CN111222415A - 用于控制原料称量的系统、方法和电子设备 - Google Patents

Abstract

本公开的实施例公开了用于控制原料称量的系统、方法和电子设备。该系统的一具体实施方式包括：自动识别设备，称量设备和控制设备；自动识别设备，用于识别目标原料的编码得到目标原料的信息，将信息发送到控制设备；控制设备，用于确定信息与预设的原料信息是否匹配；称量设备，用于响应于控制设备确定信息与预设的原料信息匹配，将目标原料进行称量，得到称量数值，将称量数值发送到控制设备；控制设备，还用于响应于确定称量数值在预设数值范围内，发出继续操作的提示信息。该实施方式实现了原料称量的准确性、可控性。从而，避免因为原料称量超量或不够而产生损失。进而，可以对原料的称量进行控制，提高工作效率。

Description

用于控制原料称量的系统、方法和电子设备

技术领域

本公开的实施例涉及计算机技术领域，具体涉及用于控制原料称量的系统、方法和电子设备。

背景技术

随着经济的发展，工业化也在迅猛的发展。原料的称量是工业中的核心。通过称量原料来完成工业配方的配比。准确的配比是工业生产的基础。但是，为了避免因称量的失误与选料的失误而导致的损失，人们想要更加具有准确性的称量系统和称量方法，以便高效率的工业生产。

发明内容

本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

本公开的一些实施例提出了用于控制原料称量的系统、方法和电子设备，来解决以上背景技术部分提到的技术问题。

第一方面，本公开的一些实施例提供了一种用于控制原料称量的系统，该系统包括：自动识别设备，称量设备和控制设备；上述自动识别设备，用于识别目标原料的编码得到上述目标原料的信息，将上述信息发送到上述控制设备；上述控制设备，用于确定上述信息与预设的原料信息是否匹配；上述称量设备，用于响应于上述控制设备确定上述信息与上述预设的原料信息匹配，将上述目标原料进行称量，得到称量数值，将上述称量数值发送到上述控制设备；上述控制设备，还用于确定上述称量数值是否在预设数值范围内，响应于确定上述称量数值在上述预设数值范围内，发出继续操作的提示信息。

在一些实施例中，上述系统还包括：报警设备，用于响应于上述控制设备确定上述称量数值不在预设数值范围内，上述报警设备发出报警提示。

在一些实施例中，上述控制设备具体用于：将上述目标原料的名称信息与上述预设的原料的名称信息进行匹配，基于匹配结果确定上述目标原料是否是需要的原料。

在一些实施例中，上述控制设备具体用于：基于公差范围，确定上述预设数值范围的上极限数值和下极限数值，基于上述上极限数值和上述下极限数值确定上述目标原料称量数值的误差范围。

在一些实施例中，上述称量设备具体用于：确定上述目标原料是否含有水分；响应于确定上述目标原料含有水分，测量上述目标原料含有水分的含量；对上述含量做不确定度测量，上述不确定度用于表征测量结果的质量。

第二方面，本公开的一些实施例提供了一种用于控制原料称量的方法，上述方法用于如第一方面中任一所描述的系统，上述方法包括：从识别设备获取目标原料的信息，其中，上述信息是通过上述识别设备对上述目标原料的编码进行识别得到的；确定上述信息与预设的原料信息是否匹配；响应于确定上述信息与上述预设的原料信息匹配，从称量设备获取上述目标原料的称量数值；确定上述称量数值是否在预设数值范围内；响应于确定上述称量数值在上述预设数值范围内，发出继续操作的提示信息。

在一些实施例中，上述目标原料的信息是通过以下步骤得到的：获取上述目标原料的编码的图像；将上述图像输入到预先训练的图像识别模型，得到上述目标原料的信息，其中，上述预先训练的图像识别模型包括第一卷积层，第二卷积层，第三卷积层，第四卷积层，第五卷积层，第一全连接层，第二全连接层，第三全连接层，第一归一化层，第二归一化层，第一池化层和第二池化层。

在一些实施例中，上述将上述图像输入到预先训练的图像识别模型，得到上述目标原料的信息，包括：将上述图像输入到上述第一卷积层进行第一特征提取以及通过线性整流函数进行特征映射，得到第一特征图像，其中，上述第一卷积层是使用96个大小为11x11x3的卷积核对上述图像以4个像素为步长进行第一特征提取；将上述第一特征图像输入到第一归一化层进行第一归一化处理，得到第一归一化后的上述第一特征图像；将上述归一化后的上述第一特征图像输入到第一池化层进行最大池化，得到第二特征图像，其中，上述第一池化层的步长为2；将上述第二特征图像输入到上述第二卷积层进行第二特征提取以及通过上述线性整流函数进行特征映射，得到第三特征图像，其中，上述第二卷积层是使用256个大小为5x5x48的卷积核对上述第二特征图像进行第二特征提取；将上述第三特征图像输入到第二归一化层进行第二归一化处理，得到第二归一化后的上述第三特征图像；将上述第二归一化后的上述第三特征图像输入到第二池化层进行最大池化，得到第四特征图像，其中，上述第二池化层的步长为2；将上述第四特征图像输入到上述第三卷积层进行第三特征提取以及通过上述线性整流函数进行特征映射，得到第五特征图像，其中，上述第三卷积层是使用384个大小为3x3x256的卷积核对上述第四特征图像进行第三特征提取；将上述第五特征图像输入到上述第四卷积层进行第四特征提取以及通过上述线性整流函数进行特征映射，得到第六特征图像，其中，上述第四卷积层有384个大小为3x3x192的卷积核对上述第五特征图像进行第四特征提取；将上述第六特征图像输入到上述第五卷积层进行第五特征提取以及通过上述线性整流函数进行特征映射，得到第七特征图像，其中，上述第五卷积层有256个大小为3x3x192的卷积核对上述第六特征图像进行第五特征提取；将上述第七特征图像输入到第三池化层进行最大池化，得到第八特征图像，其中，上述第三池化层的步长为2；将上述第八特征图像输入到上述第一全连接层进行特征分类以及通过上述线性整流函数进行特征映射，得到第九特征图像，其中，上述第一全连接层有4096个神经元；将上述第九特征图像输入到上述第二全连接层进行特征分类以及通过上述线性整流函数进行特征映射，得到第十特征图像，其中，上述第二全连接层有4096个神经元；将上述第十特征图像输入到上述第三全连接层进行特征分类以及通过上述线性整流函数进行特征映射，得到上述图像特征的向量，其中，上述第三全连接层有4096个神经元。

在一些实施例中，上述方法还包括：响应于上述信息与上述预设的原料信息未匹配，将上述信息所对应的上述目标原料进行标记；控制显示终端显示标记后的目标原料以及控制称量设备进行设备锁定。

第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行，使得上述一个或多个处理器实现如第二方面中任一所描述的方法。

本公开的上述各个实施例中的一个实施例具有如下有益效果：通过自动识别设备识别目标原料的编码可以得到上述目标原料的信息，将上述信息发送到上述控制设备。上述控制设备可以确定上述信息与预设的原料信息是否匹配。从而，可以避免发生选错原料。进而，可以避免损失。响应于上述控制设备确定上述信息与上述预设的原料信息匹配，称量设备可以将上述目标原料进行称量，得到称量数值。称量设备将上述称量数值发送到上述控制设备。上述控制设备可以确定上述称量数值是否在预设数值范围内。响应于上述控制设备确定上述称量数值在上述预设数值范围内，控制设备可以发出继续操作的提示信息。从而，可以控制原料称量的准确性，避免因为原料称量超量或不够而产生损失。进而，可以对原料的称量进行控制，提高工作效率。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。

图1是本公开的一些实施例可以应用于其中的示例性系统的架构图；

图2是根据本公开的用于控制原料称量的系统的一些实施例的时序图；

图3是根据本公开的一些实施例的用于控制原料称量的方法的一些实施例的流程图；

图4是适于用来实现本公开的一些实施例的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

下面将参考附图并结合实施例来详细说明本公开。

图1示出了可以应用本公开的一些实施例的用于控制原料称量的系统的示例性系统架构100。

如图1所示，系统架构100可以包括自动识别设备101、102、103，称量设备104，网络105、106和服务器107。网络105可以用以在自动识别设备101、102、103和服务器107之间提供通信链路的介质。网络106可以用以称量设备104和服务器107之间提供通信链路的介质。网络105、106可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

自动识别设备101、102、103通过网络105与服务器107交互，以接收或发送消息等。自动识别设备101、102、103可以是具有识别编码的电子设备，包括但不限于二维码扫描设备，条码扫描枪等等。

称量设备104通过网络106与服务器107交互，以接收或发送消息等。称量设备104可以是能连接网络进行发送或接收信息的电子秤。

服务器107可以是提供各种服务的服务器，例如服务器107可以首先通过自动识别设备101、102、103获取目标原料的信息；之后可以确定上述信息与预设的原料信息是否匹配，在确定上述信息与预设的原料信息匹配时，从称量设备104获取上述目标原料的称量数值；随后可以确定上述称量数值是否在预设数值范围内，在确定上述称量数值在上述预设数值范围内时，发出继续操作的提示信息。

需要说明的是，本公开的实施例所提供的用于控制原料称量的系统可以由一般由服务器107执行。

应该理解，图1中的自动识别设备、称量设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的自动识别设备、称量设备、网络和服务器。

继续参考图2，示出了根据本公开的用于控制原料称量的系统的一些实施例的时序200。

如图2所示，在步骤201中，自动识别设备识别目标原料的编码得到上述目标原料的信息。

在一些实施例中，自动识别设备(例如图1所示的自动识别设备101、102、103的一个或多个)识别目标原料的编码得到上述目标原料的信息。在得到上述目标原料的信息后执行步骤202。其中，上述目标原料可以是技术人员根据相关配方指定。上述编码可以是二维码，也可以是条形码。上述目标原料的信息可以包括但不限于以下至少一项：目标原料的名称信息，目标原料的生产日期信息，目标原料的重量信息。

在步骤202中，自动识别设备将上述目标原料的信息发送到控制设备。

在一些实施例中，基于步骤201中得到的目标原料的信息，自动识别设备可以将上述目标原料的信息发送到控制设备(例如图1所示的服务器107)。

在步骤203中，控制设备确定上述信息与预设的原料信息是否匹配。

在一些实施例中，控制设备可以确定上述信息与预设的原料信息是否匹配。其中，上述预设的原料信息可以是预先输入以及存储在控制设备中的原料信息。该原料信息可以包括但不限于一下至少一项：原料的名称信息，原料的生产日期信息，原料需要的重量信息。上述匹配可以是指上述信息中的上述目标原料的名称信息与上述预设的原料信息中的上述原料的名称信息相同。

在一些实施例的一些可选的实现方式中，控制设备可以将上述信息中的目标原料的名称信息与上述预设的原料名称信息进行匹配，得到匹配结果。其中，该匹配结果可以包括表征匹配情况的分数值。根据该分数值，控制设备可以确定上述目标原料是否是需要的原料。上述需要的原料可以是指与预设原料的名称相同的原料。

在步骤204中，上述控制设备确定上述信息与上述预设的原料信息匹配。

在一些实施例中，在上述控制设备确定上述信息与上述预设的原料信息匹配的情况下，执行步骤205。

在步骤205中，上述控制设备向称量设备发送称量指令。

在一些实施例中，上述控制设备可以向称量设备发送称量指令。

在步骤206中，称量设备将上述目标原料进行称量，得到称量数值。

在一些实施例中，称量设备可以将上述目标原料进行称量，得到称量数值。在得到称量数值后执行步骤207。

在一些实施例的一些可选的实现方式中，称量设备首先可以确定上述目标原料是否含有水分。之后响应于确定上述目标原料含有水分，上述称量设备可以测量上述目标原料含有水分的含量。随后对上述含量做不确定度测量。其中上述不确定用于表征测量结果的质量。上述不确定度的来源可以包括但不限于以下至少一项：测量方法带来的不确定性，称量引入的不确定性。

其中，称量设备确定目标原料是否含有水分首先可以检测目标原料是否是含有水分的原料，其次可以对目标原料的保质质量进行检测，以确保所需要的目标原料的质量。响应于确定上述目标原料含有水分，可以测量上述目标原料含有水分的含量，进而可以准确的了解目标原料的含有的水分，以确保减少配比中目标原料的百分比的误差。对上述含量做不确定度的测量，可以检测上述水分含量的测量结果的的质量，不确定度的数值越小，则表示测量的结果的质量越好，测量的技术水平越高，测量结果的使用价值越大。从而可以得到更加准确的测量值。

在步骤207中，称量设备将发送上述称量数值的指令到控制设备。

在一些实施例中，在得到上述称量数值后，称量设备可以将上述称量数值发送到控制设备。

在步骤208中，控制设备确定上述称量数值是否在预设数值范围内。

在一些实施例中，基于步骤207得到的称量数值，控制设备可以确定上述称量数值是否在预设数值范围内。其中，上述预设数值范围可以是预先设置的原料所需的重量。该原料所需的重量可以是技术人员根据实际情况设定的。

在一些实施例的一些可选的实现方式中，根据公差范围，控制设备首先可以计算确定上述预设数值范围的上极限数值和下极限数值。之后控制设备可以将上述称量数值所对应的数值分别与上极限数值和下极限数值比较，得到两个比较数值，结合两个比较数值控制设备可以确定上述目标原料称量数值的误差范围。

在步骤209中，上述控制设备确定上述称量数值在上述预设数值范围内。

在一些实施例中，在上述控制设备确定上述称量数值在上述预设数值范围内的情况下，执行步骤210。

在步骤210中，控制设备向称量设备发出继续称量操作的指令。

在一些实施例中，控制设备可以向技术人员发出继续操作的提示信息。其中，上述继续称量操作可以是指开始识别下一个目标原料的一系列操作。

在一些实施例的一些可选的实现方式中，在控制设备确定上述称量数值不在上述预设数值范围内的情况下，控制设备控制报警设备发出报警提示信息。其中，上述报警设备可以包括但不限于报警器。上述报警提示信息可以包括表征报警提示的相关信息。例如，语音警示信息。通过报警设备可以提示操作者的操作的正确与否，从而，避免由于错误操作而发生的损失。进而，提高了工作效率。

本公开的一些实施例提供的系统，通过自动识别设备识别目标原料的编码可以得到上述目标原料的信息，将上述信息发送到上述控制设备。上述控制设备可以确定上述信息与预设的原料信息是否匹配。从而，可以避免发生选错原料。进而，可以避免损失。响应于上述控制设备确定上述信息与上述预设的原料信息匹配，称量设备可以将上述目标原料进行称量，得到称量数值。称量设备将上述称量数值发送到上述控制设备。上述控制设备可以确定上述称量数值是否在预设数值范围内。响应于上述控制设备确定上述称量数值在上述预设数值范围内，控制设备可以发出继续操作的提示信息。从而，可以控制原料称量的准确性，避免因为原料称量超量或不够而产生损失。进而，可以对原料的称量进行控制，提高工作效率。

进一步参考图3，其示出了用于控制原料称量的方法的一些实施例的流程300。该用于控制原料称量的方法的流程300，包括以下步骤：

步骤301，从识别设备获取目标原料的信息。

在一些实施例中，用于控制原料称量的方法运行于其上的执行主体(例如图1所示的服务器107)可以通过有线连接方式或者无线连接方式从自动识别设备(例如图1所示的自动识别设备101、102、103的一个或多个)获取目标原料的信息，其中，上述目标原料的信息是通过上述识别设备对上述目标原料的编码进行识别得到的。上述目标原料可以是指技术人员根据实际情况指定的原料。上述编码可以是二维码，还可以是条形码。上述信息可以包括但不限于以下至少一项：目标原料的名称信息，目标原料的生产日期信息。

需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。

在一些实施例的一些可选的实现方式中，上述执行主体可以通过以下步骤来得到上述目标原料的信息：首先，获取上述目标原料的编码的图像。第二，可以将上述图像输入到预先训练的图像识别模型，得到上述目标原料的信息。其中，上述预先训练的图像识别模型可以包括：第一卷积层，第二卷积层，第三卷积层，第四卷积层，第五卷积层，第一全连接层，第二全连接层，第三全连接层，第一归一化层，第二归一化层，第一池化层和第二池化层。上述预先训练的图像识别模型已通过训练样本集合进行了训练。上述训练样本集合中的训练样本包括样本图像和与样本图像对应的样本信息。其中，通过模型来确定原料的信息可以提高速度，节省了人力。

可以理解的是，上述预先训练的图像识别模型可以用于表征原料的编码图像与原料的信息之间的对应关系。上述提及的预先训练的图像识别模型可以是卷积神经网络模型。

作为示例，上述执行主体可以通过以下步骤得到上述目标原料的信息：第一，可以将上述图像输入到上述第一卷积层进行第一特征提取以及通过ReLU函数(RectifiedLinear Units，线性整流函数)进行特征映射，得到第一特征图像。其中，上述第一卷积层可以是使用96个大小为11x11x3的卷积核对上述图像以4个像素为步长进行第一特征提取。第二，将上述第一特征图像继续输入到第一归一化层进行第一归一化处理，可以得到第一归一化后的上述第一特征图像。第三，将上述归一化后的上述第一特征图像输入到第一池化层进行最大池化，可以得到第二特征图像。其中，上述第一池化层的步长可以为2。第四，将上述第四特征图像输入到上述第三卷积层进行第三特征提取以及通过上述ReLU函数进行特征映射，可以得到第五特征图像。其中，上述第三卷积层可以是使用384个大小为3x3x256的卷积核对上述第四特征图像进行第三特征提取。第五，将上述第五特征图像输入到上述第四卷积层进行第四特征提取以及通过上述ReLU函数进行特征映射，可以得到第六特征图像，其中，上述第四卷积层可以有384个大小为3x3x192的卷积核对上述第五特征图像进行第四特征提取。第六，将上述第六特征图像输入到上述第五卷积层进行第五特征提取以及通过上述ReLU函数进行特征映射，可以得到第七特征图像，其中，上述第五卷积层可以有256个大小为3x3x192的卷积核对上述第六特征图像进行第五特征提取。第七，将上述第七特征图像输入到第三池化层进行最大池化，可以得到第八特征图像，其中，上述第三池化层的步长可以为2。第八，将上述第八特征图像输入到上述第一全连接层进行特征分类以及通过上述ReLU函数进行特征映射，可以得到第九特征图像，其中，上述第一全连接层可以有4096个神经元。第九，将上述第九特征图像输入到上述第二全连接层进行特征分类以及通过上述ReLU函数进行特征映射，可以得到第十特征图像，其中，上述第二全连接层可以有4096个神经元。第十，将上述第十特征图像输入到上述第三全连接层进行特征分类以及通过上述ReLU函数进行特征映射，得到上述图像特征的向量，其中，上述第三全连接层可以有4096个神经元。

其中，通过上述预先训练的图像识别模型对上述目标原料的编码图像进行识别，可以快速的得到上述目标原料的信息。从而，可以节省人力，提高工作效率。使用上述结构的模型可以使得到上述目标原料的信息的速度更快。进而，还可以避免人为操作确认原料信息时的所出现的错误。

步骤302，确定上述信息与预设的原料信息是否匹配。

在一些实施例中，基于步骤301得到的目标原料的信息，上述执行主体可以确定上述信息与预设的原料信息是否匹配。其中，上述预设的原料信息可以包括但不限于以下至少一项：原料名称信息，原料的生产日期信息，原料所需的重量信息。上述匹配可以是指上述信息中的上述目标原料的名称信息与上述预设的原料信息中的上述原料的名称信息相同。

步骤303，响应于确定上述信息与上述预设的原料信息匹配，从称量设备获取上述目标原料的称量数值。

在一些实施例中，在上述执行主体确定上述信息与上述预设的原料信息匹配的情况下，上述执行主体可以从有通讯连接的称量设备获取上述目标原料的称量数值。作为示例，在目标原料的名称信息与预设的原料名称信息相同的情况下，上述执行主体可以从有通讯连接的称量设备获取上述目标原料的称量数值。

步骤304，确定上述称量数值是否在预设数值范围内。

在一些实施例中，基于步骤303得到的称量数值，上述执行主体可以确定上述称量数值是否在预设数值范围内。其中，上述预设数值范围可以是预先设置的原料所需的重量。该原料所需的重量可以是技术人员根据实际情况设定的。

作为示例，根据公差范围，上述执行主体首先可以计算确定上述预设数值范围的上极限数值和下极限数值。之后上述执行主体可以将上述称量数值所对应的数值分别与上极限数值和下极限数值比较，得到两个比较数值，结合两个比较数值控制设备可以确定上述目标原料称量数值的误差范围。

步骤305，响应于确定上述称量数值在上述预设数值范围内，发出继续称量操作的指令。

在一些实施例中，在上述执行主体确定上述称量数值在上述预设范围内的情况下，上述执行主体可以发出继续称量操作的指令。其中，上述继续称量操作可以是指开始识别下一个目标原料的一系列操作。

在一些实施例的一些可选的实现方式中，上述执行主体首先可以在确定上述信息与上述预设的原料信息未匹配的情况下，上述执行主体可以将上述信息所对应的上述目标原料进行标记。其中，上述标记可以包括但不限于以下至少一项：文字，图形。之后可以控制显示终端显示标记后的目标原料以及控制称量设备进行设备锁定。通过对未匹配成功的目标原料进行标记可以帮助技术人员对原料进行筛选。从而，可以避免重复选择。通过显示设备显示上述未匹配成功的目标原料，可以使技术人员直观的看到所选的目标原料。进而，可以使技术人员直观的看到选择的正确与否，可以避免选择错误而造成损失。通过对控制称量设备进行设备锁定，可以间接的提示技术人员选择错误，从而无法进行下一步操作。进而，可以尽早的发现错误以及解决错误。

本公开的一些实施例提供的方法，通过从识别设备可以获取目标原料的信息，其中，上述信息是通过上述识别设备对上述目标原料的编码进行识别得到的。确定上述信息与预设的原料信息是否匹配。从而，可以避免发生选错原料。进而，可以避免损失。响应于确定上述信息与上述预设的原料信息匹配，从称量设备获取上述目标原料的称量数值。确定上述称量数值是否在预设数值范围内。响应于确定上述称量数值在上述预设数值范围内，可以发出继续操作的提示信息。从而，可以控制原料称量的准确性，避免因为原料称量超量或不够而产生损失。进而，可以对原料的称量进行控制，提高工作效率。

下面参考图4，其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的服务器)400的结构示意图。图4示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图4所示，电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。

通常，以下装置可以连接至I/O接口405：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407；包括例如存储卡等的存储装置408；以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备400，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图4中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置409从网络上被下载和安装，或者从存储装置408被安装，或者从ROM 402被安装。在该计算机程序被处理装置401执行时，执行本公开的一些实施例的方法中限定的上述功能。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种用于控制原料称量的系统，包括：

自动识别设备，称量设备和控制设备；

所述自动识别设备，用于识别目标原料的编码得到所述目标原料的信息，将所述信息发送到所述控制设备；

所述控制设备，用于确定所述信息与预设的原料信息是否匹配；

所述称量设备，用于响应于所述控制设备确定所述信息与所述预设的原料信息匹配，将所述目标原料进行称量，得到称量数值，将所述称量数值发送到所述控制设备；

所述控制设备，还用于确定所述称量数值是否在预设数值范围内，响应于确定所述称量数值在所述预设数值范围内，发出继续操作的提示信息。

2.根据权利要求1所述的系统，其中，所述系统还包括：

报警设备，用于响应于所述控制设备确定所述称量数值不在所述预设数值范围内，所述报警设备发出报警提示。

3.根据权利要求1所述的系统，其中，所述控制设备具体用于：

将所述目标原料的名称信息与所述预设的原料的名称信息进行匹配，基于匹配结果确定所述目标原料是否是需要的原料。

4.根据权利要求1-3之一所述的系统，其中，所述控制设备具体用于：

基于公差范围，确定所述预设数值范围的上极限数值和下极限数值，基于所述上极限数值和所述下极限数值确定所述目标原料称量数值的误差范围。

5.根据权利要求1-3之一所述的系统，其中，所述称量设备具体用于：

确定所述目标原料是否含有水分；

响应于确定所述目标原料含有水分，测量所述目标原料含有水分的含量；

对所述含量做不确定度的测量，所述不确定度用于表征测量结果的质量。

6.一种用于控制原料称量的方法，所述方法用于如权利要求1-5之一所述的系统，所述方法包括：

从识别设备获取目标原料的信息，其中，所述信息是通过所述识别设备对所述目标原料的编码进行识别得到的；

确定所述信息与预设的原料信息是否匹配；

响应于确定所述信息与所述预设的原料信息匹配，从称量设备获取所述目标原料的称量数值；

确定所述称量数值是否在预设数值范围内；

响应于确定所述称量数值在所述预设数值范围内，发出继续操作的提示信息。

7.根据权利要求6所述的方法，所述目标原料的信息是通过以下步骤得到的：

获取所述目标原料的编码的图像；

将所述图像输入到预先训练的图像识别模型，得到所述目标原料的信息，其中，所述预先训练的图像识别模型包括第一卷积层，第二卷积层，第三卷积层，第四卷积层，第五卷积层，第一全连接层，第二全连接层，第三全连接层，第一归一化层，第二归一化层，第一池化层和第二池化层。

8.根据权利要求7所述的方法，所述将所述图像输入到预先训练的图像识别模型，得到所述目标原料的信息，包括：

将所述图像输入到所述第一卷积层进行第一特征提取以及通过线性整流函数进行特征映射，得到第一特征图像，其中，所述第一卷积层是使用96个大小为11x11x3的卷积核对所述图像以4个像素为步长进行第一特征提取；

将所述第一特征图像输入到第一归一化层进行第一归一化处理，得到第一归一化后的所述第一特征图像；

将所述归一化后的所述第一特征图像输入到第一池化层进行最大池化，得到第二特征图像，其中，所述第一池化层的步长为2；

将所述第二特征图像输入到所述第二卷积层进行第二特征提取以及通过所述线性整流函数进行特征映射，得到第三特征图像，其中，所述第二卷积层是使用256个大小为5x5x48的卷积核对所述第二特征图像进行第二特征提取；

将所述第三特征图像输入到第二归一化层进行第二归一化处理，得到第二归一化后的所述第三特征图像；

将所述第二归一化后的所述第三特征图像输入到第二池化层进行最大池化，得到第四特征图像，其中，所述第二池化层的步长为2；

将所述第四特征图像输入到所述第三卷积层进行第三特征提取以及通过所述线性整流函数进行特征映射，得到第五特征图像，其中，所述第三卷积层是使用384个大小为3x3x256的卷积核对所述第四特征图像进行第三特征提取；

将所述第五特征图像输入到所述第四卷积层进行第四特征提取以及通过所述线性整流函数进行特征映射，得到第六特征图像，其中，所述第四卷积层有384个大小为3x3x192的卷积核对所述第五特征图像进行第四特征提取；

将所述第六特征图像输入到所述第五卷积层进行第五特征提取以及通过所述线性整流函数进行特征映射，得到第七特征图像，其中，所述第五卷积层有256个大小为3x3x192的卷积核对所述第六特征图像进行第五特征提取；

将所述第七特征图像输入到第三池化层进行最大池化，得到第八特征图像，其中，所述第三池化层的步长为2；

将所述第八特征图像输入到所述第一全连接层进行特征分类以及通过所述线性整流函数进行特征映射，得到第九特征图像，其中，所述第一全连接层有4096个神经元；

将所述第九特征图像输入到所述第二全连接层进行特征分类以及通过所述线性整流函数进行特征映射，得到第十特征图像，其中，所述第二全连接层有4096个神经元；

将所述第十特征图像输入到所述第三全连接层进行特征分类以及通过所述线性整流函数进行特征映射，得到所述图像特征的向量，其中，所述第三全连接层有4096个神经元。

9.根据权利要求6-8之一所述的方法，所述方法还包括：

响应于所述信息与所述预设的原料信息未匹配，将所述信息所对应的所述目标原料进行标记；

控制显示终端显示标记后的目标原料以及控制称量设备进行设备锁定。

10.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求6-9中任一所述的方法。

Images