体重检测方法、模型训练方法及相关装置与流程

1.本技术涉及体重检测领域，具体而言，涉及一种体重检测方法、模型训练方法及相关装置。


背景技术：

2.人体体重的变化能够在一定程度反映出身体的健康状况，因此，人们经常在生活中使用较为便携的电子秤测量自身体重，然而，受限于工作繁忙以及者生活琐事等因素，人们难以养成时常使用电子秤测量自身体重的习惯，因此，人们亟需一种通过使用日常的承载装置即可进行体重测量的方式。
3.研究发现，诸如电子秤之类的体重测量设备，多基于应变片的阻值与压力之间的映射关系进行体重测量，因此，对人们测量体重时的用户姿态具有严格的要求，否则不能测得准确的体重；然而，人们在使用承载装置时的姿态难以进行约束，因此，通过承载装置进行体重测量时，难以采用与传统体重测量设备相似的原理。


技术实现要素：

4.为了克服现有技术中的至少一个不足，本技术提供一种体重检测方法、模型训练方法及相关装置，包括：
5.第一方面，本技术提供一种体重检测方法，应用于体重检测设备，所述方法包括：
6.获取承载装置承载目标用户的情况下，所述承载装置在多个位置的受力信息；
7.将所述承载装置在多个位置的受力信息输入到预先训练的体重预测模型，获得所述目标用户的预测体重；
8.根据所述预测体重，获得所述目标用户的真实体重。
9.第二方面，本技术提供一种模型训练方法，应用于模型训练设备，所述方法包括：
10.获取承载装置承载样本对象的情况下，所述承载装置在多个位置的样本受力信息；
11.将所述样本对象的真实体重作为参考信息，通过所述样本受力信息对神经网络模型进行训练，获得训练完成的体重预测模型。
12.第三方面，本技术提供一种体重检测装置，应用于体重检测设备，所述体重检测装置包括：
13.体重因素模块，用于获取承载装置承载目标用户的情况下，所述承载装置在多个位置的受力信息；
14.体重预测模块，用于将所述承载装置在多个位置的受力信息输入到预先训练的体重预测模型，获得所述目标用户的预测体重；
15.体重计算模块，用于根据所述预测体重，获得所述目标用户的真实体重。
16.第四方面，本技术提供一种体重检测设备，所述体重检测设备包括处理器以及存储器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，实现所述的体
重检测方法。
17.第五方面，本技术提供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程序，所述计算机程序被处理器执行时，实现所述的体重检测方法。
18.相对于现有技术而言，本技术具有以下有益效果：
19.本技术提供的体重检测方法、模型训练方法及相关装置中，体重检测设备获取承载装置承载目标用户的情况下，该承载装置在多个位置的受力信息；然后，将多个位置的受力信息输入到预先训练的体重预测模型中，获得目标用户的预测体重；最后，根据该预测体重获得目标用户的真实体重；由于该预先训练的体重预测模型发掘出了多个位置的受力信息与真实体重之间存在的约束关系，因而能够在目标用户日常使用该承载装置的过程中获得目标用户的真实体重。
附图说明
20.为了更清楚地说明本技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
21.图1为本技术实施例提供的体重检测设备的结构示意图；
22.图2为本技术实施例提供的体重检测方法的流程示意图；
23.图3为本技术实施例提供的用户终端与安全座椅之间的交互示意图；
24.图4为本技术实施例提供的神经网络模型的结构示意图；
25.图5为本技术实施例提供的体重检测装置的结构示意图。
26.图标：120-存储器；130-处理器；140-通信单元；201-体重因素模块；202-体重预测模块；203-体重计算模块。
具体实施方式
27.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。
28.因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
29.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
30.受限于工作繁忙以及者生活琐事等因素，人们难以养成时常使用电子秤测量自身体重的习惯，因此，人们亟需一种通过日常使用的承载装置即可进行体重测量的方式。其中，该承载装置包括座椅、床、沙发、童床、推车以及摇篮等。
31.例如，人们希望在驾驶车辆的过程时，可完成对体重的测量；或者，人们希望在使
用座椅长时间工作是，可完成对体重的测量；或者，人们将儿童放置在童床、推车、或者摇篮中时，完成对儿童体重的测量。
32.然而，研究发现，人们在使用承载装置时，难以有固定的身体姿态，导致身体体重并不集中于一个方向，而是跟随人们姿态的变化分散在各方向，又由于诸如电子秤之类的体重测量设备，多基于应变片的阻值与压力之间的映射关系进行体重测量，对人们测量体重时的身体姿态具有严格的要求，因此，传统测量体重的方法，并不能在以上场景中测得人们准确的体重。
33.例如，在儿童安全座椅的设计过程中，需要考虑舒适度与安全性，因此，儿童约束系统针对儿童体型进行了专门设计，使得儿童座椅的座舱倾角往往较大，有时会达到30度，并且，儿童在座椅中的坐姿也是各不相同，因此，影响压力数据的采集与分析，即座椅底部的压力无法表示精确的体重；因此，通过应变片测量的结果受儿童坐姿影响较大，从而导致体重测量精度与准确度不够理想。
34.需要说明的时，基于上述技术问题的发现，发明人经过创造性劳动提出下述技术方案以解决或者改善上述问题。需要注意的是，以上现有技术中的方案所存在的缺陷，均是发明人在经过实践并仔细研究后得出的结果，因此，上述问题的发现过程以及下文中本技术实施例针对上述问题所提出的解决方案，都应该是发明人在发明创造过程中对本技术做出的贡献，而不应当理解为本领域技术人员所公知的技术内容。
35.针对上述问题，发明人进一步研究还发现，人们在使用承载装置时，承载装置的多个位置会承受来自身体的压力，而多个位置的压力信息与真实体重之间之间存在特定的约束关系；或者，多个位置的压力信息以及承载装置的倾角信息与真实体重之间存在特定的约束关系。例如，假定该承载装置为座椅时，上述多个位置的压力信息可以包括座椅底部受到的第一压力以及座椅靠背受到的第二压力，其中，在体重不变的情况下，第一压力与第二压力一方面受到目标用户坐姿的影响，另一方面与座舱倾角相关。
36.因此，本实施例提供一种应用于体重检测设备的体重检测方法。该方法中，体重检测设备获取承载装置承载目标用户的情况下，该承载装置在多个位置的压力信息；然后，将多个位置的压力信息输入到预先训练的体重预测模型中，获得目标用户的预测体重；最后，根据该预测体重获得目标用户的真实体重；由于该预先训练的体重预测模型发掘出了多个位置的压力信息与真实体重之间特定的约束关系，因而能够在目标用户日常使用该承载装置的过程中获得目标用户的真实体重。
37.其中，一些实施方式中，该体重检测设备可以是与承载装置能够通信连接的用户终端。其中，该用户终端可以是，但不限于，移动终端、平板计算机、膝上型计算机、或机动车辆中的内置设备等，或其任意组合。在一些实施例中，移动终端可以包括可穿戴设备、智能移动设备、虚拟现实设备、或增强现实设备等，或其任意组合。在一些实施例中，可穿戴设备可包括智能手环、智能鞋带、智能玻璃、智能头盔、智能手表、智能服装、智能背包、智能配件等、或其任何组合。在一些实施例中，智能移动设备可以包括智能手机、个人数字助理(personal digital assistant，pda)、游戏设备、导航设备等，或其任意组合。
38.而在其他实施方式中，该体重检测设备还可以是包括有嵌入式设备的承载装置，例如，该体重检测设备可以是包括嵌入式设备的儿童安全座椅、人体工学座椅等。其中，该嵌入式设备用于部署上述体重预测模型，并通过相应的传感器采集座椅在多个方向受到的
压力和/或座椅的倾角，以实现对目标用户的体重进行检测。
39.因此，如图1所示，该体重检测设备可以包括存储器120、处理器130、通信单元140。其中，该存储器120、处理器130以及通信单元140各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。
40.该存储器120可以是，但不限于，随机存取存储器(random access memory，ram)，只读存储器(read only memory，rom)，可编程只读存储器(programmable read-only memory，prom)，可擦除只读存储器(erasable programmable read-only memory，eprom)，电可擦除只读存储器(electric erasable programmable read-only memory，eeprom)等。其中，存储器120用于存储程序，该处理器130在接收到执行指令后，执行该程序。
41.该通信单元140用于通过网络建立服务器与用户终端之间的通信连接，并用于通过网络收发数据。网络可以包括有线网络、无线网络、光纤网络、远程通信网络、内联网、因特网、局域网(local area network，lan)、广域网(wide area network，wan)、无线局域网(wireless local area networks，wlan)、城域网(metropolitan area network，man)、广域网(wide area network，wan)、公共电话交换网(public switched telephone network，pstn)、蓝牙网络、zigbee网络、或近场通信(near field communication，nfc)网络等，或其任意组合。在一些实施例中，网络可以包括一个或多个网络接入点。例如，网络可以包括有线或无线网络接入点，例如基站和/或网络交换节点，服务请求处理系统的一个或多个组件可以通过该接入点连接到网络以交换数据和/或信息。
42.该处理器130可能是一种集成电路芯片，具有信号的处理能力，并且，该处理器可以包括一个或多个处理核(例如，单核处理器或多核处理器)。仅作为举例，上述处理器可以包括中央处理单元(central processing unit，cpu)、专用集成电路(application specific integrated circuit，asic)、专用指令集处理器(application specific instruction-set processor，asip)、图形处理单元(graphics processing unit，gpu)、物理处理单元(physics processing unit，ppu)、数字信号处理器(digital signal processor，dsp)、现场可编程门阵列(field programmable gate array，fpga)、可编程逻辑器件(programmable logic device，pld)、控制器、微控制器单元、简化指令集计算机(reduced instruction set computing，risc)、或微处理器等，或其任意组合。
43.基于上述相关介绍，下面结合图2对本实施例中的体重检测方法进行详细介绍。应该理解，本实施例中流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本技术内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。如图2所示，该方法包括：
44.s101，获取承载装置承载目标用户的情况下，承载装置在多个位置的受力信息。
45.其中，承载装置在多个位置与承载装置的类型相关，例如，当承载装置是座椅时，该座椅的多个位置可以分别是座椅底部以及背部。又例如，当承载装置为童床时，该童床的多个位置可以分别是童床中用于放置儿童脑袋、四肢以及躯干的位置。此外，每个位置的受力信息可以包括该位置的受力大小以及受力方向等信息。
46.s102，将多个位置的受力信息输入到预先训练的体重预测模型，获得目标用户的预测体重。
47.示例性的，假定该承载装置为上述座椅，并且，该座椅在多个位置的受力信息包括座椅底部受到的第一压力以及座椅靠背受到的第二压力为。则该体重检测设备将第一压力、第二压力作为体重预测模型的输入特征，输入到模型中；通过该体重预测模型对输入特征进行运算后，输出结果即是目标用户的预测体重。
48.当然，上述示例中的第一压力以及第二压力仅仅是为便于本领域技术人员理解本实施所提供的示例，实际实施本方案时，不仅限于第一压力以及第二压力，可以根据需要在本实施例的基础上对压力的数量进行适当增加。
49.s103，根据预测体重，获得目标用户的真实体重。
50.因此，由于该预先训练的体重预测模型发掘出了承载装置在多个位置受到的压力信息与真实体重之间特定的约束关系，因而能够在不限制目标用户使用承载装置时身体姿态的情况下，通过使用该体重预测模型获得目标用户的真实体重。
51.正如上述实施方式中所介绍的，假定该承载装置为座椅时，上述多个位置的压力信息可以包括座椅底部受到的第一压力以及座椅靠背受到的第二压力，其中，在体重不变的情况下，第一压力与第二压力一方面受到目标用户坐姿的影响，另一方面与座舱倾角相关。
52.因此，对于存在倾角的承载装置，体重检测设备还可以获取承载装置承载目标用户的情况下，承载装置在多个位置的受力信息以及承载装置的倾角信息；然后，将承载装置在多个位置的受力信息以及承载装置的倾角信息输入到体重预测模型，获得目标用户的预测体重。
53.其中，该倾角信息包可以包括倾角大小以及倾角方向，如此，针对存在倾角的承载装置，通过引入承载装置的倾角信息，提高对目标用户体重的预测精度。
54.为通过预测体重获得目标用户的真实体重，可选地实施方式中，该体重检测设备可以直接将预测体重作为目标用户的真实体重。
55.而研究发现，目标用户一段时间内的体重会受到饮食、穿着、使用座椅时的加速度等因素的影响，因此，为克服上述干扰因素，另一可选地实施方式中，该体重检测设备获取多个预测体重，其中，多个预测体重分别对应不同的采集时刻；根据多个预测体重，计算目标用户的真实体重。
56.示例性的，体重检测设备获取目标用户在一天当中多个时刻的预测体重，然后，计算多个时刻的预测体重对应的平均体重，最后，将该平均体重作为目标用户在这一天中的真实体重。
57.或者，体重检测设备获取目标用户在一天当中多个时刻的预测体重，然后，从多个时刻的预测体重中选取出现次数最多的目标预测体重，最后，将目标预测体重作为目标用户在这一天中的真实体重。
58.由上述实施例方式可知，本实施例中的承载装置包括座椅、床、沙发、童床、推车以及摇篮等，而其中一些承载装置在使用时所产生的加速度会在干扰承载装置在多个位置的受力信息。例如，当该承载装置是用于固定到机动车辆上的儿童安全座椅时，相应的目标用户则可以是适龄的儿童。而研究还发现，当座椅是儿童安全座椅时，机动车行驶过程中产生的加速度严重影响对儿童体重的测量结果；又例如，当承载装置为推车时，推车在推动的过程中同样会产生干扰受力信息的加速度。
59.因此，而减少机动车辆行驶时所引入的干扰，图2中的步骤s101可以包括以下实施方式：
60.s101-1，获取承载装置承载目标用户的情况下，承载装置承载的加速度。
61.s101-2，若加速度满足采集条件，则获取承载装置承载在多个位置的受力信息。
62.示例性的，继续以儿童安全座椅为例，该采集条件可以是加速度小于加速阈值，也即是说，该儿童安全座椅配置有加速度传感器，用于采集儿童安全座椅因机动车辆行驶时所产生的加速度，并在加速度小于加速阈值的情况下，才对儿童安全座椅在多个位置的受力信息进行采集；从而减少加速度对儿童体重的干扰。当然，对于存在较大倾角的儿童安全座椅，在采集多个位置的受力信息还可以采集该儿童安全座椅的倾角信息，以进一步提高对儿童提供的预测精度。
63.此外，还应理解的是，儿童安全座椅由带有卡扣的安全带组件或柔韧性部件、调节机构、附件等组成的儿童安全防护系统。可与附加装置，如可携式童床、婴儿提篮、辅助性座椅或碰撞防护物等组合而成。从而在机动车辆发生碰撞或突然减速的情况下，减缓对儿童的冲击力以及限制儿童的身体移动来减少伤害，从而确保儿童的乘车安全。
64.因此，为了保护儿童的乘车安全的，相关标准中对儿童在座椅中的束缚方式进行了相关规定，其中，该束缚方式包括儿童安装座椅的安装方式以及安全带的束缚方式。例如，儿童体重在0～9kg时，需要将儿童座椅反向安装；儿童体重大于9kg时，需要将儿童座椅正向安装，并且，安全带的束缚方式需要调整为五点式束缚。而儿童安全座椅在实际使用时，儿童座椅的用户(例如，儿童监护人)并非时刻关注儿童的体重变化，容易忘记及时调整对儿童在儿童安全座椅中的束缚方式。鉴于此，可选地实施方式中，该体重检测方法还包括以下实施方式：
65.s104，将真实体重与体重阈值进行比较。
66.s105a，若真实体重大于体重阈值，则为儿童座椅的用户提供指示信息。
67.其中，指示信息用于指示儿童座椅的用户调整目标用户在儿童安全座椅中的束缚方式。
68.示例性的，如图3所示，假定该体重检测设备为上述实施例中的用户终端时，当用户终端与儿童安全座椅通信连接后，检测到儿童的体重大于预先设定的体重阈值，则为儿童座椅的用户提供指示信息。其中，一些实施方式中，该指示信息可以是用户终端在显示界面中显示的相关文字信息，以提示儿童座椅的用户调整束缚方式。例如，显示“xx的体重已超过9kg，请及时调整束儿童安全座椅的束缚方式”一类的文字信息。在其他实施方式中，该用户终端还可以在显示文字指示信息的同时，以图片或者视频的方式指导儿童座椅的用户调整儿童座椅的束缚方式。
69.此外，在可选地其他实施方式中，该体重检测方法还包括以下实施方式：
70.s105b，若真实体重大于体重阈值，则控制儿童安全座椅的电气控制系统将儿童安全座椅中的束缚方式调整为与真实体重相匹配。
71.示例性的，继续以上述实施例中的用户终端为例。对于一些具有电驱动的儿童安全座椅，当用户终端与儿童座椅之间建立通信连接后，检测到儿童的体重大于预先设定的体重阈值，则可以向儿童安全座椅发送控制指令，使得该儿童安全座椅响应于该控制指令，自动调整儿童安全座椅的束缚方式，使得该儿童安全座椅的束缚方式与儿童的真实体重相
匹配，其中，该驱动方式包括旋转调节、档位调节等。
72.因此，通过以上实施方式，在儿童的体重超过设定的体重阈值之后，及时提醒儿童座椅的用户调整儿童座椅的束缚方式，或者自动控制儿童安全座椅的电气控制系统调整目标用户在儿童安全座椅中的束缚方式，从而确保儿童的乘车安全。
73.研究还发现，当儿童的体重刚超过9kg时，儿童的体重通常难以稳定在9kg，而是会在9kg的左右上下波动；因此，会导致体重检测设备反复提示用户调整儿童安全座椅的束缚方式。
74.鉴于此，该体重阈值为参考体重与置信参数之和，置信参数用于克服真实体重的波动。其中，体重阈值与参考体重与置信参数之间的关系可以表示为：
75.g
thr
＝9 σ
76.式中，g
thr
表示体重阈值，9表示参考体重，σ表示置信参数。其中，本领域技术人员可以根据需要对置信参数进行适当调整，本实施例中的该置信参数可以取0.5。
77.本实施例中，为了获得上述实施例中的体重预测模型，还提供一种应用于模型训练设备的模型训练方法。该方法中，模型训练设备获取承载装置承载样本对象的情况下，承载装置在多个位置的样本压力信息；然后，将样本对象的真实体重作为参考信息，通过多个位置的样本压力信息对神经网络模型进行训练，获得训练完成的体重预测模型。
78.其中，该样本对象跟随座椅的类型变化。例如，若该座椅为普通座椅时，则样本对象可以是不同体重的成年人，多个位置的样本压力信息可以是不同体重的成年人使用该座椅时，座椅的在多个位置受到的压力信息。
79.又例如，若该座椅为儿童安全座椅时，则样本对象可以是不同体重的儿童，多个位置的样本压力信息可以是不同体重的儿童使用该儿童座椅时，儿童安全座椅的在多个位置受到的压力信息。
80.当然，对于存在倾角的承载装置，在训练提供预测模型，除了需要获取承载装置承载样本对象的情况下，承载装置在多个位置的样本压力信息，还需要获取承载装置的样本倾角信息；然后，将样本对象的真实体重作为参考信息，通过多个位置的样本压力信息以及样本倾角信息对神经网络模型进行训练，获得训练完成的体重预测模型。
81.还应理解的是，神经网络模型的选取直接关系到最终体重预测模型的预测效果，因此，本实施例通过以下方式构造该神经网络模型以及对该神经网模型进行训练。
82.神经网络层数：由于本实施例的任务为：基于多层神经网络的回归任务，因此，该任务与时间序列无关时，而复杂度一般或较低的回归任务只需两层神经网络即可完成，即仅具有一层隐藏层神经网络模型。
83.神经元数量：考虑到隐藏层的神经元数量不宜过多，否则很可能导致出现过拟合，因此，可以通过经验公式确定神经元的数量。
84.式中，nh表示隐藏层神经元数量，ni与no依次表示输入层和输出层神经元数量，α为1至10之间的调节常数，有本领域技术人员根据实际需要进行调整。例如，对于存在倾角的座椅，可以选取输入层以及隐藏层神经元数量为3个，其中，输入层的3个神经元分别用于输入座椅底部受到的压力信息、座椅背部受到的压力信息以及座椅的倾角信息。
85.激活函数：由于回归任务可以根据需要决定是否使用激活函数。在本实施例中，使
用relu函数作为隐藏层的激活函数。其中，用relu函数的表达式为：
[0086][0087]
损失函数：损失函数用于定义训练结果好坏，本实施例使用均方误差mse(mean squared error)作为损失函数。其中，均方误差mse的表达式为：
[0088][0089]
式中，y和依次表示神经网络模型的实际输出与预测输出。
[0090]
学习率与批量：学习率与批量影响模型训练时的训练效率，需根据任务不断调优，使损失曲线保持滑梯式下降。
[0091]
通过上述相关介绍，本实施例中的神经网络模型，其结果如图4所示，该神经网络模型的数学表达式为：
[0092][0093]aj
＝relu(hj)(j＝1,2,3)
[0094][0095]
式中，3个输入单元输入的特征表示为x，3个隐藏神经元h和1个输出单元y，将第一个网络层的权重表示为：
[0096][0097]
将第一个网络层的偏置表示为：
[0098][0099]
将第二网络层的权重表示为：
[0100][0101]
将第二网络层的偏置表示为：
[0102][0103]
因此，根据上述表达式，该神经网络模型输出与权重以及偏置之间的关系，因此损失函数l为包含多个权重和偏置的多元函数，将权重、偏置以矩阵表示如下：
[0104]
l(w1,w2,b1,b2)
[0105]
基于该损失函数，通过反向梯度传播算法调整神经网络模型的权重，其中，反向梯
度传播算法的反向传播的过程满足链式求导法则。以权重为例，相应的链式求导法则可以表示为：
[0106][0107]
根据式上述神经网络模型的数学表达式，可得到预测输出与以及h1之间的表达式：
[0108][0109][0110]
根据式损失函数l的表达式，可求得关于预测输出的偏导数：
[0111][0112]
以及关于h1的偏导数，h1关于的偏导数：
[0113][0114][0115]
基于链式导法则，损失函数l关于权重的偏导函数为：
[0116][0117]
因此，在给定初始化的权重和偏置矩阵的情况下，即可以计算出偏导数的值，用于增大或减小使得损失l会有一个微小的变化。
[0118]
对所有的权重与偏置的偏导都可以通过以上方式求得，值得说明的是，这里relu函数的导数可以表示为：
[0119][0120]
假定将神经网络模型的学习率表示为η，则采用随机梯度下降sgd(stochastic gradient descent)的优化算法来训练网络，sgd定义了改变权重和偏置的方法：
[0121][0122]
由上述表达式可知，当为正数时，权重经过调整后会变小；当为负数时，经过调整后会变大，经过多轮的训练，调整网络的权重矩阵和偏置矩阵，使得损失函数l会逐渐减小，从而获得满足训练要求的体重预测模型。
[0123]
在一些嵌入式设备中，不仅支持模型的部署，还满足对模型进行训练时的算力需求，此时，可以将本实施例中的神经网络模型放到嵌入式设备中进行训练。例如，由于包括嵌入式设备的儿童安全座椅自己进行训练。在硬件受限的情况下，也可以将神经网络模型部署到用户终端或者服务器中进行训练。
[0124]
基于与体重检测方法相同的发明构思，本实施例还提供一种体重检测装置，应用于体重检测设备。其中，体重检测装置包括至少一个可以软件形式存储于存储器中的功能模块。如图5所示，从功能上划分，体重检测装置可以包括：
[0125]
体重因素模块201，用于获取承载装置承载目标用户的情况下，承载装置在多个位置的受力信息。
[0126]
本实施例中，该体重因素模块201用于实现图2中的步骤s101，关乎该体重因素模块201的详细描述可以参见步骤s101的详细描述。
[0127]
体重预测模块202，用于将多个位置的受力信息输入到预先训练的体重预测模型，获得目标用户的预测体重。
[0128]
本实施例中，该体重预测模块202用于实现图2中的步骤s102，关乎该体重预测模块202的详细描述可以参见步骤s102的详细描述。
[0129]
体重计算模块203，用于根据预测体重，获得目标用户的真实体重。
[0130]
本实施例中，该体重计算模块203用于实现图3中的步骤s103，关乎该体重计算模块203的详细描述可以参见步骤s103的详细描述。
[0131]
值得说明的是，本实施例对体重检测装置所包括软件功能模块的数量不进行限制，本领域技术人员可以依据不同的模块划分标准进行划分。因此，在一些实施方式中，该体重检测装置还可以包括其他软件功能模块，用于实现体重检测方法的其他步骤或者子步骤。当然，在其他一些实施方式中，上述体重因素模块201、体重预测模块202以及体重计算模块203同样可以用于实现体重检测方法的其他步骤或者子步骤。
[0132]
本实施例还提供一种体重检测设备，体重检测设备包括处理器以及存储器，存储器存储有计算机程序，计算机程序被处理器执行时，实现所述的体重检测方法。
[0133]
本实施例还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时，实现所述的体重检测方法。
[0134]
需要说明的是，在本实施例的上述描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。此外，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、物品或者设备中还存在另外的相同要素。
[0135]
还应该理解到的是，本实施例所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本技术的多个实施例的装置、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。也应当注意，在有些作为替换的实现方式中，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，这依所涉及的功能而定。也要注意的是，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。
[0136]
另外，在本技术各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
[0137]
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0138]
以上所述，仅为本技术的各种实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应所述以权利要求的保护范围为准。

技术特征：
1.一种体重检测方法，其特征在于，应用于体重检测设备，所述方法包括：获取承载装置承载目标用户的情况下，所述承载装置在多个位置的受力信息；将所述承载装置在多个位置的受力信息输入到预先训练的体重预测模型，获得所述目标用户的预测体重；根据所述预测体重，获得所述目标用户的真实体重。2.根据权利要求1所述的体重检测方法，其特征在于，所述获取承载装置承载目标用户的情况下，所述承载装置在多个位置的受力信息，包括：获取所述承载装置承载目标用户的情况下，所述承载装置的加速度；若所述加速度满足采集条件，则获取承载装置在多个位置的受力信息。3.根据权利要求1所述的体重检测方法，其特征在于，所述承载装置为座椅，所述多个位置的受力信息包括所述座椅的底座承受的第一压力，以及所述座椅的靠背承受的第二压力。4.根据权利要求3所述的体重检测方法，其特征在于，所述座椅为儿童安全座椅，所述方法还包括：将所述真实体重与体重阈值进行比较；若所述真实体重大于所述体重阈值，则为儿童座椅的用户提供指示信息，所述指示信息用于指示所述儿童座椅的用户调整所述目标用户在所述儿童安全座椅中的束缚方式；或者，若所述真实体重大于所述体重阈值，则控制所述儿童安全座椅的电气控制系统将所述儿童安全座椅中的束缚方式调整为与所述真实体重相匹配。5.根据权利要求4所述的体重检测方法，其特征在于，所述体重阈值为参考体重与置信参数之和，所述置信参数用于克服真实体重的波动。6.根据权利要求1所述的体重检测方法，其特征在于，所述根据所述预测体重，获得所述目标用户的真实体重，包括：获取多个所述预测体重，其中，多个所述预测体重分别对应不同的采集时刻；根据多个所述预测体重，计算所述目标用户的真实体重。7.根据权利要求1所述的体重检测方法，其特征在于，所述获取所述承载装置在多个位置的受力信息，包括：获取所述承载装置在多个位置的受力信息以及所述承载装置的倾角信息；所述将所述承载装置在多个位置的受力信息输入到预先训练的体重预测模型，获得所述目标用户的预测体重，包括：将承载装置在多个位置的受力信息以及所述承载装置的倾角信息输入到所述体重预测模型，获得所述目标用户的预测体重。8.一种模型训练方法，其特征在于，应用于模型训练设备，所述方法包括：获取承载装置承载样本对象的情况下，所述承载装置在多个位置的样本受力信息；将所述样本对象的真实体重作为参考信息，通过所述多个位置的样本受力信息对神经网络模型进行训练，获得训练完成的体重预测模型。9.一种体重检测装置，其特征在于，应用于体重检测设备，所述体重检测装置包括：体重因素模块，用于获取承载装置承载目标用户的情况下，所述承载装置在多个位置的受力信息；
体重预测模块，用于将所述承载装置在多个位置的受力信息输入到预先训练的体重预测模型，获得所述目标用户的预测体重；体重计算模块，用于根据所述预测体重，获得所述目标用户的真实体重。10.一种体重检测设备，其特征在于，所述体重检测设备包括处理器以及存储器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，实现权利要求1-7任意一项所述的体重检测方法。11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现权利要求1-7任意一项所述的体重检测方法。

技术总结
本申请提供的体重检测方法、模型训练方法及相关装置中，体重检测设备获取承载装置承载目标用户的情况下，该承载装置在多个位置的受力信息；然后，将多个位置的受力信息输入到预先训练的体重预测模型中，获得目标用户的预测体重；最后，根据该预测体重获得目标用户的真实体重；由于该预先训练的体重预测模型发掘出了多个位置的受力信息与真实体重之间存在的约束关系，因而能够在目标用户日常使用该承载装置的过程中获得目标用户的真实体重。装置的过程中获得目标用户的真实体重。装置的过程中获得目标用户的真实体重。


技术研发人员：李立涛 李亚南
受保护的技术使用者：宁波宝贝第一母婴用品有限公司
技术研发日：2022.02.17
技术公布日：2022/5/25