CN116818009A - 一种货车超限检测***及方法 - Google Patents
一种货车超限检测***及方法 Download PDFInfo
- Publication number
- CN116818009A CN116818009A CN202310681027.0A CN202310681027A CN116818009A CN 116818009 A CN116818009 A CN 116818009A CN 202310681027 A CN202310681027 A CN 202310681027A CN 116818009 A CN116818009 A CN 116818009A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- truck
- detection
- license plate
- overrun
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 172
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000005303 weighing Methods 0.000 claims abstract description 49
- 238000009826 distribution Methods 0.000 claims abstract description 20
- 238000004140 cleaning Methods 0.000 claims abstract description 15
- 238000012544 monitoring process Methods 0.000 claims description 62
- 230000008569 process Effects 0.000 claims description 11
- 230000001502 supplementing effect Effects 0.000 claims description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 239000010453 quartz Substances 0.000 claims description 7
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 claims description 7
- 230000006399 behavior Effects 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 230000001960 triggered effect Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 230000026676 system process Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011272 standard treatment Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01G—WEIGHING
- G01G19/00—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups
- G01G19/02—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups for weighing wheeled or rolling bodies, e.g. vehicles
- G01G19/03—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups for weighing wheeled or rolling bodies, e.g. vehicles for weighing during motion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种货车超限检测***及方法,包括车牌识别装置、动态称重装置、车辆长高检测装置、车轴检测装置、车轴检测摄像头清洗装置、信息显示装置、预警装置、播报***和控制中心。车辆通过该***后,控制中心会获得一系列过车信息,包括货车通过时间、载重量、车牌以及货车车辆的高、长、车轴数量、车轴类型和车轴分布等信息,如果检测到货车超限,控制中心将超限车辆的车牌号、超出国家限制的信息展示在信息展示屏上,并对超限车辆发出警告,同时控制中心将车辆的信息上传到数据库中,以便于国家执法人员的以后的查询,可实现全天高效自动的检测货车超限的情况,也避免了车辆堵塞。
Description
技术领域
本发明涉及货车超限检测技术领域,具体为一种货车超限检测***及方法。
背景技术
近年来,随着经济的快速发展,我国公路的建设规模越来越大,公路运输量也逐年增加,然而,由于运输业主为了追求利润,随意改装车辆致使货车超限超载已成为普遍现象,严重危及人民安全和国家财产安全,货车超限运输是当前道路治理的重点,超限运输会使道路以及桥梁使用寿命缩短,破坏公路路面,容易引起交通事故,降低公路运输效率,交通部门维修路面耗资巨大,施工难度高,因此治理货车超限超重现象势在必行。
目前,货车高速超限治理办法主要为,在货车驶入高速路收费站前,先进入超限检测站,配合国家执法人员进行车辆检测,需要大量的人力,效率低,由于检测时间长,极容易引起车辆堵塞,由于需要人工参与,无法保证全天治理超限。
发明内容
针对现有技术的不足,本发明提供了一种货车超限检测***及方法能够高效的监管货车超限超载情况。
为实现上述高效的监管货车超限超载的目的,本发明提供如下技术方案:一种货车超限检测***及方法,包括车牌识别装置、动态称重装置、车辆长高检测装置、车轴检测装置、车轴检测摄像头清洗装置、信息显示装置、预警装置、播报***和控制中心。
所述车牌识别装置用于识别车辆的前后车牌,包括车头车牌识别摄像头、车牌显示屏、车尾车牌识别摄像头。
所述动态称重装置用于检测车辆的重量,内部设置有石英式动态称重传感器。
所述车辆长高检测装置用于检测车辆的长度和高度,包括倒L型监控杆、激光传感器、I型监控杆、激光传感器、倒L型监控杆、激光传感器。
所述车轴检测装置用于检测车辆的轴型及分布,包括车轴检测摄像头、光电传感器、I型监控杆。
所述检测***的最后方设置有车辆信息显示屏,车辆信息显示屏用于显示被检测车辆的基本信息已经检测结果。
所述车轴检测摄像头清洗装置用于清理用于车轴检测的摄像头,包括小雨刷器、车轴摄像头保护装置以及小水枪。
所述控制中心用于存放检测车轴类型及分布的PP-YOLOE模型和检测车辆的各类数据,并与国家标准进行比较,电源模块为各个装置提供电压,信息显示装置用于显示当前车辆的信息、预警装置及播报***用于确定车辆超限后的警告。将国家制定的超限车辆认定标准按照主轴为1,从轴为2的原则存入列表中作为键,总质量限制作为值的形式存入数据库中,方便与称重装置上传的数据进行对比。
所述车头车牌识别摄像头与车尾车牌识别摄像头分别安装在车牌显示屏的前后,所述动态称重装置设于车牌识别装置与倒L型监控杆之间,所述倒L型监控杆安装的激光传感器用于检测车辆的高度,激光传感器和激光传感器用于检测车辆的长度,I型监控杆安装的光电传感器用于检测车轮数目,所述车轴检测摄像头设于倒L型监控杆和I型监控杆之间。
优选的,车牌识别装置、车辆长高检测装置、动态称重装置、车轴检测装置的输出端与控制中心连接,控制中心的输出端与信息显示装置、预警装置、播报***连接,车轴检测摄像头清洗装置与车轴检测装置连接,控制中心通过接收车牌识别装置、车辆长高检测装置、动态称重装置、车轴检测装置上传的数据与国家车辆超限规定标准进行判别。
优选的,具体实施步骤如下:在货车进入高速路口时,货车需进行高速路口前的超限检测,货车在不停车的情况下,低速通过车牌识别装置、车辆长高检测装置、动态称重装置、车轴检测装置检测区域,***会自动检测货车通过时间、货车载重量、车牌以及货车车辆的高、长、车轴数量、车轴类型和车轴分布在内的有效货车数据,并将货车车辆检测数据上传到控制中心;
当车辆行驶进超限检测区域并驶入车牌识别装置时,装置会对货车的前后车牌进行检测和识别并将检测到的数据上传控制中心;
当车辆行驶进超限检测区域并驶入动态称重装置时,货车低速匀速通过传感器,货车通过后,仪表会获得称重信息,并上传到控制中心;
当车辆行驶进超限检测区域并驶入车辆长高检测装置时,装置会对车辆的长度和高度进行检测并检测数据上传控制中心;
当车辆行驶进超限检测区域并驶入车轴检测装置时,装置会对货车车轴的数目、车轴类型及不同车轴的分布位置进行检测并将检测到的数据上传控制中心;
控制中心通过不同检测装置上传的数据与国家规定的车辆超限标准进行判断车辆是否超限,当车辆超限时,控制中心会向信息展示装置发送车辆的长、高和重量信息,启动预警装置和播报***,提醒司机接受执法人员的处罚并及时处理车辆的超限行为。
优选的,车牌识别装置设置有补光灯,当车辆驶入超限检测区域时车头车牌识别摄像头和车尾车牌识别摄像头获取车辆行驶时的车牌图像后。对图像进行预处理操作,包括图像灰度化等。将彩色图像转换为灰度图像可以降低图像噪声和提高图像处理速度,便于实时获取车牌号。进行车牌定位,根据特定的车牌颜色、形状、比例等特征,结合训练好的CNN模型,确定车牌在图像中位置。然后通过CNN模型对车牌进行字符切割,将每个字符单独提取出来。准确的字符切割能够保证后续字符识别的准确性。最后使用机器学习算法,如支持向量机、神经网络等算法进行字符识别并将识别到的车牌信息发送到车牌显示屏。
优选的,将称重传感器安装在地面或者地面上方的悬挂装置上,确保传感器与车辆接触并且传感器稳定不移动。传感器与数据采集器连接,确保连接稳定并且数据采集器正常工作。车辆匀速经过传感器上方,让其通过传感器。传感器会测量车辆通过时的重量,并将数据传输给数据采集器。重量计算公式:重量 = 传感器测量的力 / 重力加速度。其中,传感器测量的力指的是车辆通过传感器时所产生的力,重力加速度一般取9.8m/s²。
优选的,倒L型的监控杆与倒L型的监控杆的横杆长为3m,竖杆长为4m,且两监控杆相距为s=10m。设于倒L型监控杆横杆1.5m位置的3个激光传感器用于检测车辆的高度。通过倒L型的监控杆竖杆的高度减去激光传感器返回的距离可以计算出车辆的高度,多次记录计算出的车辆高度,取最大值作为最后的车辆高度。同时记录车辆通过传感器的时间t1,用于后续车辆长度的计算。设于倒L型监控杆横杆1.5m位置的激光传感器用于检测车辆通过时间t2。根据s、t1和t2计算出车辆的速度v。当设于I型监控杆竖杆距地面2m处的2个激光传感器返回的距离小于50cm后,说明有车辆进入检测装置。记录当前车辆通过传感器的时间t3,当激光传感器返回的距离大于50cm后,说明车辆已经通过检测装置。记录当前车辆通过传感器的时间t4。根据t3、t4和v即可计算出车辆长度。
优选的,车轴检测装置设置有补光灯,光电传感器放置于I型监控杆的内侧用于检测车辆的车轮数,车轮数等同于车轴数目,当检测到车辆进入超限检测区域后设于倒L型监控杆与I型监控杆之间的车轴检测摄像头升起并且补光灯打开,然后车轴检测摄像头拍照记录车底同时将照片传输到控制中心与部署的PP-YOLOE模型进行实时对比检测,当车辆完全经过后,摄像头重新降回保护装置。
优选的,所部署的PP-YOLOE模型首先对摄像头上传的图像或视频在经过预处理减轻目标阴影对检测的影响。部署的模型先将整个图像分成网格,然后每个网格预测不同数量和类别的物体,并输出其左上角坐标、高度、宽度以及该类别的置信度得分。从而获得图像或视频中车轴的类型。根据传入图像或视频的顺序,将识别出的车轴轴型按照主轴为1,从轴为2的原则存入列表中,并与数据库中存放的数据进行比较从而得出当前货车重量的最大限值。用于判断货车是否超重。
优选的,摄像头遮挡检测方法为对摄像头画面进行检测,当出现一定范围内的视频遮挡、黑屏等镜头异常情况时,触发摄像头遮挡预警,小雨刷器与小水枪配合对摄像头进行清理。
与现有技术相比,本发明提供了一种货车超限检测***及方法,通过车牌识别装置、动态称重装置、车辆长高检测装置、车轴检测装置、车轴检测摄像头清洗装置、信息显示装置、预警装置、播报***和控制中心的配合设置,车辆通过该***后,控制中心会获得一系列过车信息,包括货车通过时间、载重量、车牌以及货车车辆的高、长、车轴数量、车轴类型和车轴分布等信息,如果检测到货车超限,控制中心将超限车辆的车牌号、超出国家限制的信息展示在信息展示屏上,并对超限车辆发出警告,同时控制中心将车辆的信息上传到数据库中,以便于国家执法人员的以后的查询,可实现全天高效自动的检测货车超限的情况,也避免了车辆堵塞。
附图说明
图1为本发明技术解决方案的结构示意图;
图2为本发明技术解决方案的流程图;
图3为本发明超限检测***结构示意图;
图4为子***车辆长高检测装置结构示意图;
图5为模型步骤示意图;
图6为PP-YOLOE模型架构图;
图7为车轴检测摄像头保护装置和车轴检测摄像头清理装置结构图;
图 8为检测数据与数据库数据对比图。
图中:1、车头车牌识别摄像头;2、车牌显示屏;3、车尾车牌识别摄像头;4、石英式动态称重传感器;5、倒L型监控杆;6、激光传感器;7、I型监控杆;8、激光传感器;9、倒L型监控杆;10、激光传感器;11、车轴检测摄像头;12、光电传感器;13、I型监控杆;14、车辆信息显示屏;15、小雨刷器;16、车轴摄像头保护装置;17、小水枪。
实施方式
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。
请参阅图1-7,一种货车超限检测***及方法,包括车牌识别装置、动态称重装置、车辆长高检测装置、车轴检测装置、车轴检测摄像头清洗装置、信息显示装置、预警装置、播报***和控制中心,车牌识别装置、车辆长高检测装置、动态称重装置、车轴检测装置的输出端与控制中心连接,控制中心的输出端与信息显示装置、预警装置、播报***连接,车轴检测摄像头清洗装置与车轴检测装置连接,控制中心通过接收车牌识别装置、车辆长高检测装置、动态称重装置、车轴检测装置上传的数据与国家车辆超限规定标准进行判别,车牌识别装置用于识别车辆的前后车牌,包括车头车牌识别摄像头1、车牌显示屏2、车尾车牌识别摄像头3,车牌识别装置设置有补光灯用于补光,当车辆驶入超限检测区域时车头车牌识别摄像头1和车尾车牌识别摄像头3获取车辆行驶时的车牌图像后。对图像进行预处理操作,包括图像灰度化等。将彩色图像转换为灰度图像可以降低图像噪声和提高图像处理速度,便于实时获取车牌号。进行车牌定位,根据特定的车牌颜色、形状、比例等特征,结合训练好的CNN模型,确定车牌在图像中位置。然后通过CNN模型对车牌进行字符切割,将每个字符单独提取出来。准确的字符切割能够保证后续字符识别的准确性。最后使用机器学习算法,如支持向量机、神经网络等算法进行字符识别并将识别到的车牌信息发送到车牌显示屏,动态称重装置用于检测车辆的重量,内部设置有石英式动态称重传感器4,将称重传感器安装在地面或者地面上方的悬挂装置上,确保传感器与车辆接触并且传感器稳定不移动。传感器与数据采集器连接,确保连接稳定并且数据采集器正常工作。车辆匀速经过传感器上方,让其通过传感器。传感器会测量车辆通过时的重量,并将数据传输给数据采集器。重量计算公式:重量 = 传感器测量的力 / 重力加速度。其中,传感器测量的力指的是车辆通过传感器时所产生的力,重力加速度一般取9.8m/s²,车辆长高检测装置用于检测车辆的长度和高度,包括倒L型监控杆(5)、激光传感器(6)、I型监控杆(7)、激光传感器(8)、倒L型监控杆(9)、激光传感器(10)。倒L型的监控杆与倒L型的监控杆的横杆长为3m,竖杆长为4m,且两监控杆相距为s=10m。设于倒L型监控杆横杆1.5m位置的3个激光传感器用于检测车辆的高度。通过倒L型的监控杆竖杆的高度减去激光传感器返回的距离可以计算出车辆的高度,多次记录计算出的车辆高度,取最大值作为最后的车辆高度。同时记录车辆通过传感器的时间t1,用于后续车辆长度的计算。设于倒L型监控杆横杆1.5m位置的激光传感器用于检测车辆通过时间t2。根据s、t1和t2计算出车辆的速度v。当设于I型监控杆竖杆距地面2m处的2个激光传感器返回的距离小于50cm后,说明有车辆进入检测装置。记录当前车辆通过传感器的时间t3,当激光传感器返回的距离大于50cm后,说明车辆已经通过检测装置。记录当前车辆通过传感器的时间t4。根据t3、t4和v即可计算出车辆长度,车轴检测装置用于检测车辆的轴型及分布,包括车轴检测摄像头(11)、光电传感器(12)、I型监控杆(13),检测***的最后方设置有车辆信息显示屏14,车辆信息显示屏14用于显示被检测车辆的基本信息已经检测结果,车轴检测摄像头清洗装置用于清理用于车轴检测的摄像头,包括小雨刷器15、车轴摄像头保护装置16以及小水枪7,摄像头遮挡检测方法为对摄像头画面进行检测,当出现一定范围内的视频遮挡、黑屏等镜头异常情况时,触发摄像头遮挡预警,小雨刷器15与小水枪17配合对摄像头进行清理,控制中心用于存放检测车轴类型及分布的PP-YOLOE模型和检测车辆的各类数据,并与国家标准进行比较,电源模块为各个装置提供电压,信息显示装置用于显示当前车辆的信息、预警装置及播报***用于确定车辆超限后的警告,车头车牌识别摄像头(1)与车尾车牌识别摄像头(3)分别安装在车牌显示屏(2)的前后,所述动态称重装置设于车牌识别装置与倒L型监控杆(5)之间,所述倒L型监控杆(5)安装的激光传感器(6)用于检测车辆的高度,激光传感器(8)和激光传感器(10)用于检测车辆的长度,I型监控杆(13)安装的光电传感器(12)用于检测车轮数目,所述车轴检测摄像头(11)设于倒L型监控杆(9)和I型监控杆(13)之间,车轴检测装置设置有补光灯用于补光,光电传感器12放置于I型监控杆13的内侧用于检测车辆的车轮数,车轮数等同于车轴数目,当检测到车辆进入超限检测区域后设于倒L型监控杆9与I型监控杆之间13之间的车轴检测摄像头11升起并且补光灯打开,然后车轴检测摄像头8拍照记录车底同时将照片传输到控制中心与部署的PP-YOLOE模型进行实时对比检测,当车辆完全经过后,摄像头重新降回保护装置,PP-YOLOE模型对摄像头上传的图像在经过预处理减轻目标阴影对检测的影响后,再经过图像去噪,最后模型对图像中的车轴进行分类和定位,从而获得货车驱动轴和从动轴的分布和车轴类型数目,具体实施步骤如下:在货车进入高速路口时,货车需进行高速路口前的超限检测,货车在不停车的情况下,低速通过车牌识别装置、车辆长高检测装置、动态称重装置、车轴检测装置检测区域,***会自动检测货车通过时间、货车载重量、车牌以及货车车辆的高、长、车轴数量、车轴类型和车轴分布在内的有效货车数据,并将货车车辆检测数据上传到控制中心;当车辆行驶进超限检测区域并驶入车牌识别装置时,装置会对货车的前后车牌进行检测和识别并将检测到的数据上传控制中心;当车辆行驶进超限检测区域并驶入动态称重装置时,货车低速匀速通过传感器,货车通过后,仪表会获得称重信息,并上传到控制中心;当车辆行驶进超限检测区域并驶入车辆长高检测装置时,装置会对车辆的长度和高度进行检测并检测数据上传控制中心;当车辆行驶进超限检测区域并驶入车轴检测装置时,装置会对货车车轴的数目、车轴类型及不同车轴的分布位置进行检测并将检测到的数据上传控制中心;控制中心通过不同检测装置上传的数据与国家规定的车辆超限标准进行判断车辆是否超限,当车辆超限时,控制中心会向信息展示装置发送车辆的长、高和重量信息,启动预警装置和播报***,提醒司机接受执法人员的处罚并及时处理车辆的超限行为。
在使用过程中,当货车进入高速路口时,货车需进行高速路口前的超限检测,货车在不停车的情况下,低速通过车牌识别装置、车辆长高检测装置、动态称重装置、车轴检测装置检测区域,***会自动检测货车通过时间、货车载重量、车牌以及货车车辆的高、长、车轴数量、车轴类型和车轴分布在内的有效货车数据,并将货车车辆检测数据上传到控制中心,其中当车辆行驶进超限检测区域并驶入车牌识别装置时,装置会对货车的前后车牌进行检测和识别,检测完成后,车辆进入动态称重检测装置,当车辆行驶进超限检测区域并驶入动态称重装置时,货车低速匀速通过动态称重板,货车通过后,仪表会获得车重数据,并上传到控制中心,当车辆行驶进超限检测区域并驶入车辆长高检测装置时,装置会对车辆的长度和高度进行检测并检测数据上传控制中心,当车辆行驶进超限检测区域并驶入车轴检测装置时,装置会对货车车轴的数目、车轴类型及不同车轴的分布位置进行检测并将检测到的数据上传控制中心,当控制中心通过不同检测装置上传的数据与国家规定的车辆超限标准进行判断车辆是否超限,当车辆超限时,控制中心会向信息展示装置发送车辆的长、高和重量信息,启动预警装置和播报***,提醒司机接受执法人员的处罚并及时处理车辆的超限行为,控制中心将不同检测装置检测到的货车通过时间、货车载重量、车牌以及货车车辆的高、长、车轴数量、车轴类型和车轴分布等信息形成完整的过车信息并上传至控制中心的数据库中,执法人员可以通过数据库查看车辆以前是否具有超限行为,其中模型检测过程为:首先,模型对摄像头拍摄的照片进行预处理归一化,包括灰度化、几何变换、图像增强,同时对图像进行一系列标准的处理变换,使之变换为一固定标准形式,我们将图像调整为统一的尺寸,方便处理。图像预处理的主要目的是消除图像中无关的信息,恢复有用的真实信息,增强有关信息的可检测性、最大限度地简化数据,从而改进特征提取、图像分割、匹配和识别的可靠性。然后经图像去噪,输入到服务器所部署的模型PP-YOLOE中,通过由CSPRepResNet搭建的backbone,包括3个堆叠的卷积组成的stem结构以及4个CSPRepResStage,经过backbone部分的CSPRepResNet网络进行跨尺度的特征提取,然后将提取到的特征输入到由5个CSPRepResStage组成neck中,经过FPN与PAN结构后,对提取到的特征进行进一步的融合,有利于提高模型的检测效果。其中FPN网络是自顶向下的,将高层特征通过上采样与底层特征做融合得到进行预测的特征图,而PAN结构通过下采样将底层的强定位信息传递上去。head部分的ET-head引入了ESE block(Effective Squeeze-and-Excitation Block,注意力模块)、DFL和VFL用来提高精度和检测速度,并将分类任务对齐模块简化成了shortcut,进一步提升了速度,将backbone和neck提取到的特征输入到head部分进行分类和定位。经过模型检测后,得到检测到的驱动轴与从动轴数目和分布位置,与数据库保存的国家规定数据进行对比并判断是否超限,在深度学习模型中,通常通过mAP、Precision、Accuracy和Recall作为模型性能表现的衡量标准。准确率表示所有被预测为正样本的样本中预测对的比例,准确率公式为:
TP:True Positive,分类器预测结果为正样本,实际也为正样本,即正样本被正确识别的数量。FP:False Positive,分类器预测结果为正样本,实际为负样本,即误报的负样本数量,Recall召回率表示检测预测出来的准确结果占总体正样本的准确性,召回率公式为:
FN:False Negative,分类器预测结果为负样本,实际为正样本,即错误检测的正样本数量,Accuracy准确率表示预测正确的样本占总样本的比例,准确率公式为:
TN:True Negative,分类器预测结果为负样本,实际为负样本,即负样本被正确识别的数量,mAP(mean average precision,均值平均精度)是目标检测中最常用的指标,有助于评估算法的有效性。mAP计算公式为:
其中P()表示在召回率为时测得的精度,r取其召回率值大于或等于r的最大精度,当车辆低速匀速通过石英式动态称重传感器4时,将车轮所受压力转换成电信号并传输给计算机处理***,通过计算机处理***对传感器采集到的数据进行实时处理、分析和计算并据此计算出货车当前的重量。同时将称重信息上传到控制中心。所述动态称重装置的输出端与控制中心连接,摄像头遮挡检测的方法为,当出现一定范围内的视频遮挡、黑屏等镜头异常情况时,触发摄像头遮挡预警,当检测到摄像头11存在污渍时,水枪17会对摄像头进行冲洗,同时雨刷器15会对摄像头进行清理,防止尘土及雨雪对检测结果的影响,使摄像头拍出的照片清晰,保证车轴检测装置可以高效的识别车轴的类型和不同车轴的分布规律,所述摄像头遮挡检测方法为,将摄像头画面作为检测照片传入控制中心,首先将图像二值化,偏黑的部分为前景,其他部分为背景,对前景进行连通区域检测,求得最大连通区域面积,该面积与整张图像面积的比值为遮挡率,当遮挡率大于0时,水枪17和雨刷器15工作,对摄像头进行清理,检测***还包括控制中心的数据库***,控制中心将车牌识别装置、车辆长高检测装置、动态称重装置、车轴检测装置获得数据形成完整的过车信息,然后上传至数据库,控制中心通过不同检测装置上传的数据与国家规定的车辆超限标准进行判断车辆是否超限,当车辆超限时,控制中心会向信息展示装置发送车辆的长、高和重量信息,启动预警装置和播报***,提醒司机接受执法人员的处罚并及时处理车辆的超限行为。
综上所述,该货车超限检测***及方法,
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.一种货车超限检测***,包括车牌识别装置、动态称重装置、车辆长高检测装置、车轴检测装置、车轴检测摄像头清洗装置、信息显示装置、预警装置、播报***和控制中心;
所述车牌识别装置用于识别车辆的前后车牌,包括车头车牌识别摄像头(1)、车牌显示屏(2)、车尾车牌识别摄像头(3);
所述动态称重装置用于检测车辆的重量,内部设置有石英式动态称重传感器(4);
所述车辆长高检测装置用于检测车辆的长度和高度,包括倒L型监控杆(5)、激光传感器(6)、I型监控杆(7)、激光传感器(8)、倒L型监控杆(9)、激光传感器(10);
所述车轴检测装置用于检测车辆的轴型及分布,包括车轴检测摄像头(11)、光电传感器(12)、I型监控杆(13);
所述检测***的最后方设置有车辆信息显示屏(14),车辆信息显示屏(14)用于显示被检测车辆的基本信息已经检测结果;
所述车轴检测摄像头清洗装置用于清理用于车轴检测的摄像头,包括小雨刷器(15)、车轴摄像头保护装置(16)以及小水枪(17);
所述控制中心用于存放检测车轴类型及分布的PP-YOLOE模型和检测车辆的各类数据,并与国家标准进行比较,电源模块为各个装置提供电压,信息显示装置用于显示当前车辆的信息、预警装置及播报***用于确定车辆超限后的警告;
所述车头车牌识别摄像头(1)与车尾车牌识别摄像头(3)分别安装在车牌显示屏(2)的前后,所述动态称重装置设于车牌识别装置与倒L型监控杆(5)之间,所述倒L型监控杆(5)安装的激光传感器(6)用于检测车辆的高度,激光传感器(8)和激光传感器(10)用于检测车辆的长度,I型监控杆(13)安装的光电传感器(12)用于检测车轮数目,所述车轴检测摄像头(11)设于倒L型监控杆(9)和I型监控杆(13)之间。
2.根据权利要求1所述的货车超限检测***,其特征在于:车牌识别装置、车辆长高检测装置、动态称重装置、车轴检测装置的输出端与控制中心连接,控制中心的输出端与信息显示装置、预警装置、播报***连接,车轴检测摄像头清洗装置与车轴检测装置连接,控制中心通过接收车牌识别装置、车辆长高检测装置、动态称重装置、车轴检测装置上传的数据与国家车辆超限规定标准进行判别。
3.货车超限检测方法,其特征在于:采用权利要求1-2任一所述的货车超限检测***进行检测,具体实施步骤如下:在货车进入高速路口时,货车需进行高速路口前的超限检测,货车在不停车的情况下,低速通过车牌识别装置、车辆长高检测装置、动态称重装置、车轴检测装置检测区域,***会自动检测货车通过时间、货车载重量、车牌以及货车车辆的高、长、车轴数量、车轴类型和车轴分布在内的有效货车数据,并将货车车辆检测数据上传到控制中心;
当车辆行驶进超限检测区域并驶入车牌识别装置时,装置会对货车的前后车牌进行检测和识别并将检测到的数据上传控制中心;
当车辆行驶进超限检测区域并驶入动态称重装置时,货车低速匀速通过传感器,货车通过后,仪表会获得称重信息,并上传到控制中心;
当车辆行驶进超限检测区域并驶入车辆长高检测装置时,装置会对车辆的长度和高度进行检测并检测数据上传控制中心;
当车辆行驶进超限检测区域并驶入车轴检测装置时,装置会对货车车轴的数目、车轴类型及不同车轴的分布位置进行检测并将检测到的数据上传控制中心;
控制中心通过不同检测装置上传的数据与国家规定的车辆超限标准进行判断车辆是否超限,当车辆超限时,控制中心会向信息展示装置发送车辆的长、高和重量信息,启动预警装置和播报***,提醒司机接受执法人员的处罚并及时处理车辆的超限行为。
4.根据权利要求3所述的货车超限检测***及方法,其特征在于:车牌识别装置设置有补光灯,当车辆驶入超限检测区域时车头车牌识别摄像头(1)和车尾车牌识别摄像头(3)会获取车辆行驶时的车牌图像后;进行车牌定位,根据特定的车牌颜色、形状、比例等特征,结合图像处理和计算机视觉算法,确定车牌在图像中位置;让然后对车牌进行字符切割,将每个字符单独提取出来;准确的字符切割能够保证后续字符识别的准确性;最后使用机器学习算法,如支持向量机、神经网络等算法进行字符识别并将识别到的车牌信息发送到车牌显示屏同时上传到控制中心。
5.根据权利要求3所述的货车超限检测***及方法,其特征在于:当车辆低速匀速通过石英式动态称重传感器(4)时,石英式动态称重传感器(4)将车轮所受压力转换成电信号并传输给计算机处理***,通过计算机处理***对传感器采集到的数据进行实时处理、分析和计算并据此计算出货车当前的重量;同时将称重信息上传到控制中心。
6.根据权利要求3所述的货车超限检测***及方法,其特征在于:倒L型的监控杆(5)与倒L型的监控杆(9)的横杆长为3m,竖杆长为4m,且两监控杆相距为s=10m;设于倒L型监控杆(5)横杆1.5m位置的3个激光传感器(6)用于检测车辆的高度;通过倒L型的监控杆(5)竖杆的高度减去激光传感器返回的距离可以计算出车辆的高度,多次记录计算出的车辆高度,取最大值作为最后的车辆高度;同时记录车辆通过传感器的时间t1,用于后续车辆长度的计算;设于倒L型监控杆(9)横杆1.5m位置的激光传感器(10)用于检测车辆通过时间t2;根据s、t1和t2计算出车辆的速度v;当设于I型监控杆(7)竖杆距地面2m处的2个激光传感器(8)返回的距离小于50cm后,说明有车辆进入检测装置;记录当前车辆通过传感器的时间t3,当激光传感器返回的距离大于50cm后,说明车辆已经通过检测装置;记录当前车辆通过传感器的时间t4;根据t3、t4和v即可计算出车辆长度;并将数据上传到控制中心。
7.根据权利要求3所述的货车超限检测***及方法,其特征在于:车轴检测装置设置有补光灯,光电传感器(12)放置于I型监控杆(13)的内侧用于检测车辆的车轮数,车轮数等同于车轴数目,当检测到车辆进入超限检测区域后设于倒L型监控杆(9)与I型监控杆之间(13)之间的车轴检测摄像头(11)升起并且补光灯打开,然后车轴检测摄像头(11)拍照记录车底同时将照片传输到控制中心与部署的PP-YOLOE模型进行实时对比检测,当车辆完全经过后,摄像头重新降回保护装置。
8.根据权利要求3所述的货车超限检测***及方法,其特征在于:所部署的PP-YOLOE模型首先对摄像头上传的图像或视频在经过预处理减轻目标阴影对检测的影响;部署的模型先将整个图像分成网格,然后每个网格预测不同数量和类别的物体,并输出其左上角坐标、高度、宽度以及该类别的置信度得分;从而获得图像或视频中车轴的类型;根据传入图像或视频的顺序。
9.根据权利要求3所述的货车超限检测***及方法,其特征在于:摄像头遮挡检测方法为对摄像头画面进行检测,当出现一定范围内的视频遮挡、黑屏等镜头异常情况时,触发摄像头遮挡预警,小雨刷器(15)与小水枪(17)配合对摄像头进行清理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310681027.0A CN116818009A (zh) | 2023-06-09 | 2023-06-09 | 一种货车超限检测***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310681027.0A CN116818009A (zh) | 2023-06-09 | 2023-06-09 | 一种货车超限检测***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116818009A true CN116818009A (zh) | 2023-09-29 |
Family
ID=88126761
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310681027.0A Pending CN116818009A (zh) | 2023-06-09 | 2023-06-09 | 一种货车超限检测***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116818009A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117351439A (zh) * | 2023-12-06 | 2024-01-05 | 山东博安智能科技股份有限公司 | 智慧高速公路超限车辆动态监控管理*** |
CN117389256A (zh) * | 2023-12-11 | 2024-01-12 | 青岛盈智科技有限公司 | 一种运输过程中货车车辆状态的预警方法 |
-
2023
- 2023-06-09 CN CN202310681027.0A patent/CN116818009A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117351439A (zh) * | 2023-12-06 | 2024-01-05 | 山东博安智能科技股份有限公司 | 智慧高速公路超限车辆动态监控管理*** |
CN117351439B (zh) * | 2023-12-06 | 2024-02-20 | 山东博安智能科技股份有限公司 | 智慧高速公路超限车辆动态监控管理*** |
CN117389256A (zh) * | 2023-12-11 | 2024-01-12 | 青岛盈智科技有限公司 | 一种运输过程中货车车辆状态的预警方法 |
CN117389256B (zh) * | 2023-12-11 | 2024-03-08 | 青岛盈智科技有限公司 | 一种运输过程中货车车辆状态的预警方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106652468B (zh) | 车辆道路前车违规检测和自车违规预警提醒装置及方法 | |
CN116818009A (zh) | 一种货车超限检测***及方法 | |
US20220196459A1 (en) | Real-time vehicle overload detection method based on convolutional neural network | |
CN105809679B (zh) | 一种基于视觉分析的山区铁路边坡落石检测方法 | |
CN103714363B (zh) | 一种机动车尾气烟度视频识别*** | |
CN102737247B (zh) | 一种柴油车尾气烟度图像识别*** | |
KR100890625B1 (ko) | 고속주행차량 자동 계중 시스템 | |
CN102759347B (zh) | 一种高铁接触网在线巡检装置、巡检方法以及其检测*** | |
CN111783638B (zh) | 一种检测车辆轮轴数及车型识别的***、方法 | |
CN103465857A (zh) | 一种基于手机的汽车主动安全的预警方法 | |
CN106769732A (zh) | 一种垂直式柴油车烟度检测方法 | |
CN107957259A (zh) | 轮迹横向分布测量***及测量方法 | |
CN115205796B (zh) | 轨道线路异物侵限监测与风险预警方法及*** | |
CN114399744A (zh) | 一种车型识别方法、装置、电子设备和存储介质 | |
CN115527364B (zh) | 一种基于雷视数据融合的交通事故溯源方法及*** | |
CN111783700B (zh) | 一种路面异物自动识别预警方法和*** | |
CN103528531A (zh) | 小型车车辆参数的物联网图像智能检测*** | |
CN115834838A (zh) | 一种隧道内的监控方法、设备和介质 | |
CN115600124A (zh) | 地铁隧道巡检***及巡检方法 | |
CN113034378A (zh) | 一种区分电动汽车与燃油汽车的方法 | |
CN113903180B (zh) | 一种高速公路检测车辆超速的方法及*** | |
CN115994901A (zh) | 一种道路病害自动检测方法与*** | |
CN111627221A (zh) | 一种基于不停车动态智能计重的自动化综合检测*** | |
Yao et al. | Developing operating mode distribution inputs for MOVES with a computer vision–based vehicle data collector | |
CN114627286A (zh) | 基于PSPNet和改进YOLOv4的地磅人员入侵的检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |