CN116109543A - 一种数据快速识别读取方法及装置、计算机可读存储介质 - Google Patents
一种数据快速识别读取方法及装置、计算机可读存储介质 Download PDFInfo
- Publication number
- CN116109543A CN116109543A CN202111326622.XA CN202111326622A CN116109543A CN 116109543 A CN116109543 A CN 116109543A CN 202111326622 A CN202111326622 A CN 202111326622A CN 116109543 A CN116109543 A CN 116109543A
- Authority
- CN
- China
- Prior art keywords
- value
- blood pressure
- digital
- frame
- picture
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 148
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 230000036772 blood pressure Effects 0.000 claims abstract description 287
- 238000012545 processing Methods 0.000 claims abstract description 54
- 238000013145 classification model Methods 0.000 claims abstract description 23
- 238000001514 detection method Methods 0.000 claims abstract description 20
- 230000005484 gravity Effects 0.000 claims description 135
- 238000013139 quantization Methods 0.000 claims description 47
- 230000006870 function Effects 0.000 claims description 43
- 230000004913 activation Effects 0.000 claims description 33
- 230000009467 reduction Effects 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 15
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 8
- 238000005520 cutting process Methods 0.000 claims description 4
- 238000009530 blood pressure measurement Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 29
- 230000008569 process Effects 0.000 description 20
- 239000004973 liquid crystal related substance Substances 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 3
- 208000017667 Chronic Disease Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 208000006545 Chronic Obstructive Pulmonary Disease Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例公开了一种数据快速识别读取方法及装置、计算机可读存储介质,利用字符框检测模型对终端上传的血压图片进行检测,确定血压图片中的文字标签框和数字框;血压图片包含血压测量仪的场景图片;文字标签框对应文字标签,字标签表征身体指标的类型;基于获取的文字标签框和数字框,确定与文字标签框对应的文字标签与数字框的关联关系;对血压图片进行背景处理,得到数字框对应的数字图片;基于分类模型和数字图片进行分类识别,并结合关联关系,得到了文字标签对应的数字信息;将文字标签对应的数字信息发送至终端。上述使得由原始的手动输入数据变为自动的读取数据,且并不依赖于外部环境,提高了数据的准确率。
Description
技术领域
本发明涉及信息识别领域,尤其涉及一种数据快速识别读取方法及装置、计算机可读存储介质。
背景技术
健康管理平台通过收集与跟踪反映个人身体健康状况的各种信息,树立高血压、糖尿病、慢阻肺等慢病管理体系,逐步完成主要慢病的社区管理。目前用户可以在测完血压以后在APP上手动进行输入或者设置蓝牙模块,能够与智能手机进行通信,将相关信息采集。但是,由于老年人对于屏幕中的读数认知不正确,或者对于智能手机中的APP使用方式不正确,难以采集正确的读数。
发明内容
本发明实施例提供了一种数据快速方法及装置、计算机可读存储介质,能够自动读取数据,提高了数据的准确率。
本发明的技术方案是这样实现的:
本发明实施例提供例了一种数据快速识别读取方法,应用于服务器,所述方法包括:
利用字符框检测模型对终端上传的血压图片进行检测,确定所述血压图片中的文字标签框和数字框;所述血压图片包含血压测量仪的场景图片;所述文字标签框对应文字标签,所述文字标签表征身体指标的类型;
基于获取的所述文字标签框和所述数字框,确定与所述文字标签框对应的文字标签与所述数字框的关联关系;
对所述血压图片进行背景处理,得到所述数字框对应的数字图片;
基于分类模型和所述数字图片进行分类识别,并结合所述关联关系,得到了所述文字标签对应的数字信息;
上述方案中,基于获取的所述文字标签框和所述数字框,确定与所述文字标签框对应的文字标签与所述数字框的关联关系,包括:
获取所述文字标签框的第一坐标和所述数字框的第二坐标;
基于所述第一坐标,确定所述文字标签框的第一重心;
基于所述第二坐标,确定所述数字框的第二重心;
通过所述第一重心和所述第二重心,确定所述文字标签框和所述数字框的映射关系,进而确定所述文字标签框对应的文字标签与所述数字框的关联关系。
上述方案中,基于所述第一坐标,确定所述文字标签框的第一重心;以及基于所述第二坐标,确定所述数字框的第二重心,包括:
基于所述第一坐标,获取所述文字标签框的第一上边界数值、第一下边界数值、第一左边界数值和第一右边界数值;
将所述第一上边界数值和所述第一下边界数值,计算求取第一平均值;以及将所述第一左边界数值和所述第一右边界数值计算求取第二平均值,并且基于所述第一平均值和所述第二平均值确定所述文字标签框的所述第一重心;
基于所述第二坐标,获取所述数字框的第二上边界数值、第二下边界数值、第二左边界数值和第二右边界数值;
将所述第二上边界数值和所述第二下边界数值计算求取第三平均值,以及将所述第二左边界数值和所述第二右边界数值计算求取第四平均值,并且基于所述第三平均值和所述第四平均值确定所述数字框的所述第二重心。
上述方案中,第一坐标包括所述文字标签框的四个顶点坐标,分别为第一顶点坐标、第二顶点坐标、第三顶点坐标和第四顶点坐标;
基于所述第一坐标,获取所述文字标签框的上边界数值、下边界数值、左边界数值和右边界数值,包括:
基于所述第一顶点坐标、所述第二顶点坐标、所述第三顶点坐标和所述第四顶点坐标,确定第一横坐标、第二横坐标、第一纵坐标和第二纵坐标;
将所述第一横坐标和所述第二横坐标分别到坐标轴中的坐标原点的距离进行比较;
若所述第一横坐标到所述坐标原点的所述距离大于所述第二横坐标到所述坐标原点的所述距离,则所述第一横坐标的值为所述第一右边界数值,所述第二横坐标的值为所述第一左边界数值;
若所述第一纵坐标到所述坐标原点的所述距离大于所述第二纵坐标到所述坐标原点的所述距离,则所述第一纵坐标的值为所述第一上边界数值,所述第二纵坐标值为所述第一下边界数值。
上述方案中,基于所述第一平均值和所述第二平均值确定所述文字标签框的所述第一重心,包括:
将所述第二平均值,确定为所述第一重心的横坐标;
将所述第一平均值,确定为所述第一重心的纵坐标;
基于所述第一重心的横坐标和所述第一重心的纵坐标,确定所述文字标签框的所述第一重心。
上述方案中,所述文字标签框包括:N个子文字标签框,每个子文字标签框对应一个文字标签;所述数字框包括:M个子数字框;所述第一重心包括:N个子文字标签框的重心,每个子文字标签框对应一个重心;所述第二重心包括:M个子数字框的重心,每个子数字框对应一个重心;其中,N为大于等于1的正整数,M为大于等于1的正整数;
所述通过所述第一重心和所述第二重心,确定所述文字标签框和所述数字框的映射关系,进而确定所述文字标签框对应的文字标签与所述数字框的关联关系,包括:
将第一子文字标签框的重心和第一子数字框的重心进行距离计算,确定计算结果;其中,所述第一子文字标签框为所述N个子文字标签框的任意一个子文字标签框;所述第一子数字框为所述M个子数字框的任意一个子数字框;
基于所述距离结果,确定与所述第一子文字标签框距离最小的所述第一子数字框;
将所述第一子文字标签框的文字标签与距离最小的所述第一子数字框进行关联。
上述方案中,对所述血压图片进行背景处理,得到所述数字框对应的数字图片;包括:
通过对所述血压图片进行背景降噪处理,确定降噪后的血压图片;
对所述降噪后的血压图片进行处理,确定数字图片的左边界和右边界;
基于所述数字图片的左边界和右边界,对所述降噪后的血压图片进行分割处理,确定所述数字框对应的数字图片。
上述方案中,通过对所述血压图片进行背景降噪处理,确定降噪后的血压图片,包括:
计算所述血压图片的水平方向和垂直方向的梯度值,确定梯度值结果;
基于所述梯度值结果,确定血压测量仪的边界信息;
通过对所述数字框进行计算,确定降噪后的数字框;
基于所述血压测量仪的所述边界信息和所述降噪后的数字框,对所述血压图片进行剪裁,确定所述降噪后的血压图片。
上述方案中,基于所述梯度值结果,确定血压测量仪的边界信息,包括:
基于所述梯度值结果,按列遍历所述血压图片水平方向的梯度值,获取梯度值最大的两个列,确定所述血压测量仪的左边界信息和右边界信息;
基于所述梯度值结果,按行遍历所述血压图片垂直方向的梯度值,获取梯度值最大的两个行,确定所述血压测量仪的上边界信息和下边界信息。
上述方案中,通过对所述数字框进行计算,确定降噪后的数字框,包括:
获取数字框包含的所有像素中前X列的像素值,计算所述前X列像素值的平均值,确定计算结果;其中,1≤X<Y,Y为包含的像素列数;
将所述所有像素中大于等于所述平均值的像素值确定为最大像素值;
通过保留所述最大像素值,确定所述降噪后的数字框。
上述方案中,对所述降噪后的血压图片进行处理,确定数字图片的左边界和右边界,包括:
遍历所述降噪后的血压图片包含的所有像素列数中每一列的像素值,确定所述每一列像素值等于所述最大像素值的像素值个数;
若任意列的所述像素值个数大于所述任意列的列数值一半,则确定所述任意列的下一列的所述像素值个数;
若所述任意列的下一列的所述像素值个数大于所述任意列的列数值一半,则所述列数值为数字图片的左边界;
若任意列的所述像素值个数大于所述任意列的列数值一半,则确定所述任意列的下一列的所述像素值个数;
若所述任意列的下一列的所述像素值个数小于所述任意列的列数值一半,则所述列数值为数字图片的右边界;
上述方案中,基于分类模型和所述数字图片进行分类识别,并结合所述关联关系,得到了所述文字标签对应的数字信息,包括:
基于所述关联关系和所述数字图片,确定所述文字标签对应的待识别数字图片;
采用所述分类模型对所述待识别数字图片进行分类识别,得到了所述文字标签对应的数字信息。
本发明实施例提供例了一种数据快速识别读取方法,应用于终端,所述方法包括:
采集针对血压测量仪的初始血压图片;
对所述初始血压图片进行处理,得到血压图片,并将所述血压图片发送至服务器;
接收所述服务器返回的将所述血压图片转换成的文字标签对应的数字信息。
上述方案中,对所述初始血压图片进行处理,得到血压图片,并将所述血压图片发送至服务器,包括:
对训练完成的第一网络进行模型量化,得到第二网络;其中,第一网络为对初始激活函数进行改进得到的网络;
通过所述第二网络,对所述初始血压图片进行处理,得到所述血压图片;
将所述血压图片发送至所述服务器。
上述方案中,所述第一网络对应的激活函数为对所述初始激活函数进行分段处理后得到的;其中,对所述初始激活函数分段包括:在目标变量小于第一预设值时,确定目标变量与第二预设值中最大的为函数值;在目标变量大于等于第一预设值时,确定第三预设值为函数值。
上述方案中,对所述训练完成的所述第一网络进行模型量化,得到第二网络;其中,第一网络为对初始激活函数进行改进得到的网络,包括:
获取所述第二网络中的网络参数,确定全部数据中的最大浮点值和最小浮点值;
根据所述最大浮点值、所述最小浮点值、最大定点值和最小定点值,确定定点量化后表示的最小刻度值;
通过所述最大定点值、所述最小刻度值和所述最大浮点值,确定初始浮点值对应的量化定点值;
根据所述初始浮点值对应的量化定点值、所述最小刻度值和任一的浮点值,确定任一的量化定点值;
通过将浮点值量化为定点值后,得到所述第二网络。
上述方案中,根据所述最大浮点值、所述最小浮点值和最大定点值和最小定点值,确定定点量化后表示的最小刻度值,包括:
将所述最大浮点值和所述最小浮点值做差,得到第一差值;
将所述最大定点值和所述最小定点值做差,得到第二差值;
将所述第一差值和所述第二差值进行除法运算,确定所述定点量化后表示的最小刻度值。
上述方案中,根据所述最大定点值、所述最小刻度值和所述最大浮点值,确定初始浮点值对应的量化定点值,包括:
将所述最大浮点值和所述最小刻度值做除法运算,确定运算结果;
通过对所述最大定点值和所述运算结果做差,确定所述初始浮点值对应的量化定点值。
上述方案中,根据所述初始浮点值对应的量化定点值、所述最小刻度值和任一的浮点值,确定任一的量化定点值,包括:
根据所述任一浮点值、所述初始浮点值对应的量化定点值和所述最小刻度值,确定所述任一量化后的定点值。
本公开实施例提供一种数据快速识别读取装置,应用于终端,所述数据快速读取装置包括采集单元、第一发送单元、第一接收单元;其中,
采集单元,用于采集针对血压测量仪的初始血压图片;
第一确定单元,用于对所述初始血压图片进行处理,得到所述血压图片;
第一发送单元,用于将得到的所述血压图片发送至服务器;
第一接收单元,用于接收所述服务器返回的将所述血压图片转换成的文字标签对应的数字信息。
本公开实施例提供一种数据快速识别读取装置,应用于服务器,所述数据快速读取装置包括第二接收单元、第二确定单元、第二发送单元;其中,
第二接收单元,用于接收终端上传的血压图片;
第二确定单元,用于利用字符框检测模型对终端上传的血压图片进行检测,确定所述血压图片中的文字标签框和数字框;所述血压图片包含血压测量仪的场景图片;所述文字标签框对应文字标签,所述文字标签表征身体指标的类型;及基于获取的所述文字标签框和所述数字框,确定与所述文字标签框对应的文字标签与所述数字框的关联关系;及对所述血压图片进行背景处理,得到所述数字框对应的数字图片;及基于分类模型和所述数字图片进行分类识别,并结合所述关联关系,得到了所述文字标签对应的数字信息;
第二发送单元,用于将所述文字标签对应的数字信息发送至所述终端。
本公开实施例提供一种数据快速识别读取装置,应用于服务器,所述数据快速读取装置包括:
第一存储器,用于存储可执行数据指令;
第一处理器,用于执行所述第一存储器中存储的可执行指令时,当所述可执行指令被执行时,所述第一处理器执行所述的数据快速读取方法。
本公开实施例提供一种数据快速识别读取装置,应用于终端,所述数据快速读取装置包括:
第二存储器,用于存储可执行数据指令;
第二处理器,用于执行所述第二存储器中存储的可执行指令时,当所述可执行指令被执行时,所述第二处理器执行所述的数据快速读取方法。
本发明实施例提供了一种存储介质,所述存储介质存储有可执行指令,当所述可执行指令被执行时,用于引起第一处理器执行如本发明实施例所述的数据快速读取方法。
本发明实施例提供了一种存储介质,所述存储介质存储有可执行指令,当所述可执行指令被执行时,用于引起第二处理器执行如本发明实施例所述的数据快速读取方法。
本发明实施例提供了一种数据快速识别读取方法及装置、计算机可读存储介质,该方法包括:利用字符框检测模型对终端上传的血压图片进行检测,确定血压图片中的文字标签框和数字框;血压图片包含血压测量仪的场景图片;文字标签框对应文字标签,文字标签表征身体指标的类型;基于获取的文字标签框和数字框,确定与文字标签框对应的文字标签与数字框的关联关系;对血压图片进行背景处理,得到数字框对应的数字图片;基于分类模型和数字图片进行分类识别,并结合关联关系,得到了文字标签对应的数字信息;将文字标签对应的数字信息发送至终端。采用上述方案,使得用户在测量完血压以后,由原始的手动输入数据变为自动的读取数据,且并不依赖于外部环境,提高了数据的准确率。
附图说明
图1为本发明实施例提供的一种应用于服务器的数据快速读取方法流程示意图一;
图2为本发明实施例提供的一种应用于服务器的数据快速读取方法流程示意图二;
图3为本发明实施例提供的一种应用于服务器的数据快速读取方法流程示意图三;
图4为本发明实施例提供的一种应用于服务器的数据快速读取方法流程示意图四;
图5为本发明实施例提供的一种应用于服务器的数据快速读取方法流程示意图五;
图6为本发明实施例提供的一种应用于服务器的数据快速读取方法流程示意图六;
图7为本发明实施例提供的一种应用于服务器的数据快速读取方法流程示意图七;
图8为本发明实施例提供的一种应用于服务器的数据快速读取方法流程示意图八;
图9为本发明实施例提供的一种应用于服务器的数据快速读取方法流程示意图九;
图10为本发明实施例提供的一种应用于服务器的数据快速读取方法流程示意图十;
图11为本发明实施例提供的一种应用于服务器的数据快速读取方法流程示意图十一;
图12为本发明实施例提供的一种应用于服务器的数据快速读取方法流程示意图十二;
图13为本发明实施例提供的一种应用于终端的数据快速读取方法流程示意图一;
图14为本发明实施例提供的一种应用于终端的数据快速读取方法流程示意图二;
图15为本发明实施例提供的一种应用于终端的数据快速读取方法流程示意图三;
图16为本发明实施例提供的一种应用于终端的数据快速读取方法流程示意图四;
图17为本发明实施例提供的一种应用于终端的数据快速读取方法流程示意图五;
图18为本发明实施例提供的一种数据快速识别读取方法流程示意图;
图19为本发明实施例提供的一种血压图片的效果示意图;
图20为本发明实施例提供的血压仪图片中候选框之间关联关系的效果示意图;
图21为本发明实施例提供的检测出的血压图片中数字框的效果示意图;
图22为本发明实施例提供的一种数据快速识别读取装置的结构示意图;
图23为本发明实施例提供的另一种数据快速识别读取装置的结构示意图;
图24为本发明实施例提供的一种服务器的结构示意图;
图25为本发明实施例提供的一种终端的结构示意图。
具体实施方式
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、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部实施例。基于本发明的实施例,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,都属于本发明保护范围。
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。图1为本发明实施例提供的一种应用于服务器的数据快速读取方法流程示意图一,将结合图1示出的步骤进行说明。
S101、利用字符框检测模型对终端上传的血压图片进行检测,确定血压图片中的文字标签框和数字框;血压图片包含血压测量仪的场景图片;文字标签框对应文字标签,文字标签表征身体指标的类型。
在本发明实施例中,适用于服务器利用模型对图片进行检测的场景。
在本发明实施例中,利用训练好的字符检测模型对终端上传的血压图片进行检测,返回的检测结果包含血压图片中的文字标签框和数字框。
在本发明实施例中,用于字符检测模型的训练数据需要标注好检测框的坐标位置。
在本发明实施例中,采用的训练数据和测试数据为经过预处理之后的包含完整清楚的血压测量仪的场景图片。
在本发明实例中,原始的血压图片可以通过电子设备的摄像头(例如,手机的相机或者其他存储介质)进行拍摄来获取,本发明不做限制。
在本发明实施例中,身体指标包括测量时的高压、低压和脉搏。
在本发明实施例中,检测模型可以为yolo网络,本发明不做限制。yolo网络的基本原理是:将输入图像分成S×S个格子,对每个网格都预测5个边界框,然后根据阈值去除可能性比较低的目标窗口,最后在使用边界框合并的方式去除冗余窗口,得到检测结果。
可以理解的是,在本发明实施例中,通过训练好的字符检测模型对血压图片进行检测,获取血压图片中的文字标签框和数字框,为之后识别图片中的数字信息提供前提条件。
S102、基于获取的文字标签框和数字框,确定与文字标签框对应的文字标签与数字框的关联关系。
在本发明实施例中,适用于检测到候选框后,确定候选框之间关联关系的场景。
在本发明实施例中,当获取到血压图片中的文字标签框和数字框之后,将文字标签框中的每个子文字标签框和数字框中的每个子数字框一一对应,确定它们之间的关联关系。
在本发明实施例中,文字标签框由多个子文字标签框组成,包括高压文字标签框、低压文字标签框和脉搏标签框;数字框由多个子数字框组成,包括高压文字标签框对应的数字框、低压文字标签框对应的数字框和脉搏标签框对应的数字框。
在本发明实施例中,关联关系为找到离文字标签框距离最近的数字框,则将该文字标签框和该数字框进行关联。
可以理解的是,在本发明实施例中,通过将文字框和数字框一一对应关联起来,从而保证后续数字分类识别的准确性。
S103、对血压图片进行背景处理,得到数字框对应的数字图片。
在本发明实施例中,适用于确定数字框对应的数字图片的场景。
在本发明实施例中,当检测到血压图片中的数字框后,对血压图片进行背景处理,获取血压图片中的数字框对应的数字图片。
在本发明实施例中,血压图片为经过预处理后的图片。
在本发明实施例中,在进行血压图片的拍摄时,可能在桌子上,也可能在其他背景上,背景较为复杂,所以需要进行背景处理。
可以理解的是,在本实施例中,通过对图片进行背景处理,去除了背景噪声,使得到处理后的数字图片的识别和分类的准确率更高。
S104、基于分类模型和数字图片进行分类识别,并结合关联关系,得到了文字标签对应的数字信息。
在本发明实施例中,适用于获取数字图片对应的数字信息的场景。
在本发明实施例中,由S103获取到数字框对应的数字图片之后,利用分类模型对数字图片进行识别和分类,将该数字图片转化成数字信息,并依据S102中确定的文字标签框和数字框之间的广联关系,将文字标签和数字信息对应起来。
在本发明实施例中,训练集和测试集为采集的数字图片,设置一个阈值,当模型的准确率满足该阈值后,利用训练好的模型对数字图片进行分类识别。
在发明实施例中,分类可以是支持向量机、决策树、K最近邻、逻辑回归、朴素贝叶斯以及各神经网络等等,本发明不做限制。
可以理解的是,在本发明实施例中,通过分类模型对数字图片进行分类识别,将数字图片转化成数字信息,并和文字标签进行对应。采用这种自动分类识别的方法获取血压仪的数字信息提高了数据的准确性。
S105、将文字标签对应的数字信息发送至终端。
在本发明实施例中,适用于服务器将数字信息发送到终端的场景。
在本发明实施例中,将数字图片转化成数字信息以后,服务器将数字信息发送到终端。
在本发明实施例中,终端和服务器进行数据交互的方法不做限制。
可以理解的是,在本发明实施例中,服务器将获取到的数字信息发送至终端,相比手动在终端的APP上输入数据,该方法提高了数据的准确性。
在本发明的一些实施例中,参见图2,图2是为本发明实施例提供的一种应用于服务器的数据快速读取方法流程示意图二,图2示出的S102可以通过S1021至S1024实现,将结合各步骤进行说明。
S1021、获取文字标签框的第一坐标和数字框的第二坐标。
在本发明实施例中,适用于获取候选框坐标的场景。
在本发明的一些实施例中,检测出血压图片中的文字标签框和数字框之后,获取文字标签框和数字框的坐标。
在本发明的一些实施例中,文字标签框由多个子文字标签框组成,包括高压文字标签框、低压文字标签框和脉搏标签框;数字框由多个子数字框组成,包括高压文字标签框对应的数字框、低压文字标签框对应的数字框和脉搏标签框对应的数字框。
在本发明的一些实施例中,每个文字标签框和数字框的坐标由四个顶点坐标组成。
示例性的,文字标签框或者数字标签框的坐标由四个顶点坐标组成,包括(x1,y1)、(x2,y2)、(x1,y2)、(x2,y1)。
可以理解的是,在本发明的一些实施例中,通过文字标签框和数字框之间的坐标确定两者之间的关联关系,通过将文字框和数字框一一对应关联起来,从而保证后续数字分类识别的准确性。
S1022、基于第一坐标,确定文字标签框的第一重心。
在本发明的一些实施例中,适用于通过候选框的坐标确定重心的场景。
在本发明的一些实施例中,获取到文字标签框的四个顶点坐标以后,通过四个顶点坐标的横坐标和纵坐标来计算文字标签框的重心。
在本发明的一些实施例中,第一坐标包含多个文字标签的坐标。
在本发明的一些实施例中,第一重心包含多个文字标签框的重心。
可以理解的是,在本发明的一些实施例中,通过文字标签框的四个顶点坐标确定该文字标签框的重心,通过获取文字标签框的重心提高文字标签框和数字框之间关联关系的准确率。
S1023、基于第二坐标,确定数字框的第二重心。
在本发明实施例中,适用于通过候选框的坐标确定重心的场景。
在本发明实施例中,获取到数字框的四个顶点坐标以后,通过四个顶点坐标的横坐标和纵坐标来计算数字框的重心。
在本发明的一些实施例中,第一坐标包含多个数字框的坐标。
在本发明的一些实施例中,第一重心包含多个数字框的重心。
可以理解的是,在本发明的一些实施例中,通过数字框的四个顶点坐标确定该数字框的重心,通过获取数字框的重心提高文字标签框和数字框之间关联关系的准确率。
S1024、通过第一重心和第二重心,确定文字标签框和数字框的映射关系,进而确定文字标签框对应的文字标签与数字框的关联关系。
在本发明的一些实施例中,适用于通过候选框的重心确定候选框之间关联关系的场景。
在本发明的一些实施例中,由S1022和S1023获取到文字标签框和数字框的重心后,通过计算获取到每个文字标签框和每个数字框的映射关系后,确定每个文字标签框和每个数字框的关联关系。
在本发明的一些实施例中,可以通过计算文字标签框和数字框的重心之间的距离确定映射关系。
可以理解的是,在本发明的一些实施例中,通过获取数字框和文字标签框的重心之间的距离确定其之间的关联关系,提高文字标签框和数字框之间关联关系的准确率。
在本发明的一些实施例中,参见图3,图3是为本发明实施例提供的一种应用于服务器的数据快速读取方法流程示意图三,图3示出的S1022和S1023可以通过S10221至S10224实现,将结合各步骤进行说明。
S10221、基于第一坐标,获取文字标签框的第一上边界数值、第一下边界数值、第一左边界数值和第一右边界数值。
在本发明的一些实施例中,适用于获取候选框边界数值的场景。
在本发明的一些实施例中,由于已经确定了文字标签框的四个顶点坐标,所以通过该顶点坐标直接读取文字标签框的第一上下左右边界的数值。
在本发明的一些实施例中,第一上边界数值、第一下边界数值、第一左边界数值和第一右边界数值直接从文字标签框的四个顶点坐标进行获取。
在本发明的一些实施例中,确定文字标签框的第一上边界数值、第一下边界数值、第一左边界数值和第一右边界数值要依据和坐标原点的距离进行比较确定。
可以理解的是,在本发明的一些实施例中,获取到文字框的坐标以后,根据坐标读取文字框的四个边界值,由该文字框的边界值来获取具体位置,提高了文字框和数字框之间确定关联关系的准确率。
S10222、将第一上边界数值和第一下边界数值,计算求取第一平均值;以及将第一左边界数值和第一右边界数值计算求取第二平均值,并且基于第一平均值和第二平均值确定文字标签框的第一重心。
在本发明的一些实施例中,适用于确定文字标签框重心的场景。
在本发明的一些实施例中,由S10221获取到文字标签框的四个边界值以后,根据四个边界值计算文字标签框的重心。
在本发明的一些实施例中,获取到文字标签框的四个边界值以后,将第一上边界数值和第一下边界数值进行平均值计算,得到第一平均值,将第一左边界数值和第一右边界数值进行平均值计算,得到第二平均值,利用得到后的第一平均值和第二平均值获取文字标签框的重心。
可以理解的是,在本发明的一些实施例中,由文字标签框的边界值获取该框的重心,提高了文字框和数字框之间确定关联关系的准确率。
S10223、基于第二坐标,获取数字框的第二上边界数值、第二下边界数值、第二左边界数值和第二右边界数值。
在本发明的一些实施例中,适用于获取候选框边界数值的场景。
在本发明的一些实施例中,由于已经确定了数字框的四个顶点坐标,所以通过该顶点坐标直接读取数字框的第二上下左右边界的数值。
在本发明的一些实施例中,第二上边界数值、第二下边界数值、第二左边界数值和第二右边界数值直接从数字框的四个顶点坐标进行获取。
在本发明的一些实施例中,确定数字框框的第二上边界数值、第二下边界数值、第二左边界数值和第二右边界数值要依据和坐标原点的距离进行比较确定。
可以理解的是,在本发明的一些实施例中,获取到数字框的坐标以后,根据坐标读取数字框的四个边界值,由该数字框的边界值来获取具体位置,提高了文字框和数字框之间确定关联关系的准确率。
S10224、将第二上边界数值和第二下边界数值计算求取第三平均值,以及将第二左边界数值和第二右边界数值计算求取第四平均值,并且基于第三平均值和第四平均值确定数字框的第二重心。
在本发明的一些实施例中,获取到数字框的四个边界值以后,根据四个边界值计算数字框的重心。
在本发明的一些实施例中,获取到数字框的四个边界值以后,将第二上边界数值和第二下边界数值进行平均值计算,得到第三平均值,将第二左边界数值和第二右边界数值进行平均值计算,得到第四平均值,利用得到后的第三平均值和第四平均值获取数字框的重心。
在本发明的一些实施例中,参见图4,图4是本发明实施例提供的一种应用于服务器的数据快速读取方法流程示意图四,图4示出的S10221可以通过S10221a至S10221d实现,将结合各步骤进行说明。
S10221a、基于第一顶点坐标、第二顶点坐标、第三顶点坐标和第四顶点坐标,确定第一横坐标、第二横坐标、第一纵坐标和第二纵坐标。
在本发明的一些实施例中,适用于确定候选框坐标的场景。
在本发明的一些实施例中,获取到文字标签框的四个顶点坐标以后,根据四个顶点坐标分别确定第一横坐标、第二横坐标、第一纵坐标和第二纵坐标。
示例性的,文字便签框的四个顶点坐标分别为(x1,y1)、(x2,y2)、(x1,y2)、(x2,y1),则第一横坐标为x1、第二横坐标为x2、第一纵坐标为y1、第二纵坐标为y2。
可以理解的是,在本发明的一些实施例中,通过文字标签框的四个顶点坐标来分别获取它的第一横坐标、第二横坐标、第一纵坐标和第二纵坐标,提高了计算文字标签框重心的准确率。
S10221b、将第一横坐标和第二横坐标分别到坐标轴中的坐标原点的距离进行比较。
在本发明的一些实施例中,适用于确定比较结果的场景。
在本发明的一些实施例中,获取到文字标签框的第一横坐标和第二横坐标以后,分别计算两个横坐标到坐标原点的距离值,根据到坐标原点的值确定文字标签框的边界。
可以理解的是,在本发明实施例中,将文字标签框的两个横坐标到坐标原点的距离进行比较,能更准确的确定文字框的边界值,提高了文字标签框重心的准确率。
S10221c、若第一横坐标到坐标原点的距离大于第二横坐标到坐标原点的距离,则第一横坐标的值为第一右边界数值,第二横坐标的值为第一左边界数值。
在本发明的一些实施例中,适用于确定文字标签框边界值的场景。
在本发明的一些实施例中,获取到文字标签框的四个顶点坐标以后,通过和坐标原点的距离进行比较,通过比较结果,判断文字标签框的左右边界值为多少。
示例性的,文字便签框的四个顶点坐标分别为(x1,y1)、(x2,y2)、(x1,y2)、(x2,y1),通过赋值,使四个顶点坐标为(3,6)、(2,4)、(3,4)和(2,6),原点坐标为(0,0),3>2>0,所以,3为第一右边界,2为第一左边界值。
可以理解的是,在本发明的一些实施例中,通过将文字标签框的第一横坐标和第二横坐标分别和原点坐标的值进行比较,根据比较结果来确定文字标签框的第一右边界数值和第二左边界数值,提高了文字标签框重心的准确率。
S10221d、若第一纵坐标到坐标原点的距离大于第二纵坐标到坐标原点的距离,则第一纵坐标的值为第一上边界数值,第二纵坐标值为第一下边界数值。在本发明的一些实施例中,适用于确定文字标签框边界值的场景。
在本发明的一些实施例中,将四个顶点坐标中的两个纵坐标和原点坐标值进行对比,确定文字标签框的上下边界值。
示例性的,由S10221c中可知y1、y2的值分别为6和4,6>4,所以6为文字便签框的第一上边界数值,4为文字标签框的第一下边界数值。
可以理解的是,在本发明的一些实施例中,通过将文字标签框的第一纵坐标和第二纵坐标分别和原点坐标的值进行比较,根据比较结果来确定文字标签框的第一上边界数值和第二下边界数值,提高了文字标签框重心的准确率。
参见图5,图5是本发明实施例提供的一种应用于服务器的数据快速读取方法流程示意图五,图5示出的S10222可以通过S201至S203实现,将结合各步骤进行说明。
S201、将第二平均值,确定为第一重心的横坐标。
在本发明的一些实施例中,适用于确定文字标签框重心的场景。
在本发明的一些实施例中,将第一左边界数值和第一右边界数值求得的第二平均值作为文字标签框的横坐标。
S202、将第一平均值,确定为第一重心的纵坐标。
在本发明的一些实施例中,适用于确定文字标签框重心的场景。
在本发明的一些实施例中,将第一上边界数值和第一下边界数值求得的第一平均值作为文字标签框的纵坐标。
S203、基于第一重心的横坐标和第一重心的纵坐标,确定文字标签框的第一重心。
在本发明的一些实施例中,适用于确定文字标签框重心的场景。
在本发明的一些实施例中,在获取到第一重心的横坐标和第一重心的纵坐标后,利用该横坐标和纵坐标确定文字标签框的重心。
示例性的,计算文字标签框重心的公式(1)如下式所示,以计算高压文字标签框的重心为例:
其中,SYS为高压文字标签;R1、L1、U1和D1分别为第一右边界数值、第一左边界数值、第一上边界数值和第一下边界数值;x1为利用第一右边界值和第一左边界值计算得到的第二平均值,也即为文字标签框重心的横坐标;y1为利用第一上边界值和第一下边界值计算得到的第一平均值,也即为文字标签框重心的纵坐标。
示例性的,高压文字标签框的第一右边界数值和第左边界数值为3和2,则高压文字标签框的重心的第二平均值即横坐标x1为高压文字标签框的第一上边界数值和第一下边界数值为4和6,则高压文字标签框的第一平均值即纵坐标y1为所以文字标签框的重心为(2.5,5)。
可以理解的是,在本发明的一些实施例中,利用文字标签框的坐标确定文字标签框的重心,提高了文字标签框重心确定的准确率。
参见图6,图6是本发明实施例提供的一种应用于服务器的数据快速读取方法流程示意图六,图6示出的S1024可以通过S10241至S10243实现,将结合各步骤进行说明。
S10241、将第一子文字标签框的重心和第一子数字框的重心进行距离计算,确定计算结果;其中,第一子文字标签框为N个子文字标签框的任意一个子文字标签框;第一子数字框为M个子数字框的任意一个子数字框。
在本发明实施例中,适用于确定候选框之间距离结果的场景。
在本发明的一些实施例中,将文字标签框中的每个子文字标签框一一和子数字框中的每个子数字框进行距离计算,统计计算后的距离结果。
在本发明的一些实施例中,N个子文字标签框可以为高压文字标签框、低压文字标签框和脉搏文字标签框;M个子数字框可以为高压、低压和脉搏标签框分别对应的数字框。
在本发明的一些实施例中,可以利用欧氏距离公式计算出文字标签框和数字标签框之间的重心距离,
示例性的,高压文字标签框的重心为(2.5,5)、低压文字标签框的重心为(2,4)、脉搏文字标签框的重心为(5,7)、数字框1的重心1为(2,6)、数字框2的重心为(3,4)、数字框3的重心为(2,6.5),则利用欧氏距离公式可以得出:
高压文字标签框和数字框1的重心距离为1.118;
高压文字标签框和数字框2的重心距离为0.5;
高压文字标签框和数字框3的重心距离为1.802;
低压文字标签框和数字框1的重心距离为2;
低压文字标签框和数字框2的重心距离为2.5;
低压文字标签框和数字框3的重心距离为1;
脉搏标签框和数字框1的重心距离为3.162;
脉搏标签框和数字框2的重心距离为3.605;
脉搏标签框和数字框3的重心距离为3.354。
可以理解的是,在本发明的一些实施例中,计算文字标签框和数字框之间的距离,根据距离结果将文字标签框和数字框进行关联,提高了文字标签框和数字框之间关联关系的准确率。
S10242、基于距离结果,确定与第一子文字标签框距离最小的第一子数字框。
在本发明的一些实施例中,适用于确定文字标签框和数字框之间最小距离的场景。
在本发明的一些实施例中,由S10241统计了任意的文字标签框和任意的数字框之间的距离,将这些距离结果进行比较,确定与每个子文字标签框距离最小的子数字框;
示例性的,通过S10241可以得知:高压文字标签框和数字框2的距离最小,最小距离为0.5。低压文字标签框和数字框3的距离最小,最小距离为1。脉搏文字标签框与数字框1的距离最小,最小距离为3.162。
可以理解的是,在本发明的一些实施例中,根据数字框和文字标签框之间的最小距离,将每个文字标签框和每个数字框进行关联,提高了文字标签框和数字框之间关联关系的准确率。
S10243、将第一子文字标签框的文字标签与距离最小的第一子数字框进行关联。
在本发明的一些实施例中,适用于将文字标签框和数字框进行关联的场景。
在本发明的一些实施例中,当计算出每个文字标签框和每个数字框之间的最小距离后,根据计算出来的最小距离将每个文字标签框和每个数字框进行一一对应。
在本发明的一些实施例中,每个文字标签框都有对应的数字框。
示例性的,高压文字标签框和数字框2的距离最小、低压文字标签框和数字框3的距离最小、脉搏文字标签框与数字框1的距离最小,所以将高压文字标签框和数字框2进行关联,将低压文字标签框和脉搏标签框分别与数字框3和数字框1进行关联。
可以理解的是,在本发明的一些实施例中,根据计算得出的文字标签框和数字框之间的最小距离将每个文字标签框和每个数字框进行一一关联,提高了数字分类识别的准确率。
参见图7,图7是为本发明实施例提供的一种应用于服务器的数据快速读取方法流程示意图七,图7示出的S103可以通过S1031至S1033实现,将结合各步骤进行说明。
S1031、通过对血压图片进行背景降噪处理,确定降噪后的血压图片。
在本发明的一些实施例中,适用于对图片进行降噪的场景。
在本发明的一些实施例中,为了去除背景图片以及镜面反光、拍摄噪点的干扰,对血压图片进行背景降噪处理,得到降噪后的血压图片。
在本发明的一些实施例中,可以通过基于滤波器的方法、基于模型的方法以及基于学习的方法,本发明不做限制。
在本发明的一些实施例中,血压图片为经过预处理后的图片。
可以理解的是,在本发明的一些实施例中,对血压图片进行背景去噪,得到降噪后的血压图片,提高了图片分类识别的准确率。
S1032、对降噪后的血压图片进行处理,确定数字图片的左边界和右边界。
在本发明的一些实施例中,适用于获取数字图片边界的场景。
在本发明的一些实施例中,当服务器获取到降噪后的血压图片后,对图片进行处理,来获取降噪后的血压图片中的数字图片的左边界和右边界。
可以理解的是,在本发明的一些实施例中,对降噪后的血压图片进行处理,获取数字图片的左边界和右边界,利用数字图片的左边界和右边界获取数字框对应的数字图片,最后将获取到的数字图片进行模型的分类和识别,提高了数据的准确率。
S1033、基于数字图片的左边界和右边界,对降噪后的血压图片进行分割处理,确定数字框对应的数字图片。
在本发明的一些实施例中,适用于服务器获取数字图片的场景。
在本发明实施例中,当服务器获取到数字图片的左边界和右边界以后,根据图片左右边界,对降噪后的血压图片进行分割处理,获取数字框对应的数字图片。
可以理解的是,在本发明的一些实施例中,对降噪后的血压图片进行分割处理获得数字框对应的数字图片,能更好的利用分类模型将数字图片转换成数字信息。
参见图8,图8是为本发明实施例提供的一种应用于服务器的数据快速读取方法流程示意图八,图8示出的S1031可以通过S10311至S1034实现,将结合各步骤进行说明。
S10311、计算血压图片的水平方向和垂直方向的梯度值,确定梯度值结果。
在本发明的一些实施例中,适用于确定图片梯度值的场景。
在本发明的一些实施例中,通过已有的计算方法计算出血压图片水平方向的梯度值和垂直方向的梯度值,进而获取梯度值结果。
在本发明的一些实施例中,计算结果为计算得出的水平方向梯度值和垂直方向梯度值。
在本发明的一些实施例中,可以通过Sobel算子、Scharr算子和拉普拉斯算子计算图像的梯度。
可以理解的是,在本发明的一些实施例中,通过获取血压图片水平和垂直方向的梯度值,增大了获取血压仪图片的准确率。
S10312、基于所述梯度值结果,确定血压测量仪的边界信息。
在本发明的一些实施例中,适用于服务器确定血压仪边界信息的场景。
在本发明的一些实施例中,由S10311获取到血压仪水平方向和垂直方向的梯度值,对每行每列的梯度值进行遍历,确定血压测量仪的边界信息。
在本发明的一些实施例中,血压图片包含血压测量仪图片和其他背景图片,所以需要对背景图片进行处理。
可以理解的是,在本发明的一些实施例中,基于血压仪水平方向和垂直方向的梯度值,对每行每列的梯度值进行遍历,确定血压测量仪的边界信息,去除了图片背景的干扰。
S10313、通过对数字框进行计算,确定降噪后的数字框。
在本发明的一些实施例中,适用于确定降噪后的数字框的场景。
在本发明实施例中,对血压图片进行背景去噪后获得只包含血压测量仪的图片,为了防止镜面反光、拍摄噪点等干扰因素,对只包含血压测量仪的图片中的数字框进行降噪处理,来获取降噪后的数字框。
在本发明的一些实施例中,数字框包含多个子数字框,对多个子数字框都进行去噪处理。
可以理解的是,在本发明的一些实施例中,对只包含血压测量仪的图片中的数字框进行降噪,可以避免镜面反光、拍摄噪点等干扰因素,提高图片的识别准确率。
S10314、基于血压测量仪的边界信息和降噪后数字框,对血压图片进行剪裁,确定降噪后的血压图片。
在本发明的一些实施例中,适用于确定降噪后的血压图片的场景。
在本发明的一些实施例中,在本发明的一些实施例中,获取到血压测量仪的边界信息和降噪后的数字框后,对完整的血压图片进行裁剪,去掉其他的背景图片,获取降噪后的血压图片。
可以理解的是,在本发明的一些实施例中,度图片记性降噪处理,获取降噪后的血压图片,可以避免镜面反光、拍摄噪点等干扰因素,提高图片的识别准确率。
参见图9,图9是为本发明实施例提供的一种应用于服务器的数据快速读取方法流程示意图九,图9示出的S10312可以通过S301至S302实现,将结合各步骤进行说明。
S301、基于梯度值结果,按列遍历血压图片水平方向的梯度值,获取梯度值最大的两个列,确定血压测量仪的左边界信息和右边界信息。
在本发明的一些实施例中,适用于确定血压测量仪边界信息的场景。
在本发明的一些实施例中,获取了血压图片水平方向和垂直方向的梯度值后,对矩阵的列进行遍历,找到梯度值最大的两个列,所获取的这两个列则为血压测量仪的左边界信息和右边界信息。
在本发明的一些实施例中,可以通过回形遍历或对角线遍历矩阵,本发明不做限制。
可以理解的是,在本发明的一些实施例中,根据梯度值来获取血压测量仪的边界信息,进而获取降噪后的血压测量仪图片,可以避免镜面反光、拍摄噪点等干扰因素,提高图片的识别准确率。
S302、基于梯度值结果,按行遍历血压图片垂直方向的梯度值,获取梯度值最大的两个行,确定血压测量仪的上边界信息和下边界信息。
在本发明的一些实施例中,适用于确定血压测量仪边界信息的场景。
在本发明的一些实施例中,获取了血压图片水平方向和垂直方向的梯度值后,对矩阵的行进行遍历,找到梯度值最大的两个行,所获取的这两个行则为血压测量仪的上边界信息和下边界信息。
在本发明的一些实施例中,可以通过回形遍历或对角线遍历矩阵,本发明不做限制。
可以理解的是,在本发明的一些实施例中,根据梯度值来获取血压测量仪的边界信息,进而获取降噪后的血压测量仪图片,可以避免镜面反光、拍摄噪点等干扰因素,提高图片的识别准确率。
参见图10,图10是本发明实施例提供的一种应用于服务器的数据快速读取方法流程示意图十,图10示出的S10313可以通过S401至S403实现,将结合各步骤进行说明。
S401、获取数字框包含的所有像素中前X列的像素值,计算前X列像素值的平均值,确定计算结果;其中,1≤X<Y,Y为包含的像素列数。
在本发明的一些实施例中,适用于确定像素平均值的场景。
在本发明的一些实施例中,将数字框图片可以作为一个二维数组,数组中的数值为图片的所有像素值,如下式(2)所示,然后获取数组中前X列(1≤X<Y)的像素值并计算平均值。
本发明的一些实施例中,数组中的数值为背景像素值。
可以理解的是,在本发明的一些施例中,计算数组中前X列(1≤X<Y)像素值的平均值,利用平均值进行像素值的筛选来对数字框进行降噪,一定程度上可以避免镜面反光、拍摄噪点等干扰因素,提高图片的识别准确率。
S402、将所有像素中大于等于平均值的像素值确定为最大像素值。
在本发明的一些实施例中,适用于确定最大像素值的场景。
在本发明的一些实施例中,计算数组前X列(1≤X<Y)列数值的平均值后,将其认为是背景的像素值,通过比较数组中其他数值与该平均值来对数组中的其他数值进行设置。如果数值中的数值大于平均值,则将其设置为255,如果数组中的数值小于平均值,则将其设置为0。
在本发明的一些实施例中,最大像素值为255,最小像素值为0。
示例性的,令X等于5,取数组中前5列的像素值并计算平均值为132,将该平均值与数组中的所有像素值进行比较,根据比较结果分别将其他像素值的数值设置为255或0。
示例性的,设置公式(3)如下所示:
可以理解的是,在本发明的一些实施例中,将数组中的其他数值和计算获取的平均值进行对比,如果大于平均值,则为255,如果小于平均值,则设置为0,通过这中方法对数字框进行降噪,避免镜面反光、拍摄噪点等干扰因素,提高图片的识别准确率。
S403、通过保留最大像素值,确定降噪后的数字框。
在本发明的一些实施例中,适用于确定降噪后的数字框的场景。
在本发明的一些实施例中,由S402可知,已经将数组中的数值分为两部分,一部分为255,一部分为0。0代表图像是黑色的,没有色彩,通过这种方法,获取降噪后的数字框。
可以理解的是,在本发明的一些实施例中,通过保留所述最大像素值,确定降噪后的数字框,避免镜面反光、拍摄噪点等干扰因素,提高图片的识别准确率。
参见图11,图11是本发明实施例提供的一种应用于服务器的数据快速读取方法流程示意图十一,图11示出的S1032可以通过S10321至S10324实现,将结合各步骤进行说明。
S10321、遍历降噪后的血压图片包含的所有像素列数中每一列的像素值,确定每一列像素值等于最大像素值的像素值个数。
在本发明的一些实施例中,适用于确定每列中数字等于最大像素值的数值个数。
在本发明的一些实施例中,遍历数组中每一列的值,统计每一列中等于最大像素值255的数值个数。
在本发明的一些实施例中,可以通过回形遍历或对角线遍历矩阵,本发明不做限制。
可以理解的是,在本发明的一些实施例中,通过统计每列中像素值255的数值个数,通过统计来将图片进行分割获得数字框对应的数字图片,能更好的利用模型进行自动识别。
S10322、若任意列的像素值个数大于任意列的列数值一半,则确定任意列的下一列的像素值个数。
在本发明的一些实施例中,适用于服务器确定像素值个数的场景。
在本发明的一些实施例中,遍历并统计完降噪后的血压图片中所有像素列数中每一列的最大像素值后,将每一列的拥有的最大像素值个数和它的列数值进行比较,如果存在一列,使得该列的最大像素值个数像素值大于它的列数值的一半,那么继续判断该列的下一列的最大像素值个数。
在本发明的一些实施例中,列数值为该列的值,若第6列,则列数值为6。
示例性的,如果第6列中像素值等于255的数值为4个,列数值的一半为3,4>3,则继续判断第7列中最大像素值的个数。
可以理解的是,在本发能的一些实施例中,通过统计所有像素列数中每一列的最大像素值个数,将任意列的像素值个数和任意列的列数值进行比较,并结合任意列的下一列的最大像素值个数根据后续的判断条件来确定数字图片的左边界和右边界,提高了数字图片的左边界和右边界的确定准确率。
S10323、若所述任意列的下一列的所述像素值个数大于所述任意列的列数值一半,则所述列数值为数字图片的左边界。
在本发明的一些实施例中,适用于确定数字图片边界的场景。
在本发明的一些实施例中,已由S10321统计了数组中每一列的像素值等于255的个数,如果存在一列,使得这一列的像素值为255的数值个数大于列数值的一半,并且这一列的下一列中像素值为255的数值个数也大于该列数值的一半,那个该列数值为数字图片左边界。
示例性的,具体判断方法如下所示:
当Cj>j/2且Cj+1>j/2,将该j值视为数字的左边界;
当Cj>j/2且Cj+1<j/2,将该j值视为数字的左边界;
示例性的,如果第6列中像素值等于255的数值为4个,列数值的一半为3,第6列中的下一列第7列中像素值等于255的数值为5个,那么第6列同时满足像素值4大于列数值3且它的下一列第7列数值为5大于列数值3,则列数值6为数字图片的左边界。
可以理解的是,在本发明的一些实施例中,当任意列的最大像素值个数大于任意列的列数值一半,通过判断任意列的下一列的最大像素值个数是否满足判断条件的方法来确定数字图片的左边界,提高了数字图片的左边界和右边界的确定准确率。
S10324、若任意列的下一列的像素值个数小于任意列的列数值一半,则列数值为数字图片的右边界。
在本发明的一些实施例中,适用于确定数字图片边界的场景。
在本发明的一些实施例中,已由S10321统计了数组中每一列的像素值等于255的个数,如果存在一列,使得这一列的像素值为255的数值个数大于列数值的一半,并且这一列的下一列中像素值为255的数值个数小于该列数值的一半,那个该列数值为数字图片右边界。
示例性的,如果第6列中像素值等于255的数值为4个,列数值为3,第6列中的下一列第7列中像素值等于255的数值为2个,那么第6列同时满足像素值4大于列数值3且它的下一列第7列数值为2大于列数值3,则列数值6为数字图片的右边界。
可以理解的是,在本发明的一些实施例中,当任意列的最大像素值个数大于任意列的列数值一半,通过判断任意列的下一列的最大像素值个数是否满足判断条件的方法来确定数字图片的右边界,提高了数字图片的左边界和右边界的确定准确率。
参见图12,图12是本发明实施例提供的一种应用于服务器的数据快速读取方法流程示意图十二,图12示出的S104可以通过S1041至S1042实现,将结合各步骤进行说明。
S1041、基于关联关系和数字图片,确定文字标签对应的待识别数字图片。
在本发明的一些实施例中,适用于确定文字标签对应的数字图片的场景。
在本发明的一些实施例中,上述步骤中通过计算文字标签框和数字框之间的最小距离确定与文字标签框对应的文字标签与数字框的关联关系;对降噪后的图片进行分割后获得了数字框对应的数字图片,最后利用确定的关联关系和分割后获得的数字图片将文字标签和待识别的数字图片进行对应。
可以理解的是,在本发明的一些实施例中,根据关联关系和图片分割后获得的数字图片,将文字标签和待识别数字图片进行对应,提高了数据识别的准确率。
S1042、采用分类模型对待识别数字图片进行分类识别,得到了文字标签对应的数字信息。
在本发明的一些实施例中,适用于将数字图片转换成数字信息的场景。
在本发明的一些实施例中,对分类模型进行训练,利用训练完成的分类模型对获取的数字图片进行分类识别,将图片信息转换成数字信息。
在本发明的一些实施例中,分类模型可以是支持向量机、决策树、K最近邻、逻辑回归、朴素贝叶斯以及各神经网络等等,本发明不做限制。
可以理解的是,在本发明实施例中,通过分类模型对数字图片进行分类识别,将数字图片转化成数字信息,并和文字标签进行对应。采用这种自动分类识别的方法获取血压仪的数字信息提高了数据的准确性。
图13是为本发明实施例提供的一种应用于终端的数据快速读取方法流程示意图一,将结合图13示出的步骤进行说明。
S501、采集针对血压测量仪的初始血压图片。
在本发明实施例中,适用于采集图片的场景。
在本发明实施例中,通过收集老年人的血压图片进行分类识别。
在本发明实例中,原始的血压图片可以通过电子设备的摄像头(例如,手机的相机或者其他存储介质)进行拍摄来获取,本发明不做限制。
在本发明实施例中,血压图片包括清晰的血压图片和模糊的无法进行辨认的血压图片。
可以理解的是,在本发明实施例中,相比于手动进行输入数据而言,直接采集血压图片进行自动识别提高了数据的准确率。
S502、对初始血压图片进行处理,得到血压图片,并将血压图片发送至服务器。
在本发明实施例中,适用于对图片进行处理,并发送到服务器的场景。
在本发明实施例中,先对血压图片进行预处理,消除掉图像中无关的信息,增强有关信息的可检性的同时极大限度的简化了数据,最后将处理后的图片发送到服务器。
在本发明实施例中,终端与服务器之间的信息交互方法,本发明不做限制。
可以理解的是,在本发明实施例中,先对图片进行预处理,使原始的图片变为质量较高的图片,提高了后期图片分割、分类和识别的准确率。
S503、接收服务器返回的将血压图片转换成的文字标签对应的数字信息。
在本发明实施例中,适用于接收服务器返回的数字信息的场景。
在本发明实施例中,服务器对血压图片处理完以后获得了文字标签对应的数字信息,并将获取到的文字信息返回至移动终端,移动终端进行接收。
可以理解的是,在本发明实施例中,移动终端接收服务器返回的数字信息并进行展示,相比于手动输入数据而言,这种自动识别数据的方法提高了数据的准确率。
参见图14,图14是本发明实施例提供的一种应用于终端的数据快速读取方法流程示意图二,图14示出的S502可以通过S5021至S5023实现,将结合各步骤进行说明。
S5021、对训练完成的所述第一网络进行模型量化,得到第二网络;其中,第一网络为对初始激活函数进行改进得到的网络。
在本发明的一些实施例中,适用于对模型进行量化,确定量化后的模型的场景。
在本发明的一些实施例中,对激活函数进行改进后的模型进行训练,在模型训练完以后,将模型应用到移动终端。因为模型中含有大量的参数,占有的存储较大,不适合在移动终端上进行推理,为了更好的在移动终端上进行推理,对模型实行量化,将量化后的模型应用到移动终端。
在本发明实的一些施例中,对改进后的模型进行训练的训练集和测试集为原始的血压图片。
可以理解的是,在本发明的一些实施例中,对训练完成的模型进行量化,得到量化后的模型,量化后的模型能直接应用到移动终端上,使得移动终端能更好的对血压图片进行自动处理。
S5022、通过第二网络,对初始血压图片进行处理,得到血压图片。
在本发明的一些实施例中,适用于对图片进行预处理的场景。
在本发明的一些实施例中,终端获取到原始的血压图片以后,利用量化后的模型对原始的图片进行预处理,消除图像中无关的信息,恢复有用的真实信息,增强有关信息的可检测性和最大限度地简化数据,得到处理后的质量较高的图片。
可以理解的是,在本发明的一些实施例中,利用应用在移动终端的量化模型对原始的血压图片进行改进,获得处理后的质量较高的血压图片,提高了后期图片分割、分类和识别的准确率。
S5023、将血压图片发送至服务器。
在本发明中的一些实施例中,适用于终端将图片发送至服务器的场景。
在本发明中的一些实施例中,终端利用量化模型对原始的血压图片处理后获得处理后的血压图片,然后将处理后的图片发送到服务器。
在本发明实施例中,终端与服务器之间的信息交互方法,本发明不做限制。
可以理解的是,在本发明中的一些实施例中,终端将图片直接发送到服务器,利用服务器对图片进行处理,最后在返回终端,相比于手动输入数据,该方法提高了数据的准确率。
对初始激活函数进行改进得到的第一网络可以通过S50211进行说明。
S50211、第一网络对应的激活函数为对初始激活函数进行分段处理后得到的;其中,对初始激活函数分段包括:在目标变量小于第一预设值时,确定目标变量与第二预设值中最大的为函数值;在目标变量大于等于第一预设值时,确定第一预设值为函数值。
在本发明中的一些实施例中,适用于对激活函数进行改进,得到改进后的网络的场景。
在本发明的一些实施例中,首先对初始的网络进行改进得到第一网络,然后对第一网络的激活函数进行改进,对激活函数进行改进时,设置第一预设值,当目标变量小于设置的值时,函数值为该目标变量和0之间的最大值,当目标变量大于等于第一预设值时,函数值的大小等于第一预设值。通过将原始的激活函数的上限取值范围进行改进,得到改进后的第一网络,这样使得第一网络在移动终端上运行时也有较好的精度。
在本发明的一些实施例中,初始的网络可以为卷积神经网络,用于通过卷积、池化与激活等处理过程,对输入的图片进行特征提取与分析,检测得到图片中的文本区域,如文字标签框和数字框。在本发明的一些实施例中,初始的网络可以为mobilenet网络。
示例性的,原始的激活函数的表达式如下式(4)所示:
f(m)=max(0,m) (4)
示例性的,假设第一预设值为8,则对原始的激活函数目标变量进行改进得到改进后的激活函数的表达式为如下(5)所示:
在本发明的一些实施例中,目标变量m为第一网络通过卷积层和池化层对血压图片进行处理后得到的处理结果。
在本发明的一些实施例中,第二预设值为公式中的0。
可以理解的是,在本发明的一些实施例中,通过对原始的激活函数进行改进,在模型应用于移动终端的时候,增大了数值的分辨率,避免了精度的损失。
参见图15,图15是本发明实施例提供的一种应用于终端的数据快速读取方法流程示意图三;图15示出的S5022可以通过S50221至S50225实现,将结合各步骤进行说明。
S50221、获取第二网络中的网络参数,确定网络参数中的最大浮点值和最小浮点值。
在本发明的一些实施例中,适用于确定模型数据最大浮点值和最小浮点值的场景。
在本发明的一些实施例中,将模型中的数据放入到一个数组中,找到数组中的最大值和最小值。
在本发明的一些实施例中,数组中的最大值为需要确定的最大浮点值,最小值为需要确定的最小浮点值。
在本发明的一些实施例中,模型的数据包括权重、偏差以及激活值等等。
可以理解的是,在本发明的一些实施例中,获取模型数据中的最大浮点值和最小浮点值,将其进行量化,获取量化后的模型。量化后的模型能直接应用到移动终端上,使得移动终端能更好的对血压图片进行自动处理。
S50222、根据最大浮点值、最小浮点值、最大定点值和最小定点值,确定定点量化后表示的最小刻度值。
在本发明的一些实施例中,适用于确定定点量化后表示的最小刻度值的场景。
在本发明的一些实施例中,先获取到模型数据中的最大浮点值和最小浮点值后,然后根据int8数据的取值范围确定最大定点值和最小定点值,最后计算出定点量化后表示的最小刻度值。
示例性的,激活值的范围为[-2.0,6.0],用int8进行模型量化,则定点量化值范围为[-128,127];其中,最大浮点值为6.0、最小浮点值为-2.0、最大定点值为127以及最小定点值为-128。由上述四个值确定定点量化后表示的最小刻度值。
可以理解的是,在本发明的一些实施例中,根据最大浮点值、所述最小浮点值、最大定点值和最小定点值,确定定点量化后表示的最小刻度值,进而求取量化后的模型,将量化后的模型能直接应用到移动终端上,使得移动终端能更好的对血压图片进行自动处理。
S50223、通过最大定点值、最小刻度值和所述最大浮点值,确定初始浮点值对应的量化定点值。
在本发明的一些实施例中,适用于初始浮点值对应的量化定点值的场景。
在本发明的一些实施例中,通过最大定点值、最大浮点值以及由S50222获取到定点量化后表示的最小刻度值进行计算,获取初始浮点值对应的量化定点值。
可以理解的是,在本发明的一些实施例中,将最大定点值、最大浮点值和最小刻度值计算,获得初始浮点值对应的量化定点值,进而求取量化后的模型,将量化后的模型能直接应用到移动终端上,使得移动终端能更好的对血压图片进行自动处理。
S50224、根据初始浮点值对应的量化定点值、最小刻度值和任一的浮点值,确定任一的量化定点值。
在本发明的一些实施例中,适用于任一的量化定点值的场景。
在本发明的一些实施例中,确定了最小刻度值和初始浮点值对应的量化定点值后,对于任一的浮点值,求取任一的量化定点值。
可以理解的是,在本发明的一些实施例中,将初始浮点值对应的量化定点值、最小刻度值和任一的浮点值进行计算,确定任一的量化定点值,进而求取量化后的模型,将量化后的模型能直接应用到移动终端上,使得移动终端能更好的对血压图片进行自动处理。
S50225、通过将浮点值量化为定点值后,得到第二网络。
在本发明的一些实施例中,适用于得到量化后的模型的场景。
在本发明的一些实施例中,通过S50221到S50224的过程中,将模型中所有的浮点值量化为定点值后,模型参数被压缩,得到量化后的量化模型。
可以理解的是,在本发明的一些实施例中,将模型中所有的浮点值量化为定点值后,模型参数被压缩,得到量化后的量化模型,将量化后的模型可以应用到移动终端上,使得移动终端能更好的对血压图片进行自动处理,相比与手动进行数据的输入,该方法可以提高数据的准确率。
参见图16,图16是本发明实施例提供的一种应用于终端的数据快速读取方法流程示意图四,图16示出的S50222可以通过S601至S603实现,将结合各步骤进行说明。
S601、将最大浮点值和最小浮点值做差,得到第一差值。
在本发明的一些实施例中,适用于确定差值的过程。
在本发明的一些实施例中,确定了最大浮点值、最小浮点值,将上述值进行做差处理,得到第一差值。
示例性的,由S50221获取的值计算进行计算,可以得到:
Rmax-Rmin=6.0-(-2.0)=8.0
其中,Rmax、Rmin分别为最大浮点值、最小浮点值。
可以理解的是,在本发明的一些实施例中,将最大浮点值、最小浮点值分别做差,得到第一差值,为求取最小刻度值提供前提条件。
