【技术实现步骤摘要】
本专利技术属于可视化仪表板生成方法，涉及一种基于深度学习的制造企业可视化仪表板生成方法。
技术介绍
1、制造企业正朝着智能化、数字化和信息化的方向转型。其中，工业大数据分析和数据可视化成为制造业智能化发展的重要方向。数据可视化技术通过将数据转化为图形、图像、视频等形式，利用人们的感知和认知能力，帮助用户从庞大而复杂的数据中挖掘有价值的信息和规律，全面了解数据特征，并支持用户进行有效的分析和推理。可视化仪表板通过组合多种数据视图，允许用户通过交互手段探索数据中隐藏的规律，使企业管理人员能够直观地观察数据之间的特征关系，为决策提供有效的信息支持。
2、目前常用的可视化仪表板构建方法有两种：第一种是用户通过使用描述性设计语言表达仪表板的结构，如通过调用基于jasvascript的开源数据可视化图表组件库(如d3、echarts等)中提供的矢量图形，在自开发的web应用中将数据转化成容易理解的图表方式；另一种方法是创建可视化应用模板，如通过使用商用的数据可视化分析工具(如tableau、power bi、datav等)中提供的图表初始化模板，结合工具提供的方便灵活的自定义操作选项，定制面向最终用户的可视化仪表板。这两种方法从不同角度为仪表板的创建过程带来更多的可访问性，包括减少用户所需专业知识和开销。但目前在制造企业构建实现可视化仪表板过程中，用户在使用这两种方法时常存在以下两方面的问题：一是用户在使用可视化图表库时，需具备一定的编程基础及开发能力；二是普通用户通过使用商用的数据可视化分析软件中提供的有限的可视化模板及交互操
3、为了解决以上问题，vazquez-ingelmo等[1]提出利用领域通用工程和代码模板自动生成定制仪表板的方法，使用代码模板连接外部人工智能算法来推断仪表板功能，以减少对编程的依赖；da col等[2]提出利用机器学习算法指导用户提供反馈和解释来定制或推荐仪表板；aksu等[3]采用一组关键性能指标及属性和值，通过决策模型推荐选择特定的图表作为可视化元素。这些方法涵盖了一些先进的仪表板设计原则、有限的代码模板及推荐算法，降低了对文本编程的依赖，然而，用户在使用这些方法创建仪表板时，仍需掌握详细的相关专业知识，并通过复杂的流程完成，这对大多数最终用户而言难度较高。
4、参考文献：
5、[1]a,f j,r,et al.connectingdomain-specific features to source code:towards the automatization ofdashboard generation[j].cluster computing,2020,23(3):1803-1816.
6、[2]da col s,ciucanu r,soare m,et al.dashbot:an ml-guided dashboardgeneration system[c]//proceedings of the 30th acm international conference oninformation&knowledge management.new york:association for computingmachinery,2021:4696-4700.
7、[3]aksua,resinas m,et al.an approach for theautomated generation of engaging dashboards[c]//proceedings of otmconfederated internationalconferences"on the move to meaningful internetsystems".cham:springer,2019:363-384.
技术实现思路
1、本专利技术的目的是提供一种基于深度学习的制造企业可视化仪表板生成方法，使用该方法可快捷地实现仪表板的创建及生成，并且可以对多个图表和背景进行协调配色。
2、本专利技术所采用的技术方案是，基于深度学习的制造企业可视化仪表板生成方法，具体按照以下步骤实施：
3、步骤1、对单阶段目标检测算法yolov5s进行改进，并使用改进后的yolov5s对图表组件进行识别，获取仪表板图像中各图表的基础信息，生成初始仪表板；
4、步骤2、引入全连接网络对步骤1生成的初始仪表板进行着色，并加入随机数生成器，以生成多套配色方案供用户选择。
5、本专利技术的特点还在于：
6、基于深度学习的制造企业可视化仪表板生成方法，还包括步骤3：
7、步骤3、对步骤2生成的推荐仪表板进行个性化配置。
8、步骤1中引入ca模块对yolov5s进行改进，具体的改进方式为：yolov5s模型整体结构由输入端input、骨干网络backbone、特征融合网络neck、输出端head这四部分组成；将ca模块应用于yolov5s网络的骨干网络backbone与特征融合网络neck之间，即完成对yolov5s模型的改进。
9、步骤1具体为：
10、步骤1.1、引入ca模块对yolov5s进行改进；
11、步骤1.2、收集数据集，对步骤1.1改进后的yolov5s模型进行训练，使其通过学习不同图表组件的特征，可以识别常见图表的类型、位置信息及置信度分数；
12、步骤1.3、将图像输入步骤1.2训练好的改进yolov5s模型，通过骨干网络提取可视化图表特征；
13、步骤1.4、将步骤1.3提取的特征图输入到ca注意力模块中，通过精确定位提取对目标区域更有判别力的特征表示，增强网络对各类型图表特征的学习能力；
14、步骤1.5、将步骤1.4提取的特征输入到neck模块中加强网络的语义特征和位置信息的提取，并进行多维特征融合；
15、步骤1.6、通过损失函数进行计算预测，输出结果；
16、步骤1.7、使用轻量级框架将改进的yolov5s模型部署到web中，并封装多类可视化图表代码形成组件代码库；
17、步骤1.8、服务器根据步骤1.6的模型识别结果中的图表类型及置信度分数，调用封装好的图表组件代码生成多个图表组件，并根据其位置信息将多个图表组合成可进一步交互配置的初始仪表板。
18、步骤1.2中的数据集包括计算机生成的仪表板图像和手绘的设计草图。
19、步骤1.2中对改进的yolov5s模型训练的硬件环境为windows10操作系统，使用nvidia geforce rtx2070显卡进行运算，基于pytorch深度学习框架进行模型训练，gpu加速计算方面采用cuda12.0本文档来自技高网...
【技术保护点】
1.基于深度学习的制造企业可视化仪表板生成方法，其特征在于，具体按照以下步骤实施：
2.根据权利要求1所述的基于深度学习的制造企业可视化仪表板生成方法，其特征在于，还包括步骤3：
3.根据权利要求1所述的基于深度学习的制造企业可视化仪表板生成方法，其特征在于，步骤1中引入CA模块对YOLOv5s进行改进，具体的改进方式为：YOLOv5s模型整体结构由输入端Input、骨干网络Backbone、特征融合网络Neck、输出端Head这四部分组成；将CA模块应用于YOLOv5s网络的骨干网络Backbone与特征融合网络Neck之间，即完成对YOLOv5s模型的改进。
4.根据权利要求3所述的基于深度学习的制造企业可视化仪表板生成方法，其特征在于，步骤1具体为：
5.根据权利要求4所述的基于深度学习的制造企业可视化仪表板生成方法，其特征在于，步骤1.2中的数据集包括计算机生成的仪表板图像和手绘的设计草图。
6.根据权利要求4所述的基于深度学习的制造企业可视化仪表板生成方法，其特征在于，步骤1.2中对改进的YOLOv5s模型训练
7.根据权利要求4所述的基于深度学习的制造企业可视化仪表板生成方法，其特征在于，步骤1.2中对改进的YOLOv5s模型进行训练时，模型初始学习率为0.01，批处理大小为8，训练周期为100轮。
...【技术特征摘要】
1.基于深度学习的制造企业可视化仪表板生成方法，其特征在于，具体按照以下步骤实施：
2.根据权利要求1所述的基于深度学习的制造企业可视化仪表板生成方法，其特征在于，还包括步骤3：
3.根据权利要求1所述的基于深度学习的制造企业可视化仪表板生成方法，其特征在于，步骤1中引入ca模块对yolov5s进行改进，具体的改进方式为：yolov5s模型整体结构由输入端input、骨干网络backbone、特征融合网络neck、输出端head这四部分组成；将ca模块应用于yolov5s网络的骨干网络backbone与特征融合网络neck之间，即完成对yolov5s模型的改进。
4.根据权利要求3所述的基于深度学习的制造企业可视化仪表板生成方法，其特征在于，步骤1具体为：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。