CN112747813A - 一种零件自动称重计数系统及方法 - Google Patents

一种零件自动称重计数系统及方法 Download PDF

Info

Publication number
CN112747813A
CN112747813A CN201911038542.7A CN201911038542A CN112747813A CN 112747813 A CN112747813 A CN 112747813A CN 201911038542 A CN201911038542 A CN 201911038542A CN 112747813 A CN112747813 A CN 112747813A
Authority
CN
China
Prior art keywords
training
data
unit
extensions
extension
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.)
Pending
Application number
CN201911038542.7A
Other languages
English (en)
Inventor
龚梅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Renchen Technology Co ltd
Original Assignee
Hangzhou Renchen Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Renchen Technology Co ltd filed Critical Hangzhou Renchen Technology Co ltd
Priority to CN201911038542.7A priority Critical patent/CN112747813A/zh
Publication of CN112747813A publication Critical patent/CN112747813A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01G—WEIGHING
    • G01G19/00—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups
    • G01G19/40—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups with provisions for indicating, recording, or computing price or other quantities dependent on the weight
    • G01G19/42—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups with provisions for indicating, recording, or computing price or other quantities dependent on the weight for counting by weighing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Arrangements For Transmission Of Measured Signals (AREA)

Abstract

本发明公开了一种零件自动称重计数系统及方法，涉及电子设备技术领域，所述系统包括：称重模块、反馈模块和计算模块；所述称重模块包括：传感器单元、微处理器和数据传输单元；所述反馈模块包括：训练数据录入单元、数据训练单元、模型建立单元和数据补偿单元；所述传感器单元，通过称重获取零件的重量数据；所述训练数据录入单元，录入预先人工称重得到的准确的零件重量数据；所述数据训练单元，对零件重量数据进行训练；所述模型建立单元，根据数据训练单元的训练结果，建立反馈模型；具有结构称量准确、结构简单和效率高的优点。

Description

一种零件自动称重计数系统及方法
技术领域
本发明涉及电子设备技术领域，特别是涉及一种零件自动称重计数系统及方法。
背景技术
深度学习是一种比较有效的人工智能方法，深度学习可以通过模拟人脑的学习行为从数据中学习相关知识，并将学习到的知识用于后续的预测。目前，在大规模的深度学习训练中，由于训练数据集的数据量较大，为了提高数据训练的效率，通常采用多台训练分机同时对数据进行训练。
相关技术中，在数据训练的初始化过程中，每台训练分机可以获取并存储同一训练数据集(即每台训练分机中存储的训练数据集均相同)，并由指定的训练分机A基于训练数据集生成文件名列表，该文件名列表中包括训练数据集中所有数据的名称。在数据训练过程中，训练分机A对文件名列表进行随机洗牌处理，并将随机洗牌处理后的文件名列表发送至所有其他训练分机，每个训练分机基于文件名列表中固定位置的数据名称从已存储的训练数据集中获取相应的数据，并对数据进行训练。
电子称重产品类别：按工作方式可分为机械秤(磅秤)，电子显示秤，自动计量系统。按使用方式可分为案秤，台秤，小地秤，电子汽车衡，直示吊秤，无线数传吊秤，定量包装系统。按功能可分为，计重秤，计数秤，计价秤。
现有的电子称重系统往往通过传感器实现，因为传感器在使用过程中往往会存在一些误差，且由于使用时间久了后也会导致精确度下降。
发明内容
鉴于此，本发明的目的是提供一种零件自动称重计数系统及方法，具有结构称量准确、结构简单和效率高的优点。
为了实现上述目的，本发明采用如下技术方案：
一种零件自动称重计数系统，所述系统包括：称重模块、反馈模块和计算模块；所述称重模块包括：传感器单元、微处理器和数据传输单元；所述反馈模块包括：训练数据录入单元、数据训练单元、模型建立单元和数据补偿单元；所述传感器单元，通过称重获取零件的重量数据；所述训练数据录入单元，录入预先人工称重得到的准确的零件重量数据；所述数据训练单元，对零件重量数据进行训练；所述模型建立单元，根据数据训练单元的训练结果，建立反馈模型；所述数据补偿单元，根据建立的反馈模型，对传感器单元获取到的零件的重量数据进行反馈补偿，矫正传感器单元获取的零件的重量数据；所述微处理器将获取的零件的重量数据经反馈模块矫正后的重量数据通过数据传输单元发送至计算单元；所述计算单元根据矫正后的重量数据和预设的计算公式计算零件的数量。
进一步的，所述模型建立单元建立的反馈模型包括：输入层、隐含层和输出层；选取零件的重量数据作为反馈模型的输入层单元，此时反馈模型是一个单输入单输出的网络结构，其中网络隐含层的和输出层的激励函数分别为tansig函数和purelin函数，为了使得输出目标与期望值误差最小，建立期望值与输出值的误差表达式，然后根据梯度下降算法，求取梯度，进而获得网络输出层与隐含层各节点的权值调整量。
进一步的，所述传感器单元包括若干个独立的重量传感器；传感器单元对每个独立的重量传感器获取的重量数据进行取平均运算得到一个重量数据。
进一步的，所述数据训练单元包含多个训练分机；所述第一训练分机为所述多个训练分机中的一个，每个所述训练分机中存储有相同的训练数据集以及包括所述训练数据集中所有数据的名称的相同的文件名集合，所述方法包括：与其他训练分机获取同一伪随机数种子，所述其他训练分机为所述多个训练分机中除所述第一训练分机以外的训练分机；执行至少一次训练过程，直至所述训练过程的执行结果满足预设停止条件，所述训练过程包括：基于所述伪随机数种子，对所述文件名集合进行随机化处理，得到更新后的文件名集合，基于所述更新后的文件名集合，对所述训练数据集中的第一数据子集进行训练，直至所述多个训练分机完成本次对所述训练数据集的训练后，再次执行所述训练过程，所述第一数据子集包括所述第一训练分机对应的数据；其中，所述数据训练系统中的所有训练分机在执行同一次训练过程时，所得到的更新后的文件名集合均相同。
进一步的，所述反馈模块为另外的一个单独的微处理器；所述反馈模型建立后，可以固化到微处理器上。
一种零件自动称重计数方法，所述方法执行以下步骤：传感器单元，通过称重获取零件的重量数据；训练数据录入单元，录入预先人工称重得到的准确的零件重量数据；数据训练单元，对零件重量数据进行训练；模型建立单元，根据数据训练单元的训练结果，建立反馈模型；数据补偿单元，根据建立的反馈模型，对传感器单元获取到的零件的重量数据进行反馈补偿，矫正传感器单元获取的零件的重量数据；所述微处理器将获取的零件的重量数据经反馈模块矫正后的重量数据通过数据传输单元发送至计算单元；所述计算单元根据矫正后的重量数据和预设的计算公式计算零件的数量。
进一步的，所述数据训练单元包含多个训练分机；所述第一训练分机为所述多个训练分机中的一个，每个所述训练分机中存储有相同的训练数据集以及包括所述训练数据集中所有数据的名称的相同的文件名集合，所述方法包括：与其他训练分机获取同一伪随机数种子，所述其他训练分机为所述多个训练分机中除所述第一训练分机以外的训练分机；执行至少一次训练过程，直至所述训练过程的执行结果满足预设停止条件，所述训练过程包括：基于所述伪随机数种子，对所述文件名集合进行随机化处理，得到更新后的文件名集合，基于所述更新后的文件名集合，对所述训练数据集中的第一数据子集进行训练，直至所述多个训练分机完成本次对所述训练数据集的训练后，再次执行所述训练过程，所述第一数据子集包括所述第一训练分机对应的数据；其中，所述数据训练系统中的所有训练分机在执行同一次训练过程时，所得到的更新后的文件名集合均相同。
进一步的，所述第一训练分机为管理训练分机，所述与其他训练分机获取同一伪随机数种子，包括：生成某一伪随机数种子；向所述其他训练分机发送所述某一伪随机数种子；接收第二训练分机发送的所述训练数据集中的第二数据子集的训练进度信息，所述第二训练分机为所述其他训练分机中的任一训练分机，所述第二数据子集包括所述第二训练分机对应的数据；在确定所述数据训练系统中的所有训练分机完成本次对所述训练数据集的训练后，执行新一次的训练过程，并向所述其他训练分机发送训练启动指示信息，所述训练启动指示信息用于指示所述其他训练分机执行新一次的训练过程。
与现有技术相比，本发明实现的有益效果：本发明通过深度学习建立反馈模型，对称量得到的重量数据进行矫正，避免了因为传感器称量导致的不准确性，导致最终结果的不准确性。。
附图说明
以下结合附图和具体实施方式来进一步详细说明本发明：
图1为本发明实施例公开的零件自动称重计数系统的系统结构示意图。
图2为本发明实施例公开的零件自动称重计数方法的方法流程示意图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效。
请参阅图1。须知，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。同时，本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。
实施例1
一种零件自动称重计数系统，所述系统包括：称重模块、反馈模块和计算模块；所述称重模块包括：传感器单元、微处理器和数据传输单元；所述反馈模块包括：训练数据录入单元、数据训练单元、模型建立单元和数据补偿单元；所述传感器单元，通过称重获取零件的重量数据；所述训练数据录入单元，录入预先人工称重得到的准确的零件重量数据；所述数据训练单元，对零件重量数据进行训练；所述模型建立单元，根据数据训练单元的训练结果，建立反馈模型；所述数据补偿单元，根据建立的反馈模型，对传感器单元获取到的零件的重量数据进行反馈补偿，矫正传感器单元获取的零件的重量数据；所述微处理器将获取的零件的重量数据经反馈模块矫正后的重量数据通过数据传输单元发送至计算单元；所述计算单元根据矫正后的重量数据和预设的计算公式计算零件的数量。
实施例2
在上一实施例的基础上，所述模型建立单元建立的反馈模型包括：输入层、隐含层和输出层；选取零件的重量数据作为反馈模型的输入层单元，此时反馈模型是一个单输入单输出的网络结构，其中网络隐含层的和输出层的激励函数分别为tansig函数和purelin函数，为了使得输出目标与期望值误差最小，建立期望值与输出值的误差表达式，然后根据梯度下降算法，求取梯度，进而获得网络输出层与隐含层各节点的权值调整量。
具体的，在机器学习和模式识别等领域中，一般需要将样本分成独立的三部分训练集(train set)，验证集(validation set)和测试集(test set)。其中训练集用来估计模型，验证集用来确定网络结构或者控制模型复杂程度的参数，而测试集则检验最终选择最优的模型的性能如何。一个典型的划分是训练集占总样本的50％，而其它各占25％，三部分都是从样本中随机抽取。
但是，当样本总量少的时候，上面的划分就不合适了。常用的是留少部分做测试集。然后对其余N个样本采用K折交叉验证法。就是将样本打乱，然后均匀分成K份，轮流选择其中K－1份训练，剩余的一份做验证，计算预测误差平方和，最后把K次的预测误差平方和再做平均作为选择最优模型结构的依据。特别的K取N，就是留一法(leave one out)。[1]
训练集用于监督学习中，监督学习是指利用一组已知类别的样本调整分类器的参数，使其达到所要求性能的过程，也称为监督训练或有教师学习。
监督学习是从标记的训练数据来推断一个功能的机器学习任务。训练数据包括一套训练示例。在监督学习中，每个实例都是由一个输入对象(通常为矢量)和一个期望的输出值(也称为监督信号)组成。监督学习算法是分析该训练数据，并产生一个推断的功能，其可以用于映射出新的实例。一个最佳的方案将允许该算法来正确地决定那些看不见的实例的类标签。这就要求学习算法是在一种“合理”的方式从一种从训练数据到看不见的情况下形成。
实施例3
在上一实施例的基础上，所述传感器单元包括若干个独立的重量传感器；传感器单元对每个独立的重量传感器获取的重量数据进行取平均运算得到一个重量数据。
实施例4
在上一实施例的基础上，所述数据训练单元包含多个训练分机；所述第一训练分机为所述多个训练分机中的一个，每个所述训练分机中存储有相同的训练数据集以及包括所述训练数据集中所有数据的名称的相同的文件名集合，所述方法包括：与其他训练分机获取同一伪随机数种子，所述其他训练分机为所述多个训练分机中除所述第一训练分机以外的训练分机；执行至少一次训练过程，直至所述训练过程的执行结果满足预设停止条件，所述训练过程包括：基于所述伪随机数种子，对所述文件名集合进行随机化处理，得到更新后的文件名集合，基于所述更新后的文件名集合，对所述训练数据集中的第一数据子集进行训练，直至所述多个训练分机完成本次对所述训练数据集的训练后，再次执行所述训练过程，所述第一数据子集包括所述第一训练分机对应的数据；其中，所述数据训练系统中的所有训练分机在执行同一次训练过程时，所得到的更新后的文件名集合均相同。
具体的，重力传感器是根据压电效应的原理来工作的，所谓的压电效应就是“对于不存在对称中心的异极晶体加在晶体上的外力除了使晶体发生形变以外，还将改变晶体的极化状态，在晶体内部建立电场，这种由于机械力作用使介质发生极化的现象称为正压电效应”。
重力传感器就是利用了其内部的由于加速度造成的晶体变形这个特性。由于这个变形会产生电压，只要计算出产生电压和所施加的加速度之间的关系，就可以将加速度转化成电压输出。当然，还有很多其它方法来制作加速度传感器，比如电容效应，热气泡效应，光效应，但是其最基本的原理都是由于加速度产生某个介质产生变形，通过测量其变形量并用相关电路转化成电压输出。
实施例5
在上一实施例的基础上，所述反馈模块为另外的一个单独的微处理器；所述反馈模型建立后，可以固化到微处理器上。
实施例6
如图2所示，一种零件自动称重计数方法，所述方法执行以下步骤：传感器单元，通过称重获取零件的重量数据；训练数据录入单元，录入预先人工称重得到的准确的零件重量数据；数据训练单元，对零件重量数据进行训练；模型建立单元，根据数据训练单元的训练结果，建立反馈模型；数据补偿单元，根据建立的反馈模型，对传感器单元获取到的零件的重量数据进行反馈补偿，矫正传感器单元获取的零件的重量数据；所述微处理器将获取的零件的重量数据经反馈模块矫正后的重量数据通过数据传输单元发送至计算单元；所述计算单元根据矫正后的重量数据和预设的计算公式计算零件的数量。
具体的，重力感应器，又称重力传感器，新型属传感器技术，它采用弹性敏感元件制成悬臂式位移器，与采用弹性敏感元件制成的储能弹簧来驱动电触点，完成从重力变化到电信号的转换。前绝大多数中高端智能手机和平板电脑内置了重力传感器，如苹果的系列产品iphone和iPad，Android系列的手机等。
重力传感器在手机横竖的时候屏幕会自动转，在玩游戏可以代替上下左右，比如说玩赛车游戏，可以不通过按键，将手机平放，左右摇摆就可以代替模拟机游戏的方向左右移动了。
实施例7
在上一实施例的基础上，所述数据训练单元包含多个训练分机；所述第一训练分机为所述多个训练分机中的一个，每个所述训练分机中存储有相同的训练数据集以及包括所述训练数据集中所有数据的名称的相同的文件名集合，所述方法包括：与其他训练分机获取同一伪随机数种子，所述其他训练分机为所述多个训练分机中除所述第一训练分机以外的训练分机；执行至少一次训练过程，直至所述训练过程的执行结果满足预设停止条件，所述训练过程包括：基于所述伪随机数种子，对所述文件名集合进行随机化处理，得到更新后的文件名集合，基于所述更新后的文件名集合，对所述训练数据集中的第一数据子集进行训练，直至所述多个训练分机完成本次对所述训练数据集的训练后，再次执行所述训练过程，所述第一数据子集包括所述第一训练分机对应的数据；其中，所述数据训练系统中的所有训练分机在执行同一次训练过程时，所得到的更新后的文件名集合均相同。
实施例8
在上一实施例的基础上，所述第一训练分机为管理训练分机，所述与其他训练分机获取同一伪随机数种子，包括：生成某一伪随机数种子；向所述其他训练分机发送所述某一伪随机数种子；接收第二训练分机发送的所述训练数据集中的第二数据子集的训练进度信息，所述第二训练分机为所述其他训练分机中的任一训练分机，所述第二数据子集包括所述第二训练分机对应的数据；在确定所述数据训练系统中的所有训练分机完成本次对所述训练数据集的训练后，执行新一次的训练过程，并向所述其他训练分机发送训练启动指示信息，所述训练启动指示信息用于指示所述其他训练分机执行新一次的训练过程。
需要说明的是，上述实施例提供的系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的模块、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件模块、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD～ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨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/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (8)

1.一种零件自动称重计数系统，其特征在于，所述系统包括：称重模块、反馈模块和计算模块；所述称重模块包括：传感器单元、微处理器和数据传输单元；所述反馈模块包括：训练数据录入单元、数据训练单元、模型建立单元和数据补偿单元；所述传感器单元，通过称重获取零件的重量数据；所述训练数据录入单元，录入预先人工称重得到的准确的零件重量数据；所述数据训练单元，对零件重量数据进行训练；所述模型建立单元，根据数据训练单元的训练结果，建立反馈模型；所述数据补偿单元，根据建立的反馈模型，对传感器单元获取到的零件的重量数据进行反馈补偿，矫正传感器单元获取的零件的重量数据；所述微处理器将获取的零件的重量数据经反馈模块矫正后的重量数据通过数据传输单元发送至计算单元；所述计算单元根据矫正后的重量数据和预设的计算公式计算零件的数量。
2.如权利要求1所述的系统，其特征在于，所述模型建立单元建立的反馈模型包括：输入层、隐含层和输出层；选取零件的重量数据作为反馈模型的输入层单元，此时反馈模型是一个单输入单输出的网络结构，其中网络隐含层的和输出层的激励函数分别为tansig函数和purelin函数，为了使得输出目标与期望值误差最小，建立期望值与输出值的误差表达式，然后根据梯度下降算法，求取梯度，进而获得网络输出层与隐含层各节点的权值调整量。
3.如权利要求2所述的系统，其特征在于，所述传感器单元包括若干个独立的重量传感器；传感器单元对每个独立的重量传感器获取的重量数据进行取平均运算得到一个重量数据。
4.如权利要求3所述的系统，其特征在于，所述数据训练单元包含多个训练分机；第一训练分机为所述多个训练分机中的一个，每个所述训练分机中存储有相同的训练数据集以及包括所述训练数据集中所有数据的名称的相同的文件名集合，方法包括：与其他训练分机获取同一伪随机数种子，所述其他训练分机为所述多个训练分机中除所述第一训练分机以外的训练分机；执行至少一次训练过程，直至所述训练过程的执行结果满足预设停止条件，所述训练过程包括：基于所述伪随机数种子，对所述文件名集合进行随机化处理，得到更新后的文件名集合，基于所述更新后的文件名集合，对所述训练数据集中的第一数据子集进行训练，直至所述多个训练分机完成本次对所述训练数据集的训练后，再次执行所述训练过程，所述第一数据子集包括所述第一训练分机对应的数据；其中，所述数据训练系统中的所有训练分机在执行同一次训练过程时，所得到的更新后的文件名集合均相同。
5.如权利要求4所述的系统，其特征在于，所述反馈模块为另外的一个单独的微处理器；所述反馈模型建立后，可以固化到微处理器上。
6.一种基于权利要求1至5之一所述系统的零件自动称重计数方法，其特征在于，所述方法执行以下步骤：传感器单元，通过称重获取零件的重量数据；训练数据录入单元，录入预先人工称重得到的准确的零件重量数据；数据训练单元，对零件重量数据进行训练；模型建立单元，根据数据训练单元的训练结果，建立反馈模型；数据补偿单元，根据建立的反馈模型，对传感器单元获取到的零件的重量数据进行反馈补偿，矫正传感器单元获取的零件的重量数据；所述微处理器将获取的零件的重量数据经反馈模块矫正后的重量数据通过数据传输单元发送至计算单元；所述计算单元根据矫正后的重量数据和预设的计算公式计算零件的数量。
7.如权利要求6所述的方法，其特征在于，所述数据训练单元包含多个训练分机；第一训练分机为所述多个训练分机中的一个，每个所述训练分机中存储有相同的训练数据集以及包括所述训练数据集中所有数据的名称的相同的文件名集合，方法包括：与其他训练分机获取同一伪随机数种子，所述其他训练分机为所述多个训练分机中除所述第一训练分机以外的训练分机；执行至少一次训练过程，直至所述训练过程的执行结果满足预设停止条件，所述训练过程包括：基于所述伪随机数种子，对所述文件名集合进行随机化处理，得到更新后的文件名集合，基于所述更新后的文件名集合，对所述训练数据集中的第一数据子集进行训练，直至所述多个训练分机完成本次对所述训练数据集的训练后，再次执行所述训练过程，所述第一数据子集包括所述第一训练分机对应的数据；其中，所述数据训练系统中的所有训练分机在执行同一次训练过程时，所得到的更新后的文件名集合均相同。
8.如权利要求7所述的方法，其特征在于，所述第一训练分机为管理训练分机，所述与其他训练分机获取同一伪随机数种子，包括：生成某一伪随机数种子；向所述其他训练分机发送所述某一伪随机数种子；接收第二训练分机发送的所述训练数据集中的第二数据子集的训练进度信息，所述第二训练分机为所述其他训练分机中的任一训练分机，所述第二数据子集包括所述第二训练分机对应的数据；在确定所述数据训练系统中的所有训练分机完成本次对所述训练数据集的训练后，执行新一次的训练过程，并向所述其他训练分机发送训练启动指示信息，所述训练启动指示信息用于指示所述其他训练分机执行新一次的训练过程。
CN201911038542.7A 2019-10-29 2019-10-29 一种零件自动称重计数系统及方法 Pending CN112747813A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911038542.7A CN112747813A (zh) 2019-10-29 2019-10-29 一种零件自动称重计数系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911038542.7A CN112747813A (zh) 2019-10-29 2019-10-29 一种零件自动称重计数系统及方法

Publications (1)

Publication Number Publication Date
CN112747813A true CN112747813A (zh) 2021-05-04

Family

ID=75641599

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911038542.7A Pending CN112747813A (zh) 2019-10-29 2019-10-29 一种零件自动称重计数系统及方法

Country Status (1)

Country Link
CN (1) CN112747813A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113407571A (zh) * 2021-06-30 2021-09-17 重庆博尔德医疗科技股份有限公司 一种基于称重原理的计数方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN201804348U (zh) * 2010-09-26 2011-04-20 传力电子衡器(南京)有限公司 仓储物料自动称重计数管理系统
CN103234610A (zh) * 2013-05-14 2013-08-07 湖南师范大学 一种适用于汽车衡的称重方法
CN105973444A (zh) * 2016-06-25 2016-09-28 湖南师范大学 一种改进的汽车衡称重方法
CN107367319A (zh) * 2017-02-28 2017-11-21 淮阴师范学院 电容称重传感器非线性补偿的小波神经网络方法
CN107543854A (zh) * 2016-06-28 2018-01-05 中国农业大学 一种重金属定量预测方法、装置及系统
CN107958695A (zh) * 2017-11-17 2018-04-24 桂林电子科技大学 一种基于机器学习的高精度药物定量方法
CN108332837A (zh) * 2017-12-06 2018-07-27 芯海科技（深圳）股份有限公司 一种应用于电子秤的基于bp神经网络补偿温度增益方法
CN108550229A (zh) * 2018-04-08 2018-09-18 珠海博明视觉科技有限公司 一种人工智能自动收银方法
CN109000764A (zh) * 2018-06-08 2018-12-14 北京农业信息技术研究中心 家禽称重方法及装置
CN109948632A (zh) * 2017-12-19 2019-06-28 杭州海康威视数字技术股份有限公司 数据训练方法、装置及系统、计算机设备
CN110285869A (zh) * 2018-05-29 2019-09-27 湖北坚丰科技股份有限公司 一种针对零件搬运槽中的零件数量进行自动计数的装置

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN201804348U (zh) * 2010-09-26 2011-04-20 传力电子衡器(南京)有限公司 仓储物料自动称重计数管理系统
CN103234610A (zh) * 2013-05-14 2013-08-07 湖南师范大学 一种适用于汽车衡的称重方法
CN105973444A (zh) * 2016-06-25 2016-09-28 湖南师范大学 一种改进的汽车衡称重方法
CN107543854A (zh) * 2016-06-28 2018-01-05 中国农业大学 一种重金属定量预测方法、装置及系统
CN107367319A (zh) * 2017-02-28 2017-11-21 淮阴师范学院 电容称重传感器非线性补偿的小波神经网络方法
CN107958695A (zh) * 2017-11-17 2018-04-24 桂林电子科技大学 一种基于机器学习的高精度药物定量方法
CN108332837A (zh) * 2017-12-06 2018-07-27 芯海科技（深圳）股份有限公司 一种应用于电子秤的基于bp神经网络补偿温度增益方法
CN109948632A (zh) * 2017-12-19 2019-06-28 杭州海康威视数字技术股份有限公司 数据训练方法、装置及系统、计算机设备
CN108550229A (zh) * 2018-04-08 2018-09-18 珠海博明视觉科技有限公司 一种人工智能自动收银方法
CN110285869A (zh) * 2018-05-29 2019-09-27 湖北坚丰科技股份有限公司 一种针对零件搬运槽中的零件数量进行自动计数的装置
CN109000764A (zh) * 2018-06-08 2018-12-14 北京农业信息技术研究中心 家禽称重方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113407571A (zh) * 2021-06-30 2021-09-17 重庆博尔德医疗科技股份有限公司 一种基于称重原理的计数方法
CN113407571B (zh) * 2021-06-30 2023-04-07 重庆博尔德医疗科技股份有限公司 一种基于称重原理的计数方法

Similar Documents

Publication Publication Date Title
CN208837163U (zh) 鞋以及用于监测重量和活动的系统
US10394979B2 (en) Method and device for elastic object deformation modeling
US9381399B2 (en) Exercise recordation method and system
CN110346720A (zh) 一种马达非线性参数的测试方法及装置
CN106491088B (zh) 一种基于智能手机的人体平衡能力评估方法
WO2017121291A1 (en) System and method for monitoring motion and orientation patterns associated to physical activities of users
US10330492B2 (en) Human activity energy consumption measuring method and energy consumption measuring system
Gijsberts et al. Incremental learning of robot dynamics using random features
CN112363402B (zh) 基于模型相关强化学习的足式机器人的步态训练方法、装置、电子设备及介质
CN110263870A (zh) 运动状态识别方法、装置、智能终端和存储介质
WO2018076205A1 (zh) 一种步幅校准方法、相关设备及系统
US20220203521A1 (en) Control method for robot, computer-readable storage medium and robot
CN110222925A (zh) 绩效量化考核方法、装置及计算机可读存储介质
CN110309547B (zh) 一种基于多环境膜系统的大熊猫种群预测方法
CN113869594A (zh) 用户体能成绩预测方法及装置、电子设备、存储介质
CN112747813A (zh) 一种零件自动称重计数系统及方法
CN110399279A (zh) 一种用于非人智能体的智能度量方法
CN109579967A (zh) 智能动态称重方法与系统
JP2022078541A (ja) データ処理装置、モデル生成装置、データ処理方法、モデル生成方法、及びプログラム
TWI580404B (zh) 肌肉張力感測方法及系統
CN113542491A (zh) 一种基于陀螺仪及3d技术的摇签方法
JP2022069956A (ja) 疲労改善方法、学習モデル生成方法、疲労改善システム、疲労改善装置、及びコンピュータプログラム
CN109993038B (zh) 一种动作识别系统训练方法及装置
CN102462953A (zh) 一种基于计算机的跳跃运动实现方法及系统
CN110827349B (zh) 一种校准方法、系统、计算机设备和存储介质

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210504

RJ01 Rejection of invention patent application after publication