一种基于机器学习的车辆检测系统及方法技术方案

本申请公开了一种基于机器学习的车辆检测系统及方法，涉及车辆检测技术领域。该检测系统包括通过第一特征数据训练得到的机器学习模型、获取与所述第一特征数据相关联的第二特征数据的特征获取模块、获取与所述第一特征数据满足差异规则的第三特征数据的差异分析模块、基于所述第三特征数据和所述第二特征数据进行机器学习的模型训练模块、基于所述机器学习模型和对车辆上采集到的即时数据进行检测的车辆检测模块。该检测方法适用于该检测系统。本申请通过第一特征数据、第二特征数据以及第三特征数据作为机器学习的训练数据，剔除了因常规出现的冗余数据，同时又确保了可能造成车辆异常的数据能够被训练，进而确保车辆检测结果的精度及可靠性。测结果的精度及可靠性。测结果的精度及可靠性。

【技术实现步骤摘要】
一种基于机器学习的车辆检测系统及方法


[0001]本申请涉及车辆检测
，具体是一种基于机器学习的车辆检测系统及方法。

技术介绍

[0002]相关技术中，车辆安全检查通常采用人工检查方法，一般会对车辆的常用功能进行检查，例如，对燃油、冷却液、制动液、电量、后视镜等的检查。然而，在对车辆进行安全检查的过程中，可能会出现某些功能的遗漏，例如，对轮胎的检查和保养，从而使用户不能及时对车辆的整体健康程度做出正确的判断。而通过智能检测技术完成的车辆检测，例如通过机器学习实现的车辆检测，在机器学习中，在训练数据的数量多时，学习精度变高。作为增加训练数据的方法，但是，如果将从各种各样的设备收集到的数据的全部使用于机器学习，则反而可能会招致学习精度的下降。因此，优化机器学习过程中的训练数据，则可以提高车辆检测结果的精度。

技术实现思路

[0003]本申请的目的在于提供一种基于机器学习的车辆检测系统及方法，以解决上述
技术介绍
中提出的技术问题。
[0004]为实现上述目的，本申请公开了以下技术方案：第一方面，本申请公开了一种基于机器学习的车辆检测系统，包括：通过第一特征数据训练得到的机器学习模型、获取与所述第一特征数据相关联的第二特征数据的特征获取模块、获取与所述第一特征数据满足差异规则的第三特征数据的差异分析模块、基于所述第三特征数据和所述第二特征数据进行机器学习的模型训练模块、基于所述机器学习模型和对车辆上采集到的即时数据进行检测的车辆检测模块；所述模型训练模块完成模型训练任务后对所述机器学习模型进行模型更新，所述模型更新包括将该模型训练任务中使用的第二特征数据和/或第三特征数据补充至所述第一特征数据中，所述差异规则包括预设的特征差异规则和结果差异规则。
[0005]作为优选，所述特征差异规则包括：所述第三特征数据对应的特征数据与所述第一特征数据对应的特征数据至少存在数值差异；其中，所述数值差异包括：或，A1为所述第三特征数据对应的特征数据，A2为所述第一特征数据对应的特征数据。
[0006]作为优选，还包括：用于采集获取所述第二特征数据和所述第三特征数据的数据采集模块。
[0007]作为优选，所述第二特征数据和所述第三特征数据均通过所述数据采集模块在同一时间采集到的至少两个即时数据进行平均后得到。
[0008]作为优选，在对所述即时数据进行平均时，当即时数据M和即时数据N的比值超过预设阈值ρ时，将即时数据M和即时数据N分别作为对应的所述第二特征数据或所述第三特
征数据。
[0009]作为优选，所述模型训练模块基于所述第一特征数据进行迭代训练，训练后得到的机器学习模型包括：获取车辆被检测部件对应的车辆数据；所述车辆数据包括硬件模块数据、软件模块数据和电气数据；通过所述车辆数据和出厂/维护手册中记载的数据生成目标数据集；通过所述目标数据集作为训练特征对神经网络初始模型进行机器学习，得到所述机器学习模型。
[0010]作为优选，所述车辆检测模块将车辆上采集到的即时数据输入所述机器学习模型后，得到所述机器学习模型的输出结果，并将该输出结果作为车辆检测结果。
[0011]第二方面，本申请公开了一种基于机器学习的车辆检测方法，该方法包括模型构建部分和车辆检测部分；所述模型构建部分包括以下步骤：生成第一特征数据，所述第一特征数据包括通过大数据获取的车辆数据和/或通过车辆出厂/维护手册获取的车辆数据；通过第一特征数据训练得到机器学习模型；获取与所述第一特征数据相关联的第二特征数据；获取与所述第一特征数据满足差异规则的第三特征数据；基于所述第三特征数据和所述第二特征数据进行机器学习，并在完成机器学习后对所述机器学习模型进行模型更新，所述模型更新包括将该模型训练任务中使用的第二特征数据和/或第三特征数据补充至所述第一特征数据中，所述差异规则包括预设的特征差异规则和结果差异规则；所述辆检测部分包括以下步骤：基于所述机器学习模型和对车辆上采集到的即时数据进行检测，并获取车辆检测结果。
[0012]作为优选，所述特征差异规则包括：所述第三特征数据对应的特征数据与所述第一特征数据对应的特征数据至少存在数值差异；其中，所述数值差异包括：或，A1为所述第三特征数据对应的特征数据，A2为所述第一特征数据对应的特征数据。
[0013]作为优选，得到的所述机器学习模型包括：获取车辆被检测部件对应的车辆数据；所述车辆数据包括硬件模块数据、软件模块数据和电气数据；通过所述车辆数据和出厂/维护手册中记载的数据生成目标数据集；通过所述目标数据集作为训练特征对神经网络初始模型进行机器学习，得到所述机器学习模型；以及，所述辆检测部分具体包括：将车辆上采集到的即时数据输入所述机器学习模型后，得到所述机器学习模型的输出结果，并将该输出结果作为车辆检测结果。
[0014]有益效果：本申请的基于机器学习的车辆检测系统及方法，通过第一特征数据、第
二特征数据以及第三特征数据作为机器学习的训练数据，剔除了因常规出现的冗余数据，同时又确保了可能造成车辆异常的数据能够被训练，进而确保车辆检测结果的精度及可靠性。
附图说明
[0015]为了更清楚地说明本申请实施例或现有技术中的技术方案，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地介绍，显而易见地，下面描述中的附图仅是本申请的一些实施例，对于本领域技术人员来讲，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他的附图。
[0016]图1为本申请实施例中基于机器学习的车辆检测系统的结构框图；图2为本申请实施例中基于机器学习的车辆检测方法的流程框图。
具体实施方式
[0017]下面将对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0018]在本文中，术语“包括”意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0019]本实施例公开了如图1所示的一种基于机器学习的车辆检测系统，包括：通过第一特征数据训练得到的机器学习模型、获取与所述第一特征数据相关联的第二特征数据的特征获取模块、获取与所述第一特征数据满足差异规则的第三特征数据的差异分析模块、基于所述第三特征数据和所述第二特征数据进行机器学习的模型训练模块、基于所述机器学习模型和对车辆上采集到的即时数据进行检测的车辆检测模块；所述模型训练模块完成模型训练任务后对所述机器学习模型进行模型更新，所述模型更新包括将该模型训练任务中使用的第二特征数据和/或第三特征数据补充至所述第一特征数据中，所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的车辆检测系统，其特征在于，包括：通过第一特征数据训练得到的机器学习模型、获取与所述第一特征数据相关联的第二特征数据的特征获取模块、获取与所述第一特征数据满足差异规则的第三特征数据的差异分析模块、基于所述第三特征数据和所述第二特征数据进行机器学习的模型训练模块、基于所述机器学习模型和对车辆上采集到的即时数据进行检测的车辆检测模块；所述模型训练模块完成模型训练任务后对所述机器学习模型进行模型更新，所述模型更新包括将该模型训练任务中使用的第二特征数据和/或第三特征数据补充至所述第一特征数据中，所述差异规则包括预设的特征差异规则和结果差异规则。2.根据权利要求1所述的基于机器学习的车辆检测系统，其特征在于，所述特征差异规则包括：所述第三特征数据对应的特征数据与所述第一特征数据对应的特征数据至少存在数值差异；其中，所述数值差异包括：或，A1为所述第三特征数据对应的特征数据，A2为所述第一特征数据对应的特征数据。3.根据权利要求1所述的基于机器学习的车辆检测系统，其特征在于，还包括：用于采集获取所述第二特征数据和所述第三特征数据的数据采集模块。4.根据权利要求3所述的基于机器学习的车辆检测系统，其特征在于，所述第二特征数据和所述第三特征数据均通过所述数据采集模块在同一时间采集到的至少两个即时数据进行平均后得到。5.根据权利要求4所述的基于机器学习的车辆检测系统，其特征在于，在对所述即时数据进行平均时，当即时数据M和即时数据N的比值超过预设阈值ρ时，将即时数据M和即时数据N分别作为对应的所述第二特征数据或所述第三特征数据。6.根据权利要求1所述的基于机器学习的车辆检测系统，其特征在于，所述模型训练模块基于所述第一特征数据进行迭代训练，训练后得到的机器学习模型包括：获取车辆被检测部件对应的车辆数据；所述车辆数据包括硬件模块数据、软件模块数据和电气数据；通过所述车辆数据和出厂/维护手册中记载的数据生成目标数据集；通过所述目标数据集作为训练特征对神经网络初始模型进行...

【专利技术属性】
技术研发人员：张辉华，刘涛，雷明龙，林希楠，
申请(专利权)人：深圳市赛特新能科技有限公司，
类型：发明
国别省市：