本發(fā)明涉及一種基于商品信息的校驗(yàn)入庫方法、系統(tǒng)、設(shè)備及介質(zhì)，屬于倉儲(chǔ)管理。

背景技術(shù)：

1、隨著?b2c?及?c2c?電商規(guī)模持續(xù)擴(kuò)張，倉儲(chǔ)中心需要在極短周期內(nèi)完成大批量商品的入庫校驗(yàn)。一旦將“相似但非同一商品”錯(cuò)誤入庫，其后續(xù)揀貨、發(fā)貨和售后環(huán)節(jié)都會(huì)產(chǎn)生連鎖性損失，表現(xiàn)為：

2、消費(fèi)者退換貨、商家逆向物流與客服成本顯著增加；系統(tǒng)中商品?sku、批次或采購單號(hào)被錯(cuò)誤綁定，導(dǎo)致后續(xù)需求預(yù)測(cè)與補(bǔ)貨決策失真；若發(fā)生質(zhì)量事故，無法準(zhǔn)確追溯到真實(shí)供貨批次，帶來監(jiān)管與合規(guī)風(fēng)險(xiǎn)。

3、多數(shù)倉庫利用訂單條碼或產(chǎn)品二維碼進(jìn)行匹配校驗(yàn)。這種做法依賴單一字符信息，無法有效分辨包裝近似或編碼錯(cuò)誤的商品；當(dāng)供應(yīng)鏈同時(shí)流轉(zhuǎn)多家供應(yīng)商生成的并行編碼體系時(shí)，誤讀與重碼問題尤為突出。

技術(shù)實(shí)現(xiàn)思路

1、為了解決上述現(xiàn)有技術(shù)中存在的問題，本發(fā)明提出了一種基于商品信息的校驗(yàn)入庫方法、系統(tǒng)、設(shè)備及介質(zhì)。

2、本發(fā)明的技術(shù)方案如下：

3、一方面，本發(fā)明提供了一種基于商品信息的校驗(yàn)入庫方法，包括以下步驟：

4、采集倉庫內(nèi)已入庫商品的多維數(shù)據(jù)，并提取商品多維數(shù)據(jù)的多維特征向量；

5、基于所有商品的多維特征向量構(gòu)建每個(gè)維度的特征譜圖，將每個(gè)商品的多維特征向量與每個(gè)維度的特征譜圖進(jìn)行融合后得到該商品的融合特征向量；

6、基于每個(gè)商品的融合特征向量構(gòu)建商品標(biāo)準(zhǔn)特征庫；

7、采集待入庫商品的多維數(shù)據(jù)并通過上述步驟提取待入庫商品的融合特征向量后，輸入構(gòu)建的特征增強(qiáng)模型進(jìn)行特征增強(qiáng)后得到待入庫商品的增強(qiáng)融合特征；

8、基于待入庫商品的增強(qiáng)融合特征以及商品標(biāo)準(zhǔn)特征庫計(jì)算當(dāng)前待入庫商品的錯(cuò)誤入庫概率，當(dāng)待入庫商品的錯(cuò)誤入庫概率超過預(yù)設(shè)閾值時(shí)，判斷當(dāng)前待入庫商品不屬于該倉庫，拒絕入庫。

9、優(yōu)選的，所述商品的多維數(shù)據(jù)包括圖像數(shù)據(jù)、信息數(shù)據(jù)以及歷史入庫時(shí)間數(shù)據(jù)；

10、所述信息數(shù)據(jù)包括商品采購單號(hào)、sku以及商品批次；

11、通過efficientnet網(wǎng)絡(luò)結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)提取圖像數(shù)據(jù)的特征，得到商品的圖像特征向量；

12、通過transformer網(wǎng)絡(luò)提取信息數(shù)據(jù)的特征，得到商品的信息特征向量；

13、基于長短時(shí)記憶網(wǎng)絡(luò)提取歷史入庫時(shí)間數(shù)據(jù)對(duì)應(yīng)的入庫周期特征，得到商品的入庫周期特征向量；

14、基于商品的圖像特征向量、信息特征向量以及入庫周期特征向量構(gòu)建商品的多維特征向量。

15、優(yōu)選的，基于所有商品的多維特征向量構(gòu)建每個(gè)維度的特征譜圖的具體步驟為：

16、對(duì)于每個(gè)維度的特征向量，以每個(gè)商品在該維度的特征向量作為節(jié)點(diǎn)，兩節(jié)點(diǎn)之間以邊連接，并設(shè)置兩節(jié)點(diǎn)在當(dāng)前維度特征空間內(nèi)的相關(guān)性作為邊權(quán)重，最終得到當(dāng)前維度的特征譜圖。

17、優(yōu)選的，對(duì)于每個(gè)維度的特征譜圖構(gòu)建鄰接矩陣，具體如下式所示：

18、；

19、其中：表示第個(gè)維度特征譜圖的鄰接矩陣；表示第個(gè)維度特征譜圖的鄰接矩陣中的第個(gè)節(jié)點(diǎn)與第個(gè)節(jié)點(diǎn)；表示第個(gè)商品在第個(gè)維度的特征向量；表示第個(gè)商品在第個(gè)維度的特征向量；表示第個(gè)維度的特征向量方差；

20、基于每個(gè)維度特征譜圖的鄰接矩陣構(gòu)建每個(gè)維度特征譜圖的拉普拉斯矩陣。

21、優(yōu)選的，構(gòu)建動(dòng)態(tài)譜圖卷積融合網(wǎng)絡(luò)將每個(gè)維度特征譜圖的拉普拉斯矩陣與每個(gè)商品的多維特征向量進(jìn)行融合，具體如下式所示：

22、；

23、其中：表示當(dāng)前商品的融合特征向量；表示激活函數(shù)；表示維度集合；表示第個(gè)維度的可訓(xùn)練權(quán)重矩陣；表示第個(gè)維度特征譜圖的拉普拉斯矩陣；表示第個(gè)維度的譜圖動(dòng)態(tài)濾波器；表示轉(zhuǎn)置操作；表示當(dāng)前商品在第個(gè)維度的特征向量。

24、優(yōu)選的，所述待入庫商品的增強(qiáng)融合特征構(gòu)建步驟為：

25、采集待入庫商品的重量、體積以及密度，構(gòu)建為待入庫商品物理特征向量；

26、將待入庫商品物理特征向量嵌入其融合特征向量后得到初步增強(qiáng)特征向量；

27、構(gòu)建基于注意力機(jī)制的特征增強(qiáng)模型，通過特征增強(qiáng)模型對(duì)初步增強(qiáng)特征向量進(jìn)行二次增強(qiáng)得到待入庫商品的增強(qiáng)融合特征，具體如下式所示：

28、；

29、；

30、其中：表示待入庫商品的增強(qiáng)融合特征；表示初步增強(qiáng)特征向量的查詢向量；表示初步增強(qiáng)特征向量的鍵向量；表示初步增強(qiáng)特征向量的值向量；表示初步增強(qiáng)特征向量的維度；表示物理交互矩陣；表示權(quán)重系數(shù)；表示初步增強(qiáng)特征向量的交互權(quán)重矩陣；表示物理交互矩陣的偏置項(xiàng)；表示待入庫商品物理特征向量的交互權(quán)重矩陣；表示待入庫商品物理特征向量的查詢向量；表示待入庫商品物理特征向量的鍵向量；表示哈達(dá)瑪積。

31、優(yōu)選的，所述待入庫商品的錯(cuò)誤入庫概率的計(jì)算公式為：

32、；

33、其中：表示待入庫商品的錯(cuò)誤入庫概率；表示商品標(biāo)準(zhǔn)特征庫的樣本數(shù)量；表示商品標(biāo)準(zhǔn)特征庫的第個(gè)樣本；表示商品標(biāo)準(zhǔn)特征庫的第個(gè)樣本的相似度歸一系數(shù)；表示商品標(biāo)準(zhǔn)特征庫的第個(gè)樣本的衰減寬度；表示全局乘子；表示商品標(biāo)準(zhǔn)特征庫的第個(gè)樣本的平衡系數(shù)。

34、另一方面，本發(fā)明還提供了一種基于商品信息的校驗(yàn)入庫系統(tǒng)，包括數(shù)據(jù)采集模塊、特征融合模塊、標(biāo)準(zhǔn)特征庫構(gòu)建模塊、特征增強(qiáng)模塊以及錯(cuò)誤入庫概率計(jì)算模塊；

35、所述數(shù)據(jù)采集模塊用于采集倉庫內(nèi)已入庫商品的多維數(shù)據(jù)，并提取商品多維數(shù)據(jù)的多維特征向量；

36、所述特征融合模塊用于基于所有商品的多維特征向量構(gòu)建每個(gè)維度的特征譜圖，將每個(gè)商品的多維特征向量與每個(gè)維度的特征譜圖進(jìn)行融合后得到該商品的融合特征向量；

37、所述標(biāo)準(zhǔn)特征庫構(gòu)建模塊用于基于每個(gè)商品的融合特征向量構(gòu)建商品標(biāo)準(zhǔn)特征庫；

38、所述特征增強(qiáng)模塊用于采集待入庫商品的多維數(shù)據(jù)并通過特征融合模塊提取待入庫商品的融合特征向量后，輸入構(gòu)建的特征增強(qiáng)模型進(jìn)行特征增強(qiáng)后得到待入庫商品的增強(qiáng)融合特征；

39、所述錯(cuò)誤入庫概率計(jì)算模塊用于基于待入庫商品的增強(qiáng)融合特征以及商品標(biāo)準(zhǔn)特征庫計(jì)算當(dāng)前待入庫商品的錯(cuò)誤入庫概率，當(dāng)待入庫商品的錯(cuò)誤入庫概率超過預(yù)設(shè)閾值時(shí)，判斷當(dāng)前待入庫商品不屬于該倉庫，拒絕入庫。

40、再一方面，本發(fā)明還提供一種電子設(shè)備，包括存儲(chǔ)器、處理器及存儲(chǔ)在存儲(chǔ)器上并可在處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述程序時(shí)實(shí)現(xiàn)如本發(fā)明所述的方法。

41、再一方面，本發(fā)明還提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，該程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如本發(fā)明所述的方法。

42、本發(fā)明具有如下有益效果：

43、1、本發(fā)明通過多模態(tài)融合以及物理量增強(qiáng)顯著提高判別精度，對(duì)“外觀極似但規(guī)格不同的商品”的場(chǎng)景尤為有效。

44、2、本發(fā)明對(duì)商品圖像、文本等數(shù)據(jù)提取多維特征，為每個(gè)特征維度生成全局譜圖，并將單件商品特征與各維度譜圖進(jìn)行融合，得到統(tǒng)一的高維融合向量，消除模態(tài)間信息割裂，顯著增強(qiáng)對(duì)細(xì)粒度差異（如包材紋理或批次編碼微差）的識(shí)別精度，由于融合表達(dá)捕獲了全局特征分布，單一模態(tài)出現(xiàn)遮擋、反光或缺失時(shí)，系統(tǒng)仍能憑其他維度保持穩(wěn)定判定。

45、3、本發(fā)明將重量、體積、密度等實(shí)測(cè)物理特征注入向量后，外觀極為相似但規(guī)格不同的商品能夠被快速區(qū)分，在低光或反射等視覺識(shí)別困難場(chǎng)景，物理信號(hào)提供第二條“判別通路”，確保整體檢出率不受環(huán)境波動(dòng)影響。

46、4、本發(fā)明構(gòu)建了標(biāo)準(zhǔn)商品標(biāo)準(zhǔn)特征庫，庫存每新增或下架一個(gè)?sku，僅需在標(biāo)準(zhǔn)商品標(biāo)準(zhǔn)庫寫入或剔除對(duì)應(yīng)向量即可完成更新，無需整體模型重訓(xùn)練，確保長期可維護(hù)。