CN116840502A - 基于深度学习的光电传感器的测量方法及设备 - Google Patents
基于深度学习的光电传感器的测量方法及设备 Download PDFInfo
- Publication number
- CN116840502A CN116840502A CN202310828720.6A CN202310828720A CN116840502A CN 116840502 A CN116840502 A CN 116840502A CN 202310828720 A CN202310828720 A CN 202310828720A CN 116840502 A CN116840502 A CN 116840502A
- Authority
- CN
- China
- Prior art keywords
- neural network
- matrix
- network model
- rotation speed
- processing
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 22
- 238000000691 measurement method Methods 0.000 title description 13
- 238000004519 manufacturing process Methods 0.000 claims abstract description 70
- 230000008859 change Effects 0.000 claims abstract description 54
- 238000000034 method Methods 0.000 claims abstract description 50
- 238000012545 processing Methods 0.000 claims description 162
- 239000011159 matrix material Substances 0.000 claims description 114
- 238000003062 neural network model Methods 0.000 claims description 107
- 238000013507 mapping Methods 0.000 claims description 73
- 238000003860 storage Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 12
- 230000003213 activating effect Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 abstract description 14
- 238000012937 correction Methods 0.000 abstract description 10
- 238000005259 measurement Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 19
- 238000013461 design Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 8
- 238000003384 imaging method Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000001360 synchronised effect Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 235000019800 disodium phosphate Nutrition 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P3/00—Measuring linear or angular speed; Measuring differences of linear or angular speeds
- G01P3/36—Devices characterised by the use of optical means, e.g. using infrared, visible, or ultraviolet light
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Power Engineering (AREA)
- Electromagnetism (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本申请提供一种基于深度学习的光电传感器的测量方法及设备，以提高通过光电传感器进行测速的准确性。该方法中，在至少一个光电传感器测得第一时间段的至少一个设备转速集合后，电子设备可以通过神经网络对至少一个设备转速集合进行误差修正，如此得到的智能制造设备在第一时间段内的设备转速变化能够更接近其实际的设备转速变化，从而提高通过光电传感器进行测速的准确性。
Description
技术领域
本申请涉及深度学习技术领域，尤其涉及一种基于深度学习的光电传感器的测量方法及设备。
背景技术
光电传感器因其测量原理简单，已广泛应用到诸多领域。以智能制造设备领域为例，光电传感器可以设置在智能制造设备的转子附近，此时，转子的转动会对光线产生间歇性的遮挡，使得光电传感器能够被触发产生电信号，并对电信号进行计数，从而测得智能制造设备的设备转速。
但是，光电传感器的测量容易受到环境的影响，导致测得的设备转速可能不准确。
发明内容
本申请实施例提供一种基于深度学习的光电传感器的测量方法及设备，以提高通过光电传感器进行测速的准确性。
为达到上述目的，本申请采用如下技术方案：
第一方面，提供一种基于深度学习的光电传感器的测量方法，至少一个光电传感器设置在智能制造设备的不同位置，该方法包括：获取至少一个光电传感器中每个光电传感器在第一时间段内采集的设备转速集合，共至少一个设备转速集合，至少一个设备转速集合中的每个设备转速集合均包含智能制造设备在第一时间段内的多个时刻下的设备转速；使用神经网络模型，对至少一个设备转速集合进行处理，得到智能制造设备在第一时间段内的设备转速变化。
