载荷重心偏移的智能监测系统及其方法与流程

本技术涉及智能监测领域，且更为具体地，涉及一种载荷重心偏移的智能监测系统及其方法。

背景技术：

1、目前，对于机动车的超载，主要采用静态的地磅检测法，但该方法设置的地磅成本较高、且受安置地理位置的影响，机动车需要行驶到设置有地磅的位置才能进行检测。

2、对此，专利cn 102566542b提供了一种机动车载荷安全监测系统及方法来解决上述问题。在该专利的技术方案中，通过安装传感器来采集车体载荷的模拟信号，并对所感知到的模拟信号进行放大、滤波和数字转换，并基于所得到的车载载荷数字值与预定阈值之间的比较来判断载荷的偏移量是否超过安全标准。但是所采集的模拟信号存在诸多噪声，信号处理的质量会影响判断的精准度。因此，期待一种优化的方案。

技术实现思路

1、为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种载荷重心偏移的智能监测系统及其方法，其通过利用深度学习和人工智能技术，直接从模拟信号作为输入来判断，而无需进行模数转化，这样避免信号处理带来的误差。通过这样的方式来实现对机动车载荷的实时监测和判断，避免超载对道路交通安全造成的潜在威胁。

2、根据本技术的一个方面，提供了一种载荷重心偏移的智能监测系统，其包括：

3、模拟信号采集单元，用于获取由传感器采集的车体载荷模拟信号；

4、滑窗采样单元，用于对所述车体载荷模拟信号进行基于采样窗的滑窗采样以得到多个车体载荷模拟采样窗；

5、特征过滤单元，用于将所述多个车体载荷模拟采样窗分别通过作为过滤器的卷积神经网络模型以得到多个车体载荷模拟采样窗波形特征向量；

6、上下文全局特征提取单元，用于将所述多个车体载荷模拟采样窗波形特征向量通过基于转换器的上下文编码器以得到车体载荷模拟波形全局特征向量；

7、多尺度局部特征提取单元，用于将所述多个车体载荷模拟采样窗波形特征向量排列为一维特征向量后通过包含第一卷积层和第二卷积层的局部关联特征提取器以得到车体载荷模拟波形局部关联特征向量；

8、融合单元，用于融合所述车体载荷模拟波形全局特征向量和所述车体载荷模拟波形局部关联特征向量以得到分类特征向量；以及

9、监测结果生成单元，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示载荷偏移是否超过预定安全范围。

10、在上述载荷重心偏移的智能监测系统中，所述作为过滤器的卷积神经网络模型包含输入层、第一卷积层、第一激活函数、第一池化层、第二卷积层、第二激活函数、第二池化层、全连接层、第三激活函数和输出层。

11、在上述载荷重心偏移的智能监测系统中，所述第一卷积层使用16个大小为3x3的卷积核，步幅为1，所述第二卷积层使用32个大小为3x3的卷积核，步幅为1，所述第一激活函数、所述第二激活函数和所述第三激活函数使用relu，所述第一池化层和所述第二池化层都使用最大池化，池化大小为2x2，步幅为2。

12、在上述载荷重心偏移的智能监测系统中，所述上下文全局特征提取单元，包括：查询向量构造子单元，用于将所述多个车体载荷模拟采样窗波形特征向量进行一维排列以得到全局车体载荷模拟采样窗波形特征向量；自注意子单元，用于计算所述全局车体载荷模拟采样窗波形特征向量与所述多个车体载荷模拟采样窗波形特征向量中各个车体载荷模拟采样窗波形特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵；标准化子单元，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；关注度计算子单元，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过softmax分类函数以得到多个概率值；注意力施加子单元，用于分别以所述多个概率值中各个概率值作为权重对所述多个车体载荷模拟采样窗波形特征向量中各个车体载荷模拟采样窗波形特征向量进行加权以得到所述多个上下文语义车体载荷模拟采样窗波形特征向量；以及，级联子单元，用于将所述多个上下文语义车体载荷模拟采样窗波形特征向量进行级联以得到所述车体载荷模拟波形全局特征向量。

13、在上述载荷重心偏移的智能监测系统中，所述多尺度局部特征提取单元，包括：第一尺度局部特征提取子单元，用于将所述一维特征向量输入所述局部关联特征提取器的第一卷积层以得到第一尺度车体载荷模拟波形局部关联特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二尺度局部特征提取子单元，用于将所述一维特征向量输入所述局部关联特征提取器的第二卷积层以得到第二尺度车体载荷模拟波形局部关联特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，多尺度级联子单元，用于将所述车体载荷模拟波形局部关联特征向量和所述车体载荷模拟波形局部关联特征向量进行级联以得到所述车体载荷模拟波形局部关联特征向量。其中，所述第一尺度局部特征提取子单元，用于：使用所述局部关联特征提取器的第一卷积层以如下一维卷积公式对所述一维特征向量进行一维卷积编码以得到所述第一尺度车体载荷模拟波形局部关联特征向量；其中，所述公式为：

14、

15、其中，a为第一卷积核在x方向上的宽度、f(a)为第一卷积核参数向量、g(x-a)为与卷积核函数运算的局部向量矩阵，w为第一一维卷积核的尺寸，x表示所述一维特征向量，cov(x)表示对所述一维特征向量进行一维卷积编码；以及，所述第二尺度局部特征提取子单元，用于：使用所述局部关联特征提取器的第二卷积层以如下一维卷积公式对所述一维特征向量进行一维卷积编码以得到所述第二尺度车体载荷模拟波形局部关联特征向量；其中，所述公式为：

16、

17、其中，b为第二卷积核在x方向上的宽度、f(b)为第二卷积核参数向量、g(x-b)为与卷积核函数运算的局部向量矩阵，m为第二一维卷积核的尺寸，x表示所述一维特征向量，cov(x)表示对所述一维特征向量进行一维卷积编码。

18、在上述载荷重心偏移的智能监测系统中，所述监测结果生成单元，包括：全连接编码子单元，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类结果生成子单元，用于将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。

19、在上述载荷重心偏移的智能监测系统中，还包括用于对所述作为过滤器的卷积神经网络模型、所述基于转换器的上下文编码器、所述包含第一卷积层和第二卷积层的局部关联特征提取器和所述分类器进行训练的训练模块。

20、在上述载荷重心偏移的智能监测系统中，所述训练模块，包括：训练数据获取单元，用于获取训练数据，所述训练数据包括由传感器采集的训练车体载荷模拟信号，以及，载荷偏移是否超过预定安全范围的真实值；训练滑窗采样单元，用于对所述训练车体载荷模拟信号进行基于采样窗的滑窗采样以得到多个训练车体载荷模拟采样窗；训练特征过滤单元，用于将所述多个训练车体载荷模拟采样窗分别通过所述作为过滤器的卷积神经网络模型以得到多个训练车体载荷模拟采样窗波形特征向量；训练上下文全局特征提取单元，用于将所述多个训练车体载荷模拟采样窗波形特征向量通过所述基于转换器的上下文编码器以得到训练车体载荷模拟波形全局特征向量；训练多尺度局部特征提取单元，用于将所述多个训练车体载荷模拟采样窗波形特征向量排列为一维特征向量后通过所述包含第一卷积层和第二卷积层的局部关联特征提取器以得到训练车体载荷模拟波形局部关联特征向量；训练融合单元，用于融合所述训练车体载荷模拟波形全局特征向量和所述训练车体载荷模拟波形局部关联特征向量以得到训练分类特征向量；分类损失单元，用于将所述训练分类特征向量通过分类器以得到分类损失函数值；伪循环差异惩罚因数运算单元，用于计算所述训练车体载荷模拟波形全局特征向量和所述训练车体载荷模拟波形局部关联特征向量的伪循环差异惩罚因数；以及，训练单元，用于以所述分类损失函数值和所述伪循环差异惩罚因数的加权和作为损失函数值，并通过梯度下降的方向传播来对所述作为过滤器的卷积神经网络模型、所述基于转换器的上下文编码器、所述包含第一卷积层和第二卷积层的局部关联特征提取器和所述分类器进行训练。

21、在上述载荷重心偏移的智能监测系统中，所述伪循环差异惩罚因数运算单元，用于：以如下损失公式计算所述训练车体载荷模拟波形全局特征向量和所述训练车体载荷模拟波形局部关联特征向量的伪循环差异惩罚因数作为所述伪循环差异惩罚损失函数值；其中，所述损失公式为：

22、

23、其中，v1是所述训练车体载荷模拟波形全局特征向量，v2是所述训练车体载荷模拟波形局部关联特征向量，d(v1，v2)为所述训练车体载荷模拟波形全局特征向量和所述训练车体载荷模拟波形局部关联特征向量之间的距离矩阵，||·||f表示矩阵的frobenius范数，l是特征向量的长度，d(v1，v2)是所述训练车体载荷模拟波形全局特征向量和所述训练车体载荷模拟波形局部关联特征向量之间的距离，||·||2是向量的二范数，log表示以2为底的对数函数值，且α和β为加权超参数，是所述伪循环差异惩罚损失函数值。

24、根据本技术的另一方面，提供了一种载荷重心偏移的智能监测方法，其包括：

25、取由传感器采集的车体载荷模拟信号；

26、对所述车体载荷模拟信号进行基于采样窗的滑窗采样以得到多个车体载荷模拟采样窗；

27、将所述多个车体载荷模拟采样窗分别通过作为过滤器的卷积神经网络模型以得到多个车体载荷模拟采样窗波形特征向量；

28、将所述多个车体载荷模拟采样窗波形特征向量通过基于转换器的上下文编码器以得到车体载荷模拟波形全局特征向量；

29、将所述多个车体载荷模拟采样窗波形特征向量排列为一维特征向量后通过包含第一卷积层和第二卷积层的局部关联特征提取器以得到车体载荷模拟波形局部关联特征向量；

30、融合所述车体载荷模拟波形全局特征向量和所述车体载荷模拟波形局部关联特征向量以得到分类特征向量；以及

31、将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示载荷偏移是否超过预定安全范围。

32、根据本技术的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的载荷重心偏移的智能监测方法。

33、根据本技术的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的载荷重心偏移的智能监测方法。

34、与现有技术相比，本技术提供的一种载荷重心偏移的智能监测系统及其方法，其通过利用深度学习和人工智能技术，直接从模拟信号作为输入来判断，而无需进行模数转化，这样避免信号处理带来的误差。通过这样的方式来实现对机动车载荷的实时监测和判断，避免超载对道路交通安全造成的潜在威胁。