CN116229036A - 数据采集系统、方法、计算机设备及存储介质 - Google Patents

数据采集系统、方法、计算机设备及存储介质 Download PDF

Info

Publication number
CN116229036A
CN116229036A CN202310497820.5A CN202310497820A CN116229036A CN 116229036 A CN116229036 A CN 116229036A CN 202310497820 A CN202310497820 A CN 202310497820A CN 116229036 A CN116229036 A CN 116229036A
Authority
CN
China
Prior art keywords
equipment
determining
shooting
parameters
environmental
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
Application number
CN202310497820.5A
Other languages
English (en)
Other versions
CN116229036B (zh
Inventor
李勇
尹航
谭涛
李露波
肖睿仪
柳一鸣
周立涛
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.)
Shandong Guoyan Automation Co ltd
Original Assignee
Shandong Guoyan Automation 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 Shandong Guoyan Automation Co ltd filed Critical Shandong Guoyan Automation Co ltd
Priority to CN202310497820.5A priority Critical patent/CN116229036B/zh
Publication of CN116229036A publication Critical patent/CN116229036A/zh
Application granted granted Critical
Publication of CN116229036B publication Critical patent/CN116229036B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • 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
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • 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
    • 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
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/12—Details of acquisition arrangements; Constructional details thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Chemical & Material Sciences (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Databases & Information Systems (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Medicinal Chemistry (AREA)
  • Medical Informatics (AREA)
  • Food Science & Technology (AREA)
  • Combustion & Propulsion (AREA)
  • Pathology (AREA)
  • Fuzzy Systems (AREA)
  • General Factory Administration (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明涉及工厂管理技术领域，具体公开了一种数据采集系统、方法、计算机设备及存储介质，所述方法包括获取工厂的排班表，根据所述排班表及工厂的建筑信息确定采集设备的安装位置；根据空气监测器采集到的空气参数标定各拍摄设备的图像处理模型；实时接收各拍摄设备反馈的处理后的图像，对所述图像进行识别，定位员工和设备；根据拍摄设备的工作参数确定员工和设备的位置，同步生成异常度。本发明基于排班表安装拍摄设备和空气监测器，由空气监测器采集到的空气参数调节拍摄设备的图像处理过程，在一定程度上剔除了环境影响，极大地提高了数据采集的还原度。

