一种装配式预制件工厂的物料管理系统

1.本发明属于建筑工业领域，具体涉及一种装配式预制件工厂的物料管理系统。


背景技术：

2.装配式建筑是未来建筑行业发展的一个重要方向，装配式建筑是在工厂内预先对各类型的建筑构件进行加工，然后运输到建设工地现场通过可靠的连接拼装装配而成的新型建筑方式。相对现有的现浇结构建筑而言，具有可规模化生产，建设速度快、建造成本低的优点。
3.当前装配式预制构件工厂随着市场变化开始慢慢变得更加专业化，为了满足不同类型建筑的装配需求，企业生成的装配式预制件的产品种类也越来越多。预制件类型的多样化同样会给工厂的库存管理带来非常大的压力。
4.建筑预制件的生产成本较高，因此大多采取订单化生成的模式。如果大批量生产并产生库存，则会大幅太高企业的运营成本。因此，为了节约生产成本，企业必须实时准确地掌握车间物料库存状况、预制品的加工情况、以及在加工过程中与物料紧密相关的制造要素的情况，进而实现订单化制造、准确化生产以及精细化管理的目的。
5.实现预制构件制造过程精细化管理的前提是能够实时更新工厂内的库存数据。然而，在现阶段的各类预制件工厂中，大多物料数据采集管理主要手段是依靠人工盘点，并由相应的而管理人员根据纸质文档定期上传物料的最新库存数据。由于仓库内物料品类繁多、数据量大、状态多变，依靠人工手动填写输入采集不仅工作量大，采集速度慢，而且很容易出错。这些都会影响库存数据的准确性和时效性。因此，如何实现库存数据的数字化管理，已经成为装配式预制件工厂能够降低成本提高效益的关键，但是现有技术中仍然无法提供有效的解决方案。


技术实现要素：

6.为了解决现有装配式预制件工厂的物料管理依赖人工，库存数据更新不及时，数据容易发生错误等问题，本发明提供一种装配式预制件工厂的物料管理系统。
7.本发明采用以下技术方案实现：一种装配式预制件工厂的物料管理系统，其用于对装配式预制件工厂中物料的出入库过程进行数字化管理。该物料管理系统包括：电子标签、净重测量设备，云服务器，以及手持终端。
8.其中，电子标签包括安装各个运输车辆上的第一标签和第二标签。第一标签用于存储车辆配送时的入库清单或出库清单。第二标签用于存储车辆的称重结果。
9.净重测量设备包括称重机构和一个电子标签写入模块。称重机构用于对进出工厂的运输车辆进行称重，电子标签写入模块用于将称重机构的称重结果写入到车辆中的第二标签内。
10.云服务器内运行有一个库存数据库和一个基于机器视觉的离散物料检测计数模
型。库存数据库用于根据验收后进出场信息对工厂内各物料的库存量进行分类统计。离散物料检测计数模型用于根据输入的不同角度的物料图像，识别并统计出运送的物料中计件标称型物料的数量。
11.手持终端与云服务器进行通信连接并在二者间进行数据交互。手持终端内包含一个图像采集模块、一个电子标签读写模块，以及一个显示模块。图像采集模块用于采集进出场的物料的物料图像；所述电子标签读写模块用于读取任意电子标签中的标签信息，或对任意电子标签中的标签信息进行更新。
12.物料管理系统的应用过程如下：一、车辆入库阶段：预先将入库清单或出库清单录入到运输车辆的第一标签内。通过手持终端读取车辆的第一标签中的清单信息，并将清单信息上传到云服务器中完成出入库预登记。同时，净重测量设备将车辆的入库称重结果写入到车辆中第二标签内。
13.云服务器将接收到的入库清单或出库清单与库存数据库进行匹配，并向手持终端发送指定的卸料或装料的仓库位置。
14.二、卸料或装料阶段：根据指定的仓库位置引导车辆。
15.在装卸过程中采用手持终端采集物料图像，并将物料图像上传到云服务器。
16.云服务器通过离散物料检测计数模型识别并统计出计件标称型物料的实测标称量。
17.三、车辆出库阶段：净重测量设备将车辆的出库称重结果写入到车辆中第二标签内。
18.仓库管理人员使用手持终端扫描车辆的第二标签，并将读取到的入库称重结果和出库称重结果同步发送到云服务器。
19.云服务器根据入库称重结果和出库称重结果计算货物净重，并将货物净重作为重量标称型物料的实测标称量。然后云服务器比对入库清单或出库清单中物料标称信息与实测标称量是否匹配，是则通过出库验证，放行车辆。并根据入库清单或出库清单对库存数据库进行修改。
20.作为本发明进一步的改进，电子标签还包括安装在各个仓库上的第三标签。第三标签用于存储各个仓库内的物料库容数据。在车辆出库后，手持终端接收云服务器中修改后的库存数据库中的信息，并更新对应仓库的第三标签；当工厂内部生产部门需要领用任意仓库内的物料时，通过手持终端向云服务器发出领用请求；云服务器响应请求后会对库存数据库进行修改；管理人员在物料被领取后，通过手持终端更新对应仓库的第三标签。
21.当工厂内部生产部门需要向任意仓库内的存放生产的产品时，通过手持终端向云服务器发出存放请求；云服务器响应请求后会对库存数据库进行修改；管理人员在产品存放完成取后，通过手持终端更新对应仓库的第三标签。
22.作为本发明进一步的改进，在仓库定期盘点过程中，盘点人员对仓库内的物料进行清点和处置。然后将每个仓库中第三标签中记录的物料库容数据与实际清点的数据进行比对，当二者发生偏差时则上报系统，由具有权限的管理人员进行核销后，对云服务器中的
库存数据库进行修改。然后由盘点人员通过手持终端重新更新对应仓库中的第三标签。
23.作为本发明进一步的改进，车辆出入库期间，当运输的物料为重量标称型物料时，则每次最多允许运输一种；当运输的物料为计件标称型物料时，则允许同时运输多种。
24.作为本发明进一步的改进，入库清单中的信息包括：当前批次物料的供货单位、运输车辆的信息、物料的溯源信息、物料类型、验收物料的标称量、接收物料的单位和部门，以及其它备注信息。
25.出库清单中的信息包括：当前批次物料的收货单位、运输车辆的信息、物料的溯源信息、物料类型、验收物料的标称量、物料的供货单位和部门，以及其它备注信息。
26.作为本发明进一步的改进，第一标签、第二标签和第三标签为rfid标签；手持终端为采用具有网络通信功能的专用电子设备，或采用具有通信功能且安装有特定管理程序的通用电子设备。
27.作为本发明进一步的改进，构建出的离散物料检测计数模型包括图像优化模块、基于yolov5设计的目标检测模块，以及输出模块。图像优化模块用于对输入的图像进行局部亮度优化，以得到像素亮度分布均匀的图像并输出给目标检测模块。目标检测模块用于根据输入的图像识别出不同尺度特征状态下包含识别目标的各个预测框及其对应的置信度。输出模块采用改进型非极大值抑制算法对目标检测网络的输出进行处理，得到输入的图像中包含的目标物的数量。
28.其中，目标检测模块中包括：特征提取网络、特征融合网络、以及预测头。特征提取网络用于对输入的图像进行特征提取，得到160*160、80*80、40*40、20*20四个不同尺度的特征图。特征融合网络对四个不同尺度的特征图按照重复多次双向特征融合路径进行融合加强，得到80*80、40*40、20*20三个不同尺度的融合特征。预测头用于对三个不同尺度的融合特征分别进行物体检测与预测框回归；输出对应的预测框和置信度。
29.作为本发明进一步的改进，图像优化模块的优化过程如下：（1）将原始图像image转换为灰度图grey。
30.（2）将灰度图grey扩充为原图通道数，再乘以预设的亮度权重系数α，得到权重矩阵w，即：w=α*grey。
31.其中，“*
”ꢀ
表示矩阵的乘法运算；亮度权重系数α的取值范围为0-1，值越大表示增强程度越大。
32.（3）将灰度图grey中像素值小于0.5认定为暗点像素，对灰度图grey中筛选出的暗点像素进行像素增强，得到对应的曝光图exposure。
33.（4）输出增强后的图像如下：。
34.作为本发明进一步的改进，目标检测模块的改进如下：（1）将yolov5的特征提取网络中所有的csp-block替换为新设计的csp-dsc-block。
35.csp-dsc-block将输入特征分为两路，一路经过dsc-block处理，另一路经过多重dense-block处理，然后将两路处理结果经过3*3卷积处理后输出。
36.（2）将yolov5中主干网络上的所有3*3卷积模块替换为rep-block；以在网络训练
时对rep-block采用多分支结构。
37.（3）在yolov5的特征提取网络和特征融合网络中引入注意力机制模块，注意力机制模块采用融合通道注意力和空间注意力的模块。
38.注意力机制模块的特征输入维度为h*w*c，h为特征高度、w为特征宽度、c为特征通道数。首先。输入特征分别进行全局最大池化和全局平均池化后拼接成1*1*c维度特征。然后，经过1*1卷积核和sigmoid函数得到通道注意力权重；输入特征与通道注意力权重点积后得到通道注意力融合后的h*w*c特征。接着，在分别经过全局最大池化和全局平均池化拼接成h*w*2的特征图。最后，经过7*7的卷积核卷积和sigmoid函数，输出注意力机制处理后的h*w*c维度的输出特征。
39.（4）对预测头进行调整，简化后的预测头采用物体置信度判断与预测框回归解耦的结构。
40.具体地，预测头使用1*1卷积将传入预测头的特征图在通道上进行拆分成相同形状的两个特征图，而后分别叠加3*3卷积，最后再使用1*1卷积进行降维后得到置信度和预测框的相应检测结果。其中，物体置信度判断特征输出通道数为1，预测框回归特征输出通道数为4。
41.（5）本算法采用改进的非极大抑制算法，保留得分前三的预测框，并赋予这三个预测框相应的权重，由得分最高的三个预测框共同平均出最接近真实框的预测框。
42.作为本发明进一步的改进，在离散物料检测计数模型中针对不同类型的物料分别进行训练，并保存对应的训练后的目标检测模块的模型参数；各个目标检测模块的模型训练过程的改进如下：（1）采用mosaic增强策略对原始数据集进行扩增；具体处理过程包括对任意四张图像进行拼接，并采用旋转、裁剪、缩放的方式对拼接图像进行变换。
43.（2）在网络模型训练阶段采用simota标签动态分配方法对正样本进行优选。
44.（3）适配任务改进设计后的损失函数计算公式如下：上式中，表示预测框回归预测损失的权重，代表正样本置信度预测损失对应的的权重，表示负样本置信度预测损失的权重；s2代表特征点数量其值为特征图长宽尺寸的乘积；b代表预测框数量可根据任务预先设置；c代表物体置信度预测值，代表物体置信度真实标签值，上下标i、j代表该值为第i个特征点中第j个预测框对应的物体置信度值，表示该特征点是否包含物体的概率，其范围为0到1；x、y、w、h分别代表预测框中心横纵坐标和宽高，分别代表真实标签中心横纵坐标和宽高，上下标i、j
代表该组参数值为第i个特征点中第j个预测框对应的一组横纵坐标和宽高值；和分别为一组用于表征i、j处特征点是否包含目标物的标志：当第i行第j列特征点包含物体时，为1，为0；当第i行第j列特征点不包含物体时，为0，为1。
45.（4）采用知识蒸馏结构，设置教师模型帮助模型快速收敛；教师模型输出的预测结果作为软标签与学生模型输出的预测结果计算损失称为软损失，真实标签与学生模型输出的预测结果计算损失称为硬损失损失；其中损失函数如下：以上损失函数中使用（3）中损失函数计算公式loss1得出，其中；当学生模型输出值比教师模型更接近真实标签时，则停止知识蒸馏训练仅单独训练学生模型，此时训练损失为：。
46.作为本发明进一步的改进，离散物料检测计数模型采用基于学习的目标检测网络进行训练后得到。物料检测技计数网络模型的输入为包含待识别物料的物料图像，待识别物料在物料图像中应保持平铺状态或保持规则的码垛状态。离散物料检测计数模型的输出为物料图像中包含的待识别物料的类型和数量。
47.作为本发明进一步的改进，离散物料检测计数模型的训练过程如下：（1）获取符合拍摄角度要求的清晰的包含不同物料的原始图像，对原始图像进行预处理，得到原始数据集；并通过裁剪、旋转操作对原始数据集进行扩充。
48.（2）对原始数据集中的图像进行人工标注。标注的对象为图像中的离散物料，标注的标记信息包括：物料的类型、位置信息和数量信息。
49.同时，保存原始数据集中每张图像及其对应的标记信息得到新的数据集，并按照 8:1:1 的数据比例将新的数据集随机分为训练集、验证集和测试集。
50.（3）利用训练集对构建的离散物料检测计数模型进行多轮次训练，并在每一轮次训练结束后，通过验证集对离散物料检测计数模型进行验证。分别得到物料检测计数网络在训练阶段和验证阶段的损失值；当各轮次中训练集得出的损失值降低且验证集得出的损失值升高后，停止训练过程。并保存训练阶段得出的损失值排名前五的五个网络模型。
51.（4）利用测试集对保存的五个网络模型进行测试，然后将测试结果中 map 值最高的网络模型作为最终的所述离散物料检测计数模型。
52.作为本发明进一步的改进，在卸料阶段，云服务器优先指定剩余容量较高且适合存储当前类型物料的仓库作为卸料仓库。在装料阶段，云服务器优先指定物料存储量较大仓库作为当前物料的装料仓库。
53.本发明提供的技术方案，具有如下有益效果：本发明提供的物料管理系统可以对整体工厂内为物料进出，以及物料的领取和新
增等环境进行数字化管理，利用机器视觉技术和射频识别技术对库存管理过程中产生的数据进行实时记录和自动上传，提高物料数据的及时性。
54.本发明提供的物料管理系统利用较少的电子设备，实现了对厂内不同物料变动进行全流程监督和验证，进而保证物料管理过程中的数字化和无纸化。提高管理人员的工作效率，降低管理人员的工作负担，并大幅降低发生数据错误和数据遗漏的风险。
55.由于本发明方案具有的诸多优势，装配式预制件工厂在应用了本发明提供的物料管理系统之后，有利于提升订单化生产的管理效率，降低产品的库存率；进而有效压缩企业的生产成本，提高企业的经济效益。
附图说明
56.附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：图1为本发明实施例1提供的一种装配式预制件工厂的物料管理系统的系统框架图。
57.图2为本发明实施例1中构建的一种装配式预制件工厂的物料管理系统的模块示意图。
58.图3为本发明实施例1提供的一种装配式预制件工厂的物料管理系统的运行过程的工作原理图。
59.图4为本发明实施例2中构建的离散物料检测计数模型的网络框架图。
60.图5为本发明实施例2中图像优化模块进行图像亮度局部增强处理的工作流程图。
61.图6为本发明实施例2中目标检测模块的整体网络框架图。
62.图7为本发明实施例2中改进后的特征融合网络部分的网络框架图。
63.图8为本发明实施例2中改进后的预测头部分的网络框架图。
64.图9为本发明设计的csp-dsc-block的模块框架图。
65.图10为本发明设计的融合通道注意力和空间注意力的模块的注意力机制的原理图。
66.图11为本发明实施例2中的网络模型在测试过程中的精度度-召回率曲线。
具体实施方式
67.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
68.实施例1本实施例提供一种装配式预制件工厂的物料管理系统，其用于对装配式预制件工厂中物料的出入库过程进行数字化管理。如图1和图2所示，该物料管理系统包括：电子标签、净重测量设备，云服务器，以及手持终端。
69.其中，电子标签包括安装各个运输车辆上的第一标签和第二标签。第一标签用于存储车辆配送时的入库清单或出库清单。第二标签用于存储车辆的称重结果。入库清单和出库清单是由运输单位或者是物料的供应和接收单位填写的与配送有关的物料清单，这张
清单会记录向仓库内配送的物料的信息或者是从仓库中取走的产品的信息。
70.具体地，在物料配送到工厂的仓库时，入库清单中的信息包括：当前批次物料的供货单位、运输车辆的信息、物料的溯源信息、物料类型、验收物料的标称量、接收物料的单位和部门，以及其它备注信息等。
71.其中，供货单位指的是当前批次物料的制造公司或贸易公司的信息，运输车辆的信息则会记录物料配送单位使用的车辆型号、车牌号等信息。物料的溯源信息则会记录物料在到达本站前经历的流转过程的信息。物料类型指定的该物料的名称以及标称类型，标称类型会有两种，一种是计重标称型，另一种是计件标称型。例如，砂石等原料是典型的计重标称型物料，这类物料在进出仓库是按照重量进行登记的，而水泥、管道、构件产品等则是典型的计件标称型物料，这些物料在进出仓库时是按照数量进行登记的。验收物料的标称量指的就是当前批次物料的总量，例如对于砂石，标称量指的到当前批次物料的总重；而对于水泥，标称量指的是当前批次水泥的总数量，即袋数。接收物料的单位和部门则是指这批物料入库时的进行核验的对象，通常是本公司的资管科。其它备注信息在可以记录上述信息以外的其它信息，例如物料的存储要求、保质期等等。
72.相应地，当制造出的产品或半成品从工厂仓库运出时，出库清单中的信息包括：当前批次物料的收货单位、运输车辆的信息、物料的溯源信息、物料类型、验收物料的标称量、物料的供货单位和部门，以及其它备注信息等。
73.净重测量设备包括称重机构和一个电子标签写入模块。称重机构用于对进出工厂的运输车辆进行称重，电子标签写入模块用于将称重机构的称重结果写入到车辆中的第二标签内。
74.云服务器内运行有一个库存数据库和一个基于机器视觉的离散物料检测计数模型。库存数据库用于根据验收后进出场信息对工厂内各物料的库存量进行分类统计。离散物料检测计数模型用于根据输入的不同角度的物料图像，识别并统计出运送的物料中计件标称型物料的数量。
75.手持终端与云服务器进行通信连接并在二者间进行数据交互。手持终端内包含一个图像采集模块、一个电子标签读写模块，以及一个显示模块。图像采集模块用于采集进出场的物料的物料图像；所述电子标签读写模块用于读取任意电子标签中的标签信息，或对任意电子标签中的标签信息进行更新。
76.如图3所示，物料管理系统的应用过程如下：一、车辆入库阶段：预先将入库清单或出库清单录入到运输车辆的第一标签内。通过手持终端读取车辆的第一标签中的清单信息，并将清单信息上传到云服务器中完成出入库预登记。
77.同时，净重测量设备将车辆的入库称重结果写入到车辆中第二标签内。
78.云服务器将接收到的入库清单或出库清单与库存数据库进行匹配，并向手持终端发送指定的卸料或装料的仓库位置。其中，在卸料阶段，云服务器优先指定剩余容量较高且适合存储当前类型物料的仓库作为卸料仓库。在装料阶段，云服务器优先指定物料存储量较大仓库作为当前物料的装料仓库。
79.二、卸料或装料阶段：根据指定的仓库位置引导车辆。
80.在装卸过程中采用手持终端采集物料图像，并将物料图像上传到云服务器。
81.云服务器通过离散物料检测计数模型识别并统计出计件标称型物料的实测标称量。
82.三、车辆出库阶段：净重测量设备将车辆的出库称重结果写入到车辆中第二标签内。
83.仓库管理人员使用手持终端扫描车辆的第二标签，并将读取到的入库称重结果和出库称重结果同步发送到云服务器。
84.云服务器根据入库称重结果和出库称重结果计算货物净重，并将货物净重作为重量标称型物料的实测标称量。然后云服务器比对入库清单或出库清单中物料标称信息与实测标称量是否匹配，是则通过出库验证，放行车辆。并根据入库清单或出库清单对库存数据库进行修改。
85.为了使得本实施例提供的方案更加清楚，以下分别以pvc管材（计件标称型）和建筑用砂（计重标称型）的入库流程，水泥涵管的出库流程，库存日常盘点，以及货物领用与产品存储过程为例，对本案提供的物料管理系统的操作流程进行详细介绍：1、物料入库登记：当pvc管材和建筑用砂进场前，供货单位或物流公司需要先将入库清单写入到车辆的第一标签内。当运输车辆到达工厂入口时需要先将车辆停在称重机构（通常是地磅）处，称重机构会计量出车辆的入库称重结果。入库称重结果会被净重测量设备通过电子标签写入模块写入到第二标签内。
86.同时，工厂的仓库管理人员会使用手持终端扫描车辆上的第一标签，获取到入库清单的信息，并上传到云服务器中进行预登记。这里的入库清单实际上就是供货单位或运输公司向工厂告知的本轮运送的物料详情单，可以代替传统的纸质物流配送单。
87.接下来云服务器会根据预登记信息了解到本批次送达的物料详情，然后基于不同仓库的库容情况合理分配卸货的仓位。仓库管理人员会充当领航员，带领运送车辆到达卸货仓库。
88.卸货过程中，根据不同类型的货物会作出不同的操作。例如，对于采用pvc管材这类计件标称型的物料，仓库管理人员会使用手持终端，对车内或卸下来码放到仓库内的管材进行拍照，然后将照片上传到云服务器，云服务器会根据图像识别出本批次运送的pvc管材的规格和数量。云服务器识别出的规格和数量即为本轮验收的实测标称量，实测标称量指仓库实际收到的货物量。当然在卸货过程中，如果仓库管理人员认定配送的物料质量存在问题，也可以通过手持终端向云服务器发出提醒，对实测标称量进行核减。
89.当卸货完成后车辆到达工厂出口时，会由另一组称重结构对车辆进行二次称重，本次称重结果记为出库称重结果，出库称重结果也会被写入到车辆的第一标签中。此时，仓库管理人员再次通过手持终端读取第一标签中的数据，就可以同时获得最近一次的入库称重结果和出库称重结果。该结果也会被上传到云服务器。
90.需要说明的是，对于计件标称型物料，出厂的称重结果不会影响货物配送的验收结果，验收过程在云服务器生成实测标称量（数量）时已经完成。如果实测标称量和入库清单相符，则直接以入库清单为准进行入库登记，并放行车辆及修改库存数据库。如果二者不符，则告知供货公司或物流公司，并以实测标称量为准进行入库登记。
91.出库阶段称重的目的是为了对计重标称型货物进行验收，例如对于建筑用砂而言，运送车辆将砂石倾倒到堆场之后。云服务器根据入库称重结果和出库称重结果的差值确定本次实际收到的砂石的重量。并以此作为实测标称量（重量）。同样地，云服务器判定入库清单和实测标称量是否相符：如果相符则直接以入库清单为准进行入库登记，并放行车辆及修改库存数据库。如果二者不符，则告知供货公司或物流公司，并以实测标称量为准进行入库登记。
92.2、物料出库登记当某个收货单位或本单位派出车辆（空车）从仓库运出产品时，也需要将出库清单写入到车辆的第一标签内。运输车辆到达工厂入口时，仓库管理人员会使用手持终端扫描车辆的第一标签，读取第一标签中出库清单的内容并上传到云服务器。同时，称重机构会对运输车辆进行第一次称重，记录入库称重结果到第二标签内。
93.云服务器会根据接收到的出库清单为运输车辆分配装货仓库，并发送到手持终端上；由仓库管理人员引导车辆到达指定的装货仓位。装货过程中，仓库管理人员同样会通过手持终端拍摄产品的图像，并发送到云服务器，云服务器根据识别出的产品类型和数量确定实测标称量（即装货量）是否与出库清单相符，符合则通过当前车辆的出库验证请求。
94.同样地，在出库阶段，车辆仍然需要在工厂出口处接受二次称重，出库称重结果和入库称重结果共同作为验证出库物料净重的判据。符合则放行，不符合则需要接受核验。
95.需要说明的是，本实施例主要是通过在卸货前后的对车辆进行称重来获取物料的重量；因此，在车辆出入库期间，当运输的物料为重量标称型物料时，则每次最多允许运输一种。当然，如果必须同时运输多种不同的重量标称型物料，则需要进行分次装卸，并在每次装卸后进行称重，以便根据相邻两次称重时车辆的重量变化计算出装载的各类物料的净重。
96.由于本实施例中利用机器视觉技术对计件标称型物料的数量进行识别和统计，而机器识别识别技术可以从同一张图片中分析出不同物料的数量。因此，当运输的物料为计件标称型物料时，则允许同时运输多种不同类型的物料。例如，可以在一次运输过程中同时装卸管片、箱涵等。这些不同的物料均可以通过经过训练的网络模型识别出来。
97.3、库存盘点仓库中物料的日常管理任务还包括物料清点，在本实施例中，电子标签还包括安装在各个仓库上的第三标签。第三标签用于存储各个仓库内的物料库容数据。在车辆出库后，手持终端接收云服务器中修改后的库存数据库中的信息，并更新对应仓库的第三标签。每个仓库上的第三标签可以准确记录该仓库的实际库容信息，包括已经占用的库容量，以及可接受物料的剩余库容量。第三标签中的数据还可以作为仓库定期盘点是的参考数据。
98.具体地，在仓库定期盘点过程中，盘点人员对仓库内的物料进行清点和处置。然后将每个仓库中第三标签中记录的物料库容数据与实际清点的数据进行比对，当二者发生偏差时则上报系统，由具有权限的管理人员进行核销后，对云服务器中的库存数据库进行修改。然后由盘点人员通过手持终端更新对应仓库中的第三标签。
99.例如，当盘点过程发现一个仓库中实际存储的水泥数量为801包，但是库存数据库中的数据显示为805包时，则需要上报到云服务器，对库存数据库的数据进行修改，并更新第三标签的数据。上报过程中管理人员可以利用手持终端中的显示模块，观察库存数据库
的理论数据，并对理论数据数据进行修改。
100.4、货物领用与产品存储在工厂中，仓库的物料主要是用于日常的生产。因此在制造部门领域这些生产物资时，需要对仓库的原料进行领用，而当装配式预制件被加工出来后，也需要将产品存放到仓库内。这些工厂内部的生产活动也会导致工厂的物料库存发生变化。
101.在本实施例的物料管理系统中，当工厂内部生产部门需要领用任意仓库内的物料时，通过手持终端向云服务器发出领用请求；云服务器响应请求后会对库存数据库进行修改；管理人员在物料被领取后，通过手持终端更新对应仓库的第三标签。
102.当工厂内部生产部门需要向任意仓库内的存放生产的产品时，通过手持终端向云服务器发出存放请求；云服务器响应请求后会对库存数据库进行修改；管理人员在产品存放完成取后，通过手持终端更新对应仓库的第三标签。
103.经过以上说明可知：本实施例提供的物料管理系统可以用于处理工厂内部与物料管理有关的所有事项，在使用本实施例提供的物料管理系统之后，所有货物的进场和出场的各环节，以及工厂内部的物料的消耗与新增等任务均在线上进行处理，处理过程中管理系统会随时记录相关数据并上报云服务器，对库存数据库进行动态更新。这可以有效克服人工登记效率低，处理过程繁琐的问题。即使对于较大的任务量，也能够给有效避免容易出现数据遗漏或错误的问题。
104.本实施例提供的方案提供了一种完全数字化和无纸化的管理方法，货物在仓库的“通关”和“出关”过程更加便捷，出入库登记的效率大大提高，对数据的采集更加及时准确。此外，对于货物数量的统计，本实施例还引入了较为前沿的机器视觉技术，并利用云服务器对该项网络任务进行高效处理，进而大幅降低工作人员的工作负荷。
105.在本实施例提供的物料管理系统中，第一标签、第二标签和第三标签可以采用rfid标签；并通过具有rfid读写功能的芯片进行数据读取和修改。其中，手持终端为采用具有网络通信功能的专用电子设备，或采用具有通信功能且安装有特定管理程序的通用电子设备。这种通用电子设备可以是手机、平板电脑、以及智能手环、智能手表、智能眼镜等可穿戴设备等。其中，通用电子设备中安装的特定管理程序指的就是可以登录账号并与云服务器进行数据交互的应用程序。
106.此外，第三标签还可以采用具有通信功能和数据修改功能的可视化电子标签，第三电子标签可以与云服务器进行通信，第三标签定期获取云服务器内与自身有关的库容量信息，并对自身记录或显示的库容量进行自主更新。
107.实施例2本实施例提供一种离散物料检测计数模型；该网络模型的整体框架如图4所示，包括一个图像优化模块、多个基于yolov5设计的并完成相应训练的目标检测模块，以及至少一个输出模块。
108.其中，图像优化模块用于对输入的图像进行局部亮度优化，以得到像素亮度分布均匀的图像并输出给目标检测模块。目标检测模块用于根据输入的图像识别出不同尺度特征状态下包含识别目标的各个预测框及其对应的置信度。输出模块采用非极大值抑制算法对目标检测网络的输出进行处理，得到输入的图像中包含的目标物的数量。
109.本实施例中，图像优化模块在实际处理过程首先对输入图像进行亮度分析，然后
对于图像像素较暗的区域进行亮度提升，对于亮度适宜的区域则不进行处理。进而得到像素亮度均匀分布的图像；以此来减少图像采集光照环境对计数离散物料计数算法结果的影响。具体的图像处理过程如图5所示，包括如下步骤：（1）将原始图像image转换为灰度图grey。
110.（2）将灰度图grey扩充为原图通道数，再乘以预设的亮度权重系数α，得到权重矩阵w，即：w=α*grey。
111.其中，“*
”ꢀ
表示矩阵的乘法运算；亮度权重系数α的取值范围为0-1，值越大表示增强程度越大。
112.（3）将灰度图grey中像素值小于0.5认定为暗点像素，对灰度图grey中筛选出的暗点像素进行像素增强，得到对应的曝光图exposure。
113.（4）输出增强后的图像如下：。
114.在本实施例中，目标检测模块的框架如图6所示，包括特征提取网络、特征融合网络、以及预测头。特征提取网络用于对输入的图像进行特征提取，得到160*160、80*80、40*40、20*20四个不同尺度的特征图。特征融合网络对四个不同尺度的特征图按照重复多次双向特征融合路径进行融合加强，得到80*80、40*40、20*20三个不同尺度的融合特征。预测头用于对三个不同尺度的融合特征分别进行物体检测与预测框回归；输出对应的预测框和置信度。
115.本实施例的网络模型中沿用了yolov5网络中的focus模块，将该模块每隔一个像素取一个值，然后将处理后的结果在通道方向上进行叠加，最终输出图像特征长、宽尺寸减半，通道数扩充四倍的特征图。该结构可在不压缩图像信息的情况有效提升在gpu上的处理速度。并且本实施例改进后的网络模型中借鉴resnet、densenet网络思想，增加多处跳跃连接并结合repvgg重参数思想和深度可分离卷积优化cspdarknet网络。并且经过实验验证，本主干网络可快速收敛并具有较强的特征提取能力。
116.本实施例中特征融合网络，特征融合网络的结构如图7所示，特征融合网络将特征提取网络提取到的四个不同尺寸的特征进行融合加强，然后得到同尺寸加强后的三个尺寸特征。在本实施例中，大尺度如160*160和80*80特征图包含较多的图像细节信息，该层细节信息可以使网络预测头输出更加精准的物体置信度，帮助算法输出更加精准地检测结果。本算法中小尺度如20*20特征图包含更多的语义信息，该层语义信息包含更多的物体位置信息、物体高级特征，可以使网络预测头回归出更精细的预测框。因此特征加强融合可以使大尺寸特征图的图像细节特征融合进小尺寸特征图的高级语义信息，也可以使小尺寸特征图的高级语义信息融合进大尺寸特征图的图像细节纹理信息。
117.本实施例考虑到实际应用过程中离散物料计数任务具有密集、部分遮挡、目标通常较小的特征性较小的特征性。而大尺寸特征又包含较多的目标信息，因此设计出加强特征融合网络，旨在最大限度的利用大尺寸特征。在图7所示的特征融合网络中，特别设计出了一种新的重复多次双向特征融合路径，使大尺度特征和小尺度特征互相传递融合，增加大尺度特征感受野，赋予小尺度特征更多的目标纹理细节。同时增加原始特征与增强特征的跳跃连接，防止本层特征过多的融合其他尺寸特征造成自身特征的丢失，并且特征融合
并非简单叠加，而是赋予大尺度特征更高的权重进行融合。
118.特征融合网络分别将融合增强后的三个特征传入预测头拼接并输出结果，结果中包括物体位置信息（四个参数）和物体置信度（一个参数）。本实施例中对预测头进行了重新设计，具体地，本实施例中预测头的网络架构如图8所示，将物体检测头和预测框回归头进行解耦，两个模块独立进行物体检测与预测框回归任务。
119.预测头输出的结果中包含很多重叠预测框，传统非极大抑制（nms）算法在同一堆叠区域仅保留物体置信度和物体分类得分最高者而将其余预测框直接删除。此操作虽然可以抑制掉大部分重叠预测框，但无法确保保留最接近真实框的预测框，因此本实施例采用改进后的非极大抑制算法，对预测结构进行处理，保留得分前三的预测框，并赋予这三个预测框相应的权重，由得分最高的三个预测框共同平均得出最接近真实框的预测框。
120.总体来说，本实施例对基于yolov5的目标检测模块的改进如下：（1）将yolov5的特征提取网络中所有的csp-block替换为新设计的csp-dsc-block。
121.如图9所示，csp-dsc-block将输入特征分为两路，一路经过dsc-block处理，另一路经过多重dense-block处理，然后将两路处理结果经过3*3卷积处理后输出。
122.（2）将yolov5中主干网络上的所有3*3卷积模块替换为rep-block；以在网络训练时对rep-block采用多分支结构。
123.本实施例将主干网络中的3*3卷积替换成repblock，训练时repblock采用多分支结构，可以有效避免重复梯度并且使网络快速收敛，部署时使用重参数化的3*3卷积进行单分支预测，在加快网络推理速度的同时，也带有一些精度的提升。
124.（3）在yolov5的特征提取网络和特征融合网络中引入注意力机制模块，注意力机制模块采用融合通道注意力和空间注意力的模块。
125.本实施例提供的离散物料计目标检测模块中包含注意力机制模块。由于装配式预制件工厂中离散物料如钢筋、预埋件等通常颜色较为单一并且聚集性堆放因此该场景下的离散物料计数任务所提取到的图像特征在图像通道方向上分布不均匀，在图像平面空间方向上分布也不均匀。针对这一特殊应用场景，本实施例中设计出的融合通道注意力和空间注意力的模块如图10所示。
126.注意力机制模块的特征输入维度为h*w*c，h为特征高度、w为特征宽度、c为特征通道数。首先。输入特征分别进行全局最大池化和全局平均池化后拼接成1*1*c维度特征。然后，经过1*1卷积核和sigmoid函数得到通道注意力权重；输入特征与通道注意力权重点积后得到通道注意力融合后的h*w*c特征。接着，在分别经过全局最大池化和全局平均池化拼接成h*w*2的特征图。最后，经过7*7的卷积核卷积和sigmoid函数，输出注意力机制处理后的h*w*c维度的输出特征。
127.（4）对预测头进行调整，简化后的预测头采用物体置信度判断与预测框回归解耦的结构。
128.具体地，预测头使用1*1卷积将传入预测头的特征图在通道上进行拆分成相同形状的两个特征图，而后分别叠加3*3卷积，最后再使用1*1卷积进行降维后得到置信度和预测框的相应检测结果。其中，物体置信度判断特征输出通道数为1，预测框回归特征输出通道数为4。
129.（5）由于预测头输出包含很多重叠预测框，传统非极大抑制（nms）算法在同一堆叠区域仅保留物体置信度和物体分类得分最高者而将其余预测框直接删除。此操作虽然可以抑制掉大部分重叠预测框，但无法确保保留最接近真实框的预测框，因此本算法采用改进的非极大抑制算法，保留得分前三的预测框，并赋予这三个预测框相应的权重，由得分最高的三个预测框共同平均出最接近真实框的预测框。
130.本实施例的目标检测模块需要识别的物料类型包括多种，因此在网络模型中应该针对不同类型的物料进行分别训练，并保持对应的网络模型参数。在应用阶段，可以将待识别的图像分别输入到不同的网络模型中进行分别检测。具体地，网络模型的训练过程大致如下：1、获取符合拍摄角度要求的清晰的包含不同物料的原始图像，对原始图像进行预处理，得到原始数据集；并通过裁剪、旋转操作对原始数据集进行扩充。
131.2、对原始数据集中的图像进行人工标注。标注的对象为图像中的离散物料，标注的标记信息包括：物料的类型、位置信息和数量信息。
132.同时，保存原始数据集中每张图像及其对应的标记信息得到新的数据集，并按照 8:1:1 的数据比例将新的数据集随机分为训练集、验证集和测试集。
133.3、利用训练集对构建的离散物料检测计数模型进行多轮次训练，并在每一轮次训练结束后，通过验证集对离散物料检测计数模型进行验证。分别得到物料检测计数网络在训练阶段和验证阶段的损失值；当各轮次中训练集得出的损失值降低且验证集得出的损失值升高后，停止训练过程。并保存训练阶段得出的损失值排名前五的五个网络模型。
134.4、利用测试集对保存的五个网络模型进行测试，然后将测试结果中 map 值最高的网络模型作为最终的所述离散物料检测计数模型。
135.特别地，为了提高网络模型的训练效果和收敛速率，本实施例还对网络模型训练阶段的策略进行如下调整：（1）采用mosaic增强策略对原始数据集进行扩增；具体处理过程包括对任意四张图像进行拼接，并采用旋转、裁剪、缩放的方式对拼接图像进行变换。
136.（2）在网络模型训练阶段采用simota标签动态分配方法对正样本进行优选。
137.在网络模型的训练阶段，考虑到对于所有的样本使用同样的分配方案，可能会分配一些网络难以回归的正样本，此类正样本往往会对网络训练起到相反的效果。simota采用动态分配方案，每次分配会计算一个cost代价矩阵，cost矩阵着重考虑三个因素：a、真实框与特征点预测框的重合程度。b、真实框与特征点的目标置信度重合程度。c、真实框的中心是否距离特征点过远。得到cost后，根据cost选择代价最低的10个样本作为正样本，使用该批10个正样本来回归预测真实框。
138.（3）适配任务改进设计后的损失函数计算公式如下：
上式中，表示预测框回归预测损失的权重，代表正样本置信度预测损失对应的的权重，表示负样本置信度预测损失的权重；s2代表特征点数量其值为特征图长宽尺寸的乘积；b代表预测框数量可根据任务预先设置；c代表物体置信度预测值，代表物体置信度真实标签值，上下标i、j代表该值为第i个特征点中第j个预测框对应的物体置信度值，表示该特征点是否包含物体的概率，其范围为0到1；x、y、w、h分别代表预测框中心横纵坐标和宽高，分别代表真实标签中心横纵坐标和宽高，上下标i、j代表该组参数值为第i个特征点中第j个预测框对应的一组横纵坐标和宽高值；和分别为一组用于表征i、j处特征点是否包含目标物的标志：当第i行第j列特征点包含物体时，为1，为0；当第i行第j列特征点不包含物体时，为0，为1。
139.（4）采用知识蒸馏结构，设置教师模型帮助模型快速收敛；本实施例中的该类设计的思想是使用现有训练好的较为优秀的网络，称为“教师模型”。由于教师模型的输出结果更接近与优秀神经网络的预测结果，因此学生模型可以很快收敛。教师模型输出的预测结果作为软标签与学生模型输出的预测结果计算损失称为软损失，真实标签与学生模型输出的预测结果计算损失称为硬损失损失；其中损失函数如下：以上损失函数中使用（3）中损失函数计算公式loss1得出，其中；当学生模型输出值比教师模型更接近真实标签时，则停止知识蒸馏训练仅单独训练学生模型，最终保存学生模型的训练结果，部署使用时仅部署学生模型进行实际预测。学生模型训练训练损失为：。
140.性能测试为了更加充分地说明本实施例中采用的离散物料计数模型的有效性，本实施例还对该算法模型的性能进行仿真实验，仿真实验过程以钢筋、钢管为识别对象的测试，并且在试验中设计了具有较高识别难度的嵌套式钢管（大口径钢管内套着小口经钢管）的识别场景。
141.1、实验过程对比多种算法对于该类识别任务的适配情况，最终本算法结果较优。本物料检测任务中物料图像及物料分布具有单一、聚集性的特点，因此本算法引入注意力机制以更好的完成检测任务。具体地，本实验使用自设计融合通道注意力和空间注意力的模块和已有主流的cbam注意力模块在网络的效果实验参数如下表1所示：表 1 ：算法模型的参数设置2、在网络模型的训练阶段，共采集了包括200张来自datafountain钢筋端面数据集、86张钢筋端面自标注数据集、200张自标注其他物料数据集，共486张图片。其中。训练集（包括验证集）360张，测试集126张。该实验在使用单张rtx 3060 ti的试验设备上完成训练过程。
142.3、基于相同的数据集，本实验对比了本例与其它典型算法模型的预测精度（precision），结果如下表2所示。
143.表2：本例中算法模型与其它算法模型的预测精度统计表此外，实验过程中对比了自设计注意力模块和空间注意力模块（cbam）位于算法不同位置时，算法的预测精度的变化，测试结果如表3所示。
144.表3：算法的预测精度变化
基于表2和表3的数据可知：综合实验分析得出将自设计模块设置于本例主干网络输出图像特征处、将cbam模块引入至多个尺度图像特征融合处在该数据集上表现最好。
145.4、基于构建的网络模型的训练和验证结果，本实施例还对最终保存的训练后的网络模型进行测试，测试结果如图11算法pr曲线所示。该曲线最终收敛于0，且反映了本例算法对离散物料计数任务有较强的适用度。训练出的网络模型可以以较高的精度和召回率完成离散物料计数任务，较高的精度代表算法可有效避免错检的现象、较高的召回率代表网络极少出现漏检的现象。
146.结合上述实施例可知：本实验最终训练出的算法模型在该数据集上取得97.46%的准确率，这可以满足生产环境中物料检测的基本需求。说明该算法具有准确的计数能力能满足紧迫的物料验收任务。此外，该预测结果还表明该算法模型能够解决了大多数物料检测方案无法解决的具有嵌套关系的钢管检测问题。。
147.实施例3本实施例是对实施例1中的方案的进一步优化。具体地，本实施例中的手持终端中还包括一个基于图像识别技术的嵌套式管件物料的本地识别模块，本地识别模块用于根据图像采集模块采集到的图像，在手持终端本地对管件进行识别和计数。本地识别模块的识别结果与图像采集模块获取的图像同步发送到云服务器中；本地识别模块的识别结果用于与云服务器中离散物料检测计数模型的检测结果进行交叉验证。
148.其中，本地识别模块的管件检测方法如下：（1）采用canny算法检测提取管件对应区域的图像的边缘；边缘的提取过程包括四个步骤：a.对图像进行高斯滤波使图像中边缘轮廓变得平滑，并增加边缘宽度；b.计算图像中像素的梯度值和梯度方向；c.通过非极大值抑制（nms）仅保留沿像素梯度方向梯度值最大的点，保留的像素必为边缘。d.将根据步骤c中保留像素点沿梯度法向量方向进行平滑扩充，当扩充点梯度低于给定阈值之后，停止该操作，得到最终轮廓；
（2）计算边缘切线法向量。经过边缘检测后，将边缘做平滑连贯处理。之后计算轮廓上个点所在曲线的切线向内法向量，记录法向量直线。
149.（3）法向量直线交汇点为圆形轮廓的圆心，未交汇的法向量直线判定为其它形状噪声，不予计算。
150.（4）以交汇点为圆心的轮廓从圆心辐射线段，遇到曲线轮廓匹配为物体，通过圆心与曲线轮廓配对则认为检测到一个物体。
151.以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。