,控制检验装置获取多个储存单元中至少一个储存单元的检验数据;基于至少一个储存单元的检验数据,确定流动管理方法。
本说明书一个或多个实施例提供一种大宗农产品出入库管理系统,包括:获取模块,用于获取多个储存单元中大宗农产品的农产品信息和供应商信息;确定模块,用于基于农产品信息和供应商信息,确定检验方案,其中,检验方案包括取样策略与检验方法,取样策略包括取样量以及取样分布;检验模块,用于基于检验方案,控制检验装置获取多个储存单元中至少一个储存单元的检验数据;流动管理模块,用于基于至少一个储存单元的检验数据,确定流动管理方法。
本说明书一个或多个实施例提供一种大宗农产品出入库管理装置,包括至少一个处理器以及至少一个存储器;至少一个存储器用于存储计算机指令;至少一个处理器用于执行计算机指令中的至少部分指令以实现大宗农产品出入库管理方法。
本说明书一个或多个实施例提供一种计算机可读存储介质,存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行大宗农产品出入库管理方法。
附图说明
本说明书将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本说明书一些实施例所示的大宗农产品出入库管理系统的应用场景示意图;
图2是根据本说明书一些实施例所示的大宗农产品出入库管理系统的模块图;
图3是根据本说明书一些实施例所示的大宗农产品出入库管理方法的示例性流程图;
图4是根据本说明书一些实施例所示的基于质量评估模型确定取样分布的示例性示意图;
图5是根据本说明书一些实施例所示的确定流动管理方法的示例性流程图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的大宗农产品出入库管理系统的应用场景示意图。如图1所示,大宗农产品出入库管理系统的应用场景100中可以包括出入库终端110、网络120、处理设备130、存储设备140。
在一些实施例中,大宗农产品出入库管理系统可以通过实施本说明书中披露的大宗农产品出入库管理方法来进行大宗农产品的流动管理。例如,在一个典型的应用场景中,大宗农产品出入库管理系统可以通过网络120从出入库终端110获取农产品信息、供应商信息等,处理设备130可以基于农产品信息、供应商信息确定检验方案;基于检验方案控制相关装置获取检验数据,并基于检验数据进行流动管理方法。
出入库终端110可以用于对大宗农产品进行系列入库管理操作。例如,在出入库终端110的管理下可以通过多个环节实现农产品出入库管理,其中,多个环节包括但不限于出入库环节110-1、信息获取环节110-2、取样环节110-3、检验环节110-4以及分拣环节110-5等。出入库环节110-1可以是指执行大宗农产品出库、入库的环节;信息获取环节110-2可以是指获取农产品信息和供应商信息等的环节;取样环节110-3可以是指对大宗农产品进行取样的环节;检验环节110-4可以是指对大宗农产品进行品质检验的环节;分拣环节110-5可以是指对大宗农产品进行分拣的环节。
在一些实施例中,出入库终端110可以是用户所使用的用户终端。在一些实施例中,用户终端可以包括移动设备、平板电脑、膝上电脑、笔记本电脑、以及摄像头等或其任意组合。在一些实施例中,出入库终端110可以直接获取信息和/或数据,也可以间接获取信息和/或数据。例如,出入库终端110可以直接利用扫描装置(如,条形码扫描装置等)扫描溯源码以获取农产品信息和供应商信息等;又例如,出入库终端110可以通过网络120从第三方获取(如,订单交易平台)、从其他的出入库终端110或者通过其他可行的方式获取农产品信息和供应商信息等。
在一些实施例中,出入库终端110可以控制扫描装置、摄像头、传感器、智能机械臂等一种或多种设备的组合进行工作。例如,在信息获取环节110-2,出入库终端110可以利用扫描装置获取农产品信息和供应商信息,利用温度传感器、湿度传感器等获取天气信息;在取样环节110-3,出入库终端110可以控制智能机械臂基于取样策略进行取样等。
在一些实施例中,出入库终端110可以包括用于输入信息的交互装置或交互方法,例如触摸屏、键盘、语音输入装置等。在一些实施例中,用户可以基于交互装置或交互方法直接向出入库终端110输入信息。例如,用户可以利用键盘直接输入农产品信息、供应商信息、运输信息、天气信息等。
网络120可以促进信息和/或数据的交换。在一些实施例中,大宗农产品出入库管理系统的应用场景100中的一个或以上组件(例如,出入库终端110、处理设备130、存储设备140等)可以经由网络120交换信息和/或数据,还可以各自通过网络120从外部资源例如第三方平台等获取所需信息。例如,处理设备130可以经由网络120从出入库终端110获取农产品信息、供应商信息、运输信息、天气信息等,还可以通过网络120从第三方平台等获取其中的一种或多种信息。在一些实施例中,网络120可以是有线网络或无线网络等或其任意组合。在一些实施例中,大宗农产品出入库管理系统的应用场景100中可以包括一个或以上网络接入点,例如,基站和/或无线接入点等,大宗农产品出入库管理系统的应用场景100中的一个或以上组件可以连接到网络120中的网络接入点以交换数据和/或信息。
处理设备130可以处理与大宗农产品出入库管理系统有关的信息和/或数据,以执行本说明书中描述的一个或以上功能。例如,处理设备130可以获取多个储存单元中大宗农产品的农产品信息和供应商信息;基于农产品信息和供应商信息,确定检验方案;基于检验方案,控制检验装置获取多个储存单元中至少一个储存单元的检验数据;基于至少一个储存单元的检验数据,确定流动管理方法。在一些实施例中,处理设备130可以包含在出入库终端110中。在一些实施例中,处理设备130可以包括一个或以上处理引擎(例如,单芯片处理引擎或多芯片处理引擎)。在一些实施例中,处理设备130可以处理从出入库终端110、存储设备140获取的数据和/或信息。例如,处理设备130可以处理从监控设备中获取的至少一个监控图像,以判断不规范行为。
在一些实施例中,处理设备130可以是单个服务器,也可以是服务器组。服务器组可以是集中式的或分布式的,例如,处理设备130可以是分布式系统。在一些实施例中,处理设备130可以是本地的,也可以是远程的。例如,处理设备130可以通过网络120连接到存储设备140、出入库终端110以访问存储信息和/或数据。又例如,处理设备130可以直接连接到存储设备140、出入库终端110以访问存储信息和/或数据。在一些实施例中,处理设备130可以在云平台上实现,或者以虚拟方式提供。
存储设备140可以用于存储与大宗农产品出入库管理系统相关的数据和/或指令。在一些实施例中,存储设备140可以存储从出入库终端110和/或处理设备130获取的数据、信息、处理结果等,以及通过网络120从外部资源获得/获取的数据、信息等。在在一些实施例中,存储设备140可包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。在一些实施例中,存储设备140可在云平台上实现。仅作为示例,该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
应当注意大宗农产品出入库管理系统的应用场景100仅仅是为了说明的目的而提供的,并不意图限制本申请的范围。对于本领域的普通技术人员来说,可以根据本说明书的描述,做出多种修改或变化。例如,大宗农产品出入库管理系统的应用场景100中还可以包括信息源。又例如,大宗农产品出入库管理系统的应用场景100可以在其它设备上实现类似或不同的功能。然而,这些变化和修改不会背离本申请的范围。
图2是根据本说明书一些实施例所示的大宗农产品出入库管理系统的模块图。如图2所示,大宗农产品出入库管理系统200可以包括获取模块210、确定模块220和检验模块230和流程管理模块240。
在一些实施例中,获取模块210可以用于获取多个储存单元中大宗农产品的农产品信息和供应商信息。关于储存单元、农产品信息以及供应商信息的更多内容可以参见图3及其相关描述。
在一些实施例中,确定模块220可以用于基于农产品信息和供应商信息,确定检验方案,其中,检验方案包括取样策略与检验方法,取样策略包括取样量以及取样分布。关于检验方案、取样策略、检验方案、取样量以及取样分布的更多内容可以参见图3及其相关描述。
在一些实施例中,确定模块220可以用于基于农产品信息,确定取样量;以及基于农产品信息和供应商信息,确定取样分布。关于确定取样量和取样分布的更多内容可以参见图3及其相关描述。
在一些实施例中,确定模块220可以进一步用于基于农产品信息和供应商信息,通过质量评估模型确定质量评估向量,质量评估模型为机器学习模型;基于质量评估向量,确定取样分布。关于质量评估模型、质量评估向量的更多内容可以参见图4及其相关描述。
在一些实施例中,检验模块230可以用于基于检验方案,控制检验装置获取多个储存单元中至少一个储存单元的检验数据。关于检验装置、检验数据的更多内容可以参见图3及其相关描述。
在一些实施例中,流动管理模块240可以用于基于至少一个储存单元的检验数据,确定流动管理方法。
在一些实施例中,流动管理模块240可以进一步用于基于至少一个储存单元的检验数据,确定至少一个储存单元的质量评价;基于至少一个储存单元的质量评价,对至少一个储存单元的大宗农产品进行分拣;将分拣后的农产品根据不同的质量等级进行流动管理。关于确定流动管理方法的更多内容可以参见图5及其相关描述。
需要注意的是,以上对于大宗农产品出入库管理系统及其模块的描述,仅为描述方便,并不能把本说明书限制在所举实施例范围之内。可以理解,对于本领域的技术人员来说,在了解该系统的原理后,可能在不背离这一原理的情况下,对各个模块进行任意组合,或者构成子系统与其他模块连接。在一些实施例中,图2中披露的获取模块210、确定模块220、检验模块230和流动管理模块240可以是一个系统中的不同模块,也可以是一个模块实现上述的两个或两个以上模块的功能。例如,获取模块210、确定模块220可以是两个模块,也可以是一个模块同时具有获取功能和确定功能。例如,各个模块可以共用一个存储模块,各个模块也可以分别具有各自的存储模块。诸如此类的变形,均在本说明书的保护范围之内。
图3是根据本说明书一些实施例所示的大宗农产品出入库管理方法的示例性流程图。
如图3所示,流程300可以包括下述步骤。在一些实施例中,流程300可以由处理设备130执行。
步骤310,获取多个储存单元中大宗农产品的农产品信息和供应商信息。
储存单元可以是指存储大宗农产品的区域,例如装载农产品的车厢、车厢内的集装箱、集装箱中的不同区域等。
储存单元可以通过多种方式进行划分。例如,可以将一个车厢划分为一个储存单元。例如,可以将装载农产品的车厢等均匀划分为预设数量的区域,每个区域为一个储存单元。其中,预设数量可以是预先设定的值,可以基于实际需求而定。又例如,可以根据不同大宗农产品运输过程中容易受损的区域进行划分,如划分为边缘易磕碰区、中间易腐坏区等,具体区域划分可以根据不同的农产品,基于历史经验等确定。
大宗农产品(后续简称为农产品)可以是指在商品农业经济结构中占有较大权重,生产量、消费量、贸易量、运输量等较大的农产品。例如,大宗农产品可以是菜籽、鸡蛋、苹果、红枣、蔬菜等中的一种或其任意组合。
农产品信息可以是指与大宗农产品相关的信息。例如,农产品信息可以包括农产品的种类、数量、质量情况等信息。
供应商信息可以是指与大宗农产品的供应商相关的信息。例如,供应商信息可以包括供应商资质、供应商过往质检记录等。供应商过往质检记录可以是指供应商所供农产品质检情况相关的数据。在一些实施例中,基于供应商过往质检记录,出入库管理系统200可以预先为供应商设置标签(如,喜欢在车厢底部以次充好等),以便更有针对性地进行取样检验,提高入库效率。
在一些实施例中,可以通过多种方式获取多个储存单元中大宗农产品的农产品信息和供应商信息。例如,可以通过扫描农产品的溯源码确定多个储存单元中大宗农产品的农产品信息和供应商信息。溯源码可以用于记录农产品信息和供应商信息,由供应商提供。溯源码可以是条形码、二维码等。
例如,出入库终端(例如,出入库终端110)可以通过控制摄像头获取多个储存单元中的大宗农产品的农产品图像,再对农产品图像进行图像识别等处理,得到农产品信息.又例如,出入库终端可以基于第三方平台(如,订单交易平台)获取相应的供应商信息。更多关于出入库终端的内容可以参见图1及其相关描述。
步骤320,基于农产品信息和供应商信息,确定检验方案。
检验方案可以是指对多个储存单元中大宗农产品进行品质检验时所采取的方案。例如,对不同的储存单元的大宗农产品按不同标准进行抽样检查等。
在一些实施例中,检验方案可以包括取样策略与检验方法。
取样策略可以是指取样的方法。不同的储存单元可以有不同的取样策略。例如,对于边缘易磕碰区、中间易腐坏区的农产品,可以全部检查;而对于其它不易受损的区域,可以抽样检查等。
在一些实施例中,取样策略可以包括取样量和取样分布。
取样量可以是指取样的数量。例如,随机取样100个、200个等。
取样量可以基于多种方式进行确定。例如,可以直接设定取样量(如,100)。
在一些实施例中,确定模块220可以基于农产品信息,确定取样量。例如,确定模块220可以根据第一预设规则,基于农产品信息确定取样量。在一些实施例中,示例性的第一预设规则可以是:将农产品总入库量乘以取样率(如,0.1%)的结果确定为取样量。取样率可以指取样的比例,不同的农产品可以有不同的取样率。取样率可以是系统默认值、经验值、人为预先设定值等或其任意组合,可以根据实际需求设定,例如可以基于历史经验等确定。
在一些实施例中,取样量还可以相关于供应商信用等级。供应商信用等级可以用于反映供应商的信用度或可靠度,其可以基于信用评价向量确定。供应商信用等级越高,则表示该供应商的信用度或可靠度越高。供应商信用等级可以用数值或等级进行表示。例如,可以用数字1-10表示供应商信用等级,数值越大,供应商信用等级越高;又例如,可以用Ⅳ级、Ⅲ级、Ⅱ级、Ⅰ级等表示供应商信用等级,供应商信用等级由Ⅳ级至Ⅰ级依次递增。供应商信用等级也可以有其它表示方式,本说明书对此不作限定。关于信用评价向量的具体内容,可以参见图4及其相关描述。
在一些实施例中,确定模块220可以通过第二预设规则,基于供应商信用等级调整取样量。在一些实施例中,示例性的第二预设规则可以包括:在供应商信用等级大于或等于信用阈值时,保持取样率不变,对应取样量保持不变。当供应商信用等级小于信用阈值(信用阈值可以是系统默认值、经验值、人为预先设定值等或其任意组合,可以根据实际需求设定)时,进一步根据供应商信用等级所处的预设信用范围确定取样率的调整幅度。对于每个预设信用范围可以预设(如,基于先验知识或历史数据等进行预设)一个取样率的调整幅度,根据供应商信用等级所处预设信用范围可以确定取样率的调整幅度,相应地根据调整后的取样率来调整取样量。
例如,若农产品总数量为100000,原取样率为0.1%,则原取样量为100000×0.1%=100,当供应商信用等级大于或等于信用阈值时,保持取样率及取样率不变。假设原取样率为0.1%,预设信用范围A[信用等级a,信用阈值]对应的取样率的调整幅度为+0.02%;预设信用范围B[信用等级b,信用等级a]对应的取样率的调整幅度为+0.05%,当供应商信用等级处于预设信用范围A时,可以相应地增高取样率至0.12%,此时取样量为100000×0.12%=120;当供应商信用等级处于预设信用范围B时,可以相应地增高取样率至0.15%,此时取样量为100000×0.15%=150。
在本说明书的一些实施例中,当供应商信用等级较高时可以包括原有取样量不变,当供应商信用等级较低时调高取样量,可以灵活性地调整取样量,在不需要大量取样的情况下充分节省取样成本,同时在需要大量取样的情况下保证取样结果具有代表性,有效提高大宗农产品的入库效率。
取样分布可以是指取样位置的分布情况。例如,取样位置可以分布在储存单元中上层、底层等位置。在一些实施例中,取样分布可以划分为密集型取样分布(例如,在单位平方面积中设置20个取样位置)、正常型取样分布(例如,在单位平方面积中设置10个取样位置)、分散型取样分布(例如,在单位平方面积中设置5个取样位置)等。
在一些实施例中,不同储存单元可以对应不同的取样分布。例如,对于存储容易腐坏的农产品的储存单元,其取样分布可以为密集型取样分布。对应存储不易腐坏的农产品的储存单元,其取样分布可以为分散型取样分布。
在一些实施例中,同一储存单元中的不同位置对应的取样分布可以不同。例如,假设储存单元A包括上层位置和底层位置,其中上层位置存储容易腐坏的农产品、底层位置存储不易腐坏的农产品,相应可以将储存单元A的上层位置的取样分布确定为密集型取样分布、将储存单元A的底层位置的取样分布确定为分散型取样分布。
在一些实施例中,取样装置可以在取样位置处按照对应的取样量进行取样。
在一些实施例中,取样分布可以基于多种方式确定。例如,可以均匀设置取样位置。
在一些实施例中,确定模块220可以基于农产品信息和供应商信息,确定取样分布。例如,针对容易腐坏的农产品,可以对其储存单元的中间层进行重点取样,其取样分布可以是中间层采用密集型取样分布,其它位置采用分散型取样分布;针对标签为喜欢在车厢底部以次充好的供应商所供的农产品,可以对其储存单元的底层进行重点取样,其取样分布可以是底层采用密集型取样分布,其它位置采用分散型取样分布。
在一些实施例中,确定模块220可以基于农产品信息和供应商信息,通过质量评估模型确定质量评估向量,再基于质量评估向量,确定取样分布。关于基于质量评估模型确定取样分布的更多内容可以参见图4及其相关描述。
检验方法可以是指针对不同的大宗农产品,按照不同指标进行检验所采取的检验手段。例如,针对菜籽,主要检验其干度、杂质率等;针对鸡蛋,主要检验其蛋重、蛋比重、蛋黄颜色等。
在一些实施例中,检验方法可以基于农产品信息而定,不同的大宗农产品需检验的指标不同,检验方法也不同。例如,对于菜籽,可以利用过筛等方法确定菜籽杂质率;对于鸡蛋,可以利用盐水漂浮法确定蛋比重、利用罗氏比色扇确定蛋黄颜色等。
基于前述方式确定取样策略和检验方法后,确定模块220可以将取样策略和检验方法确定为检验方案。
在一些实施例中,确定模块220还可以基于历史数据确定检验方案。例如,通过将当前的农产品信息和供应商信息与历史数据进行匹配,将相似度最高的历史数据作为第一参考数据,再将该第一参考数据对应的参考检验方案直接作为当前的检验方案。其中,历史数据可以是指过往所有数据的集合,包括但不限于农产品信息、供应商信息、检验方案、检验数据等;第一参考数据可以是指历史数据中,与当前农产品信息和供应商信息相似度最高的一组数据;参考检验方案可以是指参考数据所对应的检验方案。
步骤330,基于检验方案,控制检验装置获取多个储存单元中至少一个储存单元的检验数据。
检验装置可以是用于执行检验方法的装置。不同检验方法对应的检验装置可以不同。例如,对鸡蛋进行检验时所用的电子秤、蛋壳强度测定仪等;对菜籽进行检验时所用的菜籽水分测量仪等。
检验数据可以是指检验装置所获取的指标数据。例如,农产品的水分值、杂质率、容重值、残损率等。
在一些实施例中,检验模块230可以基于检验方案生成取样指令,将取样指令发送至取样装置(用于执行取样策略的装置,如智能机械臂等)以控制取样装置对多个储存单元中的至少一个储存单元进行取样,取样完成后生成检验指令,将检验指令发送至检验装置以控制检验装置获取多个储存单元中至少一个储存单元的检验数据。其中,取样指令可以是控制取样装置按照检验方案中的取样策略进行取样的指令。检验指令可以是指控制检验装置按照检验方案中的检验方法对样品进行检验的指令。
步骤340,基于至少一个储存单元的检验数据,确定流动管理方法。
流动管理方法可以是指对大宗农产品进行出入库动态管理的方法。例如,仓储管理的方法、运输管理的方法等。
在一些实施例中,基于至少一个储存单元的检验数据,可以有多种方式确定流动管理方法。例如,流动管理模块240可以基于历史数据确定流动管理方法。例如,通过将当前至少一个储存单元的检验数据与历史数据进行匹配,将相似度最高的历史数据作为第二参考数据,再将第二参考数据对应的参考流动管理方法直接作为当前至少一个储存单元的流动管理方法。其中,第二参考数据可以是指历史数据中,与当前至少一个储存单元的检验数据相似度最高的一组数据;参考流动管理方法可以是指第二参考数据所对应的流动管理方法。
在一些实施例中,流动管理模块240可以基于至少一个储存单元的检验数据,确定至少一个储存单元的质量评价,再基于至少一个储存单元的质量评价,对至少一个储存单元的大宗农产品进行分拣,并将分拣后的大宗农产品根据不同的分拣等级进行流动管理。关于确定流动管理方法的更多内容可以参见图5及其相关描述。
本说明书一些实施例,通过农产品信息和供应商信息确定针对性的检验方案及检验数据,以此来确定流动管理方法,可以实现对大宗农产品进行针对性检验,使检验方案更加科学、入库效率更为高效。
应当注意的是,上述有关流程300的描述仅仅是为了示例和说明,而不限定本说明书的适用范围。对于本领域技术人员来说,在本说明书的指导下可以对流程300进行各种修正和改变。然而,这些修正和改变仍在本说明书的范围之内。
图4是根据本说明书一些实施例所示的基于质量评估模型确定取样分布的示例性示意图。
在一些实施例中,如图4所示,确定模块220可以基于农产品信息412和供应商信息414,通过质量评估模型420确定质量评估向量430,再基于质量评估向量430可以确定取样分布440。
