張婧 龐毅飛 李有松

摘? 要：煙草企業(yè)生產(chǎn)線位居行業(yè)前列，主要采用國際先進(jìn)設(shè)備，專用機械相對較少。隨著科技發(fā)展，設(shè)備維護(hù)、更換和技術(shù)改造速度加快，備件管理成為重要工作。為提高備件查詢效率、增進(jìn)煙廠工作效率，構(gòu)建一套結(jié)構(gòu)清晰、功能全面的智能備件管理系統(tǒng)。智能備件管理系統(tǒng)前后端分離，并且提供移動端和PC端2個選項，在查詢備件信息時，采用先進(jìn)的彈性搜索算法（ElasticSearch）和圖像識別算法，提高搜索的準(zhǔn)確性和容錯性，提高煙廠工作效率，實現(xiàn)數(shù)字化賦能，為高效管理備件、提升生產(chǎn)效益提供可行的解決方案。

關(guān)鍵詞：煙草企業(yè)；備件管理；彈性搜索；圖像識別；數(shù)字化

中圖分類號：TP311.5? ? ? 文獻(xiàn)標(biāo)志碼：A? ? ? ? ? 文章編號：2095-2945（2024）08-0122-07

Abstract： The tobacco enterprise's production line ranks among the industry leaders， mainly adopting internationally advanced equipment with relatively fewer specialized machinery. With the rapid development of technology， the speed of equipment maintenance， replacement， and technological upgrades has accelerated， making spare parts management a crucial task. In order to improve spare parts query efficiency and enhance the overall operational efficiency of the tobacco factory， a well-structured and comprehensive intelligent spare parts management system has been developed. The intelligent spare parts management system features a clear separation between the front and back ends， providing options for both mobile and PC platforms. When querying spare parts information， advanced elastic search algorithms（ElasticSearch） and image recognition algorithms are employed to enhance search accuracy and fault tolerance， thereby increasing the operational efficiency of the tobacco factory. This system has achieved digital empowerment， providing a feasible solution for efficiently managing spare parts and enhancing production efficiency.

Keywords： tobacco enterprises; spare parts management; elastic search; image recognition; digitization

煙草企業(yè)生產(chǎn)線裝備水平處于行業(yè)前列，主要裝備均采用國際先進(jìn)設(shè)備，在用煙草專用機械設(shè)備相對較少。由于科學(xué)技術(shù)不斷發(fā)展，設(shè)備的維護(hù)、更換和技術(shù)改造的速度也隨之加快，因此，備件管理成為煙草企業(yè)管理重要工作內(nèi)容之一。隨著工業(yè)互聯(lián)網(wǎng)、大數(shù)據(jù)等技術(shù)的發(fā)展，在國家“中國制造2025”戰(zhàn)略引導(dǎo)下，建立一套科學(xué)的、規(guī)范的備件管理系統(tǒng)不僅能夠確保生產(chǎn)及設(shè)備穩(wěn)定運行，還能為企業(yè)帶來可觀的經(jīng)濟(jì)效益，進(jìn)而為企業(yè)高質(zhì)量發(fā)展提供有力保障。

1? 相關(guān)技術(shù)介紹

1.1? Vue.js

Vue.js是一款現(xiàn)代的JavaScript框架，專注于構(gòu)建用戶界面，以其漸進(jìn)式、輕量級的特性脫穎而出，使得逐步引入到項目中變得輕松。采用聲明式渲染，通過直觀的模板語法將數(shù)據(jù)輕松渲染到編程接口（DOM）中，提高了代碼的可讀性。Vue.js鼓勵組件化開發(fā)，使得應(yīng)用程序更易維護(hù)和擴展。其響應(yīng)式數(shù)據(jù)系統(tǒng)確保數(shù)據(jù)變化時自動更新相關(guān)DOM，簡化了開發(fā)流程。指令和事件處理使得在模板中實現(xiàn)常見操作變得簡單而靈活。生命周期鉤子函數(shù)和路由管理為開發(fā)者提供了更精細(xì)地控制和組織應(yīng)用程序的能力。對于狀態(tài)管理，Vue.js提供了狀態(tài)管理模式（Vuex），使得數(shù)據(jù)的集中管理更為便捷。總體而言，Vue.js是一個功能強大、易學(xué)易用的框架，適用于構(gòu)建各種規(guī)模的現(xiàn)代Web應(yīng)用，受到了廣泛的開發(fā)者和企業(yè)的青睞。

