WO2022012276A1 - 一种温度校准方法、装置、设备及存储介质 - Google Patents
一种温度校准方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- WO2022012276A1 WO2022012276A1 PCT/CN2021/101306 CN2021101306W WO2022012276A1 WO 2022012276 A1 WO2022012276 A1 WO 2022012276A1 CN 2021101306 W CN2021101306 W CN 2021101306W WO 2022012276 A1 WO2022012276 A1 WO 2022012276A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- temperature
- calibration
- target
- calibration model
- array
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K15/00—Testing or calibrating of thermometers
- G01K15/005—Calibration
Abstract
一种温度校准方法,包括:获取温度传感器采集到的至少一帧原始阵列温度(S110;S440);将至少一帧原始阵列温度输入到预先训练完成的目标温度校准模型中,得到输出的目标校准温度(S120;S450);其中,目标温度校准模型包括目标空间校准模型和目标时间校准模型,目标空间校准模型用于通过分别对至少一帧原始阵列温度进行空间温度校准得到目标空间校准温度,目标时间校准模型用于通过对目标空间校准温度进行时间温度校准得到目标校准温度。通过对原始阵列温度分别进行空间和时间校准,解决了温度传感器的空间测量误差和时间测量误差的问题,提高了温度传感器的温度测量的准确度。还公开了一种温度校准装置、一种设备及一种包含计算机可执行指令的存储介质。
Description
相关申请的交叉引用
本申请要求于2020年7月13日提交中国专利局、申请号为202010670631.X、发明名称为“一种温度校准方法、装置、设备及存储介质”的中国专利申请的优先权,其全部内容通过引用结合在本申请中。
本申请涉及温度传感器技术领域,尤其涉及一种温度校准方法、装置、设备及存储介质。
温度传感器是指能感受温度并转换成可用输出信号的传感器,根据温度采集原理进行分类,常用的温度传感器有电阻温度计、热电偶温度传感器、热敏电阻温度传感器、红外温度传感器和激光温度传感器等等。
阵列温度传感器是一种采用多个测温单元进行温度测量的传感器,多个测量单元采集到的测量温度构成阵列温度传感器的帧阵列温度。但阵列温度传感器进行温度测量时,同一测量温度不同测温单元采集到的温度数据并不完全相同,且同一测量温度不同帧阵列温度得到的测量温度也并不相同,从而导致阵列温度传感器的测量结果不准确。
发明内容
根据本申请的各种实施例,提供了一种温度校准方法、装置、设备及存储介质。
第一方面,提供了一种温度校准方法,该方法包括:
获取温度传感器采集到的至少一帧原始阵列温度;
将所述至少一帧原始阵列温度输入到预先训练完成的目标温度校准模型中,得到输出的目标校准温度;
其中,所述目标温度校准模型包括目标空间校准模型和目标时间校准模型,所述目标空间校准模型用于通过分别对所述至少一帧原始阵列温度进行空间温度校准得到目标空间校准温度,所述目标时间校准模型用于通过对所述目标空间校准温度进行时间温度校准得到所述目标校准温度。
进一步地,所述将所述至少一帧原始阵列温度输入到预先训练完成的目标温度校准模型中,得到输出的目标校准温度,包括:
将所述至少一帧原始阵列温度分别输入到目标空间校准模型中,输出得到与所述至少一帧原始阵列温度对应的目标空间校准温度;
将各所述目标空间校准温度进行拼接生成一维中间阵列温度,并将所述一维中间阵列温 度输入到目标时间校准模型中,输出得到目标校准温度。
进一步地,所述将所述至少一帧原始阵列温度输入到预先训练完成的目标温度校准模型中,得到输出的目标校准温度,包括:
所述目标空间校准模型中的至少一个空间卷积层依次对所述至少一帧原始阵列温度进行连续卷积滤波,得到与所述至少一帧原始阵列温度对应的目标空间校准温度;
所述目标时间校准模型中的至少一个时间卷积层依次对所述一维中间阵列温度进行连续卷积滤波,得到目标校准温度。
进一步地,在获取温度传感器采集到的至少一帧原始阵列温度之后,还包括:
当所述原始阵列温度的阵列尺寸与所述目标空间校准模型的阵列尺寸不同时,对所述至少一帧原始阵列温度进行预处理,得到预处理后的原始阵列温度;其中,所述预处理后的原始阵列温度的阵列尺寸与目标空间校准模型的阵列尺寸相同。
进一步地,所述预处理后的原始阵列温度的帧数与目标时间校准模型的阵列帧数相同。
进一步地,所述预先训练完成的目标温度校准模型通过以下方式配置:
将至少一种初始空间校准模型和至少一种初始时间校准模型进行随机组合,构建至少一种初始温度校准模型;其中,各所述初始空间校准模型的空间卷积层的层数不同,各初始时间校准模型的时间卷积层的层数不同;
获取被测对象的真实温度以及温度传感器采集的所述被测对象的至少一帧样本阵列温度;
针对每种初始温度校准模型,将所述至少一帧样本阵列温度输入到初始空间校准模型中,并基于所述初始空间校准模型输出的初始空间校准温度进行拼接生成初始一维中间阵列温度,将所述初始一维中间阵列温度输入到初始时间校准模型中,得到输出的预测温度;
根据所述预测温度和所述真实温度,对所述初始温度校准模型的模型参数进行调整,直到得到训练完成的与所述初始温度模型对应的目标温度校准模型。
进一步地,所述预先训练完成的目标温度校准模型通过以下方式配置:
获取被测对象的真实温度以及温度传感器采集的所述被测对象的至少一组样本温度;其中,各所述样本温度中样本阵列温度的帧数和/或样本阵列温度的阵列尺寸不同;
针对每组样本温度,将所述样本温度中的至少一帧样本阵列温度输入到初始空间校准模型中,并基于所述初始空间校准模型分别输出的至少一个初始空间校准温度进行拼接生成初始一维中间阵列温度,将所述初始一维中间阵列温度输入到初始时间校准模型中,得到输出的预测温度;
根据所述预测温度和所述真实温度,对所述初始空间校准模型和初始时间校准模型构成的初始温度校准模型的模型参数进行调整,直到得到训练完成的与所述样本温度对应的目标温度校准模型。
进一步地,在将所述至少一帧原始阵列温度输入到预先训练完成的目标温度校准模型中之前,还包括:
基于预设筛选规则,对与各初始温度校准模型对应的目标温度校准模型或与各样本温度对应的目标温度校准模型进行筛选得到筛选后的目标温度校准模型;其中,所述预设筛选规 则包括随机选择或模型评价分数。
进一步地,所述方法还包括:
将与筛选后的目标温度校准模型对应的目标样本温度中样本阵列温度的帧数作为目标时间校准模型的阵列帧数,样本阵列温度的阵列尺寸作为目标空间校准模型的阵列尺寸。
