CN116451104A - 一种共享单车头盔容置检测及消杀系统 - Google Patents

一种共享单车头盔容置检测及消杀系统 Download PDF

Info

Publication number
CN116451104A
CN116451104A CN202310698643.7A CN202310698643A CN116451104A CN 116451104 A CN116451104 A CN 116451104A CN 202310698643 A CN202310698643 A CN 202310698643A CN 116451104 A CN116451104 A CN 116451104A
Authority
CN
China
Prior art keywords
sensor data
historical sensor
data
estimated
points
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.)
Granted
Application number
CN202310698643.7A
Other languages
English (en)
Other versions
CN116451104B (zh
Inventor
任宇珉
张薇
任洁
张青
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yashang Kechuang Beijing Technology Co ltd
Original Assignee
Yashang Kechuang Beijing Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yashang Kechuang Beijing Technology Co ltd filed Critical Yashang Kechuang Beijing Technology Co ltd
Priority to CN202310698643.7A priority Critical patent/CN116451104B/zh
Publication of CN116451104A publication Critical patent/CN116451104A/zh
Application granted granted Critical
Publication of CN116451104B publication Critical patent/CN116451104B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61L—METHODS OR APPARATUS FOR STERILISING MATERIALS OR OBJECTS IN GENERAL; DISINFECTION, STERILISATION OR DEODORISATION OF AIR; CHEMICAL ASPECTS OF BANDAGES, DRESSINGS, ABSORBENT PADS OR SURGICAL ARTICLES; MATERIALS FOR BANDAGES, DRESSINGS, ABSORBENT PADS OR SURGICAL ARTICLES
    • A61L2/00—Methods or apparatus for disinfecting or sterilising materials or objects other than foodstuffs or contact lenses; Accessories therefor
    • A61L2/24—Apparatus using programmed or automatic operation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V9/00—Prospecting or detecting by methods not provided for in groups G01V1/00 - G01V8/00
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61L—METHODS OR APPARATUS FOR STERILISING MATERIALS OR OBJECTS IN GENERAL; DISINFECTION, STERILISATION OR DEODORISATION OF AIR; CHEMICAL ASPECTS OF BANDAGES, DRESSINGS, ABSORBENT PADS OR SURGICAL ARTICLES; MATERIALS FOR BANDAGES, DRESSINGS, ABSORBENT PADS OR SURGICAL ARTICLES
    • A61L2202/00—Aspects relating to methods or apparatus for disinfecting or sterilising materials or objects
    • A61L2202/10—Apparatus features
    • A61L2202/14—Means for controlling sterilisation processes, data processing, presentation and storage means, e.g. sensors, controllers, programs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • 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

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Public Health (AREA)
  • Probability & Statistics with Applications (AREA)
  • Geophysics (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Veterinary Medicine (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Epidemiology (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

本发明涉及数据处理领域，具体涉及一种共享单车头盔容置检测及消杀系统，该系统包括：共享单车租借归还模块、数据采集模块、距离度量模块、数据聚类模块、数据去噪模块、消杀模块，获取历史传感器数据的预估基线信号，进而得到预估噪声信号，根据预估基线信号以及预估噪声信号获取历史传感器数据之间的距离度量方法，构建二维散点图，获取主成分方向，根据主成分方向获取每组预选初始聚簇中心点的优选度，进而得到最优的初始聚簇中心点，结合距离度量方法对所有历史传感器数据进行聚类，得到多个类别，根据待检测数据的目标类别进行降噪，进行头盔消杀。本发明避免了噪声干扰导致的误消杀，对头盔的识别消杀更加准确。