1.2? Token

Token是一種在計算機科學(xué)和網(wǎng)絡(luò)安全領(lǐng)域廣泛應(yīng)用的概念，通常指代一段具有特定含義的字符串。在身份驗證和授權(quán)方面，Token被用于驗證用戶的身份和授予其訪問權(quán)限。在Web開發(fā)中，常見的Token包括身份驗證令牌（authentication token）和訪問令牌（access token）。身份驗證令牌用于驗證用戶身份，而訪問令牌則用于授予用戶對資源的訪問權(quán)限。OAuth和JWT是常見的Token相關(guān)標(biāo)準(zhǔn)，它們定義了Token的生成、傳輸和驗證規(guī)范，提供了安全而靈活的身份驗證和授權(quán)機制。通過使用Token，開發(fā)者能夠?qū)崿F(xiàn)單點登錄、安全地共享用戶身份信息，以及確保在分布式系統(tǒng)中安全地管理用戶訪問權(quán)限。Token的機制不僅在Web開發(fā)中得到廣泛應(yīng)用，在移動應(yīng)用、云計算和區(qū)塊鏈等領(lǐng)域也發(fā)揮著關(guān)鍵作用，為系統(tǒng)安全和用戶體驗提供了堅實的基礎(chǔ)。

1.3? 彈性搜索（ElasticSearch）

ElasticSearch是一款開源的、基于全文檢索引擎庫（Apache Lucene）構(gòu)建的分布式搜索引擎。其由Elastic公司開發(fā)并維護(hù)，旨在提供實時的全文搜索和分析能力。ElasticSearch使用Java編程語言編寫，通過Web接口（RESTful API）提供與用戶的交互，支持多種數(shù)據(jù)類型的索引和查詢[1]。

隨著數(shù)字化浪潮蓬勃發(fā)展，在各行各業(yè)的大數(shù)據(jù)搜索場景中都可以見到ElasticSearch的身影。Voit等[2]通過ElasticSearch技術(shù)解決匿名用戶登錄系統(tǒng)驗證問題，建立了全文搜索和可視化管理系統(tǒng)。王強等[3]利用ElasticSearch優(yōu)化證券交易系統(tǒng)日志數(shù)據(jù)采集平臺，通過數(shù)據(jù)解決方案（ELK）日志實現(xiàn)了日志的采集、清洗、日志檢索警報和存儲功能。劉宏宏等[4]通過銀行服務(wù)器中的日志數(shù)據(jù)并結(jié)合銀行系統(tǒng)以及ElasticSearch技術(shù)的特點，設(shè)計了一套專用于銀行的系統(tǒng)運維平臺。

王博等[5]通過ElasticSearch實現(xiàn)了數(shù)據(jù)的動態(tài)篩選管理、關(guān)鍵詞查詢等功能，適用于企業(yè)的數(shù)據(jù)篩選和分析。陶林等[6]利用ElasticSearch技術(shù)結(jié)合聚合支付方式，設(shè)計并實現(xiàn)了分布式的電商平臺，提高了聚合支付系統(tǒng)安全性，增強了系統(tǒng)的開發(fā)效率和運行效率，增加了系統(tǒng)的抗高并發(fā)能力，確保了系統(tǒng)的穩(wěn)定運行。阮曉龍等[7]將ElasticSearch系統(tǒng)應(yīng)用于反向代理服務(wù)器（NginX）日志分析，用于觀察和監(jiān)控網(wǎng)站運行狀況，建立了智能監(jiān)控系統(tǒng)。

