本發(fā)明涉及一種電子標(biāo)簽接入工業(yè)測量裝置的方法、系統(tǒng)、電子標(biāo)簽及介質(zhì)，屬于物聯(lián)網(wǎng)。

背景技術(shù)：

1、電子標(biāo)簽，其作為一種高效的信息顯示與識別工具，能夠在各種場合中便捷地展示與特定物品相對應(yīng)的詳細(xì)信息。這種標(biāo)簽通常內(nèi)嵌有微型電子芯片，能夠存儲諸如物品的名稱、規(guī)格、生產(chǎn)日期、價格以及其它重要屬性。當(dāng)需要獲取這些物品的信息時，只需通過電子設(shè)備如讀取器對標(biāo)簽進(jìn)行掃描，便能迅速地讀取并顯示其儲存的數(shù)據(jù)。這種技術(shù)的應(yīng)用極大地提高了信息處理的效率，特別是在物流、零售、倉儲管理以及生產(chǎn)線跟蹤等領(lǐng)域。

2、目前，已有部分工業(yè)測量裝置開始應(yīng)用電子標(biāo)簽進(jìn)行管理，例如變送器、密度計、流量計、氧量計等等，電子標(biāo)簽應(yīng)用在工業(yè)測量裝置上，不僅能顯示產(chǎn)品信息，還能輔助顯示測量信息，應(yīng)用效果顯著。但是工業(yè)測量裝置因安全性、適配性等問題，不同類別、型號、廠家的工業(yè)測量裝置所采用的通信協(xié)議均有可能不同，這導(dǎo)致了大部分電子標(biāo)簽都無法很好的接入工業(yè)測量裝置進(jìn)行使用。

技術(shù)實現(xiàn)思路

1、為了解決上述現(xiàn)有技術(shù)中存在的問題，本發(fā)明提出了一種電子標(biāo)簽接入工業(yè)測量裝置的方法、系統(tǒng)、電子標(biāo)簽及介質(zhì)。

2、本發(fā)明的技術(shù)方案如下：

3、一方面，本發(fā)明提供一種電子標(biāo)簽接入工業(yè)測量裝置的方法，包括以下步驟：

4、連接電子標(biāo)簽與工業(yè)測量裝置，接收工業(yè)測量裝置發(fā)出的通信信號數(shù)據(jù)；

5、對通信信號數(shù)據(jù)進(jìn)行預(yù)處理得到特征向量；

6、將特征向量輸入至預(yù)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型中，輸出通信信號數(shù)據(jù)索對應(yīng)的通信協(xié)議辨識結(jié)果；

7、電子標(biāo)簽根據(jù)通信協(xié)議辨識結(jié)果對工業(yè)測量裝置傳輸?shù)耐ㄐ艛?shù)據(jù)進(jìn)行解析，并響應(yīng)于解析結(jié)果顯示相應(yīng)內(nèi)容；

8、其中，預(yù)處理的方法具體為：

9、對通信信號數(shù)據(jù)進(jìn)行分段處理，獲取分段后的時域信號序列，并基于時域信號序列獲取頻域信號序列；

10、分別對時域信號序列和頻域信號序列進(jìn)行卷積處理，將卷積結(jié)果輸入至空間注意力模塊，輸出考慮空間注意力的特征向量。

11、作為優(yōu)選實施方式，所述分別對時域信號序列和頻域信號序列進(jìn)行卷積處理，將卷積結(jié)果輸入至空間注意力模塊，輸出考慮空間注意力的特征向量的步驟具體為：

12、對時域信號序列中的每一段子信號，進(jìn)行一維卷積處理，獲取各時域子信號的卷積特征值，將各時域子信號的卷積特征值組合為時域特征一維矩陣；

13、對頻域信號序列中的每一段子信號，進(jìn)行一維卷積處理，獲取各頻域子信號的卷積特征值，將各頻域子信號的卷積特征值組合為頻域特征一維矩陣；

14、將時域特征一維矩陣和頻域特征一維矩陣輸入至空間注意力模塊中，空間注意力模塊利用softmax函數(shù)計算空間注意力特征，具體如下：

15、

16、其中，qij為時域特征一維矩陣中第i個卷積特征值對頻域特征一維矩陣中第j個卷積特征值的空間注意力；xi為時域特征一維矩陣中第i個卷積特征值；為頻域特征一維矩陣的轉(zhuǎn)置中的第j個卷積特征值；n為分段的數(shù)量；

17、基于空間注意力特征輸出特征向量：

18、

19、其中，σ為設(shè)定的權(quán)值。

20、作為優(yōu)選實施方式，所述神經(jīng)網(wǎng)絡(luò)模型采用卷積神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)模型的預(yù)訓(xùn)練方法為：

21、獲取以不同類型通信協(xié)議發(fā)出的通信信號樣本數(shù)據(jù)；

22、對通信信號樣本數(shù)據(jù)進(jìn)行樣本增殖處理，使各類型通信協(xié)議的通信信號樣本數(shù)據(jù)數(shù)量比例維持在預(yù)設(shè)值之內(nèi)；

23、對進(jìn)行樣本增殖后的通信信號樣本數(shù)據(jù)進(jìn)行預(yù)處理，得到樣本特征向量，并對各樣本特征向量添加對應(yīng)通信協(xié)議類型的標(biāo)簽，形成訓(xùn)練樣本集；

24、將訓(xùn)練樣本集輸入至神經(jīng)網(wǎng)絡(luò)模型中，根據(jù)神經(jīng)網(wǎng)絡(luò)模型輸出的預(yù)測值與對應(yīng)標(biāo)簽值的誤差對神經(jīng)網(wǎng)絡(luò)模型的參數(shù)進(jìn)行調(diào)節(jié)，完成預(yù)訓(xùn)練。

25、作為優(yōu)選實施方式，所述基于時域信號序列獲取頻域信號序列的方法具體采用短時傅里葉變換，具體為：

26、對時域信號序列進(jìn)行頻域轉(zhuǎn)換，并計算頻譜幅度：

27、

28、其中，s(f，t)為頻譜幅度，f為頻率軸，t為時間軸，t為時域信號序列的總長度；τ為時間窗，對應(yīng)時域信號序列中子信號的序號；xt(τ)為t時刻時間窗τ的時域信號；δ(τ)為窗函數(shù)，e為自然常數(shù)，fs為采樣頻率。

29、另一方面，本發(fā)明提供一種電子標(biāo)簽接入工業(yè)測量裝置的系統(tǒng)，其特征在于，包括：

30、數(shù)據(jù)接收模塊，用于連接電子標(biāo)簽與工業(yè)測量裝置，接收工業(yè)測量裝置發(fā)出的通信信號數(shù)據(jù)；

31、預(yù)處理模塊，用于對通信信號數(shù)據(jù)進(jìn)行預(yù)處理得到特征向量；

32、協(xié)議類型辨識模塊，用于將特征向量輸入至預(yù)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型中，輸出通信信號數(shù)據(jù)索對應(yīng)的通信協(xié)議辨識結(jié)果；

33、解析模塊，設(shè)置于電子標(biāo)簽內(nèi)，用于根據(jù)通信協(xié)議辨識結(jié)果對工業(yè)測量裝置傳輸?shù)耐ㄐ艛?shù)據(jù)進(jìn)行解析，并響應(yīng)于解析結(jié)果顯示相應(yīng)內(nèi)容；

34、其中，預(yù)處理模塊對通信信號數(shù)據(jù)進(jìn)行預(yù)處理的方法具體為：

35、對通信信號數(shù)據(jù)進(jìn)行分段處理，獲取分段后的時域信號序列，并基于時域信號序列獲取頻域信號序列；

36、分別對時域信號序列和頻域信號序列進(jìn)行卷積處理，將卷積結(jié)果輸入至空間注意力模塊，輸出考慮空間注意力的特征向量。

37、作為優(yōu)選實施方式，所述預(yù)處理模塊分別對時域信號序列和頻域信號序列進(jìn)行卷積處理，將卷積結(jié)果輸入至空間注意力模塊，輸出考慮空間注意力的特征向量的步驟具體為：

38、對時域信號序列中的每一段子信號，進(jìn)行一維卷積處理，獲取各時域子信號的卷積特征值，將各時域子信號的卷積特征值組合為時域特征一維矩陣；

39、對頻域信號序列中的每一段子信號，進(jìn)行一維卷積處理，獲取各頻域子信號的卷積特征值，將各頻域子信號的卷積特征值組合為頻域特征一維矩陣；

40、將時域特征一維矩陣和頻域特征一維矩陣輸入至空間注意力模塊中，空間注意力模塊利用softmax函數(shù)計算空間注意力特征，具體如下：

41、

42、其中，qij為時域特征一維矩陣中第i個卷積特征值對頻域特征一維矩陣中第j個卷積特征值的空間注意力；xi為時域特征一維矩陣中第i個卷積特征值；為頻域特征一維矩陣的轉(zhuǎn)置中的第j個卷積特征值；n為分段的數(shù)量；

43、基于空間注意力特征輸出特征向量：

44、

45、其中，σ為設(shè)定的權(quán)值。

46、作為優(yōu)選實施方式，所述神經(jīng)網(wǎng)絡(luò)模型采用卷積神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)模型的預(yù)訓(xùn)練方法為：

47、獲取以不同類型通信協(xié)議發(fā)出的通信信號樣本數(shù)據(jù)；

48、對通信信號樣本數(shù)據(jù)進(jìn)行樣本增殖處理，使各類型通信協(xié)議的通信信號樣本數(shù)據(jù)數(shù)量比例維持在預(yù)設(shè)值之內(nèi)；

49、對進(jìn)行樣本增殖后的通信信號樣本數(shù)據(jù)進(jìn)行預(yù)處理，得到樣本特征向量，并對各樣本特征向量添加對應(yīng)通信協(xié)議類型的標(biāo)簽，形成訓(xùn)練樣本集；

50、將訓(xùn)練樣本集輸入至神經(jīng)網(wǎng)絡(luò)模型中，根據(jù)神經(jīng)網(wǎng)絡(luò)模型輸出的預(yù)測值與對應(yīng)標(biāo)簽值的誤差對神經(jīng)網(wǎng)絡(luò)模型的參數(shù)進(jìn)行調(diào)節(jié)，完成預(yù)訓(xùn)練。

51、作為優(yōu)選實施方式，所述預(yù)處理模塊基于時域信號序列獲取頻域信號序列的方法具體采用短時傅里葉變換，具體為：

52、對時域信號序列進(jìn)行頻域轉(zhuǎn)換，并計算頻譜幅度：

53、

54、其中，s(f，t)為頻譜幅度，f為頻率軸，t為時間軸，t為時域信號序列的總長度；τ為時間窗，對應(yīng)時域信號序列中子信號的序號；xt(τ)為t時刻時間窗τ的時域信號；δ(τ)為窗函數(shù)，e為自然常數(shù)，fs為采樣頻率。

55、再一方面，本發(fā)明還提供一種電子標(biāo)簽，包括本體及轉(zhuǎn)接器，所述轉(zhuǎn)接器內(nèi)設(shè)置存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機(jī)程序，所述處理器執(zhí)行所述程序時實現(xiàn)如本發(fā)明任一實施例所述的電子標(biāo)簽接入工業(yè)測量裝置的方法。

56、再一方面，本發(fā)明還提供一種計算機(jī)可讀存儲介質(zhì)，其上存儲有計算機(jī)程序，該程序被處理器執(zhí)行時實現(xiàn)如本發(fā)明任一實施例所述的電子標(biāo)簽接入工業(yè)測量裝置的方法。

57、本發(fā)明具有如下有益效果：

58、本發(fā)明對工業(yè)測量裝置的通信信號進(jìn)行時頻分解，以獲取包含時域特征和頻域特征的特征向量，繼而根據(jù)特征向量和預(yù)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型辨識通信協(xié)議的類型，根據(jù)辨識結(jié)果進(jìn)行數(shù)據(jù)解析，解決了現(xiàn)有電子標(biāo)簽無法自動適配大部分工業(yè)測量裝置的問題。