报价：
面议
最小起订：
1
有效期至：
长期有效
发布时间：
2022-10-01 13:00
发布IP：
123.58.44.124
浏览次数：
104
手机号：
18610215177
电话：
010-84763220
企业视频展播，请点击播放视频作者：北京爱创科技股份有限公司什么是数字化防伪溯源？顾名思义，药品器械质量安全追溯系统平台多少钱，就是用现代数字化技术，实现产品防伪、物流溯源、数字化营销等功能，是一个可以对产品全生命周期进行追溯管理的应用系统。但是要想实现产品数字化防伪溯源，除了需要强劲的技术支撑，还需要解决数据采集过程中真实性的问题，即如何保证产品在生产、物流仓储、营销活动等过程中产生的海量数据真实可靠，如何利用这些数据“反哺”生产、销售。二维码防伪溯源系统究竟是什么呢?二维码防伪溯源系统，通过云技术，为每个产品自动生成产品溯源信息的溯源码（产品身份码）和防伪验证码，由溯源（追溯）企业印刷到 每个产品上面，用户在购买产品时，用手机扫一扫产品溯源二维码，就可以了解该产品从原材料，到加工，到运输，到销售，到售后等所有必要信息，药品器械质量安全追溯系统平台解决方案，溯源编码超过六重加密，并且可以输入防伪验证码进行防伪验证，保证产品品质，同时扫码，可以了解企业信息，质量检测信息，药品器械质量安全追溯系统平台公司，以及企业其他产品信息等。针对有些产品提供进销存和产品售后服务管理系统等。具有以上功能的系统，就是二维码防伪溯源系统。溯源系统介绍1、一物一码是每件产品上仅有的二维码，扫描二维码可以查看生产批次、原料信息、加工制作、检验报告等信息。2、产品生产厂商在出现问题产品时，可以通过质量追溯体系迅速锁定的材料范围和供应商，药品器械质量安全追溯系统平台，并且环环相扣，实现深度溯源。3、溯源系统就是用来对产品全周期管理的，信息采集和录入，方便消费者扫码查询商品信息；包括原材料的供应、生产、加工、畅通、包括运输、仓储和销售。 药品器械质量安全追溯系统平台-爱创科技由北京爱创科技股份有限公司提供。北京爱创科技股份有限公司拥有很好的服务与产品，不断地受到新老用户及业内人士的肯定和信任。我们公司是商盟认证会员，点击页面的商盟客服图标，可以直接与我们客服人员对话，愿我们今后的合作愉快！}

什么是一物一码开通？一物一码开通是指通过融合科技与智慧社会的理念，为每个物品赋予唯一的识别码和标识符，实现物品信息的数字化和管理的新型模式。一物一码开通的优势1. 确保物品唯一性一物一码开通为每个物品分配唯一的识别码，可以确保物品在整个生命周期中的唯一性。这有助于避免重复或冒牌商品的存在，提升消费者的购物体验和信任度。2. 提高物品管理效率一物一码开通将物品信息数字化，可以通过扫描二维码或使用其他识别技术快速获取物品信息，提高物品的管理效率。无论是在仓储、物流还是销售环节，都可以更加高效地追踪和管理物品，减少人为错误和时间成本。3. 增强物品溯源能力通过一物一码开通，可以实现对物品生产、运输、销售等环节的全程追溯。这对于保护消费者的权益、打击假冒伪劣商品以及提升供应链的透明度都具有重大意义。4. 推动新型商业模式一物一码开通为企业带来了更多商业机会和创新空间。通过物品信息的数字化和连接，可以实现更个性化的商品推荐、精准的营销和精细化的供应链管理，帮助企业提升竞争力和用户体验。一物一码开通的应用场景1. 零售行业通过一物一码开通，零售商可以更好地管理和追踪商品库存、防止假冒伪劣商品的流通，并提供更好的购物体验。2. 物流行业一物一码开通可以为物流企业提供更准确、高效的货物追踪和配送服务，降低货物丢失和错误派送的风险。3. 供应链管理通过一物一码开通，企业可以实现对供应链各环节的精细化管理，提高物流效率和产品质量。一物一码开通的未来发展随着物联网、人工智能和大数据等技术的不断进步，一物一码开通将迎来更大的发展空间。未来，我们可以预见到更多行业将应用一物一码开通，实现智慧化管理与共享经济的发展目标。结论一物一码开通是融合科技与智慧社会的新兴模式，通过赋予物品唯一的识别码和标识符，实现物品信息的数字化和全程追溯。它具有提高物品管理效率、增强物品溯源能力、推动新型商业模式等优势，将在零售、物流、供应链等领域发挥重要作用，并有望在未来得到更广泛的应用和发展。常见问题解答1. 什么是一物一码开通？一物一码开通是将每个物品赋予唯一的识别码和标识符，实现物品信息的数字化和管理的新型模式。2. 一物一码开通有哪些优势？一物一码开通的优势包括确保物品唯一性、提高物品管理效率、增强物品溯源能力和推动新型商业模式等。3. 一物一码开通适用于哪些行业？一物一码开通适用于零售、物流、供应链管理等行业，有助于提升管理效率和保障商品质量。4. 一物一码开通未来的发展趋势是什么？随着物联网、人工智能和大数据等技术的发展，一物一码开通将在更多行业得到应用，并与智慧社会的发展目标相结合。5. 如何实现一物一码开通？实现一物一码开通需要借助先进的识别技术和信息管理系统，并在物品生产、流通和销售等环节进行标识和追溯。
版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。
}

一.背景作为超级自动化的代表公司，来也科技推进的许多自动化解决方案中，需要OCR（光学文字识别）的能力，经过持续的积累和创新，目前来也自研的通用OCR识别在60多个复杂的中文测试集合上近70万的字符上，综合F1指标已经接近97%，远超国内大多数竞品公司。虽然综合指标上已经取得非常好的成绩，但是因为视觉深度学习OCR模型的天生缺陷，在一些长尾问题上依然识别准确率不高，典型的有以下场景：污渍干扰如红章、墨迹形似字 如 “戍”与“戌、成、戊”图像变形引起的字体变形如下图：字符过小，“账”字很容易误识别为形似字 ”帐“。红章干扰，“车”字误识别为“军”。这些问题，现在常用的解决办法大体可以分为三种：在OCR解码过程加入语义信息、典型如百度的SRN【1】，用CNN提取的图像特征进行解码时融入字符的语义信息，保证解码的时不光用了图像特征，还和前一个字符做了语义对齐。加入预测语义信息的多任务。一般做法是在图片上通过马赛克视觉随机遮挡字符，最终有两个Head网络，一路是预测图片上的字符，一路是预测遮挡的字符，这样的模型就会学到基于语义的纠错信息。第三种一般是将纠错作为一个和OCR识别不耦合的后处理模块。针对这三种做法，我们经过仔细分析选择第三种做法，原因如下：在我们合成的大量图片样本中，为了让一些长尾字符如生僻字出现足够多的次数，我们增加包含生僻字的随机文本；为了让模型区分一些形似字故意让多个形似字出现在一个图片，所以合成图片上的文字缺乏语义连贯性。真实的样本标注中为了减少成本，我们不标注单字位置，这样没法在真实样本上位置准确的 Mask 一个字符，所以第二种做法也不成立。二.来也OCR模型架构在正式进入纠错之前，先简单介绍来也OCR的整体流程和识别模型架构，这样可以更好的理解纠错服务的设计和实现思想。因为效果和性能、以及对训练数据的要求等原因，目前工业界的OCR基本还是以两阶段为主，先检测文本行（列），再对文本行（列）上的图片进行识别得到文字内容。来也的通用识别OCR也是遵循这个大两阶段的思路，只是在不同阶段增加了针对性的前后处理、减少该阶段模型的输入噪音和让输出结果更规整，整体流程图如下：经过结果分析，前边提到的长尾识别错误主要是发生在文字行内容识别这个阶段，所以我们计划在这个阶段之后、坐标信息还原之前增加一个后处理模块，用模块将文字行内容纠正对。而文字行识别环节的模型基本架构如下：在模型训练的最后阶段一般会打开多任务训练如center-loss【2】和rdrop【3】提高模型识别的准确率。三.需求分析文本纠错是一个比较久远的实际问题，从基于字典的查找算法、到基于贝叶斯的传统机器学习算法、再到现在各种基于深度学习的纠错，我们如何从众多的方案中选择最适合我们的？我们从以下几个方面进行思考：1.业务问题在广义的文本纠错上一般有以下三类问题需要解决:替换 SubStitution：今天我感到飞长高兴 -> 今天我感到非常高兴增补与删除 Insert & Delete今天我感到常高兴 -> 今天我感到非常高兴今天我感到非非常高兴 -> 今天我感到非常高兴改写 Local Paraphrasing （极小限度）今天我非常感到高兴 -> 今天我感到非常高兴前边提过，目前来也科技 OCR 发生的错误主要是因为干扰或者形近字导致的误识别，所以我们要解决的问题只有第一种。2.训练数据我们需要纠错的是一个通用场景，所以基于词典的方案肯定不合适，只能选择采用模型的方案。如果是采用有监督的模型，就需要大量的<OCR错误结果、准确结果>的标注样本对。在目前OCR效果已经非常好的情况下，要产生足够多的样本，需要非常高的成本，所以需要这种样本对的有监督模型不适用。3.模型性能可以从前边的流程图看到，我们整体OCR有多个阶段的图像处理模型如图像方向、文本行检测、文本行识别等，这些模块都需要GPU，为了节省昂贵的GPU，我们希望这个纠错模型比较轻量，可以在CPU上执行。基于上边的需求分析，我们决定采用一个轻量的非有监督的模型和方案实现我们的需求。四.实现方案文本纠错无论在研究还是实际的工业生产场景都有着非常广泛的关注，目前常用的模型基本可以分为两类：序列任务如机器翻译。简单来说就是将有错字的句子翻译成准确句子检测错误加纠正。简单来说检测句子中可能发生错误的字，如检测到错字的话，预测这个错字对应的真值在单一的纠错任务上，第二种做法效果一般更好如 Soft-Masked BERT【4】，因为额外错字检测任务可以有效的缓解纠错中的误召回问题。所以我们计划采用第二种做法设计模型，将整个任务分成三大部分：错误字检测纠正字召回纠正字排序下边将详细介绍这三部分的工作：1. 错误字检测再回到我们OCR任务上，OCR识别网络的最后一层是一个N分类任务（N为识别的字符表个数），从分类网络的损失函数来说，预测的一个字符越准确，那么这个字符在分类任务的softmax概率p也会越高。我们经过详细的测试发现这个推论在我们场景是成立的。具体的做法如下：在测试集合上，我们得到每个字符的识别概率，将概率阈值从1.0逐渐下降发现剩下字符的准确率确实在提升。通过这个做法不但验证了推论，还得知最佳概率阈值f（既低于这个阈值剩下字符的准确率提升不大）经过上述的实验说明，在OCR纠错场景只用字符softmax概率p作为先验知识来进行错误字检测就非常有用，不再需要额外的错误检测模型。在我们的方案中，字符的softmax概率p超过阈值f就认为识别无误，反之就进入下一阶段纠正字召回。2.纠正字召回纠正字召回从离线模型训练和在线调用两部分说明离线模型训练模型设计经过统计分析，在绝大多数的OCR识别的错误场景中，一句话只有一个错误字符，再加上前边提到缺乏有监督的标注样本对，所以我们决定采用MLM（Mask Language Modeling）的方式，采用自监督训练任务来实现这个模型。对于模型设计，我们尝试两种方案，一种是只预测Mask掉的字符、类似完形填空的任务；第二种是预测整句话的所有字符，类似机器翻译。经过实验发现第二种效果会更好。举例 “中国浙江省杭州市临安区”这条训练语料会设计以下的任务（左侧是模型输入，右侧是模型输出） ：中国浙[mask]省杭州市临安区 -> 中国浙江省杭州市临安区中国浙[随机字符]省杭州市临安区 -> 中国浙江省杭州市临安区在模型架构设计上，为了考虑减少延迟，所以我们计划采用非自回归的任务，废弃了Bert的Decoder 部分、只采用Encoder部分，综合性能和效果，采用标准的六层TransformerEncoderLayer 【5】堆叠，最大字符长度32位，head_num选择6，字符的embedding的维度选择128，最终将第6层layer的输出特征 在32个step上分别通过softmax分类得到预测字符。Transformer 很大的优势是通过 MultiHeadSelfAttention 可以捕获长距离字符间的相关性，下图为MultiHeadSelfAttention的示意图：图片来源：https://arxiv.org/pdf/1706.03762.pdf训练数据在训练语料上，我们抓取维基百科和全网的新闻数据，拆分了超过2亿条训练语料。不同于在原始训练数据前做Mask这种方式，我们改成在训练过程中做随机Mask，10%的概率将矩阵中一个任意字符换成随机字符，10%的概率将任意字符换成Mask字符。此外在训练数据上我们也做了一些更细节设计，主要有以下：为了减小模型，我们只采用最常见的3900个汉字字符；为了提高模型准确率，将语料中数字、英文字符、标点、汉字中如量词千、百等语义通用性很强的字符替换为OOV的字符Loss 设计最终的Loss上采用交叉熵，在Loss上我们也做了一些改进如下：交叉熵Loss由两部分组成，一部分是整句话所有预测字符的交叉熵Loss，一部分是Mask掉字符的交叉熵Loss，因为在最终的使用上更关注第二部分，所以第二部分Loss权重会更高。在Loss计算过程中需要将OOV字符预测的Loss Mask掉 并将剩余Loss根据有效字符数等比缩放，主要是避免有效字符越少的Loss越低，具体代码可以参考我们以前的一篇博客【6】在线调用在线调用时，我们将OCR识别的结果中，将softmax概率p低于f的字符换成OOV的字符，如句子的字符数超过32个，我们会对句子进行首尾截断确保这个Mask的字符位于句子中间部位。虽然识别的结果包含预测的所有字符，我们只使用这个低概率字符的预测的Top20字符作为召回，忽略其他位置的字符。