一种雨量计算系统和方法技术方案

本发明专利技术实施例提供了一种雨量计算系统及方法，其中雨量计算系统，包括激光雷达、计算单元、信息传输单元以及信息存储单元；所述激光雷达用于采集外界环境的雨量数据；所述计算单元用于采用所述雨量数据设计目标训练模型，和计算得到特征值，根据所述特征值与所述目标训练模型计算得到雨量强度；所述信息传输单元用于接收所述雨量强度，并将所述雨量强度发送至所述信息存储单元；所述信息存储单元用于存储所述雨量强度。本发明专利技术采集精度高，数据传输快；而且可以设置分辨率大小，通过分辨率调整测量范围，扩大测量范围，同时整个系统结构简单，可以安装设置不同的地方，灵活性强。

A Rainfall Calculation System and method

【技术实现步骤摘要】
一种雨量计算系统和方法
本专利技术涉及计算机
，特别是涉及一种雨量计算系统和一种雨量计算方法。
技术介绍
随着汽车的不断普及，越来越多的家庭开始拥有私家车。在驾驶汽车的过程中，汽车会遭遇各种各样的环境挑战，如雨天、雪天等等，均让司机以及乘客承受一定的安全风险。为了能降低安全风险，可以给司机或汽车控制平台更多的环境资讯，以辅助驾驶，提高汽车行驶的安全系数。其中包括在汽车中加装测量装置进行实时测量，或在路边加装测量装置，将测量数据发送至汽车中。但在现有的测量技术中，主要是采用传感器来识别周围环境，而天气情况会对传感器产生负面影响，例如雨雪粘在摄像头的水滴干了之后会留下痕迹，当空气浮粒多时，痕迹会更为明显，过多的痕迹容易使传感器产生误判，如当空气浮粒长时，会形成类似车辆在雨雪天气后车漆的痕迹。如果这些痕迹在摄像头位置，就会严重影响对周围环境的感知。而且，传统的传感器大多基于一些传统电路进行设计，精度较低，同时分辨率也比较低，测量范围窄，时效性低，不能适应自动驾驶高精度的要求。
技术实现思路
鉴于上述问题，提出了本专利技术实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种雨量计算系统和一种雨量计算方法。为了解决上述问题，本专利技术实施例公开了一种雨量计算系统，包括：激光雷达、与所述激光雷达连接的计算单元、与所述计算单元连接的信息传输单元、以及与所述信息传输单元连接的信息存储单元；所述激光雷达用于采集外界环境的雨量数据；所述计算单元用于采用所述雨量数据设计目标训练模型，和计算所述雨量数据得到特征值，根据所述特征值与所述目标训练模型计算得到雨量强度；所述信息传输单元用于接收所述雨量强度，并将所述雨量强度发送至所述信息存储单元；所述信息存储单元用于存储所述雨量强度。可选地，所述计算单元包括神经网络训练模块，以及与所述神经网络训练模块连接的神经网络推理模块；所述神经网络训练模块用于根据所述雨量数据设计目标训练模型，并将所述目标训练模型发送至所述神经网络推理模块；所述神经网络推理模块用于对所述雨量数据进行预处理，计算得到特征值，采用所述特征值与所述目标训练模型计算得到雨量强度。可选地，所述神经网络训练模块包括确定分辨率组件、与所述确定分辨率组件连接的采集数据组件、与所述采集数据组件连接的数据归类组件、以及与所述数据归类组件连接的模型训练组件；所述确定分辨率组件用于定义测量分辨率，所述测量分辨率对应多个雨量区间段；所述采集数据组件用于采集当前环境的高精度雨量数据，所述高精度雨量数据对应一个所述雨量区间段；所述数据归类组件用于根据所述高精度雨量数据，从所述多个所述雨量区间段中确定对应的目标雨量区间段；所述模型训练组件用于根据所述目标雨量区间段更新预设的训练模型，得到目标训练模型。