车辆异味评价确定方法、系统、电子设备及可读存储介质与流程

1.本发明涉及汽车质量检测技术领域，尤其涉及一种车辆异味评价确定方法、系统、电子设备及可读存储介质。


背景技术：

2.随着汽车行业的不断进步，车辆评判标准也在不断完善，车辆异味评判作为影响用户体验和用户健康的因素，也成为了车辆制造中的重要一环。目前，对车辆的异味评判方法常常需要向车辆分配气味评价员，通过人工方式在现场评价气味等级，但是，不同车辆零部件对气味的影响并不一致，通过人工现场评价气味等级的方法存在滞后性，使得问题零部件对车辆气味影响无法及时发现，从而影响汽车零部件采购和汽车生产。为了及时发现问题零件对车辆气味的影响，通过机器学习模型对车辆异味等级进行预测成为了可行的方法。
3.但是，一方面，作为训练样本的车辆气味数据中，不合格数据占很小的比例，每类标签的数据分布不均匀，另一方面，气味数据无法直观确定气味等级，需要通过建立复杂的公式推导和迭代计算建立气味数据与气味等级之间的关联关系，从而从两方面导致通过机器学习模型对车辆异味等级进行预测的预测准确率较低，无法达到车辆生产需求。


技术实现要素：

4.为了对披露的实施例的一些方面有基本的理解，下面给出了简单的概括。所述概括不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围，而是作为后面的详细说明的序言。
5.鉴于以上所述现有技术的缺点，本发明公开了一种车辆异味评价确定方法、系统、电子设备及可读存储介质，以提高车辆异味评价的准确率。
6.本发明提供了一种车辆异味评价确定方法，包括：获取训练样本集，其中，所述训练样本集包括多个异味样本数据和各所述异味样本数据对应的异味评价标签；对所述异味评价标签对应的标签分布函数进行标签分布平滑处理，得到所述异味评价标签对应的平滑分布函数，并根据所述平滑分布函数确定各所述异味样本数据对应的样本权重，其中，所述标签分布函数根据所述异味评价标签的标签密度分布确定；基于分类回归树建立预设机器学习模型对应的弱学习器，并将带有所述样本权重的训练样本集导入所述预设机器学习模型，以根据基于所述弱学习器建立的损失函数对所述预设机器学习模型进行迭代训练，并将训练完成的预设机器学习模型确定为异味评价模型；获取目标车辆的目标气味数据，并将所述目标气味数据输入所述异味评价模型，得到所述目标气味数据对应的异味评价结果。
7.可选地，对所述异味评价标签对应的标签分布函数进行标签分布平滑处理，得到所述异味评价标签对应的平滑分布函数，包括：根据所述训练样本集中各异味评价标签的标签密度分布建立所述异味评价标签对应的标签分布函数；根据预设的对称核函数对所述
标签分布函数进行卷积，以对所述标签分布函数进行标签分布平滑处理，得到所述异味评价标签对应的平滑分布函数。
8.可选地，根据所述平滑分布函数确定各所述异味样本数据对应的样本权重，包括：将任一异味评价标签确定为目标标签；从所述平滑分布函数中统计目标样本数据的数量，得到目标样本数，并统计所述异味样本数据的数量，得到样本数据总数，其中，所述目标样本数据为具有所述目标标签的异味样本数据；根据所述目标样本数和所述样本数据总数进行计算，得到所述目标样本数据对应的样本权重。
9.可选地，通过以下方法确定所述预设机器学习模型的损失函数：将对所述预设机器学习模型进行迭代训练的任一训练轮次确定为当前轮次，将当前轮次之前的训练轮次确定为历史轮次；在对所述预设机器学习模型进行所述当前轮次的训练时，根据所述历史轮次的弱学习器对弱学习器进行迭代学习，得到所述当前轮次对应的弱学习器，并根据所述当前轮次对应的弱学习器拟合所述历史轮次的回归树残差；根据所述回归树残差和所述当前轮次对应的弱学习器确定所述当前轮次对应的强学习器，并根据所述弱学习器和所述强学习器确定所述预设机器学习模型在所述当前轮次对应的损失函数。
10.可选地，获取训练样本集，包括：将预设的待采样车辆划分为多个车辆零部件；分别对各所述车辆零部件进行气味检测，得到各所述车辆零部件对应的零部件异味分数，并对所述待采样车辆内部进行气味检测，基于气味检测结果从预设评价等级中确定所述待采样车辆对应的异味评价等级；将各所述车辆零部件对应的零部件异味分数确定为一异味样本数据，并将所述异味评价等级确定为所述异味样本数据对应的异味评价标签；采集多个待采样车辆的异味样本数据和异味评价标签，得到训练样本集。
11.可选地，采集多个待采样车辆的异味样本数据和异味评价标签，得到训练样本集，包括：预先建立样本数据表格，其中，所述样本数据表格包括零部件名称字段和评价等级字段；采集多个待采样车辆的异味样本数据和异味评价标签；根据所述零部件名称字段分别将各所述异味样本数据填入所述样本数据表格，并根据所述评价等级字段分别将各所述异味评价标签填入所述样本数据表格；将填入所述异味样本数据和所述异味评价标签的样本数据表格确定为训练样本集。
12.可选地，获取训练样本集之后，对所述异味评价标签对应的标签分布函数进行标签分布平滑处理，得到所述异味评价标签对应的平滑分布函数之前，所述方法还包括以下至少一种：从各所述零部件异味分数中确定数据异常值，将所述数据异常值对应的车辆零部件确定为目标零部件，并根据所述目标零部件对应的各零部件异味分数更新所述数据异常值；对所述训练样本集中的零部件异味分数和/或异味评价等级进行归一化处理。
13.本发明提供了一种车辆异味评价确定系统，包括：获取模块，用于获取训练样本集，其中，所述训练样本集包括多个异味样本数据和各所述异味样本数据对应的异味评价标签；权重模块，用于对所述异味评价标签对应的标签分布函数进行标签分布平滑处理，得到所述异味评价标签对应的平滑分布函数，并根据所述平滑分布函数确定各所述异味样本数据对应的样本权重，其中，所述标签分布函数根据所述异味评价标签的标签密度分布确定；训练模块，用于基于分类回归树建立预设机器学习模型对应的弱学习器，并将带有所述样本权重的训练样本集导入所述预设机器学习模型，以根据基于所述弱学习器建立的损失函数对所述预设机器学习模型进行迭代训练，并将训练完成的预设机器学习模型确定为异
味评价模型；确定模块，用于获取目标车辆的目标气味数据，并将所述目标气味数据输入所述异味评价模型，得到所述目标气味数据对应的异味评价结果。
14.本发明提供了一种电子设备，包括：处理器及存储器；所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述电子设备执行上述的方法。
15.本发明提供了一种计算机可读存储介质，其上存储有计算机程序：所述计算机程序被处理器执行时实现上述的方法。
16.本发明的有益效果：
17.根据对异味评价标签进行标签分布平滑处理得到平滑分布函数，根据标签分布函数确定各异味样本数据对应的样本权重，并将带有样本权重的训练样本集导入带有弱学习器的预设机器学习模型进行迭代训练，从而将目标气味数据输入训练完成的异味评价模型，得到异味评价结果。这样，一方面，通过异味评价标签对应的标签分布函数确定各异味样本数据对应的样本权重，克服车辆气味数据中每类标签的数据分布不均匀的问题，另一方面，对机器学习模型进行迭代训练没有复杂的公式推导和迭代计算，从而从两方面解决了机器学习模型对车辆气味评价不准确的问题，提高了车辆异味评价的准确率，及时发现问题零部件对车辆气味影响，从而对零部件采购和车辆生产提供参考。
附图说明
18.图1是本发明实施例中一个车辆异味评价确定方法的流程示意图；
19.图2是本发明实施例中一个异味评价模型的训练方法的流程示意图；
20.图3是本发明实施例中另一个车辆异味评价确定方法的流程示意图；
21.图4是本发明实施例中一个车辆异味评价确定系统的结构示意图；
22.图5是本发明实施例中一个电子设备的示意图。
具体实施方式
23.以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的子样本可以相互组合。
24.需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
25.在下文描述中，探讨了大量细节，以提供对本发明实施例的更透彻的解释，然而，对本领域技术人员来说，可以在没有这些具体细节的情况下实施本发明的实施例是显而易见的，在其他实施例中，以方框图的形式而不是以细节的形式来示出公知的结构和设备，以避免使本发明的实施例难以理解。
26.本公开实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用
于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开实施例的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含。
27.除非另有说明，术语“多个”表示两个或两个以上。
28.本公开实施例中，字符“/”表示前后对象是一种“或”的关系。例如，a/b表示：a或b。
29.术语“和/或”是一种描述对象的关联关系，表示可以存在三种关系。例如，a和/或b，表示：a或b，或，a和b这三种关系。
30.结合图1所示，本公开实施例提供了一种车辆异味评价确定方法，包括：
31.步骤s101，获取训练样本集；
32.其中，训练样本集包括多个异味样本数据和各异味样本数据对应的异味评价标签；
33.步骤s102，对异味评价标签对应的标签分布函数进行标签分布平滑处理，得到异味评价标签对应的平滑分布函数，并根据平滑分布函数确定各异味样本数据对应的样本权重；
34.其中，标签分布函数根据异味评价标签的标签密度分布确定；
35.步骤s103，基于分类回归树建立预设机器学习模型对应的弱学习器，并将带有样本权重的训练样本集导入预设机器学习模型，以根据基于弱学习器建立的损失函数对预设机器学习模型进行迭代训练，并将训练完成的预设机器学习模型确定为异味评价模型；
36.步骤s104，获取目标车辆的目标气味数据，并将目标气味数据输入异味评价模型，得到目标气味数据对应的异味评价结果。
37.采用本公开实施例提供的车辆异味评价确定方法，根据对异味评价标签进行标签分布平滑处理得到平滑分布函数，根据标签分布函数确定各异味样本数据对应的样本权重，并将带有样本权重的训练样本集导入带有弱学习器的预设机器学习模型进行迭代训练，从而将目标气味数据输入训练完成的异味评价模型，得到异味评价结果。这样，一方面，通过异味评价标签对应的标签分布函数确定各异味样本数据对应的样本权重，克服车辆气味数据中每类标签的数据分布不均匀的问题，另一方面，对机器学习模型进行迭代训练没有复杂的公式推导和迭代计算，从而从两方面解决了机器学习模型对车辆气味评价不准确的问题，提高了车辆异味评价的准确率，及时发现问题零部件对车辆气味影响，从而对零部件采购和车辆生产提供参考。
38.可选地，获取训练样本集，包括：将预设的待采样车辆划分为多个车辆零部件；分别对各车辆零部件进行气味检测，得到各车辆零部件对应的零部件异味分数，并对待采样车辆内部进行气味检测，基于气味检测结果从预设评价等级中确定待采样车辆对应的异味评价等级；将各车辆零部件对应的零部件异味分数确定为一异味样本数据，并将异味评价等级确定为异味样本数据对应的异味评价标签；采集多个待采样车辆的异味样本数据和异味评价标签，得到训练样本集。
39.在一些实施例中，车辆零部件包括仪表盘、副仪表盘、车门内饰板、背门内饰板、侧围内饰板、前排座椅、后排座椅、顶棚、地毯、空调主机、行李舱地毯、行李舱左右侧饰板、遮阳板、转向盘、车门密封条、门框密封条、背门密封条、前围隔音垫、轮罩隔音垫、仪表线束、底板线束、行李舱遮物帘等零部件中的至少一部分。
40.在一些实施例中，基于车辆零部件对应的供应商提供车辆零部件对应的零部件异味分数。
41.在一些实施例中，采集多个待采样车辆的异味样本数据和异味评价标签，得到训练样本集，包括：从各个汽车生产基地采集各个车型最近时间段内的零部件异味分数和异味评价等级；将零部件异味分数和异味评价等级分别作为异味样本数据和异味评价标签以excel表格的形式进行存储。
42.可选地，采集多个待采样车辆的异味样本数据和异味评价标签，得到训练样本集，包括：预先建立样本数据表格，其中，样本数据表格包括零部件名称字段和评价等级字段；采集多个待采样车辆的异味样本数据和异味评价标签；根据零部件名称字段分别将各异味样本数据填入样本数据表格，并根据评价等级字段分别将各异味评价标签填入样本数据表格；将填入异味样本数据和异味评价标签的样本数据表格确定为训练样本集。
43.在一些实施例中，由于不同车型的零部件命名规则不同，对每种车辆零部件进行统一命名，得到零部件名称字段；将各待采样车辆的异味样本数据和异味评价标签分别映射到对应的字段，并根据所有待采样车辆的异味样本数据和异味评价标签生成表格，得到训练样本集。
44.可选地，获取训练样本集之后，对异味评价标签对应的标签分布函数进行标签分布平滑处理，得到异味评价标签对应的平滑分布函数之前，方法还包括：从各零部件异味分数中确定数据异常值，将数据异常值对应的车辆零部件确定为目标零部件，并根据目标零部件对应的各零部件异味分数更新数据异常值。
45.可选地，获取训练样本集之后，对异味评价标签对应的标签分布函数进行标签分布平滑处理，得到异味评价标签对应的平滑分布函数之前，方法还包括：对训练样本集中的零部件异味分数和/或异味评价等级进行归一化处理。
46.在一些实施例中，根据目标零部件对应的各零部件异味分数更新数据异常值，包括：将各零部件异味分数的平均值更新数据异常值。
47.在一些实施例中，对训练样本集中的零部件异味分数和/或异味评价等级进行归一化处理，包括：将零部件异味分数和/或异味评价等级映射在预设取值范围[1,10]之间。
[0048]
可选地，对异味评价标签对应的标签分布函数进行标签分布平滑处理，得到异味评价标签对应的平滑分布函数，包括：根据训练样本集中各异味评价标签的标签密度分布建立异味评价标签对应的标签分布函数；根据预设的对称核函数对标签分布函数进行卷积，以对标签分布函数进行标签分布平滑处理，得到异味评价标签对应的平滑分布函数。
[0049]
在一些实施例中，重采样、重加权等传统解决不平衡数据的方法通常是针对分类问题，由于分类问题中的不同标签之间具有硬性边界，不同类别标签之间没有重叠，能够将分类问题中不同标签的离散值域推广到连续域；但是，气味评价等级属于回归问题，不同气味评价等级之间存在相似性，通过重采样、重加权的方法舍弃了气味评价等级的相似性，样本数据中的实际标签密度分布并不能准确反映样本数据的不平衡，从而导致气味评价等级经过机器学习模型预测的准确性较低；而通过标签分布平滑处理标签分布函数，得到平滑分布函数，即得到有效标签密度，从而直观体现临近标签的数据样本之间的信息重叠问题，提高了模型确定气味评价等级的准确性。
[0050]
在一些实施例中，通过以下公式确定平滑分布函数：
[0051][0052]
式中，为异味评价标签对应的平滑分布函数，为预设的高斯核函数，p(y)为异味评价标签对应的标签分布函数，ψ为标签空间。
[0053]
可选地，根据平滑分布函数确定各异味样本数据对应的样本权重，包括：将任一异味评价标签确定为目标标签；从平滑分布函数中统计目标样本数据的数量，得到目标样本数，并统计异味样本数据的数量，得到样本数据总数，其中，目标样本数据为具有目标标签的异味样本数据；根据目标样本数和样本数据总数进行计算，得到目标样本数据对应的样本权重。
[0054]
在一些实施例中，通过平滑分布函数可以确定每种目标标签的目标样本数，通过目标样本数对样本数据总数进行计算，得到每种目标标签对应的样本权重。
[0055]
在一些实施例中，通过以下公式确定样本权重：
[0056][0057]
式中，ωn为第n个目标标签对应的样本权重，n
sum
为样本数据总数，nn为第n个目标标签对应的目标样本数。
[0058]
可选地，通过以下方法确定预设机器学习模型的损失函数：将对预设机器学习模型进行迭代训练的任一训练轮次确定为当前轮次，将当前轮次之前的训练轮次确定为历史轮次；在对预设机器学习模型进行当前轮次的训练时，根据历史轮次的弱学习器对弱学习器进行迭代学习，得到当前轮次对应的弱学习器，并根据当前轮次对应的弱学习器拟合历史轮次的回归树残差；根据回归树残差和当前轮次对应的弱学习器确定当前轮次对应的强学习器，并根据弱学习器和强学习器确定预设机器学习模型在当前轮次对应的损失函数。
[0059]
在一些实施例中，通过以下公式确定损失函数：
[0060][0061]
式中，l
t
为在第t个训练轮次基于结构风险损失函数得到的损失值，l(yi,f
t-1
(xi)+h
t
(xi))为基于经验风险损失函数得到的损失值，xi为第i个异味样本数据的特征值，yi为第i个异味样本数据对应的异味评价标签，f
t-1
(xi)为第t-1个训练轮次迭代得到的强学习器，h
t
(xi)为第t个训练轮次迭代得到的弱学习器，n
leaf
为回归树中叶子节点的数量，m为训练样本数量，w
tj
为第t个训练轮次中的第j个叶子节点的值，γ为叶子节点在进行分支时所需的损失减少的最小值，λ为预设的叶子节点惩罚系数。
[0062]
在一些实施例中，预设机器学习模型的损失函数分为经验风险损失函数l(yi,f
t-1
(xi)+h
t
(xi))和结构风险损失函数l
t
；经验风险损失函数的损失值表征预测结果和实际结果的差别；结构风险损失函数包括经验风险损失函数和正则项，其中，正则项包括γn
leaf
和
[0063]
在一些实施例中，树模型在建模时会判断节点是否有必要再分裂，因此会先比较该节点分裂前后的损失值变化情况，如果分裂前和分裂后损失值的差值大于γ，则模型就继续分裂，反之不分裂，从而控制模型深度，降低模型复杂度。
[0064]
在一些实施例中，通过以下方法对确定本轮训练的强学习器：获取本轮迭代得到的弱学习器h
t
(x)；根据弱学习器h
t
(x)将强学习器的损失函数表示为l(y,f
t
(x))＝l(y,f
t-1
(x))+h
t
(x)，式中，f
t
(x)为本轮迭代得到的强学习器，f
t-1
(x)是前一轮迭代得到的强学习器，l(y,f
t
(x))是本轮迭代后的损失；通过强学习器的损失函数中的负梯度来拟合弱学习器h
t
(x)，其中，负梯度r
t
通过进行计算；基于训练样本数量为m的异味样本数据，通过负梯度r
ti
拟合得到本轮迭代的回归树，回归树中的叶子节点表示为r
tj
，其中，j为叶子节点的序号；基于叶子节点r
tj
计算最佳位移拟合值式中，c为拟合叶子节点的最佳输出值；基于最佳位移拟合值得到本轮训练的回归树其中，j为叶子节点的节点数量，i(x∈r
tj
)为指示函数；根据回归树和上一轮的强学习器确定本轮迭代得到的强学习器f
t
(x)＝f
t-1
(x)+h
t
(x)。
[0065]
在一些实施例中，预设机器学习模型包括xgboost(一个优化的分布式梯度增强库)算法模型，其中，xgboost算法模型是一种基于boosting(一种可以用来减小监督式学习中偏差的机器学习算法)集成思想的加法模型；xgboost算法模型在训练时采用向前分布算法进行计算，每次迭代训练都会学习一个弱学习器来拟合历史轮次中回归树的回归树残差，根据回归树残差经过多轮迭代训练得到强学习器；xgboost算法模型在得到损失函数之后，根据损失函数中所有叶子节点的最优解确定最优模型。
[0066]
在一些实施例中，通过以下任一方法确定预设机器学习模型训练完成：若将对照样本组导入训练后的预设机器学习模型，得到模型准确率，且模型准确率大于或等于预设的准确率阈值，则确定预设机器学习模型训练完成；若预设机器学习模型的迭代训练次数大于或等于预设的迭代数阈值，则确定预设机器学习模型训练完成；若预设机器学习模型的损失值在连续预设迭代次数之后不减少，则确定预设机器学习模型训练完成。
[0067]
在一些实施例中，将训练完成的预设机器学习模型确定为异味评价模型之后，方法还包括以下至少一种：通过flask(一种使用python编写的轻量级web应用框架)将异味评价模型封装为web(worldwide web，全球广域网)服务；将异味评价模型打包为docker(一种开源的应用容器引擎)镜像文件，并上传docker镜像文件至预设的服务器端，以在服务器端的docker容器部署异味评价模型。
[0068]
在一些实施例中，将目标气味数据输入异味评价模型，得到目标气味数据对应的异味评价结果，包括：对目标气味数据进行数据处理，数据处理包括异常值处理和/或归一化处理；将数据处理之后的目标气味数据以http(hyper text transfer protocol，超文本传输协议)请求的形式发送到预设服务器的服务容器中，使得服务容器将http请求中的目标气味数据输入异味评价模型，得到目标气味数据对应的异味评价结果。
[0069]
结合图2所示，本公开实施例提供了一种异味评价模型的训练方法，包括：
[0070]
步骤s201，获取训练样本集；
[0071]
其中，训练样本集包括多个异味样本数据和各异味样本数据对应的异味评价标签；
[0072]
步骤s202，对训练样本集中的数据进行数据处理；
[0073]
其中，数据处理包括数据归一化、数据清洗、数据补全等中的一种或多种；
[0074]
步骤s203，对异味评价标签对应的标签分布函数进行标签分布平滑处理，得到平滑分布函数，并根据平滑分布函数确定各异味样本数据对应的样本权重；
[0075]
步骤s204，根据带有样本权重的训练样本集对带有弱学习器的预设机器学习模型进行训练，得到训练后模型；
[0076]
步骤s205，获取训练后模型的输出准确率；
[0077]
步骤s206，判断输出准确率是否大于或等于预设的准确率阈值，若是，跳转步骤s207，若否，跳转步骤s204；
[0078]
步骤s207，将训练完成的预设机器学习模型确定为异味评价模型；
[0079]
步骤s208，将异味评价模型部署在服务器端。
[0080]
采用本公开实施例提供的异味评价模型的训练方法，根据对异味评价标签进行标签分布平滑处理得到平滑分布函数，根据标签分布函数确定各异味样本数据对应的样本权重，并将带有样本权重的训练样本集导入带有弱学习器的预设机器学习模型进行迭代训练，从而将目标气味数据输入训练完成的异味评价模型，得到异味评价结果。这样，一方面，通过异味评价标签对应的标签分布函数确定各异味样本数据对应的样本权重，克服车辆气味数据中每类标签的数据分布不均匀的问题，另一方面，对机器学习模型进行迭代训练没有复杂的公式推导和迭代计算，从而从两方面解决了机器学习模型对车辆气味评价不准确的问题，提高了车辆异味评价的准确率，及时发现问题零部件对车辆气味影响，从而对零部件采购和车辆生产提供参考。
[0081]
结合图3所示，本公开实施例提供了一种车辆异味评价确定方法，包括：
[0082]
步骤s301，服务器端加载异味评价模型的模型镜像文件，以将异味评价模型部署在docker容器中；
[0083]
步骤s302，服务器端启动docker容器；
[0084]
步骤s303，用户终端获取目标车辆的目标气味数据；
[0085]
其中，用户终端设置有气味app(application，应用程序)，通过气味app采集目标车辆中各零部件对应的零部件气味数据，得到目标气味数据；
[0086]
步骤s304，用户终端向服务器端发送目标气味数据；
[0087]
步骤s305，服务器端对目标气味数据进行数据处理，得到标准输入数据；
[0088]
其中，数据处理包括数据归一化、数据清洗、数据补全等中的一种或多种；
[0089]
步骤s306，服务器端在docker容器中加载异味评价模型；
[0090]
步骤s307，服务器端将标准输入数据输入异味评价模型，得到目标气味数据对应的异味评价结果；
[0091]
步骤s308，服务器端向用户终端发送异味评价结果；
[0092]
其中，通过气味app对异味评价结果进行界面渲染和展示。
[0093]
采用本公开实施例提供的车辆异味评价确定方法，根据对异味评价标签进行标签分布平滑处理得到平滑分布函数，根据标签分布函数确定各异味样本数据对应的样本权
重，并将带有样本权重的训练样本集导入带有弱学习器的预设机器学习模型进行迭代训练，从而将目标气味数据输入训练完成的异味评价模型，得到异味评价结果。这样，一方面，通过异味评价标签对应的标签分布函数确定各异味样本数据对应的样本权重，克服车辆气味数据中每类标签的数据分布不均匀的问题，另一方面，对机器学习模型进行迭代训练没有复杂的公式推导和迭代计算，从而从两方面解决了机器学习模型对车辆气味评价不准确的问题，提高了车辆异味评价的准确率，及时发现问题零部件对车辆气味影响，从而对零部件采购和车辆生产提供参考。
[0094]
结合图4所示，本公开实施例提供了一种车辆异味评价确定系统，包括获取模块401、权重模块402、训练模块403和确定模块404。获取模块401用于获取训练样本集，其中，训练样本集包括多个异味样本数据和各异味样本数据对应的异味评价标签；权重模块402用于对异味评价标签对应的标签分布函数进行标签分布平滑处理，得到异味评价标签对应的平滑分布函数，并根据平滑分布函数确定各异味样本数据对应的样本权重，其中，标签分布函数根据异味评价标签的标签密度分布确定；训练模块403用于基于分类回归树建立预设机器学习模型对应的弱学习器，并将带有样本权重的训练样本集导入预设机器学习模型，以根据基于弱学习器建立的损失函数对预设机器学习模型进行迭代训练，并将训练完成的预设机器学习模型确定为异味评价模型；确定模块404用于获取目标车辆的目标气味数据，并将目标气味数据输入异味评价模型，得到目标气味数据对应的异味评价结果。
[0095]
采用本公开实施例提供的车辆异味评价确定系统，根据对异味评价标签进行标签分布平滑处理得到平滑分布函数，根据标签分布函数确定各异味样本数据对应的样本权重，并将带有样本权重的训练样本集导入带有弱学习器的预设机器学习模型进行迭代训练，从而将目标气味数据输入训练完成的异味评价模型，得到异味评价结果。这样，一方面，通过异味评价标签对应的标签分布函数确定各异味样本数据对应的样本权重，克服车辆气味数据中每类标签的数据分布不均匀的问题，另一方面，对机器学习模型进行迭代训练没有复杂的公式推导和迭代计算，从而从两方面解决了机器学习模型对车辆气味评价不准确的问题，提高了车辆异味评价的准确率，及时发现问题零部件对车辆气味影响，从而对零部件采购和车辆生产提供参考。
[0096]
图5示出了适于用来实现本技术实施例的电子设备的计算机系统的结构示意图。需要说明的是，图5示出的电子设备的计算机系统500仅是一个示例，不应对本技术实施例的功能和使用范围带来任何限制。
[0097]
如图5所示，计算机系统500包括中央处理单元(central processing unit，cpu)501，其可以根据存储在只读存储器(read-only memory，rom)502中的程序或者从储存部分508加载到随机访问存储器(random access memory，ram)503中的程序而执行各种适当的动作和处理，例如执行上述实施例中的方法。在ram 503中，还存储有系统操作所需的各种程序和数据。cpu 501、rom 502以及ram 503通过总线504彼此相连。输入/输出(input/output，i/o)接口505也连接至总线504。
[0098]
以下部件连接至i/o接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(cathode ray tube，crt)、液晶显示器(liquid crystal display，lcd)等以及扬声器等的输出部分507；包括硬盘等的储存部分508；以及包括诸如lan(local areanetwork，局域网)卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络
执行通信处理。驱动器510也根据需要连接至i/o接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入储存部分508。
[0099]
特别地，根据本技术的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本技术的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(cpu)501执行时，执行本技术的系统中限定的各种功能。
[0100]
需要说明的是，本技术实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(erasable programmable read only memory，eprom)、闪存、光纤、便携式紧凑磁盘只读存储器(compact disc read-only memory，cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本技术中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
[0101]
本公开实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本实施例中的任一项方法。
[0102]
本公开实施例中的计算机可读存储介质，本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
[0103]
本实施例公开的电子设备，包括处理器、存储器、收发器和通信接口，存储器和通信接口与处理器和收发器连接并完成相互间的通信，存储器用于存储计算机程序，通信接口用于进行通信，处理器和收发器用于运行计算机程序，使电子设备执行如上方法的各个步骤。
[0104]
在本实施例中，存储器可能包含随机存取存储器(random access memory，简称ram)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
[0105]
上述的处理器可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、图形处理器(graphics processing unit，简称gpu)，网络处理器(network processor，简称np)等；还可以是数字信号处理器(digital signal processing，简称dsp)、专用集成电路(application specific integrated circuit，简称asic)、现场可编
程门阵列(field－programmable gate array，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
[0106]
以上描述和附图充分地示出了本公开的实施例，以使本领域的技术人员能够实践它们。其他实施例可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求，否则单独的部件和功能是可选地，并且操作的顺序可以变化。一些实施例的部分和子样本可以被包括在或替换其他实施例的部分和子样本。而且，本技术中使用的用词仅用于描述实施例并且不用于限制权利要求。如在实施例以及权利要求的描述中使用的，除非上下文清楚地表明，否则单数形式的“一个”(a)、“一个”(an)和
“”
(the)旨在同样包括复数形式。类似地，如在本技术中所使用的术语“和/或”是指包含一个或一个以上相关联的列出的任何以及所有可能的组合。另外，当用于本技术中时，术语“包括”(comprise)及其变型“包括”(comprises)和/或包括(comprising)等指陈述的子样本、整体、步骤、操作、元素，和/或组件的存在，但不排除一个或一个以上其它子样本、整体、步骤、操作、元素、组件和/或这些的分组的存在或添加。在没有更多限制的情况下，由语句“包括一个
…”
限定的要素，并不排除在包括要素的过程、方法或者设备中还存在另外的相同要素。本文中，每个实施例重点说明的可以是与其他实施例的不同之处，各个实施例之间相同相似部分可以互相参见。对于实施例公开的方法、产品等而言，如果其与实施例公开的方法部分相对应，那么相关之处可以参见方法部分的描述。
[0107]
本领域技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，可以取决于技术方案的特定应用和设计约束条件。技术人员可以对每个特定的应用来使用不同方法以实现所描述的功能，但是这种实现不应认为超出本公开实施例的范围。技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0108]
本文所披露的实施例中，所揭露的方法、产品(包括但不限于装置、设备等)，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，可以仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些子样本可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例。另外，在本公开实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
[0109]
附图中的流程图和框图显示了根据本公开实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这可以依所涉及的功能而定。在附图中的流程图和框图所
对应的描述中，不同的方框所对应的操作或步骤也可以以不同于描述中所披露的顺序发生，有时不同的操作或步骤之间不存在特定的顺序。例如，两个连续的操作或步骤实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这可以依所涉及的功能而定。框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

技术特征：
1.一种车辆异味评价确定方法，其特征在于，包括：获取训练样本集，其中，所述训练样本集包括多个异味样本数据和各所述异味样本数据对应的异味评价标签；对所述异味评价标签对应的标签分布函数进行标签分布平滑处理，得到所述异味评价标签对应的平滑分布函数，并根据所述平滑分布函数确定各所述异味样本数据对应的样本权重，其中，所述标签分布函数根据所述异味评价标签的标签密度分布确定；基于分类回归树建立预设机器学习模型对应的弱学习器，并将带有所述样本权重的训练样本集导入所述预设机器学习模型，以根据基于所述弱学习器建立的损失函数对所述预设机器学习模型进行迭代训练，并将训练完成的预设机器学习模型确定为异味评价模型；获取目标车辆的目标气味数据，并将所述目标气味数据输入所述异味评价模型，得到所述目标气味数据对应的异味评价结果。2.根据权利要求1所述的方法，其特征在于，对所述异味评价标签对应的标签分布函数进行标签分布平滑处理，得到所述异味评价标签对应的平滑分布函数，包括：根据所述训练样本集中各异味评价标签的标签密度分布建立所述异味评价标签对应的标签分布函数；根据预设的对称核函数对所述标签分布函数进行卷积，以对所述标签分布函数进行标签分布平滑处理，得到所述异味评价标签对应的平滑分布函数。3.根据权利要求2所述的方法，其特征在于，根据所述平滑分布函数确定各所述异味样本数据对应的样本权重，包括：将任一异味评价标签确定为目标标签；从所述平滑分布函数中统计目标样本数据的数量，得到目标样本数，并统计所述异味样本数据的数量，得到样本数据总数，其中，所述目标样本数据为具有所述目标标签的异味样本数据；根据所述目标样本数和所述样本数据总数进行计算，得到所述目标样本数据对应的样本权重。4.根据权利要求1所述的方法，其特征在于，通过以下方法确定所述预设机器学习模型的损失函数：将对所述预设机器学习模型进行迭代训练的任一训练轮次确定为当前轮次，将当前轮次之前的训练轮次确定为历史轮次；在对所述预设机器学习模型进行所述当前轮次的训练时，根据所述历史轮次的弱学习器对弱学习器进行迭代学习，得到所述当前轮次对应的弱学习器，并根据所述当前轮次对应的弱学习器拟合所述历史轮次的回归树残差；根据所述回归树残差和所述当前轮次对应的弱学习器确定所述当前轮次对应的强学习器，并根据所述弱学习器和所述强学习器确定所述预设机器学习模型在所述当前轮次对应的损失函数。5.根据权利要求1至4任一项所述的方法，其特征在于，获取训练样本集，包括：将预设的待采样车辆划分为多个车辆零部件；分别对各所述车辆零部件进行气味检测，得到各所述车辆零部件对应的零部件异味分数，并对所述待采样车辆内部进行气味检测，基于气味检测结果从预设评价等级中确定所
述待采样车辆对应的异味评价等级；将各所述车辆零部件对应的零部件异味分数确定为一异味样本数据，并将所述异味评价等级确定为所述异味样本数据对应的异味评价标签；采集多个待采样车辆的异味样本数据和异味评价标签，得到训练样本集。6.根据权利要求5所述的方法，其特征在于，采集多个待采样车辆的异味样本数据和异味评价标签，得到训练样本集，包括：预先建立样本数据表格，其中，所述样本数据表格包括零部件名称字段和评价等级字段；采集多个待采样车辆的异味样本数据和异味评价标签；根据所述零部件名称字段分别将各所述异味样本数据填入所述样本数据表格，并根据所述评价等级字段分别将各所述异味评价标签填入所述样本数据表格；将填入所述异味样本数据和所述异味评价标签的样本数据表格确定为训练样本集。7.根据权利要求5所述的方法，其特征在于，获取训练样本集之后，对所述异味评价标签对应的标签分布函数进行标签分布平滑处理，得到所述异味评价标签对应的平滑分布函数之前，所述方法还包括以下至少一种：从各所述零部件异味分数中确定数据异常值，将所述数据异常值对应的车辆零部件确定为目标零部件，并根据所述目标零部件对应的各零部件异味分数更新所述数据异常值；对所述训练样本集中的零部件异味分数和/或异味评价等级进行归一化处理。8.一种车辆异味评价确定系统，其特征在于，包括：获取模块，用于获取训练样本集，其中，所述训练样本集包括多个异味样本数据和各所述异味样本数据对应的异味评价标签；权重模块，用于对所述异味评价标签对应的标签分布函数进行标签分布平滑处理，得到所述异味评价标签对应的平滑分布函数，并根据所述平滑分布函数确定各所述异味样本数据对应的样本权重，其中，所述标签分布函数根据所述异味评价标签的标签密度分布确定；训练模块，用于基于分类回归树建立预设机器学习模型对应的弱学习器，并将带有所述样本权重的训练样本集导入所述预设机器学习模型，以根据基于所述弱学习器建立的损失函数对所述预设机器学习模型进行迭代训练，并将训练完成的预设机器学习模型确定为异味评价模型；确定模块，用于获取目标车辆的目标气味数据，并将所述目标气味数据输入所述异味评价模型，得到所述目标气味数据对应的异味评价结果。9.一种电子设备，其特征在于，包括：处理器及存储器；所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述电子设备执行如权利要求1至7中任一项所述的方法。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的方法。

技术总结
本发明涉及汽车质量检测技术领域，公开了一种车辆异味评价确定方法、系统、电子设备及可读存储介质，该方法根据对异味评价标签进行标签分布平滑处理得到平滑分布函数，根据标签分布函数确定各异味样本数据对应的样本权重，并将带有样本权重的训练样本集导入带有弱学习器的预设机器学习模型进行迭代训练，从而将目标气味数据输入训练完成的异味评价模型，得到异味评价结果，一方面，通过异味评价标签对应的标签分布函数确定各异味样本数据对应的样本权重，克服车辆气味数据中每类标签的数据分布不均匀的问题，另一方面，对机器学习模型进行迭代训练没有复杂的公式推导和迭代计算，从而从两方面解决了机器学习模型对车辆气味评价不准确的问题。评价不准确的问题。评价不准确的问题。


技术研发人员：王晓虎 艾伦
受保护的技术使用者：浙江吉利控股集团有限公司
技术研发日：2023.05.26
技术公布日：2023/8/16