CN116698283A - 载荷重心偏移的智能监测***及其方法 - Google Patents
载荷重心偏移的智能监测***及其方法 Download PDFInfo
- Publication number
- CN116698283A CN116698283A CN202310684287.3A CN202310684287A CN116698283A CN 116698283 A CN116698283 A CN 116698283A CN 202310684287 A CN202310684287 A CN 202310684287A CN 116698283 A CN116698283 A CN 116698283A
- Authority
- CN
- China
- Prior art keywords
- vehicle body
- body load
- waveform
- load simulation
- training
- 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 86
- 230000005484 gravity Effects 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 22
- 239000013598 vector Substances 0.000 claims description 390
- 238000004088 simulation Methods 0.000 claims description 217
- 238000005070 sampling Methods 0.000 claims description 176
- 238000012549 training Methods 0.000 claims description 150
- 230000006870 function Effects 0.000 claims description 75
- 238000000605 extraction Methods 0.000 claims description 52
- 238000011176 pooling Methods 0.000 claims description 33
- 230000004913 activation Effects 0.000 claims description 30
- 238000013527 convolutional neural network Methods 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 26
- 230000004927 fusion Effects 0.000 claims description 18
- 238000001914 filtration Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 230000001902 propagating effect Effects 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims 1
- 238000013135 deep learning Methods 0.000 abstract description 8
- 238000006243 chemical reaction Methods 0.000 abstract description 7
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 17
- 238000004590 computer program Methods 0.000 description 9
- 238000009826 distribution Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M1/00—Testing static or dynamic balance of machines or structures
- G01M1/12—Static balancing; Determining position of centre of gravity
- G01M1/122—Determining position of centre of gravity
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及智能监测领域,其具体地公开了一种载荷重心偏移的智能监测***及其方法,其通过利用深度学习和人工智能技术,直接从模拟信号作为输入来判断,而无需进行模数转化,这样避免信号处理带来的误差。通过这样的方式来实现对机动车载荷的实时监测和判断,避免超载对道路交通安全造成的潜在威胁。
Description
技术领域
本申请涉及智能监测领域,且更为具体地,涉及一种载荷重心偏移的智能监测***及其方法。
背景技术
目前,对于机动车的超载,主要采用静态的地磅检测法,但该方法设置的地磅成本较高、且受安置地理位置的影响,机动车需要行驶到设置有地磅的位置才能进行检测。
对此,专利CN 102566542B提供了一种机动车载荷安全监测***及方法来解决上述问题。在该专利的技术方案中,通过安装传感器来采集车体载荷的模拟信号,并对所感知到的模拟信号进行放大、滤波和数字转换,并基于所得到的车载载荷数字值与预定阈值之间的比较来判断载荷的偏移量是否超过安全标准。但是所采集的模拟信号存在诸多噪声,信号处理的质量会影响判断的精准度。因此,期待一种优化的方案。
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载荷重心偏移的智能监测***及其方法,其通过利用深度学习和人工智能技术,直接从模拟信号作为输入来判断,而无需进行模数转化,这样避免信号处理带来的误差。通过这样的方式来实现对机动车载荷的实时监测和判断,避免超载对道路交通安全造成的潜在威胁。
根据本申请的一个方面,提供了一种载荷重心偏移的智能监测***,其包括:
模拟信号采集单元,用于获取由传感器采集的车体载荷模拟信号;
滑窗采样单元,用于对所述车体载荷模拟信号进行基于采样窗的滑窗采样以得到多个车体载荷模拟采样窗;
特征过滤单元,用于将所述多个车体载荷模拟采样窗分别通过作为过滤器的卷积神经网络模型以得到多个车体载荷模拟采样窗波形特征向量;
上下文全局特征提取单元,用于将所述多个车体载荷模拟采样窗波形特征向量通过基于转换器的上下文编码器以得到车体载荷模拟波形全局特征向量;
多尺度局部特征提取单元,用于将所述多个车体载荷模拟采样窗波形特征向量排列为一维特征向量后通过包含第一卷积层和第二卷积层的局部关联特征提取器以得到车体载荷模拟波形局部关联特征向量;
融合单元,用于融合所述车体载荷模拟波形全局特征向量和所述车体载荷模拟波形局部关联特征向量以得到分类特征向量;以及
监测结果生成单元,用于将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示载荷偏移是否超过预定安全范围。
在上述载荷重心偏移的智能监测***中,所述作为过滤器的卷积神经网络模型包含输入层、第一卷积层、第一激活函数、第一池化层、第二卷积层、第二激活函数、第二池化层、全连接层、第三激活函数和输出层。
在上述载荷重心偏移的智能监测***中,所述第一卷积层使用16个大小为3x3的卷积核,步幅为1,所述第二卷积层使用32个大小为3x3的卷积核,步幅为1,所述第一激活函数、所述第二激活函数和所述第三激活函数使用ReLU,所述第一池化层和所述第二池化层都使用最大池化,池化大小为2x2,步幅为2。
在上述载荷重心偏移的智能监测***中,所述上下文全局特征提取单元,包括:查询向量构造子单元,用于将所述多个车体载荷模拟采样窗波形特征向量进行一维排列以得到全局车体载荷模拟采样窗波形特征向量;自注意子单元,用于计算所述全局车体载荷模拟采样窗波形特征向量与所述多个车体载荷模拟采样窗波形特征向量中各个车体载荷模拟采样窗波形特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵;标准化子单元,用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;关注度计算子单元,用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;注意力施加子单元,用于分别以所述多个概率值中各个概率值作为权重对所述多个车体载荷模拟采样窗波形特征向量中各个车体载荷模拟采样窗波形特征向量进行加权以得到所述多个上下文语义车体载荷模拟采样窗波形特征向量;以及,级联子单元,用于将所述多个上下文语义车体载荷模拟采样窗波形特征向量进行级联以得到所述车体载荷模拟波形全局特征向量。
在上述载荷重心偏移的智能监测***中,所述多尺度局部特征提取单元,包括:第一尺度局部特征提取子单元,用于将所述一维特征向量输入所述局部关联特征提取器的第一卷积层以得到第一尺度车体载荷模拟波形局部关联特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;第二尺度局部特征提取子单元,用于将所述一维特征向量输入所述局部关联特征提取器的第二卷积层以得到第二尺度车体载荷模拟波形局部关联特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;以及,多尺度级联子单元,用于将所述车体载荷模拟波形局部关联特征向量和所述车体载荷模拟波形局部关联特征向量进行级联以得到所述车体载荷模拟波形局部关联特征向量。其中,所述第一尺度局部特征提取子单元,用于:使用所述局部关联特征提取器的第一卷积层以如下一维卷积公式对所述一维特征向量进行一维卷积编码以得到所述第一尺度车体载荷模拟波形局部关联特征向量;其中,所述公式为:
其中,a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵,w为第一一维卷积核的尺寸,X表示所述一维特征向量,Cov(X)表示对所述一维特征向量进行一维卷积编码;以及,所述第二尺度局部特征提取子单元,用于:使用所述局部关联特征提取器的第二卷积层以如下一维卷积公式对所述一维特征向量进行一维卷积编码以得到所述第二尺度车体载荷模拟波形局部关联特征向量;其中,所述公式为:
其中,b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵,m为第二一维卷积核的尺寸,X表示所述一维特征向量,Cov(X)表示对所述一维特征向量进行一维卷积编码。
在上述载荷重心偏移的智能监测***中,所述监测结果生成单元,包括:全连接编码子单元,用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,分类结果生成子单元,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
在上述载荷重心偏移的智能监测***中,还包括用于对所述作为过滤器的卷积神经网络模型、所述基于转换器的上下文编码器、所述包含第一卷积层和第二卷积层的局部关联特征提取器和所述分类器进行训练的训练模块。
在上述载荷重心偏移的智能监测***中,所述训练模块,包括:训练数据获取单元,用于获取训练数据,所述训练数据包括由传感器采集的训练车体载荷模拟信号,以及,载荷偏移是否超过预定安全范围的真实值;训练滑窗采样单元,用于对所述训练车体载荷模拟信号进行基于采样窗的滑窗采样以得到多个训练车体载荷模拟采样窗;训练特征过滤单元,用于将所述多个训练车体载荷模拟采样窗分别通过所述作为过滤器的卷积神经网络模型以得到多个训练车体载荷模拟采样窗波形特征向量;训练上下文全局特征提取单元,用于将所述多个训练车体载荷模拟采样窗波形特征向量通过所述基于转换器的上下文编码器以得到训练车体载荷模拟波形全局特征向量;训练多尺度局部特征提取单元,用于将所述多个训练车体载荷模拟采样窗波形特征向量排列为一维特征向量后通过所述包含第一卷积层和第二卷积层的局部关联特征提取器以得到训练车体载荷模拟波形局部关联特征向量;训练融合单元,用于融合所述训练车体载荷模拟波形全局特征向量和所述训练车体载荷模拟波形局部关联特征向量以得到训练分类特征向量;分类损失单元,用于将所述训练分类特征向量通过分类器以得到分类损失函数值;伪循环差异惩罚因数运算单元,用于计算所述训练车体载荷模拟波形全局特征向量和所述训练车体载荷模拟波形局部关联特征向量的伪循环差异惩罚因数;以及,训练单元,用于以所述分类损失函数值和所述伪循环差异惩罚因数的加权和作为损失函数值,并通过梯度下降的方向传播来对所述作为过滤器的卷积神经网络模型、所述基于转换器的上下文编码器、所述包含第一卷积层和第二卷积层的局部关联特征提取器和所述分类器进行训练。
在上述载荷重心偏移的智能监测***中,所述伪循环差异惩罚因数运算单元,用于:以如下损失公式计算所述训练车体载荷模拟波形全局特征向量和所述训练车体载荷模拟波形局部关联特征向量的伪循环差异惩罚因数作为所述伪循环差异惩罚损失函数值;其中,所述损失公式为:
其中,V1是所述训练车体载荷模拟波形全局特征向量,V2是所述训练车体载荷模拟波形局部关联特征向量,D(V1,V2)为所述训练车体载荷模拟波形全局特征向量和所述训练车体载荷模拟波形局部关联特征向量之间的距离矩阵,||·||F表示矩阵的Frobenius范数,L是特征向量的长度,d(V1,V2)是所述训练车体载荷模拟波形全局特征向量和所述训练车体载荷模拟波形局部关联特征向量之间的距离,||·||2是向量的二范数,log表示以2为底的对数函数值,且α和β为加权超参数,是所述伪循环差异惩罚损失函数值。
根据本申请的另一方面,提供了一种载荷重心偏移的智能监测方法,其包括:
取由传感器采集的车体载荷模拟信号;
对所述车体载荷模拟信号进行基于采样窗的滑窗采样以得到多个车体载荷模拟采样窗;
将所述多个车体载荷模拟采样窗分别通过作为过滤器的卷积神经网络模型以得到多个车体载荷模拟采样窗波形特征向量;
将所述多个车体载荷模拟采样窗波形特征向量通过基于转换器的上下文编码器以得到车体载荷模拟波形全局特征向量;
将所述多个车体载荷模拟采样窗波形特征向量排列为一维特征向量后通过包含第一卷积层和第二卷积层的局部关联特征提取器以得到车体载荷模拟波形局部关联特征向量;
融合所述车体载荷模拟波形全局特征向量和所述车体载荷模拟波形局部关联特征向量以得到分类特征向量;以及
将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示载荷偏移是否超过预定安全范围。
根据本申请的再一方面,提供了一种电子设备,包括:处理器;以及,存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的载荷重心偏移的智能监测方法。
根据本申请的又一方面,提供了一种计算机可读介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的载荷重心偏移的智能监测方法。
与现有技术相比,本申请提供的一种载荷重心偏移的智能监测***及其方法,其通过利用深度学习和人工智能技术,直接从模拟信号作为输入来判断,而无需进行模数转化,这样避免信号处理带来的误差。通过这样的方式来实现对机动车载荷的实时监测和判断,避免超载对道路交通安全造成的潜在威胁。
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载荷重心偏移的智能监测***的场景示意图;
图2为根据本申请实施例的载荷重心偏移的智能监测***的框图;
图3为根据本申请实施例的载荷重心偏移的智能监测***中训练模块的框图;
图4为根据本申请实施例的载荷重心偏移的智能监测***的***架构图;
图5为根据本申请实施例的载荷重心偏移的智能监测***中训练模块的***架构图;
图6为根据本申请实施例的载荷重心偏移的智能监测***中上下文全局特征提取单元的框图;
图7为根据本申请实施例的载荷重心偏移的智能监测***中多尺度局部特征提取单元的框图;
图8为根据本申请实施例的载荷重心偏移的智能监测方法的流程图;
图9为根据本申请实施例的电子设备的框图。
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。
申请概述
针对上述技术问题,本申请的技术构思是利用深度学习和人工智能技术,直接从模拟信号作为输入来判断,而无需进行模数转化,这样避免信号处理带来的误差。通过这样的方式来实现对机动车载荷的实时监测和判断,避免超载对道路交通安全造成的潜在威胁。
具体地,在本申请的技术方案中,首先,获取由传感器采集的车体载荷模拟信号。这里的所述车体载荷模拟信号可以直接反映车辆的载荷情况,是一种直接、准确的获取载荷信息的方法。
接着,对所述车体载荷模拟信号进行基于采样窗的滑窗采样以得到多个车体载荷模拟采样窗。具体而言,对所述车体载荷模拟信号进行基于采样窗的滑窗采样可以将信号分成多个采样窗口,每个采样窗口可以包含一定数量的采样数据。这样做的目的是为了提高模型的鲁棒性和稳定性,避免由于数据的不均匀分布和噪声等原因导致的误差和波动。
然后,将所述多个车体载荷模拟采样窗分别通过作为过滤器的卷积神经网络模型以得到多个车体载荷模拟采样窗波形特征向量。这里,卷积神经网络模型可以通过卷积操作和池化操作对输入数据进行特征提取和降维处理,从而得到更加有代表性的特征向量。这些特征向量可以包含采样窗口中的频率、振幅、相位等信息,可以用于描述车辆载荷的状态和变化情况。通过对多个采样窗口的特征向量进行分析和处理,可以更加准确地判断车辆的载荷情况,提高***的可靠性和精度。
在本申请的一个具体示例中,所述作为过滤器的卷积神经网络模型包含输入层、第一卷积层、第一激活函数、第一池化层、第二卷积层、第二激活函数、第二池化层、全连接层、第三激活函数和输出层。其中,所述第一卷积层使用16个大小为3x3的卷积核,步幅为1,所述第二卷积层使用32个大小为3x3的卷积核,步幅为1,所述第一激活函数、所述第二激活函数和所述第三激活函数使用ReLU,所述第一池化层和所述第二池化层都使用最大池化,池化大小为2x2,步幅为2,所述全连接层将所述第二池化层的输出展开为一维向量并进行全连接操作。
进一步地,将所述多个车体载荷模拟采样窗波形特征向量通过基于转换器的上下文编码器以得到车体载荷模拟波形全局特征向量。这里,上下文编码器是一种基于深度学习的模型,可以通过学习输入数据之间的关系和语义信息,将局部特征向量组合成全局特征向量。这些全局特征向量可以包含更加丰富和抽象的信息,可以用于描述车辆载荷的整体状态和变化情况。也就是,将所述多个车体载荷模拟采样窗波形特征向量通过基于转换器的上下文编码器可以将每个采样窗口中提取到的局部特征向量转化为全局特征向量。
考虑到各个采样窗之间也存在局部的关联特征,为此,在本申请的技术方案中,将所述多个车体载荷模拟采样窗波形特征向量排列为一维特征向量后通过包含第一卷积层和第二卷积层的局部关联特征提取器以得到车体载荷模拟波形局部关联特征向量。这样来提取采样窗之间的局部关联特征向量,比如采样窗口中不同位置之间的局部关系和相互作用,可以用于描述车辆载荷的局部状态和变化情况。
所述车体载荷模拟波形全局特征向量和所述车体载荷模拟波形局部关联特征向量分别反映了车辆载荷的整体状态和局部状态,它们在不同层面上对车辆载荷的特征进行了描述和提取。融合所述车体载荷模拟波形全局特征向量和所述车体载荷模拟波形局部关联特征向量可以得到更加全面和准确的分类特征向量。
继而,将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示载荷偏移是否超过预定安全范围。其中,分类器是一种机器学习模型,可以根据输入的特征向量对其进行分类判断。在这里,将分类特征向量作为输入,将其与预先训练好的分类器模型进行匹配,从而得到分类结果。分类结果可以用于表示车辆载荷偏移是否超过预定安全范围。在实际运用中,若分类结果表示当前载荷偏移超过预定安全范围,则需要触发报警机制,提醒车辆驾驶员或相关人员进行处理,从而避免安全事故的发生。
在本申请的技术方案中,所述车体载荷模拟波形全局特征向量表达各个车体载荷模拟采样窗的图像特征语义的上下文全局语义关联特征,而所述车体载荷模拟波形局部关联特征向量表达各个车体载荷模拟采样窗的图像特征语义的局部语义关联特征,因此,在所述车体载荷模拟波形全局特征向量和所述车体载荷模拟波形局部关联特征向量分别对图像特征语义进行全局关联性表达和局部关联性表达的情况下,所述车体载荷模拟波形全局特征向量和所述车体载荷模拟波形局部关联特征向量会存在整体特征分布之间的不平衡,从而影响融合所述车体载荷模拟波形全局特征向量和所述车体载荷模拟波形局部关联特征向量得到的所述分类特征向量的特征表达效果。
基于此,本申请的申请人在针对所述分类特征向量的分类损失函数之外,进一步引入针对所述车体载荷模拟波形全局特征向量,例如记为V1和所述车体载荷模拟波形局部关联特征向量,例如记为V2的伪循环差异惩罚因数作为损失函数,具体表示为:
D(V1,V2)为特征向量V1和V2之间的距离矩阵,即所述距离矩阵的第(i,j)位置的特征值是特征向量V1的第i个特征值v1i与特征向量V2的第j个特征值v2j之间的距离,||·||F表示矩阵的Frobenius范数,L是特征向量的长度,d(V1,V2)是特征向量V1和V2之间的距离,例如欧式距离,||·||2是向量的二范数,log表示以2为底的对数,且α和β为加权超参数。
这里,考虑到所述车体载荷模拟波形全局特征向量V1和所述车体载荷模拟波形局部关联特征向量V2之间的不平衡分布会在基于梯度下降的反向传播的模型训练过程当中导致梯度传播异常,从而形成模型参数更新的伪循环,所述伪循环差异惩罚因数通过引入用于表达特征值的密切关联数值对的空间关系和数值关系两者的惩罚因数,来在最小化损失函数的模型训练过程中,将模型参数更新的伪循环视为真实循环,以通过梯度传播的模拟激活的方式来实现所述车体载荷模拟波形全局特征向量V1和所述车体载荷模拟波形局部关联特征向量V2各自的特征分布的渐进耦合,从而改进所述分类特征向量的融合特征表达效果。
基于此,本申请提出了一种载荷重心偏移的智能监测***,其包括:模拟信号采集单元,用于获取由传感器采集的车体载荷模拟信号;滑窗采样单元,用于对所述车体载荷模拟信号进行基于采样窗的滑窗采样以得到多个车体载荷模拟采样窗;特征过滤单元,用于将所述多个车体载荷模拟采样窗分别通过作为过滤器的卷积神经网络模型以得到多个车体载荷模拟采样窗波形特征向量;上下文全局特征提取单元,用于将所述多个车体载荷模拟采样窗波形特征向量通过基于转换器的上下文编码器以得到车体载荷模拟波形全局特征向量;多尺度局部特征提取单元,用于将所述多个车体载荷模拟采样窗波形特征向量排列为一维特征向量后通过包含第一卷积层和第二卷积层的局部关联特征提取器以得到车体载荷模拟波形局部关联特征向量;融合单元,用于融合所述车体载荷模拟波形全局特征向量和所述车体载荷模拟波形局部关联特征向量以得到分类特征向量;以及,监测结果生成单元,用于将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示载荷偏移是否超过预定安全范围。
图1为根据本申请实施例的载荷重心偏移的智能监测***的场景示意图。如图1所示,在该应用场景中,通过传感器(例如,如图1中所示意的V)获取车体载荷模拟信号。接着,将上述信号输入至部署有用于载荷重心偏移的智能监测算法的服务器(例如,图1中的S)中,其中,所述服务器能够以所述载荷重心偏移的智能监测算法对上述输入的信号进行处理,以生成用于表示载荷偏移是否超过预定安全范围的分类结果。
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为根据本申请实施例的载荷重心偏移的智能监测***的框图。如图2所示,根据本申请实施例的载荷重心偏移的智能监测***300,包括:推断模块,包括:模拟信号采集单元310;滑窗采样单元320;特征过滤单元330;上下文全局特征提取单元340;多尺度局部特征提取单元350;融合单元360;以及,监测结果生成单元370。
其中,所述模拟信号采集单元310,用于获取由传感器采集的车体载荷模拟信号;所述滑窗采样单元320,用于对所述车体载荷模拟信号进行基于采样窗的滑窗采样以得到多个车体载荷模拟采样窗;所述特征过滤单元330,用于将所述多个车体载荷模拟采样窗分别通过作为过滤器的卷积神经网络模型以得到多个车体载荷模拟采样窗波形特征向量;所述上下文全局特征提取单元340,用于将所述多个车体载荷模拟采样窗波形特征向量通过基于转换器的上下文编码器以得到车体载荷模拟波形全局特征向量;所述多尺度局部特征提取单元350,用于将所述多个车体载荷模拟采样窗波形特征向量排列为一维特征向量后通过包含第一卷积层和第二卷积层的局部关联特征提取器以得到车体载荷模拟波形局部关联特征向量;所述融合单元360,用于融合所述车体载荷模拟波形全局特征向量和所述车体载荷模拟波形局部关联特征向量以得到分类特征向量;以及,所述监测结果生成单元370,用于将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示载荷偏移是否超过预定安全范围。
图4为根据本申请实施例的载荷重心偏移的智能监测***的***架构图。如图4所示,在推断模块中,首先通过所述模拟信号采集单元310获取由传感器采集的车体载荷模拟信号;接着,所述滑窗采样单元320对所述模拟信号采集单元310获取得到的车体载荷模拟信号进行基于采样窗的滑窗采样以得到多个车体载荷模拟采样窗;所述特征过滤单元330将所述滑窗采样单元320得到的多个车体载荷模拟采样窗分别通过作为过滤器的卷积神经网络模型以得到多个车体载荷模拟采样窗波形特征向量;所述上下文全局特征提取单元340将所述特征过滤单元330得到的多个车体载荷模拟采样窗波形特征向量通过基于转换器的上下文编码器以得到车体载荷模拟波形全局特征向量;然后,所述多尺度局部特征提取单元350将所述特征过滤单元330得到的多个车体载荷模拟采样窗波形特征向量排列为一维特征向量后通过包含第一卷积层和第二卷积层的局部关联特征提取器以得到车体载荷模拟波形局部关联特征向量;所述融合单元360融合所述上下文全局特征提取单元340得到的车体载荷模拟波形全局特征向量和所述多尺度局部特征提取单元350得到的车体载荷模拟波形局部关联特征向量以得到分类特征向量;进而,所述监测结果生成单元370将所述融合单元360融合所得的分类特征向量通过分类器以得到分类结果,所述分类结果用于表示载荷偏移是否超过预定安全范围。
具体地,在所述载荷重心偏移的智能监测***300的运行过程中,所述模拟信号采集单元310,用于获取由传感器采集的车体载荷模拟信号。应可以理解,在实际进行载荷重心偏移的智能监测过程中,可直接从模拟信号作为输入来判断,而无需进行模数转化,这样避免信号处理带来的误差。因此,在本申请的一个具体示例中,获取由传感器采集的车体载荷模拟信号。这里的所述车体载荷模拟信号可以直接反映车辆的载荷情况,是一种直接、准确的获取载荷信息的方法。
具体地,在所述载荷重心偏移的智能监测***300的运行过程中,所述滑窗采样单元320,用于对所述车体载荷模拟信号进行基于采样窗的滑窗采样以得到多个车体载荷模拟采样窗。也就是,在得到所述车体载荷模拟信号后,进一步对所述车体载荷模拟信号进行基于采样窗的滑窗采样以得到多个车体载荷模拟采样窗。具体地,对所述车体载荷模拟信号进行基于采样窗的滑窗采样可以将信号分成多个采样窗口,每个采样窗口可以包含一定数量的采样数据。这样做的目的是为了提高模型的鲁棒性和稳定性,避免由于数据的不均匀分布和噪声等原因导致的误差和波动。
具体地,在所述载荷重心偏移的智能监测***300的运行过程中,所述特征过滤单元330,用于将所述多个车体载荷模拟采样窗分别通过作为过滤器的卷积神经网络模型以得到多个车体载荷模拟采样窗波形特征向量。在本申请的技术方案中,使用所述作为过滤器的卷积神经网络模型对所述多个车体载荷模拟采样窗进行特征挖掘以得到所述多个车体载荷模拟采样窗波形特征向量,这里,卷积神经网络模型可以通过卷积操作和池化操作对输入数据进行特征提取和降维处理,从而得到更加有代表性的特征向量。这些特征向量可以包含采样窗口中的频率、振幅、相位等信息,可以用于描述车辆载荷的状态和变化情况。通过对多个采样窗口的特征向量进行分析和处理,可以更加准确地判断车辆的载荷情况,提高***的可靠性和精度。在本申请的一个具体示例中,所述作为过滤器的卷积神经网络模型包含输入层、第一卷积层、第一激活函数、第一池化层、第二卷积层、第二激活函数、第二池化层、全连接层、第三激活函数和输出层。其中,所述第一卷积层使用16个大小为3x3的卷积核,步幅为1,所述第二卷积层使用32个大小为3x3的卷积核,步幅为1,所述第一激活函数、所述第二激活函数和所述第三激活函数使用ReLU,所述第一池化层和所述第二池化层都使用最大池化,池化大小为2x2,步幅为2,所述全连接层将所述第二池化层的输出展开为一维向量并进行全连接操作。
具体地,在所述载荷重心偏移的智能监测***300的运行过程中,所述上下文全局特征提取单元340,用于将所述多个车体载荷模拟采样窗波形特征向量通过基于转换器的上下文编码器以得到车体载荷模拟波形全局特征向量。将所述多个车体载荷模拟采样窗波形特征向量通过基于转换器的上下文编码器以得到车体载荷模拟波形全局特征向量。这里,上下文编码器是一种基于深度学习的模型,可以通过学习输入数据之间的关系和语义信息,将局部特征向量组合成全局特征向量。这些全局特征向量可以包含更加丰富和抽象的信息,可以用于描述车辆载荷的整体状态和变化情况。也就是,将所述多个车体载荷模拟采样窗波形特征向量通过基于转换器的上下文编码器可以将每个采样窗口中提取到的局部特征向量转化为全局特征向量。
图6为根据本申请实施例的载荷重心偏移的智能监测***中上下文全局特征提取单元的框图。如图6所示,所述上下文全局特征提取单元340,包括:查询向量构造子单元341,用于将所述多个车体载荷模拟采样窗波形特征向量进行一维排列以得到全局车体载荷模拟采样窗波形特征向量;自注意子单元342,用于计算所述全局车体载荷模拟采样窗波形特征向量与所述多个车体载荷模拟采样窗波形特征向量中各个车体载荷模拟采样窗波形特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵;标准化子单元343,用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;关注度计算子单元344,用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;注意力施加子单元345,用于分别以所述多个概率值中各个概率值作为权重对所述多个车体载荷模拟采样窗波形特征向量中各个车体载荷模拟采样窗波形特征向量进行加权以得到所述多个上下文语义车体载荷模拟采样窗波形特征向量;以及,级联子单元346,用于将所述多个上下文语义车体载荷模拟采样窗波形特征向量进行级联以得到所述车体载荷模拟波形全局特征向量。
具体地,在所述载荷重心偏移的智能监测***300的运行过程中,所述多尺度局部特征提取单元350,用于将所述多个车体载荷模拟采样窗波形特征向量排列为一维特征向量后通过包含第一卷积层和第二卷积层的局部关联特征提取器以得到车体载荷模拟波形局部关联特征向量。考虑到各个采样窗之间也存在局部的关联特征,为此,在本申请的技术方案中,将所述多个车体载荷模拟采样窗波形特征向量排列为一维特征向量后通过包含第一卷积层和第二卷积层的局部关联特征提取器以得到车体载荷模拟波形局部关联特征向量。这样来提取采样窗之间的局部关联特征向量,比如采样窗口中不同位置之间的局部关系和相互作用,可以用于描述车辆载荷的局部状态和变化情况。
图7为根据本申请实施例的载荷重心偏移的智能监测***中多尺度局部特征提取单元的框图。如图7所示,所述多尺度局部特征提取单元350,包括:第一尺度局部特征提取子单元351,用于将所述一维特征向量输入所述局部关联特征提取器的第一卷积层以得到第一尺度车体载荷模拟波形局部关联特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;第二尺度局部特征提取子单元352,用于将所述一维特征向量输入所述局部关联特征提取器的第二卷积层以得到第二尺度车体载荷模拟波形局部关联特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;以及,多尺度级联子单元353,用于将所述车体载荷模拟波形局部关联特征向量和所述车体载荷模拟波形局部关联特征向量进行级联以得到所述车体载荷模拟波形局部关联特征向量。其中,所述第一尺度局部特征提取子单元351,包括:使用所述局部关联特征提取器的第一卷积层以如下一维卷积公式对所述一维特征向量进行一维卷积编码以得到所述第一尺度车体载荷模拟波形局部关联特征向量;其中,所述公式为:
其中,a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵,w为第一一维卷积核的尺寸,X表示所述一维特征向量,Cov(X)表示对所述一维特征向量进行一维卷积编码;以及,所述第二尺度局部特征提取子单元352,包括:使用所述局部关联特征提取器的第二卷积层以如下一维卷积公式对所述一维特征向量进行一维卷积编码以得到所述第二尺度车体载荷模拟波形局部关联特征向量;其中,所述公式为:
其中,b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵,m为第二一维卷积核的尺寸,X表示所述一维特征向量,Cov(X)表示对所述一维特征向量进行一维卷积编码。
具体地,在所述载荷重心偏移的智能监测***300的运行过程中,所述融合单元360,用于融合所述车体载荷模拟波形全局特征向量和所述车体载荷模拟波形局部关联特征向量以得到分类特征向量。也就是,在得到所述车体载荷模拟波形全局特征向量和所述车体载荷模拟波形局部关联特征向量后,进一步将两者进行特征融合以此来融合车辆载荷的整体状态和局部状态,这样,能够得到更加全面和准确的分类特征向量。
具体地,在所述载荷重心偏移的智能监测***300的运行过程中,所述监测结果生成单元370,用于将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示载荷偏移是否超过预定安全范围。也就是,在得到所述分类特征向量后,进一步将其通过分类器进行分类处理以得到用于表示载荷偏移是否超过预定安全范围的分类结果。具体地,所述分类器包括多个全连接层和与所述多个全连接层最后一个全连接层级联的Softmax层。其中,在所述分类器的分类处理中,使用所述分类器的多个全连接层对所述分类特征向量进行多次全连接编码以得到编码分类特征向量;进而,将所述编码分类特征向量输入所述分类器的Softmax层,即,使用所述Softmax分类函数对所述编码分类特征向量进行分类处理以得到分类标签。其中,分类器是一种机器学习模型,可以根据输入的特征向量对其进行分类判断。在这里,将分类特征向量作为输入,将其与预先训练好的分类器模型进行匹配,从而得到分类结果。分类结果可以用于表示车辆载荷偏移是否超过预定安全范围。在实际运用中,若分类结果表示当前载荷偏移超过预定安全范围,则需要触发报警机制,提醒车辆驾驶员或相关人员进行处理,从而避免安全事故的发生。
应可以理解,在利用上述神经网络模型进行推断之前,需要对所述作为过滤器的卷积神经网络模型、所述基于转换器的上下文编码器、所述包含第一卷积层和第二卷积层的局部关联特征提取器和所述分类器进行训练。也就是说,在本申请的载荷重心偏移的智能监测***中,还包括训练模块,用于对所述作为过滤器的卷积神经网络模型、所述基于转换器的上下文编码器、所述包含第一卷积层和第二卷积层的局部关联特征提取器和所述分类器进行训练。
图3为根据本申请实施例的载荷重心偏移的智能监测***中训练模块的框图。如图3所示,根据本申请的实施例的载荷重心偏移的智能监测***300,还包括训练模块400,包括:训练数据获取单元410;训练滑窗采样单元420;训练特征过滤单元430;训练上下文全局特征提取单元440;训练多尺度局部特征提取单元450;训练融合单元460;分类损失单元470;伪循环差异惩罚因数运算单元480;以及,训练单元490。
其中,所述训练数据获取单元410,用于获取训练数据,所述训练数据包括由传感器采集的训练车体载荷模拟信号,以及,载荷偏移是否超过预定安全范围的真实值;所述训练滑窗采样单元420,用于对所述训练车体载荷模拟信号进行基于采样窗的滑窗采样以得到多个训练车体载荷模拟采样窗;所述训练特征过滤单元430,用于将所述多个训练车体载荷模拟采样窗分别通过所述作为过滤器的卷积神经网络模型以得到多个训练车体载荷模拟采样窗波形特征向量;所述训练上下文全局特征提取单元440,用于将所述多个训练车体载荷模拟采样窗波形特征向量通过所述基于转换器的上下文编码器以得到训练车体载荷模拟波形全局特征向量;所述训练多尺度局部特征提取单元450,用于将所述多个训练车体载荷模拟采样窗波形特征向量排列为一维特征向量后通过所述包含第一卷积层和第二卷积层的局部关联特征提取器以得到训练车体载荷模拟波形局部关联特征向量;所述训练融合单元460,用于融合所述训练车体载荷模拟波形全局特征向量和所述训练车体载荷模拟波形局部关联特征向量以得到训练分类特征向量;所述分类损失单元470,用于将所述训练分类特征向量通过分类器以得到分类损失函数值;所述伪循环差异惩罚因数运算单元480,用于计算所述训练车体载荷模拟波形全局特征向量和所述训练车体载荷模拟波形局部关联特征向量的伪循环差异惩罚因数;以及,所述训练单元490,用于以所述分类损失函数值和所述伪循环差异惩罚因数的加权和作为损失函数值,并通过梯度下降的方向传播来对所述作为过滤器的卷积神经网络模型、所述基于转换器的上下文编码器、所述包含第一卷积层和第二卷积层的局部关联特征提取器和所述分类器进行训练。
图5为根据本申请实施例的载荷重心偏移的智能监测***中训练模块的***架构图。如图5所示,在训练模块中,首先通过所述训练数据获取单元410获取训练数据,所述训练数据包括由传感器采集的训练车体载荷模拟信号,以及,载荷偏移是否超过预定安全范围的真实值;接着,所述训练滑窗采样单元420对所述训练数据获取单元410获取的训练车体载荷模拟信号进行基于采样窗的滑窗采样以得到多个训练车体载荷模拟采样窗;所述训练特征过滤单元430将所述训练滑窗采样单元420得到的多个训练车体载荷模拟采样窗分别通过所述作为过滤器的卷积神经网络模型以得到多个训练车体载荷模拟采样窗波形特征向量;所述训练上下文全局特征提取单元440将所述训练特征过滤单元430得到的多个训练车体载荷模拟采样窗波形特征向量通过所述基于转换器的上下文编码器以得到训练车体载荷模拟波形全局特征向量;所述训练多尺度局部特征提取单元450将所述训练特征过滤单元430得到的多个训练车体载荷模拟采样窗波形特征向量排列为一维特征向量后通过所述包含第一卷积层和第二卷积层的局部关联特征提取器以得到训练车体载荷模拟波形局部关联特征向量;然后,所述训练融合单元460融合所述训练上下文全局特征提取单元440得到的训练车体载荷模拟波形全局特征向量和所述训练多尺度局部特征提取单元450得到的训练车体载荷模拟波形局部关联特征向量以得到训练分类特征向量;所述分类损失单元470将所述训练融合单元460融合所得的训练分类特征向量通过分类器以得到分类损失函数值;然后,所述伪循环差异惩罚因数运算单元480计算所述训练车体载荷模拟波形全局特征向量和所述训练车体载荷模拟波形局部关联特征向量的伪循环差异惩罚因数;进而,所述训练单元490以所述分类损失函数值和所述伪循环差异惩罚因数的加权和作为损失函数值,并通过梯度下降的方向传播来对所述作为过滤器的卷积神经网络模型、所述基于转换器的上下文编码器、所述包含第一卷积层和第二卷积层的局部关联特征提取器和所述分类器进行训练。
在本申请的技术方案中,所述车体载荷模拟波形全局特征向量表达各个车体载荷模拟采样窗的图像特征语义的上下文全局语义关联特征,而所述车体载荷模拟波形局部关联特征向量表达各个车体载荷模拟采样窗的图像特征语义的局部语义关联特征,因此,在所述车体载荷模拟波形全局特征向量和所述车体载荷模拟波形局部关联特征向量分别对图像特征语义进行全局关联性表达和局部关联性表达的情况下,所述车体载荷模拟波形全局特征向量和所述车体载荷模拟波形局部关联特征向量会存在整体特征分布之间的不平衡,从而影响融合所述车体载荷模拟波形全局特征向量和所述车体载荷模拟波形局部关联特征向量得到的所述分类特征向量的特征表达效果。
基于此,本申请的申请人在针对所述分类特征向量的分类损失函数之外,进一步引入针对所述车体载荷模拟波形全局特征向量,例如记为V1和所述车体载荷模拟波形局部关联特征向量,例如记为V2的伪循环差异惩罚因数作为损失函数,具体表示为:
其中,V1是所述训练车体载荷模拟波形全局特征向量,V2是所述训练车体载荷模拟波形局部关联特征向量,D(V1,V2)为所述训练车体载荷模拟波形全局特征向量和所述训练车体载荷模拟波形局部关联特征向量之间的距离矩阵,||·||F表示矩阵的Frobenius范数,L是特征向量的长度,d(V1,V2)是所述训练车体载荷模拟波形全局特征向量和所述训练车体载荷模拟波形局部关联特征向量之间的距离,||·||2是向量的二范数,log表示以2为底的对数函数值,且α和β为加权超参数,是所述伪循环差异惩罚损失函数值。这里,考虑到所述车体载荷模拟波形全局特征向量V1和所述车体载荷模拟波形局部关联特征向量V2之间的不平衡分布会在基于梯度下降的反向传播的模型训练过程当中导致梯度传播异常,从而形成模型参数更新的伪循环,所述伪循环差异惩罚因数通过引入用于表达特征值的密切关联数值对的空间关系和数值关系两者的惩罚因数,来在最小化损失函数的模型训练过程中,将模型参数更新的伪循环视为真实循环,以通过梯度传播的模拟激活的方式来实现所述车体载荷模拟波形全局特征向量V1和所述车体载荷模拟波形局部关联特征向量V2各自的特征分布的渐进耦合,从而改进所述分类特征向量的融合特征表达效果。
综上,根据本申请实施例的载荷重心偏移的智能监测***300被阐明,其通过利用深度学习和人工智能技术,直接从模拟信号作为输入来判断,而无需进行模数转化,这样避免信号处理带来的误差。通过这样的方式来实现对机动车载荷的实时监测和判断,避免超载对道路交通安全造成的潜在威胁。
如上所述,根据本申请实施例的载荷重心偏移的智能监测***可以实现在各种终端设备中。在一个示例中,根据本申请实施例的载荷重心偏移的智能监测***300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,该载荷重心偏移的智能监测***300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,该载荷重心偏移的智能监测***300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,该载荷重心偏移的智能监测***300与该终端设备也可以是分立的设备,并且该载荷重心偏移的智能监测***300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8为根据本申请实施例的载荷重心偏移的智能监测方法的流程图。如图8所示,根据本申请实施例的载荷重心偏移的智能监测方法,包括步骤:S110,获取由传感器采集的车体载荷模拟信号;S120,对所述车体载荷模拟信号进行基于采样窗的滑窗采样以得到多个车体载荷模拟采样窗;S130,将所述多个车体载荷模拟采样窗分别通过作为过滤器的卷积神经网络模型以得到多个车体载荷模拟采样窗波形特征向量;S140,将所述多个车体载荷模拟采样窗波形特征向量通过基于转换器的上下文编码器以得到车体载荷模拟波形全局特征向量;S150,将所述多个车体载荷模拟采样窗波形特征向量排列为一维特征向量后通过包含第一卷积层和第二卷积层的局部关联特征提取器以得到车体载荷模拟波形局部关联特征向量;S160,融合所述车体载荷模拟波形全局特征向量和所述车体载荷模拟波形局部关联特征向量以得到分类特征向量;以及,S170,将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示载荷偏移是否超过预定安全范围。
在一个示例中,在上述载荷重心偏移的智能监测方法中,所述步骤S130,包括:所述作为过滤器的卷积神经网络模型包含输入层、第一卷积层、第一激活函数、第一池化层、第二卷积层、第二激活函数、第二池化层、全连接层、第三激活函数和输出层。其中,所述第一卷积层使用16个大小为3x3的卷积核,步幅为1,所述第二卷积层使用32个大小为3x3的卷积核,步幅为1,所述第一激活函数、所述第二激活函数和所述第三激活函数使用ReLU,所述第一池化层和所述第二池化层都使用最大池化,池化大小为2x2,步幅为2。
在一个示例中,在上述载荷重心偏移的智能监测方法中,所述步骤S140,包括:将所述多个车体载荷模拟采样窗波形特征向量进行一维排列以得到全局车体载荷模拟采样窗波形特征向量;计算所述全局车体载荷模拟采样窗波形特征向量与所述多个车体载荷模拟采样窗波形特征向量中各个车体载荷模拟采样窗波形特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵;分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;分别以所述多个概率值中各个概率值作为权重对所述多个车体载荷模拟采样窗波形特征向量中各个车体载荷模拟采样窗波形特征向量进行加权以得到所述多个上下文语义车体载荷模拟采样窗波形特征向量;以及,将所述多个上下文语义车体载荷模拟采样窗波形特征向量进行级联以得到所述车体载荷模拟波形全局特征向量。
在一个示例中,在上述载荷重心偏移的智能监测方法中,所述步骤S50,包括:将所述一维特征向量输入所述局部关联特征提取器的第一卷积层以得到第一尺度车体载荷模拟波形局部关联特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;将所述一维特征向量输入所述局部关联特征提取器的第二卷积层以得到第二尺度车体载荷模拟波形局部关联特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;以及,将所述车体载荷模拟波形局部关联特征向量和所述车体载荷模拟波形局部关联特征向量进行级联以得到所述车体载荷模拟波形局部关联特征向量。其中,将所述一维特征向量输入所述局部关联特征提取器的第一卷积层以得到第一尺度车体载荷模拟波形局部关联特征向量,包括:使用所述局部关联特征提取器的第一卷积层以如下一维卷积公式对所述一维特征向量进行一维卷积编码以得到所述第一尺度车体载荷模拟波形局部关联特征向量;其中,所述公式为:
其中,a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵,w为第一一维卷积核的尺寸,X表示所述一维特征向量,Cov(X)表示对所述一维特征向量进行一维卷积编码;以及,将所述一维特征向量输入所述局部关联特征提取器的第二卷积层以得到第二尺度车体载荷模拟波形局部关联特征向量,包括:使用所述局部关联特征提取器的第二卷积层以如下一维卷积公式对所述一维特征向量进行一维卷积编码以得到所述第二尺度车体载荷模拟波形局部关联特征向量;其中,所述公式为:
其中,b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵,m为第二一维卷积核的尺寸,X表示所述一维特征向量,Cov(X)表示对所述一维特征向量进行一维卷积编码。
在一个示例中,在上述载荷重心偏移的智能监测方法中,所述步骤S170,包括:使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上,根据本申请实施例的载荷重心偏移的智能监测方法被阐明,其通过利用深度学习和人工智能技术,直接从模拟信号作为输入来判断,而无需进行模数转化,这样避免信号处理带来的误差。通过这样的方式来实现对机动车载荷的实时监测和判断,避免超载对道路交通安全造成的潜在威胁。
示例性电子设备
下面,参考图9来描述根据本申请实施例的电子设备。
图9图示了根据本申请实施例的电子设备的框图。
如图9所示,电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申请的各个实施例的载荷重心偏移的智能监测***中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如车体载荷模拟波形局部关联特征向量等各种内容。
在一个示例中,电子设备10还可以包括:输入装置13和输出装置14,这些组件通过总线***和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息,包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图9中仅示出了该电子设备10中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性***”部分中描述的根据本申请各种实施例的载荷重心偏移的智能监测方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性***”部分中描述的根据本申请各种实施例的载荷重心偏移的智能监测方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
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)
1.一种载荷重心偏移的智能监测***,其特征在于,包括:
模拟信号采集单元,用于获取由传感器采集的车体载荷模拟信号;
滑窗采样单元,用于对所述车体载荷模拟信号进行基于采样窗的滑窗采样以得到多个车体载荷模拟采样窗;
特征过滤单元,用于将所述多个车体载荷模拟采样窗分别通过作为过滤器的卷积神经网络模型以得到多个车体载荷模拟采样窗波形特征向量;
上下文全局特征提取单元,用于将所述多个车体载荷模拟采样窗波形特征向量通过基于转换器的上下文编码器以得到车体载荷模拟波形全局特征向量;
多尺度局部特征提取单元,用于将所述多个车体载荷模拟采样窗波形特征向量排列为一维特征向量后通过包含第一卷积层和第二卷积层的局部关联特征提取器以得到车体载荷模拟波形局部关联特征向量;
融合单元,用于融合所述车体载荷模拟波形全局特征向量和所述车体载荷模拟波形局部关联特征向量以得到分类特征向量;以及
监测结果生成单元,用于将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示载荷偏移是否超过预定安全范围。
2.根据权利要求1所述的载荷重心偏移的智能监测***,其特征在于,所述作为过滤器的卷积神经网络模型包含输入层、第一卷积层、第一激活函数、第一池化层、第二卷积层、第二激活函数、第二池化层、全连接层、第三激活函数和输出层。
3.根据权利要求2所述的载荷重心偏移的智能监测***,其特征在于,所述第一卷积层使用16个大小为3x3的卷积核,步幅为1,所述第二卷积层使用32个大小为3x3的卷积核,步幅为1,所述第一激活函数、所述第二激活函数和所述第三激活函数使用ReLU,所述第一池化层和所述第二池化层都使用最大池化,池化大小为2x2,步幅为2。
4.根据权利要求3所述的载荷重心偏移的智能监测***,其特征在于,所述上下文全局特征提取单元,包括:
查询向量构造子单元,用于将所述多个车体载荷模拟采样窗波形特征向量进行一维排列以得到全局车体载荷模拟采样窗波形特征向量;
自注意子单元,用于计算所述全局车体载荷模拟采样窗波形特征向量与所述多个车体载荷模拟采样窗波形特征向量中各个车体载荷模拟采样窗波形特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵;
标准化子单元,用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;
关注度计算子单元,用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;
注意力施加子单元,用于分别以所述多个概率值中各个概率值作为权重对所述多个车体载荷模拟采样窗波形特征向量中各个车体载荷模拟采样窗波形特征向量进行加权以得到所述多个上下文语义车体载荷模拟采样窗波形特征向量;以及
级联子单元,用于将所述多个上下文语义车体载荷模拟采样窗波形特征向量进行级联以得到所述车体载荷模拟波形全局特征向量。
5.根据权利要求4所述的载荷重心偏移的智能监测***,其特征在于,所述多尺度局部特征提取单元,包括:
第一尺度局部特征提取子单元,用于将所述一维特征向量输入所述局部关联特征提取器的第一卷积层以得到第一尺度车体载荷模拟波形局部关联特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;
第二尺度局部特征提取子单元,用于将所述一维特征向量输入所述局部关联特征提取器的第二卷积层以得到第二尺度车体载荷模拟波形局部关联特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;以及
多尺度级联子单元,用于将所述车体载荷模拟波形局部关联特征向量和所述车体载荷模拟波形局部关联特征向量进行级联以得到所述车体载荷模拟波形局部关联特征向量。
其中,所述第一尺度局部特征提取子单元,用于:使用所述局部关联特征提取器的第一卷积层以如下一维卷积公式对所述一维特征向量进行一维卷积编码以得到所述第一尺度车体载荷模拟波形局部关联特征向量;
其中,所述公式为:
其中,a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵,w为第一一维卷积核的尺寸,X表示所述一维特征向量,Cov(X)表示对所述一维特征向量进行一维卷积编码;以及
所述第二尺度局部特征提取子单元,用于:使用所述局部关联特征提取器的第二卷积层以如下一维卷积公式对所述一维特征向量进行一维卷积编码以得到所述第二尺度车体载荷模拟波形局部关联特征向量;
其中,所述公式为:
其中,b为第二卷积核在x方向上的宽度、F(B)为第二卷积核参数向量、G(X-b)为与卷积核函数运算的局部向量矩阵,m为第二一维卷积核的尺寸,X表示所述一维特征向量,Cov(X)表示对所述一维特征向量进行一维卷积编码。
6.根据权利要求5所述的载荷重心偏移的智能监测***,其特征在于,所述监测结果生成单元,包括:
全连接编码子单元,用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及
分类结果生成子单元,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
7.根据权利要求6所述的载荷重心偏移的智能监测***,其特征在于,还包括用于对所述作为过滤器的卷积神经网络模型、所述基于转换器的上下文编码器、所述包含第一卷积层和第二卷积层的局部关联特征提取器和所述分类器进行训练的训练模块。
8.根据权利要求7所述的载荷重心偏移的智能监测***,其特征在于,所述训练模块,包括:
训练数据获取单元,用于获取训练数据,所述训练数据包括由传感器采集的训练车体载荷模拟信号,以及,载荷偏移是否超过预定安全范围的真实值;
训练滑窗采样单元,用于对所述训练车体载荷模拟信号进行基于采样窗的滑窗采样以得到多个训练车体载荷模拟采样窗;
训练特征过滤单元,用于将所述多个训练车体载荷模拟采样窗分别通过所述作为过滤器的卷积神经网络模型以得到多个训练车体载荷模拟采样窗波形特征向量;
训练上下文全局特征提取单元,用于将所述多个训练车体载荷模拟采样窗波形特征向量通过所述基于转换器的上下文编码器以得到训练车体载荷模拟波形全局特征向量;
训练多尺度局部特征提取单元,用于将所述多个训练车体载荷模拟采样窗波形特征向量排列为一维特征向量后通过所述包含第一卷积层和第二卷积层的局部关联特征提取器以得到训练车体载荷模拟波形局部关联特征向量;
训练融合单元,用于融合所述训练车体载荷模拟波形全局特征向量和所述训练车体载荷模拟波形局部关联特征向量以得到训练分类特征向量;
分类损失单元,用于将所述训练分类特征向量通过分类器以得到分类损失函数值;
伪循环差异惩罚因数运算单元,用于计算所述训练车体载荷模拟波形全局特征向量和所述训练车体载荷模拟波形局部关联特征向量的伪循环差异惩罚因数;以及
训练单元,用于以所述分类损失函数值和所述伪循环差异惩罚因数的加权和作为损失函数值,并通过梯度下降的方向传播来对所述作为过滤器的卷积神经网络模型、所述基于转换器的上下文编码器、所述包含第一卷积层和第二卷积层的局部关联特征提取器和所述分类器进行训练。
9.根据权利要求8所述的载荷重心偏移的智能监测***,其特征在于,所述伪循环差异惩罚因数运算单元,用于:以如下损失公式计算所述训练车体载荷模拟波形全局特征向量和所述训练车体载荷模拟波形局部关联特征向量的伪循环差异惩罚因数作为所述伪循环差异惩罚损失函数值;
其中,所述损失公式为:
其中,V1是所述训练车体载荷模拟波形全局特征向量,V2是所述训练车体载荷模拟波形局部关联特征向量,D(V1,V2)为所述训练车体载荷模拟波形全局特征向量和所述训练车体载荷模拟波形局部关联特征向量之间的距离矩阵,‖·‖F表示矩阵的Frobenius范数,L是特征向量的长度,d(V1,V2)是所述训练车体载荷模拟波形全局特征向量和所述训练车体载荷模拟波形局部关联特征向量之间的距离,‖·‖2是向量的二范数,log表示以2为底的对数函数值,且α和β为加权超参数,是所述伪循环差异惩罚损失函数值。
10.一种载荷重心偏移的智能监测方法,其特征在于,包括:
取由传感器采集的车体载荷模拟信号;
对所述车体载荷模拟信号进行基于采样窗的滑窗采样以得到多个车体载荷模拟采样窗;
将所述多个车体载荷模拟采样窗分别通过作为过滤器的卷积神经网络模型以得到多个车体载荷模拟采样窗波形特征向量;
将所述多个车体载荷模拟采样窗波形特征向量通过基于转换器的上下文编码器以得到车体载荷模拟波形全局特征向量;
将所述多个车体载荷模拟采样窗波形特征向量排列为一维特征向量后通过包含第一卷积层和第二卷积层的局部关联特征提取器以得到车体载荷模拟波形局部关联特征向量;
融合所述车体载荷模拟波形全局特征向量和所述车体载荷模拟波形局部关联特征向量以得到分类特征向量;以及
将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示载荷偏移是否超过预定安全范围。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310684287.3A CN116698283A (zh) | 2023-06-09 | 2023-06-09 | 载荷重心偏移的智能监测***及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310684287.3A CN116698283A (zh) | 2023-06-09 | 2023-06-09 | 载荷重心偏移的智能监测***及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116698283A true CN116698283A (zh) | 2023-09-05 |
Family
ID=87828756
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310684287.3A Pending CN116698283A (zh) | 2023-06-09 | 2023-06-09 | 载荷重心偏移的智能监测***及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116698283A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117034093A (zh) * | 2023-10-10 | 2023-11-10 | 尚宁智感(北京)科技有限公司 | 基于光纤***的入侵信号识别方法 |
-
2023
- 2023-06-09 CN CN202310684287.3A patent/CN116698283A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117034093A (zh) * | 2023-10-10 | 2023-11-10 | 尚宁智感(北京)科技有限公司 | 基于光纤***的入侵信号识别方法 |
CN117034093B (zh) * | 2023-10-10 | 2024-05-14 | 尚宁智感(北京)科技有限公司 | 基于光纤***的入侵信号识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115783923B (zh) | 基于大数据的电梯故障模式识别*** | |
CN115456789B (zh) | 基于交易模式识别的异常交易检测方法及其*** | |
CN117104377B (zh) | 电动自行车的智能管理***及其方法 | |
CN116698283A (zh) | 载荷重心偏移的智能监测***及其方法 | |
CN116092701B (zh) | 基于健康数据分析管理平台的控制***及其方法 | |
CN112733785A (zh) | 基于层深度和感受野的信息化设备的稳定性检测方法 | |
CN115471216B (zh) | 智慧实验室管理平台的数据管理方法 | |
CN117077075A (zh) | 用于环境保护的水质监测***及其方法 | |
CN116858789A (zh) | 食品安全检测***及其方法 | |
CN116247824B (zh) | 电力设备的控制方法及其*** | |
CN116821831A (zh) | 电力智能巡检***及其方法 | |
CN117596057A (zh) | 网络信息安全管理***及方法 | |
CN112541524A (zh) | 基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法 | |
US11276285B2 (en) | Artificial intelligence based motion detection | |
CN116975728A (zh) | 用于煤层气钻井工程的安全管理方法及其*** | |
CN112699907A (zh) | 数据融合的方法、装置和设备 | |
WO2023092520A1 (zh) | 车辆识别模型的参数调整及数据处理方法和装置、车辆 | |
CN115143128A (zh) | 小型潜水电泵的故障诊断方法及其*** | |
JP2019086473A (ja) | 学習プログラム、検出プログラム、学習方法、検出方法、学習装置および検出装置 | |
Yan et al. | Neural networks and principal components analysis for strain-based vehicle classification | |
CN112836752A (zh) | 基于深度值的特征图融合的智能采样参数控制方法 | |
CN113553899B (zh) | 一种***姿态感知识别方法与*** | |
CN116935586A (zh) | 用于硝酸的制备的智能化有毒有害气体报警*** | |
CN117250521B (zh) | 充电桩电池容量监测***及方法 | |
Jiang et al. | An Improved Lightweight Variant of EfficientNetV2 Coupled with Sensor Fusion and Transfer Learning Techniques for Motor Fault Diagnosis |
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 |