一种基于深度学习的物体往复运动距离评估方法技术

本发明专利技术涉及一种基于深度学习的物体往复运动距离评估方法，包括以下步骤：数据采样，采集物体运动加速度变化数据；分割出脉冲形式的按压波形；修正数据标签，以便清晰地看出曲线的离散情况；数据标注，整合所有脉冲波形数据，计算每条波形加权均方差，根据上述正确和异常波形的整体加权均方差范围标记单个波形正常或异常，标记完成后，打乱数据集，按照一定比例挑选出训练集与测试集；建立卷积神经网络模型进行训练，调试参数，优化模型，保存模型到文件，供后续往复运动距离评估使用；数据评估，在训练好的卷积神经网络模型中放入待评估数据,评估结果为正常或是异常；输出评估结果，评估物体运动距离是否合适。

【技术实现步骤摘要】
一种基于深度学习的物体往复运动距离评估方法
本专利技术涉及一种物体运动距离评估方法，尤其是规律性的按压运动下的一种基于深度学习的物体往复运动距离评估方法。
技术介绍
距离的测量是当代生产实践中经常遇到的问题，当前在位移测量领域使用最多的是位移传感器。现有基于传感器的距离计算主要基于加速度传感器，通过计算速度，然后计算距离。近年来这些方法由于不考虑软件校准，计算距离过长，导致误差过大，在距离计算中很少使用。软件校准和采样距离是判断近距离移动的重要根据，但是有很多问题。首先，采样简单，大多是通过传感器直接获取，受到噪声误差和计算累积误差影响，不能较准确的计算距离；其次，采样频率直接导致计算误差，不能结合场景里目标运动信息，因此只依赖它是不可靠的。此外，由于位移传感器本身体积偏大，安装较为困难并且随着整个装置的运动无法找到一个稳定的固定点，而在按压过程中需要在短时间内连续多次按压，难免存在测距遮挡、抖动等问题，现有方法没有办法满足按压深度检测对元器件微型化、便携化、低功耗等要求，同时多数情况下按压测距难以达到毫米级的高精度。因此如何更精确地评估物体往复运动距离并使之能够应用在嵌入式设备上是我们研究的核心。
技术实现思路
基于上述分析,本专利技术的目的是要提供一种基于深度学习的物体往复运动距离评估方法，在物体做规律往复运动时，评估物体运动距离是否合适。本专利技术采用的技术方案是：一种基于深度学习的物体往复运动距离评估方法，包括以下步骤：步骤1：数据采样，以实验所需要求按压位移检测装置，采集物体运动加速度变化数据，读取3-5秒静止加速度传感器的读取值，存入用大小为k的数组构建的滑动窗口，作为校准初始值，以校准初始值的平均值作为测量标准值，然后继续读数，将读取值存入滑动窗口，循环覆盖最早读入的数据，保持滑动窗口存储的数据是最后读入k个数据，每读取一个数据就利用滑动窗口中的k个数据对读取值进行滤波；同时，在滑动窗口中对读取值和滤波值都进行突变阈值检测，在滤波值出现15％-20％地心向变化时，断定为突变阈值，写入突变阈值变量，记录该点在滑动窗口中的位置为突变阈值位置；如果使用模拟加速度计，受电流噪声影响过大时，突变阈值在10％-25％之间；步骤2：有规律的按压将形成有规律脉冲形式的按压波形，分割出脉冲形式的按压波形；按压波形分割方法是从突变阈值位置开始，对滑动窗口中突变阈值位置的前序数据，以步长1-5的阶跃判断，追溯到最大的、不大于测量标准值的采样值的位置，以该点为按压波形起始点，最多追溯30个采样值；向后追溯到越过最高值点后的第一个标准值采样点，该点位置为按压波形终止点，最多追溯不超过200个采样值；对按压起始点和按压终止点之间这段波形的梯度、幅高和幅宽进行计算，根据按压波形幅值和幅宽近似的特点，筛选出满足以下条件的波形作为切割得到的按压波形，其中幅高范围在5cm-6cm之间，幅宽范围在60-200个采样点之间；梯度满足反向—正向—反向变化规律，表现为二阶导数存在两个极值点且极小值点min1在极大值点max2前面；上述2个点与横坐标位于此两者之间的曲线的均值点stdval构成3个斜率,即min1与stdval的斜率，stdval与max2的斜率，min1与max2的斜率；步骤3：修正数据标签，将所有波形曲线以最大值为对齐点进行堆叠，以便清晰地看出曲线的离散情况；采集曲线上若干个点的加速度数据，计算加权方差，比较所有曲线加权方差大小，得到正常的波形与异常的波形的加权方差取值范围，以此修正实际过程中加速度传感器采集数据时测距遮挡、抖动以及精度未能达到毫米级等造成的数据标签可信度不高的问题；步骤4：数据标注，整合所有脉冲波形数据，计算每条波形加权均方差，根据上述正确和异常波形的整体加权均方差范围标记单个波形正常或异常，标记完成后，打乱数据集，按照一定比例挑选出训练集与测试集；步骤5：建立卷积神经网络模型进行训练，调试参数，优化模型，保存模型到文件，供后续往复运动距离评估使用；步骤6：数据评估，在训练好的卷积神经网络模型中放入待评估数据，数据组织为按时序排列的加速度数据，采样点数目为N个，N×1的数组结构输入模型,评估结果为正常或是异常；步骤7：输出评估结果，评估物体运动距离是否合适。步骤1中所述的滤波处理，使用低通控幅滤波，滤波参数为0.02-0.2之间，过滤不合适的白噪声和锤击异常；采用中值滤波抑制高频毛刺，选取5-30宽度进行过滤，以实际应用效果进行参数选取。步骤2中，幅宽PW使用以下公式进行判断：150ms/每次采样时间≤PW≤420ms/每次采样时间公式(1)幅宽范围应当在上述区间内，否则判断为锤击或按压过缓。步骤2中，幅高PH判断，不同传感器使用的值不同，主要是因为加速度感知的数据不同，在加速度a上反映不同，导致计算有差异，使用逆推公式：其中，n表示采样数，a为采样值，t为采样周期，t的选取值为300-450ms，求解a值判断，范围应当在上述区间内，否则判断为按压不足或过深。步骤2中，梯度判断，包括以下步骤：步骤2.1梯度计算：对滑动窗口计算，计算结果存入伴随滑动窗口C中，C中数据使用如下公式计算：Ci＝(Bi+d-Bi)/d公式(3)其中，d表示两采样点的间隔距离，选取值在1-50之间；步骤2.2对梯度变化规律进行判断，一个脉冲中梯度变化：反向—正向—反向的变化，其中，反向为向下，负值，不符合则是按压释放还原过程；表现为二阶导为存在两个极值点；反向移动长度高于正向，表示按压过程比释放过程耗时更长；计算使用滑动窗口C同步窗口D，梯度值小于零标-1，大于零标1，两者比例为sum(-1)>sum(1)；步骤2.3梯度值特征识别，在一个脉冲采样中，因极小值点min1在极大值点max2前面，则二者与标准值stdval形成3个斜率；这三个特征值需要根据实际值进行修正，因为是模拟实验的结果，下列公式为三轴加速度计ADXL345按5ms采样的典型值，即：斜率1满足：(min1-stdval)/(min1-stdval)∈[1.3，3]，斜率2满足：(max2-min1)/(max2-min1)∈[1.5，8]，斜率3满足：(max2-stdval)/(max2-stdval)∈[1.5，6]。步骤5中，所述的卷积神经网络详细情况是：第一层输入层为一个batchsize的输入波形序列数据，设所有数据划分为m个batch，每轮训练输入一个batch至卷积神经网络中，m轮之后打乱数据集再次重新划分为m个batch，以此反复；第二层卷积层Conv1：实现一维卷积以及RectifiedLinearActivation和L1、L2正则化；第三层批标准化层BatchNormalization1：数据局部标准化；第四层平均池化层Pool1：AveragePooling1；第五层是卷积层Conv2：实现卷积以及RectifiedLinearActi本文档来自技高网...

【技术保护点】
1.一种基于深度学习的物体往复运动距离评估方法，其特征在于，包括以下步骤：/n步骤1：数据采样，以实验所需要求按压位移检测装置，采集物体运动加速度变化数据，读取3-5秒静止加速度传感器的读取值，存入用大小为k的数组构建的滑动窗口，作为校准初始值，以校准初始值的平均值作为测量标准值，然后继续读数，将读取值存入滑动窗口，循环覆盖最早读入的数据，保持滑动窗口存储的数据是最后读入k个数据，每读取一个数据就利用滑动窗口中的k个数据对读取值进行滤波；同时，在滑动窗口中对读取值和滤波值都进行突变阈值检测，在滤波值出现15％-20％地心向变化时，断定为突变阈值，写入突变阈值变量，记录该点在滑动窗口中的位置为突变阈值位置；如果使用模拟加速度计，受电流噪声影响过大时，突变阈值在10％-25％之间；/n步骤2：有规律的按压将形成有规律脉冲形式的按压波形，分割出脉冲形式的按压波形；按压波形分割方法是从突变阈值位置开始，对滑动窗口中突变阈值位置的前序数据，以步长1-5的阶跃判断，追溯到最大的、不大于测量标准值的采样值的位置，以该点为按压波形起始点，最多追溯30个采样值；向后追溯到越过最高值点后的第一个标准值采样点，该点位置为按压波形终止点，最多追溯不超过200个采样值；对按压起始点和按压终止点之间这段波形的梯度、幅高和幅宽进行计算，根据按压波形幅值和幅宽近似的特点，筛选出满足以下条件的波形作为切割得到的按压波形，其中幅高范围在5cm-6cm之间，幅宽范围在60-200个采样点之间；梯度满足反向—正向—反向变化规律，表现为二阶导数存在两个极值点且极小值点min1在极大值点max2前面；上述2个点与横坐标位于此两者之间的曲线的均值点stdval构成3个斜率,即min1与stdval的斜率，stdval与max2的斜率，min1与max2的斜率；/n步骤3：修正数据标签，将所有波形曲线以最大值为对齐点进行堆叠，以便清晰地看出曲线的离散情况；采集曲线上若干个点的加速度数据，计算加权方差，比较所有曲线加权方差大小，得到正常的波形与异常的波形的加权方差取值范围，以此修正实际过程中加速度传感器采集数据时测距遮挡、抖动以及精度未能达到毫米级等造成的数据标签可信度不高的问题；/n步骤4：数据标注，整合所有脉冲波形数据，计算每条波形加权均方差，根据上述正确和异常波形的整体加权均方差范围标记单个波形正常或异常，标记完成后，打乱数据集，按照一定比例挑选出训练集与测试集；/n步骤5：建立卷积神经网络模型进行训练，调试参数，优化模型，保存模型到文件，供后续往复运动距离评估使用；/n步骤6：数据评估，在训练好的卷积神经网络模型中放入待评估数据，数据组织为按时序排列的加速度数据，采样点数目为N个，N×1的数组结构输入模型,评估结果为正常或是异常；/n步骤7：输出评估结果，评估物体运动距离是否合适。/n...

【技术特征摘要】
1.一种基于深度学习的物体往复运动距离评估方法，其特征在于，包括以下步骤：
步骤1：数据采样，以实验所需要求按压位移检测装置，采集物体运动加速度变化数据，读取3-5秒静止加速度传感器的读取值，存入用大小为k的数组构建的滑动窗口，作为校准初始值，以校准初始值的平均值作为测量标准值，然后继续读数，将读取值存入滑动窗口，循环覆盖最早读入的数据，保持滑动窗口存储的数据是最后读入k个数据，每读取一个数据就利用滑动窗口中的k个数据对读取值进行滤波；同时，在滑动窗口中对读取值和滤波值都进行突变阈值检测，在滤波值出现15％-20％地心向变化时，断定为突变阈值，写入突变阈值变量，记录该点在滑动窗口中的位置为突变阈值位置；如果使用模拟加速度计，受电流噪声影响过大时，突变阈值在10％-25％之间；
步骤2：有规律的按压将形成有规律脉冲形式的按压波形，分割出脉冲形式的按压波形；按压波形分割方法是从突变阈值位置开始，对滑动窗口中突变阈值位置的前序数据，以步长1-5的阶跃判断，追溯到最大的、不大于测量标准值的采样值的位置，以该点为按压波形起始点，最多追溯30个采样值；向后追溯到越过最高值点后的第一个标准值采样点，该点位置为按压波形终止点，最多追溯不超过200个采样值；对按压起始点和按压终止点之间这段波形的梯度、幅高和幅宽进行计算，根据按压波形幅值和幅宽近似的特点，筛选出满足以下条件的波形作为切割得到的按压波形，其中幅高范围在5cm-6cm之间，幅宽范围在60-200个采样点之间；梯度满足反向—正向—反向变化规律，表现为二阶导数存在两个极值点且极小值点min1在极大值点max2前面；上述2个点与横坐标位于此两者之间的曲线的均值点stdval构成3个斜率,即min1与stdval的斜率，stdval与max2的斜率，min1与max2的斜率；
步骤3：修正数据标签，将所有波形曲线以最大值为对齐点进行堆叠，以便清晰地看出曲线的离散情况；采集曲线上若干个点的加速度数据，计算加权方差，比较所有曲线加权方差大小，得到正常的波形与异常的波形的加权方差取值范围，以此修正实际过程中加速度传感器采集数据时测距遮挡、抖动以及精度未能达到毫米级等造成的数据标签可信度不高的问题；
步骤4：数据标注，整合所有脉冲波形数据，计算每条波形加权均方差，根据上述正确和异常波形的整体加权均方差范围标记单个波形正常或异常，标记完成后，打乱数据集，按照一定比例挑选出训练集与测试集；
步骤5：建立卷积神经网络模型进行训练，调试参数，优化模型，保存模型到文件，供后续往复运动距离评估使用；
步骤6：数据评估，在训练好的卷积神经网络模型中放入待评估数据，数据组织为按时序排列的加速度数据，采样点数目为N个，N×1的数组结构输入模型,评估结果为正常或是异常；
步骤7：输出评估结果，评估物体运动距离是否合适。


2.根据权利要求1所述的一种基于深度学习的物体往复运动距离评估方法，其特征在于，步骤1中所述的滤波处理，使用低通控幅滤波，滤波参数为0.02-0.2之间，过滤不合适的白噪声和锤击异常；采用中值滤波抑制高频毛刺，选取5-30宽度进行过滤，以实际应用效果进行参数选取。


3.根据权利要求1所述的一种基于深度学习的物体往复运动距离评估方法，其特征在于，步骤2中，幅宽PW使用以下公式进行判断：
150ms/每次采样时间≤PW≤420ms/每次采样...

【专利技术属性】
技术研发人员：刘世杰，鲍宇，杨轩，殷佳豪，王克重，朱紫维，
申请(专利权)人：中国矿业大学，江苏高泰软件技术有限公司，
类型：发明
国别省市：江苏;32