智能检测技术.pptx

第十章智能检测技术,10.1智能检测系统10.2智能检测方法,10.1.1智能检测系统的组成智能检测系统的典型结构如图10-1所示，其主要由传感器、信号采集调理系统、计算机、基本I/O系统、交互通信系统、控制系统等组成。传感器是智能检测系统的信息来源，是能够感受规定的被测量，并按照一定的规律转换成可用输出信号的器件或装置。信号采集调理系统接收和采集来自传感器的各种信号和信息，经过计算分析和判断处理，输出相应信号给计算机。信号采集调理系统的硬件主要包括前置放大器、抗混叠低通滤波器、采样/保持器和多路模拟开关、程控放大器、A/D转换器等。输入按输入信号的不同可分为模拟量输入和数字量输入。模拟量输入是检测系统中最常用的也是最复杂的，被测信号经传感器拾取后变成电信号，再经信号采集调理系统对输入信号进行放大、滤波、非线性补偿、阻抗匹配等功能性调节后送入计算机。数字量输入则通过通道测量、采集各种状态信息，将这些信息转换为字节或字的形式后送入计算机。由于信号可能存在瞬时高压、过电压、噪声及触点抖动，因此数字输入电路通常包括信号转换、滤波、过压保护、电隔离及消除抖动等电路，以消除这些因素对信号的影响。,10.1 智能检测系统,图10-1智能检测系统的典型结构,计算机是整个智能检测系统的核心，对整个系统起监督、管理、控制作用，同时进行复杂信号的处理、控制决策、产生特殊的检测信号、控制整个检测过程等。此外，利用计算机强大的信息处理能力和高速的运算能力，可实现命令识别、逻辑判断、非线性误差修正、系统动态特性的自校正以及系统自学习、自适应、自诊断、自组织等功能。智能检测系统通过机器学习、人工神经网络、数据挖掘等人工智能技术，可实现环境识别处理和信息融合，从而达到高级智能化水平。基本I/O系统用于实现人机对话、输入或修改系统参数、改变系统工作状态、输出测试结果、动态显示测控过程以及以多种形式输出、显示、记录、报警等功能。交互通信系统用于实现与其他仪器仪表等系统的通信与互连。依靠交互通信系统可根据实际问题需求灵活构造不同规模、不同用途的智能检测系统，如分布式测控系统、集散型测控系统等。通信接口的结构及设计方法与采用的总线技术、总线规范有关。控制系统实现对被测对象、被测试组件、测试信号发生器，甚至对系统本身和测试操作过程的自动控制。根据实际需要，大量接口以各种形式存在于系统中，接口的作用是完成与它所连接的设备之间的信号转换(如进行信号功率匹配、阻抗匹配、电平转换和匹配)和交换、信号(如控制命令、状态数据信号、寻址信号等)传输、信号拾取，以及对信号进行必要的缓冲或锁存，以增强智能检测系统的功能。,10.1 智能检测系统,10.1.2智能检测系统中的传感器传感器作为智能检测系统的主要信息来源，其性能决定了整个检测系统的性能。传感器技术是关于传感器的设计、制造及应用的综合技术，它是信息技术(传感与控制技术、通信技术和计算机技术)的三大支柱之一。传感器的工作原理多种多样，种类繁多，近年来随着新技术的不断发展，涌现出了各种类型的新型智能传感器，使传感器不仅有视、嗅、触、味、听觉的功能，还具有存储、逻辑判断和分析等人工智能，从而使传感器技术提高到了一个新的水平。智能传感器是传感器技术发展的必然趋势。本节从智能检测应用角度介绍常用传感器和智能传感器的功能及应用特点。1.常用传感器(1)应变式传感器：利用电阻应变效应将被测量转换成电阻的相对变化的一种装置，它是目前最常用的一种测量力和位移的传感器，在航空、船舶、机械、建筑等领域里获得了广泛应用。(2)电感式传感器：利用电磁感应原理将被测量转换成电感量变化的一种装置，其广泛应用于位移测量以及能转换成位移的各种参量(如压力、流量、振动、加速度、比重、材料损伤等)的测量。其中，电涡流式电感传感器还可进行非接触式连续测量。这种传感器能实现信息的远距离传输、记录、显示和控制，在工业自动控制系统中被广泛采用。(3)电容式传感器：将被测量转换成电容量变化的一种装置，其广泛应用于压力、差压、液位、振动、位移、加速度、成分含量等方面的测量。,10.1 智能检测系统,(4)压电式传感器：利用某些材料的压电效应将力转变为电荷或电压输出的一种装置，其在各种动态力、机械冲击与振动测量，以及声学、医学、力学、宇航等方面得到了非常广泛的应用。(5)磁电式传感器：通过电磁感应原理将被测量转换为电信号的一种装置，其广泛应用于电磁、压力、加速度、振动等方面的测量。(6)光电式传感器：利用光电元件将光能转换成电能的一种装置，可用于检测许多非电量。由于光电式传感器响应快、结构简单、使用方便，而且具有较高的可靠性，因此在检测、自动控制及计算机等方面应用非常广泛。(7)热电传感器：一种将温度转换成电量的装置，包括电阻式温度传感器、热电偶传感器、集成温度传感器等。热电偶传感器是工程上应用最广泛的温度传感器，其构造简单，使用方便，具有较高的准确度、稳定性及复现性，温度测量范围宽，动态性能好，在温度测量中占有重要的地位。(8)超声波传感器：利用超声波的传播特性进行工作，已广泛应用于超声波探伤及液位、厚度等的测量。超声波探伤是无损探伤的重要工具之一。2.智能传感器智能传感器集成了微处理器，具有检测、判断、信息处理、信息记忆和逻辑思维等功能。它主要由传感器、微处理器及相关电路组成。微处理器能按照给定的程序对传感器实施软件控制，把传感器从单一功能变成多功能，具有自诊断、自校准、自适应性功能；能够自动采集数据，并对数据进行预处理；能够自动进行检验、自选量程、自寻故障等。,10.1 智能检测系统,智能传感器与传统的传感器相比具有以下特点：(1)扩展了测量范围和功能，组态功能可实现多传感器多参数综合测量。(2)具有逻辑判断、信息处理功能，可对检测数据进行分析、修正和误差补偿，大大提高了测量精度。(3)具有自诊断、自校准、自适应性以及数据存储功能，能够进行选择性的测量和排除外界的干扰，提高了测量的稳定性和可靠性。(4)在相同精度的需求下，多功能智能传感器与单一功能普通传感器相比，性价比明显提高。(5)具有数据通信接口，能够直接将数据送入远程计算机进行处理，具有多种数据输入形式，适配各种应用系统。智能传感器是微电子技术、计算机技术和自动测试技术的结晶，其特点是能输出测量数据及相关的控制量，适配各种微控制器。它是在硬件的基础上通过软件来实现检测功能，软件在智能传感器中占据了主要成分，智能传感器通过各种软件对测量过程进行管理和调节，使之工作在最佳状态，并对传感器测量数据进行各种处理和存储，提高了传感器性能指标。智能传感器的智能化程度与软件的开发水平成正比，利用软件能够实现硬件难以实现的功能，以软件代替了部分硬件，降低了传感器的制造难度。,10.1 智能检测系统,10.1.3智能检测系统中的硬件典型的智能检测系统硬件由传感器、前置放大器、抗混叠低通滤波器、采样/保持电路和多路开关、A/D转换器、RAM、EPROM、调理电路控制器、信息总线等组成，如图10-2所示。前置放大器的主要作用是将来自传感器的低电压信号放大到系统所要求的电压，同时可以提高系统的信噪比，减少外界干扰。,10.1 智能检测系统,图10-2典型智能检测系统硬件构成,抗混叠低通滤波器用以滤除信号中的高频分量。由采样定理可知，当采样频率小于有用信号频带上限频率的二倍时，采样信号的频谱将产生频谱重叠现象，造成信号失真。一般采用抗混叠滤波器滤除采样频率大于最高频率35倍的高频分量。检测系统中采用较多的/转换器主要有逐次比较式/转换器、双积分式/转换器和式/转换器。逐次比较式/转换器在精度、速度和价格上都比较适中，是最常用的A/D转换器。双积分式/转换器具有精度高、抗干扰性好、价格低廉等优点，与逐次比较式/转换器相比，转换速度较慢，近年来在单片机应用领域中得到了广泛应用。式/转换器具有双积分式/转换器与逐次比较式A/D转换器的双重优点，它对工业现场的串模干扰具有较强的抑制能力，并且有着比双积分式/转换器更快的转换速度，与逐次比较式/转换器相比，有较高的信噪比，分辨率高，线性度好，且不需要采样/保持电路。由于上述优点，式/转换器逐渐得到了应用，已有多种式/转换芯片可供用户选用。/转换器按照输出数字量的有效位数分为4位、8位、10-位、12位、14位、16位并行输出以及3位半、4位半、5位半BCD码输出等多种。/转换器完成一次完整的转换过程是需要时间的，因此对变化速度较快的模拟信号来说，如果不采取相应措施，将引起转换误差。为此在/转换器之前需要接入一个采样/保持电路，在通道切换前，使其处于采样状态，在切换后的/转换周期内使其处于保持状态，以保证在/转换期间输入到/转换器的信号不变。目前有不少/转换芯片内部集成了采样/保持电路。调理电路控制器是智能检测系统的控制中枢，计算机则是系统中的决策中枢。调理电路控制器接收来自计算机的控制信息并通过信息总线和信息接口向系统中的各个功能模块发出控制命令，同时系统中/转换器的输出数据也要通过信息总线和信息接口实时地传输到计算机中。,10.1 智能检测系统,10.1.4智能检测系统中的软件1.软件组成 智能检测系统中的软件取决于智能检测系统的硬件支持和检测功能的复杂程度。智能 检测系统中的软件按功能一般可包括数据采集、数据处理、数据管理、系统控制、系统管 理、网络通信、虚拟仪器等，如图10-3所示。数据采集软件有初始化系统、收集实验信号与采集数据等功能，将所需的数据参数提 取至检测系统中。数据处理软件将数据进行实时分析、信号处理、识别分类，包括对数据进行数字滤波、去噪、回归分析、统计分析、特征提取、智能识别、几何建模与仿真等功能模块。数据管理软件包括对采集数据进行显示、打印、存储、回放、查询、浏览、更改、删除 等功能模块。系统控制软件可根据预定的控制策略通过控制参数设置进而实现控制整个系统。控制 软件的复杂程度取决于系统的控制任务。计算机控制任务按设定值性质可分为恒值调节、伺服控制和程序控制三类。常见的控制策略有程序控制、PID控制、前馈控制、最优控制与 自适应控制等。系统管理软件包括系统配置、系统功能测试诊断、传感器标定校准功能模块等。其中 系统配置软件对配置的实际硬件环境进行一致性检查，建立逻辑通道与物理通道的映射关 系，生成系统硬件配置表。网络通信软件完成检测系统的内外部通信。,10.1 智能检测系统,图10-3智能检测系统中的软件组成,2.虚拟仪器随着计算机技术的高速发展，传统仪器开始向计算机化方向发展。以计算机为核心，计算机软件技术与测试软件系统的有机结合，产生了虚拟仪器。美国国家仪器公司NI在20世纪80年代提出了虚拟仪器(VI)的概念，它是指通过应用程序将通用计算机与功能化硬件结合起来，用户可通过友好的图形界面来操作这台计算机，就像在操作自己定义和设计的一台单个仪器一样，从而完成对被测量的采集、分析、判断、显示、数据存储等。与传统仪器一样，虚拟仪器同样划分为数据采集、数据分析处理、显示结果三大功能模块，如图10-4所示。虚拟仪器以透明方式把计算机资源与仪器硬件的测试功能相结合，实现仪器的功能运作。虚拟仪器具有如下优点：(1)性价比较高。基于通用个人计算机的虚拟仪器和仪器集成系统，可以实现多种仪器共享计算机资源，从而大大增强了仪器功能，并且降低了仪器成本。(2)开放系统。用户能根据测控任务，随心所欲地组成仪器或系统。仪器扩充和升级十分简便，配置新的测试功能模板甚至无需改变硬件，只需将应用模块化的软件包重新搭配，便可构成新的虚拟仪器。,10.1 智能检测系统,图10-4虚拟仪器的内部功能划分,(3)智能化程度高。虚拟仪器是基于计算机的仪器，其软件具有强大的分析、计算、逻辑判断功能，可以在计算机上建立一个智能专家系统。(4)界面友好，使用简便。数台仪器及仪器功能显示于虚拟仪器面板上，用鼠标即可完成一切操作，人机界面极其友好。仪器功能选择、参数设置、数据处理、结果显示等均能通过友好对话进行。(5)虚拟仪器在使用中，人们可以随时获得计算机给予的帮助提示信息。,10.1 智能检测系统,10.2.1基于支持向量机的智能检测对检测样本数据进行训练并寻找规律，利用这些规律对输出的数据或者无法观测的数据进行预测是基于统计学的基本思想。传统的统计学研究的内容是样本趋于无穷大时的渐进理论，即当样本数趋于无穷大时的极限特征。然而，在基于传感器的智能检测中样本数量通常是有限的，因此这时候就需要一种能够很好地处理小数据样本的统计学方法。支持向量机(SupportVectorMachines，SVM)是Vapnik等人根据统计学习理论中结构最小风险化原则提出的。SVM具有严格的数学理论基础、直观的几何解释和良好的泛化能力，能够提高学习机的推广能力，在处理小样本数据时具有独特的优点，弥补了传统统计学的不足，由有限数据集得到的判别函数对独立的测试集仍然能够得到较小的误差。不仅如此，与统计学习中的另一种主流方法神经网络相比，SVM避免了神经网络中的局部最优解和拓扑结构难以确定的问题，并有效克服了维度灾难，也被逐渐应用到智能检测、信号处理等领域。SVM是从线性可分情况下的最优分类面发展而来的，其主要思想可用图10-5来说明。图10-5中实心圆和空心圆代表两类数据样本。直观上看，2 和 3 可以将两类数据样本正确分开，但是 2 只有很小的间隔，3 以最大的间隔将它们分开，根据经验，3 的分类效果是最好的。所以，在寻找最优超平面时，首先要做到使不同的数据样本正确分开，使训练错误率达到最小，保证经验风险最小；其次要做到使分类间隔最大，保证推广性的界中的置信范围最小，从而使真实风险最小。这样的超平面所产生的分类结果是最鲁棒的，对未见样本的泛化能力最强，对训练样本的局部扰动产生的影响也最小。,10.2 智能检测方法,图10-5划分超平面将两类数据分开,如图10-6所示是一种基于支持向量机的传感器故障检测流程图，其主要分为模型建立阶段和故障检测阶段。模型建立阶段主要有:建立包含故障样本和正常样本的训练集；对训练集进行标准化处理(包括传感器信号A/D转换、单位化、滤波降噪、坐标化等)；将标准化后的数据输入SVM训练机进行训练；用交叉验证法寻找最优参数；基于最优参数建立最优SVM模型。故障检测阶段主要有:在测试集中引入传感器偏差量；对融合的测试集进行训练集等同的标准化处理；根据最优SVM模型建立基于SVM的故障检测系统；将标准化后的测试集输入基于SVM的故障检测系统；根据SVM数学特征求出超平面和决策函数；根据决策函数划分故障样本与正常样本。,10.2 智能检测方法,图10-6基于支持向量机的传感器故障检测流程图,10.2.2基于神经网络的智能检测神经网络技术是国际上从20世纪80年代中期以来迅速发展和崛起的一个新研究领域，成为当今的一个研究热点。对它的研究包括理论、模型、实现和应用等各个方面，目前已经取得了较大的成果。其中神经网络技术在信号处理领域中的应用更引人注目，特别是在目标识别、图像处理、语音识别、自动控制、通信等方面有极为广阔的应用前景，并可望取得重大的突破。在信号处理领域，无论是信号的检测、识别、变换，还是滤波、建模与参数估计，都是以传统的数字计算机为基础的。由于这种计算是基于串行程序的原理和特征，使得它在信号处理的许多领域中很难发挥作用。例如在信号检测、估计与滤波中，要求的最优处理与需要的运算量之间存在着很大的矛盾，也就是说，要达到最优处理性能，需要完成的计算量通常大到不可接受的地步。为此人们就期望着有一种新的理论和技术来解决诸如此类的问题。神经网络技术就是在对人类大脑信息处理研究成果的基础上提出来的。利用神经网络的高度并行运算能力，就可以实现难以用数字计算机实现的最优信号处理。神经网络不仅是信号处理的有效工具，而且也是一种新的方法论。目前，在智能检测领域中广泛开展了对神经网络的深入研究，主要应用包括实时控制、故障诊断、参数估计、传感器模型、模式识别与分类、环境监测与治理及光谱与化学分析等。在实际智能检测系统中，传感器的输出特性不仅仅是目标参量的函数，它还受到环境参量的影响，而且参量之间常常存在着交互作用，这使得传感器的输出大都为非线性并存在静态误差，从而影响了测量精度。,10.2 智能检测方法,为了提高传感器的稳定性，消除非目标参量对传感器输入/输出特性的影响，减小传感器的静态误差，通常利用多传感器进行数据融合。多元回归分析法与神经网络法是两种主流的数据融合方法。前者通过建立包括待消除的非目标参量在内的函数解析式来消除非目标参量对传感器的影响。但该方法存在两个局限性：该方法需建立严格的包括非目标参量在内的函数解析式；该方法在求解时，方程为多维矩阵，方程可能为病态方程。神经网络法同样是为了消除非目标参量的影响，建模时需要检测这些非目标参量，进行多变量标定实验以获得学习样本；但是神经网络法不需要建立精确的数学模型，其非线性映射能力也满足传感器非线性输出的特性要求。本节以受两个环境变量(工作温度及电流波动)影响的压力传感器为例，介绍基于神经网络法的多传感器数据融合技术的智能压力检测方法。此方法利用压力、温度、电流3种传感器，并采用神经网络理论对传感器的数据进行融合处理，通过分析3种传感器提供的信息来建立样本进行学习和训练，消除温度变化和电流波动对传感器的影响，提高传感器对压力参量的测量准确度。采用神经网络进行多传感器数据融合的智能压力传感器系统由传感器模块和神经网络模块两大部分组成，如图10-7所示。,10.2 智能检测方法,图10-7基于神经网络的智能压力传感器系统,传感器模块中有3个传感器：一个是主传感器，即压力传感器，用来测量被测压力(目标参量)，输出电压信号为；另外两个是辅助传感器，即温度与电流传感器，主要用来监测非目标参量温度与电流，输出电压信号分别为 和。、和 作为神经网络模块的输入量，为误差修正后压力传感器的输出，为输入层和中间层间的连接权值，为中间层和输出层间的连接权值，、分别为中间层和输出层的节点阈值。其中输出值具有以下两个特点：仅为被测压力的单值函数，这样就消除了温度和电流两个非目标参量的影响；在工作温度和电流同时波动的情况下，要求在某个允许偏差内逼近被测目标参量，从而实现测量系统目标参量的目的。要实现上述要求，需对神经网络进行训练，网络训练样本由三维标定实验数据来提供。神经网络误差修正方法的步骤如下：(1)采集被测压力和工作环境温度以及电流波动，并通过传感器将它们分别转换成、和。(2)对这些原始数据进行归一化处理，使其落在0，1之内，这些数据构成网络的训练样本。(3)初始化网络，确定网络参数。(4)训练网络，直至满足要求为止。,10.2 智能检测方法,10.2.3基于深度学习的智能检测深度学习(DeepLearning，DL)是机器学习的分支，是一种以人工神经网络为架构，对数据进行表征学习的算法。观测值(例如一幅图像)可以使用多种方式来表示，如每个像素强度值的向量，或者更抽象地表示成一系列边、特定形状的区域等，而使用某些特定的表示方法更容易从实例中学习任务(例如，人脸识别或面部表情识别)。随着云计算、大数据时代的到来，强大的计算机运算能力解决了深度学习训练效率低的问题，训练数据的大幅增加则降低了过拟合风险。因此，深度学习也开始受到人们的关注，并且在智能检测、图像处理等方面具有优越的性能。本节主要介绍深度学习的一些基础知识，并介绍深度学习在智能检测中应用的例子。典型的深度学习模型就是深度神经网络，例如深度置信网络(DeepBeliefNetwork，DBN)、深度卷积神经网络(DeepConvolutionalNeuralNetwork，DCNN)等。与浅度神经网络类似，深度神经网络也能够为复杂非线性系统提供建模，但多出的层次为模型提供了更高的抽象层次，因而提高了模型的能力。深度神经网络通常都是前馈神经网络，但也有语言建模等方面的研究将其拓展到循环神经网络。对神经网络模型，提高容量的一个简单办法是增加隐层的数目。增加隐层数目的同时，也会增加神经元连接权、阈值等参数，另外增加隐层数不仅增加了拥有激活函数的神经元数目，还增加了激活函数嵌套的层数。然而，深度神经网络很难直接用经典算法(例如标准BP算法)进行训练，因为误差在多隐层内逆传播时往往会“发散”(Diverge)，使得输出不能稳定收敛。所以，卷积神经网络(ConvolutionalNeuralNetwork，CNN)等深度神经网络通常会使用一些方法来避免出现上述问题。,10.2 智能检测方法,思想是每次训练一层隐结点，训练时将上一层隐结点的输出作为输入，而本层隐结点的输出作为下一层隐结点的输入，这一过程称为“预训练”(Pre-training)；在预训练全部完成后，再对整个网络进行“微调”(Fine-tuning)训练。另一种降低训练成本的方法是“权共享”(WeightSharig)，即让一组神经元使用相同的连接权。CNN网络复合多个“卷积层”和“采样层”对输入信号进行加工，然后在连接层实现与输出目标之间的映射。每一个卷积层都包含多个卷积映射(FeatureMap)，每个卷积映射则是由多个神经元构成的“平面”。如图10-8所示中第一个卷积层由6个特征映射构成，每个特征映射是一个2828的神经元阵列，其中每个神经元通过卷积滤波器提取局部特征。采样层亦称为“池化”层(Pooling)或“汇合”层，其作用是基于局部相关性原理进行亚采样，从而在减少数据量的同时保留有用信息，通常的操作为“平均”或“最大”。图10-8中第一个池化层有6个1414的特征映射，其中每个神经元与上一层中对应特征映射的22邻域相连，并据此计算输出。通过复合卷积层与池化层，将原始图像映射为120维特征向量，最后通过连接层和输出层完成检测任务。CNN可用BP算法进行训练，但在训练中无论是卷积层还是采样层，其每一组神经元(即图10-8中的每个“平面”)都采用相同的连接权，从而大幅减少了需要训练的参数数目。,10.2 智能检测方法,图10-8卷积神经网络(CNN)对检测信号的处理流程,从另一个角度来说，采用多隐层堆叠和每层对上一层的输出进行处理这一机制的深度神经网络，对输入信号进行逐层加工，将初始的、与输出目标之间联系不太密切的输入表示转化成与输出目标联系更密切的表示，使得普通神经网络基于最后一层输出映射难以完成的任务成为可能。换言之，通过多层处理，逐渐将初始的“低层”特征表示转化为“高层”特征表示后，用“简单模型”即可完成复杂的分类等学习任务。由此可将深度学习理解为进行“特征学习”(FeatureLearning)或“表示学习”(PresentationLearning)。深度学习正逐渐取代“人工特征+机器学习”的方法，成为主流的图像检测方法，其原因是：互联网的普及使获取大量训练数据成为可能，分布式系统及高性能计算技术带来的计算能力提升大幅缩短了神经网络模型训练的耗时以及算法领域提出了一些适合深度神经网络训练的技巧(例如Relu激活函数、全局平均池化层等降低模型训练难度、防止过拟合的技术)。随着深度学习技术的兴起，许多智能检测任务的准确率得到很大的提高。在计算机视觉领域中，卷积神经网络取得了良好的性能。然而，DL技术存在的问题是它们需要大量的训练数据。训练数据越多，神经网络的层次越深，所拥有的性能就越良好。在如今的生活中，基于深度学习的传感器信号智能检测技术在我们身边随处可见：摄像头的人脸检测、停车场的车牌检测、自动解析用于构建人脑三维图的显微镜图像、AI回复与语音检测、用于围棋竞赛的“阿尔法狗”等。本节以车牌检测为例，介绍一种基于改进Lenet5深度卷积神经网络检测车牌的方法。典型的Lenet5网络结构主要包含七个层级结构：一个全连接层、一个输出层、三个卷积层、两个采样层。该网络层次结构有着广泛的应用。首先，在图像检测领域，该网络有非常高的准确性；其次，在相同硬件条件下，该网络有较快的运行速度；最后，可以很容易地训练检测新的字符样式和字体，且其检测精度不易因分辨率较低以及其他外部环境干扰而导致图像模糊。,10.2 智能检测方法,在训练网络的过程中，通常将图像进行像素归一化后输入神经网络进行迭代训练。在每次训练的过程中，通过分析损失曲线和准确率曲线来改变超参数(非学习参数，如：基学习率和正则化)，以优化下一次训练迭代。当损失达到期望值后，可以将该模型应用于摄像头传感器的智能检测中。基于深度学习的车牌智能检测流程如图10-9所示。,10.2 智能检测方法,图10-9基于深度学习的车牌智能检测流程,10.2.4基于数据挖掘的智能检测20世纪60年代，数字方式数据采集技术已经实现。随后，能够适应动态按需分析数据的结构化查询语言迅速发展起来。人类社会进入信息时代后，计算机软件、硬件的快速发展使得数据采集和数据存储成为可能，在计算机中保存的文件及数据数量成倍增长，用户也期望从这些庞大的数据中获得最有价值的信息。尽管各商业公司、部门、科研院所积累了海量数据，但是这些数据只有很少的一部分被有效利用。信息用户面临着数据丰富而知识匮乏的问题，迫切需要能自动化、高效率地从海量数据中提取有用数据的新型处理技术。在这样的需求背景下，数据挖掘技术应运而生。将传统数据分析方法和处理海量数据的复杂算法结合的数据挖掘技术，使从数据库中高效提取有用信息成为可能，为现今信息技术的发展奠定了基础。数据挖掘技术(DataMining，DM)或称从数据库中发现知识(KnowledgeDiscoveryinDatabases，KDD)，其定义为从数据库中发现潜在的、隐含的、先前不知道的有用的信息，也被定义为从大量数据中发现正确的、新颖的、潜在有用，并能够被理解的知识过程。KDD侧重于目的和结果，是将未加工的数据转换为有用信息的整个过程；DM则侧重于处理过程和方法，是KDD通过特定的算法在可接受的计算效率限制内生成特定模式的一个步骤。事实上，在现今的文献中，这两个术语经常不加区分的使用。数据库知识发现过程如图10-10所示,10.2 智能检测方法,图10-10从数据库中发现知识(KDD)的全过程,主要由以下三个步骤组成：(1)数据预处理：将未加工的输入数据转换成适合分析的形式，为挖掘工作准备数据。数据清洗用于清除不一致的和有噪声的数据；数据选择用于从数据库中抽取和挖掘与任务相关联的数据集；数据集成用于把多种数据源组合在一起；数据变换用于规范数据形式，以适合数据挖掘。由于收集和存储的数据形式多种多样，因此，数据预处理在知识发现过程中可能是最费力、最耗时的步骤。(2)数据挖掘：最基本的步骤，也是最重要的步骤，使用智能方法，自动、高效地发现有用知识，提取挖掘模式。(3)模式评估：根据某种评价标准，识别表示知识的真正有用的模式，并确保只将有效的和有用的挖掘结果集成到专家系统中。数据挖掘作为发现知识过程中最基本、最重要的步骤，涵盖了多个学科领域的知识，受多个学科影响。数据挖掘截取了多年来数理统计技术和人工智能以及知识工程等多个领域的研究成果，已经构建了自己的理论体系，可以集成到数据库、人工智能、数理统计、可视化、并行计算机技术等中。在数据挖掘中，主要用到以下五种方法：(1)预测建模方法：包括分类和回归两类。分类是把新的数据推广到已知结构的任务；回归是试图找到能够以最小误差对该数据建模的函数，如决策树、神经网络、最近邻分类等。(2)关联分析方法：发现隐藏在不同数据之间的相互关系，用以提示此事件和彼事件之间的联系，如Apriori算法、DHP算法、DIC算法等。,10.2 智能检测方法,(3)聚类分析方法：在未知数据的结构下，发现数据的类别与结构。其可以发现数据的分布模式以及可能的数据属性之间的相互关系，例如划分法、层次法、基于网格法、基于密度法等。算法的选择由数据类型、聚类目的和应用决定。(4)异常检测方法：异常检测也称偏差检测，是为了发现与其他大部分数据点不同的数据点，如基于邻近度法、基于模型法等。(5)Web页挖掘：从互联网的海量信息中提取各种有用模式和数据。企业通过Web页挖掘、分析用户访问网站的模式，发现与经营相关的社会环境信息、市场信息、竞争对手信息、客户信息等，及时对外部挑战和内部经营做出反馈和决策，以最佳方式解决面临的危机和潜在问题。传感器在使用过程中，由于电子元器件的老化等问题会导致测量和数据采集的准确度和精度下降，因此对于传感器信息的检测是十分重要的。图10-11所示是一个基于数据挖掘的传感器信息检测系统的结构图。,10.2 智能检测方法,图10-11基于数据挖掘的传感器信息检测系统结构图,基于数据挖掘的传感器信息检测系统结构图各部分功能如下：(1)多载体传感器数据输入接口为送来的各种载体形式的传感器数据提供输入接口。(2)传感器数据规范化预处理为进入原始传感器数据库的数据记录进行规范化的变换和预处理。(3)原始传感器数据质量评估在传感器信息知识库的支持下对原始传感器数据的质量进行评估，综合考查传感器数据的来源与背景、技术特征参数的波动范围与测量精度，以及其他数据的可信度、完整性及时效性等，它是最后确定加权系数或隶属度的依据。(4)初级融合处理是在传感器信息知识库的支持下对原始数据进行重复性、相驳性、完备性检查和合并、去相驳、补遗缺等处理，并进行初级统计相关分析，在此基础上形成可供后面智能融合处理的中间结果数据。(5)智能融合处理是在传感器信息知识库的支持下对中间结果数据库中的数据进行广义的相关分析、模糊模式匹配和关联分析、智能推理等综合分析处理，最后的处理结果存入结果数据库，供最终数据的综合生成。(6)结果数据的质量评估是在传感器信息知识库的支持下对智能融合处理过程及其所得到的结果数据进行质量评估，以便确定进入结果数据库中各数据记录的质量等级。(7)基于专家经验的知识元生成是在领域专家经验的指导下形成数据融合处理的准则、模型、逻辑、经验公式与数据等，为传感器知识的框架结构提供素材。(8)传感器检测信息生成是最终得出的传感器检测结果。,10.2 智能检测方法,10.2.5多传感器信息融合现实世界的多样性决定了采用单一的传感器不能全面地感知和认识自然界，于是多传感器及其数据融合技术应运而生。由于传感器信息形式、信息容量及信息处理速度的多样性，因此需要新的技术对传感器带来的巨量信息进行消化、解释和评估，人们也越来越认识到信息融合的重要性。根据美国国防部的数据融合小组JDL1986年建立的定义，多传感器信息融合是一种针对多传感器数据或信息的处理技术，通过数据关联、相关和组合等方式以获得对被测对象的信息数据。二十多年来，多传感器信息融合技术获得了普遍的关注和广泛应用，原本以军事应用为目的的信息融合技术也已广泛应用于其他各个领域，如工业机器人、工业过程监视、刀具状态监测、图像分析与处理、目标检测与跟踪等。信息融合可定义为利用不同时间与空间的多传感器信息资源，采用计算机技术对多传感器的观测信息在一定准则下加以自动分析、综合，以获得对被测对象的一致性解释与描述，并进行决策和估计的信息处理过程。因此，多传感器系统是信息融合的硬件基础，多源信息是信息融合的加工对象，协调优化和综合处理是信息融合的核心。多传感器信息融合的基本原理与人脑综合处理信息系统类似，人体通过对各个传感器(眼、耳、鼻、四肢)的信息(景物、声音、气味、触觉)组合，并使用先验知识去估计、理解周围环境和正在发生的事件，由于人类感官具有不同的度量特征，因而可以测出不同空间范围内的各种物理现象。多传感器信息融合系统中各传感器的信息可能具有不同的特征：实时的或者非实时的、快变的或者缓变的、模糊的或者确定的、相互支持或互补，也可能互相矛盾或竞争。信息融合利用多个传感器共同或联合操作的优势，更大程度地获得被测目标的信息量，以提高传感器系统的有效性。,10.2 智能检测方法,信息融合的结构形式有并联、串联和混合融合三种，如图10-12所示。,10.2 智能检测方法,图10-12多传感器信息融合的结构形式,由图10-12可见，并联融合时，各传感器直接将各自的输出信息传输到传感器融合中心，融合中心对各信息按适当方法处理后，输出最终结果，因此并联融合的各传感器输出之间互不影响；串联融合时，每个传感器既有接收和处理前一级传感器信息的功能，又有信息融合的功能，最后一个传感器综合了所有前级传感器输出的信息，它的输出就是串联融合系统的结论，因此串联融合中前级传感器的输出对后级传感器输出的影响很大；混合融合结合了以上两种融合方式，可以是总体串行、局部并行，也可以是总体并行、局部串行。按照数据抽象的三个层次，可将信息融合分为三级，即像素级融合、特征级融合和决策级融合。1.像素级融合像素级融合是直接在采集到的原始数据上进行的融合，在各种传感器的原始检测未经处理之前就进行数据的综合分析，这是最低层次的融合。像素级融合通常用于多源图像复合、图像分析和理解，以及多传感器信息融合的卡尔曼滤波等。像素级融合的主要优点是能保持尽可能多的现场数据，提供其他融合层次所不能提供的细微信息。但其缺点是数据量大、处理代价高、实时性差等。2.特征级融合特征级融合可划分为目标状态信息融合和目标特性信息融合两大类。目标状态信息融合是状态信息的融合，主要用于多传感器状态监测。融合系统首先对传感器数据进行预处理以完成特征提取，计算出相应的特性参数(如均值、方差或谐分析参数等)，然后进行相应的状态向量估计。目标特性信息融合就是在特征层联合识别，融合方法采用模式识别的相关技术。,10.2 智能检测方法,特征级融合的优点是实现了信息压缩，有利于实时处理，并且由于所提取的特征直接与决策分析有关，因而融合结果能最大限度地给出决策分析所需要的特征信息。目前大多数加工过程状态监测及故障诊断的信息融合研究是在该层次上进行的。3.决策级融合决策级融合是一种高层次融合，从具体决策问题的需求出发，充分利用特征级融合所提取的测量对象的各类特征信息，直接针对具体决策目标，融合结果直接影响决策水平。决策级融合的主要优点是：融合中心处理代价低，具有较高的灵活性和容错能力；通信量小、抗干扰能力强等。但是，由于要对原传感器信息进行预处理以获得各自的判定结果，所以预处理代价高。图10-13所示为BullockTB所设计的一种用于雷达监测的信息融合系统，它主要提供目标的高度、方位、距离和临近速度等综合信息。,10.2 智能检测方法,图10-13一种用于雷达测量的信息融合系统,该系统由三个基本部分构成：一个中央处理器；一个或多个局部处理器；一个被称作“外部逻辑”的传感器故障检测系统。该系统能进行局部估算、综合中央处理器中的各局部估算值，并能检查、排除传感器故障。各局部处理器分别处理各个传感器提供的信息，计算出一个描述目标在坐标内运动情况的局部状态估算值。从结构上看，各个传感器(包括局部处理器)之间的关系是并联的，属于并联融合结构。中央处理器的主要任务是综合所有测得状态的局部估算值，形成指导性的全局状态估算值。它的计算过程如下：首先采用一定的融合算法进行处理，再接收并处理来自传感器故障检测系统的有效数据，以坐标形式给出全局状态信息处理结果，结果可能与局部处理器的信息相同，也可能不同；然后，中央处理器将预先统计的信息反馈给每个局部处理器，这样就在信息融合系统中完成了一个信息流动周期。每个传感器都有一个局部处理器。局部处理器本身由一个估算器构成，必要时可通过传感器故障检测系统自适应调整。在传感器信息融合系统中，有一种特殊的故障，即传感器故障，此类故障的检测系统称为传感器故障检测系统。利用中央处理器的预先统计信息和传感器的探测信息可得出局部状态信息的处理结果。由于所有局部处理器都采用同样的预先统计信息，因此一个局部处理器出现故障时会影响全局；也由于传感器可能出现故障，因此有些探测信息可能有失真，甚至是错误的，从而相应地降低了局部处理信息的精确性，必要时应对局部处理器的估算器的结构或算法做出适当修正。传感器故障检测系统决定着局部处理器的哪些数据应直接输入中央处理器，哪些数据应修正后再传输，或哪些数据应全部舍弃。传感器故障一旦被查出，传感器故障检测系统就会做出相应的反应：如果传感器故障检测系统未检测出任何传感器故障，则所有的测得状态局部估算值就输入中央处理器；如果某些局部处理器检测出传感器故障，则先修改对应的