质量评估模型可以是指用于确定质量评估向量的模型。在一些实施例中,质量评估模型可以是机器学习模型,例如,卷积神经网络(Convolutional Neural Networks,CNN)、深度神经网络(Deep Neural Networks,DNN)或其组合得到的模型等。
在一些实施例中,如图4所示,质量评估模型420的输入410可以包括农产品信息412和供应商信息414,其输出可以包括质量评估向量430。更多关于农产品信息和供应商信息的内容可以参见图3及其相关描述。
质量评估向量可以是指用于评估车厢或集装箱中不同区域(储存单元)的大宗农产品的质量下降的概率的向量。关于质量评估向量的更多内容,可以参见后文中的相关描述。
在一些实施例中,如图4所示,质量评估模型420的输入410还可以包括天气信息411和运输信息413。
天气信息可以是指与天气相关的信息,如温度、湿度、晴雨情况等。不同的大宗农产品在运输过程中受不同的天气会有不同的影响。例如,天气干燥时,蔬菜水果容易脱水受损;天气湿润时,需要干燥储存的大宗农产品(如,大豆、稻谷等)容易受潮变质等。
运输信息可以是指与运输过程相关的信息。在一些实施例中,运输信息可以包括运输时间和装载数据。
运输时间可以是指运输大宗农产品所花费的时间,如5h、1天、1周等。运输时间会对大宗农产品的质量造成一定的影响,运输时间越长,大宗农产品损坏或是质量下降的概率越大。
装载数据可以是指车厢或集装箱中大宗农产品所占空间的长、宽、高,可以用于对车厢或集装箱进行储存单元的划分。
本说明书的一些实施例中,将天气信息和运输信息输入质量评估模型中,可以充分考虑农产品运输时的天气、运输时间和装载情况对农产品的质量可能造成的影响,从而保证模型输出的精度。
在一些实施例中,质量评估模型可以包括多个处理层。如图4所示,质量评估模型420可以包括单元划分层421、信用评价层423和质量评估层425。
如图4所示,单元划分层421的输入可以包括农产品信息412和运输信息413中的装载数据,其输出可以包括单元结构信息422。在一些实施例中,单元划分层421可以是CNN或DNN等模型。
单元结构信息可以是指根据区域的划分方式得到的多个储存单元的信息。例如,将装载大宗农产品的车厢或集装箱划分成N×M个储存单元,则单元结构信息可以包括储存单元的个数、每个储存单元的长、宽以及体积大小等。
如图4所示,信用评价层423的输入可以包括供应商信息414和单元结构信息422,其输出可以包括信用评价向量424。在一些实施例中,信用评价层423可以是CNN或DNN等模型。
信用评价向量可以用于评价供应商的信用以及各个储存单元中农产品的质量情况。在一些实施例中,信用评价向量424可以包括供应商信用等级以及有较大概率出现质量异常的储存单元,如装载瓜果蔬菜类农产品的车厢或集装箱的中间位置(中间易腐坏区)相应的储存单元、边缘位置(边缘磕碰区)相应的储存单元等。
在一些实施例中,可以预先对供应商和储存单元进行编号,例如,供应商A、B、C对应编号可以是101、102、103,储存单元A、B、C对应编号可以是201、202、203,相应的信用评价向量可以是([101,Ⅳ],[102,Ⅱ],[103,Ⅲ],202),表示供应商A的供应商信用等级为Ⅳ级、供应商B的供应商信用等级为Ⅱ级、供应商C的供应商信用等级为Ⅲ级、储存单元B为有较大概率出现质量异常的储存单元。
如图4所示,质量评估层425的输入可以包括天气信息411、农产品信息412、运输信息413中的运输时间、单元结构信息422和信用评价向量424,其输出可以包括质量评估向量430。在一些实施例中,质量评估层425可以是CNN或DNN等模型。
质量评估向量可以用于评估车厢或集装箱中不同区域(储存单元)的大宗农产品的质量下降的概率。质量评估向量中包括多个维度的元素,每个维度的元素对应于车厢或集装箱中不同储存单元的大宗农产品的质量评估值,即质量下降的概率。质量评估值越高,表示质量下降的概率越大。例如,处于车厢或集装箱边缘区域的大宗农产品有较高的概率(如,超过概率阈值0.55)会因为与车厢或集装箱碰撞而导致质量下降,则对应的质量评估值会偏大(如,0.6);处于车厢或集装箱中间区域的蔬菜瓜果类大宗农产品有更高的概率会因为不透气而导致质量下降,则对应的质量评估值会较大(如,0.7);而处于车厢或集装箱中间区域的谷类、豆类大宗农产品因为不透气而导致质量下降的概率会相对较低,则对应的质量评估值也会相对偏小(如,0.4)等。
作为示例,车厢或集装箱的边缘区域、中间区域分别用A、B…表示,区域所对应的储存单元可以分别用1、2、3…表示(如,A1表示车厢或集装箱的边缘区域所对应的储存单元1),则质量评估向量430为([A1,0.7],[A2,0.6],[B1,0.7],[B2,0.8])时,可以表示为车厢或集装箱的边缘区域所对应的储存单元1的质量评估值(即质量下降的概率)为0.7;车厢或集装箱的边缘区域所对应的储存单元2的质量评估值为0.6;车厢或集装箱的中间区域所对应的储存单元1的质量评估值为0.7;车厢或集装箱的中间区域所对应的储存单元2的质量评估值为0.8。
在一些实施例中,质量评估模型可以通过对单元划分层、信用评价层和质量评估层进行联合训练获取。
在一些实施例中,可以基于大量带有标签的训练样本训练初始单元划分层、初始信用评价层和初始质量评估层。其中,训练样本可以是样本天气信息、样本农产品信息、样本运输时间、样本装载数据和样本供应商信息,标签可以是训练样本对应的检验结果中不同储存单元的不合格品占该储存单元中总样品数量的比例。训练样本可以基于历史数据确定。标签可以基于历史检验结果确定。
示例性的训练过程包括:将样本农产品信息和样本装载数据输入初始单元划分层,得到初始单元划分层输出的单元结构信息;将单元结构信息作为训练数据,和样本供应商信息输入初始信用评价层,得到初始信用评价层输出的信用评价向量;将单元结构信息和信用评价向量作为训练数据,和样本天气信息、样本农产品信息、样本运输时间输入初始质量评估层,得到初始质量评估层输出的质量评估向量;基于标签和初始质量评估层输出的质量评估向量构建损失函数,同步更新单元划分层、信用评价层和质量评估层的参数。通过参数更新,得到训练好的单元划分层、信用评价层和质量评估层。
检验结果可以是指对多个储存单元的大宗农产品进行检验后的结果。关于检验结果的具体内容,可以参见图5及其相关描述。
在一些实施例中,如图4所示,确定模块220可以基于质量评估向量430确定取样分布440。例如,确定模块220可以对质量评估向量中,车厢或集装箱中大宗农产品的质量下降概率较大(如,超过概率下降阈值)的储存单元进行重点取样。又例如,对于蔬菜瓜果类大宗农产品,其质量下降概率较大的储存区域主要为车厢或集装箱的边缘区域、中间区域,因此,针对蔬菜瓜果类大宗农产品的取样分布可以是车厢或集装箱的边缘区域、中间区域所对应的储存单元采用密集型取样分布,其它储存单元采用分散型取样分布。又例如,对于谷类、豆类大宗农产品,其质量下降概率较大的储存区域主要为车厢或集装箱的中间区域,因此,针对谷类、豆类大宗农产品的取样分布可以是车厢或集装箱的中间区域所对应的储存单元采用密集型取样分布,其它储存单元采用分散型取样分布。
