[发明专利]一种基于人工智能自适应多维度计算的物体移位监测方法

权利要求书

1.一种基于人工智能自适应多维度计算的物体移位监测方法，其特征在于，包括：

获取待测物体的多维度感知数据；所述多维度感知数据包括以设定间隔时间采集的三轴磁传感器数据、温度传感器数据、压电传感器数据以及柔性皮肤传感器数据；所述三轴磁传感器数据包括X轴和Y轴的原始数据；

将所述多维度感知数据按照固定的顺序连接，组成一个一维向量；所述一维向量中的每个元素数据对应所述多维度感知数据每bit的二进制数值；

将所述一维向量存储至设定数量时，组合成为一个二维向量，并根据所述二维向量对应生成一个二值图像；

根据所述二值图像和识别预测模型确定待测物体位置的状态识别结果；所述状态识别结果包括传感器故障、位置异常和位置正常；所述识别预测模型是基于卷积神经网络算法构建的，并利用Adam方法进行训练。

2.根据权利要求1所述的基于人工智能自适应多维度计算的物体移位监测方法，其特征在于，还包括：当所述三轴磁传感器、所述温度传感器数据、所述压电传感器数据以及所述柔性皮肤传感器中的任一传感器出现异常数据时，将出现异常数据的传感器数据设置为0。

3.根据权利要求1所述的基于人工智能自适应多维度计算的物体移位监测方法，其特征在于，将所述一维向量存储至设定数量时，组合成为一个二维向量，并根据所述二维向量对应生成一个二值图像，具体包括：

持续获取所述多维度感知数据并计数，将生成的一维向量临时存放在RAM中，到达设定数量后组合成为一个二维向量，并对应生成一个二值图像，保存在RAM的region1中，使计数器归零，重复步骤“获取所述多维度感知数据并计数”，下一次获取的二维向量保存在RAM的region2中，形成乒乓缓冲区。

4.根据权利要求1所述的基于人工智能自适应多维度计算的物体移位监测方法，其特征在于，所述识别预测模型包括依次连接的输入层、第一卷积层、第二卷积层、第三卷积层、池化层、全连接层和输出层；各卷积层的卷积核大小为3×3，在每层卷积运算后，采用ReLU激活函数运算并输出。

5.根据权利要求1所述的基于人工智能自适应多维度计算的物体移位监测方法，其特征在于，所述识别预测模型的训练方法为：

获取训练数据；所述训练数据包括训练物体的二值图像及对应的图像标签；所述图像标签包括传感器故障、位置异常和位置正常；

基于卷积神经网络算法构建训练模型；

将所述训练数据输入所述训练模型进行训练，在训练时利用Adam方法对所述训练数据进行优化，并将训练好的训练模型确定为识别预测模型。

6.根据权利要求1所述的基于人工智能自适应多维度计算的物体移位监测方法，其特征在于，所述识别预测模型的神经网络参数值和激活值的大小为1bit。

7.根据权利要求1所述的基于人工智能自适应多维度计算的物体移位监测方法，其特征在于，所述二值图像中的每个点均为0或1。

8.根据权利要求1所述的基于人工智能自适应多维度计算的物体移位监测方法，其特征在于，还包括：将所述识别预测模型轻量化载入至嵌入式微处理器中。