S602、将最大定点值和最小定点值做差,得到第二差值。
在本发明的一些实施例中,确定了最大定点值、最小定点值,将上述值进行做差处理,得到第二差值。
示例性的,由S50221获取的值计算进行计算,可以得到:
Qmax-Qmin=127-(-128)=255
其中,Qmax和Qmin分别为最大定点值和最小定点值。
可以理解的是,在本发明的一些实施例中,将最大定点值和最小定点值分别做差,得到第二差值,为求取最小刻度值提供前提条件。
S603、将第一差值和第二差值进行除法运算,确定定点量化后表示的最小刻度值。
在本发明的一些实施例中,适用于确定最小刻度值的场景。
在本发明的一些实施例中,分别获取的定点值和浮点值的差值后,将该两个差值进行除法运算,获取定点量化后表示的最小刻度值。
示例性的,计算定点量化后表示的最小刻度值可以用如下公式(6)进行计算:
其中,S表示定点量化后表示的最小刻度值。
可以理解的是,在本发明的一些实施例中,将S601获取的差值进行除法运算,确定定点量化后表示的最小刻度值,进而求取量化后的模型,将量化后的模型能直接应用到移动终端上,使得移动终端能更好的对血压图片进行自动处理。
参见图17,图17是本发明实施例提供的一种应用于终端的数据快速读取方法流程示意图五,图17示出的S50223可以通过S701至S702实现,将结合各步骤进行说明。
S701、将最大浮点值和最小刻度值做除法运算,确定运算结果。
在本发明的一些实施例中,适用于确定运算结果的场景。
在本发明的一些实施例中,将最大浮点值和最小浮点值进行除法计算,确定运算结果。
示例性的,计算运算结果可以通过如下公式(7)进行计算:
可以理解的是,在本发明的一些实施例中,通过最大浮点值和最小刻度值做除法运算,求取运算结果,为确定初始浮点值对应的量化定点值提供前提条件。
S702、通过对最大定点值和运算结果做差,确定初始浮点值对应的量化定点值。
在本发明的一些实施例中,适用于确定初始浮点值对应的量化定点值的场景。
在本发明的一些实施例中,获取到最大定点值和运算结果值后,将两者进行做差处理,确定初始浮点值对应的量化定点值。
示例性的,计算初始浮点值对应的量化定点值可以通过如下公式(8)进行计算:
其中,Z表示为初始浮点值对应的量化定点值。
示例性的,Z=127-191.25=-64。
可以理解的是,在本发明的一些实施例中,通过将最大定点值和运算结果计算,来获取初始浮点值对应的量化定点值,进而求取量化后的模型,将量化后的模型能直接应用到移动终端上,使得移动终端能更好的对血压图片进行自动处理。
S50224可以通过S801实现,将结合各步骤进行说明。
S801、根据任一浮点值、初始浮点值对应的量化定点值和最小刻度值,确定任一量化后的定点值。
在本发明的一些实施例中,适用于确定任一量化后的定点值的场景。
在本发明的一些实施例中,在求任一浮点值对应的量化后的定点值时,根据初始浮点值对应的量化定点值和最小刻度值进行计算,来获取任一量化后的定点值。
示例性的,计算任一量化后的定点值可以通过如下公式(9)进行计算:
其中,R表示任一的浮点值,Q表示任一的量化后的定点值。
可以理解的是,在本发明的一些实施例中,将浮点值进行量化,得到量化后的定点值,压缩了模型的参数,使得模型可以应用到移动终端上,然后利用移动终端自动识别图片,提高了数据的准确率。
为了能更加体现本发明的目的,下面,将说明本发明实施例在一个实际的应用场景中的示例性应用。
本发明实施例提供一种数据快速识别读取的方法,可选的流程图如图18所示。
S1、终端采集针对血压测量仪的初始血压图片。
S2、终端对初始的血压图片进行预处理,得到血压图片。
S3、终端将血压图片发送到服务器。
S4、服务器接收终端上传的血压图片并利用字符框检测模型对终端上传的血压图片进行检测,确定血压图片中的文字标签框和数字框。
S5、服务器获取到文字标签框和数字框后,确定文字标签框对应的文字标签和数字框的关联关系。
S6、服务器对血压图片进行背景处理,得到数字框对应的数字图片。
S7、服务器基于一个模型和数字图片进行分类识别,并且结合之前的关联关系,得到了文字标签对应的数字信息。
S8、服务器将文字标签对应的数字信息发送到终端。
S9、终端接收服务器返回的将血压图片转换成的文字标签对应的数字信息。
在上述步骤中,具体的实现过程和前面解释的步骤的实现过程一致,此处不再赘述。
可以理解的是,现有技术中,用测量完血压中,直接通过手动输入的方法进行数据的输入,在使用相关APP的过程中,用户容易出现对于屏幕中的读数认知不正确,或对于智能手机中的APP使用方式不正确,使得难以采集正确的读数。本发明实施例通过终端对图片进行预处理,然后把图片发送到服务器,利用服务器对图片进行识别和分类,最后将数字信息返回到终端,原始的手动输入数据变为自动的读取数据,且并不依赖于外部环境,提高了数据的准确率。
示例性的,以自动识别读取血压仪的数据为例,主要包括以下步骤:
S10、在移动终端上对血压图片进行预处理。
在移动终端上对血压图片进行预处理,包括:
S10.1、采集用户利用电子设备进行拍照的原始的血压图片(针对血压测量仪的初始血压图片)。
S10.2、对mobilenet网络的激活函数的上限进行改进,将其上限值设置为8得到backbone模型(第一网络),然后利用训练集和数据集进行训练和测试,该测试集和训练集为原始的血压图片,得到准确率满足要求的模型,最后在对模型进行量化,得到拒绝模型(第二网络)并将该拒绝模型应用于移动终端。
最后在对模型进行量化,量化后的模型并将该量化模型应用于移动终端,包括:
S10.2.1、对于模型中的全部数据(包括权重与偏差)(第二网络中的网络参数)放入一个数组中,并获取该数组的最大值Max(最大浮点值)与最小值Min。(最小浮点值)
S10.2.2、根据上式所算出的初始浮点值对应的量化定点值和定点量化后表示的最小刻度值。
将模型的全部数据从浮点型转化成定点量化数据,模型的参数被压缩,进而得到可以直接应用到移动终端的量化模型(第二网络)。
S11、移动终端将处理后的血压图片发送到服务器。
S12、服务器接收到预处理后的图片以后,利用yolo网络(字符检测模型)开始检测血压图片中的字符框(文字标签框和数字框),具体方法如下:
S12.1、采用数据集对yolo网络进行训练,数据集为经过预处理后的血压图片,设置阈值,当模型的准确率达到该阈值时,训练结束,获取训练好的yolo模型。
S12.2、对数据进行标签标注,高压、低压、脉搏(身体指标)的数字标签为digit,高压文字标签为SYS,低压文字标签为DIA,脉搏标签为Pulse,采用训练好的yolo模型对处理后的血压图片进行检测,其中,图19为本发明实施例提供的一种血压图片的效果示意图。
S12.3、将检测到的血压图片中的候选框的坐标(第一坐标、第二坐标)输出,对于每一张血压图片,会获得六组数据,如下式(10)所示:
其中,R、U、L、D(第一/二右边界数值、第一/二上边界数值、第一/二左边界数值、第一/二下边界数值)分别为候选框的右、上、左、下边界到原点坐标的距离值。
S12.4、利用候选框的坐标计算血压图片中每个候选框的重心(N个子文字标签框的重心、N个子数字框的重心),计算方式如下(11)所示:
上式中,D1、D2、D3(第一子数字框)分别表示子数字框。SYS、DIA、PULISE(第一子文字标签框)分别表示文字标签,x和y表示重心的坐标,SYS标签框的计算公式由公式(1)可得。
S12.5、利用欧式距离公式计算出每个文字标签框与每个数字框之间的距离,然后找到文字标签框和数字框之间的最小距离。以高压文字标签框和数字框为例,计算SYS框与D1,D2,D3的欧式距离,并找到该结果的最小值,此时SYS的值就是对应的Di的值,计算公式如下(12)所示:
按照上述方式可以计算得到DIA和PULSE的值,用这种方法可以将数值与标签关联起来,如图20所示,图20为本发明实施例提供的血压仪图片中候选框之间关联关系的效果示意图。
S13、对检测出的血压图片进行背景去噪处理,得到降噪后的血压图片。
由于血压仪的背景较为复杂,可能在桌子上,也可能在其他背景上。但血压仪作为一个仪器,与背景有着较大的差别,即血压仪的图像像素与周围图像的像素特征差别较大,并且血压仪作为一个整体,具有连续性,即相邻像素的梯度较大、且该位置与相邻位置的梯度的变化都较大。为去除背景的干扰,采用计算图像的梯度。
S13.1、分别计算图片水平方向的梯度,与垂直方向的梯度。
S13.2、按列遍历图片水平方向的梯度,对于梯度值较大的列(最大的两个列),便可以认为是血压仪的左右边沿(左边界信息、右边界信息)。
S13.3、按行遍历图片垂直方向的梯度,对于梯度值较大的行(最大的两个行),便可以认为是血压仪的上下边沿(上边界信息、下边界信息)。
根据上述计算图像梯度的方法找到血压图片中血压仪的边沿,去除了背景图像的干扰。得到去噪后的血压仪图片后,为了去除镜面反光,拍摄噪点等干扰因素,对检测出的数字框也进行背景去噪处理,如图21所示,图21为本发明实施例提供的检测出的血压图片中数字框的效果示意图。获取数字框包含的所有像素中前X列的像素值,令X=5,取前5列像素的像素值,计算前五列数据的平均数,将计算得到的平均值可认为是背景的像素值。
计算得到该平均值后,将该平均值和所有的像素值进行比较,如果存在像素值大于等于该平均值,则将该像素的数值设置为255,如果存在像素值大于等于该平均值,则将该像素的数值设置为0,即如下公式(13)所示:
根据上述方法,通过保留最大像素值,即255的值,以对检测框进行去噪。
S14、对血压图片降噪后,对降噪后的图片进行分割处理,获得单独的数字图片,具体方法如下:
S14.1、对于背景消除之后,遍历每一列的像素值,计算每一列255(最大像素值)个数的个数,记为Cj。
S14.2、当Cj(任意列)>j/2且Cj+1(任意列的下一列)>j/2,将该j(列数值)值视为数字的左边界。
S14.3、当Cj>j/2且Cj+1<j/2,将该j值视为数字的左边界。
S15、将数字(数字图片)传入训练好的SVM(分类模型)中,对于每一个数字进行分类,便可以将图片信息(数字图片)转化成文本信息。(数字信息)
S16、服务器将文字标签框对应的数字信息返回至移动终端。
可以理解的是,在用户利用血压测量仪进行测量并将结果输入到相应APP时,由原始的手动输入数据变为APP可以自动的读取数据,且并不依赖于外部app,提高了数据的准确率。
本发明实施例提供一种数据快速识别读取装置,如图22所述,图22为本发明实施例提供的一种数据快速识别读取装置的结构示意图,应用于终端,该数据快速识别读取装置包括:采集单元2201、第一确定单元2202、第一发送单元2203、第一接收单元2204;其中,
所述采集单元2201,用于采集针对血压测量仪的初始血压图片;
所述第一确定单元2202,用于对所述初始血压图片进行处理,得到所述血压图片;
所述第一发送单元2203,用于将得到的所述血压图片发送至服务器;
所述第一接收单元2204,用于接收所述服务器返回的将所述血压图片转换成的文字标签对应的数字信息。
在本发明的一些实施例中,所述第一确定单元2202,还用于对训练完成的第一网络进行模型量化,得到第二网络;其中,第一网络为对初始激活函数进行改进得到的网络;以及通过所述第二网络,对所述初始血压图片进行处理,得到所述血压图片。
在本发明的一些实施例中,所述第一确定单元2202,还用于所述第一网络对应的激活函数为对所述初始激活函数进行分段处理后得到的;其中,对所述初始激活函数分段包括:在目标变量小于第一预设值时,确定目标变量与第二预设值中最大的为函数值;在目标变量大于等于第一预设值时,确定第三预设值为函数值。
在本发明的一些实施例中,所述第一确定单元2202,还用于获取所述第二网络中的网络参数,确定全部数据中的最大浮点值和最小浮点值;及根据所述最大浮点值、所述最小浮点值、最大定点值和最小定点值,确定定点量化后表示的最小刻度值;及通过所述最大定点值、所述最小刻度值和所述最大浮点值,确定初始浮点值对应的量化定点值;以及根据所述初始浮点值对应的量化定点值、所述最小刻度值和任一的浮点值,确定任一的量化定点值。
在本发明的一些实施例中,所述第一确定单元2202,还用于将将所述最大浮点值和所述最小浮点值做差,得到第一差值;及将所述最大定点值和所述最小定点值做差,得到第二差值;以及将所述第一差值和所述第二差值进行除法运算,确定所述定点量化后表示的最小刻度值。
在本发明的一些实施例中,所述第一确定单元2202,还用于将所述最大浮点值和所述最小刻度值做除法运算,确定运算结果;以及通过对所述最大定点值和所述运算结果做差,确定所述初始浮点值对应的量化定点值。
在本发明的一些实施例中,所述第一确定单2202,还用于通过对所述最大定点值和所述运算结果做差,确定所述初始浮点值对应的量化定点值。
在本发明的一些实施例中,所述第一确定单元2202,还用于根据所述任一浮点值、所述初始浮点值对应的量化定点值和所述最小刻度值,确定所述任一量化后的定点值。
可以理解的是,在上述装置实现方案中,对原始的网络的激活函数进行改进得到第一网络,然后对第一网络进行参数压缩得到第二网络,将第二网络应用到终端上。终端直接利用第二网络对血压图片进行预处理获得质量较高的血压图片,然后将血压图片发送到服务器进行检测识别,提高了图片识别的准确率,且终端将图片发送到服务器进行检测,避免了手动输入数据的弊端,提高了数据的准确率。
本发明实施例提供一种数据快速识别读取装置,如图23所述,图23为本发明实施例提供的另一种数据快速识别读取装置的结构示意图,应用于服务器,该数据快速识别读取装置包括:第二接收单元2301、第二确定单元2302、第二发送单元2303;其中,
所述第二接收单元2301,用于接收终端上传的血压图片。
所述第二确定单元2302,用于利用字符框检测模型对终端上传的血压图片进行检测,确定所述血压图片中的文字标签框和数字框;及用于基于获取的所述文字标签框和所述数字框,确定与所述文字标签框对应的文字标签与所述数字框的关联关系;及对所述血压图片进行背景处理,得到所述数字框对应的数字图片;以及基于分类模型和所述数字图片进行分类识别,并结合所述关联关系,得到了所述文字标签对应的数字信息。
所述第二发送单元2303,用于将所述文字标签对应的数字信息发送至所述终端。
在本发明的一些实施例中,所述第二确定单元2302,还用于确定所述文字标签框的第一坐标和所述数字框的第二坐标;及基于所述第一坐标,确定所述文字标签框的第一重心;及基于所述第二坐标,确定所述数字框的第二重心;以及通过所述第一重心和所述第二重心,确定所述文字标签框和所述数字框的映射关系,进而确定所述文字标签框对应的文字标签与所述数字框的关联关系。
在本发明的一些实施例中看,所述第二确定单元2302,还用于基于所述第一坐标,获取所述文字标签框的第一上边界数值、第一下边界数值、第一左边界数值和第一右边界数值;及将所述第一上边界数值和所述第一下边界数值,计算求取第一平均值;以及将所述第一左边界数值和所述第一右边界数值计算求取第二平均值,并且基于所述第一平均值和所述第二平均值确定所述文字标签框的所述第一重心;及基于所述第二坐标,获取所述数字框的第二上边界数值、第二下边界数值、第二左边界数值和第二右边界数值;以及将所述第二上边界数值和所述第二下边界数值计算求取第三平均值,以及将所述第二左边界数值和所述第二右边界数值计算求取第四平均值,并且基于所述第三平均值和所述第四平均值确定所述数字框的所述第二重心。
在本发明的一些实施例中看,所述第二确定单元2302,还用于基于所述第一顶点坐标、所述第二顶点坐标、所述第三顶点坐标和所述第四顶点坐标,确定第一横坐标、第二横坐标、第一纵坐标和第二纵坐标;以及将所述第一横坐标和所述第二横坐标分别到坐标轴中的坐标原点的距离进行比较;若所述第一横坐标到所述坐标原点的所述距离大于所述第二横坐标到所述坐标原点的所述距离,则所述第一横坐标的值为所述第一右边界数值,所述第二横坐标的值为所述第一左边界数值,还用于若所述第一纵坐标到所述坐标原点的所述距离大于所述第二纵坐标到所述坐标原点的所述距离,则所述第一纵坐标的值为所述第一上边界数值,所述第二纵坐标值为所述第一下边界数值。
在本发明的一些实施例中看,所述第二确定单元2302,还用于将所述第二平均值,确定为所述第一重心的横坐标;及将所述第一平均值,确定为所述第一重心的纵坐标;以及基于所述第一重心的横坐标和所述第一重心的纵坐标,确定所述文字标签框的所述第一重心。
在本发明的一些实施例中看,所述第二确定单元2302,还用于将第一子文字标签框的重心和第一子数字框的重心进行距离计算,确定计算结果;及基于所述距离结果,确定与所述第一子文字标签框距离最小的所述第一子数字框;以及将所述第一子文字标签框的文字标签与距离最小的所述第一子数字框进行关联。
在本发明的一些实施例中看,所述第二确定单元2302,还用于通过对所述血压图片进行背景降噪处理,确定降噪后的血压图片;及对所述降噪后的血压图片进行处理,确定数字图片的左边界和右边界;以及基于所述数字图片的左边界和右边界,对所述降噪后的血压图片进行分割处理,确定所述数字框对应的数字图片。
在本发明的一些实施例中看,所述第二确定单元2302,还用于计算所述血压图片的水平方向和垂直方向的梯度值,确定梯度值结果;及基于所述梯度值结果,确定血压测量仪的边界信息;及通过对所述数字框进行计算,确定降噪后的数字框;以及基于所述血压测量仪的所述边界信息和所述降噪后的数字框,对所述血压图片进行剪裁,确定所述降噪后的血压图片。
在本发明的一些实施例中看,所述第二确定单元2302,还用于基于所述梯度值结果,按列遍历所述血压图片水平方向的梯度值,获取梯度值最大的两个列,确定所述血压测量仪的左边界信息和右边界信息;以及基于所述梯度值结果,按行遍历所述血压图片垂直方向的梯度值,获取梯度值最大的两个行,确定所述血压测量仪的上边界信息和下边界信息。
在本发明的一些实施例中看,所述第二确定单元2302,还用于获取数字框包含的所有像素中前X列的像素值,计算所述前X列像素值的平均值,确定计算结果;其中,1≤X<Y,Y为包含的像素列数;以及将所述所有像素中大于等于所述平均值的像素值确定为最大像素值。
在本发明的一些实施例中看,所述第二确定单元2302,还用于遍历所述降噪后的血压图片包含的所有像素列数中每一列的像素值,确定所述每一列像素值等于所述最大像素值的像素值个数;及若任意列的所述像素值个数大于所述任意列的列数值一半,则确定所述任意列的下一列的所述像素值个数;以及若所述任意列的下一列的所述像素值个数大于所述任意列的列数值一半,则所述列数值为数字图片的左边界;还用于若所述任意列的下一列的所述像素值个数小于所述任意列的列数值一半,则所述列数值为数字图片的右边界。
在本发明的一些实施例中看,所述第二确定单元2302,还用于基于所述关联关系和所述数字图片,确定所述文字标签对应的所述待识别数字图片;以及采用所述分类模型对所述待识别数字图片进行分类识别,得到了所述文字标签对应的数字信息。
可以理解的是,在上述装置实现方案中,服务器对接收的血压图片进行检测,输出图片中文字标签框和数字框的坐标,并利用坐标计算文字标签框和数字框之间的重心,进而确定文字标签框和数字框之间的关联关系,接着对数字框和血压图片进行处理,确定数字框对应的数字图片,最后利用关联关系和分类模型将数字图片装换成文字标签对应的数字信息并发送到终端,这样使得由原始的手动输入数据变为自动的读取数据,提高了数据的准确率。
基于上述实施例的方法,本发明实施例提供的一种服务器的结构示意图,如图24所示,图24本申请实施例提供的一种数据快速识别读取识别读取装置的结构示意图,该服务器24包括:第一处理器2401和第一存储器2402;第一存储器2402存储第一处理器2401可执行的一个或者多个程序,当一个或者多个程序被执行时,通过第一处理器2401执行如前所述实施例的服务器对应的一种数据快速识别读取方法。
基于上述实施例的方法,本发明实施例提供的一种终端的结构示意图,如图25所示,图25本申请实施例提供的一种数据快速识别读取装置的结构示意图,该终端25包括:第二处理器2501和第二存储器2502;第二存储器2502存储第二处理器2501可执行的一个或者多个程序,当一个或者多个程序被执行时,通过第二处理器2501执行如前所述实施例的终端对应的一种数据快速识别读取方法。
本发明实施例提供了一种计算机可读存储介质,应用于服务器,存储有可执行指令,用于引起第一处理器执行时,实现服务器所述的方法。
本发明实施例提供了一种计算机可读存储介质,应用于终端,存储有可执行指令,用于引起第二处理器执行时,实现终端对应的所述的方法。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生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装置。
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。
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。
Claims (24)
1.一种数据快速识别读取方法,其特征在于,应用于服务器,包括:
利用字符框检测模型对终端上传的血压图片进行检测,确定所述血压图片中的文字标签框和数字框;所述血压图片包含血压测量仪的场景图片;所述文字标签框对应文字标签,所述文字标签表征身体指标的类型;
基于获取的所述文字标签框和所述数字框,确定与所述文字标签框对应的文字标签与所述数字框的关联关系;
对所述血压图片进行背景处理,得到所述数字框对应的数字图片;
基于分类模型和所述数字图片进行分类识别,并结合所述关联关系,得到所述文字标签对应的数字信息;
将所述文字标签对应的数字信息发送至所述终端。
2.根据权利要求1所述的方法,其特征在于,所述基于获取的所述文字标签框和所述数字框,确定与所述文字标签框对应的文字标签与所述数字框的关联关系,包括:
获取所述文字标签框的第一坐标和所述数字框的第二坐标;
基于所述第一坐标,确定所述文字标签框的第一重心;
基于所述第二坐标,确定所述数字框的第二重心;
通过所述第一重心和所述第二重心,确定所述文字标签框和所述数字框的映射关系,进而确定所述文字标签框对应的文字标签与所述数字框的关联关系。
3.根据权利要求2所述的方法,其特征在于,所述基于所述第一坐标,确定所述文字标签框的第一重心;以及基于所述第二坐标,确定所述数字框的第二重心,包括:
基于所述第一坐标,获取所述文字标签框的第一上边界数值、第一下边界数值、第一左边界数值和第一右边界数值;
将所述第一上边界数值和所述第一下边界数值,计算求取第一平均值;以及将所述第一左边界数值和所述第一右边界数值计算求取第二平均值,并且基于所述第一平均值和所述第二平均值确定所述文字标签框的所述第一重心;
基于所述第二坐标,获取所述数字框的第二上边界数值、第二下边界数值、第二左边界数值和第二右边界数值;
将所述第二上边界数值和所述第二下边界数值计算求取第三平均值,以及将所述第二左边界数值和所述第二右边界数值计算求取第四平均值,并且基于所述第三平均值和所述第四平均值确定所述数字框的所述第二重心。
4.根据权利要求3所述的方法,其特征在于,所述第一坐标包括所述文字标签框的四个顶点坐标,分别为第一顶点坐标、第二顶点坐标、第三顶点坐标和第四顶点坐标;
所述基于所述第一坐标,获取所述文字标签框的第一上边界数值、第一下边界数值、第一左边界数值和第一右边界数值,包括:
基于所述第一顶点坐标、所述第二顶点坐标、所述第三顶点坐标和所述第四顶点坐标,确定第一横坐标、第二横坐标、第一纵坐标和第二纵坐标;
将所述第一横坐标和所述第二横坐标分别到坐标轴中的坐标原点的距离进行比较;
若所述第一横坐标到所述坐标原点的所述距离大于所述第二横坐标到所述坐标原点的所述距离,则所述第一横坐标的值为所述第一右边界数值,所述第二横坐标的值为所述第一左边界数值;
若所述第一纵坐标到所述坐标原点的所述距离大于所述第二纵坐标到所述坐标原点的所述距离,则第一纵坐标的值为所述第一上边界数值,第二纵坐标的值为所述第一下边界数值。
5.根据权利要求3或4所述的方法,其特征在于,所述基于所述第一平均值和所述第二平均值确定所述文字标签框的所述第一重心,包括:
将所述第二平均值,确定为所述第一重心的横坐标;
将所述第一平均值,确定为所述第一重心的纵坐标;
基于所述第一重心的横坐标和所述第一重心的纵坐标,确定所述文字标签框的所述第一重心。
6.根据权利要求2所述的方法,其特征在于,所述文字标签框包括:N个子文字标签框,每个子文字标签框对应一个文字标签;所述数字框包括:M个子数字框;所述第一重心包括:N个子文字标签框的重心,每个子文字标签框对应一个重心;所述第二重心包括:M个子数字框的重心,每个子数字框对应一个重心;其中,N为大于等于1的正整数,M为大于等于1的正整数;
所述通过所述第一重心和所述第二重心,确定所述文字标签框和所述数字框的映射关系,进而确定所述文字标签框对应的文字标签与所述数字框的关联关系,包括:
将第一子文字标签框的重心和第一子数字框的重心进行距离计算,确定计算结果;其中,所述第一子文字标签框为所述N个子文字标签框的任意一个子文字标签框;所述第一子数字框为所述M个子数字框的任意一个子数字框;
基于所述距离结果,确定与所述第一子文字标签框距离最小的所述第一子数字框;
将所述第一子文字标签框的文字标签与距离最小的所述第一子数字框进行关联。
7.根据权利要求1至4任一项所述的方法,其特征在于,所述对所述血压图片进行背景处理,得到所述数字框对应的数字图片;包括:
通过对所述血压图片进行背景降噪处理,确定降噪后的血压图片;
对所述降噪后的血压图片进行处理,确定数字图片的左边界和右边界;
基于所述数字图片的左边界和右边界,对所述降噪后的血压图片进行分割处理,确定所述数字框对应的数字图片。
8.根据权利要求7所述的方法,其特征在于,所述通过对所述血压图片进行背景降噪处理,确定降噪后的血压图片,包括:
计算所述血压图片的水平方向和垂直方向的梯度值,确定梯度值结果;
基于所述梯度值结果,确定血压测量仪的边界信息;
通过对所述数字框进行计算,确定降噪后的数字框;
基于所述血压测量仪的所述边界信息和所述降噪后的数字框,对所述血压图片进行剪裁,确定所述降噪后的血压图片。
9.根据权利要求8所述的方法,其特征在于,所述基于所述梯度值结果,确定血压测量仪的边界信息,包括:
基于所述梯度值结果,按列遍历所述血压图片水平方向的梯度值,获取梯度值最大的两个列,确定所述血压测量仪的左边界信息和右边界信息;
基于所述梯度值结果,按行遍历所述血压图片垂直方向的梯度值,获取梯度值最大的两个行,确定所述血压测量仪的上边界信息和下边界信息。
10.根据权利要求8或9所述的方法,其特征在于,所述通过对所述数字框进行计算,确定降噪后的数字框,包括:
获取数字框包含的所有像素中前X列的像素值,计算所述前X列像素值的平均值,确定计算结果;其中,1≤X<Y,Y为包含的像素列数;
将所述所有像素中大于等于所述平均值的像素值确定为最大像素值;
通过保留所述最大像素值,确定所述降噪后的数字框。
11.根据权利要求7所述的方法,其特征在于,所述对所述降噪后的血压图片进行处理,确定数字图片的左边界和右边界,包括:
遍历所述降噪后的血压图片包含的所有像素列数中每一列的像素值,确定所述每一列像素值等于所述最大像素值的像素值个数;
若任意列的所述像素值个数大于所述任意列的列数值一半,则确定所述任意列的下一列的所述像素值个数;
若所述任意列的下一列的所述像素值个数大于所述任意列的列数值一半,则所述列数值为数字图片的左边界;
若所述任意列的下一列的所述像素值个数小于所述任意列的列数值一半,则所述列数值为数字图片的右边界。
12.根据权利要求1所述的方法,其特征在于,所述基于分类模型和所述数字图片进行分类识别,并结合所述关联关系,得到了所述文字标签对应的数字信息,包括:
基于所述关联关系和所述数字图片,确定所述文字标签对应的待识别数字图片;
采用所述分类模型对所述待识别数字图片进行分类识别,得到了所述文字标签对应的数字信息。
13.一种数据快速识别读取方法,其特征在于,应用于终端,包括:
采集针对血压测量仪的初始血压图片;
对所述初始血压图片进行处理,得到血压图片,并将所述血压图片发送至服务器;
接收所述服务器返回的将所述血压图片转换成的文字标签对应的数字信息。
14.根据权利要求13所述的方法,其特征在于,所述对所述初始血压图片进行处理,得到血压图片,并将所述血压图片发送至服务器,包括:
对训练完成的第一网络进行模型量化,得到第二网络;其中,第一网络为对初始激活函数进行改进得到的网络;
通过所述第二网络,对所述初始血压图片进行处理,得到所述血压图片;
将所述血压图片发送至所述服务器。
15.根据权利要求14所述的方法,其特征在于,
所述第一网络对应的激活函数为对所述初始激活函数进行分段处理后得到的;其中,对所述初始激活函数分段包括:在目标变量小于第一预设值时,确定目标变量与第二预设值中最大的为函数值;在目标变量大于等于第一预设值时,确定第一预设值为函数值。
16.根据权利要求14所述的方法,其特征在于,所述对所述训练完成的所述第一网络进行模型量化,得到第二网络,包括:
获取所述第二网络中的网络参数,确定全部数据中的最大浮点值和最小浮点值;
根据所述最大浮点值、所述最小浮点值、最大定点值和最小定点值,确定定点量化后表示的最小刻度值;
通过所述最大定点值、所述最小刻度值和所述最大浮点值,确定初始浮点值对应的量化定点值;
根据所述初始浮点值对应的量化定点值、所述最小刻度值和任一的浮点值,确定任一的量化定点值;
通过将浮点值量化为定点值后,得到所述第二网络。
17.根据权利要求16所述的方法,其特征在于,所述根据所述最大浮点值、所述最小浮点值、最大定点值和最小定点值,确定定点量化后表示的最小刻度值,包括:
将所述最大浮点值和所述最小浮点值做差,得到第一差值;
将所述最大定点值和所述最小定点值做差,得到第二差值;
将所述第一差值和所述第二差值进行除法运算,确定所述定点量化后表示的最小刻度值。
18.根据权利要求16所述的方法,其特征在于,所述根据所述最大定点值、所述最小刻度值和所述最大浮点值,确定初始浮点值对应的量化定点值,包括:
将所述最大浮点值和所述最小刻度值做除法运算,确定运算结果;
通过对所述最大定点值和所述运算结果做差,确定所述初始浮点值对应的量化定点值。
19.根据权利要求16所述的方法,其特征在于,所述根据所述初始浮点值对应的量化定点值、所述最小刻度值和任一的浮点值,确定任一的量化定点值,包括:
根据所述任一浮点值、所述初始浮点值对应的量化定点值和所述最小刻度值,确定所述任一量化后的定点值。
20.一种终端,其特征在于,所述终端包括:
采集单元,用于采集针对血压测量仪的初始血压图片;
第一确定单元,用于对所述初始血压图片进行处理,得到所述血压图片;
第一发送单元,用于将得到的所述血压图片发送至服务器;
第一接收单元,用于接收所述服务器返回的将所述血压图片转换成的文字标签对应的数字信息。
21.一种服务器,其特征在于,所述服务器包括:
第二接收单元,用于接收终端上传的血压图片;
第二单元,用于利用字符框检测模型对端上传的血压图片进行检测,确定所述血压图片中的文字标签框和数字框;所述血压图片包含血压测量仪的场景图片;所述文字标签框对应文字标签,所述文字标签表征身体指标的类型;
第二确定单元,还用于基于获取的所述文字标签框和所述数字框,确定与所述文字标签框对应的文字标签与所述数字框的关联关系;
第二确定单元,还用于对所述血压图片进行背景处理,得到所述数字框对应的数字图片;
第二确定单元,还用于基于分类模型和所述数字图片进行分类识别,并结合所述关联关系,得到了所述文字标签对应的数字信息;
第二发送单元,用于将所述文字标签对应的数字信息发送至所述终端。
22.一种服务器,其特征在于,所述服务器包括:
第一存储器,用于存储可执行数据指令;
第一处理器,用于执行所述第一存储器中存储的可执行指令时,实现权利要求1至12任一项所述的方法。
23.一种终端,其特征在于,所述终端包括:
第二存储器,用于存储可执行数据指令;
第二处理器,用于执行所述第二存储器中存储的可执行指令时,实现权利要求13至19任一项所述的方法。
24.一种计算机可读存储介质,其特征在于,所述存储介质存储有可执行指令,当所述可执行指令被执行时,用于引起第一处理器执行如权利要求1-12任一项所述的数据快速读取方法;或者,用于引起第二处理器执行如权利要求13-19任一项所述的数据快速读取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111326622.XA CN116109543A (zh) | 2021-11-10 | 2021-11-10 | 一种数据快速识别读取方法及装置、计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111326622.XA CN116109543A (zh) | 2021-11-10 | 2021-11-10 | 一种数据快速识别读取方法及装置、计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116109543A true CN116109543A (zh) | 2023-05-12 |
Family
ID=86253149
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111326622.XA Pending CN116109543A (zh) | 2021-11-10 | 2021-11-10 | 一种数据快速识别读取方法及装置、计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116109543A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117100240A (zh) * | 2023-10-23 | 2023-11-24 | 广州逆熵电子科技有限公司 | 一种基于机器视觉的全自动血压模拟测试方法及装置 |
-
2021
- 2021-11-10 CN CN202111326622.XA patent/CN116109543A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117100240A (zh) * | 2023-10-23 | 2023-11-24 | 广州逆熵电子科技有限公司 | 一种基于机器视觉的全自动血压模拟测试方法及装置 |
CN117100240B (zh) * | 2023-10-23 | 2024-03-29 | 广州逆熵电子科技有限公司 | 一种基于机器视觉的全自动血压模拟测试方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2023077404A1 (zh) | 缺陷检测方法、装置和系统 | |
CN109871895B (zh) | 电路板的缺陷检测方法和装置 | |
JP2021166062A (ja) | 顕微鏡スライド画像のための焦点重み付き機械学習分類器誤り予測 | |
CN108564085B (zh) | 一种自动读取指针式仪表读数的方法 | |
CN114359283B (zh) | 基于Transformer的缺陷检测方法和电子设备 | |
CN111833306A (zh) | 缺陷检测方法和用于缺陷检测的模型训练方法 | |
CN108182421A (zh) | 视频分割方法和装置 | |
CN111369523B (zh) | 显微图像中细胞堆叠的检测方法、系统、设备及介质 | |
CN111310826B (zh) | 样本集的标注异常检测方法、装置及电子设备 | |
CN111415339A (zh) | 一种复杂纹理工业产品图像缺陷检测方法 | |
CN110706224A (zh) | 基于暗场图像的光学元件弱划痕检测方法、系统和装置 | |
CN112819821A (zh) | 一种细胞核图像检测方法 | |
CN116434266A (zh) | 一种医疗检验单的数据信息自动提取分析方法 | |
KR101905000B1 (ko) | 이미지 데이터의 보정 방법, 장치 및 컴퓨터-판독가능 저장 매체에 저장된 컴퓨터 프로그램 | |
CN116109543A (zh) | 一种数据快速识别读取方法及装置、计算机可读存储介质 | |
CN108257117B (zh) | 图像曝光度的评测方法及装置 | |
CN116740728B (zh) | 一种用于晶圆读码器动态获取方法和系统 | |
CN106682604B (zh) | 一种基于深度学习的模糊图像检测方法 | |
CN113128518A (zh) | 基于孪生卷积网络和特征混合的sift误匹配检测方法 | |
CN116503807A (zh) | 一种设备巡检方法、装置、电子设备及计算机程序产品 | |
CN112329845B (zh) | 更换纸币的方法、装置、终端设备及计算机可读存储介质 | |
CN113516328B (zh) | 数据处理方法、服务提供方法、装置、设备和存储介质 | |
CN114548250A (zh) | 一种基于数据分析的手机外观检测方法及装置 | |
CN111368823B (zh) | 一种指针式仪表读数识别方法及装置 | |
KR20210031444A (ko) | 데이터 프로그래밍에 기반한 레이블링 모델 생성 방법 및 장치 |
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 |