CN117829698A - 一种食品供应链调度管理系统 - Google Patents
一种食品供应链调度管理系统 Download PDFInfo
- Publication number
- CN117829698A CN117829698A CN202410251519.0A CN202410251519A CN117829698A CN 117829698 A CN117829698 A CN 117829698A CN 202410251519 A CN202410251519 A CN 202410251519A CN 117829698 A CN117829698 A CN 117829698A
- Authority
- CN
- China
- Prior art keywords
- food
- supply chain
- image
- subarea
- supplied
- 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.)
- Granted
Links
- 235000013305 food Nutrition 0.000 title claims abstract description 192
- 238000012216 screening Methods 0.000 claims description 25
- 238000000034 method Methods 0.000 claims description 21
- 239000000446 fuel Substances 0.000 claims description 18
- 238000005192 partition Methods 0.000 claims description 17
- 238000013441 quality evaluation Methods 0.000 claims description 16
- 238000000638 solvent extraction Methods 0.000 claims description 6
- 238000007792 addition Methods 0.000 claims description 3
- 238000012790 confirmation Methods 0.000 claims description 3
- 238000001303 quality assessment method Methods 0.000 claims 2
- 230000009286 beneficial effect Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种食品供应链调度管理系统,属于供应链调度管理技术领域,本发明中先通过各供应链提供的待供食品图像与存储食品图像进行对比,获取各供应链的待供食品的品质因子,根据品质因子筛选出满足品质要求的供应链,命为候选供应链,再从候选供应链中考虑车辆的耗油量、食品损耗成本和待供食品的品质因子,建立目标函数,筛选出最优供应链,本发明在考虑运输中车辆的耗油量时,还考虑食品损耗成本和待供食品的品质因子,提高最优供应链的选择精度。
Description
技术领域
本发明涉及供应链调度管理技术领域,具体涉及一种食品供应链调度管理系统。
背景技术
在现有的物流配送中,同一种食品存在多个供应链,如何从这些供应链中筛选出最优供应链,是每个商户考虑的重点。现有技术是考虑运输车辆的耗能情况和时间成本,从而选出从运输上成本最小的供应链作为最优供应链。现有技术中忽略关键的食品品质因素,仅从运输路径的成本上进行分析,造成最优供应链的选择精度不高。
发明内容
针对现有技术中的上述不足,本发明提供的一种食品供应链调度管理系统解决了现有技术存在最优供应链的选择精度不高的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种食品供应链调度管理系统,包括:食品品质评估单元、食品供应链初筛单元和食品供应链确认单元;
所述食品品质评估单元用于将各供应链提供的待供食品图像与存储食品图像进行对比,计算各供应链的待供食品的品质因子;
所述食品供应链初筛单元用于根据各供应链的待供食品的品质因子,筛选出品质因子大于品质阈值的供应链,得到候选供应链;
所述食品供应链确认单元用于根据车辆的耗油量、食品损耗成本和候选供应链的待供食品的品质因子,建立目标函数,从候选供应链中选出最优供应链,得到待调度的供应链。
本发明的有益效果为:本发明中先通过各供应链提供的待供食品图像与存储食品图像进行对比,获取各供应链的待供食品的品质因子,根据品质因子筛选出满足品质要求的供应链,命为候选供应链,再从候选供应链中考虑车辆的耗油量、食品损耗成本和待供食品的品质因子,建立目标函数,筛选出最优供应链,本发明在考虑运输中车辆的耗油量时,还考虑食品损耗成本和待供食品的品质因子,提高最优供应链的选择精度。
进一步地,所述食品品质评估单元包括:分区子单元、匹配区域筛选子单元、颜色匹配度计算子单元、形状匹配度计算子单元和品质评估子单元;
