CN115391443B - 物联网设备人工智能数据提供方法、装置、系统及终端设备 - Google Patents

物联网设备人工智能数据提供方法、装置、系统及终端设备 Download PDF

Info

Publication number
CN115391443B
CN115391443B CN202211045021.6A CN202211045021A CN115391443B CN 115391443 B CN115391443 B CN 115391443B CN 202211045021 A CN202211045021 A CN 202211045021A CN 115391443 B CN115391443 B CN 115391443B
Authority
CN
China
Prior art keywords
data
category
output
voltage
model
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
Application number
CN202211045021.6A
Other languages
English (en)
Other versions
CN115391443A (zh
Inventor
张大鹏
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.)
Terminus Technology Group Co Ltd
Original Assignee
Terminus Technology Group 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 Terminus Technology Group Co Ltd filed Critical Terminus Technology Group Co Ltd
Priority to CN202211045021.6A priority Critical patent/CN115391443B/zh
Publication of CN115391443A publication Critical patent/CN115391443A/zh
Application granted granted Critical
Publication of CN115391443B publication Critical patent/CN115391443B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/55—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Library & Information Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种物联网设备人工智能数据提供方法、装置、系统及终端设备，涉及人工智能技术领域。数据提供方法包括：获取检测设备的设备标识信息，设备标识信息包括所采集的原始物理信息的类别和输出数据类别，输出数据类别包括电压数据和图像数据的类别中的一个或两个以上；当输出数据类别中存在电压数据时将电压数据转换为第一数据；当输出数据类别中存在图像数据时将图像数据转换为第二数据；输出包括第一数据和/或第二数据及其对应的设备标识信息的数据。本发明通过将检测设备的输出数据转换为第三方所需的数据，可以加速对诸如从IoT设备获取的工作数据之类的大数据的使用。

Description

物联网设备人工智能数据提供方法、装置、系统及终端设备
技术领域
本发明涉及人工智能技术领域，具体涉及一种物联网设备人工智能数据提供方法、装置、系统及终端设备。
背景技术
纵观目前物联网(IoT)设备的工作数据形式，各设备之间的数据库的编码形式、使用接口等各不相同，从而即使是同属于一个物联网内的各设备间的工作数据无法进行有效率的搜寻、比对或配合运算。而传统的各设备间的工作数据传输、各数据库间的搜寻比对等操作，需要花费太多的时间。
而且在使用人工智能进行学习训练等的情况下，需要数万个或者更多个的海量的学习数据，收集这些大数据需要大量的时间，因此需要一种快速、效率高的收集大数据的方法。
发明内容
因此，本发明实施例提供一种物联网设备人工智能数据提供方法、装置、系统及终端设备。
为此，本发明实施例的一种数据提供方法，包括以下步骤：
S1、获取检测设备的设备标识信息，所述设备标识信息包括所采集的原始物理信息的类别和输出数据类别，输出数据类别包括电压数据和图像数据的类别中的一个或两个以上；
S2、当所述输出数据类别中存在电压数据时，将所述电压数据转换为第一数据；
S3、当所述输出数据类别中存在图像数据时，将所述图像数据转换为第二数据；
S4、输出数据，所述数据包括所述第一数据和/或第二数据及其对应的设备标识信息。
优选地，所述S2的步骤包括：
S21、当所述输出数据类别中存在电压数据时，构建第一模型；
S22、采用第一强化学习模块进行计算，获得所述电压数据转换为的第一数据。
优选地，所述第一模型为：
Figure BDA0003822086980000021
其中，Y1(t)为t时刻的第一数据，V(t)为t时刻的电压数据，C1为根据所采集的原始物理信息的类别确定的第一噪声影响系数，C2为根据检测设备的各部件确定的第二噪声影响系数，δ为第一转换系数，ε(t)为t时刻的噪声值。
优选地，所述S3的步骤包括：
S31、当所述输出数据类别中存在图像数据时，构建第二模型；
S32、采用第二强化学习模块进行计算，获得所述图像数据转换为的第二数据。
优选地，所述第二模型为：
Figure BDA0003822086980000022
其中，Y2(t)为t时刻的第二数据，ft(x,y)为t时刻的图像坐标(x,y)上的像素值，C3为根据所采集的原始物理信息的类别确定的第三噪声影响系数，C4为根据检测设备的各部件确定的第四噪声影响系数。
本发明实施例的一种数据提供装置，包括：
设备标识信息获取单元，用于获取检测设备的设备标识信息，所述设备标识信息包括所采集的原始物理信息的类别和输出数据类别，输出数据类别包括电压数据和图像数据的类别中的一个或两个以上；
第一转换单元，用于当所述输出数据类别中存在电压数据时，将所述电压数据转换为第一数据；
第二转换单元，用于当所述输出数据类别中存在图像数据时，将所述图像数据转换为第二数据；
数据输出单元，用于输出数据，所述数据包括所述第一数据和/或第二数据及其对应的设备标识信息。
优选地，所述第一转换单元包括：
第一模型构建单元，用于当所述输出数据类别中存在电压数据时，构建第一模型；
第一强化学习模块计算单元，用于采用第一强化学习模块进行计算，获得所述电压数据转换为的第一数据。
优选地，所述第二转换单元包括：
第二模型构建单元，用于当所述输出数据类别中存在图像数据时，构建第二模型；
第二强化学习模块计算单元，用于采用第二强化学习模块进行计算，获得所述图像数据转换为的第二数据。
本发明实施例的一种终端设备，包括相互连接的上述的数据提供装置和检测设备；
所述检测设备用于将采集的原始物理信息转化为输出数据并输出给数据提供装置，输出数据的类别包括电压数据和图像数据的类别中的一个或两个以上；
所述数据提供装置用于将所述输出数据转换成数据并输出。
本发明实施例的一种数据提供系统，包括多个上述的终端设备，各终端设备之间通过网络建立通信连接，以实施数据的互传。
本发明实施例的物联网设备人工智能数据提供方法、装置、系统及终端设备，具有如下优点：
通过将检测设备采集原始物理信息所获得的输出数据转换为统一的数据，并将该数据提供给其他终端设备、存储设备或云平台，供其大数据收集、存储或检索等，不仅可以快速、高效地收集大数据，还可以在使用、检索等操作使免去各类不同数据格式之间的转换、比对步骤，大大提高了大数据应用效率。
附图说明
为了更清楚地说明本发明具体实施方式中的技术方案，下面将对具体实施方式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方式，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1中数据提供方法的一个具体示例的流程图；
图2为本发明实施例1中数据提供方法的另一个具体示例的流程图；
图3为本发明实施例2中数据提供装置的一个具体示例的原理框图；
图4为本发明实施例3中终端设备的一个具体示例的原理框图；
图5为本发明实施例4中数据提供系统的一个具体示例的原理框图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，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。
在本发明的描述中，需要说明的是，本文所用的术语仅用于描述特定实施例的目的，而并非旨在限制本发明。除非上下文明确指出，否则如本文中所使用的单数形式“一”、“一个”和“该”等意图也包括复数形式。使用“包括”和/或“包含”等术语时，是意图说明存在该特征、整数、步骤、操作、元素和/或组件，而不排除一个或多个其他特征、整数、步骤、操作、元素、组件、和/或其他组合的存在或增加。“连接”应做广义理解，例如，可以是直接相连，也可以通过中间媒介间接相连，还可以是两个元件内部的连通；可以是无线连接，也可以是有线连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
此外，本说明书中的某些图式是用于例示方法的流程图。应了解，这些流程图中的每一个方块、及这些流程图中方块的组合可通过计算机程序指令来实施。这些计算机程序指令可加载至一计算机或其他可编程的设备上来形成一机器，以使在所述计算机或其他可编程设备上执行的指令形成用于实施在所述流程图方块中所规定功能的结构。这些计算机程序指令也可储存于一计算机可读存储器中，所述计算机可读存储器可指令一计算机或其他可编程设备以一特定方式工作，以使储存于所述计算机可读存储器中的指令形成一包含用于实施在所述流程图方块中所规定功能的指令结构的制品。所述计算机程序指令也可加载至一计算机或其他可编程设备上，以便在所述计算机或其他可编程设备上执行一系列操作步骤来形成一由计算机实施的过程，从而使在所述计算机或其他可编程设备上执行的指令提供用于实施在所述流程图方块中所规定功能的步骤。
相应地，各流程图中的方块支持用于执行所规定功能的结构的组合及用于执行所规定功能的步骤的组合。还应了解，所述流程图中的每一个方块、及所述流程图中方块的组合可由执行所规定功能或步骤的基于专用硬件的计算机系统、或者专用硬件与计算机指令的组合来实施。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
本实施例提供一种数据提供方法，在包括各类检测设备、云平台等的物联网(IoT)网络中实施，各类检测设备用于采集声、光、电、热、位置等各种需要的信息，然后获得与其对应的电压数据(声电、光电转换)、图像数据(红外成像热采集、摄像输出位置采集)等。如图1所示，该数据提供方法包括以下步骤：
S1、获取检测设备的设备标识信息，所述设备标识信息包括所采集的原始物理信息的类别和输出数据类别，例如原始物理信息的类别包括声、光、电、热、位置信息等类别中的一个或两个以上，输出数据类别为检测设备输出数据的类别，其包括电压数据和图像数据等类别中的一个或两个以上；
S2、当所述输出数据类别中存在电压数据时，将所述电压数据转换为第一数据；所述电压数据一般包括电压信号、电流信号、功率信号等。
S3、当所述输出数据类别中存在图像数据时，将所述图像数据转换为第二数据；
S4、输出数据，所述数据包括所述第一数据和/或第二数据及其对应的设备标识信息，提供给其他终端设备、存储设备或云平台，供其大数据收集、存储或检索等。
上述数据提供方法，通过将检测设备采集原始物理信息所获得的输出数据转换为统一的数据，并将该数据提供给其他终端设备、存储设备或云平台，供其大数据收集、存储或检索等，不仅可以快速、高效地收集大数据，还可以在使用、检索等操作使免去各类不同数据格式之间的转换、比对步骤，大大提高了大数据应用效率。
优选地，如图2所示，所述S2的步骤包括：
S21、当所述输出数据类别中存在电压数据时，构建第一模型：
Figure BDA0003822086980000061
其中，Y1(t)为t时刻的第一数据，V(t)为t时刻的电压数据，C1为根据所采集的原始物理信息的类别确定的第一噪声影响系数，C2为根据检测设备的各部件确定的第二噪声影响系数，δ为第一转换系数，ε(t)为t时刻的噪声值(均值为0，方差为1)；
S22、采用第一强化学习模块进行计算，获得所述电压数据转换为的第一数据。通过第一模型中设置针对不同原始物理信息的类别的第一噪声影响系数，以及由检测设备各部件的固件安装带来的第二噪声影响系数，从而消除这两方面对电压数据的噪声影响，提高了转换精度。
优选地，所述S22的步骤包括：
S221、获取检测设备的多组电压数据和其对应的第一数据构成的第一样本集；
S222、将所述第一样本集作为输入样本，对所述第一模型采用第一强化学习模块进行训练、测试，直至收敛，获得训练好的第一模型；
S223、将时刻T1的电压数据输入所述训练好的第一模型，获得输出的第一数据。
优选地，所述S3的步骤包括：
S31、当所述输出数据类别中存在图像数据时，构建第二模型：
Figure BDA0003822086980000062
其中，Y2(t)为t时刻的第二数据，ft(x,y)为t时刻的图像坐标(x,y)上的像素值，C3为根据所采集的原始物理信息的类别确定的第三噪声影响系数，C4为根据检测设备的各部件确定的第四噪声影响系数；
S32、采用第二强化学习模块进行计算，获得所述图像数据转换为的第二数据。通过第二模型中设置针对不同原始物理信息的类别的第三噪声影响系数，以及由检测设备各部件的固件安装带来的第四噪声影响系数，从而消除这两方面对图像数据的噪声影响，提高了转换精度。
优选地，所述S32的步骤包括：
S321、获取检测设备的多组图像数据和其对应的第二数据构成的第二样本集；
S322、将所述第二样本集作为输入样本，对所述第二模型采用第二强化学习模块进行训练、测试，直至收敛，获得训练好的第二模型；
S323、将时刻T2的图像数据输入所述训练好的第二模型，获得输出的第二数据。
实施例2
本实施例提供一种数据提供装置，对应于实施例1的数据提供方法，如图3所示，包括：
设备标识信息获取单元1，用于获取检测设备的设备标识信息，所述设备标识信息包括所采集的原始物理信息的类别和输出数据类别，例如原始物理信息的类别包括声、光、电、热、位置信息等类别中的一个或两个以上，输出数据类别为检测设备输出数据的类别，其包括电压数据和图像数据等类别中的一个或两个以上；
第一转换单元2，用于当所述输出数据类别中存在电压数据时，将所述电压数据转换为第一数据；所述电压数据一般包括电压信号、电流信号、功率信号等。
第二转换单元3，用于当所述输出数据类别中存在图像数据时，将所述图像数据转换为第二数据；
数据输出单元4，用于输出数据，所述数据包括所述第一数据和/或第二数据及其对应的设备标识信息，提供给其他终端设备、存储设备或云平台，供其大数据收集、存储或检索等。
上述数据提供装置，通过将检测设备采集原始物理信息所获得的输出数据转换为统一的数据，并将该数据提供给其他终端设备、存储设备或云平台，供其大数据收集、存储或检索等，不仅可以快速、高效地收集大数据，还可以在使用、检索等操作使免去各类不同数据格式之间的转换、比对步骤，大大提高了大数据应用效率。
优选地，所述第一转换单元包括：
第一模型构建单元，用于当所述输出数据类别中存在电压数据时，构建第一模型：
Figure BDA0003822086980000071
其中，Y1(t)为t时刻的第一数据，V(t)为t时刻的电压数据，C1为根据所采集的原始物理信息的类别确定的第一噪声影响系数，C2为根据检测设备的各部件确定的第二噪声影响系数，δ为第一转换系数，ε(t)为t时刻的噪声值(均值为0，方差为1)；
第一强化学习模块计算单元，用于采用第一强化学习模块进行计算，获得所述电压数据转换为的第一数据。通过第一模型中设置针对不同原始物理信息的类别的第一噪声影响系数，以及由检测设备各部件的固件安装带来的第二噪声影响系数，从而消除这两方面对电压数据的噪声影响，提高了转换精度。
优选地，所述第一强化学习模块计算单元包括：
第一样本集获取单元，用于获取检测设备的多组电压数据和其对应的第一数据构成的第一样本集；
第一训练单元，用于将所述第一样本集作为输入样本，对所述第一模型采用第一强化学习模块进行训练、测试，直至收敛，获得训练好的第一模型；
第一数据获得单元，用于将时刻T1的电压数据输入所述训练好的第一模型，获得输出的第一数据。
优选地，所述第二转换单元包括：
第二模型构建单元，用于当所述输出数据类别中存在图像数据时，构建第二模型：
Figure BDA0003822086980000081
其中，Y2(t)为t时刻的第二数据，ft(x,y)为t时刻的图像坐标(x,y)上的像素值，C3为根据所采集的原始物理信息的类别确定的第三噪声影响系数，C4为根据检测设备的各部件确定的第四噪声影响系数；
第二强化学习模块计算单元，用于采用第二强化学习模块进行计算，获得所述图像数据转换为的第二数据。通过第二模型中设置针对不同原始物理信息的类别的第三噪声影响系数，以及由检测设备各部件的固件安装带来的第四噪声影响系数，从而消除这两方面对图像数据的噪声影响，提高了转换精度。
优选地，所述第二强化学习模块计算单元包括：
第二样本集获取单元，用于获取检测设备的多组图像数据和其对应的第二数据构成的第二样本集；
第二训练单元，用于将所述第二样本集作为输入样本，对所述第二模型采用第二强化学习模块进行训练、测试，直至收敛，获得训练好的第二模型；
第二数据获得单元，用于将时刻T2的图像数据输入所述训练好的第二模型，获得输出的第二数据。
实施例3
本实施例提供一种终端设备，如图4所示，包括相互连接的实施例2的数据提供装置10和检测设备20；
所述检测设备20用于将采集的原始物理信息转化为输出数据并输出给数据提供装置；例如原始物理信息的类别包括声、光、电、热、位置信息等类别中的一个或两个以上，输出数据的类别包括电压数据和图像数据等类别中的一个或两个以上；
所述数据提供装置10用于将所述输出数据转换成数据并输出，可提供给其他终端设备、存储设备或云平台，供其大数据收集、存储或检索等。
上述终端设备，通过利用数据提供装置，将检测设备的输出数据转换成统一的数据形式，即数据，提高了大数据收集、存储或检索的效率。
实施例4
本实施例提供一种数据提供系统，如图5所示，包括多个实施例3的终端设备100，各终端设备之间通过网络建立通信连接，以实施数据的互传，从而提高了大数据应用效率。所述网络可以是有线和/或无线网络。
优选地，数据提供系统还包括云平台200，云平台和各终端设备之间通过网络建立通信连接，以实施数据的互传。云平台还用于根据所接收到的数据进行运算处理，或输出给云端存储器300进行云存储。
实施例5
本实施例提供一种计算机可读存储介质，所述存储介质上存储有指令，所述指令被处理器执行时实现实施例1的数据提供方法。
实施例6
本实施例提供一种计算机程序产品，包括计算机程序，其存储在计算机可读存储介质上，并且适合于在计算机上执行，所述计算机程序包括适于当其在所述计算机上运行时执行实施例1的数据提供方法的步骤的指令。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (4)

1.一种数据提供方法，其特征在于，包括以下步骤：
S1、获取检测设备的设备标识信息，所述设备标识信息包括所采集的原始物理信息的类别和输出数据类别，输出数据类别包括电压数据和图像数据的类别中的一个或两个以上；
S2、当所述输出数据类别中存在电压数据时，将所述电压数据转换为第一数据；
S3、当所述输出数据类别中存在图像数据时，将所述图像数据转换为第二数据；
S4、输出数据，所述数据包括所述第一数据和/或第二数据及其对应的设备标识信息；
所述S2的步骤包括：
S21、当所述输出数据类别中存在电压数据时，构建第一模型；
S22、采用第一神经网络进行计算，获得所述电压数据转换为的第一数据；
所述第一模型为：
Figure FDA0004170665020000011
其中，Y1(t)为t时刻的第一数据，V(t)为t时刻的电压数据，C1为根据所采集的原始物理信息的类别确定的第一噪声影响系数，C2为根据检测设备的各部件确定的第二噪声影响系数，δ为第一转换系数，ε(t)为t时刻的噪声值；
所述S3的步骤包括：
S31、当所述输出数据类别中存在图像数据时，构建第二模型；
S32、采用第二神经网络进行计算，获得所述图像数据转换为的第二数据；
所述第二模型为：
Figure FDA0004170665020000012
其中，Y2(t)为t时刻的第二数据，ft(x,y)为t时刻的图像坐标(x,y)上的像素值，C3为根据所采集的原始物理信息的类别确定的第三噪声影响系数，C4为根据检测设备的各部件确定的第四噪声影响系数。
2.一种数据提供装置，其特征在于，包括：
设备标识信息获取单元，用于获取检测设备的设备标识信息，所述设备标识信息包括所采集的原始物理信息的类别和输出数据类别，输出数据类别包括电压数据和图像数据的类别中的一个或两个以上；
第一转换单元，用于当所述输出数据类别中存在电压数据时，将所述电压数据转换为第一数据；
第二转换单元，用于当所述输出数据类别中存在图像数据时，将所述图像数据转换为第二数据；
数据输出单元，用于输出数据，所述数据包括所述第一数据和/或第二数据及其对应的设备标识信息；
所述第一转换单元包括：
第一模型构建单元，用于当所述输出数据类别中存在电压数据时，构建第一模型；
第一神经网络计算单元，用于采用第一神经网络进行计算，获得所述电压数据转换为的第一数据；
所述第一模型为：
Figure FDA0004170665020000021
其中，Y1(t)为t时刻的第一数据，V(t)为t时刻的电压数据，C1为根据所采集的原始物理信息的类别确定的第一噪声影响系数，C2为根据检测设备的各部件确定的第二噪声影响系数，δ为第一转换系数，ε(t)为t时刻的噪声值；
所述第二转换单元包括：
第二模型构建单元，用于当所述输出数据类别中存在图像数据时，构建第二模型；
第二神经网络计算单元，用于采用第二神经网络进行计算，获得所述图像数据转换为的第二数据；
所述第二模型为：
Figure FDA0004170665020000022
其中，Y2(t)为t时刻的第二数据，ft(x,y)为t时刻的图像坐标(x,y)上的像素值，C3为根据所采集的原始物理信息的类别确定的第三噪声影响系数，C4为根据检测设备的各部件确定的第四噪声影响系数。
3.一种终端设备，其特征在于，包括相互连接的如权利要求2所述的数据提供装置和检测设备；
所述检测设备用于将采集的原始物理信息转化为输出数据并输出给数据提供装置，输出数据的类别包括电压数据和图像数据的类别中的一个或两个以上；
所述数据提供装置用于将所述输出数据转换成数据并输出。
4.一种数据提供系统，其特征在于，包括多个如权利要求3所述的终端设备，各终端设备之间通过网络建立通信连接，以实施数据的互传。
CN202211045021.6A 2022-08-30 2022-08-30 物联网设备人工智能数据提供方法、装置、系统及终端设备 Active CN115391443B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211045021.6A CN115391443B (zh) 2022-08-30 2022-08-30 物联网设备人工智能数据提供方法、装置、系统及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211045021.6A CN115391443B (zh) 2022-08-30 2022-08-30 物联网设备人工智能数据提供方法、装置、系统及终端设备

Publications (2)

Publication Number Publication Date
CN115391443A CN115391443A (zh) 2022-11-25
CN115391443B true CN115391443B (zh) 2023-06-16

Family

ID=84122862

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211045021.6A Active CN115391443B (zh) 2022-08-30 2022-08-30 物联网设备人工智能数据提供方法、装置、系统及终端设备

Country Status (1)

Country Link
CN (1) CN115391443B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113516146A (zh) * 2020-12-21 2021-10-19 腾讯科技（深圳）有限公司 一种数据分类方法、计算机及可读存储介质
CN113963210A (zh) * 2021-10-25 2022-01-21 南京工业大学 一种基于深度学习的废弃数据存储设备检测方法及分拣系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6907015B2 (ja) * 2017-04-26 2021-07-21 清水建設株式会社 情報処理システム、情報処理装置、情報処理方法、およびプログラム
CN108762210A (zh) * 2018-05-25 2018-11-06 银川华信智信息技术有限公司 一种基于物联网的工业智能制造数据采集装置及方法
WO2021204115A1 (zh) * 2020-04-07 2021-10-14 添可智能科技有限公司 数据生成方法、处理方法和执行方法及设备
CN114037646A (zh) * 2020-07-21 2022-02-11 厦门理工学院 基于物联网的智能图像检测方法、系统、可读介质、设备

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113516146A (zh) * 2020-12-21 2021-10-19 腾讯科技（深圳）有限公司 一种数据分类方法、计算机及可读存储介质
CN113963210A (zh) * 2021-10-25 2022-01-21 南京工业大学 一种基于深度学习的废弃数据存储设备检测方法及分拣系统

Also Published As

Publication number Publication date
CN115391443A (zh) 2022-11-25

Similar Documents

Publication Publication Date Title
CN112417954B (zh) 一种面向小样本数据集的轴承故障模式诊断方法及系统
CN110929765B (zh) 一种基于批次图像化的卷积自编码故障监测方法
CN109297689B (zh) 一种引入权重因子的大型水力机械智能诊断方法
CN116599857B (zh) 一种适用于物联网多场景的数字孪生应用系统
CN113436184B (zh) 基于改进孪生网络的电力设备图像缺陷判别方法及系统
CN114216682B (zh) 一种基于tcn和bls的滚动轴承的寿命预测方法及装置
CN114283320B (zh) 基于全卷积的无分支结构目标检测方法
CN107292061A (zh) 一种数据驱动的流程工业复杂机电系统信息建模方法
CN110599458A (zh) 基于卷积神经网络的地下管网检测评估云系统
Huang et al. Efficient attention network: Accelerate attention by searching where to plug
CN116012687A (zh) 一种用于轮对踏面缺陷识别的图像交互融合方法
CN115391443B (zh) 物联网设备人工智能数据提供方法、装置、系统及终端设备
CN117993282A (zh) 一种面向智能制造故障诊断的域适应性信息瓶颈联邦学习方法
CN117671267A (zh) 一种基于双域优化类感知注意力的遥感图像语义分割方法
CN110990383A (zh) 一种基于工业大数据集的相似度计算方法
CN115331081A (zh) 图像目标检测方法与装置
CN112651421B (zh) 一种红外热成像输电线路防外破监测系统及其建模方法
CN113033669B (zh) 一种基于可学习的特征图过滤与图注意力网络的视觉场景识别方法
CN114037646A (zh) 基于物联网的智能图像检测方法、系统、可读介质、设备
CN112750109B (zh) 一种基于形态学和深度学习的制药设备安全监测方法
CN116541273B (zh) 基于图注意力的二进制代码相似性检测方法及系统
CN116630979A (zh) 一种ocr识别方法、系统、存储介质和边缘设备
CN117709457A (zh) 面向电力工程施工的行为动作感知的知识图谱构建方法
CN118505777A (zh) 一种基于对比学习的图像深度估计方法和系统
CN113590516A (zh) 一种数据处理方法、装置、电子设备及存储介质

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