物流園區(qū)智能化創(chuàng)新技術與系統(tǒng)

方鵬飛，嚴 實，鄭宇昕（陜西物流集團產(chǎn)業(yè)研究院有限公司 技術研發(fā)部，陜西 西安 710054）

0 引 言

隨著社會經(jīng)濟的快速發(fā)展和信息技術的深入應用，我國物流業(yè)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(yè)的發(fā)展，提出要發(fā)展智能物流建設。國家對智能物流業(yè)發(fā)展高度重視，從政策上加強引導，加大扶持力度，從“十五”規(guī)劃的改造傳統(tǒng)流通業(yè)到“十三五”規(guī)劃的重點建設物流樞紐、綜合物流網(wǎng)絡，再到“十四五”規(guī)劃的重點推進物流信息化發(fā)展，政策規(guī)劃愈發(fā)具備前瞻性[1]。作為現(xiàn)代物流業(yè)發(fā)展的重要方向，物流園區(qū)的智慧化綜合管理近幾年在迅猛發(fā)展的同時，也面臨各子系統(tǒng)數(shù)據(jù)相互孤立、物流園區(qū)被動的服務狀態(tài)造成的物流系統(tǒng)資源浪費和園區(qū)運營質(zhì)量較差等諸多問題[2]，導致物流園區(qū)無法充分發(fā)揮其應有的作用[3]。為了提高物流園區(qū)的經(jīng)濟效益和社會效益，智能物流建設在物流園區(qū)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(lián)網(wǎng)、大數(shù)據(jù)、人工智能等智慧化技術手段，實現(xiàn)物流各環(huán)節(jié)精細化、動態(tài)化、可視化管理，提高物流系統(tǒng)智能化分析決策和自動化操作執(zhí)行能力，提升物流運作效率的現(xiàn)代化物流模式[5]。盡管全國各地已經(jīng)構建了為數(shù)不少的智慧園區(qū)，然而在關鍵技術突破上仍面臨著如下挑戰(zhàn)。

一是傳統(tǒng)無線傳感網(wǎng)絡方法無法適應物流園區(qū)中的高速傳輸要求。無線傳感網(wǎng)絡的搭建是智慧物流園區(qū)建設的核心組件，現(xiàn)有的方法在面對物流園區(qū)海量智能終端傳感節(jié)點的信息、圖片和視頻的高速傳輸要求時，容易造成網(wǎng)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(tǒng)的人臉識別算法無法滿足物流園區(qū)的高安防需求。傳統(tǒng)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(qū)的建設和發(fā)展，監(jiān)控攝像機被廣泛安裝和應用，由此產(chǎn)生的視頻數(shù)據(jù)量呈爆炸式增長。如何高效利用監(jiān)控視頻大數(shù)據(jù)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(jiān)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(xiàn)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(chǎn)生假碰撞等問題，因此開展了基于查詢質(zhì)量相關性評估的視頻濃縮算法研究，力爭實現(xiàn)高質(zhì)量的濃縮視頻。

四是為了監(jiān)控人員業(yè)務活動，同時防止犯罪發(fā)生，監(jiān)控視頻已經(jīng)越來越多地出現(xiàn)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(fā)生異常時發(fā)出警報。然而，這些事件并不經(jīng)常發(fā)生，在大多數(shù)情況下，監(jiān)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?，F(xiàn)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(guī)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(jiān)控視頻中的異常事件。但異常檢測是一項具有挑戰(zhàn)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(huán)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(shù)據(jù)，尤其是現(xiàn)實世界的數(shù)據(jù)，往往與正常的數(shù)據(jù)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(tǒng)方法和深度學習網(wǎng)絡兩個方向來考慮解決這些問題。

五是近年來，數(shù)字底座技術在工業(yè)領域的應用不斷深入，如設備狀態(tài)評價與故障預判、傳感器數(shù)據(jù)可靠性分析、設備運行畫像建模等。數(shù)字底座可有效解決工業(yè)控制的多源數(shù)據(jù)融合，構建數(shù)字孿生體。實際工程項目中，往往存在同一區(qū)域監(jiān)控數(shù)據(jù)采集與接入規(guī)約無法統(tǒng)一、信息難以同步的問題，從而產(chǎn)生了大量的信息孤島。基于此，研究物流園區(qū)數(shù)字底座系統(tǒng)，以實現(xiàn)海量多源異構數(shù)據(jù)的信息匯聚，對數(shù)據(jù)湖進行主題聯(lián)接，消除信息孤島，最終實現(xiàn)高效可用的數(shù)據(jù)消費出口以及園區(qū)系統(tǒng)狀態(tài)的全面可觀、可測、可控[10]。

六是傳統(tǒng)物流建設模式無法支撐日益復雜的物流需求。傳統(tǒng)物流產(chǎn)業(yè)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(shù)據(jù)和復雜的物流業(yè)務，缺乏場景化的一站式可視化管理和數(shù)字仿真技術；面對存儲規(guī)劃和優(yōu)化需求以及海量生產(chǎn)業(yè)務，缺乏可靠精準的決策支撐。

七是傳統(tǒng)的物流園區(qū)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(qū)的信息建設自成體系，業(yè)務系統(tǒng)封閉運行，管理模式被動，無法應對突發(fā)事件，智能化水平低，設備故障發(fā)現(xiàn)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(tǒng)一的協(xié)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(qū)智慧化存在的問題，本文展開了物流園區(qū)智慧化技術創(chuàng)新與應用研究，構造智慧化物流園區(qū)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(wǎng)絡。該網(wǎng)絡主要用于高效采集園區(qū)資產(chǎn)設備狀態(tài)信息，能夠提升物流園區(qū)中智能終端傳感節(jié)點的能耗、提升數(shù)據(jù)傳輸效率和擴展無線傳感網(wǎng)絡生命周期，其具體結構如圖1所示。

具體來說，無線傳感網(wǎng)絡搭建包括構建傳感器節(jié)點集群，集群中主節(jié)點（MCH）的選舉以保證負載能量均衡，用以減輕網(wǎng)絡擁塞和延長網(wǎng)絡生成時間。構建基于信任推理和代理節(jié)點（SCH）的選舉以保證網(wǎng)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(qū)中所有傳感器節(jié)點，超邊H為V的子集，且H滿足定義：

初始階段根據(jù)V中節(jié)點兩兩相對位置距離構建重矩陣W（G）。利用W（G）循環(huán)調(diào)用集群劃分算法將當前園區(qū)中所有傳感器節(jié)點分為m個集群（超邊），使得目標損失函數(shù)最優(yōu)化。

其中ni表示第i個集群內(nèi)的節(jié)點數(shù)，Njk表示第i個集群內(nèi)部任意兩個不相同的節(jié)點距離。集群生成完畢后在集群內(nèi)部選舉一個主節(jié)點負責集群內(nèi)的數(shù)據(jù)聚合和集群間的數(shù)據(jù)包傳遞?；緝A向于選擇簇內(nèi)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(wǎng)絡壽命最大化。上述問題的優(yōu)化函數(shù)為：

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

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

構建信任推理模型計算節(jié)點可信值。

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

其中節(jié)點N的可信度為TAN。SAN代表本節(jié)點的直接信任值，由節(jié)點A與節(jié)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(nèi)其余節(jié)點的推薦信任度得出；αA和βA代表節(jié)點A的權重系數(shù)，規(guī)定αA≥βA。本節(jié)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(jié)點A對節(jié)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(jié)點的轉發(fā)率，其計算公式如下：

其中Sk指代節(jié)點成功轉發(fā)數(shù)據(jù)包的個數(shù)，F(xiàn)k指代轉發(fā)失敗的數(shù)據(jù)包個數(shù)。

本節(jié)點的間接信任值OAN如公式（10）所示：

其中OANp代表t時間段節(jié)點A與第P個其余節(jié)點之間的傳輸次數(shù)。

信任值權重αA，βA的計算過程如公式（11）—（12）所示：

其中NAN為節(jié)點A與被觀察節(jié)N之間的傳輸次數(shù)。

選擇下一跳轉發(fā)節(jié)點。如果目的節(jié)點與當前傳輸節(jié)點的距離d小于通信范圍，即目的節(jié)點與傳輸節(jié)點為一跳鄰居節(jié)點，則直接將數(shù)據(jù)包轉發(fā)至目的節(jié)點。否則，根據(jù)信任推理模型和地理位置決定中繼節(jié)點。

數(shù)據(jù)傳輸完成。當目的節(jié)點D與傳輸節(jié)點T為一跳鄰居時，將數(shù)據(jù)分組傳輸至目的節(jié)點D，路由過程結束，至此完成路徑查找及數(shù)據(jù)傳輸過程。

在集群形成和信任推理模型構建以后，BS根據(jù)集群內(nèi)和集群間的流量負載計算出每個MCH在穩(wěn)態(tài)階段消耗的最大能量。集群內(nèi)活動消耗能量：

其中NHbest（MCHi）表示最佳的下一跳主節(jié)點，此外除了集群內(nèi)活動，MCH還充當集群間流量負載的中間節(jié)點，因此MCH在接收和中繼其它MCH的數(shù)據(jù)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(shù)據(jù)包數(shù)據(jù)消耗能量，ERX表示接收單位數(shù)據(jù)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(wěn)態(tài)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(nèi)廣播一個開始選舉消息，成員節(jié)點向各自的MCH節(jié)點發(fā)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(jié)點被認為是SCH的提名節(jié)點，否則認為是惡意節(jié)點，最后在提名節(jié)點中相對靠近MCH的節(jié)點被選為集群內(nèi)的SCH。

第二，基于同態(tài)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(tài)加密理論的密文人臉識別技術，通過同態(tài)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(zhì)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(zhì)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(lián)性。其中查詢獨立項由視頻幀圖片質(zhì)量、構圖信息和內(nèi)容興趣加和得出。在訓練過程中，使用子模塊優(yōu)化算法對混合損失函數(shù)（包括相似性損失、質(zhì)量得分損失、代表性得分損失和多樣性得分損失）進行優(yōu)化，在產(chǎn)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(zhì)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(tài)-靜態(tài)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(shù)據(jù)集采集異常行為和事件數(shù)據(jù)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(qū)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(shù)字孿生底座系統(tǒng)設計方案，為了構造統(tǒng)一的數(shù)據(jù)格式，統(tǒng)一管理結構化、非結構化的數(shù)據(jù)，滿足數(shù)據(jù)自助分析、數(shù)字化運營等不同場景的數(shù)據(jù)，確保公司數(shù)據(jù)的完整性、一致和共享性，本文擬提出多源傳感數(shù)據(jù)統(tǒng)一格式抽象庫。該數(shù)據(jù)庫實現(xiàn)多源傳感數(shù)據(jù)的統(tǒng)一讀取，支持JSON、XML、RTU 類型、二進制、視頻圖像等不同數(shù)據(jù)格式，為用戶呈現(xiàn)統(tǒng)一的數(shù)據(jù)操作接口，無需關心數(shù)據(jù)文件格式的具體類型，對于不同的數(shù)據(jù)文件格式，使用統(tǒng)一的接口進行數(shù)據(jù)讀寫、創(chuàng)建等操作；支持Int8、UInt8、Int6、UInt16、Int32、UInt32、Float32、Float64、CHAR等數(shù)據(jù)類型，支持Create、ReadOnly、ReadWrite、Truncated這4種讀寫模式；采用圖像（文件）、組、數(shù)據(jù)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(shù)據(jù)實體對象進行抽象和封裝，使用工廠類根據(jù)用戶的讀寫請求產(chǎn)生不同數(shù)據(jù)格式的實例對象。再者，為解決數(shù)據(jù)結構命名不一致性帶來的數(shù)據(jù)使用不暢問題，基于OPC UA協(xié)議，擬設計一套關于文件格式、文件命名和元數(shù)據(jù)規(guī)則的數(shù)據(jù)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(guī)范、層級結構和重要元數(shù)據(jù)進行了定義。此外，為了解決兼容跨傳感設備的數(shù)據(jù)傳輸和通訊，本課題擬定制開發(fā)多種通用的傳感器數(shù)據(jù)格式和存儲介質(zhì)互相轉換工具，實現(xiàn)多源傳感器和存儲介質(zhì)的協(xié)同傳輸，其功能結構如圖5所示。

圖5 數(shù)字底座框架圖

在數(shù)據(jù)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(shù)據(jù)進行安全高效統(tǒng)一的管理是滿足物流園區(qū)數(shù)字化運營的數(shù)據(jù)需求。如圖5所示，在數(shù)據(jù)采集階段，物流信息從數(shù)據(jù)來源產(chǎn)生，物流傳感器設備會實時不斷地產(chǎn)生大量異構數(shù)據(jù)類型的數(shù)據(jù)，構成物流信息事件。平臺通過物流物聯(lián)網(wǎng)中間件和Flume數(shù)據(jù)聚合組件，通過統(tǒng)一格式抽象庫XML形式報表聚合底層傳遞的物聯(lián)網(wǎng)事件，物聯(lián)網(wǎng)中間件向Kafka+MQTT發(fā)送String類型的XML報表。物流中間件的接收端通過對規(guī)定的協(xié)議進行解析即可通過XML接收到底層設備產(chǎn)生的物流事件；在數(shù)據(jù)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(shù)據(jù)存儲，MongoDB負責半結構和非結構化數(shù)據(jù)存儲。Redis作為分布式內(nèi)存數(shù)據(jù)庫加速平臺內(nèi)數(shù)據(jù)訪問、存儲與處理性能。隨著信息的增多，業(yè)務數(shù)據(jù)庫內(nèi)的數(shù)據(jù)量會持續(xù)膨脹，不常用的歷史數(shù)據(jù)需利用數(shù)據(jù)轉移工具Sqoop和DataX進行數(shù)據(jù)轉移，落地至Hive數(shù)據(jù)倉庫中。HDFS分布式文件系統(tǒng)是大數(shù)據(jù)基礎系統(tǒng)內(nèi)的文件系統(tǒng)，利用面向不同數(shù)據(jù)結構的持久化存儲技術，診斷數(shù)據(jù)冗余，降低數(shù)據(jù)維度和使用成本；數(shù)據(jù)處理模塊包括離線數(shù)據(jù)處理和實時數(shù)據(jù)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(shù)據(jù)MapReduce任務，與YARN高度集成，在各階段均有接口調(diào)用，并有專門接口連接HDFS數(shù)據(jù)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(nèi)存彈性數(shù)據(jù)集可以輕易提高大數(shù)據(jù)處理效率，支持YARN的資源調(diào)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(qū)的應用需求；資源管理模塊選用YARN對整個集群內(nèi)包括離線和實時任務進行調(diào)度管理。分布式服務模塊由Zookeeper提供分布式協(xié)調(diào)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(diào)度方法，為了減少倉儲調(diào)度的流程時間，提高倉單調(diào)度的準確率等，最終實現(xiàn)倉單調(diào)度效率的提升，從而提升市場競爭優(yōu)勢，也為同類企業(yè)的倉單管理提供參考意見和更優(yōu)質(zhì)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(diào)度算法，如圖6所示，用于低批量、高混合訂單的在線調(diào)度。首先，利用物聯(lián)網(wǎng)技術，制造單元之間通過信息物理系統(tǒng)（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(jīng)網(wǎng)絡，利用實時傳感器數(shù)據(jù)調(diào)度動態(tài)操作。每個AI調(diào)度器都可以通過學習其他調(diào)度器的調(diào)度經(jīng)驗與之協(xié)作。設計了新的獎勵函數(shù)，以提高基于強化學習（RL）的多個AI調(diào)度程序的決策能力。

圖6 基于多智能體強化學習的倉單調(diào)度算法技術路線

第七，研發(fā)智慧化物流園區(qū)綜合管理平臺，建立園區(qū)協(xié)同服務軟硬件系統(tǒng)，其集園區(qū)管理功能、業(yè)務系統(tǒng)及數(shù)據(jù)智能化與可視化功能、安防消防等功能于一體，提高園區(qū)運營管理和服務的能力，以科技賦能，使得園區(qū)成為以智慧物流和供應鏈管理為特色的標桿示范園區(qū)，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(shù)據(jù)分析挖掘、信息安全與計算機視覺等技術，從物流園區(qū)數(shù)據(jù)庫安全、運行管控、可視化管理三個方向出發(fā)，研發(fā)智慧化物流園區(qū)的技術創(chuàng)新與應用，加速智慧物流的建設，使物流企業(yè)與社會、商家、行業(yè)構建形成共生的價值體系。

3 結 論

物流園區(qū)是我國物流經(jīng)濟發(fā)展的重要載體，智慧物流是實現(xiàn)物流行業(yè)高質(zhì)量發(fā)展的重要抓手，對于提升我國物流行業(yè)的自動化、數(shù)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(xiàn)實意義。本文以物流園區(qū)的運營問題及需求為基礎，結合經(jīng)濟社會背景、發(fā)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(jīng)濟的數(shù)智化提供了科學的理論基礎。