终端设备通用的数据采集方法及其装置制造方法及图纸

本申请涉及数据采集领域，具体地公开了一种终端设备通用的数据采集方法，该数据采集方法包括：服务器获取终端设备的屏幕数据；通过预先设置的识别范围对屏幕数据进行二次处理，获得图片数据；利用图片识别模型识别图片数据；将识别到的结果数据进行数据校验并上传；其中，所述图片识别模型包括：判断图片数据类型并识别图片参数，将图片转换为灰度图；提取所述灰度图中数据特征；确定所述灰度图中数据特征中特征向量序列和上下文信息；计算所述特征向量序列的标签分布；所述标签转录映射得到识别结果；对识别结果预处理得到结果数据。该数据采集方法容易应用到其他终端设备上，可以减少人员的工作量、缩减上报时间。本申请实施例还公开了一种终端设备通用的数据采集装置。例还公开了一种终端设备通用的数据采集装置。例还公开了一种终端设备通用的数据采集装置。

【技术实现步骤摘要】
终端设备通用的数据采集方法及其装置


[0001]本申请涉及数据采集
，且更为具体地，涉及终端设备通用的数据采集方法及其装置。

技术介绍

[0002]近几年，伴随着信息技术向工业渗透，工业大数据、工业物联网、数字化工厂、工业互联网平台等一批新的智能制造方案开始成为热门词汇，全球化工业革命开始提上日程，工业转型开始进入实质阶段。
[0003]智能制造从产生就成为了制造业研究的热点领域之一。同时也受到了各国的关注，如：德国首先于2011年提出了“工业4.0”的概念、随后美国提出了“工业互联网”等。虽然在称呼上有所差别，但在本质上都是为了提升制造业的智能化水平。
[0004]智能化生产以信息化为基础，而将工厂里各式设备接入网络，采集设备的数据，则是信息化的基础。针对不同工业设备，数据采集有不同的方式：有数据接口的设备，如机器人，机床，PLC控制器，智能化仪器仪表等，将设备数据传输到网关。
[0005]没有现成数据的设备，通过安装传感器或进行智能化改造，增加通讯能力，基于有线或无线方式，将数据传输到网关。
[0006]而由于设备采购的批次、生产厂商、开发模式、数据通讯接口及协议等不同，给数据的采集带来非常大的困难，而且即使针对某种设备开发出了一种采集方法，如采用爬虫或者OPC(OLE for Process Control)等，但是其通用性不强，很难应用到其他设备上。这也导致了很多设备在数据采集、上报等工作种仍是以人工为主，存在效率较低、数据上报延迟较高的情况。这种现象在检测设备中尤为明显，因此，期待一种终端设备通用的数据采集方案，缩减数据采集时间和提高数据准确性，以达到推动企业智能制造的建设的目的。

技术实现思路

[0007]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终端设备通用的数据采集方法，首先，服务器获取终端设备的屏幕数据；然后，服务器通过预先设置的识别范围对二次处理，获得图片数据；之后，利用图片识别模型识别图片数据，进而将识别到的结果数据进行数据校验并上传。
[0008]相应地，本申请的实施例还提供了一种终端设备通用的数据采集装置，用以保证上述方法的实现及应用。
[0009]根据本申请的一个方面，提供了一种终端设备通用的数据采集方法，其包括：
[0010]服务器获取终端设备的屏幕数据；
[0011]通过预先设置的识别范围对屏幕数据进行二次处理，获得图片数据；
[0012]利用图片识别模型识别图片数据；
[0013]将识别到的结果数据进行数据校验并上传；
[0014]其中，所述图片识别模型包括：
[0015]判断图片数据类型并识别图片参数，将图片转换为灰度图；
[0016]提取所述灰度图中数据特征；
[0017]确定所述灰度图中数据特征中特征向量序列和上下文信息；
[0018]计算所述特征向量序列的标签分布；
[0019]所述标签转录映射得到识别结果；
[0020]对识别结果预处理得到结果数据。
[0021]可选地，所述服务器获取终端设备的屏幕数据，包括：
[0022]接收设置在所述终端设备的截屏程序发送的截屏数据作为所述屏幕数据；或者，
[0023]接收设置在所述终端设备屏幕的相对位置的摄像头获取的照片数据作为所述屏幕数据。
[0024]可选地，3、所述通过预先设置的识别范围对屏幕数据进行二次处理，获得图片数据，包括：
[0025]确定与所述预先设置的识别范围相对应的裁剪尺寸；
[0026]按照所述裁剪尺寸对所述屏幕数据进行裁剪；
[0027]将裁剪后的所述屏幕数据作为所述图片数据。
[0028]可选地，所述通过预先设置的识别范围对屏幕数据进行二次处理，获得图片数据，包括：
[0029]在原始数据中设置原点、X轴、Y轴；
[0030]根据所需数据的坐标与原点、X轴、Y轴形成合围区域；
[0031]对合围区域进行裁剪，以获得图片数据。
[0032]可选地，所述图片识别模型包括：卷积循环神经网络CRNN的卷积层参数修改，特征向量序列提取，双向LSTM神经网络，以及标签转录映射和端到端的文本识别结果的输出。
[0033]可选地，所述图片识别模型还可以是，经过训练CRNN及可变尺度机制的栅格地质图像文本识别网络算法模型。
[0034]可选地，所述训练流程包括：
[0035]使用CRNN神经网络算法对原始图像文本数据集进行训练；
[0036]保存训练好的模型；
[0037]加载预训练模型，修改卷积层部分神经网络参数，使网络自适应到单通道的变化；
[0038]在循环层中加入可变尺度机制，初始化特征序列的权重参数；
[0039]将标注好的图像数据集划分为训练集和测试集，将训练集输入预训练模型当中，优化参数，并开始训练；
[0040]保存带有可变尺度机制的权重参数，并再次保存模型；
[0041]使用数据集中的测试集对训练完成的模型进行测试。
[0042]根据本申请的另一个方面，提供了一种终端设备通用的数据采集装置，包括：
[0043]数据采集模块,用于获取终端设备的屏幕数据；
[0044]识别模块,用于通过预先设置的识别范围对屏幕数据进行二次处理，获得图片数据，通过预先训练的图片识别模型完成图片数据中数据的识别；
[0045]结果处理模块，用于将识别到结果数据进行展示，结果数据经过预处理与校验并上传。
[0046]与现有技术相比，本申请提供的终端设备通用的数据采集方法及其装置，首先，服务器获取终端设备的屏幕数据；然后，服务器通过预先设置的识别范围对二次处理，获得图片数据；之后，利用图片识别模型识别图片数据，进而将识别到的结果数据进行数据校验并上传。服务器获取终端设备的屏幕数据以及数据验证并上传的过程均为自动完成，减少人工操作，缩减数据采集时间和提高数据准确性。
[0047]以上的总体描述和下文中的描述仅是示例性和解释性的，不用于限制本申请。
附图说明
[0048]通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
[0049]图1图示了根据本申请实施例的终端设备通用的数据采集方法的应用场景图；
[0050]图2图示了根据本申请实施例的终端设备通用的数据采集方法的流程图；
[0051]图3图示了根据本申请实施例的终端设备通用的数据采集方法的系统架构的示意图；
[0052]图4图示了根据本申请实施例的终端设备通用的数据采集方法的图片识别模型流程图；
[0053]图5图示了本申请实施例的一种屏幕数据图；
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种终端设备通用的数据采集方法，其特征在于，包括：服务器获取终端设备的屏幕数据；通过预先设置的识别范围对屏幕数据进行二次处理，获得图片数据；利用图片识别模型识别图片数据；将识别到的结果数据进行数据校验并上传；其中，所述图片识别模型包括：判断图片数据类型并识别图片参数，将图片转换为灰度图；提取所述灰度图中数据特征；确定所述灰度图中数据特征中特征向量序列和上下文信息；计算所述特征向量序列的标签分布；所述标签转录映射得到识别结果；对识别结果预处理得到结果数据。2.根据权利要求1所述的数据采集方法，其特征在于，所述服务器获取终端设备的屏幕数据，包括：接收设置在所述终端设备的截屏程序发送的截屏数据作为所述屏幕数据；或者，接收设置在所述终端设备屏幕的相对位置的摄像头获取的照片数据作为所述屏幕数据。3.根据权利要求1所述的数据采集方法，其特征在于，所述通过预先设置的识别范围对屏幕数据进行二次处理，获得图片数据，包括：确定与所述预先设置的识别范围相对应的裁剪尺寸；按照所述裁剪尺寸对所述屏幕数据进行裁剪；将裁剪后的所述屏幕数据作为所述图片数据。4.根据权利要求1所述的数据采集方法，其特征在于，所述通过预先设置的识别范围对屏幕数据进行二次处理，获得图片数据，包括：在原始数据中设置原点、X轴、Y轴；根据所需数据的坐标与原点、X轴、Y轴形成合围区域；对合围区域进行裁剪，以获得图片数据。5.根据权利要求1所述的数据采集方法，其特征在于，所述图片识别模型包括：卷积循环神经网络CRNN的卷积层参数修改，特征向量序列提取，双向LSTM神经网络，...

【专利技术属性】
技术研发人员：宋庆华，孙皓月，刘雅军，陈勇，范晶晶，周政，王姣，余志成，张碧宁，
申请(专利权)人：河北建筑工程学院，
类型：发明
国别省市：