CN115713758B - 一种车厢识别方法、***、装置及存储介质 - Google Patents

Abstract

本申请公开了一种车厢识别方法、***、装置及存储介质，涉及火车监测技术领域，其技术方案要点是：车厢识别方法包括：获取包含车厢的输入图像；将所述输入图像进行检测处理，以确定包括识别目标的车厢区域；将所述车厢区域进行分析处理，以确定对应于识别目标的目标区域；确定所述车厢区域内车厢货物的最高点；根据所述最高点计算车厢货物高度；提取所述目标区域内的各个单目标字符；以及对多个所述单目标字符逐一识别，以获得所述识别目标的信息内容。通过本申请的识别方法，能够既准确得到车厢货物高度又准确获取车厢车号信息，实现全面自动化，提高作业效率。

Description

一种车厢识别方法、***、装置及存储介质

技术领域

本发明创造属于火车监测技术领域，具体涉及了一种车厢识别方法、***、装置及存储介质。

背景技术

本部分旨在为权利要求书中陈述的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。

在港口，每天有大量的运煤专列火车等待卸车，需要准确掌握每节车厢的车型车号以及对应车厢的装煤高度，传统作业中通常采用监控来进行查看，通过专人查看监控，来进行人工记录，较为麻烦；因此现有技术中配合监控与人工智能进行融合，实现智能监控，如采用RFID等技术手段识别车号，利用红外监测高度值。但是实际作用过程中RFID存在标签损坏导致难以匹配问题，需要有专人值守进行车型、车号确认，无法实现全面自动化，效率较低，并且一个监控只能识别单一内容，如识别车厢车号，无法通过同时判断车厢货物高度是否超高，导致需要多个监控***结合判断，较为麻烦，导致作业效率较低。

发明内容

针对上述技术问题，本发明创造提出了一种车厢识别方法、***、装置及存储介质，能够既准确得到车厢货物高度又准确获取车厢车号信息，实现全面自动化，提高作业效率。

为解决上述技术问题，本发明所采用的技术方案包括四个方面。

第一方面，提供了一种车厢识别方法，包括：

获取包含车厢的输入图像；

将所述输入图像进行检测处理，以确定包括识别目标的车厢区域；

将所述车厢区域进行分析处理，以确定对应于识别目标的目标区域；

确定所述车厢区域内车厢货物的最高点；

根据所述最高点计算车厢货物高度；

提取所述目标区域内的各个单目标字符；

以及对多个所述单目标字符逐一识别，以获得所述识别目标的信息内容。

在一些实施例中，所述将所述输入图像进行检测处理，包括：通过深度学习算法预先训练好的第一yolov5模型对包含车厢的输入图像进行识别，以得到分类为车厢和车厢货物包围框作为车厢区域。

在一些实施例中，所述根据所述最高点计算车厢货物高度，包括：

将所述最高点所在的直线投影至具有刻度的坐标系中，以获得与该条直线距离最近的刻度值；

计算该条直线与获取的所述刻度值之间的像素距离；

将所述像素距离由图像坐标系转为物理坐标系，以获得该条直线与刻度值之间的距离差；

对所述刻度值与所述距离差进行计算，以获得车厢货物高度。

在一些实施例中，所述获取包含车厢的输入图像至少1帧；所述根据所述最高点计算车厢货物高度，还包括：确定若干帧输入图像中车厢区域内的车厢货物高度；将各帧车厢货物高度进行平均，以确定输出的车厢区域高度。

在一些实施例中，所述将所述车厢区域进行分析处理，以确定对应于识别目标的目标区域，包括：

根据深度学习算法预先训练好的第二yolov5模型对车厢区域进行识别，以得到分类为识别目标的包围框作为识别区域；

对识别区域图像进行预处理；

对预处理后的识别区域图像进行识别目标区域定位，以确定目标字符所在区域为目标区域。

在一些实施例中，所述提取所述目标区域内的各个单目标字符，包括：对所述目标区域内的各个单目标字符进行分割，以提取出各个单目标字符图像。

在一些实施例中，所述根据所述目标字符对所述目标区域进行分割，包括：对定位的目标区域取反，并对取反之后的图像的连通域进行分析；根据目标字符自身的连通域，分割出若干个单目标字符。

在一些实施例中，所述对多个所述单目标字符逐一识别，以获得所述识别目标的信息内容，包括：对各个所述单目标字符图像进行归一处理，并进行二值化处理得到目标图像；根据目标图像采用人工神经网络进行目标信息识别。

在一些实施例中，所述根据所述最高点计算车厢货物高度后，判断所述车厢货物高度是否超过设定阈值；其中，当所述车厢货物高度超过设定阈值时，判断所述车厢异常。

在一些实施例中，所述识别目标包括车号、车型、载重、容积中的至少一种。

第二方面，本申请提供了一种车厢识别***，包括：

图像采集单元，用于采集车厢实时图像；

与图像采集单元连接的计算单元，用于执行前述的车厢识别方法。

第三方面提供了一种车厢识别装置，包括：存储器和处理器，所述存储器上存储有计算机程序，该计算机程序被所述处理器执行时，执行如前述的车厢识别方法。

第四方面提供了一种计算机可读存储介质，该存储介质存储的计算机程序，能够被一个或多个处理器执行，所述计算机程序能够用来实现如前述的车厢识别方法的步骤。

与现有技术相比，上述方案中的一个或多个实施例可以具有如下优点或有益效果：

本申请提供了一种车厢识别方法、***、装置及存储介质，该车厢识别方法包括获取包含车厢的输入图像；将所述输入图像进行检测处理，以确定包括识别目标的车厢区域；将所述车厢区域进行分析处理，以确定对应于识别目标的目标区域；确定所述车厢区域内车厢货物的最高点；根据所述最高点计算车厢货物高度；提取所述目标区域内的各个单目标字符；以及对多个所述单目标字符逐一识别，以获得所述识别目标的信息内容。通过本申请的识别方法，能够自动化准确识别出车次、车厢车号、车厢货物高度等基础信息，代替人工抄录与记录，保证数据真实性、及时性、准确性和连贯性，实现全面自动化，从而提高作业效率，并且方便根据车厢货物高度值的确定判断是否超过限高，以实时监测出超高的车厢并进行报警，避免作业事故发生，保证自动化作业效率。

附图说明

在下文中将基于实施例并参考附图来对本申请进行更详细的描述；

图1为本发明实施例中一种车厢识别方法的流程示意图；

图2为本发明实施例中对应于图1中所示的步骤S3的示例性流程图；

图3为本发明实施例中对应于图1中所示的步骤S5的示例性流程图；

图4为本发明实施例中对应于图1中所示的步骤S7的示例性流程图；

图5为本发明实施例中提供的另一种车厢识别方法的流程示意图；

图6为本发明实施例中提供的一种车厢识别***的示意性框图；

图7为发明实施例中提供的一种车厢识别装置的示意性框图；

图8为发明实施例中提供的一种存储介质的示意性图。

在附图中，相同的部件使用相同的附图标记，附图并未按照实际的比例绘制。

具体实施方式

下面结合附图所示的实施例对本公开作进一步说明，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做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。

现有技术中配合监控与人工智能进行结合，实现智能监控，如采用RFID等技术手段识别车号，利用红外监测高度值。但是实际作用过程中需要有专人值守进行车型、车号确认，无法实现全面自动化，较为麻烦。本申请公开了一种车厢识别方法，通过获取车厢图像并经过分析处理等，即可获得车厢的车厢货物高度以及识别车次和车号，为港口翻车管理***提供交互信息并传入PLC作为自动作业的初始条件，提高编组站作业效率，实现自动化管理的效果。

本发明实施例公开了一种车厢识别方法，参见图1所示，该车厢识别方法包括：获取包含车厢的输入图像；将所述输入图像进行检测处理，以确定包括识别目标的车厢区域；将所述车厢区域进行分析处理，以确定对应于识别目标的目标区域；确定所述车厢区域内车厢货物的最高点；根据所述最高点计算车厢货物高度；提取所述目标区域内的各个单目标字符；以及对多个所述单目标字符逐一识别，以获得所述识别目标的信息内容。

本公开的一些实施例还提供对应上述车厢识别方法的车厢识别***、车厢识别装置以及非瞬时性存储介质。

下面结合附图对本公开的一些实施例及其示例进行详细说明。应当理解的是，此处所描述的具体实施方法仅用于说明和解释公开，并不用于限制本公开。

参照图1所示，该车厢识别方法包括一下步骤S1至S7。

步骤S1：获取包含车厢的输入图像。在车厢的一侧搭载一摄像头(如摄像机摄像头、网络摄像头等)，用来拍摄车厢照片，并将车厢照片作为具有车厢的输入图像送至识别***中，其中，该具有车厢的输入图像的画面通常包括车厢和车厢货物，并且获取的输入图像至少1帧，本实施例中以2秒大约100帧为例进行说明。

在一些实施例中，输入图像可以为彩色图像。彩色图像包括但不限于第一颜色通道、第二颜色通道和第三颜色通道。其中，第一颜色通道为红色(R)通道、第二颜色通道为绿色(G)通道，第三颜色通道为蓝色(B)通道，即输入图像为 RGB格式的彩色图像。在另一些实施例中，输入图像也可以为灰度图像。

步骤S2：将所述输入图像进行检测处理，以确定包括识别目标的车厢区域；

在一些实施例中，可以采用常见的目标检测算法对输入图像中的车厢区域进行检测。常见的目标检测所发包括R-CNN(Region-based Convolutional Neural Networks)、SPP-net(Spatial Pyramid Pooling-net)、Fast R-CNN、Faster R-CNN、R-FCN(Region-based Fully Convolutional Networks)、YOLO(You Only Look Once)、SSD(Single ShotMultiBox Detector)等。

本实施例中，目标检测算法为深度学习算法yolov5模型，通过深度学习算法预先训练好的第一yolov5模型对包含车厢的输入图像进行识别，以得到分类为车厢和车厢货物包围框作为车厢区域，通过yolov5模型输出包围框(bounding box)结果和分类结果，从而，可以得到分类为车厢和车厢货物的包围框，缩小检测范围，为后续的检测排除背景干扰。

包围框(bounding box)结果包括物体的中心位置的坐标值、包围框的宽度和高度；其中，在通过yolov5训练过程中，宽度和高度的值使用图像的宽度和高度进行归一化到[0,1]区间内，坐标值是包围框(bounding box)中心位置相对于当前格子位置的偏移值，并且被归一化到[0,1]区间内。其中，利用 confidence(即IOU值)反应当前的包围框(bounding box)是否包含物体以及物***置的准确性，即confidence＝P(object)；若包围框(bounding box)内包含物体，则P(object)＝1；否则P(object)＝0；其中IOU为预测包围框(bounding box)与物体真实区域的交集面积(以像素为单位，用真实区域的像素面积归一化到[0,1]区间)。通过利用yolov5模型的灵活性，能够在模型快速部署上具有极强优势，不仅模型轻量而且速度快且准确。

步骤S3：将所述车厢区域进行分析处理，以确定对应于识别目标的目标区域。

在本实施例中，识别目标包括车号、车型、载重、容积中的至少一种。在一些实施例中，识别目标为车号，通过将车厢区域中不属于车号区域的绝大部分全部像素排除掉，从而确定车号区域的具***置(即目标区域)。

在一些实施例中，参见图2所示，步骤S3包括：

S31、根据深度学习算法预先训练好的第二yolov5模型对车厢区域进行识别，以得到分类为识别目标的包围框作为识别区域；通过第二yolov5模型输出包围框(boundingbox)结果和分类结果，从而，可以得到分类为识别目标(如车号) 的包围框，缩小检测范围，为后续的检测排除背景干扰；

S32、对识别区域图像进行预处理；预处理包括对获得的识别区域图像进行二值化，以得到二值图像；对得到的二值图像进行形态学处理，以得到预处理后的图像；

S33、对预处理后的识别区域图像进行识别目标(如车号)区域定位；本实施例中，通过对得到的预处理图像进行图像数据分析，并根据车号字符所在区域的连通域的特点，定位车号字符所在区域(即目标区域)。其中，连通域一般是指图像中具有相同像素值且位置相邻的前景像素组成的图像区域，通过预处理图像上的所有连通域以及每个连通域外界的矩形框，再选择外界矩形框的面积从大到小排序为第二到底N的连通域作为待选区域，从而对各个待选区域进行验证，以确定对应于识别目标的目标区域。

步骤S4：确定所述车厢区域内车厢货物的最高点。

在一些实施例中，使用深度学习算法yolov5模型将车厢及车厢货物框出来后，得到车厢货物的最高点坐标所在的直线。

步骤S5：根据所述最高点计算车厢货物高度。

在一些实施例中，参照图3所示，步骤S5包括：

S51、将所述最高点所在的直线投影至具有刻度的坐标系中，以获得与该条直线距离最近的刻度值；其中，所述具有刻度的坐标系可以为在车厢一侧搭载的一个带刻度的标尺，进而方便获取该条直线投影在该标尺刻度所在的坐标系中；在一些实施例中，可采用单目采集目标物在图像坐标系中的对应坐标，实现单目视觉测距；

S52、计算该条直线与获取的所述刻度值之间的像素距离；

S53、将所述像素距离由图像坐标系转为物理坐标系，以获得该条直线与刻度值之间的距离差；

S54、对所述刻度值与所述距离差进行计算，以获得车厢货物高度；具体的，车厢货物高度＝直线投影上方最接近的刻度值-距离差。

在一些实施例中，由于铁路列车编组原因，各个车厢需要进入翻车机区域进行自动化作业，然而翻车机区域自动化作业对车厢货物高度具有限高要求，若超高的车厢货物进入翻车机区域直接自动化作业，容易造成机损事故，并在起作业流程后再处理会严重耽误作业时间，影响作业效率。因此，本实施例中，根据确定的车厢货物高度，判断高度是否超过设定阈值；其中，当所述车厢货物高度超过设定阈值时，判断所述车厢异常，给出报警信号，以提示工作人员及时处理，避免该类事故发生；当车厢货物高度低于设定阈值时，判断车厢货物高度正常，进而进入翻车机区域进行自动化作业，使得作业具有依据和保障。

在一些实施例中，步骤S5中的对若干帧输入图像中的车厢区域内的车厢货物高度均通过步骤S51-S54来确定，使得步骤S5还包括一步骤S55、将各帧车厢货物高度进行平均，以确定输出的车厢区域高度。本实施例中，连续测量2秒内大约100帧的输入图像的车厢货物高度值，从而通过取平均值来确定车厢货物的真实高度，以输出给PLC控制器方便下一步动作，减少检测误差，提高自动化作业的稳定性。

步骤S6：提取所述目标区域内的各个单目标字符。

在一些实施例中，步骤S6包括以下步骤：

S61、对所述目标区域内的各个单目标字符进行分割，以提取出各个单目标字符图像。具体的：

对定位的目标区域取反，并对取反之后的图像的连通域进行分析；

根据目标字符自身的连通域，分割出若干个单目标字符。

其中，连通域一般是指图像中具有相同像素值且位置相邻的前景像素组成的图像区域，通过预处理图像上的所有连通域以及每个连通域外界的矩形框，再选择外界矩形框的面积从大到小排序为第二到底N的连通域作为待选区域，从而对各个待选区域进行分析验证，根据单目标字符自身的连通域特点，分割确定出各个单目标字符。

步骤S7：对多个所述单目标字符逐一识别，以获得所述识别目标的信息内容。

在一些实施例中，参照图4所示，步骤S7包括以下步骤：

S71、对各个所述单目标字符图像进行归一处理，并进行二值化处理得到目标图像；

S72、根据目标图像采用人工神经网络进行目标信息识别。

本实施例中，人工神经网络采用ANN，通过对给定样本模式的学习，获取评价专家的知识、经验、主观判断及对目标重要性的倾向，当对合作伙伴做出综合评价时，ANN可在线评价专家的经验、知识和直觉思维，从而实现了定性分析与定量分析的有效结合，也可以较好的保证合作伙伴综合评价结果的客观性。在选定评价指标组合的基础上，对评价指标作出评价，得到评价值后，因各指标间没有统一的度量标准，难以进行直接的分析和比较，也不利于输入神经网络计算。因此，在用神经网络进行综合评价之前，应首先将输入的评价值通过隶属函数的作用转换为[0，1]之间的值，即对评价值进行标准无纲量化，并作为神经网络的输入，以使ANN可以处理定量和定性指标，从而准确将目标信息(即车厢车号) 识别出。

在一些实施例中还提供另一种车厢识别方法，参照图5所示，该车厢识别方法包括以下步骤：

S10、获取具有车厢的输入图像；

S20、将所述输入图像进行检测处理，以确定包括识别目标的车厢区域；

S30、将所述车厢区域进行分析处理，以确定对应于识别目标的目标区域；

S40、提取所述目标区域内的各个单目标字符；

S50、对多个所述单目标字符逐一识别，以获得所述识别目标的信息内容；

S60、确定所述车厢区域内车厢货物的最高点；

S70、根据所述最高点计算车厢货物高度。

该实施例中的识别方法，先进行了对识别目标信息内容进行识别，再进行了车厢货物高度的检测，以便于二者相互印证，提高检测识别的准确率。在其他实施例中，也可以先进行车厢货物高度检测，再识别车厢车号等参数信息，该先后顺序不影响二者印证的准确性，以期许优先获得的数据为准进行顺序调整。

在一些实施例中，通过确定识别目标，即车厢车号、车型、载重或容积等参数，可以确定该车厢限定的车厢货物限高值；通过确定输入图像的所在车厢的车厢货物高度，可以使其与识别目标的内容相互印证，以提高对超高车厢检测的正确率，该正确率可以高达百分之百。

本公开至少一些实施例还提供一种车厢识别***，如图6所示，该车厢识别***包括

图像采集单元11，用于采集车厢实时图像；

与图像采集单元11连接的计算单元12，用于执行如本公开任一项实施例提供的车厢识别方法。

其中，图像采集单元11可以为摄像机摄像头、网络摄像头等，将图像采集单元11设置在火车轨道的一侧，使得火车车厢驶入过程中，能够实时采集到具有车厢的输入图像；

计算单元12与图像采集单元11连接，在一些示例中，计算单元12可以采用能手机、平板电脑、计算机电脑、服务器等。在一些实施例中，图像采集单元 11与计算单元12可以通过网络连接进行通信，网络可以包括有线网络、无线网络、和/或无线网络和有线网络的任意组合。网络可以包括局域网、互联网、电信网等。

在一些实施例中，该车厢识别***还包括PLC13，该PLC13与计算单元12进行连接，可以通过网络连接进行通信，以获取计算单元12反馈的分析结果，即包括车厢货物高度、车次、车厢车号等实时基础信息，并接收车厢货物高度的判断结果，进而给PLC13作为自动化作业的初始条件，提高作业效率。

在一些实施例中，该车厢识别***还包括数据库14与客户端15；该数据库 14与计算单元12通过网络连接进行通信，以接收计算单元12的输出数据(包括图像以及图像分析数据)并进行保存；该客户端15与该数据库14通过网络连接进行通信，以实时获取数据库14中的存储内容，即要展示的图像与图像分析数据，方便操作人员确认。其中，客户端15可以是手机、平板电脑、笔记本电脑等。

本公开至少一些实施例还提供一种车厢识别装置，如图7所示，该车厢识别装置包括存储器21和处理器22；存储器21上存储有计算机程序，该计算机程序被所述处理器22执行时，执行本公开任一实施例提供的车厢识别方法。

其中，存储器21和处理器22之间可以直接或间接互相通信，在一些示例中，存储器和处理器等组件之间可以通过网络连接进行通信。进一步的，在存储器21 上可以存储一个或多个计算机指令，处理器22可以运行所述计算机指令，以实现各种功能。在计算机可读存储器21中还可以存储各种应用程序和各种数据，例如输入图像、视频序列、校正后的车厢区域图像、目标区域图像以及应用程序使用和/或产生的各种数据等。处理器2可以是中央处理单元(CPU)、张量处理器(TPU)或者图形处理器GPU等具有数据处理能力和/或程序执行能力的器件。

在一些示例中，该车厢识别装置包括但不限于智能手机、平板电脑、计算机电脑、服务器等。

需要说明的是，本公开的实施例提供的车厢识别装置是示例性的，而非限制性的，根据实际应用需要，该图像处理装置还可以包括其他常规部件或结构，例如，为实现图像处理装置的必要功能，本领域技术人员可以根据具体应用场景设置其他的常规部件或结构，本公开的实施例对此不作限制。

本公开至少一些实施例还提供一种计算机可读存储介质，如图8所示，该存储介质存储的计算机程序31，能够被一个或多个处理器执行，所述计算机程序 31能够用来实现如本公开任一项实施例提供的车厢识别方法的步骤。

在一些实施例中，存储介质可以包括平板电脑的存储部件、个人计算机的硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、光盘只读存储器(CD-ROM)、闪存、或者上述存储介质的任意组合，也可以为其他适用的存储介质。

本申请实施例公开了一种车厢识别方法、***、装置及存储介质，能够实时记录并监测识别车厢车号与车厢货物高度，保证数据准确性和连贯性，提高编组站的作业效率，并提供运输的确报信息，实现运输确报的自动化管理，并且根据车厢货物高度判断是否超高，以提高翻车机翻车效率以及作业的稳定性。同时，代替了人工抄录车号、车型以及人工判断车厢货物高度是否超过，实现自动化作业，能够提高作业效率。

本公开中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

本公开的保护范围不限于上述的实施例，显然，本领域的技术人员可以对本公开进行各种改动和变形而不脱离本公开的范围和精神。倘若这些改动和变形属于本公开权利要求及其等同技术的范围，则本公开的意图也包含这些改动和变形在内。

Claims (12)

1.一种车厢识别方法，其特征在于，包括：

获取包含车厢的输入图像；

将所述输入图像进行检测处理，以确定包括识别目标的车厢区域；

将所述车厢区域进行分析处理，以确定对应于识别目标的目标区域；

确定所述车厢区域内车厢货物的最高点；

根据所述最高点计算车厢货物高度；具体包括：将所述最高点所在的直线投影至具有刻度的坐标系中，以获得与该条直线距离最近的刻度值；计算该条直线与获取的所述刻度值之间的像素距离；将所述像素距离由图像坐标系转为物理坐标系，以获得该条直线与刻度值之间的距离差；对所述刻度值与所述距离差进行计算，以获得车厢货物高度；

提取所述目标区域内的各个单目标字符；

以及对多个所述单目标字符逐一识别，以获得所述识别目标的信息内容。

2.根据权利要求1所述的一种车厢识别方法，其特征在于，所述将所述输入图像进行检测处理，包括：通过深度学习算法预先训练好的第一yolov5模型对包含车厢的输入图像进行识别，以得到分类为车厢和车厢货物包围框作为车厢区域。

3.根据权利要求1所述的一种车厢识别方法，其特征在于，所述获取包含车厢的输入图像至少1帧；所述根据所述最高点计算车厢货物高度，还包括：确定若干帧输入图像中车厢区域内的车厢货物高度；将各帧车厢货物高度进行平均，以确定输出的车厢区域高度。

4.根据权利要求1所述的一种车厢识别方法，其特征在于，所述将所述车厢区域进行分析处理，以确定对应于识别目标的目标区域，包括：

根据深度学习算法预先训练好的第二yolov5模型对车厢区域进行识别，以得到分类为识别目标的包围框作为识别区域；

对识别区域图像进行预处理；

对预处理后的识别区域图像进行识别目标区域定位，以确定目标字符所在区域为目标区域。

5.根据权利要求4所述的一种车厢识别方法，其特征在于，所述提取所述目标区域内的各个单目标字符，包括：对所述目标区域内的各个单目标字符进行分割，以提取出各个单目标字符图像。

6.根据权利要求5所述的一种车厢识别方法，其特征在于，所述根据所述目标字符对所述目标区域进行分割，包括：对定位的目标区域取反，并对取反之后的图像的连通域进行分析；根据目标字符自身的连通域，分割出若干个单目标字符。

7.根据权利要求1所述的一种车厢识别方法，其特征在于，所述对多个所述单目标字符逐一识别，以获得所述识别目标的信息内容，包括：对各个所述单目标字符图像进行归一处理，并进行二值化处理得到目标图像；根据目标图像采用人工神经网络进行目标信息识别。

8.根据权利要求1所述的一种车厢识别方法，其特征在于，所述根据所述最高点计算车厢货物高度后，判断所述车厢货物高度是否超过设定阈值；其中，当所述车厢货物高度超过设定阈值时，判断所述车厢异常。

9.根据权利要求1所述的一种车厢识别方法，其特征在于，所述识别目标包括车号、车型、载重、容积中的至少一种。

10.一种车厢识别***，其特征在于，包括：

图像采集单元，用于采集车厢实时图像；

与图像采集单元连接的计算单元，用于执行如权利要求1-9任意一项的车厢识别方法。

11.一种车厢识别装置，其特征在于，包括：存储器和处理器，所述存储器上存储有计算机程序，该计算机程序被所述处理器执行时，执行如权利要求1-9任意一项的车厢识别方法。

12.一种计算机可读存储介质，其特征在于，该存储介质存储的计算机程序，能够被一个或多个处理器执行，所述计算机程序能够用来实现如权利要求1-9任意一项所述的车厢识别方法的步骤。