基于深度卷积神经网络的超声波测距补偿方法技术

本发明专利技术公开了一种基于深度卷积神经网络的超声波测距补偿方法，该方法包括：测量多组不同距离数据、温度、湿度、气压以及粉尘浓度数据情况下的超声波传感器与目标物体间的真实距离，构建距离数据库；构建并训练深度卷积神经网络模型；针对待测距的目标物体，由超声波传感器测量距离数据，并测量温度、湿度、气压、粉尘浓度数据，将这些测量数据输入至训练好的神经网络模型，输出对超声波传感器测量的距离数据补偿后的距离数据。本发明专利技术综合考虑温度、湿度、气压、粉尘浓度多种环境因素对超声波测距的影响来构建深度卷积神经网络模型，可以有效避免由于超声波测距时复杂环境因素引入的测量误差，具有较好的抗干扰能力，能够获得更精确的距离测量值。

【技术实现步骤摘要】
基于深度卷积神经网络的超声波测距补偿方法
本专利技术涉及测距
，特别涉及一种基于深度卷积神经网络的超声波测距补偿方法。
技术介绍
电梯行业是关系到民生安全的重要领域，其中，对电梯轿厢地坎与电梯井道内表面距离的测量，是电梯技术参数检验中重要的一环。在标准GB7588-2003电梯制造与安装安全规范中对相关参数进行了规定：电梯井道内表面与轿厢地坎、轿厢门框架或滑动门的最近门口边沿的水平距离不应大于0.15m。由于电梯井道环境具有一定特殊性，在使用超声波测距时容易受到温度、湿度、气压以及空气中粉尘浓度的影响，导致测量值存在误差。对于这些环境因素导致的测距误差需要通过特殊方式进行误差补偿，但现今方法考虑的补偿因素均只有温度和湿度两种。近年来人工智能方法获得了广泛的认可和应用，如神经网络、模糊逻辑、模糊神经和遗传算法等，这些方法可以很好地处理超声波测距误差中的非线性和不确定性，但在超声波误差补偿研究方面还只是停留在使用BP神经网络来实现，其效率和准确性并不够高。深度卷积神经网络作为一种先进的人工智能技术，能从已知的数据中进行训练，获得自主分本文档来自技高网...

【技术保护点】
1.基于深度卷积神经网络的超声波测距补偿方法，其特征在于，所述方法包括以下步骤：/n步骤1，测量多组不同距离数据、温度、湿度、气压以及粉尘浓度数据情况下的超声波传感器与目标物体间的真实距离，构建距离数据库；所述距离数据库包括所述距离数据、温度、湿度、气压、粉尘浓度数据以及真实距离；所述距离数据为超声波传感器测量的其与目标物体的距离；/n步骤2，构建深度卷积神经网络模型，并基于所述距离数据库训练所述深度卷积神经网络模型；/n步骤3，针对待测距的目标物体，由超声波传感器测量距离数据，并测量目标物体当前所处的温度、湿度、气压、粉尘浓度数据，将这些测量数据输入至训练好的神经网络模型中，输出对超声波传感...

【技术特征摘要】
1.基于深度卷积神经网络的超声波测距补偿方法，其特征在于，所述方法包括以下步骤：
步骤1，测量多组不同距离数据、温度、湿度、气压以及粉尘浓度数据情况下的超声波传感器与目标物体间的真实距离，构建距离数据库；所述距离数据库包括所述距离数据、温度、湿度、气压、粉尘浓度数据以及真实距离；所述距离数据为超声波传感器测量的其与目标物体的距离；
步骤2，构建深度卷积神经网络模型，并基于所述距离数据库训练所述深度卷积神经网络模型；
步骤3，针对待测距的目标物体，由超声波传感器测量距离数据，并测量目标物体当前所处的温度、湿度、气压、粉尘浓度数据，将这些测量数据输入至训练好的神经网络模型中，输出对超声波传感器测量的距离数据补偿后的距离数据。


2.根据权利要求1所述的基于深度卷积神经网络的超声波测距补偿方法，其特征在于，步骤1中所述超声波传感器与目标物体间的真实距离通过测距仪测量获得。


3.根据权利要求1所述的基于深度卷积神经网络的超声波测距补偿方法，其特征在于，步骤2所述深度卷积神经网络模型包括：
一个输入层，用于接收超声波传感器的数据；
第一卷积模块，包括多级第一卷积层、第一池化层以及第一全连接层，第一级所述第一卷积层连接所述输入层，每个第一卷积层后均连接一个第一池化层，最后一级的第一卷积层后连接多个连续的第一全连接层；
第二卷积模块，包括多级第二卷积层、第二池化层、第二全连接层，第一级所述第二卷积层连接所述第一卷积模块的最后一个第一全连接层，每个第二卷积层后连接一个第二池化层，最后一级的第二卷积层后连接多个连续的第二全连接层。


4.根据权利要求3所述的基于深度卷积神经网络的超声波测距补偿方法，其特征在于，所述第一卷积模块、第二卷积模块的卷积层和池化层数量均为7层，全连接层数量均为3...

【专利技术属性】
技术研发人员：张永举，吴益飞，顾旭波，吴鑫煜，陈子威，刘洋，张宇，
申请(专利权)人：江苏省特种设备安全监督检验研究院，南京理工大学，
类型：发明
国别省市：江苏;32