基于检测设备数据融合的汽车检测系统的制作方法

1.本发明涉及汽车检测领域，具体的说，是涉及一种基于检测设备数据融合的汽车检测系统。


背景技术：

2.汽车检测是一种利用现代检测技术、电子技术和电磁检测技术，对汽车进行不解体检测和诊断，通过检测设备实现汽车是否存在wifi蓝牙、移动通信等隐蔽窃泄密模块，并采用wifi蓝牙、移动通信等无线信号检测设备发现异常无线信号，随后结合场强值大小等方式予以探测定位。
3.当前的汽车检测的性能受到环境因素的影响，比如光照、天气、遮挡等，可能导致检测结果不准确或不稳定；检测的适应性较差，可能无法适应不同的车型等多样化的场景，需要不断地更新和优化；检测的方式较为单一，只能完成某种或几种形式的信息安全检测，没有形成从物理外观到内部探测一体化的检测系统。


技术实现要素：

4.针对上述现有技术中的不足，本发明提供一种降低检测难度和提高检测效率；避免人为分析，减少人工干预，提高检测的准确率和效率的基于检测设备数据融合的汽车检测系统。
5.本发明所采取的技术方案是：
6.第一方面，提供一种基于检测设备数据融合的汽车检测方法，包括如下步骤：
7.通过屏蔽帐篷，提供专业的测试设备和场地；满足汽车检测的各种需求和标准，提高汽车检测的效率和质量；
8.利用无线信号检测、内窥镜、红外热成像、x光机对汽车进行数据监测及传输；
9.利用深度学习对传输的设备进行特征融合，构建当前车辆的数据库；
10.利用大数据技术对该车辆是否存在信息安全风险进行分析和评估。
11.第二方面，提供一种基于检测设备数据融合的汽车检测方法，包括如下步骤：
12.构建用于隔离电磁波的屏蔽帐篷；
13.屏蔽材料是屏蔽帐篷的主要构成部分，其作用是吸收或反射电磁波，防止它们进入屏蔽区域。常用的屏蔽材料包括金属网格、铜箔、铁板和导电涂料等，这些材料具有良好的导电性能和较高的电磁波反射率。
14.根据需要隔离的电磁波频率和强度，选择合适的屏蔽材料，以确保有效地吸收或反射电磁波。
15.电磁波吸收材料是一种特殊的材料，具有吸收电磁波的能力。
16.它们被广泛应用于电磁波屏蔽技术中，可用于各种应用场合。
17.电磁波吸收材料的工作原理是利用其材料本身的特性来吸收电磁波并将其转化为热能。这些材料通常包含吸收微波和射频信号的物质，如铁氧体，碳纳米管，聚合物等。当
电磁波通过这些材料时，材料中的电荷和磁场将被激发，并通过分子或材料内部结构中的耗散机制吸收电磁波。随着电磁波的吸收，材料会产生热量，并将其转化为热能。这种能量转化的过程减少了电磁波在环境中的反射和传输，从而起到了屏蔽的作用，有效隔绝外界的电磁干扰，确保汽车检测的准确性和可靠性；
18.利用无线信号检测设备对车内wifi蓝牙、移动通信发射信号进项检测；利用红外热成像、内窥镜、x光机对车辆物理外观进行检测；
19.检测数据通过检测设备的外部接口上传到后台系统；
20.结合检测设备、检测流程、检测数据共同构建后台系统，并将数据上传至后台系统，利用神经网络进行学习，结合大数据进行比对分析，最终判断是否存在异常并产生检测报告。
21.第三方面，提供一种基于检测设备数据融合的汽车检测方法，所述利用神经网络进行学习及结合大数据产生检测报告步骤如下：
22.利用神经网络对检测设备产生的数据进行特征构建；
23.神经网络是一种基于人工神经元模型的计算模型，它可以模拟人类神经系统的行为和特征提取能力。在检测设备产生的数据中，常常包含大量的信息，如何从中提取有用的特征并减少噪声的影响是一个重要的问题。
24.利用神经网络对检测设备产生的数据进行特征构建，并从中提取出有用的信息，实现数据的分类、识别、预测等并形成检测数据库。
25.同一车辆下次检测时可以对比检测数据库的检测记录，如；对比上次检测车底盘等位置的照片、对比上次检测车载无线信号等，方便快速排查是否有异常情况。
26.检测数据库对下次检测同型号的汽车也有极大的参考意义，可以快速排查异常状况。
27.数据处理，对检测设备产生的原始数据进行预处理；包括去除噪声、滤波、归一化等步骤，以便神经网络处理数据；
28.数据处理包括原始数据的获取、数据的筛选和预处理、数据的标注和分类步骤；数据的质量和数量对后续的模型训练和性能影响很大，因此需要对数据进行充分的筛选和处理。
29.特征提取，使用神经网络进行特征提取；
30.使用不同类型的神经网络模型，如卷积神经网络(cnn)、循环神经网络(rnn)。在使用这些神经网络模型时，需要根据数据类型和特征提取需求进行适当的调整和优化，以提高特征提取效果。
31.特征选择，对提取到的特征进行选择，以便于后续的分类、识别或预测；
32.特征选择的方法包括主成分分析(pca)、相关系数分析、lasso回归。这些方法帮助选择与目标任务相关的特征，减少特征数量和复杂度，提高模型性能。
33.特征组合，在选择了一组特征后，将这一组特征组合成更高级别的特征。
34.通过对特征进行聚类、合并、加权等操作来实现。组合后的特征可以更好地反映原始数据中的信息，并增强模型的表达能力。
35.建立模型，建立分类模型，选择不同类型的深度学习模型；
36.深度学习模型包括：卷积神经网络(cnn)、循环神经网络(rnn)、自编码器
(autoencoder)，在建立模型时，需要注意模型的复杂度、层数、激活函数、优化算法等参数的选择和调整。
37.模型训练和优化，使用大量的数据进行训练和优化；使用随机梯度下降算法(sgd)、adam等优化算法对模型进行训练；
38.在训练过程中，关注模型的性能指标，如准确率、精度、召回率、f1分数等，并进行适当的调整和优化；
39.模型评估和测试，对模型进行评估和测试；
40.使用交叉验证、留出法对模型的性能进行评估。
41.在测试阶段，使用未见过的数据对模型进行测试，检查模型的泛化能力和稳定性。
42.模型训练，使用选定的特征训练神经网络模型，进行模型训练；
43.使用不同的训练算法和优化方法，如反向传播算法(bp)、自适应学习率算法(adagrad)、随机梯度下降算法(sgd)等。在训练过程中，需要根据实际情况进行适当的调整和优化，以获得更好的训练效果。
44.利用大数据对汽车的信息安全进行分析并生成检测报告。
45.第四方面，提供一种基于检测设备数据融合的汽车检测系统，包括：
46.数据采集与处理模块，利用检测设备进行采集数据和处理；
47.特征提取和选择模块，利用深度学习技术对数据进行特征提取和选择；
48.使用卷积神经网络(cnn)、循环神经网络(rnn)深度学习模型进行特征提取；
49.建立分类模型，选择不同类型的深度学习模型，如卷积神经网络(cnn)、循环神经网络(rnn)、自编码器(autoencoder)；
50.模型训练和优化模块，使用大量的数据进行训练和优化；
51.使用随机梯度下降算法(sgd)、adam等优化算法对模型进行训练；
52.模型评估和测试模块，使用交叉验证、留出法等方法对模型的性能进行评估。
53.本发明相对现有技术的有益效果：
54.本发明基于检测设备数据融合的汽车检测方面及系统，将物理外观检测(红外热成像、内窥镜、x光机等)与无线信号检测(wifi蓝牙、移动通信等)相结合的检测模式，避免了一种或几种检测的局限性，检测更加全面准确可靠；屏蔽室可以避免汽车检测过程中产生的电磁辐射对人体和环境的影响，保证汽车检测的安全性和环保性；利用深度学习和大数据技术实现对检测设备正常和异常状态的自动识别和分类，降低检测难度和提高检测效率；避免人为分析，减少人工干预，提高检测的准确率和效率。
附图说明
55.图1是本发明基于检测设备数据融合的汽车检测方法的检测流程示意图；
56.图2是本发明基于检测设备数据融合的汽车检测方法的利用神经网络进行学习及结合大数据产生检测报告流程图。
57.附图中主要部件符号说明：
具体实施方式
58.以下参照附图及实施例对本发明进行详细的说明：
59.附图1和2第一方面，提供一种基于检测设备数据融合的汽车检测方法，包括如下步骤：
60.通过屏蔽帐篷，提供专业的测试设备和场地；满足汽车检测的各种需求和标准，提高汽车检测的效率和质量；
61.利用无线信号检测、内窥镜、红外热成像、x光机对汽车进行数据监测及传输；
62.利用深度学习对传输的设备进行特征融合，构建当前车辆的数据库；
63.利用大数据技术对该车辆是否存在信息安全风险进行分析和评估。
64.第二方面，提供一种基于检测设备数据融合的汽车检测方法，包括如下步骤：
65.构建用于隔离电磁波的屏蔽帐篷；
66.屏蔽材料是屏蔽帐篷的主要构成部分，其作用是吸收或反射电磁波，防止它们进入屏蔽区域。常用的屏蔽材料包括金属网格、铜箔、铁板和导电涂料等，这些材料具有良好的导电性能和较高的电磁波反射率。
67.根据需要隔离的电磁波频率和强度，选择合适的屏蔽材料，以确保有效地吸收或反射电磁波。
68.电磁波吸收材料是一种特殊的材料，具有吸收电磁波的能力。
69.它们被广泛应用于电磁波屏蔽技术中，可用于各种应用场合。
70.电磁波吸收材料的工作原理是利用其材料本身的特性来吸收电磁波并将其转化为热能。这些材料通常包含吸收微波和射频信号的物质，如铁氧体，碳纳米管，聚合物等。当电磁波通过这些材料时，材料中的电荷和磁场将被激发，并通过分子或材料内部结构中的耗散机制吸收电磁波。随着电磁波的吸收，材料会产生热量，并将其转化为热能。这种能量转化的过程减少了电磁波在环境中的反射和传输，从而起到了屏蔽的作用，有效隔绝外界的电磁干扰，确保汽车检测的准确性和可靠性；
71.利用无线信号检测设备对车内wifi蓝牙、移动通信发射信号进项检测；利用红外热成像、内窥镜、x光机对车辆物理外观进行检测；
72.检测数据通过检测设备的外部接口上传到后台系统；
73.结合检测设备、检测流程、检测数据共同构建后台系统，并将数据上传至后台系统，利用神经网络进行学习，结合大数据进行比对分析，最终判断是否存在异常并产生检测报告。
74.第三方面，提供一种基于检测设备数据融合的汽车检测方法，所述利用神经网络进行学习及结合大数据产生检测报告步骤如下：
75.利用神经网络对检测设备产生的数据进行特征构建；
76.神经网络是一种基于人工神经元模型的计算模型，它可以模拟人类神经系统的行为和特征提取能力。在检测设备产生的数据中，常常包含大量的信息，如何从中提取有用的特征并减少噪声的影响是一个重要的问题。
77.利用神经网络对检测设备产生的数据进行特征构建，并从中提取出有用的信息，实现数据的分类、识别、预测等并形成检测数据库。
78.同一车辆下次检测时可以对比检测数据库的检测记录，如；对比上次检测车底盘等位置的照片、对比上次检测车载无线信号等，方便快速排查是否有异常情况。
79.检测数据库对下次检测同型号的汽车也有极大的参考意义，可以快速排查异常状
况。
80.数据处理，对检测设备产生的原始数据进行预处理；包括去除噪声、滤波、归一化等步骤，以便神经网络处理数据；
81.数据处理包括原始数据的获取、数据的筛选和预处理、数据的标注和分类步骤；数据的质量和数量对后续的模型训练和性能影响很大，因此需要对数据进行充分的筛选和处理。
82.特征提取，使用神经网络进行特征提取；
83.使用不同类型的神经网络模型，如卷积神经网络(cnn)、循环神经网络(rnn)。在使用这些神经网络模型时，需要根据数据类型和特征提取需求进行适当的调整和优化，以提高特征提取效果。
84.特征选择，对提取到的特征进行选择，以便于后续的分类、识别或预测；
85.特征选择的方法包括主成分分析(pca)、相关系数分析、lasso回归。这些方法帮助选择与目标任务相关的特征，减少特征数量和复杂度，提高模型性能。
86.特征组合，在选择了一组特征后，将这一组特征组合成更高级别的特征。
87.通过对特征进行聚类、合并、加权等操作来实现。组合后的特征可以更好地反映原始数据中的信息，并增强模型的表达能力。
88.建立模型，建立分类模型，选择不同类型的深度学习模型；
89.深度学习模型包括：卷积神经网络(cnn)、循环神经网络(rnn)、自编码器(autoencoder)，在建立模型时，需要注意模型的复杂度、层数、激活函数、优化算法等参数的选择和调整。
90.模型训练和优化，使用大量的数据进行训练和优化；使用随机梯度下降算法(sgd)、adam等优化算法对模型进行训练；
91.在训练过程中，关注模型的性能指标，如准确率、精度、召回率、f1分数等，并进行适当的调整和优化；
92.模型评估和测试，对模型进行评估和测试；
93.使用交叉验证、留出法对模型的性能进行评估。
94.在测试阶段，使用未见过的数据对模型进行测试，检查模型的泛化能力和稳定性。
95.模型训练，使用选定的特征训练神经网络模型，进行模型训练；
96.使用不同的训练算法和优化方法，如反向传播算法(bp)、自适应学习率算法(adagrad)、随机梯度下降算法(sgd)等。在训练过程中，需要根据实际情况进行适当的调整和优化，以获得更好的训练效果。
97.利用大数据对汽车的信息安全进行分析并生成检测报告。
98.第四方面，提供一种基于检测设备数据融合的汽车检测系统，包括：
99.数据采集与处理模块，利用检测设备进行采集数据和处理；
100.特征提取和选择模块，利用深度学习技术对数据进行特征提取和选择；
101.使用卷积神经网络(cnn)、循环神经网络(rnn)深度学习模型进行特征提取；
102.建立分类模型，选择不同类型的深度学习模型，如卷积神经网络(cnn)、循环神经网络(rnn)、自编码器(autoencoder)；
103.模型训练和优化模块，使用大量的数据进行训练和优化；
104.使用随机梯度下降算法(sgd)、adam等优化算法对模型进行训练；
105.模型评估和测试模块，使用交叉验证、留出法等方法对模型的性能进行评估。
106.本发明基于检测设备数据融合的汽车检测系统，将物理外观检测(红外热成像、内窥镜、x光机等)与无线信号检测(wifi蓝牙、移动通信等)相结合的检测模式，避免了一种或几种检测的局限性，检测更加全面准确可靠；屏蔽室可以避免汽车检测过程中产生的电磁辐射对人体和环境的影响，保证汽车检测的安全性和环保性；利用深度学习和大数据技术实现对检测设备正常和异常状态的自动识别和分类，降低检测难度和提高检测效率；避免人为分析，减少人工干预，提高检测的准确率和效率
107.本发明基于检测设备数据融合的汽车检测系统检测流程如下：
108.1)将被检车辆开到屏蔽帐篷内，无关人员退场，熄火并切断车辆电源，封好屏蔽帐篷；
109.2)利用wifi蓝牙、移动通信等无线信号检测设备对车内及车外无线信号进行检测，并将检测数据上传到检测系统；
110.3)利用红外热成像(需车辆静置几个小时)、内窥镜、x光机等物理外观检测设备对车底盘、车门、座椅、车顶、后备箱、引擎盖等车辆整体架构进行检测存图记录，并将检测数据上传到检测系统；
111.4)接通车辆电源，启动汽车，利用wifi蓝牙、移动通信等无线信号检测设备对车内及车外无线信号进行检测，并将检测数据上传到检测系统；
112.5)将车辆型号、尺寸、重量等信息填入检测系统，检测系统根据上传检测数据及填入信息利用神经网络进行特征提取并增添至数据库，结合大数据进行比对分析，最终判断是否存在异常并生产检测报告，若有异常则利用相应设备进一步排查；
113.6)将被检车辆开出屏蔽帐篷，检测完成。
114.本发明基于检测设备数据融合的汽车检测方面及系统，将物理外观检测(红外热成像、内窥镜、x光机等)与无线信号检测(wifi蓝牙、移动通信等)相结合的检测模式，避免了一种或几种检测的局限性，检测更加全面准确可靠；屏蔽室可以避免汽车检测过程中产生的电磁辐射对人体和环境的影响，保证汽车检测的安全性和环保性；利用深度学习和大数据技术实现对检测设备正常和异常状态的自动识别和分类，降低检测难度和提高检测效率；避免人为分析，减少人工干预，提高检测的准确率和效率。
115.以上所述，仅是本发明的较佳实施例而已，并非对本发明的结构作任何形式上的限制。凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均属于本发明的技术方案范围内。

技术特征：
1.一种基于检测设备数据融合的汽车检测方法，其特征在于，包括如下步骤：通过屏蔽帐篷，提供专业的测试设备和场地；利用无线信号检测、内窥镜、红外热成像、x光机对汽车进行数据监测及传输；利用深度学习对传输的设备进行特征融合，构建当前车辆的数据库；利用大数据技术对该车辆是否存在信息安全风险进行分析和评估。2.一种基于检测设备数据融合的汽车检测方法，其特征在于，包括如下步骤：构建用于隔离电磁波的屏蔽帐篷；利用无线信号检测设备对车内wifi蓝牙、移动通信发射信号进项检测；利用红外热成像、内窥镜、x光机对车辆物理外观进行检测；检测数据通过检测设备的外部接口上传到后台系统；结合检测设备、检测流程、检测数据共同构建后台系统，并将数据上传至后台系统；利用神经网络进行学习，结合大数据进行比对分析，最终判断是否存在异常并产生检测报告。3.根据权利要求2所述基于检测设备数据融合的汽车检测方法，其特征在于：利用神经网络进行学习及结合大数据产生检测报告步骤如下：利用神经网络对检测设备产生的数据进行特征构建；数据处理，对检测设备产生的原始数据进行预处理；包括去除噪声、滤波、归一化等步骤，以便神经网络处理数据；特征提取，使用神经网络进行特征提取；特征选择，对提取到的特征进行选择，以便于后续的分类、识别或预测；特征组合，在选择了一组特征后，将这一组特征组合成更高级别的特征。模型训练，使用选定的特征训练神经网络模型；利用大数据对汽车的信息安全进行分析并生成检测报告。4.一种基于检测设备数据融合的汽车检测系统，其特征在于，包括：数据采集与处理模块，利用检测设备进行采集数据和处理；特征提取和选择模块，利用深度学习技术对数据进行特征提取和选择；使用卷积神经网络、循环神经网络深度学习模型进行特征提取；建立分类模型，选择不同类型的深度学习模型，如卷积神经网络、循环神经网络、自编码器；模型训练和优化模块，使用大量的数据进行训练和优化；使用随机梯度下降算法(sgd)、adam等优化算法对模型进行训练；模型评估和测试模块，使用交叉验证、留出法等方法对模型的性能进行评估。

技术总结
本发明涉及一种基于检测设备数据融合的汽车检测方法及系统，构建用于隔离电磁波的屏蔽帐篷；利用物理外观检测装置和无线信号检测设备对车辆进行检测；检测数据通过上传到后台系统；结合检测设备、检测流程、检测数据共同构建后台系统，并将数据上传至后台系统，利用神经网络进行学习，结合大数据进行比对分析，判断是否存在异常并产生检测报告。本发明避免了一种或几种检测的局限性，检测更加全面准确可靠；屏蔽室可以避免汽车检测过程中产生的电磁辐射对人体和环境的影响，保证汽车检测的安全性和环保性；利用深度学习和大数据技术实现对检测设备正常和异常状态的自动识别和分类，降低检测难度和提高检测效率，提高检测的准确率和效率。和效率。和效率。


技术研发人员：陈志军
受保护的技术使用者：北京国保晟达科技有限公司
技术研发日：2023.05.31
技术公布日：2023/8/14