Description

数据采集系统、方法、计算机设备及存储介质
技术领域
本发明涉及工厂管理技术领域，具体是一种数据采集系统、方法、计算机设备及存储介质。
背景技术
工厂是生产活动的进行区域，一项生产活动需要多个员工和多台设备配合完成，在这一过程中，存在很多安全风险，一旦员工操作不合规或设备出现问题，后果会非常严重，尤其在基于重型设备的生产活动中，因此，需要实时的对生产活动进行监控。
现有的监控过程大都需要借助摄像头，但是，某些生产活动会产生大量影响环境的产物，比如，淬火时会产生大量的水汽，这会影响摄像头的数据采集过程，如何优化现有的数据采集过程是本发明技术方案想要解决的技术问题。
发明内容
本发明的目的在于提供一种数据采集系统、方法、计算机设备及存储介质，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种数据采集方法，所述方法包括：
获取工厂的排班表，根据所述排班表及工厂的建筑信息确定采集设备的安装位置；所述采集设备包括拍摄设备和空气监测器；
根据空气监测器采集到的空气参数标定各拍摄设备的图像处理模型；所述图像处理模型用于剔除采集到的图像中的环境特征；
实时接收各拍摄设备反馈的处理后的图像，对所述图像进行识别，定位员工和设备；
根据拍摄设备的工作参数确定员工和设备的位置，同步生成异常度。
作为本发明进一步的方案：所述获取工厂的排班表，根据所述排班表及工厂的建筑信息确定采集设备的安装位置的步骤包括：
获取工厂的排班表，基于预设的生产备案信息查询各生产任务的环境影响参数；所述环境影响参数包括影响类型及影响速度；所述影响速度矢量；
查询工厂的建筑信息，将所述建筑信息输入预设的仿真模型，确定空气流动参数；所述空气流动参数包括流动方向和流动速率；
基于所述空气流动参数调节环境影响参数中的影响速度；
根据调节后的环境影响参数确定工厂的环境矩阵；所述环境矩阵的行列数由工厂的边界确定，所述环境矩阵中元素的值用于表征环境状态；
比对所述环境矩阵与预设的环境条件，根据比对结果确定采集设备的安装位置。
作为本发明进一步的方案：所述比对所述环境矩阵与预设的环境条件，根据比对结果确定采集设备的安装位置的步骤包括：
接收用户输入的环境条件表；其中，环境条件表中的环境条件为矩阵特征；
依次读取环境条件表中的环境条件，遍历环境矩阵，得到各环境条件对应的匹配区域；
统计匹配区域，根据匹配区域的频数确定采集设备的安装位置。
作为本发明进一步的方案：所述根据空气监测器采集到的空气参数标定各拍摄设备的图像处理模型的步骤包括：
接收空气监测器采集到的空气参数，根据空气参数确定第一尺度；
将所述第一尺度输入预设的积分式，计算得到第二尺度；
基于第一尺度和第二尺度标定目标拍摄设备的图像处理模型；所述目标拍摄设备是与所述空气监测器的距离小于预设的距离阈值的拍摄设备；
所述图像处理模型包括：
Figure SMS_1
；
式中，
Figure SMS_3
为图像处理模型输出的点（x，y）的对数域值；/>
Figure SMS_5
为卷积符号；
Figure SMS_7
为第k个高斯中心环绕函数，/>
Figure SMS_4
，/>
Figure SMS_6
为第k个高斯中心环绕函数中的第一尺度，/>
Figure SMS_8
为第k个高斯中心环绕函数中的第二尺度；K为高斯中心环绕函数的总个数；/>
Figure SMS_9
为第k个高斯中心环绕函数对应的计算式的比重；/>
Figure SMS_2
为图像处理模型的输入图像中点（x，y）的值；
所述积分式为：
Figure SMS_10
。
作为本发明进一步的方案：所述实时接收各拍摄设备反馈的处理后的图像，对所述图像进行识别，定位员工和设备的步骤包括：
实时接收拍摄设备反馈的处理后的图像，并读取拍摄设备的安装位置；
根据安装位置确定图像的识别顺序及不同目标的识别概率；
基于所述识别顺序将图像输入训练好的神经网络模型，根据识别概率确定神经网络模型中各目标识别组件的优先级；
以安装位置作为索引，打包神经网络模型输出的定位结果。
作为本发明进一步的方案：所述根据拍摄设备的工作参数确定员工和设备的位置，同步生成异常度的步骤包括：
当接收到拍摄设备反馈的处理后的图像时，同步获取工作参数；
根据所述工作参数确定坐标映射关系；所述坐标映射关系为预设值；
读取定位结果，根据坐标映射关系将定位结果转换为实际位置；
根据员工和设备的实际位置计算空间距离，比对所述空间距离与预设的安全距离，生成异常度。
作为本发明进一步的方案：所述方法包括：
基于预设的调节端口实时接收用户输入的更新请求，对采集流程进行更新；更新内容包括更新采集设备的安装位置和更新图像处理模型的参数。
本发明技术方案还提供了一种数据采集系统，所述系统包括：
设备安装模块，用于获取工厂的排班表，根据所述排班表及工厂的建筑信息确定采集设备的安装位置；所述采集设备包括拍摄设备和空气监测器；
模型标定模块，用于根据空气监测器采集到的空气参数标定各拍摄设备的图像处理模型；所述图像处理模型用于剔除采集到的图像中的环境特征；
目标定位模块，用于实时接收各拍摄设备反馈的处理后的图像，对所述图像进行识别，定位员工和设备；
位置分析模块，用于根据拍摄设备的工作参数确定员工和设备的位置，同步生成异常度。
本发明技术方案还提供了一种计算机设备，所述计算机设备包括一个或多个处理器和一个或多个存储器，所述一个或多个存储器中存储有至少一条程序代码，所述程序代码由所述一个或多个处理器加载并执行时，实现所述数据采集方法。
本发明技术方案还提供了一种存储介质，所述存储介质中存储有至少一条程序代码，所述程序代码由处理器加载并执行时，实现所述数据采集方法。
