CN116681382A - 物料清单的数据抓取方法、系统以及可读存储介质 - Google Patents
物料清单的数据抓取方法、系统以及可读存储介质 Download PDFInfo
- Publication number
- CN116681382A CN116681382A CN202310553602.9A CN202310553602A CN116681382A CN 116681382 A CN116681382 A CN 116681382A CN 202310553602 A CN202310553602 A CN 202310553602A CN 116681382 A CN116681382 A CN 116681382A
- Authority
- CN
- China
- Prior art keywords
- data
- bill
- materials
- target
- semantic
- 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
- 239000000463 material Substances 0.000 title claims abstract description 480
- 238000000034 method Methods 0.000 title claims abstract description 48
- 239000013077 target material Substances 0.000 claims abstract description 127
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000013481 data capture Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000009193 crawling Effects 0.000 claims description 6
- 230000009191 jumping Effects 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000004422 calculation algorithm Methods 0.000 description 14
- 238000013527 convolutional neural network Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000004048 modification Effects 0.000 description 7
- 238000012986 modification Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000003058 natural language processing Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000004075 alteration Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 239000003990 capacitor Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- -1 parts Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
- G06Q10/0875—Itemisation or classification of parts, supplies or services, e.g. bill of materials
-
- 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
- G06F16/53—Querying
- G06F16/532—Query formulation, e.g. graphical querying
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Library & Information Science (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及数据处理技术领域,尤其涉及一种物料清单的数据抓取方法、系统以及可读存储介质。所述方法包括:在检测到物料抓取指令时,获取输入的物料图像数据和/或物料语义数据;根据所述物料图像数据和/或所述物料语义数据,于物料清单中抓取出目标物料数据;输出所述目标物料数据。通过3D参数化建模遍历技术,不需要输入确切的物料编号和/或物料类型也可以从物料清单的大量物料数据中抓取到所需要的数据对象,同时,即便物料数据在录入时的数据属性出现差错,也可以根据用户输入的相关数据,查询匹配到对应的目标数据。解决了如何在检索关键词不正确时,也能够从物料清单中正确地抓取出所需要的数据的问题。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种物料清单的数据抓取方法、系统以及可读存储介质。
背景技术
BOM(Bill of Material,物料清单)是一种用于描述制造产品所需的各种物料、零件、组件等物料数据的清单。为了便于查询BOM中的物料数据,相关技术方案中,BOM中每条物料数据都设置唯一的物料编号,BOM中的物料数据在导入时也会作物料分类处理,通过输入物料编号和/或选择物料类型,来对BOM中的物料数据进行查询。
然而,随着产品制造工艺的愈发复杂,BOM中包含的物料数据也愈发的庞大,特别是整车制造企业与电子制造企业中,存储着上万甚至十几万的物料数据。一方面,若工作人员忘记或记错了物料编号和/或物料类型,则查询出的结果与实际需要的结果会不符,另一方面,若物料数据在导入时的数据属性录入错误,也会导致无法正确查询。当出现上述情况,往往只能采用遍历查找的方式从海量的物料数据中选出需要的物料数据。
