CN117622757A - 网格式物流仓分拣信息处理方法、系统和存储介质 - Google Patents
网格式物流仓分拣信息处理方法、系统和存储介质 Download PDFInfo
- Publication number
- CN117622757A CN117622757A CN202311456073.7A CN202311456073A CN117622757A CN 117622757 A CN117622757 A CN 117622757A CN 202311456073 A CN202311456073 A CN 202311456073A CN 117622757 A CN117622757 A CN 117622757A
- Authority
- CN
- China
- Prior art keywords
- grid
- data
- logistics
- order
- information
- 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.)
- Pending
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 34
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000003672 processing method Methods 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 claims description 41
- 230000002159 abnormal effect Effects 0.000 claims description 30
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 20
- 238000009826 distribution Methods 0.000 claims description 14
- 238000004140 cleaning Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 230000005856 abnormality Effects 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 5
- 230000002779 inactivation Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000007726 management method Methods 0.000 description 14
- 238000001514 detection method Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 239000000047 product Substances 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 5
- 238000004806 packaging method and process Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000002759 z-score normalization Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000011449 brick Substances 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004570 mortar (masonry) Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000005022 packaging material Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供网格式物流仓分拣信息处理方法、系统和存储介质,包括步骤一:配置物流订单的落格方案;步骤二:获取需要分拣的各个物流订单的前置数据,将所述前置数据与所述落格方案进行匹配确定各个物流订单的落格口编号;步骤三:将各个物流订单的前置数据以及对应的落格口编号信息存储到关系型数据库管理系统中;步骤四:通过拍照的方式获得需要分拣的物流订单面单信息,将所述面单信息与关系型数据库管理系统进行匹配,调取该物流订单的落格口编号;步骤五:基于调取的所述物流订单的落格口编号发送PLC指令使物流订单对应的包裹落入到指定的格口内。本发明节省人工,使包裹的分拣管理,作业周期缩短,提高了物品分拣的效率和准确性。
Description
技术领域
本发明涉及物流订单分拣技术领域,具体为网格式物流仓分拣信息处理方法、系统和存储介质。
背景技术
分拣是物流配送中心依据顾客的订单要求或配送计划,迅速、准确地将商品从其储位或其他区位拣取出来,并按一定的方式进行分类、集中的作业过程。分拣是将物品按品种、出入库先后顺序进行分门别类地堆放的作业。分拣是完善送货、支持送货的准备性工作,是不同配送企业在送货时竞争和提高自身经济效益的必然延伸。物流分拣是人和机器的有效组合,最充分体现设备的灵活性,满足多品种产品的输送要求,极大的减轻了人们的劳动强度,提高了物流运作效率和服务质量,降低了物流成本,在物流作业中起着重要作用,极大的促进了物流的快速发展。
现有的物流分拣方法一般采用:手工分拣,这是最传统的分拣方法,工人根据货物的目标位置将其手动分拣到相应的区域或容器中。虽然这种方法简单且灵活,但速度较慢且容易产生错误;
传送带分拣系统,这种方法使用传送带将货物从输入端输送到分拣站点,在分拣站点上设置工人或自动装置,负责将货物按照目标位置进行分类分拣。这样可以提高分拣效率和准确性;但是自动化程度低,对人工依赖较大
自动化分拣设备,现代物流仓库通常采用各种自动化设备来进行分拣,如机器人、自动导航小车(AGV)、传感器等。这些设备能够根据预先设置的规则和算法,自主地将货物从输入端分拣到相应的目标位置,这种通过传感器以及AGV的方式完成分拣的虽然自动化程度高,但是成本高。
发明内容
针对现有技术存在的不足,本发明目的是提供网格式物流仓分拣信息处理方法、系统和存储介质,可以解决现有的现有的物流分拣大多依靠人工进行分拣,不够智能化,效率低问题。
为了实现上述目的,本发明是技术方案如下:
本发明是通过如下的技术方案来实现:本发明提供网格式物流仓分拣信息处理方法,包括以下步骤:
步骤一:配置物流订单的落格方案;
步骤二:获取需要分拣的各个物流订单的前置数据,将所述前置数据与所述落格方案进行匹配确定各个物流订单的落格口编号;
步骤三:将各个物流订单的前置数据以及对应的落格口编号信息存储到关系型数据库管理系统中;
步骤四:通过拍照的方式获得需要分拣的物流订单面单信息,将所述面单信息与关系型数据库管理系统进行匹配,调取该物流订单的落格口编号;
步骤五:基于调取的所述物流订单的落格口编号发送PLC指令使物流订单对应的包裹落入到指定的格口内。
进一步的,所述落格方案包括集包方案和分拣方案;所述前置数据包括订单数据、地址归集数据、拦截数据和退回件数据。
进一步的,所述获取需要分拣的各个物流订单的前置数据,包括
通过直接接入或者调取的方式确定物流订单的前置数据;
对确定的前置数据进行清洗;
将清洗后的前置数据下载到本地以获得需要分拣的各个物流订单的前置数据。
进一步的,所述对确定的前置数据进行清洗,包括检查数据一致性、处理数据无效值和缺失值;
具体包括:将前置数据分为训练集和测试集;
对训练集进行标准化算法的归一化处理;
将归一化后的训练集feed_entX作为Informer模型的输入,计算训练模型的均方误差作为损失函数;
采用ADAM优化算法,进行模型训练与优化,并设置随机失活层;
用Informer模型对测试集预测其滑动窗口区间内的数值,判断真实值是否符合其滑窗内预测值的分布来检测数据是否异常,根据经验来确定k值;
结合异常点的连续性,判别异常数据类型与设备异常时刻;
将异常数据中的噪声数据用预测值替换,形成正常数据集入库。
进一步的,所述通过拍照的方式获得需要分拣的物流订单面单信息,包括:
将物流包裹的面单朝上,置于供件台上;
利用相机对面单进行拍摄;
对拍摄的图像进行处理以获得物流订单面单信息。
进一步的,所述对拍摄的图像进行处理以获得物流订单面单信息,包括
对获得的图像进行灰度化处理;
通过YOLO算法在所述图像的多个位置上回归出目标边框以及目标类别;
根据回归出的目标边框以及目标类别确定出订单面单信息。
进一步的,还包括判断基于落格口编号发送PLC指令使物流订单对应的包裹落入到指定的格口内是否存在异常;
若是,则落回流格;
若否,则落正常指定的格口内。
本发明还提供一种网格式物流仓分拣信息处理系统,包括
输入单元,所述输入单元用于配置物流订单的落格方案;
信息获取单元,所述信息获取单元用于获取需要分拣的各个物流订单的前置数据;
相机,所述相机用于通过拍照的方式获得需要分拣的物流订单面单信息;
信息处理单元,所述信息处理单元连接信息获取单元、输入单元和相机;所述信息处理单元用于将所述前置数据与所述落格方案进行匹配确定各个物流订单的落格口编号;将订单的前置数据以及对应的落格口编号信息存储到关系型数据库管理系统中;将所述面单信息与关系型数据库管理系统进行匹配,调取该物流订单的落格口编号;
PLC,所述PLC连接信息处理单元,所述PLC基于调取的所述物流订单的落格口编号发送PLC指令使物流订单对应的包裹落入到指定的格口内。
进一步的,所述信息处理单元,还包括用于判断基于落格口编号发送PLC指令使物流订单对应的包裹落入到指定的格口内是否存在异常;
若是,则落回流格;
若否,则落正常指定的格口内。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序存储有指令,所述指令在由一个或多于一个处理器执行时,使得所述一个或多于一个处理器进行上述中任一项所述的方法。
与现有技术相比,本发明的有益效果包括:
本发明通过取订单数据、地址归集数据、拦截、退回件数据等前置数据,对前置数据进行接入和清洗,配置落格方案,基于落格方案,进行拍照分拣,得到面单信息,基于前置数据得到格口编号,发送PLC指令指导落入指定格口,并判断是否异常,若否则落正常的格,若是则落回流格;节省人工,使包裹的分拣管理,作业周期缩短,提高了物品分拣的效率和准确性;
本发明在获取订单信息时,对订单信息进行清洗,以实现对非正常的物流订单进行排除;本发明通过物流订单信息获取的方式,实现对订单数据进行处理,以排除非正常物流订单,实现智能化操作,提高分拣效率;
本发明通过图像灰度化处理以实现降低图像处理时刻,同时通过YOLO算法进行处理实现快速的寻找到订单信息,识别物流订单内的信息数据。
附图说明
参照附图来说明本发明的公开内容。应当了解,附图仅仅用于说明目的,而并非意在对本发明的保护范围构成限制。其中:
图1为本发明实施案例中网格式物流仓分拣信息处理方法的方法流程示意图;
图2为本发明实施案例中网格式物流仓分拣信息处理系统的系统原理框图;
图3为本发明实施案例中网格式物流仓分拣信息处理方法的操作流程示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本文实施例中的附图,对本文实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本文一部分实施例,而不是全部的实施例。基于本文中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本文保护的范围。
需要说明的是,本文的说明书和权利要求书及上述附图中的术语“第一”“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本文的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本说明书提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的系统或装置产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行。
本发明的技术方案为:
本发明提供一种网格式物流仓分拣信息处理方法、系统和存储介质。
具体的,如图1所示,本发明提供网格式物流仓分拣信息处理方法,其中所述方法包括以下步骤
步骤一:配置物流订单的落格方案;
其中,所述落格方案包括集包方案和分拣方案,具体的,所述集包方案是指将多个单品或订单集中在一起形成一个包裹或托运单位的操作方案;这意味着把散落的货物进行打包、捆绑或组合,以便更高效地进行配送和运输;集包方案的目标是提高配送效率、减少物流成本,并确保货物安全和完整性;常见的集包方案包括:
批量集包:将多个相同类型的商品或订单集中在一起,形成一个较大的批次进行打包。这种方式可以节省时间和人力成本,并降低包装材料的使用量。
区域集箱:根据不同的区域或目的地,将货物按照目的地进行分组,形成一个区域集箱。这样可以减少运输过程中的分拣和配送环节,提高效率和准确性。
套装集包:将多个商品组合成套装销售,然后将套装商品进行集包。这种方式可以提高产品附加值和销售额,并简化物流过程。
混装集包:将不同种类、规格或订单的货物混合在一起进行集包。这样可以充分利用包裹空间,减少包装数量和运输次数,提高运输效率。
跨渠道集包:将来自不同渠道(如电商平台、实体店等)的订单进行集中打包和配送。这样可以实现多渠道订单的整合,减少配送过程中的分散和重复。
定制集包:根据特定客户的要求和需求进行个性化的集包方案,例如按照产品特性、尺寸或安全等级进行分类集包。这样可以满足客户特定的物流需求并提供差异化的服务
所述分拣方案一般是指在集包之后,根据特定条件和要求,将集中的货物按照目的地或其他指定标准进行分拣和分类的操作方案;分拣方案的目标是将大量的货物按照不同的目的地或其他需求进行有效的组织和分配,以便进行准确的配送和交付。分拣方案通常涉及使用自动化设备、条码扫描技术、分拣系统等来实现高效的分拣作业。常见的分拣方案包括按目的地分拣、按产品类别分拣、按重量/尺寸分拣等。
本发明的网格式的物流仓根据实际需求设置落格方案,灵活性强,实施更加便捷,更加符合实际需求。
步骤二:获取需要分拣的各个物流订单的前置数据,将所述前置数据与所述落格方案进行匹配确定各个物流订单的落格口编号;
其中,所述前置数据包括订单数据、地址归集数据、拦截数据和退回件数据等。
由于物流仓内的物流订单可能来自于另一个物流网点,也可能是本物流仓接收的快递单号,因此在对这些物流订单进行分拣时,首先需要获取这些需要分拣的物流订单的前置数据;获取的手段根据物流订单的来源确定,如对于另一个物流网店转运过来的物流订单可采用数据接入的方式获取这些物流订单的信息;若是本物流仓接收的物流订单直接采用调用的方式调取即可获得这些物流订单的前置数据;
而后对确定的前置数据进行清洗;对确定的前置数据进行清洗,包括检查数据一致性、处理数据无效值和缺失值;通过对前置数据进行清洗的方式快速正常的订单,对于信息不全的订单及时的发现并进行处理;
对确定的前置数据进行清洗具体包括:
将前置数据分为训练集和测试集;
对训练集进行标准化算法的归一化处理;
将归一化后的训练集feed_entX作为Informer模型的输入,计算训练模型的均方误差作为损失函数;
采用ADAM优化算法,进行模型训练与优化,并设置随机失活层;
用Informer模型对测试集预测其滑动窗口区间内的数值,判断真实值是否符合其滑窗内预测值的分布来检测数据是否异常,根据经验来确定k值;
结合异常点的连续性,判别异常数据类型与设备异常时刻;
将异常数据中的噪声数据用预测值替换,形成正常数据集入库。
具体实施时,将订单数据、地址归集数据、拦截、退回件数据等前置数据分为训练集和测试集,然后对数据集采用Z-score标准化算法进行归一化处理;将归一化后的训练集feed_entX作为Informer模型的输入,计算训练模型的均方误差作为损失函数,采用ADAM优化算法,进行模型训练与优化,并设置随机失活层,防止模型过拟合。利用Informer模型对测试集预测其滑动窗口区间内的数值,判断真实值是否符合其滑窗内预测值的分布来检测数据是否异常,根据经验来确定k值;然后结合异常点的连续性,判别异常数据类型与设备异常时刻;最后将异常数据中的噪声数据用预测值替换,形成正常数据集入库。
其中Informer模型架构由三部分组成,分别为位置编码、编码器和解码器。其中稀疏性自注意力层主要用于特征提取,全连接层提供非线性变换,而残差连接和归一化层可以防止网络发生梯度爆炸。解码器负责将编码器输出的中间向量解码为输出序列,其核心原理为编码-解码多头稀疏性注意力机制以及遮挡的多头稀疏性自注意力机制。编码器将学习和编码的信息通过编码器-解码器注意力层发送给解码器,为解码器提供输入数据与预测数据之间的依赖关系,从而提高数据预测的精准度。编码-解码多头稀疏性注意力机制与编码器的多头稀疏性自注意力机制不同,其键矩阵K与值矩阵V来自编码器的输出,包含输入序列的信息,查询矩阵Q来自遮挡多头稀疏性自注意力机制模块的输出,包含预测数据的信息。
其中Z-score标准化算法是一种常用的数据标准化方法,用于将原始数据转换为具有均值为0和标准差为1的标准正态分布。
Z-score标准化算法的步骤如下:
计算样本数据的平均值(μ)和标准差(σ)。
对于每个数据点,使用以下公式计算Z-score:Z=(X-μ)/σ
其中,X是原始数据点,Z是标准化后的数据点。
根据计算得到的Z-score,可以将原始数据集转换为具有均值为0和标准差为1的标准正态分布。
其中ADAM优化算法的基本原理:
初始化参数:初始化模型的参数和动量缓存变量。
1、计算梯度:通过反向传播计算出当前批次数据的梯度。
2、更新动量缓存:使用指数衰减平均来估计梯度的一阶矩(均值)和二阶矩(方差)。这包括计算梯度的指数移动平均和平方梯度的指数移动平均。
3、偏差校正:由于初始时动量缓存变量的值较小,会对梯度估计造成偏差。为了修正这种偏差,需要进行偏差校正操作。
4、参数更新:根据计算得到的梯度和动量缓存变量,使用自适应学习率进行参数更新。这可通过将动量与学习率相乘,再加上带有偏差校正的梯度,从而更新模型的参数。
5、重复迭代:循环执行步骤2到步骤5,直到达到预定的迭代次数或达到停止条件。
将清洗后的前置数据下载到本地以获得需要分拣的各个物流订单的前置数据。
根据获得的各个物流订单的前置数据,以及配置的落格方案,确定各个物流订单的落格口编号;示例性的,物流仓的落格方案为分拣方案,主要时将同一个地区的物流进行分拣,例如对同一个市的物流进行分拣,同一个市区的物流订单确定一个落格编号,如北京市的落格编号为1,上海市的落格编号为2;广州市的落格编号为3……依据此依次配置;而后获得需要分拣的各个物流订单的前置数据时即可获得各个物流订单的归集地,根据其归集地的自动匹配各个物流订单的落格编号,即对归集地为北京市的自动匹配落格编号为1,对归集地为上海市的自动匹配落格编号为2;对归集地为广州市的自动匹配落格编号为3……
本发明在获取订单信息时,对订单信息进行清洗,以实现对非正常的物流订单进行排除;本发明通过物流订单信息获取的方式,实现对订单数据进行处理,以排除非正常物流订单,实现智能化操作,提高分拣效率。
步骤三:将各个物流订单的前置数据以及对应的落格口编号信息存储到关系型数据库管理系统中;具体的,是将各个物流订单以及对应的落格口编号信息存储到关系型数据库管理系统中;即将归集地为北京市的自动匹配落格编号为1,对归集地为上海市的自动匹配落格编号为2,对归集地为广州市的自动匹配落格编号为3……这些信息存储到关系型数据库管理系统中。
步骤四:通过拍照的方式获得需要分拣的物流订单面单信息,将所述面单信息与关系型数据库管理系统进行匹配,调取该物流订单的落格口编号;
具体的,所述通过拍照的方式获得需要分拣的物流订单面单信息,包括:
将物流包裹的面单朝上,置于供件台上;
利用相机对面单进行拍摄;
对拍摄的图像进行处理以获得物流订单面单信息。
进一步的,所述对拍摄的图像进行处理以获得物流订单面单信息,包括
对获得的图像进行灰度化处理;
通过YOLO算法在所述图像的多个位置上回归出目标边框以及目标类别;
根据回归出的目标边框以及目标类别确定出订单面单信息。
具体实施时,灰度图像上每个像素的颜色值又称为灰度。图像的每个像素的颜色由R、G和B三个分量决定,每个分量有256种取值,如果直接对每一个像素进行处理,信息计算量非常大,因此对图像进行灰度化处理可降低图像处理时间。目标检测使用YOLO算法,YOLO算法使用回归的思想,给定输入图像,直接在图像的多个位置上回归出这个位置的目标边框以及目标类别,将检测过程整个成一个单深度神经网络。示例性的,给定一个输入图像,将其划分为7*7的网格,对于每一个网格,预测2个边框,包括每个边框是目标的置信度以及每个边框区域在多个类别上的概率,接着预测出7*7*2个目标窗口,随后根据阈值去除可能性比较低的目标窗口,最后NMS去除冗余窗口即可,可以看到整个过程非常简单,不需要中间的候选区域生成网络,直接回归便完成了位置和类别的判定。
其中的YOLO(You Only Look Once)是一种基于深度学习的目标检测算法,旨在实现实时物体检测和定位。相比传统的目标检测算法,YOLO具有快速、准确、端到端训练等优势。
以下是YOLO算法的关键特点和原理:
单阶段检测:与传统的两阶段目标检测算法(如R-CNN)不同,YOLO是一种单阶段检测算法,通过一个神经网络直接预测物体的类别和边界框信息,而无需先提取候选区域。
网络架构:YOLO采用卷积神经网络(CNN)作为其主干网络,通常使用Darknet网络结构。这种网络结构具有多个卷积层和池化层,以及最后的全连接层用于输出预测结果。
多尺度特征:为了解决不同尺度目标的检测问题,YOLO将输入图像分成网格,并在每个网格单元上进行预测。每个网格单元负责预测固定数量和类别的物体,以及其边界框的位置和置信度。
损失函数:YOLO使用多个损失函数来衡量预测结果的精确性。这些损失函数包括目标类别损失、边界框坐标损失和置信度损失。通过最小化这些损失函数,模型会逐渐学习到更准确的预测结果。
实时性:由于YOLO是一种端到端的单阶段检测算法,并且基于CNN进行前向传播,因此具有实时性能。它可以在处理每个图像时仅需一次前向传播,从而实现高速的物体检测。
虽然YOLO算法在速度和准确度方面具有优势,但也存在一些限制。例如,对于小尺寸物体的检测可能不如其他方法精确,同时在密集目标或重叠目标的场景中可能存在定位问题。然而,YOLO算法的不断改进和变体版本(如YOLOv2、YOLOv3和YOLOv4)已经取得了很多进展,减少了这些限制并提升了检测性能。
本发明通过图像灰度化处理以实现降低图像处理时刻,同时通过YOLO算法进行处理实现快速的寻找到订单信息,识别物流订单内的信息数据。
步骤五:基于调取的所述物流订单的落格口编号发送PLC指令使物流订单对应的包裹落入到指定的格口内。
本发明还包括判断基于落格口编号发送PLC指令使物流订单对应的包裹落入到指定的格口内是否存在异常;其中的异常场景包括:相机未识别单号、异形件摇晃幅度大、面单条码有褶皱污损、人工操作失误未面单朝上,前置数据缺失等。
