CN114211975A - 用于电动汽车的充电报警***及其工作方法 - Google Patents
用于电动汽车的充电报警***及其工作方法 Download PDFInfo
- Publication number
- CN114211975A CN114211975A CN202111427118.9A CN202111427118A CN114211975A CN 114211975 A CN114211975 A CN 114211975A CN 202111427118 A CN202111427118 A CN 202111427118A CN 114211975 A CN114211975 A CN 114211975A
- Authority
- CN
- China
- Prior art keywords
- magnetic field
- gaussian
- map
- feature
- eigenvector
- 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.)
- Withdrawn
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
- B60L53/10—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles characterised by the energy transfer between the charging station and the vehicle
- B60L53/12—Inductive energy transfer
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
- B60L53/10—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles characterised by the energy transfer between the charging station and the vehicle
- B60L53/12—Inductive energy transfer
- B60L53/124—Detection or removal of foreign bodies
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
- B60L53/10—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles characterised by the energy transfer between the charging station and the vehicle
- B60L53/12—Inductive energy transfer
- B60L53/126—Methods for pairing a vehicle and a charging station, e.g. establishing a one-to-one relation between a wireless power transmitter and a wireless power receiver
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
- B60L53/30—Constructional details of charging stations
- B60L53/35—Means for automatic or assisted adjustment of the relative position of charging devices and vehicles
- B60L53/38—Means for automatic or assisted adjustment of the relative position of charging devices and vehicles specially adapted for charging by inductive energy transfer
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/12—Electric charging stations
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/14—Plug-in electric vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本申请涉及电动汽车智能充电的领域,其具体地公开了一种用于电动汽车的充电报警***及其工作方法,其采用深度学习技术的卷积神经网络模型以基于发射线圈和接收线圈的磁场分布来提取出所述磁场分布图的高维隐含特征,并且还利用高斯密度图来融合所述发射线圈和所述接收线圈的磁场分布之间的高维关联特征信息,以使得分类的结果更加准确。通过这样的方式,能够对异物的类型进行准确地识别,从而基于不同的类型设置不同的报警等级。
Description
技术领域
本发明涉及电动汽车智能充电的领域,且更为具体地,涉及一种用于电动汽车的充电报警***及其工作方法。
背景技术
随着石油能源的不断消耗以及环境污染的不断加重,电动汽车产业受到各国政府的大力支持,正处于一个快速发展的阶段。无线充电发射线圈作为电动汽车充电能源供应的载体,是无线充电技术的关键部分。由于其工作环境一般为户外,其表面随时可能出现如硬币、易拉罐、落叶等各种异物,这将严重降低发射线圈在工作时的工作效率,并带来安全事故。
同时,不同异物对充电造成的影响不同,落叶等异物对充电影响较小,而易拉罐等金属对其影响较大,并且还有可能会导致火灾等安全隐患。因此,为了对异物的类型进行识别,以基于不同的类型设置不同的报警等级,期望一种用于电动汽车的充电报警***。
发明内容
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用于电动汽车的充电报警***及其工作方法,其采用深度学习技术的卷积神经网络模型以基于发射线圈和接收线圈的磁场分布来提取出所述磁场分布图的高维隐含特征,并且还利用高斯密度图来融合所述发射线圈和所述接收线圈的磁场分布之间的高维关联特征信息,以使得分类的结果更加准确。通过这样的方式,能够对异物的类型进行准确地识别,从而基于不同的类型设置不同的报警等级。
根据本申请的一个方面,提供了一种用于电动汽车的充电报警***,其包括:
磁场分布图获取单元,用于获取发射线圈的第一磁场分布图和接收线圈的第二磁场分布图,所述发射线圈和所述接收线圈用于对电动汽车进行无线充电;
特征提取单元,用于将所述第一磁场分布图和所述第二磁场分布图分别输入第一卷积神经网络和第二卷积神经网络以通过所述第一卷积神经网络和所述第二卷积神经网络的各个过滤器提取所述第一磁场分布图和所述第二磁场分布图中的高维特征以获得第一磁场特征向量和第二磁场特征向量,其中,所述第一磁场特征向量和所述第二磁场特征向量具有相同的长度;
高斯关联单元,用于基于所述第一磁场特征向量和所述第二磁场特征向量的每一对相应位置的特征值之间的均值和方差构造高斯分布以获得维度与所述第一磁场特征向量和所述第二磁场特征向量的长度相同的高斯密度图;
高斯离散化单元,用于对所述高斯密度图中各个高斯分布进行高斯离散化以将各个高斯分布转化为高斯特征向量并将所述多个高斯特征向量构造为高斯特征矩阵;
矩阵校正单元,用于基于所述第一磁场特征向量和所述第二磁场特征向量之间的协方差矩阵对所述高斯特征矩阵进行修正以获得分类特征图;
异物类型检测单元,用于将所述分类特征图通过分类器以获得用于反映异物类型的分类结果;以及
警示单元,用于基于所述分类结果,生成对应类型的警示信号。
在上述用于电动汽车的充电报警***中,所述特征提取单元,包括:第一卷积子单元,用于使用所述第一卷积神经网络的每层的卷积层的过滤器对所述第一磁场分布图进行卷积处理以获得第一卷积特征图;第一池化子单元,用于使用所述第一卷积神经网络的每层的池化层对所述第一卷积特征图进行池化处理以获得第一池化特征图;第一全局池化子单元,用于使用所述第一卷积神经网络的最后一层的全局池化层对输出进行全局平均值池化处理以获得所述第一磁场特征向量;第二卷积子单元,用于使用所述第二卷积神经网络的每层的卷积层的过滤器对所述第一磁场分布图进行卷积处理以获得第二卷积特征图;第二池化子单元,用于使用所述第二卷积神经网络的每层的池化层对所述第一卷积特征图进行池化处理以获得第二池化特征图;以及,第二全局池化子单元,用于使用所述第二卷积神经网络的最后一层的全局池化层对输出进行全局平均值池化处理以获得所述第二磁场特征向量。
在上述用于电动汽车的充电报警***中,所述特征提取单元,包括:所述高斯关联单元,进一步用于:计算所述第一磁场特征向量和所述第二磁场特征向量的每一对相应位置的特征值之间的均值和方差;以及,基于所述第一磁场特征向量和所述第二磁场特征向量的每一对相应位置的特征值之间的均值和方差构造高斯分布,以获得维度与所述第一磁场特征向量和所述第二磁场特征向量的长度相同的高斯密度图;其中,所述高斯密度图用公式可表示为:
其中f1i和f2i分别是第一磁场特征向量F1和第二磁场特征向量F2的各个位置的特征值,μi表示其均值,且σi表示其方差,gi表示高斯密度图中的每个高斯分布。
在上述用于电动汽车的充电报警***中,所述高斯离散化单元,进一步用于:对所述高斯密度图中各个高斯分布进行等数量随机采样以获得所述高斯特征向量;以及将各个所述高斯特征向量按行排列以获得所述高斯特征矩阵。
在上述用于电动汽车的充电报警***中,所述矩阵校正单元,进一步用于:计算所述第一磁场特征向量和所述第二磁场特征向量中任意一对位置的特征值之间的方差并将所述多个方差构造为所述协方差矩阵;以及,将所述高斯特征矩阵与所述协方差矩阵进行矩阵相乘以获得所述分类特征图。
在上述用于电动汽车的充电报警***中,所述异物类型检测单元,进一步用于:使用所述分类器的全连接层对所述分类特征图进行全连接编码以获得分类特征向量;将所述分类特征向量输入所述分类器的Softmax分类函数以获得所述分类特征向量分别归属于各个异物类型标签的概率值;以及,将所述概率值中最大者对应的异物类型标签确定为所述分类结果。
根据本申请的另一方面,一种用于电动汽车的充电报警***的工作方法,其包括:
获取发射线圈的第一磁场分布图和接收线圈的第二磁场分布图,所述发射线圈和所述接收线圈用于对电动汽车进行无线充电;
将所述第一磁场分布图和所述第二磁场分布图分别输入第一卷积神经网络和第二卷积神经网络以通过所述第一卷积神经网络和所述第二卷积神经网络的各个过滤器提取所述第一磁场分布图和所述第二磁场分布图中的高维特征以获得第一磁场特征向量和第二磁场特征向量,其中,所述第一磁场特征向量和所述第二磁场特征向量具有相同的长度;
基于所述第一磁场特征向量和所述第二磁场特征向量的每一对相应位置的特征值之间的均值和方差构造高斯分布以获得维度与所述第一磁场特征向量和所述第二磁场特征向量的长度相同的高斯密度图;
对所述高斯密度图中各个高斯分布进行高斯离散化以将各个高斯分布转化为高斯特征向量并将所述多个高斯特征向量构造为高斯特征矩阵;
基于所述第一磁场特征向量和所述第二磁场特征向量之间的协方差矩阵对所述高斯特征矩阵进行修正以获得分类特征图;
将所述分类特征图通过分类器以获得用于反映异物类型的分类结果;以及
基于所述分类结果,生成对应类型的警示信号。
在上述用于电动汽车的充电报警***的工作方法中,将所述第一磁场分布图和所述第二磁场分布图分别输入第一卷积神经网络和第二卷积神经网络以通过所述第一卷积神经网络和所述第二卷积神经网络的各个过滤器提取所述第一磁场分布图和所述第二磁场分布图中的高维特征以获得第一磁场特征向量和第二磁场特征向量,其中,所述第一磁场特征向量和所述第二磁场特征向量具有相同的长度,包括:使用所述第一卷积神经网络的每层的卷积层的过滤器对所述第一磁场分布图进行卷积处理以获得第一卷积特征图;使用所述第一卷积神经网络的每层的池化层对所述第一卷积特征图进行池化处理以获得第一池化特征图;使用所述第一卷积神经网络的最后一层的全局池化层对输出进行全局平均值池化处理以获得所述第一磁场特征向量;使用所述第二卷积神经网络的每层的卷积层的过滤器对所述第一磁场分布图进行卷积处理以获得第二卷积特征图;使用所述第二卷积神经网络的每层的池化层对所述第一卷积特征图进行池化处理以获得第二池化特征图;以及,使用所述第二卷积神经网络的最后一层的全局池化层对输出进行全局平均值池化处理以获得所述第二磁场特征向量。
在上述用于电动汽车的充电报警***的工作方法中,基于所述第一磁场特征向量和所述第二磁场特征向量的每一对相应位置的特征值之间的均值和方差构造高斯分布以获得维度与所述第一磁场特征向量和所述第二磁场特征向量的长度相同的高斯密度图,包括:计算所述第一磁场特征向量和所述第二磁场特征向量的每一对相应位置的特征值之间的均值和方差;以及,基于所述第一磁场特征向量和所述第二磁场特征向量的每一对相应位置的特征值之间的均值和方差构造高斯分布,以获得维度与所述第一磁场特征向量和所述第二磁场特征向量的长度相同的高斯密度图;其中,所述高斯密度图用公式可表示为:
其中f1i和f2i分别是第一磁场特征向量F1和第二磁场特征向量F2的各个位置的特征值,μi表示其均值,且σi表示其方差,gi表示高斯密度图中的每个高斯分布。
在上述用于电动汽车的充电报警***的工作方法中,对所述高斯密度图中各个高斯分布进行高斯离散化以将各个高斯分布转化为高斯特征向量并将所述多个高斯特征向量构造为高斯特征矩阵,包括:对所述高斯密度图中各个高斯分布进行等数量随机采样以获得所述高斯特征向量;以及将各个所述高斯特征向量按行排列以获得所述高斯特征矩阵。
在上述用于电动汽车的充电报警***的工作方法中,基于所述第一磁场特征向量和所述第二磁场特征向量之间的协方差矩阵对所述高斯特征矩阵进行修正以获得分类特征图,包括:计算所述第一磁场特征向量和所述第二磁场特征向量中任意一对位置的特征值之间的方差并将所述多个方差构造为所述协方差矩阵;以及,将所述高斯特征矩阵与所述协方差矩阵进行矩阵相乘以获得所述分类特征图。
在上述用于电动汽车的充电报警***的工作方法中,将所述分类特征图通过分类器以获得用于反映异物类型的分类结果,包括:使用所述分类器的全连接层对所述分类特征图进行全连接编码以获得分类特征向量;将所述分类特征向量输入所述分类器的Softmax分类函数以获得所述分类特征向量分别归属于各个异物类型标签的概率值;以及,将所述概率值中最大者对应的异物类型标签确定为所述分类结果。
与现有技术相比,本申请提供的用于电动汽车的充电报警***及其工作方法,其采用深度学习技术的卷积神经网络模型以基于发射线圈和接收线圈的磁场分布来提取出所述磁场分布图的高维隐含特征,并且还利用高斯密度图来融合所述发射线圈和所述接收线圈的磁场分布之间的高维关联特征信息,以使得分类的结果更加准确。通过这样的方式,能够对异物的类型进行准确地识别,从而基于不同的类型设置不同的报警等级。
附图说明
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。
图1为根据本申请实施例的用于电动汽车的充电报警***的应用场景图。
图2为根据本申请实施例的用于电动汽车的充电报警***的框图。
图3为根据本申请实施例的用于电动汽车的充电报警***中特征提取单元的框图。
图4为根据本申请实施例的用于电动汽车的充电报警***的工作方法的流程图。
图5为根据本申请实施例的用于电动汽车的充电报警***的工作方法的架构示意图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
场景概述
如前所述,随着石油能源的不断消耗以及环境污染的不断加重,电动汽车产业受到各国政府的大力支持,正处于一个快速发展的阶段。无线充电发射线圈作为电动汽车充电能源供应的载体,是无线充电技术的关键部分。由于其工作环境一般为户外,其表面随时可能出现如硬币、易拉罐、落叶等各种异物,这将严重降低发射线圈在工作时的工作效率,并带来安全事故。
同时,不同异物对充电造成的影响不同,落叶等异物对充电影响较小,而易拉罐等金属对其影响较大,并且还有可能会导致火灾等安全隐患。因此,为了对异物的类型进行识别,以基于不同的类型设置不同的报警等级,期望一种用于电动汽车的充电报警***。
相应地,在本申请的技术方案中,首先获取发射线圈的第一磁场分布图和接收线圈的第二磁场分布图,然后,将该第一磁场分布图和该第二磁场分布图分别输入第一卷积神经网络和第二卷积神经网络,以经由卷积神经网络的各个过滤器提取高维特征,从而获得第一磁场特征向量和第二磁场特征向量,这里,第一磁场特征向量和第二磁场特征向量的长度分别为第一卷积神经网络和第二卷积神经网络的通道数,通常将两者设置为相等,例如记为C。
这里,为了进一步在融合第一磁场特征向量和第二磁场特征向量的基础上获取两者的关联特征,代替简单地将第一磁场特征向量和第二磁场特征向量级联,在本申请的技术方案中,采用高斯密度图的方式来对第一磁场特征向量和第二磁场特征向量进行处理。
具体地,基于第一磁场特征向量和第二磁场特征向量的每一对相应位置的特征值之间的均值和方差,可以构造高斯分布,从而得到维度与特征向量的长度相同的C维高斯密度图,表示为:
其中f1i和f2i分别是第一磁场特征向量F1和第二磁场特征向量F2的各个位置的特征值,μi表示其均值,且σi表示其方差,gi表示高斯密度图中的每个高斯分布。
这样,就获得了第一磁场特征向量和第二磁场特征向量的特征值之间的关联信息,从而可以对于每个高斯分布进行高斯离散化以展开为高斯特征向量,并将C个高斯特征向量组成为高斯特征矩阵。
进一步地,考虑到卷积神经网络在提取特征时,各个过滤器之间可能也具有一定的关联关系,因此为了表达这种关联关系带来的信息,可以针对高斯特征图基于第一磁场特征向量和第二磁场特征向量的协方差矩阵进行进一步的修正。也就是,获得第一磁场特征向量和第二磁场特征向量的协方差矩阵∑,其每个位置是第一磁场特征向量和第二磁场特征向量中的一对特征值之间的方差。
然后,将高斯特征矩阵与该协方差矩阵进行矩阵相乘以得到分类特征图,再将分类特征图输入分类器,以得到用于反映异物类型的分类结果。
基于此,本申请提出了一种用于电动汽车的充电报警***,其包括:磁场分布图获取单元,用于获取发射线圈的第一磁场分布图和接收线圈的第二磁场分布图,所述发射线圈和所述接收线圈用于对电动汽车进行无线充电;特征提取单元,用于将所述第一磁场分布图和所述第二磁场分布图分别输入第一卷积神经网络和第二卷积神经网络以通过所述第一卷积神经网络和所述第二卷积神经网络的各个过滤器提取所述第一磁场分布图和所述第二磁场分布图中的高维特征以获得第一磁场特征向量和第二磁场特征向量,其中,所述第一磁场特征向量和所述第二磁场特征向量具有相同的长度;高斯关联单元,用于基于所述第一磁场特征向量和所述第二磁场特征向量的每一对相应位置的特征值之间的均值和方差构造高斯分布以获得维度与所述第一磁场特征向量和所述第二磁场特征向量的长度相同的高斯密度图;高斯离散化单元,用于对所述高斯密度图中各个高斯分布进行高斯离散化以将各个高斯分布转化为高斯特征向量并将所述多个高斯特征向量构造为高斯特征矩阵;矩阵校正单元,用于基于所述第一磁场特征向量和所述第二磁场特征向量之间的协方差矩阵对所述高斯特征矩阵进行修正以获得分类特征图;异物类型检测单元,用于将所述分类特征图通过分类器以获得用于反映异物类型的分类结果;以及,警示单元,用于基于所述分类结果,生成对应类型的警示信号。
图1图示了根据本申请实施例的用于电动汽车的充电报警***的应用场景图。如图1所示,在该应用场景中,首先,获取设置于无线充电设备(例如,如图1中所示意的B)内的发射线圈(例如,如图1中所示意的T)的第一磁场分布图和接收线圈(例如,如图1中所示意的R)的第二磁场分布图,所述发射线圈和所述接收线圈用于对电动汽车(例如,如图1中所示意的E)进行无线充电。然后,将获得的所述第一磁场分布图和所述第二磁场分布图输入至部署有用于电动汽车的充电报警算法的服务器中(例如,如图1中所示意的云服务器S),其中,所述服务器能够以用于电动汽车的充电报警算法对所述第一磁场分布图和所述第二磁场分布图进行处理,以生成用于反映异物类型的分类结果。进而,基于所述分类结果,生成对应类型的警示信号,这样就能够对异物的类型进行准确地识别,从而基于不同的类型设置不同的报警等级,以提高发射线圈在工作时的工作效率,并减少安全事故的发生。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性***
图2图示了根据本申请实施例的用于电动汽车的充电报警***的框图。如图2所示,根据本申请实施例的用于电动汽车的充电报警***200,包括:磁场分布图获取单元210,用于获取发射线圈的第一磁场分布图和接收线圈的第二磁场分布图,所述发射线圈和所述接收线圈用于对电动汽车进行无线充电;特征提取单元220,用于将所述第一磁场分布图和所述第二磁场分布图分别输入第一卷积神经网络和第二卷积神经网络以通过所述第一卷积神经网络和所述第二卷积神经网络的各个过滤器提取所述第一磁场分布图和所述第二磁场分布图中的高维特征以获得第一磁场特征向量和第二磁场特征向量,其中,所述第一磁场特征向量和所述第二磁场特征向量具有相同的长度;高斯关联单元230,用于基于所述第一磁场特征向量和所述第二磁场特征向量的每一对相应位置的特征值之间的均值和方差构造高斯分布以获得维度与所述第一磁场特征向量和所述第二磁场特征向量的长度相同的高斯密度图;高斯离散化单元240,用于对所述高斯密度图中各个高斯分布进行高斯离散化以将各个高斯分布转化为高斯特征向量并将所述多个高斯特征向量构造为高斯特征矩阵;矩阵校正单元250,用于基于所述第一磁场特征向量和所述第二磁场特征向量之间的协方差矩阵对所述高斯特征矩阵进行修正以获得分类特征图;异物类型检测单元260,用于将所述分类特征图通过分类器以获得用于反映异物类型的分类结果;以及,警示单元270,用于基于所述分类结果,生成对应类型的警示信号。
具体地,在本申请实施例中,所述磁场分布图获取单元210,用于获取发射线圈的第一磁场分布图和接收线圈的第二磁场分布图,所述发射线圈和所述接收线圈用于对电动汽车进行无线充电。如前所述,不同异物对发射线圈和接收线圈的磁场分布影响不同,例如,落叶等异物对其影响较小,而易拉罐等金属影响较大,并且还有可能导致火灾等安全隐患。因此,在本申请的技术方案中,基于所述发射线圈和所述接收线圈的磁场分布,以及两者之间的关联来对异物进行分类,以确定不同的报警等级。在此之前,首先,需要获取设置于无线充电设备内的所述发射线圈的第一磁场分布图和所述接收线圈的第二磁场分布图,以便于后续提取出两者的高维关联特征。这里,所述发射线圈和所述接收线圈用于对电动汽车进行无线充电。
具体地,在本申请实施例中,所述特征提取单元220,将所述第一磁场分布图和所述第二磁场分布图分别输入第一卷积神经网络和第二卷积神经网络以通过所述第一卷积神经网络和所述第二卷积神经网络的各个过滤器提取所述第一磁场分布图和所述第二磁场分布图中的高维特征以获得第一磁场特征向量和第二磁场特征向量,其中,所述第一磁场特征向量和所述第二磁场特征向量具有相同的长度。也就是,将所述第一磁场分布图输入第一卷积神经网络的各个过滤器中进行处理,以提取出所述第一磁场分布图的高维隐含特征,从而得到第一磁场特征向量;并且,将所述第二磁场分布图输入第二卷积神经网络的各个过滤器中进行处理,以提取出所述第二磁场分布图中的高维隐含特征,从而得到第二磁场特征向量。值得一提的是,这里,所述第一磁场特征向量和所述第二磁场特征向量的长度分别为所述第一卷积神经网络和所述第二卷积神经网络的通道数,通常将两者设置为相等,例如记为C。
更具体地,在本申请的实施例中,所述特征提取单元,包括:首先,使用所述第一卷积神经网络的每层的卷积层的过滤器对所述第一磁场分布图进行卷积处理以获得第一卷积特征图,以提取出所述第一磁场分布图的图像特征,并且还大大降低了网络参数,保证了网络的稀疏性,防止过拟合。接着,使用所述第一卷积神经网络的每层的池化层对所述第一卷积特征图进行池化处理以获得第一池化特征图,以实现特征的不变性。然后,使用所述第一卷积神经网络的最后一层的全局池化层对输出进行全局平均值池化处理以获得所述第一磁场特征向量,以减小计算量和参数的个数,防止过拟合。接着,使用所述第二卷积神经网络的每层的卷积层的过滤器对所述第一磁场分布图进行卷积处理以获得第二卷积特征图。然后,使用所述第二卷积神经网络的每层的池化层对所述第一卷积特征图进行池化处理以获得第二池化特征图。最后,使用所述第二卷积神经网络的最后一层的全局池化层对输出进行全局平均值池化处理以获得所述第二磁场特征向量。
图3图示了根据本申请实施例的用于电动汽车的充电报警***中特征提取单元的框图。如图3所示,所述特征提取单元220,包括:第一卷积子单元221,用于使用所述第一卷积神经网络的每层的卷积层的过滤器对所述第一磁场分布图进行卷积处理以获得第一卷积特征图;第一池化子单元222,用于使用所述第一卷积神经网络的每层的池化层对所述第一卷积特征图进行池化处理以获得第一池化特征图;第一全局池化子单元223,用于使用所述第一卷积神经网络的最后一层的全局池化层对输出进行全局平均值池化处理以获得所述第一磁场特征向量;第二卷积子单元224,用于使用所述第二卷积神经网络的每层的卷积层的过滤器对所述第一磁场分布图进行卷积处理以获得第二卷积特征图;第二池化子单元225,用于使用所述第二卷积神经网络的每层的池化层对所述第一卷积特征图进行池化处理以获得第二池化特征图;以及,第二全局池化子单元226,用于使用所述第二卷积神经网络的最后一层的全局池化层对输出进行全局平均值池化处理以获得所述第二磁场特征向量。
具体地,在本申请实施例中,所述高斯关联单元230和所述高斯离散化单元240,用于基于所述第一磁场特征向量和所述第二磁场特征向量的每一对相应位置的特征值之间的均值和方差构造高斯分布以获得维度与所述第一磁场特征向量和所述第二磁场特征向量的长度相同的高斯密度图,并对所述高斯密度图中各个高斯分布进行高斯离散化以将各个高斯分布转化为高斯特征向量并将所述多个高斯特征向量构造为高斯特征矩阵。应可以理解,为了进一步在融合所述第一磁场特征向量和所述第二磁场特征向量的基础上获取两者的关联特征,代替简单地将所述第一磁场特征向量和所述第二磁场特征向量级联,因此,在本申请的技术方案中,选择采用高斯密度图的方式来对所述第一磁场特征向量和所述第二磁场特征向量进行处理。也就是,具体地,首先,基于所述第一磁场特征向量和所述第二磁场特征向量的每一对相应位置的特征值之间的均值和方差构造高斯分布,以获得C维高斯密度图,这里,所述高斯密度图的维度与所述第一磁场特征向量和所述第二磁场特征向量的长度相同。这样,就获得了所述第一磁场特征向量和所述第二磁场特征向量的特征值之间的关联信息。然后,对于所述高斯密度图中每个高斯分布进行高斯离散化以展开为高斯特征向量。在一个具体示例中,可以对所述高斯密度图中各个高斯分布进行等数量随机采样以获得所述高斯特征向量。最后,再将所述C个高斯特征向量组成为高斯特征矩阵。在一个具体示例中,可以将各个所述高斯特征向量按行排列以获得所述高斯特征矩阵。
更具体地,在本申请实施例中,所述高斯关联单元,进一步用于:计算所述第一磁场特征向量和所述第二磁场特征向量的每一对相应位置的特征值之间的均值和方差;以及,基于所述第一磁场特征向量和所述第二磁场特征向量的每一对相应位置的特征值之间的均值和方差构造高斯分布,以获得维度与所述第一磁场特征向量和所述第二磁场特征向量的长度相同的高斯密度图;其中,所述高斯密度图用公式可表示为:
其中f1i和f2i分别是第一磁场特征向量F1和第二磁场特征向量F2的各个位置的特征值,μi表示其均值,且σi表示其方差,gi表示高斯密度图中的每个高斯分布。
具体地,在本申请实施例中,所述矩阵校正单元250,用于基于所述第一磁场特征向量和所述第二磁场特征向量之间的协方差矩阵对所述高斯特征矩阵进行修正以获得分类特征图。应可以理解,考虑到所述卷积神经网络在提取特征时,各个所述过滤器之间可能也具有一定的关联关系。因此,在本申请的技术方案中,为了表达这种关联关系带来的信息,可以针对所述高斯特征图基于所述第一磁场特征向量和所述第二磁场特征向量的协方差矩阵进行进一步的修正。也就是,首先,获得所述第一磁场特征向量和所述第二磁场特征向量的协方差矩阵∑,其中,所述协方差矩阵的每个位置是所述第一磁场特征向量和所述第二磁场特征向量中的一对特征值之间的方差。然后,将所述高斯特征矩阵与所述协方差矩阵进行矩阵相乘,以基于所述协方差矩阵对所述高斯特征矩阵进行修正,从而得到分类特征图。
更具体地,在本申请实施例中,所述矩阵校正单元,进一步用于:首先,计算所述第一磁场特征向量和所述第二磁场特征向量中任意一对位置的特征值之间的方差并将所述多个方差构造为所述协方差矩阵;然后,将所述高斯特征矩阵与所述协方差矩阵进行矩阵相乘以获得所述分类特征图。
具体地,在本申请实施例中,所述异物类型检测单元260和所述警示单元270,用于将所述分类特征图通过分类器以获得用于反映异物类型的分类结果,并基于所述分类结果,生成对应类型的警示信号。更具体地,在本申请实施例中,所述异物类型检测单元,进一步用于:首先,使用所述分类器的全连接层对所述分类特征图进行全连接编码以获得分类特征向量,也就是,通过所述分类器的一个或多个全连接层对所述分类特征图进行全连接编码,以充分利用分类特征图中的信息,从而获得分类特征向量。然后,将所述分类特征向量输入所述分类器的Softmax分类函数以获得所述分类特征向量分别归属于各个异物类型标签的概率值。例如,所述分类特征向量归属于硬币的第一概率,所述分类特征向量归属于易拉罐的第二概率,所述分类特征向量归属于落叶的第三概率等。最后,将所述概率值中最大者对应的异物类型标签确定为所述分类结果。具体地,例如,当所述第一概率大于所述第二概率和所述第三概率时,所述分类结果为异物类型标签确定为硬币;当所述第二概率大于所述第一概率和所述第三概率时,所述分类结果为异物类型标签确定为易拉罐;当所述第三概率大于所述第一概率和所述第二概率时,所述分类结果为异物类型标签确定为落叶。
进一步地,基于所述分类结果,生成对应类型的警示信号,这样就能够对异物的类型进行准确地识别,从而基于不同的类型设置不同的报警等级,以提高发射线圈在工作时的工作效率,并减少安全事故的发生。
综上,基于本申请实施例的所述用于电动汽车的充电报警***200被阐明,其采用深度学习技术的卷积神经网络模型以基于发射线圈和接收线圈的磁场分布来提取出所述磁场分布图的高维隐含特征,并且还利用高斯密度图来融合所述发射线圈和所述接收线圈的磁场分布之间的高维关联特征信息,以使得分类的结果更加准确。通过这样的方式,能够对异物的类型进行准确地识别,从而基于不同的类型设置不同的报警等级。
如上所述,根据本申请实施例的用于电动汽车的充电报警***200可以实现在各种终端设备中,例如用于电动汽车的充电报警算法的服务器等。在一个示例中,根据本申请实施例的用于电动汽车的充电报警***200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该用于电动汽车的充电报警***200可以是该终端设备的操作***中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该用于电动汽车的充电报警***200同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该用于电动汽车的充电报警***200与该终端设备也可以是分立的设备,并且该用于电动汽车的充电报警***200可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
示例性方法
图4图示了用于电动汽车的充电报警***的工作方法的流程图。如图4所示,根据本申请实施例的用于电动汽车的充电报警***的工作方法,包括步骤:S110,获取发射线圈的第一磁场分布图和接收线圈的第二磁场分布图,所述发射线圈和所述接收线圈用于对电动汽车进行无线充电;S120,将所述第一磁场分布图和所述第二磁场分布图分别输入第一卷积神经网络和第二卷积神经网络以通过所述第一卷积神经网络和所述第二卷积神经网络的各个过滤器提取所述第一磁场分布图和所述第二磁场分布图中的高维特征以获得第一磁场特征向量和第二磁场特征向量,其中,所述第一磁场特征向量和所述第二磁场特征向量具有相同的长度;S130,基于所述第一磁场特征向量和所述第二磁场特征向量的每一对相应位置的特征值之间的均值和方差构造高斯分布以获得维度与所述第一磁场特征向量和所述第二磁场特征向量的长度相同的高斯密度图;S140,对所述高斯密度图中各个高斯分布进行高斯离散化以将各个高斯分布转化为高斯特征向量并将所述多个高斯特征向量构造为高斯特征矩阵;S150,基于所述第一磁场特征向量和所述第二磁场特征向量之间的协方差矩阵对所述高斯特征矩阵进行修正以获得分类特征图;S160,将所述分类特征图通过分类器以获得用于反映异物类型的分类结果;以及,S170,基于所述分类结果,生成对应类型的警示信号。
图5图示了根据本申请实施例的用于电动汽车的充电报警***的工作方法的架构示意图。如图5所示,在所述用于电动汽车的充电报警***的工作方法的网络架构中,首先,将获得的所述第一磁场分布图(例如,如图5中所示意的P1)和所述第二磁场分布图(例如,如图5中所示意的P2)分别输入第一卷积神经网络(例如,如图5中所示意的CNN1)和第二卷积神经网络(例如,如图5中所示意的CNN2)以通过所述第一卷积神经网络和所述第二卷积神经网络的各个过滤器提取所述第一磁场分布图和所述第二磁场分布图中的高维特征以获得第一磁场特征向量(例如,如图5中所示意的VF1)和第二磁场特征向量(例如,如图5中所示意的VF2);接着,基于所述第一磁场特征向量和所述第二磁场特征向量的每一对相应位置的特征值之间的均值和方差构造高斯分布以获得维度与所述第一磁场特征向量和所述第二磁场特征向量的长度相同的高斯密度图(例如,如图5中所示意的GD);然后,对所述高斯密度图中各个高斯分布进行高斯离散化以将各个高斯分布转化为高斯特征向量(例如,如图5中所示意的VFG)并将所述多个高斯特征向量构造为高斯特征矩阵(例如,如图5中所示意的MF);接着,基于所述第一磁场特征向量和所述第二磁场特征向量之间的协方差矩阵(例如,如图5中所示意的M)对所述高斯特征矩阵进行修正以获得分类特征图(例如,如图5中所示意的F);然后,将所述分类特征图通过分类器(例如,如图5中所示意的分类器)以获得用于反映异物类型的分类结果;以及,最后,基于所述分类结果,生成对应类型的警示信号。
更具体地,在步骤S110和S120中,获取发射线圈的第一磁场分布图和接收线圈的第二磁场分布图,所述发射线圈和所述接收线圈用于对电动汽车进行无线充电,并将所述第一磁场分布图和所述第二磁场分布图分别输入第一卷积神经网络和第二卷积神经网络以通过所述第一卷积神经网络和所述第二卷积神经网络的各个过滤器提取所述第一磁场分布图和所述第二磁场分布图中的高维特征以获得第一磁场特征向量和第二磁场特征向量,其中,所述第一磁场特征向量和所述第二磁场特征向量具有相同的长度。也就是,首先,需要获取设置于无线充电设备内的所述发射线圈的第一磁场分布图和所述接收线圈的第二磁场分布图,以便于后续提取出两者的高维关联特征,这里,所述发射线圈和所述接收线圈用于对电动汽车进行无线充电。接着,使用所述第一卷积神经网络的每层的卷积层的过滤器对所述第一磁场分布图进行卷积处理以获得第一卷积特征图。然后,用于使用所述第一卷积神经网络的每层的池化层对所述第一卷积特征图进行池化处理以获得第一池化特征图。接着,用于使用所述第一卷积神经网络的最后一层的全局池化层对输出进行全局平均值池化处理以获得所述第一磁场特征向量;第二卷积子单元224,用于使用所述第二卷积神经网络的每层的卷积层的过滤器对所述第一磁场分布图进行卷积处理以获得第二卷积特征图。然后,用于使用所述第二卷积神经网络的每层的池化层对所述第一卷积特征图进行池化处理以获得第二池化特征图。最后,用于使用所述第二卷积神经网络的最后一层的全局池化层对输出进行全局平均值池化处理以获得所述第二磁场特征向量。
更具体地,在步骤S130和S140中,基于所述第一磁场特征向量和所述第二磁场特征向量的每一对相应位置的特征值之间的均值和方差构造高斯分布以获得维度与所述第一磁场特征向量和所述第二磁场特征向量的长度相同的高斯密度图,并对所述高斯密度图中各个高斯分布进行高斯离散化以将各个高斯分布转化为高斯特征向量并将所述多个高斯特征向量构造为高斯特征矩阵。应可以理解,为了进一步在融合所述第一磁场特征向量和所述第二磁场特征向量的基础上获取两者的关联特征,代替简单地将所述第一磁场特征向量和所述第二磁场特征向量级联,因此,在本申请的技术方案中,选择采用高斯密度图的方式来对所述第一磁场特征向量和所述第二磁场特征向量进行处理。也就是,具体地,首先,基于所述第一磁场特征向量和所述第二磁场特征向量的每一对相应位置的特征值之间的均值和方差构造高斯分布,以获得C维高斯密度图,这里,所述高斯密度图的维度与所述第一磁场特征向量和所述第二磁场特征向量的长度相同。这样,就获得了所述第一磁场特征向量和所述第二磁场特征向量的特征值之间的关联信息。然后,对于所述高斯密度图中每个高斯分布进行高斯离散化以展开为高斯特征向量。在一个具体示例中,可以对所述高斯密度图中各个高斯分布进行等数量随机采样以获得所述高斯特征向量。最后,再将所述C个高斯特征向量组成为高斯特征矩阵。在一个具体示例中,可以将各个所述高斯特征向量按行排列以获得所述高斯特征矩阵。
更具体地,在步骤S150中,基于所述第一磁场特征向量和所述第二磁场特征向量之间的协方差矩阵对所述高斯特征矩阵进行修正以获得分类特征图。应可以理解,考虑到所述卷积神经网络在提取特征时,各个所述过滤器之间可能也具有一定的关联关系。因此,在本申请的技术方案中,为了表达这种关联关系带来的信息,可以针对所述高斯特征图基于所述第一磁场特征向量和所述第二磁场特征向量的协方差矩阵进行进一步的修正。也就是,首先,获得所述第一磁场特征向量和所述第二磁场特征向量的协方差矩阵∑,其中,所述协方差矩阵的每个位置是所述第一磁场特征向量和所述第二磁场特征向量中的一对特征值之间的方差。然后,将所述高斯特征矩阵与所述协方差矩阵进行矩阵相乘,以基于所述协方差矩阵对所述高斯特征矩阵进行修正,从而得到分类特征图。
更具体地,在步骤S160和步骤S170中,将所述分类特征图通过分类器以获得用于反映异物类型的分类结果,并基于所述分类结果,生成对应类型的警示信号。也就是,首先,使用所述分类器的全连接层对所述分类特征图进行全连接编码以获得分类特征向量,也就是,通过所述分类器的一个或多个全连接层对所述分类特征图进行全连接编码,以充分利用分类特征图中的信息,从而获得分类特征向量。然后,将所述分类特征向量输入所述分类器的Softmax分类函数以获得所述分类特征向量分别归属于各个异物类型标签的概率值。例如,所述分类特征向量归属于硬币的第一概率,所述分类特征向量归属于易拉罐的第二概率,所述分类特征向量归属于落叶的第三概率等。最后,将所述概率值中最大者对应的异物类型标签确定为所述分类结果。具体地,例如,当所述第一概率大于所述第二概率和所述第三概率时,所述分类结果为异物类型标签确定为硬币;当所述第二概率大于所述第一概率和所述第三概率时,所述分类结果为异物类型标签确定为易拉罐;当所述第三概率大于所述第一概率和所述第二概率时,所述分类结果为异物类型标签确定为落叶。进一步地,再基于所述分类结果,生成对应类型的警示信号
综上,基于本申请实施例的所述用于电动汽车的充电报警***的工作方法被阐明,其采用深度学习技术的卷积神经网络模型以基于发射线圈和接收线圈的磁场分布来提取出所述磁场分布图的高维隐含特征,并且还利用高斯密度图来融合所述发射线圈和所述接收线圈的磁场分布之间的高维关联特征信息,以使得分类的结果更加准确。通过这样的方式,能够对异物的类型进行准确地识别,从而基于不同的类型设置不同的报警等级。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、***的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、***。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种用于电动汽车的充电报警***,其特征在于,包括:
磁场分布图获取单元,用于获取发射线圈的第一磁场分布图和接收线圈的第二磁场分布图,所述发射线圈和所述接收线圈用于对电动汽车进行无线充电;
特征提取单元,用于将所述第一磁场分布图和所述第二磁场分布图分别输入第一卷积神经网络和第二卷积神经网络以通过所述第一卷积神经网络和所述第二卷积神经网络的各个过滤器提取所述第一磁场分布图和所述第二磁场分布图中的高维特征以获得第一磁场特征向量和第二磁场特征向量,其中,所述第一磁场特征向量和所述第二磁场特征向量具有相同的长度;
高斯关联单元,用于基于所述第一磁场特征向量和所述第二磁场特征向量的每一对相应位置的特征值之间的均值和方差构造高斯分布以获得维度与所述第一磁场特征向量和所述第二磁场特征向量的长度相同的高斯密度图;
高斯离散化单元,用于对所述高斯密度图中各个高斯分布进行高斯离散化以将各个高斯分布转化为高斯特征向量并将所述多个高斯特征向量构造为高斯特征矩阵;
矩阵校正单元,用于基于所述第一磁场特征向量和所述第二磁场特征向量之间的协方差矩阵对所述高斯特征矩阵进行修正以获得分类特征图;
异物类型检测单元,用于将所述分类特征图通过分类器以获得用于反映异物类型的分类结果;以及
警示单元,用于基于所述分类结果,生成对应类型的警示信号。
2.根据权利要求1所述的用于电动汽车的充电报警***,其中,所述特征提取单元,包括:
第一卷积子单元,用于使用所述第一卷积神经网络的每层的卷积层的过滤器对所述第一磁场分布图进行卷积处理以获得第一卷积特征图;
第一池化子单元,用于使用所述第一卷积神经网络的每层的池化层对所述第一卷积特征图进行池化处理以获得第一池化特征图;
第一全局池化子单元,用于使用所述第一卷积神经网络的最后一层的全局池化层对输出进行全局平均值池化处理以获得所述第一磁场特征向量;
第二卷积子单元,用于使用所述第二卷积神经网络的每层的卷积层的过滤器对所述第一磁场分布图进行卷积处理以获得第二卷积特征图;
第二池化子单元,用于使用所述第二卷积神经网络的每层的池化层对所述第一卷积特征图进行池化处理以获得第二池化特征图;以及
第二全局池化子单元,用于使用所述第二卷积神经网络的最后一层的全局池化层对输出进行全局平均值池化处理以获得所述第二磁场特征向量。
4.根据权利要求3所述的用于电动汽车的充电报警***,其中,所述高斯离散化单元,进一步用于:对所述高斯密度图中各个高斯分布进行等数量随机采样以获得所述高斯特征向量;以及将各个所述高斯特征向量按行排列以获得所述高斯特征矩阵。
5.根据权利要求4所述的用于电动汽车的充电报警***,其中,所述矩阵校正单元,进一步用于:计算所述第一磁场特征向量和所述第二磁场特征向量中任意一对位置的特征值之间的方差并将所述多个方差构造为所述协方差矩阵;以及,将所述高斯特征矩阵与所述协方差矩阵进行矩阵相乘以获得所述分类特征图。
6.根据权利要求5所述的用于电动汽车的充电报警***,其中,所述异物类型检测单元,进一步用于:
使用所述分类器的全连接层对所述分类特征图进行全连接编码以获得分类特征向量;
将所述分类特征向量输入所述分类器的Softmax分类函数以获得所述分类特征向量分别归属于各个异物类型标签的概率值;以及
将所述概率值中最大者对应的异物类型标签确定为所述分类结果。
7.一种用于电动汽车的充电报警***的工作方法,其特征在于,包括:
获取发射线圈的第一磁场分布图和接收线圈的第二磁场分布图,所述发射线圈和所述接收线圈用于对电动汽车进行无线充电;
将所述第一磁场分布图和所述第二磁场分布图分别输入第一卷积神经网络和第二卷积神经网络以通过所述第一卷积神经网络和所述第二卷积神经网络的各个过滤器提取所述第一磁场分布图和所述第二磁场分布图中的高维特征以获得第一磁场特征向量和第二磁场特征向量,其中,所述第一磁场特征向量和所述第二磁场特征向量具有相同的长度;
基于所述第一磁场特征向量和所述第二磁场特征向量的每一对相应位置的特征值之间的均值和方差构造高斯分布以获得维度与所述第一磁场特征向量和所述第二磁场特征向量的长度相同的高斯密度图;
对所述高斯密度图中各个高斯分布进行高斯离散化以将各个高斯分布转化为高斯特征向量并将所述多个高斯特征向量构造为高斯特征矩阵;
基于所述第一磁场特征向量和所述第二磁场特征向量之间的协方差矩阵对所述高斯特征矩阵进行修正以获得分类特征图;
将所述分类特征图通过分类器以获得用于反映异物类型的分类结果;以及
基于所述分类结果,生成对应类型的警示信号。
8.根据权利要求7所述的用于电动汽车的充电报警***的工作方法,其中,将所述第一磁场分布图和所述第二磁场分布图分别输入第一卷积神经网络和第二卷积神经网络以通过所述第一卷积神经网络和所述第二卷积神经网络的各个过滤器提取所述第一磁场分布图和所述第二磁场分布图中的高维特征以获得第一磁场特征向量和第二磁场特征向量,其中,所述第一磁场特征向量和所述第二磁场特征向量具有相同的长度,包括:
使用所述第一卷积神经网络的每层的卷积层的过滤器对所述第一磁场分布图进行卷积处理以获得第一卷积特征图;
使用所述第一卷积神经网络的每层的池化层对所述第一卷积特征图进行池化处理以获得第一池化特征图;
使用所述第一卷积神经网络的最后一层的全局池化层对输出进行全局平均值池化处理以获得所述第一磁场特征向量;
使用所述第二卷积神经网络的每层的卷积层的过滤器对所述第一磁场分布图进行卷积处理以获得第二卷积特征图;
使用所述第二卷积神经网络的每层的池化层对所述第一卷积特征图进行池化处理以获得第二池化特征图;以及
使用所述第二卷积神经网络的最后一层的全局池化层对输出进行全局平均值池化处理以获得所述第二磁场特征向量。
9.根据权利要求7所述的用于电动汽车的充电报警***的工作方法,其中,基于所述第一磁场特征向量和所述第二磁场特征向量的每一对相应位置的特征值之间的均值和方差构造高斯分布以获得维度与所述第一磁场特征向量和所述第二磁场特征向量的长度相同的高斯密度图,包括:
计算所述第一磁场特征向量和所述第二磁场特征向量的每一对相应位置的特征值之间的均值和方差;以及
基于所述第一磁场特征向量和所述第二磁场特征向量的每一对相应位置的特征值之间的均值和方差构造高斯分布,以获得维度与所述第一磁场特征向量和所述第二磁场特征向量的长度相同的高斯密度图;
其中,所述高斯密度图用公式可表示为:
其中f1i和f2i分别是第一磁场特征向量F1和第二磁场特征向量F2的各个位置的特征值,μi表示其均值,且σi表示其方差,gi表示高斯密度图中的每个高斯分布。
10.根据权利要求7所述的用于电动汽车的充电报警***的工作方法,其中,对所述高斯密度图中各个高斯分布进行高斯离散化以将各个高斯分布转化为高斯特征向量并将所述多个高斯特征向量构造为高斯特征矩阵,包括:
对所述高斯密度图中各个高斯分布进行等数量随机采样以获得所述高斯特征向量;以及将各个所述高斯特征向量按行排列以获得所述高斯特征矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111427118.9A CN114211975A (zh) | 2021-11-28 | 2021-11-28 | 用于电动汽车的充电报警***及其工作方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111427118.9A CN114211975A (zh) | 2021-11-28 | 2021-11-28 | 用于电动汽车的充电报警***及其工作方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114211975A true CN114211975A (zh) | 2022-03-22 |
Family
ID=80698678
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111427118.9A Withdrawn CN114211975A (zh) | 2021-11-28 | 2021-11-28 | 用于电动汽车的充电报警***及其工作方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114211975A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114662615A (zh) * | 2022-05-07 | 2022-06-24 | 浙江加力仓储设备股份有限公司 | 具有感应手柄的电动升降叉车及其控制方法 |
CN115099684A (zh) * | 2022-07-18 | 2022-09-23 | 江西中科冠物联网科技有限公司 | 企业安全生产管理***及其管理方法 |
CN115687928A (zh) * | 2022-11-11 | 2023-02-03 | 广芯微电子(广州)股份有限公司 | 一种异物识别模型的构建方法、装置及异物识别方法 |
CN116820052A (zh) * | 2023-07-13 | 2023-09-29 | 滁州优胜高分子材料有限公司 | Pbt材料生产设备及其控制方法 |
CN116858509A (zh) * | 2023-05-24 | 2023-10-10 | 车金喜汽配股份有限公司 | 汽车零部件用加工***及其方法 |
WO2023226227A1 (zh) * | 2022-05-27 | 2023-11-30 | 福建龙氟新材料有限公司 | 用于电子级氢氟酸制备的自动配料***及其配料方法 |
CN118135800A (zh) * | 2024-05-06 | 2024-06-04 | 东揽(南京)智能科技有限公司 | 基于深度学习的异常交通事件精准识别告警方法 |
-
2021
- 2021-11-28 CN CN202111427118.9A patent/CN114211975A/zh not_active Withdrawn
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114662615A (zh) * | 2022-05-07 | 2022-06-24 | 浙江加力仓储设备股份有限公司 | 具有感应手柄的电动升降叉车及其控制方法 |
CN114662615B (zh) * | 2022-05-07 | 2022-10-21 | 浙江加力仓储设备股份有限公司 | 具有感应手柄的电动升降叉车及其控制方法 |
WO2023226227A1 (zh) * | 2022-05-27 | 2023-11-30 | 福建龙氟新材料有限公司 | 用于电子级氢氟酸制备的自动配料***及其配料方法 |
CN115099684A (zh) * | 2022-07-18 | 2022-09-23 | 江西中科冠物联网科技有限公司 | 企业安全生产管理***及其管理方法 |
CN115687928A (zh) * | 2022-11-11 | 2023-02-03 | 广芯微电子(广州)股份有限公司 | 一种异物识别模型的构建方法、装置及异物识别方法 |
CN116858509A (zh) * | 2023-05-24 | 2023-10-10 | 车金喜汽配股份有限公司 | 汽车零部件用加工***及其方法 |
CN116820052A (zh) * | 2023-07-13 | 2023-09-29 | 滁州优胜高分子材料有限公司 | Pbt材料生产设备及其控制方法 |
CN116820052B (zh) * | 2023-07-13 | 2024-02-02 | 滁州优胜高分子材料有限公司 | Pbt材料生产设备及其控制方法 |
CN118135800A (zh) * | 2024-05-06 | 2024-06-04 | 东揽(南京)智能科技有限公司 | 基于深度学习的异常交通事件精准识别告警方法 |
CN118135800B (zh) * | 2024-05-06 | 2024-07-09 | 东揽(南京)智能科技有限公司 | 基于深度学习的异常交通事件精准识别告警方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114211975A (zh) | 用于电动汽车的充电报警***及其工作方法 | |
CN116639010B (zh) | 充电桩的智能控制***及其方法 | |
CN106778590B (zh) | 一种基于卷积神经网络模型的暴恐视频检测方法 | |
CN109472209B (zh) | 一种图像识别方法、装置和存储介质 | |
CN115761642A (zh) | 基于图像处理的破碎作业监控方法及其*** | |
CN109446804B (zh) | 一种基于多尺度特征连接卷积神经网络的入侵检测方法 | |
Imani et al. | Principal component discriminant analysis for feature extraction and classification of hyperspectral images | |
CN105335757A (zh) | 一种基于局部特征聚合描述符的车型识别方法 | |
CN103886334A (zh) | 一种多指标融合的高光谱遥感影像降维方法 | |
CN110796109A (zh) | 一种基于模型融合的驾驶员分心行为识别方法 | |
CN115456789A (zh) | 基于交易模式识别的异常交易检测方法及其*** | |
CN114048468A (zh) | 入侵检测的方法、入侵检测模型训练的方法、装置及介质 | |
Yu et al. | Vision‐based traffic accident detection using sparse spatio‐temporal features and weighted extreme learning machine | |
CN117475236B (zh) | 用于矿产资源勘探的数据处理***及其方法 | |
CN116167989A (zh) | 铝杯的智能化生产方法及其*** | |
CN115935276A (zh) | 环境水质监测***及其监测方法 | |
CN115100427A (zh) | 锂电池制造的石墨矿石破碎装置及其处理方法 | |
CN115146676A (zh) | 电路故障检测方法及其*** | |
CN116343301A (zh) | 基于人脸识别的人员信息智能校验*** | |
CN113449679B (zh) | 一种人体异常行为识别方法和装置 | |
CN114758113A (zh) | 对抗样本防御训练方法、分类预测方法及装置、电子设备 | |
Murugan et al. | Vehicle logo recognition using RCNN for intelligent transportation systems | |
CN116204821B (zh) | 用于轨道交通车辆的振动评估方法及*** | |
Lokman et al. | Optimised structure of convolutional neural networks for controller area network classification | |
CN116977834A (zh) | 一种开放条件下分布内外图像识别方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220322 |