与现有技术相比，本发明的有益效果是：本发明基于排班表安装拍摄设备和空气监测器，由空气监测器采集到的空气参数调节拍摄设备的图像处理过程，在一定程度上剔除了环境影响，极大地提高了数据采集的还原度，与此同时，借助现有的识别技术获取员工与设备间的位置关系，进而判定异常区域，为管理员提供参考。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例。
图1为数据采集方法的流程框图。
图2为数据采集方法的第一子流程框图。
图3为数据采集方法的第二子流程框图。
图4为数据采集方法的第三子流程框图。
图5为数据采集方法的第四子流程框图。
图6为本发明提供的电子设备的结构示意图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。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。
图1为数据采集方法的流程框图，本发明实施例中，一种数据采集方法，所述方法包括：
步骤S100：获取工厂的排班表，根据所述排班表及工厂的建筑信息确定采集设备的安装位置；所述采集设备包括拍摄设备和空气监测器；
工厂是生产活动的进行空间，每个工厂中都会设有多个生产设备，用于完成不同的生产任务，在每一段生产周期内，都会有相关的工作人员预先制订排班表，因此，所述排班表在本发明技术方案中视为已知数据；在此基础上，查询工厂的建筑信息，结合建筑信息和排班表两个方面，可以对工厂内的环境进行预测，进而安装采集设备，用以采集完成生产任务过程中产生的数据。
步骤S200：根据空气监测器采集到的空气参数标定各拍摄设备的图像处理模型；所述图像处理模型用于剔除采集到的图像中的环境特征；
采集设备包括拍摄设备和空气监测器，空气监测器用于判断空气状态，拍摄设备用于获取工厂内的图像；在拍摄设备获取图像的过程中，很容易受到空气条件的影响，比如，如果存在雾汽，那么拍摄设备获取到的图像就可能存在一定的失真，难以在后续的识别过程中识别目标物；因此，通过空气监测器可以实时获取空气状态，进而对拍摄设备的图像处理过程进行调整。
需要说明的是，拍摄设备中内置图像处理模型，图像处理模型的目的是尽量的剔除环境影响，还原真实的工厂图像。
步骤S300：实时接收各拍摄设备反馈的处理后的图像，对所述图像进行识别，定位员工和设备；
实时接收拍摄设备反馈的图像，该图像经过处理后，能够尽量的还原工厂的状态，对处理后的图像进行识别，即可定位目标；在本发明技术方案的实际应用中，定位的目标主要包括员工和设备。
步骤S400：根据拍摄设备的工作参数确定员工和设备的位置，同步生成异常度；
在接收拍摄设备反馈的图像时，同步记录拍摄设备的工作参数，所述工作参数包括拍摄设备的拍摄角度、拍摄清晰度等参数，根据工作参数可以确定图像与真实空间之间的映射关系，也即，图像中的位置与实际位置之间的对应关系，这在工作人员安装拍摄设备时，同步进行标定，在本发明技术方案的应用过程中，属于默认的已知数据。在映射关系确定的前提下，可以将定位结果转换为员工和设备的实际位置，获取实际位置之间的关系，即可确定异常度，所述异常度用于表征存在风险的概率。
关于实际位置和异常度之间的关系，其中一种情况如下：
如果员工与设备之间的距离过小，那么存在风险的概率较高，相应的异常度越高；当时，由实际位置确定异常度的过程还可以包含其他规则，由工作人员视情况而定，比如，如果有多个员工之间的距离过近，那么说明当前时刻员工之间出现了聚集，一般情况下，出现聚集就代表了出现了某些问题，相应的，异常度也会更高。
图2为数据采集方法的第一子流程框图，所述获取工厂的排班表，根据所述排班表及工厂的建筑信息确定采集设备的安装位置的步骤包括：
步骤S101：获取工厂的排班表，基于预设的生产备案信息查询各生产任务的环境影响参数；所述环境影响参数包括影响类型及影响速度；所述影响速度矢量；
获取工厂中一个周期内的排班表，所述排班表由生产任务组成，每种生产任务在生成时，都会预先建立备案信息，所述备案信息包括生产流程及其理化反应，基于理化反应可以确定环境影响参数；举例来说，如果某个生产任务生成飘浮状固体，那么影响类型就是烟尘，影响速度就是飘浮状固体在空气中的传播速度；所述传播速度含有方向。
步骤S102：查询工厂的建筑信息，将所述建筑信息输入预设的仿真模型，确定空气流动参数；所述空气流动参数包括流动方向和流动速率；
获取工厂的建筑信息，所述建筑信息中含有通风口，将含有通风口的建筑信息输入现有的仿真模型，可以模拟大致的空气流动情况，模拟精度不做限定。
步骤S103：基于所述空气流动参数调节环境影响参数中的影响速度；
根据空气流动情况可以对环境影响参数进行调整，调整的内容为影响参数中影响速度，包括对其速率和方向的调整；具体调整过程基于传统的速度合成原理即可，本发明技术方案不做限定。
步骤S104：根据调节后的环境影响参数确定工厂的环境矩阵；所述环境矩阵的行列数由工厂的边界确定，所述环境矩阵中元素的值用于表征环境状态；
上述内容引入了环境矩阵这一参数，环境矩阵是二维数据，与工厂对应，可以理解为一张图片（现有的图片本质上也是矩阵）；根据调节后的环境影响参数可以确定工厂的环境状态。
需要说明的是，环境影响参数是时间的函数，也即，同一生产任务在不同时刻的环境影响程度是不同的，确定环境矩阵的过程是一般是确定某一时刻的环境矩阵，获取该时刻之前的生产任务，并计算时间差，查询对应的环境影响参数，将时间差输入环境影响参数，即可确定该时刻的环境状态。
步骤S105：比对所述环境矩阵与预设的环境条件，根据比对结果确定采集设备的安装位置；
所述环境矩阵反映了各个时刻下，工厂中各位置处的环境状态，也即，哪些位置存在哪些影响类型；判断各个时刻的环境矩阵是否满足预设的环境条件，根据判断结果可以确定哪些区域容易处于何处影响类型，进而可以确定采集设备的安装位置。