3.纠正字排序通过前边的介绍可以看到，整个召回的部分是一个纯语义的模型，只用模型召回的Top1准确率会不够，例如输入 “山[mask]省经济增速下降”，预测的字符“东、西”随便用哪个都可能有错误，所以需要一个带有先验知识的排序模块选择最准确的字符。因为前边有提到错误的主要原因就是形似字或者字符有干扰，所以在我们这个任务最好的排序指标就是字符形状相似度，例如以下不同识别结果对应的纠错结果：山[乐]省经济增速下降 -> 东山[酉]省经济增速下降 -> 西所以排序这里的核心任务是如何计算字符的形状相似度，在这里我们尝试三种方法汉字四角编码详见参考文档【7】图片相似度我们用宋体字符，将每个字符铺满绘制到白底的128*128的图片上，然后两两计算图片相似度作为字符相似度，在这里还做了其他尝试，比如利用AutoEncoder【8】得到字符图片的表征向量也计算过字符相似度。OCR特征向量将OCR最后一层的softmax矩阵拿出来作为字符的表征向量进行相似度计算，这个矩阵的Shape为N X D，N为字符数，可以认为这个矩阵的每行D维向量就是对应的字符的表征向量，通过这个方法得到部分结果如下图（第三列为字符形状相似度）：经过实验第三种的效果远好于前两者。有了字符形状相似度，所以排序的逻辑非常简单，召回的字符和待纠错的字符相似度若超过一定阈值，那么选择这些字符中得分最高的作为结果即可。五.结果展示纠错模型上线后，在我们内部70万字符的测试集合上，目前F1已经很高的情况下，任然对整体结果有超过0.03%的提升。以下为一些实际样例展示：因为文本行检测导致字符下边部分被裁切，“提”被识别“摆”，通过纠错模型可以正常纠正。字符过小，“绕”被识别为“统”，经过纠错模型可以正常纠正。因为红章干扰，“通”被识别为“涌”，经过纠错模型可以正常被纠正对。六.参考资料【1】 https://openaccess.thecvf.com/content_CVPR_2020/papers/Yu_Towards_Accurate_Scene_Text_Recognition_With_Semantic_Reasoning_Networks_CVPR_2020_paper.pdf【2】https://ydwen.github.io/papers/WenECCV16.pdf【3】https://openreview.net/attachment?id=bw5Arp3O3eY&name=supplementary_material【4】https://arxiv.org/abs/2005.07421【5】https://arxiv.org/pdf/1706.03762.pdf【6】https://mp.weixin.qq.com/s/6n9046pY8kd4GUss99nFNQ【7】https://zh.wikipedia.org/wiki/%E5%9B%9B%E8%A7%92%E5%8F%B7%E7%A0%81【8】https://www.jeremyjordan.me/autoencoders/关于来也科技来也科技RPA+AI现已开放免费注册使用，要想体验智能自动化平台产品，您可点击链接试用！更多关于LAIYE 智能自动化等问题，欢迎登陆来也科技（北京）有限公司官网了解！更有免费专属一对一教练为您提供解答疑惑！也可私信来也科技咨询了解！来也科技作为中国乃至全球的智能自动化领军品牌，为客户提供变革性的智能自动化解决方案，提升组织生产力和办公效率，释放员工潜力，助力政企实现智能时代的人机协同。 来也科技的产品是一套智能自动化平台，包含机器人流程自动化（RPA）、智能文档处理（IDP）、对话式AI（Conversational AI）等。基于这一平台，能够根据客户需要，构造各种不同类型的软件机器人，实现业务流程的自动化，全面提升业务效率。 目前，来也科技帮助电力，银行，保险、通信、零售等多行业的企业客户，以及数字政府、公共医疗、高校职教在内的公共事业领域，实现了各种业务场景的深度突破与打通，构建起了端到端的自动化解决方案，已服务超过 200 家 500 强企业，200 余个省市政府及上千家中小企业，2021年《财富》世界500强榜单前十名企业中，7 家在使用来也科技的智能自动化产品。同时来也科技拥有着最完善的RPA开发者生态社区，社区用户目前已超70W！拥有大量智能自动化在各领域的应用案例！欢迎加入来也开发者社区交流！关注来也科技！智能自动化平台等你来探索！}