1.4? 深度學(xué)習(xí)

深度學(xué)習(xí)是一種模擬人腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的機器學(xué)習(xí)方法[8]，通過多層次的神經(jīng)網(wǎng)絡(luò)（深度神經(jīng)網(wǎng)絡(luò)）來學(xué)習(xí)和解析復(fù)雜的數(shù)據(jù)模式。這一領(lǐng)域的興起得益于計算能力的提升和大規(guī)模數(shù)據(jù)的可用性，使得深度學(xué)習(xí)在圖像識別、自然語言處理、語音識別等領(lǐng)域取得顯著的成果。

深度學(xué)習(xí)的核心是人工神經(jīng)網(wǎng)絡(luò)，其基本單元是神經(jīng)元，通過模擬神經(jīng)元之間的連接和信息傳遞來實現(xiàn)學(xué)習(xí)任務(wù)。深度學(xué)習(xí)網(wǎng)絡(luò)的層次結(jié)構(gòu)使其能夠從數(shù)據(jù)中提取抽象特征，逐層進(jìn)行特征表示學(xué)習(xí)，從而更好地捕捉數(shù)據(jù)的復(fù)雜關(guān)系。常見的深度學(xué)習(xí)模型包括卷積神經(jīng)網(wǎng)絡(luò)（CNN）用于圖像處理，循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）用于序列數(shù)據(jù)，以及自注意力機制模型（Transformer）在自然語言處理等領(lǐng)域的廣泛應(yīng)用。

深度學(xué)習(xí)的成功得益于大量的訓(xùn)練數(shù)據(jù)和優(yōu)秀的優(yōu)化算法，其中梯度下降等方法被廣泛使用。此外，深度學(xué)習(xí)還借鑒了一些生物學(xué)原理，如神經(jīng)網(wǎng)絡(luò)中的權(quán)重更新類似于突觸強度的調(diào)整。

2? 智能備件管理系統(tǒng)設(shè)計

2.1? 系統(tǒng)總體架構(gòu)

系統(tǒng)架構(gòu)（圖1）設(shè)計遵循了分層架構(gòu)思想，明確分離了表現(xiàn)層和業(yè)務(wù)邏輯，確保了應(yīng)用服務(wù)邏輯的一致性、結(jié)構(gòu)的開放性、功能的可擴展性和可維護(hù)性。利用基于Python的現(xiàn)代Web框架（Fastapi）技術(shù)平臺和大型關(guān)系數(shù)據(jù)庫PostgreSQL，建立了前后端分離的系統(tǒng)架構(gòu)。這一構(gòu)想確保了系統(tǒng)的高效性、彈性和可靠性，同時滿足了對簡潔性、跨平臺性、可擴展性、可移植性和穩(wěn)定性的多重要求，為系統(tǒng)提供了可信賴的基礎(chǔ)設(shè)施。

2.1.1? 模塊功能解析

1）數(shù)據(jù)存儲層。數(shù)據(jù)存儲層采用流行的大型關(guān)系型數(shù)據(jù)庫軟件PostgreSQL，旨在安全存儲和備份數(shù)據(jù)。該層為業(yè)務(wù)邏輯層提供靈活、高效的數(shù)據(jù)操作，包括數(shù)據(jù)庫創(chuàng)建、更新、讀取、刪除（CURD）操作和文件系統(tǒng)讀寫。數(shù)據(jù)存儲層確保數(shù)據(jù)安全、一致性、可用性，為系統(tǒng)提供可靠基礎(chǔ)支持。

2）應(yīng)用層。應(yīng)用層以Python語言運行在高性能Web服務(wù)器（Uvicorn）應(yīng)用服務(wù)器上，連接系統(tǒng)前臺和后臺數(shù)據(jù)處理。涵蓋系統(tǒng)門戶、信息、流程、統(tǒng)計、輔助、系統(tǒng)管理和幫助等功能，為用戶提供全面服務(wù)。其設(shè)計目標(biāo)是用戶友好性和與后端數(shù)據(jù)處理的高效連接，為系統(tǒng)提供可靠支持，滿足多樣化業(yè)務(wù)需求。

