【技术实现步骤摘要】
本专利技术涉及衡作弊检测的，具体涉及一种基于多模态的无人值守汽车衡作弊检测系统及方法。
技术介绍
1、物联网通信协议是确保各传感器与汽车衡系统之间稳定、可靠数据传输的关键。通过物联网技术实现红外对射传感器、监控摄像机、压力传感器数据协同采集和传输。同时，将实时数据传输到云端实现集中存储和实时分析。物联网技术使实时监测成为可能，监测车辆到达、驾驶室状态、称重数据即时传输、实现远程访问和实时管理。其次，物联网技术实现各传感器数据集成，为多模态检测提供基础，更全面、综合地分析车辆状态和称重数据。最后，物联网技术可扩展性强，方便添加新传感器或模块，灵活应对未来需求和新技术引入。
2、传感器技术是汽车衡作弊检测领域中重要组成部分之一。随着传感器技术的发展，各类传感器产生的数据多种多样，传统单一模态无法覆盖所有信息的问题逐渐凸显，现在的许多相关研究采用单一类型的传感器对数据进行采集，这显然存在一定的局限性，在进行汽车衡作弊检测时无法进行全面分析。尽管人们对汽车衡作弊检测技术进行了大量的研究，并且取得了丰硕的成果，但是针对汽车衡作弊检测仍然面临着许多严峻的问题。
技术实现思路
1、本专利技术的目的在于提供一种基于多模态的无人值守汽车衡作弊检测系统及方法，以克服现有技术中的上述缺陷。
2、一种基于多模态的无人值守汽车衡作弊检测系统，包括
3、红外对射传感器，实时采集车辆到达时间、信号强度等红外信号数据；
4、监控摄像机，全面覆盖汽车衡的驾驶室和称重区
5、压力传感器，实时采集称重数据；
6、数据处理模块，将红外对射传感器、监控摄像机及压力传感器采集到的数据进行处理。
7、一种基于多模态的无人值守汽车衡作弊检测方法，采用了上述所述的基于多模态的无人值守汽车衡作弊检测系统，包括如下步骤：
8、s1、基于红外对射传感器、监控摄像机、压力传感器，对无人值守汽车衡多模态数据实时采集；
9、s2、对各传感器采集的多模态数据分别进行预处理和特征提取；
10、s3、采用不同的数据分析方法，对采集的多模态数据进行学习并训练最终模型；
11、s4、将各数据分析方法的结果输入作弊检测模块，进行综合判定，检测是否存在作弊行为。
12、进一步的，步骤s1中基于多种传感器，对无人值守汽车衡多模态数据实时采集具体包括如下步骤：
13、s11、安装红外对射传感器，覆盖汽车衡的指定称重区域，设置红外传感器灵敏度和采样频率及工作模式，实时采集车辆到达时间、信号强度等红外信号数据；
14、s12、安装监控摄像机，全面覆盖汽车衡的驾驶室和称重区域，设置摄像机帧率、分辨率，实时采集，包括驾驶室内是否有人、驾驶员行为、称重区是否有人等监控摄像机数据；
15、s13、安装压力传感器，均匀分布在汽车衡的称重区域，设置压力传感器参数，实时采集压力传感器称重数据；
16、s14、同步各传感器的数据采集时间戳，将红外对射传感器、监控摄像机、压力传感器的实时数据传输至数据处理模块；
17、进一步的，步骤s2中对各传感器采集的多模态数据分别进行预处理和特征提取具体包括如下步骤：
18、s21、通过中值滤波器对红外对射传感器采集的数据进行滤波，将红外对射传感器采集的数据点用xi表示，xi＝median(xi-w,xi-(w-1),...,xi+w)其中xi是第i个数据点，w是滤波窗口大小；
19、s22、应用滑动平均方法，平滑红外对射传感器采集的数据，减少随机波动，用si表示平滑后的数据，si＝αxi+(1-α)si-1，其中α为平滑系数，xi为原始数据；
20、s23、对平滑后数据进行峰值检测，提取车辆到达相关信息，将红外对射传感器数据中被检测为峰值的位置用peaks表示，peaks＝find_peaks(si,height,distance)其中，si是平滑后的传感器数据，height是峰值的高度阈值，distance是两个峰值之间的最小距离；
21、s24、检测到的peaks被存储为特征数据集用s表示，s＝{s1,s2,...,sn}用于训练多模态模型；
22、s25、通过高斯滤波器去除监控摄像机采集的数据中的噪声，用ismoothed(x,y)表示滤波后的图像，其中i是原始图像，g(i,j)是高斯滤波器的值，i和j是滤波器的空间坐标，k是滤波器的大小，k＝{3,5,7,9}；
23、s26、通过直方图均衡化，提高图像的质量和对比度，直方图均衡化的数据用ir表示，其中l是灰度级别的总数，m×n是图像的总像素数，nj是灰度级别j的像素数；
24、s27、使用cnn模型对图像中的车辆、人等进行分割；
25、s27、将分割后的图像存储为特征数据集用iv表示，i＝{i1,i2,...,in}用于训练多模态模型；
26、s28、通过离散小波变换对压力传感器采集的数据进行变换和去噪，小波变换后的数据用rn表示，rn＝∑k(gk*a2n-k+∑khk*b2n-k)其中gk为小波合成滤波器，hk为小波分析滤波器，a2n-k和b2n-k是小波分解的中间结果；
27、s29、使用指数平滑法对压力传感器采集的数据进行平滑处理；
28、s30、将压力传感器采集数据划分为窗口，对每个个窗口内的数据，提取均值、方差等统计特征，进行傅里叶变换，提取频域特征，通过计算数据的自行关函数，提取时域特征；
29、s31、将提取的特征组合成特征序列，特征序列用r表示，r＝{r1,r2,...,rn}用于训练多模态模型；
30、进一步的，步骤s3中采用不同的数据分析方法，对采集的多模态数据进行学习并训练最终模型具体包括如下步骤：
31、s31、将特征数据集s作为输入，训练svm模型，找到最优超平面w·x-b＝0，最大化两类样本点到超平面的距离即最大化其中w是法向量，x是输入样本s的特征向量，b是偏置项；
32、s32、训练好的svm模型在实时检测红外对射传感器数据时，为数据添加标签用yi表示；
33、s33、将特征数据集iv作为输入，训练带有sigmoid激活函数输出层的cnn模型，其损失函数表示为其中n是样本数量，yi是样本的实际标签，是模型预测的标签概率；
34、s34、训练好的cnn模型在实时检测监测摄像机采集的数据时，为数据添加标签用yv表示；
35、s35、将特征数据集r作为输入，训练带有softmax激活函数输出层的lstm模型，其输出层表示为其中p(yi|x)是数据属于类别i的概率，zi是模型输出的原始分数，k是类别数；
36、s36、训练好的lstm模型在实时检测压力传感器采集的数据时，为数据添加标签用yt表本文档来自技高网...
【技术保护点】
1.一种基于多模态的无人值守汽车衡作弊检测系统，其特征在于，包括
2.一种基于多模态的无人值守汽车衡作弊检测方法，其特征在于，采用了如权利要求1所述的基于多模态的无人值守汽车衡作弊检测系统，包括如下步骤：
3.根据权利要求2所述基于多模态的无人值守汽车衡作弊检测方法，其特征在于，步骤S1中基于多种传感器，对无人值守汽车衡多模态数据实时采集具体包括如下步骤：
4.根据权利要求2所述基于多模态的无人值守汽车衡作弊检测方法，其特征在于，步骤S2中对各传感器采集的多模态数据分别进行预处理和特征提取具体包括如下步骤：
5.根据权利要求2所述基于多模态的无人值守汽车衡作弊检测方法，其特征在于，步骤S3中采用不同的数据分析方法，对采集的多模态数据进行学习并训练最终模型具体包括如下步骤：
6.根据权利要求2所述基于多模态的无人值守汽车衡作弊检测方法，其特征在于，步骤S4中将各数据分析方法的结果输入作弊检测模块，进行综合判定，检测是否存在作弊行为具体包括如下步骤：
【技术特征摘要】
1.一种基于多模态的无人值守汽车衡作弊检测系统，其特征在于，包括
2.一种基于多模态的无人值守汽车衡作弊检测方法，其特征在于，采用了如权利要求1所述的基于多模态的无人值守汽车衡作弊检测系统，包括如下步骤：
3.根据权利要求2所述基于多模态的无人值守汽车衡作弊检测方法，其特征在于，步骤s1中基于多种传感器，对无人值守汽车衡多模态数据实时采集具体包括如下步骤：
4.根据权利要求2所述基于多模态的无人值守汽车衡作弊检测方法，其...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。