物流園區智能化創新技術與系統

方鵬飛，嚴 實，鄭宇昕（陜西物流集團產業研究院有限公司 技術研發部，陜西 西安 710054）

0 引 言

隨著社會經濟的快速發展和信息技術的深入應用，我國物流業總體上已步入了轉型升級的新階段。近年來我國政府不斷推動物流業的發展，提出要發展智能物流建設。國家對智能物流業發展高度重視，從政策上加強引導，加大扶持力度，從“十五”規劃的改造傳統流通業到“十三五”規劃的重點建設物流樞紐、綜合物流網絡，再到“十四五”規劃的重點推進物流信息化發展，政策規劃愈發具備前瞻性[1]。作為現代物流業發展的重要方向，物流園區的智慧化綜合管理近幾年在迅猛發展的同時，也面臨各子系統數據相互孤立、物流園區被動的服務狀態造成的物流系統資源浪費和園區運營質量較差等諸多問題[2]，導致物流園區無法充分發揮其應有的作用[3]。為了提高物流園區的經濟效益和社會效益，智能物流建設在物流園區運營管理中受到了關注和重視[4]。

1 技術難點

智慧物流是指通過智能軟硬件、物聯網、大數據、人工智能等智慧化技術手段，實現物流各環節精細化、動態化、可視化管理，提高物流系統智能化分析決策和自動化操作執行能力，提升物流運作效率的現代化物流模式[5]。盡管全國各地已經構建了為數不少的智慧園區，然而在關鍵技術突破上仍面臨著如下挑戰。

一是傳統無線傳感網絡方法無法適應物流園區中的高速傳輸要求。無線傳感網絡的搭建是智慧物流園區建設的核心組件，現有的方法在面對物流園區海量智能終端傳感節點的信息、圖片和視頻的高速傳輸要求時，容易造成網絡吞吐率低、延時高、丟包率高、能耗高、拓展性差等問題[6]。

二是傳統的人臉識別算法無法滿足物流園區的高安防需求。傳統的人臉識別算法在生物認證領域有著廣泛的應用，然而人臉圖像的易獲取性使其被濫用，造成隱私泄露和安全風險[7]。在智慧物流運營平臺中，當提供人臉識別服務時，無需獲取用戶圖像的任何信息，在精準識別人臉的同時，保護用戶隱私安全。

三是隨著智慧物流園區的建設和發展，監控攝像機被廣泛安裝和應用，由此產生的視頻數據量呈爆炸式增長。如何高效利用監控視頻大數據是當前的研究熱點，也是亟待解決的技術難點[8]。因此，以簡短表達監控視頻為目的的視頻濃縮技術得到了人們的廣泛關注，視頻濃縮技術是將原視頻中的目標進行提取和分析，采用以空間換時間的方式，消除視頻中的冗余信息，但現有的視頻濃縮方法存在交互性保留不精準、復雜場景下視頻濃縮性能不佳以及濃縮過程中目標管平移產生假碰撞等問題，因此開展了基于查詢質量相關性評估的視頻濃縮算法研究，力爭實現高質量的濃縮視頻。

四是為了監控人員業務活動，同時防止犯罪發生，監控視頻已經越來越多地出現在各種場所。為了達到這個目的，就需要有一個人在背后觀察這些視頻，并在發生異常時發出警報。然而，這些事件并不經常發生，在大多數情況下，監控這些視頻的人不會看到任何不正常的情況[9]。這些不尋常的事件被認為是異常現象，換句話說，可以被定義為不符合正常情況的模式，而尋找這些不符合規律的模式的過程被稱為異常檢測。近些年來，研究人員一直在努力研究視頻異常檢測這一領域，希望可以自動檢測監控視頻中的異常事件。但異常檢測是一項具有挑戰性的任務。第一，異常的定義可能因人而異。異常的定義在不同的環境下可能有所不同：第二，構成異常點的不同可能性是無限的：第三，異常的數據，尤其是現實世界的數據，往往與正常的數據緊密相連，這些原因使異常檢測任務變得困難。因此，十幾年來研究人員在提出新解決方案時一直基于從傳統方法和深度學習網絡兩個方向來考慮解決這些問題。

五是近年來，數字底座技術在工業領域的應用不斷深入，如設備狀態評價與故障預判、傳感器數據可靠性分析、設備運行畫像建模等。數字底座可有效解決工業控制的多源數據融合，構建數字孿生體。實際工程項目中，往往存在同一區域監控數據采集與接入規約無法統一、信息難以同步的問題，從而產生了大量的信息孤島。基于此，研究物流園區數字底座系統，以實現海量多源異構數據的信息匯聚，對數據湖進行主題聯接，消除信息孤島，最終實現高效可用的數據消費出口以及園區系統狀態的全面可觀、可測、可控[10]。

六是傳統物流建設模式無法支撐日益復雜的物流需求。傳統物流產業園月臺的建設在時間、空間與展示形式上具有局限性；面向海量的倉儲物流數據和復雜的物流業務，缺乏場景化的一站式可視化管理和數字仿真技術；面對存儲規劃和優化需求以及海量生產業務，缺乏可靠精準的決策支撐。

七是傳統的物流園區綜合信息建設平臺的管理方式無法適配智慧物流的建設需求。目前物流園區的信息建設自成體系，業務系統封閉運行，管理模式被動，無法應對突發事件，智能化水平低，設備故障發現不及時，效率低，漏檢率高，需要定期巡檢，人力投入大，缺乏集中統一的協同智能運營平臺，無法滿足智慧物流的建設需求。

2 解決方案

針對物流園區智慧化存在的問題，本文展開了物流園區智慧化技術創新與應用研究，構造智慧化物流園區綜合管理平臺，該平臺功能主要包括以下幾點。

第一，基于地理位置的無線傳感網絡。該網絡主要用于高效采集園區資產設備狀態信息，能夠提升物流園區中智能終端傳感節點的能耗、提升數據傳輸效率和擴展無線傳感網絡生命周期，其具體結構如圖1所示。

具體來說，無線傳感網絡搭建包括構建傳感器節點集群，集群中主節點（MCH）的選舉以保證負載能量均衡，用以減輕網絡擁塞和延長網絡生成時間。構建基于信任推理和代理節點（SCH）的選舉以保證網絡連通性、降低丟包率和提高容錯率，在本文中定義超圖G=（V，H），其中頂點V代表園區中所有傳感器節點，超邊H為V的子集，且H滿足定義：

初始階段根據V中節點兩兩相對位置距離構建重矩陣W（G）。利用W（G）循環調用集群劃分算法將當前園區中所有傳感器節點分為m個集群（超邊），使得目標損失函數最優化。

其中ni表示第i個集群內的節點數，Njk表示第i個集群內部任意兩個不相同的節點距離。集群生成完畢后在集群內部選舉一個主節點負責集群內的數據聚合和集群間的數據包傳遞。基站傾向于選擇簇內通信成本較低、離BS（基站）較近、剩余能量較高的最佳MCHs來解決熱點問題并使網絡壽命最大化。上述問題的優化函數為：

其中ER（MCHi）表示當前節點剩余能量，α+β+γ=1且β≥（α+γ）讓更接近BS的傳感器節點有更大的可能被選為主節點，當集群以及集群中頭節點構建完畢之后，在被選中的頭節點中利用信任推理模型選擇下一跳主節點。構建信任推理模型具體流程如下。

初始化。獲取網絡中所有主節點的位置坐標，通過節點間洪泛HELLO消息，建立并更新鄰居節點列表。

構建信任推理模型計算節點可信值。

隨著HELLO消息的廣播過程，節點A可獲得其鄰居節點的集合N（A）。對于鄰居集合中任意一個鄰居節點N，其可信度如公式（4）所示：

其中節點N的可信度為TAN。SAN代表本節點的直接信任值，由節點A與節點N的歷史行為觀察計算得出；OAN代表間接信任值，由通信范圍內其余節點的推薦信任度得出；αA和βA代表節點A的權重系數，規定αA≥βA。本節點的直接信任值SAN計算如公式（5）所示：

其中SAN（k）為第k個時間段節點A對節點N的直接信任值，其計算公式如下：

其中Uk為交互度，Dk為節點的轉發率，其計算公式如下：

其中Sk指代節點成功轉發數據包的個數，Fk指代轉發失敗的數據包個數。

本節點的間接信任值OAN如公式（10）所示：

其中OANp代表t時間段節點A與第P個其余節點之間的傳輸次數。

信任值權重αA，βA的計算過程如公式（11）—（12）所示：

其中NAN為節點A與被觀察節N之間的傳輸次數。

選擇下一跳轉發節點。如果目的節點與當前傳輸節點的距離d小于通信范圍，即目的節點與傳輸節點為一跳鄰居節點，則直接將數據包轉發至目的節點。否則，根據信任推理模型和地理位置決定中繼節點。

數據傳輸完成。當目的節點D與傳輸節點T為一跳鄰居時，將數據分組傳輸至目的節點D，路由過程結束，至此完成路徑查找及數據傳輸過程。

在集群形成和信任推理模型構建以后，BS根據集群內和集群間的流量負載計算出每個MCH在穩態階段消耗的最大能量。集群內活動消耗能量：

其中NHbest（MCHi）表示最佳的下一跳主節點，此外除了集群內活動，MCH還充當集群間流量負載的中間節點，因此MCH在接收和中繼其它MCH的數據包時消耗的能量：

其中ETX（l，d）表示傳輸距離為l大小為d的數據包數據消耗能量，ERX表示接收單位數據消耗能量。其具體定義如下：

其中εfs表示空閑空間模型，εmp表示多路消退模型，Eelec表示電子電路中耗散的能量。因此在穩態階段每個MCH消耗的最大閾值能量為：

對于SCH的選舉，每個MCH在其集群內廣播一個開始選舉消息，成員節點向各自的MCH節點發送剩余能量和位置信息進行應答，剩余能量超過閾值能量的成員節點被認為是SCH的提名節點，否則認為是惡意節點，最后在提名節點中相對靠近MCH的節點被選為集群內的SCH。

第二，基于同態加密理論的密文人臉識別。為了保證人臉識別過程中人臉圖像信息的安全，研究基于同態加密理論的密文人臉識別技術，通過同態加密理論與人臉識別技術結合，對密文人臉圖像直接進行識別，完成人臉圖像識別的同時，保證了人臉圖像信息的安全，其具體功能結構如圖2所示。

圖2 密文人臉識別結構圖

第三，基于查詢質量相關性評估的視頻濃縮。為解決濃縮視頻中移動目標交互性保留不精準的問題，本文不僅考慮視頻幀與查詢文本的相似性，又考慮了視頻幀的質量得分、代表性得分和多樣性得分。在構造相似性得分過程中，首先通過預訓練模型將視頻幀和查詢文本投影到相同的語義空間，使用相似性和查詢獨立項衡量視頻幀和查詢文本的關聯性。其中查詢獨立項由視頻幀圖片質量、構圖信息和內容興趣加和得出。在訓練過程中，使用子模塊優化算法對混合損失函數（包括相似性損失、質量得分損失、代表性得分損失和多樣性得分損失）進行優化，在產生與查詢文本相關性濃縮視頻的同時，盡可能增加濃縮視頻的多樣性和代表性，其功能結構如圖3所示。

圖3 基于查詢質量相關性評估的視頻濃縮算法

第四，基于顯著性感知的未來幀預測視頻異常行為檢測算法。針對目前的方法存在動態-靜態不平衡的問題以及前景-背景不平衡的問題，本文設計了基于YoloV5+SlowFast的行為識別模型。先標注并結合標準數據集采集異常行為和事件數據集，使用輕量化YoloV5進行目標檢測，識別各個目標的檢測框信息（物流園區工作人員、警示牌、起火點、起煙點、爆炸點）等。對于實時視頻序列，輸入SlowFast模型提取視頻中的時空序列信息。SlowFast包括兩條幀率不同的提取路徑，一條路徑用于捕獲圖像或稀疏幀提供的語義信息，以低幀率運行，刷新速度慢。另一條路徑用于捕獲快速變化的動作，刷新速度快、時間分辨率高。兩條路徑通過融合可以有效地提取時空序列信息。然后將視頻序列和檢測框信息輸入行為分類模型，輸出每個檢測框的行為類別，達到異常行為和異常檢測的目的，其功能結構如圖4所示。

圖4 基于YoloV5+SlowFast 的行為識別模型技術路線

第五，基于外部高級應用的設備數字孿生底座系統設計方案，為了構造統一的數據格式，統一管理結構化、非結構化的數據，滿足數據自助分析、數字化運營等不同場景的數據，確保公司數據的完整性、一致和共享性，本文擬提出多源傳感數據統一格式抽象庫。該數據庫實現多源傳感數據的統一讀取，支持JSON、XML、RTU 類型、二進制、視頻圖像等不同數據格式，為用戶呈現統一的數據操作接口，無需關心數據文件格式的具體類型，對于不同的數據文件格式，使用統一的接口進行數據讀寫、創建等操作；支持Int8、UInt8、Int6、UInt16、Int32、UInt32、Float32、Float64、CHAR等數據類型，支持Create、ReadOnly、ReadWrite、Truncated這4種讀寫模式；采用圖像（文件）、組、數據集、屬性4層抽象結構滿足多源傳感器存儲格式體系，對不同格式中的數據實體對象進行抽象和封裝，使用工廠類根據用戶的讀寫請求產生不同數據格式的實例對象。再者，為解決數據結構命名不一致性帶來的數據使用不暢問題，基于OPC UA協議，擬設計一套關于文件格式、文件命名和元數據規則的數據格式結構。設計的基本原則定義可擴展的自描述文件，主要對命名規范、層級結構和重要元數據進行了定義。此外，為了解決兼容跨傳感設備的數據傳輸和通訊，本課題擬定制開發多種通用的傳感器數據格式和存儲介質互相轉換工具，實現多源傳感器和存儲介質的協同傳輸，其功能結構如圖5所示。

圖5 數字底座框架圖

在數據全鏈路下的存儲、訪問、安全等全生命周期過程中，對傳感大數據進行安全高效統一的管理是滿足物流園區數字化運營的數據需求。如圖5所示，在數據采集階段，物流信息從數據來源產生，物流傳感器設備會實時不斷地產生大量異構數據類型的數據，構成物流信息事件。平臺通過物流物聯網中間件和Flume數據聚合組件，通過統一格式抽象庫XML形式報表聚合底層傳遞的物聯網事件，物聯網中間件向Kafka+MQTT發送String類型的XML報表。物流中間件的接收端通過對規定的協議進行解析即可通過XML接收到底層設備產生的物流事件；在數據存儲階段，通過不同方式持久化不同類型的異構物流信息。MySQL應用于結構化的物流信息數據存儲，MongoDB負責半結構和非結構化數據存儲。Redis作為分布式內存數據庫加速平臺內數據訪問、存儲與處理性能。隨著信息的增多，業務數據庫內的數據量會持續膨脹，不常用的歷史數據需利用數據轉移工具Sqoop和DataX進行數據轉移，落地至Hive數據倉庫中。HDFS分布式文件系統是大數據基礎系統內的文件系統，利用面向不同數據結構的持久化存儲技術，診斷數據冗余，降低數據維度和使用成本；數據處理模塊包括離線數據處理和實時數據處理，分別包含MapReduce、Spark和Samza、Spark Streaming框架，分別適用于不同的應用場景。MapReduce兼容大數據MapReduce任務，與YARN高度集成，在各階段均有接口調用，并有專門接口連接HDFS數據庫。Spark適用于要求更為高效的應用，利用其支持的RDD分布式內存彈性數據集可以輕易提高大數據處理效率，支持YARN的資源調度管理。Samza相比Spark Streaming可以更為有效地支持強時間要求的應用，但吞吐量偏低，適用于物流園區的應用需求；資源管理模塊選用YARN對整個集群內包括離線和實時任務進行調度管理。分布式服務模塊由Zookeeper提供分布式協調一致性服務，Kafka能提供一致性服務，具有良好的兼容性。

第六，基于多智能體強化學習的倉單調度方法，為了減少倉儲調度的流程時間，提高倉單調度的準確率等，最終實現倉單調度效率的提升，從而提升市場競爭優勢，也為同類企業的倉單管理提供參考意見和更優質的解決方案，本項目提出了基于多智能體強化學習的倉單調度算法，如圖6所示，用于低批量、高混合訂單的在線調度。首先，利用物聯網技術，制造單元之間通過信息物理系統（CPS）相互連接。通過射頻識別（RFID）標簽存儲和傳輸加工操作的屬性，為每個單元（如倉庫、機器）配備人工神經網絡，利用實時傳感器數據調度動態操作。每個AI調度器都可以通過學習其他調度器的調度經驗與之協作。設計了新的獎勵函數，以提高基于強化學習（RL）的多個AI調度程序的決策能力。

圖6 基于多智能體強化學習的倉單調度算法技術路線

第七，研發智慧化物流園區綜合管理平臺，建立園區協同服務軟硬件系統，其集園區管理功能、業務系統及數據智能化與可視化功能、安防消防等功能于一體，提高園區運營管理和服務的能力，以科技賦能，使得園區成為以智慧物流和供應鏈管理為特色的標桿示范園區，具體功能結構如圖7所示。

圖7 綜合管理平臺功能結構圖

本平臺結合大數據分析挖掘、信息安全與計算機視覺等技術，從物流園區數據庫安全、運行管控、可視化管理三個方向出發，研發智慧化物流園區的技術創新與應用，加速智慧物流的建設，使物流企業與社會、商家、行業構建形成共生的價值體系。

3 結 論

物流園區是我國物流經濟發展的重要載體，智慧物流是實現物流行業高質量發展的重要抓手，對于提升我國物流行業的自動化、數字化與智能化水平，降低整個社會的物流成本具有非常重大的現實意義。本文以物流園區的運營問題及需求為基礎，結合經濟社會背景、發展趨勢與智慧物流的特點，從邏輯和操作兩個層面構建智慧物流平臺基礎框架，為推進物流建筑與物流經濟的數智化提供了科學的理論基礎。