CN117455346B - 一种用于药品仓储中心的包装追踪方法及系统 - Google Patents
一种用于药品仓储中心的包装追踪方法及系统 Download PDFInfo
- Publication number
- CN117455346B CN117455346B CN202311763642.2A CN202311763642A CN117455346B CN 117455346 B CN117455346 B CN 117455346B CN 202311763642 A CN202311763642 A CN 202311763642A CN 117455346 B CN117455346 B CN 117455346B
- Authority
- CN
- China
- Prior art keywords
- damage
- package
- adopting
- real
- time
- 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 66
- 238000004806 packaging method and process Methods 0.000 title claims abstract description 55
- 239000003814 drug Substances 0.000 title claims abstract description 28
- 229940079593 drug Drugs 0.000 title claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 84
- 238000012544 monitoring process Methods 0.000 claims abstract description 59
- 238000005516 engineering process Methods 0.000 claims abstract description 46
- 238000004458 analytical method Methods 0.000 claims abstract description 40
- 238000005457 optimization Methods 0.000 claims abstract description 27
- 230000007246 mechanism Effects 0.000 claims abstract description 24
- 230000003287 optical effect Effects 0.000 claims abstract description 18
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 17
- 230000004044 response Effects 0.000 claims abstract description 17
- 230000033001 locomotion Effects 0.000 claims abstract description 16
- 238000005206 flow analysis Methods 0.000 claims abstract description 13
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 230000010354 integration Effects 0.000 claims abstract description 7
- 238000001514 detection method Methods 0.000 claims description 46
- 238000009826 distribution Methods 0.000 claims description 16
- 238000003066 decision tree Methods 0.000 claims description 15
- 230000004927 fusion Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 238000012098 association analyses Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000002922 simulated annealing Methods 0.000 claims description 5
- 230000001629 suppression Effects 0.000 claims description 5
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 4
- 238000003012 network analysis Methods 0.000 claims description 4
- 238000013468 resource allocation Methods 0.000 claims description 4
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 2
- 238000011282 treatment Methods 0.000 claims 1
- 238000011269 treatment regimen Methods 0.000 claims 1
- 238000007726 management method Methods 0.000 abstract description 13
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000013439 planning Methods 0.000 abstract description 3
- 238000007405 data analysis Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 8
- 235000012571 Ficus glomerata Nutrition 0.000 description 5
- 244000153665 Ficus glomerata Species 0.000 description 5
- 238000007796 conventional method Methods 0.000 description 5
- 239000002699 waste material Substances 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 230000004807 localization Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012377 drug delivery Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000012858 packaging process Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06Q10/0833—Tracking
-
- 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
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/269—Analysis of motion using gradient-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
Abstract
本发明涉及物流管理与供应链优化技术领域,具体为一种用于药品仓储中心的包装追踪方法及系统,包括以下步骤:基于仓库关键节点处的监控摄像头,采用光流法分析算法,捕捉货物运动,实时捕获图像数据流并进行帧提取操作,生成实时的货物图像库;通过图像处理技术如光流法分析和快速响应卷积神经网络,实现了对货物运动的高效实时监测以及对损坏包装的精确识别和分类,层次聚类算法和基于概率的分析工具,为损坏包装提供了等级判定和处理策略,利用Dijkstra算法结合实时追踪技术,实现了包装流转路径的规划和记录,通过集成Apriori算法、分布式账本技术及物联网平台,建立了数据分析和决策支持机制,优化了对损坏事件的管理和责任追踪。
Description
技术领域
本发明涉及物流管理与供应链优化技术领域,尤其涉及一种用于药品仓储中心的包装追踪方法及系统。
背景技术
物流管理是指规划、实施和控制有效流动和存储药品货物、服务以及相关信息从起始点到消费点的过程,目的是满足客户的需求,供应链优化则涉及到改进供应链活动以提高效率和速度,降低成本。
其中,包装追踪指在仓储环境中对药品货物包装进行监控和记录的过程,这个过程的目的是确保药品从入库到出库的每个环节都能被精确跟踪,以增强库存管理的透明度,减少丢失或错误发货的情况,提高物流效率,这种方法的效果是提供实时数据,优化库存水平,同时减少物流成本,为了达成这些效果会采用各种手段,如条形码扫描、射频识别技术、全球定位系统跟踪以及其他自动识别和数据捕捉技术,通过将这些技术集成到物流管理系统中,仓储中心能够实现对药品包装的高效追踪和管理。
传统的药品仓储中心包装追踪方法,虽然在一定程度上能够提供实时数据和优化库存水平,但存在一些显著的不足之处,首先,传统方法依赖于如条形码扫描、射频识别技术等较为基础的技术手段,这限制了它们在捕捉复杂动态环境中的有效性,尤其是在高速和高密度的物流操作中,其次,传统方法在损坏包装的识别和分类上缺乏高度的准确性和自动化,例如,仅依赖条形码或射频识别技术难以实现对包装损坏特征的实时监测和详细分类,此外,传统方法在包装流转路径的优化上也不够高效,难以快速适应仓储环境中频繁变化的物流动态,如物流拥堵或临时变更的运输需求,这种缺乏灵活性和适应性的问题,可能导致物流效率降低,增加物流时间和成本,最后,虽然传统方法能够提供基本的实时数据和监控,但在综合损坏责任追踪和实时决策支持方面则显得不足,这限制了管理者在处理突发事件和优化运营决策时的反应速度和准确性。
发明内容
本发明的目的是解决现有技术中存在的缺点,而提出的一种用于药品仓储中心的包装追踪方法及系统。
为了实现上述目的,本发明采用了如下技术方案:一种用于药品仓储中心的包装追踪方法,包括以下步骤:
S1:基于仓库关键节点处的监控摄像头,采用光流法分析算法,捕捉货物运动,实时捕获图像数据流并进行帧提取操作,生成实时的货物图像库;
S2:基于所述实时的货物图像库,采用快速响应卷积神经网络算法,识别包装损坏特征并分类,生成损坏包装检测报告;
S3:基于所述损坏包装检测报告,采用层次聚类算法,对损坏特征进行分析,并判断损坏等级,生成损坏等级判定;
S4:基于所述损坏等级判定,采用基于概率的决策树分析,制定多个损坏包装的处理策略,生成包装处理决策;
S5:基于所述包装处理决策,采用Dijkstra算法,进行包装的物流路径优化,生成优化后的运输路径;
S6:在包装沿所述优化后的运输路径移动时,采用实时追踪射频识别技术,获取多个关键节点的包装流转情况,生成包装流转追踪记录;
S7:基于所述包装流转追踪记录,采用Apriori算法,分析损坏原因和责任人员,结合优化后的运输路径,采用分布式账本技术和物联网平台的集成,生成实时监控和上报机制;
所述实时的货物图像库具体为由关键帧组成的图像数据集合,所述损坏包装检测报告包括损坏特征的图像,损坏类型数量、严重程度评估,所述包装处理决策包括维修、退回、报废的决策路径,所述优化后的运输路径具体为从当前位置到指定处理区域的合理路径选择,所述包装流转追踪记录具体为动态更新的日志、包装从起点到终点的位置和时间戳,所述实时监控和上报机制包括实时监控数据展示、自动上报损坏事件、责任追踪的决策支持。
作为本发明的进一步方案,基于仓库关键节点处的监控摄像头,采用光流法分析算法,捕捉货物运动,实时捕获图像数据流并进行帧提取操作,生成实时的货物图像库的具体步骤为:
S101:基于仓库关键节点处的监控摄像头,采用实时光流跟踪技术捕捉移动货物的图像数据流,生成实时货物运动图像数据流;
S102:基于所述实时货物运动图像数据流,采用动态背景减除算法提取运动货物的关键帧,生成货物运动关键帧数据;
S103:基于所述货物运动关键帧数据,采用帧差分法进行动态特征提取,识别和隔离运动的货物图像,生成运动货物特征帧集;
S104:基于所述运动货物特征帧集,采用图像质量增强技术,进行图像优化处理,生成实时的货物图像库。
作为本发明的进一步方案,基于所述实时的货物图像库,采用快速响应卷积神经网络算法,识别包装损坏特征并分类,生成损坏包装检测报告的具体步骤为:
S201:基于所述实时的货物图像库,采用快速响应卷积神经网络算法,进行特征学习和对象检测,生成特征映射集;
S202:基于所述特征映射集,采用区域建议网络定位损坏区域,生成损坏区域提案集;
S203:基于所述损坏区域提案集,采用双路径网络分析,执行包装损坏特征的分类及边界框的定位,生成分类及定位细化数据;
S204:基于所述分类及定位细化数据,采用非极大值抑制方法,筛选最终的损坏特征检测结果,生成损坏包装检测报告。
作为本发明的进一步方案,基于所述损坏包装检测报告,采用层次聚类算法,对损坏特征进行分析,并判断损坏等级,生成损坏等级判定的具体步骤为:
S301:基于所述损坏包装检测报告,采用AGNES算法,对损坏特征进行初步聚类分析,生成初步损坏特征聚类集;
S302:基于所述初步损坏特征聚类集,采用邻接矩阵构建聚类树,揭示损坏特征之间的层次关系,生成损坏特征聚类树;
S303:基于所述损坏特征聚类树,采用Cophenetic相关系数,评价聚类质量,并优化聚类结果,生成优化后的损坏特征聚类集;
S304:基于所述优化后的损坏特征聚类集,采用判别分析法,判断损坏的等级和类型,生成损坏等级判定。
作为本发明的进一步方案,基于所述损坏等级判定,采用基于概率的决策树分析,制定多个损坏包装的处理策略,生成包装处理决策的具体步骤为:
S401:基于所述损坏等级判定,采用贝叶斯决策树算法,分析多个损坏等级下的处理策略概率,生成策略概率分布报告;
S402:基于所述策略概率分布报告,采用期望最大化算法,进行概率分布参数优化,并估计多个处理策略的条件概率,生成优化后的处理策略概率;
S403:基于所述优化后的处理策略概率,采用概率敏感损失函数,选定在多概率下的决策路径,生成决策路径候选集;
S404:基于所述决策路径候选集,采用多准则决策分析方法,考虑成本、时间和资源优化制定最终决策,生成包装处理决策。
作为本发明的进一步方案,基于所述包装处理决策,采用Dijkstra算法,进行包装的物流路径优化,生成优化后的运输路径的具体步骤为:
S501:基于所述包装处理决策,采用Dijkstra算法,计算从当前位置到目的地的合适路径,生成初步运输路径图;
S502:基于所述初步运输路径图,采用流量分析和调整方法,结合仓库内物流拥堵和资源分配情况,生成负载均衡运输路径;
S503:基于所述负载均衡运输路径,采用模拟退火算法进行成本和效率分析,优化路径选择,生成成本效率优化路径;
S504:基于所述成本效率优化路径,采用网络流算法,对路径的流动性进行优化,生成优化后的运输路径。
作为本发明的进一步方案,在包装沿所述优化后的运输路径移动时,采用实时追踪射频识别技术,获取多个关键节点的包装流转情况,生成包装流转追踪记录的具体步骤为:
S601:基于所述优化后的运输路径,将射频识别标签配置于包装上,生成包装RFID标签数据;
S602:基于所述包装RFID标签数据,获取与包装关联的多个关键节点的标签数据,所述多个关键节点的标签数据用于表征包装的流转情况,生成节点包装识别记录;
S603:基于所述节点包装识别记录,采用数据融合技术,整合来自多个关键节点的数据,生成融合流转数据集;
S604:基于所述融合流转数据集,采用事件驱动架构,在包装流转状态发生变更时生成实时更新,生成包装流转追踪记录。
作为本发明的进一步方案,基于所述包装流转追踪记录,采用Apriori算法,分析损坏原因和责任人员,结合优化后的运输路径,采用分布式账本技术和物联网平台的集成,生成实时监控和上报机制的具体步骤为:
S701:基于所述包装流转追踪记录,采用关联规则学习Apriori算法,分析包装损坏点与责任人员的潜在联系,生成责任人员初步关联分析数据;
S702:基于所述责任人员初步关联分析数据,采用Q学习方法,进行数据优化处理,生成优化后的责任归属数据;
S703:基于所述优化后的责任归属数据,采用数据驱动的分析决策方法进行综合判定,生成责任追踪报告;
S704:基于所述责任追踪报告,再结合所述优化后的运输路径的信息,采用分布式账本技术和物联网平台集成,生成实时监控和上报机制。
一种用于药品仓储中心的包装追踪系统,所述用于药品仓储中心的包装追踪系统用于执行上述用于药品仓储中心的包装追踪方法,所述系统包括图像捕获模块、损坏检测模块、损坏等级判定模块、包装处理决策模块、运输路径优化模块、流转追踪模块、责任分析与监控模块、实时上报与决策支持模块;
所述图像捕获模块基于仓库关键节点处的监控摄像头,采用实时光流跟踪技术,捕捉移动货物的图像数据流,生成实时货物运动图像数据流;
所述损坏检测模块基于实时货物运动图像数据流,采用快速响应卷积神经网络算法,识别包装损坏特征并进行分类,生成损坏包装检测报告;
所述损坏等级判定模块基于损坏包装检测报告,采用层次聚类算法AGNES,对损坏特征进行分析并判断损坏等级,生成损坏等级判定;
所述包装处理决策模块基于损坏等级判定,采用贝叶斯决策树算法,制定多个损坏包装的处理策略,生成包装处理决策;
所述运输路径优化模块基于包装处理决策,采用Dijkstra算法,进行包装的物流路径优化,生成优化后的运输路径;
所述流转追踪模块基于优化后的运输路径,采用实时追踪射频识别技术,获取多个关键节点的包装流转情况,生成包装流转追踪记录;
所述责任分析与监控模块基于包装流转追踪记录,采用关联规则学习Apriori算法,分析损坏原因和责任人员,生成责任分析与监控机制;
所述实时上报与决策支持模块基于责任分析与监控机制,采用分布式账本技术和物联网平台集成,创建实时监控和上报机制,生成实时监控与决策支持功能。
与现有技术相比,本发明的优点和积极效果在于:
本发明中,通过结合先进的图像处理技术如光流法分析和快速响应卷积神经网络,有效地实现了对货物运动的高效实时监测以及对损坏包装的精确识别和分类,尤其在快速和密集的物流环境中,大幅提升了损坏识别的自动化水平和准确性,此外,层次聚类算法和基于概率的分析工具,为损坏包装提供了细致的等级判定和针对性处理策略,不仅提高了损坏处理的效率,还增强了包装处理流程的适应性和灵活性,在物流路径优化方面,利用Dijkstra算法结合实时追踪技术,实现了包装流转路径的高效规划和精确记录,不仅提升了物流操作的速度和精确性,还有效减少了由于非最优路径选择导致的时间和资源浪费,通过集成Apriori算法、分布式账本技术及物联网平台,建立了一套先进的数据分析和决策支持机制,优化了对损坏事件的管理和责任追踪,还提高了整体运营决策的速度和准确性,因此,本发明在提升损坏识别准确性、优化物流路径、提高物流效率和增强决策支持等方面带来了显著的进步,为药品仓储中心的包装追踪带来了实质性的改进和效益。
附图说明
图1为本发明的用于药品仓储中心的包装追踪方法的流程示意图;
图2为本发明的步骤S1细化流程图;
图3为本发明的步骤S2细化流程图;
图4为本发明的步骤S3细化流程图;
图5为本发明的步骤S4细化流程图;
图6为本发明的步骤S5细化流程图;
图7为本发明的步骤S6细化流程图;
图8为本发明的步骤S7细化流程图;
图9为本发明的用于药品仓储中心的包装追踪系统的模块示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。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。
在本发明的描述中,需要理解的是,术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
实施例
请参阅图1,本发明提供一种技术方案:一种用于药品仓储中心的包装追踪方法,包括以下步骤:
S1:基于仓库关键节点处的监控摄像头,采用光流法分析算法,捕捉货物运动,实时捕获图像数据流并进行帧提取操作,生成实时的货物图像库;
S2:基于实时的货物图像库,采用快速响应卷积神经网络算法,识别包装损坏特征并分类,生成损坏包装检测报告;
S3:基于损坏包装检测报告,采用层次聚类算法,对损坏特征进行分析,并判断损坏等级,生成损坏等级判定;
S4:基于损坏等级判定,采用基于概率的决策树分析,制定多个损坏包装的处理策略,生成包装处理决策;
S5:基于包装处理决策,采用Dijkstra算法,进行包装的物流路径优化,生成优化后的运输路径;
S6:在包装沿优化后的运输路径移动时,采用实时追踪射频识别技术,获取多个关键节点的包装流转情况,生成包装流转追踪记录;
S7:基于包装流转追踪记录,采用Apriori算法,分析损坏原因和责任人员,结合优化后的运输路径,采用分布式账本技术和物联网平台的集成,生成实时监控和上报机制;
实时的货物图像库具体为由关键帧组成的图像数据集合,损坏包装检测报告包括损坏特征的图像,损坏类型数量、严重程度评估,包装处理决策包括维修、退回、报废的决策路径,优化后的运输路径具体为从当前位置到指定处理区域的合理路径选择,包装流转追踪记录具体为动态更新的日志、包装从起点到终点的位置和时间戳,实时监控和上报机制包括实时监控数据展示、自动上报损坏事件、责任追踪的决策支持。
通过监控摄像头和光流法分析算法,实时捕获货物图像数据,构建了实时货物图像库,有助于仓储管理人员迅速了解货物的位置和状态,提高了库存的可视性,对于追踪特定批次的药品、预测库存需求以及减少货物丢失或损坏非常重要。
采用快速响应卷积神经网络算法进行实时图像分析,识别包装损坏特征并分类,生成损坏包装检测报告,有助于及时发现和处理损坏的包装,减少了因损坏而导致的药品品质问题和安全隐患。
通过层次聚类算法对损坏特征进行分析,并判断损坏等级,生成损坏等级判定,有助于仓储管理人员优先处理高等级损坏的包装,减少了潜在的药品质量风险。
基于损坏等级判定制定多个损坏包装的处理策略,如维修、退回、报废的决策路径,提供了灵活的决策支持,使仓储管理人员能够根据具体情况采取合适的行动,降低了药品浪费。
通过Dijkstra算法进行包装的物流路径优化,生成优化后的运输路径,有助于降低运输成本和时间,这有益于提高物流效率,确保药品及时送达目的地。
采用实时追踪射频识别技术记录包装流转情况,生成包装流转追踪记录,有助于全面了解包装的历史轨迹,包括位置和时间戳,这为责任追踪提供了坚实的数据基础,有助于减少药品流失和责任纠纷。
采用Apriori算法分析损坏原因和责任人员,并结合分布式账本技术和物联网平台的集成,生成实时监控和上报机制,这有助于实现高效的责任追踪和损坏事件的及时通知,进一步提高了仓储中心的运作透明度和安全性。
请参阅图2,基于仓库关键节点处的监控摄像头,采用光流法分析算法,捕捉货物运动,实时捕获图像数据流并进行帧提取操作,生成实时的货物图像库的具体步骤为:
S101:基于仓库关键节点处的监控摄像头,采用实时光流跟踪技术捕捉移动货物的图像数据流,生成实时货物运动图像数据流;
S102:基于实时货物运动图像数据流,采用动态背景减除算法提取运动货物的关键帧,生成货物运动关键帧数据;
S103:基于货物运动关键帧数据,采用帧差分法进行动态特征提取,识别和隔离运动的货物图像,生成运动货物特征帧集;
S104:基于运动货物特征帧集,采用图像质量增强技术,进行图像优化处理,生成实时的货物图像库。
在S101步骤中,通过仓库关键节点处的监控摄像头,使用实时光流跟踪技术,捕捉到移动货物的图像数据流。关键在于使用监控摄像头捕获实时图像,然后应用光流法分析算法来检测图像中运动物体的位置和运动方向,从而生成实时货物运动图像数据流。
在S102步骤中,通过分析实时货物运动图像数据流,采用动态背景减除算法,提取运动货物的关键帧。有助于将注意力集中在运动的货物上,将其与背景分离出来,生成货物运动关键帧数据,以便后续处理。
在S103步骤中,基于货物运动关键帧数据,使用帧差分法进行动态特征提取。这意味着通过比较相邻关键帧之间的差异,识别并隔离出运动的货物图像。这些被提取出来的图像帧被组成运动货物特征帧集,以供后续处理使用。
在S104步骤中,基于运动货物特征帧集,采用图像质量增强技术进行图像优化处理。目的是提高运动货物图像的质量,以确保后续的分析和识别能够在高质量的图像数据上进行。通过应用图像质量增强技术,生成实时的货物图像库,为仓储管理提供了清晰、准确的图像数据,以便进一步的分析和监控。
请参阅图3,基于实时的货物图像库,采用快速响应卷积神经网络算法,识别包装损坏特征并分类,生成损坏包装检测报告的具体步骤为:
S201:基于实时的货物图像库,采用快速响应卷积神经网络算法,进行特征学习和对象检测,生成特征映射集;
S202:基于特征映射集,采用区域建议网络定位损坏区域,生成损坏区域提案集;
S203:基于损坏区域提案集,采用双路径网络分析,执行包装损坏特征的分类及边界框的定位,生成分类及定位细化数据;
S204:基于分类及定位细化数据,采用非极大值抑制方法,筛选最终的损坏特征检测结果,生成损坏包装检测报告。
在S201步骤中,基于实时的货物图像库,采用快速响应卷积神经网络算法,进行特征学习和对象检测。关键在于使用卷积神经网络对图像进行特征提取和目标检测,以学习货物图像中的特征信息。通过训练网络,生成特征映射集,其中包含了图像中各种特征的信息。
在S202步骤中,基于特征映射集,采用区域建议网络定位损坏区域。目的是确定图像中可能包含损坏特征的区域,并生成损坏区域提案集。区域建议网络能够提供有关可能包含损坏特征的区域的建议,从而减少后续分析的计算量。
在S203步骤中,基于损坏区域提案集,采用双路径网络分析,执行包装损坏特征的分类及边界框的定位。通过双路径网络结合分类和回归任务,对损坏区域中的损坏特征进行分类,并精确定位其边界框。生成分类及定位细化数据,其中包括了损坏特征的类别信息和其在图像中的具体位置。
在S204步骤中,基于分类及定位细化数据,采用非极大值抑制方法,筛选最终的损坏特征检测结果,生成损坏包装检测报告。非极大值抑制方法用于去除重叠的检测结果,确保最终的报告中每个损坏特征只被计数一次。生成的检测报告包括了损坏特征的数量、位置信息以及其分类结果,为仓储管理人员提供了详细的损坏包装信息。
请参阅图4,基于损坏包装检测报告,采用层次聚类算法,对损坏特征进行分析,并判断损坏等级,生成损坏等级判定的具体步骤为:
S301:基于损坏包装检测报告,采用AGNES算法,对损坏特征进行初步聚类分析,生成初步损坏特征聚类集;
S302:基于初步损坏特征聚类集,采用邻接矩阵构建聚类树,揭示损坏特征之间的层次关系,生成损坏特征聚类树;
S303:基于损坏特征聚类树,采用Cophenetic相关系数,评价聚类质量,并优化聚类结果,生成优化后的损坏特征聚类集;
S304:基于优化后的损坏特征聚类集,采用判别分析法,判断损坏的等级和类型,生成损坏等级判定。
在S301步骤中,基于损坏包装检测报告,采用层次聚类算法进行初步聚类分析。层次聚类算法是一种自底向上的聚类方法,它首先将每个损坏特征视为一个单独的聚类,然后逐步合并相似的聚类,生成初步损坏特征聚类集。这一步骤有助于将相似的损坏特征进行分组,形成初始聚类。
在S302步骤中,基于初步损坏特征聚类集,采用邻接矩阵构建聚类树。这个聚类树揭示了损坏特征之间的层次关系,从具有最小差异的聚类开始,逐渐合并成更大的聚类。通过邻接矩阵和聚类树,可以更清晰地了解损坏特征的层次结构。
在S303步骤中,基于损坏特征聚类树,采用Cophenetic相关系数来评价聚类的质量,并对聚类结果进行优化。Cophenetic相关系数用于衡量聚类树中原始数据点之间的相似性与树中对应分支之间的相似性之间的关系。通过评估相关系数,可以选择合适的聚类水平,优化聚类结果,生成更具有代表性的损坏特征聚类集。
在S304步骤中,基于优化后的损坏特征聚类集,采用判别分析法,对损坏的等级和类型进行判断。判别分析法是一种统计方法,用于将数据点分类到已知类别中,这里用于将损坏特征划分到不同的损坏等级和类型中。这一步骤生成了损坏等级判定,为仓储管理人员提供了有关损坏包装的详细信息,以便采取适当的处理措施。
请参阅图5,基于损坏等级判定,采用基于概率的决策树分析,制定多个损坏包装的处理策略,生成包装处理决策的具体步骤为:
S401:基于损坏等级判定,采用贝叶斯决策树算法,分析多个损坏等级下的处理策略概率,生成策略概率分布报告;
S402:基于策略概率分布报告,采用期望最大化算法,进行概率分布参数优化,并估计多个处理策略的条件概率,生成优化后的处理策略概率;
S403:基于优化后的处理策略概率,采用概率敏感损失函数,选定在多概率下的决策路径,生成决策路径候选集;
S404:基于决策路径候选集,采用多准则决策分析方法,考虑成本、时间和资源优化制定最终决策,生成包装处理决策。
在S401步骤中,基于损坏等级判定,采用贝叶斯决策树算法,分析多个损坏等级下的处理策略概率,生成策略概率分布报告。贝叶斯决策树是一种用于建模不确定性和概率的决策树方法,用于确定不同损坏等级下每种处理策略的概率分布。有助于量化不同处理策略的可能性。
在S402步骤中,基于策略概率分布报告,采用期望最大化算法,进行概率分布参数优化,并估计多个处理策略的条件概率,生成优化后的处理策略概率。期望最大化算法用于最大化观测数据的似然函数,从而优化概率分布的参数。有助于更准确地估计不同处理策略在不同损坏等级下的条件概率。
在S403步骤中,基于优化后的处理策略概率,采用概率敏感损失函数,选定在多概率下的决策路径,生成决策路径候选集。概率敏感损失函数考虑了不同概率下的损失,帮助确定最合适的决策路径。有助于为每个概率分布下选择最优的决策路径。
在S404步骤中,基于决策路径候选集,采用多准则决策分析方法,考虑成本、时间和资源等因素,制定最终决策,生成包装处理决策。多准则决策分析方法将不同决策路径的优劣综合考虑,以确保最终的包装处理决策是全面而权衡的。有助于为不同损坏等级和概率下选择最合适的处理策略,以最大程度地优化仓储管理的效率和资源利用。
请参阅图6,基于包装处理决策,采用Dijkstra算法,进行包装的物流路径优化,生成优化后的运输路径的具体步骤为:
S501:基于包装处理决策,采用Dijkstra算法,计算从当前位置到目的地的合适路径,生成初步运输路径图;
S502:基于初步运输路径图,采用流量分析和调整方法,结合仓库内物流拥堵和资源分配情况,生成负载均衡运输路径;
S503:基于负载均衡运输路径,采用模拟退火算法进行成本和效率分析,优化路径选择,生成成本效率优化路径;
S504:基于成本效率优化路径,采用网络流算法,对路径的流动性进行优化,生成优化后的运输路径。
在S501步骤中,基于包装处理决策,采用Dijkstra算法,计算从当前位置到目的地的合适路径,生成初步运输路径图。Dijkstra算法是一种用于计算最短路径的算法,它从起点开始,逐步确定到达各个节点的最短路径。在这一步骤中,算法会考虑不同路径的距离和条件,以生成初步的运输路径图,显示了从当前位置到目的地的可能路径。
在S502步骤中,基于初步运输路径图,采用流量分析和调整方法,结合仓库内物流拥堵和资源分配情况,生成负载均衡运输路径。这一步骤的目的是确保在运输过程中,物流流量在仓库内均衡分配,以避免拥堵和资源浪费。路径可能会经过多个节点和资源,需要进行适当的调整以实现负载均衡。
在S503步骤中,基于负载均衡运输路径,采用模拟退火算法进行成本和效率分析,优化路径选择,生成成本效率优化路径。模拟退火算法是一种启发式优化算法,用于找到路径的最优解。在这一步骤中,算法会考虑成本和效率因素,尝试不同的路径组合,并通过模拟退火过程来逐步优化路径选择,以使成本最小化或效率最大化。
在S504步骤中,基于成本效率优化路径,采用网络流算法,对路径的流动性进行优化,生成优化后的运输路径。网络流算法用于调整路径中的流量分配,以确保货物在运输过程中的顺畅流动。有助于进一步优化路径,以确保货物按照最佳方式从起点到目的地,最大程度地减少时间和资源的浪费。
请参阅图7,在包装沿优化后的运输路径移动时,采用实时追踪射频识别技术,获取多个关键节点的包装流转情况,生成包装流转追踪记录的具体步骤为:
S601:基于优化后的运输路径,将射频识别标签配置于包装上,生成包装RFID标签数据;
S602:基于包装RFID标签数据,获取与包装关联的多个关键节点的标签数据,多个关键节点的标签数据用于表征包装的流转情况,生成节点包装识别记录;
S603:基于节点包装识别记录,采用数据融合技术,整合来自多个关键节点的数据,生成融合流转数据集;
S604:基于融合流转数据集,采用事件驱动架构,在包装流转状态发生变更时生成实时更新,生成包装流转追踪记录。
在S601步骤中,基于优化后的运输路径,将射频识别标签配置于包装上,生成包装RFID标签数据。这一步骤涉及将RFID标签与每个包装物品相关联,以便在整个运输过程中对其进行跟踪。每个标签包含唯一的标识信息,以便在后续步骤中识别包装物品。
在S602步骤中,基于包装RFID标签数据,采用无线信号捕获技术,在多个关键节点上捕获标签数据,生成节点包装识别记录。这些关键节点通常位于运输路径上的重要位置,例如仓库入口、出口、中转站等。通过捕获标签数据,可以确定包装物品在不同节点的位置和状态。
在S603步骤中,基于节点包装识别记录,采用数据融合技术,整合来自多个节点的数据,生成融合流转数据集。数据融合涉及将来自不同节点的识别记录整合成一个统一的数据集,以便在后续分析中使用。有助于综合了解包装物品的完整流转情况。
在S604步骤中,基于融合流转数据集,采用事件驱动架构,在包装流转状态发生变更时生成实时更新,生成包装流转追踪记录。事件驱动架构用于监控融合流转数据集中的变更,例如包装物品到达或离开一个关键节点。当发生状态变更时,系统会生成实时更新,记录包装物品的最新流转情况,形成包装流转追踪记录。
请参阅图8,基于包装流转追踪记录,采用Apriori算法,分析损坏原因和责任人员,结合优化后的运输路径,采用分布式账本技术和物联网平台的集成,生成实时监控和上报机制的具体步骤为:
S701:基于包装流转追踪记录,采用关联规则学习Apriori算法,分析包装损坏点与责任人员的潜在联系,生成责任人员初步关联分析数据;
S702:基于责任人员初步关联分析数据,采用Q学习方法,进行数据优化处理,生成优化后的责任归属数据;
S703:基于优化后的责任归属数据,采用数据驱动的分析决策方法进行综合判定,生成责任追踪报告;
S704:基于责任追踪报告,再结合优化后的运输路径的信息,采用分布式账本技术和物联网平台集成,生成实时监控和上报机制。
在S701步骤中,基于包装流转追踪记录,采用关联规则学习Apriori算法,进行包装损坏点与责任人员的潜在联系分析。Apriori算法用于挖掘数据中的关联规则,这里用于发现包装损坏与责任人员之间的潜在联系。在这一步骤中,算法会生成责任人员初步关联分析数据,显示了不同责任人员与损坏事件的关联情况。
在S702步骤中,基于责任人员初步关联分析数据,采用Q学习方法,进行数据优化处理。Q学习是一种强化学习方法,用于通过学习和优化来改进决策过程。在这一步骤中,Q学习方法用于进一步优化责任人员的归属,以便更准确地确定责任人员与损坏事件的关系。这有助于生成更可信的责任归属数据。
在S703步骤中,基于优化后的责任归属数据,采用数据驱动的分析决策方法进行综合判定。考虑了损坏原因和责任人员之间的关系,并综合考虑其他相关因素,以生成责任追踪报告。责任追踪报告提供了关于损坏原因和责任人员的详细信息,为仓储管理人员提供了有价值的见解。
最后,在S704步骤中,基于责任追踪报告,再结合优化后的运输路径的信息,采用分布式账本技术和物联网平台的集成,生成实时监控和上报机制。分布式账本技术用于确保责任追踪数据的安全和不可篡改性,而物联网平台用于实时监控损坏事件和责任归属。有助于建立全面的监控和上报系统,以便管理人员可以随时了解包装流转情况,采取必要的措施。
请参阅图9,一种用于药品仓储中心的包装追踪系统,用于药品仓储中心的包装追踪系统用于执行上述用于药品仓储中心的包装追踪方法,系统包括图像捕获模块、损坏检测模块、损坏等级判定模块、包装处理决策模块、运输路径优化模块、流转追踪模块、责任分析与监控模块、实时上报与决策支持模块;
图像捕获模块基于仓库关键节点处的监控摄像头,采用实时光流跟踪技术,捕捉移动货物的图像数据流,生成实时货物运动图像数据流;
损坏检测模块基于实时货物运动图像数据流,采用快速响应卷积神经网络算法,识别包装损坏特征并进行分类,生成损坏包装检测报告;
损坏等级判定模块基于损坏包装检测报告,采用层次聚类算法AGNES,对损坏特征进行分析并判断损坏等级,生成损坏等级判定;
包装处理决策模块基于损坏等级判定,采用贝叶斯决策树算法,制定多个损坏包装的处理策略,生成包装处理决策;
运输路径优化模块基于包装处理决策,采用Dijkstra算法,进行包装的物流路径优化,生成优化后的运输路径;
流转追踪模块基于优化后的运输路径,采用实时追踪射频识别技术,获取多个关键节点的包装流转情况,生成包装流转追踪记录;
责任分析与监控模块基于包装流转追踪记录,采用关联规则学习Apriori算法,分析损坏原因和责任人员,生成责任分析与监控机制;
实时上报与决策支持模块基于责任分析与监控机制,采用分布式账本技术和物联网平台集成,创建实时监控和上报机制,生成实时监控与决策支持功能。
系统通过图像捕获模块和损坏检测模块,能够实时监测和识别包装损坏特征。有助于药品仓储中心迅速发现损坏包装,减少可能对药品质量和安全性造成的潜在威胁。准确的损坏检测还可以减少不必要的损失和浪费。
通过损坏等级判定模块和包装处理决策模块,系统可以根据损坏等级制定不同的处理策略。这使仓储中心能够更有针对性地处理损坏包装,例如维修、退回或报废,从而最大程度地降低药品仓储成本,并确保产品质量和安全。
运输路径优化模块通过Dijkstra算法优化运输路径,有助于降低药品仓储中心的物流成本和时间,提高药品的交付效率。优化后的运输路径可以更好地规划货物的运输,减少拥堵和资源浪费。
流转追踪模块采用实时射频识别技术,能够准确追踪包装在不同节点的流转情况。这使仓储中心能够实时监控包装的位置和状态,确保包装物品按照计划的路径进行流转。这有助于提高药品仓储的可追溯性和管理效率。
责任分析与监控模块通过关联规则学习Apriori算法,有助于分析损坏原因和责任人员之间的关系。这使得仓储中心能够更好地追踪责任,防止损坏事件的再次发生。同时,实时上报与决策支持模块通过分布式账本技术和物联网平台,确保责任追踪数据的安全性和不可篡改性,并为管理人员提供实时监控和决策支持功能,使其能够快速采取必要的措施。
以上,仅是本发明的较佳实施例而已,并非对本发明作其他形式的限制,任何熟悉本专业的技术人员可能采用上述揭示的技术内容加以变更或改型为等同变化的等效实施例采用于其他领域,但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (7)
1.一种用于药品仓储中心的包装追踪方法,其特征在于,包括以下步骤:
基于仓库关键节点处的监控摄像头,采用光流法分析算法,捕捉货物运动,实时捕获图像数据流并进行帧提取操作,生成实时的货物图像库;
基于所述实时的货物图像库,采用快速响应卷积神经网络算法,识别包装损坏特征并分类,生成损坏包装检测报告;
基于所述损坏包装检测报告,采用层次聚类算法,对损坏特征进行分析,并判断损坏等级,生成损坏等级判定;
基于所述损坏等级判定,采用基于概率的决策树分析,制定多个损坏包装的处理策略,生成包装处理决策;
基于所述包装处理决策,采用Dijkstra算法,进行包装的物流路径优化,生成优化后的运输路径的具体步骤为:
基于所述包装处理决策,采用Dijkstra算法,计算从当前位置到目的地的合适路径,生成初步运输路径图;
基于所述初步运输路径图,采用流量分析和调整方法,结合仓库内物流拥堵和资源分配情况,生成负载均衡运输路径;
基于所述负载均衡运输路径,采用模拟退火算法进行成本和效率分析,优化路径选择,生成成本效率优化路径;
基于所述成本效率优化路径,采用网络流算法,对路径的流动性进行优化,生成优化后的运输路径;
在包装沿所述优化后的运输路径移动时,采用实时追踪射频识别技术,获取多个关键节点的包装流转情况,生成包装流转追踪记录;
基于所述包装流转追踪记录,采用Apriori算法,分析损坏原因和责任人员,结合优化后的运输路径,采用分布式账本技术和物联网平台的集成,生成实时监控和上报机制的具体步骤为:
基于所述包装流转追踪记录,采用关联规则学习Apriori算法,分析包装损坏点与责任人员的潜在联系,生成责任人员初步关联分析数据;
基于所述责任人员初步关联分析数据,采用Q学习方法,进行数据优化处理,生成优化后的责任归属数据;
基于所述优化后的责任归属数据,采用数据驱动的分析决策方法进行综合判定,生成责任追踪报告;
基于所述责任追踪报告,再结合所述优化后的运输路径的信息,采用分布式账本技术和物联网平台集成,生成实时监控和上报机制;
所述实时的货物图像库具体为由关键帧组成的图像数据集合,所述损坏包装检测报告包括损坏特征的图像,损坏类型数量、严重程度评估,所述包装处理决策包括维修、退回、报废的决策路径,所述优化后的运输路径具体为从当前位置到指定处理区域的合理路径选择,所述包装流转追踪记录具体为动态更新的日志、包装从起点到终点的位置和时间戳,所述实时监控和上报机制包括实时监控数据展示、自动上报损坏事件、责任追踪的决策支持。
2.根据权利要求1所述的用于药品仓储中心的包装追踪方法,其特征在于,基于仓库关键节点处的监控摄像头,采用光流法分析算法,捕捉货物运动,实时捕获图像数据流并进行帧提取操作,生成实时的货物图像库的具体步骤为:
基于仓库关键节点处的监控摄像头,采用实时光流跟踪技术捕捉移动货物的图像数据流,生成实时货物运动图像数据流;
基于所述实时货物运动图像数据流,采用动态背景减除算法提取运动货物的关键帧,生成货物运动关键帧数据;
基于所述货物运动关键帧数据,采用帧差分法进行动态特征提取,识别和隔离运动的货物图像,生成运动货物特征帧集;
基于所述运动货物特征帧集,采用图像质量增强技术,进行图像优化处理,生成实时的货物图像库。
3.根据权利要求1所述的用于药品仓储中心的包装追踪方法,其特征在于,基于所述实时的货物图像库,采用快速响应卷积神经网络算法,识别包装损坏特征并分类,生成损坏包装检测报告的具体步骤为:
基于所述实时的货物图像库,采用快速响应卷积神经网络算法,进行特征学习和对象检测,生成特征映射集;
基于所述特征映射集,采用区域建议网络定位损坏区域,生成损坏区域提案集;
基于所述损坏区域提案集,采用双路径网络分析,执行包装损坏特征的分类及边界框的定位,生成分类及定位细化数据;
基于所述分类及定位细化数据,采用非极大值抑制方法,筛选最终的损坏特征检测结果,生成损坏包装检测报告。
4.根据权利要求1所述的用于药品仓储中心的包装追踪方法,其特征在于,基于所述损坏包装检测报告,采用层次聚类算法,对损坏特征进行分析,并判断损坏等级,生成损坏等级判定的具体步骤为:
基于所述损坏包装检测报告,采用AGNES算法,对损坏特征进行初步聚类分析,生成初步损坏特征聚类集;
基于所述初步损坏特征聚类集,采用邻接矩阵构建聚类树,揭示损坏特征之间的层次关系,生成损坏特征聚类树;
基于所述损坏特征聚类树,采用Cophenetic相关系数,评价聚类质量,并优化聚类结果,生成优化后的损坏特征聚类集;
基于所述优化后的损坏特征聚类集,采用判别分析法,判断损坏的等级和类型,生成损坏等级判定。
5.根据权利要求1所述的用于药品仓储中心的包装追踪方法,其特征在于,基于所述损坏等级判定,采用基于概率的决策树分析,制定多个损坏包装的处理策略,生成包装处理决策的具体步骤为:
基于所述损坏等级判定,采用贝叶斯决策树算法,分析多个损坏等级下的处理策略概率,生成策略概率分布报告;
基于所述策略概率分布报告,采用期望最大化算法,进行概率分布参数优化,并估计多个处理策略的条件概率,生成优化后的处理策略概率;
基于所述优化后的处理策略概率,采用概率敏感损失函数,选定在多概率下的决策路径,生成决策路径候选集;
基于所述决策路径候选集,采用多准则决策分析方法,考虑成本、时间和资源优化制定最终决策,生成包装处理决策。
6.根据权利要求1所述的用于药品仓储中心的包装追踪方法,其特征在于,在包装沿所述优化后的运输路径移动时,采用实时追踪射频识别技术,获取多个关键节点的包装流转情况,生成包装流转追踪记录的具体步骤为:
基于所述优化后的运输路径,将射频识别标签配置于包装上,生成包装RFID标签数据;
基于所述包装RFID标签数据,获取与包装关联的多个关键节点的标签数据,所述多个关键节点的标签数据用于表征包装的流转情况,生成节点包装识别记录;
基于所述节点包装识别记录,采用数据融合技术,整合来自多个关键节点的数据,生成融合流转数据集;
基于所述融合流转数据集,采用事件驱动架构,在包装流转状态发生变更时生成实时更新,生成包装流转追踪记录。
7.一种用于药品仓储中心的包装追踪系统,其特征在于,实现权利要求1-6任一项所述的用于药品仓储中心的包装追踪方法,所述系统包括图像捕获模块、损坏检测模块、损坏等级判定模块、包装处理决策模块、运输路径优化模块、流转追踪模块、责任分析与监控模块、实时上报与决策支持模块;
所述图像捕获模块基于仓库关键节点处的监控摄像头,采用实时光流跟踪技术,捕捉移动货物的图像数据流,生成实时货物运动图像数据流;
所述损坏检测模块基于实时货物运动图像数据流,采用快速响应卷积神经网络算法,识别包装损坏特征并进行分类,生成损坏包装检测报告;
所述损坏等级判定模块基于损坏包装检测报告,采用层次聚类算法AGNES,对损坏特征进行分析并判断损坏等级,生成损坏等级判定;
所述包装处理决策模块基于损坏等级判定,采用贝叶斯决策树算法,制定多个损坏包装的处理策略,生成包装处理决策;
所述运输路径优化模块基于包装处理决策,采用Dijkstra算法,进行包装的物流路径优化,生成优化后的运输路径;
所述流转追踪模块基于优化后的运输路径,采用实时追踪射频识别技术,获取多个关键节点的包装流转情况,生成包装流转追踪记录;
所述责任分析与监控模块基于包装流转追踪记录,采用关联规则学习Apriori算法,分析损坏原因和责任人员,生成责任分析与监控机制;
所述实时上报与决策支持模块基于责任分析与监控机制,采用分布式账本技术和物联网平台集成,创建实时监控和上报机制,生成实时监控与决策支持功能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311763642.2A CN117455346B (zh) | 2023-12-21 | 2023-12-21 | 一种用于药品仓储中心的包装追踪方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311763642.2A CN117455346B (zh) | 2023-12-21 | 2023-12-21 | 一种用于药品仓储中心的包装追踪方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117455346A CN117455346A (zh) | 2024-01-26 |
CN117455346B true CN117455346B (zh) | 2024-04-09 |
Family
ID=89591248
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311763642.2A Active CN117455346B (zh) | 2023-12-21 | 2023-12-21 | 一种用于药品仓储中心的包装追踪方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117455346B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102117445A (zh) * | 2011-02-23 | 2011-07-06 | 电子科技大学 | 一种物流管理中货物实时监控的方法 |
WO2014178055A1 (en) * | 2013-05-01 | 2014-11-06 | G-Ils Transportation Ltd | A real time decision making method optimization route and pricing engine for freight transportation (cargo) |
CN107491908A (zh) * | 2016-06-13 | 2017-12-19 | 阿里巴巴集团控股有限公司 | 货物监控方法、设备及系统 |
CN110472915A (zh) * | 2019-08-19 | 2019-11-19 | 上海木木机器人技术有限公司 | 一种货物的运输管理方法及系统 |
CN112668962A (zh) * | 2020-12-18 | 2021-04-16 | 重庆电子工程职业学院 | 一种基于5g网络的物流系统 |
CN115271593A (zh) * | 2022-07-26 | 2022-11-01 | 厦门贝尔斯特科技有限公司 | 一种仓库用智能收退货系统 |
CN115593844A (zh) * | 2022-10-18 | 2023-01-13 | 百琪物流科技有限公司(Cn) | 一种智能仓储的出入库管理方法 |
CN116704429A (zh) * | 2023-05-10 | 2023-09-05 | 河北辰百生信息科技有限公司 | 基于大数据分析的智能处理方法 |
CN117217662A (zh) * | 2023-09-13 | 2023-12-12 | 义乌保税物流中心有限公司 | 一种仓库物流管理系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040181310A1 (en) * | 2003-02-10 | 2004-09-16 | Stashluk Edward J. | Merchandise return system with value added returns processing (data communications) |
-
2023
- 2023-12-21 CN CN202311763642.2A patent/CN117455346B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102117445A (zh) * | 2011-02-23 | 2011-07-06 | 电子科技大学 | 一种物流管理中货物实时监控的方法 |
WO2014178055A1 (en) * | 2013-05-01 | 2014-11-06 | G-Ils Transportation Ltd | A real time decision making method optimization route and pricing engine for freight transportation (cargo) |
CN107491908A (zh) * | 2016-06-13 | 2017-12-19 | 阿里巴巴集团控股有限公司 | 货物监控方法、设备及系统 |
CN110472915A (zh) * | 2019-08-19 | 2019-11-19 | 上海木木机器人技术有限公司 | 一种货物的运输管理方法及系统 |
CN112668962A (zh) * | 2020-12-18 | 2021-04-16 | 重庆电子工程职业学院 | 一种基于5g网络的物流系统 |
CN115271593A (zh) * | 2022-07-26 | 2022-11-01 | 厦门贝尔斯特科技有限公司 | 一种仓库用智能收退货系统 |
CN115593844A (zh) * | 2022-10-18 | 2023-01-13 | 百琪物流科技有限公司(Cn) | 一种智能仓储的出入库管理方法 |
CN116704429A (zh) * | 2023-05-10 | 2023-09-05 | 河北辰百生信息科技有限公司 | 基于大数据分析的智能处理方法 |
CN117217662A (zh) * | 2023-09-13 | 2023-12-12 | 义乌保税物流中心有限公司 | 一种仓库物流管理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117455346A (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220297940A1 (en) | Systems and methods for learning to extrapolate optimal object routing and handling parameters | |
US10984378B1 (en) | Profiling pallets and goods in a warehouse environment | |
CN107617573B (zh) | 一种基于多任务深度学习的物流编码识别和分拣方法 | |
CN108416412B (zh) | 一种基于多任务深度学习的物流复合码识别方法 | |
US10229385B2 (en) | Free location item and storage retrieval | |
Altuntas et al. | Analysis of patent documents with weighted association rules | |
US11443277B2 (en) | System and method for identifying object information in image or video data | |
US20220391796A1 (en) | System and Method for Mapping Risks in a Warehouse Environment | |
US20210374659A1 (en) | Real Time Event Tracking and Digitization for Warehouse Inventory Management | |
CN101133425A (zh) | 利用标签读取的数据结构来跟踪id标签的系统和方法 | |
US11875570B1 (en) | Updating agent position information | |
CN114331284A (zh) | 一种基于云计算的智能仓储服务管理系统 | |
CN111056258B (zh) | 一种智能调整传送带的方法和装置 | |
Sinha et al. | An improved deep learning approach for product recognition on racks in retail stores | |
Liu et al. | Artificial intelligence in smart logistics cyber-physical systems: State-of-the-arts and potential applications | |
US20220051175A1 (en) | System and Method for Mapping Risks in a Warehouse Environment | |
CN117455346B (zh) | 一种用于药品仓储中心的包装追踪方法及系统 | |
US20220113384A1 (en) | LiDAR BASED MONITORING IN MATERIAL HANDLING ENVIRONMENT | |
KR20210122429A (ko) | 영상 딥러닝을 이용한 ai 기반 화장품 용기 인쇄 제조 공정에서의 자동 결함 탐지 방법 및 시스템 | |
Castano-Amoros et al. | MOSPPA: monitoring system for palletised packaging recognition and tracking | |
Poss et al. | Robust framework for intelligent gripping point detection | |
SCHAEFER | Artificial intelligence in logistics | |
US20220270229A1 (en) | Automated detection of carton damage | |
ZAINUDDIN et al. | A systematic review on flexibility enablers in logistics survivability | |
CN114291482B (zh) | 在物料搬运环境中的基于LiDAR的监测 |
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 |