CN115201792A - 激光测距仪的检测方法、装置、电子设备及存储介质 - Google Patents
激光测距仪的检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115201792A CN115201792A CN202210656708.7A CN202210656708A CN115201792A CN 115201792 A CN115201792 A CN 115201792A CN 202210656708 A CN202210656708 A CN 202210656708A CN 115201792 A CN115201792 A CN 115201792A
- Authority
- CN
- China
- Prior art keywords
- data
- sample data
- laser range
- range finder
- classification 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
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/497—Means for monitoring or calibrating
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
-
- 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
- G01S11/00—Systems for determining distance or velocity not using reflection or reradiation
- G01S11/12—Systems for determining distance or velocity not using reflection or reradiation using electromagnetic waves other than radio waves
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Manufacturing & Machinery (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本公开提供一种激光测距仪的检测方法、装置、电子设备及存储介质,所述激光测距仪的检测方法包括:获取待检测激光测距仪的目标性能数据;通过预设的分类模型对所述目标性能数据进行分类,得到分类结果;根据所述分类结果得到所述待检测激光测距仪的检测结果。通过获取待检测激光测距仪的目标性能数据,使用预设的分类模型对目标性能数据进行分类,根据分类结果得到待检测激光测距仪的检测结果,利用了目标性能数据和分类模型将待检测激光测距仪进行分类,不需要大量的人力、物力和时间,提高了激光测距仪的检测效率。
Description
技术领域
本发明涉及激光测距仪的检测技术领域,具体涉及一种激光测距仪的检测方法、装置、电子设备及存储介质。
背景技术
激光测距仪是一种用于测量目标物与当前位置距离的仪器,激光测距仪在出厂前一般会进行检测,确保出厂的产品质量。现有的检测方式主要是通过用皮尺量出标靶到测距仪之间的距离,以及与激光测距仪检测到的其与标靶之间距离进行比较来判断测距仪的精度和误差,该测试方法无法排除地形,天气环境和人的误操作所带来的误差,而且一个合格的激光测距仪往往涉及众多的判断标准,需要从大量的性能指标中综合出该激光测距仪是否合格,会需要大量的人力,物力和时间,具有误差大,费用高,低效率,操作复杂等缺点,使得现有激光测距仪的检测效率不高。
发明内容
本发明实施例提供了一种激光测距仪的检测方法、装置、电子设备及存储介质,旨在解决现有激光测距仪的检测效率不高的问题,通过获取待检测激光测距仪的目标性能数据,使用预设的分类模型对目标性能数据进行分类,根据分类结果得到待检测激光测距仪的检测结果,利用了目标性能数据和分类模型将待检测激光测距仪进行分类,不需要大量的人力、物力和时间,提高了激光测距仪的检测效率。
第一方面,本发明实施例提供一种激光测距仪的检测方法,所述方法包括:
获取待检测激光测距仪的目标性能数据;
通过预设的分类模型对所述目标性能数据进行分类,得到分类结果;
根据所述分类结果得到所述待检测激光测距仪的检测结果。
可选的,在所述通过预测的分类模型对所述目标性能数据进行分类,得到分类结果的步骤之前,所述方法还包括:
获取激光测距仪的实验性能数据,对所述实验性能数据进行降维处理,得到样本数据;
根据所述样本数据,训练得到分类模型。
可选的,在所述通过预测的分类模型对所述目标性能数据进行分类,得到分类结果的步骤之前,所述方法还包括:
获取待检测激光测距仪的综合性能数据,对所述综合性能数据进行降维处理,得到目标性能数据,所述目标性能数据与所述样本数据具有相同的维数。
可选的,所述获取激光测距仪的实验性能数据,对所述实验性能数据进行降维处理,得到样本数据的步骤包括:
对N个激光测距仪的进行性能实验,得到N个所述激光测距仪对应的实验性能数据,所述实验性能数据包括M个性能指标数据;
通过主成份分析方法对的实验性能数据进行降维,得到样本数据,所述样本数据包括K个性能指标数据,其中,K小于M。
可选的,所述N个激光测距仪中包括n1个合格的激光测距仪和n2个不合格的激光测距仪,所述通过主成份分析方法对的实验性能数据进行降维,得到样本数据的步骤包括:
通过主成份分析方法对n1个合格的激光测距仪对应的实验性能数据进行降维,得到第一样本数据,所述第一样本数据包括k1个性能指标数据;
通过主成份分析方法对n2个不合格的激光测距仪对应的实验性能数据进行降维,得到第二样本数据,所述第二样本数据包括k2个性能指标数据;
基于所述第一样本数据和所述第二样本数据,得到样本数据,其中,k1与k2之和大于或者等于K。
可选的,所述基于所述第一样本数据和所述第二样本数据,得到具有第三维数的样本数据的步骤包括:
若所述第一样本数据与所述第二样本数据中不存在相同的性能指标数据,则将所述第一样本数据与所述第二样本数据进行拼接,得到样本数据;
若所述第一样本数据与所述第二样本数据中存在相同的性能指标数据,则计算所述相同的性能指标数据分另在所述第一样本数据和所述第二样本数据中贡献值,并贡献值较小的所述相同的性能指标数据在所述第一样本数据或所述第二样本数据中进行删除,并将删除所述相同的性能指标数据的所述第一样本数据和所述第二样本数据进行拼接,得到样本数据。
可选的,所述根据所述样本数据,训练得到分类模型的步骤包括:
基于卷积神经网络进行建模,得到初始分类模型;
通过激光测距仪的实验性能数据,对所述初始分类模型进行第一训练,得到中间分类模型;
通过所述样本数据对所述中间分类模型进行训练,得到训练好的分类模型。
第二方面,提供一种激光测距仪的检测装置,所述装置包括:
第一获取模块,用于获取待检测激光测距仪的目标性能数据;
分类模块,用于通过预设的分类模型对所述目标性能数据进行分类,得到分类结果;
检测模块,用于根据所述分类结果得到所述待检测激光测距仪的检测结果。
第三方面,提供一种电子设备,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计算机程序时实现如本发明实施例中任一项所述的激光测距仪的检测方法中的步骤。
第四方面,提供一种计算机可读存储介质所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如本发明实施例中任一项所述的激光测距仪的检测方法中的步骤。
在本发明实施例中,获取待检测激光测距仪的目标性能数据;通过预设的分类模型对所述目标性能数据进行分类,得到分类结果;根据所述分类结果得到所述待检测激光测距仪的检测结果。通过获取待检测激光测距仪的目标性能数据,使用预设的分类模型对目标性能数据进行分类,根据分类结果得到待检测激光测距仪的检测结果,利用了目标性能数据和分类模型将待检测激光测距仪进行分类,不需要大量的人力、物力和时间,提高了激光测距仪的检测效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是一种激光测距仪的检测方法的流程示意图。
图2是一种激光测距仪的检测装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述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,旨在用于解释本发明,而不能理解为对本发明的限制,基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”“轴向”、“周向”、“径向”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触,也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且,第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方,或仅仅表示第一特征水平高度小于第二特征。
请参阅图1,图1为本申请提供的一种激光测距仪的检测方法,该方法包括:
101、获取待检测激光测距仪的目标性能数据。
在本发明实施例中,上述目标性能数据可以包括激光测距仪的性能指标数据,上述性能指标数据可以根据对应的性能指标进行测量和测试来得到。上述目标性能数据中的性能指标可以是能够代表激光测距仪合格或不合格的性能指标。
上述性能指标可以包括不同温度下的精度、抗干扰能力,不同可见下度下的精度、抗干扰能力,不同湿度下的精度、抗干扰能力,等等。
102、通过预设的分类模型对目标性能数据进行分类,得到分类结果。
在本发明实施例中,上述预设的分类模型可以是基于卷积神经网络的分类模型,也可以是基于随机森林、支持向量机的分类模型。
优选的,上述预设的分类模型可以是基于卷积神经网络的分类模型,通过卷积神经网络来提取目标性能数据与分类结果之间的隐含关系来形成对应的模型参数,使得模型参数具备判断目标性能数据属于哪种类型的分类能力。
进一步的,上述分类模型可以是基于卷积神经网络的二分类模型,二分类模型可以将目标性能数据一分为二,一种分类结果是合格,另一种分类结果是不合格。
只需要将目标性能数据输入到分类模型中,通过分类模型自动输出目标性能数据的分类结果。
103、根据分类结果得到待检测激光测距仪的检测结果。
在本发明实施例中,上述分类结果表示了待检测激光测距仪的合格类型,合格类型可以包括合格与不合格两种类型。
在本发明实施例中,获取待检测激光测距仪的目标性能数据;通过预设的分类模型对所述目标性能数据进行分类,得到分类结果;根据所述分类结果得到所述待检测激光测距仪的检测结果。通过获取待检测激光测距仪的目标性能数据,使用预设的分类模型对目标性能数据进行分类,根据分类结果得到待检测激光测距仪的检测结果,利用了目标性能数据和分类模型将待检测激光测距仪进行分类,不需要大量的人力、物力和时间,提高了激光测距仪的检测效率。
可选的,在通过预测的分类模型对目标性能数据进行分类,得到分类结果的步骤之前,还可以获取激光测距仪的实验性能数据,对实验性能数据进行降维处理,得到样本数据;根据样本数据,训练得到分类模型。
在本发明实施例中,上述激光测距仪也可以称为样本激光测距仪,上述激光测距仪与待检测激光测距仪为同样型号的激光测距仪。
上述实验性能数据包括所有性能指标数据,各个性能指标数据可以通过对应的性能指标进行测量和测试来得到。上述性能指标可以包括不同温度下的精度、抗干扰能力,不同可见下度下的精度、抗干扰能力,不同湿度下的精度、抗干扰能力,等等。
上述的降维处理可以理解为从所有性能指标中,选择少数具有代表性的性能指标,比如,从不同温度下的精度中选择一个或多个温度下的精度来代表激光测距仪在不同温度下的精度是否合格。
上述样本数据的维数是小于实验性能数据的维数的,上述分类模型可以是基于卷积神经网络的分类模型,可以根据样本数据对分类模型进行训练,得到训练好的分类模型,将目标性能数据输入到训练好的分类模型中进行处理,通过训练好的分类模型输出对应的分类结果。
在本发明实施例中,通过激光测距仪的实验性能数据进行降维处理,得到用于训练分类模型的样本数据,可以使得分类模型的分类准确性更高。
可选的,在通过预测的分类模型对目标性能数据进行分类,得到分类结果的步骤之前,还可以获取待检测激光测距仪的综合性能数据,对综合性能数据进行降维处理,得到目标性能数据,目标性能数据与样本数据具有相同的维数。
在本发明实施例中,可以在得到待检测激光测距仪的综合性能数据后,对综合性能数据进行降维处理,得到与样本数据维数据相同的目标性能数据。
在一种可能的实施例中,还可以根据样本数据中性能指标,通过对应的性能指标进行测量和测试来得到目标性能数据,这样,目标性能数据的性能指标与样本数据中的性能指标相同,且维数也是相同的。
通过将目标性能数据进行降维处理,可以使得目标性能数据与样本数据具有相同的维数,使得目标性能数据能够作为分类模型的输入数据。
可选的,在获取激光测距仪的实验性能数据,对实验性能数据进行降维处理,得到样本数据的步骤中,可以对N个激光测距仪的进行性能实验,得到N个所述激光测距仪对应的实验性能数据,所述实验性能数据包括M个性能指标数据;通过主成份分析方法对的实验性能数据进行降维,得到样本数据,所述样本数据包括K个性能指标数据,其中,K小于M。
在本发明实施例中,可对N个激光测距仪的进行性能实验,得到N个所述激光测距仪对应的实验性能数据,通过主成份分析方法可以将N个激光测距仪对应的M个性能指标数据构建成第一矩阵,第一矩阵包括N个激光测距仪以及M个性能指标数据;计算第一矩阵的协方差矩阵,并根据协方差矩阵进行降维处理,得到第二矩阵;基于第一矩阵和第二矩阵,得到样本数据。
具体的,可以将N个激光测距仪对应的M个性能指标数据构建成N×M的第一矩阵H,在第一矩阵中,每一列对应一个性能指标的性能指标数据,每一行对应一个激光测距仪的性能指标数据。
对于第一矩阵H,计算每一列性能指标数据的平均值,用每一列性能指标数据减去该平均值,得到每个性能指标数据对应的标准差,通过标准差的平方得到每个性能指标数据对应的协方差,根据协方差得到N×M的协方差矩阵C。
通过对协方差矩阵提取出性能指标数据的异变信息,从而通过异变信息,再对协方差矩阵进行降维处理,可以提取异变程度较高的样本数据,保证样本数据对于合格性检测的高影响力。
进一步的,在得到第一矩阵H的协方差矩阵C后,再求出协方差矩阵C的特征值和对应的特征向量;按特征值的大小进行特征向量的排序;保留前K个特征值最大的特征向量,得到M×K的第二矩阵D。通过特征值来确定性能指标数据的异变程度,从而可以选取到异变程度较高的样本数据,保证样本数据对于合格性检测的高影响力。
更进一步的,第三矩阵G=HD,为第一矩阵N×M和第二矩阵M×K的矩阵乘法,得到N×K的第三矩阵G。进而将第一矩阵由M维降到K维,去掉了对于结果影响小的性能指标数据。通过矩阵乘法进行降维处理,得到异变程度较高的样本数据,保证样本数据对于合格性检测的高影响力。
可选的,N个激光测距仪中包括n1个合格的激光测距仪和n2个不合格的激光测距仪,在通过主成份分析方法对的实验性能数据进行降维,得到样本数据的步骤中,可以通过主成份分析方法对n1个合格的激光测距仪对应的实验性能数据进行降维,得到第一样本数据,所述第一样本数据包括k1个性能指标数据;通过主成份分析方法对n2个不合格的激光测距仪对应的实验性能数据进行降维,得到第二样本数据,第二样本数据包括k2个性能指标数据;基于第一样本数据和第二样本数据,得到样本数据,其中,k1与k2之和大于或者等于K。
在本发明实施例中,上述第一样本数据和第二样本数据可以根据上述样本数据的主成份分析方法进行获取,将激光测距仪划分为合格和不合格,使得样本数据中可以包括合格样本数据与不合格样本数据,合格样本数据中包括影响合格性检测的高影响力性能指标,而不合格样本数据中包括影响不合格检测的高影响力性能指标。
通过包含有合格样本数据与不合格样本数据的样本数据对分类模型进行训练,可以使得分类模型能够分类合格的激光测距仪和不合格的激光测距仪,从而增加了分类模型的分类准确性。
可选的,在基于第一样本数据和所述第二样本数据,得到具有第三维数的样本数据的步骤中,可以若第一样本数据与第二样本数据中不存在相同的性能指标数据,则将第一样本数据与第二样本数据进行拼接,得到样本数据;若第一样本数据与第二样本数据中存在相同的性能指标数据,则计算相同的性能指标数据分另在第一样本数据和第二样本数据中贡献值,并贡献值较小的相同的性能指标数据在第一样本数据或第二样本数据中进行删除,并将删除相同的性能指标数据的第一样本数据和第二样本数据进行拼接,得到样本数据。
在本发明实施例中,当k1与k2之和等于K时,第一样本数据与第二样本数据可以直接拼接,第一样本数据与第二样本数据可以包含相同的性能指标,也可以不包含相同的性能指标。
当k1与k2之和小于K时,第一样本数据与第二样本数据中可能会包含有相同的性能指标数据,比如,第一样本数据与第二样本数据中可能会包含温度30度的精度数据,此时,一个性能指标同时对合格性检测和不合格性检测产生影响。此时,可以将第一样本数据和第二样本数据中的一个相同的性能指标数据进行删除,从而使得第一样本数据和第二样本数据不存在相同的性能指标。
具体的,上述贡献值可以是该相同的性能指标数据在第一样本数据和第二样本数据中的位置排序,这是因为,在得到第一矩阵H的协方差矩阵C后,再求出协方差矩阵C的特征值和对应的特征向量;按特征值的大小进行特征向量的排序;保留前K个特征值最大的特征向量,得到M×K的第二矩阵D的步骤中,特征值越大,则排序越靠前,说明其影响力越大,从而对应的贡献就越大,反之,排序越靠后,说明其影响力越小,则贡献就越小。
在本发明实施例中,通过对第一样本数据和第二样本数据进行拼接,使得样本数据同时包含有合格样本数据与不合格样本数据的样本数据对分类模型进行训练,可以使得分类模型能够分类合格的激光测距仪和不合格的激光测距仪,从而增加了分类模型的分类准确性。
可选的,在根据样本数据,训练得到分类模型的步骤中,可以基于卷积神经网络进行建模,得到初始分类模型;通过激光测距仪的实验性能数据,对初始分类模型进行第一训练,得到中间分类模型;通过样本数据对中间分类模型进行训练,得到训练好的分类模型。
在本发明实施例中,可以将激光测距仪的实验性能数据作为第一数据集,将样本数据作为第二数据集,通过第一数据集对初始分类模型进行第一训练,得到中间分类模型,通过第二数据集对中间分类模型进行训练,得到训练好的分类模型。
其中,实验性能数据包括所有的性能指标数据,样本数据包含降维后保留的性能指标数据。
通过激光测距仪的实验性能数据,对初始分类模型进行第一训练,通过样本数据对中间分类模型进行训练,得到训练好的分类模型,可以进一步提高分类模型的分类准确性。
在本发明实施例中,通过获取待检测激光测距仪的目标性能数据,使用预设的分类模型对目标性能数据进行分类,根据分类结果得到待检测激光测距仪的检测结果,利用了目标性能数据和分类模型将待检测激光测距仪进行分类,不需要大量的人力、物力和时间,提高了激光测距仪的检测效率。
请参阅图2,图2为本申请提供的一种激光测距仪的检测装置,该装置包括:
第一获取模块201,用于获取待检测激光测距仪的目标性能数据;
分类模块202,用于通过预设的分类模型对所述目标性能数据进行分类,得到分类结果;
检测模块203,用于根据所述分类结果得到所述待检测激光测距仪的检测结果。
可选的,所述装置还包括:
第二获取模块,用于获取激光测距仪的实验性能数据,对所述实验性能数据进行降维处理,得到样本数据;
训练模块,用于根据所述样本数据,训练得到分类模型。
可选的,所述装置还包括:
第三获取模块,用于获取待检测激光测距仪的综合性能数据,对所述综合性能数据进行降维处理,得到目标性能数据,所述目标性能数据与所述样本数据具有相同的维数。
可选的,所述第二获取模块还用于对N个激光测距仪的进行性能实验,得到N个所述激光测距仪对应的实验性能数据,所述实验性能数据包括M个性能指标数据;通过主成份分析方法对的实验性能数据进行降维,得到样本数据,所述样本数据包括K个性能指标数据,其中,K小于M。
可选的,所述第二获取模块还用于通过主成份分析方法对n1个合格的激光测距仪对应的实验性能数据进行降维,得到第一样本数据,所述第一样本数据包括k1个性能指标数据;通过主成份分析方法对n2个不合格的激光测距仪对应的实验性能数据进行降维,得到第二样本数据,所述第二样本数据包括k2个性能指标数据;基于所述第一样本数据和所述第二样本数据,得到样本数据,其中,k1与k2之和大于或者等于K。
可选的,所述第二获取模块还用于若所述第一样本数据与所述第二样本数据中不存在相同的性能指标数据,则将所述第一样本数据与所述第二样本数据进行拼接,得到样本数据;若所述第一样本数据与所述第二样本数据中存在相同的性能指标数据,则计算所述相同的性能指标数据分另在所述第一样本数据和所述第二样本数据中贡献值,并贡献值较小的所述相同的性能指标数据在所述第一样本数据或所述第二样本数据中进行删除,并将删除所述相同的性能指标数据的所述第一样本数据和所述第二样本数据进行拼接,得到样本数据。
可选的,所述训练模块还用于基于卷积神经网络进行建模,得到初始分类模型;通过激光测距仪的实验性能数据,对所述初始分类模型进行第一训练,得到中间分类模型;通过所述样本数据对所述中间分类模型进行训练,得到训练好的分类模型。
在本发明实施例中,通过获取待检测激光测距仪的目标性能数据,使用预设的分类模型对目标性能数据进行分类,根据分类结果得到待检测激光测距仪的检测结果,利用了目标性能数据和分类模型将待检测激光测距仪进行分类,不需要大量的人力、物力和时间,提高了激光测距仪的检测效率。
本发明实施例还提供一种计算机存储介质,其中,该计算机存储介质存储用于电子数据交换的计算机程序,该计算机程序使得计算机执行如上述方法实施例中记载的任何一激光测距仪的检测方法的部分或全部步骤。
本发明实施例还提供一种电子设备,所述电子设备包括存储了计算机程序的非瞬时性计算机可读存储介质,所述计算机程序可操作来使计算机执行如上述方法实施例中记载的任何一种激光测距仪的检测方法的部分或全部步骤。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于可选实施例,所涉及的动作和模块并不一定是本发明所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置,可通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件程序模块的形式实现。
所述集成的单元如果以软件程序模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储器中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储器包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种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,该程序可以存储于一计算机可读存储器中,存储器可以包括:闪存盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取器(英文:Random Access Memory,简称:RAM)、磁盘或光盘等。
以上对本发明实施例进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种激光测距仪的检测方法,其特征在于,所述方法包括:
获取待检测激光测距仪的目标性能数据;
通过预设的分类模型对所述目标性能数据进行分类,得到分类结果;
根据所述分类结果得到所述待检测激光测距仪的检测结果。
2.根据权利要求1所述的方法,其特征在于,在所述通过预测的分类模型对所述目标性能数据进行分类,得到分类结果的步骤之前,所述方法还包括:
获取激光测距仪的实验性能数据,对所述实验性能数据进行降维处理,得到样本数据;
根据所述样本数据,训练得到分类模型。
3.根据权利要求2所述的方法,其特征在于,在所述通过预测的分类模型对所述目标性能数据进行分类,得到分类结果的步骤之前,所述方法还包括:
获取待检测激光测距仪的综合性能数据,对所述综合性能数据进行降维处理,得到目标性能数据,所述目标性能数据与所述样本数据具有相同的维数。
4.根据权利要求3所述的方法,其特征在于,所述获取激光测距仪的实验性能数据,对所述实验性能数据进行降维处理,得到样本数据的步骤包括:
对N个激光测距仪的进行性能实验,得到N个所述激光测距仪对应的实验性能数据,所述实验性能数据包括M个性能指标数据;
通过主成份分析方法对的实验性能数据进行降维,得到样本数据,所述样本数据包括K个性能指标数据,其中,K小于M。
5.根据权利要求4所述的方法,其特征在于,所述N个激光测距仪中包括n1个合格的激光测距仪和n2个不合格的激光测距仪,所述通过主成份分析方法对的实验性能数据进行降维,得到样本数据的步骤包括:
通过主成份分析方法对n1个合格的激光测距仪对应的实验性能数据进行降维,得到第一样本数据,所述第一样本数据包括k1个性能指标数据;
通过主成份分析方法对n2个不合格的激光测距仪对应的实验性能数据进行降维,得到第二样本数据,所述第二样本数据包括k2个性能指标数据;
基于所述第一样本数据和所述第二样本数据,得到样本数据,其中,k1与k2之和大于或者等于K。
6.根据权利要求5所述的方法,其特征在于,所述基于所述第一样本数据和所述第二样本数据,得到具有第三维数的样本数据的步骤包括:
若所述第一样本数据与所述第二样本数据中不存在相同的性能指标数据,则将所述第一样本数据与所述第二样本数据进行拼接,得到样本数据;
若所述第一样本数据与所述第二样本数据中存在相同的性能指标数据,则计算所述相同的性能指标数据分另在所述第一样本数据和所述第二样本数据中贡献值,并贡献值较小的所述相同的性能指标数据在所述第一样本数据或所述第二样本数据中进行删除,并将删除所述相同的性能指标数据的所述第一样本数据和所述第二样本数据进行拼接,得到样本数据。
7.根据权利要求6所述的方法,其特征在于,所述根据所述样本数据,训练得到分类模型的步骤包括:
基于卷积神经网络进行建模,得到初始分类模型;
通过激光测距仪的实验性能数据,对所述初始分类模型进行第一训练,得到中间分类模型;
通过所述样本数据对所述中间分类模型进行训练,得到训练好的分类模型。
8.一种激光测距仪的检测装置,其特征在于,所述装置包括:
第一获取模块,用于获取待检测激光测距仪的目标性能数据;
分类模块,用于通过预设的分类模型对所述目标性能数据进行分类,得到分类结果;
检测模块,用于根据所述分类结果得到所述待检测激光测距仪的检测结果。
