一种雨量计算系统和方法与流程
本发明涉及计算机技术领域，特别是涉及一种雨量计算系统和一种雨量计算方法。
背景技术：
随着汽车的不断普及，越来越多的家庭开始拥有私家车。在驾驶汽车的过程中，汽车会遭遇各种各样的环境挑战，如雨天、雪天等等，均让司机以及乘客承受一定的安全风险。
为了能降低安全风险，可以给司机或汽车控制平台更多的环境资讯，以辅助驾驶，提高汽车行驶的安全系数。其中包括在汽车中加装测量装置进行实时测量，或在路边加装测量装置，将测量数据发送至汽车中。
但在现有的测量技术中，主要是采用传感器来识别周围环境，而天气情况会对传感器产生负面影响，例如雨雪粘在摄像头的水滴干了之后会留下痕迹，当空气浮粒多时，痕迹会更为明显，过多的痕迹容易使传感器产生误判，如当空气浮粒长时，会形成类似车辆在雨雪天气后车漆的痕迹。如果这些痕迹在摄像头位置，就会严重影响对周围环境的感知。
而且，传统的传感器大多基于一些传统电路进行设计，精度较低，同时分辨率也比较低，测量范围窄，时效性低，不能适应自动驾驶高精度的要求。
技术实现要素：
鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种雨量计算系统和一种雨量计算方法。
为了解决上述问题，本发明实施例公开了一种雨量计算系统，包括：激光雷达、与所述激光雷达连接的计算单元、与所述计算单元连接的信息传输单元、以及与所述信息传输单元连接的信息存储单元；
所述激光雷达用于采集外界环境的雨量数据；
所述计算单元用于采用所述雨量数据设计目标训练模型，和计算所述雨量数据得到特征值，根据所述特征值与所述目标训练模型计算得到雨量强度；
所述信息传输单元用于接收所述雨量强度，并将所述雨量强度发送至所述信息存储单元；
所述信息存储单元用于存储所述雨量强度。
可选地，所述计算单元包括神经网络训练模块，以及与所述神经网络训练模块连接的神经网络推理模块；
所述神经网络训练模块用于根据所述雨量数据设计目标训练模型，并将所述目标训练模型发送至所述神经网络推理模块；
所述神经网络推理模块用于对所述雨量数据进行预处理，计算得到特征值，采用所述特征值与所述目标训练模型计算得到雨量强度。
可选地，所述神经网络训练模块包括确定分辨率组件、与所述确定分辨率组件连接的采集数据组件、与所述采集数据组件连接的数据归类组件、以及与所述数据归类组件连接的模型训练组件；
所述确定分辨率组件用于定义测量分辨率，所述测量分辨率对应多个雨量区间段；
所述采集数据组件用于采集当前环境的高精度雨量数据，所述高精度雨量数据对应一个所述雨量区间段；
所述数据归类组件用于根据所述高精度雨量数据，从所述多个所述雨量区间段中确定对应的目标雨量区间段；
所述模型训练组件用于根据所述目标雨量区间段更新预设的训练模型，得到目标训练模型。
可选地，所述模型训练组件包括：数据标注部件、与所述数据标注部件连接的设计模块部件、与所述设计模型部件连接的训练模型部件、以及与所述训练模型部件连接的模型更新部件；
所述数据标注部件用于标注所述目标雨量区间段和所述高精度雨量数据，得到标注数据；
所述设计模块部件用于采用预设的全卷积网络和全连接层计算所述标注数据，设计得到计算模型；
所述训练模型部件用于采用所述计算模型计算所述高精度雨量数据，生成更新训练模型；
所述模型更新部件用于采用所述更新训练模型替换预设的训练模型，得到目标训练模型。
可选地，所述特征值包括次序值、光波长、方位角信息；
所述神经网络推理模块包括：数据预处理组件、与所述数据预处理组件连接的特征值计算组件、与所述特征值计算组件连接的神经网络计算组件、以及与所述神经网络计算组件连接的数据后处理组件；
所述数据预处理组件用于根据预设的数据范围从所述当前雨量数据获取对应的目标雨量数据；
所述特征值计算组件用于采用所述目标雨量数据计算次序值、光波长、方位角信息；
所述神经网络计算组件用于采用所述次序值、光波长、方位角信息进行矩阵计算，得到多个概率值，每个所述概率值对应一个雨量强度；
所述数据后处理组件用于获取数值最大的所述概率值对应的雨量强度。
可选地，还包括分别与所述信息存储单元和所述信息传输单元连接的数字轨控制单元；
所述数字轨控制单元用于接收所述雨量强度，并根据所述雨量强度生成决策结果。
本发明实施例还公开了一种雨量计算方法，所述方法包括：
获取激光雷达采集的当前环境的雨量数据；
采用所述雨量数据分别生成目标训练模型和特征值，根据所述特征值与所述目标训练模型计算得到雨量强度；
接收所述雨量强度并存储所述雨量强度。
可选地，所述采用所述雨量数据设计目标训练模型，和计算得到特征值，根据所述特征值与所述目标训练模型计算得到雨量强度，包括：
根据所述雨量数据设计目标训练模型；
对所述雨量数据进行预处理，计算得到特征值，采用所述特征值与所述目标训练模型计算得到雨量强度。
可选地，所述根据所述雨量数据设计目标训练模型，包括：
定义测量分辨率，所述测量分辨率对应多个雨量区间段；
采集当前环境的高精度雨量数据，所述高精度雨量数据对应一个所述雨量区间段；
根据所述高精度雨量数据，从所述多个雨量区间段中确定对应的目标雨量区间段；
根据所述目标雨量区间段更新预设的训练模型，得到目标训练模型。
可选地，所述根据所述目标雨量区间段更新预设的训练模型，得到目标训练模型，包括：
标注所述目标雨量区间段和所述高精度雨量数据，得到标注数据；
采用预设的全卷积网络和全连接层计算所述标注数据，设计得到计算模型；
采用所述计算模型计算所述高精度雨量数据，生成更新训练模型；
采用所述更新训练模型替换预设的训练模型，得到目标训练模型。
可选地，所述特征值包括次序值、光波长、方位角信息；
所述对所述雨量数据进行预处理，计算得到特征值，采用所述特征值与所述目标训练模型计算得到雨量强度，包括：
根据预设的数据范围从所述当前雨量数据获取对应的目标雨量数据；
采用所述目标雨量数据计算次序值、光波长、方位角信息；
采用所述次序值、光波长、方位角信息进行矩阵计算，得到多个概率值，每个所述概率值对应一个雨量强度；
获取数值最大的所述概率值对应的雨量强度。
可选地，所述方法还包括：
接收所述雨量强度，并根据所述雨量强度生成决策结果。
本发明实施例还公开了一种装置，包括：
一个或多个处理器；和
其上存储有指令的一个或多个机器可读介质，当由所述一个或多个处理器执行时，使得所述装置执行如上所述的一个或多个的雨量计算方法。
本发明实施例还公开了一个或多个机器可读介质，其上存储有指令，当由一个或多个处理器执行时，使得所述处理器执行如上所述的一个或多个的雨量计算方法。
本发明实施例包括以下优点：提出了一种雨量计算系统以及雨量计算方法，其中，雨量计算系统可以包括激光雷达、计算单元、信息传输单元以及信息存储单元；所述激光雷达用于采集外界环境的雨量数据；所述计算单元用于采用所述雨量数据设计目标训练模型，和计算得到特征值，根据所述特征值与所述目标训练模型计算得到雨量强度；所述信息传输单元用于接收所述雨量强度，并将所述雨量强度发送至所述信息存储单元；所述信息存储单元用于存储所述雨量强度。本发明使用激光雷达进行数据采集，采集精度高，可以采集大量数据进行分析，数据传输快；而且可以通过计算单元设置分辨率大小，可以通过分辨率调整测量范围，可以扩大测量范围，同时整个系统结构简单，可以安装设置不同的地方，灵活性强。
附图说明
图1是本发明的一种雨量计算系统实施例一的结构框图；
图2是本发明的一种雨量计算系统实施例一的硬件框图；
图3是本发明的一种雨量计算系统实施例二的结构框图；
图4是本发明的计算单元实施例二的结构框图；
图5是本发明的计算单元实施例二的部件结构框图；
图6是本发明的采集数据组件的数据采集流程图；
图7是本发明的训练模型部件的更新步骤流程图；
图8是本发明的激光雷达坐标示意图；
图9是本发明的数据预处理组件的计算步骤流程图；
图10是本发明的激光雷达坐标的角度示意图；
图11是本发明的数字轨控制单元的决策步骤流程图；
图12是本发明的一种雨量计算方法实施例一的步骤流程图；
图13是本发明的一种雨量计算方法实施例二的步骤流程图；
图14是本发明计算雨量强度的步骤流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
参照图1，示出了本发明的一种雨量计算系统实施例一的结构框图，该系统可以包括依次连接的激光雷达101、计算单元102、信息传输单元103以及信息存储单元104。
其中，激光雷达101可以用于采集外界环境的雨量数据，可以通过往四周发射一定长度的激光，形成一定范围的激光网，可以在一定激光网的范围内采集雨量数据。该雨量数据可以包括雨滴数量、雨滴方向、降雨量、降雨时间等等。
在本实施例中，激光雷达可以是发射激光束探测目标的位置、速度等特征量的雷达系统。该激光雷达可以发出多条光束，可以形成更加密集的点集，也可以提高感知的精度。可选地，可以采用单线或多线的激光雷达，激光雷达的线数越多，分辨率就越高，感知精度就越高。优选地，可以选择16线以上激光雷达。
在本实施例中，计算单元102可以用于采用所述雨量数据设计目标训练模型，和计算得到特征值，并根据所述特征值与所述目标训练模型计算得到雨量强度。
该计算单元102可以是一个集成电路，可以用于采用雨量数据计算的到特征值以及目标训练模型，其中特征值可以是雨量数据在网络计算中的对应值，例如，若雨量数据为雨滴数量，特征值可以是雨滴数量值；若雨量数量为雨滴方向，特征值可以是雨滴方向的向量；若雨量数据为降雨量，特征值可以是对应的降雨容量等等。目标训练模型可以是计算机电路进行雨量计算的对应的训练计算函数，特征值可以是函数计算的变量值或者向量值等等。可选地，计算单元可以将雨量数据输入至用户预设的计算模型中，生成目标训练模型。
计算单元生成特征值和目标训练模型后，可以将特征值输入至目标训练模型中，使目标训练模型进行计算，最后生成雨量强度。
在具体实现中，该雨量强度可以是降雨量值，或当前的降雨量值或单位时间内的降雨量值等等。
在本实施例中，信息传输单元103可以用于接收所述雨量强度，并将所述雨量强度发送至所述信息存储单元。
在具体实现中，信息传输单元103可以是集成的传输电路，可以设置通信单元，可以通信单元与外接设备进行交互通信，实现数据传输。外接设备可以是外接的服务器、终端、汽车控制器、后台监控平台等等。
采用信息传输单元可以进行实时的雨量强度传输，可以将雨量强度传输至信息存储单元、服务器、终端或汽车等，可以提高信息的传输效率。
在本实施例中，信息存储单元104可以用于存储所述雨量强度。
在具体实现中，信息存储单元104可以是集成的内存电路模块或数据库等等。
在本实施例中，整个雨量计算系统可以设置在不同的地方，可以设在路边，如围栏或电线杆上，可以在露天的环境中进行雨量计算；也可以设置在汽车中，跟随汽车在露天环境中一遍行驶一遍进行检测计算。
在具体实现中，可以将激光雷达101设置在汽车中，而计算单元102、信息传输单元103以及信息存储单元104可以集成设置在公路边上，激光雷达在获取了雨量数据后，可以立即将数据传输至计算单元102进行计算得到雨量强度，再由信息传输单元将雨量强度发送至汽车终端供司机进行参考以及发送至信息存储单元进行存储。在另一可选的实现方式中，可以设置对应的固定架或固定杆，将激光雷达101，计算单元102、信息传输单元103以及信息存储单元104固定在固定架中。优选地，可以根据激光雷达的测试距离，设置多个雨量计算系统。例如，激光雷达的测量距离为100至120米，可以每隔100米设置一个雨量计算系统。具体地，可以根据实际需要进行调整，本发明并不在此作限定。
参照图2，示出了本发明的一种雨量计算系统实施例一的硬件框图，该雨量计算系统还可以包括配套电源，配套电源可以分别与激光雷达101，计算单元102、信息传输单元103以及信息存储单元104，可以分别给激光雷达101，计算单元102、信息传输单元103以及信息存储单元104供电。配套电源也可以固定在固定架中，使得每个单独的固定架都可以独立进行检测计算。
在本发明可选的实施例中，提出了一种雨量计算系统，该雨量计算系统可以包括依次连接的激光雷达、计算单元、信息传输单元以及信息存储单元；所述激光雷达用于采集外界环境的雨量数据；所述计算单元用于采用所述雨量数据分别生成目标训练模型和特征值，根据所述特征值与所述目标训练模型计算得到雨量强度；所述信息传输单元用于接收所述雨量强度，并将所述雨量强度发送至所述信息存储单元；所述信息存储单元用于存储所述雨量强度。本发明使用激光雷达进行数据采集，采集精度高，可以采集大量数据进行分析，数据传输快；而且可以通过计算单元设置分辨率大小，可以通过分辨率调整测量范围，可以扩大测量范围，同时整个系统结构简单，可以安装设置不同的地方，灵活性强。
参照图3，示出了本发明的一种雨量计算系统实施例二的结构框图，在本实施例中，该雨量计算系统可以包括激光雷达201、计算单元202、信息传输单元203、信息存储单元204以及数字轨控制单元205。
在本实施例中，激光雷达201用于采集雨量数据，具体地，该激光雷达可以是单线或多线的激光雷达，优选地，可以选择16线以上激光雷达。
在本实施例中，计算单元202可以用于采用所述雨量数据设计目标训练模型，和计算得到特征值，根据所述特征值与所述目标训练模型计算得到雨量强度。
参照图4，示出了本发明的计算单元实施例二的结构框图，在本实施例中，计算单元202可以包括神经网络训练模块2021和神经网络推理模块2022。
其中，在本实施例中，神经网络训练模块2021可以用于根据所述雨量数据设计目标训练模型，并将所述目标训练模型发送至所述神经网络推理模块。
在本实施例中，神经网络训练模块2021采用所述雨量数据设计目标训练模型时，可以根据实际需要调整目标训练模型的类型，例如，当需要获取高精度的雨量强度时，可以设置高精度的目标训练模型，可以适当缩小目标训练模型的测量单位值，从而可以提高目标训练模型的测量精度，在代入雨量数据计算雨量强度时，获取一个高精度的雨量强度；当需要获取低精度的雨量强度时，可以是低精度的目标训练模型，可以适当增加目标训练模型的测量单位值，从而可以设置低精度的目标训练模型，在代入雨量数据计算雨量强度时，可以获取一个低精度的雨量强度。
相应地，可以根据实际需要进行调整，本发明并不在此作限定。
参照图5，示出了本发明的计算单元实施例二的部件结构框图，在本实施例中，神经网络训练模块2021可以包括确定分辨率组件、采集数据组件、数据归类组件、以及与模型训练组件。
确定分辨率组件可以用于定义测量分辨率，所述测量分辨率对应多个雨量区间段。
在本实施例中，测量分辨率可以是测量的分度值，确定测量分辨率后，每个测量分辨率可以对应一个或多个雨量区间段，例如，测量分辨率可以5毫米，，多个雨量区间段可以分别为0-5毫米、5-10毫米、10-15毫米等等；测量分辨率也可以是10毫米，多个雨量区间段可以分别为0-10毫米，10-20毫米等等。具体的，测量分辨率可以根据实际需要需要进行调整，雨量区间段的数量也可以根据实际需要进行调整。若某测量地区的降雨量较少，可以适当减少测量分辨率，可以设置测量分辨率为0.5或1毫米，雨量区间段的数量可以适当减少；若某测量地区的降雨量较多，可以适当增加测量分辨率，可以设置为10毫米、20毫米、30毫米等等，可以适当增加雨量区间段的数量。
通过确定分辨率组件定义测量分辨率，可以提高测量的准确性，在采集雨量数据后可以知道当前雨量大小对应的测量分辨率的范围，进而才可以确定具体的当前雨量真值。在具体操作中，测量分辨率越小精度越高，可以根据实际使用需要和雨量计算进度要求，适当调整测量分辨率的大小，本发明并不在此进行限定。
在可选的实施例中，用户可以预先在确定分辨率组件中设置测量分辨率，或者确定分辨率组件可以根据激光雷达采集的当前雨量数据调整定义一个或多个测量分辨率。例如，若激光雷达采集的当前雨量数据为2毫米，确定分辨率组件可以定义5毫米的测量分辨率，对应三个雨量区间段，分别为0-5毫米，5-10毫米以及10-15毫米。
在具体实现中，定义测量分辨率后，对应的每个雨量区间段可以对应一个或多个自定义类别，该类别可以包括雨势类别，天气类别，警告提示类别。例如，0-5毫米的雨量区间段可以对应小雨，5-10毫米的雨量区间段可以对应中雨，10-15毫米的雨量区间段可以对应大雨，15-20毫米的雨量区间段可以对应暴雨。或者0-5毫米的雨量区间段对应蓝色警告类别，5-10毫米的雨量区间段对应黄色警告类别，10-15毫米的雨量区间段对应红色警告类别等等。该自定义类别可以由用户按照实际需要进行编写，该自定义类别可以用于提醒用户，该用户进行信息提醒。
在本实施例中，采集数据组件可以用于采集当前环境的高精度雨量数据，所述高精度雨量数据对应一个所述雨量区间段。
其中，每一个高精度雨量数据可以是雨量区间段中的一个对应数值，例如，获取的高精度雨量数据为3.8毫米，定义的测量分辨率为5毫米，对应有三个雨量区间段，分别0-5毫米，5-10毫米，10-15毫米。该3.8毫米在0-5毫米的雨量区间段的数值范围中，则高精度雨量数据3.8毫米对应0-5毫米的雨量区间段。
可选地，采集数据组件可以包括高精度的测量器件，例如，高精度的探测传感器或高精度雷达等组件。采集数据组件可以在激光雷达采集了当前雨量数据后，再采集当前环境的高精度雨量数据，该高精度雨量数据可以是高精度的雨量大小。具体地，该高精度雨量数据可以是当前环境中的高精度雨量值。
在具体实现中，可以采用该高精度雨量数据的雨量值作为真值。
在本实施例中，数据归类组件可以用于根据所述高精度雨量数据，从所述多个雨量区间段中确定对应的目标雨量区间段。
该数据归类组件可以采用该高精度雨量数据确定一个对应的目标测量分辨率，可以通过目标测量分辨率准确地确定当前所测量的环境的雨量数据范围。
在具体操作中，如确定分辨率组件定义了10毫米，且对应3个雨量区间段，分别为0-10毫米，10-20毫米，20-30毫米，采集数据组件测量的了当前高精度雨量数据为8毫米，8毫米落在了0-10毫米的雨量区间段的范围里，数据归类组件可以根据8毫米确定对应的目标雨量区间段为0-10毫米，从而得到目标雨量区间段。
在本实施例中，模型训练组件可以用于根据所述目标测量分辨率更新预设的训练模型，得到目标训练模型。
该模型训练组件可以用于根据采集的高精度雨量数据，以及高精度雨量数据对应的目标雨量区间段，从预设的神经网络模型中训练得到一个目标神经网络模型，或根据采集的高精度雨量数据以及对应的目标雨量区间段训练得到一个目标神经网络模型，以该目标神经网络模型为目标训练模型。
采用模型训练组件可以实现模型更新，如果网络在某种环境下发现不适用时，例如原有的模型是适用于日降雨量为10毫米的环境，不合适在日降雨量为50毫米的环境，可以针对当前的环境重新更新标注数据，再次训练模型，生成目标训练模型。如果训练结果不理想，可以考虑修改或者重新设计神经网络模型，并更新模型。在实际操作中，测试的数据也要充分，可以以测试的数据来衡量神经网络计算的鲁棒性。
参照图6，示出了本发明的采集数据组件的数据采集流程图。在本实施例中，在处理激光雷达获取的雨量数据前，需要确定好测量分辨率以及雨量区间段，可以精确的对某一类雨量数据归类，可以根据实际情况，将雨量大小数值化，假设将雨量分3个等级，那么将数据分成4类：不下雨、小雨、中雨、大雨。从而可以根据前期确定好的雨量的测量分辨率归类当前数据。优选地，可以均衡地定义不同测量分辨率以及雨量区间段的数量，从而避免出现数据与实现出现较大偏差的情况。在本实施例中，激光雷达采集的雨量数据需要一个数值，而采集数据组件获取的当前雨量需要使用一个更高精度的测量仪器，从而可以使得采集雨量数据可以应用于目标训练模型。
在本发明的其中一种实施例中，模型训练组件可以包括数据标注部件、设计模块部件、训练模型部件、以及模型更新部件。
在本实施例中，所述数据标注部件用于标注所述目标雨量区间段和所述高精度雨量数据，得到标注数据。
具体地，当数据归类组件确定了目标雨量区间段后，所述数据标注部件可以从一个确定的雨量数据的雨量区间值进行标注，可以以该标注数据作为确定值，而且可以根据对应好的目标测量分辨率确定数据归属至哪一用户自定义的类别，也可以根据对应的自定义类别给用户进行信息提醒。在具体实现中，获取的标注数据可以是点云数据以及雨量大小对应的自定义类别。通过标注数据获取具体确定当前的雨量数据，从而可以提高雨量计算的准确率。
在本实施例中，所述设计模块部件用于采用预设的全卷积网络和全连接层计算所述标注数据，设计得到计算模型。
其中，该全卷积网络(fullyconvolutionalnetworks，简称fcn)可以用于图像的分割。该全卷积网络可以从抽象的特征中恢复出每个像素所属的类别，可以从图像级别的分类进一步延伸到像素级别的分类。采用全卷积网络可以增加网络神经元个数，增加模型的复杂程度，而且全连接层数加深，模型的非线性表达能力提高，也可以提供模型的学习能力。
而全连接层(fullyconnectedlayers，简称fc)是用于在整个卷积神经网络中起到分类的作用，可以将学到的“分布式特征表示”映射到样本标记空间中，在全卷积网络中进行图像分类。
在本实施例中，采用全卷积网络和全连接层计算所述标注数据，可以准确地获取计算模型，并根据标注数据进行分类，可以进一步提高计算模型的准确率。
可选地，设计模块部件采用的全卷积网络可以是vgg16、vgg19等等，优选地，本发明采用的全卷积网络为vgg16。
在另一实施例中，全连接层的层数可以是多层的，如8层、10层、14层、16层等等，具体的层数可以根据实际使用需要进行调整，本发明并不在此作限定。
在本实施例中，所述训练模型部件用于采用所述计算模型计算所述高精度雨量数据，生成更新训练模型。
该训练模型部件主要用于采用采集数据组件所采集的高精度雨量数据，对计算模型进行反复训练，从而使得最后生成的更新训练模型更加贴近实际采集到的高精度雨量数据，更新训练模型也更加贴近当前的使用环境。
而在实际操作中，用户可以在进行模型训练前，先设置好网络初始化权重。例如，如果全卷积网络选择的激活函数是线性整流函数(rectifiedlinearunit，简称relu，又称修正线性单元，通常指代以斜坡函数及其变种为代表的非线性函数)，则可以选用kaiming初始化方法。又例如，如果选择的激活函数为双曲正切函数tanh(hyperbolictangentfunction，可以写作tanh，简写成th)，那么可以选择xavier初始化方法。
参照图7，示出了本发明的训练模型部件的更新步骤流程图，在实际操作中，当用户设计好模型之后，可以按照(学习率->损失函数->批量数->迭代数->优化函数中动量大小->隐藏层数目->惩罚参数)的重要性逐步调试超参数。调试时也可以遵循“从粗至精”的原则：可以先做网格搜索，先选择代价函数最小的一部分区域，然后在这个区域随机搜索最优参数。并可以根据生成最优参数的模型为更新训练模型，从而得到更新训练模型。
在本实施例中，所述模型更新部件用于采用所述更新训练模型替换预设的训练模型，得到目标训练模型。
在可选的实施例中，当生成了新的更新训练模型后，可以采用更新训练模型替换预设的训练模型，预设的训练模型可以是原有的训练模型，例如是一天前进行测量获取的训练模型，也可以是用户预设的训练模型，例如用户预设的适用于日降雨量为0-2毫米的训练模型等等。
在本实施例中，通过数据标注部件、设计模块部件、训练模型部件、以及模型更新部件可以实现训练模型的更新，可以实时根据当前环境获取的高精度雨量数据，生成一个与当前高精度雨量数据匹配的目标训练模型，从而可以根据该目标训练模型再对雨量数据进行检测，可以进一步提高检测计算的准确率，最后获取的结果也更加贴近现实，同时也能够增加计算的灵活性与实用性。
在本实施例中，计算单元202还包括神经网络推理模块2022，该神经网络推理模块2022可以用于对所述雨量数据进行预处理，计算得到特征值，采用所述特征值与所述目标训练模型计算得到雨量强度。
在本实施例中，预处理可以包括数据迭代处理、数据筛选处理等等。可以通过预处理，从雨量数据中获取对应的需要计算的数据，在根据预处理的数据进行计算，得到对应的特征值。
在本实施例中，该特征值可以包括方向特征值，数量特征值，角度特征值值等，通过多个特征值可以更加准确快速地计算得到当前环境的雨量的特征，最后可以将特征值输入至目标训练模型中进行计算，最后可以获取对应的当前环境的雨量强度。
在其中一种可选的实施例中，特征值包括次序值、光波长、方位角信息；
所述神经网络推理模块可以包括依次连接的数据预处理组件、特征值计算组件、神经网络计算组件以及数据后处理组件。
其中，所述数据预处理组件用于根据预设的数据范围从所述当前雨量数据获取对应的目标雨量数据。
在本实施例中，目标雨量数据可以是雨量数据在坐标轴中对应的坐标点，从而可以通过坐标点对雨量数据进行统计计算。
参照图8，示出了本发明的激光雷达坐标示意图。在本实施例中，激光雷达可以定义坐标轴，该坐标轴的测量范围包括前后上下左右六个方向，分别定义x、y、z三个坐标轴，其中x轴定义前后两个方向，当x值为正可以代表方向前，当x值为负可以代表方向后；y轴定义左右两个方向，当y值为正可以代表方向左，当y值为负可以代表方向右；z轴定义上下两个方向，当z值为正可以代表方向上，当z值为负可以代表方向下。
由于激光雷达可以测量的范围广，为了提高测量计算的效率，用户可以在测量计算前，预设从激光雷达的坐标中定义获取数据的范围。例如，激光雷达的可测量距离为50米，用户可以定义x轴中，绝对值为20米的为有效范围值，x值小于或等于20的数据处于有效范围内，处于有效范围内的雨量数据为目标雨量数据。又例如，用户也可以定义y轴中，绝对值为30米的有效范围值，在y值小于或等于30的数据处于有效范围内，则该处于有效范围内的雨量数据为目标雨量数据。
在实际操作中，用户可以按照实际需要定义x轴、y轴以及z轴的绝对值，从而定义有效的雨量数据范围。例如，在降雨量较多的地区，可以适当增加绝对值的数值，或在设置雨量计算系统较小的地区，可以使得增加绝对值的数值，或在降雨量较少的地区，可以适当减少绝对值的数值。当在某一路段中设置了多个雨量计算系统，各雨量计算系统的激光雷达的测试范围可能重叠，用户可以适当地选择相邻的激光雷达非重叠的距离，定义x轴与y轴的绝对值。
参照图9，示出了本发明的数据预处理组件的计算步骤流程图。在本实施例中，可以定义x轴的绝对值为4米，y轴的绝对值为4米，可以定义获取的次数为n或激光雷达返回的数据次数为n。可选地，n可以是一次或多次。在优选的实施例中，n可以是3次。
在实际操作中，激光雷达是实时进行雨量数据采集，每次采集数据后，激光雷达可以在获取多次数据，而由于每次获取的雨量数据不同，每次返回的雨量数据也不同，雨量数据对应的雨点也不一定相同。所以可以通过多次获取激光雷达返回的雨点个数，从而计算具体的雨量数据。可选地，由于激光雷达定义了坐标轴，每次获取雨量数据时，该雨量数据对应的每个雨点均可以在坐标轴中有对应的坐标点，从而可以通过计算对应的坐标点，统计对应的雨点数量，获取目标雨量数据。
具体地可以参照图9，数据预处理组件可以获取第一次激光雷达获取的雨量数据，判断该次雨量数据为第一次数据，然后分别判断x轴中绝对值小于4的坐标点，以及判断y轴中绝对值小于4的坐标点，分别获取x轴上绝对值小于4的坐标点和y轴中绝对值小于4的坐标点，并存储，将已获取的坐标点为第一次获取的坐标点。接着再获取一次，如此类推，连续获取三次后，退出获取操作。以三次获取的坐标点，为目标雨量数据。
可选地，也可以适当增加获取次数，例如5次，6次等等。
在本实施例中，所述特征值计算组件用于采用所述目标雨量数据计算次序值、光波长、方位角信息等等。
具体地，各个特征的定义可以参照下表：
具体地：
第一次激光雷达返回的个数为f1；
第二次激光雷达返回的个数为f2；
第三次激光雷达返回的个数为f3；
第一次激光雷达返回的点距离均值为f4；
第二次激光雷达返回的点距离均值为f5；
第三次激光雷达返回的点距离均值为f6；
激光雷达返回的点次序值均值为f7；
激光雷达返回的点次序值方差为f8；
激光雷达返回的点距离均值为f9；
激光雷达返回的点方位角均值为f10；
激光雷达返回的点俯仰角均值为f11；
激光雷达返回的点光谱波长均值为f12；
激光雷达返回的点光谱波长方差为f13；
激光雷达返回的点构成矩阵x方向特征值为f14；
激光雷达返回的点构成矩阵y方向特征值为f15；
激光雷达返回的点构成矩阵z方向特征值为f16；
在实际操作中，激光雷达可以在同一时刻发出光束，但由于反射物质不一样、可能存在雨水等原因，这些光束不一定会在同一时刻返回，因此需要根据这种特性统计每次返回了多少点，从f1到f3，代表的是前面3次返回的点的数目。从
参照图10，示出了本发明的激光雷达坐标的角度示意图，其中l代表当前点相对于激光雷达坐标系，距离坐标原点的矢量，
pw代表的是发射光谱波长，可以通过计算光谱波长均值和方差。
最后把数据预处理得到之后的点，统一计算每一帧激光雷达特征值作为特征向量(f1,…,f16)。
在实际操作中，均值计算方法可以使用如下公式：
方差计算方法可以使用如下公式计算：
距离计算方法可以使用如下公式进行计算：
俯仰角计算方法可以使用如下公式：
方位角计算方法可以使用如下公式计算：
而矩阵特征值求解方法可以使用奇异值分解(singularvaluedecomposition，简称svd)进行计算：
其中：
utu＝inxn
vtv＝ipxp
上述公式中，x、y、z可以分别为该雨量数据中雨滴在坐标轴中的距离值。可以通过上述公式可以计算需要的雨量数据对应的坐标点所返回次序值、x方向距离、y方向距离、z方向距离、返回点光谱波长等特征值，从而可以根据特征值计算得到雨量强度。
在本实施例中，所述神经网络计算组件用于采用所述次序值、光波长、方位角信息进行矩阵计算，得到多个概率值，每个所述概率值对应一个雨量强度。
在实际操作中，可以将各个特征值作为初值，然后代入目标训练模型中参与矩阵计算，最后得到一个或多个概率值。在目标训练模型中，每个概率值对应一个或多个雨量强度，最后获取的每个概率值可以对应一个或多个雨量强度。
其中，雨量强度可以为具体的雨量值，例如，降雨量5毫米，降雨量0.5毫米等等。
所述数据后处理组件用于获取数值最大的所述概率值对应的雨量强度。
在本实施例中，由于目标训练模型可以根据特征值计算出一个或多个概率值，例如10％、20％、30％、40％。10％对应1毫米，20％对应1.5毫米，30％对应2毫米，40％对应2.5毫米。而数值最高的概率值对应的雨量强度可以为计算得到最贴近当前环境的雨量强度，则数据处理后组件可以从多个概率值中，获取数值最高的概率值对应的雨量强度为最终获取的目标雨量强度。
可选地，该雨量强度也可以是降雨量值，或当前的降雨量值或单位时间内的降雨量值等等。
在本实施例中，信息传输单元203可以用于接收所述雨量强度，并将所述雨量强度发送至所述信息存储单元。
需要说明的是，信息传输单元203在接收雨量强度后，还可以将雨量强度传输至其他连接的下游模块，例如，终端，服务器。
在具体实现中，信息传输单元203可以是集成的传输电路，可以设置通信单元，可以通信单元与外接设备进行交互通信，实现数据传输。外接设备可以是外接的服务器、终端、汽车控制器、后台监控平台等等。
采用信息传输单元可以进行实时的雨量强度传输，可以将雨量强度传输至信息存储单元、服务器、终端或汽车等，可以提高信息的传输效率。
在本实施例中，信息存储单元204可以用于存储所述雨量强度。
在具体实现中，信息存储单元204可以是集成的内存电路模块或数据库等等。
在本实施例中，整个雨量计算系统可以设置在不同的地方，可以设在路边，如围栏或电线杆上，可以在露天的环境中进行雨量计算；也可以设置在汽车中，跟随汽车在露天环境中一遍行驶一遍进行检测计算。
在本实施例中，所述雨量计算系统还可以包括数字轨控制单元205，该数字轨控制单元205可以用于接收所述雨量强度，并根据所述雨量强度生成决策结果，并将决策结果发送至服务器或汽车终端。
可选地，决策结果可以包括切换路线，驾驶模式切换，警报预警等等。用户以及驾驶员可以针对决策结果执行相应的操作，从而可以提高驾驶的安全系数。
参照图11，示出了本发明的数字轨控制单元的决策步骤流程图。数字轨控制单元可以接收信息存储单元发送的雨量强度，根据雨量强度生成决策信息，最后将决策信息发送至服务器或汽车终端。
在本发明优选的实施例中，提出了一种雨量计算系统，该雨量计算系统可以包括激光雷达、计算单元、信息传输单元、信息存储单元以及数字轨控制单元；所述激光雷达用于采集外界环境的雨量数据；所述计算单元用于采用所述雨量数据分别生成目标训练模型和特征值，根据所述特征值与所述目标训练模型计算得到雨量强度；所述信息传输单元用于接收所述雨量强度，并将所述雨量强度发送至所述信息存储单元；所述信息存储单元用于存储所述雨量强度，所述数字轨控制单元用于接收所述雨量强度，并根据所述雨量强度生成决策结果。本发明使用激光雷达进行数据采集，采集精度高，可以采集大量数据进行分析，数据传输快；而且可以通过计算单元设置分辨率大小，可以通过分辨率调整测量范围，可以扩大测量范围，同时整个系统结构简单，可以安装设置不同的地方，灵活性强。
参照图12，示出了本发明的一种雨量计算方法实施例一的步骤流程图，该方法可以应用与雨量计算系统中。
具体地，该方法可以包括：
步骤1201，获取激光雷达采集的当前环境的雨量数据；
在本实施例中，该雨量数据可以包括雨滴数量、雨滴方向、降雨量、降雨时间等等。具体地，该雨量数据可以与上述系统实施例相同，可以参照上述实施例，为了避免重复，在此不再赘述。
步骤1202，采用所述雨量数据设计目标训练模型，和计算得到特征值，根据所述特征值与所述目标训练模型计算得到雨量强度；
在本实施例中，特征值可以是雨量数据在网络计算中的对应值，例如，若雨量数据为雨滴数量，特征值可以是雨滴数量值；若雨量数量为雨滴方向，特征值可以是雨滴方向的向量；若雨量数据为降雨量，特征值可以是对应的降雨容量等等。目标训练模型可以是计算机电路进行雨量计算的对应的训练计算函数。
具体地，该特征值与目标训练模型可以与上述系统实施例相同，可以参照上述实施例，为了避免重复，在此不再赘述
步骤1203，接收所述雨量强度并存储所述雨量强度。
在本实施例中，该雨量强度也可以是降雨量值，或当前的降雨量值或单位时间内的降雨量值等等。
具体地，该步骤可以与上述系统实施例相同，可以参照上述实施例，为了避免重复，在此不再赘述。
在本发明可选的实施例中，通过获取激光雷达采集的当前环境的雨量数据；采用所述雨量数据分别生成目标训练模型和特征值，根据所述特征值与所述目标训练模型计算得到雨量强度；最后接收所述雨量强度并存储所述雨量强度。本发明使用激光雷达进行数据采集，采集精度高，可以采集大量数据进行分析，数据传输快；而且可以通过计算单元设置分辨率大小，可以通过分辨率调整测量范围，可以扩大测量范围，同时整个系统结构简单，可以安装设置不同的地方，灵活性强。
参照图13，示出了本发明的一种雨量计算方法实施例二的步骤流程图，该方法可以应用于雨量计算系统中。
具体地，该方法可以包括：
步骤1301，获取激光雷达采集的当前环境的雨量数据。
具体地，该雨量数据可以与上述系统实施例相同，可以参照上述实施例，为了避免重复，在此不再赘述。
步骤1302，采用所述雨量数据设计目标训练模型，和计算得到特征值，根据所述特征值与所述目标训练模型计算得到雨量强度。
参照图14，示出了本发明计算雨量强度的步骤流程图。在本实施例中，步骤1302可以包括以下子步骤：
子步骤13021，根据所述雨量数据设计目标训练模型。
具体地，该步骤可以与上述系统实施例相同，可以参照上述实施例，为了避免重复，在此不再赘述。
可选地，所述采用所述雨量数据计算得到目标训练模型可以包括以下子步骤：
定义测量分辨率，所述测量分辨率对应多个雨量区间段。
具体地，该步骤可以与上述系统实施例相同，可以参照上述实施例，为了避免重复，在此不再赘述。
采集当前环境的高精度雨量数据，所述高精度雨量数据对应一个所述雨量区间段。
具体地，该步骤可以与上述系统实施例相同，可以参照上述实施例，为了避免重复，在此不再赘述。
根据所述高精度雨量数据，从所述多个所述雨量区间段中确定对应的目标雨量区间段。
具体地，该步骤可以与上述系统实施例相同，可以参照上述实施例，为了避免重复，在此不再赘述。
根据所述目标雨量区间段更新预设的训练模型，得到目标训练模型。
具体地，该步骤可以与上述系统实施例相同，可以参照上述实施例，为了避免重复，在此不再赘述。
可选地，子步骤所述根据所述目标雨量区间段更新预设的训练模型，得到目标训练模型还可以包括以下子步骤：
标注所述目标雨量区间段和所述高精度雨量数据，得到标注数据。
具体地，该步骤可以与上述系统实施例相同，可以参照上述实施例，为了避免重复，在此不再赘述。
采用预设的全卷积网络和全连接层计算所述标注数据，设计得到计算模型；
具体地，该步骤可以与上述系统实施例相同，可以参照上述实施例，为了避免重复，在此不再赘述。
采用所述计算模型计算所述高精度雨量数据，生成更新训练模型；
具体地，该步骤可以与上述系统实施例相同，可以参照上述实施例，为了避免重复，在此不再赘述。
采用所述更新训练模型替换预设的训练模型，得到目标训练模型
具体地，该步骤可以与上述系统实施例相同，可以参照上述实施例，为了避免重复，在此不再赘述。
子步骤13022，对所述雨量数据进行预处理，计算得到特征值，采用所述特征值与所述目标训练模型计算得到雨量强度。
具体地，该步骤可以与上述系统实施例相同，可以参照上述实施例，为了避免重复，在此不再赘述。
可选地，所述特征值包括次序值、光波长、方位角信息；
在本实施例中，子步骤13022还可以包括以下子步骤：
根据预设的数据范围从所述当前雨量数据获取对应的目标雨量数据；
具体地，该步骤可以与上述系统实施例相同，可以参照上述实施例，为了避免重复，在此不再赘述。
采用所述目标雨量数据计算次序值、光波长、方位角信息；
具体地，该步骤可以与上述系统实施例相同，可以参照上述实施例，为了避免重复，在此不再赘述。
采用所述次序值、光波长、方位角信息进行矩阵计算，得到多个概率值，每个所述概率值对应一个雨量强度；
具体地，该步骤可以与上述系统实施例相同，可以参照上述实施例，为了避免重复，在此不再赘述。
获取数值最大的所述概率值对应的雨量强度。
在本实施例中，雨量强度也可以是降雨量值，或当前的降雨量值或单位时间内的降雨量值等等。
具体地，该步骤可以与上述系统实施例相同，可以参照上述实施例，为了避免重复，在此不再赘述。
步骤1303，接收所述雨量强度并存储所述雨量强度。
具体地，该步骤可以与上述系统实施例相同，可以参照上述实施例，为了避免重复，在此不再赘述。
步骤1304，接收所述雨量强度，并根据所述雨量强度生成决策结果。
具体地，该步骤可以与上述系统实施例相同，可以参照上述实施例，为了避免重复，在此不再赘述。
在本发明优选的实施例中，通过获取激光雷达采集的当前环境的雨量数据。采用所述雨量数据分别生成目标训练模型和特征值，根据所述特征值与所述目标训练模型计算得到雨量强度。接收所述雨量强度并存储所述雨量强度。接收所述雨量强度，并根据所述雨量强度生成决策结果。本发明使用激光雷达进行数据采集，采集精度高，可以采集大量数据进行分析，数据传输快；而且可以通过计算单元设置分辨率大小，可以通过分辨率调整测量范围，可以扩大测量范围，同时整个系统结构简单，可以安装设置不同的地方，灵活性强。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
本发明实施例还提供了一种装置，包括：
一个或多个处理器；和
其上存储有指令的一个或多个机器可读介质，当由所述一个或多个处理器执行时，使得所述装置执行本发明实施例所述的方法。
本发明实施例还提供了一个或多个机器可读介质，其上存储有指令，当由一个或多个处理器执行时，使得所述处理器执行本发明实施例所述的方法。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种雨量计算方法和一种雨量计算系统，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
- 还没有人留言评论。精彩留言会获得点赞！