CN117709856B - 供应链对接优化方法 - Google Patents
供应链对接优化方法 Download PDFInfo
- Publication number
- CN117709856B CN117709856B CN202410168209.2A CN202410168209A CN117709856B CN 117709856 B CN117709856 B CN 117709856B CN 202410168209 A CN202410168209 A CN 202410168209A CN 117709856 B CN117709856 B CN 117709856B
- Authority
- CN
- China
- Prior art keywords
- warehouse
- product
- products
- supply chain
- user
- 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 38
- 238000005457 optimization Methods 0.000 title claims abstract description 18
- 238000003032 molecular docking Methods 0.000 title claims abstract description 17
- 238000012795 verification Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 7
- 230000002596 correlated effect Effects 0.000 claims abstract description 4
- 230000000875 corresponding effect Effects 0.000 claims description 40
- 239000000463 material Substances 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 12
- 238000007689 inspection Methods 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 210000001503 joint Anatomy 0.000 claims description 4
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007306 turnover Effects 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
本申请公开了供应链对接优化方法，涉及数据处理领域，本申请包括：获取供应链上的产品数据，基于图像识别模型对仓库、用户的产品数据进行特征提取，并对应记录产品的品类标签和数量，将仓库产品数据与用户产品数据进行交叉比对，标识并关联仓库产品的品类标签与用户产品的品类标签；检验交叉比对后关联的标识结果，通过一次或多次出入库操作，依据出入库时的产品品类标签和出入库的数量，校验出入库前后在仓库侧和用户侧的产品清单，依据校验后的正确结果训练图像识别模型获取用于特征提取的新的图像识别模型，直至校验一致。本申请节约人力成本、沟通成本，提供高通量的产品清单数据交易。
Description
技术领域
本申请涉及数据处理领域，具体涉及供应链对接优化方法。
背景技术
现有场景中，MRO(Maintenance Repair&Operations)采购领域一直延续多年的传统采购方式。采购方通过自主开发供应商，筛选和管理供应链，人力成本和开发成本很高，供应商的数量和质量有限，对企业的采购行为一直造成很大的负担而且不透明；供应方存在客户账期，资金周转效率较低，MRO物料中不清晰物料和紧急物料较多，对供应方的报价准确性和及时性有很大的障碍和制约。
对不同的商业对接活动中，由于数据转移带来的兼容性问题或标定不同或名称标签不一致，导致物品数目、名称需要人工进行核对，出错率高，且效率低，特别是在进出货的情况；
因此，亟需一种考量可以在进退货状况下或选配货情形下搭载图像识别的学习方法用于效率对接供求关系，集中处理，实现便捷办公。
发明内容
本申请供应链对接优化方法，解决现有技术中的问题。
第一方面，本申请提供供应链对接优化方法，包括如下步骤：
获取供应链上的产品数据，包括获取供应链中用户与仓库的产品数据，产品包括物料产品和成品产品；
