CN113657385A - 一种电子计量装置的数据检测方法、装置及电子设备 - Google Patents
一种电子计量装置的数据检测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN113657385A CN113657385A CN202111218708.0A CN202111218708A CN113657385A CN 113657385 A CN113657385 A CN 113657385A CN 202111218708 A CN202111218708 A CN 202111218708A CN 113657385 A CN113657385 A CN 113657385A
- Authority
- CN
- China
- Prior art keywords
- metering
- monitoring
- graph
- electronic
- measurement
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明涉及智能监测领域，揭露一种电子计量装置的数据检测方法、设备及电子设备，所述方法包括：将待计量物品放置在电子计量装置，运行所述电子计量装置，并利用监控设备监控所述电子计量装置的计量显示屏，得到计量监控视频，从所述计量监控视频中提取关键帧，得到计量监控图，从所述计量监控图中识别计量显示屏区域，得到计量显示图，对所述计量显示图执行高斯模糊，得到计量待识别图，利用预训练完成的计量识别模型，识别所述计量待识别图，得到计量识别值。本发明可解决数据检测效率不高、浪费大量人力资源的问题。
Description
技术领域
本发明涉及智能检测领域，尤其涉及一种电子计量装置的数据检测方法、装置及电子设备。
背景技术
伴随科技发展，各行各业迎来技术革新及迭代，但即使行业发展迅速，但依然需严格遵守工业标准，如产品规格、重量等依然需保持在合理误差内。
目前常用的产品检测方法，主要将产品放置于电子计量装置，基于电子计量装置测量出产品规模并通过显示器显示至用户，用户将显示器的显示数据记录至表格中，并最后上传至计算机，这种方法虽可解决产品检测，但由于用户参与过多，极大的浪费了人力资源，且检测方法效率较低，已无法符合当前工业要求。
发明内容
本发明提供一种电子计量装置的数据检测方法、装置、电子设备，其主要目的在于解决数据检测效率不高、浪费大量人力资源的问题。
为实现上述目的，本发明提供的一种电子计量装置的数据检测方法，包括：
将待计量物品放置在电子计量装置，运行所述电子计量装置，并利用监控设备监控所述电子计量装置的计量显示屏，得到计量监控视频；
从所述计量监控视频中提取关键帧，得到计量监控图；
从所述计量监控图中识别计量显示屏区域，得到计量显示图；
对所述计量显示图执行高斯模糊，得到计量待识别图；
利用预训练完成的计量识别模型，识别所述计量待识别图，得到计量识别值。
可选地，从所述计量监控图中识别计量显示屏区域，得到计量显示图，包括：
获取计量监控训练集及真实标签集；
利用预构建的卷积神经网络对所述计量监控训练集中的每张计量监控训练图执行卷积、池化，得到监控特征集；
利用预设的激活函数计算所述监控特征集中每张监控特征的预测标签，得到预测标签集；
利用预设的损失函数计算所述真实标签集与所述预测标签集之间的损失值；
根据所述损失值对所述卷积神经网络执行参数优化，并返回卷积、池化步骤，直至所述损失值小于预设损失阈值，确定所述卷积神经网络为计量显示检测模型；
将所述计量监控图输入至所述计量显示检测模型，得到所述计量显示图。
可选地，所述利用预构建的卷积神经网络对所述计量监控训练集中的每张计量监控训练图执行卷积、池化，得到监控特征集，包括：
将所述计量监控训练集中的每张计量监控训练图，依次输入至所述卷积神经网络，其中，所述卷积神经网络包括卷积层、池化层；
利用所述卷积层中的卷积核，按照预设步长对所述计量监控训练图执行卷积操作，得到卷积特征集；
根据最大池化原理，在所述池化层中对所述卷积特征集执行池化操作，得到所述监控特征集。
可选地，所述对所述计量显示图执行高斯模糊，得到计量待识别图，之前还包括：
遍历所述计量显示图的像素点，计算每个所述像素点的二维离散傅里叶变换函数；
根据所述二维离散傅里叶变换函数求解所述计量显示图的傅里叶逆变换函数；
将所述傅里叶逆变换函数的函数值替换所述计量显示图的像素点，得到傅里叶变换后的计量显示图。
可选地，所述对所述计量显示图执行高斯模糊，得到计量待识别图，包括：
根据所述计量显示图的像素分布，对所述计量显示图执行切块操作，得到多组计量显示块；
对每组所述计量显示块均构建对应的高斯函数；
求解每组所述高斯函数得到高斯像素值；
利用每组所述高斯像素值替换对应的所述计量显示块中的最大像素值，得到计量高斯图；
对所述计量高斯图执行Sobel计算，得到所述计量待识别图。
可选地，所述对所述计量高斯图执行Sobel计算，得到所述计量待识别图，包括：
根据所述计量高斯图构建Sobel算子；
将所述Sobel算子与所述计量高斯图相加，得到所述计量待识别图。
可选地，所述预训练完成的计量识别模型，包括：
构建包括输入层、卷积层、池化层、全连接层和输出层的计量识别模型；
接收数字图像集及字符图像集；
将所述数字图像集及所述字符图像集，按照所述输入层的输入规则传输至所述卷积层及所述池化层；
利用所述卷积层及所述池化层对所述数字图像集及所述字符图像集执行卷积、池化，得到训练特征集；
将所述训练特征集在所述全连接层执行全连接操作，得到单维特征集；
在所述输出层中对所述单维特征集执行激活处理，得到预测数字及字符；
根据所述预测数字及字符，调整所述计量识别模型的参数，并返回上述卷积、池化步骤，直至卷积、池化次数达到预设阈值，得到预训练完成的所述计量识别模型。
为了解决上述问题，本发明还提供一种电子计量装置的数据检测装置，所述装置包括：
计量监控视频生成模块，用于将待计量物品放置在电子计量装置，运行所述电子计量装置，并利用监控设备监控所述电子计量装置的计量显示屏，得到计量监控视频；
计量显示图生成模块，用于从所述计量监控视频中提取关键帧，得到计量监控图，从所述计量监控图中识别计量显示屏区域，得到计量显示图；
高斯模糊模块，用于对所述计量显示图执行高斯模糊，得到计量待识别图；
计量识别模块，用于利用预训练完成的计量识别模型，识别所述计量待识别图，得到计量识别值。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述中任意一项所述的电子计量装置的数据检测方法。
本发明实施例为了克服数据检测效率不高、浪费大量人力资源的问题，首先，利用监控设备监控整个计量过程，得到计量监控视频，同时为了提高后续计量检测的准确度，从所述计量监控视频中提取关键帧，得到计量监控图，另外为了最快的找到计量显示在所述计量监控图的位置，从所述计量监控图中识别计量显示屏区域，得到计量显示图，此外，基于更进一步提高计量检测的准确度，对所述计量显示图执行高斯模糊，得到计量待识别图，最后，通过预训练完成的计量识别模型，识别所述计量待识别图，得到计量识别值。可见相比于人工记录计量结果来看，本发明实施例实现了全自动化，因此本发明提出的电子计量装置的数据检测方法、装置及电子设备，可解决数据检测效率不高、浪费大量人力资源的问题。
附图说明
图1为本发明一实施例提供的电子计量装置的数据检测方法的流程示意图；
图2为本发明一实施例提供的电子计量装置的数据检测方法中S3的流程示意图；
图3为本发明一实施例提供的电子计量装置的数据检测方法中S4的流程示意图；
图4为本发明一实施例提供的电子计量装置的数据检测装置的模块示意图；
图5为本发明一实施例提供的实现电子计量装置的数据检测方法的电子设备的内部结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例提供一种电子计量装置的数据检测方法，所述电子计量装置的数据检测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本发明实施例提供的该方法的电子设备中的至少一种。换言之，所述电子计量装置的数据检测方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示，为本发明一实施例提供的电子计量装置的数据检测方法的流程示意图。在本实施例中，所述电子计量装置的数据检测方法包括：
S1、将待计量物品放置在电子计量装置，运行所述电子计量装置，并利用监控设备监控所述电子计量装置的计量显示屏，得到计量监控视频。
应了解的是，电子计量装置包括重量计量装置、电流计量装置、电压计量装置、体积计量装置等。另外，本发明实施例中，电子计量装置由计量模块、显示器组成，其中，显示器用于显示计量模块的计量结果，如显示重量、电流等。
示例性的，某电子厂生产一套模具，需控制每套模具都维持在固定重量，故将模具放置于重量计量装置称重，对应的，在重量计量装置的显示器中实时显示模具重量，如17.53kg。
进一步地，在电子计量装置附近安装有监控设备，通过监控设备监控电子计量装置的计量显示屏。示例性的，通过监控设备监控重量计量装置称量模具的全过程，得到计量监控视频。
S2、从所述计量监控视频中提取关键帧，得到计量监控图。
可以想象的是，所述计量监控视频中包括计量显示屏的显示结果，且不同帧的显示结果的清晰度也不尽相同，因此先从所述计量监控视频中提取关键帧。
本发明其中一个实施例中，可采用像素帧平均、直方图帧平均等方法从所述计量监控视频中提取关键帧，得到所述计量监控图。
示例性的，如依次计算计量监控视频中每个视频帧像素对应的直方图变化情况，从中提取直方图变化较大时所对应的视频帧，从而得到关键帧。
S3、从所述计量监控图中识别计量显示屏区域，得到计量显示图。
本发明实施例中，参阅图2所示，所述从所述计量监控图中识别计量显示屏区域，得到计量显示图，包括：
S31、获取计量监控训练集及真实标签集；
应该了解的是，本发明实施例识别计量显示屏区域是基于卷积神经网络模型，由于卷积神经网络模型在执行识别前，需对其进行训练，因此需获取所述计量监控训练集及真实标签集。
另外，所述计量监控训练集可由用户预先收集并整理得到，其中真实标签包括记录在每张计量监控训练图中，计量显示屏区域的坐标数据。
S32、利用预构建的卷积神经网络对所述计量监控训练集中的每张计量监控训练图执行卷积、池化，得到监控特征集；
详细地，所述利用预构建的卷积神经网络对所述计量监控训练集中的每张计量监控训练图执行卷积、池化，得到监控特征集，包括：
将所述计量监控训练集中的每张计量监控训练图，依次输入至所述卷积神经网络，其中，所述卷积神经网络包括卷积层、池化层；
利用所述卷积层中的卷积核，按照预设步长对所述计量监控训练图执行卷积操作，得到卷积特征集；
根据最大池化原理，在所述池化层中对所述卷积特征集执行池化操作，得到所述监控特征集。
本发明实施例中，所述卷积核包括3*3、5*5，所述步长可设置为1、2。另外，所述卷积层及池化层的层数可以为8层、10层、15层等。
S33、利用预设的激活函数计算所述监控特征集中每张监控特征的预测标签，得到预测标签集；
其中，所述激活函数包括但不限于softmax激活函数、Relu激活函数。
S34、利用预设的损失函数计算所述真实标签集与所述预测标签集之间的损失值；
其中，所述损失函数包括但不限于交叉熵损失函数、平方误差损失函数。
S35、根据所述损失值对所述卷积神经网络执行参数优化，并返回卷积、池化步骤，直至所述损失值小于预设损失阈值，确定所述卷积神经网络为计量显示检测模型；
应该了解的是，本发明实施例利用梯度下降算法结合所述损失值，更新所述卷积神经网络中参数，直至所述损失值小于所述预设的损失阈值。其中，所述梯度下降算法包括但不限于小批量梯度下降算法、随机梯度下降算法。
S36、将所述计量监控图输入至所述计量显示检测模型，得到所述计量显示图。
可以知道的是，当卷积神经网络完成训练后，即具备计量显示检测能力，示例性的，将上述模具的计量监控图输入至所述计量显示检测模型，即可得到仅包括显示器显示计量的图，即所述计量显示图。
S4、对所述计量显示图执行高斯模糊，得到计量待识别图。
应该了解的是，为了提高计量识别的准确率，对所述计量显示图执行数字图像处理，以提高图片质量，其中数字图像处理包括降噪及高斯模糊。
详细地，在所述对所述计量显示图执行高斯模糊，得到计量待识别图，之前还包括：
遍历所述计量显示图的像素点，计算每个所述像素点的二维离散傅里叶变换函数；
根据所述二维离散傅里叶变换函数求解所述计量显示图的傅里叶逆变换函数；
将所述傅里叶逆变换函数的函数值替换所述计量显示图的像素点，得到傅里叶变换后的计量显示图。
进一步地，所述二维离散傅里叶变换函数包括：
所述傅里叶逆变换函数包括：
其中，
为所述计量显示图的图片规模，
为所述二维离散傅里叶变换
函数，
为所述傅里叶逆变换函数，
为所述所述计量显示图的像素点在坐标系
中的坐标，
为所述傅里叶变换后像素点的坐标，
与
分别称
为变换核和逆变换核，
为预设的系数。
进一步地，参阅图3所示，所述对所述计量显示图执行高斯模糊，得到计量待识别图，包括：
S41、根据所述计量显示图的像素分布，对所述计量显示图执行切块操作，得到多组计量显示块；
示例性的，模具的计量显示图的像素分布为120*120，表示共有120*120个像素点，共120行、120列。则可分为40组计量显示块，每组3*3。
S42、对每组所述计量显示块均构建对应的高斯函数；
本发明实施例中，所述高斯函数又称正态函数，包括均值、方差。
S43、求解每组所述高斯函数得到高斯像素值；
应了解的是，高斯函数表示像素取值在某区间的概率，故可求解出最大概率对应的像素值，即为所述高斯像素值。
S44、利用每组所述高斯像素值替换对应的所述计量显示块中的最大像素值，得到计量高斯图；
示例性的，称量模具得到40组计量显示块，每组3*3共9个像素点，其中在左上角的像素点最大，为125，而求解高斯函数得到的高斯像素值为90，即进而用90替代125，得到所述计量高斯图。
S45、对所述计量高斯图执行Sobel计算，得到所述计量待识别图。
详细地，所述对所述计量高斯图执行Sobel计算，得到所述计量待识别图，包括：
根据所述计量高斯图构建Sobel算子；
将所述Sobel算子与所述计量高斯图相加，得到所述计量待识别图。
示例性的，如3*3的计量高斯图为
，Sobel算子为
，则相加
得到的计量待识别图为
。
S5、利用预训练完成的计量识别模型，识别所述计量待识别图，得到计量识别值。
本发明实施例中，所述计量识别模型包括输入层、卷积层、池化层、全连接层和输出层。
详细地，所述预训练完成的计量识别模型，包括：
步骤A：构建包括输入层、卷积层、池化层、全连接层和输出层的计量识别模型；
步骤B：接收数字图像集及字符图像集；
本发明实施例中，由于电子计量装置的计量结果一般以数字+字符表示，如上述模具重要：1.75KG等，因此在对计量识别模型执行训练时，选择数字图像集及字符图像集。
其中数字图像集包括数字0-9及其组合，可由用户提前在网络中下载、爬取并整理汇总得到，字符图像集包括KG、MG等重量、长度单位等。
本发明另一实施例中，所述数字图像集可已公开的MNIST手写数字数据集。
步骤C：将所述数字图像集及所述字符图像集，按照所述输入层的输入规则传输至所述卷积层及所述池化层；
本发明较佳实施例中，所述卷积层及所述池化层共12层，其中卷积层6层、池化层6层。
步骤D：利用所述卷积层及所述池化层对所述数字图像集及所述字符图像集执行卷积、池化，得到训练特征集；
应该了解的是，卷积池化与上述S2相同，在此不再赘述。
另外，由于本发明实施例中，所述卷积层可以为6层、所述池化层可以为6层，则所述卷积、池化交替执行，即卷积-池化-卷积-池化的方式，直至得到所述训练特征集。
步骤E：将所述训练特征集在所述全连接层执行全连接操作，得到单维特征集；
详细地，所述全连接操作又称维度转化操作，即将多维度转为单维度。
步骤F：在所述输出层中对所述单维特征集执行激活处理，得到预测数字及字符；
步骤G：根据所述预测数字及字符，调整所述计量识别模型的参数，并返回上述卷积、池化步骤，直至卷积、池化次数达到预设阈值，得到预训练完成的所述计量识别模型。
进一步地，将所述计量待识别图输入至所述训练完成的所述计量识别模型后，所述计量识别模型即可识别出该图中所显示的计量结果。由于所述计量识别模型是基于卷积神经网络构建的，而卷积神经网络识别数字及单位已经非常成熟，因此，本发明实施例的识别准确率高，可替代人为记录计量结果。
本发明实施例为了克服数据检测效率不高、浪费大量人力资源的问题，首先，利用监控设备监控整个计量过程，得到计量监控视频，同时为了提高后续计量检测的准确度，从所述计量监控视频中提取关键帧，得到计量监控图，另外为了最快的找到计量显示在所述计量监控图的位置，从所述计量监控图中识别计量显示屏区域，得到计量显示图，此外，基于更进一步提高计量检测的准确度，对所述计量显示图执行高斯模糊，得到计量待识别图，最后，通过预训练完成的计量识别模型，识别所述计量待识别图，得到计量识别值。可见相比于人工记录计量结果来看，本发明实施例实现了全自动化，因此本发明提出的电子计量装置的数据检测方法、装置及电子设备，可解决数据检测效率不高、浪费大量人力资源的问题。
如图4所示，是本发明电子计量装置的数据检测装置的模块示意图。
本发明所述电子计量装置的数据检测装置100可以安装于电子设备中。根据实现的功能，所述电子计量装置的数据检测装置可以包括计量监控视频生成模块101、计量显示图生成模块102、高斯模糊模块103及计量识别模块104。本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述计量监控视频生成模块101，用于将待计量物品放置在电子计量装置，运行所述电子计量装置，并利用监控设备监控所述电子计量装置的计量显示屏，得到计量监控视频；
所述计量显示图生成模块102，用于从所述计量监控视频中提取关键帧，得到计量监控图，从所述计量监控图中识别计量显示屏区域，得到计量显示图；
所述高斯模糊模块103，用于对所述计量显示图执行高斯模糊，得到计量待识别图；
所述计量识别模块104，用于利用预训练完成的计量识别模型，识别所述计量待识别图，得到计量识别值。
本发明实施例所提供的电子计量装置的数据检测装置100中的各个模块能够在使用时基于与上述的电子计量装置的数据检测方法采用相同的手段，具体地实施步骤在此不再赘述，关于各模块/单元的功能所产生技术效果与上述的电子计量装置的数据检测方法的技术效果相同的，即可解决解决数据检测效率不高、浪费大量人力资源的问题。
如图5所示，是本发明实现电子计量装置的数据检测方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如电子计量装置的数据检测程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡（Smart Media Card， SMC）、安全数字（SecureDigital， SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如电子计量装置的数据检测程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心（Control Unit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（例如执行电子计量装置的数据检测程序等），以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准（peripheral component interconnect，简称PCI）总线或扩展工业标准结构（extended industry standard architecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利发明范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的电子计量装置的数据检测程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
将待计量物品放置在电子计量装置，运行所述电子计量装置，并利用监控设备监控所述电子计量装置的计量显示屏，得到计量监控视频；
从所述计量监控视频中提取关键帧，得到计量监控图；
从所述计量监控图中识别计量显示屏区域，得到计量显示图；
对所述计量显示图执行高斯模糊，得到计量待识别图；
利用预训练完成的计量识别模型，识别所述计量待识别图，得到计量识别值。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图表记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (9)
1.一种电子计量装置的数据检测方法，其特征在于，所述方法包括：
将待计量物品放置在电子计量装置，运行所述电子计量装置，并利用监控设备监控所述电子计量装置的计量显示屏，得到计量监控视频；
从所述计量监控视频中提取关键帧，得到计量监控图；
从所述计量监控图中识别计量显示屏区域，得到计量显示图；
对所述计量显示图执行高斯模糊，得到计量待识别图；
利用预训练完成的计量识别模型，识别所述计量待识别图，得到计量识别值。
2.如权利要求1所述的电子计量装置的数据检测方法，其特征在于，所述从所述计量监控图中识别计量显示屏区域，得到计量显示图，包括：
获取计量监控训练集及真实标签集；
利用预构建的卷积神经网络对所述计量监控训练集中的每张计量监控训练图执行卷积、池化，得到监控特征集；
利用预设的激活函数计算所述监控特征集中每张监控特征的预测标签，得到预测标签集；
利用预设的损失函数计算所述真实标签集与所述预测标签集之间的损失值；
根据所述损失值对所述卷积神经网络执行参数优化，并返回卷积、池化步骤，直至所述损失值小于预设损失阈值，确定所述卷积神经网络为计量显示检测模型；
将所述计量监控图输入至所述计量显示检测模型，得到所述计量显示图。
3.如权利要求2所述的电子计量装置的数据检测方法，其特征在于，所述利用预构建的卷积神经网络对所述计量监控训练集中的每张计量监控训练图执行卷积、池化，得到监控特征集，包括：
将所述计量监控训练集中的每张计量监控训练图，依次输入至所述卷积神经网络，其中，所述卷积神经网络包括卷积层、池化层；
利用所述卷积层中的卷积核，按照预设步长对所述计量监控训练图执行卷积操作，得到卷积特征集；
根据最大池化原理，在所述池化层中对所述卷积特征集执行池化操作，得到所述监控特征集。
4.如权利要求1所述的电子计量装置的数据检测方法，其特征在于，所述对所述计量显示图执行高斯模糊，得到计量待识别图，之前还包括：
遍历所述计量显示图的像素点，计算每个所述像素点的二维离散傅里叶变换函数；
根据所述二维离散傅里叶变换函数求解所述计量显示图的傅里叶逆变换函数；
将所述傅里叶逆变换函数的函数值替换所述计量显示图的像素点，得到傅里叶变换后的计量显示图。
5.如权利要求4所述的电子计量装置的数据检测方法，其特征在于，所述对所述计量显示图执行高斯模糊，得到计量待识别图，包括：
根据所述计量显示图的像素分布，对所述计量显示图执行切块操作，得到多组计量显示块；
对每组所述计量显示块均构建对应的高斯函数；
求解每组所述高斯函数得到高斯像素值；
利用每组所述高斯像素值替换对应的所述计量显示块中的最大像素值，得到计量高斯图；
对所述计量高斯图执行Sobel计算，得到所述计量待识别图。
6.如权利要求5所述的电子计量装置的数据检测方法，其特征在于，所述对所述计量高斯图执行Sobel计算，得到所述计量待识别图，包括：
根据所述计量高斯图构建Sobel算子；
将所述Sobel算子与所述计量高斯图相加，得到所述计量待识别图。
7.如权利要求1至6中任意一项所述的电子计量装置的数据检测方法，其特征在于，所述预训练完成的计量识别模型，包括：
构建包括输入层、卷积层、池化层、全连接层和输出层的计量识别模型；
接收数字图像集及字符图像集；
将所述数字图像集及所述字符图像集，按照所述输入层的输入规则传输至所述卷积层及所述池化层；
利用所述卷积层及所述池化层对所述数字图像集及所述字符图像集执行卷积、池化，得到训练特征集；
将所述训练特征集在所述全连接层执行全连接操作，得到单维特征集；
在所述输出层中对所述单维特征集执行激活处理，得到预测数字及字符；
根据所述预测数字及字符，调整所述计量识别模型的参数，并返回上述卷积、池化步骤，直至卷积、池化次数达到预设阈值，得到预训练完成的所述计量识别模型。
8.一种电子计量装置的数据检测装置，其特征在于，所述装置包括：
计量监控视频生成模块，用于将待计量物品放置在电子计量装置，运行所述电子计量装置，并利用监控设备监控所述电子计量装置的计量显示屏，得到计量监控视频；
计量显示图生成模块，用于从所述计量监控视频中提取关键帧，得到计量监控图，从所述计量监控图中识别计量显示屏区域，得到计量显示图；
高斯模糊模块，用于对所述计量显示图执行高斯模糊，得到计量待识别图；
计量识别模块，用于利用预训练完成的计量识别模型，识别所述计量待识别图，得到计量识别值。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任一项所述的电子计量装置的数据检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111218708.0A CN113657385B (zh) | 2021-10-20 | 2021-10-20 | 一种电子计量装置的数据检测方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111218708.0A CN113657385B (zh) | 2021-10-20 | 2021-10-20 | 一种电子计量装置的数据检测方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113657385A true CN113657385A (zh) | 2021-11-16 |
| CN113657385B CN113657385B (zh) | 2022-01-25 |
Family
ID=78494694
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111218708.0A Active CN113657385B (zh) | 2021-10-20 | 2021-10-20 | 一种电子计量装置的数据检测方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113657385B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115457451A (zh) * | 2022-06-13 | 2022-12-09 | 广东众志检测仪器有限公司 | 基于物联网的恒温恒湿试验箱的监控方法及装置 |
| CN116016805A (zh) * | 2023-03-27 | 2023-04-25 | 四川弘和通讯集团有限公司 | 数据处理方法、装置、电子设备及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6195459B1 (en) * | 1995-12-21 | 2001-02-27 | Canon Kabushiki Kaisha | Zone segmentation for image display |
| CN109214378A (zh) * | 2018-08-16 | 2019-01-15 | 新智数字科技有限公司 | 一种基于神经网络整体识别计量表读数的方法和系统 |
| CN109492450A (zh) * | 2018-10-18 | 2019-03-19 | 成都中科信息技术有限公司 | 一种基于版面分析的条形码定位方法 |
| CN110598684A (zh) * | 2019-07-19 | 2019-12-20 | 珠海格力电器股份有限公司 | 识别图片中电话号码的方法、系统、终端设备及存储介质 |
| CN111950396A (zh) * | 2020-07-27 | 2020-11-17 | 江苏大学 | 一种仪表读数神经网络识别方法 |
| CN112347929A (zh) * | 2020-11-06 | 2021-02-09 | 电子科技大学中山学院 | 一种指针式仪表系统及监控方法 |
| CN112508810A (zh) * | 2020-11-30 | 2021-03-16 | 上海云从汇临人工智能科技有限公司 | 非局部均值盲图像去噪方法、系统及装置 |
-
2021
- 2021-10-20 CN CN202111218708.0A patent/CN113657385B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6195459B1 (en) * | 1995-12-21 | 2001-02-27 | Canon Kabushiki Kaisha | Zone segmentation for image display |
| CN109214378A (zh) * | 2018-08-16 | 2019-01-15 | 新智数字科技有限公司 | 一种基于神经网络整体识别计量表读数的方法和系统 |
| CN109492450A (zh) * | 2018-10-18 | 2019-03-19 | 成都中科信息技术有限公司 | 一种基于版面分析的条形码定位方法 |
| CN110598684A (zh) * | 2019-07-19 | 2019-12-20 | 珠海格力电器股份有限公司 | 识别图片中电话号码的方法、系统、终端设备及存储介质 |
| CN111950396A (zh) * | 2020-07-27 | 2020-11-17 | 江苏大学 | 一种仪表读数神经网络识别方法 |
| CN112347929A (zh) * | 2020-11-06 | 2021-02-09 | 电子科技大学中山学院 | 一种指针式仪表系统及监控方法 |
| CN112508810A (zh) * | 2020-11-30 | 2021-03-16 | 上海云从汇临人工智能科技有限公司 | 非局部均值盲图像去噪方法、系统及装置 |
Non-Patent Citations (2)
| Title |
|---|
| PRAJOY PODDER，AND ETC: "Relative Performance Analysis of Edge Detection Techniques in Iris Recognition System", 《2018 INTERNATIONAL CONFERENCE ON CURRENT TRENDS TOWARDS CONVERGING TECHNOLOGIES (ICCTCT)》 * |
| 邹建成等: "《数学及其在图像处理中的应用》", 31 July 2015, 北京：北京邮电大学出版社 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115457451A (zh) * | 2022-06-13 | 2022-12-09 | 广东众志检测仪器有限公司 | 基于物联网的恒温恒湿试验箱的监控方法及装置 |
| CN116016805A (zh) * | 2023-03-27 | 2023-04-25 | 四川弘和通讯集团有限公司 | 数据处理方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113657385B (zh) | 2022-01-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112465071A (zh) | 图像多标签分类方法、装置、电子设备及介质 | |
| CN113657385B (zh) | 一种电子计量装置的数据检测方法、装置及电子设备 | |
| CN112465060A (zh) | 图像中目标物检测方法、装置、电子设备及可读存储介质 | |
| CN113159147A (zh) | 基于神经网络的图像识别方法、装置、电子设备 | |
| CN112446919A (zh) | 物体位姿估计方法、装置、电子设备及计算机存储介质 | |
| CN112137591B (zh) | 基于视频流的目标物位置检测方法、装置、设备及介质 | |
| CN113554008B (zh) | 静态物体区域内检测方法、装置、电子设备及存储介质 | |
| CN112749653A (zh) | 行人检测方法、装置、电子设备及存储介质 | |
| CN115081025A (zh) | 基于数字中台的敏感数据管理方法、装置及电子设备 | |
| CN111429424A (zh) | 一种基于深度学习的加热炉入口异常识别方法 | |
| CN111339072B (zh) | 基于用户行为的变化值分析方法、装置、电子设备及介质 | |
| CN113516417A (zh) | 基于智能建模的业务评估方法、装置、电子设备及介质 | |
| CN114708461A (zh) | 基于多模态学习模型的分类方法、装置、设备及存储介质 | |
| CN111985449A (zh) | 救援现场图像的识别方法、装置、设备及计算机介质 | |
| CN115205225A (zh) | 医学图像识别模型的训练方法、装置、设备及存储介质 | |
| CN114913371A (zh) | 多任务学习模型训练方法、装置、电子设备及存储介质 | |
| CN114494800A (zh) | 预测模型训练方法、装置、电子设备及存储介质 | |
| CN111460293B (zh) | 信息推送方法、装置及计算机可读存储介质 | |
| CN112101481B (zh) | 目标物的影响因子筛选方法、装置、设备及存储介质 | |
| CN112990374A (zh) | 图像分类方法、装置、电子设备及介质 | |
| CN113240585A (zh) | 基于生成对抗网络的图像处理方法、装置及存储介质 | |
| CN113705686B (zh) | 图像分类方法、装置、电子设备及可读存储介质 | |
| CN114708230B (zh) | 基于图像分析的车架质量检测方法、装置、设备及介质 | |
| CN113822379B (zh) | 工艺制程异常分析方法、装置、电子设备及存储介质 | |
| CN114882059A (zh) | 基于图像分析的尺寸测量方法、装置、设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |