CN115200697A - 震动行为识别方法、装置、电动车、电子设备及存储介质 - Google Patents
震动行为识别方法、装置、电动车、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115200697A CN115200697A CN202110322465.9A CN202110322465A CN115200697A CN 115200697 A CN115200697 A CN 115200697A CN 202110322465 A CN202110322465 A CN 202110322465A CN 115200697 A CN115200697 A CN 115200697A
- Authority
- CN
- China
- Prior art keywords
- vibration
- vehicle
- sample
- deep learning
- learning 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本申请提出了一种震动行为识别方法、装置、电动车、电子设备及存储介质,其中,方法包括:获取待识别的车辆震动数据;根据所述车辆震动数据和训练好的第一深度学习模型,生成所述车辆震动数据对应的震动行为。本申请的震动行为识别方法、装置、电子设备及存储介质,有效地改善了人工设置参数的弊端,无需人工重复调参,可适用于大范围自动适配的部署增强了震动行为识别的精度,降低了误检漏检的概率。
Description
技术领域
本申请涉及车辆技术领域,尤其涉及一种震动行为识别方法、装置、电动车、电子设备及存储介质。
背景技术
随着经济的发展,汽车等出行工具渐渐成为了人们日常生活的必需品。为增强用户体验,保障人车安全,对车辆行为、状态的识别显得尤为重要。其中,车辆震动行为识别常被应用到车辆安全的监控中,例如对车辆的异常震动做出报警提示等。
相关技术中,一般是对传感器采集的震动数据进行特征提取,从而进行特定行为的识别,这种方法很大程度上依赖人工设置参数,需人工重复调参,难以完成大范围的自动适配的部署,对特定行为的识别精度不高,误检漏检严重。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本申请的第一个目的在于提出一种震动行为识别方法,有效地改善了人工设置参数的弊端,无需人工重复调参,可适用于大范围自动适配的部署增强了震动行为识别的精度,降低了误检漏检的概率。
本申请的第二个目的在于提出一种震动行为识别装置。
本申请的第三个目的在于提出一种电动车。
本申请的第四个目的在于提出一种电子设备。
本申请的第五个目的在于提出一种计算机可读存储介质。
为达上述目的,本申请第一方面实施例提出了一种震动行为识别方法,包括:获取待识别的车辆震动数据;根据所述车辆震动数据和训练好的第一深度学习模型,生成所述车辆震动数据对应的震动行为。
本申请实施例提出的震动行为识别方法,通过获取待识别的车辆震动数据,根据车辆震动数据和训练好的第一深度学习模型,生成车辆震动数据对应的震动行为。有效地改善了人工设置参数的弊端,无需人工重复调参,可适用于大范围自动适配的部署,增强了震动行为识别的精度,降低了误检漏检的概率。
根据本申请的一个实施例,所述获取待识别的车辆震动数据,包括:通过惯性传感器IMU获取所述车辆震动数据。
根据本申请的一个实施例,所述震动行为识别方法,还包括:获取多个样本车辆震动数据和对应的多个样本震动行为;根据所述多个样本车辆震动数据、所述多个样本震动行为和待训练的第一深度学习模型进行模型训练和测试,得到所述训练好的第一深度学习模型。
根据本申请的一个实施例,所述根据所述多个样本车辆震动数据、所述多个样本震动行为和待训练的第一深度学习模型进行模型训练和测试,得到所述训练好的第一深度学习模型,包括:构建训练集,所述训练集包括多个第一样本车辆震动数据和对应的多个第一样本震动行为;根据所述训练集对所述待训练的第一深度学习模型进行训练,得到待测试的第一深度学习模型;构建测试集,所述测试集包括多个第二样本车辆震动数据和对应的多个第二样本震动行为;根据所述测试集对所述待测试的第一深度学习模型进行测试,得到漏检和/或误检的第二样本车辆震动数据和对应的第二样本震动行为;将所述漏检和/或误检的第二样本车辆震动数据和对应的第二样本震动行为添加至所述训练集,得到更新后的训练集;根据所述更新后的训练集对所述待测试的第一深度学习模型进行重新训练,得到所述训练好的第一深度学习模型。
根据本申请的一个实施例,本申请实施例的震动行为识别方法还包括:根据所述车辆震动数据和所述震动行为对应的训练好的第二深度学习模型,生成所述震动行为的等级。
根据本申请的一个实施例,本申请实施例的震动行为识别方法还包括:获取所述震动行为对应的多个样本车辆震动数据和对应的多个样本震动行为的等级;根据所述震动行为对应的多个样本车辆震动数据、所述多个样本震动行为的等级和所述震动行为对应的待训练的第二深度学习模型进行模型训练和测试,得到所述训练好的第二深度学习模型。
根据本申请的一个实施例,本申请实施例的震动行为识别方法还包括:根据所述震动行为的等级输出对应的报警信号。
根据本申请的一个实施例,所述第一深度学习模型和所述第二深度学习模型包括以下任意一种:卷积神经网络CNN模型、循环神经网络RNN模型和长短期记忆神经网络LSTM模型。
为达上述目的,本申请第二方面实施例提出了一种震动行为识别装置,包括:第一获取模块,用于获取待识别的车辆震动数据;生成模块,用于根据所述车辆震动数据和训练好的第一深度学习模型,生成所述车辆震动数据对应的震动行为。
本申请实施例提出的震动行为识别装置,通过获取待识别的车辆震动数据,根据车辆震动数据和训练好的第一深度学习模型,生成车辆震动数据对应的震动行为。有效地改善了人工设置参数的弊端,无需人工重复调参,可适用于大范围自动适配的部署增强了震动行为识别的精度,降低了误检漏检的概率。
为达上述目的,本申请第三方面实施例提出了一种电动车,包括:驱动装置、惯性传感器IMU和如本申请第二方面实施例所述的震动行为识别装置;所述驱动装置驱动所述电动车移动;所述惯性传感器IMU获取所述电动车的车辆震动数据;所述震动行为识别装置基于所述车辆震动数据,确定所述电动车的震动行为。
为达上述目的,本申请第四方面实施例提出了一种电子设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时,实现如本申请第一方面实施例所述的震动行为识别方法。
为达上述目的,本申请第五方面实施例提出了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请第一方面实施例所述的震动行为识别方法。
附图说明
图1是根据本申请一个实施例的震动行为识别的流程示意图;
图2是根据本申请另一个实施例的震动行为识别的流程示意图;
图3是根据本申请另一个实施例的震动行为识别的流程示意图;
图4是本申请一个实施例中第一深度学习模型的示意图;
图5是根据本申请一个实施例的震动行为识别装置的结构示意图;
图6是根据本申请一个实施例的电动车的结构示意图;
图7是根据本申请一个实施例的电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例,实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
下面结合附图来描述本申请实施例的震动行为识别方法、装置、电动车、电子设备及存储介质。
图1是根据本申请一个实施例的震动行为识别方法的流程图,如图1所示,本申请实施例的震动行为识别方法包括以下步骤:
S101,获取待识别的车辆震动数据。
本申请实施例中,车辆震动数据为与车辆的震动行为相关的数据,具体可通过惯性传感器(Inertial Measurement Unit,简称IMU)等获取待识别车辆当前的车辆震动数据。
S102,根据车辆震动数据和训练好的第一深度学习模型,生成车辆震动数据对应的震动行为。
本申请实施例中,将步骤S101获取的车辆震动数据输入至预先训练好的第一深度学习模型中,第一深度学习模型输出车辆震动数据对应的震动行为,具体输出各震动行为对应的概率(即置信度)。在实际操作中,一般需要对步骤S101获取的车辆震动数据进行预处理,将预处理后的车辆震动数据输入至预先训练好的第一深度学习模型中。预处理具体可包括特征提取、数据筛选等,本申请实施例对此不做过多限定。第一深度学习模型的训练过程可参见下述实施例中的相关内容,此处不再赘述。
此处需要说明的是,在实际应用中,识别出震动行为之后,可以根据识别出的震动行为执行对应的操作,例如识别出的震动行为异常行为,则通过短信、警笛声等方式输出报警信号。本领域技术人员可以理解,除异常行为报警外,震动行为的识别还可以应用在其他场景中,本申请实施例对此不做过多限定。
在实际应用场景中,电动车便于骑行,由于经常放置在室外以及两轮平衡性不好,所以经常会有倒地或者挪动的情况发生。电动车仅通过IMU获取震动数据后,可区分是否为异常震动(偷车导致的震动),识别出恶意偷盗挪车后可进行报警。对于环境因素导致的震动(善意敲击、搬动、倒车、剐蹭),则无需报警。
本申请实施例提出的震动行为识别方法,通过获取待识别的车辆震动数据,根据车辆震动数据和训练好的第一深度学习模型,生成车辆震动数据对应的震动行为。有效地改善了人工设置参数的弊端,无需人工重复调参,可适用于大范围自动适配的部署,增强了震动行为识别的精度,降低了误检漏检的概率。
图2为根据本申请另一个实施例的震动行为识别方法的流程示意图。如图2所示,在上述图1所示实施例的基础之上,本申请实施例的震动行为识别方法还可以包括以下第一深度学习模型的生成步骤:
S201,获取多个样本车辆震动数据和对应的多个样本震动行为。
本申请实施例中,用户可以根据需要预先设置需要识别的一个或多个震动行为,例如敲击、搬动、倒车、剐蹭、偷车导致的震动等。针对每个震动行为,获取该震动行为发生时对应的车辆震动数据作为样本车辆震动数据,该震动行为作为对应的样本震动行为。实际操作中,将上述方法获取的样本车辆震动数据和样本震动行为确定为正样本数据,另外,还可以获取负样本数据,即获取除上述震动行为之外的因环境因素导致的随机震动行为,例如旁边车辆经过等导致的震动行为,作为样本震动行为,并将该随机震动行为发生时对应的车辆震动数据作为样本车辆震动数据,得到负样本数据。
S202,根据多个样本车辆震动数据、多个样本震动行为和待训练的第一深度学习模型进行模型训练和测试,得到训练好的第一深度学习模型。
本申请实施例中,待训练的第一深度学习模型为预先设置了初始参数的第一深度学习模型。根据步骤S201获取的多个样本车辆震动数据、多个样本震动行为和待训练的第一深度学习模型进行模型训练和测试,模型训练过程中需要对第一深度学习模型的参数不断调整,将最后一次调节参数后的第一深度学习模型确定为步骤S102中训练好的第一深度学习模型。
进一步的,如图3所示,上述步骤S202具体可包括以下步骤:
S301,构建训练集,训练集包括多个第一样本车辆震动数据和对应的多个第一样本震动行为。
本申请实施例中,可以将步骤S201获取的多个样本车辆震动数据和对应的多个样本震动行为,划分为两部分,一部分为多个第一样本车辆震动数据和对应的多个第一样本震动行为,构成训练集,另一部分为多个第二样本车辆震动数据和对应的多个第二样本震动行为,构成测试集。
S302,根据训练集对待训练的第一深度学习模型进行训练,得到待测试的第一深度学习模型。
本申请实施例中,将训练集中的多个第一样本车辆震动数据作为待训练的第一深度学习模型的输入,将训练集中的对应的多个第一样本震动行为作为待训练的第一深度学习模型的输出,对待训练的第一深度学习模型中的参数进行训练,得到待测试的第一深度学习模型。
S303,构建测试集,测试集包括多个第二样本车辆震动数据和对应的多个第二样本震动行为。
本申请实施例中,测试集的构建过程参见上述步骤S301中的相关描述,此处不再赘述。
S304,根据测试集对待测试的第一深度学习模型进行测试,得到漏检和/或误检的第二样本车辆震动数据和对应的第二样本震动行为。
本申请实施例中,将测试集中的多个第二样本车辆震动数据作为待测试的第一深度学习模型的输入,将待测试的第一深度学习模型输出的样本测试震动行为和测试集中对应的第二样本震动行为比较,将不一致的第二样本震动行为和对应的第二样本车辆震动数据确定为漏检和/或误检的第二样本车辆震动数据和对应的第二样本震动行为。
S305,将漏检和/或误检的第二样本车辆震动数据和对应的第二样本震动行为添加至训练集,得到更新后的训练集。
本申请实施例中,将步骤S304得到的漏检和/或误检的第二样本车辆震动数据和对应的第二样本震动行为添加至训练集中,得到更新后的训练集。
S306,根据更新后的训练集对待测试的第一深度学习模型进行重新训练,得到训练好的第一深度学习模型。
本申请实施例中,将更新后的训练集中的多个第一样本车辆震动数据和第二样本车辆震动数据作为步骤S302得到的待测试的第一深度学习模型的输入,将更新后的训练集中的对应的多个第一样本震动行为和第二样本震动行为作为待测试的第一深度学习模型的输出,对待测试的第一深度学习模型中的参数继续进行训练,得到训练好的第一深度学习模型。
进一步的,本申请实施例的震动行为识别方法还可以包括:根据车辆震动数据和震动行为对应的训练好的第二深度学习模型,生成震动行为的等级。
本申请实施例中,在根据第一深度学习模型得到车辆震动数据对应的震动行为后,将该车辆震动数据输入至该震动行为对应的预先训练好的第二深度学习模型中,第二深度学习模型输出该震动行为的等级,具体输出各震动行为的等级对应的概率(即置信度)。
进一步的,本申请实施例的震动行为识别方法还可以包括生成训练好的第二深度学习模型的步骤:获取震动行为对应的多个样本车辆震动数据和对应的多个样本震动行为的等级;根据震动行为对应的多个样本车辆震动数据、多个样本震动行为的等级和震动行为对应的待训练的第二深度学习模型进行模型训练和测试,得到训练好的第二深度学习模型。
本申请实施例中,针对每个震动行为,获取该震动行为发生时对应的车辆震动数据作为样本车辆震动数据,该震动行为的等级作为对应的样本震动行为的等级。为每个震动行为预先设置一个待训练的第二深度学习模型。待训练的第二深度学习模型为预先设置了初始参数的第二深度学习模型。根据获取的一个震动行为的多个样本车辆震动数据、多个样本震动行为的等级和该震动行为对应待训练的第二深度学习模型进行模型训练和测试,模型训练过程中需要对第二深度学习模型的参数不断调整,将最后一次调节参数后的第二深度学习模型确定为该震动行为训练好的第二深度学习模型。
进一步的,本申请实施例的震动行为识别方法还可以包括:根据震动行为的等级输出对应的报警信号。
本申请实施例中,在识别出震动行为的等级后,可根据不同的等级输出对应的报警信号。例如,在识别出车辆倒地(非恶意偷车)的震动行为,且震动行为的等级较高的情况下,可判断出车辆损害较严重,则立即通过短信等方式通知用户。在识别出车辆倒地(非恶意偷车)的震动行为,且震动行为的等级较低的情况下,可判断出车辆损害较轻,则在检测到用户距离车辆一定范围内后再通过警笛声等方式通知用户。
本领域技术人员可以理解,本申请实施例中的第一深度学习模型和第二深度学习模型可以包括但不限于以下任意一种:卷积神经网络(Convolutional Neural Networks,简称CNN)模型、循环神经网络(Recurrent Neural Network,简称RNN)模型和长短期记忆神经网络(Long Short-Term Memory,简称LSTM)模型等。图4所示为第一深度学习模型为LSTM模型时的结构示意图,如图4所示,对获取的一系列车辆震动数据进行处理,得到多个x0、x1、……、xt作为LSTM的输入,ht或h0、h1、……、ht作为LSTM的输出,LSTM的输出经过全连接层(fully connected layer),全连接层的输出经过归一化层(softmax),归一化层的输出经过概率(Probability)层,得到震动行为的概率。其中,全连接层可省略或加更多层。
本申请实施例提出的震动行为识别方法,通过获取待识别的车辆震动数据,根据车辆震动数据和训练好的第一深度学习模型,生成车辆震动数据对应的震动行为。有效地改善了人工设置参数的弊端,无需人工重复调参,可适用于大范围自动适配的部署,增强了震动行为识别的精度,降低了误检漏检的概率。根据第二深度学习模型还可以实现对震动行为的等级的更细粒度的识别。
为了实现上述实施例,本申请实施例还提出一种震动行为识别装置,该震动行为识别装置可实现上述任一实施例的震动行为识别方法。图5为根据本申请一个实施例的震动行为识别装置的结构示意图。如图5所示,本申请实施例的震动行为识别装置50具体可包括:第一获取模块51和生成模块52。
第一获取模块51,用于获取待识别的车辆震动数据。
生成模块52,用于根据车辆震动数据和训练好的第一深度学习模型,生成车辆震动数据对应的震动行为。
进一步的,在本申请实施例一种可能的实现方式中,第一获取模块51具体用于:通过惯性传感器IMU获取车辆震动数据。
进一步的,在本申请实施例一种可能的实现方式中,本申请实施例的震动行为识别装置50还可包括:第二获取模块,用于获取多个样本车辆震动数据和对应的多个样本震动行为;训练模块,用于根据多个样本车辆震动数据、多个样本震动行为和待训练的第一深度学习模型进行模型训练和测试,得到训练好的第一深度学习模型。
进一步的,在本申请实施例一种可能的实现方式中,训练模块具体用于:构建训练集,训练集包括多个第一样本车辆震动数据和对应的多个第一样本震动行为;根据训练集对待训练的第一深度学习模型进行训练,得到待测试的第一深度学习模型;构建测试集,测试集包括多个第二样本车辆震动数据和对应的多个第二样本震动行为;根据测试集对待测试的第一深度学习模型进行测试,得到漏检和/或误检的第二样本车辆震动数据和对应的第二样本震动行为;将漏检和/或误检的第二样本车辆震动数据和对应的第二样本震动行为添加至训练集,得到更新后的训练集;根据更新后的训练集对待测试的第一深度学习模型进行重新训练,得到训练好的第一深度学习模型。
进一步的,在本申请实施例一种可能的实现方式中,生成模块52还用于:根据车辆震动数据和震动行为对应的训练好的第二深度学习模型,生成震动行为的等级。
进一步的,在本申请实施例一种可能的实现方式中,生成模块52还用于:获取震动行为对应的多个样本车辆震动数据和对应的多个样本震动行为的等级;根据震动行为对应的多个样本车辆震动数据、多个样本震动行为的等级和震动行为对应的待训练的第二深度学习模型进行模型训练和测试,得到训练好的第二深度学习模型。
进一步的,在本申请实施例一种可能的实现方式中,生成模块52还用于:根据震动行为的等级输出对应的报警信号。
进一步的,在本申请实施例一种可能的实现方式中,第一深度学习模型和第二深度学习模型具体可包括但不限于以下任意一种:卷积神经网络CNN模型、循环神经网络RNN模型和长短期记忆神经网络LSTM模型等。
需要说明的是,前述对震动行为识别方法实施例的解释说明也适用于该实施例的震动行为识别装置,此处不再赘述。
本申请实施例提出的震动行为识别装置,通过获取待识别的车辆震动数据,根据车辆震动数据和训练好的第一深度学习模型,生成车辆震动数据对应的震动行为。有效地改善了人工设置参数的弊端,无需人工重复调参,可适用于大范围自动适配的部署增强了震动行为识别的精度,降低了误检漏检的概率。根据第二深度学习模型还可以实现对震动行为的等级的更细粒度的识别。
为了实现上述实施例,本申请实施例还提出一种电动车60,如图6所示,该电动车60具体可包括:驱动装置61、惯性传感器IMU62和如上所述的震动行为识别装置50。
驱动装置61,用于驱动电动车60移动。
惯性传感器IMU62用于,获取电动车60的车辆震动数据。
震动行为识别装置50,用于基于车辆震动数据,确定电动车60的震动行为。
为了实现上述实施例,本申请实施例还提出一种电子设备70,如图7所示,该电子设备70具体可包括存储器71、处理器72及存储在存储器71上并可在处理器72上运行的计算机程序,处理器72执行程序时,实现如上述实施例所示的震动行为识别方法。
为了实现上述实施例,本申请实施例还提出一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行,以实现如上述实施例所示的震动行为识别方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (12)
1.一种震动行为识别方法,其特征在于,包括:
获取待识别的车辆震动数据;
根据所述车辆震动数据和训练好的第一深度学习模型,生成所述车辆震动数据对应的震动行为。
2.根据权利要求1所述的震动行为识别方法,其特征在于,所述获取待识别的车辆震动数据,包括:
通过惯性传感器IMU获取所述车辆震动数据。
3.根据权利要求1所述的震动行为识别方法,其特征在于,还包括:
获取多个样本车辆震动数据和对应的多个样本震动行为;
根据所述多个样本车辆震动数据、所述多个样本震动行为和待训练的第一深度学习模型进行模型训练和测试,得到所述训练好的第一深度学习模型。
4.根据权利要求3所述的震动行为识别方法,其特征在于,所述根据所述多个样本车辆震动数据、所述多个样本震动行为和待训练的第一深度学习模型进行模型训练和测试,得到所述训练好的第一深度学习模型,包括:
构建训练集,所述训练集包括多个第一样本车辆震动数据和对应的多个第一样本震动行为;
根据所述训练集对所述待训练的第一深度学习模型进行训练,得到待测试的第一深度学习模型;
构建测试集,所述测试集包括多个第二样本车辆震动数据和对应的多个第二样本震动行为;
根据所述测试集对所述待测试的第一深度学习模型进行测试,得到漏检和/或误检的第二样本车辆震动数据和对应的第二样本震动行为;
将所述漏检和/或误检的第二样本车辆震动数据和对应的第二样本震动行为添加至所述训练集,得到更新后的训练集;
根据所述更新后的训练集对所述待测试的第一深度学习模型进行重新训练,得到所述训练好的第一深度学习模型。
5.根据权利要求1所述的震动行为识别方法,其特征在于,还包括:
根据所述车辆震动数据和所述震动行为对应的训练好的第二深度学习模型,生成所述震动行为的等级。
6.根据权利要求5所述的震动行为识别方法,其特征在于,还包括:
获取所述震动行为对应的多个样本车辆震动数据和对应的多个样本震动行为的等级;
根据所述震动行为对应的多个样本车辆震动数据、所述多个样本震动行为的等级和所述震动行为对应的待训练的第二深度学习模型进行模型训练和测试,得到所述训练好的第二深度学习模型。
7.根据权利要求5所述的震动行为识别方法,其特征在于,还包括:
根据所述震动行为的等级输出对应的报警信号。
8.根据权利要求1或5所述的震动行为识别方法,其特征在于,所述第一深度学习模型和所述第二深度学习模型包括以下任意一种:
卷积神经网络CNN模型、循环神经网络RNN模型和长短期记忆神经网络LSTM模型。
9.一种震动行为识别装置,其特征在于,包括:
第一获取模块,用于获取待识别的车辆震动数据;
生成模块,用于根据所述车辆震动数据和训练好的第一深度学习模型,生成所述车辆震动数据对应的震动行为。
10.一种电动车,其特征在于,包括驱动装置、惯性传感器IMU和如权利要求9所述的震动行为识别装置;
所述驱动装置驱动所述电动车移动;
所述惯性传感器IMU获取所述电动车的车辆震动数据;
所述震动行为识别装置基于所述车辆震动数据,确定所述电动车的震动行为。
11.一种电子设备,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时,实现如权利要求1-8中任一项所述的震动行为识别方法。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-8中任一项所述的震动行为识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110322465.9A CN115200697A (zh) | 2021-03-25 | 2021-03-25 | 震动行为识别方法、装置、电动车、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110322465.9A CN115200697A (zh) | 2021-03-25 | 2021-03-25 | 震动行为识别方法、装置、电动车、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115200697A true CN115200697A (zh) | 2022-10-18 |
Family
ID=83571406
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110322465.9A Pending CN115200697A (zh) | 2021-03-25 | 2021-03-25 | 震动行为识别方法、装置、电动车、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115200697A (zh) |
-
2021
- 2021-03-25 CN CN202110322465.9A patent/CN115200697A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107918311B (zh) | 多传感器降水分级设备和方法 | |
US11113903B2 (en) | Vehicle monitoring | |
US11565721B2 (en) | Testing a neural network | |
CN111311914B (zh) | 车辆行驶事故监控方法、装置和车辆 | |
KR20180055192A (ko) | 배터리 상태를 추정하는 방법 및 장치 | |
CN103871122A (zh) | 驾驶行为分析方法及分析系统 | |
US20230012186A1 (en) | System and method for vibroacoustic diagnostic and condition monitoring a system using neural networks | |
US8688309B2 (en) | Active and stateful hyperspectral vehicle evaluation | |
CN114926825A (zh) | 一种基于时空特征融合的车辆驾驶行为检测方法 | |
CN115659673B (zh) | 基于无人机图像的桥梁施工过程安全监控系统 | |
CN114091683A (zh) | 海缆状态监控方法、装置、计算机设备和存储介质 | |
Taylor et al. | Data mining for vehicle telemetry | |
EP3640857B1 (en) | Method, vehicle, system, and storage medium for indicating anomalous vehicle scenario using encoder network and discriminator network intermediate layer activation | |
CN114331214A (zh) | 基于强化学习的域自适应轴承声纹故障诊断方法及系统 | |
CN115200697A (zh) | 震动行为识别方法、装置、电动车、电子设备及存储介质 | |
CN113470314A (zh) | 一种疲劳预警控制方法、装置、设备及汽车 | |
EP3472742A1 (en) | Machine monitoring | |
CN115238904A (zh) | 用于在车辆中创建训练数据的方法、设备和计算机程序 | |
CN115200696A (zh) | 震动行为监测方法、装置、电子设备及存储介质 | |
Radke et al. | “Small data” anomaly detection for unmanned systems | |
Altunkaya et al. | Design and implementation of a novel algorithm to smart tachograph for detection and recognition of driving behaviour | |
CN113899393B (zh) | 基于神经网络的mems传感器的检测方法、装置、设备及介质 | |
US11912289B2 (en) | Method and device for checking an AI-based information processing system used in the partially automated or fully automated control of a vehicle | |
CN117633519B (zh) | 变道检测方法、装置、电子设备及存储介质 | |
CN103473553A (zh) | 一种基于声震复合传感器的运动目标识别方法 |
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 |