可选地，所述模型训练组件包括：数据标注部件、与所述数据标注部件连接的设计模块部件、与所述设计模型部件连接的训练模型部件、以及与所述训练模型部件连接的模型更新部件；所述数据标注部件用于标注所述目标雨量区间段和所述高精度雨量数据，得到标注数据；所述设计模块部件用于采用预设的全卷积网络和全连接层计算所述标注数据，设计得到计算模型；所述训练模型部件用于采用所述计算模型计算所述高精度雨量数据，生成更新训练模型；所述模型更新部件用于采用所述更新训练模型替换预设的训练模型，得到目标训练模型。可选地，所述特征值包括次序值、光波长、方位角信息；所述神经网络推理模块包括：数据预处理组件、与所述数据预处理组件连接的特征值计算组件、与所述特征值计算组件连接的神经网络计算组件、以及与所述神经网络计算组件连接的数据后处理组件；所述数据预处理组件用于根据预设的数据范围从所述当前雨量数据获取对应的目标雨量数据；所述特征值计算组件用于采用所述目标雨量数据计算次序值、光波长、方位角信息；所述神经网络计算组件用于采用所述次序值、光波长、方位角信息进行矩阵计算，得到多个概率值，每个所述概率值对应一个雨量强度；所述数据后处理组件用于获取数值最大的所述概率值对应的雨量强度。可选地，还包括分别与所述信息存储单元和所述信息传输单元连接的数字轨控制单元；所述数字轨控制单元用于接收所述雨量强度，并根据所述雨量强度生成决策结果。本专利技术实施例还公开了一种雨量计算方法，所述方法包括：获取激光雷达采集的当前环境的雨量数据；采用所述雨量数据分别生成目标训练模型和特征值，根据所述特征值与所述目标训练模型计算得到雨量强度；接收所述雨量强度并存储所述雨量强度。可选地，所述采用所述雨量数据设计目标训练模型，和计算得到特征值，根据所述特征值与所述目标训练模型计算得到雨量强度，包括：根据所述雨量数据设计目标训练模型；对所述雨量数据进行预处理，计算得到特征值，采用所述特征值与所述目标训练模型计算得到雨量强度。可选地，所述根据所述雨量数据设计目标训练模型，包括：定义测量分辨率，所述测量分辨率对应多个雨量区间段；采集当前环境的高精度雨量数据，所述高精度雨量数据对应一个所述雨量区间段；根据所述高精度雨量数据，从所述多个雨量区间段中确定对应的目标雨量区间段；根据所述目标雨量区间段更新预设的训练模型，得到目标训练模型。可选地，所述根据所述目标雨量区间段更新预设的训练模型，得到目标训练模型，包括：标注所述目标雨量区间段和所述高精度雨量数据，得到标注数据；采用预设的全卷积网络和全连接层计算所述标注数据，设计得到计算模型；采用所述计算模型计算所述高精度雨量数据，生成更新训练模型；采用所述更新训练模型替换预设的训练模型，得到目标训练模型。可选地，所述特征值包括次序值、光波长、方位角信息；所述对所述雨量数据进行预处理，计算得到特征值，采用所述特征值与所述目标训练模型计算得到雨量强度，包括：根据预设的数据范围从所述当前雨量数据获取对应的目标雨量数据；采用所述目标雨量数据计算次序值、光波长、方位角信息；采用所述次序值、光波长、方位角信息进行矩阵计算，得到多个概率值，每个所述概率值对应一个雨量强度；获取数值最大的所述概率值对应的雨量强度。可选地，所述方法还包括：接收所述雨量强度，并根据所述雨量强度生成决策结果。本专利技术实施例还公开了一种装置，包括：一个或多个处理器；和其上存储有指令的一个或多个机器可读介质，当由所述一个或多个处理器执行时，使得所述装置执行如上所述的一个或多个的雨量计算方法。本专利技术实施例还公开了一个或多个机器可读介质，其上存储有指令，当由一个或多个处理器执行时，使得所述处理器执行如上所述的一个或多个的雨量计算方法。本专利技术实施例包括以下优点：提出了一种雨量计算系统以及雨量计算方法，其中，雨量计算系本文档来自技高网...

【技术保护点】
1.一种雨量计算系统，其特征在于，包括：激光雷达、与所述激光雷达连接的计算单元、与所述计算单元连接的信息传输单元、以及与所述信息传输单元连接的信息存储单元；/n所述激光雷达用于采集外界环境的雨量数据；/n所述计算单元用于采用所述雨量数据设计目标训练模型，和计算得到特征值，根据所述特征值与所述目标训练模型计算得到雨量强度；/n所述信息传输单元用于接收所述雨量强度，并将所述雨量强度发送至所述信息存储单元；/n所述信息存储单元用于存储所述雨量强度。/n

【技术特征摘要】
1.一种雨量计算系统，其特征在于，包括：激光雷达、与所述激光雷达连接的计算单元、与所述计算单元连接的信息传输单元、以及与所述信息传输单元连接的信息存储单元；
所述激光雷达用于采集外界环境的雨量数据；
所述计算单元用于采用所述雨量数据设计目标训练模型，和计算得到特征值，根据所述特征值与所述目标训练模型计算得到雨量强度；
所述信息传输单元用于接收所述雨量强度，并将所述雨量强度发送至所述信息存储单元；
所述信息存储单元用于存储所述雨量强度。


2.根据权利要求1所述的系统，其特征在于，所述计算单元包括神经网络训练模块，以及与所述神经网络训练模块连接的神经网络推理模块；
所述神经网络训练模块用于根据所述雨量数据设计目标训练模型，并将所述目标训练模型发送至所述神经网络推理模块；
所述神经网络推理模块用于对所述雨量数据进行预处理，计算得到特征值，采用所述特征值与所述目标训练模型计算得到雨量强度。


3.根据权利要求2所述的系统，其特征在于，所述神经网络训练模块包括确定分辨率组件、与所述确定分辨率组件连接的采集数据组件、与所述采集数据组件连接的数据归类组件、以及与所述数据归类组件连接的模型训练组件；
所述确定分辨率组件用于定义测量分辨率，所述测量分辨率对应多个雨量区间段；
所述采集数据组件用于采集当前环境的高精度雨量数据，所述高精度雨量数据对应一个所述雨量区间段；
所述数据归类组件用于根据所述高精度雨量数据，从所述多个所述雨量区间段中确定对应的目标雨量区间段；
所述模型训练组件用于根据所述目标雨量区间段更新预设的训练模型，得到目标训练模型。


4.根据权利要求3所述的系统，其特征在于，所述模型训练组件包括：数据标注部件、与所述数据标注部件连接的设计模块部件、与所述设计模型部件连接的训练模型部件、以及与所述训练模型部件连接的模型更新部件；
所述数据标注部件用于标注所述目标雨量区间段和所述高精度雨量数据，得到标注数据；
所述设计模块部件用于采用预设的全卷积网络和全连接层计算所述标注数据，设计得到计算模型；
所述训练模型部件用于采用所述计算模型计算所述高精度雨量数据，生成更新训练模型；
所述模型更新部件用于采用所述更新训练模型替换预设的训练模型，得到目标训练模型。


5.根据权利要求2所述的系统，其特征在于，所述特征值包括次序值、光波长、方位角信息；
所述神经网络推理模块包括：数据预处理组件、与所述数据预处理组件连接的特征值计算组件、与所述特征值计算组件连接的神经网络计算组件、以及与所述神经网络计算组件连接的数据后处理组件；
所述数据预处理组件用于根据预设的数据范围从所述当前雨量数据获取对应的目标雨量数据；
所述特征值计算组件用于采用所述目标雨量数据计算次序值、光波长、方位角信息；
所述神经网络计算组件用于采用所述次序值、光波长、方位角信息进行矩阵计算，得到多个概率值，每个所述概率值对应一个雨量强度；
所述数据后处理组件用于获取数值最大的所述...

【专利技术属性】
技术研发人员：冯家政，方晓波，张辉，
申请(专利权)人：新奇点企业管理集团有限公司，
类型：发明
国别省市：浙江;33