CN116980976A - 基于4g通信模块的数据透传方法 - Google Patents
基于4g通信模块的数据透传方法 Download PDFInfo
- Publication number
- CN116980976A CN116980976A CN202311219468.5A CN202311219468A CN116980976A CN 116980976 A CN116980976 A CN 116980976A CN 202311219468 A CN202311219468 A CN 202311219468A CN 116980976 A CN116980976 A CN 116980976A
- Authority
- CN
- China
- Prior art keywords
- data
- transmitted
- image
- image data
- training
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 83
- 238000004891 communication Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000004044 response Effects 0.000 claims abstract description 37
- 238000012544 monitoring process Methods 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 90
- 238000012549 training Methods 0.000 claims description 73
- 238000001514 detection method Methods 0.000 claims description 28
- 230000009977 dual effect Effects 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000006870 function Effects 0.000 description 9
- 230000002159 abnormal effect Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000001303 quality assessment method Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/06—Optimizing the usage of the radio link, e.g. header compression, information sizing, discarding information
- H04W28/065—Optimizing the usage of the radio link, e.g. header compression, information sizing, discarding information using assembly or disassembly of packets
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
- G06V10/993—Evaluation of the quality of the acquired pattern
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请公开了一种基于4G通信模块的数据透传方法，该方法包括：对待传输图像数据进行数据质量检测；响应于待传输图像数据的数据质量符合预定要求，将待传输图像数据分割成多个待传输数据包；通过4G通信模块将各个待传输数据包发送给目标设备，并启动定时器，定时器用于监测待传输数据包的发送状态和超时情况；响应于待传输数据包发送未超时，接收目标设备的应答信号；响应于待传输数据包发送超时，判断待传输数据包的重发次数是否已达到预设上限；以及，重复前两个步骤，直到所有待传输数据包都已成功发送或者数据传输被终止。如此实现数据的快速、可靠和安全的透传，从而增强数据传输的可靠性和效率。
Description
技术领域
本申请涉及数据透传领域，且更为具体地，涉及一种基于4G通信模块的数据透传方法。
背景技术
在现代通信系统中，数据透传是指通过传输协议将数据包原封不动地传输到目标设备，同时不对数据进行任何解析或处理。透传模式的主要优点是传输数据快速，效率高，同时也避免了数据解析和处理可能带来的延迟和数据丢失等问题。4G通信模块是一种用于无线通信的技术模块，它可以提供高速的数据传输和稳定的连接。通过结合4G通信模块和透传技术，可以实现设备之间的远程数据传输和监控。
4G通信技术虽然提供了相对较高的数据传输速率，但在某些实时性要求较高的应用场景下，特别是在物联网和远程监控等领域，数据透传的可靠性和数据质量成为关键问题。
然而，传统的数据透传方案通常是被动的，只有在接收到数据后才进行分析和检测，这意味着无法实时监控和分析透传的数据。在数据传输过程中，异常或低质量数据可能会被延迟检测或未能及时发现，导致数据传输的可靠性和效率降低。
因此，期望一种优化的基于4G通信模块的数据透传方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于4G通信模块的数据透传方法。其可以实现设备之间的远程数据传输和监控。
本申请提供的一种基于4G通信模块的数据透传方法，包括：
S1：对待传输图像数据进行数据质量检测；
S2：响应于所述待传输图像数据的数据质量符合预定要求，将所述待传输图像数据分割成多个待传输数据包；
S3：通过4G通信模块将各个所述待传输数据包发送给目标设备，并启动定时器，所述定时器用于监测所述待传输数据包的发送状态和超时情况；
S4：响应于所述待传输数据包发送未超时，接收所述目标设备的应答信号，其中，响应于所述应答信号为所述待传输数据包已成功接收，则继续发送下一个所述待传输数据包，响应于所述应答信号表示所述待传输数据包未成功接收，则重发所述待传输数据包；
S5：响应于所述待传输数据包发送超时，判断所述待传输数据包的重发次数是否已达到预设上限，其中，响应于所述重发次数已达到上限则终止数据传输并报告错误，响应于所述重发次数未达到上限则重发所述待传输数据包并重启所述定时器；
以及，S6：重复步骤S4和S5，直到所有所述待传输数据包都已成功发送或者数据传输被终止；
所述对待传输图像数据进行数据质量检测，包括：
获取待传输图像数据；
获取参考图像数据，其中，所述参考图像数据的图像质量符合预定标准；
对所述待传输图像数据和所述参考图像数据进行特征差分分析以得到图像间差分特征；
以及，基于所述图像间差分特征，确定待传输图像数据的数据质量是否符合预定标准；
所述对所述待传输图像数据和所述参考图像数据进行特征差分分析以得到图像间差分特征，包括：
将所述待传输图像数据和所述参考图像数据通过图像质量双重检测模型以得到待传输图像数据图像质量特征向量和参考图像数据图像质量特征向量；
以及，计算所述待传输图像数据图像质量特征向量和所述参考图像数据图像质量特征向量之间的差分特征向量作为所述图像间差分特征。
与现有技术相比，本申请提供的基于4G通信模块的数据透传方法，包括：对待传输图像数据进行数据质量检测；响应于所述待传输图像数据的数据质量符合预定要求，将所述待传输图像数据分割成多个待传输数据包；通过4G通信模块将各个所述待传输数据包发送给目标设备，并启动定时器，所述定时器用于监测所述待传输数据包的发送状态和超时情况；响应于所述待传输数据包发送未超时，接收所述目标设备的应答信号；响应于所述待传输数据包发送超时，判断所述待传输数据包的重发次数是否已达到预设上限；以及，重复前两个步骤，直到所有所述待传输数据包都已成功发送或者数据传输被终止。如此通过对待透传的数据进行实时监控和分析，以检测出异常或低质量的数据，以实现数据的快速、可靠和安全的透传，从而增强数据传输的可靠性和效率。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，以下附图并未刻意按实际尺寸等比例缩放绘制，重点在于示出本申请的主旨。
图1为根据本申请实施例的基于4G通信模块的数据透传方法的流程图。
图2为根据本申请实施例的基于4G通信模块的数据透传方法的子步骤S1的流程图。
图3为根据本申请实施例的基于4G通信模块的数据透传方法的子步骤S1的架构示意图。
图4为根据本申请实施例的基于4G通信模块的数据透传方法的子步骤S130的流程图。
图5为根据本申请实施例的基于4G通信模块的数据透传系统的框图。
图6为根据本申请实施例的基于4G通信模块的数据透传方法的应用场景图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本申请的部分实施例，而不是全部的实施例。基于本申请实施例，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，也属于本申请保护的范围。
如本申请所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
图1为根据本申请实施例的基于4G通信模块的数据透传方法的流程图。如图1所示，根据本申请实施例的基于4G通信模块的数据透传方法，包括步骤S1：对待传输图像数据进行数据质量检测；步骤S2：响应于所述待传输图像数据的数据质量符合预定要求，将所述待传输图像数据分割成多个待传输数据包；步骤S3：通过4G通信模块将各个所述待传输数据包发送给目标设备，并启动定时器，所述定时器用于监测所述待传输数据包的发送状态和超时情况；步骤S4：响应于所述待传输数据包发送未超时，接收所述目标设备的应答信号，其中，响应于所述应答信号为所述待传输数据包已成功接收，则继续发送下一个所述待传输数据包，响应于所述应答信号表示所述待传输数据包未成功接收，则重发所述待传输数据包；步骤S5：响应于所述待传输数据包发送超时，判断所述待传输数据包的重发次数是否已达到预设上限，其中，响应于所述重发次数已达到上限则终止数据传输并报告错误，响应于所述重发次数未达到上限则重发所述待传输数据包并重启所述定时器；以及，步骤S6：重复步骤S4和步骤S5，直到所有所述待传输数据包都已成功发送或者数据传输被终止。
针对上述技术问题，本申请的技术构思为在进行数据透传前，通过在后端引入数据处理和分析算法来对待透传的数据进行实时监控和分析，以检测出异常或低质量的数据，并对其进行预警和采取相应的措施进行修正，以实现数据的快速、可靠和安全的透传，从而增强数据传输的可靠性和效率。
图2为根据本申请实施例的基于4G通信模块的数据透传方法的流程图。图3为根据本申请实施例的基于4G通信模块的数据透传方法的架构示意图。如图2和图3所示，根据本申请实施例的基于4G通信模块的数据透传方法，所述对待传输图像数据进行数据质量检测，包括步骤S110，获取待传输图像数据；步骤S120，获取参考图像数据，其中，所述参考图像数据的图像质量符合预定标准；步骤S130，对所述待传输图像数据和所述参考图像数据进行特征差分分析以得到图像间差分特征；以及，步骤S140，基于所述图像间差分特征，确定待传输图像数据的数据质量是否符合预定标准。
具体地，在本申请的技术方案中，首先，获取待传输图像数据，并获取参考图像数据，其中，所述参考图像数据的图像质量符合预定标准。然后，使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来分别进行所述待传输图像数据和所述参考图像数据的特征挖掘。特别地，考虑到在进行该待传输图像数据的质量检测时，为了能够避免由于不同的网络结构导致的两者图像的特征表示差异，以此来保证图像质量特征的一致性和可比性，从而进一步提高对于所述待传输图像质量检测的精准度，在本申请的技术方案中，将所述待传输图像数据和所述参考图像数据通过包含第一图像编码器和第二图像编码器的图像质量双重检测模型以得到待传输图像数据图像质量特征向量和参考图像数据图像质量特征向量。值得一提的是，这里，所述第一图像编码器和所述第二图像编码器具有相同的网络结构。应可以理解，使用包含有相同网络结构的图像编码器的所述图像质量双重检测模型来分别进行所述待传输图像数据和所述参考图像数据的特征提取能够挖掘出两者的图像在图像源域端差异不明显的特征信息，以此来更为准确地进行所述待传输图像数据的数据质量检测。
进一步地，为了能够在高维空间中捕捉到所述待传输图像数据和所述参考图像数据之间的差异特征信息，在本申请的技术方案中，进一步计算所述待传输图像数据图像质量特征向量和所述参考图像数据图像质量特征向量之间的差分特征向量，以此来提供有关所述待传输图像数据与所述参考图像数据之间的质量差异的量化表示。也就是说，通过计算所述差分特征向量，可以直观地了解所述待传输图像数据与所述参考图像数据之间的质量差异。这有助于评估所述待传输图像数据的相对质量，并确定是否存在质量下降或失真的情况。
相应地，如图4所示，对所述待传输图像数据和所述参考图像数据进行特征差分分析以得到图像间差分特征，包括步骤S131，将所述待传输图像数据和所述参考图像数据通过图像质量双重检测模型以得到待传输图像数据图像质量特征向量和参考图像数据图像质量特征向量；以及，步骤S132，计算所述待传输图像数据图像质量特征向量和所述参考图像数据图像质量特征向量之间的差分特征向量作为所述图像间差分特征。应可以理解，这里包括步骤S131和步骤S132两个步骤，用于进行特征差分分析以获取图像间差分特征。步骤S131的目的是评估图像的质量，识别图像中可能存在的失真、噪声或其他质量问题，待传输图像数据和参考图像数据分别经过处理，得到它们各自的图像质量特征向量。步骤S132的目的是比较待传输图像数据和参考图像数据的质量特征，找出它们之间的差异，通过计算差分特征向量，可以量化图像之间的差异程度，这对于图像传输、图像处理或图像质量评估等任务都具有重要意义。换言之，这两个步骤用于分析图像的质量特征，并计算图像间的差分特征，这些差分特征可以用于图像相关的应用，例如图像传输的错误检测和纠正、图像质量评估以及图像处理任务等。
更具体地，在步骤S131中，所述图像质量双重检测模型包含第一图像编码器和第二图像编码器，且所述第一图像编码器和所述第二图像编码器具有相同的网络结构。值得一提的是，图像编码器是一种神经网络模型，用于将输入的图像数据转换为潜在表示或特征向量，它可以将高维的图像数据映射到低维的特征空间，捕捉图像中的关键信息和特征。在图像质量双重检测模型中，第一图像编码器和第二图像编码器都是图像编码器的实例，并且它们具有相同的网络结构，这意味着它们的网络层次结构、参数和连接方式都是一样的。图像编码器通常由卷积神经网络（Convolutional Neural Network，CNN）构成，卷积神经网络包含多个卷积层、池化层和全连接层，通过这些层的组合和堆叠，可以逐渐提取图像的局部特征和全局特征。最终，图像编码器将图像映射到一个低维的特征向量，这个向量可以用于后续的图像质量评估或其他任务。图像编码器的设计和网络结构可以根据具体的应用和任务进行调整和优化。常见的图像编码器模型包括VGGNet、ResNet、Inception等。
继而，再将所述差分特征向量通过分类器以得到分类结果，所述分类结果用于表示待传输图像数据的数据质量是否符合预定标准。也就是说，利用所述待传输图像数据与所述参考图像数据之间的图像差异性特征来进行分类处理，以此来评估所述待传输图像数据的相对质量，并判断所述待传输图像数据的数据质量是否符合预定标准。这样，能够检测出异常或低质量的数据，并对其进行预警和采取相应的措施进行修正，以实现数据的快速、可靠和安全的透传。
相应地，在步骤S140中，基于所述图像间差分特征，确定待传输图像数据的数据质量是否符合预定标准，包括：将所述差分特征向量通过分类器以得到分类结果，所述分类结果用于表示待传输图像数据的数据质量是否符合预定标准。
更具体地，将所述差分特征向量通过分类器以得到分类结果，所述分类结果用于表示待传输图像数据的数据质量是否符合预定标准，包括：使用所述分类器的全连接层对所述差分特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
也就是，在本公开的技术方案中，所述分类器的标签包括待传输图像数据的数据质量符合预定标准(第一标签)，以及，待传输图像数据的数据质量不符合预定标准(第二标签)，其中，所述分类器通过软最大值函数来确定所述差分特征向量属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“待传输图像数据的数据质量是否符合预定标准”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即第一标签p1和所述第二标签p2之和为一。因此，待传输图像数据的数据质量是否符合预定标准的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“待传输图像数据的数据质量是否符合预定标准”的语言文本意义。
应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类（或预测）。逻辑回归（logistics）、SVM等常用于解决二分类问题，对于多分类问题（multi-class classification），同样也可以用逻辑回归或SVM，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有Softmax分类函数。
值得一提的是，全连接编码是将差分特征向量通过全连接层进行编码的步骤。全连接编码的作用：维度压缩：差分特征向量通常是高维的，通过全连接编码可以将其映射到更低维的特征空间，这有助于减少特征向量的维度，提取更紧凑的表示形式，并减少后续分类器的计算负担。特征提取：全连接层具有较大的感受野和更强的表达能力，可以对输入的差分特征向量进行更复杂的非线性变换和特征提取，通过全连接编码，可以捕捉更丰富的特征信息，提高分类器对图像质量的判别能力。通过全连接编码，差分特征向量被转换为编码分类特征向量，这个向量在全连接层中的表示包含了更丰富的图像质量相关信息，这个编码分类特征向量可以作为输入，供后续的分类器使用。全连接编码的过程中，网络参数会被训练和优化，以最大程度地提取和保留与图像质量相关的特征，这样，网络可以学习到更有效的特征表示，提高分类器的性能。换言之，全连接编码在图像质量分析中起到了维度压缩和特征提取的作用，它将差分特征向量转换为编码分类特征向量，提供更丰富的特征表示和学习能力，以支持后续的分类器进行数据质量的判别和分类。
进一步地，在本申请的技术方案中，所述的基于4G通信模块的数据透传方法，其还包括训练步骤：用于对所述分类器和包含第一图像编码器和第二图像编码器的所述图像质量双重检测模型进行训练。应可以理解，训练步骤的目的是对图像质量双重检测模型和分类器进行训练，以使它们能够准确地评估和判别待传输图像数据的质量。训练步骤的作用如下：1.模型参数学习：通过训练，图像质量双重检测模型和分类器可以学习到最优的模型参数，这些参数决定了模型的行为和性能，通过训练可以使模型更好地适应特定的任务和数据。2.特征学习：训练过程中，图像质量双重检测模型和分类器可以学习到与图像质量相关的有效特征表示，这些特征可以捕捉图像中的关键信息，用于判别图像的质量是否符合预定标准。3.性能优化：通过训练，可以对模型进行性能优化，提高其准确度、鲁棒性和泛化能力，训练过程中可以使用大量的标注数据进行监督学习，通过优化损失函数，使模型能够更好地拟合训练数据，并在未见过的数据上表现良好。4.调整模型结构：在训练过程中，还可以对图像质量双重检测模型和分类器的结构进行调整和优化，通过实验和验证，可以尝试不同的网络结构、层数、激活函数等，以获得更好的性能和效果。换言之，训练步骤在基于4G通信模块的数据透传方法中起到了关键作用，它通过模型参数学习、特征学习、性能优化和模型结构调整，使图像质量双重检测模型和分类器能够准确地评估和判别待传输图像数据的质量，提高系统的可靠性和性能。
更具体地，所述训练步骤，包括：获取训练数据，所述训练数据包括训练待传输图像数据，训练参考图像数据，以及，所述待传输图像数据的数据质量是否符合预定标准的真实值；将所述训练待传输图像数据和所述训练参考图像数据通过包含第一图像编码器和第二图像编码器的所述图像质量双重检测模型以得到训练待传输图像数据图像质量特征向量和训练参考图像数据图像质量特征向量，其中，所述第一图像编码器和所述第二图像编码器具有相同的网络结构；计算所述训练待传输图像数据图像质量特征向量和所述训练参考图像数据图像质量特征向量之间的训练差分特征向量；将所述训练差分特征向量通过所述分类器以得到分类损失函数值；以及，基于所述分类损失函数值并通过梯度下降的反向传播来对所述分类器和包含第一图像编码器和第二图像编码器的所述图像质量双重检测模型进行训练，其中，在训练过程的每一轮迭代中，对所述训练差分特征向量进行权重空间的细粒度密度预测搜索优化。
特别地，在本申请的技术方案中，在计算训练待传输图像数据图像质量特征向量和所述训练参考图像数据图像质量特征向量之间按位置差分以得到训练差分特征向量时，因所述训练待传输图像数据图像质量特征向量和训练参考图像数据图像质量特征向量分别由包含第一图像编码器和第二图像编码器的图像质量双重检测模型对所述训练待传输图像数据和所述训练参考图像数据进行卷积编码得到，因此，所述训练待传输图像数据图像质量特征向量和训练参考图像数据图像质量特征向量的每个特征值均具有在空间维度下基于二维卷积核的局部关联尺度的特征表达超分辨率，也就是说，在计算所述训练待传输图像数据图像质量特征向量和所述训练参考图像数据图像质量特征向量之间按位置差分以得到所述训练差分特征向量时，所述训练差分特征向量的各个位置的特征值也具有所述训练待传输图像数据和所述训练参考图像数据在空间维度下基于二维卷积核的局部关联尺度的特征表达逐像素差异的超分辨率。但是，因所述训练待传输图像数据和所述训练参考图像数据在图像源域端的表达存在差异，故所述训练待传输图像数据图像质量特征向量和所述训练参考图像数据图像质量特征向量在空间维度下基于二维卷积核的局部关联尺度的特征表达层面上存在超分辨率级的特征分布错配，这会导致所述训练差分特征向量的语义结构崩塌，影响其通过分类器进行分类时的训练效率。
因此，本申请在将所述训练差分特征向量通过分类器进行分类训练时，在每次迭
代中，对所述训练差分特征向量，例如记为，进行权重空间的细粒度密度预测搜索优化。
相应地，在一个具体示例中，在训练过程的每一轮迭代中，以如下优化公式对所述训练差分特征向量进行权重空间的细粒度密度预测搜索优化以得到优化训练差分特征向量；其中，所述优化公式为：
，
其中，是和/>分别是上次和本次迭代的权重矩阵，其中在首次迭代时，采用不同的初始化策略设置/>和/>，（例如，/>设置为单位矩阵而/>设置为待分类特征向量的均值对角矩阵），/>是所述训练差分特征向量，/>和/>分别表示特征向量/>和/>的全局均值，且/>是偏置向量，例如初始设置为单位向量，/>表示按位置点乘，/>表示向量加法，/>表示矩阵乘法，/>表示最小值，/>是所述优化训练差分特征向量。
这里，针对所述训练差分特征向量在空间维度下基于二维卷积核的局部关联尺度的特征表达逐像素差异的超分辨率表达特性，所述权重空间的细粒度密度预测搜索优化可以通过所述训练差分特征向量/>的投影的向量空间的前馈序列化映射，在对于权重搜索空间内的密集预测任务提供相应的细粒度权重搜索策略的同时，降低权重搜索空间内的所述训练差分特征向量/>的表示的总序列复杂性（overall sequential complexity），从而提升训练效率。这样，能够在数据透传过程中检测出异常或低质量的数据，并对其进行预警，以实现数据的快速、可靠和安全的透传，从而增强数据传输的可靠性和效率。
综上，基于本申请实施例的基于4G通信模块的数据透传方法被阐明，其可以实现设备之间的远程数据传输和监控。
图5为根据本申请实施例的基于4G通信模块的数据透传系统100的框图。如图5所示，根据本申请实施例的基于4G通信模块的数据透传系统100，包括：数据质量检测模块110，用于对待传输图像数据进行数据质量检测；数据分割模块120，用于响应于所述待传输图像数据的数据质量符合预定要求，将所述待传输图像数据分割成多个待传输数据包；发送模块130，用于通过4G通信模块将所述各个待传输数据包发送给目标设备，并启动定时器，所述定时器用于监测所述待传输数据包的发送状态和超时情况；未超时模块140，用于响应于所述待传输数据包发送未超时，接收所述目标设备的应答信号，其中，响应于所述应答信号为所述待传输数据包已成功接收，则继续发送下一个所述待传输数据包，响应于所述应答信号表示所述待传输数据包未成功接收，则重发所述待传输数据包；超时模块150，用于响应于所述待传输数据包发送超时，判断所述待传输数据包的重发次数是否已达到预设上限，其中，响应于所述重发次数已达到上限则终止数据传输并报告错误，响应于所述重发次数未达到上限则重发所述待传输数据包并重启所述定时器；以及，重复模块160，用于重复所述未超时模块140和所述超时模块150，直到所有所述待传输数据包都已成功发送或者数据传输被终止。
在一个示例中，在上述基于4G通信模块的数据透传系统100中，所述数据质量检测模块110，包括：待传输数据获取单元，用于获取待传输图像数据；参考数据获取单元，用于获取参考图像数据，其中，所述参考图像数据的图像质量符合预定标准；特征差分分析单元，用于对所述待传输图像数据和所述参考图像数据进行特征差分分析以得到图像间差分特征；以及，数据质量判断单元，用于基于所述图像间差分特征，确定待传输图像数据的数据质量是否符合预定标准。
这里，本领域技术人员可以理解，上述基于4G通信模块的数据透传系统100中的各个模块的具体功能和操作已经在上面参考图1到图4的基于4G通信模块的数据透传方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的基于4G通信模块的数据透传系统100可以实现在各种无线终端中，例如具有基于4G通信模块的数据透传算法的服务器等。在一个示例中，根据本申请实施例的基于4G通信模块的数据透传系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该基于4G通信模块的数据透传系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该基于4G通信模块的数据透传系统100同样可以是该无线终端的众多硬件模块之一。
替换地，在另一示例中，该基于4G通信模块的数据透传系统100与该无线终端也可以是分立的设备，并且该基于4G通信模块的数据透传系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
图6为根据本申请实施例的基于4G通信模块的数据透传方法的应用场景图。如图6所示，在该应用场景中，首先，获取待传输图像数据（例如，图6中所示意的D1），以及，参考图像数据（例如，图6中所示意的D2），然后，将所述待传输图像数据和所述参考图像数据输入至部署有基于4G通信模块的数据透传算法的服务器中（例如，图6中所示意的S），其中，所述服务器能够使用所述基于4G通信模块的数据透传算法对所述待传输图像数据和所述参考图像数据进行处理以得到用于表示待传输图像数据的数据质量是否符合预定标准的分类结果。
相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
除非另有定义，这里使用的所有术语(包括技术和科学术语)具有与本身所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
应当理解，上面是对本申请的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在本申请的范围内。
Claims (6)
1.基于4G通信模块的数据透传方法，其特征在于，包括：
S1：对待传输图像数据进行数据质量检测；
S2：响应于所述待传输图像数据的数据质量符合预定要求，将所述待传输图像数据分割成多个待传输数据包；
S3：通过4G通信模块将各个所述待传输数据包发送给目标设备，并启动定时器，所述定时器用于监测所述待传输数据包的发送状态和超时情况；
S4：响应于所述待传输数据包发送未超时，接收所述目标设备的应答信号，其中，响应于所述应答信号为所述待传输数据包已成功接收，则继续发送下一个所述待传输数据包，响应于所述应答信号表示所述待传输数据包未成功接收，则重发所述待传输数据包；
S5：响应于所述待传输数据包发送超时，判断所述待传输数据包的重发次数是否已达到预设上限，其中，响应于所述重发次数已达到上限则终止数据传输并报告错误，响应于所述重发次数未达到上限则重发所述待传输数据包并重启所述定时器；以及
S6：重复步骤S4和S5，直到所有所述待传输数据包都已成功发送或者数据传输被终止；
所述对待传输图像数据进行数据质量检测，包括：
获取待传输图像数据；
获取参考图像数据，其中，所述参考图像数据的图像质量符合预定标准；
对所述待传输图像数据和所述参考图像数据进行特征差分分析以得到图像间差分特征；以及
基于所述图像间差分特征，确定待传输图像数据的数据质量是否符合预定标准；
所述对所述待传输图像数据和所述参考图像数据进行特征差分分析以得到图像间差分特征，包括：
将所述待传输图像数据和所述参考图像数据通过图像质量双重检测模型以得到待传输图像数据图像质量特征向量和参考图像数据图像质量特征向量；以及
计算所述待传输图像数据图像质量特征向量和所述参考图像数据图像质量特征向量之间的差分特征向量作为所述图像间差分特征。
2.根据权利要求1所述的基于4G通信模块的数据透传方法，其特征在于，所述图像质量双重检测模型包含第一图像编码器和第二图像编码器，且所述第一图像编码器和所述第二图像编码器具有相同的网络结构。
3.根据权利要求2所述的基于4G通信模块的数据透传方法，其特征在于，所述基于所述图像间差分特征，确定待传输图像数据的数据质量是否符合预定标准，包括：
将所述差分特征向量通过分类器以得到分类结果，所述分类结果用于表示待传输图像数据的数据质量是否符合预定标准。
4.根据权利要求3所述的基于4G通信模块的数据透传方法，其特征在于，所述数据透传方法还包括训练步骤：用于对所述分类器和包含第一图像编码器和第二图像编码器的所述图像质量双重检测模型进行训练。
5.根据权利要求4所述的基于4G通信模块的数据透传方法，其特征在于，所述训练步骤，包括：
获取训练数据，所述训练数据包括训练待传输图像数据，训练参考图像数据，以及，所述待传输图像数据的数据质量是否符合预定标准的真实值；
将所述训练待传输图像数据和所述训练参考图像数据通过包含第一图像编码器和第二图像编码器的所述图像质量双重检测模型以得到训练待传输图像数据图像质量特征向量和训练参考图像数据图像质量特征向量；
计算所述训练待传输图像数据图像质量特征向量和所述训练参考图像数据图像质量特征向量之间的训练差分特征向量；
将所述训练差分特征向量通过所述分类器以得到分类损失函数值；以及
基于所述分类损失函数值并通过梯度下降的反向传播来对所述分类器和包含第一图像编码器和第二图像编码器的所述图像质量双重检测模型进行训练，其中，在训练过程的每一轮迭代中，对所述训练差分特征向量进行权重空间的细粒度密度预测搜索优化。
6.根据权利要求5所述的基于4G通信模块的数据透传方法，其特征在于，在训练过程的每一轮迭代中，以如下优化公式对所述训练差分特征向量进行权重空间的细粒度密度预测搜索优化以得到优化训练差分特征向量；
其中，所述优化公式为：
，
其中，是和/>分别是上次和本次迭代的权重矩阵，/>是所述训练差分特征向量，/>和/>分别表示特征向量/>和/>的全局均值，且/>是偏置向量，/>表示按位置点乘，/>表示向量加法，/>表示矩阵乘法，/>表示最小值，/>是所述优化训练差分特征向量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311219468.5A CN116980976A (zh) | 2023-09-21 | 2023-09-21 | 基于4g通信模块的数据透传方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311219468.5A CN116980976A (zh) | 2023-09-21 | 2023-09-21 | 基于4g通信模块的数据透传方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116980976A true CN116980976A (zh) | 2023-10-31 |
Family
ID=88473280
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311219468.5A Pending CN116980976A (zh) | 2023-09-21 | 2023-09-21 | 基于4g通信模块的数据透传方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116980976A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113225622A (zh) * | 2021-03-19 | 2021-08-06 | 海能达通信股份有限公司 | 一种视频传输方法、装置和计算机可读存储介质 |
| CN113516650A (zh) * | 2021-07-30 | 2021-10-19 | 深圳康微视觉技术有限公司 | 基于深度学习的电路板塞孔缺陷检测方法及装置 |
| CN114024914A (zh) * | 2021-10-27 | 2022-02-08 | 杭州海康威视数字技术股份有限公司 | 视频数据传输方法、装置及电子设备 |
| CN115761642A (zh) * | 2022-11-23 | 2023-03-07 | 华能伊敏煤电有限责任公司 | 基于图像处理的破碎作业监控方法及其系统 |
| CN116091414A (zh) * | 2022-12-14 | 2023-05-09 | 皖西学院 | 一种基于深度学习的心血管图像识别方法及其系统 |
-
2023
- 2023-09-21 CN CN202311219468.5A patent/CN116980976A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113225622A (zh) * | 2021-03-19 | 2021-08-06 | 海能达通信股份有限公司 | 一种视频传输方法、装置和计算机可读存储介质 |
| CN113516650A (zh) * | 2021-07-30 | 2021-10-19 | 深圳康微视觉技术有限公司 | 基于深度学习的电路板塞孔缺陷检测方法及装置 |
| CN114024914A (zh) * | 2021-10-27 | 2022-02-08 | 杭州海康威视数字技术股份有限公司 | 视频数据传输方法、装置及电子设备 |
| CN115761642A (zh) * | 2022-11-23 | 2023-03-07 | 华能伊敏煤电有限责任公司 | 基于图像处理的破碎作业监控方法及其系统 |
| CN116091414A (zh) * | 2022-12-14 | 2023-05-09 | 皖西学院 | 一种基于深度学习的心血管图像识别方法及其系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108156519B (zh) | 图像分类方法、电视设备及计算机可读存储介质 | |
| US11615166B2 (en) | System and method for classifying image data | |
| US11922317B2 (en) | Learning data generation apparatus, learning model generation system, learning data generation method, and non-transitory storage medium | |
| CN112464807A (zh) | 视频动作识别方法、装置、电子设备和存储介质 | |
| CN110276257B (zh) | 人脸识别方法、装置、系统、服务器及可读存储介质 | |
| CN116934304B (zh) | 智能配电房设备运行维护管理系统及其方法 | |
| CN112989358B (zh) | 提高基于深度学习的源代码漏洞检测健壮性的方法及装置 | |
| CN116204266A (zh) | 远程协助的信息创建运维系统及其方法 | |
| CN117040917A (zh) | 一种具有监测预警功能的智慧型交换机 | |
| CN113095370A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
| CN117155706B (zh) | 网络异常行为检测方法及其系统 | |
| CN114503131A (zh) | 检索装置、检索方法、检索程序和学习模型检索系统 | |
| CN117676099B (zh) | 基于物联网的安全预警方法及系统 | |
| CN117392604A (zh) | 物联网实时信息监控管理系统及方法 | |
| CN117579101B (zh) | 载波通讯模块的控制方法及其系统 | |
| CN117351659B (zh) | 一种水文地质灾害监测装置及监测方法 | |
| CN117034123B (zh) | 健身器材的故障监控系统及其方法 | |
| CN117076983A (zh) | 传输外线资源识别检测方法、装置、设备及存储介质 | |
| CN117036933A (zh) | 农作物病虫害智能防治系统及其方法 | |
| CN116980976A (zh) | 基于4g通信模块的数据透传方法 | |
| WO2023173546A1 (zh) | 文本识别模型的训练方法、装置、计算机设备及存储介质 | |
| CN114241253A (zh) | 违规内容识别的模型训练方法、系统、服务器及存储介质 | |
| US20220004817A1 (en) | Data analysis system, learning device, method, and program | |
| CN117492398B (zh) | 一种高速数据采集系统及其采集方法 | |
| CN116232761B (zh) | 基于shapelet的网络异常流量检测方法及系统 |
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 |