CN110334142B - 智能数据采集方法、终端、服务器和交互系统 - Google Patents
智能数据采集方法、终端、服务器和交互系统 Download PDFInfo
- Publication number
- CN110334142B CN110334142B CN201910526277.0A CN201910526277A CN110334142B CN 110334142 B CN110334142 B CN 110334142B CN 201910526277 A CN201910526277 A CN 201910526277A CN 110334142 B CN110334142 B CN 110334142B
- Authority
- CN
- China
- Prior art keywords
- screen
- screen image
- picture information
- server
- data acquisition
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 111
- 230000003993 interaction Effects 0.000 title claims abstract description 42
- 238000010801 machine learning Methods 0.000 claims abstract description 73
- 238000004891 communication Methods 0.000 claims description 31
- 238000012545 processing Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 17
- 238000013075 data extraction Methods 0.000 claims description 11
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000013480 data collection Methods 0.000 claims description 9
- 238000012015 optical character recognition Methods 0.000 claims description 9
- 230000003287 optical effect Effects 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 abstract description 12
- 238000012423 maintenance Methods 0.000 abstract description 12
- 230000008859 change Effects 0.000 abstract description 7
- 238000007726 management method Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/258—Data format conversion from or to a database
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种智能数据采集方法、终端、服务器和交互系统，方法包括：接收屏采服务器发送的数据采集指令，并根据该数据采集指令生成对应的模拟物理操作信号；将所述模拟物理操作信号传输至对应的计算机设备中以使该计算机设备执行该模拟物理操作信号对应的操作；采集所述计算机设备进行所述操作的屏幕图像；应用预设的机器学习模型对所述屏幕图像进行画面信息识别，并将该画面信息识别的结果发送至所述屏采服务器。本申请能够提高分布式异构系统的适配性并降低分布式异构系统的建设周期和维护费用，并且能够快速适应业务变化以及提高数据交互的效率。
Description
技术领域
本发明涉及数据传输技术领域，具体涉及一种智能数据采集方法、终端、服务器和交互系统。
背景技术
分布式异构系统(Distributed Heterogeneous System)由多个不同种类的计算平台或应用子系统通过网络连接而成的计算机系统。
现有的分布式异构系统信息交换技术均采用软件工程方法，其技术原理是根据现有的数据报文标准和调用关系来建立规范化的报文接口标准和架构调用标准体系，涉及到对数据模型进行规范化定义、系统调用关系和调用接口的标准化体系的建立、还涉及基于网络报文交换的标准协议的定义。
但是，现有基于软件工程的分布式异构系统信息交换技术，从设计、开发、测试和部署至交付的周期长，建设和维护费用高，而且因业务变化而无法兼容的概率高，导致经常陷入无法兼容新数据和新业务的问题。
发明内容
针对现有技术中的问题，本发明提供一种智能数据采集方法、终端、服务器和交互系统，能够快速适应业务变化并提高兼容性。
为解决上述技术问题，本发明提供以下技术方案：
第一方面，本发明提供一种智能数据采集方法，包括：
接收屏采服务器发送的数据采集指令，并根据该数据采集指令生成对应的模拟物理操作信号；
将所述模拟物理操作信号传输至对应的计算机设备中以使该计算机设备执行该模拟物理操作信号对应的操作；
采集所述计算机设备进行所述操作的屏幕图像；
应用预设的机器学习模型对所述屏幕图像进行画面信息识别，并将该画面信息识别的结果发送至所述屏采服务器。
进一步的，在所述采集所述计算机设备进行所述操作的屏幕图像之后，还包括：
将所述屏幕图像发送至所述屏采服务器以使该屏采服务器应用预设的机器学习模型对所述屏幕图像进行本地画面信息识别。
进一步的，在所述将所述屏幕图像发送至所述屏采服务器之前，还包括：
对所述屏幕图像进行编码处理；
相对应的，所述将所述屏幕图像发送至所述屏采服务器，包括：
将经所述编码处理的屏幕图像发送至所述屏采服务器。
进一步的，所述将所述模拟物理操作信号传输至对应的计算机设备，包括：
将所述模拟物理操作信号通过USB接口方式、无线通信的方式和串行接口的方式中的至少一种传输至对应的计算机设备。
进一步的，所述采集所述计算机设备进行所述操作的屏幕图像，包括：
通过采集所述计算机设备上的视频信号输出接口输出的视频信号，得到该计算机设备进行所述操作的屏幕图像。
进一步的，所述应用预设的机器学习模型对所述屏幕图像进行画面信息识别，包括：
应用光学字符识别方式及预设的机器学习模型对所述屏幕图像进行画面信息识别。
第二方面，本发明提供一种智能数据采集方法，包括：
向屏采终端发送数据采集指令以使该屏采终端根据该数据采集指令生成对应的模拟物理操作信号，并将所述模拟物理操作信号传输至对应的计算机设备中以使该计算机设备执行该模拟物理操作信号对应的操作，采集所述计算机设备进行所述操作的屏幕图像，应用预设的机器学习模型对所述屏幕图像进行画面信息识别，并将该画面信息识别的结果发送至所述屏采服务器；
接收所述屏采终端发送的计算机设备对应的画面信息识别的结果。
进一步的，在所述向屏采终端发送数据采集指令之后，还包括：
接收所述屏采终端发送的计算机设备对应屏幕图像并根据预设的机器学习模型对所述屏幕图像进行本地画面信息识别。
进一步的，在所述接收所述屏采终端发送的计算机设备对应的画面信息识别的结果之后，还包括：
将接收的所述画面信息识别的结果与本地画面信息识别的结果进行合并和/或纠错。
进一步的，在所述将接收的所述画面信息识别的结果与本地画面信息识别的结果进行合并和/或纠错之后，还包括：
将合并和/或纠错的结果形成结构化数据并将该结构化数据存入云数据仓库。
进一步的，所述根据预设的机器学习模型对所述屏幕图像进行本地画面信息识别，包括：
应用光学字符识别方式及预设的机器学习模型对所述屏幕图像进行画面信息识别。
进一步的，在所述向屏采终端发送数据采集指令之前，还包括：
接收任务管理引擎发送的提取数据指令并将该提取数据指令转换为数据采集指令。
第三方面，本发明提供一种智能数据采集终端，包括：
指令单元，用于接收屏采服务器发送的数据采集指令，并根据该数据采集指令生成对应的模拟物理操作信号；
发送单元，用于将所述模拟物理操作信号传输至对应的计算机设备中以使该计算机设备执行该模拟物理操作信号对应的操作；
采集单元，用于采集所述计算机设备进行所述操作的屏幕图像；
识别单元，用于应用预设的机器学习模型对所述屏幕图像进行画面信息识别，并将该画面信息识别的结果发送至所述屏采服务器。
进一步的，还包括：
传输单元，用于将所述屏幕图像发送至所述屏采服务器以使该屏采服务器应用预设的机器学习模型对所述屏幕图像进行本地画面信息识别。
进一步的，还包括：
编码单元，用于对所述屏幕图像进行编码处理；
相对应的，所述传输单元，还用于将经所述编码处理的屏幕图像发送至所述屏采服务器。
进一步的，所述发送单元包括：
发送子单元，用于将所述模拟物理操作信号通过USB接口方式、无线通信的方式和串行接口的方式中的至少一种传输至对应的计算机设备。
进一步的，所述采集单元包括：
采集子单元，用于通过采集所述计算机设备上的视频信号输出接口输出的视频信号，得到该计算机设备进行所述操作的屏幕图像。
进一步的，所述识别单元包括：
识别子单元，用于应用光学字符识别方式及预设的机器学习模型对所述屏幕图像进行画面信息识别。
第四方面，本发明提供一种智能数据采集服务器，包括：
数据采集单元，用于向屏采终端发送数据采集指令以使该屏采终端根据该数据采集指令生成对应的模拟物理操作信号，并将所述模拟物理操作信号传输至对应的计算机设备中以使该计算机设备执行该模拟物理操作信号对应的操作，采集所述计算机设备进行所述操作的屏幕图像，应用预设的机器学习模型对所述屏幕图像进行画面信息识别，并将该画面信息识别的结果发送至所述屏采服务器；
信息接收单元，用于接收所述屏采终端发送的计算机设备对应的画面信息识别的结果。
进一步的，还包括：
画面识别单元，用于接收所述屏采终端发送的计算机设备对应屏幕图像并根据预设的机器学习模型对所述屏幕图像进行本地画面信息识别。
进一步的，还包括：
信息整合单元，用于将接收的所述画面信息识别的结果与本地画面信息识别的结果进行合并和/或纠错。
进一步的，还包括：
存储单元，用于将合并和/或纠错的结果形成结构化数据并将该结构化数据存入云数据仓库。
进一步的，所述画面识别单元，包括：
画面识别子单元，用于应用光学字符识别方式及预设的机器学习模型对所述屏幕图像进行画面信息识别。
进一步的，还包括：
指令接收单元，用于接收任务管理引擎发送的提取数据指令并将该提取数据指令转换为数据采集指令。
第五方面，本发明提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面所述的智能数据采集方法的步骤，或者第二方面所述的智能数据采集方法的步骤。
第六方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现第一方面所述的智能数据采集方法的步骤，或者第二方面所述的智能数据采集方法的步骤。
第七方面，本发明提供一种智能数据交互系统，包括：至少一个如第三方面所述的终端、如第四方面项所述的服务器，以及至少一个计算机设备；
各个所述终端分别与所述服务器之间通信连接；
各个所述终端分别与各自对应的计算机设备之间通信连接。
进一步的，还包括：任务管理引擎；
所述服务器通过网络与所述任务管理引擎通信连接；
其中，所述任务管理引擎用于向所述服务器发送提取数据指令。
进一步的，还包括：云数据库；
所述服务器通过网络与所述云数据库连接；
其中，所述云数据库用于存储所述服务器形成的结构化数据。
进一步的，各个所述终端分别通过网络与所述服务器之间通信连接。
进一步的，各个所述终端分别通过各自对应的计算机设备上的串行接口和视频信号输出接口与各自对应的计算机设备之间通信连接。
由上述技术方案可知，本发明提供一种智能数据采集方法、终端、服务器和交互系统，通过接收屏采服务器发送的数据采集指令，并根据该数据采集指令生成对应的模拟物理操作信号；将所述模拟物理操作信号传输至对应的计算机设备中以使该计算机设备执行该模拟物理操作信号对应的操作；采集所述计算机设备进行所述操作的屏幕图像；应用预设的机器学习模型对所述屏幕图像进行画面信息识别，并将该画面信息识别的结果发送至所述屏采服务器，实现分布式异构系统的数据交互，能够提高分布式异构系统的适配性并降低分布式异构系统的建设周期和维护费用，并且能够快速适应业务变化以及提高数据交互的效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的第一方面中智能数据采集方法的第一流程示意图；
图2为本发明实施例提供的第一方面中智能数据采集方法的第二流程示意图；
图3为本发明实施例提供的第一方面中智能数据采集方法的第三流程示意图；
图4为本发明实施例提供的第二方面中智能数据采集方法的第一流程示意图；
图5为本发明实施例提供的第二方面中智能数据采集方法的第二流程示意图；
图6为本发明实施例提供的第二方面中智能数据采集方法的第三流程示意图；
图7为本发明实施例提供的第二方面中智能数据采集方法的第四流程示意图；
图8为本发明实施例提供的第二方面中智能数据采集方法的第五流程示意图；
图9为本发明实施例提供的第三方面中智能数据采集终端的第一结构示意图；
图10为本发明实施例提供的第三方面中智能数据采集终端的第二结构示意图；
图11为本发明实施例提供的第三方面中智能数据采集终端的第三结构示意图；
图12为本发明实施例提供的第四方面中智能数据采集服务器的第一结构示意图；
图13为本发明实施例提供的第四方面中智能数据采集服务器的第二结构示意图；
图14为本发明实施例提供的第四方面中智能数据采集服务器的第三结构示意图；
图15为本发明实施例提供的第四方面中智能数据采集服务器的第四结构示意图；
图16为本发明实施例提供的第七方面中智能数据交互系统的结构示意图；
图17为本发明实施例中的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为了实现分布式异构系统的数据交互，能够提高分布式异构系统的适配性并降低分布式异构系统的建设周期和维护费用，本发明提供一种智能数据采集方法的实施例，该智能数据采集方法适用于屏端，参见图1，采终所述智能数据采集方法具体包含有如下内容：
S101：接收屏采服务器发送的数据采集指令，并根据该数据采集指令生成对应的模拟物理操作信号；
在本步骤中，接收屏采服务器发送的数据采集指令，根据该数据采集指令的要求将数据采集指令转换生成对应要求的模拟物理操作信号，该模拟物理操作信号用于使外部的计算机设备执行该模拟物理操作信号对应的操作。
S102：将所述模拟物理操作信号传输至对应的计算机设备中以使该计算机设备执行该模拟物理操作信号对应的操作；
在本步骤中，通过将步骤S101中的数据采集指令发传输至对应的计算机设备，使得该计算机设备执行该模拟物理操作信号对应的操作，实现对计算机设备进行操作和控制。
进一步的，将数据采集指令发传输至对应的计算机设备，可以采用无线通信的方式和有线通信的方式中的任意一种或两种，其中，采用无线通信时，可以采用红外通信、蓝牙通信、WiFi通信和zigbee通信中的至少一种；采用有线通信时，可以通过计算机设备上的串行接口和USB接口中的一种或两种。
在本实施例中，通过计算机设备上的USB接口将数据采集指令发传输至对应的计算机设备。
S103：采集所述计算机设备进行所述操作的屏幕图像；
在本步骤中，在计算机设备执行数据采集指令对应的操作过程中，采集计算机设备的屏幕图像，通过该屏幕图像实现获取该计算机设备上的数据。
进一步的，在采集计算机设备进行操作的屏幕图像的过程中，通过计算机设备上的视频信号输出接口输出的视频信号，得到该计算机设备进行操作的屏幕图像，该视频信号输出接口包括：HDMI、DVI和VGA中的至少一种。
在本实施例中，通过计算机设备上的HDMI、DVI和VGA三种接口采集计算机设备进行操作的屏幕图像。
S107：应用预设的机器学习模型对所述屏幕图像进行画面信息识别，并将该画面信息识别的结果发送至所述屏采服务器。
在本步骤中，根据步骤S103能够获取计算机设备上的数据，该数据为计算机设备上的屏幕图像，通过应用预设的机器学习模型对屏幕图像进行画面信息识别，实现将屏幕图像类型的数据转换为结构类型的数据，便于除了屏幕图像对应的计算机设备外的其他计算机设备的存储和利用，并实现各个计算机设备之间的数据交互，并且在各个计算机设备构成分布式异构系统时，也不影响各个计算机设备之间的数据交互。
进一步的，应用光学字符识别方式及预设的机器学习模型对屏幕图像进行画面信息识别，其中，通过光学字符识别(Optical Character Recognition，OCR)方式识别屏幕图像中的字符，并通过预先训练好的机器学习模型确定识别屏幕图像中的字符的含义。
在本实施例中，对屏幕图像进行画面信息识别并将该画面信息识别的结果发送至屏采服务器进行存储，各个计算机设备通过访问屏采服务器实现各个计算机设备之间的数据交互。
从上述描述可知，本发明实施例提供的一种智能数据采集方法，通过接收屏采服务器发送的数据采集指令，并根据该数据采集指令生成对应的模拟物理操作信号；将所述模拟物理操作信号传输至对应的计算机设备中以使该计算机设备执行该模拟物理操作信号对应的操作；采集所述计算机设备进行所述操作的屏幕图像；应用预设的机器学习模型对所述屏幕图像进行画面信息识别，并将该画面信息识别的结果发送至所述屏采服务器，实现分布式异构系统的数据交互，能够提高分布式异构系统的适配性并降低分布式异构系统的建设周期和维护费用，并且能够快速适应业务变化以及提高数据交互的效率。
在上述适用于屏采终端的智能数据采集方法的实施例的基础上，参见图2，该智能数据采集方法还包括：
S105：将屏幕图像发送至屏采服务器以使该屏采服务器应用预设的机器学习模型对屏幕图像进行本地画面信息识别。
在本步骤中，通过将屏幕图像发送至屏采服务器以使该屏采服务器对接收的屏幕图像进行本地画面信息识别，实现对同一屏幕图像进行二次识别，提高对屏幕图像识别的准确率。
需要说明的是，屏采服务器中预设的机器学习模型与步骤S107中的机器学习模型可以是同一机器学习模型，也可以是不同的机器学习模型。屏采服务器中预设的机器学习模型与步骤S107中的机器学习模型都是预先通过屏幕图像样本进行训练得到的。
进一步的，参见图3，在步骤S105之前还包括：
S104：对所述屏幕图像进行编码处理；
相对应的，将屏幕图像发送至屏采服务器时，还包括步骤S106；
S106：将经编码处理的屏幕图像发送至屏采服务器，以使该屏采服务器应用预设的机器学习模型对屏幕图像进行本地画面信息识别；
其中，编码处理包括：对屏幕图像进行压缩处理。
本步骤S104中，通过对屏幕图像进行编码处理，并将编码处理后的屏幕图像发送至屏采服务器，能够提高屏幕图像的传输效率，进而提高各个计算机设备之间的数据交互的效率。
为了实现分布式异构系统的数据交互，能够提高分布式异构系统的适配性并降低分布式异构系统的建设周期和维护费用，本发明提供一种智能数据采集方法的实施例，该智能数据采集方法适用于屏采服务器，参见图4，所述智能数据采集方法具体包含有如下内容：
S201：向屏采终端发送数据采集指令以使该屏采终端根据该数据采集指令生成对应的模拟物理操作信号，并将所述模拟物理操作信号传输至对应的计算机设备中以使该计算机设备执行该模拟物理操作信号对应的操作，采集所述计算机设备进行所述操作的屏幕图像，应用预设的机器学习模型对所述屏幕图像进行画面信息识别，并将该画面信息识别的结果发送至所述屏采服务器；
S202：接收所述屏采终端发送的计算机设备对应的画面信息识别的结果。
在本实施例中，通过网络向一个或多个屏采终端发送数据采集指令并通过网络接收一个或多个屏采终端发送的计算机设备对应的画面信息识别的结果，其中，各个屏采终端接收数据采集指令并发送计算机设备对应的画面信息识别的结果的过程，参见上述适用于屏采终端的智能数据采集方法的实施例，在此不在赘述。
从上述描述可知，本发明实施例提供的一种智能数据采集方法，通过向屏采终端发送数据采集指令以使该屏采终端根据该数据采集指令生成对应的模拟物理操作信号，并将所述模拟物理操作信号传输至对应的计算机设备中以使该计算机设备执行该模拟物理操作信号对应的操作，采集所述计算机设备进行所述操作的屏幕图像，应用预设的机器学习模型对所述屏幕图像进行画面信息识别，并将该画面信息识别的结果发送至所述屏采服务器；接收所述屏采终端发送的计算机设备对应的画面信息识别的结果，实现分布式异构系统的数据交互，能够提高分布式异构系统的适配性并降低分布式异构系统的建设周期和维护费用，并且能够快速适应业务变化以及提高数据交互的效率。