在本说明书的一些实施例中,通过机器学习模型对多个储存单元的大宗农产品的质量进行评估,充分考虑了影响大宗农产品质量的多种因素,可以使取样更具代表性,使评估结果更为准确、评估效率也更高,有利于对大宗农产品更好地进行流动管理;另外,通过将多个模型组合起来形成一个新的模型,可以提升模型处理的效果,同时采用联合训练的方式得到质量评估模型,可以提高模型训练效率,避免非必要标签的获取。
图5是根据本说明书一些实施例所示的确定流动管理方法的示例性流程图。如图5所示,流程500可以包括下述步骤。在一些实施例中,流程500可以由流动管理模块240执行。
步骤510,基于至少一个储存单元的检验数据,确定至少一个储存单元的质量评价。
质量评价可以是指对农产品质量的评价结果。储存单元的质量评价可以用于表示其中所储存农产品的质量好坏。例如,一个储存单元的质量评价高时,则表示该储存单元内农产品的质量好。
在一些实施例中,质量评价可以包括整体质量等级和不合格率。
整体质量等级可以表示该储存单元中所有农产品的整体质量情况。例如,整体质量等级由高到低依次为精品、一等品、二等品、三等品、合格品等。需要说明的是,上述对于整体质量等级的划分仅为示例,本说明书对此不作限定。
在一些实施例中,流动管理模块240可以通过第三预设规则,基于至少一个储存单元的检验数据,确定至少一个储存单元的整体质量等级。在一些实施例中,示例性的第三预设规则可以是:对检验数据中不同指标的数据(如,完整度、水分值、杂质率、残损率、新鲜度等)进行相应的分数换算得到各个指标对应的分数(例如,将指标数据满足标准指标值时,记5分;指标数据处于[标准指标值,标准指标值×1.1]范围内时,记6分等),再对检验数据中不同指标相应的分数进行加权处理确定最终分数,根据最终分数所属的分数范围确定整体质量等级(例如,分数范围1对应的整体质量等级为精品、分数范围2对应的整体质量等级为一等品等。当最终分数处于分数范围1时,确定该储存单元的整体质量等级为精品)。
其中,第三预设规则可以是预先设定的规则,可以基于历史经验等确定。标准指标值可以是人工设定的值,也可以是基于国家标准或国际标准确定的值。不同指标的权重可以基于实际需求而定,如瓜果蔬菜类的大宗农产品,其完整度指标的权重应大于新鲜度指标的权重。
不合格率可以是不合格品的数量占该储存单元中所有农产品数量的比例。其中,不合格品可以是指不符合整体质量等级要求的农产品。
在一些实施例中,不合格品可以基于分拣参数确定。在一些实施例中,分拣参数可以用于分拣不合格品,也可以用于分拣储存单元中不符合整体质量等级的差异品。关于分拣储存单元中不符合整体质量等级的差异品的更多内容可以参见后文。
分拣参数可以是用于分拣农产品的相关参数。在一些实施例中,分拣参数可以包括农产品的颜色、尺寸、形状等特征参数。在一些实施例中,用于分拣不合格品的分拣参数可以与农产品类别有关。例如,农产品为红富士苹果时,其用于分拣不合格品的分拣参数为:颜色不是红色、尺寸(例如直径)小于10cm、形状不规则等。农产品为番茄时,其用于分拣不合格品的分拣参数为:颜色不是红色、尺寸小于6cm、形状不规则等。
在一些实施例中,流动管理模块240可以将农产品的特征参数不符合用于分拣不合格品的分拣参数的农产品确定为不合格品。例如,流动管理模块240可以所有苹果中颜色不是红色、尺寸小于10cm或形状不规则的苹果确定为不合格品。在确定不合格品后,根据不合格品的数量占农产品总数量的比例可以确定不合格率。
步骤520,基于至少一个储存单元的质量评价,对至少一个存储单元的大宗农产品进行分拣。
分拣可以是指将农产品进行分类堆放的相关操作。例如,处理设备110可以按照农产品种类、出入库先后顺序等进行分拣。
在一些实施例中,可以通过各种可行的方式进行分拣,例如人工手动分拣、机械自动化分拣(例如,通过控制分拣机械臂进行分拣等)等。
在一些实施例中,流动管理模块240可以基于至少一个储存单元的质量评价确定每个储存单元的入库位置,通过分拣机械臂按照储存单元将农产品分拣至对应的入库位置。其中,入库位置可以是农产品在仓库中进行保存管理的位置。不同质量评价的储存单元中的农产品可以对应不同的入库位置。例如,整体质量等级为一等品及精品的储存单元,其中的农产品的入库位置为仓库中的精品管理区(可以是专门用于管理精品类农产品的区域,其储存条件更严格,以保证品质,防止损失);整体质量等级为二等品及以下的储存单元,其中的农产品的入库位置为仓库中的普通管理区(可以是用于管理普通类农产品的区域,其储存条件一般)。
在一些实施例中,分拣机械臂可以通过将农产品分拣至入库位置对应的传输带上,以将分拣出的农产品传送至对应的入库位置。例如,假设储存单元A1的整体质量等级为精品时,流动管理模块240可以将储存单元A1中所有农产品分拣至传送带A,以通过传送带A将储存单元A1中所有农产品传送至仓库的精品管理区。
本说明书的一些实施例中,通过对储存单元的质量评价情况,可以将储存单元中的全部农产品直接分拣至仓库中的对应位置,实现高效分拣。
在一些实施例中,流动管理模块240可以基于至少一个储存单元的质量评价以及视觉机器人的机器视觉,利用分拣机械臂基于分拣参数对至少一个存储单元的大宗农产品进行分拣,将储存单元中不符合整体质量等级的差异品分拣出来。其中,视觉机器人的机器视觉包括图像采集、特征提取、质量识别等。例如,视觉机器人可以在传送带按照储存单元分别对农产品进行传输的过程中,采集农产品的图像数据,并对图像数据中一个或多个农产品的颜色、形状、尺寸等特征进行提取。进一步地,视觉机器人可以按照分拣参数识别差异品,并将差异品的位置信息发送到分拣机械臂,分拣机械臂相应可以分拣出差异品。差异品可以指与当前储存单元的整体质量等级不符合的农产品。例如,储存单元A1的整体质量等级为精品,其中农产品X的质量等级不符合储存单元A1的整体质量等级,则农产品X为差异品。
在一些实施例中,用于分拣差异品的分拣参数可以与储存单单元的整体质量等级和农产品类别有关。不同整体质量等级设置的分拣参数可以不同。不同农产品类别设置的分拣参数可以不同。也就是说,差异品的确定是相对的,当农产品所处储存单元的整体质量等级不同时,挑选出的差异品不同。例如,整体质量等级为精品、农产品为红富士苹果时,其用于分拣差异品的分拣参数为:颜色为红色、尺寸(例如直径)小于12cm、形状规则等;整体质量等级为一等品、农产品为红富士苹果时,其用于分拣差异品的分拣参数为:颜色为红色、尺寸大于12cm、形状规则,或者颜色不是红色、尺寸小于10cm、形状不规则。
满足用于分拣差异品的分拣参数的农产品将从当前所处传送带中被分拣出来。作为一示例,假设传送带B中传送的是整体质量等级为精品的储存单元B1的农产品,储存单元B1的农产品为西红柿,对应的用于分拣差异品的分拣参数可以是“颜色不是红色、尺寸小于8*6(cm)、形状不规则”。视觉机器人可以进行图像采集、特征提取,并按照该分拣参数将该储存单元B1中颜色不是红色(例如,黄色或绿色等)、尺寸小于8*6(cm)、形状不规则的西红柿确定为差异品。
在一些实施例中,从当前储存单元中分拣出的差异品可以进一步根据其特征参数划分质量等级。例如,前述示例中分拣出的“颜色不是红色、尺寸小于8*6(cm)或形状不规则的西红柿”可以根据其特征参数进一步划分质量等级,例如,当该差异品的特征参数符合二等品的划分要求时,可以将其划分为二等品等。