进一步的，所述比对所述环境矩阵与预设的环境条件，根据比对结果确定采集设备的安装位置的步骤包括：
接收用户输入的环境条件表；其中，环境条件表中的环境条件为矩阵特征；
依次读取环境条件表中的环境条件，遍历环境矩阵，得到各环境条件对应的匹配区域；
统计匹配区域，根据匹配区域的频数确定采集设备的安装位置。
上述内容对环境矩阵与环境条件的比对过程进行了限定，首先，所述环境条件由用户输入，它可以理解为一张小图片，比如20
Figure SMS_11
20像素点大小的图像；然后，由环境条件（小图片）遍历环境矩阵（大图片），可以判断出各种环境条件是否在环境矩阵中出现，如果出现，进而获取其匹配区域。
最后，根据时间顺序排列各个环境矩阵，查询各种环境条件对应的匹配区域的数量及其位置（由位置图表示，一个环境矩阵对应一个位置图），根据不同环境矩阵中匹配区域的分布情况确定各种环境条件的出现概率，作为采集设备的安装位置。
需要说明的是，上述安装位置的生成过程是自动进行的，在生成安装位置后，本方法执行主体可以借助已有的数据获取端口，获取用户主动输入的调节信息，进而对安装位置进行调节。
图3为数据采集方法的第二子流程框图，所述根据空气监测器采集到的空气参数标定各拍摄设备的图像处理模型的步骤包括：
步骤S201：接收空气监测器采集到的空气参数，根据空气参数确定第一尺度；
步骤S202：将所述第一尺度输入预设的积分式，计算得到第二尺度；
步骤S203：基于第一尺度和第二尺度标定目标拍摄设备的图像处理模型；所述目标拍摄设备是与所述空气监测器的距离小于预设的距离阈值的拍摄设备；
所述图像处理模型包括：
Figure SMS_12
；
式中，
Figure SMS_15
为图像处理模型输出的点（x，y）的对数域值；/>
Figure SMS_16
为卷积符号；
Figure SMS_18
为第k个高斯中心环绕函数，/>
Figure SMS_14
，/>
Figure SMS_17
为第k个高斯中心环绕函数中的第一尺度，/>
Figure SMS_19
为第k个高斯中心环绕函数中的第二尺度；K为高斯中心环绕函数的总个数；/>
Figure SMS_20
为第k个高斯中心环绕函数对应的计算式的比重；/>
Figure SMS_13
为图像处理模型的输入图像中点（x，y）的值。
在得到
Figure SMS_21
后，还需要将对数域值转换为实数域值，转换后即可得到输出图像。
在实际应用中，K一般取3，也即，存在三个高斯中心环绕函数，从高、中和低三个尺度对图像进行处理；在此情况下，比重一般取
Figure SMS_22
。
在本发明技术方案的一个实例中，上述图像处理模型最需要确定的数据是
Figure SMS_23
，/>
Figure SMS_24
的取值不同，图像的处理过程不同，/>
Figure SMS_25
由空气参数确定，确定规则由工作人员确定，其中一种方式是，先确定一个基础值：/>
Figure SMS_26
、/>
Figure SMS_27
、/>
Figure SMS_28
，然后确定一个参考空气参数，当获取到实际空气参数时，比对实际空气参数和参考空气参数，可以计算出差异情况，由差异情况可以分别对/>
Figure SMS_29
进行微调。
其中，所述积分式为：
Figure SMS_30
；
积分式用于表征
Figure SMS_31
和/>
Figure SMS_32
的关系，/>
Figure SMS_33
一经确定，供助积分式即可确定/>
Figure SMS_34
。
值得一提的是，图像处理模型中可以内置调节端口，通过调节端口，工作人员可以主动地设定图像处理模型中的各个参数，主要是
Figure SMS_35
。
对于上述处理过程的原理，具体说明如下：
拍摄设备采集到的图像，是真实图像加上环境影响得到的图像，真实图像就是上述内容中由
Figure SMS_36
转换后得到的图像，/>
Figure SMS_37
用于对采集到的图像进行处理，用于通过卷积剔除各像素点周围区域的光照强度的变化。
图4为数据采集方法的第三子流程框图，所述实时接收各拍摄设备反馈的处理后的图像，对所述图像进行识别，定位员工和设备的步骤包括：
步骤S301：实时接收拍摄设备反馈的处理后的图像，并读取拍摄设备的安装位置；
步骤S302：根据安装位置确定图像的识别顺序及不同目标的识别概率；
步骤S303：基于所述识别顺序将图像输入训练好的神经网络模型，根据识别概率确定神经网络模型中各目标识别组件的优先级；
步骤S304：以安装位置作为索引，打包神经网络模型输出的定位结果。
上述内容对员工和设备的定位过程进行了限定，首先，数据获取环节需要获取拍摄设备采集到的图像以及拍摄设备的安装位置，由安装位置可以确定图像的识别顺序及不同目标的识别概率，具体说明如下：
根据拍摄设备的安装位置，可以确定哪些图像更加“重要”，同一工厂内，不同位置的重要性是不同的，有些拍摄设备用于监测杂货区，其重要性偏低，对应的图像的识别优先级较低，反映在识别顺序中，就是识别顺序靠后。此外，不同位置处的监测类型不同，比如在过道中，监测到设备的概率远远小于监测到员工的概率，因此，对于采集到的过道图像，先进行员工识别，再进行设备识别；所述设备一般代指固定式的生产设备。
基于上述原理，根据拍摄设备的位置，对不同图像的识别顺序以及同一图像中不同内容的识别顺序进行限定，可以极大地优化识别过程。
需要说明的是，对员工和设备的识别过程采用现有技术即可，比如现有的人脸识别仪器，可以用于识别员工。
图5为数据采集方法的第四子流程框图，所述根据拍摄设备的工作参数确定员工和设备的位置，同步生成异常度的步骤包括：
步骤S401：当接收到拍摄设备反馈的处理后的图像时，同步获取工作参数；
步骤S402：根据所述工作参数确定坐标映射关系；所述坐标映射关系为预设值；
步骤S403：读取定位结果，根据坐标映射关系将定位结果转换为实际位置；
步骤S404：根据员工和设备的实际位置计算空间距离，比对所述空间距离与预设的安全距离，生成异常度。
步骤S401至步骤S404对步骤S400进行了限定，其重点在于坐标映射关系，坐标映射关系在安装拍摄设备时建立，不同工作参数拍摄到的图像不同，获取图像中各点与实际场景中各点的位置间的关系，就是坐标映射关系。
在实际应用中，所述拍摄设备一般为枪机，其监测区域是固定的，此时，坐标映射关系是单一的，获取过程极为容易。
作为本发明技术方案的一个优选实施例，所述方法包括：
基于预设的调节端口实时接收用户输入的更新请求，对采集流程进行更新；更新内容包括更新采集设备的安装位置和更新图像处理模型的参数。
所述调节端口为用户的自主调节过程提供了技术支持，本发明技术方案中可以调节的内容包括采集设备的安装位置和图像处理模型的参数，其他参数由工作人员视情况而定。
在本发明技术方案的一个优选实施例中，提供了一种数据采集系统，所述系统包括：
设备安装模块，用于获取工厂的排班表，根据所述排班表及工厂的建筑信息确定采集设备的安装位置；所述采集设备包括拍摄设备和空气监测器；
模型标定模块，用于根据空气监测器采集到的空气参数标定各拍摄设备的图像处理模型；所述图像处理模型用于剔除采集到的图像中的环境特征；
目标定位模块，用于实时接收各拍摄设备反馈的处理后的图像，对所述图像进行识别，定位员工和设备；
位置分析模块，用于根据拍摄设备的工作参数确定员工和设备的位置，同步生成异常度。
基于相同的构思，图6示例了一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器（processor）310、通信接口（Communications Interface）320、存储器（memory）330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行数据采集方法，该方法包括：
获取工厂的排班表，根据所述排班表及工厂的建筑信息确定采集设备的安装位置；所述采集设备包括拍摄设备和空气监测器；
根据空气监测器采集到的空气参数标定各拍摄设备的图像处理模型；所述图像处理模型用于剔除采集到的图像中的环境特征；
实时接收各拍摄设备反馈的处理后的图像，对所述图像进行识别，定位员工和设备；
根据拍摄设备的工作参数确定员工和设备的位置，同步生成异常度。
此外，上述的存储器330中的逻辑指令可以通过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。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
基于相同的构思，本发明实施例还提供一种非暂态计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序包含至少一段代码，该至少一段代码可由主控设备执行，以控制主控设备用以实现如上述各实施例所述数据采集方法的步骤。例如包括：
获取工厂的排班表，根据所述排班表及工厂的建筑信息确定采集设备的安装位置；所述采集设备包括拍摄设备和空气监测器；
根据空气监测器采集到的空气参数标定各拍摄设备的图像处理模型；所述图像处理模型用于剔除采集到的图像中的环境特征；
实时接收各拍摄设备反馈的处理后的图像，对所述图像进行识别，定位员工和设备；
根据拍摄设备的工作参数确定员工和设备的位置，同步生成异常度。
基于相同的技术构思，本申请实施例还提供一种计算机程序，当该计算机程序被主控设备执行时，用以实现上述方法实施例。
所述程序可以全部或者部分存储在与处理器封装在一起的存储介质上，也可以部分或者全部存储在不与处理器封装在一起的存储器上。
基于相同的技术构思，本申请实施例还提供一种处理器，该处理器用以实现上述方法实施例。上述处理器可以为芯片。
综上所述，本发明实施例提供的一种数据采集方法、系统、电子设备和存储介质，基于排班表安装拍摄设备和空气监测器，由空气监测器采集到的空气参数调节拍摄设备的图像处理过程，在一定程度上剔除了环境影响，极大地提高了数据采集的还原度，与此同时，借助现有的识别技术获取员工与设备间的位置关系，进而判定异常区域，为管理员提供参考。
本发明的各实施方式可以任意进行组合，以实现不同的技术效果。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如同轴电缆、光纤、数字用户线）或无线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，（例如，软盘、硬盘、磁带）、光介质（例如，DVD）、或者半导体介质（例如固态硬盘SolidStateDisk）等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，该流程可以由计算机程序来指令相关的硬件完成，该程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法实施例的流程。而前述的存储介质包括：ROM或随机存储记忆体RAM、磁碟或者光盘等各种可存储程序代码的介质。
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，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种数据采集方法，其特征在于，所述方法包括：
获取工厂的排班表，根据所述排班表及工厂的建筑信息确定采集设备的安装位置；所述采集设备包括拍摄设备和空气监测器；
根据空气监测器采集到的空气参数标定各拍摄设备的图像处理模型；所述图像处理模型用于剔除采集到的图像中的环境特征；