9.一种电子设备,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计算机程序时实现如权利要求1至7中任一项所述的激光测距仪的检测方法中的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的激光测距仪的检测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210656708.7A CN115201792A (zh) | 2022-06-10 | 2022-06-10 | 激光测距仪的检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210656708.7A CN115201792A (zh) | 2022-06-10 | 2022-06-10 | 激光测距仪的检测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115201792A true CN115201792A (zh) | 2022-10-18 |
Family
ID=83576324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210656708.7A Pending CN115201792A (zh) | 2022-06-10 | 2022-06-10 | 激光测距仪的检测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115201792A (zh) |
-
2022
- 2022-06-10 CN CN202210656708.7A patent/CN115201792A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110222170B (zh) | 一种识别敏感数据的方法、装置、存储介质及计算机设备 | |
US20190019111A1 (en) | Benchmark test method and device for supervised learning algorithm in distributed environment | |
CN113468034A (zh) | 数据质量评估方法、装置、存储介质和电子设备 | |
CN112596964A (zh) | 磁盘故障的预测方法及装置 | |
CN110046789A (zh) | 一种学生信息素养测评试卷的自动生成方法及系统 | |
CN112985460A (zh) | 智能中控定位精度测试方法、装置、电子设备和存储介质 | |
CN115327417A (zh) | 一种动力电池单体异常的预警方法、系统及电子设备 | |
CN115184674A (zh) | 一种绝缘测试方法、装置、电子终端及存储介质 | |
CN116522153A (zh) | 锂电池容量预测方法、装置、计算机设备和存储介质 | |
CN113820615B (zh) | 一种电池健康度检测方法与装置 | |
CN110852443A (zh) | 特征稳定性检测方法、设备及计算机可读介质 | |
CN116563841B (zh) | 配电网设备标识牌的检测方法、检测装置和电子设备 | |
CN115201792A (zh) | 激光测距仪的检测方法、装置、电子设备及存储介质 | |
CN111881800A (zh) | 基于ar模型和自助检验的钢管混凝土脱空缺陷检测方法 | |
CN116520068A (zh) | 一种电力数据的诊断方法、装置、设备及存储介质 | |
CN111863135A (zh) | 一种假阳性结构变异过滤方法、存储介质及计算设备 | |
CN111879456A (zh) | 一种建筑幕墙安全性检测方法及系统 | |
CN108446213A (zh) | 一种静态代码质量分析方法和装置 | |
CN116342599A (zh) | 缺陷检测设备的点检方法、装置、设备和存储介质 | |
CN112486808B (zh) | 一种系统测试方法、装置、电子设备及存储介质 | |
KR102159574B1 (ko) | 인공지능 학습데이터 생성을 위한 크라우드소싱 기반 프로젝트의 작업 결과의 정확도 추정 및 관리 방법 | |
CN109471766B (zh) | 一种基于测试性模型的序贯故障诊断方法及装置 | |
CN112700446A (zh) | 用于工业质检的算法模型训练方法和装置 | |
CN116541713B (zh) | 基于局部时频特征迁移学习的轴承故障诊断模型训练方法 | |
US20240193460A1 (en) | Data processing method and data processing apparatus |
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 |