Al赋能,业内首例,国控广东物流药械视觉复核项目以智提效
2022年12月,由国控广东物流和旷视联合研发的“药械自动识别和数据采集系统”在国控广东物流佛山物流中心进入运作使用。在药械收货环节,该系统通过“人机协作”,数秒内就能完成单批产品的多轮信息复核和数据自动采集,实现高准确率的同时,整体工作效率提升超50%。
对此,国控广东物流总经理梁颖康表示:“国控广东物流佛山物流中心的视觉复核项目,是医药行业首例通过Al视觉识别技术解决药械全流程信息采集与识别的应用案例。这套药械自动识别和数据采集系统,不仅有助于提升我们的核心竞争力,还将为提升物流管理能力、员工工作效率和客户服务水平等提供保障。”
技术创新成焦点,Al视觉识别为药械信息管理提供新思
当前,受供给侧改革,以及集采、行业监管日趋规范严格等政策、市场因素影响,医药行业的高质量发展势在必行,也对医药制造和流通企业提出了更高要求。技术创新成为企业实现成本可控、供应链优化和高质量发展的主要突破口。
药品和器械的信息管理是医药仓储管理的重中之重,系统需准确无误地记录相应批号、生产日期、有效期等关键信息,以确保使用安全。以往作业模式中,药械出入库环节依赖传统的人力作业方式进行信息管理,耗时耗力。
国控广东物流一直致力于将科技与传统业务结合提出创新方案,通过技术创新实现高效、高准确度的药械信息管理,提高生产力。在本次系统研发中,国控广东物流应用旷视开发的Al视觉感知解决系统,通过加载视觉识别设备实现药械外包装的信息识别,提高生产效率。
效率提升50%,国药与旷视共创药械信息管理数智化升级
作为医药物流行业重点企业,国控广东物流承接了几十万种药械SKU,药械入库前需复核包括厂家、名称、规格、批号、生产日期、效期等十多项信息,对效率和精度要求高。为了能更好地应对复杂的现场业务场景,并做到超高识别准确率,双方进一步研发了药械自动识别和数据采集系统。
国控广东物流通过分析药械库内信息管理需求,设计了前端应用子系统,可对药械图像进行备案、信息提取和归类对比,确保每个环节信息一致,对每件产品的入库物流、信息流进行精准管控。旷视则提供视觉模块、信息系统接口和相应的硬件设备,完成图片中文本检测、图片矫正、OCR识别和处理,为前端系统提供服务,共同实现视觉模块与WMS的无缝对接、系统运作效能最优化。
为了提高Al识别的准确率,双方工程师驻场开发和支持运维,不断收集数据,观察调整设备,共同探讨优化药械包装文字的匹配方案,不断提升方案的识别准确率和易用性,目前识别准确率已达到99%。

药械信息识别和采集流程的前后变化
双方还将Al技术与业务流程相结合,通过药械自动识别和数据采集系统,配合单据复核、实物复核、人工复核等多轮复核手段,满足医药行业的超高准确率要求。该系统投入使用后,国控广东物流佛山物流中心的药械信息复核工作效率提升了50%。
未来,国控广东物流将在三个方面继续发力,一是整体的物流网络规划覆盖更广大的地域,持续扩充物流节点,向二、三级城市乃至乡镇下沉;二是加大信息化建设投入,实现物流网络高效运营;三是采用更多的自动化物流技术,实现仓储、运输以及末端网点的作业自动化,特别是采用Al控制的设备来提升整体物流运作的自动化水平。通过持续探索医药物流创新模式,加快企业高质量发展,助力国药一致加快数字化服务升级的步伐,进而推动行业加快技术与物流的深度融合,用科技为医药流通产业注入支撑力。
好文章,需要你的鼓励
Lumen Technologies对美国网络的数据中心和云连接进行重大升级,在16个高连接城市的70多个第三方数据中心提供高达400Gbps以太网和IP服务。该光纤网络支持客户按需开通服务,几分钟内完成带宽配置,最高可扩展至400Gbps且按使用量付费。升级后的网络能够轻松连接数据中心和云接入点,扩展企业应用,并应对AI和数据密集型需求波动。
阿里巴巴团队提出FantasyTalking2,通过创新的多专家协作框架TLPO解决音频驱动人像动画中动作自然度、唇同步和视觉质量的优化冲突问题。该方法构建智能评委Talking-Critic和41万样本数据集,训练三个专业模块分别优化不同维度,再通过时间步-层级自适应融合实现协调。实验显示全面超越现有技术,用户评价提升超12%。
RtBrick研究警告,运营商面临AI和流媒体服务带宽需求"压倒性"风险。调查显示87%运营商预期客户将要求更高宽带速度,但81%承认现有架构无法应对下一波AI和流媒体流量。84%反映客户期望已超越网络能力。尽管91%愿意投资分解式网络,95%计划五年内部署,但仅2%正在实施。主要障碍包括领导层缺乏决策支持、运营转型复杂性和专业技能短缺。
UC Berkeley团队提出XQUANT技术,通过存储输入激活X而非传统KV缓存来突破AI推理的内存瓶颈。该方法能将内存使用量减少至1/7.7,升级版XQUANT-CL更可实现12.5倍节省,同时几乎不影响模型性能。研究针对现代AI模型特点进行优化,为在有限硬件资源下运行更强大AI模型提供了新思路。