在上述适用于屏采服务器的智能数据采集方法的实施例的基础上，参见图5，在步骤S201之后，还包括：
S203：接收所述屏采终端发送的计算机设备对应屏幕图像并根据预设的机器学习模型对所述屏幕图像进行本地画面信息识别。
在本步骤中，通过预设的机器学习模型对屏幕图像进行本地画面信息识别，实现将屏幕图像类型的数据转换为结构类型的数据，便于除了屏幕图像对应的计算机设备外的其他计算机设备的存储和利用，并实现各个计算机设备之间的数据交互，并且在各个计算机设备构成分布式异构系统时，也不影响各个计算机设备之间的数据交互。
进一步的，应用光学字符识别方式及预设的机器学习模型对屏幕图像进行画面信息识别，其中，通过光学字符识别(Optical Character Recognition，OCR)方式识别屏幕图像中的字符，并通过预先训练好的机器学习模型确定识别屏幕图像中的字符的含义。
通过接收屏采终端发送的计算机设备对应屏幕图像，根据预设的机器学习模型对屏幕图像进行本地画面信息识别，实现对同一屏幕图像进行二次识别，提高对屏幕图像识别的准确率。
需要说明的是，屏采终端中预设的机器学习模型与本步骤中的机器学习模型可以是同一机器学习模型，也可以是不同的机器学习模型。屏采终端中预设的机器学习模型与本步骤中的机器学习模型都是预先通过屏幕图像样本进行训练得到的。
进一步的，参见图6，在步骤S202之后，还包括：
S204：将接收的所述画面信息识别的结果与本地画面信息识别的结果进行合并和/或纠错。
在本步骤中，通过接收屏采终端发送的计算机设备对应屏幕图像，根据预设的机器学习模型对屏幕图像进行本地画面信息识别；通过接收屏采终端发送的计算机设备对应的画面信息识别的结果，实现对同一屏幕图像进行二次识别，提高对屏幕图像识别的准确率，通过将将接收的画面信息识别的结果与本地画面信息识别的结果进行合并和/或纠错，能够进一步提高屏幕图像识别的准确率。其中，在合并和/或纠错的过程中，可以以屏采终端发送的画面信息识别的结果为准修订本地画面信息识别的结果，或者以本地画面信息识别的结果为准修订屏采终端发送的画面信息识别的结果，本实施例中对合并和/或纠错的过程中标准不做限定。在本实施例中以本地画面信息识别的结果为准。
进一步的，参见图7，在步骤S204之后，还包括：
S205：将合并和/或纠错的结果形成结构化数据并将该结构化数据存入云数据仓库。
在本步骤中，将步骤S204中的合并和/或纠错的结果形成结构化数据并将该结构化数据存入云数据仓库中，计算访问的计算机设备的存储和利用，并实现各个访问的计算机设备之间的数据交互，并且在各个访问的计算机设备构成分布式异构系统时，也不影响各个计算机设备之间的数据交互。
进一步的，参见图8，在步骤S201之前，还包括：
S200：接收任务管理引擎发送的提取数据指令并将该提取数据指令转换为数据采集指令。
在本步骤中，任务管理引擎可以周期性的发送提取数据指令；通过接收任务管理引擎发送的周期性的提取数据指令，并将该周期性的提取数据指令转换为周期性的数据采集指令，实现周期性的采集屏采终端上的数据，并将数据结构化后进行存储。
为进一步地说明本方案，本发明提供一种智能数据采集方法的全流程实施例，所述智能数据采集方法具体包含有如下内容：
S1、信息发布者授权任务管理引擎提取信息发布者所操作的计算机设备上的相关数据。
S2、任务管理引擎向屏采服务器下达提取数据指令。
S3、屏采服务器根据提取数据指令的要求，通过网络向一个或多个屏采终端发送数据采集指令。
需要说明的是，屏采服务器接收任务管理引擎发送的提取数据指令并将该提取数据指令转换为数据采集指令。
S4、屏采终端通过网络接收屏采服务器发出的数据采集指令。
S5、屏采终端解析数据采集指令，模拟成键盘和/或鼠标操作对目标计算机设备进行操作。
需要说明的是，接收屏采服务器发送的数据采集指令，并根据该数据采集指令生成对应的模拟物理操作信号，实现解析数据采集指令；将所述模拟物理操作信号传输至对应的计算机设备中以使该计算机设备执行该模拟物理操作信号对应的操作，实现模拟成键盘和/或鼠标操作对目标计算机设备进行操作。
S6、屏采终端采集目标计算机设备的显示输出的屏幕图像，并进行实时屏幕图像压缩编码，再通过网络传输给屏采服务器；屏采终端同时基于机器学习模型分析屏幕图像含义，并进行多次交互，同时反复提取屏幕图像中的信息，组合成完整有效的结构化数据。
S7、屏采服务器通过网络接收屏采终端传输过来的屏幕图像和屏采终端识别的结构化数据；屏采服务器也基于机器学习模型分析屏幕图像含义，并反复提取屏幕图像中的信息，也形成结构化数据和屏采终端的识别结果进行合并和纠错。
S8、屏采服务器整合多个屏采终端反馈的结构化数据，进行同义词翻译映射和信息合并。
S9、屏采服务器同步将结构化数据写入云数据仓库。
S10、信息访问者通过云数据仓库访问自己被授权的信息。
从软件层面来看，为了实现分布式异构系统的数据交互，能够提高分布式异构系统的适配性并降低分布式异构系统的建设周期和维护费用，本发明实施例提供一种能够实现所述适用于屏采终端的智能数据采集方法中全部内容的智能数据采集终端的具体实施方式，参见图9，所述智能数据采集终端具体包括如下内容：
指令单元10，用于接收屏采服务器发送的数据采集指令，并根据该数据采集指令生成对应的模拟物理操作信号；
发送单元20，用于将所述模拟物理操作信号传输至对应的计算机设备中以使该计算机设备执行该模拟物理操作信号对应的操作；
采集单元30，用于采集所述计算机设备进行所述操作的屏幕图像；
识别单元40，用于应用预设的机器学习模型对所述屏幕图像进行画面信息识别，并将该画面信息识别的结果发送至所述屏采服务器。
在上述智能数据采集终端的实施例的基础上，参见图10，该智能数据采集终端还包括：
传输单元50，用于将所述屏幕图像发送至所述屏采服务器以使该屏采服务器应用预设的机器学习模型对所述屏幕图像进行本地画面信息识别。
进一步的，参见图11，还包括：
编码单元60，用于对所述屏幕图像进行编码处理；
相对应的，所述传输单元50，还用于将经所述编码处理的屏幕图像发送至所述屏采服务器。
进一步的，所述发送单元20包括：
发送子单元，用于将所述模拟物理操作信号通过USB接口方式、无线通信的方式和串行接口的方式中的至少一种传输至对应的计算机设备。
进一步的，所述采集单元30包括：
采集子单元，用于通过采集所述计算机设备上的视频信号输出接口输出的视频信号，得到该计算机设备进行所述操作的屏幕图像。
进一步的，所述识别单元40包括：
识别子单元，用于应用光学字符识别方式及预设的机器学习模型对所述屏幕图像进行画面信息识别。
本发明提供的智能数据采集终端的实施例具体可以用于执行上述实施例中的适用于屏采终端的智能数据采集方法的实施例的处理流程，其功能在此不再赘述，可以参照上述方法实施例的详细描述。
从上述描述可知，本发明实施例提供的一种智能数据采集终端，实现分布式异构系统的数据交互，能够提高分布式异构系统的适配性并降低分布式异构系统的建设周期和维护费用，并且能够快速适应业务变化以及提高数据交互的效率。
从软件层面来看，为了实现分布式异构系统的数据交互，能够提高分布式异构系统的适配性并降低分布式异构系统的建设周期和维护费用，本发明实施例提供一种能够实现所述适用于屏采服务器的智能数据采集方法中全部内容的智能数据采集服务器的具体实施方式，参见图12，所述智能数据采集服务器具体包括如下内容：
数据采集单元100，用于向屏采终端发送数据采集指令以使该屏采终端根据该数据采集指令生成对应的模拟物理操作信号，并将所述模拟物理操作信号传输至对应的计算机设备中以使该计算机设备执行该模拟物理操作信号对应的操作，采集所述计算机设备进行所述操作的屏幕图像，应用预设的机器学习模型对所述屏幕图像进行画面信息识别，并将该画面信息识别的结果发送至所述屏采服务器；
信息接收单元200，用于接收所述屏采终端发送的计算机设备对应的画面信息识别的结果。
进一步的，参见图13，还包括：
画面识别单元300，用于接收所述屏采终端发送的计算机设备对应屏幕图像并根据预设的机器学习模型对所述屏幕图像进行本地画面信息识别。
进一步的，参见图14，还包括：
信息整合单元400，用于将接收的所述画面信息识别的结果与本地画面信息识别的结果进行合并和/或纠错。
进一步的，参见图15，还包括：
存储单元500，用于将合并和/或纠错的结果形成结构化数据并将该结构化数据存入云数据仓库。
进一步的，所述画面识别单元300，包括：
画面识别子单元，用于应用光学字符识别方式及预设的机器学习模型对所述屏幕图像进行画面信息识别。
进一步的，还包括：
指令接收单元，用于接收任务管理引擎发送的提取数据指令并将该提取数据指令转换为数据采集指令。
本发明提供的智能数据采集服务器的实施例具体可以用于执行上述实施例中的适用于屏采服务器的智能数据采集方法的实施例的处理流程，其功能在此不再赘述，可以参照上述方法实施例的详细描述。
从上述描述可知，本发明实施例提供的一种智能数据采集服务器，实现分布式异构系统的数据交互，能够提高分布式异构系统的适配性并降低分布式异构系统的建设周期和维护费用，并且能够快速适应业务变化以及提高数据交互的效率。
本发明实施例提供一种智能数据交互系统的具体实施方式，参见图16，所述智能数据交互系统具体包括如下内容：
至少一个如上述实施例中的智能数据采集终端、如上述实施例中的智能数据采集服务器，以及至少一个计算机设备；
各个所述终端分别与所述服务器之间通信连接；
各个所述终端分别与各自对应的计算机设备之间通信连接。
进一步的，还包括：任务管理引擎；
所述服务器通过网络与所述任务管理引擎通信连接；
其中，所述任务管理引擎用于向所述服务器发送提取数据指令。
进一步的，还包括：云数据库；
所述服务器通过网络与所述云数据库连接；
其中，所述云数据库用于存储所述服务器形成的结构化数据。
进一步的于，各个所述终端分别通过网络与所述服务器之间通信连接。
进一步的反，各个所述终端分别通过各自对应的计算机设备上的串行接口和视频信号输出接口与各自对应的计算机设备之间通信连接。
从上述描述可知，本发明实施例提供的一种智能数据交互系统，实现分布式异构系统的数据交互，能够提高分布式异构系统的适配性并降低分布式异构系统的建设周期和维护费用，并且能够快速适应业务变化以及提高数据交互的效率。
本发明的实施例还提供能够实现上述实施例中的适用于屏采终端或服务器的智能数据采集方法中全部步骤的一种电子设备的具体实施方式，参见图17，所述电子设备具体包括如下内容：
处理器(processor)601、存储器(memory)602、通信接口(CommunicationsInterface)603和总线604；
其中，所述处理器601、存储器602、通信接口603通过所述总线604完成相互间的通信；所述处理器601用于调用所述存储器602中的计算机程序，所述处理器执行所述计算机程序时实现上述实施例中的适用于屏采终端或服务器的智能数据采集方法中的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
接收屏采服务器发送的数据采集指令，并根据该数据采集指令生成对应的模拟物理操作信号；将所述模拟物理操作信号传输至对应的计算机设备中以使该计算机设备执行该模拟物理操作信号对应的操作；采集所述计算机设备进行所述操作的屏幕图像；应用预设的机器学习模型对所述屏幕图像进行画面信息识别，并将该画面信息识别的结果发送至所述屏采服务器。
或者又例如，所述处理器执行所述计算机程序时还实现下述步骤：向屏采终端发送数据采集指令以使该屏采终端根据该数据采集指令生成对应的模拟物理操作信号，并将所述模拟物理操作信号传输至对应的计算机设备中以使该计算机设备执行该模拟物理操作信号对应的操作，采集所述计算机设备进行所述操作的屏幕图像，应用预设的机器学习模型对所述屏幕图像进行画面信息识别，并将该画面信息识别的结果发送至所述屏采服务器；接收所述屏采终端发送的计算机设备对应的画面信息识别的结果。
本发明的实施例还提供能够实现上述实施例中的适用于屏采终端或服务器的智能数据采集方法中全部步骤的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的适用于屏采终端或服务器的智能数据采集方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
接收屏采服务器发送的数据采集指令，并根据该数据采集指令生成对应的模拟物理操作信号；将所述模拟物理操作信号传输至对应的计算机设备中以使该计算机设备执行该模拟物理操作信号对应的操作；采集所述计算机设备进行所述操作的屏幕图像；应用预设的机器学习模型对所述屏幕图像进行画面信息识别，并将该画面信息识别的结果发送至所述屏采服务器。
或者又例如，所述处理器执行所述计算机程序时实现下述步骤：向屏采终端发送数据采集指令以使该屏采终端根据该数据采集指令生成对应的模拟物理操作信号，并将所述模拟物理操作信号传输至对应的计算机设备中以使该计算机设备执行该模拟物理操作信号对应的操作，采集所述计算机设备进行所述操作的屏幕图像，应用预设的机器学习模型对所述屏幕图像进行画面信息识别，并将该画面信息识别的结果发送至所述屏采服务器；接收所述屏采终端发送的计算机设备对应的画面信息识别的结果。
虽然本发明提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或客户端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。
本说明书实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
