厦门致联科技有限公司

【国家级高新技术企业】

致联科技
您当前位置:致联科技 >> 工业物联网 >> 浏览文章

深度 | 线下场景的客流数字化探索与应用

2019年01月09日

17.jpg

在新零售场景中,线下的举动数据是潜藏的宝矿。如何进行数字化升级,更好辅佐商家和消耗者,成为摆在我们面前目今的紧张课题。

下面,搜索事业部的算法专家京五将为大家细致介绍阿里在线了局景的客流数字化探索与应用。

在互联网时代,数据是所有应用的基础,淘宝的商家可以基于商品历史的点击成交量来判断店内各个商品的情况,并做出响应的运营举动,淘宝的买家会根据商品历史的成交数据,评论数据等,来辅助本身判断是否进行购买,同时我们平台也会基于用户和商品的历史数据,来训练模型,展望各个商品的点击率,展望各个用户的偏好,使展示的效果更吻合用户的需求。可以看出,数据对于各个不同的角色都有很紧张的作用。

在互联网中,获取数据相对容易,反观线下零售场景,大部分数据都是缺失的,商家并不知道店内多少商品被欣赏了,多少商品被试穿了,买家也不知道各件商品的历史数据。

因此,我们的客流数字化相干的探索,就是要将线下的用户和商品的举动数据收集起来,让线下的举动也能有迹可循,为商业决策和市场运营提供正确有用的数据支持,将传统零售中的导购经验渐渐数字化成可量化和统计的数字指标,能够辅助商家运营,同时帮助用户进行决策。基于这些数据,也能够让算法在线下发挥更大的作用。

团体方案

团体方案如下图所示,方案涉及场外的选品策略引导,线下引流,进店的人群画像,顾客轨迹跟踪,人货交互数据沉淀,试衣镜互动/保举,以及离店后的线上二次触达。从场外到场内再到线上,构成了团体全流程的产品方案。

16.jpg

客流数字化探索

在门店客流数字化的探索中,硬件部署上,我们使用了门店已有的监控摄像头和RFID标签,并结合视觉及射频相干技术,通过在门店部署GPU终端进行计算。技术方案上,我们基于人脸识别技术,识别进店用户的性别,年龄,新老客等基础属性,并通过行人检测跟踪与跨摄像头的行人重识别技术跟踪用户在门店内的动线转变,同时得到团体门店各个区域的热力图分布,此外,还通过摄像头与RFID 多传感器融合的技术识别用户在门店内的举动,包括翻动,试穿等,正确RFID定位门店内各个商品的欣赏与试穿频次以及用户在线下的偏好。下面会重要介绍其中的行人检测,行人重识别和动作识别这3个技术方向相干的优化。

行人检测

在新零售的客流数字化场景中,我们必要通过监控摄像头对门店客流的进店频次、性别、动作、举动轨迹、停顿时间等周全的记录和分析。要达到我们的目标,首先必要能够检测并识别出摄像头中的行人。

虽然目前YOLO等目标检测算法可以做到近乎实时的计算性能,但其评估环境都是Titan X、M40等高性能GPU,且只能支撑单路输入。无论从硬件成本或是计算能力方面考虑,这些算法都无法直接应用到真实场景中。当然YOLO官方也提供了像YOLOv3-Tiny这种轻量级的模型方案,但模型性能衰减过大,在COCO上mAP降落超过40%。同时现有目标检测方案的泛化能力还比较弱,不同场景的差异对模型性能会造成较大的影响。门店场景下的视角、光线、遮挡、相似物体干扰等情况与开源数据集差异较大,直接使用基于VOC、COCO数据集训练的模型对该场景进行检查,结果特别很是不理想。我们分别针对模型的性能和在现实数据集的结果两方面做了响应的优化。

网络结构精简与优化

我们在YOLO框架的基础上对模型进行改动,实现了一种轻量级实时目标检测算法,在服饰门店的真实场景下,和YOLOv3相比,模型性能降落不超过2%,模型大小缩小至原来的1/10,在Tesla P4上对比FPS提拔268%,可直接部署到手机、芯片等边缘设备上,真实营业场景中一台GTX1070可以同时支撑16路摄像机同时检测,有用节约了门店改造的经济成本。

标准YOLOv3的网络结构有106层,模型大小有237M,为了设计一个轻量级的目标检测体系,我们使用Tiny DarkNet来作为主干网络,Tiny DarkNet是一个极简的网络结构,最大通道数为512,模型大小仅4M,该模型结构比YOLO官方的YOLOv3-Tiny的主干网络还要精简,但精简网络会造成特性抽取能力的衰减,模型性能降落剧烈,在我们人工标注的2万多张服饰门店场景数据集上,替代后的Tiny DarkNet + FPN结构较原生结构的AP-50(IOU=0.5)降落30%。我们在特性抽取网络之后进行Spatial Pyramid Pooling[10],与原特性一路聚合,之后通过下采样与反卷积操作将不同层级特性合并,盼望将底层的像素特性和高层的语义特性进行更充分的融合来填补特性抽取能力的降落,团体网络结构如下图所示,精简后的检测模型大小约为原来的1/10。

15.jpg

目标检测网络结构

知识蒸馏进一步优化

知识蒸馏[2]通过Teacher Network输出的Soft Target来监督Student Network学习网络中Dark Knowledge,以实现Knowledge Transfer的目的,与量化、剪枝、矩阵近似等方法常被用来实现对模型的压缩。但蒸馏与量化等方法之间又是可以互相结合的,而且蒸馏自己对模型的修改更加透明,无需特别的依靠及实行框架。

14.jpg

知识蒸馏网络结构

上图是我们网络蒸馏的模型结构设计,蒸馏时我们采用原生YOLOv3作为Teacher Network,虽然YOLOv3拥有较好的检测性能,且结构上与我们的模型比较相似,但直接在二者输出层之间建立L2束缚,无法战胜Teacher Network中的噪声及回归展望的波动,效果反而克制了Student Network的学习。实验中发现Hint Layer的损失设计和回归展望的不确定性是蒸馏结果的核心题目,强行在对应Channel之间建立损失束缚的体例过于严苛。对于通俗卷积而言,我们无必要求Teacher / Student Network的Input Channel顺序保持同等,仅必要整个输入的分布是同等的。每个Channel相称于一次采样效果,雷同的分布,采出的样本顺序可能多种多样,但团体效果吻合雷同分布,同时经过激活函数的Channel分布不再稳固,必要进行归一处理。为了避免Teacher Network回归展望自己的不稳固,回归损失设计时仍以Ground Truth为目标,将Teacher Network的Output作为Bound,仅对偏差大于Teacher Network的部分进行束缚,本质上是在借Teacher Network来进行Online Hard Example Mining。

行人重识别

行人重识别(Person Re-identification)题目是指在跨摄像头场景下,给定待查找的行人图片,查找在其他摄像头是否出现该人。一样平常用来解决跨摄像头追踪。在线下门店场景中,每个门店都会在各个不同的区域安装摄像头,当顾客在店内逛时,我们必要了解用户是如何在各个区域之间运动,了解各个区域客流的去向与来源,因此必要将各个不同摄像头中统一个行人进行关联。

行人特性提取

行人重识别的难点在于,多个摄像头下拍摄行人的角度不同,图像中的行人可能72变,同时还有可能会有不同程度的遮挡,导致直接使用团体的行人特性来做重识别特别很是具有挑衅性,那能不能用人脸识别做行人重识别?理论上是可以的,但是在现实场景中特别很是难应用,首先,广泛存在后脑勺和侧脸的情况,做正脸的人脸识别难,其次,摄像头拍摄的像素可能不高,尤其是远景摄像头里面人脸截出来很可能都没有32x32的像素。所以人脸识别在现实的重识别应用中存在很大的限定。

行人重识别题目中,如何学得一个鲁棒的行人特性透露表现成为了一个很关键的题目。学得行人特性透露表现最直观的体例是直接以整张行人图片作为输入,提取一个全局特性,全局特性的目标是学到能够区分不偕行人之间最凸起的信息,比如衣服颜色等,来区分这个行人。然而监控场景的复杂性,使得如许的方法的正确性受到了很大的限定,比如,各个摄像头之间存在色差,并且门店的不同区域的光照条件会有差异,此外,还有许多穿相似服装的行人。同时因为目前行人重识别数据集在体量及雄厚性上有比较大的欠缺,一些不凸起,不频繁出现的细节特性在全局特性的训练中很容易被忽略。

要解决上面提到的题目,使用局部特性替代全局特性是一个比较好的解决方案,基于局部特性的行人重识别方法将原始输入透露表现成多个特性块,每一个特性块代表一个局部的特性,基于局部特性的方法能够更关注行人的局部细节方面的特性。

基于局部特性的方法,也存在一些题目,这一类方法将行人划分为各个自力的语义分块,并没有考虑各个局部特性之间的关联,因此,在我们的方案中,我们使用到了多级局部特性的融合方案,在考虑各个局部特性的同时考虑多个局部特性的关联关系,详细网络结构如下图所示,在原始的局部特性的基础之上增长了多个不同尺度的局部特性以及全局特性,学到的特性不仅能够透露表现各个部位的细节特性,还能表达不同部位融合在一路的特性,相较原始版本更加雄厚化。

13.jpg

目前基于此版本模型还在持续优化中,在Market数据集上Rank@1能达到96.19%,使用同样主干网络结构的情况下提取全局特性的版本的Rank@1只能达到89.9%,而仅使用local特性的版本Rank@1能够达到92.5%,融合的方案相比两个版本均有较显明的提拔。

跨数据集的行人重识别的探索与尝试

因为线了局景的特别性,我们的模型必要部署到各家不同的门店,各个门店的光线,环境存在很大的差异,不同门店的摄像头安装的角度也会有些许不同,因此我们在一个数据集上训练的模型可能并不适用于所有门店,然而我们又不可能逐家门店去做数据的标注,因此,我们想通过一种体例,让我们的模型能够自适应到新的门店的数据中。

在门店中,因为顾客是在一个封闭空间,因此顾客在各个摄像头之间的转移是存在肯定的规律的,比如说:顾客一定是最先出如今门口的摄像头,顾客只能在相邻的两个区域之间进行转移等,基于门店场景的特征,我们首先尝试了基于摄像头时空信息的混合模型,参考[7],模型结构如下图所示:

12.jpg

混合模型首先基于原始的视觉特性的分类器来计算各个摄像头以及不同时间间隔之间转移的概率分布,再使用时空信息与原始分类器结合得到最终的效果。

人货动作检测

除了基础的客流动线数据以外,顾客在门店中的举动数据也是特别很是有价值的,我们尝试使用视觉结合RFID射频旌旗灯号的融合方案,试图解决顾客在门店中与货物的交互题目,即哪个顾客在什么地点翻动/拿起了哪一件商品,比较类似线上的点击数据。

人货交互的数据在线下是很紧张的一个环节,人货交互的数据可以让商家知道哪些商品被翻动的多,了解哪些商品比较能够吸引顾客,哪一类顾客更喜好哪些风格的商品,同时这一部分数据也完美了整个门店的漏斗转化,曩昔商家仅仅能根据成交来判定每个商品的受迎接程度,而有些潜在畅销款可能是因为摆放的位置不恰当,导致可能根本没有顾客细心看到,导致最终成交额较低,同时有的商品虽然成交笔数不少,但是现实上被顾客拿起的次数也分外多,可能是由于这件商品在一个更显眼的位置,相比同样成交笔数的拿起次数较少的商品,现实转化率更低。补全这个环节的数据对商家的线下运营有很关键的作用,同时这一部分举动数据在商家线上线下商品打通之后为线上服务起到最紧张的作用。