若是,则落回流格;
若否,则落正常指定的格口内。
本发明还提供一种网格式物流仓分拣信息处理系统,如图2所示,包括
输入单元,所述输入单元用于配置物流订单的落格方案;
信息获取单元,所述信息获取单元用于获取需要分拣的各个物流订单的前置数据;
相机,所述相机用于通过拍照的方式获得需要分拣的物流订单面单信息;
信息处理单元,所述信息处理单元连接信息获取单元、输入单元和相机;所述信息处理单元用于将所述前置数据与所述落格方案进行匹配确定各个物流订单的落格口编号;将订单的前置数据以及对应的落格口编号信息存储到关系型数据库管理系统中;将所述面单信息与关系型数据库管理系统进行匹配,调取该物流订单的落格口编号;
PLC,所述PLC连接信息处理单元,所述PLC基于调取的所述物流订单的落格口编号发送PLC指令使物流订单对应的包裹落入到指定的格口内。
进一步的,所述信息处理单元,还包括用于判断基于落格口编号发送PLC指令使物流订单对应的包裹落入到指定的格口内是否存在异常;
若是,则落回流格;
若否,则落正常指定的格口内。
本发明在进行实施时,如图3所示,首先根据物流仓的实际情况配备物流订单的落单方案,并且对物流仓内需要分拣的物流订单信息进行获取,通过接入或者调用的方式进行物流订单信息的获取,而后将前置数据与落格方案进行匹配确定各个物流订单的落格口编号;并将各个物流订单的前置数据以及对应的落格口编号存储到关系型数据库管理系统中;
在进行该物流仓内的物流订单的分拣时,将该物流仓的包裹件置于供件台上,面单朝上,利用相机或者五面扫去获取包裹件物流订单面单信息,结合存储在关系型数据库管理系统中该物流仓内物流订单的前置数据以及对应的落格口编号,确定该拍照的包裹件的落格口编号;而后发送PLC指令使物流订单对应的包裹落入到指定的格口内;并判断是否异常,若否则落正常的格,若是则落回流格;其中的回流格也称为收容格,对于收容格内的包裹件操作人员可采用巴枪手工分拣,而后对分拣后的物流订单统一派车拉走,完成物流仓内物流的分拣。
本发明通过取订单数据、地址归集数据、拦截、退回件数据等前置数据,对前置数据进行接入和清洗,配置落格方案,基于落格方案,进行拍照分拣,得到面单信息,基于前置数据得到格口编号,发送PLC指令指导落入指定格口,并判断是否异常,若否则落正常的格,若是则落回流格;节省人工,使包裹的分拣管理,作业周期缩短,提高了物品分拣的效率和准确性。
本发明在获取订单信息时,对订单信息进行清洗,以实现对非正常的物流订单进行排除;本发明通过物流订单信息获取的方式,实现对订单数据进行处理,以排除非正常物流订单,实现智能化操作,提高分拣效率;
本发明通过图像灰度化处理以实现降低图像处理时刻,同时通过YOLO算法进行处理实现快速的寻找到订单信息,识别物流订单内的信息数据。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本文的范围。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本文所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其他的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其他的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本文实施例方案的目的。
另外,在本文各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本文的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或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中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本文各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机取出存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本文中应用了具体实施例对本文的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本文的方法及其核心思想;同时,对于本领域的一般技术人员,依据本文的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本文的限制。
Claims (10)
1.网格式物流仓分拣信息处理方法,其特征在于:包括以下步骤
步骤一:配置物流订单的落格方案;
步骤二:获取需要分拣的各个物流订单的前置数据,将所述前置数据与所述落格方案进行匹配确定各个物流订单的落格口编号;
步骤三:将各个物流订单的前置数据以及对应的落格口编号信息存储到关系型数据库管理系统中;
步骤四:通过拍照的方式获得需要分拣的物流订单面单信息,将所述面单信息与关系型数据库管理系统进行匹配,调取该物流订单的落格口编号;
步骤五:基于调取的所述物流订单的落格口编号发送PLC指令使物流订单对应的包裹落入到指定的格口内。
2.根据权利要求1所述的网格式物流仓分拣信息处理方法,其特征在于:所述落格方案包括集包方案和分拣方案;所述前置数据包括订单数据、地址归集数据、拦截数据和退回件数据。
3.根据权利要求1所述的网格式物流仓分拣信息处理方法,其特征在于:所述获取需要分拣的各个物流订单的前置数据,包括
通过直接接入或者调取的方式确定物流订单的前置数据;
对确定的前置数据进行清洗;
将清洗后的前置数据下载到本地以获得需要分拣的各个物流订单的前置数据。
4.根据权利要求3所述的网格式物流仓分拣信息处理方法,其特征在于:所述对确定的前置数据进行清洗,包括检查数据一致性、处理数据无效值和缺失值;
具体包括:将前置数据分为训练集和测试集;
对训练集进行标准化算法的归一化处理;
将归一化后的训练集feed_entX作为Informer模型的输入,计算训练模型的均方误差作为损失函数;
采用ADAM优化算法,进行模型训练与优化,并设置随机失活层;
用Informer模型对测试集预测其滑动窗口区间内的数值,判断真实值是否符合其滑窗内预测值的分布来检测数据是否异常,根据经验来确定k值;
结合异常点的连续性,判别异常数据类型与设备异常时刻;
将异常数据中的噪声数据用预测值替换,形成正常数据集入库。
5.根据权利要求1所述的网格式物流仓分拣信息处理方法,其特征在于:所述通过拍照的方式获得需要分拣的物流订单面单信息,包括:
将物流包裹的面单朝上,置于供件台上;
利用相机对面单进行拍摄;
对拍摄的图像进行处理以获得物流订单面单信息。
6.根据权利要求5所述的网格式物流仓分拣信息处理方法,其特征在于:所述对拍摄的图像进行处理以获得物流订单面单信息,包括
对获得的图像进行灰度化处理;
通过YOLO算法在所述图像的多个位置上回归出目标边框以及目标类别;
根据回归出的目标边框以及目标类别确定出订单面单信息。
7.根据权利要求1所述的网格式物流仓分拣信息处理方法,其特征在于:还包括判断基于落格口编号发送PLC指令使物流订单对应的包裹落入到指定的格口内是否存在异常;
若是,则落回流格;
若否,则落正常指定的格口内。
8.网格式物流仓分拣信息处理系统,其特征在于:包括
输入单元,所述输入单元用于配置物流订单的落格方案;
信息获取单元,所述信息获取单元用于获取需要分拣的各个物流订单的前置数据;
相机,所述相机用于通过拍照的方式获得需要分拣的物流订单面单信息;
信息处理单元,所述信息处理单元连接信息获取单元、输入单元和相机;所述信息处理单元用于将所述前置数据与所述落格方案进行匹配确定各个物流订单的落格口编号;将订单的前置数据以及对应的落格口编号信息存储到关系型数据库管理系统中;将所述面单信息与关系型数据库管理系统进行匹配,调取该物流订单的落格口编号;
PLC,所述PLC连接信息处理单元,所述PLC基于调取的所述物流订单的落格口编号发送PLC指令使物流订单对应的包裹落入到指定的格口内。
9.根据权利要求8所述的网格式物流仓分拣信息处理系统,其特征在于:所述信息处理单元,还包括用于判断基于落格口编号发送PLC指令使物流订单对应的包裹落入到指定的格口内是否存在异常;
若是,则落回流格;
若否,则落正常指定的格口内。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,计算机程序存储有指令,所述指令在由一个或多于一个处理器执行时,使得所述一个或多于一个处理器进行权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311456073.7A CN117622757A (zh) | 2023-11-03 | 2023-11-03 | 网格式物流仓分拣信息处理方法、系统和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311456073.7A CN117622757A (zh) | 2023-11-03 | 2023-11-03 | 网格式物流仓分拣信息处理方法、系统和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117622757A true CN117622757A (zh) | 2024-03-01 |
Family
ID=90031204
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311456073.7A Pending CN117622757A (zh) | 2023-11-03 | 2023-11-03 | 网格式物流仓分拣信息处理方法、系统和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117622757A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117840046A (zh) * | 2024-03-07 | 2024-04-09 | 民航机场成都电子工程设计有限责任公司 | 基于窗口修正的自动分拣方法 |
-
2023
- 2023-11-03 CN CN202311456073.7A patent/CN117622757A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117840046A (zh) * | 2024-03-07 | 2024-04-09 | 民航机场成都电子工程设计有限责任公司 | 基于窗口修正的自动分拣方法 |
CN117840046B (zh) * | 2024-03-07 | 2024-05-10 | 民航机场成都电子工程设计有限责任公司 | 基于窗口修正的自动分拣方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108416412B (zh) | 一种基于多任务深度学习的物流复合码识别方法 | |
CN104978646B (zh) | 一种智能配货系统及方法 | |
US7509228B2 (en) | Systems and methods for forecasting container density | |
CN110238078B (zh) | 分拣方法、装置、系统及存储介质 | |
CN117622757A (zh) | 网格式物流仓分拣信息处理方法、系统和存储介质 | |
CN108906637B (zh) | 物流分拣方法及终端设备 | |
CN108876080B (zh) | 信息处理方法和装置 | |
CN109840729B (zh) | 料箱定位的方法、系统、存储介质及电子设备 | |
CN109533759A (zh) | 一种自动移库方法以及自动移库系统 | |
CN114331284A (zh) | 一种基于云计算的智能仓储服务管理系统 | |
CN110049934A (zh) | 用于处理在车辆中设置的物品的系统和方法 | |
CN116704429B (zh) | 基于大数据分析的智能处理方法 | |
CN111597857B (zh) | 一种物流包裹检测方法、装置、设备及可读存储介质 | |
CN112598350B (zh) | 一种基于点云扫描的仓储堆料管理方法及系统 | |
CN111767902A (zh) | 安检机危险品的识别方法、装置、设备及存储介质 | |
CN112007865A (zh) | 入库分拣方法、入库分拣装置、电子设备及存储介质 | |
CN112288374A (zh) | 一种基于云计算的智慧供应链物流智能优化管理系统 | |
Börold et al. | Deep learning-based object recognition for counting car components to support handling and packing processes in automotive supply chains | |
CN205762407U (zh) | 一种基于条码枪的电商自动拣货系统 | |
CN114612029A (zh) | 风险运单数据识别方法、装置、计算机设备和存储介质 | |
CN111842187A (zh) | 一种快递安检机、安检方法、装置及其系统 | |
CN113888096A (zh) | 一种物流园区的货物管理方法及系统 | |
CN108480220A (zh) | 一种物流分拣系统 | |
CN114155424A (zh) | 一种仓库货物管理方法、装置、电子设备及可读存储介质 | |
CN113361992A (zh) | 一种货物物体智能视频识别算法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |