一种采集设备工作控制方法、装置、设备及存储介质制造方法及图纸

本申请公开了一种采集设备工作控制方法、装置、设备及存储介质，涉及设备管理技术领域。该方法包括：获取监管系统内各个采集设备采集的环境数据信息；将所述环境数据信息输入至深度学习网络，并获取所述深度学习网络输出的控制参数；所述深度学习网络为训练后的以不同采集设备的环境数据信息为输入，以采集设备对应的控制参数为输出的深度学习网络；根据所述控制参数控制对应的所述采集设备的工作状态，以实现对所述监管系统内各个采集设备的功耗控制。通过深度学习感知，自适应控制传感器工作频率及工作时间，实现采集设备性能与功耗的平衡，同时能够提高监管系统稳定性、准确性。准确性。准确性。

【技术实现步骤摘要】
一种采集设备工作控制方法、装置、设备及存储介质


[0001]本专利技术涉及设备管理
，特别涉及一种采集设备工作控制方法、装置、设备及存储介质。

技术介绍

[0002]目前，工厂和仓库为了进行环境监控，会使用包含多个传感器等采集设备的监管系统，监管系统内各类传感器可以感知周围环境或者特殊物质，比如气体感知、光线感知、温湿度感知、人体感知等等，把模拟信号转化成数字信号，给中央处理器处理，最终结果形成气体浓度参数、光线强度参数、范围内是否有人探测、温度湿度数据等结果。但是，目前很多传感器功耗高耗电快，若是配置传感器高频率工作会导致功耗过高，若配置传感器低频率工作会造成监测不及时的问题；并且，传感器很多情况无法充分利用其能力，无法将各种关键数据关联进行综合分析，降低了环境监控的能力。

技术实现思路

[0003]有鉴于此，本专利技术的目的在于提供一种采集设备工作控制方法、装置、设备及介质，能够实现采集设备性能与功耗的平衡，提高监管系统稳定性、准确性。其具体方案如下：
[0004]第一方面，本申请公开了一种采集设备工作控制方法，包括：
[0005]获取监管系统内各个采集设备采集的环境数据信息；
[0006]将所述环境数据信息输入至深度学习网络，并获取所述深度学习网络输出的控制参数；所述深度学习网络为训练后的以不同采集设备的环境数据信息为输入，以采集设备对应的控制参数为输出的深度学习网络；
[0007]根据所述控制参数控制对应的所述采集设备的工作状态，以实现对所述监管系统内各个采集设备的功耗控制。
[0008]可选的，所述获取所述深度学习网络输出的控制参数之后，还包括：
[0009]将所述控制参数与预设的判定规则进行对比，并根据对比结果判断所述控制参数是否需要调整；
[0010]若需要调整，则根据所述判定规则对所述控制参数进行调整，得到调整后的控制参数。
[0011]可选的，所述采集设备工作控制方法，还包括：
[0012]通过网络模块接收用户配置的判定规则更新信息，并根据所述判定规则更新信息更新所述判定规则。
[0013]可选的，所述根据所述判定规则对所述控制参数进行调整之后，还包括：
[0014]根据所述控制参数与所述调整后的控制参数之间的误差，对所述深度学习网络进行训练调节。
[0015]可选的，所述获取所述深度学习网络输出的控制参数，包括：
[0016]获取所述深度学习网络输出的针对采集设备的控制参数，以及针对系统内不同处
理器的控制参数；
[0017]利用所述针对系统内不同处理器的控制参数，对系统内对应的处理器进行工作频率控制；
[0018]所述系统内处理器包括用于获取监管系统内各个采集设备采集的环境数据信息的数据处理器、深度学习处理器和用于根据判定规则调整所述控制参数的判定规则处理器。
[0019]可选的，所述采集设备工作控制方法，还包括：
[0020]获取所述深度学习网络根据所述环境数据信息判定当前环境异常后输出的环境报警信号；
[0021]根据所述环境报警信号控制采集设备的工作状态。
[0022]可选的，所述深度学习网络的训练过程，包括：
[0023]基于BP神经网络正向传播算法和BP神经网络反向传播算法构建初始化网络；
[0024]基于历史不同环境情况下的环境数据信息生成训练集；所述环境数据信息包括光强数据、声强数据、温度数据和图像特征数据；
[0025]利用所述训练集对所述初始化网络进行训练，以得到训练后的所述深度学习网络。
[0026]第二方面，本申请公开了一种采集设备工作控制装置，包括：
[0027]数据获取模块，用于获取监管系统内各个采集设备采集的环境数据信息；
[0028]控制参数获取模块，用于将所述环境数据信息输入至深度学习网络，并获取所述深度学习网络输出的控制参数；所述深度学习网络为训练后的以不同采集设备的环境数据信息为输入，以采集设备对应的控制参数为输出的深度学习网络；
[0029]工作状态控制模块，用于根据所述控制参数控制对应的所述采集设备的工作状态，以实现对所述监管系统内各个采集设备的功耗控制。
[0030]第三方面，本申请公开了一种电子设备，包括：
[0031]存储器，用于保存计算机程序；
[0032]处理器，用于执行所述计算机程序，以实现前述的采集设备工作控制方法。
[0033]第四方面，本申请公开了一种计算机可读存储介质，用于存储计算机程序；其中计算机程序被处理器执行时实现前述的采集设备工作控制方法。
[0034]第五方面，本申请公开了一种计算机程序产品，该产品在计算机上运行时能够实现前述的多维数据分析方法。
[0035]本申请中，获取监管系统内各个采集设备采集的环境数据信息；将所述环境数据信息输入至深度学习网络，并获取所述深度学习网络输出的控制参数；所述深度学习网络为训练后的以不同采集设备的环境数据信息为输入，以采集设备对应的控制参数为输出的深度学习网络；根据所述控制参数控制对应的所述采集设备的工作状态，以实现对所述监管系统内各个采集设备的功耗控制。可见，利用训练后的以不同采集设备的环境数据信息为输入，以采集设备对应的控制参数为输出的深度学习网络，根据当前监管系统内各个采集设备采集的环境数据信息，输出针对各个采集设备的控制参数，再利用该控制参数控制采集设备的工作频率，由此通过深度学习感知，自适应控制传感器工作频率及工作时间，实现采集设备性能与功耗的平衡，同时能够提高监管系统稳定性、准确性，避免误判情况；并
且利用深度学习网络综合学习各类传感器工作规律，避免单一判断，可全面分析当前环境并做出调整；同时，利用深度学习自动确定控制参数，解决人工调整的问题，助力仓储无人化安全监控管理。
附图说明
[0036]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0037]图1为本申请提供的一种采集设备工作控制方法流程图；
[0038]图2为本申请提供的一种具体的采集设备工作控制方法流程图；
[0039]图3为本申请提供的一种具体的采集设备工作控制系统结构示意图；
[0040]图4为本申请提供的采集设备工作控制方案所适用的系统框架示意图；
[0041]图5为本申请提供的一种采集设备工作控制装置结构示意图；
[0042]图6为本申请提供的一种电子设备结构图。
具体实施方式
[0043]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种采集设备工作控制方法，其特征在于，包括：获取监管系统内各个采集设备采集的环境数据信息；将所述环境数据信息输入至深度学习网络，并获取所述深度学习网络输出的控制参数；所述深度学习网络为训练后的以不同采集设备的环境数据信息为输入，以采集设备对应的控制参数为输出的深度学习网络；根据所述控制参数控制对应的所述采集设备的工作状态，以实现对所述监管系统内各个采集设备的功耗控制。2.根据权利要求1所述的采集设备工作控制方法，其特征在于，所述获取所述深度学习网络输出的控制参数之后，还包括：将所述控制参数与预设的判定规则进行对比，并根据对比结果判断所述控制参数是否需要调整；若需要调整，则根据所述判定规则对所述控制参数进行调整，得到调整后的控制参数。3.根据权利要求2所述的采集设备工作控制方法，其特征在于，还包括：通过网络模块接收用户配置的判定规则更新信息，并根据所述判定规则更新信息更新所述判定规则。4.根据权利要求2所述的采集设备工作控制方法，其特征在于，所述根据所述判定规则对所述控制参数进行调整之后，还包括：根据所述控制参数与所述调整后的控制参数之间的误差，对所述深度学习网络进行训练调节。5.根据权利要求1所述的采集设备工作控制方法，其特征在于，所述获取所述深度学习网络输出的控制参数，包括：获取所述深度学习网络输出的针对采集设备的控制参数，以及针对系统内不同处理器的控制参数；利用所述针对系统内不同处理器的控制参数，对系统内对应的处理器进行工作频率控制；所述系统内处理器包括用于获取监管系统内各个采集设备采集的环境数据信息的数据处理器、深度学习处理...

【专利技术属性】
技术研发人员：黄志锋，
申请(专利权)人：深圳前海百递网络有限公司，
类型：发明
国别省市：