智能備件管理系統的設計與實現

張婧 龐毅飛 李有松

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

關鍵詞：煙草企業；備件管理；彈性搜索；圖像識別；數字化

中圖分類號：TP311.5? ? ? 文獻標志碼：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

煙草企業生產線裝備水平處于行業前列，主要裝備均采用國際先進設備，在用煙草專用機械設備相對較少。由于科學技術不斷發展，設備的維護、更換和技術改造的速度也隨之加快，因此，備件管理成為煙草企業管理重要工作內容之一。隨著工業互聯網、大數據等技術的發展，在國家“中國制造2025”戰略引導下，建立一套科學的、規范的備件管理系統不僅能夠確保生產及設備穩定運行，還能為企業帶來可觀的經濟效益，進而為企業高質量發展提供有力保障。

1? 相關技術介紹

1.1? Vue.js

Vue.js是一款現代的JavaScript框架，專注于構建用戶界面，以其漸進式、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據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，使得應用程序更易維護和擴展。其響應式數據系統確保數據變化時自動更新相關DOM，簡化了開發流程。指令和事件處理使得在模板中實現常見操作變得簡單而靈活。生命周期鉤子函數和路由管理為開發者提供了更精細地控制和組織應用程序的能力。對于狀態管理，Vue.js提供了狀態管理模式（Vuex），使得數據的集中管理更為便捷?？傮w而言，Vue.js是一個功能強大、易學易用的框架，適用于構建各種規模的現代Web應用，受到了廣泛的開發者和企業的青睞。

1.2? Token

Token是一種在計算機科學和網絡安全領域廣泛應用的概念，通常指代一段具有特定含義的字符串。在身份驗證和授權方面，Token被用于驗證用戶的身份和授予其訪問權限。在Web開發中，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限。OAuth和JWT是常見的Token相關標準，它們定義了Token的生成、傳輸和驗證規范，提供了安全而靈活的身份驗證和授權機制。通過使用Token，開發者能夠實現單點登錄、安全地共享用戶身份信息，以及確保在分布式系統中安全地管理用戶訪問權限。Token的機制不僅在Web開發中得到廣泛應用，在移動應用、云計算和區塊鏈等領域也發揮著關鍵作用，為系統安全和用戶體驗提供了堅實的基礎。

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）構建的分布式搜索引擎。其由Elastic公司開發并維護，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，支持多種數據類型的索引和查詢[1]。

隨著數字化浪潮蓬勃發展，在各行各業的大數據搜索場景中都可以見到ElasticSearch的身影。Voit等[2]通過ElasticSearch技術解決匿名用戶登錄系統驗證問題，建立了全文搜索和可視化管理系統。王強等[3]利用ElasticSearch優化證券交易系統日志數據采集平臺，通過數據解決方案（ELK）日志實現了日志的采集、清洗、日志檢索警報和存儲功能。劉宏宏等[4]通過銀行服務器中的日志數據并結合銀行系統以及ElasticSearch技術的特點，設計了一套專用于銀行的系統運維平臺。

王博等[5]通過ElasticSearch實現了數據的動態篩選管理、關鍵詞查詢等功能，適用于企業的數據篩選和分析。陶林等[6]利用ElasticSearch技術結合聚合支付方式，設計并實現了分布式的電商平臺，提高了聚合支付系統安全性，增強了系統的開發效率和運行效率，增加了系統的抗高并發能力，確保了系統的穩定運行。阮曉龍等[7]將ElasticSearch系統應用于反向代理服務器（NginX）日志分析，用于觀察和監控網站運行狀況，建立了智能監控系統。

1.4? 深度學習

深度學習是一種模擬人腦神經網絡結構的機器學習方法[8]，通過多層次的神經網絡（深度神經網絡）來學習和解析復雜的數據模式。這一領域的興起得益于計算能力的提升和大規模數據的可用性，使得深度學習在圖像識別、自然語言處理、語音識別等領域取得顯著的成果。

深度學習的核心是人工神經網絡，其基本單元是神經元，通過模擬神經元之間的連接和信息傳遞來實現學習任務。深度學習網絡的層次結構使其能夠從數據中提取抽象特征，逐層進行特征表示學習，從而更好地捕捉數據的復雜關系。常見的深度學習模型包括卷積神經網絡（CNN）用于圖像處理，循環神經網絡（RNN）用于序列數據，以及自注意力機制模型（Transformer）在自然語言處理等領域的廣泛應用。

深度學習的成功得益于大量的訓練數據和優秀的優化算法，其中梯度下降等方法被廣泛使用。此外，深度學習還借鑒了一些生物學原理，如神經網絡中的權重更新類似于突觸強度的調整。

2? 智能備件管理系統設計

2.1? 系統總體架構

系統架構（圖1）設計遵循了分層架構思想，明確分離了表現層和業務邏輯，確保了應用服務邏輯的一致性、結構的開放性、功能的可擴展性和可維護性。利用基于Python的現代Web框架（Fastapi）技術平臺和大型關系數據庫PostgreSQL，建立了前后端分離的系統架構。這一構想確保了系統的高效性、彈性和可靠性，同時滿足了對簡潔性、跨平臺性、可擴展性、可移植性和穩定性的多重要求，為系統提供了可信賴的基礎設施。

2.1.1? 模塊功能解析

1）數據存儲層。數據存儲層采用流行的大型關系型數據庫軟件PostgreSQL，旨在安全存儲和備份數據。該層為業務邏輯層提供靈活、高效的數據操作，包括數據庫創建、更新、讀取、刪除（CURD）操作和文件系統讀寫。數據存儲層確保數據安全、一致性、可用性，為系統提供可靠基礎支持。

2）應用層。應用層以Python語言運行在高性能Web服務器（Uvicorn）應用服務器上，連接系統前臺和后臺數據處理。涵蓋系統門戶、信息、流程、統計、輔助、系統管理和幫助等功能，為用戶提供全面服務。其設計目標是用戶友好性和與后端數據處理的高效連接，為系統提供可靠支持，滿足多樣化業務需求。

3）表示層。表示層采用框架（Vue）技術，一種現代JavaScript框架，構建用戶界面。Vue簡潔、靈活，幫助構建交互強、用戶體驗優秀的界面。系統更具動態交互性，Vue提供豐富功能和數據驅動視圖，提高系統響應速度，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與NC系統進行數據交互的關鍵。為解決系統技術和平臺差異，系統采用了獨特的設計風格（RESTful）技術構建接口，實現多平臺間動態數據交互。RESTful接口屏蔽了系統差異，降低了系統平臺依賴性和接口穩定性問題。這種方法使得系統間對接更靈活高效，提升了數據交互穩定性和通用性，確保了系統間數據傳輸的可靠無縫。

2.1.2? 系統配置

1）軟件平臺配置如下。

系統開發平臺：OpenCV4.6.0.66、PostgreSQL 16.1、pycharm2022。

系統開發語言：Python。

運行平臺：openEuler（歐拉）22.03。

運行環境：nodejs。

內存：16 G。

分辨率：1 366*768或以上。

2）終端設備配置如下。

規格：虛擬化服務器。

處理器：4核心CPU，主頻2.1 GHz及以上。

內存：16 GB內存及以上。

硬盤：1TB HDD硬盤及以上。

網卡：配置1個4口千兆以太網控制器。

2.2 系統功能設計

智能備件管理系統是一款專為煙草行業提供全面備件管理解決方案的系統，目前分為移動版和PC版，致力于幫助煙草企業高效、精確地管理備件信息，降低管理成本，確保備件合規使用。系統內主要集合了備件查詢、備件業務、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。在權限設置中，設置了維修工、高架庫管理員、設備員和領料員四種角色權限，具體權限見表1。

2.3? 數據庫設計

PostgreSQL是一款強大的、開源的關系型數據庫管理系統（RDBMS），以其可擴展性、靈活性和遵循標準化查詢語言（SQL）標準的特性而聞名。其版本更新通常包含性能優化、安全增強和新功能的引入。采用PostgreSQL 16.1作為本系統的數據庫，在16.1版本中，具有先進的查詢優化、更強大的并行處理能力以及對特殊數據類型（JSONB）和空間數據的更好支持。部分數據結構見表2。

3? 智能備件管理系統實現

3.1? 前端實現

本系統的前端框架基于Vue.js，其中涉及多組件間的跳轉切換，用戶相關信息的獲取、權限設置，前端和后端數據的請求交互[9]。前端實現過程中用到Vue.js的核心組件包括：①路由管理器（Vue-router）：用于實現前端組件的加載以及頁面間的跳轉；②客戶端（Axios）。用于實現后端的接口（API）請求，并對Axios進行二次封裝。

本系統用到的插件和組件包括以下內容。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，并進行一系列點擊等操作。②文本轉語音庫（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到預期要求時使用，有不錯的效果；④移動端界面組件庫（Vant）：對于一些布局、表單、彈出框等內容，本系統選用Vant組件，該組件涵蓋常見的表單、導航和按鈕等元素，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行快速格式化。

對于不同權限的用戶，設計了不同的登錄界面，登錄界面如圖3所示。

3.2? 后端實現

智能備件管理系統后端使用了基于web開發常用的軟件設計模型（model view controller，MVC）設計思想。詳細架構如圖4所示。

3.2.1? 控制器（controller）

本系統將備件查詢功能內嵌入控制器當中。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建等部分。

3.2.2? 模型（model）

本系統的模型（model）收到控制器確切的查詢要求，進而對Elasticsearch進行相關模糊查詢，在完成一系列查詢工作，為了后續對智能查詢效果做進一步的分析和研究，將問答記錄保存在PostgreSQL數據庫當中。具體操作都是通過后臺Python代碼進行處理。

3.2.3? 視圖（view）

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

本系統的后端通過接口，可以獲取其他數據庫中的數據。以煙草行業常見的備件數據系統（NC系統）為例，可以定時從NC數據庫收集備件相關信息，并通過獲取的數據進行后續業務。獲取NC數據的請求參數見表3。

3.3? 搜索功能實現

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

搜索功能實現過程如下：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，把相關數據處理為彈性搜索所需要的數據類型（JSON）格式，并導入其數據庫。這樣系統后端可以通過端口（REST API）對彈性搜索模塊做相關的查詢操作。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

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

此外，當備件迭代更新時，PP-ShiTu無須重新訓練模型，能夠做到“即增即用”，增加新備件時無須對模型進行重新訓練，極大地節省了模型訓練成本及時間成本。

3.4.1? 數據采集

備件圖像識別功能主要適用于工作人員在工業場景上在不同的光照環境下對零部件實時進行圖像采集和零部件識別。為了提升目標數據采集的質量，從工業實際生產的條件出發，同時綜合考慮深度學習數據的要求，對目標零件多角度旋轉。同時，對燈光照明和攝像角度做出多次分析和調整，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圖像，以制作訓練本模型所需的數據集。

3.4.2? 主體檢測

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

考慮到備件識別實際應用場景中，需要快速準確地獲得識別結果，故本系統選取適用于CPU或者移動端場景的輕量級主體檢測模型PicoDet作為本系統主體檢測部分的模型。此模型融合了目標檢測算法（ATSS）、損失函數（Generalized Focal Loss）、余弦學習率策略、循環指數移動平均線算法（Cycle-EMA）、輕量級檢測頭（head）等一系列優化算法，基于COCO train2017數據集進行大規模預訓練，最終推斷（inference）模型大?。∕B）僅30.1 MB，mAP可達40.1%，在CPU下單張圖片預測耗時僅29.8 ms，完美符合本系統實際落地需求，故在本系統中不對主體檢測部分做適應性訓練。

3.4.3? 特征提取

特征提取是圖像識別中的關鍵一環，其作用是將輸入的圖片轉化為固定維度的特征向量，用于后續的向量檢索。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）。深度度量學習（Deep Metric Learning）用以研究如何通過深度學習的方法獲得具有強表征能力的特征。

考慮到本系統的真實落地的場景中，推理速度及預測準確率是考量模型好壞的重要指標，所以本系統采用CPU級輕量化骨干網絡PP_LCNet_x2_5作為骨干網絡，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（ArcMargin），損失（Loss）部分選用交叉熵損失函數（CELoss），并結合度量學習arcmargin算法，對高相似物體的區分效果遠超單一模型。在Intel至強6148處理器，PP-LCNet的單張圖像5.39 ms的預測速度下，在圖像數據庫（ImageNet）上Top1識別準確率可以達到80.82%，準確率超越大模型ResNet50的模型效果，預測速度可以達到后者的3倍。PP-ShiTu充分挖掘該網絡的潛力，學習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據集上同時達到較高精度。

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，進一步通過向量檢索獲取最終識別結果。這種方式最大的優點是，當增加新的品類時，不需要重新訓練提取特征模型，僅需要更新檢索庫即可識別新的目標。為了更好地兼容（Linux， Windows， MacOS）多平臺，在圖像識別系統中，本系統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，更為貼切本系統實際應用場景的使用需求。

4? 功能測試

4.1? Bug調試

智能備件管理系統從2023年9月25日開始試運行，測試功能點265個，執行了1 536個測試用例，平均每個功能執行測試用例5.8個，系統維護人員根據使用測試情況對測試中發現Bug進行處理。

由Bug的版本分布圖6可以看出，v0.1—v0.3版本質量是非常不穩定的。Bug數量最高達到41個，經過不斷地優化，相關Bug都已經進行解決，目前系統中的遺留Bug數量已經達到測試結束的標準。目前，使用版本能夠達到項目預期包含的功能業務。

4.2? 搜索功能

智能備件系統在錄入每個備件的信息時，設置了名稱、庫存、編碼、圖號、型號和規格字段，當某個字段不存在時，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、型號和規格來觀察最相似的備件是否為目標備件。

現隨機選取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備件。搜索結果如圖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種備件來訓練特征提取模型。經過100個輪次（epoch）的訓練，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，使用手機進行拍照，并將該圖片進行圖像識別，結果表明，可以成功識別目標備件，識別結果如圖8所示。

（a）? 備件照片? ? ? ? ? ? ?（b）? 圖像識別結果

5? 結束語

智能備件系統采用了B/S架構，將核心功能集中在服務器上，簡化了開發、維護和使用，在查詢備件時創新性地考慮各個煙廠部門的備件查詢習慣，設計了多種查詢方式：機型關聯關系查詢、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端則提供廣泛的數據展示與分析功能，提高了煙廠工作效率，實現了數字化賦能，為高效管理備件、提升生產效益提供了可行的解決方案。

參考文獻：

[1] 張國威，于申，徐冰清.Elasticsearch企業級搜索在國元證券的應用研究[J].現代信息科技，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.證券交易系統日志采集分析平臺的設計與實現[D].南京：東南大學，2021.

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

[5] 王博，王風宇.基于ElasticSearch的科技型企業數據篩選與分析管理系統[D].濟南：山東大學，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計與實現[D].武漢：華中師范大學，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[J].現代信息科技，2022，6（6）：1-7，14.

[8] 劉冰.農作物病蟲害識別的關鍵點及應用研究——基于深度神經網絡方法[J].河北農機，2023（7）：103-105.

[9] 江家龍.基于Vue.js框架的餐飲WebAPP設計與實現[J].科技創新與應用，2023，13（36）：128-132，136.