3）表示層。表示層采用框架（Vue）技術(shù)，一種現(xiàn)代JavaScript框架，構(gòu)建用戶界面。Vue簡潔、靈活，幫助構(gòu)建交互強、用戶體驗優(yōu)秀的界面。系統(tǒng)更具動態(tài)交互性，Vue提供豐富功能和數(shù)據(jù)驅(qū)動視圖，提高系統(tǒng)響應(yīng)速度，讓用戶體驗更個性化、直觀。

4）接口模塊。接口模塊是備品備件管理系統(tǒng)與NC系統(tǒng)進(jìn)行數(shù)據(jù)交互的關(guān)鍵。為解決系統(tǒng)技術(shù)和平臺差異，系統(tǒng)采用了獨特的設(shè)計風(fēng)格（RESTful）技術(shù)構(gòu)建接口，實現(xiàn)多平臺間動態(tài)數(shù)據(jù)交互。RESTful接口屏蔽了系統(tǒng)差異，降低了系統(tǒng)平臺依賴性和接口穩(wěn)定性問題。這種方法使得系統(tǒng)間對接更靈活高效，提升了數(shù)據(jù)交互穩(wěn)定性和通用性，確保了系統(tǒng)間數(shù)據(jù)傳輸?shù)目煽繜o縫。

2.1.2? 系統(tǒng)配置

1）軟件平臺配置如下。

系統(tǒng)開發(fā)平臺：OpenCV4.6.0.66、PostgreSQL 16.1、pycharm2022。

系統(tǒng)開發(fā)語言：Python。

運行平臺：openEuler（歐拉）22.03。

運行環(huán)境：nodejs。

內(nèi)存：16 G。

分辨率：1 366*768或以上。

2）終端設(shè)備配置如下。

規(guī)格：虛擬化服務(wù)器。

處理器：4核心CPU，主頻2.1 GHz及以上。

內(nèi)存：16 GB內(nèi)存及以上。

硬盤：1TB HDD硬盤及以上。

網(wǎng)卡：配置1個4口千兆以太網(wǎng)控制器。

2.2 系統(tǒng)功能設(shè)計

智能備件管理系統(tǒng)是一款專為煙草行業(yè)提供全面?zhèn)浼芾斫鉀Q方案的系統(tǒng)，目前分為移動版和PC版，致力于幫助煙草企業(yè)高效、精確地管理備件信息，降低管理成本，確保備件合規(guī)使用。系統(tǒng)內(nèi)主要集合了備件查詢、備件業(yè)務(wù)、庫存管理、使用記錄和個人中心等功能。具體功能模塊如圖2所示。在權(quán)限設(shè)置中，設(shè)置了維修工、高架庫管理員、設(shè)備員和領(lǐng)料員四種角色權(quán)限，具體權(quán)限見表1。

2.3? 數(shù)據(jù)庫設(shè)計

PostgreSQL是一款強大的、開源的關(guān)系型數(shù)據(jù)庫管理系統(tǒng)（RDBMS），以其可擴展性、靈活性和遵循標(biāo)準(zhǔn)化查詢語言（SQL）標(biāo)準(zhǔn)的特性而聞名。其版本更新通常包含性能優(yōu)化、安全增強和新功能的引入。采用PostgreSQL 16.1作為本系統(tǒng)的數(shù)據(jù)庫，在16.1版本中，具有先進(jìn)的查詢優(yōu)化、更強大的并行處理能力以及對特殊數(shù)據(jù)類型（JSONB）和空間數(shù)據(jù)的更好支持。部分?jǐn)?shù)據(jù)結(jié)構(gòu)見表2。

3? 智能備件管理系統(tǒng)實現(xiàn)

3.1? 前端實現(xiàn)

本系統(tǒng)的前端框架基于Vue.js，其中涉及多組件間的跳轉(zhuǎn)切換，用戶相關(guān)信息的獲取、權(quán)限設(shè)置，前端和后端數(shù)據(jù)的請求交互[9]。前端實現(xiàn)過程中用到Vue.js的核心組件包括：①路由管理器（Vue-router）：用于實現(xiàn)前端組件的加載以及頁面間的跳轉(zhuǎn)；②客戶端（Axios）。用于實現(xiàn)后端的接口（API）請求，并對Axios進(jìn)行二次封裝。

本系統(tǒng)用到的插件和組件包括以下內(nèi)容。①滾動視圖庫（easy-scroller）：針對移動端頁面圖片的局部放大與縮小，可以任意放大圖片的局部部位，并進(jìn)行一系列點擊等操作。②文本轉(zhuǎn)語音庫（speak-tts）：針對webAPP的一款語音播放插件，用于實時提醒用戶新消息的接收。③界面組件庫（Element-UI）：對于涉及用戶交互的頁面，本系統(tǒng)選用Element-UI組件。Element-UI組件擁有成熟的api文檔，使用方式也很靈活。在一些移動端組件無法達(dá)到預(yù)期要求時使用，有不錯的效果；④移動端界面組件庫（Vant）：對于一些布局、表單、彈出框等內(nèi)容，本系統(tǒng)選用Vant組件，該組件涵蓋常見的表單、導(dǎo)航和按鈕等元素，支持自定義樣式，修改靈活，可快速迭代出一套可用組件；⑤日期和時間處理庫（momentjs）：針對前端時間單位進(jìn)行快速格式化。

對于不同權(quán)限的用戶，設(shè)計了不同的登錄界面，登錄界面如圖3所示。

3.2? 后端實現(xiàn)

智能備件管理系統(tǒng)后端使用了基于web開發(fā)常用的軟件設(shè)計模型（model view controller，MVC）設(shè)計思想。詳細(xì)架構(gòu)如圖4所示。

3.2.1? 控制器（controller）

本系統(tǒng)將備件查詢功能內(nèi)嵌入控制器當(dāng)中。其中，備件查詢主要指的是主題框架邏輯實體識別算法，模板分類算法和查詢構(gòu)建等部分。

3.2.2? 模型（model）

本系統(tǒng)的模型（model）收到控制器確切的查詢要求，進(jìn)而對Elasticsearch進(jìn)行相關(guān)模糊查詢，在完成一系列查詢工作，為了后續(xù)對智能查詢效果做進(jìn)一步的分析和研究，將問答記錄保存在PostgreSQL數(shù)據(jù)庫當(dāng)中。具體操作都是通過后臺Python代碼進(jìn)行處理。

3.2.3? 視圖（view）

視圖（view）指用戶進(jìn)行人機交互操作的頁面展示，在對比了Python語言的Web應(yīng)用框架（Django、Flask、Tornado、Fastapi）后，本系統(tǒng)選擇了Fastapi框架。Fastapi框架的優(yōu)勢在于自由、靈活，可擴展性強，第三方庫的選擇面廣，開發(fā)時可以結(jié)合自己最喜歡用的輪子，也能結(jié)合最流行最強大的Python庫。

本系統(tǒng)的后端通過接口，可以獲取其他數(shù)據(jù)庫中的數(shù)據(jù)。以煙草行業(yè)常見的備件數(shù)據(jù)系統(tǒng)（NC系統(tǒng)）為例，可以定時從NC數(shù)據(jù)庫收集備件相關(guān)信息，并通過獲取的數(shù)據(jù)進(jìn)行后續(xù)業(yè)務(wù)。獲取NC數(shù)據(jù)的請求參數(shù)見表3。

3.3? 搜索功能實現(xiàn)

智能化備件管理系統(tǒng)存在根據(jù)備件信息查詢的功能，在實現(xiàn)這個功能時，對比了多個搜索算法，最終確定了搜索準(zhǔn)確率最高和速度較快的彈性搜索（ElasticSearch）來作為本系統(tǒng)的搜索算法，通過彈性搜索（ElasticSearch）實現(xiàn)輸入備件的相關(guān)信息檢索到與輸入信息最相似的備件。

搜索功能實現(xiàn)過程如下：首先，通過開源平臺（Docker）對彈性搜索（ElasticSearch）做虛擬化處理，接著Python編程，把相關(guān)數(shù)據(jù)處理為彈性搜索所需要的數(shù)據(jù)類型（JSON）格式，并導(dǎo)入其數(shù)據(jù)庫。這樣系統(tǒng)后端可以通過端口（REST API）對彈性搜索模塊做相關(guān)的查詢操作。如圖5所示，通過/v1/search端點，程序可以查詢信息。

3.4? 圖像識別功能實現(xiàn)

備件圖像識別查詢是基于深度學(xué)習(xí)開發(fā)的圖像識別查詢方式，采用圖像識別PP-ShiTu技術(shù)方案，主要由主體檢測、特征學(xué)習(xí)和向量檢索3個模塊組成，是一個實用的輕量級通用圖像識別系統(tǒng)?；诖思夹g(shù)方案，可實現(xiàn)備件的一鍵式智能化識別，大大提高識別效率，節(jié)省人工及時間成本。

此外，當(dāng)備件迭代更新時，PP-ShiTu無須重新訓(xùn)練模型，能夠做到“即增即用”，增加新備件時無須對模型進(jìn)行重新訓(xùn)練，極大地節(jié)省了模型訓(xùn)練成本及時間成本。

3.4.1? 數(shù)據(jù)采集

備件圖像識別功能主要適用于工作人員在工業(yè)場景上在不同的光照環(huán)境下對零部件實時進(jìn)行圖像采集和零部件識別。為了提升目標(biāo)數(shù)據(jù)采集的質(zhì)量，從工業(yè)實際生產(chǎn)的條件出發(fā)，同時綜合考慮深度學(xué)習(xí)數(shù)據(jù)的要求，對目標(biāo)零件多角度旋轉(zhuǎn)。同時，對燈光照明和攝像角度做出多次分析和調(diào)整，通過相機的視角變換、光照強弱的改變、圖片背景的干擾等操作，采集大量上述特定條件下的目標(biāo)圖像，以制作訓(xùn)練本模型所需的數(shù)據(jù)集。

3.4.2? 主體檢測

主體檢測技術(shù)是目前應(yīng)用非常廣泛的一種檢測技術(shù)，其指的是檢測出圖片中1個或者多個主體的坐標(biāo)位置，然后將圖像中的對應(yīng)區(qū)域裁剪下來，進(jìn)行識別，從而完成整個識別過程。主體檢測是識別任務(wù)的前序步驟，可以有效提升識別精度。

考慮到備件識別實際應(yīng)用場景中，需要快速準(zhǔn)確地獲得識別結(jié)果，故本系統(tǒng)選取適用于CPU或者移動端場景的輕量級主體檢測模型PicoDet作為本系統(tǒng)主體檢測部分的模型。此模型融合了目標(biāo)檢測算法（ATSS）、損失函數(shù)（Generalized Focal Loss）、余弦學(xué)習(xí)率策略、循環(huán)指數(shù)移動平均線算法（Cycle-EMA）、輕量級檢測頭（head）等一系列優(yōu)化算法，基于COCO train2017數(shù)據(jù)集進(jìn)行大規(guī)模預(yù)訓(xùn)練，最終推斷（inference）模型大?。∕B）僅30.1 MB，mAP可達(dá)40.1%，在CPU下單張圖片預(yù)測耗時僅29.8 ms，完美符合本系統(tǒng)實際落地需求，故在本系統(tǒng)中不對主體檢測部分做適應(yīng)性訓(xùn)練。

3.4.3? 特征提取

特征提取是圖像識別中的關(guān)鍵一環(huán)，其作用是將輸入的圖片轉(zhuǎn)化為固定維度的特征向量，用于后續(xù)的向量檢索。好的特征需要具備相似度保持性，即在特征空間中，相似度高的圖片對其特征相似度要比較高（距離比較近），相似度低的圖片對，其特征相似度要比較?。ň嚯x比較遠(yuǎn)）。深度度量學(xué)習(xí)（Deep Metric Learning）用以研究如何通過深度學(xué)習(xí)的方法獲得具有強表征能力的特征。

考慮到本系統(tǒng)的真實落地的場景中，推理速度及預(yù)測準(zhǔn)確率是考量模型好壞的重要指標(biāo)，所以本系統(tǒng)采用CPU級輕量化骨干網(wǎng)絡(luò)PP_LCNet_x2_5作為骨干網(wǎng)絡(luò)，頸部（Neck）部分選用線性層（Linear Layer），頭部（Head）部分選用邊界損失函數(shù)（ArcMargin），損失（Loss）部分選用交叉熵?fù)p失函數(shù)（CELoss），并結(jié)合度量學(xué)習(xí)arcmargin算法，對高相似物體的區(qū)分效果遠(yuǎn)超單一模型。在Intel至強6148處理器，PP-LCNet的單張圖像5.39 ms的預(yù)測速度下，在圖像數(shù)據(jù)庫（ImageNet）上Top1識別準(zhǔn)確率可以達(dá)到80.82%，準(zhǔn)確率超越大模型ResNet50的模型效果，預(yù)測速度可以達(dá)到后者的3倍。PP-ShiTu充分挖掘該網(wǎng)絡(luò)的潛力，學(xué)習(xí)一個具有超強泛化能力的特征提取模型，同一模型可在多個數(shù)據(jù)集上同時達(dá)到較高精度。

3.4.4? 向量檢索

PP-ShiTu的第三個模塊是向量檢索。在獲得了圖像特征后，通過計算向量距離來獲得2張圖像的相似度，進(jìn)一步通過向量檢索獲取最終識別結(jié)果。這種方式最大的優(yōu)點是，當(dāng)增加新的品類時，不需要重新訓(xùn)練提取特征模型，僅需要更新檢索庫即可識別新的目標(biāo)。為了更好地兼容（Linux， Windows， MacOS）多平臺，在圖像識別系統(tǒng)中，本系統(tǒng)使用專門用于高效相似性搜索和聚類的庫（Faiss）。在此過程中，本系統(tǒng)選取HNSW32為檢索算法，使得檢索精度、檢索速度能夠取得較好的平衡，更為貼切本系統(tǒng)實際應(yīng)用場景的使用需求。

4? 功能測試

4.1? Bug調(diào)試

智能備件管理系統(tǒng)從2023年9月25日開始試運行，測試功能點265個，執(zhí)行了1 536個測試用例，平均每個功能執(zhí)行測試用例5.8個，系統(tǒng)維護(hù)人員根據(jù)使用測試情況對測試中發(fā)現(xiàn)Bug進(jìn)行處理。

由Bug的版本分布圖6可以看出，v0.1—v0.3版本質(zhì)量是非常不穩(wěn)定的。Bug數(shù)量最高達(dá)到41個，經(jīng)過不斷地優(yōu)化，相關(guān)Bug都已經(jīng)進(jìn)行解決，目前系統(tǒng)中的遺留Bug數(shù)量已經(jīng)達(dá)到測試結(jié)束的標(biāo)準(zhǔn)。目前，使用版本能夠達(dá)到項目預(yù)期包含的功能業(yè)務(wù)。

4.2? 搜索功能

智能備件系統(tǒng)在錄入每個備件的信息時，設(shè)置了名稱、庫存、編碼、圖號、型號和規(guī)格字段，當(dāng)某個字段不存在時，使用“暫無”替代。為了驗證搜索功能的完整性，隨機選擇一件備件，分別輸入備件的名稱、編碼、圖號、型號和規(guī)格來觀察最相似的備件是否為目標(biāo)備件。

現(xiàn)隨機選取1件備件。名稱：鉆石桿，編碼：0401700101218，圖號：SQ35.05-123-MY。分別輸入備件名稱、備件編碼和備件圖號，結(jié)果表明，輸入備件名稱、備件編碼和備件圖號都可以成功搜索到目標(biāo)備件。搜索結(jié)果如圖7所示。

4.3? 圖像識別功能

使用圖像識別功能時，采用21 724張圖片作為訓(xùn)練集，5 432張圖片作為驗證集，共27 156張圖片2 089種備件來訓(xùn)練特征提取模型。經(jīng)過100個輪次（epoch）的訓(xùn)練，選取了其中效果最好的模型來實際使用，模型的性能參數(shù)如下，recall1：0.942 58，recall5；0.974 47；mAP：0.909 51。

隨機選取一種備件，使用手機進(jìn)行拍照，并將該圖片進(jìn)行圖像識別，結(jié)果表明，可以成功識別目標(biāo)備件，識別結(jié)果如圖8所示。

（a）? 備件照片? ? ? ? ? ? ?（b）? 圖像識別結(jié)果

5? 結(jié)束語

智能備件系統(tǒng)采用了B/S架構(gòu)，將核心功能集中在服務(wù)器上，簡化了開發(fā)、維護(hù)和使用，在查詢備件時創(chuàng)新性地考慮各個煙廠部門的備件查詢習(xí)慣，設(shè)計了多種查詢方式：機型關(guān)聯(lián)關(guān)系查詢、備件信息查詢、圖像識別方式查詢和層級圖冊查詢，滿足了不同部門的查詢需求。并且，為了方便查詢，本系統(tǒng)提供移動端和PC端2種選擇，移動端提供靈活的備件管理，隨時可查詢和操作。PC端則提供廣泛的數(shù)據(jù)展示與分析功能，提高了煙廠工作效率，實現(xiàn)了數(shù)字化賦能，為高效管理備件、提升生產(chǎn)效益提供了可行的解決方案。

參考文獻(xiàn)：

[1] 張國威，于申，徐冰清.Elasticsearch企業(yè)級搜索在國元證券的應(yīng)用研究[J].現(xiàn)代信息科技，2023，7（8）：160-163.

[2] VOIT A， STANKUS A， MAGOMEDOV S， et al. Big data processing for full-text search and visualization with elasticsearch[J].International Journal of Advanced Computer Science and Applications，2017，8（12）.

[3] 王強，倪巍偉，何爭.證券交易系統(tǒng)日志采集分析平臺的設(shè)計與實現(xiàn)[D].南京：東南大學(xué)，2021.

[4] 劉宏宏，李澤鵬，馬麗琴.基于ES的銀行系統(tǒng)智能運維平臺的設(shè)計與研究[D].蘭州：蘭州大學(xué)，2020.

[5] 王博，王風(fēng)宇.基于ElasticSearch的科技型企業(yè)數(shù)據(jù)篩選與分析管理系統(tǒng)[D].濟(jì)南：山東大學(xué)，2019.

[6] 陶林，瞿少成.基于ElasticSearch與聚合支付的分布式電商平臺的設(shè)計與實現(xiàn)[D].武漢：華中師范大學(xué)，2020.

[7] 阮曉龍，宋斌偉，鄧汪濤，等.基于ElasticSearch的Nginx日志分析平臺的研究與實現(xiàn)[J].現(xiàn)代信息科技，2022，6（6）：1-7，14.

[8] 劉冰.農(nóng)作物病蟲害識別的關(guān)鍵點及應(yīng)用研究——基于深度神經(jīng)網(wǎng)絡(luò)方法[J].河北農(nóng)機，2023（7）：103-105.

[9] 江家龍.基于Vue.js框架的餐飲WebAPP設(shè)計與實現(xiàn)[J].科技創(chuàng)新與應(yīng)用，2023，13（36）：128-132，136.