基于深度学习的光电传感器的测量方法及设备与流程

本技术涉及深度学习，尤其涉及一种基于深度学习的光电传感器的测量方法及设备。

背景技术：

1、光电传感器因其测量原理简单，已广泛应用到诸多领域。以智能制造设备领域为例，光电传感器可以设置在智能制造设备的转子附近，此时，转子的转动会对光线产生间歇性的遮挡，使得光电传感器能够被触发产生电信号，并对电信号进行计数，从而测得智能制造设备的设备转速。

2、但是，光电传感器的测量容易受到环境的影响，导致测得的设备转速可能不准确。

技术实现思路

1、本技术实施例提供一种基于深度学习的光电传感器的测量方法及设备，以提高通过光电传感器进行测速的准确性。

2、为达到上述目的，本技术采用如下技术方案：

3、第一方面，提供一种基于深度学习的光电传感器的测量方法，至少一个光电传感器设置在智能制造设备的不同位置，该方法包括：获取至少一个光电传感器中每个光电传感器在第一时间段内采集的设备转速集合，共至少一个设备转速集合，至少一个设备转速集合中的每个设备转速集合均包含智能制造设备在第一时间段内的多个时刻下的设备转速；使用神经网络模型，对至少一个设备转速集合进行处理，得到智能制造设备在第一时间段内的设备转速变化。

4、基于第一方面所述的方法可知，在至少一个光电传感器测得第一时间段的至少一个设备转速集合后，可以通过神经网络对至少一个设备转速集合进行误差修正，如此得到的智能制造设备在第一时间段内的设备转速变化能够更接近其实际的设备转速变化，从而提高通过光电传感器进行测速的准确性。

5、一种可能的设计方案，在至少一个光电传感器为多个的情况下，至少一个设备转速集合为多个设备转速集合；使用神经网络模型，对至少一个设备转速集合进行处理，得到智能制造设备在第一时间段内的设备转速变化，包括：使用神经网络模型的特征映射层，将多个设备转速集合映射为第一矩阵，其中，第一矩阵中每一列向量中的元素用于表征多个设备转速集合中对应的一个设备转速集合中的设备转速，或者，第一矩阵中每一行向量中的元素用于表征多个设备转速集合中对应的一个设备转速集合中的设备转速；使用神经网络模型的特征处理层，对第一矩阵进行处理，得到智能制造设备在第一时间段内的设备转速变化。

6、可以理解，在多个设备转速集合的情况下，可以采用行或列映射的方式，将其映射为第一矩阵，也即，实现图像化处理，此时，第一矩阵可以看做二维的图像，以确保后续神经网络能对其识别和处理。

7、可选地，使用神经网络模型的特征映射层，将多个设备转速集合映射为第一矩阵，包括：使用神经网络模型的特征映射层，将多个设备转速集合中每个设备转速集合的设备转速转换为rgb值，得到转换后的多个设备转速集合。其中，一个设备转速的值可以被作为rgb中的任一值，如r值，此时，g值和b值可以被置为预设值，如0。例如，设备转速为64转每秒，作为rgb值，其可以被表示为：“64、0、0”。在此基础上，可以使用神经网络模型的特征映射层，将转换后的多个设备转速集合映射为第一矩阵。

8、可选地，使用神经网络模型的特征处理层，对第一矩阵进行处理，得到智能制造设备在第一时间段内的设备转速变化，包括：使用神经网络模型的特征处理层，对第一矩阵进行卷积处理，得到卷积后的特征向量；使用神经网络模型的特征处理层，对卷积后的特征向量进行激活处理，得到智能制造设备在第一时间段内的设备转速变化。可以看出，特征处理层的结构可以是常规的cnn结构，也即，通过对设备转速集合进行图像化处理，可实现复用已有的神经网络来完成对设备转速进行误差修正。因此，相较于设计或定义新的网络结构，其实现难度更低，更便于实际应用。

9、另一种可能的设计方案，在至少一个光电传感器为多个的情况下，至少一个设备转速集合为多个设备转速集合；使用神经网络模型，对至少一个设备转速集合进行处理，得到智能制造设备在第一时间段内的设备转速变化，包括：使用神经网络模型的特征映射层，将多个设备转速集合映射为第二矩阵，其中，第二矩阵中对角线上的每个元素用于表征多个设备转速集合中对应的一个设备转速集合中的设备转速，第二矩阵中除对角线以外的位置上的元素被配置为预设值；使用神经网络模型的特征处理层，对第二矩阵进行处理，得到智能制造设备在第一时间段内的设备转速变化。

10、可以理解，在多个设备转速集合的情况下，也可以采用对角线映射的方式，将其映射为第二矩阵，此时，相较于上述的设计方案，其能够简化矩阵结构，从而可以降低后续的运算量，提高处理效率。

11、可选地，使用神经网络模型的特征映射层，将多个设备转速集合映射为第二矩阵，包括：使用神经网络模型的特征映射层，将多个设备转速集合中每个设备转速集合中的三个设备转速作为rgb值，如三个设备转速分布作为r值，g值和b值，从而得到多个rgb值。在此基础上，可以使用神经网络模型的特征映射层，将多个rgb值依次映射到矩阵的对角线上，得到第二矩阵。

12、可选地，使用神经网络模型的特征处理层，对第二矩阵进行处理，得到智能制造设备在第一时间段内的设备转速变化，包括：使用神经网络模型的特征处理层，对第二矩阵进行卷积处理，得到卷积后的特征向量；使用神经网络模型的特征处理层，对卷积后的特征向量进行激活处理，得到智能制造设备在第一时间段内的设备转速变化。可以看出，特征处理层的结构可以是常规的cnn结构，也即，通过对设备转速集合进行图像化处理，可实现复用已有的神经网络来完成对设备转速进行误差修正。因此，相较于设计或定义新的网络结构，其实现难度更低，更便于实际应用。

13、再一种可能的设计方案，在至少一个光电传感器为一个的情况下，至少一个设备转速集合为一个设备转速集合；使用神经网络模型，对至少一个设备转速集合进行处理，得到智能制造设备在第一时间段内的设备转速变化，包括：使用神经网络模型的特征映射层，将设备转速集合映射为第二矩阵，其中，第二矩阵中对角线上的元素用于表征设备转速集合中的设备转速，第二矩阵中除对角线以外的位置上的元素被配置为预设值；使用神经网络模型的特征处理层，对第二矩阵进行处理，得到智能制造设备在第一时间段内的设备转速变化。

14、可以理解，在只有一个设备转速集合的情况下，仍可以采用对角线映射的方式，将其映射为第三矩阵，以确保后续神经网络能对其识别和处理。

15、可选地，使用神经网络模型的特征映射层，将设备转速集合映射为第二矩阵，包括：使用神经网络模型的特征映射层，将设备转速集合的设备转速转换为rgb值，得到转换后的设备转速集合；使用神经网络模型的特征映射层，将转换后的设备转速集合映射为第二矩阵。

16、可选地，使用神经网络模型的特征处理层，使用神经网络模型的特征处理层，对第二矩阵进行处理，得到智能制造设备在第一时间段内的设备转速变化，包括：使用神经网络模型的特征处理层，对第二矩阵进行卷积处理，得到卷积后的特征向量；使用神经网络模型的特征处理层，对卷积后的特征向量进行激活处理，得到智能制造设备在第一时间段内的设备转速变化。可以看出，特征处理层的结构可以是常规的cnn结构，也即，通过对设备转速集合进行图像化处理，可实现复用已有的神经网络来完成对设备转速进行误差修正。因此，相较于设计或定义新的网络结构，其实现难度更低，更便于实际应用。

17、第二方面，提供电子设备，该电子设备应用于智能制造设备，该智能制造设备的不同位置设置有至少一个光电传感器，该电子设备包括：收发模块，用于获取至少一个光电传感器中每个光电传感器在第一时间段内采集的设备转速集合，共至少一个设备转速集合，至少一个设备转速集合中的每个设备转速集合均包含智能制造设备在第一时间段内的多个时刻下的设备转速；处理模块，用于使用神经网络模型，对至少一个设备转速集合进行处理，得到智能制造设备在第一时间段内的设备转速变化。

18、一种可能的设计方案，在至少一个光电传感器为多个的情况下，至少一个设备转速集合为多个设备转速集合；处理模块，用于使用神经网络模型的特征映射层，将多个设备转速集合映射为第一矩阵，其中，第一矩阵中每一列向量中的元素用于表征多个设备转速集合中对应的一个设备转速集合中的设备转速，或者，第一矩阵中每一行向量中的元素用于表征多个设备转速集合中对应的一个设备转速集合中的设备转速；处理模块，用于使用神经网络模型的特征处理层，对第一矩阵进行处理，得到智能制造设备在第一时间段内的设备转速变化。

19、可选地，处理模块，用于使用神经网络模型的特征映射层，将多个设备转速集合中每个设备转速集合的设备转速转换为rgb值，得到转换后的多个设备转速集合。

20、可选地，处理模块，用于使用神经网络模型的特征处理层，对第一矩阵进行卷积处理，得到卷积后的特征向量；处理模块，用于使用神经网络模型的特征处理层，对卷积后的特征向量进行激活处理，得到智能制造设备在第一时间段内的设备转速变化。

21、另一种可能的设计方案，在至少一个光电传感器为多个的情况下，至少一个设备转速集合为多个设备转速集合；处理模块，用于使用神经网络模型的特征映射层，将多个设备转速集合映射为第二矩阵，其中，第二矩阵中对角线上的每个元素用于表征多个设备转速集合中对应的一个设备转速集合中的设备转速，第二矩阵中除对角线以外的位置上的元素被配置为预设值；处理模块，用于使用神经网络模型的特征处理层，对第二矩阵进行处理，得到智能制造设备在第一时间段内的设备转速变化。

22、可选地，处理模块，用于使用神经网络模型的特征映射层，将多个设备转速集合中每个设备转速集合中的三个设备转速作为rgb值，得到多个rgb值。处理模块，用于使用神经网络模型的特征映射层，将多个rgb值依次映射到矩阵的对角线上，得到第二矩阵。

23、可选地，处理模块，用于使用神经网络模型的特征处理层，对第二矩阵进行卷积处理，得到卷积后的特征向量；处理模块，用于使用神经网络模型的特征处理层，对卷积后的特征向量进行激活处理，得到智能制造设备在第一时间段内的设备转速变化。

24、再一种可能的设计方案，在至少一个光电传感器为一个的情况下，至少一个设备转速集合为一个设备转速集合；处理模块，用于使用神经网络模型的特征映射层，将设备转速集合映射为第二矩阵，其中，第二矩阵中对角线上的元素用于表征设备转速集合中的设备转速，第二矩阵中除对角线以外的位置上的元素被配置为预设值；处理模块，用于使用神经网络模型的特征处理层，对第二矩阵进行处理，得到智能制造设备在第一时间段内的设备转速变化。

25、可选地，处理模块，用于使用神经网络模型的特征映射层，将设备转速集合的设备转速转换为rgb值，得到转换后的设备转速集合；处理模块，用于使用神经网络模型的特征映射层，将转换后的设备转速集合映射为第二矩阵。

26、可选地，处理模块，用于使用神经网络模型的特征处理层，对第二矩阵进行卷积处理，得到卷积后的特征向量；处理模块，用于使用神经网络模型的特征处理层，对卷积后的特征向量进行激活处理，得到智能制造设备在第一时间段内的设备转速变化。

27、可选地，第二方面所述的电子设备还可以包括存储模块，该存储模块存储有程序或指令。当该处理模块执行该程序或指令时，使得该电子设备可以执行第一方面所述的方法。

28、需要说明的是，第二方面所述的电子设备可以是终端，也可以是可设置于针对中的芯片(系统)或其他部件或组件，还可以是包含终端的装置，本技术对此不做限定。

29、此外，第二方面所述的电子设备的技术效果可以参考第一方面所述的方法的技术效果，此处不再赘述。

30、第三方面，提供了一种电子设备，包括：处理器和存储器；该存储器用于存储计算机程序，当该处理器执行该计算机程序时，以使该电子设备执行第一方面所述的基于深度学习的光电传感器的测量方法。

31、在一种可能的设计方案中，第三方面所述的电子设备还可以包括收发器。该收发器可以为收发电路或接口电路。该收发器可以用于第三方面所述的电子设备与其他电子设备通信。

32、在本技术中，第三方面所述的电子设备可以为终端，或者可设置于该针对中的芯片(系统)或其他部件或组件，或者包含该终端的装置。

33、此外，第三方面所述的电子设备的技术效果可以参考第一方面所述的基于深度学习的光电传感器的测量方法的技术效果，此处不再赘述。

34、第四方面，提供一种计算机可读存储介质，包括：计算机程序或指令；当该计算机程序或指令在计算机上运行时，使得该计算机执行第一方面所述的基于深度学习的光电传感器的测量方法。

35、第五方面，提供一种计算机程序产品，包括：计算机程序或指令，当该计算机程序或指令在计算机上运行时，使得该计算机执行第一方面所述的基于深度学习的光电传感器的测量方法。