CN117787575A - 一种碳监控方法及装置 - Google Patents
一种碳监控方法及装置 Download PDFInfo
- Publication number
- CN117787575A CN117787575A CN202410212988.1A CN202410212988A CN117787575A CN 117787575 A CN117787575 A CN 117787575A CN 202410212988 A CN202410212988 A CN 202410212988A CN 117787575 A CN117787575 A CN 117787575A
- Authority
- CN
- China
- Prior art keywords
- product
- data
- identification code
- image
- carbon
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 233
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 233
- 238000012544 monitoring process Methods 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000004519 manufacturing process Methods 0.000 claims abstract description 51
- 230000004044 response Effects 0.000 claims abstract description 24
- 238000011084 recovery Methods 0.000 claims description 91
- 230000006835 compression Effects 0.000 claims description 52
- 238000007906 compression Methods 0.000 claims description 52
- 230000004927 fusion Effects 0.000 claims description 52
- 238000011176 pooling Methods 0.000 claims description 43
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 42
- 230000006837 decompression Effects 0.000 claims description 18
- 238000013139 quantization Methods 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 14
- 238000012508 change request Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 10
- 238000012806 monitoring device Methods 0.000 claims description 7
- 230000001960 triggered effect Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 description 17
- 238000004364 calculation method Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004064 recycling Methods 0.000 description 5
- 239000002994 raw material Substances 0.000 description 4
- 238000010521 absorption reaction Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000001351 cycling effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004177 carbon cycle Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000002283 diesel fuel Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012946 outsourcing Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供了一种碳监控方法及装置,涉及碳循环技术领域。该方法包括:确定监测产品的原产品数据,所述原产品数据包括所述监测产品在生产阶段中的第一碳排放数据以及原产品图像;基于由所述原产品图像转换成的原产品图像向量与所述第一碳排放数据,生成与所述监测产品相映射的标识码;响应于对所述标识码的触发操作,确定所述监测产品在除生产阶段外的其他阶段中的产品数据,并基于所确定的产品数据更新所述标识码,其中,所述产品数据包含所述原产品数据及针对其他产品的其他产品数据中的至少一项,所述标识码记录有所发生阶段的相关产品数据。本申请实施例提高了碳监控的可靠性。
Description
技术领域
本申请涉及碳循环技术领域,具体而言,本申请涉及一种碳监控方法及装置。
背景技术
可再生资源是指能够自然更新或回收利用的能源和材料资源,包括但不限于木材、纸张、植物纤维、金属等。这些可再生资源在使用的过程中与碳循环存在密切关系。碳循环是指碳在地球上不断循环的过程,包括碳的吸收、储存、释放和再利用。然而,碳循环是复杂的、多样的、不稳定的,针对可再生资源的完整碳循环过程的监控难度大,但对于一些使用模式较为固定的可再生资源进行碳监控是可行的。针对可再生资源的碳监控,可助于了解和评估不同活动对环境的影响,包括碳排放、碳吸收和碳储存等,从而采取相应措施来降低碳排放、增加碳吸收和改善碳循环过程,起到保护环境和生态***的作用。
针对可再生资源的碳监控,现有技术主要针对碳的排放环节,如专利CN116777115A提出了一种“一种园区碳监控***及碳管理规划方法”,其利用碳监控***中的直接碳排放监控***和间接碳排放监控***分别对园区内的固定燃烧源等直接碳排放源和外购电能等间接碳排放源进行监控和数据收集,以达到碳监控的目的。并且,现有技术主要针对固定地点或固定场景进行碳监控,由于该固定地点或固定场景的可控性高,资源的流向容易监控,但对于流动性高且流动面广泛的资源则不再适用。因此,现有的碳监控技术的适用范围受限,可靠性较低。
发明内容
本申请实施例提供了一种碳监控方法及装置,用于解决现有的碳监控技术的适用范围受限,可靠性较低的技术问题。
根据本申请实施例的一个方面,提供了一种碳监控方法,包括:
确定监测产品的原产品数据,所述原产品数据包括所述监测产品在生产阶段中的第一碳排放数据以及原产品图像;
基于由所述原产品图像转换成的原产品图像向量与所述第一碳排放数据,生成与所述监测产品相映射的标识码;
响应于对所述标识码的触发操作,确定所述监测产品在除生产阶段外的其他阶段中的产品数据,并基于所确定的产品数据更新所述标识码,其中,所述产品数据包含所述原产品数据及针对其他产品的其他产品数据中的至少一项,所述标识码记录有所发生阶段的相关产品数据。
在一个可能的实现方式中,通过如下步骤获取所述原产品图像向量,包括:
构建图像压缩模型,其中,所述图像压缩模型包括语义模型以及压缩模型,所述压缩模型由残差网络及量化网络构成;
通过所述语义模型对所述原产品图像进行语义提取,以获得语义特征,所述语义特征包括实例位置数据、实例判别数据及图像语义结果;
通过所述残差网络对所述原产品图像、所述实例位置数据及所述实例判别数据进行残差分析,并通过所述量化网络对所述残差网络的输出以及所述图像语义结果进行特征融合,以输出与所述原产品图像相应的原产品压缩图像;
将所述原产品压缩图像转换为原产品图像向量。
在一个可能的实现方式中,所述语义模型包括级联排序的n个卷积池化层,;所述残差网络包括级联排序的第一残差单元、第二残差单元以及第一卷积层,所述第一残差单元包括级联排序布设的多个第二卷积层,所述第二残差单元包括级联排序布设的多个第三卷积层;所述量化网络包括级联排序的多个点卷积层;
通过所述图像压缩模型执行以下步骤,包括:
将所述原产品图像作为第一个卷积池化层的输入以及排序在首端的第二卷积层的输入;
针对第a个卷积池化层输出的所述实例位置数据,以及排序在末端的第二卷积层的输出进行特征融合,得到第一融合特征,并将所述第一融合特征作为排序在首端的第三卷积层的输入;其中,;
针对第b个卷积池化层输出的所述实例判别数据,以及排序在末端的第三卷积层的输出进行特征融合,得到第二融合特征,并将所述第二融合特征作为所述第一卷积层的输入,使得将所述第一卷积层的输出作为所述残差网络的输出;其中,且/>;
针对第n个卷积池化层输出的所述图像语义结果,以及所述残差网络的输出进行特征融合,得到第三融合特征,并将所述第三融合特征作为排序在首端的点卷积层的输入,使得由排序在末端的点卷积层输出所述原产品压缩图像。
在一个可能的实现方式中,所述基于由所述原产品图像转换成的原产品图像向量与所述第一碳排放数据,生成与所述监测产品相映射的标识码,包括:
将所述第一碳排放数据拓展为指定位数的码值,并将所述码值添加到所述原产品图像向量的数位之后,以构成原产品向量;
基于所述原产品向量生成相应的标识码,使得将所述监测产品在生产阶段中的所述原产品向量记录于所述标识码中,并将所述标识码展示在所述监测产品上。
在一个可能的实现方式中,所述响应于对所述标识码的触发操作,确定所述监测产品在除生产阶段外的其他阶段中的产品数据,并基于所确定的产品数据更新所述标识码,包括:
响应于对所述标识码的触发操作,获取所述监测产品在运输阶段中的包含第二碳排放数据的原产品数据;
基于所述第二碳排放数据更新所述原产品向量,使得基于新的原产品向量更新所述标识码,并将所述监测产品在运输阶段中的所述新的原产品向量写入所述标识码。
在一个可能的实现方式中,所述响应于对所述标识码的触发操作,确定所述监测产品在除生产阶段外的其他阶段中的产品数据,并基于所确定的产品数据更新所述标识码,还包括:
在检测所述监测产品在流通阶段中衍生出至少一个衍生产品时,则响应于对所述标识码的触发操作,向所触发的用户终端发送更改指令;
响应于所述用户终端发送的更改请求,获取所述更改请求携带的针对所述衍生产品的衍生产品数据,其中,所述更改请求由所述用户终端触发所述更改指令后发送,所述衍生产品数据包含衍生产品图像、衍生产品数量以及所述衍生产品在流通阶段中的第三碳排放数据;
通过所述图像压缩模型对所述衍生产品图像进行图像压缩,以获得衍生产品压缩图像,并将所述衍生产品压缩图像转换为衍生产品图像向量;
将所述第三碳排放数据添加到所述衍生产品图像向量的数位之后,以构成衍生产品向量;
基于所述衍生产品向量更新所述标识码,并将所述衍生产品向量记录于所述标识码中。
在一个可能的实现方式中,所述响应于对所述标识码的触发操作,确定所述监测产品在除生产阶段外的其他阶段中的产品数据,并基于所确定的产品数据更新所述标识码,还包括:
在检测所述监测产品在流通阶段中衍生出至少一个衍生产品时,则响应于对所述标识码的触发操作,获取发生改变后的监测产品在回收阶段中的包含第一碳回收数据的衍生产品数据,并基于所述第一碳回收数据与所述衍生产品数量,生成第一回收向量,使得依据所述第一回收向量更新所述标识码,并将所述第一回收向量写入所述标识码;或,
在检测所述监测产品在流通阶段中未衍生出其他产品时,则响应于对所述标识码的触发操作,获取针对所述监测产品在回收阶段的包含第二碳回收数据的原产品数据,以生成第二回收向量,使得依据所述第二回收向量更新所述标识码,将所述第二回收向量写入所述标识码。
在一个可能的实现方式中,所述方法还包括:
从所述标识码中提取出所记录的所述原产品向量;
将所述原产品向量还原为相应的压缩图像;
通过预先构建的解压缩模型对所还原的压缩图像进行解压缩,以确定产品原始图像;
基于所述产品原始图像对所发生阶段的碳排放数据以及碳回收数据进行核验;其中,所述碳排放数据包括所述第一碳排放数据、所述第二碳排放数据及所述第三碳排放数据中的至少一项,所述碳回收数据包括所述第一碳回收数据或所述第二碳回收数据。
在一个可能的实现方式中,所述解压缩模型包括级联排序布设的多个第一残差块、金字塔注意力网络以及多个第二残差块;所述第一残差块包括级联排序的一个或多个第四卷积层,所述第二残差块包括级联排序的一个或多个第五卷积层,使得在每一第一残差块和第二残差块中均形成从第一个特征到最后一个特征的全局路径。
根据本申请实施例的另一个方面,提供了一种碳监控装置,包括:
数据获取模块,用于确定监测产品的原产品数据,所述原产品数据包括所述监测产品在生产阶段中的第一碳排放数据以及原产品图像;
标识码形成模块,用于基于由所述原产品图像转换成的原产品图像向量与所述第一碳排放数据,生成与所述监测产品相映射的标识码;
更新模块,用于响应于对所述标识码的触发操作,确定所述监测产品在除生产阶段外的其他阶段中的产品数据,并基于所确定的产品数据更新所述标识码,其中,所述产品数据包含所述原产品数据及针对其他产品的其他产品数据中的至少一项,所述标识码记录有所发生阶段的相关产品数据。
本申请实施例提供的技术方案带来的有益效果是:
本申请实施例提供的一种碳监控方法,通过确定监测产品的原产品数据,所述原产品数据包括所述监测产品在生产阶段中的第一碳排放数据以及原产品图像,继而基于由所述原产品图像转换成的原产品图像向量与所述第一碳排放数据,生成与所述监测产品相映射的标识码,从而响应于对所述标识码的触发操作,确定所述监测产品在除生产阶段外的其他阶段中的产品数据,并基于所确定的产品数据更新所述标识码,其中,所述产品数据包含所述原产品数据及针对其他产品的其他产品数据中的至少一项,所述标识码记录有所发生阶段的相关产品数据,这样通过由监测产品的产品图像以及其在生产阶段的碳排放数据确定用于表征监测产品的标识码,使得该标识码切合监测产品的特征,并保证了标识码的唯一性和便利性,继而利用该标识码实现对产品的生产、运输、流通、回收等阶段的碳监测,不局限于固定地点或固定场景,解决了现有的碳监控技术的适用范围受限,可靠性较低的问题,能够适用于监控流动性高且流动面广泛的资源的复杂场景,大大提高了碳监控的可靠性。
附图说明
图1为本申请实施例提供的一种碳监控方法的流程示意图;
图2为本申请一个示例性实施例提供的图像压缩模型的结构示意图;
图3为本申请一个示例性实施例提供的解压缩模型的结构示意图;
图4为本申请实施例提供的一种碳监控装置的结构示意图。
附图标记:
21、语义模型;22、残差网络;23、量化网络;221、第一残差单元;222、第二残差单元;223、第一卷积层;300、解压缩模型;400、碳监控装置;401、数据获取模块;402、标识码形成模块;403、更新模块。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
实施例一
图1为本申请实施例提供的一种碳监控方法的流程示意图,该碳监控方法包括步骤S101至S103。
S101、确定监测产品的原产品数据,所述原产品数据包括所述监测产品在生产阶段中的第一碳排放数据以及原产品图像。
在本申请中,原产品图像由设置在生产流水线上的摄像设备或手持摄像头拍摄得到。第一碳排放数据包括但不限于原材料的碳排放数据、生产消耗能源的碳排放数据、生产过程的碳排放数据以及生产废弃物的碳排放数据。其中,原材料的碳排放数据由原材料的类别、重量、碳因子决定;生产消耗能源的碳排放数据通常指电能,由所消耗的能源量和碳因子决定;生产过程的碳排放数据指在生产阶段中由原材料化学及物理性质发生改变而产生的碳排放量,由于不同产品的生产工艺不同,此处的计算原则随生产工艺而定;生产废弃物的碳排放数据取决于废弃物的类别、重量、碳因子。例如,纸制品在生产阶段所需的碳排放量。
S102、基于由所述原产品图像转换成的原产品图像向量与所述第一碳排放数据,生成与所述监测产品相映射的标识码。
示例性的,该标识码可以是二维码、条形码等。在本申请中,通过由监测产品的原产品图像以及其在生产阶段的第一碳排放数据生成用于表征监测产品的标识码,使得该标识码切合监测产品的特征,并随监测产品特征的变化而更新,体现了标识码与该监测产品之间的映射关系,保证了该标识码的唯一性和便利性。同时,本申请避免了利用随机、人工指定等形式生成标识码而带来的不便,提高了生成标识码的效率和准确度。
S103、响应于对所述标识码的触发操作,确定所述监测产品在除生产阶段外的其他阶段中的产品数据,并基于所确定的产品数据更新所述标识码,其中,所述产品数据包含所述原产品数据及针对其他产品的其他产品数据中的至少一项,所述标识码记录有所发生阶段的相关产品数据。
在本申请中,原产品数据包括监测产品在生产、运输、流通、回收等阶段中的相关数据,该相关数据是产品图像、产品图像向量、碳排放数据、碳回收数据及产品向量中的至少一项,例如,上述监测产品在生产阶段中的原产品数据包含原产品图像、第一碳排放数据以及由原产品图像生成的原产品图像向量。
需要说明的是,监测产品在使用过程(如运输、流通、回收等阶段)中可能产品自身发生变化而衍生出一个或多个其他产品(即衍生产品),也就是说,从监测产品的原始形态改变为一个或多个衍生产品,如以此产品为材料基础的衍生产品。由此,其他产品数据可以是针对由监测产品衍生出的衍生产品在生产、运输、流通、回收等阶段中的相关数据,同理的,该相关数据是产品图像、产品图像向量、碳排放数据、碳回收数据及产品向量中的至少一项。
本申请将监测产品所发生阶段中的相关产品数据记录在标识码中,使得通过对该标识码的触发操作,实现读取该标识码中所记录的数据。以及,响应对该标识码的触发操作,在所触发的用户终端显示“记录”、“更改”等指令控件,即向该用户终端发送记录指令、更改指令等操作指令,使得用户通过触发指令控件,返回相应的操作请求,并输入相应的产品数据,从而将相关产品数据记录在标识码中。其中,记录指令用于指示获取并更新与监测产品相关的原产品数据,更改指令用于指示获取与其他产品相关的其他产品数据,但不限于此。因此,本申请利用标识码记录监测产品在所发生阶段的相关产品数据,实现针对产品的碳监控。
本实施例提供的一种碳监控方法,通过确定监测产品的原产品数据,所述原产品数据包括所述监测产品在生产阶段中的第一碳排放数据以及原产品图像,继而基于由所述原产品图像转换成的原产品图像向量与所述第一碳排放数据,生成与所述监测产品相映射的标识码,从而响应于对所述标识码的触发操作,确定所述监测产品在除生产阶段外的其他阶段中的产品数据,并基于所确定的产品数据更新所述标识码,其中,所述产品数据包含所述原产品数据及针对其他产品的其他产品数据中的至少一项,所述标识码记录有所发生阶段的相关产品数据,这样通过由监测产品的产品图像以及其在生产阶段的碳排放数据确定用于表征监测产品的标识码,使得该标识码切合监测产品的特征,并保证了标识码的唯一性和便利性,继而利用该标识码实现对产品的生产、运输、流通、回收等阶段的碳监测,不局限于固定地点或固定场景,解决了现有的碳监控技术的适用范围受限,可靠性较低的问题,能够适用于监控流动性高且流动面广泛的资源的复杂场景,大大提高了碳监控的可靠性。
在一些实施例中,针对步骤S102,通过如下步骤获取所述原产品图像向量,包括:
构建图像压缩模型,其中,所述图像压缩模型包括语义模型以及压缩模型,所述压缩模型由残差网络及量化网络构成;
通过所述语义模型对所述原产品图像进行语义提取,以获得语义特征,所述语义特征包括实例位置数据、实例判别数据及图像语义结果;
通过所述残差网络对所述原产品图像、所述实例位置数据及所述实例判别数据进行残差分析,并通过所述量化网络对所述残差网络的输出以及所述图像语义结果进行特征融合,以输出与所述原产品图像相应的原产品压缩图像;
将所述原产品压缩图像转换为原产品图像向量。
在本实施例中,将原产品图像输入到图像压缩模型中,以进行图像压缩,输出原产品压缩图像,继而将原产品压缩图像从一个3通道RGB图像转换为原产品图像向量,其维度为1×192。具体的,本实施例提出构建基于语义信息的图像压缩模型,该图像压缩模型具有相连接的语义模型和压缩模型。其中,语义模型为FCN模型,其负责提取图像中不同维度的语义特征并辅助压缩模型进行图形压缩。压缩模型由残差网络及量化网络组成,残差网络的本质是分组卷积的叠加,并通过变量基数来控制组的数量以达到轻量化的目的。示例性的,残差网络可以是ResNeXt网络,ResNeXt网络的作用主要是增强卷积神经网络的表达能力,通过重复多个block块组成,每个block块聚合了多种转换,同时考虑到跨层连接。在不增加模型复杂度的情况下,通过改良模型设计来提升模型性能。
因此,本实施例通过语义模型提取图像中较为重要的语义特征信息,有效地去除图像中的冗余信息,提高了语义特征的准确度,并保证了图像压缩的效率。同时,通过提取图像的语义特征进行图像压缩,压缩后的图像具有较多的信息量,仍然能够保持图像中足够的细节和特征,从而保持较高的质量,减少失真。
基于上述实施例,在一些实施例中,所述语义模型包括级联排序的n个卷积池化层,;所述残差网络包括级联排序的第一残差单元、第二残差单元以及第一卷积层,所述第一残差单元包括级联排序布设的多个第二卷积层,所述第二残差单元包括级联排序布设的多个第三卷积层;所述量化网络包括级联排序的多个点卷积层;
通过所述图像压缩模型执行以下步骤,包括:
将所述原产品图像作为第一个卷积池化层的输入以及排序在首端的第二卷积层的输入;
针对第a个卷积池化层输出的所述实例位置数据,以及排序在末端的第二卷积层的输出进行特征融合,得到第一融合特征,并将所述第一融合特征作为排序在首端的第三卷积层的输入;其中,;
针对第b个卷积池化层输出的所述实例判别数据,以及排序在末端的第三卷积层的输出进行特征融合,得到第二融合特征,并将所述第二融合特征作为所述第一卷积层的输入,使得将所述第一卷积层的输出作为所述残差网络的输出;其中,且/>;
针对第n个卷积池化层输出的所述图像语义结果,以及所述残差网络的输出进行特征融合,得到第三融合特征,并将所述第三融合特征作为排序在首端的点卷积层的输入,使得由排序在末端的点卷积层输出所述原产品压缩图像。
在本实施例中,参见图2为本申请一个示例性实施例提供的图像压缩模型的结构示意图,图像压缩模型包括语义模型21以及压缩模型,所述压缩模型由残差网络22及量化网络23构成。语义模型21包含级联排序的五个卷积池化层,卷积池化层用于提取原产品图像的语义特征。具体的,卷积池化层起到特征提取、下采样、降维等作用,每一卷积池化层可执行以下步骤:通过卷积核对所输入的图像进行卷积操作,如提取输入图像中的局部特征,得到特征图;执行下采样操作,将输入图像的大小缩小,同时保留重要的特征信息,这样不仅能够降低了语义模型的复杂性,提高了计算效率,还能够防止过拟合现象的出现;实现非线性转换,助于提取窗口内的重要特征;扩大感知野,实现特征压缩和简化网络复杂度。更具体的,卷积池化层在训练时使用完整的FCN结构(该结构包含第六个卷积池化层和第七个卷积池化层,待训练完成后去除第六个卷积池化层和第七个卷积池化层,只保留如图2所示的前五个卷积池化层)按照语义分割的任务标准进行训练,并利用损失函数为网络的优化提供了明确的目标,即最小化损失函数的值,还通过反向传播算法将损失函数的梯度传递给前层神经元,指导网络权重的更新。例如,损失函数为,L1为损失函数,i为每一个类别,/>代表FCN模型,/>为输入图像,/>为指示性函数,即指出该像素属于哪一个类别。
需要说明的是,语义模型所输出的语义特征中包含实例位置数据、实例判别数据及图像语义结果,具体为经前a个卷积池化层的处理,在第a个卷积池化层输出较好的用于表征特征位置的实例位置数据,继而经前b个卷积池化层的处理,在第b个卷积池化层输出较好的用于表征特征判别信息的实例判别数据,以及在最后一个卷积池化层输出图像语义结果。本实施例通过经上述卷积池化层的处理提取出能够较好地表达出实例位置、实例判别、图像语义等特征信息,从而利用所提取出的语义特征对原产品图像进行压缩,使得压缩后的图像能够保留较多的信息量,减少失真。
示例性的,如图2所示,将原产品图像作为卷积池化层1的输入,该原产品图像的尺寸为256×256×3。经卷积池化层1的处理,输出尺寸为128×128×6的特征图,继而经卷积池化层2的处理,输出尺寸为64×64×12的特征图,即实例位置数据,经卷积池化层3的处理,输出尺寸为32×32×24的特征图,继而经卷积池化层4的处理,输出尺寸为16×16×48的特征图,即实例判别数据,最后经卷积池化层5的处理,输出尺寸为8×8×96的特征图,即图像语义结果。
进一步,如图2所示,第一残差单元221包括级联排序的3个第二卷积层,第二残差单元222包括级联排序的3个第三卷积层。其中,每一第二卷积层及第三卷积层执行特征提取、残差分析等操作,助于提高图像的压缩效率,同时能够保持图像的质量及信息量,并去除冗余信息。具体的,将原产品图像作为第二卷积层1的输入,经第一残差块中第二卷积层1(如3个1*1的卷积核,步长为6)、第二卷积层2(如6个4*4的卷积核,步长为6)及第二卷积层3(如6个1*1的卷积核,步长为12)的处理,由第二卷积层3输出第一残差单元221的处理结果,继而提取卷积池化层2所输出的实例位置数据,将该实例位置数据与第二卷积层3的输出进行特征融合,以获得第一融合特征。将第一融合特征作为第三卷积层1的输入,经第二残差块中第三卷积层1(如12个1*1的卷积核,步长为24)、第三卷积层2(如24个4*4的卷积核,步长为24)及第三卷积层3(如24个1*1的卷积核,步长为48)的处理,由第三卷积层3输出第二残差单元222的处理结果,继而提取卷积池化层4所输出的实例判别数据,将该实例判别数据与第三卷积层3的输出进行特征融合,以获得第二融合特征。将第二融合特征作为第一卷积层223的输入,经第一卷积层223的处理,其输出作为残差网络22的输出。
更进一步,如图2所示,量化网络23包括级联排序的5个点卷积层,通过逐层对通道数进行裁剪,最后输出原产品压缩图像。具体的,将残差网络的输出与卷积池化层5所输出的图像语义结果进行特征融合,得到第三融合特征,将第三融合特征作为点卷积层1的输入。经量化网络中点卷积层1(如96个1*1的卷积核,步长为48)、点卷积层2(如48个1*1的卷积核,步长为24)、点卷积层3(如24个1*1的卷积核,步长为12)、点卷积层4(如12个1*1的卷积核,步长为6)、点卷积层5(如6个1*1的卷积核,步长为3)的处理,由点卷积层5输出量化网络23的处理结果,即图像压缩模型的输出结果(尺寸为8×8×3的原产品压缩图像)。
在一些实施例中,所述基于由所述原产品图像转换成的原产品图像向量与所述第一碳排放数据,生成与所述监测产品相映射的标识码,包括:
将所述第一碳排放数据拓展为指定位数的码值,并将所述码值添加到所述原产品图像向量的数位之后,以构成原产品向量;
基于所述原产品向量生成相应的标识码,使得将所述监测产品在生产阶段中的所述原产品向量记录于所述标识码中,并将所述标识码展示在所述监测产品上。
示例性的,指定位数为4位,那么将第一碳排放数据拓展为4位的码值,不足补0,并放置在原产品图像向量的数位之后,以构成1×196位的原产品向量。继而,依据该原产品向量生成标识码,并标记在监测产品上。同时,将当前生产阶段获得的原产品向量记录在标识码中,使得在后续阶段中通过触发该标识码,读取到监测产品在所发生阶段的相关数据(如原产品向量),实现对监测产品的碳数据的跟踪。因此,本实施例通过由监测产品在生产阶段中的碳排放数据设置在原产品向量的末位,能够依据后续阶段获取到的碳排放数据更新该原产品向量的末位,实现针对所发生阶段的碳量计算,从而实现碳监控。
在一些实施例中,所述响应于对所述标识码的触发操作,确定所述监测产品在除生产阶段外的其他阶段中的产品数据,并基于所确定的产品数据更新所述标识码,包括:
响应于对所述标识码的触发操作,获取所述监测产品在运输阶段中的包含第二碳排放数据的原产品数据;
基于所述第二碳排放数据更新所述原产品向量,使得基于新的原产品向量更新所述标识码,并将所述监测产品在运输阶段中的所述新的原产品向量写入所述标识码。
在本实施例中,针对运输阶段,用户通过终端设备触发展示于监测产品上的标识码,则响应该触发操作,在所触发的用户终端显示“记录”、“更改”等指令控件,继而依据用户通过该终端设备对“记录”指令控件的触发操作,并输入监测产品在运输阶段中的针对碳排放的原产品数据(即第二碳排放数据),从而将第二碳排放数据累加到上述原产品向量中用于记录碳排放数据的数位上,以形成新的原产品向量,此时该新的原产品向量的末位记录有生产阶段、运输阶段中关于碳排放的信息(即第一碳排放数据与第二碳排放数据的累计值),以实现碳量计算以及碳监控。其中,第二碳排放数据为监测产品在运输阶段的碳排放数据,可直接计算能量损耗并乘以汽油或柴油或电能的碳因子。进一步,基于运输阶段中所获得的新的原产品向量更新标识码,同时更新标识码中所记录的相关数据。因此,本实施例通过获取监测产品在运输阶段的原产品数据,更新标识码,实现了利用该标识码实现对产品运输阶段的碳监测,并保证了数据的实时性。
在一些实施例中,所述响应于对所述标识码的触发操作,确定所述监测产品在除生产阶段外的其他阶段中的产品数据,并基于所确定的产品数据更新所述标识码,还包括:
在检测所述监测产品在流通阶段中衍生出至少一个衍生产品时,则响应于对所述标识码的触发操作,向所触发的用户终端发送更改指令;
响应于所述用户终端发送的更改请求,获取所述更改请求携带的针对所述衍生产品的衍生产品数据,其中,所述更改请求由所述用户终端触发所述更改指令后发送,所述衍生产品数据包含衍生产品图像、衍生产品数量以及所述衍生产品在流通阶段中的第三碳排放数据;
通过所述图像压缩模型对所述衍生产品图像进行图像压缩,以获得衍生产品压缩图像,并将所述衍生产品压缩图像转换为衍生产品图像向量;
将所述第三碳排放数据添加到所述衍生产品图像向量的数位之后,以构成衍生产品向量;
基于所述衍生产品向量更新所述标识码,并将所述衍生产品向量记录于所述标识码中。
在本实施例中,针对产品的流通阶段,若监测产品衍生出至少一个衍生产品时,认为监测产品的原始形态发生改变,此时展示为一个改变后的监测产品以及一个或多个衍生产品,且标识码仍标记在改变后的监测产品上,例如,一个纸质产品拆分为多个其他纸质产品,则用户通过终端设备触发展示于监测产品上的标识码,则响应该触发操作,在所触发的用户终端显示“记录”、“更改”等指令控件,继而依据用户通过该终端设备对“更改”指令控件的触发操作,并输入针对衍生产品的衍生产品图像、衍生产品数量以及在流通阶段的第三碳排放数据。继而,通过图像压缩模型对衍生产品图像进行图像压缩,以获得衍生产品压缩图像,并将衍生产品压缩图像转换为衍生产品图像向量。进一步,将第三碳排放数据添加到衍生产品图像向量的数位之后,以形成衍生产品向量,即形成一条区别于原产品向量的新的产品向量,并将该衍生产品向量写入标识码中,更新标识码。因此,本实施例通过获取监测产品所衍生出的衍生产品的数据,形成衍生产品向量,并利用标识码跟踪产品的全生命周期,能够适用于监控流动性高且流动面广泛的资源的复杂场景,从而提高了碳监控的灵活性和可靠性。
可选的,针对流通阶段,若监测产品未衍生出其他产品时,表示该监测产品的原始形态未发生变化,则响应对标识码的触发操作,依据用户通过该终端设备对“记录”指令控件的触发操作,并输入监测产品在流通阶段中的用于表征碳排放数据的原产品数据,从而将本阶段获取到的碳排放数据累加到此前的原产品向量上,以更新原产品向量,此时更新后的原产品向量的末位记录有生产阶段、运输阶段、流通阶段中碳排放数据,以实现碳量计算以及碳监控。此后,通过触发该标识码,读取本阶段生成的原产品向量,这使得提取到此前所发生阶段中的碳排放数据。
在一些实施例中,所述响应于对所述标识码的触发操作,确定所述监测产品在除生产阶段外的其他阶段中的产品数据,并基于所确定的产品数据更新所述标识码,还包括:
在检测所述监测产品在流通阶段中衍生出至少一个衍生产品时,则响应于对所述标识码的触发操作,获取发生改变后的监测产品在回收阶段中的包含第一碳回收数据的衍生产品数据,并基于所述第一碳回收数据与所述衍生产品数量,生成第一回收向量,使得依据所述第一回收向量更新所述标识码,并将所述第一回收向量写入所述标识码;或,
在检测所述监测产品在流通阶段中未衍生出其他产品时,则响应于对所述标识码的触发操作,获取针对所述监测产品在回收阶段的包含第二碳回收数据的原产品数据,以生成第二回收向量,使得依据所述第二回收向量更新所述标识码,将所述第二回收向量写入所述标识码。
在本实施例中,针对回收阶段,若监测产品未衍生出其他产品时,则通过碳计量设备对监测产品进行称重,并按照类别进行碳回收量的计算,得到第二碳回收数据。例如,回收100g的纸制品,若纸制品的碳因子为0.5,则碳回收量为50g,其中,碳因子可以通过ISO14064 标准得到。继而,响应对标识码的触发操作,依据用户通过该终端设备对“记录”指令控件的触发操作,并输入监测产品在回收阶段中的用于表征碳回收数据的原产品数据(即第二碳回收数据)。进一步,可依据该第二碳回收数据以及该标识码中记录的此前最新的原产品向量(如经流通阶段获取到的原产品向量),生成第二回收向量。示例性的,提取出原产品向量中关于原产品图像向量的数位信息,将第二碳回收数据添加到原产品图像向量的数位之后,以形成第二回收向量。此时,标识码中记录有针对碳排放量计算的原产品向量以及针对碳回收量计算的第二回收向量,以实现碳监控。
若监测产品衍生出至少一个衍生产品时,则通过碳计量设备对发生改变后的监测产品进行称重,并按照类别进行碳回收量的计算,得到第一碳回收数据。继而,响应对标识码的触发操作,依据用户通过该终端设备对“记录”指令控件的触发操作,并输入发生改变后的监测产品在回收阶段中的用于表征碳回收数据的衍生产品数据(即第一碳回收数据)。进一步,利用第一碳回收数据与衍生产品数量相乘,以推测出原始的监测产品的碳回收数据,实现对产品碳数据的跟踪。更进一步,可依据相乘结果以及该标识码中记录的此前最新的衍生产品向量(如经流通阶段获取到的衍生产品向量),生成第一回收向量。示例性的,提取出衍生产品向量中关于衍生产品图像向量的数位信息,将第一碳回收数据添加到衍生产品图像向量的数位之后,以形成第一回收向量。此时,标识码中记录有针对碳排放量计算的原产品向量、衍生产品向量,以及针对碳回收量计算的第一回收向量,以实现碳监控。
因此,本实施例通过获取监测产品在回收阶段的碳回收数据,实现碳监控。其中,通过发生变化的监测产品与衍生产品数量,推测监测产品的碳回收数据,提高了碳监控的灵活性和可靠性,能够适用于复杂多变的应用场景。
在一些实施例中,所述方法还包括:
从所述标识码中提取出所记录的所述原产品向量;
将所述原产品向量还原为相应的压缩图像;
通过预先构建的解压缩模型对所还原的压缩图像进行解压缩,以确定产品原始图像;
基于所述产品原始图像对所发生阶段的碳排放数据以及碳回收数据进行核验;其中,所述碳排放数据包括所述第一碳排放数据、所述第二碳排放数据及所述第三碳排放数据中的至少一项,所述碳回收数据包括所述第一碳回收数据或所述第二碳回收数据。
在本实施例中,标识码记录有监测产品在生产、运输、流通、回收等阶段中的相关产品数据,如原产品向量、衍生产品向量、第一回收向量以及第二回收向量,实现利用标识码跟踪产品在全生命周期中的碳数据,实现清楚地监测产品的碳流向。即,从标识码所记录的多条相关数据中筛选出原产品向量(如1×196位),继而提取出该原产品向量中关于图像向量的数位信息(如前192位为原产品图像向量,最后4位为碳排放数据),以获得原产品图像向量,从而还原为3通道的压缩图像。进一步,通过解压缩模型对所还原的压缩图像进行解压缩,以得到产品原始图像,以此作为校验的辅助证据,实现在完成生命周期的碳监控后对碳的计算过程进行核验,从而保证了碳监测的准确度。
基于上述实施例,在一些实施例中,图3为本申请一个示例性实施例提供的解压缩模型的结构示意图,所述解压缩模型300包括级联排序布设的多个第一残差块、金字塔注意力网络以及多个第二残差块;所述第一残差块包括级联排序的一个或多个第四卷积层,所述第二残差块包括级联排序的一个或多个第五卷积层,使得在每一第一残差块和第二残差块中均形成从第一个特征到最后一个特征的全局路径。
在本实施例中,解压缩模型用于对图像压缩模型的输出(如原产品压缩图像、衍生产品压缩图像)进行解压缩,即将图像尺寸8×8×3恢复为256×256×3。需要说明的是,本实施例将图像压缩模型中的压缩模型与该解压缩模型进行联合训练,从而提高解压缩的准确性。针对解压缩模型的训练,损失函数设置为,/>为解压缩模型的损失函数,N为样本总数,/>为输入到图像压缩模型的图像(如原产品图像、衍生产品图像),为解压缩模型的输出(如产品原始图像)。
示例性的,如图3所示,将由原产品向量还原得到的压缩图像作为第一残差块1的输入,经第一残差块1、第一残差块2、第一残差块3的处理,如特征提取,以将第一残差块3的输出作为金字塔注意力网络的输入。其中,金字塔注意力网络用于捕捉全局上下文信息、语义特征提取等,引入金字塔注意力网络能够助于理解图像的整体内容和细节信息,并且能够在不同尺度上提取特征,从而更好地捕捉到图像中的局部和全局信息,提高了图像分类和分割的精度。因此,经金字塔注意力网络的处理,其输出作为第二残差块1的输入,继而经第二残差块1、第二残差块2、第二残差块3的处理,输出产品原始图像。因此,本实施例通过在解压缩模型中设置金字塔注意力网络,能够提高图像解压缩的准确度。
更具体的,第一残差块包括级联排序的至少一个第四卷积层,第二残差块包括级联排序的至少一个第五卷积层。需要说明的是,在每一第一残差块、第二残差块中添加一个或多个卷积层,以逐步将输入特征转换为更高级的特征表示,其中,这些卷积层可以以级联的方式连接在一起,以形成一条从第一个特征到最后一个特征的全局路径。因此,本实施例在每个第一残差块、第二残差块中去除批处理归一化,增加了从第一个特征到最后一个特征的全局路径,能够鼓励网络绕过低频信息,这样,本实施例能够有效地将输入特征映射到更高级的特征表示,从而在残差块中实现更好的特征学习和模型性能。
实施例二
图4为本申请实施例提供的一种碳监控装置的结构示意图,该碳监控装置400包括:
数据获取模块401,用于确定监测产品的原产品数据,所述原产品数据包括所述监测产品在生产阶段中的第一碳排放数据以及原产品图像;
标识码形成模块402,用于基于由所述原产品图像转换成的原产品图像向量与所述第一碳排放数据,生成与所述监测产品相映射的标识码;
更新模块403,用于响应于对所述标识码的触发操作,确定所述监测产品在除生产阶段外的其他阶段中的产品数据,并基于所确定的产品数据更新所述标识码,其中,所述产品数据包含所述原产品数据及针对其他产品的其他产品数据中的至少一项,所述标识码记录有所发生阶段的相关产品数据。
在一些实施例中,该标识码形成模块402包括:
图像压缩模型构建单元,用于构建图像压缩模型,其中,所述图像压缩模型包括语义模型以及压缩模型,所述压缩模型由残差网络及量化网络构成;语义提取单元,用于通过所述语义模型对所述原产品图像进行语义提取,以获得语义特征,所述语义特征包括实例位置数据、实例判别数据及图像语义结果;图像压缩单元,用于通过所述残差网络对所述原产品图像、所述实例位置数据及所述实例判别数据进行残差分析,并通过所述量化网络对所述残差网络的输出以及所述图像语义结果进行特征融合,以输出与所述原产品图像相应的原产品压缩图像;转换单元,用于将所述原产品压缩图像转换为原产品图像向量。
在一些实施例中,所述语义模型包括级联排序的n个卷积池化层,;所述残差网络包括级联排序的第一残差单元、第二残差单元以及第一卷积层,所述第一残差单元包括级联排序布设的多个第二卷积层,所述第二残差单元包括级联排序布设的多个第三卷积层;所述量化网络包括级联排序的多个点卷积层;
该标识码形成模块402包括:
图像输入单元,用于将所述原产品图像作为第一个卷积池化层的输入以及排序在首端的第二卷积层的输入;
第一特征融合单元,用于针对第a个卷积池化层输出的所述实例位置数据,以及排序在末端的第二卷积层的输出进行特征融合,得到第一融合特征,并将所述第一融合特征作为排序在首端的第三卷积层的输入;其中,;
第二特征融合单元,用于针对第b个卷积池化层输出的所述实例判别数据,以及排序在末端的第三卷积层的输出进行特征融合,得到第二融合特征,并将所述第二融合特征作为所述第一卷积层的输入,使得将所述第一卷积层的输出作为所述残差网络的输出;其中,且/>;
第三特征融合单元,用于针对第n个卷积池化层输出的所述图像语义结果,以及所述残差网络的输出进行特征融合,得到第三融合特征,并将所述第三融合特征作为排序在首端的点卷积层的输入,使得由排序在末端的点卷积层输出所述原产品压缩图像。
在一些实施例中,该标识码形成模块402包括:
原产品向量形成单元,用于将所述第一碳排放数据拓展为指定位数的码值,并将所述码值添加到所述原产品图像向量的数位之后,以构成原产品向量;标识码生成单元,用于基于所述原产品向量生成相应的标识码,使得将所述监测产品在生产阶段中的所述原产品向量记录于所述标识码中,并将所述标识码展示在所述监测产品上。
在一些实施例中,该更新模块403包括:
运输阶段数据获取单元,用于响应于对所述标识码的触发操作,获取所述监测产品在运输阶段中的包含第二碳排放数据的原产品数据;第一标识码更新单元,用于基于所述第二碳排放数据更新所述原产品向量,使得基于新的原产品向量更新所述标识码,并将所述监测产品在运输阶段中的所述新的原产品向量写入所述标识码。
在一些实施例中,该更新模块403还包括:
更改触发单元,用于在检测所述监测产品在流通阶段中衍生出至少一个衍生产品时,则响应于对所述标识码的触发操作,向所触发的用户终端发送更改指令;
衍生产品数据获取单元,用于响应于所述用户终端发送的更改请求,获取所述更改请求携带的针对所述衍生产品的衍生产品数据,其中,所述更改请求由所述用户终端触发所述更改指令后发送,所述衍生产品数据包含衍生产品图像、衍生产品数量以及所述衍生产品在流通阶段中的第三碳排放数据;
衍生产品图像向量生成单元,用于通过所述图像压缩模型对所述衍生产品图像进行图像压缩,以获得衍生产品压缩图像,并将所述衍生产品压缩图像转换为衍生产品图像向量;
衍生产品向量生成单元,用于将所述第三碳排放数据添加到所述衍生产品图像向量的数位之后,以构成衍生产品向量;
第二标识码更新单元,用于基于所述衍生产品向量更新所述标识码,并将所述衍生产品向量记录于所述标识码中。
在一些实施例中,该更新模块403还包括:
第三标识码更新单元,用于在检测所述监测产品在流通阶段中衍生出至少一个衍生产品时,则响应于对所述标识码的触发操作,获取发生改变后的监测产品在回收阶段中的包含第一碳回收数据的衍生产品数据,并基于所述第一碳回收数据与所述衍生产品数量,生成第一回收向量,使得依据所述第一回收向量更新所述标识码,并将所述第一回收向量写入所述标识码;
第四标识码更新单元,用于在检测所述监测产品在流通阶段中未衍生出其他产品时,则响应于对所述标识码的触发操作,获取针对所述监测产品在回收阶段的包含第二碳回收数据的原产品数据,以生成第二回收向量,使得依据所述第二回收向量更新所述标识码,将所述第二回收向量写入所述标识码。
在一些实施例中,该碳监控装置400还包括:
数据提取单元,用于从所述标识码中提取出所记录的所述原产品向量;图像还原单元,用于将所述原产品向量还原为相应的压缩图像;解压缩单元,用于通过预先构建的解压缩模型对所还原的压缩图像进行解压缩,以确定产品原始图像;核验单元,用于基于所述产品原始图像对所发生阶段的碳排放数据以及碳回收数据进行核验;其中,所述碳排放数据包括所述第一碳排放数据、所述第二碳排放数据及所述第三碳排放数据中的至少一项,所述碳回收数据包括所述第一碳回收数据或所述第二碳回收数据。
在一些实施例中,所述解压缩模型包括级联排序布设的多个第一残差块、金字塔注意力网络以及多个第二残差块;所述第一残差块包括级联排序的一个或多个第四卷积层,所述第二残差块包括级联排序的一个或多个第五卷积层,使得在每一第一残差块和第二残差块中均形成从第一个特征到最后一个特征的全局路径。
本申请实施例的装置可执行本申请实施例所提供的方法,其实现原理相类似,本申请各实施例的装置中的各模块所执行的动作是与本申请各实施例的方法中的步骤相对应的,对于装置的各模块的详细功能描述具体可以参见前文中所示的对应方法中的描述,此处不再赘述。
以上所述仅是本申请部分实施场景的可选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请的方案技术构思的前提下,采用基于本申请技术思想的其他类似实施手段,同样属于本申请实施例的保护范畴。
Claims (10)
1.一种碳监控方法,其特征在于,包括:
确定监测产品的原产品数据,所述原产品数据包括所述监测产品在生产阶段中的第一碳排放数据以及原产品图像;
基于由所述原产品图像转换成的原产品图像向量与所述第一碳排放数据,生成与所述监测产品相映射的标识码;
响应于对所述标识码的触发操作,确定所述监测产品在除生产阶段外的其他阶段中的产品数据,并基于所确定的产品数据更新所述标识码,其中,所述产品数据包含所述原产品数据及针对其他产品的其他产品数据中的至少一项,所述标识码记录有所发生阶段的相关产品数据。
2.根据权利要求1所述的碳监控方法,其特征在于,通过如下步骤获取所述原产品图像向量,包括:
构建图像压缩模型,其中,所述图像压缩模型包括语义模型以及压缩模型,所述压缩模型由残差网络及量化网络构成;
通过所述语义模型对所述原产品图像进行语义提取,以获得语义特征,所述语义特征包括实例位置数据、实例判别数据及图像语义结果;
通过所述残差网络对所述原产品图像、所述实例位置数据及所述实例判别数据进行残差分析,并通过所述量化网络对所述残差网络的输出以及所述图像语义结果进行特征融合,以输出与所述原产品图像相应的原产品压缩图像;
将所述原产品压缩图像转换为原产品图像向量。
3.根据权利要求2所述的碳监控方法,其特征在于,所述语义模型包括级联排序的n个卷积池化层,;所述残差网络包括级联排序的第一残差单元、第二残差单元以及第一卷积层,所述第一残差单元包括级联排序布设的多个第二卷积层,所述第二残差单元包括级联排序布设的多个第三卷积层;所述量化网络包括级联排序的多个点卷积层;
通过所述图像压缩模型执行以下步骤,包括:
将所述原产品图像作为第一个卷积池化层的输入以及排序在首端的第二卷积层的输入;
针对第a个卷积池化层输出的所述实例位置数据,以及排序在末端的第二卷积层的输出进行特征融合,得到第一融合特征,并将所述第一融合特征作为排序在首端的第三卷积层的输入;其中,;
针对第b个卷积池化层输出的所述实例判别数据,以及排序在末端的第三卷积层的输出进行特征融合,得到第二融合特征,并将所述第二融合特征作为所述第一卷积层的输入,使得将所述第一卷积层的输出作为所述残差网络的输出;其中,且/>;
针对第n个卷积池化层输出的所述图像语义结果,以及所述残差网络的输出进行特征融合,得到第三融合特征,并将所述第三融合特征作为排序在首端的点卷积层的输入,使得由排序在末端的点卷积层输出所述原产品压缩图像。
4.根据权利要求2或3所述的碳监控方法,其特征在于,所述基于由所述原产品图像转换成的原产品图像向量与所述第一碳排放数据,生成与所述监测产品相映射的标识码,包括:
将所述第一碳排放数据拓展为指定位数的码值,并将所述码值添加到所述原产品图像向量的数位之后,以构成原产品向量;
基于所述原产品向量生成相应的标识码,使得将所述监测产品在生产阶段中的所述原产品向量记录于所述标识码中,并将所述标识码展示在所述监测产品上。
5.根据权利要求4所述的碳监控方法,其特征在于,所述响应于对所述标识码的触发操作,确定所述监测产品在除生产阶段外的其他阶段中的产品数据,并基于所确定的产品数据更新所述标识码,包括:
响应于对所述标识码的触发操作,获取所述监测产品在运输阶段中的包含第二碳排放数据的原产品数据;
基于所述第二碳排放数据更新所述原产品向量,使得基于新的原产品向量更新所述标识码,并将所述监测产品在运输阶段中的所述新的原产品向量写入所述标识码。
6.根据权利要求5所述的碳监控方法,其特征在于,所述响应于对所述标识码的触发操作,确定所述监测产品在除生产阶段外的其他阶段中的产品数据,并基于所确定的产品数据更新所述标识码,还包括:
在检测所述监测产品在流通阶段中衍生出至少一个衍生产品时,则响应于对所述标识码的触发操作,向所触发的用户终端发送更改指令;
响应于所述用户终端发送的更改请求,获取所述更改请求携带的针对所述衍生产品的衍生产品数据,其中,所述更改请求由所述用户终端触发所述更改指令后发送,所述衍生产品数据包含衍生产品图像、衍生产品数量以及所述衍生产品在流通阶段中的第三碳排放数据;
通过所述图像压缩模型对所述衍生产品图像进行图像压缩,以获得衍生产品压缩图像,并将所述衍生产品压缩图像转换为衍生产品图像向量;
将所述第三碳排放数据添加到所述衍生产品图像向量的数位之后,以构成衍生产品向量;
基于所述衍生产品向量更新所述标识码,并将所述衍生产品向量记录于所述标识码中。
7.根据权利要求6所述的碳监控方法,其特征在于,所述响应于对所述标识码的触发操作,确定所述监测产品在除生产阶段外的其他阶段中的产品数据,并基于所确定的产品数据更新所述标识码,还包括:
在检测所述监测产品在流通阶段中衍生出至少一个衍生产品时,则响应于对所述标识码的触发操作,获取发生改变后的监测产品在回收阶段中的包含第一碳回收数据的衍生产品数据,并基于所述第一碳回收数据与所述衍生产品数量,生成第一回收向量,使得依据所述第一回收向量更新所述标识码,并将所述第一回收向量写入所述标识码;或,
在检测所述监测产品在流通阶段中未衍生出其他产品时,则响应于对所述标识码的触发操作,获取针对所述监测产品在回收阶段的包含第二碳回收数据的原产品数据,以生成第二回收向量,使得依据所述第二回收向量更新所述标识码,将所述第二回收向量写入所述标识码。
8.根据权利要求7所述的碳监控方法,其特征在于,所述方法还包括:
从所述标识码中提取出所记录的所述原产品向量;
将所述原产品向量还原为相应的压缩图像;
通过预先构建的解压缩模型对所还原的压缩图像进行解压缩,以确定产品原始图像;
基于所述产品原始图像对所发生阶段的碳排放数据以及碳回收数据进行核验;其中,所述碳排放数据包括所述第一碳排放数据、所述第二碳排放数据及所述第三碳排放数据中的至少一项,所述碳回收数据包括所述第一碳回收数据或所述第二碳回收数据。
9.根据权利要求8所述的碳监控方法,其特征在于,所述解压缩模型包括级联排序布设的多个第一残差块、金字塔注意力网络以及多个第二残差块;所述第一残差块包括级联排序的一个或多个第四卷积层,所述第二残差块包括级联排序的一个或多个第五卷积层,使得在每一第一残差块和第二残差块中均形成从第一个特征到最后一个特征的全局路径。
10.一种碳监控装置,其特征在于,包括:
数据获取模块,用于确定监测产品的原产品数据,所述原产品数据包括所述监测产品在生产阶段中的第一碳排放数据以及原产品图像;
标识码形成模块,用于基于由所述原产品图像转换成的原产品图像向量与所述第一碳排放数据,生成与所述监测产品相映射的标识码;
更新模块,用于响应于对所述标识码的触发操作,确定所述监测产品在除生产阶段外的其他阶段中的产品数据,并基于所确定的产品数据更新所述标识码,其中,所述产品数据包含所述原产品数据及针对其他产品的其他产品数据中的至少一项,所述标识码记录有所发生阶段的相关产品数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410212988.1A CN117787575B (zh) | 2024-02-27 | 2024-02-27 | 一种碳监控方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410212988.1A CN117787575B (zh) | 2024-02-27 | 2024-02-27 | 一种碳监控方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117787575A true CN117787575A (zh) | 2024-03-29 |
CN117787575B CN117787575B (zh) | 2024-05-03 |
Family
ID=90396729
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410212988.1A Active CN117787575B (zh) | 2024-02-27 | 2024-02-27 | 一种碳监控方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117787575B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110046909A (zh) * | 2018-01-12 | 2019-07-23 | 阿里巴巴集团控股有限公司 | 溯源信息展示方法、编码方法、商品信息的展示方法 |
CN114386988A (zh) * | 2021-12-28 | 2022-04-22 | 航天信息股份有限公司 | 一种防伪溯源方法、装置及电子设备 |
CN114493631A (zh) * | 2022-01-20 | 2022-05-13 | 山东浪潮工业互联网产业股份有限公司 | 一种用于陶瓷产品的溯源防伪方法及设备 |
CN114742682A (zh) * | 2022-04-29 | 2022-07-12 | 天津大学 | 一种科学技术馆碳足迹智慧监控方法及*** |
CN114844883A (zh) * | 2022-05-20 | 2022-08-02 | 苏州浪潮智能科技有限公司 | 一种产品生产管理的方法、装置、设备及介质 |
EP4043877A1 (de) * | 2021-02-12 | 2022-08-17 | eesy-innovation GmbH | Sensorsystem und verfahren zum ueberwachen einer umweltgroesse |
CN116051129A (zh) * | 2023-01-03 | 2023-05-02 | 上海华峰创享互联网络科技有限公司 | 一种基于标识解析和区块链的碳排放核算及追溯的方法 |
CN116151828A (zh) * | 2023-04-20 | 2023-05-23 | 成都航空职业技术学院 | 基于区块链的碳足迹追踪方法、***、设备及介质 |
CN116502810A (zh) * | 2023-06-28 | 2023-07-28 | 威胜信息技术股份有限公司 | 一种基于图像识别的标准化生产监测方法 |
CN117236968A (zh) * | 2023-07-28 | 2023-12-15 | 广东牵引信息科技有限公司 | 一种再生塑料产品的碳排放追踪方法和装置 |
CN117454116A (zh) * | 2023-11-03 | 2024-01-26 | 国网河南省电力公司经济技术研究院 | 一种基于多源数据交互网络的地面碳排放监测方法 |
CN117575635A (zh) * | 2024-01-16 | 2024-02-20 | 四川绿豆芽信息技术有限公司 | 一种碳指标溯源方法和*** |
CN117592656A (zh) * | 2023-11-29 | 2024-02-23 | 国网黑龙江省电力有限公司营销服务中心 | 基于碳数据核算的碳足迹监控方法及*** |
-
2024
- 2024-02-27 CN CN202410212988.1A patent/CN117787575B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110046909A (zh) * | 2018-01-12 | 2019-07-23 | 阿里巴巴集团控股有限公司 | 溯源信息展示方法、编码方法、商品信息的展示方法 |
EP4043877A1 (de) * | 2021-02-12 | 2022-08-17 | eesy-innovation GmbH | Sensorsystem und verfahren zum ueberwachen einer umweltgroesse |
CN114386988A (zh) * | 2021-12-28 | 2022-04-22 | 航天信息股份有限公司 | 一种防伪溯源方法、装置及电子设备 |
CN114493631A (zh) * | 2022-01-20 | 2022-05-13 | 山东浪潮工业互联网产业股份有限公司 | 一种用于陶瓷产品的溯源防伪方法及设备 |
CN114742682A (zh) * | 2022-04-29 | 2022-07-12 | 天津大学 | 一种科学技术馆碳足迹智慧监控方法及*** |
CN114844883A (zh) * | 2022-05-20 | 2022-08-02 | 苏州浪潮智能科技有限公司 | 一种产品生产管理的方法、装置、设备及介质 |
CN116051129A (zh) * | 2023-01-03 | 2023-05-02 | 上海华峰创享互联网络科技有限公司 | 一种基于标识解析和区块链的碳排放核算及追溯的方法 |
CN116151828A (zh) * | 2023-04-20 | 2023-05-23 | 成都航空职业技术学院 | 基于区块链的碳足迹追踪方法、***、设备及介质 |
CN116502810A (zh) * | 2023-06-28 | 2023-07-28 | 威胜信息技术股份有限公司 | 一种基于图像识别的标准化生产监测方法 |
CN117236968A (zh) * | 2023-07-28 | 2023-12-15 | 广东牵引信息科技有限公司 | 一种再生塑料产品的碳排放追踪方法和装置 |
CN117454116A (zh) * | 2023-11-03 | 2024-01-26 | 国网河南省电力公司经济技术研究院 | 一种基于多源数据交互网络的地面碳排放监测方法 |
CN117592656A (zh) * | 2023-11-29 | 2024-02-23 | 国网黑龙江省电力有限公司营销服务中心 | 基于碳数据核算的碳足迹监控方法及*** |
CN117575635A (zh) * | 2024-01-16 | 2024-02-20 | 四川绿豆芽信息技术有限公司 | 一种碳指标溯源方法和*** |
Non-Patent Citations (3)
Title |
---|
DERRIK EFFAH 等: "Carbon Emission Monitoring and Credit Trading: The Blockchain and IOT Approach", 《2021 18TH INTERNATIONAL COMPUTER CONFERENCE ON WAVELET ACTIVE MEDIA TECHNOLOGY AND INFORMATION PROCESSING》, 19 January 2022 (2022-01-19), pages 106 - 109 * |
杨建强 等: "基于RFID技术的生鲜产品供应安全溯源研究", 《食品工业》, vol. 39, no. 05, 20 May 2018 (2018-05-20), pages 165 - 168 * |
辛景昌 等: "钢铁企业一氧化碳减排技术应用实践", 《山西冶金》, vol. 46, no. 10, 31 October 2023 (2023-10-31), pages 174 - 176 * |
Also Published As
Publication number | Publication date |
---|---|
CN117787575B (zh) | 2024-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhong et al. | An end-to-end dense-inceptionnet for image copy-move forgery detection | |
CN111598860B (zh) | 基于嵌入自注意力门模块的yolov3网络的锂电池缺陷检测方法 | |
CN112418292B (zh) | 一种图像质量评价的方法、装置、计算机设备及存储介质 | |
CN112819604A (zh) | 基于融合神经网络特征挖掘的个人信用评估方法与*** | |
CN104239420A (zh) | 一种基于视频指纹的视频相似度匹配方法 | |
CN113688665A (zh) | 一种基于半监督迭代学习的遥感影像目标检测方法及*** | |
CN116229019A (zh) | 面向数字孪生的大场景融合三维重建方法及*** | |
CN112927783B (zh) | 图像检索方法及装置 | |
CN106355210B (zh) | 基于深度神经元响应模式的绝缘子红外图像特征表达方法 | |
CN117237559B (zh) | 面向数字孪生城市的三维模型数据智能分析方法及*** | |
CN113962433A (zh) | 一种融合因果卷积与可分离时间卷积的风电预测方法及*** | |
CN115359353A (zh) | 一种花卉识别分类方法及装置 | |
Ding et al. | An elastic expandable fault diagnosis method of three-phase motors using continual learning for class-added sample accumulations | |
CN117523593B (zh) | 患者病历数据处理方法及*** | |
CN117787575B (zh) | 一种碳监控方法及装置 | |
CN116721420B (zh) | 一种电气设备紫外图像的语义分割模型构建方法及*** | |
CN113837290A (zh) | 一种基于注意力生成器网络的无监督非成对图像翻译方法 | |
CN115169556B (zh) | 模型剪枝方法及装置 | |
CN116822702A (zh) | 碳排放预测方法、装置、计算机设备和存储介质 | |
CN116050579A (zh) | 基于深度特征融合网络的建筑能耗预测方法及*** | |
CN113313030B (zh) | 基于运动趋势特征的人体行为识别方法 | |
Sun et al. | Robust Chinese license plate generation via foreground text and background separation | |
Cao et al. | Understanding 3D point cloud deep neural networks by visualization techniques | |
CN113628338A (zh) | 一种采样重建方法、装置、计算机设备及存储介质 | |
CN111476408A (zh) | 一种电力通信设备状态预测方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |