【技术实现步骤摘要】
【国外来华专利技术】
技术介绍
1、已经提出了一种用于检测设备的方法，其中，该检测设备被设置为：非破坏性地检测布置在检查背景之内的对象的检测信号。
技术实现思路
1、本专利技术基于一种用于检测设备的方法，其中，该检测设备被设置为：非破坏性地检测布置在检查背景之内的对象的检测信号。
2、提出：在该方法的至少一个方法步骤中，基于机器学习过程，将该检测信号分配给检测结果，以便输出该检测结果和/或使用该检测结果来设置该检测设备。该方法优选地包括应用阶段。在应用阶段，在该方法的至少一个检测步骤中，由检测设备的传感器单元来检测该检测信号。在应用阶段，在该方法的至少一个评估步骤中，由评估单元来评估该检测信号。评估单元优选地是检测设备的计算单元或者替选地是外部计算系统，该外部计算系统具有与检测设备的数据连接、尤其是无线电波绑定的数据连接，尤其是互联网服务器。在应用阶段，该检测结果优选地由检测设备的输出单元和/或由外部输出设备(例如智能电话、平板电脑等)输出给检测设备的用户。附加地或替选地，在应用阶段，在该方法的设置步骤中，由检测设备的计算单元使用该检测结果，以便改变检测设备的设置，尤其是以便以检测设备、尤其是传感器单元的与对象和/或背景匹配的设置来重复该检测步骤。
3、该方法优选地包括学习阶段。在学习阶段，在该方法的数据采集步骤中，收集该检测信号的示例值(所谓的训练数据)。这些示例值可以由该检测设备的传感器单元检测，由另一检测设备的传感器单元检测，由模拟来生成，从所记录的数据集中读出，等等。在
4、机器学习过程是来自机器学习领域的一种算法，用于优选地基于这些示例值来创建该模型。机器学习过程优选地包括神经网络和/或分类方法。机器学习过程可以包括监督学习和/或无监督学习。该方法优选地包括分配步骤，在该分配步骤中，给该检测信号的示例值分配至少一个评估参数。该检测结果可以与一个评估参数相同，包括多个评估参数或者根据这些评估参数来被确定。在监督学习的情况下，针对示例值的评估参数、尤其是全体评估参数在学习过程期间指示：该模型应该将该示例值映射到哪个检测结果。在无监督学习的情况下，评估参数随后被分配给通过该学习过程所确定的在这些示例值中的结构。分配步骤可以手动执行或者在数据采集步骤的过程中自动化地执行。评估参数例如可以描述检查背景的性质、对象的类型、对象的尺寸、对象在检查背景中的深度等等。例如，当在具有已知对象的已知检查背景上检测该检测信号的示例值时，评估参数可以是已知的。检查背景和/或对象例如可以通过在实验室中利用检测设备重建检测情况或者通过对检测情况的基于计算机的模拟来规定，和/或可以从施工计划中获取。评估参数例如可以由外部传感器装置来检测，该外部传感器装置包括其它、尤其是侵入式的和/或由于检测设备的有限的结构空间而无法集成到检测设备中的和/或比检测设备的传感器单元更准确的传感器。
5、该检测设备在应用阶段期间尤其被设置为：被放置在检查背景上和/或在检查背景上移动，以便检测该对象。“非破坏性”尤其应该被理解为检查背景和对象没有永久改变、尤其是没有损坏。该检测设备尤其是非侵入式地检测该对象。优选地，传感器单元在检测步骤中生成信号，并且将该信号发送到检查背景中，尤其是作为电磁波或作为电磁场，其中，传感器单元检测该信号的由于检查背景和/或对象而引起的改变、尤其是反向散射，作为检测信号。替选地或附加地，该检测设备被设置为：检测由对象发出的信号，作为检测信号。该检测设备例如被设置为：检测金属物体、非金属物体、电线、尤其是低压线、单相交流电线或三相电力线、木梁、金属支撑件或塑料管、尤其是充水塑料管或未充水塑料管，等等，作为对象。检查背景例如是建筑物的墙壁、天花板、地板或家具。
6、通过按照本专利技术的设计方案，可以有利地详细评估检测信号。尤其是，可以有利地可靠地从检测信号中提取包含在检测信号中的附加信息，这些附加信息超出对象的仅仅存在或不存在。通过使用附加信息，可以有利地将检测设备的操作保持得简单，和/或可以给检测设备的用户供应有利地大的信息量，尤其是利用该检测设备仅进行单次测量。此外，可以实现检测结果的有利地可靠的可重复性，并且尤其是将检测结果对检测设备在检测背景上的移动路径的依赖性有利地保持得低。
7、进一步提出：在机器学习过程的学习阶段、尤其是已经提到的学习阶段，检测信号的示例值根据这些示例值的聚类形成被划分成不同的组。优选地，学习阶段包括预处理步骤，在学习步骤之前，学习单元在该预处理步骤对示例数据进行处理。在预处理步骤，学习单元优选地执行无监督学习，以便将示例值划分成这些组。优选地，学习单元在预处理步骤将示例值划分成至少两个不同的组。学习单元优选地借助于聚类方法来确定这些组以及示例值是否属于这些组。优选地，学习单元在预处理步骤从每个所要处理的示例值中提取至少一个特征、优选地多个特征。该特征例如可以示例值的是物理量、统计量或者抽象指标。如果示例值对于该特征/所有特征来说具有相似的值，则学习单元将这些示例值优选地分配给同一组。如果示例值对于该特征/这些特征之一来说具有不同的值，则学习单元将这些示例值优选地分配给不同的组。在此，这些特征的值是相似还是不同，通过所使用的聚类方法来定义。通过按照本专利技术的设计方案，可以将在所提取的特征方面相比彼此相似的示例值汇总并且共同处理。尤其是，在有利地低的错误风险的情况下，就可以给在同一组内的所有示例值都分配相同的评估参数。尤其是，可以有利地将执行分配步骤的时长保持得短。尤其是，可以给在未知检测情况下检测到的示例值，分配同一组的在已知检测情况下检测到的示例值的评估参数。
8、还提出：机器学习过程，尤其是在预处理步骤，使用最近邻分类，以便执行划分成不同的组。特别优选地，学习单元使用k最近邻算法(knn)，以便执行划分成不同的组。尤其是，学习单元将示例值分配给一组，更确切地说根据大多数相邻示例值被分配给了哪个组。相邻示例值是规定数量的示例值，这些示例值在由这些特征扩展出的参数空间中具有距所要划分的示例值的最小距离。依据欧几里得度量、曼哈顿度量或其它度量，可以确定在由这些特征扩展出的参数空间中的两个示例值的距离。所使用的相邻示例值的数量可以由学习单元的操作者规定和/或借助于优化算法来确定。可选地，在相邻示例值的多数决定的本文档来自技高网...
【技术保护点】
1.一种用于检测设备的方法，其中，所述检测设备被设置为：非破坏性地检测布置在检查背景(14)之内的对象(16)的检测信号，其特征在于，在至少一个方法步骤中，基于机器学习过程，将所述检测信号分配给检测结果，以便输出所述检测结果和/或使用所述检测结果来设置所述检测设备。
2.根据权利要求1所述的方法，其特征在于，在所述机器学习过程的学习阶段(18)，所述检测信号的示例值(22)根据所述示例值(22)的聚类形成被划分成不同的组(20)。
3.根据权利要求2所述的方法，其特征在于，所述机器学习过程使用最近邻分类，以便执行划分成不同的组(20)。
4.根据上述权利要求中任一项所述的方法，其特征在于，在所述机器学习过程的学习阶段(18)，给所述检测信号的示例值(22)成组地分配至少一个评估参数。
5.根据上述权利要求中任一项所述的方法，其特征在于，在所述机器学习过程的学习阶段(18)，由所述检测信号的示例值(22)构成的数据集至少基本上由用户数据组成。
6.根据上述权利要求中任一项所述的方法，其特征在于，在至少一个方法步骤中，根据所
7.根据上述权利要求中任一项所述的方法，其特征在于，在至少一个方法步骤中，根据所述机器学习过程，自动选择所述检测信号的零参考。
8.根据上述权利要求中任一项所述的方法，其特征在于，在至少一个方法步骤中，所述检测设备将所述检测信号的示例值(22)的组的评估参数在给该组(20)分配所述检测信号的测量值时输出。
9.根据上述权利要求中任一项所述的方法，其特征在于，给所述评估参数分配至少一个背景参数、至少一个对象参数、至少一个深度参数和/或至少一个形状参数。
10.一种检测设备，所述检测设备具有至少一个传感器单元(24)，用于检测检测信号；而且所述检测设备具有至少一个计算单元(26)，用于执行根据上述权利要求中任一项所述的方法。
...【技术特征摘要】
【国外来华专利技术】
1.一种用于检测设备的方法，其中，所述检测设备被设置为：非破坏性地检测布置在检查背景(14)之内的对象(16)的检测信号，其特征在于，在至少一个方法步骤中，基于机器学习过程，将所述检测信号分配给检测结果，以便输出所述检测结果和/或使用所述检测结果来设置所述检测设备。
2.根据权利要求1所述的方法，其特征在于，在所述机器学习过程的学习阶段(18)，所述检测信号的示例值(22)根据所述示例值(22)的聚类形成被划分成不同的组(20)。
3.根据权利要求2所述的方法，其特征在于，所述机器学习过程使用最近邻分类，以便执行划分成不同的组(20)。
4.根据上述权利要求中任一项所述的方法，其特征在于，在所述机器学习过程的学习阶段(18)，给所述检测信号的示例值(22)成组地分配至少一个评估参数。
5.根据上述权利要求中任一项所述的方法，其特征在于，在所述机器学习过程的学习阶段(18)，由所述检测信号的示例值(22...
【专利技术属性】
技术研发人员：H·斯加兹，JM·布罗西，F·沃尔特，A·沃格特，
申请(专利权)人：罗伯特·博世有限公司，
类型：发明
国别省市：
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。