本发明的说明书中，说明了大量具体细节。然而能够理解的是，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。类似地，应当理解，为了精简本发明公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释呈反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。本发明并不局限于任何单一的方面，也不局限于任何单一的实施例，也不局限于这些方面和/或实施例的任意组合和/或置换。而且，可以单独使用本发明的每个方面和/或实施例或者与一个或更多其他方面和/或其实施例结合使用。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (31)
1.一种智能数据采集方法，其特征在于，包括：
接收屏采服务器发送的数据采集指令，并根据该数据采集指令生成对应的模拟物理操作信号；
将所述模拟物理操作信号传输至对应的计算机设备中以使该计算机设备执行该模拟物理操作信号对应的操作；
采集所述计算机设备进行所述操作的屏幕图像；
应用预设的机器学习模型对所述屏幕图像进行画面信息识别，并将该画面信息识别的结果发送至所述屏采服务器；
将所述屏幕图像发送至屏采服务器，以使所述屏采服务器基于预设的机器学习模型对所述屏幕图像进行画面信息识别，并将该画面信息识别的结果与接收到的画面信息识别的结果进行合并和纠错。
2.根据权利要求1所述的智能数据采集方法，其特征在于，在所述采集所述计算机设备进行所述操作的屏幕图像之后，还包括：
将所述屏幕图像发送至所述屏采服务器以使该屏采服务器应用预设的机器学习模型对所述屏幕图像进行本地画面信息识别。
3.根据权利要求2所述的智能数据采集方法，其特征在于，在所述将所述屏幕图像发送至所述屏采服务器之前，还包括：
对所述屏幕图像进行编码处理；
相对应的，所述将所述屏幕图像发送至所述屏采服务器，包括：
将经所述编码处理的屏幕图像发送至所述屏采服务器。
4.根据权利要求1所述的智能数据采集方法，其特征在于，所述将所述模拟物理操作信号传输至对应的计算机设备，包括：
将所述模拟物理操作信号通过USB接口方式、无线通信的方式和串行接口的方式中的至少一种传输至对应的计算机设备。
5.根据权利要求1所述的智能数据采集方法，其特征在于，所述采集所述计算机设备进行所述操作的屏幕图像，包括：
通过采集所述计算机设备上的视频信号输出接口输出的视频信号，得到该计算机设备进行所述操作的屏幕图像。
6.根据权利要求1所述的智能数据采集方法，其特征在于，所述应用预设的机器学习模型对所述屏幕图像进行画面信息识别，包括：
应用光学字符识别方式及预设的机器学习模型对所述屏幕图像进行画面信息识别。
7.一种智能数据采集方法，其特征在于，包括：
向屏采终端发送数据采集指令以使该屏采终端根据该数据采集指令生成对应的模拟物理操作信号，并将所述模拟物理操作信号传输至对应的计算机设备中以使该计算机设备执行该模拟物理操作信号对应的操作，采集所述计算机设备进行所述操作的屏幕图像，应用预设的机器学习模型对所述屏幕图像进行画面信息识别，并将该画面信息识别的结果发送至屏采服务器；
接收所述屏采终端发送的计算机设备对应的画面信息识别的结果；
将所述屏幕图像发送至屏采服务器，以使所述屏采服务器基于预设的机器学习模型对所述屏幕图像进行画面信息识别，并将该画面信息识别的结果与接收到的画面信息识别的结果进行合并和纠错。
8.根据权利要求7所述的智能数据采集方法，其特征在于，在所述向屏采终端发送数据采集指令之后，还包括：
接收所述屏采终端发送的计算机设备对应屏幕图像并根据预设的机器学习模型对所述屏幕图像进行本地画面信息识别。
9.根据权利要求8所述的智能数据采集方法，其特征在于，在所述接收所述屏采终端发送的计算机设备对应的画面信息识别的结果之后，还包括：
将接收的所述画面信息识别的结果与本地画面信息识别的结果进行合并和/或纠错。
10.根据权利要求9所述的智能数据采集方法，其特征在于，在所述将接收的所述画面信息识别的结果与本地画面信息识别的结果进行合并和/或纠错之后，还包括：
将合并和/或纠错的结果形成结构化数据并将该结构化数据存入云数据仓库。
11.根据权利要求8所述的智能数据采集方法，其特征在于，所述根据预设的机器学习模型对所述屏幕图像进行本地画面信息识别，包括：
应用光学字符识别方式及预设的机器学习模型对所述屏幕图像进行画面信息识别。
12.根据权利要求7所述的智能数据采集方法，其特征在于，在所述向屏采终端发送数据采集指令之前，还包括：
接收任务管理引擎发送的提取数据指令并将该提取数据指令转换为数据采集指令。
13.一种智能数据采集终端，其特征在于，包括：
指令单元，用于接收屏采服务器发送的数据采集指令，并根据该数据采集指令生成对应的模拟物理操作信号；
发送单元，用于将所述模拟物理操作信号传输至对应的计算机设备中以使该计算机设备执行该模拟物理操作信号对应的操作；
采集单元，用于采集所述计算机设备进行所述操作的屏幕图像；
识别单元，用于应用预设的机器学习模型对所述屏幕图像进行画面信息识别，并将该画面信息识别的结果发送至所述屏采服务器；
合并单元，用于将所述屏幕图像发送至屏采服务器，以使所述屏采服务器基于预设的机器学习模型对所述屏幕图像进行画面信息识别，并将该画面信息识别的结果与接收到的画面信息识别的结果进行合并和纠错。
14.根据权利要求13所述的智能数据采集终端，其特征在于，还包括：
传输单元，用于将所述屏幕图像发送至所述屏采服务器以使该屏采服务器应用预设的机器学习模型对所述屏幕图像进行本地画面信息识别。
15.根据权利要求14所述的智能数据采集终端，其特征在于，还包括：
编码单元，用于对所述屏幕图像进行编码处理；
相对应的，所述传输单元，还用于将经所述编码处理的屏幕图像发送至所述屏采服务器。
16.根据权利要求13所述的智能数据采集终端，其特征在于，所述发送单元包括：
发送子单元，用于将所述模拟物理操作信号通过USB接口方式、无线通信的方式和串行接口的方式中的至少一种传输至对应的计算机设备。
17.根据权利要求13所述的智能数据采集终端，其特征在于，所述采集单元包括：
采集子单元，用于通过采集所述计算机设备上的视频信号输出接口输出的视频信号，得到该计算机设备进行所述操作的屏幕图像。
18.根据权利要求13所述的智能数据采集终端，其特征在于，所述识别单元包括：
识别子单元，用于应用光学字符识别方式及预设的机器学习模型对所述屏幕图像进行画面信息识别。
19.一种智能数据采集服务器，其特征在于，包括：
数据采集单元，用于向屏采终端发送数据采集指令以使该屏采终端根据该数据采集指令生成对应的模拟物理操作信号，并将所述模拟物理操作信号传输至对应的计算机设备中以使该计算机设备执行该模拟物理操作信号对应的操作，采集所述计算机设备进行所述操作的屏幕图像，应用预设的机器学习模型对所述屏幕图像进行画面信息识别，并将该画面信息识别的结果发送至屏采服务器；
信息接收单元，用于接收所述屏采终端发送的计算机设备对应的画面信息识别的结果；
合并单元，用于将所述屏幕图像发送至屏采服务器，以使所述屏采服务器基于预设的机器学习模型对所述屏幕图像进行画面信息识别，并将该画面信息识别的结果与接收到的画面信息识别的结果进行合并和纠错。
20.根据权利要求19所述的智能数据采集服务器，其特征在于，还包括：
画面识别单元，用于接收所述屏采终端发送的计算机设备对应屏幕图像并根据预设的机器学习模型对所述屏幕图像进行本地画面信息识别。
21.根据权利要求20所述的智能数据采集服务器，其特征在于，还包括：
信息整合单元，用于将接收的所述画面信息识别的结果与本地画面信息识别的结果进行合并和/或纠错。
22.根据权利要求21所述的智能数据采集服务器，其特征在于，还包括：
存储单元，用于将合并和/或纠错的结果形成结构化数据并将该结构化数据存入云数据仓库。
23.根据权利要求20所述的智能数据采集服务器，其特征在于，所述画面识别单元，包括：
画面识别子单元，用于应用光学字符识别方式及预设的机器学习模型对所述屏幕图像进行画面信息识别。
24.根据权利要求19所述的智能数据采集服务器，其特征在于，还包括：
指令接收单元，用于接收任务管理引擎发送的提取数据指令并将该提取数据指令转换为数据采集指令。
25.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至6任一项所述的智能数据采集方法的步骤，或者执行所述程序时实现权利要求7至12任一项所述智能数据采集方法的步骤。
26.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6任一项所述的智能数据采集方法的步骤，或者实现权利要求7至12任一项所述智能数据采集方法的步骤。
27.一种智能数据交互系统，其特征在于，包括：至少一个如权利要求13至18任一项所述的终端、如权利要求19至24任一项所述的服务器，以及至少一个计算机设备；
各个所述终端分别与所述服务器之间通信连接；
各个所述终端分别与各自对应的计算机设备之间通信连接。
28.根据权利要求27所述的智能数据交互系统，其特征在于，还包括：任务管理引擎；
所述服务器通过网络与所述任务管理引擎通信连接；
其中，所述任务管理引擎用于向所述服务器发送提取数据指令。
29.根据权利要求28所述的智能数据交互系统，其特征在于，还包括：云数据库；
所述服务器通过网络与所述云数据库连接；
其中，所述云数据库用于存储所述服务器形成的结构化数据。
30.根据权利要求27所述的智能数据交互系统，其特征在于，各个所述终端分别通过网络与所述服务器之间通信连接。
31.根据权利要求27所述的智能数据交互系统，其特征在于，各个所述终端分别通过各自对应的计算机设备上的串行接口和视频信号输出接口与各自对应的计算机设备之间通信连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910526277.0A CN110334142B (zh) | 2019-06-18 | 2019-06-18 | 智能数据采集方法、终端、服务器和交互系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910526277.0A CN110334142B (zh) | 2019-06-18 | 2019-06-18 | 智能数据采集方法、终端、服务器和交互系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110334142A CN110334142A (zh) | 2019-10-15 |
| CN110334142B true CN110334142B (zh) | 2022-05-17 |
Family
ID=68142518
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910526277.0A Active CN110334142B (zh) | 2019-06-18 | 2019-06-18 | 智能数据采集方法、终端、服务器和交互系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110334142B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116244161B (zh) * | 2023-05-12 | 2023-08-11 | 山东齐鲁壹点传媒有限公司 | 一种基于深度模拟操作的数据采集方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102457544A (zh) * | 2010-10-26 | 2012-05-16 | 深圳市誉融科技有限公司 | 基于互联网的屏幕共享系统中用于采集屏幕图像的方法和系统 |
| CN107247950A (zh) * | 2017-06-06 | 2017-10-13 | 电子科技大学 | 一种基于机器学习的身份证图像文本识别方法 |
| CN107277538A (zh) * | 2017-08-11 | 2017-10-20 | 西安万像电子科技有限公司 | 图像编码方法和系统 |
| CN109165151A (zh) * | 2018-07-05 | 2019-01-08 | 北京西普阳光教育科技股份有限公司 | 基于计算机的图像化界面交互操作的评判方法和装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8224078B2 (en) * | 2000-11-06 | 2012-07-17 | Nant Holdings Ip, Llc | Image capture and identification system and process |
| US10289076B2 (en) * | 2016-11-15 | 2019-05-14 | Roborus Co., Ltd. | Concierge robot system, concierge service method, and concierge robot |
-
2019
- 2019-06-18 CN CN201910526277.0A patent/CN110334142B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102457544A (zh) * | 2010-10-26 | 2012-05-16 | 深圳市誉融科技有限公司 | 基于互联网的屏幕共享系统中用于采集屏幕图像的方法和系统 |
| CN107247950A (zh) * | 2017-06-06 | 2017-10-13 | 电子科技大学 | 一种基于机器学习的身份证图像文本识别方法 |
| CN107277538A (zh) * | 2017-08-11 | 2017-10-20 | 西安万像电子科技有限公司 | 图像编码方法和系统 |
| CN109165151A (zh) * | 2018-07-05 | 2019-01-08 | 北京西普阳光教育科技股份有限公司 | 基于计算机的图像化界面交互操作的评判方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110334142A (zh) | 2019-10-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108449407B (zh) | 多源异构煤矿安全监测数据采集方法 | |
| US20190370685A1 (en) | Method and apparatus for generating model, method and apparatus for recognizing information | |
| CN105955208B (zh) | 一种基于云平台的网络机器人数据控制系统 | |
| CN111708366B (zh) | 机器人及其行动控制方法、装置和计算机可读存储介质 | |
| CN109934892B (zh) | 惯导运动轨迹绘制方法、装置和计算机设备 | |
| CN112507806B (zh) | 智慧课堂信息交互方法、装置及电子设备 | |
| CN101944128A (zh) | 数据导出、导入的方法和装置 | |
| CN108881227B (zh) | 远程白板系统的操作控制方法和装置、远程白板系统 | |
| CN104572072A (zh) | 一种对基于mvc模式的程序的语言转换方法与设备 | |
| CN112416775B (zh) | 基于人工智能的软件自动化测试方法、装置及电子设备 | |
| CN109062906B (zh) | 程序语言资源的翻译方法及装置 | |
| CN114416877A (zh) | 一种数据处理方法、装置、设备及可读存储介质 | |
| CN110334142B (zh) | 智能数据采集方法、终端、服务器和交互系统 | |
| CN103378994A (zh) | 一种通信设备的测试方法及终端 | |
| CN114896161A (zh) | 基于人工智能的文件构造方法、装置、计算机设备及介质 | |
| US11265594B2 (en) | Data processing method and device, storage medium, electronic device | |
| CN108062401B (zh) | 应用推荐方法、装置及存储介质 | |
| WO2021093674A1 (zh) | 工作流系统中的bi节点执行方法、装置、设备及计算机可读存储介质 | |
| CN110427277B (zh) | 数据校验方法、装置、设备及存储介质 | |
| CN117033309A (zh) | 一种数据转换方法、装置、电子设备及可读存储介质 | |
| CN112579312A (zh) | 参数映射方法及装置、存储介质、接口调用平台、服务系统 | |
| CN115328997A (zh) | 数据同步方法、系统、设备及存储介质 | |
| CN115984838A (zh) | Poi名称的生成方法、装置、电子设备和存储介质 | |
| CN103914304A (zh) | 一种基于sap平台的不同结构类型参数转换方法 | |
| CN112445811A (zh) | 基于sql配置的数据服务方法、装置、存储介质及组件 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20191015 Assignee: Zhongguancun Technology Leasing Co.,Ltd. Assignor: BEIJING REDCDN TECHNOLOGY CO.,LTD. Contract record no.: X2022980019555 Denomination of invention: Intelligent data acquisition methods, terminals, servers and interactive systems Granted publication date: 20220517 License type: Exclusive License Record date: 20221025 |
|
| EE01 | Entry into force of recordation of patent licensing contract | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Intelligent data acquisition methods, terminals, servers and interactive systems Effective date of registration: 20221025 Granted publication date: 20220517 Pledgee: Zhongguancun Technology Leasing Co.,Ltd. Pledgor: BEIJING REDCDN TECHNOLOGY CO.,LTD. Registration number: Y2022980019670 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| EC01 | Cancellation of recordation of patent licensing contract |
Assignee: Zhongguancun Technology Leasing Co.,Ltd. Assignor: BEIJING REDCDN TECHNOLOGY CO.,LTD. Contract record no.: X2022980019555 Date of cancellation: 20240807 |
|
| EC01 | Cancellation of recordation of patent licensing contract | ||
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Granted publication date: 20220517 Pledgee: Zhongguancun Technology Leasing Co.,Ltd. Pledgor: BEIJING REDCDN TECHNOLOGY CO.,LTD. Registration number: Y2022980019670 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right |