人货交互的数据是目前线下数据缺失的比较紧张的环节,商家一样平常都能很容易的拿到商品的成交的统计数据,而人货交互的数据因为发生更频繁,且不易判断,因此团体数据的收集难度比较高,此外人货交互的数据必要正确到详细的SKU,单纯的顾客发生了动作并没有太大的意义,因此在人货动作检测的方案上,我们设计了一套结合视觉技术和RFID射频旌旗灯号的融合方案,得到最终的人货交互数据。下图为团体方案:

11.jpg

门店中装置有监控摄像机设备与RFID接收器设备,分别录制实时视频与RFID标签受激反射的 时序旌旗灯号,首先基于回传的RFID旌旗灯号与检测哪些RFID标签可能被翻动了,因为店铺服务员已经将RFID标签的EPC编号与商品的 SKU编号关联入库,基于被翻动的标签EPC编号可以取到对应商品的SKU,同时,使用回传的顾客图片检测出疑似有在翻动商品的顾客,并根据顾客的图像坐标进行坐标变换,得到该顾客的真实物理坐标,最后,将检测出的疑似被翻动的商品与疑似有翻动商品动作的顾客进行关联,得到商品与行人的最佳匹配。

其中基于RFID射频技术的商品动作识别是一个比较新的尝试。当顾客翻动衣服时,衣服上的RFID标签会随之发生细小抖动,RFID接收机设备记录标签反射的旌旗灯号RSSI,Phase等特性值的转变,回传到后台,算法通过对每个天线回传的旌旗灯号值进行分析判断商品是否发生翻动。基于RFID旌旗灯号判断商品翻动存在诸多题目,包括旌旗灯号自身噪声、环境多径效应、无意电磁噪声、货柜对旌旗灯号遮挡的影响等。同时RFID反射旌旗灯号的大小与接收器离标签距离远近存在非线性关系,

10.jpg

其中,d代表RFID标签与接收器之间距离,

受Multipath和当前环境的影响,

透露表现各种静态设备偏差带来的偏移。从公式中可以看出,接收器安装的位置,商店环境等都会给RFID旌旗灯号带来很大影响,探求同一的可以适用于不同商店、不同位置接收器的翻动判断算法存在很大挑衅。最初的版本我们使用RSSI和Phase的原始值作为特性值来训练模型,如许的模型存在一个题目,在我们的样本不足够的情况下,受环境的影响较大,在真实环境中每每不能达到离线测试的效果,因此,我们试图基于原始的旌旗灯号值产生于空间位置不那么强相干的特性值来辅助动作的判断。

虽然频率信息中的幅度信息与空间位置存在关系,但是当我们只关注于频率分布(不同频率成份的占比)时,可以将频率信息也当成与空间位置信息无关的特性。频率信息的获取必要对RSSI旌旗灯号与Phase旌旗灯号进行离散傅利叶变换, 然后统计频率旌旗灯号与相位旌旗灯号的分布图。对得到的分布图,计算当前分布与前一个时刻分布的JS散度(相对于KL散度,JS散度具有加法的对称性,因此可以用来衡量多个分布之间的相对距离)。

基于相邻时刻前后两个样本的JS散差异的版本在我们的测试数据上能够达到94%的识别精度,相比最初版本基于原始的RSSI值和phase值作为特性的版本的91.9%的精度,有肯定的提拔。

基于图像的顾客动作检测是经典的分类题目,为了减小对计算能力的需求,我们使用了:MobileNet[12]对行人检测的图像进一步分类,并根据模型Logits输出进行了最优化参数寻优,在保持分类精度时,进步正例召回率,确保正例尽可能被召回,如下图所示。

9.jpg

我们通过时间关联程度与动作可疑程度两个维度同时进行匹配,使得最终的匹配行人与翻动商品的正确率达到85.8%。

客流数字化应用

客流数字化产出的客流相干数据不仅仅用于商家的线下运营,同时我们也基于这部分数据在线了局的流量分发上有一些初步应用,淘宝是线上的一个很大的流量分发的入口,淘宝的搜索和保举决定了消耗者当前能看到哪些商品,也同时影响了各个商家和商品的团体流量情况,搜索和保举就是将商家、商品和用户做匹配,将适当的商品展示给合适的用户,知足消耗者的购物体验的同时,也平衡各个商家商品的流量分配,避免流量的虚耗,实现流量的最大化的价值。