Description

一种共享单车头盔容置检测及消杀系统
技术领域
本发明涉及数据处理领域，具体涉及一种共享单车头盔容置检测及消杀系统。
背景技术
骑共享电单车的人不少，但佩戴头盔的却寥寥无几，究其原因，主要是用户对头盔的卫生比较担忧。骑行者流动性大，共享的头盔被许多人佩戴过后，里面会留有汗渍，而头盔紧贴头部，卫生层面存在隐患。因此需要在每次头盔被使用后，利用车筐或坐桶内的消杀系统对头盔进行病毒消杀，保持头盔清洁。而很多用户在车筐或坐桶内中会放置其他物品，关闭车筐或坐桶后误触发消杀系统启动，对于头盔是否被正确放置在车筐或坐桶中通常利用机械锁或传感器进行智能检测，当机械锁关闭时，认为头盔已归还，而未实际对车筐或坐桶内物品进行检测，结果不准确。传感器检测的准确性大多依赖传感器数据的准确性，车子震动、支架结构、传感器传输通道等因素会导致传感器数据产生噪声，影响头盔检测的准确性。
发明内容
为了解决上述问题，本发明提供一种共享单车头盔容置检测及消杀系统，所述系统包括：
共享单车租借归还模块，用户租借归还共享单车；
数据采集模块，采集检测头盔的传感器的数据，作为待检测数据，采集所有历史传感器数据；
距离度量模块，获取每个历史传感器数据的预估基线信号以及预估基线信号的分布函数；根据预估基线信号的分布函数获取每个历史传感器数据的预估噪声信号，根据预估基线信号的分布函数以及预估噪声信号获取历史传感器数据之间的距离度量方法；
数据聚类模块，根据每个历史传感器数据的预估基线信号以及预估噪声信号构建二维散点图，将所有传感器数据映射到二维散点图中；获取二维散点图的主成分方向；获取多组预选初始聚簇中心点，根据主成分方向获取每组预选初始聚簇中心点的优选度；将优选度最大的一组预选初始聚簇中心点对应的多个历史传感器数据作为最优的初始聚簇中心点；根据最优的初始聚簇中心点以及历史传感器数据之间的距离度量方法，对所有的历史传感器数据进行聚类，将所有的历史传感器数据分为多个类别；
数据去噪模块，获取待检测数据的目标类别，根据目标类别对待检测数据进行降噪；
消杀模块，根据降噪后的待检测数据进行头盔的消杀。
优选的，所述获取每个历史传感器数据的预估基线信号以及预估基线信号的分布函数，包括的步骤为：
获取每个历史传感器数据中所有的极值，获取所有相邻的两个极值的均值，构成每个历史传感器数据的局部均值序列，将每个历史传感器数据的局部均值序列作为每个历史传感器数据的预估基线信号，对每个历史传感器数据的基线信号进行多项式拟合，将拟合结果作为预估基线信号的分布函数。
优选的，所述根据预估基线信号的分布函数获取每个历史传感器数据的预估噪声信号，包括的步骤为：
利用历史传感器数据中的每个时间点的数据值减去历史传感器数据的预估基线信号的对应时间点的函数值，作为历史传感器数据的每个时间点的残差值；每个历史传感器数据的所有时间点的残差值构成每个历史传感器数据的残差序列，将每个历史传感器数据的残差序列作为每个历史传感器数据的预估噪声信号。
优选的，所述根据预估基线信号的分布函数以及预估噪声信号获取历史传感器数据之间的距离度量方法，包括的步骤为：
任意两个历史传感器数据之间的距离度量方法为：
其中，表示历史传感器数据/>和历史传感器数据/>之间的距离；/>为历史传感器数据/>的预估噪声信号的标准差；/>为历史传感器数据/>的预估噪声信号的标准差；/>为历史传感器数据/>的预估噪声信号的均值；/>为历史传感器数据/>的预估噪声信号的均值；/>为每个历史传感器数据中数据点的个数；/>为历史传感器数据/>的预估基线信号第个时间点的函数值；/>为历史传感器数据/>的预估基线信号第/>个时间点的函数值；为双曲正切函数。
优选的，所述根据每个历史传感器数据的预估基线信号以及预估噪声信号构建二维散点图，将所有传感器数据映射到二维散点图中，包括的步骤为：
获取每个历史传感器数据的预估噪声信号的标准差以及均值/>、预估基线信号所有时间点的函数值的方差/>，将/>作为横轴，将/>作为纵轴，将所有历史传感器数据映射到坐标系中，得到二维散点图。
优选的，所述获取多组预选初始聚簇中心点，包括的步骤为：
将二维散点图中任意个点作为一组预选初始聚簇中心点，获取所有组预选初始聚簇中心点，其中/>为聚簇个数。
优选的，所述根据主成分方向获取每组预选初始聚簇中心点的优选度，包括的步骤为：
其中，为所选择的一组预选初始聚簇中心点的优选度；/>为第/>个预选初始聚簇中心点；/>为第/>个预选初始聚簇中心点在主成分方向上的投影点；/>为第/>个预选初始聚簇中心点在主成分方向上的投影点；/>为第/>个预选初始聚簇中心点与其在主成分方向上的投影点之间的欧式距离；/>为第/>个预选初始聚簇中心点在主成分方向上的投影点与第/>个预选初始聚簇中心点在主成分方向上的投影点之间的欧式距离；/>为聚簇个数。
优选的，所述获取待检测数据的目标类别，包括的步骤为：
获取每个类别的聚簇中心，根据距离度量方法计算待检测数据与每个类别的聚簇中心的距离，获取其中最小的距离对应的聚簇中心的类别作为目标类别。
优选的，所述根据目标类别对待检测数据进行降噪，包括的步骤为：
对目标类别的所有历史传感器数据的预估噪声信号进行统计，目标类别的预估噪声信号集合，根据集合生成一个预估噪声信号协方差矩阵；将目标类别的预估噪声信号协方差矩阵作为卡尔曼滤波器中初始系统噪声协方差矩阵，利用卡尔曼滤波器对待检测数据进行降噪处理。
本发明提供一种共享单车头盔容置检测及消杀系统，通过云端不断更新所有历史传感器数据，实现任意一项所述系统的迭代更新。
本发明具有如下有益效果：本发明针对采用卡尔曼滤波对头盔传感器信号进行去噪处理时，初始系统噪声不确定、收敛速度慢、去噪精度欠佳的问题提出优化方法，根据历史传感器数据，针对噪声存在时信号相似度计算误差较大的问题优化了距离度量模型，然后通过构建散点图的方式将所有历史传感器数据映射在散点图中，根据主成分方向获取每组预选初始聚簇中心点的优选度，从而获取最优的初始聚簇中心点，利用k-means算法将历史传感器数据准确归类，并得到各个类别的预估噪声信号协方差矩阵，为卡尔曼滤波去噪提供可靠的初始系统噪声协方差矩阵，使得算法收敛速度更快、去噪效果更好。使得对于头盔是否归还的判断更加准确，大幅降低了噪声干扰导致消杀系统误启动问题发生的概率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅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它附图。
图1为本发明一个实施例提供的一种共享单车头盔容置检测及消杀系统的系统框图；
图2为二维散点图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种共享单车头盔容置检测及消杀系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种共享单车头盔容置检测及消杀系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种共享单车头盔容置检测及消杀系统，该系统包括以下模块：
共享单车租借归还模块S101，用户租借归还共享单车。
用户扫码用车，车机确认用户身份后，车机与部署在车筐或坐桶下的控制装置进行数据通信，控制车筐锁或坐桶锁通电打开。语音提示用户取出头盔正确佩戴并关闭车筐锁或坐桶锁，同时在共享单车租借APP中提示用户取出头盔正确佩戴并关闭车筐锁或坐桶锁。若车筐锁或坐桶锁检测未关闭，语音提示用户关闭车筐锁或坐桶锁。部署在车筐或坐桶下的控制装置检测到车筐锁或坐桶锁关闭后，语音提示用户可安全骑行，并与车机通信。用户还车时，车机与部署在车筐或坐桶下的控制装置进行数据通信，控制车筐锁或坐桶锁通电打开，语音提示用户正确归还头盔并关闭车筐锁或坐桶锁。检测到车筐锁或坐桶锁未关闭，语音提示用户再次关闭车筐锁或坐桶锁。车筐锁或坐桶锁检测关闭，车筐内或坐桶内的传感器检测头盔未归还，语音提示用户请按提示正确归还头盔，车筐锁或坐桶锁自动弹开。车筐锁或坐桶锁检测关闭，传感器检测头盔归还，用户还车完成。
数据采集模块S102，采集车筐或坐桶中头盔数据。
需要说明的是，当用户还车后，车筐或坐桶内的消杀系统需要对头盔进行消杀，保持头盔清洁。而很多用户在车筐或坐桶中会放置其他物品，误触发消杀系统启动。为防止消杀系统误触发，需要利用传感器智能检测头盔是否被正确放置在车筐或坐桶中。因此需要导出车筐或坐桶内头盔支架的传感器的原始检测数据，以便后续根据原始检测数据识别头盔是否正确归还成功，并根据识别结果进行自动消杀。
在本发明实施例中，当用户打开车筐或坐桶，在车筐或坐桶的支架上放置物体，关闭车筐或坐桶并还车后，将用户还车的时刻作为开始节点，将开始节点到之后的秒的时间作为消杀节点时间。记录消杀节点时间内头盔支架的传感器的数据，记为待检测数据。在本发明实施例中，/>，在其他实施例中，实施人员可根据实际实施情况设置/>的值。
用户在共享单车使用期间不进行消杀，用户还车后，在固定时间段内进行消杀。若第一个用户还车后的固定时间段内第二个用户扫描租借共享单车，则语言提示，同时在共享单车租借APP中提示第二个用户，头盔消杀将在一分钟内结束，请耐心等待。
需要说明的是，传感器信号记录的是车筐或坐桶中支架上放置物体的信息，而传感器对噪声极其敏感，噪声由车子震动、支架结构、传感器传输通道等因素导致。往往噪声信号密集、频率、幅值随机，不同时间、不同地点的头盔支架传感器，在检测头盔归还时的待检测段数据受到的噪声干扰不同，为了对待检测数据去噪，还需要结合历史的传感器数据。
在本发明实施例中，由共享单车控制中心收集所有共享单车头盔历史消杀节点的传感器数据，将历史每个消杀节点的传感器数据称为一个历史传感器数据。
至此，获取了待检测数据以及历史传感器数据。
距离度量模块S103，获取不同历史传感器数据之间的距离度量方法。
需要说明的是，待检测数据的噪声由车子震动、支架结构、传感器传输通道等因素导致。往往噪声信号密集、频率、幅值随机，传统小波变换、低通滤波器等均需要较高准度的阈值需求，而平滑算法则很容易丢失有效信息，去噪难度较大，卡尔曼滤波对于噪声复杂情况的去噪效果较好，但是去噪精度依赖初始系统噪声的好坏。卡尔曼滤波的核心思想是通过不断地迭代和修正状态估计值来逐步提高估计的精度和可靠性。其中，关键在于利用先前的状态估计和当前的观测数据来平衡两者之间的差异，并针对系统噪声和测量误差进行权衡和修正。卡尔曼滤波通过最小化误差方差的方式来实现状态估计的优化，具有较好的稳定性和鲁棒性。其中测量误差为传感器本身所具有的属性，可直接获取，因此初始系统噪声的好坏直接决定后续去噪精度。由于头盔重量、单车型号固定，因此本发明实施例对历史传感器数据进行分析，从所有历史传感器数据中获取一组估测的初始状态噪声，优化卡尔曼滤波的去噪效果。
需要进一步说明的是，本发明实施例需要对所有历史传感器数据进行分类，以便于后续将分类结果用于初始系统噪声估测的待选噪声库。在对所有历史传感器数据进行分类时，需要构建不同历史传感器数据之间的距离度量参数，将叠加噪声相近且真实信号相同的历史传感器数据归为一类。历史传感器数据是噪声和真实的传感器数据的叠加结果，由于不知道真实的噪声大小，同时也不知道真实的传感器数据大小，目前通常通过均值滤波等方法对历史传感器数据进行平滑，将平滑结果作为去噪结果，但平滑结果实际也与历史传感器数据中噪声的叠加情况息息相关，噪声干扰越大，平滑结果越失真，并且即使是在噪声不存在的情况下头盔真实的传感器信号也可能存在一定差异，因此无法直接评价两个同时含有噪声的历史传感器数据之间的差异或距离。
可以将含噪声的历史传感器数据视为基线信号与噪声信号的叠加，以噪声信号的高斯分布特征差异与基线信号的平均趋势差异进行累乘，使组成历史传感器数据的噪声信号和基线信号之间的差异相互影响，那么无论是预估噪声信号还是预估基线信号存在的估测误差，在距离度量模型中构建误差正相交关系，简单来说就是这部分误差要么在预估噪声信号中，要么在预估基线信号中，真实的噪声信号和基线信号得到的距离度量值，与通过分解的预估噪声信号和预估基线信号得到的距离度量值几乎相同，那么距离度量值可以准确描述两个含噪声的历史传感器数据之间的真实差异。
在本发明实施例中，获取每个历史传感器数据中所有的极值，获取所有相邻的两个极值的均值，构成每个历史传感器数据的局部均值序列，将每个历史传感器数据的局部均值序列作为每个历史传感器数据的预估基线信号，对每个历史传感器数据的基线信号进行多项式拟合，将拟合结果作为预估基线信号的分布函数。利用历史传感器数据中的每个时间点的数据值减去历史传感器数据的预估基线信号的对应时间点的函数值，作为历史传感器数据的每个时间点的残差值。每个历史传感器数据的所有时间点的残差值构成每个历史传感器数据的残差序列，将每个历史传感器数据的残差序列作为每个历史传感器数据的预估噪声信号，获取每个历史传感器数据的预估噪声信号中所数据点的均值以及标准差。
计算任意两个历史传感器数据的距离：
其中，表示历史传感器数据/>和历史传感器数据/>之间的距离；/>为历史传感器数据/>的预估噪声信号的标准差；/>为历史传感器数据/>的预估噪声信号的标准差；/>为历史传感器数据/>的预估噪声信号的均值；/>为历史传感器数据/>的预估噪声信号的均值；/>为每个历史传感器数据中数据点的个数，由于每个历史传感器数据采集时消杀节点的长度相同，因此每个历史传感器数据中数据点的个数均相同；/>为历史传感器数据/>的预估基线信号的分布函数；/>为历史传感器数据/>的预估基线信号第/>个时间点的函数值；/>为历史传感器数据/>的预估基线信号的分布函数；/>为历史传感器数据/>的预估基线信号第/>个时间点的函数值；/>为双曲正切函数；历史传感器数据/>和/>的预估基线信号之间的差异为两个预估基线信号的分布函数之间的均方误差所得，即/>，预估基线信号与预估噪声信号共同组成了含噪声的历史传感器数据，二者均为预估值，并不完全准确，因此计算历史传感器数据/>和/>的距离时，需要将预估的两个分量信号的差异进行累乘；假设预估噪声信号服从高斯分布，即历史传感器数据/>的预估噪声信号服从，历史传感器数据/>的预估噪声信号服从/>，那么/>代表历史传感器数据/>和/>的预估噪声信号的标准差差异，/>代表历史传感器数据/>和/>的预估噪声信号的均值差异，/>为历史传感器数据/>和/>的预估噪声信号的高斯分布的特征参数差异的欧式范数，由于预估噪声信号的差异对基线信号的差异的影响是非线性的，因此利用/>函数对其进行非线性转化得到/>，与预估基线信号的差异相乘得到两个历史传感器数据之间的距离，即历史传感器数据/>、/>的预估噪声信号的分布差异与预估基线信号的分布差异进行累乘，作为评估两个历史传感器数据之间的距离度量参数/>。
至此，获取了历史传感器数据的距离度量方法。
数据聚类模块S104，获取最优的初始聚簇中心点，对所有历史传感器数据进行聚类。
需要说明的是，距离度量模块S103获取了历史传感器数据之间的距离度量方法，此时可根据距离度量方法对所有历史传感器数据进行聚类。聚类算法分为基于中心、基于连接、基于密度等，对于含噪声的历史传感器数据进行聚类时，若采用基于连接或基于密度的聚类方法，会导致历史传感器数据之间的误差一直累加，最终导致聚类簇的可信度严重降低，因此需要选择基于中心的聚类方法。本发明实施例通过k-means聚类方法对历史传感器数据进行聚类，首先需获取初始聚簇中心点。对于所有历史传感器数据聚类而言，聚类过程中初始聚簇中心点作为归类其余历史传感器数据的标准，因此初始聚簇中心点的选取非常重要，初始聚簇中心点的特征必须足够显著，且所有初始聚簇中心点之间的距离需要足够远，避免聚簇边界模糊的问题。
在本发明实施例中，根据所有历史传感器数据利用手肘法获取聚簇个数，则初始聚簇中心点的个数也为/>。需要说明的是，手肘法为公知技术，在本发明实施例中不再详细赘述。
根据每个历史传感器数据的预估噪声信号的标准差以及均值/>、预估基线信号所有时间点的函数值的方差/>，构建散点图：将/>作为横轴，将/>作为纵轴，将所有历史传感器数据映射到坐标系中，得到二维散点图中，参见图2。
滤除二维散点图中的孤立点，根据PCA中最大方差理论，在二维散点图中框选所有数据分布的最小外接矩形，获取最小外接矩形的质心点。过质心点的各个方向作直线，将二维散点图中的每个点投影到各个方向的直线上，得到各个方向的所有投影点，获取每个方向的投影点之间的距离方差，将其中距离方差最大的方向作为主成分方向。需要说明的是，计算投影点之间的距离方差时，采用的是欧式距离。由于距离方差最大的方向代表所有数据的主分布方向，那么初始聚簇中心点沿着该方向选取时聚类效果更优。
在二维散点图中任意选取个点，作为一组预选初始聚簇中心点，计算此组预选初始聚簇中心点的优选度：
其中，为所选择的一组预选初始聚簇中心点的优选度；/>为第/>个预选初始聚簇中心点；/>为第/>个预选初始聚簇中心点在主成分方向上的投影点；/>为第/>个预选初始聚簇中心点在主成分方向上的投影点；/>为第/>个预选初始聚簇中心点与其在主成分方向上的投影点之间的欧式距离，表示第/>个预选初始聚簇中心点的投影距离；为第/>个预选初始聚簇中心点在主成分方向上的投影点与第/>个预选初始聚簇中心点在主成分方向上的投影点之间的欧式距离，表示第/>个预选初始聚簇中心点和第/>个预选初始聚簇中心点的相邻投影距离；/>为聚簇个数，又为预选初始聚簇中心点的个数；/>表示该组预选初始聚簇中心点的平均投影距离，当平均投影距离越大，表示该组预选初始聚簇中心点在主成分方向上分布越离散，个体特征越突出，该组预选初始聚簇中心点的优选度越大；/>表示该组预选初始聚簇中心点的平均相邻投影距离，平均相邻投影距离越大，该组预选初始聚簇中心点的优选度越大；沿着主成分方向两侧选择预选初始聚簇中心点，当所选的预选初始聚簇中心点拟合出最大主成分方向的直线的损失最大时，该组预选初始聚簇中心点的分布越离散，个体特征越突出，越能够作为初始聚簇中心点，此时该组预选初始聚簇中心点的优选度越大。
同理，将二维散点图中每个点作为一组预选初始聚簇中心点，计算每组预选初始聚簇中心点的优选度，将优选度最大的一组预选初始聚簇中心点对应的/>个历史传感器数据作为最优的/>个初始聚簇中心点。
根据最优的个初始聚簇中心点以及历史传感器数据的距离度量方法，对所有的历史传感器数据进行k-means聚类，将所有的历史传感器数据分为/>个类别。
至此，实现了所有历史传感器数据的聚类，将所有历史传感器数据分为个类别。
数据去噪模块S105，对待检测数据进行去噪。
对每个类别的所有历史传感器数据的预估噪声信号进行统计，每个类别得到一个预估噪声信号集合，根据集合生成一个预估噪声信号协方差矩阵。
获取每个类别的聚簇中心，根据距离度量模块S103中的方法计算待检测数据与每个类别的聚簇中心的距离，获取其中最小的距离对应的聚簇中心的类别作为目标类别，将目标类别的预估噪声信号协方差矩阵作为卡尔曼滤波器中初始系统噪声协方差矩阵，利用卡尔曼滤波器对待检测数据进行降噪处理。
需要说明的是，本发明实施例通过对历史传感器数据进行聚类，选择待检测数据最相似的类别的预估噪声信号协方差矩阵作为卡尔曼滤波器的参数，可以大大提高卡尔曼滤波器的收敛速度以及去噪精度。
至此，完成了待检测数据的去噪处理。
消杀模块S106，对车筐或坐桶中的头盔进行消杀。
在实验室环境下，将共享单车静止时，消杀节点时间内头盔支架的传感器的数据作为模板信号。
预设一个误差阈值T，其中本实施例以T=3为例进行叙述，本实施例不进行具体限定，其中T可根据具体实施情况而定。
将去噪后的待检测数据与模板信号进行对比，获取两者的均方误差MSE，当均方误差MSE小于或等于误差阈值T时，则成功识别车筐或坐桶内放置物体为头盔，系统确认头盔已归还，对头盔进行消杀。
本发明另一个实施例提供一种共享单车头盔容置检测及消杀系统，通过云端不断更新所有历史传感器数据，实现所有历史传感器数据的聚簇类别的不断更新，使得待检测数据的初始系统噪声协方差矩阵更加准确，对待检测数据的去噪效果更好。综上所述，本发明的系统包括共享单车租借归还模块、数据采集模块、距离度量模块、数据聚类模块、数据去噪模块、消杀模块，本发明针对采用卡尔曼滤波对头盔传感器信号进行去噪处理时，初始系统噪声不确定、收敛速度慢、去噪精度欠佳的问题提出优化方法，根据历史传感器数据，针对噪声存在时信号相似度计算误差较大的问题优化了距离度量模型，然后通过构建散点图的方式将所有历史传感器数据映射在散点图中，根据主成分方向获取每组预选初始聚簇中心点的优选度，从而获取最优的初始聚簇中心点，利用k-means算法将历史传感器数据准确归类，并得到各个类别的预估噪声信号协方差矩阵，为卡尔曼滤波去噪提供可靠的初始系统噪声协方差矩阵，使得算法收敛速度更快、去噪效果更好。使得对于头盔是否归还的判断更加准确，大幅降低了噪声干扰导致消杀系统误启动问题发生的概率。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种共享单车头盔容置检测及消杀系统，其特征在于，所述系统包括：
共享单车租借归还模块，用户租借归还共享单车；
数据采集模块，采集检测头盔的传感器的数据，作为待检测数据，采集所有历史传感器数据；
距离度量模块，获取每个历史传感器数据的预估基线信号以及预估基线信号的分布函数；根据预估基线信号的分布函数获取每个历史传感器数据的预估噪声信号，根据预估基线信号的分布函数以及预估噪声信号获取历史传感器数据之间的距离度量方法；
数据聚类模块，根据每个历史传感器数据的预估基线信号以及预估噪声信号构建二维散点图，将所有传感器数据映射到二维散点图中；获取二维散点图的主成分方向；获取多组预选初始聚簇中心点，根据主成分方向获取每组预选初始聚簇中心点的优选度；将优选度最大的一组预选初始聚簇中心点对应的多个历史传感器数据作为最优的初始聚簇中心点；根据最优的初始聚簇中心点以及历史传感器数据之间的距离度量方法，对所有的历史传感器数据进行聚类，将所有的历史传感器数据分为多个类别；
数据去噪模块，获取待检测数据的目标类别，根据目标类别对待检测数据进行降噪；
消杀模块，根据降噪后的待检测数据进行头盔的消杀。
2.根据权利要求1所述的一种共享单车头盔容置检测及消杀系统，其特征在于，所述获取每个历史传感器数据的预估基线信号以及预估基线信号的分布函数，包括的步骤为：
获取每个历史传感器数据中所有的极值，获取所有相邻的两个极值的均值，构成每个历史传感器数据的局部均值序列，将每个历史传感器数据的局部均值序列作为每个历史传感器数据的预估基线信号，对每个历史传感器数据的基线信号进行多项式拟合，将拟合结果作为预估基线信号的分布函数。
3.根据权利要求1所述的一种共享单车头盔容置检测及消杀系统，其特征在于，所述根据预估基线信号的分布函数获取每个历史传感器数据的预估噪声信号，包括的步骤为：
利用历史传感器数据中的每个时间点的数据值减去历史传感器数据的预估基线信号的对应时间点的函数值，作为历史传感器数据的每个时间点的残差值；每个历史传感器数据的所有时间点的残差值构成每个历史传感器数据的残差序列，将每个历史传感器数据的残差序列作为每个历史传感器数据的预估噪声信号。
4.根据权利要求1所述的一种共享单车头盔容置检测及消杀系统，其特征在于，所述根据预估基线信号的分布函数以及预估噪声信号获取历史传感器数据之间的距离度量方法，包括的步骤为：
任意两个历史传感器数据之间的距离度量方法为：
其中，表示历史传感器数据/>和历史传感器数据/>之间的距离；/>为历史传感器数据/>的预估噪声信号的标准差；/>为历史传感器数据/>的预估噪声信号的标准差；/>为历史传感器数据/>的预估噪声信号的均值；/>为历史传感器数据/>的预估噪声信号的均值；/>为每个历史传感器数据中数据点的个数；/>为历史传感器数据/>的预估基线信号第/>个时间点的函数值；/>为历史传感器数据/>的预估基线信号第/>个时间点的函数值；/>为双曲正切函数。
5.根据权利要求1所述的一种共享单车头盔容置检测及消杀系统，其特征在于，所述根据每个历史传感器数据的预估基线信号以及预估噪声信号构建二维散点图，将所有传感器数据映射到二维散点图中，包括的步骤为：
获取每个历史传感器数据的预估噪声信号的标准差以及均值/>、预估基线信号所有时间点的函数值的方差/>，将/>作为横轴，将/>作为纵轴，将所有历史传感器数据映射到坐标系中，得到二维散点图。
6.根据权利要求1所述的一种共享单车头盔容置检测及消杀系统，其特征在于，所述获取多组预选初始聚簇中心点，包括的步骤为：
将二维散点图中任意个点作为一组预选初始聚簇中心点，获取所有组预选初始聚簇中心点，其中/>为聚簇个数。
7.根据权利要求1所述的一种共享单车头盔容置检测及消杀系统，其特征在于，所述根据主成分方向获取每组预选初始聚簇中心点的优选度，包括的步骤为：
其中，为所选择的一组预选初始聚簇中心点的优选度；/>为第/>个预选初始聚簇中心点；/>为第/>个预选初始聚簇中心点在主成分方向上的投影点；/>为第/>个预选初始聚簇中心点在主成分方向上的投影点；/>为第/>个预选初始聚簇中心点与其在主成分方向上的投影点之间的欧式距离；/>为第/>个预选初始聚簇中心点在主成分方向上的投影点与第/>个预选初始聚簇中心点在主成分方向上的投影点之间的欧式距离；/>为聚簇个数。
8.根据权利要求1所述的一种共享单车头盔容置检测及消杀系统，其特征在于，所述获取待检测数据的目标类别，包括的步骤为：
获取每个类别的聚簇中心，根据距离度量方法计算待检测数据与每个类别的聚簇中心的距离，获取其中最小的距离对应的聚簇中心的类别作为目标类别。
9.根据权利要求1所述的一种共享单车头盔容置检测及消杀系统，其特征在于，所述根据目标类别对待检测数据进行降噪，包括的步骤为：
对目标类别的所有历史传感器数据的预估噪声信号进行统计，目标类别的预估噪声信号集合，根据集合生成一个预估噪声信号协方差矩阵；将目标类别的预估噪声信号协方差矩阵作为卡尔曼滤波器中初始系统噪声协方差矩阵，利用卡尔曼滤波器对待检测数据进行降噪处理。
10.一种共享单车头盔容置检测及消杀系统，其特征在于，通过云端不断更新所有历史传感器数据，实现权利要求1-9中任意一项所述系统的迭代更新。
CN202310698643.7A 2023-06-14 2023-06-14 一种共享单车头盔容置检测及消杀系统 Active CN116451104B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310698643.7A CN116451104B (zh) 2023-06-14 2023-06-14 一种共享单车头盔容置检测及消杀系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310698643.7A CN116451104B (zh) 2023-06-14 2023-06-14 一种共享单车头盔容置检测及消杀系统

Publications (2)

Publication Number Publication Date
CN116451104A true CN116451104A (zh) 2023-07-18
CN116451104B CN116451104B (zh) 2023-08-15

Family

ID=87120531

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310698643.7A Active CN116451104B (zh) 2023-06-14 2023-06-14 一种共享单车头盔容置检测及消杀系统

Country Status (1)

Country Link
CN (1) CN116451104B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116842410A (zh) * 2023-09-01 2023-10-03 福建赛鲲鹏网络科技有限公司 一种基于动态感知的智能头盔防盗管理方法以及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140307958A1 (en) * 2013-04-16 2014-10-16 The Penn State Research Foundation Instance-weighted mixture modeling to enhance training collections for image annotation
CN108563806A (zh) * 2018-01-05 2018-09-21 哈尔滨工业大学（威海） 基于相似性的发动机气路参数长期预测方法及系统
CN108918502A (zh) * 2018-07-25 2018-11-30 安徽大学 一种基于sers的玉米中杀螟硫磷农药残留的检测方法
CN111370067A (zh) * 2020-02-28 2020-07-03 中山大学肿瘤防治中心（中山大学附属肿瘤医院、中山大学肿瘤研究所） 一种面向lc/gc-ms的代谢组学数据质量控制方法及系统
CN114648838A (zh) * 2022-03-09 2022-06-21 北京骑胜科技有限公司 共享头盔存放柜及共享头盔存放柜的运行方法
CN217496350U (zh) * 2022-07-07 2022-09-27 陶文怡 共享电单车头盔消毒存放管理装置
US20220412318A1 (en) * 2021-06-29 2022-12-29 Aspen Technology, Inc. Method and System for Building Prescriptive Analytics to Prevent Wind Turbine Failures

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140307958A1 (en) * 2013-04-16 2014-10-16 The Penn State Research Foundation Instance-weighted mixture modeling to enhance training collections for image annotation
CN108563806A (zh) * 2018-01-05 2018-09-21 哈尔滨工业大学（威海） 基于相似性的发动机气路参数长期预测方法及系统
CN108918502A (zh) * 2018-07-25 2018-11-30 安徽大学 一种基于sers的玉米中杀螟硫磷农药残留的检测方法
CN111370067A (zh) * 2020-02-28 2020-07-03 中山大学肿瘤防治中心（中山大学附属肿瘤医院、中山大学肿瘤研究所） 一种面向lc/gc-ms的代谢组学数据质量控制方法及系统
US20220412318A1 (en) * 2021-06-29 2022-12-29 Aspen Technology, Inc. Method and System for Building Prescriptive Analytics to Prevent Wind Turbine Failures
CN114648838A (zh) * 2022-03-09 2022-06-21 北京骑胜科技有限公司 共享头盔存放柜及共享头盔存放柜的运行方法
CN217496350U (zh) * 2022-07-07 2022-09-27 陶文怡 共享电单车头盔消毒存放管理装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CAMILLE SUTOUR等: "Automatic Estimation of the Noise Level Function for Adaptive Blind Denoising", 《24TH EUROPEAN SIGNAL PROCESSING CONFERENCE 》, pages 1 - 6 *
CAMILLE SUTOUR等: "Automatic Estimation of the Noise Level Function for Adaptive Blind Denoising", 《HAL》, pages 1 - 6 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116842410A (zh) * 2023-09-01 2023-10-03 福建赛鲲鹏网络科技有限公司 一种基于动态感知的智能头盔防盗管理方法以及系统
CN116842410B (zh) * 2023-09-01 2023-11-17 福建赛鲲鹏网络科技有限公司 一种基于动态感知的智能头盔防盗管理方法以及系统

Also Published As

Publication number Publication date
CN116451104B (zh) 2023-08-15

Similar Documents

Publication Publication Date Title
US10735809B2 (en) Methods and apparatus to determine a state of a media presentation device
CN107122788B (zh) 一种基于心电信号的身份识别方法及装置
WO2012114080A1 (en) Respiration monitoring method and system
CN116451104B (zh) 一种共享单车头盔容置检测及消杀系统
CN107110743B (zh) 检查数据处理装置以及检查数据处理方法
CN107688553B (zh) 基于小波变换和逻辑回归算法检测心电波形特征的方法
CN105868707B (zh) 一种基于深度图像信息的坠床行为实时检测方法
CN117033911B (zh) 基于智能眼镜数据的计步分析方法
CN113066502B (zh) 基于vmd和多小波的心音分割定位方法
CN117909908B (zh) 一种共享按摩椅的运行状态智能监测方法
Jirachaweng et al. Residual orientation modeling for fingerprint enhancement and singular point detection
CN112690761B (zh) 睡眠状态检测方法、装置、设备及计算机可读介质
CN116473526B (zh) 基于人工智能和物联网的医疗信息采集方法及系统
CN117828282B (zh) 一种基于自适应滤波的数据高效处理方法
CN112837239B (zh) 毫米波雷达的残影消除方法、装置及计算机可读介质
CN116842410B (zh) 一种基于动态感知的智能头盔防盗管理方法以及系统
CN118697277A (zh) 一种麻醉深度的实时监测方法及装置
Naik et al. Comparative analysis of ECG classification using neuro-fuzzy algorithm and multimodal decision learning algorithm: ECG classification algorithm
CN111743668B (zh) 假肢控制方法、装置、电子设备和存储介质
CN109919050A (zh) 身份识别方法和装置
CN112472120B (zh) 心率统计方法、装置、电子设备和存储介质
CN115116050A (zh) 用于增材制造设备的制造件外观在线识别方法
CN116452467B (zh) 基于激光数据的集装箱实时定位方法
US20040068475A1 (en) Physics based neural network trend detector
CN118506767B (zh) 一种用于智慧物业的语音识别方法及系统

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