实时接收各拍摄设备反馈的处理后的图像，对所述图像进行识别，定位员工和设备；
根据拍摄设备的工作参数确定员工和设备的位置，同步生成异常度。
2.根据权利要求1所述的数据采集方法，其特征在于，所述获取工厂的排班表，根据所述排班表及工厂的建筑信息确定采集设备的安装位置的步骤包括：
获取工厂的排班表，基于预设的生产备案信息查询各生产任务的环境影响参数；所述环境影响参数包括影响类型及影响速度；所述影响速度矢量；
查询工厂的建筑信息，将所述建筑信息输入预设的仿真模型，确定空气流动参数；所述空气流动参数包括流动方向和流动速率；
基于所述空气流动参数调节环境影响参数中的影响速度；
根据调节后的环境影响参数确定工厂的环境矩阵；所述环境矩阵的行列数由工厂的边界确定，所述环境矩阵中元素的值用于表征环境状态；
比对所述环境矩阵与预设的环境条件，根据比对结果确定采集设备的安装位置。
3.根据权利要求2所述的数据采集方法，其特征在于，所述比对所述环境矩阵与预设的环境条件，根据比对结果确定采集设备的安装位置的步骤包括：
接收用户输入的环境条件表；其中，环境条件表中的环境条件为矩阵特征；
依次读取环境条件表中的环境条件，遍历环境矩阵，得到各环境条件对应的匹配区域；
统计匹配区域，根据匹配区域的频数确定采集设备的安装位置。
4.根据权利要求1所述的数据采集方法，其特征在于，所述根据空气监测器采集到的空气参数标定各拍摄设备的图像处理模型的步骤包括：
接收空气监测器采集到的空气参数，根据空气参数确定第一尺度；
将所述第一尺度输入预设的积分式，计算得到第二尺度；
基于第一尺度和第二尺度标定目标拍摄设备的图像处理模型；所述目标拍摄设备是与所述空气监测器的距离小于预设的距离阈值的拍摄设备；
所述图像处理模型包括：
Figure QLYQS_1
；
式中，
Figure QLYQS_3
为图像处理模型输出的点（x，y）的对数域值；/>
Figure QLYQS_6
为卷积符号；
Figure QLYQS_8
为第k个高斯中心环绕函数，/>
Figure QLYQS_4
，/>
Figure QLYQS_5
为第k个高斯中心环绕函数中的第一尺度，/>
Figure QLYQS_7
为第k个高斯中心环绕函数中的第二尺度；K为高斯中心环绕函数的总个数；/>
Figure QLYQS_9
为第k个高斯中心环绕函数对应的计算式的比重；/>
Figure QLYQS_2
为图像处理模型的输入图像中点（x，y）的值；
所述积分式为：
Figure QLYQS_10
。
5.根据权利要求1所述的数据采集方法，其特征在于，所述实时接收各拍摄设备反馈的处理后的图像，对所述图像进行识别，定位员工和设备的步骤包括：
实时接收拍摄设备反馈的处理后的图像，并读取拍摄设备的安装位置；
根据安装位置确定图像的识别顺序及不同目标的识别概率；
基于所述识别顺序将图像输入训练好的神经网络模型，根据识别概率确定神经网络模型中各目标识别组件的优先级；
以安装位置作为索引，打包神经网络模型输出的定位结果。
6.根据权利要求5所述的数据采集方法，其特征在于，所述根据拍摄设备的工作参数确定员工和设备的位置，同步生成异常度的步骤包括：
当接收到拍摄设备反馈的处理后的图像时，同步获取工作参数；
根据所述工作参数确定坐标映射关系；所述坐标映射关系为预设值；
读取定位结果，根据坐标映射关系将定位结果转换为实际位置；
根据员工和设备的实际位置计算空间距离，比对所述空间距离与预设的安全距离，生成异常度。
7.根据权利要求4所述的数据采集方法，其特征在于，所述方法包括：
基于预设的调节端口实时接收用户输入的更新请求，对采集流程进行更新；更新内容包括更新采集设备的安装位置和更新图像处理模型的参数。
8.一种数据采集系统，其特征在于，所述系统包括：
设备安装模块，用于获取工厂的排班表，根据所述排班表及工厂的建筑信息确定采集设备的安装位置；所述采集设备包括拍摄设备和空气监测器；
模型标定模块，用于根据空气监测器采集到的空气参数标定各拍摄设备的图像处理模型；所述图像处理模型用于剔除采集到的图像中的环境特征；
目标定位模块，用于实时接收各拍摄设备反馈的处理后的图像，对所述图像进行识别，定位员工和设备；
位置分析模块，用于根据拍摄设备的工作参数确定员工和设备的位置，同步生成异常度。
9.一种计算机设备，其特征在于，所述计算机设备包括一个或多个处理器和一个或多个存储器，所述一个或多个存储器中存储有至少一条程序代码，所述程序代码由所述一个或多个处理器加载并执行时，实现如权利要求1至7任一项所述的数据采集方法。
10.一种存储介质，其特征在于，所述存储介质中存储有至少一条程序代码，所述程序代码由处理器加载并执行时，实现如权利要求1至7任一项所述的数据采集方法。
CN202310497820.5A 2023-05-06 2023-05-06 数据采集系统、方法、计算机设备及存储介质 Active CN116229036B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310497820.5A CN116229036B (zh) 2023-05-06 2023-05-06 数据采集系统、方法、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310497820.5A CN116229036B (zh) 2023-05-06 2023-05-06 数据采集系统、方法、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN116229036A true CN116229036A (zh) 2023-06-06
CN116229036B CN116229036B (zh) 2023-07-18

Family

ID=86577224

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310497820.5A Active CN116229036B (zh) 2023-05-06 2023-05-06 数据采集系统、方法、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN116229036B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116718527A (zh) * 2023-08-10 2023-09-08 山东泰山能源有限责任公司协庄煤矿 矿用智能型烟温检测一体化测试方法和装置
CN116796569A (zh) * 2023-07-10 2023-09-22 锦州佳润农业科技有限公司 一种温室环境调控系统及方法
CN116992907A (zh) * 2023-07-27 2023-11-03 北京瑞霖徕特科技有限公司 一种物联网管理系统及方法
CN117074627A (zh) * 2023-10-16 2023-11-17 三科智能(山东)集团有限公司 基于人工智能的医疗实验室空气质量监测系统
CN118095804A (zh) * 2024-04-26 2024-05-28 大收场(天津)共享经济有限公司 一种再生资源溯源管理方法及系统
CN118095804B (zh) * 2024-04-26 2024-06-28 大收场(天津)共享经济有限公司 一种再生资源溯源管理方法及系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090140872A1 (en) * 2007-11-29 2009-06-04 Caterpillar Inc. System and method for maintaining machine operation
CN112348052A (zh) * 2020-09-30 2021-02-09 国网山西省电力公司大同供电公司 一种基于改进EfficientNet的输变电设备异常声源定位方法
CN112762972A (zh) * 2021-02-01 2021-05-07 中国农业科学院农业资源与农业区划研究所 一种用于环境监测的移动推车及其控制系统、控制方法
CN112929602A (zh) * 2021-01-22 2021-06-08 平安普惠企业管理有限公司 基于图像处理的数据监控方法、装置及相关设备
CN113357743A (zh) * 2021-06-21 2021-09-07 广东美的暖通设备有限公司 一种环境温度检测方法、装置、计算设备及存储介质
CN113590663A (zh) * 2021-08-05 2021-11-02 苏州普瑞菲环保科技有限公司 一种环境检测方法及系统
CN113947109A (zh) * 2021-10-15 2022-01-18 大连海事大学 一种基于视觉的船舶系统设备泄漏状态监测方法、系统及存储介质
CN113995361A (zh) * 2021-10-15 2022-02-01 佛山市百斯特电器科技有限公司 一种洗涤设备的控制方法及洗涤设备
CN114119758A (zh) * 2022-01-27 2022-03-01 荣耀终端有限公司 获取车辆位姿的方法、电子设备和计算机可读存储介质
CN115858831A (zh) * 2023-02-22 2023-03-28 北京阿玛西换热设备制造有限公司 一种数据库用数据存储方法
CN115993366A (zh) * 2023-03-24 2023-04-21 枣庄市大猫电子科技有限公司 基于传感设备的加工件表面检测方法及系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090140872A1 (en) * 2007-11-29 2009-06-04 Caterpillar Inc. System and method for maintaining machine operation
CN112348052A (zh) * 2020-09-30 2021-02-09 国网山西省电力公司大同供电公司 一种基于改进EfficientNet的输变电设备异常声源定位方法
CN112929602A (zh) * 2021-01-22 2021-06-08 平安普惠企业管理有限公司 基于图像处理的数据监控方法、装置及相关设备
CN112762972A (zh) * 2021-02-01 2021-05-07 中国农业科学院农业资源与农业区划研究所 一种用于环境监测的移动推车及其控制系统、控制方法
CN113357743A (zh) * 2021-06-21 2021-09-07 广东美的暖通设备有限公司 一种环境温度检测方法、装置、计算设备及存储介质
CN113590663A (zh) * 2021-08-05 2021-11-02 苏州普瑞菲环保科技有限公司 一种环境检测方法及系统
CN113947109A (zh) * 2021-10-15 2022-01-18 大连海事大学 一种基于视觉的船舶系统设备泄漏状态监测方法、系统及存储介质
CN113995361A (zh) * 2021-10-15 2022-02-01 佛山市百斯特电器科技有限公司 一种洗涤设备的控制方法及洗涤设备
CN114119758A (zh) * 2022-01-27 2022-03-01 荣耀终端有限公司 获取车辆位姿的方法、电子设备和计算机可读存储介质
CN115858831A (zh) * 2023-02-22 2023-03-28 北京阿玛西换热设备制造有限公司 一种数据库用数据存储方法
CN115993366A (zh) * 2023-03-24 2023-04-21 枣庄市大猫电子科技有限公司 基于传感设备的加工件表面检测方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
KYE YAK SEE, 等: "Commercial arc fault detection devices in military electromagnetic environment", 《IEEE ELECTROMAGNETIC COMPATIBILITY MAGAZINE》, vol. 7, no. 4, pages 49 - 52, XP011709782, DOI: 10.1109/MEMC.2018.8637290 *
吴昊 等: "基于可视化和数据融合的医疗设备异常运行状态检测方法", 《科技通报》, vol. 38, no. 11, pages 37 - 40 *
孙誉宁 等: "基于磁场的质子交换膜燃料电池故障诊断方法", 《机械工程学报》, vol. 58, no. 22, pages 106 - 114 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116796569A (zh) * 2023-07-10 2023-09-22 锦州佳润农业科技有限公司 一种温室环境调控系统及方法
CN116796569B (zh) * 2023-07-10 2024-03-29 锦州佳润农业科技有限公司 一种温室环境调控系统及方法
CN116992907A (zh) * 2023-07-27 2023-11-03 北京瑞霖徕特科技有限公司 一种物联网管理系统及方法
CN116992907B (zh) * 2023-07-27 2024-03-29 珠海昊宇科技有限公司 一种物联网管理系统及方法
CN116718527A (zh) * 2023-08-10 2023-09-08 山东泰山能源有限责任公司协庄煤矿 矿用智能型烟温检测一体化测试方法和装置
CN117074627A (zh) * 2023-10-16 2023-11-17 三科智能(山东)集团有限公司 基于人工智能的医疗实验室空气质量监测系统
CN117074627B (zh) * 2023-10-16 2024-01-09 三科智能(山东)集团有限公司 基于人工智能的医疗实验室空气质量监测系统
CN118095804A (zh) * 2024-04-26 2024-05-28 大收场(天津)共享经济有限公司 一种再生资源溯源管理方法及系统
CN118095804B (zh) * 2024-04-26 2024-06-28 大收场(天津)共享经济有限公司 一种再生资源溯源管理方法及系统

Also Published As

Publication number Publication date
CN116229036B (zh) 2023-07-18

Similar Documents

Publication Publication Date Title
CN116229036B (zh) 数据采集系统、方法、计算机设备及存储介质
CN114584571B (zh) 基于空间计算技术的电网场站数字孪生同步通信方法
CN112232426B (zh) 目标检测模型的训练方法、装置、设备及可读存储介质
CN110969200B (zh) 基于一致性负样本的图像目标检测模型训练方法及装置
CN113787522B (zh) 消除机械臂累积误差的手眼标定方法
CN112184688B (zh) 网络模型的训练方法、目标检测方法及相关装置
CN111192313A (zh) 机器人构建地图的方法、机器人及存储介质
US9165213B2 (en) Information processing apparatus, information processing method, and program
CN115810133B (zh) 基于图像处理和点云处理的焊接控制方法及相关设备
CN110365404B (zh) 无波前传感自适应系统及利用该系统提高收敛速度的方法
CN109814101B (zh) 一种航空器位置预测的方法及装置
CN114241425A (zh) 垃圾检测模型的训练方法、装置、存储介质及设备
CN117170980B (zh) 一种服务器硬件异常预警方法、装置、设备及存储介质
CN116630320A (zh) 电池极片的检测方法、装置、电子设备及存储介质
US11468269B2 (en) Arithmetic device, arithmetic method, and discrimination system
CN116579409A (zh) 基于重参数化的智能相机模型剪枝加速方法及加速系统
CN113868939A (zh) 一种风功率的概率密度评估方法、装置、设备及介质
Timchenko et al. Processing laser beam spot images using the parallel-hierarchical network for classification and forecasting their energy center coordinates
CN117152258B (zh) 一种管道生产智慧车间的产品定位方法及系统
CN115508773B (zh) 时差法多站无源定位方法、系统、电子设备及存储介质
CN113324998B (zh) 一种用于钛合金棒材的生产质检监管系统
CN117057235B (zh) 基于激光器的光纤测温点部署系统
CN117952971B (zh) 一种热喷涂超细粉末用等离子重熔监测方法及系统
CN111209798B (zh) 一种基于神经网络的特种承压设备仪表识别方法
CN112884681B (zh) 图像阴影处理方法、装置、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
GR01 Patent grant
GR01 Patent grant
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Data collection system, method, computer equipment, and storage medium

Granted publication date: 20230718

Pledgee: Bank of China Limited Yantai Laishan sub branch

Pledgor: SHANDONG GUOYAN AUTOMATION Co.,Ltd.

Registration number: Y2024980020904