基于雷达的物体识别方法、装置及智能电子秤与流程

1.本发明涉及物体识别的技术领域，尤其涉及一种基于雷达的物体识别方法、装置及智能电子秤。


背景技术：

2.在日常生活中，在购买如蔬菜、水果、肉类等生活必需品时，会用到秤给商品称重以确定商品重量，最后由买家支付等价的金钱来交换。由于传统的秤砣和秤杆的称重方式容易出现误差，为了提高称重的准确度，现已改用智能电子秤称重。
3.其中一种常用的智能电子秤是智能图像识别电子秤，此电子秤是在原来电子秤上增加了摄像头来采集商品的图像信息，再由后台处理器对图像信息进行识别分类，以确定商品的类型、重量和价格等信息，以提高称重与识别的效率。
4.但目前常用的智能图像识别电子秤有如下技术问题：每次称重时仍然需要用户在电子秤的触控屏幕中选择称重物体的类型及其单价，再将物体放置在电子秤中称重，操控繁琐，而且不同的商品在称重前已使用了不同颜色的透明塑料袋包装好，而不同颜色的袋子在不同环境和不同光强下折射率不同，使得摄像头在采集物体图像时容易出现偏差，导致识别不准确，降低了识别的准确率，若增加多个摄像头进行多张图像拍摄并进行相应的识别，会增加智能电子秤的制造成本，使得整个电子秤的结构更加复杂，用户难以使用。


技术实现要素：

5.本发明提出一种基于雷达的物体识别方法、装置及智能电子秤，所述智能电子秤可以在简化其结构和体积基础上，通过雷达对商品进行直接检测，以避免因商品外观与环境因素的影响而导致识别出错的情况，提高识别的准确率。
6.本发明实施例的第一方面提供了一种智能电子秤，所述智能电子秤包括：用于承托物体的托盘、用于处理检测数据的控制机以及用于检测的第一雷达组件；
7.所述控制机设置在所述托盘侧边，所述第一雷达组件与所述控制机连接；
8.所述第一雷达组件设置在所述托盘的底面，并从所述托盘的底面向上朝向所述托盘的顶面。
9.在第一方面的一种可能的实现方式中，所述控制机还设有第二雷达组件，所述第二雷达组件朝向所述托盘的顶面。
10.在第一方面的一种可能的实现方式中，所述第一雷达组件和所述第二雷达组件均包括：一个发射雷达传感器和两个接收雷达传感器。
11.在第一方面的一种可能的实现方式中，所述第一雷达组件与所述托盘的底面的距离为：5～10毫米。
12.在第一方面的一种可能的实现方式中，还包括：用于与用户进行信息交互的触控屏以及用于承托所述托盘的秤体；
13.所述触控屏与所述控制机连接，所述秤体设置在所述托盘的底部。
14.在第一方面的一种可能的实现方式中，所述托盘采用硬质塑料。
15.本发明实施例的第二方面提供了一种基于雷达的物体识别方法，所述方法适用于如上所述的智能电子秤，所述方法包括：
16.当托盘放置物体后，按照预设时间上电预热雷达并调用雷达采集物体的特征数据；
17.利用所述特征数据计算物体的特征分类值；
18.将所述特征分类值输入至经过模型训练的随机森林分类器中进行物体识别，得到识别结果。
19.在第二方面的一种可能的实现方式中，所述调用雷达采集物体的特征数据，包括：
20.控制雷达在一个调频周期内虚拟出若干条采集通道；
21.利用每条所述采集通道分别采集多个样本值；
22.分别计算每条所述采集通道对应的通道特征值，以及分别计算每个所述样本值的样本特征值；
23.将所述样本值、所述通道特征值以及所述样本特征值相加得到特征数据。
24.在第二方面的一种可能的实现方式中，所述模型训练具体为：
25.分别获取多个样本数据，其中，每个样本数据为在连续的若干日里，分别通过雷达连续采集托盘上是物体在位置和方向放置时的物体数据；
26.随机从所述多个样本数据中提取若干数量作为训练数据，利用多个所述训练数据对所述随机森林分类器进行多次训练。
27.本发明实施例的第三方面提供了一种基于雷达的物体识别装置，所述装置适用于如上所述的智能电子秤，所述装置包括：
28.采集模块，用于当托盘放置物体后，按照预设时间上电预热雷达并调用雷达采集物体的特征数据；
29.计算模块，用于利用所述特征数据计算物体的特征分类值；
30.识别模块，用于将所述特征分类值输入至经过模型训练的随机森林分类器中进行物体识别，得到识别结果。
31.相比于现有技术，本发明实施例提供的一种基于雷达的物体识别方法、装置及智能电子秤，其有益效果在于：本发明在承托物体的托盘的底部设置雷达，由雷达向物体发送电磁波信号，并基于物体反射的电磁波信号识别物体类型；整个智能电子秤不但结构简单，体积小，可以方便用户携带，而且可以降低制造成本，提高识别的准确率，也可以方便用户操作使用，以提高用户是使用体验，有利于推广应用。
附图说明
32.图1是本发明一实施例提供的一种智能电子秤的结构示意图；
33.图2是本发明一实施例提供的一种智能电子秤的后视图；
34.图3是本发明一实施例提供的托盘的结构示意图；
35.图4是本发明一实施例提供的一种结合雷达和摄像头的物体识别方法的流程示意图；
36.图5是本发明一实施例提供的一种结合雷达和摄像头的物体识别装置的结构示意
图。
具体实施方式
37.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
38.目前常用的智能图像识别电子秤有如下技术问题：每次称重时仍然需要用户在电子秤的触控屏幕中选择称重物体的类型及其单价，再将物体放置在电子秤中称重，操控繁琐，而且不同的商品在称重前已使用了不同颜色的透明塑料袋包装好，而不同颜色的袋子在不同环境和不同光强下折射率不同，使得摄像头在采集物体图像时容易出现偏差，导致识别不准确，降低了识别的准确率。
39.为了解决上述问题，下面将通过以下具体的实施例对本技术实施例提供的一种智能电子秤进行详细介绍和说明。
40.参照图1-2，分别示出了本发明一实施例提供的一种智能电子秤的结构示意图和本发明一实施例提供的一种智能电子秤的后视图。
41.其中，作为示例的，所述智能电子秤可以包括：用于承托物体的托盘1、用于处理检测数据的控制机2以及用于检测的第一雷达组件3；
42.所述控制机2设置在所述托盘1侧边，所述第一雷达组件3与所述控制机2连接；
43.所述第一雷达组件3设置在所述托盘1的底面，并从所述托盘1的底面向上朝向所述托盘1的顶面。
44.具体地，当物体放置在托盘1上后，托盘1底部的雷达可以向上朝物体发射电磁波，并接收物体反射的电磁波，将物体反射的电磁波传输至控制机2中，由控制机2对电磁波进行识别，以确定物体具体的类型及重量等信息。
45.为了进一步提高检测和识别的准确率，在一实施例中，所述控制机2还设有第二雷达组件，所述第二雷达组件朝向所述托盘1的顶面。
46.在使用时，第一雷达组件3和第二雷达组件可以同时向物体发射电磁波，从而可以接收两个反射的电磁波信号，再通过两个反射的电磁波信号进行物体识别。
47.可选地，所述第一雷达组件3和所述第二雷达组件均可以包括：一个发射雷达传感器和两个接收雷达传感器。
48.在一应用场景中，两个发射雷达传感器可以同时向物体发射电磁波，然后通过四个雷达传感器同时物体反射的电磁波信号。
49.可选地，每个雷达组件也可以包括：多个发射雷达传感器和多个接收雷达传感器。例如，可以是3个发射雷达传感器和8个接收雷达传感器、4个发射雷达传感器和16个接收雷达传感器、4个发射雷达传感器和2个接收雷达传感器或3个发射雷达传感器和6个接收雷达传感器等。
50.为了方便用户查看所识别的各种物体信息，参照图1-2，在一实施例中，智能电子秤还可以包括：用于与用户进行信息交互的触控屏4。
51.其中，触控屏4可以与控制机2连接。
52.在一实施例中，为了提高托盘1的承重能力，以提高托盘1的稳定性，参照图1-2，智能电子秤还可以包括用于承托所述托盘1的秤体5；
53.所述秤体5设置在所述托盘1的底部。
54.在使用时，若托盘1底部的第一雷达组件3与托盘1距太远，所接收的电磁波信号可能出现衰减，导致识别不准确，若托盘1底部的第一雷达组件3与托盘1距太近，所接收的电磁波信号可能与发射的电磁波发生碰撞，也可能导致识别不准确。
55.参照图3，示出了本发明一实施例提供的托盘的结构示意图。在一实施例中，为了能减少干扰，提高识别的准确率，所述第一雷达组件3与所述托盘1的底面的距离为：5～10毫米。
56.优选地，第一雷达组件3与托盘1的底面之间的间隙距离可以是7或8毫米。
57.为了进一步增加电磁波信号的穿透力，在一实施例中，所述托盘1可以采用硬质塑料。例如聚四氟乙烯、聚碳酸酯和abs塑料等。
58.在本实施例中，本发明实施例提供了一种智能电子秤，其有益效果在于：本发明在承托物体的托盘的底部设置雷达，由雷达向物体发送电磁波信号，并基于物体反射的电磁波信号识别物体类型；整个智能电子秤不但结构简单，体积小，可以方便用户携带，而且可以降低制造成本，提高识别的准确率，也可以方便用户操作使用，以提高用户是使用体验，有利于推广应用。
59.本发明实施例还提供了一种基于雷达的物体识别方法。
60.所述方法适用于如上述实施例所述的智能电子秤。
61.参照图4，示出了本发明一实施例提供的一种基于雷达的物体识别方法的流程示意图。
62.其中，作为示例的，所述基于雷达的物体识别方法，可以包括：
63.s11、当托盘放置物体后，按照预设时间上电预热雷达并调用雷达采集物体的特征数据。
64.在使用时，待确定有物体放置在托盘上，可以对第一雷达组件中的雷达传感器进行5-15分钟的预热，然后在调用雷达传感器向上发射电磁波信号，然后接收物体反射的电磁波信号。
65.承接上述实施例中，由于接收的雷电传感器可能有多个，使得接收的电磁波信号可能有多个，为了区分多个电磁波信号，其中，作为示例的，步骤s11可以包括以下子步骤：
66.子步骤s111、控制雷达在一个调频周期内虚拟出若干条采集通道。
67.承接上述实施例，可以将每个接收雷达传感器作为一条采集通道，从而可以将多个接收雷达传感器划分成多条采集通道。为了能准确采集物体反射的电磁波，可以以一个调频周期的数据作为物体反射的电磁波。
68.子步骤s112、利用每条所述采集通道分别采集多个样本值。
69.在一实施例中，样本值可以是样本点。
70.子步骤s113、分别计算每条所述采集通道对应的通道特征值，以及分别计算每个所述样本值的样本特征值。
71.样本特征值可以是从多个样本值中筛选若干个具有共同特征的样本值，再求具有共同特征的样本值的绝对值、均方根值、极大值、极小值和平均值等后得到。
72.在一实施例中，通道特征值可以是平均值和绝对值。
73.子步骤s114、将所述样本值、所述通道特征值以及所述样本特征值相加得到特征数据。
74.具体以下述例子进行说明，例如，假设有8条采集通道，每条采集通道可以采集128个样本点，然后8条采集通道共采集得到1024个样本值，然后对8条采集通道的整体样本点分别求平均值和绝对值，即128个平均值加128个绝对值得到256个通道特征值，接着再从多个样本值提取每个通道中具有共同特征的样本值(假设8个)，再求这8个具有共同特征的绝对值和均方根值，得到16个样本特征值，以及再求8条通道的全局极大值、极小值、平均值、绝对值和均方根值，得到5个样本特征值，这样又可得到21个特征，最后将1024 256 16 5＝1301个特征数据。
75.s12、利用所述特征数据计算物体的特征分类值。
76.在一实施例中，可以将特征数据输入至预设的计算公式中，计算得到该物体的特征分类值。
77.其中，预设的计算公式可以是用户经过实验计算得到的公式，具体可以根据实际需要进行调整。
78.s13、将所述特征分类值输入至经过模型训练的随机森林分类器中进行物体识别，得到识别结果。
79.最后可以将特征分类值输入至经过模型训练的随机森林分类器，使随机森林分类器可以输出一个分类得分值，然后基于分类得分值的取值范围确定物体的类型。
80.例如，用户可以预先给各种物体分配对应的取值范围，例如，设定有a、b、c、d四种物体，然后四种物体分别对应的取值范围为1-2、3-4、5-6、7-8。
81.计算得到分类得分值为3.5，其对一个的取值范围为3-4，则识别得到物体为b。
82.在其中一种的实施例中，所述模型训练具体为：
83.s21、分别获取多个样本数据，其中，每个样本数据为在连续的若干日里，分别通过雷达连续采集托盘上是物体在位置和方向放置时的物体数据。
84.s22、随机从所述多个样本数据中提取若干数量作为训练数据，利用多个所述训练数据对所述随机森林分类器进行多次训练。
85.例如，可以对雷达的数据样本进行采集,在一天的时间里选取5个时间段,每个时间段里可以放置不同数量的商品(放在塑料袋或是纸盒中的商品数量可以不同，但要求必须是同一种商品)，每个时间段里要采集100次雷达数据，每次采集上述一个调频周期内对应的每个通道128个数据点(一次共8个通道)，每采集完成一次雷达原始数据后通知用户，然后调整商品的放置位置和方向，然后启动下次的雷达数据采集。这样一个商品采集5天后，就是2500个用于机器学习的样本，其它商品同理。
86.然后再随机从2500个中筛选2000个作为训练样本来训练的随机森林分类器,其余的样本作为测试样本来测试我们训练好的随机森林分类器。
87.按照这个数据采集流程可以获得大量需要的训练样本，把这些样本给到随机森林分类器来训练，经过一系列的迭代，就可以得到每个树枝的加权系数，样本训练迭代完，每个分枝系数就会定下来，模型也就训练好了。第因为每个分枝的系数都定了，通过加权迭代，最后会有一个分枝的输出概率最大，对应这个分枝的商品名就是识别的分类结果。
88.在本实施例中，本发明实施例提供了一种基于雷达的物体识别方法，其有益效果在于：本发明可以通过雷达向物体发送电磁波信号，并基于物体反射的电磁波信号识别物体类型，不但可以提高识别的准确率，也可以方便用户操作使用。
89.本发明实施例还提供了一种基于雷达的物体识别装置，参见图5，示出了本发明一实施例提供的一种基于雷达的物体识别装置的结构示意图。
90.所述装置适用于如上所述的智能电子秤。
91.其中，作为示例的，所述基于雷达的物体识别装置可以包括：
92.采集模块501，用于当托盘放置物体后，按照预设时间上电预热雷达并调用雷达采集物体的特征数据；
93.计算模块502，用于利用所述特征数据计算物体的特征分类值；
94.识别模块503，用于将所述特征分类值输入至经过模型训练的随机森林分类器中进行物体识别，得到识别结果。
95.可选地，所述采集模块还用于：
96.控制雷达在一个调频周期内虚拟出若干条采集通道；
97.利用每条所述采集通道分别采集多个样本值；
98.分别计算每条所述采集通道对应的通道特征值，以及分别计算每个所述样本值的样本特征值；
99.将所述样本值、所述通道特征值以及所述样本特征值相加得到特征数据。
100.可选地，所述模型训练具体为：
101.分别获取多个样本数据，其中，每个样本数据为在连续的若干日里，分别通过雷达连续采集托盘上是物体在位置和方向放置时的物体数据；
102.随机从所述多个样本数据中提取若干数量作为训练数据，利用多个所述训练数据对所述随机森林分类器进行多次训练。
103.进一步的，本技术实施例还提供了一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例所述的基于雷达的物体识别方法。
104.进一步的，本技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如上述实施例所述的基于雷达的物体识别方法。
105.以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。