CN117726277B - 一种基于智慧仓储的酒品信息管理方法及系统 - Google Patents
一种基于智慧仓储的酒品信息管理方法及系统 Download PDFInfo
- Publication number
- CN117726277B CN117726277B CN202410175908.XA CN202410175908A CN117726277B CN 117726277 B CN117726277 B CN 117726277B CN 202410175908 A CN202410175908 A CN 202410175908A CN 117726277 B CN117726277 B CN 117726277B
- Authority
- CN
- China
- Prior art keywords
- wine
- warehouse
- subareas
- task
- 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.)
- Active
Links
- 235000014101 wine Nutrition 0.000 title claims abstract description 266
- 238000003860 storage Methods 0.000 title claims abstract description 118
- 238000007726 management method Methods 0.000 title claims abstract description 33
- 238000001514 detection method Methods 0.000 claims abstract description 75
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000005457 optimization Methods 0.000 claims abstract description 20
- 238000013135 deep learning Methods 0.000 claims abstract description 14
- 230000016776 visual perception Effects 0.000 claims abstract description 14
- 238000000638 solvent extraction Methods 0.000 claims abstract description 8
- 238000010586 diagram Methods 0.000 claims description 62
- 238000005192 partition Methods 0.000 claims description 21
- 238000000034 method Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 16
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 230000007246 mechanism Effects 0.000 claims description 11
- 230000004931 aggregating effect Effects 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 5
- 238000004220 aggregation Methods 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 5
- 230000000750 progressive effect Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000012384 transportation and delivery Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000013439 planning Methods 0.000 abstract description 3
- 230000008451 emotion Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 239000002699 waste material Substances 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
- Image Analysis (AREA)
Abstract
本发明公开了一种基于智慧仓储的酒品信息管理方法及系统,包括,获取酒品仓储范围的功能需求进行分区,生成若干子区域;提取不同子区域的功能需求对检测速度及检测精度的要求,生成约束信息,构建酒品检测模型,根据约束信息进行模型训练,得到不同子区域的最佳模型参数;将酒品视觉感知图像作为模型输入,提取不同子区域的酒品信息,统计不同子区域的出入库情况,生成酒品信息的库存预警;根据出入库情况将酒品的历史出库任务与历史入库任务进行关联组合,获取酒品仓储的时空特征进行出入库优化。本发明利用深度学习进行酒品全局检测,实现仓储酒品信息进行智能化管理;另外对酒品出入库进行预测规划,提高了仓库整体运行效率。
Description
技术领域
本发明涉及酒品管理技术领域,更具体的,涉及一种基于智慧仓储的酒品信息管理方法及系统。
背景技术
随着生活水平的提高,酒类市场逐步复苏,在酒类企业营销过程中酒品的存放及营销管理对资源配置具有重要意义。酒品行业在仓储端面临物料种类繁多、规格不统一等管理难点,仓储规范化方面行业整体处于参差不齐的水平,传统的仓储物流模式与生产能力逐渐不匹配,而且随着渠道多元化,传统的仓储物流已经无法适应线上等销售业态,因此亟须通过自动化、智能化的升级来提升作业和管理效率。
智能仓储主要由货物储存、货物传送存取、管理控制三大系统组成,应用智能控制理论对货物进行管理、控制以及监控现场的存取和运行,达到存储空间的节省和货物搬运的节能高效,使仓储管理运营效率得到优化的同时,缩短了生产节拍,起到降本增效的作用。当前酒品仓储大多存在整体设备的配置比较落后,也未采取先进的信息化技术进行管理,导致库场规划不合理、库场管理混乱,并且货物出入库采用人工清点记录,清点错误率较高,且作业量大,造成人力资源严重浪费。因此,如何根据智慧仓储实现酒品的高效率仓储管理,推进酒品管理的信息化建设是亟需解决的问题。
发明内容
为了解决上述技术问题,本发明提出了一种基于智慧仓储的酒品信息管理方法及系统。
本发明第一方面提供了一种基于智慧仓储的酒品信息管理方法,包括:
获取酒品仓储范围进行分区,判断各分区的功能需求,将所述功能需求进行聚合,生成功能需求标签,根据所述功能需求标签将相似分区进行合并,生成若干子区域;
提取不同子区域的功能需求对检测速度及检测精度的要求,根据所述要求生成约束信息,基于深度学习构建酒品检测模型,根据约束信息进行模型训练,得到不同子区域的最佳模型参数;
将酒品视觉感知图像作为模型输入,提取不同子区域的酒品信息,统计不同子区域的出入库情况,生成酒品信息的库存预警;
根据所述出入库情况将酒品的历史出库任务与历史入库任务进行关联组合,获取酒品仓储的时空特征,根据所述时空特征进行酒品出入库优化。
本方案中,根据所述功能需求标签将相似分区进行合并,生成若干子区域,具体为:
根据仓库的基础信息获取酒品仓储范围,将所述酒品仓储范围进行格栅划分,获取不同分区中的仓储设备种类及酒品种类,根据不同种类仓储设备对应的历史业务及不同种类酒品对应的出入库流程获取功能需求;
在单个分区中利用功能需求之间的相似度将不同功能需求进行精简,将精简后的功能需求进行聚合生成分区的功能需求标签;
计算各分区之间功能需求标签的重合度,根据所述重合度筛选相似分区,将所述相似分区进行合并归为同一子区域,获取各子区域中所有的酒品种类,并提取子区域中各酒品种类的最佳仓储环境数据;
获取各酒品种类对应最佳仓储环境数据之间的偏差,选取与其他酒品种类的偏差过大的酒品种类进行标记,根据未标记酒品种类的最佳仓储环境数据生成子区域的仓储环境画像;
将标记的酒品种类与其他子区域的仓储环境画像匹配,根据匹配结果进行储位调整,遍历所有子区域输出储位调整后的子区域。
本方案中,提取不同子区域的功能需求对检测速度及检测精度的要求,根据所述要求生成约束信息,具体为:
根据子区域的功能需求标签获取子区域中对应的功能任务数据,将所述功能任务数据进行数据清洗,并将清洗后的功能任务数据进行聚类;
通过聚类结果识别子区域中功能任务数据对应的正常任务数据集及异常任务数据集,在所述正常任务数据集中PAC降维;
利用滑窗操作将降维后的正常任务数据集进行处理,增加维度及时间上的相关性,对正常任务数据集中对不同需求功能的正常任务样本进行特征提取,将获取的正常任务特征利用大数据检索引擎进行数据检索;
通过相似度对比获取相似任务数据,读取相似任务数据对应的检测速度区间及检测精度区间,另外,获取不同需求功能对应异常任务数据集中的任务异常频率,根据所述任务异常频率对所述检测速度区间及检测精度区间进行修正,
根据修正后的检测速度区间及检测精度区间生成子区域中对应功能需求的约束信息。
本方案中,基于深度学习构建酒品检测模型,根据约束信息进行模型训练,得到不同子区域的最佳模型参数,具体为:
通过空洞卷积优化后的ResNet网络生成编码器及解码器结构,构建酒品检测模型,利用优化后的ResNet网络作为编码器提取酒品图像特征,在编码器中引入渐进特征金字塔获取不同尺寸的特征图;
通过注意力机制获取特征图的注意力权重,构建加权后的特征图矩阵,将加权后的特征图矩阵进行分级,获取低级特征及高级特征;
利用通道注意力机制将所述低级特征进行增强,对酒品图像特征进行校正,通过逐元素相乘及求和方式融合高级特征,并利用不同膨胀率的空洞卷积获取酒品图像语义特征;
利用上采样统一低级特征及高级特征的分辨率,通过级联进行低级特征与高级特征的交互,将交互后的多层级特征导入解码器进行任务解码,读取对应的酒品信息;
获取不同功能需求对应的历史功能任务数据构建训练集,根据约束信息结合训练集进行模型训练,选取检测速度及检测精度要求最高的功能需求作为基准;
获取其他功能需求的约束信息与基准约束信息的比值,根据所述比值进行模型深度及宽度的调整,根据子区域的功能需求标签得到不同子区域的最佳模型参数。
本方案中,将酒品视觉感知图像作为模型输入,提取不同子区域的酒品信息,统计不同子区域的出入库情况,生成酒品信息的库存预警,具体为:
利用视觉感知获取酒品图像信息作为酒品检测模型的输入,输出对应的酒品信息,获取酒品信息对应的储位信息,根据所述储位信息提取不同子区域的酒品信息;
根据所述酒品信息筛选对应的出入库情况,通过所述出入库情况获取预设时间内不同酒品种类的销售特征,利用所述销售特征与对应酒品的库存信息进行对比,生成库存不足预警或库存积压预警。
本方案中,获取酒品仓储的时空特征,根据所述时空特征进行酒品出入库优化,具体为:
获取各子区域中不同种类酒品的历史出库任务及历史入库任务,提取历史出库任务及历史入库任务的作业数据,所述作业数据包括作业时间、作业路线、作业位置及作业设备;
根据历史出入库任务获取不同子区域的酒品出入库热力图,基于所述酒品出入库热力图获取高频出入库子区域,根据所述作业数据判断所述高频出入库子区域的平均作业时间是否大于预设阈值,若大于,则进行子区域的储位调整;
在酒品仓储范围中根据不同种类酒品的仓储位置及出入库路线图分别获取出库时空图及入库时空图,将不同种类酒品的仓储位置及出入库位置作为出库时空图及入库时空图中的节点,将出入库信息作为节点附加特征;
根据节点之间的欧式距离及不同种类酒品历史出入库任务的时间关联选取邻居节点构建邻接矩阵,将出库时空图及入库时空图对应的邻接矩阵利用图注意力网络进行学习表示;
获取注意力权重对目标节点的邻居进行加权,利用时空卷积及邻居聚合更新节点表示,提取不同种类酒品仓储出入库的时空特征;
获取现有出库任务及入库任务,将现有的出库任务及入库任务映射到出库时空图及入库时空图,在出库时空图中确定目标出库任务的目标节点,利用对应时空特征更新目标节点表示;
将出库时空图的目标节点表示与入库时空图中现有入库任务的表示向量内积计算,根据向量内积获取目标出库任务的最佳入库任务的组合。
本发明第二方面还提供了一种基于智慧仓储的酒品信息管理系统,该系统包括:存储器、处理器,所述存储器中包括基于智慧仓储的酒品信息管理方法程序,所述基于智慧仓储的酒品信息管理方法程序被所述处理器执行时实现如下步骤:
获取酒品仓储范围进行分区,判断各分区的功能需求,将所述功能需求进行聚合,生成功能需求标签,根据所述功能需求标签将相似分区进行合并,生成若干子区域;
提取不同子区域的功能需求对检测速度及检测精度的要求,根据所述要求生成约束信息,基于深度学习构建酒品检测模型,根据约束信息进行模型训练,得到不同子区域的最佳模型参数;
将酒品视觉感知图像作为模型输入,提取不同子区域的酒品信息,统计不同子区域的出入库情况,生成酒品信息的库存预警;
根据所述出入库情况将酒品的历史出库任务与历史入库任务进行关联组合,获取酒品仓储的时空特征,根据所述时空特征进行酒品出入库优化。
本发明公开了一种基于智慧仓储的酒品信息管理方法及系统,包括,获取酒品仓储范围的功能需求进行分区,生成若干子区域;提取不同子区域的功能需求对检测速度及检测精度的要求,生成约束信息,构建酒品检测模型,根据约束信息进行模型训练,得到不同子区域的最佳模型参数;将酒品视觉感知图像作为模型输入,提取不同子区域的酒品信息,统计不同子区域的出入库情况,生成酒品信息的库存预警;根据出入库情况将酒品的历史出库任务与历史入库任务进行关联组合,获取酒品仓储的时空特征进行出入库优化。本发明利用深度学习进行酒品全局检测,实现仓储酒品信息进行智能化管理;另外对酒品出入库进行预测规划,提高了仓库整体运行效率。
附图说明
图1示出了本发明一种基于智慧仓储的酒品信息管理方法的流程图;
图2示出了本发明基于深度学习构建酒品检测模型的流程图;
图3示出了本发明根据酒品仓储的时空特征进行出入库优化的流程图;
图4示出了本发明一种基于智慧仓储的酒品信息管理系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于智慧仓储的酒品信息管理方法的流程图。
如图1所示,本发明第一方面提供了一种基于智慧仓储的酒品信息管理方法,包括:
S102,获取酒品仓储范围进行分区,判断各分区的功能需求,将所述功能需求进行聚合,生成功能需求标签,根据所述功能需求标签将相似分区进行合并,生成若干子区域;
S104,提取不同子区域的功能需求对检测速度及检测精度的要求,根据所述要求生成约束信息,基于深度学习构建酒品检测模型,根据约束信息进行模型训练,得到不同子区域的最佳模型参数;
S106,将酒品视觉感知图像作为模型输入,提取不同子区域的酒品信息,统计不同子区域的出入库情况,生成酒品信息的库存预警;
S108,根据所述出入库情况将酒品的历史出库任务与历史入库任务进行关联组合,获取酒品仓储的时空特征,根据所述时空特征进行酒品出入库优化。
需要说明的是,根据仓库的基础信息获取酒品仓储范围,将所述酒品仓储范围进行格栅划分,获取不同分区中的仓储设备种类及酒品种类,根据不同种类仓储设备对应的历史业务及不同种类酒品对应的出入库流程获取功能需求,包括酒品包装识别、包装残缺识别、仓储环境火灾预警、酒品标签信息提取等。在单个分区中利用功能需求之间的相似度将不同功能需求进行精简,将精简后的功能需求进行聚合生成分区的功能需求标签;计算各分区之间功能需求标签的重合度,根据所述重合度筛选相似分区,将所述相似分区进行合并归为同一子区域,获取各子区域中所有的酒品种类,并提取子区域中各酒品种类的最佳仓储环境数据;获取各酒品种类对应最佳仓储环境数据之间的偏差,选取与其他酒品种类的偏差过大的酒品种类进行标记,根据未标记酒品种类的最佳仓储环境数据生成子区域的仓储环境画像;将标记的酒品种类与其他子区域的仓储环境画像匹配,根据匹配结果进行储位调整,遍历所有子区域输出储位调整后的子区域。
需要说明的是,根据子区域的功能需求标签获取子区域中对应的功能任务数据,将所述功能任务数据进行数据清洗,并将清洗后的功能任务数据进行聚类;通过聚类结果识别子区域中功能任务数据对应的正常任务数据集及异常任务数据集,在所述正常任务数据集中PAC降维;利用滑窗操作将降维后的正常任务数据集进行处理,增加维度及时间上的相关性,对正常任务数据集中对不同需求功能的正常任务样本进行特征提取,将获取的正常任务特征利用大数据检索引擎进行数据检索;通过相似度对比获取相似任务数据,读取相似任务数据对应的检测速度区间及检测精度区间,另外,获取不同需求功能对应异常任务数据集中的任务异常频率,例如酒品包装缺陷的误识别频率过大时,则需要增大检测速度及检测区间,根据所述任务异常频率对所述检测速度区间及检测精度区间进行修正,根据修正后的检测速度区间及检测精度区间生成子区域中对应功能需求的约束信息。
图2示出了本发明基于深度学习构建酒品检测模型的流程图。
根据本发明实施例,基于深度学习构建酒品检测模型,根据约束信息进行模型训练,得到不同子区域的最佳模型参数,具体为:
S202,通过空洞卷积优化后的ResNet网络生成编码器及解码器结构,构建酒品检测模型,利用优化后的ResNet网络作为编码器提取酒品图像特征,在编码器中引入渐进特征金字塔获取不同尺寸的特征图;
S204,通过注意力机制获取特征图的注意力权重,构建加权后的特征图矩阵,将加权后的特征图矩阵进行分级,获取低级特征及高级特征;
S206,利用通道注意力机制将所述低级特征进行增强,对酒品图像特征进行校正,通过逐元素相乘及求和方式融合高级特征,并利用不同膨胀率的空洞卷积获取酒品图像语义特征;
S208,利用上采样统一低级特征及高级特征的分辨率,通过级联进行低级特征与高级特征的交互,将交互后的多层级特征导入解码器进行任务解码,读取对应的酒品信息;
S210,获取不同功能需求对应的历史功能任务数据构建训练集,根据约束信息结合训练集进行模型训练,选取检测速度及检测精度要求最高的功能需求作为基准;
S212,获取其他功能需求的约束信息与基准约束信息的比值,根据所述比值进行模型深度及宽度的调整,根据子区域的功能需求标签得到不同子区域的最佳模型参数。
需要说明的是,通过视觉感知设备收集完成特定功能所需的图片数据,对图片数据进行标注生成训练酒品检测模型所需数据集,或者从互联网途径搜集数据集。然后对酒品检测模型进行训练与测试评估。在酒品检测模型引入渐进特征金字塔获取不同尺寸的特征图,提升模型对小目标的检测能力,另外加入注意力机制及空洞卷积增大感受野及,突出重要的图像特征,避免酒品货物的体积剧烈变化问题。将多层级图像特征进行分级,低级特征主要空间、纹理等细节信息,高级特征主要具备高鉴别力的语义信息,指导类别标记,通过不同层级图像特征的互补实现更好的分割,在解码器中根据不同功能需求进行针对性设计,通过迁移学习等方式实现不同任务的解码训练。
利用视觉感知获取酒品图像信息作为酒品检测模型的输入,输出对应的酒品信息,获取酒品信息对应的储位信息,根据所述储位信息提取不同子区域的酒品信息;根据所述酒品信息筛选对应的出入库情况,通过所述出入库情况获取预设时间内不同酒品种类的销售特征,利用所述销售特征与对应酒品的库存信息进行对比,生成库存不足预警或库存积压预警,当存在库存积压预警时,根据销售特征制定促销方案,帮助库存酒品消耗。
图3示出了本发明根据酒品仓储的时空特征进行出入库优化的流程图。
根据本发明实施例,获取酒品仓储的时空特征,根据所述时空特征进行酒品出入库优化,具体为:
S302,获取各子区域中不同种类酒品的历史出库任务及历史入库任务,提取历史出库任务及历史入库任务的作业数据,所述作业数据包括作业时间、作业路线、作业位置及作业设备;
S304,根据历史出入库任务获取不同子区域的酒品出入库热力图,基于所述酒品出入库热力图获取高频出入库子区域,根据所述作业数据判断所述高频出入库子区域的平均作业时间是否大于预设阈值,若大于,则进行子区域的储位调整;
S306,在酒品仓储范围中根据不同种类酒品的仓储位置及出入库路线图分别获取出库时空图及入库时空图,将不同种类酒品的仓储位置及出入库位置作为出库时空图及入库时空图中的节点,将出入库信息作为节点附加特征;
S308,根据节点之间的欧式距离及不同种类酒品历史出入库任务的时间关联选取邻居节点构建邻接矩阵,将出库时空图及入库时空图对应的邻接矩阵利用图注意力网络进行学习表示;
S310,获取注意力权重对目标节点的邻居进行加权,利用时空卷积及邻居聚合更新节点表示,提取不同种类酒品仓储出入库的时空特征;
S312,获取现有出库任务及入库任务,将现有的出库任务及入库任务映射到出库时空图及入库时空图,在出库时空图中确定目标出库任务的目标节点,利用对应时空特征更新目标节点表示;
S314,将出库时空图的目标节点表示与入库时空图中现有入库任务的表示向量内积计算,根据向量内积获取目标出库任务的最佳入库任务的组合。
需要说明的是,将酒品出入库场景分别抽象为不同的时空图,根据酒品仓储位置之间或酒品仓储位置与出入库位置之间的欧式距离获取节点之间的空间边,并根据不同种类酒品在同一时间段的出入库情况的时间相关性获取节点之间的时间边,在图注意力网络中根据图注意力机制指导邻居节点进行时空卷积及邻居聚合,获取不同种类酒品在出入库作业中的时空特征,根据时空特征将现有的出入库任务进行表示,寻找出库作业与入库作业合理的配对方案,通过改变出库作业的顺序,来减小出入库作业时间,提高酒品出入库效率。
需要说明的是,获取目标地区用户的酒品购买行为,提取购买行为对应的酒品种类,根据同一订单中酒品种类之间的共同出现频率获取关联酒品,获取关联酒品所对应的酒品描述特征,根据所述酒品描述特征筛选相似酒品,构建相似酒品集合,在所述相似酒品集合中读取酒品的评价信息,将所述评价信息进行分词,提取情感关键词,基于所述情感关键词将相似酒品进行分类,并设置情感标签;根据用户的历史酒品购买交互行为,获取用户的短期偏好及长期偏好;设置注意力机制所述情感标签及短期偏好、长期偏好进行融合特征,根据所述融合特征筛选符合预设标准的酒品信息对用户进行推荐。
图4示出了本发明一种基于智慧仓储的酒品信息管理系统的框图。
本发明第二方面还提供了一种基于智慧仓储的酒品信息管理系统4,该系统包括:存储器41、处理器42,所述存储器中包括基于智慧仓储的酒品信息管理方法程序,所述基于智慧仓储的酒品信息管理方法程序被所述处理器执行时实现如下步骤:
获取酒品仓储范围进行分区,判断各分区的功能需求,将所述功能需求进行聚合,生成功能需求标签,根据所述功能需求标签将相似分区进行合并,生成若干子区域;
提取不同子区域的功能需求对检测速度及检测精度的要求,根据所述要求生成约束信息,基于深度学习构建酒品检测模型,根据约束信息进行模型训练,得到不同子区域的最佳模型参数;
将酒品视觉感知图像作为模型输入,提取不同子区域的酒品信息,统计不同子区域的出入库情况,生成酒品信息的库存预警;
根据所述出入库情况将酒品的历史出库任务与历史入库任务进行关联组合,获取酒品仓储的时空特征,根据所述时空特征进行酒品出入库优化。
本发明第三方面还提供一种计算机可读存储介质,所述计算机可读存储介质中包括基于智慧仓储的酒品信息管理方法程序,所述基于智慧仓储的酒品信息管理方法程序被处理器执行时,实现如上述任一项所述的基于智慧仓储的酒品信息管理方法的步骤。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备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,如:多个单元或组件可以结合,或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,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,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全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以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,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也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,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (5)
1.一种基于智慧仓储的酒品信息管理方法,其特征在于,包括以下步骤:
获取酒品仓储范围进行分区,判断各分区的功能需求,将所述功能需求进行聚合,生成功能需求标签,根据所述功能需求标签将相似分区进行合并,生成若干子区域;
提取不同子区域的功能需求对检测速度及检测精度的要求,根据所述要求生成约束信息,基于深度学习构建酒品检测模型,根据约束信息进行模型训练,得到不同子区域的最佳模型参数;
将酒品视觉感知图像作为模型输入,提取不同子区域的酒品信息,统计不同子区域的出入库情况,生成酒品信息的库存预警;
根据所述出入库情况将酒品的历史出库任务与历史入库任务进行关联组合,获取酒品仓储的时空特征,根据所述时空特征进行酒品出入库优化;
基于深度学习构建酒品检测模型,根据约束信息进行模型训练,得到不同子区域的最佳模型参数,具体为:
通过空洞卷积优化后的ResNet网络生成编码器及解码器结构,构建酒品检测模型,利用优化后的ResNet网络作为编码器提取酒品图像特征,在编码器中引入渐进特征金字塔获取不同尺寸的特征图;
通过注意力机制获取特征图的注意力权重,构建加权后的特征图矩阵,将加权后的特征图矩阵进行分级,获取低级特征及高级特征;
利用通道注意力机制将所述低级特征进行增强,对酒品图像特征进行校正,通过逐元素相乘及求和方式融合高级特征,并利用不同膨胀率的空洞卷积获取酒品图像语义特征;
利用上采样统一低级特征及高级特征的分辨率,通过级联进行低级特征与高级特征的交互,将交互后的多层级特征导入解码器进行任务解码,读取对应的酒品信息;
获取不同功能需求对应的历史功能任务数据构建训练集,根据约束信息结合训练集进行模型训练,选取检测速度及检测精度要求最高的功能需求作为基准;
获取其他功能需求的约束信息与基准约束信息的比值,根据所述比值进行模型深度及宽度的调整,根据子区域的功能需求标签得到不同子区域的最佳模型参数;
获取酒品仓储的时空特征,根据所述时空特征进行酒品出入库优化,具体为:
获取各子区域中不同种类酒品的历史出库任务及历史入库任务,提取历史出库任务及历史入库任务的作业数据,所述作业数据包括作业时间、作业路线、作业位置及作业设备;
根据历史出入库任务获取不同子区域的酒品出入库热力图,基于所述酒品出入库热力图获取高频出入库子区域,根据所述作业数据判断所述高频出入库子区域的平均作业时间是否大于预设阈值,若大于,则进行子区域的储位调整;
在酒品仓储范围中根据不同种类酒品的仓储位置及出入库路线图分别获取出库时空图及入库时空图,将不同种类酒品的仓储位置及出入库位置作为出库时空图及入库时空图中的节点,将出入库信息作为节点附加特征;
根据节点之间的欧式距离及不同种类酒品历史出入库任务的时间关联选取邻居节点构建邻接矩阵,将出库时空图及入库时空图对应的邻接矩阵利用图注意力网络进行学习表示;
获取注意力权重对目标节点的邻居进行加权,利用时空卷积及邻居聚合更新节点表示,提取不同种类酒品仓储出入库的时空特征;
获取现有出库任务及入库任务,将现有的出库任务及入库任务映射到出库时空图及入库时空图,在出库时空图中确定目标出库任务的目标节点,利用对应时空特征更新目标节点表示;
将出库时空图的目标节点表示与入库时空图中现有入库任务的表示向量内积计算,根据向量内积获取目标出库任务的最佳入库任务的组合。
2.根据权利要求1所述的一种基于智慧仓储的酒品信息管理方法,其特征在于,根据所述功能需求标签将相似分区进行合并,生成若干子区域,具体为:
根据仓库的基础信息获取酒品仓储范围,将所述酒品仓储范围进行格栅划分,获取不同分区中的仓储设备种类及酒品种类,根据不同种类仓储设备对应的历史业务及不同种类酒品对应的出入库流程获取功能需求;
在单个分区中利用功能需求之间的相似度将不同功能需求进行精简,将精简后的功能需求进行聚合生成分区的功能需求标签;
计算各分区之间功能需求标签的重合度,根据所述重合度筛选相似分区,将所述相似分区进行合并归为同一子区域,获取各子区域中所有的酒品种类,并提取子区域中各酒品种类的最佳仓储环境数据;
获取各酒品种类对应最佳仓储环境数据之间的偏差,选取与其他酒品种类的偏差过大的酒品种类进行标记,根据未标记酒品种类的最佳仓储环境数据生成子区域的仓储环境画像;
将标记的酒品种类与其他子区域的仓储环境画像匹配,根据匹配结果进行储位调整,遍历所有子区域输出储位调整后的子区域。
3.根据权利要求1所述的一种基于智慧仓储的酒品信息管理方法,其特征在于,提取不同子区域的功能需求对检测速度及检测精度的要求,根据所述要求生成约束信息,具体为:
根据子区域的功能需求标签获取子区域中对应的功能任务数据,将所述功能任务数据进行数据清洗,并将清洗后的功能任务数据进行聚类;
通过聚类结果识别子区域中功能任务数据对应的正常任务数据集及异常任务数据集,在所述正常任务数据集中PAC降维;
利用滑窗操作将降维后的正常任务数据集进行处理,增加维度及时间上的相关性,对正常任务数据集中对不同需求功能的正常任务样本进行特征提取,将获取的正常任务特征利用大数据检索引擎进行数据检索;
通过相似度对比获取相似任务数据,读取相似任务数据对应的检测速度区间及检测精度区间,另外,获取不同需求功能对应异常任务数据集中的任务异常频率,根据所述任务异常频率对所述检测速度区间及检测精度区间进行修正,
根据修正后的检测速度区间及检测精度区间生成子区域中对应功能需求的约束信息。
4.根据权利要求1所述的一种基于智慧仓储的酒品信息管理方法,其特征在于,将酒品视觉感知图像作为模型输入,提取不同子区域的酒品信息,统计不同子区域的出入库情况,生成酒品信息的库存预警,具体为:
利用视觉感知获取酒品图像信息作为酒品检测模型的输入,输出对应的酒品信息,获取酒品信息对应的储位信息,根据所述储位信息提取不同子区域的酒品信息;
根据所述酒品信息筛选对应的出入库情况,通过所述出入库情况获取预设时间内不同酒品种类的销售特征,利用所述销售特征与对应酒品的库存信息进行对比,生成库存不足预警或库存积压预警。
5.一种基于智慧仓储的酒品信息管理系统,其特征在于,该系统包括:存储器、处理器,所述存储器中包括基于智慧仓储的酒品信息管理方法程序,所述基于智慧仓储的酒品信息管理方法程序被所述处理器执行时实现如下步骤:
获取酒品仓储范围进行分区,判断各分区的功能需求,将所述功能需求进行聚合,生成功能需求标签,根据所述功能需求标签将相似分区进行合并,生成若干子区域;
提取不同子区域的功能需求对检测速度及检测精度的要求,根据所述要求生成约束信息,基于深度学习构建酒品检测模型,根据约束信息进行模型训练,得到不同子区域的最佳模型参数;
将酒品视觉感知图像作为模型输入,提取不同子区域的酒品信息,统计不同子区域的出入库情况,生成酒品信息的库存预警;
根据所述出入库情况将酒品的历史出库任务与历史入库任务进行关联组合,获取酒品仓储的时空特征,根据所述时空特征进行酒品出入库优化;
基于深度学习构建酒品检测模型,根据约束信息进行模型训练,得到不同子区域的最佳模型参数,具体为:
通过空洞卷积优化后的ResNet网络生成编码器及解码器结构,构建酒品检测模型,利用优化后的ResNet网络作为编码器提取酒品图像特征,在编码器中引入渐进特征金字塔获取不同尺寸的特征图;
通过注意力机制获取特征图的注意力权重,构建加权后的特征图矩阵,将加权后的特征图矩阵进行分级,获取低级特征及高级特征;
利用通道注意力机制将所述低级特征进行增强,对酒品图像特征进行校正,通过逐元素相乘及求和方式融合高级特征,并利用不同膨胀率的空洞卷积获取酒品图像语义特征;
利用上采样统一低级特征及高级特征的分辨率,通过级联进行低级特征与高级特征的交互,将交互后的多层级特征导入解码器进行任务解码,读取对应的酒品信息;
获取不同功能需求对应的历史功能任务数据构建训练集,根据约束信息结合训练集进行模型训练,选取检测速度及检测精度要求最高的功能需求作为基准;
获取其他功能需求的约束信息与基准约束信息的比值,根据所述比值进行模型深度及宽度的调整,根据子区域的功能需求标签得到不同子区域的最佳模型参数;
获取酒品仓储的时空特征,根据所述时空特征进行酒品出入库优化,具体为:
获取各子区域中不同种类酒品的历史出库任务及历史入库任务,提取历史出库任务及历史入库任务的作业数据,所述作业数据包括作业时间、作业路线、作业位置及作业设备;
根据历史出入库任务获取不同子区域的酒品出入库热力图,基于所述酒品出入库热力图获取高频出入库子区域,根据所述作业数据判断所述高频出入库子区域的平均作业时间是否大于预设阈值,若大于,则进行子区域的储位调整;
在酒品仓储范围中根据不同种类酒品的仓储位置及出入库路线图分别获取出库时空图及入库时空图,将不同种类酒品的仓储位置及出入库位置作为出库时空图及入库时空图中的节点,将出入库信息作为节点附加特征;
根据节点之间的欧式距离及不同种类酒品历史出入库任务的时间关联选取邻居节点构建邻接矩阵,将出库时空图及入库时空图对应的邻接矩阵利用图注意力网络进行学习表示;
获取注意力权重对目标节点的邻居进行加权,利用时空卷积及邻居聚合更新节点表示,提取不同种类酒品仓储出入库的时空特征;
获取现有出库任务及入库任务,将现有的出库任务及入库任务映射到出库时空图及入库时空图,在出库时空图中确定目标出库任务的目标节点,利用对应时空特征更新目标节点表示;
将出库时空图的目标节点表示与入库时空图中现有入库任务的表示向量内积计算,根据向量内积获取目标出库任务的最佳入库任务的组合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410175908.XA CN117726277B (zh) | 2024-02-08 | 2024-02-08 | 一种基于智慧仓储的酒品信息管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410175908.XA CN117726277B (zh) | 2024-02-08 | 2024-02-08 | 一种基于智慧仓储的酒品信息管理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117726277A CN117726277A (zh) | 2024-03-19 |
CN117726277B true CN117726277B (zh) | 2024-04-26 |
Family
ID=90207382
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410175908.XA Active CN117726277B (zh) | 2024-02-08 | 2024-02-08 | 一种基于智慧仓储的酒品信息管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117726277B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593723A (zh) * | 2012-08-14 | 2014-02-19 | 江南大学 | 基于rfid的酒类仓储管理系统 |
CN104346668A (zh) * | 2013-07-31 | 2015-02-11 | 上海长丰智能卡有限公司 | 一种智能酒类信息管理系统以及管理方法 |
CN207268877U (zh) * | 2017-09-18 | 2018-04-24 | 深圳前海玖加电子商务有限公司 | 一种用于酒类仓储的定位和寻酒系统 |
CN116402440A (zh) * | 2023-04-12 | 2023-07-07 | 普瑞特机械制造股份有限公司 | 一种智慧酒库管理系统 |
CN116882902A (zh) * | 2023-09-06 | 2023-10-13 | 酒仙网络科技股份有限公司 | 基于酒品购销信息的仓储管理优化方法、系统及存储介质 |
CN117114585A (zh) * | 2023-07-12 | 2023-11-24 | 四川南有嘉鱼酒业有限公司 | 一种基于大数据的酒类仓储管理系统 |
KR102616999B1 (ko) * | 2023-09-22 | 2023-12-27 | 주식회사 굿샵 | 비전기술을 이용한 자동화 무인 주류 판매 시스템 및 판매 데이터 수집 장치 |
-
2024
- 2024-02-08 CN CN202410175908.XA patent/CN117726277B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593723A (zh) * | 2012-08-14 | 2014-02-19 | 江南大学 | 基于rfid的酒类仓储管理系统 |
CN104346668A (zh) * | 2013-07-31 | 2015-02-11 | 上海长丰智能卡有限公司 | 一种智能酒类信息管理系统以及管理方法 |
CN207268877U (zh) * | 2017-09-18 | 2018-04-24 | 深圳前海玖加电子商务有限公司 | 一种用于酒类仓储的定位和寻酒系统 |
CN116402440A (zh) * | 2023-04-12 | 2023-07-07 | 普瑞特机械制造股份有限公司 | 一种智慧酒库管理系统 |
CN117114585A (zh) * | 2023-07-12 | 2023-11-24 | 四川南有嘉鱼酒业有限公司 | 一种基于大数据的酒类仓储管理系统 |
CN116882902A (zh) * | 2023-09-06 | 2023-10-13 | 酒仙网络科技股份有限公司 | 基于酒品购销信息的仓储管理优化方法、系统及存储介质 |
KR102616999B1 (ko) * | 2023-09-22 | 2023-12-27 | 주식회사 굿샵 | 비전기술을 이용한 자동화 무인 주류 판매 시스템 및 판매 데이터 수집 장치 |
Also Published As
Publication number | Publication date |
---|---|
CN117726277A (zh) | 2024-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7422792B2 (ja) | 環境内のコンピュータビジョン駆動型アプリケーションのためのシステムおよび方法 | |
EP3985578A1 (en) | Method and system for automatically training machine learning model | |
Parmar et al. | A clustering algorithm for supplier base management | |
CN111080225A (zh) | 项目加速的自动评估 | |
US7797264B2 (en) | Detecting and displaying exceptions in tabular data | |
CN112581182A (zh) | 自动售货设备的销售管理方法及系统 | |
US20240086726A1 (en) | Systems and methods for big data analytics | |
WO2023192831A1 (en) | Using machine learning to identify substitutions and recommend parameter changes | |
CN117350766A (zh) | 一种基于私域电商平台的数据处理方法、系统及存储介质 | |
US11216761B2 (en) | System and method for supply chain optimization | |
US20160110733A1 (en) | Inventory management system | |
Chang et al. | High‐Speed Data‐Driven Methodology for Real‐Time Traffic Flow Predictions: Practical Applications of ITS | |
CN111353794B (zh) | 数据处理的方法、供应链调度的方法和装置 | |
US20220351223A1 (en) | System and method for predicting prices for commodities in a computing environment | |
CN117634926B (zh) | 基于大数据分析的综合港口运营预测方法及系统 | |
CN117726277B (zh) | 一种基于智慧仓储的酒品信息管理方法及系统 | |
Hasheminejad et al. | Data mining techniques for analyzing bank customers: A survey | |
KR102646061B1 (ko) | Ai 기반 모델 선택 알고리즘을 이용한 수요 예측 방법 | |
CN111177657B (zh) | 需求确定方法、系统、电子设备及存储介质 | |
US10832419B2 (en) | Cognitive search analytics for multi-dimensional objects | |
Aktas | Big data applications in supply chain management | |
US20240112110A1 (en) | Systems and methods for data ingestion for supply chain optimization | |
CN117974215B (zh) | 基于XGBoost模型的加氢销量预测方法及存储介质 | |
CN117196787B (zh) | 一种基于人工智能的智能决策优化方法及系统 | |
CN116629464B (zh) | 货品的流向图数据的生成方法、装置、设备和介质 |
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 |