CN112129386A - 称重设备和称重方法 - Google Patents

Abstract

本发明提供一种称重设备和称重方法，其中所述称重设备包括：识别模块，配置为识别被称重物的物品信息；存储模块，配置为存储所述被称重物的物品信息与称重误差之间的函数映射关系；处理模块，配置为根据训练样本中测得的数据，建立函数映射关系WE＝F(A,WT)；其中，WE为称重误差，A为物品信息，WT为被称重物的实际称重数值；以及，根据所述函数映射关系，计算所述称重误差，并对当前称重数据按照所述称重误差作数据补偿。通过本发明的称重设备和称重方法，能够更精确对称重误差进行补偿。

Description

称重设备和称重方法

技术领域

本发明属于测重技术，尤其涉及一种称重设备和称重方法。

背景技术

在称重领域，称重设备因被称重物的重量较大，或长期使用等原因，可能导致其机械结构发生变形，而这将会影响到称重设备称重性能的准确度和稳定性，进而影响到产品价值和用户反馈。

对此，现有技术(CN 207867322 U)公开了一种用于机械设备的误差补偿系统，通过对秤体进行数据采集，并将采集到的数据(如温度，位移，应力变化等)代入误差模型计算称重误差，从而提供对相应设备类型(如减速机，皮带秤等)的系统误差补偿。

称重设备受力发生机械变形的情况而造成称重误差与多种因素存在关系，例如被称重物体的影响。由于上述的现有技术在相关数据来源的选取范围上，并未考虑被称重物本身，因此其在称重误差补偿中仍会存在称重误差。并且由于其并未具体公开如何对采集到的相应数据处理成相应的数据形式，以及如何与知识库单元进行匹配，因此在方案的可实施性上也存在问题。

发明内容

本发明要解决的技术问题提供一种能够更精确对称重误差补偿的称重设备以及称重方法。

为解决上述技术问题中的至少一部分，本发明提供一种称重设备，包括：识别模块，配置为识别被称重物的物品信息；存储模块，配置为存储所述被称重物的物品信息与称重误差之间的函数映射关系；处理模块，配置为根据训练样本中测得的数据，建立函数映射关系WE＝F(A,WT)；其中，WE为称重误差，A为物品信息，WT为被称重物的实际称重数值；以及，根据所述函数映射关系，计算所述称重误差，并对当前称重数据按照所述称重误差作数据补偿。

较优的，所述物品信息包括被称重物在承载台上位置和方向，所述函数映射关系为WE＝F(P,RD,WT)；其中，P为被称重物在所述承载台上的位置参数，RD为被称重物在所述承载台上的方向参数。

较优的，还包括一图像获取模块，用于获取被称重物的图像；所述识别模块根据所述被称重物的图像，识别被称重物在所述承载台上的位置和方向；或者，所述识别模块通过接收用户输入识别被称重物在所述承载台上的位置和方向。

较优的，所述物品信息还包括被称重物的物体形状和质量分布，所述函数映射关系为WE＝F(P,RD,S,D,WT)；其中，S为被称重物的物体形状参数，D为被称重物的质量分布参数。

较优的，所述存储模块存储被称重物类型与物体形状以及质量分布的对应关系；所述识别模块根据所述被称重物的图像，识别被称重物类型；所述处理模块根据被称重物类型匹配相应的物体形状以及质量分布。

较优的，所述处理模块根据训练样本中测得的数据，通过神经网络建立所述函数映射关系。

较优的，所述处理模块根据训练样本中测得的数据，通过数据拟合建立所述函数映射关系。

本发明还公开了一种称重方法，通过如权利要求1所述的称重设备实施，包括：对被称重物称重；识别被称重物的物品信息；根据预存储的称重误差与所述被称重物的物品信息的函数映射关系WE＝F(A,WT)，计算所述称重误差；其中，WE为称重误差，A为物品信息，WT为被称重物的实际称重数值；对当前称重数据按照所述称重误差作数据补偿。

较优的，所述物品信息包括被称重物在承载台上位置和方向，所述函数映射关系为WE＝F(P,RD,WT)；其中，P为被称重物在所述承载台上的位置参数，RD为被称重物在所述承载台上的方向参数；所述识别被称重物的物品信息包括：识别被称重物在所述承载台上的位置和方向；所述根据预存储的称重误差与所述被称重物的物品信息的函数映射关系WE＝F(A,WT)，计算所述称重误差包括：根据函数映射关系WE＝F(P,RD,WT)计算所述称重误差。

较优的，所述物品信息还包括被称重物的物体形状和质量分布，所述函数映射关系为WE＝F(P,RD,S,D,WT)；其中，S为被称重物的物体形状参数，D为被称重物的质量分布参数；所述识别被称重物的物品信息包括：根据被称重物的类型，匹配相应的物体形状和质量分布；所述根据预存储的称重误差与所述被称重物的物品信息的函数映射关系WE＝F(A,WT)，计算所述称重误差包括：根据函数映射关系WE＝F(P,RD,S,D,WT)计算所述称重误差。

本发明提供的称重设备，由于在对称重设备的称重误差补偿中，综合考虑了被称重物自身因素在称重设备受力机械变形中的影响，并通过两者的关联信息，建立起称重设备机械变形所导致的称重误差与被称重物自身因素之间的函数映射关系，因此在实际称重过程中可以通过计算出称重误差以修正称重结果，从而提高了称重设备的称重精确度。

附图说明

图1是本发明称重设备一实施例的结构示意图；

图2是本发明称重方法一实施例的流程图。

具体实施方式

为让本发明的上述目的、特征和优点能更明显易懂，以下结合附图对本发明的具体实施方式作详细说明。

实施例1

如图1所示，称重设备包括一用于放置被称重物的承载台，并且在承载台的上方还设置有一摄像头。该摄像头正对承载台，摄像范围覆盖整个承载台的范围，可以对放置于该承载台上的被称重物进行图像拍摄。如果一个摄像头难以完全覆盖整个承载台的范围，可以通过设置多个摄像头共同拍摄完成。

摄像头将拍摄得到的被称重物图像发送到称重设备中的识别模块(图中未示出)，进而通过图像识别技术，对被称重物的物品类型、及其在承载台上所处的位置和方向进行识别。

识别模块，如图像处理芯片在对被称重物在承载台上的位置进行图像识别时，对承载台区域进行划分以标定被称重物在承载台上所处的具体位置。例如将承载台划分为3×3的等分区域，如果识别出被称重物只位于承载台的中心区域，则记录被称重物位置P[n]为P[5]；如果识别出被称重物被放置于承载台的第5和第8两个分区区域，则记录被称重物位置P[n]为P[5，8]；如果识别出被称重物被放置于承载台的第2、5和8三个分区区域，则记录被称重物的位置为P[2,5,8]。如果被称重物的面积较大，占用了整个承载台，则被称重物的位子为P[1,2,3,4,5,6,7,8,9]。

识别模块通过识别被称重物和承载台的相对位置关系，判定被称重物在承载台上的方向。如通过被称重物的外形特征、局部颜色特征、局部形状或纹理等特征识别。当识别模块识别出物品类型后，在进一步查询判定被称重物的方向时，首先查询是否有预设的识别标准。例如，对于称重带柄的茶杯，存储模块中设定通过识别茶杯柄的位置指向来识别茶杯的方向。如果未设定通过物品局部特征来识别被称重物的方向，则识别模块通过检测被称重物的中心位置，并结合其相对承载台的角度来识别判断。例如，棍状被称重物的中心与承载台的中心重合，且其放置方向与承载台水平方向的夹角为45°，则其方向为RD[45°]。而对于圆形物品，如圆盘，可判定其没有方向。

被称重物的方向可以直接通过角度值来表示，也可以数值来表示。比如RD[45°]可以设置为：RD[45°]＝45，也可以设置为：RD[45°]＝0.5来代入后续计算。对于没有方向的被称重物，也可以通过设置特定数值的方式来表示，只要能使其与有有方向的数值区分开即可。例如，预设朝正东方向的RD[0°]，对应的数值是0，朝正北方向的RD[90°]，对应的数值是90，朝正东方向的RD[180°]，对应的数值是180，朝正南方向的RD[270°]，对应的数值是270，则没有方向的RD[null]对应的数值可以是360。

称重设备中还包括一存储模块和处理模块。识别模块识别出被称重物的物品类型后，进一步由称重设备的处理模块在存储模块中匹配对应该物品类型的形状和质量分布信息。存储模块中存储有预设的物品类型和物品相应的形状以及质量分布的对应关系。当称重设备的上述图像识别模块通过对被称重物图像的处理、分析和匹配，判定其物品类型后，称重设备的处理模块进行数据匹配，可从存储模块中获得该被称重物相应的形状和质量分布信息。例如，设置柱形物的形状为S[1]，而设置环形物的形状为S[2]；对于质量分布，按照质心与其几何中心的相对位置预设，如对于质心和几何中心为相同位置的物品，设定质量分布为D[0]，而如果质心和几何中心相差1单位距离，则设定质量分布为D[1]。

通过摄像头获取被称重物的图像，可判别被称重物在承载台上的位置P[n]和方向RD[m]，进一步识别物品类别后，可获取相应的形状S[i]和质量分布D[j]。处理模块则根据存储模块中预存储的关于称重误差与被称重物的物体形状S、质量分布D、在承载台上位置P和方向RD、以及实测得到的测重数据WT的函数映射关系F(P,RD,S,D,WT)，将相关数据代入该函数映射关系中计算称重误差，并对当前称重数据按照称重误差作数据补偿，从而完成精确测量。

上述的函数映射关系的计算可通过测试训练样本，并经神经网络的学习训练计算取得。对同一种标定物，变换参数P[n]，RD[m]，S[i]和D[j]的取值范围，进行多次采样。如将该标定物放置在承载台P[1]～P[9]的不同位置，或者跨放于不同位置；以及，将标定物与承载台的相对位置进行角度变换，对不同的RD[m]分别进行取样。

同时，对上述训练样本测量得到称重设备的测重数据WT，并另外测得标准重量数据WK。WK可以是通过另外一台标准秤测得的精准重量，或者在同一规格下，被称重物体的标准重量。从而，通过WT-WK即得到由于称重设备机械形变产生的称重误差WE。

在获得称重P[n]，RD[m]，S[i]，D[j]，以及对应的测重数据WT和标准重量数据WK等多组训练样本后，可基于神经网络建立称重误差WE和相关影响因素，P[n]，RD[m]，S[i]，D[j]以及实际测重数据WT之间的函数映射关系，包括首先建立神经网络模型，以及其中相应的激励函数，并根据梯度下降算法，得到神经网络模型输出层与隐含层各节点的权值调整量。其次，对上述获得的训练样本数据做归一化处理以及网络训练，得到称重误差与相关影响因素之间的函数映射关系：WE＝F(P,RD,S,D,WT)。其中，WE为称重误差，P为被称重物在承载台上的位置参数，RD为被称重物在承载台上的方向参数，S为被称重物的物体形状参数，D为被称重物的质量分布参数，WT为实际测得的物体重量。最后测试网络预测效果，输入训练样本外的数据，判断是否处于预设的精度范围之内。在完成网络神经训练后，将上述的函数映射关系写入称重设备的存储模块中。

当将被称重物体放入承载台上进行实际称重时，摄像头对被称重物进行图像拍摄，并由识别模块进行图像识别，获得被称重物的物体形状、质量分布以及在承载台上位置和方向的函数映射关系。同时，称重传感器对被称重物进行称量，获得实际称重数据。处理模块将上述物体形状、质量分布，在承载台上位置和方向以及实际称重结果等数据，代入函数映射关系WE＝F(P,RD,S,D,WT)，获得称重误差，最终对当前称重数据WT按照称重误差WE作数据补偿，得到精确的称重结果。

本实施例综合考虑了称重设备受力机械变形情况与被称重物的加载位置、被称重物的方向、被称重物的形状、被称重物的质量分布等被称重物因素的关联关系，在称重过程中通过上述信息与称重设备机械变形之间的映射关系，修正称重设备的称重性能，提高称重设备的称重精确度。

实施例2

本实施例的一种称重设备包括一用于放置被称重物的承载台和一触控显示界面，可用于向使用者显示被称重物的物品类型选项，以及被称重物在承载台上的位置和方向选项，并接收使用者相应的输入选择。

称重设备通过该触控显示界面可显示被称重物类型的图标标识或文字，用户可直接点选输入，或者直接编辑输入；称重设备还可通过该触控显示界面对承载台进行区域划分，然后由使用者根据被称重物实际放置的位置，点选显示界面上的划分区域；称重设备还可以通过该触控显示界面显示被称重物与承载台的相对关系，使用者通过输入被称重物的中心位置相对承载台的角度，来确定被称重物的方向。

称重设备的识别模块根据使用者的点选输入，识别被称重物的类型以及在所述承载台上的位置和方向，进而更进一步在存储模块中查询匹配到对应被称重物类型的物体形状和质量分布信息。

称重设备还包括一处理单元，可根据训练样本中测得的数据，通过数据拟合建立称重误差，与被称重物的物体形状、质量分布、在所述承载台上的位置和方向、以及测重数据之间的函数映射关系WE＝F(P,RD,S,D,WT)。其中，WE为称重误差，P为被称重物在所述承载台上的位置参数，RD为被称重物在所述承载台上的方向参数，S为被称重物的物体形状参数，D为被称重物的质量分布参数，WT为被称重物的实际称重数值。

通过对获得的多组训练样本进行数据拟合，可建立上述的函数映射关系。相对于通过神经网络学习建立称重误差与相关参数之间的函数映射关系，通过数据拟合建立的函数映射关系需要预先测试更多的样本，以更精确地描绘出函数映射关系曲线。在对被称重物的实际测量中，处理模块将相关数据代入上述的函数映射关系即可得到称重误差，从而对当前称重数据按照所述称重误差作数据补偿。

实施例3

本实施例的一种称重方法可以通过前述实施例1和实施例2的称重设备实施。如图2所示，本实施例的称重方法可包括如下步骤：

步骤S101，对被称重物称重。

对被称重物称重，确定被称重物的实际测重数据为WT。

步骤S102，识别被称重物的类型，以及在承载台上的位置和方向。

可以通过摄像头拍摄被称重物的图像，并由识别模块通过图像识别判定被称重物的类型，以及在承载台上的位置和方向；也可以由触控显示界面显示相应的输入选项，由使用者手动输入来确定；或者也可以由摄像头拍摄和触控显示界面结合的方式来确定。

步骤S103，根据被称重物的类型，匹配相应的物体形状和质量分布。

在称重设备的存储模块中存储有预设的物品类型和相应的形状和质量分布。如果识别模块识别出的被称重物不在预设的物品类型内，则可通过触控显示界面接收使用者的输入设定确定物体形状和质量分布数据。

步骤S104，根据存储的函数映射关系，计算称重误差。

函数映射关系为根据预先测试的训练样本建立。通过获得被称重标定物在承载台上的位置P[n]，方向RD[m]，形状S[i]和质量分布D[j]，以及对应的测重数据WT和标准重量数据WK等多组训练样本后，可基于神经网络，或者数据拟合建立称重误差WE和相关影响因素之间的函数映射关系WE＝F(P,RD,S,D,WT)，并写入称重设备的存储模块中。在实际测量中，将本次测量的相应数据代入该函数映射关系，得到称重误差WE，并对当次的称重结果进行数据补偿。

步骤S105，对当前称重数据按照称重误差作数据补偿。

虽然本发明已参照当前的多个具体实施例来描述，但是本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本发明的，在没有脱离本发明精神的情况下还可做出各种等效的变化或替换。因此，只要在本发明的实质精神范围内对上述实施例的变化、变型都将落在本申请的权利要求书的范围内。

Claims (10)

1.一种称重设备，其特征在于，包括：

识别模块，配置为识别被称重物的物品信息；

存储模块，配置为存储所述被称重物的物品信息与称重误差之间的函数映射关系；

处理模块，配置为根据训练样本中测得的数据，建立函数映射关系WE＝F(A,WT)；其中，WE为称重误差，A为物品信息，WT为被称重物的实际称重数值；以及，

根据所述函数映射关系，计算所述称重误差，并对当前称重数据按照所述称重误差作数据补偿。

2.根据权利要求1所述的称重设备，其特征在于，

所述物品信息包括被称重物在承载台上位置和方向，所述函数映射关系为WE＝F(P,RD,WT)；其中，P为被称重物在所述承载台上的位置参数，RD为被称重物在所述承载台上的方向参数。

3.根据权利要求2所述的称重设备，其特征在于，

还包括一图像获取模块，用于获取被称重物的图像；所述识别模块根据所述被称重物的图像，识别被称重物在所述承载台上的位置和方向；

或者，所述识别模块通过接收用户输入识别被称重物在所述承载台上的位置和方向。

4.根据权利要求3所述的称重设备，其特征在于，

所述物品信息还包括被称重物的物体形状和质量分布，所述函数映射关系为WE＝F(P,RD,S,D,WT)；其中，S为被称重物的物体形状参数，D为被称重物的质量分布参数。

5.根据权利要求4所述的称重设备，其特征在于，

所述存储模块存储被称重物类型与物体形状以及质量分布的对应关系；

所述识别模块根据所述被称重物的图像，识别被称重物类型；

所述处理模块根据被称重物类型匹配相应的物体形状以及质量分布。

6.根据权利要求1所述的称重设备，其特征在于，所述处理模块根据训练样本中测得的数据，通过神经网络建立所述函数映射关系。

7.根据权利要求1所述的称重设备，其特征在于，所述处理模块根据训练样本中测得的数据，通过数据拟合建立所述函数映射关系。

8.一种称重方法，其特征在于，通过如权利要求1所述的称重设备实施，包括：

对被称重物称重；

识别被称重物的物品信息；

根据预存储的称重误差与所述被称重物的物品信息的函数映射关系WE＝F(A,WT)，计算所述称重误差；其中，WE为称重误差，A为物品信息，WT为被称重物的实际称重数值；

对当前称重数据按照所述称重误差作数据补偿。

9.根据权利要求8所述的称重方法，其特征在于，

所述物品信息包括被称重物在承载台上位置和方向，所述函数映射关系为WE＝F(P,RD,WT)；其中，P为被称重物在所述承载台上的位置参数，RD为被称重物在所述承载台上的方向参数；

所述识别被称重物的物品信息包括：识别被称重物在所述承载台上的位置和方向；

所述根据预存储的称重误差与所述被称重物的物品信息的函数映射关系WE＝F(A,WT)，计算所述称重误差包括：根据函数映射关系WE＝F(P,RD,WT)计算所述称重误差。

10.根据权利要求9所述的称重方法，其特征在于，

所述物品信息还包括被称重物的物体形状和质量分布，所述函数映射关系为WE＝F(P,RD,S,D,WT)；其中，S为被称重物的物体形状参数，D为被称重物的质量分布参数；

所述识别被称重物的物品信息包括：根据被称重物的类型，匹配相应的物体形状和质量分布；

所述根据预存储的称重误差与所述被称重物的物品信息的函数映射关系WE＝F(A,WT)，计算所述称重误差包括：根据函数映射关系WE＝F(P,RD,S,D,WT)计算所述称重误差。

Images