所述分区子单元用于分别对待供食品图像和存储食品图像进行分区,将待供食品图像划分为多个子区,将存储食品图像划分为多个子区;
所述匹配区域筛选子单元用于将待供食品图像上每个子区与存储食品图像上每个子区进行比对,找到面积占比相似度最高的子区,将对应的两个子区命为一对匹配子区;
所述颜色匹配度计算子单元用于根据一对匹配子区的颜色均值,计算各供应链提供的待供食品图像与存储食品图像的颜色匹配度;
所述形状匹配度计算子单元用于根据一对匹配子区的形状值,计算各供应链提供的待供食品图像与存储食品图像的形状匹配度;
所述品质评估子单元用于根据颜色匹配度和形状匹配度,计算每个供应链的待供食品的品质因子。
上述进一步地方案的有益效果为:本发明将待供食品图像和存储食品图像进行分区,找到面积占比相似度最高的子区,作为一对匹配子区,根据各对匹配子区的颜色均值,得到待供食品图像与存储食品图像的颜色匹配度,根据各对匹配子区的形状值,得到待供食品图像与存储食品图像的形状匹配度,实现分区进行对比,并同时考虑颜色和形状,提高待供食品的品质因子计算精度。
进一步地,所述将待供食品图像划分为多个子区和将存储食品图像划分为多个子区的过程均为:
A1、从图像上取任一像素点,作为对比点;
A2、计算图像上其他像素点的像素值与对比点的像素值的相似度,得到像素相似度,将像素相似度高于相似阈值的像素点和对比点归于同一个分区;
A3、再从图像上未分区范围取任一像素点,作为对比点,重复A2~A3过程,直到图像上无待分区像素点,得到多个子区。
上述进一步地方案的有益效果为:本发明中通过像素值的相似度,将相似的像素值的像素点归为同一个分区,各个子区表征像素值的分布情况。
进一步地,所述匹配区域筛选子单元筛选每对匹配子区的过程具体为:统计待供食品图像上每个子区在待供食品图像的面积占比,统计存储食品图像上每个子区在存储食品图像的面积占比,将待供食品图像上一个子区与作为对比子区,计算对比子区的面积占比与存储食品图像上每个子区的面积占比的相似度,筛选出相似度最高的存储食品图像上的子区,作为与对比子区匹配的子区,将对应的两个子区命为一对匹配子区。
进一步地,所述颜色匹配度计算子单元包括:颜色均值计算模块、分区相似度计算模块和颜色匹配度计算模块;
所述颜色均值计算模块用于计算待供食品图像上每个子区的颜色均值,以及计算存储食品图像上每个子区的颜色均值;
所述分区相似度计算模块用于计算一对匹配子区的颜色均值的相似度;
所述颜色匹配度计算模块用于将所有对匹配子区的颜色均值的相似度相加,得到颜色匹配度。
进一步地,计算每个子区的颜色均值的公式为:
,
其中,C为子区的颜色均值,Rj为子区上第j个像素点的R通道值,Gj为子区上第j个像素点的G通道值,Bj为子区上第j个像素点的B通道值,N为子区上像素点的数量,j为正整数。
进一步地,所述形状匹配度为所有对匹配子区的形状值的相似度相加的和,其中,一对匹配子区中任一子区的形状值的计算公式为:
,
其中,s为子区的形状值,xj为子区上第j个像素点的横坐标,yj为子区上第j个像素点的纵坐标,N为子区上像素点的数量,D为子区所在的待供食品图像或存储食品图像的面积,| |为绝对值运算。
上述进一步地方案的有益效果为:本发明中以一个子区中所有像素点的位置坐标来表征该子区的形状值。
进一步地,所述品质评估子单元的表达式为:
,
其中,m为每个供应链的待供食品的品质因子,g为颜色匹配度,h为形状匹配度。
进一步地,所述目标函数为:
,
其中,V为目标函数,max为取最大值,Loil为车辆运输的耗油量,Loil,max为最大耗油量,woil为耗油量权重,Ls为食品损耗成本,Ls,max为食品最大损耗成本,ws为食品损耗成本权重,mh为每个候选供应链的待供食品的品质因子,mloss为运输过程损失的品质因子,wm为品质因子权重。
上述进一步地方案的有益效果为:本发明中的目标函数不仅考虑车辆运输的耗油量,运输过程食品损耗,还要考虑运输过程对于食品品质造成的影响。
进一步地,所述运输过程损失的品质因子mloss的计算公式为:
,
其中,t为运输时间,θ为运输路径颠簸系数,Tth为时间阈值,e为自然常数,ln为对数函数。
上述进一步地方案的有益效果为:本发明中运输时间在小于等于时间阈值时,运输过程损失的品质因子mloss随着时间的增长缓慢增长,在大于时间阈值后,快速增长,同时设置了运输路径颠簸系数θ,运输路径颠簸系数θ越大,运输过程损失的品质因子mloss越大,对食品伤害越大。
附图说明
图1为一种食品供应链调度管理系统的系统框图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,一种食品供应链调度管理系统,包括:食品品质评估单元、食品供应链初筛单元和食品供应链确认单元;
所述食品品质评估单元用于将各供应链提供的待供食品图像与存储食品图像进行对比,计算各供应链的待供食品的品质因子;
所述食品供应链初筛单元用于根据各供应链的待供食品的品质因子,筛选出品质因子大于品质阈值的供应链,得到候选供应链;
所述食品供应链确认单元用于根据车辆的耗油量、食品损耗成本和候选供应链的待供食品的品质因子,建立目标函数,从候选供应链中选出最优供应链,得到待调度的供应链。
在本实施例中,品质阈值根据需求进行设置。
所述食品品质评估单元包括:分区子单元、匹配区域筛选子单元、颜色匹配度计算子单元、形状匹配度计算子单元和品质评估子单元;
所述分区子单元用于分别对待供食品图像和存储食品图像进行分区,将待供食品图像划分为多个子区,将存储食品图像划分为多个子区;
所述匹配区域筛选子单元用于将待供食品图像上每个子区与存储食品图像上每个子区进行比对,找到面积占比相似度最高的子区,将对应的两个子区命为一对匹配子区;
所述颜色匹配度计算子单元用于根据一对匹配子区的颜色均值,计算各供应链提供的待供食品图像与存储食品图像的颜色匹配度;
所述形状匹配度计算子单元用于根据一对匹配子区的形状值,计算各供应链提供的待供食品图像与存储食品图像的形状匹配度;
所述品质评估子单元用于根据颜色匹配度和形状匹配度,计算每个供应链的待供食品的品质因子。
在本实施例中,面积占比为子区中像素点的数量与待供食品图像或存储食品图像中像素点的数量的比值。
本发明将待供食品图像和存储食品图像进行分区,找到面积占比相似度最高的子区,作为一对匹配子区,根据各对匹配子区的颜色均值,得到待供食品图像与存储食品图像的颜色匹配度,根据各对匹配子区的形状值,得到待供食品图像与存储食品图像的形状匹配度,实现分区进行对比,并同时考虑颜色和形状,提高待供食品的品质因子计算精度。
所述将待供食品图像划分为多个子区和将存储食品图像划分为多个子区的过程均为:
A1、从图像上取任一像素点,作为对比点;
A2、计算图像上其他像素点的像素值与对比点的像素值的相似度,得到像素相似度,将像素相似度高于相似阈值的像素点和对比点归于同一个分区;
A3、再从图像上未分区范围取任一像素点,作为对比点,重复A2~A3过程,直到图像上无待分区像素点,得到多个子区。
本发明中通过像素值的相似度,将相似的像素值的像素点归为同一个分区,各个子区表征像素值的分布情况。
所述匹配区域筛选子单元筛选每对匹配子区的过程具体为:统计待供食品图像上每个子区在待供食品图像的面积占比,统计存储食品图像上每个子区在存储食品图像的面积占比,将待供食品图像上一个子区与作为对比子区,计算对比子区的面积占比与存储食品图像上每个子区的面积占比的相似度,筛选出相似度最高的存储食品图像上的子区,作为与对比子区匹配的子区,将对应的两个子区命为一对匹配子区。
由于本发明中是将待供食品图像与存储食品图像按相同方式进行分区,若两者图像一致,则分区情况相同,计算出的颜色匹配度和形状匹配度最高,待供食品的品质因子最高,因此,本发明中先通过匹配区域筛选子单元找到匹配子区,便于进行对比。
所述颜色匹配度计算子单元包括:颜色均值计算模块、分区相似度计算模块和颜色匹配度计算模块;
所述颜色均值计算模块用于计算待供食品图像上每个子区的颜色均值,以及计算存储食品图像上每个子区的颜色均值;
所述分区相似度计算模块用于计算一对匹配子区的颜色均值的相似度;
所述颜色匹配度计算模块用于将所有对匹配子区的颜色均值的相似度相加,得到颜色匹配度。
计算每个子区的颜色均值的公式为:
,
其中,C为子区的颜色均值,Rj为子区上第j个像素点的R通道值,Gj为子区上第j个像素点的G通道值,Bj为子区上第j个像素点的B通道值,N为子区上像素点的数量,j为正整数。
所述形状匹配度为所有对匹配子区的形状值的相似度相加的和,其中,一对匹配子区中任一子区的形状值的计算公式为:
,
其中,s为子区的形状值,xj为子区上第j个像素点的横坐标,yj为子区上第j个像素点的纵坐标,N为子区上像素点的数量,D为子区所在的待供食品图像或存储食品图像的面积,| |为绝对值运算。
本发明中以一个子区中所有像素点的位置坐标来表征该子区的形状值。
所述品质评估子单元的表达式为:
,
其中,m为每个供应链的待供食品的品质因子,g为颜色匹配度,h为形状匹配度。
所述目标函数为:
,
其中,V为目标函数,max为取最大值,Loil为车辆运输的耗油量,Loil,max为最大耗油量,woil为耗油量权重,Ls为食品损耗成本,Ls,max为食品最大损耗成本,ws为食品损耗成本权重,mh为每个候选供应链的待供食品的品质因子,mloss为运输过程损失的品质因子,wm为品质因子权重。
本发明中的目标函数不仅考虑车辆运输的耗油量,运输过程食品损耗,还要考虑运输过程对于食品品质造成的影响。
所述运输过程损失的品质因子mloss的计算公式为:
,
其中,t为运输时间,θ为运输路径颠簸系数,Tth为时间阈值,e为自然常数,ln为对数函数。
本发明中运输时间在小于等于时间阈值时,运输过程损失的品质因子mloss随着时间的增长缓慢增长,在大于时间阈值后,快速增长,同时设置了运输路径颠簸系数θ,运输路径颠簸系数θ越大,运输过程损失的品质因子mloss越大,对食品伤害越大。
本发明中先通过各供应链提供的待供食品图像与存储食品图像进行对比,获取各供应链的待供食品的品质因子,根据品质因子筛选出满足品质要求的供应链,命为候选供应链,再从候选供应链中考虑车辆的耗油量、食品损耗成本和待供食品的品质因子,建立目标函数,筛选出最优供应链,本发明在考虑运输中车辆的耗油量时,还考虑食品损耗成本和待供食品的品质因子,提高最优供应链的选择精度。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种食品供应链调度管理系统,其特征在于,包括:食品品质评估单元、食品供应链初筛单元和食品供应链确认单元;
所述食品品质评估单元用于将各供应链提供的待供食品图像与存储食品图像进行对比,计算各供应链的待供食品的品质因子;
所述食品供应链初筛单元用于根据各供应链的待供食品的品质因子,筛选出品质因子大于品质阈值的供应链,得到候选供应链;
所述食品供应链确认单元用于根据车辆的耗油量、食品损耗成本和候选供应链的待供食品的品质因子,建立目标函数,从候选供应链中选出最优供应链,得到待调度的供应链。
2.根据权利要求1所述的食品供应链调度管理系统,其特征在于,所述食品品质评估单元包括:分区子单元、匹配区域筛选子单元、颜色匹配度计算子单元、形状匹配度计算子单元和品质评估子单元;
所述分区子单元用于分别对待供食品图像和存储食品图像进行分区,将待供食品图像划分为多个子区,将存储食品图像划分为多个子区;
所述匹配区域筛选子单元用于将待供食品图像上每个子区与存储食品图像上每个子区进行比对,找到面积占比相似度最高的子区,将对应的两个子区命为一对匹配子区;
所述颜色匹配度计算子单元用于根据一对匹配子区的颜色均值,计算各供应链提供的待供食品图像与存储食品图像的颜色匹配度;
所述形状匹配度计算子单元用于根据一对匹配子区的形状值,计算各供应链提供的待供食品图像与存储食品图像的形状匹配度;
所述品质评估子单元用于根据颜色匹配度和形状匹配度,计算每个供应链的待供食品的品质因子。
3.根据权利要求2所述的食品供应链调度管理系统,其特征在于,所述将待供食品图像划分为多个子区和将存储食品图像划分为多个子区的过程均为:
A1、从图像上取任一像素点,作为对比点;
A2、计算图像上其他像素点的像素值与对比点的像素值的相似度,得到像素相似度,将像素相似度高于相似阈值的像素点和对比点归于同一个分区;
A3、再从图像上未分区范围取任一像素点,作为对比点,重复A2~A3过程,直到图像上无待分区像素点,得到多个子区。
4.根据权利要求2所述的食品供应链调度管理系统,其特征在于,所述匹配区域筛选子单元筛选每对匹配子区的过程具体为:统计待供食品图像上每个子区在待供食品图像的面积占比,统计存储食品图像上每个子区在存储食品图像的面积占比,将待供食品图像上一个子区与作为对比子区,计算对比子区的面积占比与存储食品图像上每个子区的面积占比的相似度,筛选出相似度最高的存储食品图像上的子区,作为与对比子区匹配的子区,将对应的两个子区命为一对匹配子区。
5.根据权利要求2所述的食品供应链调度管理系统,其特征在于,所述颜色匹配度计算子单元包括:颜色均值计算模块、分区相似度计算模块和颜色匹配度计算模块;
所述颜色均值计算模块用于计算待供食品图像上每个子区的颜色均值,以及计算存储食品图像上每个子区的颜色均值;
所述分区相似度计算模块用于计算一对匹配子区的颜色均值的相似度;
所述颜色匹配度计算模块用于将所有对匹配子区的颜色均值的相似度相加,得到颜色匹配度。
6.根据权利要求5所述的食品供应链调度管理系统,其特征在于,计算每个子区的颜色均值的公式为:
,
其中,C为子区的颜色均值,Rj为子区上第j个像素点的R通道值,Gj为子区上第j个像素点的G通道值,Bj为子区上第j个像素点的B通道值,N为子区上像素点的数量,j为正整数。
7.根据权利要求2所述的食品供应链调度管理系统,其特征在于,所述形状匹配度为所有对匹配子区的形状值的相似度相加的和,其中,一对匹配子区中任一子区的形状值的计算公式为:
,
其中,s为子区的形状值,xj为子区上第j个像素点的横坐标,yj为子区上第j个像素点的纵坐标,N为子区上像素点的数量,D为子区所在的待供食品图像或存储食品图像的面积,||为绝对值运算。
8.根据权利要求2所述的食品供应链调度管理系统,其特征在于,所述品质评估子单元的表达式为:
,
其中,m为每个供应链的待供食品的品质因子,g为颜色匹配度,h为形状匹配度。
9.根据权利要求1所述的食品供应链调度管理系统,其特征在于,所述目标函数为:
,
其中,V为目标函数,max为取最大值,Loil为车辆运输的耗油量,Loil,max为最大耗油量,woil为耗油量权重,Ls为食品损耗成本,Ls,max为食品最大损耗成本,ws为食品损耗成本权重,mh为每个候选供应链的待供食品的品质因子,mloss为运输过程损失的品质因子,wm为品质因子权重。
10.根据权利要求9所述的食品供应链调度管理系统,其特征在于,所述运输过程损失的品质因子mloss的计算公式为:
,
其中,t为运输时间,θ为运输路径颠簸系数,Tth为时间阈值,e为自然常数,ln为对数函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410251519.0A CN117829698B (zh) | 2024-03-06 | 一种食品供应链调度管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410251519.0A CN117829698B (zh) | 2024-03-06 | 一种食品供应链调度管理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117829698A true CN117829698A (zh) | 2024-04-05 |
CN117829698B CN117829698B (zh) | 2024-07-02 |
Family
ID=
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080294488A1 (en) * | 2007-05-25 | 2008-11-27 | Hussmann Corporation | Supply chain management system |
WO2016028222A1 (en) * | 2014-08-22 | 2016-02-25 | Flavonese Pte Ltd | System and method for distributorless product supply chain management |
CN108090711A (zh) * | 2016-11-22 | 2018-05-29 | 浙江科技学院 | 一种食品冷链运输资源的动态配置方法 |
US20200159750A1 (en) * | 2017-08-09 | 2020-05-21 | Rama Shadrokh | System for measuring food weight |
CN112288375A (zh) * | 2020-11-19 | 2021-01-29 | 南京岁卞智能设备有限公司 | 一种基于大数据的智慧供应链协调管理系统 |
CN112581005A (zh) * | 2020-12-25 | 2021-03-30 | 云南知宝科技成果转化有限公司 | 一种食品监测装置及方法 |
WO2021214756A1 (en) * | 2020-04-20 | 2021-10-28 | Freshpoint Quality Assurance Ltd. | Method, system and computer program products for management of supply chains and/or inventory for perishable goods |
US20230123322A1 (en) * | 2021-04-16 | 2023-04-20 | Strong Force Vcn Portfolio 2019, Llc | Predictive Model Data Stream Prioritization |
WO2023084543A1 (en) * | 2021-11-12 | 2023-05-19 | Waycool Foods And Products Private Limited | System and method for leveraging neural network based hybrid feature extraction model for grain quality analysis |
CN116187643A (zh) * | 2022-12-01 | 2023-05-30 | 国家能源投资集团有限责任公司 | 一体化煤炭供应链调度方案生成方法及系统 |
WO2023129702A1 (en) * | 2021-12-30 | 2023-07-06 | Apeel Technology, Inc. | Machine learning-based assessment of food item quality |
CN116823068A (zh) * | 2023-08-29 | 2023-09-29 | 四川集鲜数智供应链科技有限公司 | 一种餐饮食品供应链管理系统 |
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080294488A1 (en) * | 2007-05-25 | 2008-11-27 | Hussmann Corporation | Supply chain management system |
WO2016028222A1 (en) * | 2014-08-22 | 2016-02-25 | Flavonese Pte Ltd | System and method for distributorless product supply chain management |
CN108090711A (zh) * | 2016-11-22 | 2018-05-29 | 浙江科技学院 | 一种食品冷链运输资源的动态配置方法 |
US20200159750A1 (en) * | 2017-08-09 | 2020-05-21 | Rama Shadrokh | System for measuring food weight |
WO2021214756A1 (en) * | 2020-04-20 | 2021-10-28 | Freshpoint Quality Assurance Ltd. | Method, system and computer program products for management of supply chains and/or inventory for perishable goods |
CN112288375A (zh) * | 2020-11-19 | 2021-01-29 | 南京岁卞智能设备有限公司 | 一种基于大数据的智慧供应链协调管理系统 |
CN112581005A (zh) * | 2020-12-25 | 2021-03-30 | 云南知宝科技成果转化有限公司 | 一种食品监测装置及方法 |
US20230123322A1 (en) * | 2021-04-16 | 2023-04-20 | Strong Force Vcn Portfolio 2019, Llc | Predictive Model Data Stream Prioritization |
WO2023084543A1 (en) * | 2021-11-12 | 2023-05-19 | Waycool Foods And Products Private Limited | System and method for leveraging neural network based hybrid feature extraction model for grain quality analysis |
WO2023129702A1 (en) * | 2021-12-30 | 2023-07-06 | Apeel Technology, Inc. | Machine learning-based assessment of food item quality |
CN116187643A (zh) * | 2022-12-01 | 2023-05-30 | 国家能源投资集团有限责任公司 | 一体化煤炭供应链调度方案生成方法及系统 |
CN116823068A (zh) * | 2023-08-29 | 2023-09-29 | 四川集鲜数智供应链科技有限公司 | 一种餐饮食品供应链管理系统 |
Non-Patent Citations (1)
Title |
---|
姚建明;张秀敏;刘丽文;: "基于改进蚂蚁算法的拉动式供应链动态调度分析", 中国管理科学, no. 03, 30 June 2006 (2006-06-30), pages 20 - 26 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115115644B (zh) | 一种基于人工智能的车辆焊接缺陷检测方法 | |
CN107679520B (zh) | 一种适用于复杂条件下的车道线视觉检测方法 | |
US8111943B2 (en) | Smart image enhancement process | |
CN108256521B (zh) | 用于车身颜色识别的有效区域定位方法 | |
CN110956597A (zh) | 用于车辆中的自动图像改善的设备和方法 | |
CN104036474A (zh) | 一种图像亮度和对比度的自动调节方法 | |
CN103543394A (zh) | 一种高压电气设备放电紫外成像量化参数提取方法 | |
CN101620667B (zh) | 一种消除人脸图像光照不均的处理方法 | |
CN114240888A (zh) | 一种基于图像处理的家具组件喷漆缺陷修复方法及系统 | |
CN110717058B (zh) | 信息推荐方法及装置、存储介质 | |
CN109377450A (zh) | 一种边缘保护的去噪方法 | |
CN102306307B (zh) | 一种彩色显微图像序列中固点噪声的定位方法 | |
CN104318543A (zh) | 基于图像处理方法的板材计量方法与装置 | |
CN111724335A (zh) | 检测方法及检测系统 | |
CN115100174B (zh) | 一种船舶钣金件漆面缺陷检测方法 | |
CN111986222A (zh) | 基于自适应混合阈值的智能电表芯片图像二值化处理方法 | |
CN105376498A (zh) | 一种扩展相机动态范围的图像处理方法及系统 | |
CN117829698B (zh) | 一种食品供应链调度管理系统 | |
CN110086961A (zh) | 一种针对OLED屏的DeMURA算法 | |
CN114777792A (zh) | 路径规划方法、装置、计算机可读介质及电子设备 | |
Li et al. | Surface defect detection of vehicle light guide plates based on an improved RetinaNet | |
CN102610104A (zh) | 一种车载的前方车辆检测方法 | |
CN117829698A (zh) | 一种食品供应链调度管理系统 | |
CN116385430A (zh) | 一种机器视觉瑕疵检测方法、装置、介质及设备 | |
CN113838003B (zh) | 图像的斑点检测方法、设备、介质及计算机程序产品 |
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 |