服装行业智能配货实现

前段时间,由于公司业务需要,开发了智能配货系统。

业务需求:服装行业的商品是按款号、颜色、尺码来确定一个SKU,同一款色,有好几个尺码,每次配货时,都需要一个一个尺码去根据库存数量来分配配货数量,工作量非常大。

经过与业务部门的详细沟通,确定解决方案:
1、只需填写款色的总数量,由程序自动分配尺码
2、概念:
    1)统计该款色的所有现有库存尺码总数(总库存数intQtyStockSum)
    2) 配货时输入的数量(配货数intQtyOrder)
    3)该款色的尺码库存数(库存码数intQtyStock)
    4)分配完后,所有尺码的剩余库存总数(最小剩余数intQtySurplus)
    5)库存码数 / 总库存数 (库存码数比重flotRate)
    6)配货数与第一次循环库存码数分配结果的差额(分配差额intQtyDiff)
3、自动分配的规则:
    1) 配货数intQtyOrder > 总库存数intQtyStockSum,按库存码数全部分配
    2) 配货数intQtyOrder >总库存数intQtySotckSum - 最小剩余数intQTySurplus,按库存码数全部分配
    3)循环库存码数,根据库存码数比重分配:
             比如库存有S、M、L三个码,数量分别为10、15、20,配货数为20,则分配结果为:
             S码:20 × 10 / (10+15+20) 结果向下取整 = 4
             M码:20 × 15 /  (10+15+20) 结果向下取整 = 6
             L码:20 × 20 / (10+15+20) 结果向下取整 = 8
             分配总数=4+6+8=18,和配货数20相差2(分配差额intQtyDiff),需要进一步做调整,调整规则:根据库存码数比重来进一步分配intQtyDiff,循环库存码数比重flotRate,如果intQtyDiff=0,则退出循环,否则按 flotRate × intQtyDiff (计算时采用四舍五入)分配,分配完后intQtyDiff减去已分配数(验证分配完后的intQtyDiff如果<0,则要将本次调整的数量减去intQtyDiff的绝对值)。调整完后结果如下:
            分配数:S码:4,M码:7, L码:9
            剩余库存: S码:6,M码:8, L码:11
  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值