因此,需要一种除了输入检索关键词以外的数据抓取方式,以在检索关键词不正确时,也能够从BOM中正确地抓取出所需要的数据。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种物料清单的数据抓取方法,旨在解决如何在检索关键词不正确时,也能够从物料清单中正确地抓取出所需要的数据的问题。
为实现上述目的,本发明提供的一种物料清单的数据抓取方法,所述方法包括:
在检测到物料抓取指令时,获取输入的物料图像数据和/或物料语义数据;
根据所述物料图像数据和/或所述物料语义数据,于物料清单中抓取出目标物料数据;
输出所述目标物料数据。
可选地,所述根据所述物料图像数据和/或所述物料语义数据,于物料清单中抓取出目标物料数据的步骤包括:
提取所述物料图像数据中的图像语义特征,将所述图像语义特征与所述物料清单中的物料数据作特征匹配,并将所述物料清单中满足预设特征匹配条件的物料数据确定为所述目标物料数据;和/或,
提取所述物料语义数据中的语义信息,并基于所述语义信息确定待抓取数据的主属性和/或配置属性,将所述物料清单中与所述主属性和/或所述配置属性相匹配的物料数据,确定为所述目标物料数据。
可选地,所述特征匹配条件包括特征相似度匹配条件,所述提取所述物料图像数据中的图像语义特征,将所述图像语义特征与所述物料清单中的物料数据作特征匹配,并将所述物料清单中满足预设特征匹配条件的物料数据确定为所述目标物料数据的步骤包括:
将所述图像语义特征分割为多个候选区域特征;
将所述候选区域特征映射至CNN卷积模型的目标卷积层的三维特征模型数据,得到预处理候选区域特征;
确定所述预处理候选区域特征,与所述物料清单中的所述物料数据的物料图像数据之间的特征相似度;
将各个所述物料图像数据中,所述特征相似度大于预设相似度阈值的物料图像数据,确定为满足所述特征相似度匹配条件的所述目标物料数据。
可选地,所述特征匹配条件包括像素匹配条件,所述提取所述物料图像数据中的图像语义特征,将所述图像语义特征与所述物料清单中的物料数据作特征匹配,并将所述物料清单中满足预设特征匹配条件的物料数据确定为所述目标物料数据的步骤包括:
对所述图像语义特征作像素分类处理,确定所述图像语义特征中的一个或多个像素类别;
将所述物料清单中,与所述像素类别相匹配的物料数据,确定为所述目标物料数据。
可选地,所述提取所述物料语义数据中的语义信息,并基于所述语义信息确定待抓取数据的主属性和/或配置属性,将所述物料清单中与所述主属性和/或所述配置属性相匹配的物料数据,确定为所述目标物料数据的步骤包括:
提取所述物料语义数据中的多个物料实体语义信息;
确定各个所述物料实体语义信息之间语义关系;
根据所述物料实体语义信息和所述语义关系,确定所述主属性和/或所述配置属性;
确定所述物料清单中,是否存在与所述主属性和/或所述配置属性相匹配的待选物料数据;
若存在,将所述待选物料数据确定为所述目标物料数据。
可选地,所述获取输入的物料图像数据和/或物料语义数据的步骤之前,还包括:
基于产品项目名称对所述物料清单中的物料数据作分层处理,得到多层级物料清单,其中,所述多层级物料清单包括多个不同层级的子物料清单,每一所述子物料清单带有不同的所述产品项目名称;
赋予每一层级的所述子物料清单对应的层值,以在接收到所述物料抓取指令时,获取所述物料抓取指令中的层值,并跳转至所述层值对应的层级执行物料抓取操作。
可选地,所述输出所述目标物料数据的步骤之前,还包括:
确定所述目标物料数据的数据结构,以及所述物料抓取指令中的输出范围;
根据所述数据结构和/或所述输出范围,确定所述目标物料数据的目标输出方式,其中,所述输出范围包括全局输出范围、单数据输出范围和关联数据输出范围;
所述输出所述目标物料数据的步骤包括:
基于所述目标输出方式输出所述目标物料数据。
可选地,所述根据所述数据结构和所述输出范围,确定所述目标物料数据的目标输出方式的步骤包括:
若所述数据结构为树形结构,所述输出范围为所述单数据输出范围,确定所述目标输出方式为单独输出所述目标物料数据;
若所述数据结构为图形结构,所述输出范围为所述关联输出范围,确定所述目标输出方式为输出所述目标物料数据以及所述目标物料数据关联的物料数据;
若所述输出范围为所述全局输出范围,确定所述目标输出方式为输出所述目标物料数据所处层级中的每一所述物料数据。
此外,为实现上述目的,本发明还提供一种物料清单的数据抓取系统,所述物料清单的数据抓取系统包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的物料清单的数据抓取程序,所述物料清单的数据抓取程序被所述处理器执行时实现如上所述的物料清单的数据抓取方法的步骤。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有物料清单的数据抓取程序,所述物料清单的数据抓取程序被处理器执行时实现如上所述的物料清单的数据抓取方法的步骤。
本发明实施例提供一种物料清单的数据抓取方法、系统以及计算机可读存储介质,通过对外部输入的物料图像,和/或包含物料语义相关字段的数据,来从物料清单中抓取出所需要的目标物料数据,不需要输入确切的物料编号和/或物料类型也可以从物料清单的大量物料数据中抓取到所需要的数据对象,避免了当用户忘记或记错了物料编号和/或物料类型时也能够查找到所需要的物料数据,同时,即便物料数据在录入时的数据属性出现差错,也可以根据用户输入的相关数据,查询匹配到对应的目标数据,从而达到提高数据处理效率的效果。
附图说明
图1为本发明实施例涉及的物料清单的数据抓取系统的硬件运行环境的架构示意图;
图2为本发明物料清单的数据抓取方法的第一实施例的流程示意图;
图3为本发明物料清单的数据抓取方法的第二实施例的流程示意图;
图4为本发明物料清单的数据抓取方法的第三实施例的流程示意图;
图5为本发明物料清单的数据抓取方法的第四实施例的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图作进一步说明。
具体实施方式
本申请采用3D参数化建模遍历技术,通过对外部输入的物料图像,和/或包含物料语义相关字段的数据,来从物料清单中抓取出所需要的目标物料数据,不需要输入确切的物料编号和/或物料类型也可以从物料清单的大量物料数据中抓取到所需要的数据对象,避免了当用户忘记或记错了物料编号和/或物料类型时也能够查找到所需要的物料数据,同时,即便物料数据在录入时的数据属性出现差错,也可以根据用户输入的相关数据,查询匹配到对应的目标数据,从而达到提高数据处理效率的效果。
为了更好地理解上述技术方案,下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整地传达给本领域的技术人员。
作为一种实现方案,图1为本发明实施例方案涉及的物料清单的数据抓取系统的硬件运行环境的架构示意图。
如图1所示,该物料清单的数据抓取系统可以包括:处理器1001,例如CPU,存储器1005,用户接口1003,网络接口1004,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的物料清单的数据抓取系统的架构并不构成对物料清单的数据抓取系统的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及物料清单的数据抓取程序。其中,操作系统是管理和控制物料清单的数据抓取系统的硬件和软件资源的程序,物料清单的数据抓取程序以及其他软件或程序的运行。
在图1所示的物料清单的数据抓取程序中,用户接口1003主要用于连接终端,与终端进行数据通信;网络接口1004主要用于后台服务器,与后台服务器进行数据通信;处理器1001可以用于调用存储器1005中存储的物料清单的数据抓取程序。
在本实施例中,物料清单的数据抓取系统包括:存储器1005、处理器1001及存储在所述存储器上并可在所述处理器上运行的物料清单的数据抓取程序,其中:
处理器1001调用存储器1005中存储的物料清单的数据抓取程序时,执行以下操作:
在检测到物料抓取指令时,获取输入的物料图像数据和/或物料语义数据;
根据所述物料图像数据和/或所述物料语义数据,于物料清单中抓取出目标物料数据;
输出所述目标物料数据。
处理器1001调用存储器1005中存储的物料清单的数据抓取程序时,执行以下操作:
提取所述物料图像数据中的图像语义特征,将所述图像语义特征与所述物料清单中的物料数据作特征匹配,并将所述物料清单中满足预设特征匹配条件的物料数据确定为所述目标物料数据;和/或,
提取所述物料语义数据中的语义信息,并基于所述语义信息确定待抓取数据的主属性和/或配置属性,将所述物料清单中与所述主属性和/或所述配置属性相匹配的物料数据,确定为所述目标物料数据。
处理器1001调用存储器1005中存储的物料清单的数据抓取程序时,执行以下操作:
将所述图像语义特征分割为多个候选区域特征;
将所述候选区域特征映射至CNN卷积模型的目标卷积层的三维特征模型数据,得到预处理候选区域特征;
确定所述预处理候选区域特征,与所述物料清单中的所述物料数据的物料图像数据之间的特征相似度;
将各个所述物料图像数据中,所述特征相似度大于预设相似度阈值的物料图像数据,确定为满足所述特征相似度匹配条件的所述目标物料数据。
处理器1001调用存储器1005中存储的物料清单的数据抓取程序时,执行以下操作:
对所述图像语义特征作像素分类处理,确定所述图像语义特征中的一个或多个像素类别;
将所述物料清单中,与所述像素类别相匹配的物料数据,确定为所述目标物料数据。
处理器1001调用存储器1005中存储的物料清单的数据抓取程序时,执行以下操作:
提取所述物料语义数据中的多个物料实体语义信息;
确定各个所述物料实体语义信息之间语义关系;
根据所述物料实体语义信息和所述语义关系,确定所述主属性和/或所述配置属性;
确定所述物料清单中,是否存在与所述主属性和/或所述配置属性相匹配的待选物料数据;
若存在,将所述待选物料数据确定为所述目标物料数据。
处理器1001调用存储器1005中存储的物料清单的数据抓取程序时,执行以下操作:
基于产品项目名称对所述物料清单中的物料数据作分层处理,得到多层级物料清单,其中,所述多层级物料清单包括多个不同层级的子物料清单,每一所述子物料清单带有不同的所述产品项目名称;
赋予每一层级的所述子物料清单对应的层值,以在接收到所述物料抓取指令时,获取所述物料抓取指令中的层值,并跳转至所述层值对应的层级执行物料抓取操作。
处理器1001调用存储器1005中存储的物料清单的数据抓取程序时,执行以下操作:
确定所述目标物料数据的数据结构,以及所述物料抓取指令中的输出范围;
根据所述数据结构和/或所述输出范围,确定所述目标物料数据的目标输出方式,其中,所述输出范围包括全局输出范围、单数据输出范围和关联数据输出范围;
所述输出所述目标物料数据的步骤包括:
基于所述目标输出方式输出所述目标物料数据。
处理器1001调用存储器1005中存储的物料清单的数据抓取程序时,执行以下操作:
若所述数据结构为树形结构,所述输出范围为所述单数据输出范围,确定所述目标输出方式为单独输出所述目标物料数据;
若所述数据结构为图形结构,所述输出范围为所述关联输出范围,确定所述目标输出方式为输出所述目标物料数据以及所述目标物料数据关联的物料数据;
若所述输出范围为所述全局输出范围,确定所述目标输出方式为输出所述目标物料数据所处层级中的每一所述物料数据。
基于上述基于数据处理技术的物料清单的数据抓取系统的硬件架构,提出本发明物料清单的数据抓取方法的实施例。
参照图2,在第一实施例中,所述物料清单的数据抓取方法包括以下步骤:
步骤S10,在检测到物料抓取指令时,获取输入的物料图像数据和/或物料语义数据;
在本实施例中,当物料清单的数据抓取系统(下简称系统)检测到针对物料清单中的物料数据的物料抓取指令,系统的数据获取模块获取用户输入的物料图像数据和/或物料语义数据。
物料图像数据表征为数据类型为图像类型的物料数据。可选地,物料图像数据可以为用户通过图像采集系统拍摄物料图像得到的图像数据,也可以为用户通过上传的带有物料结构信息的CAD图。
示例性地,系统中设置有物料清单数据查询界面,用户可以向查询界面中上传拍摄的物料图像,或者CAD图后,点击界面中的查询标识后,系统便会获取物料图像或者CAD图,作为查询信息。
物料语义数据表征为数据类型为文字类型的,包含物料相关语义的数据。可选地,物料语义数据可以为用户输入的一段包含有物料相关的字段,例如,“查找A品牌的伺服电机的尺寸”;也可以为物料数据相关的字符串,例如,伺服电机对应的物料编号为00011,则输入00011作为查询信息。
