CN113984175A - 基于人工神经网络的车载重标定方法及云服务系统 - Google Patents
基于人工神经网络的车载重标定方法及云服务系统 Download PDFInfo
- Publication number
- CN113984175A CN113984175A CN202111245044.7A CN202111245044A CN113984175A CN 113984175 A CN113984175 A CN 113984175A CN 202111245044 A CN202111245044 A CN 202111245044A CN 113984175 A CN113984175 A CN 113984175A
- Authority
- CN
- China
- Prior art keywords
- data
- training
- vehicle
- calibration
- neural network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 55
- 238000012549 training Methods 0.000 claims abstract description 64
- 238000001514 detection method Methods 0.000 claims abstract description 31
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 238000012795 verification Methods 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 24
- 238000011088 calibration curve Methods 0.000 claims description 19
- 238000004891 communication Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 238000013461 design Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 description 10
- 230000005540 biological transmission Effects 0.000 description 9
- 210000002569 neuron Anatomy 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000002457 bidirectional effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009747 swallowing Effects 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- 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
-
- 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
Abstract
本发明属于车辆载重量测量方法领域，尤其涉及一种基于人工神经网络的车载重云服务平台标定方法及其架构。该方法为采集车辆数据进行编码处理以后发送到云服务平台，在云服务平台的服务器中运行前向代理程序和后端数据处理程序，将数据保存在内存缓存数据库Redis数据库中；读取Redis数据库中的数据解码；构建人工神经网络的网络结构，划分成训练集与测试集，将训练数据输入人工神经网络进行训练；将测试集输入已经训练好的人工神经网络结构进行验证，计算载重量检测的准确率，对人工神经网络的结果模型进行优化后保存在对应用户中的关系型数据库MySQL数据库中。用户向云服务平台发送请求时，能够得到实时准确的车辆载重量信息。
Description
技术领域
本发明属于车辆载重量测量方法技术领域，尤其涉及一种基于人工神经网络的车辆载重云服务平台标定方法及其架构。
背景技术
现有技术中车辆载重量测量所需要的传感器采用的是车辆自载重传感器，因受周围环境影响较大，检测精度不够，所以要经常对传感器进行标定。传统传感器的标定方法是线下对传感器进行标定的。首先，使用一定精度的仪器和设备，检测出货物的重量，作为输入信号，输入至待标定的传感器当中；通过仪器将传感器的输出量测出来。然后，将传感器的输出量与输入量作比较，从而得到一系列的曲线，进而建立传感器的输入量与输出量之间的关系，来描述输入量与输出量之间的关系曲线，即标定曲线。这种传统的标定方法虽然简单，但是工作量非常大，每次进行标定操作的时候都需要对标定的结果写回到待标定的传感器当中，工作任务繁重。所以可以利用人工神经网络模型，构建对车辆载重量进行标定的系统，以提高载重量检测的准确率。
人工神经网络模型是由大量的节点(或称神经元)之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。随着互联网业务的发展，本发明提出将人工神经网络车辆载重量测量的标定方法通过云服务平台来实现对车辆载重量进行标定的方法，形成对车辆的载重信息进行采集的系统，实现与用户之间的交互以及数据的实时传输。
现在的车辆云服务平台对车辆服务的主要任务大多是针对车辆调度进行的，对车辆的载重信息进行采集的系统有待开发和完善，其与用户之间的交互问题存在障碍，数据不能够实时进行透传，交互性差。导致数据传输的速度不够快，后端处理数据的时间长，无法实现数据的高并发。现有传统的开发模式，如web开发方式，即单体式开发。将所有的功能打包在一个WAR包里，基本没有外部依赖，部署在一个JEE容器(Tomcat，JBoss，WebLogic)里，包含了DO/DAO，Service，UI等所有逻辑。但缺点为：效率低：开发都在同一个项目改代码，相互等待，冲突不断；维护难，代码功能耦合在一起，如遇故障不知道从何下手；不灵活，构建时间长，一个微小的问题，都可能导致整个应用瘫痪；任何小修改都要重构整个项目，耗时废力；稳定性差，扩展性不够：无法满足高并发下的业务需求。
所以要使系统架构提高其敏捷性，及时响应业务需求；提升用户体验，降低成本，微服务架构可以满足上述要求。微服务架构旨在通过将功能分解到各个离散的服务中以实现对解决方案的解耦。其作用是将功能分解到离散的各个服务当中，从而降低系统的耦合性，并提供更加灵活的服务支持。可以理解为：把一个大型的单个应用程序和服务拆分为数个甚至数十个的支持微服务，它可扩展单个组件而不是整个的应用程序堆栈，从而满足服务等级协议。在创建过程中围绕业务领域组件来创建应用，这些应用可独立地进行开发、管理和迭代。在分散的组件中使用云架构和平台式部署、管理和服务，使产品交付变得更加简单。其本质是用一些功能比较明确、业务比较精练的服务去解决更大、更实际的问题。其特点为：按照业务，而不是技术来划分组织，形成分布式服务组成的系统，自动化运维、高度容错性、快速演化和迭代。
发明内容
本发明目的在于提供基于人工神经网络的车辆载重云服务平台标定方法及其架构,以解决传统标定操作时每次都需要重新建立标定曲线，使工作任务繁重，而且在利用网络信息时的传输的速度不够快，后端处理数据的时间长，不能够实时进行透传，交互性差的技术问题。
为解决上述技术问题，本发明公开了一种基于人工神经网络的车载重标定方法，所述方法包括：
获取装货过程中各个阶段所装货物的实际重量数据；
采集车辆的装货过程中各个阶段的传感器检测数据；
将装货过程中各个阶段对应的所述实际重量数据及所述传感器检测数据输入最终标定模型输出传感器标定关系数据；
分析所述传感器标定关系数据形成标定曲线发送至终端呈现给用户。
优选的，所述最终标定模型采用以下方式训练形成：
获取多组训练数据，所述训练数据包括训练用实际重量数据、训练用传感器检测数据及对应的标定关系数据；
构建人工神经网络结构，输入训练数据进行训练获得最终标定模型。
优选的，所述获取多组训练数据，所述训练数据包括训练用实际重量数据、训练用传感器检测数据及对应的标定关系数据，包括：
获取多组装货过程中各个极端的训练用实际重量数据及各个阶段对应的训练用传感器检测数据；
通过训练用实际重量数据及训练用传感器检测数据计算获得多组训练用标定关系数据；
形成包括训练用实际重量数据、训练用传感器检测数据及对应标定关系数据的训练数据。
优选的，所述输入训练数据进行训练获得最终标定模型，包括：
将所述训练数据分为训练集数据及测试集数据；
构建人工神经网络结构，输入训练集数据进行训练形成中间模型；
将测试集输入中间模型进行验证，计算预测准确率,并通过测试集来对人工神经网络的参数进行优化调整，并将最后调整完成的网络模型作为最终标定模型。
优选的，所述实际重量数据及所述传感器检测数据上传至云平台进行存储，所述分析所述传感器标定关系数据形成标定曲线在所述云台完成并发送至所述用户。
优选的，所述人工神经网络结构能够有规律的扫描输入特征，对输入特征做矩阵元素乘法求和叠加偏差量：
其中(i,j)∈{0,1,...Ll+1}，
式中的求和部分等价于求解一次交叉相关；b为偏差量，Zl和Zl+1表示第l+1层的人工输入和输出，也被称为特征图，Ll+1为Zl+1的尺寸，这里假设特征值长宽相同；Z(i,j)对应特征值的长度，K为特征值的通道数。
优选的，所述云台中设置有前向代理程序Netty程序及通过Spring-boot开发的后端处理程序。
优选的，所述人工神经网络结构采用局部感知区域，和/或采用共享权值方法，使重复的单元使用相同的参数设定，和或在空间域上进行降采样。
另外，本公开还公开了一种基于人工神经网络的车载重标定云服务系统，
该云服务系统采用微服务架构，包括移动设备和云服务平台；
所述移动设备通过通讯服务使相关人员进行相应的标定操作，并接收和存储传感器的输入输出关系的数据；
所述云服务平台用于实现所述权利要求1-8任一项所述的标定方法。优选的，所述云服务平台包括：用户服务模块、标定模块和车辆信息查询模块，实现自载重传感器的云端标定服务；所述用户服务模块、标定模块和车辆信息查询模块根据MVC的设计方式和分模块的方法，通过应用服务Spring-boot框架实现，完成用户服务、标定服务和查询服务的功能，使用户能够实时了解车辆载重情况。。
本发明的基于人工神经网络的车载重云服务平台标定方法及其架构，具有以下优点：
1、采用人工神经网络车辆载重量测量的标定方法通过云服务平台来实现对车辆载重量进行标定的方法，形成对车辆的载重信息进行采集的系统，实现与用户之间的交互以及数据的实时传输。
2、在前向代理程序中采用Netty程序，实现数据的高并发；后端处理程序通过Spring-boot开发的后端程序进行处理数据，提高了云吞吐量，降低了响应时间。
3、在人工神经网络结构采用局部感知区域，提高训练载重量时的准确率；采用共享权值方法，使重复的单元使用相同的参数设定；在空间域上进行降采样，采样较少的数据便可得到一条完整的标定曲线。
4、建立微服务架构，根据业务需求将整个系统拆分成多个微服务，化整为零逐个实现，最后协调完成整个系统的功能。微服务架构的模块化设计使得系统的每个部分都有自己独立的功能，使系统易维护，可拓展、高复用。通过Android系统的移动客户端实现用户的实时查看车辆的自载重信息，解决了服务端与用户信息双向传输的实时性差的问题。与传统监控系统相比，能够应对更高的并发能力，更有助于实现多用户同时在线。
附图说明
图1为本发明的云服务平台检测货车载重量的流程图；
图2为本发明的人工神经网络模型图；
图3为本发明的传感器标定曲线图；
图4为本发明的微服务架构图；
图5为本发明的云服务平台吞吐率测试图。
具体实施方式
为了更好地了解本发明的目的、结构及功能，下面结合附图，对本发明基于人工神经网络的车载重云服务平台标定方法及其架构做进一步详细的描述。
本发明提供的基于人工神经网络的车载重云服务平台标定方法为：同时采集现场多台货车的传感器检测的载重量数据，将数据进行编码处理以后，将数据发送到云服务平台中，在云服务平台的服务器中运行前向代理程序和后端数据处理程序，将数据保存在内存缓存数据库Redis数据库中，通过后端处理程序，读取Redis数据库中的数据，将数据解码。构建人工神经网络的网络结构，将数据划分成训练集与测试集，将训练数据作为人工神经网络的输入数据，对人工神经网络进行训练；将测试集数据输入已经训练好的人工神经网络结构进行验证，计算载重量检测的准确率，并通过测试集对人工神经网络的结果模型进行参数调整与优化。再将训练好的模型保存在对应用户中的关系型数据库MYSQL数据库中，当用户向云服务平台发送请求获取数据时，在前端呈现训练后的结果。本发明能实时准确的显示大型货车的载重量数据。
如图1-2所示，本发明提供的基于人工神经网络的车载重云服务平台标定方法，其具体步骤包括：
S1.开始传感器检测，采集车辆的整个装货过程中传感器检测数据，作为底层数据上传，将检测数据实时编码发送到云服务平台。例如：车辆装货或卸货时，传感器采集数据为0x34、0x56，其中：0x34为高八位，0x56为低八位，将其发送到云服务平台。利用JT-808协议对传数据进行编码，如：7e090000080130818577970007345600000001cf09。其中：7e0900为起始位，0008为消息体属性；013081857797为手机号码；0007为传感器的编号，3456为传感器的监测数据；000001为间隔时间1秒；cf为数据校验；校验方法为异或校验；09为截至位。在实现数据的采集中，利用JT/T808协议制定每次监测数据的消息体，设计通信协议。
S2.云服务平台接收到数据以后，进行前向代理程序，对数据的校验位进行验证，判定数据是否发送正确。若正确，则保存在Redis数据库中，如果不正确，则丢弃。具体为：云服务平台接收到数据以后，利用校验位对数据进行校验，如果校验数据为0xcf，则把数据保存在Redis数据库中，如果校验为0xaa，则把数据删除。数据不正确的原因有两种，一种是底层传感器检刚开始测数据时，检测错误；第二种是再发送过程中数据接收错误。
S3.进行后端处理数据，读取Redis数据库中保存的数据，对数据进行解码，保存在MySQL数据库中，并将保存的数据分为训练集和测试集。例如：根据用户的号码013081857797，将数据0x34和0x56转换成十进制数据64.126和当前载重量3.4吨，保存在MySQL数据库中。重复N次装货或卸货过程，数据库中保存了N次的检测数据。对当前用户的N次数据按7：3的形式随机分为训练集和测试集。
S4.构建人工神经网络结构，输入训练集数据进行训练。在训练过程中，会有规律的扫描输入特征，对输入特征做矩阵元素乘法求和叠加偏差量。
其中(i,j)∈{0,1,...Ll+1}，
式中的求和部分等价于求解一次交叉相关。b为偏差量，Zl和Zl+1表示第l+1层的人工输入和输出，也被称为特征图，Ll+1为Zl+1的尺寸，这里假设特征值长宽相同。Z(i,j)对应特征值的长度，K为特征值的通道数。
人工神经网络包括前向传导和反向传递两个过程，本发明的S2是通过采用Netty程序作为前向代理程序，实现数据的高并发；S3利用Spring-boot开发的后端程序为作后端处理程序处理数据，提高了云吞吐量，降低了响应时间，这使得载重量的监控可以做到实时监控。
本发明采用的后端处理程序算法为后向传播算法是应用在分层前馈式ANN上的一种算法。该算法采用adam优化算法根据损失函数的梯度来更新网络权重和偏差。该算法的人工神经元是根据不同层次来组织划分的，并且是通过前向方式发送信号的，然后把错误率通过反馈方式传播给后向上的神经元。网络通过位于输入层的神经元收集输入信号，网络的输出值是通过位于输出层的神经元给出的。可能存在一层或者多层的中间隐藏层。后向传播算法使用监督学习，即提供输入值和让其计算的输出值，计算出误差(真实值和计算值之间的误差)。使其监督学习在学习完训练样本后误差要尽量的小。训练是以权重值为任意值开始的，目的就是不停的调整权值，使误差最小。
每个节点代表的输出函数，即激励函数，通常采用的是线性整流函数，
也可以使用Sigmod函数和双曲正切函数，其作用是用于人工神经网络中完成数据的非线性变换，解决线性模型的表达、分类能力不足的问题。其具体的人工神经网络的参数可设计为：
输入神经元个数为100，输出神经元个数为100，隐藏层神经元个数100，激励函数是线性整流函数。学习算法为Adam,学习率为0.05，最小误差为0.03，训练步长为100，批量为25组，迭代次数为100次。
本发明的人工神经网络类似于生物神经网络，降低了网络模型的复杂度，从而减少了权值的数量。该人工神经网络的后向传播算法进行训练，参数估计的数量比较少，与原有的神经网络算法相比更容易训练，准确性也更高；采用局部感知区域、共享权值和空间域上的降采样。使用局部感知可使载重量中相邻区域具有更大的相关性,距离较远时相关性也较小，提高训练载重量时的准确率。共享权值主要适用于在训练载重量数据的过程中，一些重复参数输入人工神经网络后，这些重复单元可以使用相同的参数设定，其中包括权重和偏向。共享权值使得图像可以直接作为网络的输入，使人工神经网络作为识别二维形状而特殊设计的一个多层感知器，自动识别图像特征，这种网络结构对平移、比例缩放、倾斜或者其他形式的变形具有高度不变性，可以提高图像识别的精度和效率。空间域上的降采样作用在于，在载重量训练过程中，从传感器数据到最后的曲线标定过程中，采样较少的数据便可得到一条完整的标定曲线的过程。
S5.将测试集数据输入到已经训练好的人工神经网络模型中进行验证，计算预测准确率,并通过测试集来对人工神经网络的参数进行优化调整，提高检测精度，并将最后调整完成的网络模型作为最终标定模型，形成传感器的标定曲线(如图3所示)，保存在对应的用户表格中。如果，计算的准确率为0.97，循环运算100次，需要通过测试集来对人工神经网络的参数进行优化调整，提高检测精度，达到准确率为0.99后，将最后调整完成的网络模型作为最终标定模型，保存在对应的用户表格中，例如下表中的数据：
S6.当用户向云服务平台发送请求时，云服务平台通过解码，将计算的数据输入标定曲线中得出当前的载重量，呈现给移动设备端。例如：将解码后的数据710456.34，该数据是用户车辆测得的传感器十进制数据，在标定曲线中能够得出当前的载重量7.8吨，云服务平台将载重量数据7.8吨呈现给移动客户端。
本发明可针对不同车辆的型号进行标定。通过云服务平台将标定结果在云端进行存储，在车辆更换传感器的时候能够减少重新标定的过程，减少了维护的成本，使标定简单快捷。
图3为标定曲线图，纵轴为检测数据、横轴为载重量。在图中可以看出，载重量最终的标定曲线与传感器检测装置的监测数据基本吻合，符合对于货车载重量检测的基本需求，由图中的曲线可以看出，当货车处于装货的过程中，测试点与标定曲线之间的误差较小。所以最终的标定曲线是能够满足用户对于实时获取当前载重量数据的需求的。
本发明还提供一种基于人工神经网络的车载重云服务平台标定方法的架构，该架构为微服务架构，可以应用在Android系统的移动客户端，通过Android系统的移动客户端实现用户实时查看车辆的自载重信息，解决了服务端与用户信息双向传输的实时性差的问题。与传统监控系统相比，所述微服务架构可以应对更高的并发能力，更有助于实现多用户同时在线。
根据车体结构对车载终端的测量自载重的传感器进行选择、安装与测试。再根据系统的业务需求对监控平台功能性和非功能性进行设计，形成微服务架构的系统监控平台。
如图4所示，所述微服务架构包括移动设备和云服务平台，所述移动设备为Android系统的移动客户端，所述Android系统的移动客户端通过通讯服务，使相关人员进行相应的标定操作，并接收和存储传感器的输入输出关系的数据。所述通信服务通过Netty框架实现。所述通信服务能够实现1万台终端的同时并发访问，并在2s内对用户做出响应(如图5所示)。所述云服务平台能够实现自载重传感器的云端标定服务。所述云服务平台包括：用户服务模块、标定模块和车辆信息查询模块。所述用户服务模块、标定模块和车辆信息查询模块根据MVC的设计方式和分模块的方法，通过应用服务Spring-boot框架实现，完成用户服务、标定服务和查询服务的功能，使用户能够实时了解车辆载重情况。
图5为云服务平台吞吐率测试图。其中，纵轴为吞吐率，横轴为时间。吞吐率指在单位时间内，服务端对并发请求的处理数量，吞吐率能够描述一个系统处理并发请求的能力。吞吐率越大表示系统对并发请求的处理量越大，系统的并发性就高。通过测试结果可以看出测试环境的吞吐率能够最大达到4500req/s，也就是每秒钟能够处理4500个并发请求，在两秒的时间内将近能够处理1万个请求，同时由于测试环境配置的服务器性能与正式运行的服务器性能有一定的差距，当运行服务器达到32核128G内存时，处理上万台终端的并发请求是很容易满足的，所以云服务平台的吞吐率能够满足用户的请求响应的。
本发明根据需求将整个系统拆分成多个的微服务，化整为零逐个实现，最后协调完成整个系统的功能。系统的模块化设计使得系统的每个部分都能都有自己独立的功能，使系统易维护，可拓展、高复用。在实现数据的产生与发送过程中，采用JT/T808协议，根据该协议制定自己的消息体，实现设计了自己的通信协议。基于在实现数据的采集中，采用Netty框架，实现采集服务系统。利用分布式系统模式，实现海量数据的实时的收集与处理，设计了一套高可用性、可拓展、易于维护的应用监控系统；通过Android系统的移动客户端实现用户的实时查看车辆的自载重信息，解决了服务端与用户信息双向传输的实时性差的问题。与传统监控系统相比，本发明可以应对更高的并发能力，更有助于实现多用户同时在线。
可以理解，本发明是通过一些实施例进行描述的，本领域技术人员知悉的，在不脱离本发明的精神和范围的情况下，可以对这些特征和实施例进行各种改变或等效替换。另外，在本发明的教导下，可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此，本发明不受此处所公开的具体实施例的限制，所有落入本申请的权利要求范围内的实施例都属于本发明所保护的范围内。
Claims (10)
1.一种基于人工神经网络的车载重标定方法，其特征在于，所述方法包括：
获取装货过程中各个阶段所装货物的实际重量数据；
采集车辆的装货过程中各个阶段的传感器检测数据；
将装货过程中各个阶段对应的所述实际重量数据及所述传感器检测数据输入最终标定模型输出传感器标定关系数据；
分析所述传感器标定关系数据形成标定曲线发送至终端呈现给用户。
2.如权利要求1所述的车载重标定方法，其特征在于，所述最终标定模型采用以下方式训练形成：
获取多组训练数据，所述训练数据包括训练用实际重量数据、训练用传感器检测数据及对应的标定关系数据；
构建人工神经网络结构，输入训练数据进行训练获得最终标定模型。
3.如权利要求2所述的车载重标定方法，其特征在于，所述获取多组训练数据，所述训练数据包括训练用实际重量数据、训练用传感器检测数据及对应的标定关系数据，包括：
获取多组装货过程中各个极端的训练用实际重量数据及各个阶段对应的训练用传感器检测数据；
通过训练用实际重量数据及训练用传感器检测数据计算获得多组训练用标定关系数据；
形成包括训练用实际重量数据、训练用传感器检测数据及对应标定关系数据的训练数据。
4.如权利要求3所述的车载重标定方法，其特征在于，所述输入训练数据进行训练获得最终标定模型，包括：
将所述训练数据分为训练集数据及测试集数据；
构建人工神经网络结构，输入训练集数据进行训练形成中间模型；
将测试集输入中间模型进行验证，计算预测准确率,并通过测试集来对人工神经网络的参数进行优化调整，并将最后调整完成的网络模型作为最终标定模型。
5.如权利要求1所述的车载重标定方法，其特征在于，所述实际重量数据及所述传感器检测数据上传至云平台进行存储，所述分析所述传感器标定关系数据形成标定曲线在所述云台完成并发送至所述用户。
6.根据权利要求2-5任一项所述的车载重标定方法，其特征在于，所述人工神经网络结构能够有规律的扫描输入特征，对输入特征做矩阵元素乘法求和叠加偏差量：
其中(i,j)∈{0,1,...Ll+1}，
式中的求和部分等价于求解一次交叉相关；b为偏差量，Zl和Zl+1表示第l+1层的人工输入和输出，也被称为特征图，Ll+1为Zl+1的尺寸，这里假设特征值长宽相同；Z(i,j)对应特征值的长度，K为特征值的通道数。
7.根据权利要求5所述的车载重标定方法，其特征在于，所述云台中设置有前向代理程序Netty程序及通过Spring-boot开发的后端处理程序。
8.根据权利要求2-5任一项所述的车载重标定方法，其特征在于，所述人工神经网络结构采用局部感知区域，和/或采用共享权值方法，使重复的单元使用相同的参数设定，和或在空间域上进行降采样。
9.一种基于人工神经网络的车载重标定云服务系统，其特征在于，
该云服务系统采用微服务架构，包括移动设备和云服务平台；
所述移动设备通过通讯服务使相关人员进行相应的标定操作，并接收和存储传感器的输入输出关系的数据；
所述云服务平台用于实现所述权利要求1-8任一项所述的标定方法。
10.如权利要求9所示的车载重标定云服务系统，其特征在于，
所述云服务平台包括：用户服务模块、标定模块和车辆信息查询模块，实现自载重传感器的云端标定服务；所述用户服务模块、标定模块和车辆信息查询模块根据MVC的设计方式和分模块的方法，通过应用服务Spring-boot框架实现，完成用户服务、标定服务和查询服务的功能，使用户能够实时了解车辆载重情况。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111245044.7A CN113984175A (zh) | 2021-10-26 | 2021-10-26 | 基于人工神经网络的车载重标定方法及云服务系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111245044.7A CN113984175A (zh) | 2021-10-26 | 2021-10-26 | 基于人工神经网络的车载重标定方法及云服务系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113984175A true CN113984175A (zh) | 2022-01-28 |
Family
ID=79741319
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111245044.7A Pending CN113984175A (zh) | 2021-10-26 | 2021-10-26 | 基于人工神经网络的车载重标定方法及云服务系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113984175A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114742236A (zh) * | 2022-04-24 | 2022-07-12 | 重庆长安汽车股份有限公司 | 一种环境车辆行为预测模型训练方法及系统 |
| CN116152757A (zh) * | 2023-04-18 | 2023-05-23 | 深圳亿维锐创科技股份有限公司 | 一种基于多点位的称重数据分析方法及相关装置 |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101153816A (zh) * | 2006-09-30 | 2008-04-02 | 厦门雅迅网络股份有限公司 | 一种用于车辆载重实时检测的方法 |
| US20140008132A1 (en) * | 2011-02-14 | 2014-01-09 | Stefan Kamamann | Method and system for determining the load of a motor vehicle, and motor vehicle |
| CN106777527A (zh) * | 2016-11-24 | 2017-05-31 | 上海市特种设备监督检验技术研究院 | 基于神经网络模型的起重机小车运行能耗分析方法 |
| CN107314803A (zh) * | 2017-06-30 | 2017-11-03 | 汤建华 | 一种农机车载称重系统及其称重方法 |
| US20190065945A1 (en) * | 2017-08-31 | 2019-02-28 | Micron Technology, Inc. | Cooperative learning neural networks and systems |
| CN109668610A (zh) * | 2019-01-11 | 2019-04-23 | 东南大学 | 基于神经网络回归的车辆动态测重方法及其采用的系统 |
| US10282720B1 (en) * | 2018-07-16 | 2019-05-07 | Accel Robotics Corporation | Camera-based authorization extension system |
| CN109916494A (zh) * | 2017-12-13 | 2019-06-21 | 北京万集科技股份有限公司 | 称重设备标定方法及装置 |
| CN111157092A (zh) * | 2020-01-02 | 2020-05-15 | 深圳市汉德网络科技有限公司 | 一种车载称重自动标定的方法及计算机可读存储介质 |
| CN111272334A (zh) * | 2020-02-18 | 2020-06-12 | 金陵科技学院 | 一种基于粒子群优化bp神经网络的多维力传感器标定解耦方法 |
| CN111645698A (zh) * | 2020-05-23 | 2020-09-11 | 东南大学 | 一种重载车辆侧翻阈值自适应估计方法 |
| CN112763045A (zh) * | 2019-11-06 | 2021-05-07 | 东北大学秦皇岛分校 | 车辆自载重检测云端标定预测方法 |
| CN112964345A (zh) * | 2021-02-07 | 2021-06-15 | 广东电子工业研究院有限公司 | 一种货运汽车称重系统及其称重方法 |
| CN113033284A (zh) * | 2020-12-22 | 2021-06-25 | 迪比（重庆）智能科技研究院有限公司 | 一种基于卷积神经网络的车辆实时超载检测方法 |
| CN113091866A (zh) * | 2021-04-06 | 2021-07-09 | 深圳市汉德网络科技有限公司 | 一种实时测量汽车载重质量的方法与装置 |
| CN113138005A (zh) * | 2021-05-13 | 2021-07-20 | 华东理工大学 | 基于特征提取和神经网络的车辆随机载荷模式识别系统 |
| CN113532609A (zh) * | 2021-07-14 | 2021-10-22 | 广东电子工业研究院有限公司 | 一种车载载重检测系统及标定方法 |
-
2021
- 2021-10-26 CN CN202111245044.7A patent/CN113984175A/zh active Pending
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101153816A (zh) * | 2006-09-30 | 2008-04-02 | 厦门雅迅网络股份有限公司 | 一种用于车辆载重实时检测的方法 |
| US20140008132A1 (en) * | 2011-02-14 | 2014-01-09 | Stefan Kamamann | Method and system for determining the load of a motor vehicle, and motor vehicle |
| CN106777527A (zh) * | 2016-11-24 | 2017-05-31 | 上海市特种设备监督检验技术研究院 | 基于神经网络模型的起重机小车运行能耗分析方法 |
| CN107314803A (zh) * | 2017-06-30 | 2017-11-03 | 汤建华 | 一种农机车载称重系统及其称重方法 |
| US20190065945A1 (en) * | 2017-08-31 | 2019-02-28 | Micron Technology, Inc. | Cooperative learning neural networks and systems |
| CN109916494A (zh) * | 2017-12-13 | 2019-06-21 | 北京万集科技股份有限公司 | 称重设备标定方法及装置 |
| US10282720B1 (en) * | 2018-07-16 | 2019-05-07 | Accel Robotics Corporation | Camera-based authorization extension system |
| CN109668610A (zh) * | 2019-01-11 | 2019-04-23 | 东南大学 | 基于神经网络回归的车辆动态测重方法及其采用的系统 |
| CN112763045A (zh) * | 2019-11-06 | 2021-05-07 | 东北大学秦皇岛分校 | 车辆自载重检测云端标定预测方法 |
| CN111157092A (zh) * | 2020-01-02 | 2020-05-15 | 深圳市汉德网络科技有限公司 | 一种车载称重自动标定的方法及计算机可读存储介质 |
| CN111272334A (zh) * | 2020-02-18 | 2020-06-12 | 金陵科技学院 | 一种基于粒子群优化bp神经网络的多维力传感器标定解耦方法 |
| CN111645698A (zh) * | 2020-05-23 | 2020-09-11 | 东南大学 | 一种重载车辆侧翻阈值自适应估计方法 |
| CN113033284A (zh) * | 2020-12-22 | 2021-06-25 | 迪比（重庆）智能科技研究院有限公司 | 一种基于卷积神经网络的车辆实时超载检测方法 |
| CN112964345A (zh) * | 2021-02-07 | 2021-06-15 | 广东电子工业研究院有限公司 | 一种货运汽车称重系统及其称重方法 |
| CN113091866A (zh) * | 2021-04-06 | 2021-07-09 | 深圳市汉德网络科技有限公司 | 一种实时测量汽车载重质量的方法与装置 |
| CN113138005A (zh) * | 2021-05-13 | 2021-07-20 | 华东理工大学 | 基于特征提取和神经网络的车辆随机载荷模式识别系统 |
| CN113532609A (zh) * | 2021-07-14 | 2021-10-22 | 广东电子工业研究院有限公司 | 一种车载载重检测系统及标定方法 |
Non-Patent Citations (1)
| Title |
|---|
| 赵桂清: "《BP神经网络信息融合的汽车载重测量方案》", 《机械设计与制造》, 31 December 2017 (2017-12-31) * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114742236A (zh) * | 2022-04-24 | 2022-07-12 | 重庆长安汽车股份有限公司 | 一种环境车辆行为预测模型训练方法及系统 |
| CN116152757A (zh) * | 2023-04-18 | 2023-05-23 | 深圳亿维锐创科技股份有限公司 | 一种基于多点位的称重数据分析方法及相关装置 |
| CN116152757B (zh) * | 2023-04-18 | 2023-07-07 | 深圳亿维锐创科技股份有限公司 | 一种基于多点位的称重数据分析方法及相关装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113984175A (zh) | 基于人工神经网络的车载重标定方法及云服务系统 | |
| CN112990486A (zh) | 生成机器学习样本的组合特征的方法及系统 | |
| Ma et al. | Predicting QoS values via multi-dimensional QoS data for web service recommendations | |
| CN117274259B (zh) | 一种基于物联网的键盘生产设备管理方法及系统 | |
| CN116737129B (zh) | 一种供应链控制塔生成式大语言模型及其构建方法 | |
| CN113597620A (zh) | 使用神经网络的压缩感测 | |
| CN114004425A (zh) | 物品流转信息预测模型生成方法、信息生成方法、装置 | |
| CN115114128A (zh) | 一种卫星健康状态评估系统及评估方法 | |
| CN114884828A (zh) | 一种基于层次分析法的天基组网效能评估系统及方法 | |
| CN116451514A (zh) | 桥梁结构状态评估方法、装置以及电子设备 | |
| CN103548014B (zh) | 用于产生质量控制材料的统计上有效的检验均值和范围的系统和方法 | |
| CN115526503A (zh) | 设备巡检数据处理方法、装置、设备及可读存储介质 | |
| US20220405606A1 (en) | Integration device, training device, and integration method | |
| US20220092391A1 (en) | System and method of using neuroevolution-enhanced multi-objective optimization for mixed-precision quantization of deep neural networks | |
| CN113779116B (zh) | 对象排序方法、相关设备及介质 | |
| KR102360384B1 (ko) | 공공조달시장의 입찰을 위한 빅데이터 기반 확률분포 검증 서비스 제공 시스템 | |
| US20220164659A1 (en) | Deep Learning Error Minimizing System for Real-Time Generation of Big Data Analysis Models for Mobile App Users and Controlling Method for the Same | |
| CN115048290A (zh) | 软件质量的评估方法、装置、存储介质及计算机设备 | |
| CN102292706B (zh) | 软件改造评估方法和软件改造评估系统 | |
| CN111325401A (zh) | 一种路径规划模型的训练方法、装置及计算机系统 | |
| CN110197306A (zh) | 一种基于vmd-pacf-bp模型的动态血糖在线预测方法 | |
| US11494247B2 (en) | Model generation apparatus, model generation method, and non-transitory storage medium | |
| CN113434713B (zh) | 一种基于一张图的林业大数据建设方法及系统 | |
| CN116176860B (zh) | 一种燃油系统测试方法、系统、设备及可读存储介质 | |
| CN116109080B (zh) | 一种基于bim与ar的建筑综合管理平台 |
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 |