基于随机卷积核时序特征变换的工程机械活动识别方法及系统与流程

1.本发明涉及活动识别与特征提取领域，更具体地，涉及一种基于随机卷积核时序特征变换的工程机械活动识别方法及系统。


背景技术：

2.目前银行领域对工程机械的质押监管方式，主要还是以人力监管为主，存在效率低下，成本高和串通作假的问题。因此，亟待一种自动化的监管方式。
3.现有技术中，基于传感器的活动识别有望应用于工程机械的自动化质押监管，从而降低监管成本，提高效率和防止串通作假。
4.现有技术中，基于加速度传感器的时序数据训练机器学习分类模型，实现工程机械活动识别的技术，具有成本低，适用场景广的特点，将成为行业研究的重点。
5.中国发明专利(cn113128568a)公开了一种“一种挖掘机活动识别方法、系统、装置及存储介质”，采用随机森林算法做分类器，但该专利所述机器学习方法需要人为设计特征转换，并且分类准确率不高。
6.中国发明专利(cn109670548a)公开了一种“基于改进lstm-cnn的多尺寸输入har算法”，为了解决传统机器学习算法对特征提取的困难以及相似动作给分类识别带来的混淆性，采用卷积神经网络cnn做特征提取，多层双向lstm网络做分类器，但该专利所述cnn做特征提取的方式耗时大，计算复杂度高。
7.综上所述，需要研究一种基于随机卷积核时序特征变换方法的工程机械活动识别系统及方法。


技术实现要素：

8.为解决现有技术中存在的不足，本发明的目的在于，提供一种基于随机卷积核时序特征变换的工程机械活动识别方法与系统。
9.本发明采用如下的技术方案：
10.基于随机卷积核时序特征变换的工程机械活动识别方法，包括：采集工程机械的三轴加速度、三轴角速度的时序信息，生成原始数据文件，预处理后输入至基于随机卷积核时序特征变换的分类模型进行分类识别，所述基于随机卷积核时序特征变换的分类模型中通过调用随机卷积核算法对输入的加速度角速度时序特征数据做特征变换，并将变换后的特征输入一个线性分类器，从而得到分类结果，实现对工程机械活动识别。
11.上述技术方案中，进一步地，所述的基于随机卷积核时序特征变换的分类模型实现分类识别的过程包括如下：
12.步骤1，预先设定超参数kernel核的数量；
13.步骤2，对于每个kernel核，随机生成其五个基础参数：length长度,weight权重,bias偏置,dilation膨胀,padding填充；
14.步骤3，每个生成的kernel核应用到所有时序数据上，即将每个kernel核与输入的时间序列进行滑动窗口点积运算，产生一个feature map特征图；
15.计算的过程是输入的时间序列与卷积核做滑动窗口点积，利用公式计算得出，其中x的含义是所有输入的时间序列，w含义是生成的kernal核，l
kernel
的含义是kernal核的长度(在时间序列的卷积中，卷积核kernel是一维的，不同于图像卷积中二维的正方形卷积核)，其中的下标i是指时间序列中的第i行序列，j是为了做滑动点乘连加的辅助变量，d是指膨胀的尺寸；
16.步骤4，利用计算出的feature map特征图，每个kernel核生成两个聚合特征：kernel核中元素的最大值和kernel核中正值的比例；
17.步骤5，如果有k个kernel核，就会生成2k个聚合特征，将这些变换后的特征送入一个线性分类器，训练后输出分类结果。
18.进一步地，所述步骤1中，kernel核数量通常设定为10000量级数量；kernel核的数量越大，由此生成的特征越有利于分类，准确率越高，但是计算时间也会线性地增加，实验研究证明采用本发明方法即使是在kernel核数量为10000这个量级的时候，计算时间也能够控制在相对较小的状态。
19.进一步地，所述步骤2中，具体的：其中length长度从{7,9,11}三个值中做等概率抽样；weight权重从期望为0，方差为1的高斯分布中随机采样；bias偏置从[-1,1]的均匀分布中随机采样；dilation膨胀由公式d＝floor(2^x)计算，其中floor函数表示向下取整，x从[0,a]的均匀分布随机取样，其中a又由公式计算得来，这确保了内核的长度l
kernel
等于输入的时间序列长度linput；当生成每个kernel时，将做出一个随机的、概率相等的决定，即是否使用零padding填充，如果使用填充，则在应用内核时，每个时间序列的开始和结尾都会附加一定量的零填充，以便kernel核的“中间”元素以时间序列中的每个点为中心，即((l
kernel-1)
×
d)/2的位置，如果没有填充，内核不会以时间序列的第一个和最后一个点为中心，并且“关注”时间序列中心区域的模式，而使用填充，kernel核也会匹配时间序列开始或结束的模式。
[0020]
进一步地，所述的线性分类器为ridge regression岭回归或者logistic regression逻辑斯蒂回归；
[0021]
本发明还提供一种基于随机卷积核时序特征变换的工程机械活动识别系统，包括：传感器数据采集终端、上位机原始数据生成模块、云服务器模型训练模块；
[0022]
传感器数据采集终端，采集三轴加速度，三轴角速度时序信息，将数据回传至上位机；
[0023]
上位机原始数据生成模块，接收到回传的时序数据后，生成原始数据txt文件，对原始数据txt文件进行预处理，删掉无关的信息行与列，对于训练数据人工打上分类的标签，将txt文件转换为csv文件，随后将csv文件上传至云服务器；
[0024]
云服务器接收到csv文件，云服务器模型训练模块调用随机卷积核算法对原始的加速度角速度时序特征做特征变换，将变换后的特征输入进一个线性分类器，训练得到分类模型；
[0025]
进一步地，所述的系统还包括边缘节点数据处理模块及边缘节点推断模块，上位机原始数据生成模块生成原始数据txt文件后可以发送至边缘节点数据处理模块，由边缘节点数据处理模块对原始数据txt文件进行预处理，删掉无关的信息行与列，对于训练数据人工打上分类的标签，将txt文件转换为csv文件，随后将csv文件上传至云服务器；云服务器训练得到分类模型后将模型下载到边缘节点，边缘节点推断模块保存训练好的分类模型，不断接受新采集的数据，调用模型进行推断，实时输出活动识别分类的结果。
[0026]
本发明通过对收集到的三轴加速度、三轴角速度时序数据做随机卷积核特征变换，使得生成的新特征更适合于模型分类，并训练一个线性分类器，该方法既避免了在训练深度卷积网络时的巨大计算开销，又通过大量的随机卷积核充分提取了多维度的时序特征，提高了工程机械活动识别的准确率。
附图说明
[0027]
图1为本发明中基于随机卷积核时序特征变换的工程机械活动识别系统的实例示意图；
[0028]
图2为本发明中基于随机卷积核时序特征变换方法的流程示意图。
具体实施方式
[0029]
下面结合附图对本技术作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本技术的保护范围。
[0030]
在工程机械活动识别中，以挖掘机这种工程机械为例，可以被识别的机械活动有：闲置，移动，舀勺，机械臂下降，向左转和向右转等。本发明基于随机卷积核时序特征变换的工程机械活动识别方法能够有效的对其进行识别，且具有非常好的识别准确率，方法包括：
[0031]
采集工程机械的三轴加速度、三轴角速度的时序信息，生成原始数据文件，预处理后输入至基于随机卷积核时序特征变换的分类模型进行分类识别，所述基于随机卷积核时序特征变换的分类模型中通过调用随机卷积核算法对输入的加速度角速度时序特征数据做特征变换，并将变换后的特征输入一个线性分类器，从而得到分类结果，实现对工程机械活动识别。
[0032]
如图1，根据本发明的一种具体实例，该方法可以基于随机卷积核时序特征变换的工程机械活动识别系统实现，该系统可以包括：
[0033]
传感器数据采集终端、上位机原始数据生成模块、边缘节点数据处理模块、云服务器模型训练模块、边缘节点推断模块。
[0034]
传感器数据采集终端，采集三轴加速度，三轴角速度等时序信息，通过蓝牙将数据回传至上位机。
[0035]
上位机原始数据生成模块，通过蓝牙接收到回传的时序数据后，生成原始数据txt文件，再将数据发送至边缘节点。
[0036]
边缘节点数据处理模块对原始数据txt做一些处理，删掉无关的信息行与列，并且人工打上分类的标签，并且将txt文件转换为csv文件，随后将csv文件上传至云服务器。
[0037]
云服务器接收到csv文件，调用随机卷积核算法对原始的加速度角速度时序特征做特征变换，将变换后的特征输入进一个简单的线性分类器(通常是ridge regression或
者logistic regression)，训练得到分类模型，随后将模型下载到边缘节点，以供推断。
[0038]
边缘节点保存训练好的分类模型，不断接受新采集的数据，调用模型进行推断，实时输出活动识别分类的结果。
[0039]
本发明中基于随机卷积核时序特征变换方法使用大量的随机卷积核生成聚类特征，针对活动识别公开数据集均表现优秀。
[0040]
如图2，基于随机卷积核时序特征变换方法流程包括：
[0041]
步骤1，指定超参数kernel的数量，注意kernel的数量越大，由此生成的特征越有利于分类，准确率越高，但是计算时间也会线性地增加，但是实验证明即使是在kernel数量为10000这个量级的时候，计算时间也控制在相对较小的状态。
[0042]
步骤2，对于每个kernel核，随机生成其五个基础参数：length长度,weight权重,bias偏置,dilation膨胀,padding填充；
[0043]
其中length长度从{7,9,11}三个值中做等概率抽样；weight权重从期望为0，方差为1的高斯分布中随机采样；bias偏置从[-1,1]的均匀分布中随机采样；dilation膨胀由公式d＝floor(2^x)计算，其中floor函数表示向下取整，x从[0,a]的均匀分布随机取样，其中a又由公式计算得来，这确保了内核的长度l
kernel
等于输入的时间序列长度linput；当生成每个kernel时，将做出一个随机的、概率相等的决定，即是否使用零padding填充，如果使用填充，则在应用内核时，每个时间序列的开始和结尾都会附加一定量的零填充，以便kernel核的“中间”元素以时间序列中的每个点为中心，即((l
kernel-1)
×
d)/2的位置，如果没有填充，内核不会以时间序列的第一个和最后一个点为中心，并且“关注”时间序列中心区域的模式，而使用填充，kernel核也会匹配时间序列开始或结束的模式。
[0044]
步骤3，每个生成的kernel核应用到所有时序数据上都产生一个feature map特征图，计算的过程是输入的时间序列与卷积核做滑动窗口点积，利用公式
[0045]
其中x的含义是所有输入的时间序列，w含义是生成的kernal核，l
kernel
的含义是kernal核的长度(在时间序列的卷积中，卷积核kernel是一维的，不同于图像卷积中二维的正方形卷积核)，其中的下标i是指时间序列中的第i行序列，j是为了做滑动点乘连加的辅助变量，d是指膨胀的尺寸；
[0046]
步骤4，利用计算出的feature map特征图，每个kernel核生成两个聚合特征，kernel核中元素的最大值(相当于全局最大池化)和kernel核中正值的比例(在本发明中该聚合特征对于提高分类准确率具有关键作用)；
[0047]
步骤5，如果有k个kernel核，就会生成2k个聚合特征，将这些变换后的特征送入一个线性分类器，训练后输出分类结果。
[0048]
如下表所示，以挖掘机的活动识别多分类为例，本随机卷积核变换方法相比一些传统方法在识别准确率上表现出了明显的提高。
[0049][0050]
但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。

技术特征：
1.基于随机卷积核时序特征变换的工程机械活动识别方法，其特征在于，包括：采集工程机械的三轴加速度、三轴角速度的时序信息，生成原始数据文件，预处理后输入至基于随机卷积核时序特征变换的分类模型进行分类识别，所述基于随机卷积核时序特征变换的分类模型中通过调用随机卷积核算法对输入的加速度角速度时序特征数据做特征变换，并将变换后的特征输入一个线性分类器，从而得到分类结果，实现对工程机械活动识别。2.根据权利要求1所述的基于随机卷积核时序特征变换的工程机械活动识别方法，其特征在于，所述的基于随机卷积核时序特征变换的分类模型实现分类识别的过程包括如下：步骤1，预先设定超参数kernel核的数量；步骤2，对于每个kernel核，随机生成其五个基础参数：length长度,weight权重,bias偏置,dilation膨胀,padding填充；步骤3，每个生成的kernel核应用到所有时序数据上，即将每个kernel核与输入的时间序列进行滑动窗口点积运算，产生一个feature map特征图；步骤4，利用计算出的feature map特征图，每个kernel核生成两个聚合特征：kernel核中元素的最大值和kernel核中正值的比例；步骤5，如果有k个kernel核，就会生成2k个聚合特征，将这些变换后的特征送入一个线性分类器，训练后输出分类结果。3.根据权利要求2所述的基于随机卷积核时序特征变换的工程机械活动识别方法，其特征在于，所述步骤1中，kernel核数量设定为10000量级数量。4.根据权利要求2所述的基于随机卷积核时序特征变换的工程机械活动识别方法，其特征在于，所述步骤2中，具体的：其中length长度从{7,9,11}三个值中做等概率抽样；weight权重从期望为0，方差为1的高斯分布中随机采样；bias偏置从[-1,1]的均匀分布中随机采样；dilation膨胀由公式d＝floor(2^x)计算，其中floor函数表示向下取整，x从[0,a]的均匀分布随机取样，其中a又由公式计算得来，这确保了内核的长度l
kernel
等于输入的时间序列长度linput；当生成每个kernel时，将做出一个随机的、概率相等的决定，即是否使用零padding填充，如果使用填充，则在应用内核时，每个时间序列的开始和结尾都会附加一定量的零填充，以便kernel核的“中间”元素以时间序列中的每个点为中心，即((l
kernel-1)
×
d)/2的位置。5.根据权利要求2所述的基于随机卷积核时序特征变换的工程机械活动识别方法，其特征在于，所述的线性分类器为ridge regression岭回归或者logistic regression逻辑斯蒂回归。6.基于随机卷积核时序特征变换的工程机械活动识别系统，其特征在于，包括：传感器数据采集终端、上位机原始数据生成模块、云服务器模型训练模块；传感器数据采集终端，采集三轴加速度，三轴角速度时序信息，将数据回传至上位机；上位机原始数据生成模块，接收到回传的时序数据后，生成原始数据txt文件，对原始数据txt文件进行预处理，删掉无关的信息行与列，对于训练数据人工打上分类的标签，将txt文件转换为csv文件，随后将csv文件上传至云服务器；云服务器接收到csv文件，云服务器模型训练模块调用随机卷积核算法对原始的加速
度角速度时序特征做特征变换，将变换后的特征输入进一个线性分类器，训练得到分类模型；7.根据权利要求6所述的基于随机卷积核时序特征变换的工程机械活动识别系统，其特征在于，所述的系统还包括边缘节点数据处理模块及边缘节点推断模块，上位机原始数据生成模块生成原始数据txt文件后可以发送至边缘节点数据处理模块，由边缘节点数据处理模块对原始数据txt文件进行预处理，删掉无关的信息行与列，对于训练数据人工打上分类的标签，将txt文件转换为csv文件，随后将csv文件上传至云服务器；云服务器训练得到分类模型后将模型下载到边缘节点，边缘节点推断模块保存训练好的分类模型，不断接受新采集的数据，调用模型进行推断，实时输出活动识别分类的结果。

技术总结
本发明公开了一种基于随机卷积核时序特征变换的工程机械活动识别方法及系统，从传感器采集时序数据后，生成原始数据txt文件，预处理后转换为csv文件，之后利用随机卷积核变换算法对时序数据进行特征变换，将变换后的数据送入线性分类器进行分类识别。本发明通过使用随机卷积核对时序数据做特征变换的方法，既避免了在训练深度卷积网络时的巨大计算开销，又通过大量的随机卷积核充分提取了多维度的时序特征，提高了工程机械活动识别的准确率。提高了工程机械活动识别的准确率。提高了工程机械活动识别的准确率。


技术研发人员：才振功 李事珂 陈嘉俊 范容 韩龙 丁正尧 杨波威
受保护的技术使用者：浙商银行股份有限公司
技术研发日：2023.03.28
技术公布日：2023/7/17