[发明专利]基于路面感知数据智能分类的加载车行驶纠偏方法和系统

权利要求书

1.一种基于路面感知数据智能分类的加载车行驶纠偏方法，其特征在于，包括：

获取来自足尺路面上多个高频传感器的原始数据；

根据足尺路面不同高频传感器数据特征构建自适应阈值，对处于加载过程中的传感器数据进行提取，获得多个压力感知数据片段；

将所述多个压力感知数据片段进行可视化转换，获得对应的待分类图像数据；

构建卷积神经网络，其中，所述卷积神经网络包括特征提取单元和特征映射单元，其中，所述特征提取单元用于提取所输入的图像数据的各类特征，包括依次连接的六层卷积层和一层池化层，所述六层卷积层分别采用relu函数对图像数据进行特征提取，获得特征图像，所述池化层用于对所述特征图像进行压缩和传输；所述特征映射单元用于利用所述特征图像与图像类别变迁的映射关系，获得所述特征图像的分类结果，所述特征映射单元包括依次连接的一层平坦层和两层全连接层；

利用经训练的卷积神经网络模型对所述待分类图像数据进行处理，获得所述待分类图像数据的分类结果；

利用所述分类结果获取异常数据对应的时间和空间位置，并对车辆的驾驶轨迹进行提示。

2.根据权利要求1所述的基于路面感知数据智能分类的加载车行驶纠偏方法，其特征在于，根据足尺路面不同高频传感器数据特征构建自适应阈值，对处于加载过程中的传感器数据进行提取，包括：

存储所述多个高频传感器的相关参数，所述相关参数包括数据源格式和传感器的参数信息；

根据当前高频传感器的相关参数自适应设定数据提取所需的数据阈值；

利用所述相关参数和所述数据阈值，对所述待分类原始数据进行提取，提取出处于加载过程中的压力感知数据。

3.根据权利要求2所述的基于路面感知数据智能分类的加载车行驶纠偏方法，其特征在于，根据当前高频传感器的相关参数自适应设定数据提取所需的数据阈值，包括：

提取不同高频传感器数据的描述性指标，至少包括平均值、中位数、众数、最大值、最小值、25百分位数、75百分位数、极差、四分位数极差、离散系数；

通过所述描述性指标综合分析不同高频传感器的数据分布特征，并依据所述数据分布特征自适应地调整不同传感器对应的数据阈值。

4.根据权利要求3所述的基于路面感知数据智能分类的加载车行驶纠偏方法，其特征在于，所述数据阈值包括数据的上极值阈值、下极值阈值，上下极值阈值之间的最大间隔极差阈值、上下极值阈值之间的最小间隔极差阈值。

5.根据权利要求1所述的基于路面感知数据智能分类的加载车行驶纠偏方法，其特征在于，构建卷积神经网络，包括：

构建用于对所述图像数据进行分类的卷积神经网络；

获取来自足尺路面上多个高频传感器的大量原始数据，对所述原始数据中处于加载过程中的压力感知数据进行提取和可视化转换，获得大量图像数据；

对所述大量图像数据进行标注，添加正常标签和异常标签，获得带正常标签或异常标签的大量图像数据以组成所述训练数据集；

利用所述训练数据集对所述卷积神经网络进行训练，获得经训练的卷积神经网络模型。

6.根据权利要求5所述的基于路面感知数据智能分类的加载车行驶纠偏方法，其特征在于，对所述大量图像数据进行标注，添加正常标签和异常标签，包括：

利用人工标注的多张高频传感器数据图像对构建的标注网络进行预训练，实现高频传感器数据图像目标的中间卷积层可视表示并初始化网络参数；利用反向传播标注误差，优化节点权重，以最小化网络误差；更新各节点权重，依次利用反向传播更新各层的节点权重，实现标注网络的参数优化，完成对标注网络的训练；

将待标注的所述大量图像数据输入已经训练好的标注网络中，完成图像的半自动化标注。