CN111898732B - 基于深度卷积神经网络的超声波测距补偿方法 - Google Patents
基于深度卷积神经网络的超声波测距补偿方法 Download PDFInfo
- Publication number
- CN111898732B CN111898732B CN202010607721.4A CN202010607721A CN111898732B CN 111898732 B CN111898732 B CN 111898732B CN 202010607721 A CN202010607721 A CN 202010607721A CN 111898732 B CN111898732 B CN 111898732B
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- convolution
- distance
- network model
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/02—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems using reflection of acoustic waves
- G01S15/06—Systems determining the position data of a target
- G01S15/08—Systems for measuring distance only
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Radar, Positioning & Navigation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Remote Sensing (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Acoustics & Sound (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于深度卷积神经网络的超声波测距补偿方法,该方法包括:测量多组不同距离数据、温度、湿度、气压以及粉尘浓度数据情况下的超声波传感器与目标物体间的真实距离,构建距离数据库;构建并训练深度卷积神经网络模型;针对待测距的目标物体,由超声波传感器测量距离数据,并测量温度、湿度、气压、粉尘浓度数据,将这些测量数据输入至训练好的神经网络模型,输出对超声波传感器测量的距离数据补偿后的距离数据。本发明综合考虑温度、湿度、气压、粉尘浓度多种环境因素对超声波测距的影响来构建深度卷积神经网络模型,可以有效避免由于超声波测距时复杂环境因素引入的测量误差,具有较好的抗干扰能力,能够获得更精确的距离测量值。
Description
技术领域
本发明涉及测距技术领域,特别涉及一种基于深度卷积神经网络的超声波测距补偿方法。
背景技术
电梯行业是关系到民生安全的重要领域,其中,对电梯轿厢地坎与电梯井道内表面距离的测量,是电梯技术参数检验中重要的一环。在标准GB7588-2003电梯制造与安装安全规范中对相关参数进行了规定:电梯井道内表面与轿厢地坎、轿厢门框架或滑动门的最近门口边沿的水平距离不应大于0.15m。
由于电梯井道环境具有一定特殊性,在使用超声波测距时容易受到温度、湿度、气压以及空气中粉尘浓度的影响,导致测量值存在误差。对于这些环境因素导致的测距误差需要通过特殊方式进行误差补偿,但现今方法考虑的补偿因素均只有温度和湿度两种。近年来人工智能方法获得了广泛的认可和应用,如神经网络、模糊逻辑、模糊神经和遗传算法等,这些方法可以很好地处理超声波测距误差中的非线性和不确定性,但在超声波误差补偿研究方面还只是停留在使用BP神经网络来实现,其效率和准确性并不够高。深度卷积神经网络作为一种先进的人工智能技术,能从已知的数据中进行训练,获得自主分析的能力,同时引入气压和粉尘浓度对超声波测距的影响因素,从而解决了超声波测距误差补偿问题,进一步提高了测距精度,增强了系统的鲁棒性。
发明内容
本发明的目的在于针对上述现有技术存在的问题,提供一种基于深度卷积神经网络的超声波测距补偿方法,用于实现在复杂的电梯井道环境中,超声波测距系统自主考虑多种环境影响因素,利用神经网络计算得到精确距离值,解决超声波测距误差补偿问题。
实现本发明目的的技术解决方案为:基于深度卷积神经网络的超声波测距补偿方法,所述方法包括以下步骤:
步骤1,测量多组不同距离数据、温度、湿度、气压以及粉尘浓度数据情况下的超声波传感器与目标物体间的真实距离,构建距离数据库;所述距离数据库包括所述距离数据、温度、湿度、气压、粉尘浓度数据以及真实距离;所述距离数据为超声波传感器测量的其与目标物体的距离;
步骤2,构建深度卷积神经网络模型,并基于所述距离数据库训练所述深度卷积神经网络模型;
步骤3,由超声波传感器测量当前距离数据,并测量当前的温度、湿度、气压、粉尘浓度数据,将这些测量数据输入至训练好的神经网络模型中,输出对超声波传感器测量的距离数据补偿后的距离数据。
本发明与现有技术相比,其显著优点为:1)综合考虑温度、湿度、气压、粉尘浓度多种环境因素对超声波测距的影响来构建深度卷积神经网络模型,可以得到更精确地测量值;2)本发明所设计的基于深度卷积神经网络的超声波误差补偿方法,可以有效避免由于超声波测距时复杂环境因素引入的测量误差,具有较好的抗干扰能力。
下面结合附图对本发明作进一步详细描述。
附图说明
图1为一个实施例中基于深度卷积神经网络的超声波测距补偿方法原理图。
图2为一个实施例中步骤3的具体流程图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,结合图1,本发明提供了一种基于深度卷积神经网络的超声波测距补偿方法,所述方法包括以下步骤:
步骤1,测量多组不同距离数据、温度、湿度、气压以及粉尘浓度数据情况下的超声波传感器与目标物体间的真实距离,构建距离数据库;所述距离数据库包括所述距离数据、温度、湿度、气压、粉尘浓度数据以及真实距离;所述距离数据为超声波传感器测量的其与目标物体的距离;
步骤2,构建深度卷积神经网络模型,并基于所述距离数据库训练所述深度卷积神经网络模型;
步骤3,由超声波传感器测量当前距离数据,并测量当前的温度、湿度、气压、粉尘浓度数据,将这些测量数据输入至训练好的神经网络模型中,输出对超声波传感器测量的距离数据补偿后的距离数据。
进一步地,在其中一个实施例中,步骤1中所述超声波传感器与目标物体间的真实距离通过高精度的测距仪测量获得。
进一步地,在其中一个实施例中,步骤2所述深度卷积神经网络模型包括:
一个输入层,用于接收超声波传感器的数据;
第一卷积模块,包括多级第一卷积层、第一池化层以及第一全连接层,第一级所述第一卷积层连接所述输入层,每个第一卷积层后均连接一个第一池化层,最后一级的第一卷积层后连接多个连续的第一全连接层;
第二卷积模块,包括多级第二卷积层、第二池化层、第二全连接层,第一级所述第二卷积层连接所述第一卷积模块的最后一个第一全连接层,每个第二卷积层后连接一个第二池化层,最后一级的第二卷积层后连接多个连续的第二全连接层。
进一步优选地,在其中一个实施例中,所述第一卷积模块、第二卷积模块的卷积层和池化层数量均为7层,全连接层数量均为3层。
进一步优选地,在其中一个实施例中,步骤2所述训练神经网络模型具体结合小批量梯度下降法与L2损失函数实现训练。
进一步优选地,在其中一个实施例中,结合图2,步骤3所述针对待测距的目标物体,由超声波传感器测量距离数据,并测量目标物体当前所处的温度、湿度、气压、粉尘浓度数据,将这些测量数据输入至训练好的神经网络模型中,输出对超声波传感器测量的距离数据补偿后的距离数据,具体过程包括:
步骤3-1,测量n组所述测量数据,将每组测量数据构成一个包括五个数据的一维向量,并将所有一维向量堆叠成5×n的第一二维张量;
这里,n优选为10。
步骤3-2,将所述第一二维张量输入至训练好的神经网络模型,通过第一卷积模块执行第一阶段的卷积运算,获得n组所述测量数据对应的第一距离数据;
步骤3-3,将所述第一距离数据和所述第一二维张量堆叠成6×n的第二二维张量;
步骤3-4,将所述第二二维张量输入至训练好的神经网络模型,通过第二卷积模块执行第二阶段的卷积运算,输出一个对超声波传感器测量的距离数据补偿后的距离数据。
进一步地,在其中一个实施例中,步骤3-2中卷积运算后的数据通过第一激活函数输出至第一卷积模块的池化层进行池化处理;
步骤3-4中卷积运算后的数据通过第二激活函数输出至第二卷积模块的池化层进行池化处理。
进一步优选地,在其中一个实施例中,所述第一激活函数、第二激活函数均为ReLU函数。
进一步优选地,在其中一个实施例中,所述池化处理采用最大值池化处理。
本发明综合考虑温度、湿度、气压、粉尘浓度多种环境因素对超声波测距的影响来构建深度卷积神经网络模型,可以有效避免由于超声波测距时复杂环境因素引入的测量误差,具有较好的抗干扰能力,能够获得更精确的距离测量值。
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (2)
1.基于深度卷积神经网络的超声波测距补偿方法,其特征在于,所述方法包括以下步骤:
步骤1,测量多组不同距离数据、温度、湿度、气压以及粉尘浓度数据情况下的超声波传感器与目标物体间的真实距离,构建距离数据库;所述距离数据库包括所述距离数据、温度、湿度、气压、粉尘浓度数据以及真实距离;所述距离数据为超声波传感器测量的其与目标物体的距离;
步骤2,构建深度卷积神经网络模型,并基于所述距离数据库训练所述深度卷积神经网络模型;所述深度卷积神经网络模型包括:
一个输入层,用于接收超声波传感器的数据;
第一卷积模块,包括多级第一卷积层、第一池化层以及第一全连接层,第一级所述第一卷积层连接所述输入层,每个第一卷积层后均连接一个第一池化层,最后一级的第一卷积层后连接多个连续的第一全连接层;
第二卷积模块,包括多级第二卷积层、第二池化层、第二全连接层,第一级所述第二卷积层连接所述第一卷积模块的最后一个第一全连接层,每个第二卷积层后连接一个第二池化层,最后一级的第二卷积层后连接多个连续的第二全连接层;
所述第一卷积模块、第二卷积模块的卷积层和池化层数量均为7层,全连接层数量均为3层;
所述训练神经网络模型具体结合小批量梯度下降法与L2损失函数实现训练;
步骤3,针对待测距的目标物体,由超声波传感器测量距离数据,并测量目标物体当前所处的温度、湿度、气压、粉尘浓度数据,将这些测量数据输入至训练好的神经网络模型中,输出对超声波传感器测量的距离数据补偿后的距离数据;具体过程包括:
步骤3-1,测量n组所述测量数据,将每组测量数据构成一个包括五个数据的一维向量,并将所有一维向量堆叠成5×n的第一二维张量;
步骤3-2,将所述第一二维张量输入至训练好的神经网络模型,通过第一卷积模块执行第一阶段的卷积运算,获得n组所述测量数据对应的第一距离数据;
步骤3-3,将所述第一距离数据和所述第一二维张量堆叠成6×n的第二二维张量;
步骤3-4,将所述第二二维张量输入至训练好的神经网络模型,通过第二卷积模块执行第二阶段的卷积运算,输出一个对超声波传感器测量的距离数据补偿后的距离数据;
步骤3-2中卷积运算后的数据通过第一激活函数输出至第一卷积模块的池化层进行池化处理;
步骤3-4中卷积运算后的数据通过第二激活函数输出至第二卷积模块的池化层进行池化处理;
所述第一激活函数、第二激活函数均为ReLU函数;
所述池化处理采用最大值池化处理。
2.根据权利要求1所述的基于深度卷积神经网络的超声波测距补偿方法,其特征在于,步骤1中所述超声波传感器与目标物体间的真实距离通过测距仪测量获得。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010607721.4A CN111898732B (zh) | 2020-06-30 | 2020-06-30 | 基于深度卷积神经网络的超声波测距补偿方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010607721.4A CN111898732B (zh) | 2020-06-30 | 2020-06-30 | 基于深度卷积神经网络的超声波测距补偿方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111898732A CN111898732A (zh) | 2020-11-06 |
CN111898732B true CN111898732B (zh) | 2023-06-20 |
Family
ID=73207247
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010607721.4A Active CN111898732B (zh) | 2020-06-30 | 2020-06-30 | 基于深度卷积神经网络的超声波测距补偿方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111898732B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115994491B (zh) * | 2023-03-24 | 2023-06-30 | 湖南光华防务科技集团有限公司 | 一种灭火弹挂飞温度补偿方法和系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106873566A (zh) * | 2017-03-14 | 2017-06-20 | 东北大学 | 一种基于深度学习的无人驾驶物流车 |
CN107657249A (zh) * | 2017-10-26 | 2018-02-02 | 珠海习悦信息技术有限公司 | 多尺度特征行人重识别的方法、装置、存储介质及处理器 |
CN109993280A (zh) * | 2019-03-27 | 2019-07-09 | 东南大学 | 一种基于深度学习的水下声源定位方法 |
WO2019154035A1 (zh) * | 2018-02-12 | 2019-08-15 | 华为技术有限公司 | 一种在视频中植入广告的方法及计算机设备 |
CN110758379A (zh) * | 2018-07-27 | 2020-02-07 | 广州汽车集团股份有限公司 | 一种斜列泊车位检测方法、装置以及自动泊车方法和系统 |
CN111091010A (zh) * | 2019-11-22 | 2020-05-01 | 京东方科技集团股份有限公司 | 相似度确定、网络训练、查找方法及装置和存储介质 |
-
2020
- 2020-06-30 CN CN202010607721.4A patent/CN111898732B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106873566A (zh) * | 2017-03-14 | 2017-06-20 | 东北大学 | 一种基于深度学习的无人驾驶物流车 |
CN107657249A (zh) * | 2017-10-26 | 2018-02-02 | 珠海习悦信息技术有限公司 | 多尺度特征行人重识别的方法、装置、存储介质及处理器 |
WO2019154035A1 (zh) * | 2018-02-12 | 2019-08-15 | 华为技术有限公司 | 一种在视频中植入广告的方法及计算机设备 |
CN110758379A (zh) * | 2018-07-27 | 2020-02-07 | 广州汽车集团股份有限公司 | 一种斜列泊车位检测方法、装置以及自动泊车方法和系统 |
CN109993280A (zh) * | 2019-03-27 | 2019-07-09 | 东南大学 | 一种基于深度学习的水下声源定位方法 |
CN111091010A (zh) * | 2019-11-22 | 2020-05-01 | 京东方科技集团股份有限公司 | 相似度确定、网络训练、查找方法及装置和存储介质 |
Non-Patent Citations (2)
Title |
---|
基于深度卷积神经网络的地震数据局部信噪比估计;吕尧;单小彩;霍守东;杨长春;;地球物理学报(01);326-334 * |
基于深度学习和无线传输的桥梁裂缝图像识别系统;曾世钦;唐朝;陈可;;建材世界(02);82-86 * |
Also Published As
Publication number | Publication date |
---|---|
CN111898732A (zh) | 2020-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108764520B (zh) | 一种基于多层循环神经网络和d-s证据理论的水质参数预测方法 | |
CN109033612B (zh) | 一种基于振动噪声及bp神经网络的变压器故障诊断方法 | |
CN109297689B (zh) | 一种引入权重因子的大型水力机械智能诊断方法 | |
CN108960334B (zh) | 一种多传感器数据加权融合方法 | |
CN111638707B (zh) | 基于som聚类和mpca的间歇过程故障监测方法 | |
CN111898732B (zh) | 基于深度卷积神经网络的超声波测距补偿方法 | |
CN111177970B (zh) | 基于高斯过程和卷积神经网络的多阶段半导体过程虚拟计量方法 | |
CN116448419A (zh) | 基于深度模型高维参数多目标高效寻优的零样本轴承故障诊断方法 | |
US20210247246A1 (en) | Edge-cloud collaboration platform for intelligent coking monitoring of cracking furnace tubes and working method thereof | |
CN110572779B (zh) | 一种基于ToF模型的基站的系统误差估计方法 | |
CN110906875A (zh) | 一种孔径测量的视觉处理方法 | |
CN114722952B (zh) | 一种基于表示学习的轴承故障检测和分类的一体化方法 | |
CN112596016A (zh) | 基于多个一维卷积神经网络集成的互感器故障诊断方法 | |
CN106055579B (zh) | 基于人工神经网络的车辆性能数据清洗系统及其方法 | |
CN115222983A (zh) | 一种电缆破损检测方法及系统 | |
CN102981160A (zh) | 一种确定空中目标航迹的方法及装置 | |
WO2020108039A1 (zh) | 一种注塑机机械手精度补偿系统及方法 | |
CN110619176A (zh) | 一种基于dbn-rlssvm的航煤闪点预测方法 | |
CN111461288B (zh) | 一种轨道几何参数全速段检测方法及系统 | |
CN108197809B (zh) | 基于维度最优转换的权值共享深度网络的实时调度方法 | |
CN111256905A (zh) | 一种噪声环境下多维力传感器的解耦方法 | |
CN116482579A (zh) | 一种稳健的噪声量自修正的电连接器剩余寿命预测方法 | |
CN115018162A (zh) | 一种工业精加工过程加工质量实时预测方法和系统 | |
CN115099129A (zh) | 一种基于输入特征误差修正的天然气井产量预测方法 | |
CN112747773B (zh) | 基于Allan方差和随机多项式提高陀螺仪精度的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |