具体实施方式

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。

实施例1

参考图1所示，本实施例提供了一种电动车、摩托车的后视镜智能调节方法，该方法包括如下步骤。

步骤S1：接收角度传感器实时采集的电动车/摩托车龙头转动方向和角度数据；同时，接收红外传感器6实时采集的骑行人员头部以及躯干到龙头旋转中心的距离数据。

本实施例步骤S1中，红外传感器6安装于电动车/摩托车仪表盘中间，红外传感器6进一步包括红外线发射器与红外线接收器，红外线发射器发射红外线，红外线接触骑行人员后反射，红外线接收器接收反射的红外线，通过计算红外线发射与接收到反射的时间数据，与红外线的传播速率的乘积，即可得到人体至龙头旋转中心的距离。本实施例中的红外传感器6进一步还包括旋转机构，所述旋转机构控制红外传感器6在铅锤面转动，检测骑行人员头部以及躯干到龙头旋转中心的距离数据。

在一种实施例中，参考图2所示，角度传感器2采用霍尔传感器21；电动车/摩托车龙头转轴的同一侧固设有多个与霍尔传感器匹配的磁铁，且各磁铁位于同一圆周上，磁铁间隔角度相同。参考图2所示，角度传感器2包括2个霍尔传感器21，龙头转轴24上包括6个磁铁，磁铁间隔角度为20°；各霍尔传感器21分别感应相邻的3个磁铁，以便根据任一霍尔传感器发出的感应信号，获取电动车、摩托车龙头的顺/逆时针转动方向与角度。优选地，龙头-后视镜角度转动对照表中龙头转动角度的取值为±20°、±40°、±60°时，控制后视镜转动角度。进一步地，龙头转轴24上的磁铁分为左侧磁铁22、右侧磁铁23，分别3个，霍尔传感器21感应左侧磁铁22或者右侧磁铁23，使得任意一侧磁铁被感应时，即可知道哪一侧的第一个磁铁被感应，从而获得龙头转向的方向和角度。在一种实施例中，6个磁铁分布在电动车/摩托车龙头转轴24右侧，两个霍尔传感器21固定在车架上，龙头转轴24转动时，带动磁铁转动，使得磁铁经过两个霍尔传感器21的先后次序不同，从而判断出龙头转轴24的转动方向，同时根据经过磁铁数量表示出转动角度。

步骤S2：将转动方向、角度数据以及距离数据输入到预先训练的身高-角度智能算法模型中，并输出后视镜所需的调节角度数据。

本实施例步骤S2中，预先训练的身高-角度智能算法模型的方法为，利用深度学习神经网络训练算法，由大量不同身高的骑行人员与后视镜角度关系的数据训练获得。

进一步地，在步骤S2中，身高-角度智能算法模型采用深度学习神经网络训练模型，步骤S2中的所述身高-角度智能算法模型采用深度学习神经网络训练模型，包括：用于输入头部到旋转中心距离值X1、躯干到旋转中心距离值X2以及固定参数C的输入层；用于输出后视镜偏转角度Y1、后视镜回转角度Y2的输出层；用于利用反向传播算法计算各神经元权重值以及相关性的隐藏层。如图3所示，本实施例的深度学习神经网络训练模型中，第一层为输入层其输入值包括头部-旋转中心距离值X1、躯干-旋转中心距离值X2、以及一个固定参数C，第四层为输出层其输出值包括后视镜偏转角度Y1、后视镜回转角度Y2，中间隐藏层有8个神经元，每个神经元中权重数值＝前一层各项数值×各项权重，神经元1-4分布于隐藏层的第一层、神经元5-8分布于隐藏层的第二层。每一神经元与前后层所有数值都有相关性，因此可以认为所有箭头都包含各项权重。经过实验数据获取大量“骑行人员身高与后视镜角度”的数据，所述数据包含骑行人员头部与人体躯干至龙头旋转中心的距离数据和后视镜的回转与偏转角度数据，所述数据用于训练模型中各权重的值，训练方法采用BP算法(反向传播算法)。训练完成地所述训练模型，存储于单片机中，待程序调取。

进一步地，所述身高-角度智能算法模型中，龙头转动角度数据与后视镜偏转或旋转的关系式如下：

其中，β为龙头的转动角度，α为后视镜与龙头的夹角，a为头部到旋转中心距离，b为后视镜到龙头旋转中心的距离。

上述关系式(1)由如下公式(2)、(3)、(4)组简化获得，

c²＝a²+b²-2ab cosβ (2)

其中，β为龙头的转动角度、α为后视镜与龙头的夹角、a为人眼到龙头旋转中心的距离、b为后视镜到龙头旋转中心的距离，c为人眼到后视镜的距离，∠1为视线与龙头夹角，∠2为视线与所述a的夹角。

步骤S3：根据输出的所述后视镜所需调节角度数据，控制所述后视镜所在驱动机构运动，带动所述后视镜偏转/旋转至所需调节角度。

实施例2

参考4-6所示，本实施例提供了一种电动车、摩托车的后视镜智能调节装置，采用实施例1中的电动车、摩托车的后视镜调节方法。图4所示，该装置包括：控制装置1、红外传感器6、角度传感器2、驱动机构3，角度传感器2、驱动机构3、红外传感器6分别与控制装置1电连接；其中，红外传感器6安装于电动车/摩托车仪表盘上，驱动机构3安装于电动车/摩托车的龙头上，用于活动安装后视镜。进一步地，后视镜支撑杆33固定在驱动机构3上。

本实施例中控制装置1以STM32F4单片机为内核，接收红外传感器6采集骑行人员头部以及躯干到龙头旋转中心的距离数据，接收所述角度传感器2采集电动车/摩托车龙头的转动方向和角度数据，将转动方向、角度数据以及距离数据输入到预先训练的身高-角度智能算法模型中，并输出后视镜所需的调节角度，控制所述后视镜所在驱动机构运动，带动所述后视镜偏转/旋转至所需的调节角度。

本实施例中，STM32F4单片机预设的程序包含：所述红外传感器6数据接收程序、所述角度传感器接收程序、所述深度学习算法模型、所述龙头转动角度与后视镜转动关系式以及电机驱动程序，程序的伪代码可以表述为：

主循环中，a＝骑行人员躯干到旋转中心距离，旋转红外传感器6角度，b＝骑行人员头部到旋转中心距离，c＝角度传感器数据，将a,b导入深度学习算法模型中，得到深度学习算法输出的角度数值、d1＝后视镜回转角度1、e＝后视镜偏转角度。

将a,c导入龙头转动角度与后视镜转动关系式，得到d2＝后视镜回转角度2，d＝d1+d2，c,d导入电机控制程序，控制后视镜转动。

中断时，判断1中，按键按下且后视镜未偏转:判断1-1：按键按下时间3-10s:1.控制后视镜偏转；2.定时30s；3.控制后视镜复位；4.返回主循环；判断1-2：按键按下时间大于10s:1.控制后视镜偏转；2.返回主循环。

本实施例中该装置还包括按键4，按键4设于龙头的把手附近，按键4与控制装置1电连接，通过按键4手动控制后视镜偏转。进一步地，还包括定时器5，定时器5与控制装置1电连接，通过定时器5预设按键4功能的时长，以便根据不同的按键4时长，控制后视镜偏转或复位。在一种实施例中，按键4操作包括短按和长按，短按时，比如短按2秒，按键4发送信号给控制装置1，控制装置1接收按键信号，控制驱动机构3转动，通过驱动机构3转动驱动后视镜偏转；并通过定时器5定时若干秒，比如30s后，产生定时中断信号，并发送给控制装置1，控制装置1接收定时中断信号后控制驱动机构3反向转动，驱使后视镜复位。长按时，比如长按10s，控制装置1接收长按控制信号，控制驱动机构3转动，待得到下一个按键信号时，控制驱动机构3转动使后视镜复位。本实施例中由于使用了本实施例中的按键，使得反射镜上有强光反射时，骑行人员按压案件，控制装置接收到按键信号，控制后视镜向下偏振，使得强光不再直射骑行人员的眼中。

本实施例中驱动机构3包括涡轮蜗杆装置和丝杠螺母装置，通过涡轮蜗杆装置控制后视镜旋转回转；通过丝杠螺母装置控制后视镜偏转。

在一种实施例中，驱动机构3还包括支撑板36、第一铰链31、第二铰链37，通过第一铰链31将支撑板36的一端铰接固定在电动车、摩托车的龙头上。进一步地，涡轮蜗杆装置固设于支撑板36的上端部。丝杠螺母装置包括丝杠35、螺母38、第二电机，螺母38旋设在丝杠35上。其中，支撑板36的另一端通过第二铰链37旋接在丝杠35上，且第二铰链37位于螺母38上端。丝杠35固定在电动车、摩托车的龙头上，使得通过第二电机驱动旋转螺母38使得第二铰链37在丝杠35上升降运动，而第一铰链31位置固定，从而实现支撑板36偏转，以带动后视镜偏转。

进一步地，涡轮蜗杆装置包括第一电机、涡轮34、蜗杆32，其中，涡轮34与蜗杆32传动连接，蜗杆32与第一电机连接，第一电机与控制装置1连接，涡轮34与后视镜支撑杆33相连，使得控制装置1发出转动信号控制第一电机转动，使得第一电机带动蜗杆32转动，蜗杆32带动涡轮34转动，涡轮34带动后视镜转动。本实施例中的第一、第二电机具有自锁功能，确保骑行人员在自行调节后视镜时不影响传动机构的精度。

尽管已描述了本发明的优选实施例，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范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。