CN117952522B - 一种基于数据处理的仓库入库管理方法及系统 - Google Patents
一种基于数据处理的仓库入库管理方法及系统 Download PDFInfo
- Publication number
- CN117952522B CN117952522B CN202410350779.3A CN202410350779A CN117952522B CN 117952522 B CN117952522 B CN 117952522B CN 202410350779 A CN202410350779 A CN 202410350779A CN 117952522 B CN117952522 B CN 117952522B
- Authority
- CN
- China
- Prior art keywords
- goods
- information
- warehouse
- storage
- data processing
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 40
- 238000012545 processing Methods 0.000 title claims abstract description 30
- 238000003860 storage Methods 0.000 claims abstract description 82
- 238000003062 neural network model Methods 0.000 claims description 16
- 230000035945 sensitivity Effects 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 3
- 239000010931 gold Substances 0.000 description 3
- 229910052737 gold Inorganic materials 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及仓库管理技术领域,尤其涉及一种基于数据处理的仓库入库管理方法及系统,该方法的步骤包括:采集待入库货物图像、待入库货物信息和仓库信息,仓库信息包括空闲库位信息和历史出入库信息;对待入库货物图像进行数据增强,对待入库货物信息进行缺失值填充;通过待入库货物信息和历史出入库信息计算货物使用频率和货物匹配度;构建库位推荐模型,通过待入库货物信息、货物使用频率、货物匹配度和仓库信息获取待入库货物推荐库位信息。本发明通过综合考虑货物使用频率和货物匹配度进行库位信息推荐,大大提高了货物出库效率。
Description
技术领域
本发明涉及仓库管理技术领域,尤其涉及一种基于数据处理的仓库入库管理方法及系统。
背景技术
随着现代生产制造技术的不断发展,货物的出货速度和需求量也不断增加,对货物的存储也提出了更高要求。仓储管理向着智慧化、数字化和平台化的方向推进,智能仓储管理系统能够极大降低人工日常管理工作的压力。但是,传统的仓库管理方法依然存在货物关联度不高和货物出库效率低的问题。
例如在授权公告号为CN116151741B的中国专利中公开了一种仓库货物的入库管理方法及系统,涉及仓储分配技术领域,该方法包括以下步骤:S1:采集待入库货物的RFID电子标签,生成待入库货物权重;S2:对仓库货架进行区域划分,得到若干个货位;S3:确定待入库货物对应的货位;S4:采集待入库货物的实时图像,确定待入库货物的传输尺寸;S5:在若干个货位中确定待入库货物的入库货架,完成货物入库。
而在授权公告号为CN115310917B的中国专利中公开了一种入库管理方法,该方法包括:将仓库的存储区域划分为多个子存储区域;对待上架物料进行初步货位分配,确定待上架物料对应的子存储区域;建立货位分配数学模型;求解货位分配数学模型,得到最佳货位分配方案,完成待上架物料的二次货位分配;将待上架物料存储到对应的货位;将货位分配结果反馈给仓库管理系统。
以上专利均存在本背景技术提出的问题:现有的仓库入库管理方法未能综合考虑待入库货物的货物使用频率和货物匹配度,而通过货物使用频率和货物匹配度进行库位信息推荐,能够大大提高货物出库效率。
发明内容
为了克服现有技术存在的缺陷与不足,本发明提供一种基于数据处理的仓库入库管理方法及系统,通过综合考虑货物使用频率和货物匹配度进行库位信息推荐,大大提高了货物出库效率。
为了达到上述目的,本发明采用以下技术方案:
本发明提供一种基于数据处理的仓库入库管理方法,包括下述步骤:
采集待入库货物图像、待入库货物信息和仓库信息,仓库信息包括空闲库位信息和历史出入库信息;
对待入库货物图像进行数据增强,对待入库货物信息进行缺失值填充;
通过待入库货物信息和历史出入库信息计算货物使用频率和货物匹配度;
构建库位推荐模型,通过待入库货物信息、货物使用频率、货物匹配度和仓库信息获取待入库货物推荐库位信息。
作为优选的技术方案,所述待入库货物信息包括货物类型、货物重量、货物尺寸和货物环境敏感度,货物环境敏感度包括货物温度敏感度和货物湿度敏感度。
作为优选的技术方案,所述数据增强用于对待入库货物图像的图像数量进行扩充,具体步骤包括:
将待入库货物图像进行图像变换,图像变换包括水平翻转、垂直翻转、随机角度旋转、随机亮度、随机对比度、噪声干扰和图像模糊。
作为优选的技术方案,所述缺失信息填充用于对采集到的待入库货物信息进行缺失值填充,具体步骤包括:
将待入库货物信息中的货物类型作为第一货物类型,将待入库货物信息中的货物尺寸作为第一货物尺寸;
将待入库货物图像输入第一神经网络模型,获取第二货物类型;
将待入库货物图像输入第二神经网络模型,获取第二货物尺寸;
若第一货物类型和第一货物尺寸存在缺失,则将第二货物类型和第二货物尺寸填充至待入库货物信息。
作为优选的技术方案,所述第一神经网络模型包括AlexNet、VGGNet、GoogLeNet、ResNet和DenseNet。
作为优选的技术方案,所述第二神经网络模型包括FCN、SegNet、PSPNet、UNet和DeepLabV3+。
作为优选的技术方案,所述货物使用频率为历史出入库信息中货物出库次数与总出库次数的比值。
作为优选的技术方案,所述货物匹配度表示货物与货物之间的关联程度,用下式表示:
;
式中表示货物/>与货物/>同时出库的次数,/>表示货物/>与其他货物共同出库的次数,/>表示货物/>与货物/>第/>次共同出库时的数量比值,/>表示时间权重函数,表示货物/>与货物/>的货物匹配度。
作为优选的技术方案,所述时间权重函数用下式表示:
;
式中表示货物/>与货物/>的第/>次共同出库时间,/>表示货物/>与其他货物的最近一次共同出库时间,/>表示匹配度衰减率,/>表示时间权重函数。
作为优选的技术方案,所述库位推荐模型采用基于内容的推荐算法,能够更好地解决推荐冷启动问题。
本发明还提供一种基于数据处理的仓库入库管理系统,包括:
信息采集模块,用于采集待入库货物图像、待入库货物信息和仓库信息,仓库信息包括空闲库位信息和历史出入库信息;
信息预处理模块,用于对待入库货物图像进行数据增强,对待入库货物信息进行缺失值填充;
匹配度计算模块,用于通过待入库货物信息和历史出入库信息计算货物使用频率和货物匹配度;
推荐模型构建模块,用于构建库位推荐模型,通过待入库货物信息、货物使用频率、货物匹配度和仓库信息获取待入库货物推荐库位信息。
本发明的一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时,实现一种基于数据处理的仓库入库管理方法。
本发明的一种控制器,包括存储器和处理器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序时实现一种基于数据处理的仓库入库管理方法。
本发明与现有技术相比,具有如下优点和有益效果:
(1)本发明通过待入库货物信息、货物使用频率、货物匹配度和仓库信息获取待入库货物推荐库位信息,提高了库位信息推荐的准确性和可靠性。
(2)本发明通过综合考虑货物使用频率和货物匹配度进行库位信息推荐,充分考虑了货物与货物之间的关联程度,大大提高了货物出库效率。
附图说明
通过阅读参照以下附图所作的对非限制性实施例的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明的一种基于数据处理的仓库入库管理方法的整体流程示意图;
图2为本发明的一种基于数据处理的仓库入库管理方法中所述缺失信息填充的流程示意图;
图3为本发明的一种基于数据处理的仓库入库管理系统的结构示意图。
具体实施方式
下面通过附图以及具体实施例对本发明技术方案做详细地说明,应当理解本发明实施例以及实施例中的具体特征是对本发明技术方案的详细的说明,而不是对本发明技术方案的限定,在不冲突的情况下,本发明实施例以及实施例中的技术特征可以相互组合。
实施例1
如图1所示,本实施例提供一种基于数据处理的仓库入库管理方法,具体包括下述步骤:
S1:采集待入库货物图像、待入库货物信息和仓库信息,仓库信息包括空闲库位信息和历史出入库信息;
待入库货物信息包括货物类型、货物重量、货物尺寸和货物环境敏感度,货物环境敏感度包括货物温度敏感度和货物湿度敏感度。
S2:对待入库货物图像进行数据增强,对待入库货物信息进行缺失值填充;
S21:数据增强用于对待入库货物图像的图像数量进行扩充,具体步骤包括:
将待入库货物图像进行图像变换,图像变换包括水平翻转、垂直翻转、随机角度旋转、随机亮度、随机对比度、噪声干扰和图像模糊。
S22:缺失信息填充用于对采集到的待入库货物信息进行缺失值填充,如图2所示,缺失信息填充的具体步骤包括:
将待入库货物信息中的货物类型作为第一货物类型,将待入库货物信息中的货物尺寸作为第一货物尺寸;
将待入库货物图像输入第一神经网络模型,获取第二货物类型;
将待入库货物图像输入第二神经网络模型,获取第二货物尺寸;
若第一货物类型和第一货物尺寸存在缺失,则将第二货物类型和第二货物尺寸填充至待入库货物信息;
第一神经网络模型包括AlexNet、VGGNet、GoogLeNet、ResNet和DenseNet,其中,AlexNet包括5个卷积层和3个全连接层,VGGNet包括5个卷积层、3个全连接层和1个softmax输出层,GoogLeNet通过Inception层并行学习图像的多尺度特征,ResNet引入了残差模块,每个残差模块包含两条路径,一条路径为输入特征的直连通路,另一条路径对输入特征做卷积操作得到输入特征的残差,最后将两条路径上的特征相加,以此来减轻训练深层网络的困难,DenseNet通过将每一个卷积层的输出连接到其后所有的卷积层,以此来保证有效地利用所有卷积层提取到的特征。
第二神经网络模型包括FCN、SegNet、PSPNet、UNet和DeepLabV3+,其中,FCN采用卷积层替代全连接层,使网络能够接受任意大小的输入,同时引入了像素级别的分类概念,为图像中的每个像素生成密集的预测,SegNet采用编码器-解码器结构,通过编码器对输入图像进行降采样,通过解码器恢复空间信息,PSPNet利用金字塔池化在不同尺度上捕获上下文信息,使网络能够更好地理解图像中的背景信息,U-Net在图像分割中被广泛使用,具有编码器-解码器结构和跳跃连接,使网络在上采样过程中保留更多细节信息,DeepLabV3+是DeepLab系列的扩展,采用空洞空间金字塔池化单元来捕获多尺度特征,并使用深度可分离卷积以提高分割效率。
S3:通过待入库货物信息和历史出入库信息计算货物使用频率和货物匹配度;
货物使用频率为历史出入库信息中货物出库次数与总出库次数的比值;
货物匹配度表示货物与货物之间的关联程度,用下式表示:
;
式中表示货物/>与货物/>同时出库的次数,/>表示货物/>与其他货物共同出库的次数,/>表示货物/>与货物/>第/>次共同出库时的数量比值,/>表示时间权重函数,表示货物/>与货物/>的货物匹配度;
时间权重函数用下式表示:
;
式中表示货物/>与货物/>的第/>次共同出库时间,/>表示货物/>与其他货物的最近一次共同出库时间,/>表示匹配度衰减率,/>表示时间权重函数;
匹配度衰减率用下式表示:
;
式中表示信任半衰期,信任半衰期默认为30天。
S4:构建库位推荐模型,通过待入库货物信息、货物使用频率、货物匹配度和仓库信息获取待入库货物推荐库位信息;
库位推荐模型采用基于内容的推荐算法,能够更好地解决推荐冷启动问题,由于基于内容的推荐算法关注货物的特有属性信息,即使历史出入库信息中没有相同类型货物的出入库记录,基于内容的推荐算法仍能根据货物的特有属性信息进行有效库位信息推荐。
实施例2
如图3所示,本实施例提供一种基于数据处理的仓库入库管理系统,包括:
信息采集模块21,用于采集待入库货物图像、待入库货物信息和仓库信息,仓库信息包括空闲库位信息和历史出入库信息;
信息预处理模块22,用于对待入库货物图像进行数据增强,对待入库货物信息进行缺失值填充;
匹配度计算模块23,用于通过待入库货物信息和历史出入库信息计算货物使用频率和货物匹配度;
推荐模型构建模块24,用于构建库位推荐模型,通过待入库货物信息、货物使用频率、货物匹配度和仓库信息获取待入库货物推荐库位信息。
在本实施例中,信息采集模块21,用于采集待入库货物图像、待入库货物信息和仓库信息,其中,仓库信息包括空闲库位信息和历史出入库信息,待入库货物信息包括货物类型、货物重量、货物尺寸和货物环境敏感度,货物环境敏感度包括货物温度敏感度和货物湿度敏感度。
在本实施例中,信息预处理模块22,用于对待入库货物图像进行数据增强,对待入库货物信息进行缺失值填充,其中,数据增强用于对待入库货物图像的图像数量进行扩充,具体步骤包括:
将待入库货物图像进行图像变换,图像变换包括水平翻转、垂直翻转、随机角度旋转、随机亮度、随机对比度、噪声干扰和图像模糊;
缺失信息填充用于对采集到的待入库货物信息进行缺失值填充,具体步骤包括:
将待入库货物信息中的货物类型作为第一货物类型,将待入库货物信息中的货物尺寸作为第一货物尺寸;
将待入库货物图像输入第一神经网络模型,获取第二货物类型;
将待入库货物图像输入第二神经网络模型,获取第二货物尺寸;
若第一货物类型和第一货物尺寸存在缺失,则将第二货物类型和第二货物尺寸填充至待入库货物信息;
第一神经网络模型包括AlexNet、VGGNet、GoogLeNet、ResNet和DenseNet,其中,AlexNet包括5个卷积层和3个全连接层,VGGNet包括5个卷积层、3个全连接层和1个softmax输出层,GoogLeNet通过Inception层并行学习图像的多尺度特征,ResNet引入了残差模块,每个残差模块包含两条路径,一条路径为输入特征的直连通路,另一条路径对输入特征做卷积操作得到输入特征的残差,最后将两条路径上的特征相加,以此来减轻训练深层网络的困难,DenseNet通过将每一个卷积层的输出连接到其后所有的卷积层,以此来保证有效地利用所有卷积层提取到的特征;
第二神经网络模型包括FCN、SegNet、PSPNet、UNet和DeepLabV3+,其中,FCN采用卷积层替代全连接层,使网络能够接受任意大小的输入,同时引入了像素级别的分类概念,为图像中的每个像素生成密集的预测,SegNet采用编码器-解码器结构,通过编码器对输入图像进行降采样,通过解码器恢复空间信息,PSPNet利用金字塔池化在不同尺度上捕获上下文信息,使网络能够更好地理解图像中的背景信息,U-Net在图像分割中被广泛使用,具有编码器-解码器结构和跳跃连接,使网络在上采样过程中保留更多细节信息,DeepLabV3+是DeepLab系列的扩展,采用空洞空间金字塔池化单元来捕获多尺度特征,并使用深度可分离卷积以提高分割效率。
在本实施例中,匹配度计算模块23,用于通过待入库货物信息和历史出入库信息计算货物使用频率和货物匹配度,其中,货物使用频率为历史出入库信息中货物出库次数与总出库次数的比值;
货物匹配度表示货物与货物之间的关联程度,用下式表示:
;
式中表示货物/>与货物/>同时出库的次数,/>表示货物/>与其他货物共同出库的次数,/>表示货物/>与货物/>第/>次共同出库时的数量比值,/>表示时间权重函数,表示货物/>与货物/>的货物匹配度;
时间权重函数用下式表示:
;
式中表示货物/>与货物/>的第/>次共同出库时间,/>表示货物/>与其他货物的最近一次共同出库时间,/>表示匹配度衰减率,/>表示时间权重函数;
匹配度衰减率用下式表示:
;
式中表示信任半衰期,信任半衰期默认为30天。
在本实施例中,推荐模型构建模块24,用于构建库位推荐模型,通过待入库货物信息、货物使用频率、货物匹配度和仓库信息获取待入库货物推荐库位信息,其中,库位推荐模型采用基于内容的推荐算法,能够更好地解决推荐冷启动问题,由于基于内容的推荐算法关注货物的特有属性信息,即使历史出入库信息中没有相同类型货物的出入库记录,基于内容的推荐算法仍能根据货物的特有属性信息进行有效库位信息推荐。
上述关于本发明的一种基于数据处理的仓库入库管理系统中的各参数和各个单元模块实现相应功能的步骤,可参考上文中关于一种基于数据处理的仓库入库管理方法的实施例中的各参数和步骤,在此不做赘述。
实施例3
本发明实施例的一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时,实现上述的一种基于数据处理的仓库入库管理方法。需要说明的是:一种基于数据处理的仓库入库管理方法的所有计算机程序均使用Python语言实现,其中,信息预处理模块、匹配度计算模块和推荐模型构建模块均由远程服务器控制;远程服务器的CPU为Intel Xeon Gold 5118,GPU为NVIDIA GTX 2080Ti 11GB,操作系统为Ubuntu18.04.2,深度学习框架为PyTorch1.7.0,CUDA版本为10.2,使用cuDNN 7.6.5进行加速推理;Intel Xeon Gold 5118包含存储器和处理器,其中,存储器用于存储计算机程序;处理器用于执行计算机程序,使得Intel Xeon Gold 5118执行实现一种基于数据处理的仓库入库管理方法。
所属技术领域的技术人员知道,本发明可以实现为系统、方法或计算机程序产品。
因此,本公开可以具体实现为以下形式,即:可以是完全的硬件、也可以是完全的软件(包括固件、驻留软件、微代码等),还可以是硬件和软件结合的形式,本文一般称为“电路”、“模块”或“系统”。此外,在一些实施例中,本发明还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式,该计算机可读介质中包含计算机可读的程序代码。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM),只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于数据处理的仓库入库管理方法,其特征在于,包括下述步骤:
采集待入库货物图像、待入库货物信息和仓库信息,仓库信息包括空闲库位信息和历史出入库信息;
对待入库货物图像进行数据增强,对待入库货物信息进行缺失值填充;
通过待入库货物信息和历史出入库信息计算货物使用频率和货物匹配度;
构建库位推荐模型,通过待入库货物信息、货物使用频率、货物匹配度和仓库信息获取待入库货物推荐库位信息;
所述货物匹配度表示货物与货物之间的关联程度,用下式表示:
;
式中表示货物/>与货物/>同时出库的次数,/>表示货物/>与其他货物共同出库的次数,/>表示货物/>与货物/>第/>次共同出库时的数量比值,/>表示时间权重函数,表示货物/>与货物/>的货物匹配度;
所述时间权重函数用下式表示:
;
式中表示货物/>与货物/>的第/>次共同出库时间,/>表示货物/>与其他货物的最近一次共同出库时间,/>表示匹配度衰减率,/>表示时间权重函数。
2.根据权利要求1所述的一种基于数据处理的仓库入库管理方法,其特征在于,所述待入库货物信息包括货物类型、货物重量、货物尺寸和货物环境敏感度,货物环境敏感度包括货物温度敏感度和货物湿度敏感度。
3.根据权利要求1所述的一种基于数据处理的仓库入库管理方法,其特征在于,所述数据增强的具体步骤包括:
将待入库货物图像进行图像变换,图像变换包括水平翻转、垂直翻转、随机角度旋转、随机亮度、随机对比度、噪声干扰和图像模糊。
4.根据权利要求1所述的一种基于数据处理的仓库入库管理方法,其特征在于,缺失信息填充用于对采集到的待入库货物信息进行缺失值填充,具体步骤包括:
将待入库货物信息中的货物类型作为第一货物类型,将待入库货物信息中的货物尺寸作为第一货物尺寸;
将待入库货物图像输入第一神经网络模型,获取第二货物类型;
将待入库货物图像输入第二神经网络模型,获取第二货物尺寸;
若第一货物类型和第一货物尺寸存在缺失,则将第二货物类型和第二货物尺寸填充至待入库货物信息。
5.根据权利要求1所述的一种基于数据处理的仓库入库管理方法,其特征在于,所述货物使用频率为历史出入库信息中货物出库次数与总出库次数的比值。
6.根据权利要求4所述的一种基于数据处理的仓库入库管理方法,其特征在于,所述第一神经网络模型包括AlexNet、VGGNet、GoogLeNet、ResNet和DenseNet。
7.根据权利要求4所述的一种基于数据处理的仓库入库管理方法,其特征在于,所述第二神经网络模型包括FCN、SegNet、PSPNet、UNet和DeepLabV3+。
8.一种基于数据处理的仓库入库管理系统,其基于权利要求1-7中任一项所述的一种基于数据处理的仓库入库管理方法实现,其特征在于,所述系统包括:
信息采集模块,用于采集待入库货物图像、待入库货物信息和仓库信息,仓库信息包括空闲库位信息和历史出入库信息;
信息预处理模块,用于对待入库货物图像进行数据增强,对待入库货物信息进行缺失值填充;
匹配度计算模块,用于通过待入库货物信息和历史出入库信息计算货物使用频率和货物匹配度;
推荐模型构建模块,用于构建库位推荐模型,通过待入库货物信息、货物使用频率、货物匹配度和仓库信息获取待入库货物推荐库位信息。
9.一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,该计算机程序被处理器执行时,实现权利要求1-7中任一项所述的一种基于数据处理的仓库入库管理方法。
10.一种控制器,包括存储器和处理器,所述存储器用于存储计算机程序,其特征在于,所述处理器用于执行所述计算机程序时实现权利要求1-7中任一项所述的一种基于数据处理的仓库入库管理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410350779.3A CN117952522B (zh) | 2024-03-26 | 2024-03-26 | 一种基于数据处理的仓库入库管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410350779.3A CN117952522B (zh) | 2024-03-26 | 2024-03-26 | 一种基于数据处理的仓库入库管理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117952522A CN117952522A (zh) | 2024-04-30 |
CN117952522B true CN117952522B (zh) | 2024-06-07 |
Family
ID=90803428
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410350779.3A Active CN117952522B (zh) | 2024-03-26 | 2024-03-26 | 一种基于数据处理的仓库入库管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117952522B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118154101A (zh) * | 2024-05-09 | 2024-06-07 | 山东恒远智能科技有限公司 | 用于自动化物流设备的智慧仓库管理方法及系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709692A (zh) * | 2017-02-24 | 2017-05-24 | 北京远大宏略科技股份有限公司 | 一种物流中心储位分配方法 |
CN107122848A (zh) * | 2017-04-07 | 2017-09-01 | 成都优易数据有限公司 | 一种基于组合优化的仓储管理方法 |
CN110980082A (zh) * | 2019-12-11 | 2020-04-10 | 浙江大学昆山创新中心 | 一种自动化立体仓库库位分配方法 |
CN111476413A (zh) * | 2020-04-03 | 2020-07-31 | 上海明略人工智能(集团)有限公司 | 基于大数据的仓库储位分配方法及系统 |
CN111476521A (zh) * | 2020-04-03 | 2020-07-31 | 上海明略人工智能(集团)有限公司 | 货物存储方法和装置 |
CN113128924A (zh) * | 2020-01-16 | 2021-07-16 | 北京京东乾石科技有限公司 | 货物调度方法、装置和计算机可读存储介质 |
EP3893175A1 (de) * | 2020-04-06 | 2021-10-13 | ALFIX GmbH | Anordnung für die kommissionierung von warenlieferungen |
CN113869831A (zh) * | 2021-10-12 | 2021-12-31 | 江西省舌尖王国供应链管理有限公司 | 智能仓储的库位分配方法、装置及可读存储介质 |
CN115115256A (zh) * | 2022-07-15 | 2022-09-27 | 南京邮电大学 | 一种医药仓库货位分配方法 |
CN116151741A (zh) * | 2023-04-21 | 2023-05-23 | 成都运荔枝科技有限公司 | 一种仓库货物的入库管理方法及系统 |
CN117408608A (zh) * | 2023-10-25 | 2024-01-16 | 绍兴市标准化研究院 | 一种数字化仓库管理系统及其方法 |
CN117495065A (zh) * | 2024-01-03 | 2024-02-02 | 百工汇智(苏州)智能科技有限公司 | 一种仓储机器人视觉识别的设备智能调度方法 |
-
2024
- 2024-03-26 CN CN202410350779.3A patent/CN117952522B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709692A (zh) * | 2017-02-24 | 2017-05-24 | 北京远大宏略科技股份有限公司 | 一种物流中心储位分配方法 |
CN107122848A (zh) * | 2017-04-07 | 2017-09-01 | 成都优易数据有限公司 | 一种基于组合优化的仓储管理方法 |
CN110980082A (zh) * | 2019-12-11 | 2020-04-10 | 浙江大学昆山创新中心 | 一种自动化立体仓库库位分配方法 |
CN113128924A (zh) * | 2020-01-16 | 2021-07-16 | 北京京东乾石科技有限公司 | 货物调度方法、装置和计算机可读存储介质 |
CN111476413A (zh) * | 2020-04-03 | 2020-07-31 | 上海明略人工智能(集团)有限公司 | 基于大数据的仓库储位分配方法及系统 |
CN111476521A (zh) * | 2020-04-03 | 2020-07-31 | 上海明略人工智能(集团)有限公司 | 货物存储方法和装置 |
EP3893175A1 (de) * | 2020-04-06 | 2021-10-13 | ALFIX GmbH | Anordnung für die kommissionierung von warenlieferungen |
CN113869831A (zh) * | 2021-10-12 | 2021-12-31 | 江西省舌尖王国供应链管理有限公司 | 智能仓储的库位分配方法、装置及可读存储介质 |
CN115115256A (zh) * | 2022-07-15 | 2022-09-27 | 南京邮电大学 | 一种医药仓库货位分配方法 |
CN116151741A (zh) * | 2023-04-21 | 2023-05-23 | 成都运荔枝科技有限公司 | 一种仓库货物的入库管理方法及系统 |
CN117408608A (zh) * | 2023-10-25 | 2024-01-16 | 绍兴市标准化研究院 | 一种数字化仓库管理系统及其方法 |
CN117495065A (zh) * | 2024-01-03 | 2024-02-02 | 百工汇智(苏州)智能科技有限公司 | 一种仓储机器人视觉识别的设备智能调度方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117952522A (zh) | 2024-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117952522B (zh) | 一种基于数据处理的仓库入库管理方法及系统 | |
US20220092351A1 (en) | Image classification method, neural network training method, and apparatus | |
US10963632B2 (en) | Method, apparatus, device for table extraction based on a richly formatted document and medium | |
Ioannidou et al. | Deep learning advances in computer vision with 3d data: A survey | |
Lu et al. | TasselNetV2+: A fast implementation for high-throughput plant counting from high-resolution RGB imagery | |
CN110175671A (zh) | 神经网络的构建方法、图像处理方法及装置 | |
CN111401406B (zh) | 一种神经网络训练方法、视频帧处理方法以及相关设备 | |
CN113362382A (zh) | 三维重建方法和三维重建装置 | |
CN111882031A (zh) | 一种神经网络蒸馏方法及装置 | |
CN111626932A (zh) | 图像的超分辨率重建方法及装置 | |
EP3965071A2 (en) | Method and apparatus for pose identification | |
CN111797881A (zh) | 图像分类方法及装置 | |
CN112668608B (zh) | 一种图像识别方法、装置、电子设备及存储介质 | |
CN115294563A (zh) | 一种基于Transformer的增强了局部语义学习能力的3D点云分析方法及装置 | |
CN110532950A (zh) | 基于微表情视频的视频特征提取方法、微表情识别方法 | |
CN115222896B (zh) | 三维重建方法、装置、电子设备及计算机可读存储介质 | |
CN113642571A (zh) | 一种基于显著性注意力机制的细粒度图像识别方法 | |
CN114676776A (zh) | 一种基于Transformer的细粒度图像分类方法 | |
WO2024078112A1 (zh) | 一种舾装件智能识别方法、计算机设备 | |
CN113139967A (zh) | 点云实例分割方法及相关系统、存储介质 | |
CN111968103A (zh) | 一种钢卷间距检测方法、系统、介质及电子终端 | |
Liang et al. | A novel deep network and aggregation model for saliency detection | |
CN114187546B (zh) | 组合性动作识别方法及系统 | |
CN115760670A (zh) | 基于网络隐式先验的无监督高光谱融合方法及装置 | |
CN115761552A (zh) | 面向无人机机载平台的目标检测方法、系统、设备及介质 |
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 |