基于图像识别模型对仓库、用户的产品数据进行特征提取，并对应记录产品的品类标签和数量，将仓库产品数据与用户产品数据进行交叉比对，标识并关联仓库产品的品类标签与用户产品的品类标签；
校验环节：检验交叉比对后关联的标识结果，详细为：通过一次或多次出入库操作，依据出入库时的产品品类标签和出入库的数量，校验出入库前后在仓库侧和用户侧的产品清单，依据校验后的正确结果训练图像识别模型获取用于特征提取的新的图像识别模型，直至校验一致。
进一步的，还包括获取多用户需求产品的供应链数据，依据多用户的需求量规划选择目标仓库，规划选择包括对目标仓库的储量检查、余量控制、容载量和运输能力判断；
所述储量检查为定时对目标仓库的产品储量计数，所述余量控制为依据目标仓库的周期性出入产品总量进行预设百分比的余量下限控制，所述容载量为依据目标仓库的全产品周期性出入情况判断多用户所需产品保有的储存区域和空间量，所述运输能力判断为依据目标仓库的地理位置与交通条件分析目标仓库的物流量。
进一步的，还包括检验后，处理目标仓库与多个不同用户的产品出入库供应链产品清单，更新目标仓库储存。
进一步的，当所述供应链产生变化时，对比供应链变化前后的产品数据，出现新的产品品类时，重复所述校验环节。
进一步的，所述获取供应链上的产品数据，包括获取供应链中用户与仓库的产品数据，产品包括物料产品和成品产品，具体包括：
所述供应链包括用于加工成品产品的多物料产品的多用户节点、用于买入卖出成品产品的多用户节点和储存有成品产品的至少一个仓库，所述仓库储存有成品产品和物料产品，所述目标仓库为在所述仓库中依据多用户出入库时限需求量、区域位置需求量、物流成本需求量规划选择的目标仓库，即所述多用户的需求量包括多用户出入库时限需求量、区域位置需求量、物流成本需求量，所述出入库时限需求量为对所述用户出入库的产品的时间要求，所述区域位置需求量为对所述用户在发货位置、收货位置的要求，所述物流成本需求量为所述用户报价和承担的物流成本。
进一步的，所述基于图像识别模型对仓库、用户的产品数据进行特征提取，并对应记录产品的品类标签和数量，将仓库产品数据与用户产品数据进行交叉比对，标识并关联仓库产品的品类标签与用户产品的品类标签，包括：
对采集图片分块；
特征提取；
根据每块图片的空间分布特征，选择匹配的图像识别模型进行识别；
识别后对识别到的产品数据进行交叉对比；
其中，多个所述图像识别模型基于单一产品或多产品组合训练获取，每个所述图像识别模型关联识别对象的最优空间分布特征。
进一步的，所述根据每块图片的空间分布特征，选择匹配的图像识别模型进行识别，还包括：
当采用匹配对应N类产品图像识别模型进行识别目标块图片时，对识别出的结果进行递进识别：
对N类产品图像识别模型的识别结果采用所述N类产品中的单一类产品对应的图像识别模型分别进行识别对应目标块图片中的部分对应内容，递进识别所述对应N类产品图像识别模型的识别结果并打标记，其中，N为大于1的整数。
进一步的，所述根据每块图片的空间分布特征，选择匹配的图像识别模型进行识别，还包括：
当采用匹配对应M类产品图像识别模型进行识别目标块图片时，对识别出的结果进行递进识别：
对M类产品图像识别模型的识别结果采用所述M类产品中的m类产品对应的图像识别模型分别进行识别对应目标块图片中的部分对应内容，递进识别所述对应M类产品图像识别模型的识别结果并打标记，其中，M为大于2的整数，m为大于1的整数，m小于M。
进一步的，对所述校验环节，当采用一次或多次出入库操作时，更新采集到的图像，分割为块图片，采用多个适配的单一类产品对应的图像识别模型进行交叉识别，整理每次出入库前后产品品类的变化和产品数量的变化与出入库清单校验。
进一步的，对所述校验环节，当采用一次或多次出入库操作时，更新采集到的图像，分割为块图片，采用多个适配的m类产品对应的图像识别模型进行交叉识别，分析所述m类产品对应的图像识别模型的识别结果，依据每m类数量的多少和m品类，在多个交叉识别结果中，分析、计算出单类产品的数量，然后整理每次出入库前后产品品类的变化和产品数量的变化与出入库清单校验。
本申请通过应用图像识别技术，对接各个用户节点和仓库节点，实现智能化识别和统计，一键出入库，减少人工筛查、检验，实际使用中，极少出现识别出错的情况发生，可以是，采用适合不同空间分布特征的随机森林模型进行识别，基于不同模型的互相校验方法，能够实现最快速的供应链对接，且不会产生大量历史数据，仅对用户节点和仓库节点的产品数据校验即可。
本申请的有益效果，包括：
本申请通过互相校验的图像识别模型，迅速对接不同标识的产品供应链，为商业互动提供数据便利性；
本申请解决不同MRO在不同企业间的兼容性问题。
本申请通过人工筛除错误来校验模型，然后通过模型来效率识别海量数据，且模型成长性高，准确率好，具备智能化报错功能，优于人工核对的方式；
本申请节约人力成本、沟通成本，且在选配货、退换货时可并行处理，提供高通量的产品清单数据交易。
附图说明
此处所说明的附图用来提供对本申请实施例的进一步理解，构成本申请的一部分，并不构成对本申请实施例的限定。在附图中：
图1为本申请一示例性实施例提供的供应链对接优化方法总流程图。
图2为本申请一示例性实施例提供的一种供应链对接优化方法中递进识别流程图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
现有场景下，不同企业具有各自内部开发的供应链系统，或，不具有相应的供应链系统，当两个企业的业务供需关系接驳时，要么人工对接另一方员工使用供应链系统，要么人工对接人工，要么一方员工使用供应链系统对接另一方员工使用供应链系统，对于多种情况在及时性要求较高的过程中，例如，运用大数据模型对不同供应链系统中的数据进行分类标识；
现有场景下，还会遇到个体对接企业的供应链，包括退换货、选配商品等情形出现，退换货场景均需人工辅助；差异大，容易出现错误，且人力成本高；
在MRO采购领域中，开发软件成本适配性差，维护成本高，当出现产品供应链变更和相近情况下，容易出现不同企业间软件中相悖的品类标签，无法从系统级别修改时，只能人工记忆并校对，沟通、人力成本大；
本申请基于图像识别技术，运用成长性高的多个识别模型，然后打散图片分块，降低品类和数目干扰，针对不同块图片提取图片的特征，基于空间特征分布对接不同识别模型，然后运用复杂识别模型的下行简单识别模型的结果进一步校验复杂识别模型识别结果，下行简单识别模型为单一品类或低数目品类的识别模型，复杂识别模型为匹配至少三个以上品类产品空间特征分布的识别模型。
在本申请中，结合现有技术中、具体实施方式中的部分内容，对如下名词进行解释：
仓库，仓库节点：为可以提供库存产品的服务方的具体位置，在供应链中的地理位置、区域位置，而仓库本身也代表一个企业的具体库存场景；
用户，用户节点：为可以交易产品清单的服务方；
供应链：在供应链中可以包括多个服务方，具体可以是仓库，也可以是用户，但供应链中，一定会有至少一个仓库作为服务方出现，包括至少一个提供产品清单的用户；
本申请中采用多种适合的图像识别模型，可以是随机森林模型，其他方式不再赘述，本申请的技术构思为将图像识别技术应用到供应链对接优化中，并如何使用图像识别模型的成长性来解决场景复杂和品类不一、标签混乱的情况。
本申请提供的供应链对接优化方法，旨在解决现有技术的如上技术问题。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
实施例1：
本申请提供供应链对接优化方法，如图1所示，包括如下步骤：
a0、获取多用户需求产品的供应链数据；
a01、当所述供应链产生变化时，对比供应链变化前后的产品数据，
a011、出现新的产品品类时，重复所述校验环节，执行a3；
a012、未出现新的产品品类时，执行a2；
依据多用户的需求量规划选择目标仓库，规划选择包括对目标仓库的储量检查、余量控制、容载量和运输能力判断；
所述储量检查为定时对目标仓库的产品储量计数，所述余量控制为依据目标仓库的周期性出入产品总量进行预设百分比的余量下限控制，所述容载量为依据目标仓库的全产品周期性出入情况判断多用户所需产品保有的储存区域和空间量，所述运输能力判断为依据目标仓库的地理位置与交通条件分析目标仓库的物流量。
a1、获取供应链上的产品数据；
包括获取供应链中用户与仓库的产品数据，产品包括物料产品和成品产品；
具体包括：所述供应链包括用于加工成品产品的多物料产品的多用户节点、用于买入卖出成品产品的多用户节点和储存有成品产品的至少一个仓库，所述仓库储存有成品产品和物料产品，所述目标仓库为在所述仓库中依据多用户出入库时限需求量、区域位置需求量、物流成本需求量规划选择的目标仓库，即所述多用户的需求量包括多用户出入库时限需求量、区域位置需求量、物流成本需求量，所述出入库时限需求量为对所述用户出入库的产品的时间要求，所述区域位置需求量为对所述用户在发货位置、收货位置的要求，所述物流成本需求量为所述用户报价和承担的物流成本；
a2、基于图像识别模型对仓库、用户的产品数据进行特征提取，并对应记录产品的品类标签和数量，将仓库产品数据与用户产品数据进行交叉比对，标识并关联仓库产品的品类标签与用户产品的品类标签；
a3、校验环节：检验交叉比对后关联的标识结果，详细为：通过一次或多次出入库操作，依据出入库时的产品品类标签和出入库的数量，校验出入库前后在仓库侧和用户侧的产品清单，依据校验后的正确结果训练图像识别模型获取用于特征提取的新的图像识别模型，直至校验一致。
a4、检验后，处理目标仓库与多个不同用户的产品出入库供应链产品清单，更新目标仓库储存。
在实施例1的基础上，对步骤a2进行详细说明并展开，跨节点识别关联方法，包括如下步骤：
b1、对采集图片分块；
b2、对分块图片特征提取；
b3、根据每块图片的空间分布特征，选择匹配的图像识别模型进行识别；
b4、识别后对识别到的产品数据进行交叉对比；
其中，多个所述图像识别模型基于单一产品或多产品组合训练获取，每个所述图像识别模型关联识别对象的最优空间分布特征。
在实施例1的基础上，步骤b3内，具体还可以包括，递进识别方法，如图2所示步骤如下：
b31、对识别出的结果进行递进识别，包括：
b311、当采用匹配对应N类产品图像识别模型进行识别目标块图片时，对识别出的结果进行递进识别：
对N类产品图像识别模型的识别结果采用所述N类产品中的单一类产品对应的图像识别模型分别进行识别对应目标块图片中的部分对应内容，递进识别所述对应N类产品图像识别模型的识别结果并打标记，其中，N大于1的整数。
b312、当采用匹配对应M类产品图像识别模型进行识别目标块图片时，对识别出的结果进行递进识别：
对M类产品图像识别模型的识别结果采用所述M类产品中的m类产品对应的图像识别模型分别进行识别对应目标块图片中的部分对应内容，递进识别所述对应M类产品图像识别模型的识别结果并打标记，其中，M为大于2的整数，m为大于1的整数，m小于M。
与步骤b311相似的是，采用校验环节时，也可以采用类似的技术构思去实现，具体为：对所述校验环节步骤a3，还可以包括：a311、当采用一次或多次出入库操作时，更新采集到的图像，分割为块图片，采用多个适配的单一类产品对应的图像识别模型进行交叉识别，整理每次出入库前后产品品类的变化和产品数量的变化与出入库清单校验。
在实施例1的基础上，与步骤b312相似的是，对所述校验环节步骤a3，还可以包括：a312、当采用一次或多次出入库操作时，更新采集到的图像，分割为块图片，采用多个适配的m类产品对应的图像识别模型进行交叉识别，分析所述m类产品对应的图像识别模型的识别结果，依据每m类数量的多少和m品类，在多个交叉识别结果中，分析、计算出单类产品的数量，然后整理每次出入库前后产品品类的变化和产品数量的变化与出入库清单校验。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述模块的划分，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，例如多个模块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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
本领域内的技术人员应明白，本发明的实施例可提供为方法或系统。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。
还需要说明的是，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、商品或者设备不仅包括那些要素，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、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由上面的权利要求书指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (7)
1.供应链对接优化方法，其特征在于，包括如下步骤：
获取供应链上的产品数据，包括获取供应链中用户与仓库的产品数据，产品包括物料产品和成品产品；
基于图像识别模型对仓库、用户的产品数据进行特征提取，并对应记录产品的品类标签和数量，将仓库产品数据与用户产品数据进行交叉比对，标识并关联仓库产品的品类标签与用户产品的品类标签；
包括：
对采集图片分块；
特征提取；
根据每块图片的空间分布特征，选择匹配的图像识别模型进行识别；当采用匹配对应N类产品图像识别模型进行识别目标块图片时，对识别出的结果进行递进识别：对N类产品图像识别模型的识别结果采用所述N类产品中的单一类产品对应的图像识别模型分别进行识别对应目标块图片中的部分对应内容，递进识别所述对应N类产品图像识别模型的识别结果并打标记，其中，N为大于1的整数；当采用匹配对应M类产品图像识别模型进行识别目标块图片时，对识别出的结果进行递进识别：对M类产品图像识别模型的识别结果采用所述M类产品中的m类产品对应的图像识别模型分别进行识别对应目标块图片中的部分对应内容，递进识别所述对应M类产品图像识别模型的识别结果并打标记，其中，M为大于2的整数，m为大于1的整数，m小于M；
识别后对识别到的产品数据进行交叉对比；
其中，多个所述图像识别模型基于单一产品或多产品组合训练获取，每个所述图像识别模型关联识别对象的最优空间分布特征；
校验环节：检验交叉比对后关联的标识结果，详细为：通过一次或多次出入库操作，依据出入库时的产品品类标签和出入库的数量，校验出入库前后在仓库侧和用户侧的产品清单，依据校验后的正确结果训练图像识别模型获取用于特征提取的新的图像识别模型，直至校验一致。
2.根据权利要求1所述的供应链对接优化方法，其特征在于，还包括获取多用户需求产品的供应链数据，依据多用户的需求量规划选择目标仓库，规划选择包括对目标仓库的储量检查、余量控制、容载量和运输能力判断；
所述储量检查为定时对目标仓库的产品储量计数，所述余量控制为依据目标仓库的周期性出入产品总量进行预设百分比的余量下限控制，所述容载量为依据目标仓库的全产品周期性出入情况判断多用户所需产品保有的储存区域和空间量，所述运输能力判断为依据目标仓库的地理位置与交通条件分析目标仓库的物流量。
3.根据权利要求2所述的供应链对接优化方法，其特征在于，还包括检验后，处理目标仓库与多个不同用户的产品出入库供应链产品清单，更新目标仓库储存。
4.根据权利要求3所述的供应链对接优化方法，其特征在于，当所述供应链产生变化时，对比供应链变化前后的产品数据，出现新的产品品类时，重复所述校验环节。
5.根据权利要求3所述的供应链对接优化方法，其特征在于，所述获取供应链上的产品数据，包括获取供应链中用户与仓库的产品数据，产品包括物料产品和成品产品，具体包括：
所述供应链包括用于加工成品产品的多物料产品的多用户节点、用于买入卖出成品产品的多用户节点和储存有成品产品的至少一个仓库，所述仓库储存有成品产品和物料产品，所述目标仓库为在所述仓库中依据多用户出入库时限需求量、区域位置需求量、物流成本需求量规划选择的目标仓库，即所述多用户的需求量包括多用户出入库时限需求量、区域位置需求量、物流成本需求量，所述出入库时限需求量为对所述用户出入库的产品的时间要求，所述区域位置需求量为对所述用户在发货位置、收货位置的要求，所述物流成本需求量为所述用户报价和承担的物流成本。
6.根据权利要求5所述的供应链对接优化方法，其特征在于，对所述校验环节，当采用一次或多次出入库操作时，更新采集到的图像，分割为块图片，采用多个适配的单一类产品对应的图像识别模型进行交叉识别，整理每次出入库前后产品品类的变化和产品数量的变化与出入库清单校验。
7.根据权利要求6所述的供应链对接优化方法，其特征在于，对所述校验环节，当采用一次或多次出入库操作时，更新采集到的图像，分割为块图片，采用多个适配的m类产品对应的图像识别模型进行交叉识别，分析所述m类产品对应的图像识别模型的识别结果，依据每m类数量的多少和m品类，在多个交叉识别结果中，分析、计算出单类产品的数量，然后整理每次出入库前后产品品类的变化和产品数量的变化与出入库清单校验。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410168209.2A CN117709856B (zh) | 2024-02-06 | 2024-02-06 | 供应链对接优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410168209.2A CN117709856B (zh) | 2024-02-06 | 2024-02-06 | 供应链对接优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117709856A CN117709856A (zh) | 2024-03-15 |
| CN117709856B true CN117709856B (zh) | 2024-04-26 |
Family
ID=90144725