在线下商场,也有一样的流量分发的需求。但是线了局相比线上,有两个比较大的挑衅:1) 线下目前没有同一的入口,类似线上的搜索和保举应用,无法触达到用户;2) 线下没有类似线上雄厚的日志和举动数据,没稀有据支持比较难做到精准的个性化,无法优化结果。

在线了局的流量分发的探索中,我们使用商场已有的互动屏幕、门店的互动屏幕作为流量分发的出口,同时,行使前文提到的客流数字化沉淀的数据来支持线了局的个性化流量分发。

场外引流屏

场外引流屏的作用,是进行第一级的流量分发,首先必要通过不同的互动玩法,营销运动吸引用户,再通过屏幕对用户进行个性化的优惠券投放,指导用户进入不同的门店。

在传统商场中,用户刚进来商场,可能会随机地在这个楼层进行运动,当看到感爱好的品牌完成进店的运动,或者用户会基于导览屏,也许了解商场楼层的品牌分布情况,再进行有肯定针对性的欣赏。而我们的引流屏的作用是将合适的优惠保举给对应的人,从而指导用户进店,相称于在商场中岛进行团体的流量分发,将集中在中岛的用户往各个不同的方向进行指导。团体方案如下图所示:

8.jpg

团体方案依靠三部分的数据,分别是基于用户的图像特性产出的人群属性数据,以及各个店铺的进店人群分布数据和店铺的其他统计量的特性,基于用户当前的属性特性与店铺的人群分布进行匹配,可以得到初步的个性化的店铺保举效果,此外,使用店铺自己的统计量特性作为辅助信息,在划一匹配条件下额外考虑各个店铺自己的热度,服从等维度特性,以及当前所提供的优惠券的力度信息,得到最终的优惠券的排序,并展示给用户。

场内试衣屏

场内试衣屏的作用是做第二层的流量分发,即用户进店后,必要保举哪些商品展示给用户。在传统的门店中,用户进店后会在店内进行随机的欣赏,对于感爱好的衣服会找导购员提供试穿,试穿后导购员也会对顾客进行保举。整个过程中存在一些题目,首先,用户对于商品的欣赏和商品摆放的位置关系很大,橱窗的商品会更容易吸引用户细致,而部分较密集的衣架区,用户可能没有办法细致到部分货品;其次,试穿之后导购进行的保举也会因人而异,和导购自己的素质关系也较大,有些经验雄厚的导购员可以根据你小我的长相气质保举更适合你的商品,而更多的导购员只能简单的基于当前的热销款来进行保举,无法做到因人而异。

试衣屏保举要解决的就是上述的两个题目,团体显现情势如下图:

在用户进行试穿时,会在镜子侧方表现商品的详情信息,包括目前商品是否有扣头等,同时会基于用户的试穿举动,保举相干商品与搭配商品,给部分商品一次额外的展示机会,同时也能够基于用户的试穿以及用户当前的图像特性给出个性化的保举效果,方便用户的选购,即使用户临时没有这个消耗风俗,镜子屏幕上的保举效果也能对导购员进行一些辅助决策,能够帮助导购员给用户保举更加个性化更加雄厚的商品。

团体算法方案如下图所示:

6.jpg

考虑到隐私题目,在我们的应用中,我们不去尝试通过人脸关联到对应的id,仅在场内通过用户的举动和其他用户举动的相似性进行保举。

工程实现

AI inference是GPU终端计算紧张的一环,最开始探索的时候,AI inference采用串行模式:

5.jpg

通过观察测试数据,我们惊奇地发现,虽然程序已经处于视频流图片处理饱和的状况,但是6核心CPU的使用率才到150%,GPU的使用率才到30%,也就是说,超过一半的硬件资源处于闲置状况。 为了使得本来间歇性闲置的资源得到重新的行使,我们改造成了流水线模式,结构图如下所示:

4.jpg

在多进程实现的流水线方案中,因为每个进程的数据都是相互自力的,一个进程产生或修改的数据对另一个进程而言它是无感知。如何进步进程间的数据传递是能否高效实现并发的关键点。 我们采用了基于mmap ctypes实现的共享内存,对比管道、socket多进程通信机制,共享内存在多进程数据通信方案中是特别很是高效和天真,参考multiprocessing Value的解决方案,使用ctypes内置的基本数据结构来实现我们的数据模型,特别很是方便的进行内存切分并转换成可用的数据结构。

结合营业情况,我们的流水线工作模式会将各个阶段分割为子义务,我们还设计了图片共享队列,整个过程只必要写入一次图片数据,各个阶段只必要从这个共享队列读取图片即可,等所有流程都操作完之后再从图片队列删除这个图片数据,如许就能保证图片操作的精确性和高效性。通过测试发现,我们实现的共享内存队列在读取数据上比pipe体例快了300多倍。

营业结果

目前我们客流数字化的数据已经沉淀到响应的产品,以下是基础客流的示意图,品牌商可以看到门店每日的基础客流量以及分时段的客流情况,了解各个门店当前的经营状态。

3.jpg

下图为区域热力图和区域动线图,区域热力图展示了门店在一天内各个小时各个区域的人流量密度情况,我们将各个不同摄像头的数据进行整合,最终映射到门店的平面CAD图上展示区域热力,让门店能够更直观的看到各个区域的热度,区域动线图展示了各个区域客流的去向和来源的占比,基于区域热力和动线数据,商家能够清晰的了解到门店各个区域的密度情况以及各个区域之间顾客的转移情况,目前合作的品牌商也会基于区域的数据对店内的陈列做适当的调整,甚至有门店基于动线的数据重新调整整个门店的区域分布情况。

2.jpg

下图为门店进店客流的人群画像,展示了门店天天进店客流的性别和年龄的分布,商家会基于进店的人群画像数据与当前品牌的目标人群进行对比,并基于现实进店客流的分布调整门店陈列商品的品类结构以及不同类型商品的占比。

1.jpg


  • NB-IOT智能温湿度监测解决方案是将NB-IOT技术引入环境温湿度监测中,突破传统方式,实现对温湿度信号采集、传输、平台监控和管理,广泛应用于医药、农业、食品、博物馆文物、档案管理、建筑等领域。
  • 1安全性原则 系统以三权分立为原则,对需要使用本系统的部门以及相关人员、角色、权限、角色权限对应关系、人员角色对应关系进行管理。系统内建安全员、系统管理员、审计员三个角色,分别操作相应的业务功能。在权限管理中系统的每一个职能模块都有自己的使用权限。 用户角色可以跨模块对应相关权限,每一个用户也可以跨部门,跨
  • 目前医院正面临每年都要处理成千上万件的工作服 、病人服及各种被服,对于这些衣物的交接、洗涤、熨烫、消毒、整理、储藏等工序,若没有一套完整的自动识别管理系统,想高效地跟踪管理每一件衣物的洗涤过程、洗涤次数、库存状态和衣物有效归类等是一件极具挑战的事情;而且工作服洗衣登记、领收工作繁琐,很大程度浪费宝贵的工作
  • 在光纤配线设备(光纤托盘/光纤配线架)光纤端口上加装无源RFID电子标签来标示其端口属性,并在跳接用的光跳纤的接头上也附加上成对的无源RFID电子标签。这样通过单端口读写器一次性读取和采集端口RFID标签信息和对应的光跳纤头上的RFID标签信息,把这双无源的RFID电子标签信息进行绑定并处理,从而达到智能管理的目的。  单端口
  • 近日,厦门大学詹老师带领几位硕士研究生莅临哈希科技参观交流,哈希科技杨董与CTO林滨热情接待了詹老师团队一行,并展开了深入座谈。众所周知,区块链有着自己独特的优势,在很多方面使用区块链能够快速解决问题。它是一
  • 盒尔蒙|不一样的消费体验我知道你不知道我买了什么你知道我知道你不知道我买了什么这样才可以放心地买买买呀现如今,消费需求不断升级消费者更为注重商品的价值以及便捷、隐私性的购物体验为了打造便捷隐私的消费入口
  • 11月14日,为期五天的第二十届中国国际高新技术成果交易会(简称“高交会”)在深圳会展中心开幕。此次致联科技参展项目有:智慧消防解决方案、智能环境监测解决方案、智能制造解决方案、UWB室内精准定位系统方案,展位是
  • 10月20日,以“开启世界物联·创造智慧经济”为主题的2018世界物联网大会在北京国家会议中心隆重召开。致联科技入选2018WIOTRL世界物联网排行榜优秀企业名录。世界物联网大会(WorldInternetOfThingsConvention,简写WIO
  • 小春节,大中秋,又到一年月圆时。在这团圆的季节里,致联科技感谢每位家人的辛苦付出!为了给大家创造一个快乐愉悦的节日氛围,于9月15日在厦门环岛路农家乐举办“中秋博饼会”活动。烧烤、游戏、博饼、晚宴、K歌,致联人欢聚一堂,共度美好佳节。
  • 2018年8月16日,厦门科技交流中心总经理董剑峰一行莅临致联科技参观交流。致联科技董事长杨顺福向董剑峰一行介绍了致联科技核心研发项目:智慧消防物联网解决方案、智能温湿度监测方案、医学生物样本管理系统、UWB高精度定位系统、机房光纤识别配对解决方案、智能制造工业物联网解决方案。
  • 7月6日,2018物联中国年度盛典第四届中国(国际)物联网博览会在厦门国际会展中心隆重举行。厦门致联科技有限公司携全新的物联网核心技术产品与行业整体应用解决方案亮相展会,欢迎各界朋友、合作伙伴前往参观交流。
  • 6月19日,第十六届中国·海峡项目成果交易会期间,厦门致联科技有限公司董事长杨顺福做客中国网海峡频道高端访谈间,接受专访。中国网是国务院新闻办公室领导,中国外文出版发行事业局管理的国家重点新闻网站。是国家重大
  • 2018年1月25日,厦门市第十批引进高层次人才“双百计划”人选名单的公告及名单正式公布!   历经半年时间申报、初审、网络评审、现场答辩、市高层次人才引进专项小组会议研究和公示等层层筛选,最终我司汤炜从百个申报项目中脱颖而出,喜获2018年厦门市第十批“双百计划”领军型创业人才称号。 双百计划 为召唤大批海内外
  • 喜讯:致联科技获得第六届中国创新创业大赛电子信息行业总决赛优秀企业称号的好成绩。这是公司继2017“物联中国”最具投资价值项目全国十强后又一次取得优异成绩! 2017第六届中国创新创业大赛电子信息行业总决赛启动 科技创新、成就大业。2017第六届中国创新创业大赛电子信息行业总决赛在深圳盛大举行。全国36个赛区,280
  • 前言:近两年跑步猝死的案例越来越多,不禁我们要问,为什么会发生跑步猝死的现象呢?zlink君在这里提醒大家一定要量力而行,提高对心率的认知与了解,科学理性的进行跑步运动。 前几天,厦门马拉松替跑猝死者家属索赔案进行了二审。不过因为种种原因,该案将择日宣判。不过,一波未平一波又起,这次,又有一名跑步猝死者家属走上法庭
  • 导读: 致联智慧仓储RFID应用解决方案 1 概述 仓库管理在企业的管理流程中起着举足轻重的作用,而传统的仓库管理主要依靠以纸张为文件的非自动化系统来记录和追踪进出的货物,其仓库内部管理也主要依靠人力,因此效率低下,货物摆放杂乱无章且库存成本高。 随着信息技术的发展和普及,目前的企业主要依靠计算机进行货物的信息
  • 关闭
    0592-5285711 时 间:9:00-18:00
    联系我们
         QQ客服 热线电话 公司地图