客户案例 | 华苑园林 移动SRM 集成ERP+电子签章,打通数字化最后一公里

公司简介

广州华苑园林股份有限公司始创于1995年,总部设立在广州,是集园林景观设计、工程施工、绿化养护、苗木生产与销售于一体的综合性、跨地区的大型园林企业。拥有城市园林绿化一级施工资质、风景园林设计专项乙级资质、环保工程专业承包叁级资质、市政公用工程施工总承包叁级资质,获得“全国城市园林绿化企业50强”、“广东省优秀园林企业20强”、“广东省园林绿化行业诚信等级AAAAA级”、“高新技术企业”等荣誉称号,连续多年获评“广东省守合同重信用企业”。

项目使用

项目介绍

华苑在线送货收货协同系统(下称协同系统)是一套供应商关系管理(Supplier Relationship Management),是在前期对业务需求及现有流程进行充分调研分析后,对功能、流程进行详细分析后设计的用于改进企业与供应商关系的联系,完善供应商与企业的管理机制,使得企业与供应商的关系更加地紧密的一套系统

功能架构

业务流程

流程说明

核心业务流程为:NC审核采购订单--协同系统读取NC采购订单--公众号/小程序消息推送(推送规则、推送模板)--供应商后台/小程序查看采购订单进行发货(在采购订单上按钮发货(数量带出,可修改)--协同系统确认发货并打印发货单--员工/项目经理登陆小程序查看发货单进行收货(扫收货单收货)--点击收货完成按钮时--生成最终收货单合同文件(收货单同步契约锁--契约锁短信通知供应商/客户/收货人进行签字--所有签字完成后--留存协同系统且可下载--同步收货记录到NC到货单--NC系统根据到货入库回写到采购订单到货数据;

部分功能展示

采购订单管理

  • web后台

  • 微信小程序
  采购订单细单列表

发货管理

  • web后台

  • 微信小程序
待发货已发货
  • 微信公众号推送消息

  • 发货单打印

收货管理

  • web后台

  • 微信小程序
在线签收签收详情
  • 收货单打印

其他SRM软件对比优势

华苑在线送货收货协同系统与其他SRM软件对比优势在于对接了具有法律效应的电子签章

对接电子签章的价值主要体现在以下几个方面:

  1. 提高业务效率:电子签章可以实现随时随地自动签章,方便快捷,能够大大提高业务处理效率。
  2. 降低成本:电子签章可以避免纸质合同的存储和管理成本,同时也减少了纸质合同的邮寄和存储等人工成本。
  3. 提高安全性:电子签章具有与纸质合同签名同等的法律效力,可以保证签署双方的真实性和不可否认性,提高了合同的安全性。
  4. 实现数据化管理:电子签章可以实现数字化存储和管理,方便数据的分析和利用,有助于实现企业数据化管理的目标。
  • 签署平台

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、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有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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

打赏作者

码农文哥

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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