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410168209.2A Active CN117709856B (zh) | 2024-02-06 | 2024-02-06 | 供应链对接优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117709856B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117709857A (zh) * | 2024-02-06 | 2024-03-15 | 成都铭亿嘉科技有限公司 | 物流供应链智能管理方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111429057A (zh) * | 2020-03-19 | 2020-07-17 | 中国建设银行股份有限公司 | 一种数字仓单管理方法和装置 |
| CN113343556A (zh) * | 2021-05-07 | 2021-09-03 | 青岛蓝智现代服务业数字工程技术研究中心 | 一种供应链优化系统 |
| CN114266514A (zh) * | 2020-09-15 | 2022-04-01 | 北京机械设备研究所 | 一种信息化的仓储智能管理方法和系统 |
| CN114419637A (zh) * | 2021-09-09 | 2022-04-29 | 广州五岳信息技术有限公司 | 基于ai的跨境供应链表单生成方法及相关装置 |
| JP2023007338A (ja) * | 2021-06-30 | 2023-01-18 | 杭州東忠科技股▲ふん▼有限公司 | スペースステーションに基づく商品配送の方法、システム及び記録媒体 |
| CN116188895A (zh) * | 2022-12-26 | 2023-05-30 | 支付宝(杭州)信息技术有限公司 | 一种模型训练的方法、装置、存储介质及电子设备 |
| CN116402437A (zh) * | 2023-03-23 | 2023-07-07 | 上海东普信息科技有限公司 | 批次管理方法、装置、设备和储存介质 |
| CN116645035A (zh) * | 2023-06-06 | 2023-08-25 | 深圳市九方通逊电商物流有限公司 | 基于rfid的自动化出入库信息安全智能评估系统 |
| CN117035607A (zh) * | 2023-08-02 | 2023-11-10 | 上海朗晖慧科技术有限公司 | 一种基于物联网的仓储容量预测管理系统及方法 |
-
2024
- 2024-02-06 CN CN202410168209.2A patent/CN117709856B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111429057A (zh) * | 2020-03-19 | 2020-07-17 | 中国建设银行股份有限公司 | 一种数字仓单管理方法和装置 |
| CN114266514A (zh) * | 2020-09-15 | 2022-04-01 | 北京机械设备研究所 | 一种信息化的仓储智能管理方法和系统 |
| CN113343556A (zh) * | 2021-05-07 | 2021-09-03 | 青岛蓝智现代服务业数字工程技术研究中心 | 一种供应链优化系统 |
| JP2023007338A (ja) * | 2021-06-30 | 2023-01-18 | 杭州東忠科技股▲ふん▼有限公司 | スペースステーションに基づく商品配送の方法、システム及び記録媒体 |
| CN114419637A (zh) * | 2021-09-09 | 2022-04-29 | 广州五岳信息技术有限公司 | 基于ai的跨境供应链表单生成方法及相关装置 |
| CN116188895A (zh) * | 2022-12-26 | 2023-05-30 | 支付宝(杭州)信息技术有限公司 | 一种模型训练的方法、装置、存储介质及电子设备 |
| CN116402437A (zh) * | 2023-03-23 | 2023-07-07 | 上海东普信息科技有限公司 | 批次管理方法、装置、设备和储存介质 |
| CN116645035A (zh) * | 2023-06-06 | 2023-08-25 | 深圳市九方通逊电商物流有限公司 | 基于rfid的自动化出入库信息安全智能评估系统 |
| CN117035607A (zh) * | 2023-08-02 | 2023-11-10 | 上海朗晖慧科技术有限公司 | 一种基于物联网的仓储容量预测管理系统及方法 |
Non-Patent Citations (3)
| Title |
|---|
| Optimal emission reduction of closed loop supply chain under lossaverse risk measure;Li Qiang等;《Computer Engineering and Applications》;20180228;第54卷(第04期);第256-262页，全文 * |
| 基于物联网的再制造物流系统协同管理研究;冯亮;《中国博士学位论文全文数据库 经济与管理科学辑》;20190115(第01期);第J150-9页，全文 * |
| 物流信息平台构建与应用研究;李力;《中国博士学位论文全文数据库 经济与管理科学辑》;20070615(第06期);第J145-51页，全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117709856A (zh) | 2024-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117709856B (zh) | 供应链对接优化方法 | |
| US8352305B2 (en) | Automated broadcast advertising transaction system and method | |
| CN110244915B (zh) | 用于基于分布式账本技术的三维打印的去中心化供应链 | |
| KR20050103919A (ko) | 제품 및 부품 관리 시스템, 데이터 처리 시스템, 시리얼번호 관리방법, 컴퓨터 프로그램 제품 및 컴퓨터 읽기가능매체 | |
| CN104424595A (zh) | 税务监控方法及其系统 | |
| Chakravarty | Supply chain transformation | |
| CN109636443A (zh) | 客户流失预测的深度学习方法及装置 | |
| CN107657418A (zh) | 一种基于rfid的商品库存管理方法及系统 | |
| CN109003099A (zh) | 区块链节点数据处理方法、设备和存储介质 | |
| Pereira et al. | Predictive and adaptive management approach for omnichannel retailing supply chains | |
| Ferrucci | Pro-active dynamic vehicle routing: real-time control and request-forecasting approaches to improve customer service | |
| Durowoju et al. | Supply chain redesign implications to information disruption impact | |
| CN117217870A (zh) | 一种新能源配件在线销售管理系统 | |
| CN114626920A (zh) | 基于SaaS云服务的多供应链商品智能推荐系统 | |
| US11697558B2 (en) | Automated detection of carton damage | |
| CN117079220B (zh) | 一种基于物联网的供应链智能监管系统及方法 | |
| CN106569857A (zh) | 一种在线印刷服务的双向插件系统及其运行方法 | |
| CN107292549A (zh) | 一种库存监控方法及装置 | |
| CN108053275A (zh) | 一种在线产品筛选方法、系统及存储介质 | |
| CN112308483A (zh) | 一种应用于海鲜行业的订单管理系统及方法 | |
| US20080023542A1 (en) | Method and system for accrual transaction processing in loyalty programs | |
| CN114418505A (zh) | 一种数字化供应链管理方法 | |
| CN113127563A (zh) | 一种基于区块链的智能零售管理方法及系统 | |
| CN112990948A (zh) | 服务评估方法、装置、设备、存储介质及计算机程序产品 | |
| KR102547091B1 (ko) | 유지 및 보수관리가 용이한 인쇄 물품 재고관리 시스템 |
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 |