CN110160619B - 称重系统状态检测方法、装置、可读存储介质和电子设备 - Google Patents
称重系统状态检测方法、装置、可读存储介质和电子设备 Download PDFInfo
- Publication number
- CN110160619B CN110160619B CN201910435553.2A CN201910435553A CN110160619B CN 110160619 B CN110160619 B CN 110160619B CN 201910435553 A CN201910435553 A CN 201910435553A CN 110160619 B CN110160619 B CN 110160619B
- Authority
- CN
- China
- Prior art keywords
- weighing
- signal
- value
- determining
- state
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01G—WEIGHING
- G01G23/00—Auxiliary devices for weighing apparatus
- G01G23/01—Testing or calibrating of weighing apparatus
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2101/00—Indexing scheme relating to the type of digital function generated
- G06F2101/14—Probability distribution functions
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Indication And Recording Devices For Special Purposes And Tariff Metering Devices (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
Abstract
公开了一种称重系统状态检测方法、装置、可读存储介质和电子设备。本发明实施例通过计算称重系统内称重信号两两之间的相关系数和参考值,并根据所述相关系数和参考值判断称重系统状态,提高对所述称重系统状态判断的精度,避免因环境干扰产生的误判。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种称重系统状态检测方法、装置、可读存储介质和电子设备。
背景技术
目前所述称重系统通常由多个称重传感器组成,安装在其他装置上起到称重作用。例如无人货架采用称重系统对货架进行管理和定位,并以此判断是否货损。其中所述称重系统的多个称重传感器安装在货架上,可以通过读取取走货物前后的传感器数值获得重量差,判断所述重量差为货物的重量。对比后台产生的订单中货物的重量和被取走的货物重量就可以对于是否货损做出判断。但是在使用的过程中,安装所述称重系统的装置经常会发生倚靠墙壁、或被杂物倚靠、堆积等情况,导致称重系统出现干扰,进而重量差不准,产生误判。
发明内容
有鉴于此,本发明实施例的目的在于提供一种称重系统状态检测方法、装置、可读存储介质和电子设备,以提高对所述称重系统状态判断的精度,避免因环境干扰产生的误判。
第一方面,本发明实施例提供了一种称重系统状态检测方法,所述称重系统包括N个称重传感器,N大于等于3,所述方法包括:
确定N个称重信号,第i个称重信号为第i个称重传感器在预定时间期间内的称重读数序列;
分别计算所述N个称重信号两两之间的相关系数;
根据至少部分所述相关系数确定状态概率值,所述状态概率值用于表征所述称重系统归属于特定状态的概率;
根据所述状态概率值确定所述称重系统的状态。
进一步地,所述预定时间期间为:至少一个称重传感器读数与上一周期读数的差值大于第一阈值时至所有称重传感器读数与上一周期读数的差值小于第二阈值时,其中,所述周期为设定的读取称重传感器读数时间间隔。
进一步地,所述至少部分相关系数中至少包括每个称重信号与另一个称重信号的相关系数。
进一步地,所述称重系统包括4个传感器,所述确定N个称重信号,第i个称重信号为第i个称重传感器在预定时间期间内的称重读数序列包括:
确定4个称重信号,第一称重信号为第1个称重传感器在预定时间期间内的称重读数序列,第二称重信号为第2个称重传感器在预定时间期间内的称重读数序列,第三称重信号为第3个称重传感器在预定时间期间内的称重读数序列,第四称重信号为第4个称重传感器在预定时间期间内的称重读数序列。
进一步地,所述根据至少部分所述相关系数确定状态概率值包括:
根据第一称重信号和第二称重信号之间的相关系数、第二称重信号和第三称重信号之间的相关系数、第三称重信号和第四称重信号之间的相关系数以及第四称重信号和第一称重信号之间的相关系数确定状态概率值。
进一步地,所述N个称重信号两两之间的相关系数为每两个称重信号的协方差与所述两个称重信号方差乘积的平方根比值。
进一步地,所述根据至少部分所述相关系数确定状态概率值包括:
根据至少部分所述相关系数的加权和确定状态概率值,所述状态概率值用于表征所述称重系统归属于特定状态的概率。
进一步地,所述根据至少部分所述相关系数确定状态概率值包括:
根据至少部分所述相关系数和参考值的加权和与常数项的和确定状态概率值,所述状态概率值用于表征所述称重系统归属于特定状态的概率,所述参考值为所述N个称重信号中最小信号特征值和最大信号特征值的比值。
进一步地,所述信号特征值为每个称重信号的称重读数序列中值或平均值。
进一步地,计算所述加权和的权重根据实验获得的样本数据和逻辑回归算法预先确定。
第二方面,本发明实施例提供了一种称重系统状态检测装置,包括:
信号获取模块,用于确定N个称重信号,第i个称重信号为第i个称重传感器在预定时间期间内的称重读数序列。
第一计算模块,用于分别计算所述N个称重信号两两之间的相关系数。
第二计算模块,用于根据至少部分所述相关系数确定状态概率值,所述状态概率值用于表征所述称重系统归属于特定状态的概率。
状态判断模块,用于根据所述状态概率值确定所述称重系统的状态。
第三方面,本申请实施例提供了一种计算机可读存储介质,其上存储计算机程序指令,其中,所述计算机程序指令在被处理器执行时实现如第一方面中任一项所述的方法。
第四方面,本申请实施例提供了一种电子设备,包括存储器和处理器,其特征在于,所述存储器用于存储一条或多条计算机程序指令,其中,所述一条或多条计算机程序指令被所述处理器执行以实现如下所述步骤:
确定N个称重信号,第i个称重信号为第i个称重传感器在预定时间期间内的称重读数序列;
分别计算所述N个称重信号两两之间的相关系数;
根据至少部分所述相关系数确定状态概率值,所述状态概率值用于表征所述称重系统归属于特定状态的概率;
根据所述状态概率值确定所述称重系统的状态。
进一步地,所述预定时间期间为:至少一个称重传感器读数与上一周期读数的差值大于第一阈值时至所有称重传感器读数与上一周期读数的差值小于第二阈值时,所述周期为设定的读取称重传感器读数时间间隔。
进一步地,所述至少部分相关系数中至少包括每个称重信号与另一个称重信号的相关系数。
进一步地,所述确定N个称重信号包括:
所述称重系统包括4个传感器,第一称重信号为第1个称重传感器在预定时间期间内的称重读数序列,第二称重信号为第2个称重传感器在预定时间期间内的称重读数序列,第三称重信号为第3个称重传感器在预定时间期间内的称重读数序列,第四称重信号为第4个称重传感器在预定时间期间内的称重读数序列。
进一步地,所述根据至少部分所述相关系数确定状态概率值包括:
根据第一称重信号和第二称重信号之间的相关系数、第二称重信号和第三称重信号之间的相关系数、第三称重信号和第四称重信号之间的相关系数以及第四称重信号和第一称重信号之间的相关系数确定状态概率值。
进一步地,所述N个称重信号两两之间的相关系数为每两个称重信号的协方差与所述两个称重信号方差乘积的平方根比值。
进一步地,所述根据至少部分所述相关系数确定状态概率值包括:
根据至少部分所述相关系数的加权和确定状态概率值,所述状态概率值用于表征所述称重系统归属于特定状态的概率。
进一步地,所述根据至少部分所述相关系数确定状态概率值包括:
根据至少部分所述相关系数和参考值的加权和与常数项的和确定状态概率值,所述状态概率值用于表征所述称重系统归属于特定状态的概率,所述参考值为所述N个称重信号中最小信号特征值和最大信号特征值的比值。
进一步地,所述信号特征值为每个称重信号的称重读数序列中值或平均值。
进一步地,计算所述加权和的权重根据实验获得的样本数据和逻辑回归算法预先确定。
本发明实施例通过计算称重系统内称重信号两两之间的相关系数和参考值,并根据所述相关系数和参考值判断称重系统状态,提高对所述称重系统状态判断的精度,避免因环境干扰产生的误判。
附图说明
通过以下参照附图对本发明实施例的描述,本发明的上述以及其它目的、特征和优点将更为清楚,在附图中:
图1为本发明实施例的一种安装称重系统的无人售货柜示意图;
图2为本发明第一实施例的一种称重系统状态检测方法的流程图;
图3为本发明第二实施例的一种称重系统状态检测方法的流程图;
图4为本发明实施例的一种称重系统状态检测装置的示意图;
图5为本发明实施例的一种电子设备的示意图。
具体实施方式
以下基于实施例对本发明进行描述,但是本发明并不仅仅限于这些实施例。在下文对本发明的细节描述中,详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。为了避免混淆本发明的实质,公知的方法、过程、流程并没有详细叙述。
此外,本领域普通技术人员应当理解,在此提供的附图都是为了说明的目的,并且附图不一定是按比例绘制的。
除非上下文明确要求,否则整个说明书和权利要求书中的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义;也就是说,是“包括但不限于”的含义。
在本发明的描述中,需要理解的是,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
图1为本发明实施例的一种安装称重系统的无人售货柜示意图,如图所示,所述无人售货柜包括柜体10和柜门11,所述无人售货柜的底部安装有称重系统,所述称重系统包括四个称重传感器12。每个所述称重传感器均匀受力。
当所述无人售货柜处于静止状态,且无人拉开或关闭所述柜门11时,所述称重系统的4个称重传感器仅受到所述无人售货柜的重力作用,不记录称重信号。当用户拉开柜门11时,所述称重传感器受到其他力的作用,使至少一个称重传感器的读数与上一周期读数的差大于设定的第一阈值,开始记录称重信号。当全部称重传感器的读数与上一周期读数的差小于设定的第二阈值时,判断用户完成关闭柜门操作,停止记录称重信号,获取4个称重传感器记录的第一称重信号、第二称重信号、第三称重信号和第四称重信号。进一步地,所述第一阈值和第二阈值可以为相同值。所述周期为设定的读取称重传感器读数时间间隔,例如当所述周期为1秒时,所述称重传感器每一秒读数一次,当每两次读数的差值大于设定的第一阈值时开始记录称重信号。
具体地,当所述无人售货柜未收到干扰时,所述4个称重传感器在用户进行开、关柜门11受力相近,记录到的称重信号之间呈现很高的相似度。但在所述无人售货柜受到干扰时,例如受到倚靠、挤压或人为干扰时,所述4个称重传感器受力有一定的区别,称重信号之间的差别很大。因此可以通过计算所述称重信号两两之间的相关系数来判断所述无人售货机是否受到干扰,以及进一步的判断受到干扰的类型。
图2为本发明第一实施例的一种称重系统状态检测方法的流程图,如图2所示,所述称重系统状态检测方法包括:
步骤S100:确定N个称重信号。
具体地,所述称重系统包括N个称重传感器,N大于等于3。所述称重信号的数量和所述称重传感器数量相等,第i个称重信号为第i个称重传感器在预定时间期间内的称重读数序列。
进一步地,所述称重读数序列为多个称重读数组成的序列。所述预定时间期间可以由所述称重系统的生产厂家或操作人员预先设定。例如当设定的读数周期为1秒,预定时间期间为19:23至19:25时,所述第i个称重信号为由19:23开始,每秒记录一次第i个称重传感器的称重读数,直到19:25时停止记录的序列。
在本实施例中,所述预定时间期间还可以由一个设定的规则触发,例如:至少一个称重传感器读数与上一周期读数的差值大于第一阈值时至所有称重传感器读数与上一周期读数的差值小于第二阈值时,所述周期为设定的读取称重传感器读数时间间隔。例如当所述称重系统安装在无人售货柜时,需要获取开启所述柜门至关闭所述柜门之间的称重信号。则当所述至少一个称重传感器读数与上一周期读数的差值大于第一阈值时,判断柜门开启;当所有称重传感器读数与上一周期读数的差值小于第二阈值时,判断柜门关闭。即所述称重信号为所述无人售货柜柜门从开启至关闭期间内的称重读数序列。在本应用场景中对所述预定时间期间的设定目的在于获取开启所述柜门至关闭所述柜门之间的称重信号,本领域技术人员也可以采用其它的现有算法来实现上述预处理步骤。例如通过在所述无人售货柜安装图像采集装置,根据采集的图像内容确定开启所述柜门至关闭所述柜门的时间,进一步获取所述时间期间内的称重信号。
在本实施例中,以包括四个称重传感器的称重系统为例进行说明。对于包括4个称重传感器的称重系统,确定所述称重系统的第一称重信号、第二称重信号、第三称重信号和第四称重信号。其中每个称重信号对应一个称重传感器。
步骤S200:分别计算所述N个称重信号两两之间的相关系数。
具体地,所述每两个称重信号的相关系数为两个称重信号的协方差与两个称重信号方差乘积的平方根比值。在本发明的一个实施例中,所述称重系统包括4个传感器,第一称重信号为第1个称重传感器在预定时间期间内的称重读数序列X1,第二称重信号为第2个称重传感器在预定时间期间内的称重读数序列X2,第三称重信号为第3个称重传感器在预定时间期间内的称重读数序列X3,第四称重信号为第4个称重传感器在预定时间期间内的称重读数序列X4。
则所述称重信号两两之间的相关系数F1、F2、F3、F4、F5和F6分别为:
所述每两个称重信号之间的相关系数用于表示所述两个称重信号的相关程度。所述相关系数越高,则相关度越高。其中Var(X)为方差,例如第一称重信号的方差为Var(X1)。Cov(m,n)为两个序列之间的协方差,例如第一称重信号和第二称重信号的协方差为Cov(X1,X2)。
步骤S300:根据至少部分所述相关系数确定状态概率值。
具体地,所述至少部分相关系数中至少包括每个称重信号与另一个称重信号的相关系数。即所述用于确定状态概率值的相关系数包含全部称重信号,使确定状态概率值的过程中每个称重信号至少会用到一次。例如当所述称重系统中称重传感器的数量为4,所述称重信号两两之间的相关系数为如步骤S200中的F1、F2、F3、F4、F5和F6。所述用于确定状态概率值的相关系数至少包括{F1,F2}或{F3,F4}或{F5,F6}。应当理解,所述确定状态概率值的过程中,每个称重信号还可以多次使用。例如,在所述称重系统状态检测方法用于检测每个传感器状态时,若所述用于确定状态概率值的相关系数仅包括每个称重信号与另一个称重信号的相关系数,则判断所述称重系统故障时无法判断产生故障传感器是哪一个传感器。因此还可以包括每一个称重信号与至少两个其他称重信号的相关系数,例如包括{F1,F2,F3,F4}。
其中Z值由所述至少部分相关系数的加权和确定,例如当所述称重系统包含4个称重传感器时,且所述用于确定状态概率值的相关系数至少包括第一称重信号和第二称重信号之间的相关系数F3、第二称重信号和第三称重信号之间的相关系数F2、第三称重信号和第四称重信号F4之间的相关系数以及第四称重信号和第一称重信号之间的相关系数F1。则所述状态概率值根据F1、F2、F3和F4的加权确定。即
z=μ1F1+μ2F2+μ3F3+μ4F4
计算所述加权和的权重根据实验获得的样本数据和逻辑回归算法预先确定。例如在本实施例中,所述公式中的μ1、μ2、μ3、μ4可以通过构建包含大量正例和反例的训练数据特征集,训练逻辑回归模型得出。例如,当所述称重系统状态检测方法用于判断干扰和非干扰两种情况时,设定0.5为阈值,P<0.5时判断不受干扰,做为训练数据特征集中的正例,0.5<P<1时判断受干扰,做为训练数据特征集中的反例。建包含大量正例和反例的训练数据特征集,即通过实验控制所述称重系统处于干扰或非干扰状态,多次获取两两称重信号在干扰状态和非干扰状态下的相关系数F1、F2、F3和F4,通过所述训练数据特征集训练逻辑回归模型,最终确定μ1、μ2、μ3、μ4的值。
应理解,所述训练逻辑回归模型目的在于确定相关系数加权和的权重,本领域技术人员也可以采用其它的现有算法或其他分类模型来实现上述预处理步骤。例如可以通过训练神经网络模型确定相关系数加权和的权重。
进一步地,为增加所述称重系统状态检测方法的准确程度,当所述称重系统包含4个称重传感器时,所述状态概率值还可以根据所述四个称重传感器全部的两两之间相关系数确定,即通过F1、F2、F3、F4、F5和F6的加权和确定。即:
z=μ1F1+μ2F2+μ3F3+μ4F4+μ5F5+μ6F6
所述公式中的μ1、μ2、μ3、μ4、μ5和μ6可以通过构建包含大量正例和反例的训练数据特征集,训练逻辑回归模型或其他例如神经网络模型等替代方式得出。
步骤S400:根据所述状态概率值确定所述称重系统的状态。
具体地,通过所述称重系统内设定的阈值与所述状态概率值的关系确定所述称重系统的状态。例如对于设定所述阈值为0.5,大于0.5判断受干扰的情况。所述状态概率值大于0.5时,判断所述称重系统受到干扰。当所述称重系统安装在无人售货柜时,所述状态概率值大于0.5即判断所述无人售货柜受到挤压或倚靠。进一步地,所述称重系统可以根据需要设置多个用于判断不同状态的阈值。
所述方法通过计算称重系统内称重信号两两之间的相关系数和参考值,并根据所述相关系数和参考值判断称重系统状态,提高对所述称重系统状态判断的精度,避免因环境干扰产生的误判。
图3为本发明第二实施例的一种称重系统状态检测方法的流程图,如图3所示,所述称重系统状态检测方法包括:
步骤S100:确定N个称重信号。
具体地,所述称重系统包括N个称重传感器,N大于等于3。所述称重信号的数量和所述称重传感器数量相等,第i个称重信号为第i个称重传感器在预定时间期间内的称重读数序列。
在本实施例中,以包括四个称重传感器的称重系统为例进行说明。对于包括4个称重传感器的称重系统,确定所述称重系统的第一称重信号、第二称重信号、第三称重信号和第四称重信号。其中每个称重信号对应一个称重传感器。
步骤S200’:分别计算所述N个称重信号两两之间的相关系数和参考值。
具体地,所述每两个称重信号的相关系数为两个称重信号的协方差与两个称重信号方差乘积的平方根比值。在本发明的一个实施例中,所述称重系统包括4个传感器,第一称重信号为第1个称重传感器在预定时间期间内的称重读数序列X1,第二称重信号为第2个称重传感器在预定时间期间内的称重读数序列X2,第三称重信号为第3个称重传感器在预定时间期间内的称重读数序列X3,第四称重信号为第4个称重传感器在预定时间期间内的称重读数序列X4。则所述称重信号两两之间的相关系数F1、F2、F3、F4、F5和F6分别为:
所述每两个称重信号之间的相关系数用于表示所述两个称重信号的相关程度。所述相关系数越高,则相关度越高。其中Var(X)为方差,例如第一称重信号的方差为Var(X1)。Cov(m,n)为两个序列之间的协方差,例如第一称重信号和第二称重信号的协方差为Cov(X1,X2)。
所述参考值为所述N个称重信号中最小信号特征值和最大信号特征值的比值。所述特征值为能表示所述称重信号特征的值,例如可以是每个称重信号的称重读数序列中值或平均值。将所述称重读数序列中所有称重读数由大致小排列,位于所述排列中中间位置的值即为所述称重读数序列的中值,若所述中间位置的值为两个,则取所述两个值的平均值为中值。当所述特征值为中值时,所述参考值F7为所述4个称重信号中最小信号中值和最大信号中值的比值。所述参考值F7计算公式为:
由所述公式可知,当所述4个称重信号相关度越高时,所述称重信号的中值越相似,所述参考值越趋近于1。
步骤S300’:根据至少部分所述相关系数和参考值确定状态概率值。
其中Z的值为至少部分所述相关系数的加权和或者Z的值为至少部分所述相关系数和参考值的加权和与常数项的和。例如当所述称重系统包含4个称重传感器时,且所述用于确定状态概率值的相关系数至少包括第一称重信号和第二称重信号之间的相关系数F3、第二称重信号和第三称重信号之间的相关系数F2、第三称重信号和第四称重信号F4之间的相关系数以及第四称重信号和第一称重信号之间的相关系数F1。则所述状态概率值根据F1、F2、F3、F4的加权和或F1、F2、F3、F4和F7的加权和与常数项的和确定。即:
z=μ1F1+μ2F2+μ3F3+μ4F4
或:
z=μ1F1+μ2F2+μ3F3+μ4F4+μ7F7+μ
计算所述加权和和参考值的权重以及常数项根据实验获得的样本数据和逻辑回归算法预先确定。例如在本实施例中,所述公式中的μ、μ1、μ2、μ3、μ4、μ7可以通过构建包含大量正例和反例的训练数据特征集,训练逻辑回归模型得出。
应理解,所述训练逻辑回归模型目的在于确定相关系数加权和和参考值的权重以及常数项,本领域技术人员也可以采用其它的现有算法或其他分类模型来实现上述预处理步骤。例如可以通过训练神经网络模型确定相关系数加权和加权和和参考值的权重以及常数项。
进一步地,为增加所述称重系统状态检测方法的准确程度,当所述称重系统包含4个称重传感器时,所述状态概率值还可以为所述四个称重传感器全部的两两之间相关系数的加权和或者Z的值为所述四个称重传感器全部的两两之间相关系数和参考值的加权和与常数项的和,即通过F1、F2、F3、F4、F5和F6的加权和或F1、F2、F3、F4、F5、F6和F7的加权和与常数项的和确定。即:
z=μ1F1+μ2F2+μ3F3+μ4F4+μ5F5+μ6F6
或:
z=μ1F1+μ2F2+μ3F3+μ4F4+μ5F5+μ6F6+μ7F7+μ
所述公式中的μ、μ1、μ2、μ3、μ4、μ5、μ6、μ7可以通过构建包含大量正例和反例的训练数据特征集,训练逻辑回归模型或其他例如神经网络模型等替代方式得出。
步骤S400:根据所述状态概率值确定所述称重系统的状态。
具体地,通过所述称重系统内设定的阈值与所述状态概率值的关系确定所述称重系统的状态。例如对于设定所述阈值为0.5,大于0.5判断受干扰的情况。所述状态概率值大于0.5时,判断所述称重系统受到干扰。当所述称重系统安装在无人售货柜时,所述状态概率值大于0.5即判断所述无人售货柜受到挤压或倚靠。进一步地,所述称重系统可以根据需要设置多个用于判断不同状态的阈值。
所述方法通过计算称重系统内称重信号两两之间的相关系数和参考值,并根据所述相关系数和参考值判断称重系统状态,提高对所述称重系统状态判断的精度,避免因环境干扰产生的误判。
图4为本发明实施例的一种称重系统状态检测装置的示意图,如图4所示,所述称重系统状态检测装置包括信号获取模块41、第一计算模块42、第二计算模块43和状态判断模块44。
具体地,所述信号获取模块41用于确定N个称重信号,第i个称重信号为第i个称重传感器在预定时间期间内的称重读数序列。所述第一计算模块42用于分别计算所述N个称重信号两两之间的相关系数。所述第二计算模块43用于根据至少部分所述相关系数确定状态概率值,所述状态概率值用于表征所述称重系统归属于特定状态的概率。所述状态判断模块44用于根据所述状态概率值确定所述称重系统的状态。
所述装置可以通过计算称重系统内称重信号两两之间的相关系数和参考值,并根据所述相关系数和参考值判断称重系统状态,提高对所述称重系统状态判断的精度,避免因环境干扰产生的误判。
图5为本发明实施例的一种电子设备的示意图,如图5所示,所述电子设备包括:至少一个处理器52;与至少一个处理器通信连接的存储器51;以及与存储介质通信连接的通信组件53,通信组件53在处理器52的控制下接收和发送数据;其中,存储器51存储有可被至少一个处理器52执行的指令,指令被至少一个处理器52执行以实现:
确定N个称重信号,第i个称重信号为第i个称重传感器在预定时间期间内的称重读数序列;
分别计算所述N个称重信号两两之间的相关系数;
根据至少部分所述相关系数确定状态概率值,所述状态概率值用于表征所述称重系统归属于特定状态的概率;
根据所述状态概率值确定所述称重系统的状态。
进一步地,所述预定时间期间为:至少一个称重传感器读数与上一周期读数的差值大于第一阈值时至所有称重传感器读数与上一周期读数的差值小于第二阈值时,所述周期为设定的读取称重传感器读数时间间隔。
进一步地,所述至少部分相关系数中至少包括每个称重信号与另一个称重信号的相关系数。
进一步地,所述确定N个称重信号包括:
所述称重系统包括4个传感器,第一称重信号为第1个称重传感器在预定时间期间内的称重读数序列,第二称重信号为第2个称重传感器在预定时间期间内的称重读数序列,第三称重信号为第3个称重传感器在预定时间期间内的称重读数序列,第四称重信号为第4个称重传感器在预定时间期间内的称重读数序列。
进一步地,所述根据至少部分所述相关系数确定状态概率值包括:
根据第一称重信号和第二称重信号之间的相关系数、第二称重信号和第三称重信号之间的相关系数、第三称重信号和第四称重信号之间的相关系数以及第四称重信号和第一称重信号之间的相关系数确定状态概率值。
进一步地,所述N个称重信号两两之间的相关系数为每两个称重信号的协方差与所述两个称重信号方差乘积的平方根比值。
进一步地,所述根据至少部分所述相关系数确定状态概率值包括:
根据至少部分所述相关系数的加权和确定状态概率值,所述状态概率值用于表征所述称重系统归属于特定状态的概率。
进一步地,所述根据至少部分所述相关系数确定状态概率值包括:
根据至少部分所述相关系数和参考值的加权和与常数项的和确定状态概率值,所述状态概率值用于表征所述称重系统归属于特定状态的概率,所述参考值为所述N个称重信号中最小信号特征值和最大信号特征值的比值。
进一步地,所述信号特征值为每个称重信号的称重读数序列中值或平均值。
进一步地,计算所述加权和的权重根据实验获得的样本数据和逻辑回归算法预先确定。
具体地,所述存储器51作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。处理器52通过运行存储在存储器51中的非易失性软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述称重系统状态检测方法。
存储器51可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储选项列表等。此外,存储器51可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,存储器51可选包括相对于处理器52远程设置的存储器51,这些远程存储器可以通过网络连接至外接设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个模块存储在存储器51中,当被一个或者多个处理器52执行时,执行上述任意方法实施例中的称重系统状态检测方法。
上述产品可执行本申请实施例所提供的方法,具备执行方法相应的功能模块和有益效果,未在本实施例中详尽描述的技术细节,可参见本申请实施例所提供的方法。
本发明还涉及一种计算机可读存储介质,用于存储计算机可读程序,所述计算机可读程序用于供计算机执行上述部分或全部的方法实施例。
即,本领域技术人员可以理解,实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本申请各实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的优选实施例,并不用于限制本发明,对于本领域技术人员而言,本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (24)
1.一种称重系统状态检测方法,所述称重系统包括N个称重传感器,N大于等于3,其特征在于,所述方法包括:
确定N个称重信号,第i个称重信号为第i个称重传感器在预定时间期间内的称重读数序列;
分别计算所述N个称重信号两两之间的相关系数;
根据至少部分相关系数确定状态概率值,所述状态概率值用于表征所述称重系统归属于特定状态的概率;
根据所述状态概率值确定所述称重系统的状态。
2.如权利要求1所述的方法,其特征在于,所述预定时间期间为:
至少一个称重传感器读数与上一周期读数的差值大于第一阈值时至所有称重传感器读数与上一周期读数的差值小于第二阈值时,其中,所述周期为设定的读取称重传感器读数时间间隔。
3.如权利要求1所述的方法,其特征在于,所述至少部分相关系数中至少包括每个称重信号与另一个称重信号的相关系数。
4.如权利要求1所述的方法,其特征在于,所述称重系统包括4个传感器,所述确定N个称重信号,第i个称重信号为第i个称重传感器在预定时间期间内的称重读数序列包括:
确定4个称重信号,第一称重信号为第1个称重传感器在预定时间期间内的称重读数序列,第二称重信号为第2个称重传感器在预定时间期间内的称重读数序列,第三称重信号为第3个称重传感器在预定时间期间内的称重读数序列,第四称重信号为第4个称重传感器在预定时间期间内的称重读数序列。
5.如权利要求4所述的方法,其特征在于,所述根据至少部分相关系数确定状态概率值包括:
根据第一称重信号和第二称重信号之间的相关系数、第二称重信号和第三称重信号之间的相关系数、第三称重信号和第四称重信号之间的相关系数以及第四称重信号和第一称重信号之间的相关系数确定状态概率值。
6.如权利要求1所述的方法,其特征在于,所述N个称重信号两两之间的相关系数为每两个称重信号的协方差与所述两个称重信号方差乘积的平方根比值。
7.如权利要求1所述的方法,其特征在于,所述根据至少部分相关系数确定状态概率值包括:
根据至少部分相关系数的加权和确定状态概率值,所述状态概率值用于表征所述称重系统归属于特定状态的概率。
8.如权利要求1所述的方法,其特征在于,所述根据至少部分相关系数确定状态概率值包括:
根据至少部分相关系数和参考值的加权和与常数项的和确定状态概率值,所述状态概率值用于表征所述称重系统归属于特定状态的概率,所述参考值为所述N个称重信号中最小信号特征值和最大信号特征值的比值。
9.如权利要求8所述的方法,其特征在于,所述信号特征值为每个称重信号的称重读数序列中值或平均值。
11.如权利要求7或8所述的方法,其特征在于,计算所述加权和的权重根据实验获得的样本数据和逻辑回归算法预先确定。
12.一种称重系统状态检测装置,其特征在于,包括:
信号获取模块,用于确定N个称重信号,第i个称重信号为第i个称重传感器在预定时间期间内的称重读数序列;
第一计算模块,用于分别计算所述N个称重信号两两之间的相关系数;
第二计算模块,用于根据至少部分相关系数确定状态概率值,所述状态概率值用于表征所述称重系统归属于特定状态的概率;
状态判断模块,用于根据所述状态概率值确定所述称重系统的状态。
13.一种计算机可读存储介质,其上存储计算机程序指令,其特征在于,所述计算机程序指令在被处理器执行时实现如权利要求1~11中任一项所述的方法。
14.一种电子设备,包括存储器和处理器,其特征在于,所述存储器用于存储一条或多条计算机程序指令,其中,所述一条或多条计算机程序指令被所述处理器执行以实现如下所述步骤:
确定N个称重信号,第i个称重信号为第i个称重传感器在预定时间期间内的称重读数序列;
分别计算所述N个称重信号两两之间的相关系数;
根据至少部分相关系数确定状态概率值,所述状态概率值用于表征称重系统归属于特定状态的概率;
根据所述状态概率值确定所述称重系统的状态。
15.如权利要求14所述的电子设备,其特征在于,所述预定时间期间为:至少一个称重传感器读数与上一周期读数的差值大于第一阈值时至所有称重传感器读数与上一周期读数的差值小于第二阈值时,所述周期为设定的读取称重传感器读数时间间隔。
16.如权利要求14所述的电子设备,其特征在于,所述至少部分相关系数中至少包括每个称重信号与另一个称重信号的相关系数。
17.如权利要求14所述的电子设备,其特征在于,所述确定N个称重信号包括:
所述称重系统包括4个传感器,第一称重信号为第1个称重传感器在预定时间期间内的称重读数序列,第二称重信号为第2个称重传感器在预定时间期间内的称重读数序列,第三称重信号为第3个称重传感器在预定时间期间内的称重读数序列,第四称重信号为第4个称重传感器在预定时间期间内的称重读数序列。
18.如权利要求17所述的电子设备,其特征在于,所述根据至少部分相关系数确定状态概率值包括:
根据第一称重信号和第二称重信号之间的相关系数、第二称重信号和第三称重信号之间的相关系数、第三称重信号和第四称重信号之间的相关系数以及第四称重信号和第一称重信号之间的相关系数确定状态概率值。
19.如权利要求14所述的电子设备,其特征在于,所述N个称重信号两两之间的相关系数为每两个称重信号的协方差与所述两个称重信号方差乘积的平方根比值。
20.如权利要求14所述的电子设备,其特征在于,所述根据至少部分相关系数确定状态概率值包括:
根据至少部分相关系数的加权和确定状态概率值,所述状态概率值用于表征所述称重系统归属于特定状态的概率。
21.如权利要求14所述的电子设备,其特征在于,所述根据至少部分相关系数确定状态概率值包括:
根据至少部分相关系数和参考值的加权和与常数项的和确定状态概率值,所述状态概率值用于表征所述称重系统归属于特定状态的概率,所述参考值为所述N个称重信号中最小信号特征值和最大信号特征值的比值。
22.如权利要求21所述的电子设备,其特征在于,所述信号特征值为每个称重信号的称重读数序列中值或平均值。
24.如权利要求20或21所述的电子设备,其特征在于,计算所述加权和的权重根据实验获得的样本数据和逻辑回归算法预先确定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910435553.2A CN110160619B (zh) | 2019-05-23 | 2019-05-23 | 称重系统状态检测方法、装置、可读存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910435553.2A CN110160619B (zh) | 2019-05-23 | 2019-05-23 | 称重系统状态检测方法、装置、可读存储介质和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110160619A CN110160619A (zh) | 2019-08-23 |
CN110160619B true CN110160619B (zh) | 2021-06-15 |
Family
ID=67632460
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910435553.2A Active CN110160619B (zh) | 2019-05-23 | 2019-05-23 | 称重系统状态检测方法、装置、可读存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110160619B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110864996A (zh) * | 2019-11-29 | 2020-03-06 | 北京龙田华远科技有限公司 | 一种含矸率测量方法及装置 |
CN113834558B (zh) * | 2020-06-24 | 2024-05-14 | 宝山钢铁股份有限公司 | 钢包称量传感器远程故障检测方法 |
CN113554804B (zh) * | 2021-04-21 | 2023-06-02 | 浙江星星冷链集成股份有限公司 | 一种稳定重量获取装置及无人售货系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102393912A (zh) * | 2011-11-01 | 2012-03-28 | 中国电子科技集团公司第二十八研究所 | 一种基于不确定推理的目标综合识别方法 |
CN104112231A (zh) * | 2013-04-19 | 2014-10-22 | 北京化工大学 | 餐厨垃圾回收智能监控方法 |
CN105975744A (zh) * | 2016-04-22 | 2016-09-28 | 西安工程大学 | 一种基于d-s证据理论的纺织过程数据融合系统 |
CN107063424A (zh) * | 2017-04-30 | 2017-08-18 | 南京理工大学 | 基于多元线性回归模型的皮带秤主要误差因素分析的方法 |
CN108171879A (zh) * | 2018-01-08 | 2018-06-15 | 深圳正品创想科技有限公司 | 一种自动售货结算的方法、装置及无人售货柜 |
CN108875823A (zh) * | 2018-06-12 | 2018-11-23 | 吉林大学 | 基于新的证据衡量标准下证据的组合方法 |
CN109724637A (zh) * | 2018-12-24 | 2019-05-07 | 北京控制工程研究所 | 一种基于试验数据的传感器元件质量评估方法 |
-
2019
- 2019-05-23 CN CN201910435553.2A patent/CN110160619B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102393912A (zh) * | 2011-11-01 | 2012-03-28 | 中国电子科技集团公司第二十八研究所 | 一种基于不确定推理的目标综合识别方法 |
CN104112231A (zh) * | 2013-04-19 | 2014-10-22 | 北京化工大学 | 餐厨垃圾回收智能监控方法 |
CN105975744A (zh) * | 2016-04-22 | 2016-09-28 | 西安工程大学 | 一种基于d-s证据理论的纺织过程数据融合系统 |
CN107063424A (zh) * | 2017-04-30 | 2017-08-18 | 南京理工大学 | 基于多元线性回归模型的皮带秤主要误差因素分析的方法 |
CN108171879A (zh) * | 2018-01-08 | 2018-06-15 | 深圳正品创想科技有限公司 | 一种自动售货结算的方法、装置及无人售货柜 |
CN108875823A (zh) * | 2018-06-12 | 2018-11-23 | 吉林大学 | 基于新的证据衡量标准下证据的组合方法 |
CN109724637A (zh) * | 2018-12-24 | 2019-05-07 | 北京控制工程研究所 | 一种基于试验数据的传感器元件质量评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110160619A (zh) | 2019-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110160619B (zh) | 称重系统状态检测方法、装置、可读存储介质和电子设备 | |
CN101571914B (zh) | 异常行为检测装置 | |
EP3680639B1 (en) | Abnormality model learning device, method, and program | |
CN110032490A (zh) | 用于检测系统异常的方法及其装置 | |
EP2342603A2 (en) | Method and apparatus for creating state estimation models in machine condition monitoring | |
US10394631B2 (en) | Anomaly detection and automated analysis using weighted directed graphs | |
CN109910819A (zh) | 一种车内环境设置方法、装置、可读存储介质及终端设备 | |
WO2020107928A1 (zh) | 商品检测方法和装置 | |
CN111723777A (zh) | 商品取放过程判别方法、装置、智能货柜和可读存储介质 | |
US20230117088A1 (en) | Method and device for improving performance of data processing model, storage medium and electronic device | |
CN116861798B (zh) | 基于XGBoost算法的真空干泵在线实时剩余寿命预测方法 | |
GB2559822B (en) | Intelligent cash drawer unit or cash register and methods of operation therefor | |
JP6472417B2 (ja) | 特徴量抽出装置、特徴量抽出関数情報生成装置、これらの方法及びプログラム | |
CN112738098A (zh) | 一种基于网络行为数据的异常检测方法及装置 | |
JP7119901B2 (ja) | 分析装置、分析方法および分析プログラム | |
CN112634524A (zh) | 一种称重式无人售货设备的称重纠错方法 | |
US8844808B2 (en) | Cash till load cell | |
US9104911B2 (en) | Object classification | |
CN104035866B (zh) | 基于系统调用分析的软件行为评估方法和装置 | |
CN114637620A (zh) | 一种基于svm算法的数据库系统异常分类预测方法 | |
US11455531B2 (en) | Trustworthy predictions using deep neural networks based on adversarial calibration | |
CN111833173A (zh) | 基于lstm的第三方平台支付欺诈行为在线检测方法 | |
KR20240061552A (ko) | 사물 인터넷 시스템에서 적응형 이상 점수 임계 값에 기반하는 이상 탐지를 위한 장치 및 방법 | |
KR20240071274A (ko) | 사물 인터넷 시스템에서 적응형 슬라이딩 윈도우 크기에 기반하는 이상 탐지를 위한 장치 및 방법 | |
CN117391248A (zh) | 用户流失预测方法及装置 |
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 |