进一步地,所述方法还包括:
根据至少两个历史目标校准温度和与各所述历史目标校准温度对应的真实温度,构建温度标定拟合函数;
相应地,在得到输出的目标校准温度之后,还包括:
根据所述温度标定拟合函数,确定与目标温度校准模型输出的当前目标校准温度对应的标定校准温度。
第二方面,还提供了一种温度校准装置,该装置包括:
原始阵列温度获取模块,用于获取温度传感器采集到的至少一帧原始阵列温度;
目标校准温度输出模块,用于将所述至少一帧原始阵列温度输入到预先训练完成的目标温度校准模型中,得到输出的目标校准温度;
其中,所述目标温度校准模型包括目标空间校准模型和目标时间校准模型,所述目标空间校准模型用于通过分别对所述至少一帧原始阵列温度进行空间温度校准得到目标空间校准温度,所述目标时间校准模型用于通过对所述目标空间校准温度进行时间温度校准得到所述目标校准温度。
第三方面,还提供了一种设备,该设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现上述所涉及的任一所述的温度校准方法。
第四方面,还提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行上述所涉及的任一所述的温度校准方法。
本申请的一个或多个实施例的细节在下面的附图和描述中提出。本申请的其他特征、目的和优点将从说明书、附图以及权利要求书变得明显。
图1是本申请实施例一提供的一种温度校准方法的流程图。
图2A是本申请实施例一提供的一种帧阵列温度的示意图。
图2B是本申请实施例一提供的一种单个测温单元不同时间采集到的原始温度值的示意图。
图3A是本申请实施例一提供的一种目标空间校准模型的示意图。
图3B是本申请实施例一提供的一种目标时间校准模型的示意图。
图4是本申请实施例二提供的一种温度校准方法的流程图。
图5是本申请实施例三提供的一种温度校准方法的流程图。
图6是本申请实施例四提供的一种温度校准方法的流程图。
图7是本申请实施例五提供的一种温度校准装置的示意图。
图8是本申请实施例六提供的一种设备的结构示意图。
为了更好地描述和说明这里公开的那些申请的实施例和/或示例,可以参考一幅或多幅附图。用于描述附图的附加细节或示例不应当被认为是对所公开的申请、目前描述的实施例和/或示例以及目前理解的那些申请的最佳模式中的任何一者的范围的限制。
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本申请,而非对本申请的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部结构。
实施例一
图1是本申请实施例一提供的一种温度校准方法的流程图,本实施例可适用于对阵列温度传感器的测量温度进行校准的情况,该方法可以由温度校准装置来执行,该装置可采用软件和/或硬件的方式实现,该装置可以配置于温度传感器中。具体包括如下步骤:
S110、获取温度传感器采集到的至少一帧原始阵列温度。
其中,示例性的,温度传感器包括阵列温度传感器,具体的,阵列温度传感器可以为热红外阵列温度传感器。阵列温度传感器上设置有多个测温单元,多个测量单元采集到的测量温度构成阵列温度传感器的帧阵列温度。图2A是本申请实施例一提供的一种帧阵列温度的示意图。如图2A所示,每一个方格代表一个测温单元,图2A示出的帧阵列温度包括5×5个测温单元,每个方格中的灰度值表示每个测温单元采集到的原始温度值。需要说明的是,图2A只是以灰度值的方式示意性解释说明帧阵列温度。但在本实施例中,可以以图像的形式表示帧阵列温度,该图像可以为彩色图像也可以为灰度图像,图像中的预设图像区域内的像素值表示原始温度值。当然也可以以矩阵数据的形式表示帧阵列温度,每个矩阵值表示原始温度值。
S120、将至少一帧原始阵列温度输入到预先训练完成的目标温度校准模型中,得到输出的目标校准温度。
其中,目标温度校准模型包括目标空间校准模型和目标时间校准模型,目标空间校准模型用于通过分别对至少一帧原始阵列温度进行空间温度校准得到目标空间校准温度,目标时间校准模型用于通过对目标空间校准温度进行时间温度校准得到目标校准温度。
从图2A可以看出,在同一帧阵列温度中,不同测温单元采集到的原始温度值存在差异,即温度传感器采集到的帧阵列温度之间存在空间误差。图2B是本申请实施例一提供的一种单个测温单元不同时间采集到的原始温度值的示意图。图2B以时间为横坐标,其中,t1和t2表示时间。图2B以原始温度值为纵坐标,其中,T1和T2表示温度。从图2B可以看出, 在不同的采集时间,同一测温单元集到的原始温度值存在波动变化,使得由各温度单元采集到的原始温度值构成的帧阵列温度之间存在时间误差。
在一个实施例中,可选的,将至少一帧原始阵列温度分别输入到目标空间校准模型中,输出得到与至少一帧原始阵列温度对应的目标空间校准温度;将各目标空间校准温度进行拼接生成一维中间阵列温度,并将一维中间阵列温度输入到目标时间校准模型中,输出得到目标校准温度。
在一个实施例中,可选的,目标空间校准模型和目标时间校准模型的类型为卷积神经网络模型。其中,示例性的,卷积神经网络模型包括输入层、卷积层、池化层、全连接层和卷积核等网络参数。其中,卷积核是用于对输入的矩阵数据中的一部分矩阵数据进行权值定义的函数,卷积核可实现最大值、最小值、均值和平滑等滤波功能。
在一个实施例中,可选的,将至少一帧原始阵列温度输入到预先训练完成的目标温度校准模型中,得到输出的目标校准温度,包括:目标空间校准模型中的至少一个空间卷积层依次对至少一帧原始阵列温度进行连续卷积滤波,得到与至少一帧原始阵列温度对应的目标空间校准温度;目标时间校准模型中的至少一个时间卷积层依次对一维中间阵列温度进行连续卷积滤波,得到目标校准温度。
图3A是本申请实施例一提供的一种目标空间校准模型的示意图。图3A以原始阵列温度包括H1×W1个原始温度值为例,原始阵列温度经过第一次卷积层后,得到H2×W2个中间空间校准温度。在经过M次卷积层后,得到全连接卷积层输出的1×1个目标空间校准温度S。在本实施例中,目标空间校准模型的卷积层数N可自定义设置。
其中,具体的,一维中间阵列温度是目标空间校准温度随机或按顺序拼接得到的。其中,拼接的顺序可以是原始阵列温度输入到目标空间校准模型中的顺序。图3B是本申请实施例一提供的一种目标时间校准模型的示意图。图3B中的S1、S2、S3……ST表示目标空间校准温度,其中,目标空间校准温度的帧数与原始阵列温度的帧数相同。中间阵列温度1×T经过第一次卷积层后,得到1×W3个中间时间校准温度。在经过M次卷积层后,得到全连接卷积层输出的1×1个目标空间校准温度K。在本实施例中,目标空间校准模型的卷积层数M可自定义设置。
本实施例的技术方案,通过对原始阵列温度分别进行空间和时间校准,解决了温度传感器的空间测量误差和时间测量误差的问题,提高了温度传感器的温度测量的准确度。
实施例二
图4是本申请实施例二提供的一种温度校准方法的流程图,本实施例的技术方案是上述实施例的基础上的进一步细化。可选的,获取温度传感器采集到的至少一帧原始阵列温度之后,还包括:当所述原始阵列温度的阵列尺寸与所述目标空间校准模型的阵列尺寸不同时,对所述至少一帧原始阵列温度进行预处理,得到预处理后的原始阵列温度;其中,所述预处理后的原始阵列温度的阵列尺寸与目标空间校准模型的阵列尺寸相同。这样设置的好处在于,可以使得原始阵列温度的阵列尺寸符合目标空间校准模型对输入数据的阵列尺寸的要求,从而提高目标空间校准模型的输出结果的准确度。
本实施例的具体实施步骤包括:
S210、获取温度传感器采集到的至少一帧原始阵列温度。
S220、当原始阵列温度的阵列尺寸与目标空间校准模型的阵列尺寸不同,则对至少一帧原始阵列温度进行预处理,得到预处理后的原始阵列温度。
其中,具体的,阵列尺寸用于描述温度矩阵的行数和列数。其中,目标空间校准模型的阵列尺寸可表示目标空间校准模型对输入的温度数据的阵列尺寸的要求,原始阵列温度的阵列尺寸与目标空间校准模型的阵列尺寸相同,可以保证目标空间校准模型输出的结果最优。在本实施例中,预处理后的原始阵列温度的阵列尺寸与目标空间校准模型的阵列尺寸相同。
在一个实施例中,可选的,预处理包括但不限于拼接、截取、删除、上采样和下采样中至少一项。其中,示例性的,当目标空间校准模型的阵列尺寸为16×16,且原始阵列温度的阵列尺寸为4×4时,可以将4帧原始阵列温度进行拼接得到16×16的预处理后的原始阵列温度。此处对各帧原始阵列温度的拼接顺序或拼接位置不作限定。其中,示例性的,当目标空间校准模型的阵列尺寸为16×16,且原始阵列温度的阵列尺寸为17×16时,可截取原始阵列温度中1-16行的温度数据作为预处理后的原始阵列温度,或可截取原始阵列温度中2-17行的温度数据作为预处理后的原始阵列温度。其中,示例性的,还可以将原始阵列温度中的任意一行删除后得到的温度数据作为预处理后的原始阵列温度。其中,示例性的,当原始阵列温度的阵列尺寸小于目标空间校准模型的阵列尺寸时,对原始阵列温度进行上采样处理,具体的,上采样处理方法包括但不限于最近邻算法、双线性算法、双三次插值算法和转置卷积。其中,当原始阵列温度的阵列尺寸大于目标空间校准模型的阵列尺寸时,对原始阵列温度进行下采样处理,具体的,当下采样倍数为s倍时,即将s×s窗口内的原始温度值转换为一个温度值,示例性的,该温度值可以是该窗口内各原始温度值的均值。
在一个实施例中,可选的,预处理后的原始阵列温度的帧数与目标时间校准模型的阵列帧数相同。这样设置的好处在于,可以使得预处理后的原始阵列温度的帧数符合目标时间校准模型对输入数据的温度帧数的要求,从而提高目标时间校准模型的输出结果的准确度。其中,目标时间校准模型的阵列帧数可表示目标时间校准模型对输入的温度数据的阵列尺寸的要求,预处理后的原始阵列温度的帧数与目标时间校准模型的阵列帧数相同,可以保证目标时间校准模型输出的结果最优。其中,具体的,当目标空间校准模型的阵列尺寸为16×16,且原始阵列温度的阵列尺寸为4×4时,由于需要4帧原始阵列温度才能使得预处理后的原始阵列温度的阵列尺寸与目标空间校准模型的阵列尺寸相同,如果目标时间校准模型的阵列帧数为5帧,则预处理之前的原始阵列温度的帧数为20帧,以保证预处理后的原始阵列温度的帧数为5帧。
S230、将预处理后的原始阵列温度输入到预先训练完成的目标温度校准模型中,得到输出的目标校准温度。
在上述实施例的基础上,可选的,根据至少两个历史目标校准温度和与各历史目标校准温度对应的真实温度,构建温度标定拟合函数;相应地,在得到输出的目标校准温度之后,还包括:根据温度标定拟合函数,确定与目标温度校准模型输出的当前目标校准温度对应的 标定校准温度。
其中,具体的,采用温度可设定的热源作为标定参考源,将该标定参考源设置成一系列不同的温度Y1、Y2……Yn,作为真实温度。阵列温度传感器对上述不同真实温度下的标定参考源进行温度测量,并将每个真实温度下采集到的至少一帧原始阵列温度经过目标温度校准模型后,得到输出的历史目标校准温度K1、K2……Kn。对至少两个历史目标校准温度和与各历史目标校准温度对应的真实温度进行函数拟合,得到温度标定拟合函数F,满足Y=F(K)。在采用阵列温度传感器对被测对象进行测量时,将目标温度校准模型输出的当前目标校准温度Ki输入到温度标定拟合函数中,计算得到标定校准温度。这样设置的好处在于,通过对目标校准温度通过拟合函数进行标定,进一步提高了阵列温度传感器的温度测量准确度,即标定校准温度与真实温度之间的误差小于目标校准温度与真实温度之间的误差。
本实施例的技术方案,通过根据目标空间校准模型的阵列尺寸对原始阵列温度的阵列尺寸进行预处理,解决了原始阵列温度的阵列尺寸与目标空间校准模型的阵列尺寸不一致的问题,提高了原始阵列温度与目标空间校准模型对输入的温度数据的要求之间的匹配度,进而提高了目标温度校准模型的温度校准结果的准确度。
实施例三
图5是本申请实施例三提供的一种温度校准方法的流程图,本实施例的技术方案是上述实施例的基础上的进一步细化。可选的,所述预先训练完成的目标温度校准模型通过以下方式配置:将至少一种初始空间校准模型和至少一种初始时间校准模型进行随机组合,构建至少一种初始温度校准模型;其中,各所述初始空间校准模型的空间卷积层的层数不同,各初始时间校准模型的时间卷积层的层数不同;获取被测对象的真实温度以及温度传感器采集的所述被测对象的至少一帧样本阵列温度;针对每种初始温度校准模型,将所述至少一帧样本阵列温度输入到初始空间校准模型中,并基于所述初始空间校准模型输出的初始空间校准温度进行拼接生成初始一维中间阵列温度,将所述初始一维中间阵列温度输入到初始时间校准模型中,得到输出的预测温度;根据所述预测温度和所述真实温度,对所述初始温度校准模型的模型参数进行调整,直到得到训练完成的与所述初始温度模型对应的目标温度校准模型。
本实施例的具体实施步骤包括:
S310、将至少一种初始空间校准模型和至少一种初始时间校准模型进行随机组合,构建至少一种初始温度校准模型;
在本实施例中,各初始空间校准模型的空间卷积层的层数不同,各初始时间校准模型的时间卷积层的层数不同。相应的,构建的初始温度校准模型中的空间卷积层和/或时间卷积层的层数不同。举例而言,当初始空间校准模型A的空间卷积层的层数为6,初始时间校准模型B和初始时间校准模型C的时间卷积层的层数分别为5和7,则初始温度校准模型有两种,一种是初始空间校准模型A和初始时间校准模型B组合得到的,另一种是初始空间校准模型A和初始时间校准模型C组合得到的。这两种初始温度校准模型的时间卷积层的层数不同。
S320、获取被测对象的真实温度以及温度传感器采集的被测对象的至少一帧样本阵列温度。
其中,具体的,一个真实温度对应至少一帧样本阵列温度,温度传感器通过对采集到的至少一帧样本阵列温度进行数据处理,得到被测对象的预测温度。
S330、针对每种初始温度校准模型,将至少一帧样本阵列温度输入到初始空间校准模型中,并基于初始空间校准模型输出的初始空间校准温度进行拼接生成初始一维中间阵列温度,将初始一维中间阵列温度输入到初始时间校准模型中,得到输出的预测温度。
S340、根据预测温度和真实温度,对初始温度校准模型的模型参数进行调整,直到得到训练完成的与初始温度模型对应的目标温度校准模型。
在一个实施例中,可选的,计算预测温度与真实温度之间的损失函数值,基于损失函数值对初始温度校准模型的模型参数进行调整,当损失函数值收敛时,得到训练完成的目标温度校准模型。其中,示例性的,模型参数可以是每一层卷积层的卷积核大小和模型权重。其中,具体的,与初始温度校准模型对应的目标温度校准模型输出的预测温度与真实温度之间的损失函数值最小。
本实施例可得到至少一种与初始温度校准模型对应的目标温度校准模型,当目标温度校准模型的数量大于1个时,在一个实施例中,可选的,基于预设筛选规则,对与各初始温度校准模型对应的目标温度校准模型进行筛选得到筛选后的目标温度校准模型;其中,预设筛选规则包括随机选择或模型评价分数。
其中,随机选择是指任选一个目标温度校准模型作为后续原始阵列温度输入的模型。
其中,基于模型评价分数,对与各初始温度校准模型对应的目标温度校准模进行筛选得到筛选后的目标温度校准模型,具体的,根据测试阵列温度和与测试阵列温度的测试温度对各目标温度模型进行测试,并根据测试结果确定模型评价分数。
这样设置的好处在于,一方面,对不同卷积层数的初始温度校准模型分别进行训练,可以得到至少一种目标温度校准模型。另一方面,采用不同的样本温度对初始温度校准模型进行训练,也可得到至少一种目标温度校准模型。对上述目标温度校准模型进行筛选,进而使得筛选后的目标温度校准模型输出目标校准温度与真实温度之间的差异最小,提高温度传感器的温度测量的准确度。
在一个实施例中,可选的,测试结果包括准确率和误检率。其中,准确率是指识别准确的个数占总测试个数的百分比,误检率是指识别错误的个数占总测试个数的百分比。其中,示例性的,将各目标温度模型输出的预测结果与测试温度进行比较,将小于等于预设阈值的比较结果对应的预测结果作为准确结果,将大于预设阈值的比较结果对应的预测结果作为错误结果。其中,示例性的,预设阈值可以为0.05℃。此处对预设阈值不作限定。其中,具体的,可以将准确率作为模型评价分数,也可以将(1-误检率)作为模型评价分数。
在卷积神经网络模型中,卷积层的层数会影响到网络模型对输入数据的处理速度,卷积层数越多,处理速度越慢。在另一实施例中,可选的,测试结果包括目标温度校准模型输出数据的时间。示例性的,输出数据的时间越短则模型评价分数越高,相反的,输出数据的时间越长则模型评价分数越低。在另一个实施例中,可选的,当测试结果为至少两种时,根据各测试结果对应的权重,确定模型评价分数。此处对各测试结果的权重设置不作限定。
S350、获取温度传感器采集到的至少一帧原始阵列温度。
S360、将至少一帧原始阵列温度输入到预先训练完成的目标温度校准模型中,得到输出的目标校准温度。
本实施例的技术方案,通过构建具有不同卷积层数的初始温度校准模型,并对其进行训练以得到不同卷积层数对应的目标温度校准模型解决了自定义设置卷积层数的目标温度校准模型的输出结果不准确的问题,使得筛选得到的目标温度校准模型输出的目标校准温度准确率更高,提高了温度传感器的温度测量的准确度。
实施例四
图6是本申请实施例四提供的一种温度校准方法的流程图,本实施例的技术方案是上述实施例的基础上的进一步细化。可选的,获取被测对象的真实温度以及温度传感器采集的所述被测对象的至少一组样本温度;其中,各所述样本温度中样本阵列温度的帧数和/或样本阵列温度的阵列尺寸不同;针对每组样本温度,将所述样本温度中的至少一帧样本阵列温度输入到初始空间校准模型中,并基于所述初始空间校准模型分别输出的至少一个初始空间校准温度进行拼接生成初始一维中间阵列温度,将所述初始一维中间阵列温度输入到初始时间校准模型中,得到输出的预测温度;根据所述预测温度和所述真实温度,对所述初始空间校准模型和初始时间校准模型构成的初始温度校准模型的模型参数进行调整,直到得到训练完成的与所述样本温度对应的目标温度校准模型。
本实施例的具体实施步骤包括:
S410、获取被测对象的真实温度以及温度传感器采集的被测对象的至少一组样本温度。
其中,具体的,每一组样本温度包括至少一帧样本阵列温度。在本实施例中,各样本温度中样本阵列温度的帧数和/或样本阵列温度的阵列尺寸不同。其中,每组样本温度中的各样本阵列温度的阵列尺寸相同。举例而言,样本温度A包括4帧样本阵列温度,且各样本阵列温度的阵列尺寸为6×6,样本温度B包括5帧样本阵列温度,且各样本阵列温度的阵列尺寸为7×7。
S420、针对每组样本温度,将样本温度中的至少一帧样本阵列温度输入到初始空间校准模型中,并基于初始空间校准模型分别输出的至少一个初始空间校准温度进行拼接生成初始一维中间阵列温度,将初始一维中间阵列温度输入到初始时间校准模型中,得到输出的预测温度。
其中,具体的,每一组样本温度分别对同一种初始温度校准模型进行迭代训练,即该初始温度校准模型的初始空间校准模型和初始时间校准模型相同。
S430、根据预测温度和真实温度,对初始空间校准模型和初始时间校准模型构成的初始温度校准模型的模型参数进行调整,直到得到训练完成的与样本温度对应的目标温度校准模型。
在一个实施例中,可选的,计算预测温度与真实温度之间的损失函数值,基于损失函数值对初始温度校准模型的模型参数进行调整,当损失函数值收敛时,得到训练完成的目标温度校准模型。其中,示例性的,模型参数可以是每一层卷积层的卷积核大小和模型权重。其 中,具体的,与初始温度校准模型对应的目标温度校准模型输出的预测温度与真实温度之间的损失函数值最小。
本实施例可得到至少一种与样本温度对应的目标温度校准模型,即每一组样本温度均对应一个目标温度校准模型。当目标温度校准模型的数量大于1个时,在一个实施例中,可选的,基于预设筛选规则,对与各样本温度对应的目标温度校准模型进行筛选得到筛选后的目标温度校准模型;其中,预设筛选规则包括随机选择或模型评价分数。
其中,随机选择是指任选一个目标温度校准模型作为后续原始阵列温度输入的模型。
其中,基于模型评价分数,对与各初始温度校准模型对应的目标温度校准模进行筛选得到筛选后的目标温度校准模型,具体的,根据测试阵列温度和与测试阵列温度的测试温度对各目标温度模型进行测试,并根据测试结果确定模型评价分数。
在一个实施例中,可选的,测试结果包括准确率和误检率。其中,准确率是指识别准确的个数占总测试个数的百分比,误检率是指识别错误的个数占总测试个数的百分比。其中,示例性的,将各目标温度模型输出的预测结果与测试温度进行比较,将小于等于预设阈值的比较结果对应的预测结果作为准确结果,将大于预设阈值的比较结果对应的预测结果作为错误结果。其中,示例性的,预设阈值可以为0.05℃。此处对预设阈值不作限定。其中,具体的,可以将准确率作为模型评价分数,也可以将(1-误检率)作为模型评价分数。
在卷积神经网络模型中,卷积层的层数会影响到网络模型对输入数据的处理速度,卷积层数越多,处理速度越慢。在另一实施例中,可选的,测试结果包括目标温度校准模型输出数据的时间。示例性的,输出数据的时间越短则模型评价分数越高,相反的,输出数据的时间越长则模型评价分数越低。在另一个实施例中,可选的,当测试结果为至少两种时,根据各测试结果对应的权重,确定模型评价分数。此处对各测试结果的权重设置不作限定。
在一个实施例中,可选的,将与筛选后的目标温度校准模型对应的目标样本温度中样本阵列温度的帧数作为目标时间校准模型的阵列帧数,样本阵列温度的阵列尺寸作为目标空间校准模型的阵列尺寸。这样设置的好处在于,可以基于对原始阵列温度的阵列尺寸和帧数进行限定,从而保证输入到筛选后的目标温度校准模型中的原始阵列温度符合最优的输入数据的要求,提高目标温度校准模型的输出结果的准确度。
在上述实施例的基础上,可选的,将各样本温度作为训练样本,基于训练样本,分别对至少一种初始温度校准模型进行迭代训练,其中,各初始温度校准模型的卷积层数不同。具体的,各初始温度校准模型的空间卷积层的层数和/或时间卷积层数的层数不同。这样设置的好处在于,增加训练得到的目标温度校准模型的种类,以便更好的适应不同的应用场景和应用需求。
S440、获取温度传感器采集到的至少一帧原始阵列温度。
S450、将至少一帧原始阵列温度输入到预先训练完成的目标温度校准模型中,得到输出的目标校准温度。
本实施例的技术方案,通过基于不同帧数和阵列尺寸的样本阵列温度构建的样本温度对初始温度校准模型进行训练,得到不同样本温度对应的目标温度校准模型,解决了基于自定 义设置的样本阵列温度得到的目标温度校准模型的输出结果不准确的问题,使得筛选得到的目标温度校准模型输出的目标校准温度准确率更高,并且当不同的温度传感器采集到的原始阵列温度的帧数或阵列尺寸不同时,也可以均衡筛选得到最优的目标温度校准模型,以适应不同的应用场景和应用需求。
实施例五
图7是本申请实施例五提供的一种温度校准装置的示意图。本实施例可适用于对阵列温度传感器的测量温度进行校准的情况,该装置可采用软件和/或硬件的方式实现,该装置可以配置于温度传感器中。该温度校准装置包括:原始阵列温度获取模块510和目标校准温度输出模块520。
其中,原始阵列温度获取模块510,用于获取温度传感器采集到的至少一帧原始阵列温度;
目标校准温度输出模块520,用于将至少一帧原始阵列温度输入到预先训练完成的目标温度校准模型中,得到输出的目标校准温度;
其中,目标温度校准模型包括目标空间校准模型和目标时间校准模型,目标空间校准模型用于通过分别对至少一帧原始阵列温度进行空间温度校准得到目标空间校准温度,目标时间校准模型用于通过对目标空间校准温度进行时间温度校准得到目标校准温度。
本实施例的技术方案,通过对原始阵列温度分别进行空间和时间校准,解决了温度传感器的空间测量误差和时间测量误差的问题,提高了温度传感器的温度测量的准确度。
在上述技术方案的基础上,可选的,目标校准温度输出模块520具体用于:
将至少一帧原始阵列温度分别输入到目标空间校准模型中,输出得到与至少一帧原始阵列温度对应的目标空间校准温度;
将各目标空间校准温度进行拼接生成一维中间阵列温度,并将一维中间阵列温度输入到目标时间校准模型中,输出得到目标校准温度。
在上述技术方案的基础上,可选的,目标校准温度输出模块520具体用于:
目标空间校准模型中的至少一个空间卷积层依次对至少一帧原始阵列温度进行连续卷积滤波,得到与至少一帧原始阵列温度对应的目标空间校准温度;
目标时间校准模型中的至少一个时间卷积层依次对一维中间阵列温度进行连续卷积滤波,得到目标校准温度。
在上述技术方案的基础上,可选的,该装置还包括:
原始阵列温度预处理模块,用于当原始阵列温度的阵列尺寸与目标空间校准模型的阵列尺寸不同时,对至少一帧原始阵列温度进行预处理,得到预处理后的原始阵列温度;其中,预处理后的原始阵列温度的阵列尺寸与目标空间校准模型的阵列尺寸相同。
在上述技术方案的基础上,可选的,预处理后的原始阵列温度的帧数与目标时间校准模型的阵列帧数相同。
在上述技术方案的基础上,可选的,预先训练完成的目标温度校准模型通过以下方式配置:
将至少一种初始空间校准模型和至少一种初始时间校准模型进行随机组合,构建至少一种初始温度校准模型;其中,各初始空间校准模型的空间卷积层的层数不同,各初始时间校准模型的时间卷积层的层数不同;
获取被测对象的真实温度以及温度传感器采集的被测对象的至少一帧样本阵列温度;
针对每种初始温度校准模型,将至少一帧样本阵列温度输入到初始空间校准模型中,并基于初始空间校准模型输出的初始空间校准温度进行拼接生成初始一维中间阵列温度,将初始一维中间阵列温度输入到初始时间校准模型中,得到输出的预测温度;
根据预测温度和真实温度,对初始温度校准模型的模型参数进行调整,直到得到训练完成的与初始温度模型对应的目标温度校准模型。
在上述技术方案的基础上,可选的,预先训练完成的目标温度校准模型通过以下方式配置:
获取被测对象的真实温度以及温度传感器采集的被测对象的至少一组样本温度;其中,各样本温度中样本阵列温度的帧数和/或样本阵列温度的阵列尺寸不同;
针对每组样本温度,将样本温度中的至少一帧样本阵列温度输入到初始空间校准模型中,并基于初始空间校准模型分别输出的至少一个初始空间校准温度进行拼接生成初始一维中间阵列温度,将初始一维中间阵列温度输入到初始时间校准模型中,得到输出的预测温度;
根据预测温度和真实温度,对初始空间校准模型和初始时间校准模型构成的初始温度校准模型的模型参数进行调整,直到得到训练完成的与样本温度对应的目标温度校准模型。
在上述技术方案的基础上,可选的,该装置还包括:
目标温度校准模型筛选模块,用于基于预设筛选规则,对与各初始温度校准模型对应的目标温度校准模型或与各样本温度对应的目标温度校准模型进行筛选得到筛选后的目标温度校准模型;其中,预设筛选规则包括随机选择或模型评价分数。
在上述技术方案的基础上,可选的,该装置还包括:
模型参数定义模块,用于将与筛选后的目标温度校准模型对应的目标样本温度中样本阵列温度的帧数作为目标时间校准模型的阵列帧数,样本阵列温度的阵列尺寸作为目标空间校准模型的阵列尺寸。
在上述技术方案的基础上,可选的,该装置还包括:
温度标定拟合函数构建模块,用于根据至少两个历史目标校准温度和与各历史目标校准温度对应的真实温度,构建温度标定拟合函数;
标定校准温度确定模块,用于根据温度标定拟合函数,确定与目标温度校准模型输出的当前目标校准温度对应的标定校准温度。
本申请实施例所提供的温度校准装置可以用于执行本申请实施例所提供的温度校准方法,具备执行方法相应的功能和有益效果。
值得注意的是,上述温度校准装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。
实施例六
图8是本申请实施例六提供的一种设备的结构示意图,本申请实施例为本申请上述实施例的温度校准方法的实现提供服务,可配置上述实施例中的温度校准装置。图8示出了适于用来实现本申请实施方式的示例性设备12的框图。图8显示的设备12仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图8所示,设备12以通用计算设备的形式表现。设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图8未显示,通常称为“硬盘驱动器”)。尽管图8中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本申请各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本申请所描述的实施例中的功能和/或方法。
设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该设备12交互的设备通信,和/或与使得该设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图8所示,网络适配器20通过总线18与设备12的其它模块通信。应当明白,尽管图中未示出,可以结合设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据 处理,例如实现本申请实施例所提供的温度校准方法。
通过上述设备,解决了温度传感器的空间测量误差和时间测量误差的问题,提高了温度传感器的温度测量的准确度。
实施例七
本申请实施例七还提供了一种包含计算机可执行指令的存储介质,计算机可执行指令在由计算机处理器执行时用于执行一种温度校准方法,该方法包括:
获取温度传感器采集到的至少一帧原始阵列温度;
将至少一帧原始阵列温度输入到预先训练完成的目标温度校准模型中,得到输出的目标校准温度;
其中,目标温度校准模型包括目标空间校准模型和目标时间校准模型,目标空间校准模型用于通过分别对至少一帧原始阵列温度进行空间温度校准得到目标空间校准温度,目标时间校准模型用于通过对目标空间校准温度进行时间温度校准得到目标校准温度。
本申请实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言,诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络包括局域网(LAN)或广域网(WAN),连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
当然,本申请实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指 令不限于如上的方法操作,还可以执行本申请任意实施例所提供的温度校准方法中的相关操作。
注意,上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解,本申请不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此,虽然通过以上实施例对本申请进行了较为详细的说明,但是本申请不仅仅限于以上实施例,在不脱离本申请构思的情况下,还可以包括更多其他等效实施例,而本申请的范围由所附的权利要求范围决定。
Claims (13)
- 一种温度校准方法,其特征在于,包括:获取温度传感器采集到的至少一帧原始阵列温度;将所述至少一帧原始阵列温度输入到预先训练完成的目标温度校准模型中,得到输出的目标校准温度;其中,所述目标温度校准模型包括目标空间校准模型和目标时间校准模型,所述目标空间校准模型用于通过分别对所述至少一帧原始阵列温度进行空间温度校准得到目标空间校准温度,所述目标时间校准模型用于通过对所述目标空间校准温度进行时间温度校准得到所述目标校准温度。
- 根据权利要求1所述的方法,其特征在于,所述将所述至少一帧原始阵列温度输入到预先训练完成的目标温度校准模型中,得到输出的目标校准温度,包括:将所述至少一帧原始阵列温度分别输入到目标空间校准模型中,输出得到与所述至少一帧原始阵列温度对应的目标空间校准温度;将各所述目标空间校准温度进行拼接生成一维中间阵列温度,并将所述一维中间阵列温度输入到目标时间校准模型中,输出得到目标校准温度。
- 根据权利要求2所述的方法,其特征在于,所述将所述至少一帧原始阵列温度输入到预先训练完成的目标温度校准模型中,得到输出的目标校准温度,包括:所述目标空间校准模型中的至少一个空间卷积层依次对所述至少一帧原始阵列温度进行连续卷积滤波,得到与所述至少一帧原始阵列温度对应的目标空间校准温度;所述目标时间校准模型中的至少一个时间卷积层依次对所述一维中间阵列温度进行连续卷积滤波,得到目标校准温度。
- 根据权利要求2所述的方法,其特征在于,在获取温度传感器采集到的至少一帧原始阵列温度之后,还包括:当所述原始阵列温度的阵列尺寸与所述目标空间校准模型的阵列尺寸不同时,对所述至少一帧原始阵列温度进行预处理,得到预处理后的原始阵列温度;其中,所述预处理后的原始阵列温度的阵列尺寸与目标空间校准模型的阵列尺寸相同。
- 根据权利要求4所述的方法,其特征在于,所述预处理后的原始阵列温度的帧数与目标时间校准模型的阵列帧数相同。
- 根据权利要求1所述的方法,其特征在于,所述预先训练完成的目标温度校准模型通过以下方式配置:将至少一种初始空间校准模型和至少一种初始时间校准模型进行随机组合,构建至少一种初始温度校准模型;其中,各所述初始空间校准模型的空间卷积层的层数不同,各初始时间校准模型的时间卷积层的层数不同;获取被测对象的真实温度以及温度传感器采集的所述被测对象的至少一帧样本阵列温度;针对每种初始温度校准模型,将所述至少一帧样本阵列温度输入到初始空间校准模型中,并基于所述初始空间校准模型输出的初始空间校准温度进行拼接生成初始一维中间阵列温度, 将所述初始一维中间阵列温度输入到初始时间校准模型中,得到输出的预测温度;根据所述预测温度和所述真实温度,对所述初始温度校准模型的模型参数进行调整,直到得到训练完成的与所述初始温度模型对应的目标温度校准模型。
- 根据权利要求1所述的方法,其特征在于,所述预先训练完成的目标温度校准模型通过以下方式配置:获取被测对象的真实温度以及温度传感器采集的所述被测对象的至少一组样本温度;其中,各所述样本温度中样本阵列温度的帧数和/或样本阵列温度的阵列尺寸不同;针对每组样本温度,将所述样本温度中的至少一帧样本阵列温度输入到初始空间校准模型中,并基于所述初始空间校准模型分别输出的至少一个初始空间校准温度进行拼接生成初始一维中间阵列温度,将所述初始一维中间阵列温度输入到初始时间校准模型中,得到输出的预测温度;根据所述预测温度和所述真实温度,对所述初始空间校准模型和初始时间校准模型构成的初始温度校准模型的模型参数进行调整,直到得到训练完成的与所述样本温度对应的目标温度校准模型。
- 根据权利要求6或7所述的方法,其特征在于,在将所述至少一帧原始阵列温度输入到预先训练完成的目标温度校准模型中之前,还包括:基于预设筛选规则,对与各初始温度校准模型对应的目标温度校准模型或与各样本温度对应的目标温度校准模型进行筛选得到筛选后的目标温度校准模型;其中,所述预设筛选规则包括随机选择或模型评价分数。
- 根据权利要求8所述的方法,其特征在于,还包括:将与筛选后的目标温度校准模型对应的目标样本温度中样本阵列温度的帧数作为目标时间校准模型的阵列帧数,样本阵列温度的阵列尺寸作为目标空间校准模型的阵列尺寸。
- 根据权利要求1所述的方法,其特征在于,还包括:根据至少两个历史目标校准温度和与各所述历史目标校准温度对应的真实温度,构建温度标定拟合函数;相应地,在得到输出的目标校准温度之后,还包括:根据所述温度标定拟合函数,确定与目标温度校准模型输出的当前目标校准温度对应的标定校准温度。
- 一种温度校准装置,其特征在于,包括:原始阵列温度获取模块,用于获取温度传感器采集到的至少一帧原始阵列温度;目标校准温度输出模块,用于将所述至少一帧原始阵列温度输入到预先训练完成的目标温度校准模型中,得到输出的目标校准温度;其中,所述目标温度校准模型包括目标空间校准模型和目标时间校准模型,所述目标空间校准模型用于通过分别对所述至少一帧原始阵列温度进行空间温度校准得到目标空间校准温度,所述目标时间校准模型用于通过对所述目标空间校准温度进行时间温度校准得到所述目标校准温度。
- 一种设备,其特征在于,所述设备包括:一个或多个处理器;存储器,用于存储一个或多个程序;当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-10中任一所述的温度校准方法。
- 一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-10中任一所述的温度校准方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010670631.XA CN111811694B (zh) | 2020-07-13 | 2020-07-13 | 一种温度校准方法、装置、设备及存储介质 |
CN202010670631.X | 2020-07-13 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2022012276A1 true WO2022012276A1 (zh) | 2022-01-20 |
Family
ID=72843074
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/CN2021/101306 WO2022012276A1 (zh) | 2020-07-13 | 2021-06-21 | 一种温度校准方法、装置、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111811694B (zh) |
WO (1) | WO2022012276A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111811694B (zh) * | 2020-07-13 | 2021-11-30 | 广东博智林机器人有限公司 | 一种温度校准方法、装置、设备及存储介质 |
CN112597703B (zh) * | 2020-12-22 | 2022-08-23 | 浙江大学 | 基于双分支深度神经网络的变尺寸阵列结构性能预测方法 |
CN113251591B (zh) * | 2021-05-06 | 2022-06-28 | 青岛海尔空调器有限总公司 | 用于检测室内温度的方法、装置和智能空调 |
CN114190897B (zh) * | 2021-12-15 | 2024-04-05 | 中国科学院空天信息创新研究院 | 睡眠分期模型的训练方法、睡眠分期方法及装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105241580A (zh) * | 2015-09-16 | 2016-01-13 | 深圳市金立通信设备有限公司 | 一种温度校准方法及终端 |
CN106203621A (zh) * | 2016-07-11 | 2016-12-07 | 姚颂 | 用于卷积神经网络计算的处理器 |
EP2431719B1 (en) * | 2009-05-01 | 2018-07-04 | Fujitsu Limited | Temperature measurement system and temperature measurement method |
CN110210535A (zh) * | 2019-05-21 | 2019-09-06 | 北京市商汤科技开发有限公司 | 神经网络训练方法及装置以及图像处理方法及装置 |
CN111307331A (zh) * | 2020-04-02 | 2020-06-19 | 广东博智林机器人有限公司 | 一种温度校准方法、装置、设备及存储介质 |
CN111366244A (zh) * | 2020-03-02 | 2020-07-03 | 北京迈格威科技有限公司 | 测温方法、装置、电子设备及计算机可读存储介质 |
CN111368980A (zh) * | 2020-03-06 | 2020-07-03 | 京东数字科技控股有限公司 | 状态检测方法、装置、设备及存储介质 |
CN111402130A (zh) * | 2020-02-21 | 2020-07-10 | 华为技术有限公司 | 数据处理方法和数据处理装置 |
CN111811694A (zh) * | 2020-07-13 | 2020-10-23 | 广东博智林机器人有限公司 | 一种温度校准方法、装置、设备及存储介质 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104406699A (zh) * | 2014-11-26 | 2015-03-11 | 浙江红相科技股份有限公司 | 基于自适应红外图像校正算法红外热像仪 |
CN104677501B (zh) * | 2014-12-25 | 2017-11-24 | 广微科技集团有限公司 | 非制冷红外焦平面阵列非均匀性校正的方法和装置 |
CN104748865B (zh) * | 2015-03-30 | 2018-01-05 | 北京空间机电研究所 | 一种用于红外图像的多点组合校正方法 |
CN106886983B (zh) * | 2017-03-01 | 2019-08-23 | 中国科学院长春光学精密机械与物理研究所 | 基于Laplace算子和反卷积的图像非均匀性校正方法 |
CN107860489B (zh) * | 2017-09-30 | 2019-10-22 | 北京航天控制仪器研究所 | 一种分布式光纤感温报警系统的数据优化方法 |
CN110631706B (zh) * | 2018-06-22 | 2021-04-27 | 杭州海康微影传感科技有限公司 | 红外图像的校正方法、装置及存储介质 |
CN109379550B (zh) * | 2018-09-12 | 2020-04-17 | 上海交通大学 | 基于卷积神经网络的视频帧率上变换方法及系统 |
CN209247206U (zh) * | 2018-10-11 | 2019-08-13 | 三峡大学 | 一种线性温度传感器阵列的标定装置 |
-
2020
- 2020-07-13 CN CN202010670631.XA patent/CN111811694B/zh active Active
-
2021
- 2021-06-21 WO PCT/CN2021/101306 patent/WO2022012276A1/zh active Application Filing
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2431719B1 (en) * | 2009-05-01 | 2018-07-04 | Fujitsu Limited | Temperature measurement system and temperature measurement method |
CN105241580A (zh) * | 2015-09-16 | 2016-01-13 | 深圳市金立通信设备有限公司 | 一种温度校准方法及终端 |
CN106203621A (zh) * | 2016-07-11 | 2016-12-07 | 姚颂 | 用于卷积神经网络计算的处理器 |
CN110210535A (zh) * | 2019-05-21 | 2019-09-06 | 北京市商汤科技开发有限公司 | 神经网络训练方法及装置以及图像处理方法及装置 |
CN111402130A (zh) * | 2020-02-21 | 2020-07-10 | 华为技术有限公司 | 数据处理方法和数据处理装置 |
CN111366244A (zh) * | 2020-03-02 | 2020-07-03 | 北京迈格威科技有限公司 | 测温方法、装置、电子设备及计算机可读存储介质 |
CN111368980A (zh) * | 2020-03-06 | 2020-07-03 | 京东数字科技控股有限公司 | 状态检测方法、装置、设备及存储介质 |
CN111307331A (zh) * | 2020-04-02 | 2020-06-19 | 广东博智林机器人有限公司 | 一种温度校准方法、装置、设备及存储介质 |
CN111811694A (zh) * | 2020-07-13 | 2020-10-23 | 广东博智林机器人有限公司 | 一种温度校准方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111811694A (zh) | 2020-10-23 |
CN111811694B (zh) | 2021-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022012276A1 (zh) | 一种温度校准方法、装置、设备及存储介质 | |
CN109902832B (zh) | 机器学习模型的训练方法、异常预测方法及相关装置 | |
CN108520229B (zh) | 图像检测方法、装置、电子设备和计算机可读介质 | |
US10769500B2 (en) | Localization-aware active learning for object detection | |
US11580636B2 (en) | Automatic graph scoring for neuropsychological assessments | |
WO2023035822A1 (zh) | 一种目标检测方法、装置、设备及存储介质 | |
JP6766839B2 (ja) | 検査システム、画像識別システム、識別システム、識別器生成システム、及び学習データ生成装置 | |
CN107545301B (zh) | 页面展示方法及装置 | |
CN113743607A (zh) | 异常检测模型的训练方法、异常检测方法及装置 | |
WO2021217937A1 (zh) | 姿态识别模型的训练方法及设备、姿态识别方法及其设备 | |
US10885593B2 (en) | Hybrid classification system | |
US11593673B2 (en) | Systems and methods for identifying influential training data points | |
US11688175B2 (en) | Methods and systems for the automated quality assurance of annotated images | |
KR102192461B1 (ko) | 불확정성을 모델링할 수 있는 뉴럴네트워크 학습 장치 및 방법 | |
US20210232941A1 (en) | Method, system, and computer program product for determining causality | |
CN115601759A (zh) | 端到端文本识别方法、装置、设备及存储介质 | |
JP2019086473A (ja) | 学習プログラム、検出プログラム、学習方法、検出方法、学習装置および検出装置 | |
KR102432766B1 (ko) | 알츠하이머 병 분류를 위한 mr 이미지 분석 시스템 및 방법 | |
JP7239002B2 (ja) | 物体数推定装置、制御方法、及びプログラム | |
JP2019079102A (ja) | 学習装置、生成装置、分類装置、学習方法、学習プログラム、および動作プログラム | |
US20210004671A1 (en) | Automated data slicing based on an artificial neural network | |
CN112348161A (zh) | 神经网络的训练方法、神经网络的训练装置和电子设备 | |
US20230325628A1 (en) | Causal explanation of attention-based neural network output | |
CN116128882B (zh) | 基于不平衡数据集的电机轴承故障诊断方法、设备及介质 | |
CN113051928B (zh) | 一种基于区块链的检测评论方法、装置及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 21842137 Country of ref document: EP Kind code of ref document: A1 |
|
NENP | Non-entry into the national phase |
Ref country code: DE |
|
122 | Ep: pct application non-entry in european phase |
Ref document number: 21842137 Country of ref document: EP Kind code of ref document: A1 |