基于第一方面所述的方法可知，在至少一个光电传感器测得第一时间段的至少一个设备转速集合后，可以通过神经网络对至少一个设备转速集合进行误差修正，如此得到的智能制造设备在第一时间段内的设备转速变化能够更接近其实际的设备转速变化，从而提高通过光电传感器进行测速的准确性。
一种可能的设计方案，在至少一个光电传感器为多个的情况下，至少一个设备转速集合为多个设备转速集合；使用神经网络模型，对至少一个设备转速集合进行处理，得到智能制造设备在第一时间段内的设备转速变化，包括：使用神经网络模型的特征映射层，将多个设备转速集合映射为第一矩阵，其中，第一矩阵中每一列向量中的元素用于表征多个设备转速集合中对应的一个设备转速集合中的设备转速，或者，第一矩阵中每一行向量中的元素用于表征多个设备转速集合中对应的一个设备转速集合中的设备转速；使用神经网络模型的特征处理层，对第一矩阵进行处理，得到智能制造设备在第一时间段内的设备转速变化。
可以理解，在多个设备转速集合的情况下，可以采用行或列映射的方式，将其映射为第一矩阵，也即，实现图像化处理，此时，第一矩阵可以看做二维的图像，以确保后续神经网络能对其识别和处理。
可选地，使用神经网络模型的特征映射层，将多个设备转速集合映射为第一矩阵，包括：使用神经网络模型的特征映射层，将多个设备转速集合中每个设备转速集合的设备转速转换为RGB值，得到转换后的多个设备转速集合。其中，一个设备转速的值可以被作为RGB中的任一值，如R值，此时，G值和B值可以被置为预设值，如0。例如，设备转速为64转每秒，作为RGB值，其可以被表示为：“64、0、0”。在此基础上，可以使用神经网络模型的特征映射层，将转换后的多个设备转速集合映射为第一矩阵。
可选地，使用神经网络模型的特征处理层，对第一矩阵进行处理，得到智能制造设备在第一时间段内的设备转速变化，包括：使用神经网络模型的特征处理层，对第一矩阵进行卷积处理，得到卷积后的特征向量；使用神经网络模型的特征处理层，对卷积后的特征向量进行激活处理，得到智能制造设备在第一时间段内的设备转速变化。可以看出，特征处理层的结构可以是常规的CNN结构，也即，通过对设备转速集合进行图像化处理，可实现复用已有的神经网络来完成对设备转速进行误差修正。因此，相较于设计或定义新的网络结构，其实现难度更低，更便于实际应用。
另一种可能的设计方案，在至少一个光电传感器为多个的情况下，至少一个设备转速集合为多个设备转速集合；使用神经网络模型，对至少一个设备转速集合进行处理，得到智能制造设备在第一时间段内的设备转速变化，包括：使用神经网络模型的特征映射层，将多个设备转速集合映射为第二矩阵，其中，第二矩阵中对角线上的每个元素用于表征多个设备转速集合中对应的一个设备转速集合中的设备转速，第二矩阵中除对角线以外的位置上的元素被配置为预设值；使用神经网络模型的特征处理层，对第二矩阵进行处理，得到智能制造设备在第一时间段内的设备转速变化。
可以理解，在多个设备转速集合的情况下，也可以采用对角线映射的方式，将其映射为第二矩阵，此时，相较于上述的设计方案，其能够简化矩阵结构，从而可以降低后续的运算量，提高处理效率。
可选地，使用神经网络模型的特征映射层，将多个设备转速集合映射为第二矩阵，包括：使用神经网络模型的特征映射层，将多个设备转速集合中每个设备转速集合中的三个设备转速作为RGB值，如三个设备转速分布作为R值，G值和B值，从而得到多个RGB值。在此基础上，可以使用神经网络模型的特征映射层，将多个RGB值依次映射到矩阵的对角线上，得到第二矩阵。
可选地，使用神经网络模型的特征处理层，对第二矩阵进行处理，得到智能制造设备在第一时间段内的设备转速变化，包括：使用神经网络模型的特征处理层，对第二矩阵进行卷积处理，得到卷积后的特征向量；使用神经网络模型的特征处理层，对卷积后的特征向量进行激活处理，得到智能制造设备在第一时间段内的设备转速变化。可以看出，特征处理层的结构可以是常规的CNN结构，也即，通过对设备转速集合进行图像化处理，可实现复用已有的神经网络来完成对设备转速进行误差修正。因此，相较于设计或定义新的网络结构，其实现难度更低，更便于实际应用。
再一种可能的设计方案，在至少一个光电传感器为一个的情况下，至少一个设备转速集合为一个设备转速集合；使用神经网络模型，对至少一个设备转速集合进行处理，得到智能制造设备在第一时间段内的设备转速变化，包括：使用神经网络模型的特征映射层，将设备转速集合映射为第二矩阵，其中，第二矩阵中对角线上的元素用于表征设备转速集合中的设备转速，第二矩阵中除对角线以外的位置上的元素被配置为预设值；使用神经网络模型的特征处理层，对第二矩阵进行处理，得到智能制造设备在第一时间段内的设备转速变化。
可以理解，在只有一个设备转速集合的情况下，仍可以采用对角线映射的方式，将其映射为第三矩阵，以确保后续神经网络能对其识别和处理。
可选地，使用神经网络模型的特征映射层，将设备转速集合映射为第二矩阵，包括：使用神经网络模型的特征映射层，将设备转速集合的设备转速转换为RGB值，得到转换后的设备转速集合；使用神经网络模型的特征映射层，将转换后的设备转速集合映射为第二矩阵。
可选地，使用神经网络模型的特征处理层，使用神经网络模型的特征处理层，对第二矩阵进行处理，得到智能制造设备在第一时间段内的设备转速变化，包括：使用神经网络模型的特征处理层，对第二矩阵进行卷积处理，得到卷积后的特征向量；使用神经网络模型的特征处理层，对卷积后的特征向量进行激活处理，得到智能制造设备在第一时间段内的设备转速变化。可以看出，特征处理层的结构可以是常规的CNN结构，也即，通过对设备转速集合进行图像化处理，可实现复用已有的神经网络来完成对设备转速进行误差修正。因此，相较于设计或定义新的网络结构，其实现难度更低，更便于实际应用。
第二方面，提供电子设备，该电子设备应用于智能制造设备，该智能制造设备的不同位置设置有至少一个光电传感器，该电子设备包括：收发模块，用于获取至少一个光电传感器中每个光电传感器在第一时间段内采集的设备转速集合，共至少一个设备转速集合，至少一个设备转速集合中的每个设备转速集合均包含智能制造设备在第一时间段内的多个时刻下的设备转速；处理模块，用于使用神经网络模型，对至少一个设备转速集合进行处理，得到智能制造设备在第一时间段内的设备转速变化。
一种可能的设计方案，在至少一个光电传感器为多个的情况下，至少一个设备转速集合为多个设备转速集合；处理模块，用于使用神经网络模型的特征映射层，将多个设备转速集合映射为第一矩阵，其中，第一矩阵中每一列向量中的元素用于表征多个设备转速集合中对应的一个设备转速集合中的设备转速，或者，第一矩阵中每一行向量中的元素用于表征多个设备转速集合中对应的一个设备转速集合中的设备转速；处理模块，用于使用神经网络模型的特征处理层，对第一矩阵进行处理，得到智能制造设备在第一时间段内的设备转速变化。
可选地，处理模块，用于使用神经网络模型的特征映射层，将多个设备转速集合中每个设备转速集合的设备转速转换为RGB值，得到转换后的多个设备转速集合。
可选地，处理模块，用于使用神经网络模型的特征处理层，对第一矩阵进行卷积处理，得到卷积后的特征向量；处理模块，用于使用神经网络模型的特征处理层，对卷积后的特征向量进行激活处理，得到智能制造设备在第一时间段内的设备转速变化。
另一种可能的设计方案，在至少一个光电传感器为多个的情况下，至少一个设备转速集合为多个设备转速集合；处理模块，用于使用神经网络模型的特征映射层，将多个设备转速集合映射为第二矩阵，其中，第二矩阵中对角线上的每个元素用于表征多个设备转速集合中对应的一个设备转速集合中的设备转速，第二矩阵中除对角线以外的位置上的元素被配置为预设值；处理模块，用于使用神经网络模型的特征处理层，对第二矩阵进行处理，得到智能制造设备在第一时间段内的设备转速变化。
可选地，处理模块，用于使用神经网络模型的特征映射层，将多个设备转速集合中每个设备转速集合中的三个设备转速作为RGB值，得到多个RGB值。处理模块，用于使用神经网络模型的特征映射层，将多个RGB值依次映射到矩阵的对角线上，得到第二矩阵。
可选地，处理模块，用于使用神经网络模型的特征处理层，对第二矩阵进行卷积处理，得到卷积后的特征向量；处理模块，用于使用神经网络模型的特征处理层，对卷积后的特征向量进行激活处理，得到智能制造设备在第一时间段内的设备转速变化。
再一种可能的设计方案，在至少一个光电传感器为一个的情况下，至少一个设备转速集合为一个设备转速集合；处理模块，用于使用神经网络模型的特征映射层，将设备转速集合映射为第二矩阵，其中，第二矩阵中对角线上的元素用于表征设备转速集合中的设备转速，第二矩阵中除对角线以外的位置上的元素被配置为预设值；处理模块，用于使用神经网络模型的特征处理层，对第二矩阵进行处理，得到智能制造设备在第一时间段内的设备转速变化。
可选地，处理模块，用于使用神经网络模型的特征映射层，将设备转速集合的设备转速转换为RGB值，得到转换后的设备转速集合；处理模块，用于使用神经网络模型的特征映射层，将转换后的设备转速集合映射为第二矩阵。
可选地，处理模块，用于使用神经网络模型的特征处理层，对第二矩阵进行卷积处理，得到卷积后的特征向量；处理模块，用于使用神经网络模型的特征处理层，对卷积后的特征向量进行激活处理，得到智能制造设备在第一时间段内的设备转速变化。
可选地，第二方面所述的电子设备还可以包括存储模块，该存储模块存储有程序或指令。当该处理模块执行该程序或指令时，使得该电子设备可以执行第一方面所述的方法。
需要说明的是，第二方面所述的电子设备可以是终端，也可以是可设置于针对中的芯片(系统)或其他部件或组件，还可以是包含终端的装置，本申请对此不做限定。
此外，第二方面所述的电子设备的技术效果可以参考第一方面所述的方法的技术效果，此处不再赘述。
第三方面，提供了一种电子设备，包括：处理器和存储器；该存储器用于存储计算机程序，当该处理器执行该计算机程序时，以使该电子设备执行第一方面所述的基于深度学习的光电传感器的测量方法。
在一种可能的设计方案中，第三方面所述的电子设备还可以包括收发器。该收发器可以为收发电路或接口电路。该收发器可以用于第三方面所述的电子设备与其他电子设备通信。
在本申请中，第三方面所述的电子设备可以为终端，或者可设置于该针对中的芯片(系统)或其他部件或组件，或者包含该终端的装置。
此外，第三方面所述的电子设备的技术效果可以参考第一方面所述的基于深度学习的光电传感器的测量方法的技术效果，此处不再赘述。
第四方面，提供一种计算机可读存储介质，包括：计算机程序或指令；当该计算机程序或指令在计算机上运行时，使得该计算机执行第一方面所述的基于深度学习的光电传感器的测量方法。
第五方面，提供一种计算机程序产品，包括：计算机程序或指令，当该计算机程序或指令在计算机上运行时，使得该计算机执行第一方面所述的基于深度学习的光电传感器的测量方法。
附图说明
图1为本申请实施例提供的处理系统的架构示意图；
图2为本申请实施例提供的基于深度学习的光电传感器的测量方法的流程示意图；
图3为本申请实施例提供的电子设备的结构示意图一；
图4为本申请实施例提供的电子设备的结构示意图二。
具体实施方式
下面将结合附图，对本申请中的技术方案进行描述。
本申请将围绕可包括多个设备、组件、模块等的系统来呈现各个方面、实施例或特征。应当理解和明白的是，各个系统可以包括另外的设备、组件、模块等，并且/或者可以并不包括结合附图讨论的所有设备、组件、模块等。此外，还可以使用这些方案的组合。
另外，在本申请实施例中，“示例的”、“例如”等词用于表示作例子、例证或说明。本申请中被描述为“示例”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用示例的一词旨在以具体方式呈现概念。
本申请实施例中，“信息(information)”，“信号(signal)”，“消息(message)”，“信道(channel)”、“信令(singaling)”有时可以混用，应当指出的是，在不强调其区别时，其所要表达的含义是匹配的。“的(of)”，“相应的(corresponding，relevant)”和“对应的(corresponding)”有时可以混用，应当指出的是，在不强调其区别时，其所要表达的含义是匹配的。此外，本申请提到的“/”可以用于表示“或”的关系。
本申请实施例描述的网络架构以及业务场景是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域普通技术人员可知，随着网络架构的演变和新业务场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
为便于理解本申请实施例，首先以图1中示出的处理系统为例详细说明适用于本申请实施例的处理系统。示例性的，图1为本申请实施例提供的基于深度学习的光电传感器的测量方法所适用的一种处理系统的架构示意图。
如图1所示，该处理系统可以包括：多个光电传感器，以及与多个光电传感器耦合的处理设备。
上述多个光电传感器可以是应用到本实施例场景中的任何可能型号的光电传感器，具体实现不做具体限定。
上述处理设备可以是用户终端(简称为终端)，终端可以为具有收发功能的终端，或可设置于该终端的芯片或芯片系统。该终端也可以称为用户装置(uesr equipment，UE)、接入终端、用户单元(subscriber unit)、用户站、移动站(mobile station，MS)、移动台、远方站、远程终端、移动设备、用户终端、终端、无线通信设备、用户代理或用户装置。本申请的实施例中的终端可以是手机(mobile phone)、蜂窝电话(cellular phone)、智能电话(smart phone)、平板电脑(Pad)、无线数据卡、个人数字助理电脑(personal digitalassistant，PDA)、无线调制解调器(modem)、手持设备(handset)、膝上型电脑(laptopcomputer)、机器类型通信(machine type communication，MTC)终端、带无线收发功能的电脑、虚拟现实(virtual reality，VR)终端、增强现实(augmented reality，AR)终端、工业控制(industrial control)中的无线终端、无人驾驶(selfdriving)中的无线终端、通信感知一体化中的终端、远程医疗(remote medical)中的无线终端、智能电网(smart grid)中的无线终端、运输安全(transportation safety)中的无线终端、智慧城市(smart city)中的无线终端、智慧家庭(smart home)中的无线终端、车载终端、具有终端功能的路边单元(road side unit，RSU)等。本申请的终端还可以是作为一个或多个部件或者单元而内置于智能制造设备的车载模块、车载模组、车载部件、车载芯片或者车载单元。
其中，在至少一个光电传感器测得第一时间段的至少一个设备转速集合后，处理设备可以通过神经网络对至少一个设备转速集合进行误差修正，如此得到的智能制造设备在第一时间段内的设备转速变化能够更接近其实际的设备转速变化，从而提高通过光电传感器进行测速的准确性。
为方便理解，下面将结合图2，通过方法实施例具体介绍上述处理系统中各设备之间的交互。本申请实施例提供的基于深度学习的光电传感器的测量方法可以适用于上述处理系统，并具体应用到上述处理系统中提到的各种场景，下面具体介绍。
示例性的，图2为本申请实施例提供的基于深度学习的光电传感器的测量方法的流程示意图。具体的，如图2所示，该方法的流程如下：
S201，电子设备获取至少一个光电传感器中每个光电传感器在第一时间段内采集的设备转速集合，共至少一个设备转速集合。
其中，至少一个光电传感器可以设置在智能制造设备的不同位置。至少一个设备转速集合中的每个设备转速集合均包含智能制造设备在第一时间段内的多个时刻下的设备转速。第一时间段可以是较短的时间，如1毫秒、10毫秒等等，不做限定。此外，对于不同光电传感器，其是否需要在第一时间段内的相同时刻对设备转速进行测量和采集，对此不做限定。换言之，对于不同的光电传感器，其在第一时间段内的多个时刻可以是至少部分不同的时刻，或者也可以是相同的时刻。
S202，电子设备使用神经网络模型，对至少一个设备转速集合进行处理，得到智能制造设备在第一时间段内的设备转速变化。
情况1：至少一个光电传感器为多个，至少一个设备转速集合为多个设备转速集合，第一设备采用行或列映射方式。
电子设备可以使用神经网络模型的特征映射层，将多个设备转速集合映射为第一矩阵。其中，第一矩阵中每一列向量中的元素用于表征多个设备转速集合中对应的一个设备转速集合中的设备转速，或者，第一矩阵中每一行向量中的元素用于表征多个设备转速集合中对应的一个设备转速集合中的设备转速。例如，电子设备可以使用神经网络模型的特征映射层，将多个设备转速集合中每个设备转速集合的设备转速转换为RGB值，得到转换后的多个设备转速集合。其中，一个设备转速的值可以被作为RGB中的任一值，如R值，此时，G值和B值可以被置为预设值，如0。例如，设备转速为64转每秒，作为RGB值，其可以被表示为：“64、0、0”。在此基础上，可以使用神经网络模型的特征映射层，将转换后的多个设备转速集合映射为第一矩阵。
示例性的，设备转速集合#1为(64、65、63、64)、设备转速集合#2为(60、62、66、64)、设备转速集合#3为(63、60、61、63)、设备转速集合#4为(65、66、63、63)。此时，第一矩阵可以如下表1所示。
表1
| 64，0，0 | 60，0，0 | 63，0，0 | 65，0，0 |
| 65，0，0 | 62，0，0 | 60，0，0 | 66，0，0 |
| 63，0，0 | 66，0，0 | 61，0，0 | 63，0，0 |
| 64，0，0 | 64，0，0 | 63，0，0 | 63，0，0 |
在此基础上，电子设备可以使用神经网络模型的特征处理层，对第一矩阵进行处理，得到智能制造设备在第一时间段内的设备转速变化。例如，电子设备可以使用神经网络模型的特征处理层，对第一矩阵进行卷积处理，得到卷积后的特征向量；然后，电子设备可以使用神经网络模型的特征处理层，对卷积后的特征向量进行激活处理，得到智能制造设备在第一时间段内的设备转速变化。可以看出，特征处理层的结构可以是常规的CNN结构，也即，通过对设备转速集合进行图像化处理，可实现复用已有的神经网络来完成对设备转速进行误差修正。因此，相较于设计或定义新的网络结构，其实现难度更低，更便于实际应用。
可以理解，在多个设备转速集合的情况下，可以采用行或列映射的方式，将其映射为第一矩阵，也即，实现图像化处理，此时，第一矩阵可以看做二维的图像，以确保后续神经网络能对其识别和处理。
情况2：至少一个光电传感器为多个，至少一个设备转速集合为多个设备转速集合，第一设备采用对角线映射方式。
电子设备可以使用神经网络模型的特征映射层，将多个设备转速集合映射为第二矩阵。其中，第二矩阵中对角线上的每个元素用于表征多个设备转速集合中对应的一个设备转速集合中的设备转速，第二矩阵中除对角线以外的位置上的元素被配置为预设值。例如，电子设备可以使用神经网络模型的特征映射层，将多个设备转速集合中每个设备转速集合中的三个设备转速(任选的三个)作为RGB值，如三个设备转速分布作为R值，G值和B值，从而得到多个RGB值。如此，电子设备可以可以使用神经网络模型的特征映射层，将多个RGB值依次映射到矩阵的对角线上，得到第二矩阵。
示例性的，设备转速集合#1为(64、65、63、64)，任意选择三个设备转速分别为64、65、63。设备转速集合#2为(60、62、66、64)，任意选择三个设备转速分别为60、62、66。设备转速集合#3为(63、60、61、63)，任意选择三个设备转速分别为63、60、61。设备转速集合#4为(65、66、63、63)，任意选择三个设备转速分别为65、66、63。此时，第二矩阵可以如下表2所示。
表2
| 64，65，63 | 0，0，0 | 0，0，0 | 0，0，0 |
| 0，0，0 | 60，62，66 | 0，0，0 | 0，0，0 |
| 0，0，0 | 0，0，0 | 63，60，61 | 0，0，0 |
| 0，0，0 | 0，0，0 | 0，0，0 | 65，66，63 |
在此基础上，电子设备可以使用神经网络模型的特征处理层，对第二矩阵进行处理，得到智能制造设备在第一时间段内的设备转速变化。例如，电子设备可以使用神经网络模型的特征处理层，对第二矩阵进行卷积处理，得到卷积后的特征向量；电子设备可以使用神经网络模型的特征处理层，对卷积后的特征向量进行激活处理，得到智能制造设备在第一时间段内的设备转速变化。可以看出，特征处理层的结构可以是常规的CNN结构，也即，通过对设备转速集合进行图像化处理，可实现复用已有的神经网络来完成对设备转速进行误差修正。因此，相较于设计或定义新的网络结构，其实现难度更低，更便于实际应用。
可以理解，在多个设备转速集合的情况下，也可以采用对角线映射的方式，将其映射为第二矩阵，此时，相较于上述的情况1，其能够简化矩阵结构，从而可以降低后续的运算量，提高处理效率。
情况3：至少一个光电传感器为一个，至少一个设备转速集合为一个设备转速集合，第一设备采用对角线映射方式。
电子设备可以使用神经网络模型的特征映射层，将设备转速集合映射为第二矩阵。其中，第二矩阵中对角线上的元素用于表征设备转速集合中的设备转速，第二矩阵中除对角线以外的位置上的元素被配置为预设值。例如，电子设备可以使用神经网络模型的特征映射层，将设备转速集合的设备转速转换为RGB值，得到转换后的设备转速集合。电子设备可以使用神经网络模型的特征映射层，将转换后的设备转速集合映射为第二矩阵。
示例性的，设备转速集合#1为(64、65、63、64)，此时，第三矩阵可以如下表3所示。
表3
在此基础上，电子设备可以使用神经网络模型的特征处理层，对第二矩阵进行处理，得到智能制造设备在第一时间段内的设备转速变化。例如，电子设备可以使用神经网络模型的特征处理层，对第二矩阵进行卷积处理，得到卷积后的特征向量；电子设备可以使用神经网络模型的特征处理层，对卷积后的特征向量进行激活处理，得到智能制造设备在第一时间段内的设备转速变化。可以看出，特征处理层的结构可以是常规的CNN结构，也即，通过对设备转速集合进行图像化处理，可实现复用已有的神经网络来完成对设备转速进行误差修正。因此，相较于设计或定义新的网络结构，其实现难度更低，更便于实际应用。
可以理解，在只有一个设备转速集合的情况下，仍可以采用对角线映射的方式，将其映射为第三矩阵，以确保后续神经网络能对其识别和处理。
综上，在至少一个光电传感器测得第一时间段的至少一个设备转速集合后，可以通过神经网络对至少一个设备转速集合进行误差修正，如此得到的智能制造设备在第一时间段内的设备转速变化能够更接近其实际的设备转速变化，从而提高通过光电传感器进行测速的准确性。
以上结合图2详细说明了本申请实施例提供的基于深度学习的光电传感器的测量方法。以下结合图3-图4详细说明用于执行本申请实施例提供的基于深度学习的光电传感器的测量方法的电子设备。电子设备300应用于智能制造设备，该智能制造设备的不同位置设置有至少一个光电传感器，电子设备300包括收发模块301和处理模块302。
收发模块301，用于获取至少一个光电传感器中每个光电传感器在第一时间段内采集的设备转速集合，共至少一个设备转速集合，至少一个设备转速集合中的每个设备转速集合均包含智能制造设备在第一时间段内的多个时刻下的设备转速；处理模块302，用于使用神经网络模型，对至少一个设备转速集合进行处理，得到智能制造设备在第一时间段内的设备转速变化。
一种可能的设计方案，在至少一个光电传感器为多个的情况下，至少一个设备转速集合为多个设备转速集合；处理模块302，用于使用神经网络模型的特征映射层，将多个设备转速集合映射为第一矩阵，其中，第一矩阵中每一列向量中的元素用于表征多个设备转速集合中对应的一个设备转速集合中的设备转速，或者，第一矩阵中每一行向量中的元素用于表征多个设备转速集合中对应的一个设备转速集合中的设备转速；处理模块302，用于使用神经网络模型的特征处理层，对第一矩阵进行处理，得到智能制造设备在第一时间段内的设备转速变化。
可选地，处理模块302，用于使用神经网络模型的特征映射层，将多个设备转速集合中每个设备转速集合的设备转速转换为RGB值，得到转换后的多个设备转速集合。
可选地，处理模块302，用于使用神经网络模型的特征处理层，对第一矩阵进行卷积处理，得到卷积后的特征向量；处理模块302，用于使用神经网络模型的特征处理层，对卷积后的特征向量进行激活处理，得到智能制造设备在第一时间段内的设备转速变化。
另一种可能的设计方案，在至少一个光电传感器为多个的情况下，至少一个设备转速集合为多个设备转速集合；处理模块302，用于使用神经网络模型的特征映射层，将多个设备转速集合映射为第二矩阵，其中，第二矩阵中对角线上的每个元素用于表征多个设备转速集合中对应的一个设备转速集合中的设备转速，第二矩阵中除对角线以外的位置上的元素被配置为预设值；处理模块302，用于使用神经网络模型的特征处理层，对第二矩阵进行处理，得到智能制造设备在第一时间段内的设备转速变化。
可选地，处理模块302，用于使用神经网络模型的特征映射层，将多个设备转速集合中每个设备转速集合中的三个设备转速作为RGB值，得到多个RGB值。处理模块302，用于使用神经网络模型的特征映射层，将多个RGB值依次映射到矩阵的对角线上，得到第二矩阵。
可选地，处理模块302，用于使用神经网络模型的特征处理层，对第二矩阵进行卷积处理，得到卷积后的特征向量；处理模块302，用于使用神经网络模型的特征处理层，对卷积后的特征向量进行激活处理，得到智能制造设备在第一时间段内的设备转速变化。
再一种可能的设计方案，在至少一个光电传感器为一个的情况下，至少一个设备转速集合为一个设备转速集合；处理模块302，用于使用神经网络模型的特征映射层，将设备转速集合映射为第二矩阵，其中，第二矩阵中对角线上的元素用于表征设备转速集合中的设备转速，第二矩阵中除对角线以外的位置上的元素被配置为预设值；处理模块302，用于使用神经网络模型的特征处理层，对第二矩阵进行处理，得到智能制造设备在第一时间段内的设备转速变化。
可选地，处理模块302，用于使用神经网络模型的特征映射层，将设备转速集合的设备转速转换为RGB值，得到转换后的设备转速集合；处理模块302，用于使用神经网络模型的特征映射层，将转换后的设备转速集合映射为第二矩阵。
可选地，处理模块302，用于使用神经网络模型的特征处理层，对第二矩阵进行卷积处理，得到卷积后的特征向量；处理模块302，用于使用神经网络模型的特征处理层，对卷积后的特征向量进行激活处理，得到智能制造设备在第一时间段内的设备转速变化。
可选地，电子设备300还可以包括存储模块，该存储模块存储有程序或指令。当该处理模块执行该程序或指令时，使得电子设备300可以执行如图2所示的基于深度学习的光电传感器的测量方法的功能。
需要说明的是，电子设备300可以是终端，也可以是可设置于针对中的芯片(系统)或其他部件或组件，还可以是包含终端的装置，本申请对此不做限定。
此外，电子设备300的技术效果可以参考图2所示的基于深度学习的光电传感器的测量方法的技术效果，此处不再赘述。
示例性地，图4为本申请实施例提供的电子设备的结构示意图二。该电子设备可以是终端，也可以是可设置于终端的芯片(系统)或其他部件或组件。如图4所示，电子设备400可以包括处理器401。可选地，电子设备400还可以包括存储器402和/或收发器403。其中，处理器401与存储器402和收发器403耦合，如可以通过通信总线连接。
下面结合图4对电子设备400的各个构成部件进行具体的介绍：
其中，处理器401是电子设备400的控制中心，可以是一个处理器，也可以是多个处理元件的统称。例如，处理器401是一个或多个中央处理器(central processing unit，CPU)，也可以是特定集成电路(application specific integrated circuit，ASIC)，或者是被配置成实施本申请实施例的一个或多个集成电路，例如：一个或多个微处理器(digital signal processor，DSP)，或，一个或者多个现场可编程门阵列(fieldprogrammable gate array，FPGA)。
可选地，处理器401可以通过运行或执行存储在存储器402内的软件程序，以及调用存储在存储器402内的数据，执行电子设备400的各种功能，例如执行上述图2所示的基于深度学习的光电传感器的测量方法。
在具体的实现中，作为一种实施例，处理器401可以包括一个或多个CPU，例如图4中所示出的CPU0和CPU1。
在具体实现中，作为一种实施例，电子设备400也可以包括多个处理器，例如图4中所示的处理器401和处理器404。这些处理器中的每一个可以是一个单核处理器(single-CPU)，也可以是一个多核处理器(multi-CPU)。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
其中，所述存储器402用于存储执行本申请方案的软件程序，并由处理器401来控制执行，具体实现方式可以参考上述方法实施例，此处不再赘述。
可选地，存储器402可以是只读存储器(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，RAM)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory，EEPROM)、只读光盘(compactdisc read-only memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器402可以和处理器401集成在一起，也可以独立存在，并通过电子设备400的接口电路(图4中未示出)与处理器401耦合，本申请实施例对此不作具体限定。
收发器403，用于与其他电子设备之间的通信。例如，电子设备400为终端，收发器403可以用于与网络设备通信，或者与另一个终端设备通信。又例如，电子设备400为网络设备，收发器403可以用于与终端通信，或者与另一个网络设备通信。
可选地，收发器403可以包括接收器和发送器(图4中未单独示出)。其中，接收器用于实现接收功能，发送器用于实现发送功能。
可选地，收发器403可以和处理器401集成在一起，也可以独立存在，并通过电子设备400的接口电路(图4中未示出)与处理器401耦合，本申请实施例对此不作具体限定。
需要说明的是，图4中示出的电子设备400的结构并不构成对该电子设备的限定，实际的电子设备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。
此外，电子设备400的技术效果可以参考上述方法实施例所述的基于深度学习的光电传感器的测量方法的技术效果，此处不再赘述。
应理解，在本申请实施例中的处理器可以是中央处理单元(central processingunit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(digital signalprocessor，DSP)、专用集成电路(application specific integrated circuit，ASIC)、现成可编程门阵列(rieldprogrammable gate array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
还应理解，本申请实施例中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-only memory，ROM)、可编程只读存储器(programmable ROM，PROM)、可擦除可编程只读存储器(erasable PROM，EPROM)、电可擦除可编程只读存储器(electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的随机存取存储器(random accessmemory，RAM)可用，例如静态随机存取存储器(static RAM，SRAM)、动态随机存取存储器(DRAM)、同步动态随机存取存储器(synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(double data rate SDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(direct rambus RAM，DR RAM)。
上述实施例，可以全部或部分地通过软件、硬件(如电路)、固件或其他任意组合来实现。当使用软件实现时，上述实施例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或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、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合的服务器、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。半导体介质可以是固态硬盘。
应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况，其中A，B可以是单数或者复数。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系，但也可能表示的是一种“和/或”的关系，具体可参考前后文进行理解。
本申请中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b，或c中的至少一项(个)，可以表示：a，b，c，a-b，a-c，b-c，或a-b-c，其中a，b，c可以是单个，也可以是多个。
应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请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)执行本申请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(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于深度学习的光电传感器的测量方法，其特征在于，至少一个光电传感器设置在智能制造设备的不同位置，所述方法包括：
获取所述至少一个光电传感器中每个光电传感器在第一时间段内采集的设备转速集合，共至少一个设备转速集合，所述至少一个设备转速集合中的每个设备转速集合均包含所述智能制造设备在所述第一时间段内的多个时刻下的设备转速；
使用神经网络模型，对所述至少一个设备转速集合进行处理，得到所述智能制造设备在所述第一时间段内的设备转速变化。
2.根据权利要求1所述的方法，其特征在于，在至少一个光电传感器为多个的情况下，所述至少一个设备转速集合为多个设备转速集合；所述使用神经网络模型，对所述至少一个设备转速集合进行处理，得到所述智能制造设备在所述第一时间段内的设备转速变化，包括：
使用所述神经网络模型的特征映射层，将所述多个设备转速集合映射为第一矩阵，其中，所述第一矩阵中每一列向量中的元素用于表征所述多个设备转速集合中对应的一个设备转速集合中的设备转速，或者，所述第一矩阵中每一行向量中的元素用于表征所述多个设备转速集合中对应的一个设备转速集合中的设备转速；
使用所述神经网络模型的特征处理层，对所述第一矩阵进行处理，得到所述智能制造设备在所述第一时间段内的设备转速变化。
3.根据权利要求2所述的方法，其特征在于，使用所述神经网络模型的特征映射层，将所述多个设备转速集合映射为第一矩阵，包括：
使用所述神经网络模型的特征映射层，将所述多个设备转速集合中每个设备转速集合的设备转速转换为RGB值，得到转换后的多个设备转速集合；
使用所述神经网络模型的特征映射层，将转换后的多个设备转速集合映射为所述第一矩阵。
4.根据权利要求2所述的方法，其特征在于，使用所述神经网络模型的特征处理层，对所述第一矩阵进行处理，得到所述智能制造设备在所述第一时间段内的设备转速变化，包括：
使用所述神经网络模型的特征处理层，对所述第一矩阵进行卷积处理，得到卷积后的特征向量；
使用所述神经网络模型的特征处理层，对卷积后的特征向量进行激活处理，得到所述智能制造设备在所述第一时间段内的设备转速变化。
5.根据权利要求1所述的方法，其特征在于，在至少一个光电传感器为多个的情况下，所述至少一个设备转速集合为多个设备转速集合；所述使用神经网络模型，对所述至少一个设备转速集合进行处理，得到所述智能制造设备在所述第一时间段内的设备转速变化，包括：
使用所述神经网络模型的特征映射层，将所述多个设备转速集合映射为第二矩阵，其中，所述第二矩阵中对角线上的每个元素用于表征所述多个设备转速集合中对应的一个设备转速集合中的设备转速，所述第二矩阵中除所述对角线以外的位置上的元素被配置为预设值；
使用所述神经网络模型的特征处理层，对所述第二矩阵进行处理，得到所述智能制造设备在所述第一时间段内的设备转速变化。
6.根据权利要求5所述的方法，其特征在于，使用所述神经网络模型的特征映射层，将所述多个设备转速集合映射为第二矩阵，包括：
使用所述神经网络模型的特征映射层，将所述多个设备转速集合中每个设备转速集合中的三个设备转速作为RGB值，得到多个RGB值；
使用所述神经网络模型的特征映射层，将所述多个RGB值依次映射到矩阵的对角线上，得到所述第二矩阵。
7.根据权利要求5所述的方法，其特征在于，使用所述神经网络模型的特征处理层，对所述第二矩阵进行处理，得到所述智能制造设备在所述第一时间段内的设备转速变化，包括：
使用所述神经网络模型的特征处理层，对所述第二矩阵进行卷积处理，得到卷积后的特征向量；
使用所述神经网络模型的特征处理层，对卷积后的特征向量进行激活处理，得到所述智能制造设备在所述第一时间段内的设备转速变化。
8.根据权利要求1所述的方法，其特征在于，在至少一个光电传感器为一个的情况下，所述至少一个设备转速集合为一个设备转速集合；所述使用神经网络模型，对所述至少一个设备转速集合进行处理，得到所述智能制造设备在所述第一时间段内的设备转速变化，包括：
使用所述神经网络模型的特征映射层，将所述设备转速集合映射为第二矩阵，其中，所述第二矩阵中对角线上的元素用于表征所述设备转速集合中的设备转速，所述第二矩阵中除所述对角线以外的位置上的元素被配置为预设值；
使用所述神经网络模型的特征处理层，对所述第二矩阵进行处理，得到所述智能制造设备在所述第一时间段内的设备转速变化。
9.一种电子设备，其特征在于，应用于智能制造设备，所述智能制造设备的不同位置设置有至少一个光电传感器，所述电子设备包括：
收发模块，用于获取所述至少一个光电传感器中每个光电传感器在第一时间段内采集的设备转速集合，共至少一个设备转速集合，所述至少一个设备转速集合中的每个设备转速集合均包含所述智能制造设备在所述第一时间段内的多个时刻下的设备转速；
处理模块，用于使用神经网络模型，对所述至少一个设备转速集合进行处理，得到所述智能制造设备在所述第一时间段内的设备转速变化。
10.一种计算机可读存储介质，其特征在于，包括：计算机程序或指令；当该计算机程序或指令在计算机上运行时，使得该计算机执行如权利要求1-8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310828720.6A CN116840502A (zh) | 2023-07-06 | 2023-07-06 | 基于深度学习的光电传感器的测量方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310828720.6A CN116840502A (zh) | 2023-07-06 | 2023-07-06 | 基于深度学习的光电传感器的测量方法及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116840502A true CN116840502A (zh) | 2023-10-03 |
Family
ID=88170372
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310828720.6A Pending CN116840502A (zh) | 2023-07-06 | 2023-07-06 | 基于深度学习的光电传感器的测量方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116840502A (zh) |
-
2023
- 2023-07-06 CN CN202310828720.6A patent/CN116840502A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10255498B2 (en) | Method and device for recognizing biometric information | |
| KR102141854B1 (ko) | 푸시 메시지 전송 제어 방법 및 장치 | |
| CN111882642B (zh) | 三维模型的纹理填充方法及装置 | |
| CN107657441B (zh) | 自助交易方法、系统、服务器及移动终端 | |
| CN107291874A (zh) | 地图点位聚合方法及装置 | |
| US9674672B1 (en) | Positioning management | |
| CN105512165A (zh) | 用于提供内容服务的方法和装置 | |
| CN116840502A (zh) | 基于深度学习的光电传感器的测量方法及设备 | |
| KR20170124855A (ko) | 위치 정보 계산 방법 및 그 전자 장치 | |
| CN116912556A (zh) | 图片分类方法、装置、电子设备及存储介质 | |
| CN116308066A (zh) | 基于物联网的仓储管理方法及装置 | |
| CN115880294B (zh) | 基于内镜影像的一体化处理方法及系统 | |
| CN116339899B (zh) | 一种基于人工智能的桌面图标的管理方法及装置 | |
| CN113744033A (zh) | 订单预估方法及装置 | |
| CN116051565B (zh) | 基于结构光3d点云的接触网缺陷目标检测方法及装置 | |
| CN115980298B (zh) | 一种基于多参数适应性水质检测分析方法及装置 | |
| CN115866062B (zh) | 用于多租户架构中大数据实时汇集存储方法及装置 | |
| CN116912951B (zh) | 人体姿态的评估方法及装置 | |
| CN118212498A (zh) | 一种电商直播场景下的图像识别方法及装置 | |
| CN104967592A (zh) | 身份验证方法、装置及其系统 | |
| CN109765821A (zh) | 检测室外运动器材的方法及终端设备 | |
| CN109683981A (zh) | 一种基于安卓应用程序刷新html5页面的方法和装置 | |
| CN107071343A (zh) | 一种监视器、监视系统和监视器连接无线网络的方法 | |
| CN115243286B (zh) | 一种数据处理方法、装置及存储介质 | |
| CN107682142A (zh) | 无线网络连接方法、装置、终端及计算机可读存储介质 |
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 |