可以理解的是,在一些实施方式中,可以仅将物料图像数据作为查询信息输入;在另一些实施方式中,也可以仅将物料语义数据作为查询信息输入;在另一些实施方式中,也可以是同时将物料图像数据和物料语义数据作为查询信息输入。在另一些实施方式中,也可以先将物料图像数据或物料语义数据作为一种查询信息输入作第一次查询,再将另一种数据作为另一种查询信息输入作第二次查询。可以根据实际需要所具体设置,本实施例中不作限定。
步骤S20,根据所述物料图像数据和/或所述物料语义数据,于物料清单中抓取出目标物料数据;
在本实施例中,在系统获取到物料图像数据和/或物料语义数据制之后,系统的数据抓取模块将物料图像数据和/或物料语义数据作为查询条件,去物料清单对应的数据库中抓取(查找)符合该查询条件的目标物料数据。
具体的,作为查询条件的物料图像数据和/或物料语义数据,在数据库中的查询方式可以为模糊查询和/或精准查询。
模糊查询意味着查询信息和查询结果之间存在一定的差异,但这个差异是在可接受范围内的,也包括对查询信息的同义词查询。
当查询条件为用户输入的物料图像数据时,则系统需要识别出物料图像数据的图像特征后,再去物料清单数据库中查找出与该图像特征相匹配的目标物料数据,这个匹配过程可能抓取到多条差异度处于可接受范围内的目标物料数据。通常而言,若输入的查询条件为物料图像数据,则对应查询到的目标物料数据的数据类型为结构类物料数据。
当查询条件为用户输入的物料语义数据,则系统需要识别出物料语义数据的语义信息后,去物料清单数据库中查找出与该语义信息相匹配的目标物料数据,这个过程也可能抓取到一条或多条差异度处于可接受范围内的目标物料数据。通常而言,若输入的查询条件为物料语义数据,则对应查询到的目标物料数据的数据类型为字符串类物料数据。
此外,若输入物料语义数据为物料清单中能够完全查询到、且具有唯一性的数据,例如,物料编码等数据,则查询方式调整为精确查询。
步骤S30,输出所述目标物料数据。
在本实施例中,在根据输入的查询条件,抓取到目标物料数据之后,则向用户输出该目标物料数据。
可选地,输出方式可以是由系统新建一个数据展示窗口,将目标物料数据展示在该窗口内供用户查看,也可以是直接跳转至物料清单中该目标物料数据的相应位置,供用户直接在物料清单中查看物料信息。
此外,输出的方式还可以根据用户的账户权限去变更。若系统检测到用户权限为可更改权限,则系统还会赋予用户对目标物料数据的增、删、改等修改操作的权限,从而在用户发现物料清单中的物料信息错误时及时修正数据。若用户不具备可更改权限,则不赋予相应的修改操作权限,仅供用户查看该目标物料数据。
在本实施例提供的技术方案中,通过对外部输入的物料图像,和/或包含物料语义相关字段的数据,来从物料清单中抓取出所需要的目标物料数据,不需要输入确切的物料编号和/或物料类型也可以从物料清单的大量物料数据中抓取到所需要的数据对象,避免了当用户忘记或记错了物料编号和/或物料类型时也能够查找到所需要的物料数据,同时,即便物料数据在录入时的数据属性出现差错,也可以根据用户输入的相关数据,查询匹配到对应的目标数据,从而达到提高数据处理效率的效果。
参照图3,在第二实施例中,基于第一实施例,所述步骤S20包括:
步骤S21,提取所述物料图像数据中的图像语义特征,将所述图像语义特征与所述物料清单中的物料数据作特征匹配,并将所述物料清单中满足预设特征匹配条件的物料数据确定为所述目标物料数据;或,
步骤S22,提取所述物料语义数据中的语义信息,并基于所述语义信息确定待抓取数据的主属性和/或配置属性,将所述物料清单中与所述主属性和/或所述配置属性相匹配的物料数据,确定为所述目标物料数据;或,
步骤S23,提取所述物料图像数据中的图像语义特征,将所述图像语义特征与所述物料清单中的物料数据作特征匹配,并将所述物料清单中满足预设特征匹配条件的物料数据确定为所述目标物料数据;提取所述物料语义数据中的语义信息,并基于所述语义信息确定待抓取数据的主属性和/或配置属性,将所述物料清单中与所述主属性和/或所述配置属性相匹配的物料数据,确定为所述目标物料数据。
作为一可选实施方式,本实施例提供一种如何基于输入的物料图像数据和/或物料语义数据,来抓取目标物料数据的方式。
在本实施例中,基于深度学习图像处理的方式来提取物料图像数据的图像语义特征,将图像语义特征与物料清单中的物料数据作特征匹配,并将物料清单中满足预设特征匹配条件的物料数据确定为所述目标物料数据。
具体的,首先对物料图像数据进行预处理,以便提取图像语义特征。这包括去噪、图像增强和尺度归一化等步骤,可以使用OpenCV的图像处理库实现。然后采用卷积神经网络提取物料图像的语义特征信息,可选地,如CNN模型或VGG、ResNet预训练模型。语义特征信息表征为包含物料数据的图像的语义信息,可用于与物料清单中的物料数据的特征向量进行匹配。然后将图像语义特征与物料清单数据的特征向量进行匹配。
可选地,可以使用支持向量机、随机森林等机器学习算法来训练图像特征提取模型,以便从物料清单中选择与图像最匹配的物料数据。
可选地,特征匹配条件可以包括特征相似度匹配和像素匹配两种条件,将在后续的实施例中详细描述,此处不再赘述。
此外,如果匹配多个目标物料数据,则可以使用一些排序算法对目标物料数据进行排名,例如kNN、朴素贝叶斯,并按照从高到低的排序顺序,将目标物料数据展示出来。
在本实施例中,若输入的是物料语义数据,则基于自然语言处理(NaturalLanguage Processing,NLP)来提取物料语义数据中的语义信息,根据语义信息确定出待抓取数据的主属性和/或配置属性。将所述物料清单中与所述主属性和/或所述配置属性相匹配的物料数据,确定为所述目标物料数据。
待抓取数据表征为用户想要查询到的数据,主属性表征为构成该物料数据的属性集的关键属性,例如物料编号、文档编号,产品编号,零件编号,级联编号等。配置属性表征为构成该物料数据的属性的次要属性,例如物料的公差,尺寸,装配顺序等属性。
具体的,首先对物料语义数据进行预处理,以便提取语义信息。预处理可以包括文本分词、词性标注、实体识别和句法分析等方式。根据预处理后的物料语义数据,使用相关NLP工具包和算法,如Stanford CoreNLP和Word2Vec,提取其中的主属性信息和/或配置属性信息。将所述主属性信息和/或配置属性信息构成一个特征向量,与物料清单数据的特征向量进行匹配。
可选地,可以使用支持向量机、随机森林等算法来训练语音特征提取模型,以便从物料清单中选择与主属性和/或配置属性最匹配的物料数据。
同理,如果匹配多个目标物料数据,则可以使用一些排序算法对目标物料数据进行排名,例如kNN、朴素贝叶斯,并按照从高到低的排序顺序,将目标物料数据展示出来。
此外,可以理解的是,若用户输入的查询条件中,同时包含了物料图像数据和物料语义数据,则在物料清单中抓取目标物料数据的过程中,可以同时执行上述的两种目标物料数据确定方式。
在本实施例提供的技术方案中,具体说明了如何基于图像查询条件和/或语义查询条件来抓取物料清单中的目标物料数据,不需要输入确切的物料编号和/或物料类型也可以从物料清单的大量物料数据中抓取到所需要的数据对象,避免了当用户忘记或记错了物料编号和/或物料类型时也能够查找到所需要的物料数据。
进一步的,在本实施例中,所述步骤S21包括:
步骤S211,将所述图像语义特征分割为多个候选区域特征;
步骤S212,将所述候选区域特征映射至CNN卷积模型的目标卷积层的三维特征模型数据,得到预处理候选区域特征;
步骤S213,确定所述预处理候选区域特征,与所述物料清单中的所述物料数据的物料图像数据之间的特征相似度;
步骤S214,将各个所述物料图像数据中,所述特征相似度大于预设相似度阈值的物料图像数据,确定为满足所述特征相似度匹配条件的所述目标物料数据。
作为一可选实施方式,在本实施例中,采用特征相似度匹配的方式来将图像语义特征和物料清单中的图像数据进行匹配,将得到的最大特征相似度的物料数据确定为满足特征匹配条件的目标物料数据。
具体的,首先将图像语义特征通过图像分割算法或深度学习语义分割算法,分割为多个不同的候选区域特征。可选地,图像分割算法可以包括但不限于GrabCut算法、MeanShift算法,深度学习语义分割算法可以包括但不限于FCN算法、UNet算法;
然后,将待选区域特征映射至CNN卷积模型的目标卷积层的三维特征模型数据,得到预处理候选区域特征。可选地,可以采用池化映射。也可以使用深度学习的空间变换网络映射。可选地,目标卷积层可以为CNN中的最后一个卷积层。需要说明的是,此处所采用的CNN卷积模型为Fast R-CNN模型(Fast Regions with CNN),通过将待选区域特征映射至Fast R-CNN模型的目标卷积层,确保每张图片只提取一次特征,从而达到提高运行速度的效果。
接着,从物料清单中读取物料数据的物料图像数据,提取出物料数据的特征,然后确定预处理候选区域特征,与物料清单中的物料数据的物料图像数据之间的特征相似度。可选地,特征相似度的计算可以采用欧氏距离、余弦相似度等计算方式,也可以使用深度学习的相似度计算方式,如Siamese Network算法。
最后,选取特征相似度大于与预设相似度阈值的物料图像数据作为所述目标物料数据。例如,设置相似度阈值为0.95,最大为1,若特征相似度>0.95,则选为目标物料数据。
需要说明的是,若选出多个目标物料数据,则按照特征相似度从高到低的顺序将各个目标物料数据排列输出。
进一步的,在本实施例中,所述步骤S21包括:
步骤S215,对所述图像语义特征作像素分类处理,确定所述图像语义特征中的一个或多个像素类别;
步骤S216,将所述物料清单中,与所述像素类别相匹配的物料数据,确定为所述目标物料数据。
作为一可选实施方式,本实施例中采用像素匹配的方式去抓取物料图像数据对应的目标物料数据。
具体的,首先将图像语义特征中的每个像素按照其所属的语义类别进行标记分类,确定出一个或多个像素类别。
然后,读取物料清单,建立物料类别与属性特征之间的映射关系,遍历待识别图像中的每个像素,获取每个像素的像素类别,匹配与所述像素类别相同的物料数据,并将匹配成功的物料数据存储到一个列表中,遍历列表中的所有物料数据,对物料数据的属性特征进行比对分析,确定或生成该图像语义特征对应的一个或多个目标物料数据。
进一步的,在本实施例中,所述步骤S22包括:
步骤S221,提取所述物料语义数据中的多个物料实体语义信息;
步骤S222,确定各个所述物料实体语义信息之间语义关系;
步骤S223,根据所述物料实体语义信息和所述语义关系,确定所述主属性和/或所述配置属性;
步骤S224,确定所述物料清单中,是否存在与所述主属性和/或所述配置属性相匹配的待选物料数据;
步骤S225,若存在,将所述待选物料数据确定为所述目标物料数据。
作为一可选实施例,在本实施例中,基于自然语言处理技术来提取物料语义数据中的物料实体语义信息,然后根据物料实体语义信息去解析用户所需查询的数据含义,从而于物料清单中确定出目标物料数据。
具体的,首先对物料语义数据文本进行分词处理,将其转化为词项序列,便于后续处理,然后进行词性标注,对于分词处理后的文本进行词性标注,识别每个词项在句子中所处的语法角色,将物料语义数据中出现的实体名称进行识别。例如,物料清单中的包括物料名称、物料编号、尺寸、录入时间、数字等物料清单中录入的信息,均可作为物料实体语义信息。
接着,通过语义分析技术,识别出实体之间的语义关系,所述语义关系包括同义词、上下位、包含、并列、修饰、动宾等关系。
进一步的,根据物料实体语义信息,以及多个物料实体语义信息之间的语义关系,识别出实体中具有的属性,例如物料编号、文档编号,产品编号,零件编号,级联编号等主属性,或者例如物料的公差,尺寸,装配顺序等配置属性。
可选地,为了减小系统计算负荷,物料清单中主属性和/或配置属性的具体配置方式,可以为创建物料清单时由用户根据工艺流程需要具体设置。
进一步的,将分析出的输入信息中的配置属性和/或主属性,与物料清单中的待选物料数据进行匹配,若匹配到相应的待选物料数据,则判断查找到用户输入的物料语义数据对应的目标物料数据。
可选地,为了确保匹配的结果,将与配置属性和/或主属性中的至少一个数据相匹配的物料数据均作为目标物料数据,然后将多个目标物料数据,按照匹配到的属性的个数去排序,且主属性匹配的排序优先级大于配置属性的排序优先级,排序越靠前的目标物料数据表征为越符合用户输入的查询条件的目标物料数据。
参照图4,在第三实施例中,基于任一实施例,所述步骤S10之前,还包括:
步骤S40,基于产品项目名称对所述物料清单中的物料数据作分层处理,得到多层级物料清单,其中,所述多层级物料清单包括多个不同层级的子物料清单,每一所述子物料清单带有不同的所述产品项目名称;
步骤S50,赋予每一层级的所述子物料清单对应的层值,以在接收到所述物料抓取指令时,获取所述物料抓取指令中的层值,并跳转至所述层值对应的层级执行物料抓取操作。
作为一可选实施例,由于采用图像处理和/或自然语言处理的搜索方式会增加系统抓取时的计算开销,因此,本实施例中提供一种优化物料清单中数据结构的方式来减小抓取数据时的系统计算开销。
具体的,将每个产品项目名称作为一个根节点,构建一棵多叉树结构,然后根据物料的层级关系,将每个物料作为子节点挂在其所属的父节点下。根据各个节点在树中的深度,给每个节点分配一个层级值,表示该节点所在的层级。在处理物料抓取指令时,解析该指令中的层级值,根据该值在树中定位到对应的节点,执行物料抓取操作。
示例性地,对于一个名为“产品A”的项目,其物料清单可以表示如下:
1父节点—产品A
1.1——集成电路
1.1.1———CPU
1.1.2———存储芯片
1.1.3──—控制芯片
1.1.4———信号处理芯片
1.2——电子元器件
1.2.1———电解电容
1.2.2———电阻
1.2.3———二极管
1.3——机械部件
1.3.1———机壳
1.3.2———吸盘
1.3.3———电机
1.3.4———传输带
其中,每个节点都可以表示为一个包含以下字段的数据结构:
"name":"节点名称";
"level":"节点所在层级";
"children":[子节点列表];
对于物料抓取指令,设备可以生成一个包含层级值的参数fetch_materials,假设需要抓取位于3.2的“吸盘”物料数据,则生成的参数fetch_materials为:
fetch_materials=[“name:产品A”;"level":"3";“children:2”]
表示需要抓取产品A中位于第三层级中第二子节点列表中的数据。根据该参数,可以在树中定位到所有属于第二层级的节点,进而执行物料抓取操作。
在本实施例提供的技术方案中,通过分层并赋予相应层值的方式来优化物料清单中存储的数据结构,以在接收到物料抓取指令时,根据层值快速跳转至所述层值对应的层级执行物料抓取操作。从而减少基于图像数据、语义数据抓取数据时系统的计算开销。
参照图5,在第四实施例中,基于任一实施例,所述步骤S30之前,还包括:
步骤S60,确定所述目标物料数据的数据结构,以及所述物料抓取指令中的输出范围;
步骤S70,根据所述数据结构和/或所述输出范围,确定所述目标物料数据的目标输出方式,其中,所述输出范围包括全局输出范围、单数据输出范围和关联数据输出范围;
所述步骤S30包括:
步骤S31,基于所述目标输出方式输出所述目标物料数据。
作为一可选实施例,考虑到基于物料图像数据和/或物料语义数据作为查询条件,得到的目标物料数据有可能会出现查询结果不准确的情形,以及采用非检索式查询对系统的计算负荷增加。在本实施例中通过确定目标物料数据的数据结构和输出范围:针对目标物料数据进行数据结构分析,包括数据类型、数据名称、数据格式、数据单位等方面的描述。根据抓取指令进行输出范围的确定,包括全局输出范围、单数据输出范围和关联数据输出范围等。最后,根据确定的数据结构和输出范围,确定目标物料数据的目标输出方式。
对于全局输出范围,将目标物料数据的所有信息进行输出;对于单数据输出范围,只输出指定的数据;对于关联数据输出范围,将相关联的数据一起输出。
在本实施例提供的技术方案中,根据数据结构,以及用户选择的输出范围来确定相应的目标输出方式,可根据实际需求选择不同的输出方式来显示输出结果,减小基于图像数据、语义数据抓取数据时系统的计算开销的同时,确保查询结果能更符合用户预期。
进一步的,在本实施例中,所述步骤S70包括:
步骤S71,若所述数据结构为树形结构,所述输出范围为所述单数据输出范围,确定所述目标输出方式为单独输出所述目标物料数据;
步骤S72,若所述数据结构为图形结构,所述输出范围为所述关联输出范围,确定所述目标输出方式为输出所述目标物料数据以及所述目标物料数据关联的物料数据;
步骤S73,若所述输出范围为所述全局输出范围,确定所述目标输出方式为输出所述目标物料数据所处层级中的每一所述物料数据。
可选地,在本实施例中,若数据结构为树形结构,且用户选择的输出范围为单数据输出,则只输出抓取的一个或多个目标物料数据。例如,目标物料数据为名称为“机械部件”的数据,则只输出“机械部件”节点下的数据。
若数据结构为图形结构,且用户选择的输出范围为关联输出,则输出抓取到的目标物料数据,以及其关联的物料数据。
示例性地,用户输入一数据类型为CAD图的物料图像数据,系统确定出物料清单中的目标物料数据为“集成电路”节点中的数据,操作人员在物料清单中导入数据时,将“集成电路”节点中的数据和“机械部件”节点中的数据进行了关联,则在输出“集成电路”节点中数据的同时,也会输出“机械部件”节点中的数据。
需要说明的格式,这种关联输出的方式可以适用于用户想要查找物料清单中的多个存在关联的数据的场景。
若用户选择的输出范围为全局输出范围,则将目标物料数据的所处层级的所有信息进行输出。
示例性地,系统确定出物料清单中的目标物料数据为“集成电路”节点中的数据,“集成电路”节点的层级为第二层,此外,同处于第二层的节点还有“电子元器件”节点和“机械部件”节点,则输出的结果为“集成电路”节点、“电子元器件”节点和“机械部件”节点中的所有数据。
在本实施例提供的技术方案中,根据数据结构,以及用户选择的输出范围来确定相应的目标输出方式,可根据实际需求选择不同的输出方式来显示输出结果,减小基于图像数据、语义数据抓取数据时系统的计算开销的同时,确保查询结果能更符合用户预期。
此外,本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令,计算机程序可以存储于一存储介质中,该存储介质为计算机可读存储介质。该程序指令被物料清单的数据抓取系统中的至少一个处理器执行,以实现上述方法的实施例的流程步骤。
因此,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有物料清单的数据抓取程序,所述物料清单的数据抓取程序被处理器执行时实现如上实施例所述的物料清单的数据抓取方法的各个步骤。
其中,所述计算机可读存储介质可以是U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
需要说明的是,由于本申请实施例提供的存储介质,为实施本申请实施例的方法所采用的存储介质,故而基于本申请实施例所介绍的方法,本领域所属人员能够了解该存储介质的具体结构及变形,故而在此不再赘述。凡是本申请实施例的方法所采用的存储介质都属于本申请所欲保护的范围。
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,本发明可采用完全硬件实施例、完全软件实施例、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、CD-ROM、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、系统(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系统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系统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系统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系统上,使得在计算机或其他可编程系统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系统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。
应当注意的是,在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种物料清单的数据抓取方法,其特征在于,所述物料清单的数据抓取方法包括:
在检测到物料抓取指令时,获取输入的物料图像数据和/或物料语义数据;
根据所述物料图像数据和/或所述物料语义数据,于物料清单中抓取出目标物料数据;
输出所述目标物料数据。
2.如权利要求1所述的物料清单的数据抓取方法,其特征在于,所述根据所述物料图像数据和/或所述物料语义数据,于物料清单中抓取出目标物料数据的步骤包括:
提取所述物料图像数据中的图像语义特征,将所述图像语义特征与所述物料清单中的物料数据作特征匹配,并将所述物料清单中满足预设特征匹配条件的物料数据确定为所述目标物料数据;和/或,
提取所述物料语义数据中的语义信息,并基于所述语义信息确定待抓取数据的主属性和/或配置属性,将所述物料清单中与所述主属性和/或所述配置属性相匹配的物料数据,确定为所述目标物料数据。
3.如权利要求2所述的物料清单的数据抓取方法,其特征在于,所述特征匹配条件包括特征相似度匹配条件,所述提取所述物料图像数据中的图像语义特征,将所述图像语义特征与所述物料清单中的物料数据作特征匹配,并将所述物料清单中满足预设特征匹配条件的物料数据确定为所述目标物料数据的步骤包括:
将所述图像语义特征分割为多个候选区域特征;
将所述候选区域特征映射至CNN卷积模型的目标卷积层的三维特征模型数据,得到预处理候选区域特征;
确定所述预处理候选区域特征,与所述物料清单中的所述物料数据的物料图像数据之间的特征相似度;
将各个所述物料图像数据中,所述特征相似度大于预设相似度阈值的物料图像数据,确定为满足所述特征相似度匹配条件的所述目标物料数据。
4.如权利要求2所述的物料清单的数据抓取方法,其特征在于,所述特征匹配条件包括像素匹配条件,所述提取所述物料图像数据中的图像语义特征,将所述图像语义特征与所述物料清单中的物料数据作特征匹配,并将所述物料清单中满足预设特征匹配条件的物料数据确定为所述目标物料数据的步骤包括:
对所述图像语义特征作像素分类处理,确定所述图像语义特征中的一个或多个像素类别;
将所述物料清单中,与所述像素类别相匹配的物料数据,确定为所述目标物料数据。
5.如权利要求2所述的物料清单的数据抓取方法,其特征在于,所述提取所述物料语义数据中的语义信息,并基于所述语义信息确定待抓取数据的主属性和/或配置属性,将所述物料清单中与所述主属性和/或所述配置属性相匹配的物料数据,确定为所述目标物料数据的步骤包括:
提取所述物料语义数据中的多个物料实体语义信息;
确定各个所述物料实体语义信息之间语义关系;
根据所述物料实体语义信息和所述语义关系,确定所述主属性和/或所述配置属性;
确定所述物料清单中,是否存在与所述主属性和/或所述配置属性相匹配的待选物料数据;
若存在,将所述待选物料数据确定为所述目标物料数据。
6.如权利要求1所述的物料清单的数据抓取方法,其特征在于,所述获取输入的物料图像数据和/或物料语义数据的步骤之前,还包括:
基于产品项目名称对所述物料清单中的物料数据作分层处理,得到多层级物料清单,其中,所述多层级物料清单包括多个不同层级的子物料清单,每一所述子物料清单带有不同的所述产品项目名称;
赋予每一层级的所述子物料清单对应的层值,以在接收到所述物料抓取指令时,获取所述物料抓取指令中的层值,并跳转至所述层值对应的层级执行物料抓取操作。
7.如权利要求1所述的物料清单的数据抓取方法,其特征在于,所述输出所述目标物料数据的步骤之前,还包括:
确定所述目标物料数据的数据结构,以及所述物料抓取指令中的输出范围;
根据所述数据结构和/或所述输出范围,确定所述目标物料数据的目标输出方式,其中,所述输出范围包括全局输出范围、单数据输出范围和关联数据输出范围;
所述输出所述目标物料数据的步骤包括:
基于所述目标输出方式输出所述目标物料数据。
8.如权利要求7所述的物料清单的数据抓取方法,其特征在于,所述根据所述数据结构和所述输出范围,确定所述目标物料数据的目标输出方式的步骤包括:
若所述数据结构为树形结构,所述输出范围为所述单数据输出范围,确定所述目标输出方式为单独输出所述目标物料数据;
若所述数据结构为图形结构,所述输出范围为所述关联输出范围,确定所述目标输出方式为输出所述目标物料数据以及所述目标物料数据关联的物料数据;
若所述输出范围为所述全局输出范围,确定所述目标输出方式为输出所述目标物料数据所处层级中的每一所述物料数据。