本说明书的一些实施例中,在按照储存单元的质量评价情况对农产品进行分拣的过程中,还可以进一步对该储存单元中的农产品的质量情况进一步分析,以将存在质量异常的农产品分拣出来,进一步提升分拣效果。
在一些实施例中,对于每个储存单元,流动管理模块240可以进一步判断从该储存单元中分拣的不合格品的数量是否满足第一预设条件;响应于第一预设条件被满足,提升传送带的传输速度。
在一些实施例中,第一预设条件可以是不合格品的数量小于第一阈值。每个储存单元可以对应一个第一阈值。
在一些实施例中,第一阈值可以通过多种方式确定。例如,第一阈值可以相关于该储存单元在质量评估向量中对应的元素,即储存单元对应的质量评估值越低,第一阈值越大。更多关于质量评估向量的更多内容可以参见图4及其相关描述。又例如,第一阈值可以是系统默认值、经验值、人为预先设定值等或其任意组合,可以根据实际需求设定。
本说明书的一些实施例中,通过判断分拣的不合格品数量是否满足第一预设条件,当满足第一预设条件时相应地提升传送带的传输速度,可以使分拣更为高效。
在一些实施例中,流动管理模块240可以进一步判断分拣的不合格品的数量是否满足第二预设条件;响应于第二预设条件被满足,降低传送带的传输速度。
在一些实施例中,第二预设条件可以是从多个储存单元分别分拣出的不合格品的数量大于第二阈值。每个储存单元可以对应一个第二阈值。其中,第二阈值大于第一阈值,第二阈值可以是系统默认值、经验值、人为预先设定值等或其任意组合,可以根据实际需求设定。
当不合格品的数量大于第二阈值时,此时可以认为不合格率较高,相应地可以降低传送带的传输速度,从而进行精细化分拣,或直接将分拣结果发送到用户终端,由用户进行确认。例如,可以由用户对分拣后的农产品进行检查,检查不合格品后在用户终端进行确认。
在一些实施例中,流动管理模块240在判断多个储存单元的分拣的不合格品数量是否大于第二阈值时,还需要满足多个储存单元的单元数量需大于单元数量阈值,其中,单元数量阈值可以基于单元结构信息确定。例如,单元数量阈值可以基于单元结构信息中储存单元的总数量确定(例如,可以将储存单元总数量乘以预设比例确定单元数量阈值,其中预设比例可以是系统默认值、经验值、人为预先设定值等或其任意组合)。更多关于单元结构信息的说明可以参见图4及其相关描述。
本说明书的一些实施例中,通过判断分拣的不合格品数量是否满足第二预设条件,当满足第二预设条件时相应地降低传送带的传输速度,可以实现精细化分拣,进一步保证分拣效果。
在一些实施例中,对于每个储存单元,流动管理模块240可以进一步检测其中符合第三预设条件的农产品,并判断达到第三预设条件的农产品数量是否大于第三阈值,当符合第三预设条件的农产品数量大于第三阈值时,将符合第三预设条件的农产品进行单独分拣。
第三预设条件可以是农产品的质量等级高于储存单元的整体质量等级。农产品的质量等级可以用于反映单个农产品的质量情况。例如,农产品的质量等级可以由低至高依次为合格品、三等品、二等品、一等品、精品等。
例如,原本整个储存单元的整体质量等级为合格品,发现其中有一定数量(大于第三阈值)的一等品甚至精品时,可以将这部分农产品分拣出来,以创造更大的利润。其中,第三阈值可以是系统默认值、经验值、人为预先设定值等或其任意组合,可以根据实际需求设定。
在一些实施例中,与储存单元的整体质量等级的确定方式类似,农产品的质量等级可以基于该农产品对应的检验数据中不同指标的数据(如,完整度、水分值、杂质率、残损率、新鲜度等)进行相应的分数换算得到各个指标对应的分数,再对该农产品对应的检验数据中不同指标相应的分数进行加权处理确定最终分数,根据最终分数所属的分数范围确定该农产品的质量等级。更多细节可以参见步骤510及其相关描述。
本说明书的一些实施例中,通过判断预设等级的农产品数量是否满足第三预设条件,当满足第三预设条件时对相应的农产品进行单独分拣,不仅可以实现精细化分拣,而且可以挑选出优质品,以帮助用户创造更大的利润。
步骤530,将分拣后的农产品根据不同的分拣等级进行流动管理。
分拣等级可以指根据农产品的分拣情况划分的等级。例如,分拣等级可以包括合格、不合格。又例如,分拣等级可以包括差、良、优。又例如,分拣等级可以对应于储存单元的整体质量等级,如包括精品、一等品、二等品、三等品、合格品等。
在一些实施例中,流动管理模块240将分拣后的农产品根据不同的分拣等级进行流动管理可以包括:根据不同的分拣等级制定流动管理策略。流动管理策略可以包括运输策略、仓储策略、包装策略、防盗策略等。例如,对分拣等级为精品的农产品,处理设备制定精品农产品流动管理策略:包括对精品农产品进行更精细的运输和仓储,外包装更为可靠、保护性强,防盗措施更严格以防止丢失等。
本说明书的一个或多个实施例,基于对存储单元的质量评价对存储单元的大宗农产品进行分拣,能够实现精细化分拣,提高分拣效率;将分拣后的农产品按照不同的质量等级进行流动管理,可以更好地平衡农产品流动管理的成本与农产品所带来的价值。
应当注意的是,上述有关流程500的描述仅仅是为了示例和说明,而不限定本说明书的适用范围。对于本领域技术人员来说,在本说明书的指导下可以对流程500进行各种修正和改变。然而,这些修正和改变仍在本说明书的范围之内。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外,对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是,如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方,以本说明书的描述、定义和/或术语的使用为准。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (6)
1.一种大宗农产品出入库管理方法,其特征在于,包括:
获取多个储存单元中大宗农产品的农产品信息和供应商信息,所述农产品信息至少包括农产品的种类、数量、质量情况,所述供应商信息至少包括供应商资质、供应商过往质检记录;
基于所述农产品信息和所述供应商信息,确定检验方案,其中,所述检验方案包括取样策略与检验方法,所述取样策略包括取样量以及取样分布,所述取样分布为取样位置的分布情况;
确定所述取样量包括:
基于所述农产品信息,通过第一预设规则确定取样量;
基于供应商信用等级,通过第二预设规则调整所述取样量;
确定所述取样分布包括:
基于所述农产品信息和所述供应商信息,通过质量评估模型确定质量评估向量,所述质量评估模型为机器学习模型;
基于所述质量评估向量,确定所述取样分布;
确定所述检验方法包括:
基于所述农产品的种类,确定所述检验方法;
基于所述检验方案,控制检验装置获取所述多个储存单元中至少一个储存单元的检验数据;
基于所述至少一个储存单元的检验数据,确定流动管理方法。
2.根据权利要求1所述的大宗农产品出入库管理方法,其特征在于,所述基于所述至少一个储存单元的检验数据,确定流动管理方法包括:
基于所述至少一个储存单元的检验数据,确定所述至少一个储存单元的质量评价;
基于所述至少一个储存单元的质量评价,对所述至少一个储存单元的大宗农产品进行分拣;
将分拣后的农产品根据不同的分拣等级进行流动管理。
3.一种大宗农产品出入库管理系统,其特征在于,包括:
获取模块,用于获取多个储存单元中大宗农产品的农产品信息和供应商信息,所述农产品信息至少包括农产品的种类、数量、质量情况,所述供应商信息至少包括供应商资质、供应商过往质检记录;
确定模块,用于基于所述农产品信息和所述供应商信息,确定检验方案,其中,所述检验方案包括取样策略与检验方法,所述取样策略包括取样量以及取样分布,所述取样分布为取样位置的分布情况;
所述确定模块还用于:
基于所述农产品信息,通过第一预设规则确定取样量;
基于供应商信用等级,通过第二预设规则调整所述取样量;
基于所述农产品信息和所述供应商信息,通过质量评估模型确定质量评估向量,所述质量评估模型为机器学习模型;
基于所述质量评估向量,确定所述取样分布;
基于所述农产品的种类,确定所述检验方法;
检验模块,用于基于所述检验方案,控制检验装置获取所述多个储存单元中至少一个储存单元的检验数据;
流动管理模块,用于基于所述至少一个储存单元的检验数据,确定流动管理方法。
4.根据权利要求3所述的大宗农产品出入库管理系统,其特征在于,为基于所述至少一个储存单元的检验数据,确定流动管理方法,所述流动管理模块进一步用于:
基于所述至少一个储存单元的检验数据,确定所述至少一个储存单元的质量评价;
基于所述至少一个储存单元的质量评价,对所述至少一个储存单元的大宗农产品进行分拣;
将分拣后的农产品根据不同的分拣等级进行流动管理。
5.一种大宗农产品出入库管理装置,其特征在于,所述装置包括至少一个处理器以及至少一个存储器;
所述至少一个存储器用于存储计算机指令;
所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现如权利要求1~2中任一项所述的大宗农产品出入库管理方法。
6.一种计算机可读存储介质,其特征在于,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行如权利要求1~2任一项所述的大宗农产品出入库管理方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311792528.2A CN117726278A (zh) | 2022-11-30 | 2022-11-30 | 一种农产品流动管理方法和系统 |
CN202211518999.XA CN115907622B (zh) | 2022-11-30 | 2022-11-30 | 一种大宗农产品出入库管理方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211518999.XA CN115907622B (zh) | 2022-11-30 | 2022-11-30 | 一种大宗农产品出入库管理方法和系统 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311792528.2A Division CN117726278A (zh) | 2022-11-30 | 2022-11-30 | 一种农产品流动管理方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115907622A CN115907622A (zh) | 2023-04-04 |
CN115907622B true CN115907622B (zh) | 2023-12-29 |
Family
ID=86482232
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211518999.XA Active CN115907622B (zh) | 2022-11-30 | 2022-11-30 | 一种大宗农产品出入库管理方法和系统 |
CN202311792528.2A Pending CN117726278A (zh) | 2022-11-30 | 2022-11-30 | 一种农产品流动管理方法和系统 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311792528.2A Pending CN117726278A (zh) | 2022-11-30 | 2022-11-30 | 一种农产品流动管理方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN115907622B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006036478A (ja) * | 2004-07-28 | 2006-02-09 | Kubota Corp | 農産物の出荷管理システム |
CN111127238A (zh) * | 2020-01-07 | 2020-05-08 | 北京印刷学院 | 一种农产品品质检测平台 |
CN111487247A (zh) * | 2020-04-28 | 2020-08-04 | 前海国兴(深圳)高科技有限公司 | 水果成熟度ai识别系统 |
CN112604977A (zh) * | 2020-11-07 | 2021-04-06 | 泰州芯源半导体科技有限公司 | 利用大数据服务的目标分类平台及方法 |
TW202133096A (zh) * | 2020-02-27 | 2021-09-01 | 台灣麥匯資訊科技股份有限公司 | 農產品檢驗銷售整合系統及整合方法 |
CN113435726A (zh) * | 2021-06-22 | 2021-09-24 | 布瑞克农业大数据科技集团有限公司 | 一种商品管理方法和系统 |
CN113894058A (zh) * | 2021-09-06 | 2022-01-07 | 东莞职业技术学院 | 基于深度学习的品质检测与分拣方法、系统及存储介质 |
CN114136379A (zh) * | 2021-12-31 | 2022-03-04 | 江苏闪码光机电科技有限公司 | 大宗散粮装卸过程中多要素临场检测方法及装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5919577A (ja) * | 1982-07-22 | 1984-02-01 | 株式会社マキ製作所 | 果実そ菜類の選別方法と装置 |
JP4217508B2 (ja) * | 2003-03-06 | 2009-02-04 | ヤンマー農機株式会社 | 農産物非破壊品質判定装置 |
JP2005161246A (ja) * | 2003-12-04 | 2005-06-23 | Yanmar Co Ltd | 選別装置 |
JP2006175443A (ja) * | 2006-03-22 | 2006-07-06 | Maki Mfg Co Ltd | 農産物選別装置 |
CN106238345A (zh) * | 2016-09-21 | 2016-12-21 | 福建农林大学 | 一种类球形农产品输送分级装置及其控制方法 |
KR102453931B1 (ko) * | 2020-08-14 | 2022-10-14 | 주식회사 생명과기술 | 농산물 선별기 및 선별 방법 |
-
2022
- 2022-11-30 CN CN202211518999.XA patent/CN115907622B/zh active Active
- 2022-11-30 CN CN202311792528.2A patent/CN117726278A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006036478A (ja) * | 2004-07-28 | 2006-02-09 | Kubota Corp | 農産物の出荷管理システム |
CN111127238A (zh) * | 2020-01-07 | 2020-05-08 | 北京印刷学院 | 一种农产品品质检测平台 |
TW202133096A (zh) * | 2020-02-27 | 2021-09-01 | 台灣麥匯資訊科技股份有限公司 | 農產品檢驗銷售整合系統及整合方法 |
CN111487247A (zh) * | 2020-04-28 | 2020-08-04 | 前海国兴(深圳)高科技有限公司 | 水果成熟度ai识别系统 |
CN112604977A (zh) * | 2020-11-07 | 2021-04-06 | 泰州芯源半导体科技有限公司 | 利用大数据服务的目标分类平台及方法 |
CN113435726A (zh) * | 2021-06-22 | 2021-09-24 | 布瑞克农业大数据科技集团有限公司 | 一种商品管理方法和系统 |
CN113894058A (zh) * | 2021-09-06 | 2022-01-07 | 东莞职业技术学院 | 基于深度学习的品质检测与分拣方法、系统及存储介质 |
CN114136379A (zh) * | 2021-12-31 | 2022-03-04 | 江苏闪码光机电科技有限公司 | 大宗散粮装卸过程中多要素临场检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115907622A (zh) | 2023-04-04 |
CN117726278A (zh) | 2024-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11836674B2 (en) | Automated inspection system | |
Melesse et al. | Machine learning-based digital twin for monitoring fruit quality evolution | |
CN110238078B (zh) | 分拣方法、装置、系统及存储介质 | |
CN108335300A (zh) | 一种基于cnn的食品高光谱信息分析系统与方法 | |
CN110239794B (zh) | 包装方法、装置、系统及存储介质 | |
CN113435726A (zh) | 一种商品管理方法和系统 | |
CN117010678B (zh) | 一种电池模组装配方法及电池模组装配系统 | |
Pise et al. | Grading of harvested mangoes quality and maturity based on machine learning techniques | |
Phate et al. | Classification and weighing of sweet lime (Citrus limetta) for packaging using computer vision system | |
Rafiq et al. | Application of computer vision system in food processing | |
Valero et al. | Design guidelines for a quality assessment system of fresh fruits in fruit centers and hypermarkets | |
Devi et al. | IoT-deep learning based prediction of amount of pesticides and diseases in fruits | |
WO2023129702A1 (en) | Machine learning-based assessment of food item quality | |
Banakar et al. | Combined application of decision tree and fuzzy logic techniques for intelligent grading of dried figs | |
Guo et al. | Bruise detection and classification of strawberries based on thermal images | |
CN115907622B (zh) | 一种大宗农产品出入库管理方法和系统 | |
Goyal et al. | Tomato ripeness and shelf-life prediction system using machine learning | |
CN117391599A (zh) | 一种基于大数据的商品分拣方法 | |
CN111330871B (zh) | 一种品质分类方法及装置 | |
CN114972234B (zh) | 一种食用菌品质监测方法及系统 | |
Sari et al. | The Use of image processing and sensor in tomato sorting machine by color, Size, and weight | |
Kavdır et al. | Classification of olives using FT-NIR spectroscopy, neural networks and statistical classifiers | |
CN115518893A (zh) | 一种基于数据分析的物流货物智能分拣系统 | |
Walsh et al. | Sampling and statistics in assessment of fresh produce | |
Lestari et al. | An Automatic Sorting Machine Using Weight Sensor and Moisture Content Measurement for Sweet Potatoes |
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 |