9.一种物料清单的数据抓取系统,其特征在于,所述物料清单的数据抓取系统包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的物料清单的数据抓取程序,所述物料清单的数据抓取程序被所述处理器执行时实现如权利要求1至8中任一项所述的物料清单的数据抓取方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有物料清单的数据抓取程序,所述物料清单的数据抓取程序被处理器执行时实现如权利要求1至8中任一项所述的物料清单的数据抓取方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310553602.9A CN116681382A (zh) | 2023-05-16 | 2023-05-16 | 物料清单的数据抓取方法、系统以及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310553602.9A CN116681382A (zh) | 2023-05-16 | 2023-05-16 | 物料清单的数据抓取方法、系统以及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116681382A true CN116681382A (zh) | 2023-09-01 |
Family
ID=87784477
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310553602.9A Pending CN116681382A (zh) | 2023-05-16 | 2023-05-16 | 物料清单的数据抓取方法、系统以及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116681382A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117592950A (zh) * | 2024-01-19 | 2024-02-23 | 湖南长劲鹿网络科技有限公司 | 检验检测管理平台及其数据处理方法 |
-
2023
- 2023-05-16 CN CN202310553602.9A patent/CN116681382A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117592950A (zh) * | 2024-01-19 | 2024-02-23 | 湖南长劲鹿网络科技有限公司 | 检验检测管理平台及其数据处理方法 |
CN117592950B (zh) * | 2024-01-19 | 2024-03-26 | 湖南长劲鹿网络科技有限公司 | 检验检测管理平台及其数据处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110597735B (zh) | 一种面向开源软件缺陷特征深度学习的软件缺陷预测方法 | |
CN108959431B (zh) | 标签自动生成方法、系统、计算机可读存储介质及设备 | |
CN108280114B (zh) | 一种基于深度学习的用户文献阅读兴趣分析方法 | |
CN108268600B (zh) | 基于ai的非结构化数据管理方法及装置 | |
US20230039496A1 (en) | Question-and-answer processing method, electronic device and computer readable medium | |
CN112541490A (zh) | 一种基于深度学习的档案影像信息结构化构建方法及装置 | |
CN104408173A (zh) | 一种基于b2b平台的核心关键词自动提取方法 | |
CN111737494B (zh) | 智能学习系统的知识图谱生成方法 | |
CN116821318B (zh) | 基于大语言模型的业务知识推荐方法、装置及存储介质 | |
CN111078837A (zh) | 智能问答信息处理方法、电子设备及计算机可读存储介质 | |
CN112883165B (zh) | 一种基于语义理解的智能全文检索方法及系统 | |
US20210350125A1 (en) | System for searching natural language documents | |
CN107145519B (zh) | 一种基于超图的图像检索与标注方法 | |
JP2022073981A (ja) | ソースコード取得 | |
CN106844482B (zh) | 一种基于搜索引擎的检索信息匹配方法及装置 | |
CN116681382A (zh) | 物料清单的数据抓取方法、系统以及可读存储介质 | |
KR20120047622A (ko) | 디지털 콘텐츠 관리 시스템 및 방법 | |
CN114282513A (zh) | 文本语义相似度的匹配方法、系统、智能终端及存储介质 | |
CN105069136A (zh) | 一种大数据环境下的图像识别方法 | |
CN116049376B (zh) | 一种信创知识检索回复的方法、装置和系统 | |
CN117010373A (zh) | 一种电力设备资产管理数据所属类别和组的推荐方法 | |
CN115982316A (zh) | 一种基于多模态的文本检索方法、系统及介质 | |
CN113157873B (zh) | 一种基于模板匹配和深度学习的知识库问答系统构建方法 | |
Zhang | Similarity image retrieval model based on local feature fusion and deep metric learning | |
Zhang et al. | Open-domain document-based automatic QA models based on CNN and attention mechanism |
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 |