CN117006953A - 一种车辆超载检测预警方法及*** - Google Patents
一种车辆超载检测预警方法及*** Download PDFInfo
- Publication number
- CN117006953A CN117006953A CN202310819468.2A CN202310819468A CN117006953A CN 117006953 A CN117006953 A CN 117006953A CN 202310819468 A CN202310819468 A CN 202310819468A CN 117006953 A CN117006953 A CN 117006953A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- image
- cargo
- detection result
- height
- 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 168
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000004458 analytical method Methods 0.000 claims abstract description 43
- 230000011218 segmentation Effects 0.000 claims abstract description 20
- 238000003709 image segmentation Methods 0.000 claims description 37
- 238000013527 convolutional neural network Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
- G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
- G01B11/0608—Height gauges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
- G06V10/422—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation for representing the structure of the pattern or shape of an object therefor
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种车辆超载检测预警方法及***,涉及超载检测技术领域,该方法包括:采集待进行车辆超载检测的目标车辆的车辆图像,进行图像语义分割,获得车辆区域图像,然后进行车辆高度卷积特征分析,获取目标车辆的车辆高度,获得限高检测结果,判断是否满足目标车辆的限高阈值,在满足时,采集目标车辆内的货物图像,对货物图像进行卷积特征分析,获得体积检测结果,获取目标车辆内装载货物的种类信息,并输入货物数据库,获得模糊密度信息;根据模糊密度信息和体积检测结果,计算获得载重检测结果;判断载重检测结果是否满足目标车辆的载重阈值,在不满足时,进行预警。本申请解决了车辆超载检测效率低、成本较高的技术问题。
Description
技术领域
本发明涉及超载检测技术领域,具体涉及一种车辆超载检测预警方法及***。
背景技术
车辆超载严重影响道路交通的安全,现有技术中的超载检测一般通过称重进行,需要在固定位置布设称重设置,并引导车辆进行检测执法,对于货车限高的限制,需要布设限高设施,进行限制,需要耗费一定的人力物力,且效率较低。现有技术中存在车辆超载检测耗费成本大、效率低的技术问题。
发明内容
本申请提供了一种车辆超载检测预警方法及***,用于解决现有技术中存在车辆超载检测耗费成本大、效率低的技术问题。
本申请的第一个方面,提供了一种车辆超载检测预警方法,所述方法包括:采集待进行车辆超载检测的目标车辆的车辆图像;
构建图像分割通道,对所述车辆图像进行图像语义分割,获得车辆区域图像;
对所述车辆区域图像进行车辆高度卷积特征分析,获取所述目标车辆的车辆高度,获得限高检测结果;
判断所述限高检测结果是否满足所述目标车辆的限高阈值,在满足时,采集所述目标车辆内的货物图像,对所述货物图像进行卷积特征分析,获得体积检测结果,在不满足时,进行预警;
获取所述目标车辆内装载货物的种类信息,并输入货物数据库,获得模糊密度信息;根据所述模糊密度信息和体积检测结果,计算获得载重检测结果;判断所述载重检测结果是否满足所述目标车辆的载重阈值,在不满足时,进行预警,在满足时,不进行预警。
本申请的第二个方面,提供了一种车辆超载检测预警***,所述***包括:车辆图像采集模块,用于采集待进行车辆超载检测的目标车辆的车辆图像;
图像分割模块,用于构建图像分割通道,对所述车辆图像进行图像语义分割,获得车辆区域图像;
高度特征分析模块,用于对所述车辆区域图像进行车辆高度卷积特征分析,获取所述目标车辆的车辆高度,获得限高检测结果;
体积特征分析模块,用于判断所述限高检测结果是否满足所述目标车辆的限高阈值,在满足时,采集所述目标车辆内的货物图像,对所述货物图像进行卷积特征分析,获得体积检测结果,在不满足时,进行预警;
密度获取模块,用于获取所述目标车辆内装载货物的种类信息,并输入货物数据库,获得模糊密度信息;
载重计算模块,用于根据所述模糊密度信息和体积检测结果,计算获得载重检测结果;
载重判断模块,用于判断所述载重检测结果是否满足所述目标车辆的载重阈值,在不满足时,进行预警,在满足时,不进行预警。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请提供的一种车辆超载检测预警方法,通过采集待进行车辆超载检测的车辆图像,进行图像语义分割,分割获取车辆的车辆区域图像,然后进行车辆高度卷积特征分析,获取车辆高度,判断其是否满足限高阈值,不满足时进行预警,满足时采集车辆上货物的货物图像,进行卷积特征分析,获取车辆上货物的体积检测结果,然后根据货物种类检索获得模糊密度信息,计算获得载重检测结果,判断是否满足载重阈值,并判断是否进行预警,本申请实施例通过采集车辆的图像信息,进行语义分割后分析获取车辆高度,能够提升车辆高度识别的效率和准确性,无需布设限高设施,即可对车辆的高度进行检测和限制,并在车辆高度满足要求时,检测获取车辆上货物的图像和货物的种类,分析车辆载重,无需布设称重设施,即可在保证载重分析准确性的基础上,高效率地获取车辆载重,达到提升车辆载重检测和超载预警的效率,降低检测的成本的技术效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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的附图。
图1为本申请实施例提供的一种车辆超载检测预警方法流程示意图;
图2为本申请实施例提供的一种车辆超载检测预警方法中获得车辆区域图像的流程示意图;
图3为本申请实施例提供的一种车辆超载检测预警方法中获得限高检测结果的流程示意图;
图4为本申请实施例提供的一种车辆超载检测预警***结构示意图。
附图标记说明:车辆图像采集模块11,图像分割模块12,高度特征分析模块13,体积特征分析模块14,密度获取模块15,载重计算模块16,载重判断模块17。
具体实施方式
本申请提供了一种车辆超载检测预警方法,用于解决现有技术中存在车辆超载检测耗费成本大、效率低的技术问题。
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整的描述。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,本申请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,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。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,例如,包含了一系列步骤或单元的过程、方法、***、产品或服务器不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。
实施例一
如图1所示,本申请提供了一种车辆超载检测预警方法,所述方法包括:
S100:采集待进行车辆超载检测的目标车辆的车辆图像;
本申请实施例中,目标车辆为待进行车辆超载检测的车辆,优选为货车车辆,更优选为具有开放式货箱,进行货物装载和运输的车辆。
本申请实施例提供的方法对车辆的超载检测包括进行限高检测的载重超载检测。
在进行车辆超载检测时,采集目标车辆的车辆图像。其中,通过图像采集装置采集目标车辆的车辆图像,该图像采集装置可为设置在专用于车辆超载检测的道路位置上的摄像头,或通过预先布置在道路上的摄像头。
通过采集待进行车辆超载检测的目标车辆的车辆图像,作为后续进行车辆超载检测的数据基础。优选地,图像采集装置设置的道路的一侧,采集目标车辆的侧面的图像,作为该车辆图像。
S200:构建图像分割通道,对所述车辆图像进行图像语义分割,获得车辆区域图像;
本申请实施例中,在采集获得该目标车辆的车辆图像后,车辆图像中包括该目标车辆的图像以及道路、天空、地面等背景图像,为提升对车辆图像分析的准确性,对该车辆图像进行图像语义分割,以划分获得仅包括目标车辆的车辆区域图像,消除背景图像的影响。
本申请实施例中,通过图像语义分割,对车辆图像进行图像分割。
如图2所示,本申请实施例提供的方法中的步骤S200包括:
S210:根据历史时间内进行超载检测的车辆的检测数据,获取样本车辆图像集合;
S220:对所述样本车辆图像集合内的多个样本车辆图像进行车辆区域图像的分割和标识,获得样本车辆区域图像集合;
S230:采用所述样本车辆图像集合和样本车辆区域图像集合,构建所述图像分割通道;
S240:将所述车辆图像输入所述图像分割通道,获得所述车辆区域图像。
本申请实施例中,对历史时间内进行超载检测的车辆的检测数据进行提取,具体对历史时间内进行超载检测的车辆的图像进行提取,获取样本车辆图像集合。示例性地,可通过采集历史时间内车辆超载检测数据日志获取。
对样本车辆图像集合内的多个样本车辆图像中的车辆区域图像进行分割和标识,具体将样本车辆图像内车辆的图像部分与背景图像的部分进行分割和标识,获得样本车辆区域图像集合。
采用样本车辆图像集合和样本车辆区域图像集合作为构建数据,构建该图像分割通道。
本申请实施例提供的方法中的步骤S230包括:
S231:基于语义分割内的全卷积神经网络,构建所述图像分割通道内的编码器和解码器;
S232:采用所述样本车辆图像集合和样本车辆区域图像集合,对所述编码器和解码器进行监督训练,直到满足收敛条件;
S233:对所述编码器和解码器进行验证,若准确率符合准确率要求,则获得构建完成的图像分割通道。
本申请实施例中,该图像分割通道的输入数据为车辆图像,输出数据为分割获得的车辆区域图像,基于机器学习中语义分割的全卷积神经网络,构建该图像分割通道内的编码器和解码器,编码器内包括多层卷积层、池化层,解码器内包括多层反卷积层和多层反池化层。
采用样本车辆图像集合和样本车辆区域图像集合作为构建数据,对编码器和解码器进行监督训练,在监督训练过程中,根据输出的车辆区域图像的误差,对网络参数进行更新和调整,直到满足收敛条件,该收敛条件可为准确率达到85%,完成训练。其中,编码器可以对车辆图像内的像素进行卷积特征分析,获取车辆对象的像素特点,然后解码器可根据车辆对象的像素特点,将车辆图像中属于车辆的像素点归为一个类别,并划分获得车辆区域图像,通过全连接层输出。
在训练完成后,对编码器和解码器进行验证,避免出现过拟合泛化性不足的情况。若验证准确率符合准确率要求,则获得构建完成的图像分割通道。若不满足,则继续对图像分割通道的网络参数进行调整,或重新构建图像分割通道。
基于构建完成的图像分割通道,将当前目标车辆的车辆图像输入该图像分割通道,获得该车辆区域图像。
本申请实施例通过对采集获得的目标车辆的图像进行语义分割处理,获取车辆区域图像,能够消除背景图像对车辆高度分析的影响,提升车辆限高检测分析的准确性。
S300:对所述车辆区域图像进行车辆高度卷积特征分析,获取所述目标车辆的车辆高度,获得限高检测结果;
本申请实施例中,基于划分获得的车辆区域图像,进行车辆高度的卷积特征分析,通过图像识别技术获取目标车辆的车辆高度,作为限高检测结果。
如图3所示,本申请实施例提供的方法中的步骤S300包括:
S310:对所述样本车辆区域图像集合内的多个样本车辆区域图像内的车辆高度进行检测和标识,获取样本车辆高度集合;
S320:基于卷积神经网络,采用所述样本车辆区域图像集合和样本车辆高度集合作为构建数据,构建车辆高度识别通道;
S330:将所述车辆区域图像输入所述车辆高度识别通道,获得所述目标车辆的车辆高度,作为所述限高检测结果。
本申请实施例中,基于步骤S200中获得的样本车辆区域图像集合,对其中的多个样本车辆区域图像的车辆的高度进行检测和标识,可根据历史时间内的高度检测数据进行获取车辆的高度,进行标识以用于进行深度学习的监督训练,获得样本车辆高度集合。
基于深度学习中的卷积神经网络,构建该车辆高度识别通道,该车辆高度识别通道内包括多层卷积层、池化层和全连接层,对输入的车辆区域图像进行多层卷积提取和池化处理,最终根据卷积提取到的多层特征,通过激活函数进行分类,获得对应的车辆高度。
采用该样本车辆区域图像集合和样本车辆高度集合作为构建数据,对车辆高度识别通道进行监督训练、验证和测试,直到准确率符合要求,示例性地,该要求可为85%。在验证合格后,获得该车辆高度识别通道。
基于构建完成的车辆高度识别通道,将当前目标车辆的车辆区域图像输入该车辆高度识别通道,进行图像卷积特征提取和数据处理,获得该限高检测结果。
本申请通过深度学习构建图像分割通道,根据车辆区域图像进行车辆高度的分析,获得限高检测结果,作为进行车辆是否出现超过限高的判断基础,且识别效率较高,无需布设限高设施,节省了部分车辆高度识别成本。
S400:判断所述限高检测结果是否满足所述目标车辆的限高阈值,在满足时,采集所述目标车辆内的货物图像,对所述货物图像进行卷积特征分析,获得体积检测结果,在不满足时,进行预警;
本申请实施例中,判断分析获得的限高检测结果是否满足目标车辆的限高阈值,该限高阈值为目标车辆的高度不大于高度阈值,该高度阈值根据目标车辆的型号以及相关规定进行设置,可通过本领域技术人员进行设置,例如为2.8m。
若限高检测结果是否满足限高阈值,则说明目标车辆的高度满足要求,进行后续的载重是否超载的检测,若限高检测结果不满足限高阈值,则说明目标车辆的高度超过限高,会影响道路行驶安全,进行预警,对该目标车辆进行警告,以进行整改。
本申请实施例中,在限高检测结果满足限高阈值时,对目标车辆内的货物进行图像采集,并进行质量分析,以进行载重是否超载的识别。
本申请实施例提供的方法中的步骤S400包括:
S410:根据所述目标车辆相同类型车辆的超载检测数据,获取样本货物图像集合和样本体积检测结果集合;
S420:采用所述样本货物图像集合和样本体积检测结果集合,基于卷积神经网络,构建货物体积识别通道;
S430:将所述货物图像输入所述货物体积识别通道,进行卷积特征分析,获得所述体积检测结果。
本申请实施例提的方法中的步骤S420包括:
S421:基于卷积神经网络,构建所述货物体积识别通道的网络结构,其中,所述货物体积识别通道包括多层卷积层、池化层和全连接层;
S422采用所述样本货物图像集合和样本体积检测结果集合,对所述货物体积识别通道进行监督训练、验证和测试,在准确率符合要求时,获得构建完成的所述货物体积识别通道。
本申请实施例中,根据目标车辆相同类型车辆在历史时间内的超载检测数据,进行装载货物的图像采集,获取样本货物图像集合。
对样本货物图像集合内的货物体积进行检测提取,获取样本体积检测结果集合。
基于深度学习中的卷积神经网络,构建该货物体积识别通道的网络结构,其中,所货物体积识别通道包括多层卷积层、池化层和全连接层。用该样本货物图像集合和样本体积检测结果集合作为构建数据,对该货物体积识别通道进行监督训练、验证和测试,若准确率符合要求,则获得构建完成的货物体积识别通道。
基于构建完成的物体积识别通道,将采集获得的目标车辆的货物图像输入货物体积识别通道,进行卷积特征分析,获得该体积检测结果。
本申请实施例通过采集目标车辆内货物的货物图像,进行货物体积分析,作为分析目标车辆载重的数据基础,提升车辆载重检测分析的效率。
S500:获取所述目标车辆内装载货物的种类信息,并输入货物数据库,获得模糊密度信息;
进一步地,本申请实施例中,获取目标车辆内装载货物的种类信息,示例如可通过抽样或问询的方式进行获取,作为分析计算目标车辆载重的数据基础。
将获得的种类信息输入构建的货物数据库内,获取该种类信息对应货物的模糊密度信息,进而进行车辆载重的分析计算。
本申请实施例提供的方法中的步骤S500包括:
S510:根据历史时间内的货物检测数据,获取多种货物种类信息;
S520:对所述多种货物种类信息对应的货物进行密度检测,获得多个密度信息集合;
S530:计算所述多个密度信息集合的均值,获得多个模糊密度信息;
S540:构建所述多种货物种类信息和所述多个模糊密度信息的映射关系,获得所述货物数据库;
S550:将所述目标车辆内装载货物的种类信息输入所述货物数据库进行映射关联,获得所述模糊密度信息。
本申请实施例中,根据历史时间内对车辆载货的货物检测数据,获取装载的多种货物的多种货物种类信息,对该多种货物种类信息对应的货物进行密度检测,获得多种货物种类信息的多个密度信息集合。
计算该个密度信息集合的均值,获得多个模糊密度信息。模糊密度信息无法准确反映不同批次货物的实际密度,但准确率可控制在一定范围内,可用于进行车辆载重检测。
构建该多种货物种类信息和多个模糊密度信息的映射关系,获得该货物数据库,将货物种类信息输入该货物数据库进行遍历检索,即可获得对应的模糊密度信息。
将当前获取的目标车辆内货物的种类信息输入该货物数据库进行映射关联,获得目标车辆内货物的模糊密度信息。
本申请实施例通过根据历史时间内车辆货物密度检测的经验数据,构建货物数据库,能够分析获得不同种类货物的模糊密度信息,作为分析车辆载重是否超载的数据基础。
S600:根据所述模糊密度信息和体积检测结果,计算获得载重检测结果;
S700:判断所述载重检测结果是否满足所述目标车辆的载重阈值,在不满足时,进行预警,在满足时,不进行预警。
本申请实施例中,根据该模糊密度信息和体积检测结果,计算模糊密度信息和体积检测结果之积,即可获得载重检测结果。
根据计算获得的载重检测结果结合目标车辆的自重,判断是否满足目标车辆的载重阈值,该载重阈值包括重量不超过载重阈值,该目标车辆的载重阈值可基于本领域技术人员根据该目标车辆的型号以及相关规定进行设定。
若满足,则目标车辆的载重和高度均符合要求,不进行预警,若不满足,则目标车辆的载重不符合要求,进行预警,并对目标车辆进行标记,以进行后续的处理。
综上所述,本申请实施例至少具有如下技术效果:
本申请提供的一种车辆超载检测预警方法,通过采集待进行车辆超载检测的车辆图像,进行图像语义分割,分割获取车辆的车辆区域图像,然后进行车辆高度卷积特征分析,获取车辆高度,判断其是否满足限高阈值,不满足时进行预警,满足时采集车辆上货物的货物图像,进行卷积特征分析,获取车辆上货物的体积检测结果,然后根据货物种类检索获得模糊密度信息,计算获得载重检测结果,判断是否满足载重阈值,并判断是否进行预警,本申请实施例通过采集车辆的图像信息,进行语义分割后分析获取车辆高度,能够提升车辆高度识别的效率和准确性,无需布设限高设施,即可对车辆的高度进行检测和限制,并在车辆高度满足要求时,检测获取车辆上货物的图像和货物的种类,分析车辆载重,无需布设称重设施,即可在保证载重分析准确性的基础上,高效率地获取车辆载重,达到提升车辆载重检测和超载预警的效率,降低检测的成本的技术效果。
实施例二
基于与前述实施例中一种车辆超载检测预警方法相同的发明构思,如图4所示,本申请提供了一种车辆超载检测预警***,本申请实施例中的***与方法实施例基于同样的发明构思。其中,所述***包括:
车辆图像采集模块11,用于采集待进行车辆超载检测的目标车辆的车辆图像;
图像分割模块12,用于构建图像分割通道,对所述车辆图像进行图像语义分割,获得车辆区域图像;
高度特征分析模块13,用于对所述车辆区域图像进行车辆高度卷积特征分析,获取所述目标车辆的车辆高度,获得限高检测结果;
体积特征分析模块14,用于判断所述限高检测结果是否满足所述目标车辆的限高阈值,在满足时,采集所述目标车辆内的货物图像,对所述货物图像进行卷积特征分析,获得体积检测结果,在不满足时,进行预警;
密度获取模块15,用于获取所述目标车辆内装载货物的种类信息,并输入货物数据库,获得模糊密度信息;
载重计算模块16,用于根据所述模糊密度信息和体积检测结果,计算获得载重检测结果;
载重判断模块17,用于判断所述载重检测结果是否满足所述目标车辆的载重阈值,在不满足时,进行预警,在满足时,不进行预警。
进一步的,所述图像分割模块12还用于执行以下步骤:
根据历史时间内进行超载检测的车辆的检测数据,获取样本车辆图像集合;
对所述样本车辆图像集合内的多个样本车辆图像进行车辆区域图像的分割和标识,获得样本车辆区域图像集合;
采用所述样本车辆图像集合和样本车辆区域图像集合,构建所述图像分割通道;
将所述车辆图像输入所述图像分割通道,获得所述车辆区域图像。
其中,采用所述样本车辆图像集合和样本车辆区域图像集合,构建所述图像分割通道,包括:
基于语义分割内的全卷积神经网络,构建所述图像分割通道内的编码器和解码器;
采用所述样本车辆图像集合和样本车辆区域图像集合,对所述编码器和解码器进行监督训练,直到满足收敛条件;
对所述编码器和解码器进行验证,若准确率符合准确率要求,则获得构建完成的图像分割通道。
进一步的,所述高度特征分析模块13还用于执行以下步骤:
对所述样本车辆区域图像集合内的多个样本车辆区域图像内的车辆高度进行检测和标识,获取样本车辆高度集合;
基于卷积神经网络,采用所述样本车辆区域图像集合和样本车辆高度集合作为构建数据,构建车辆高度识别通道;
将所述车辆区域图像输入所述车辆高度识别通道,获得所述目标车辆的车辆高度,作为所述限高检测结果。
进一步的,所述体积特征分析模块14还用于执行以下步骤:
根据所述目标车辆相同类型车辆的超载检测数据,获取样本货物图像集合和样本体积检测结果集合;
采用所述样本货物图像集合和样本体积检测结果集合,基于卷积神经网络,构建货物体积识别通道;
将所述货物图像输入所述货物体积识别通道,进行卷积特征分析,获得所述体积检测结果。
其中,采用所述样本货物图像集合和样本体积检测结果集合,基于卷积神经网络,构建货物体积识别通道,包括:
基于卷积神经网络,构建所述货物体积识别通道的网络结构,其中,所述货物体积识别通道包括多层卷积层、池化层和全连接层;
采用所述样本货物图像集合和样本体积检测结果集合,对所述货物体积识别通道进行监督训练、验证和测试,在准确率符合要求时,获得构建完成的所述货物体积识别通道。
进一步的,所述密度获取模块15还用于执行以下步骤:
根据历史时间内的货物检测数据,获取多种货物种类信息;
对所述多种货物种类信息对应的货物进行密度检测,获得多个密度信息集合;
计算所述多个密度信息集合的均值,获得多个模糊密度信息;
构建所述多种货物种类信息和所述多个模糊密度信息的映射关系,获得所述货物数据库;
将所述目标车辆内装载货物的种类信息输入所述货物数据库进行映射关联,获得所述模糊密度信息。
需要说明的是,上述本申请实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其他实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本申请的较佳实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
本说明书和附图仅仅是本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (8)
1.一种车辆超载检测预警方法,其特征在于,所述方法包括:
采集待进行车辆超载检测的目标车辆的车辆图像;
构建图像分割通道,对所述车辆图像进行图像语义分割,获得车辆区域图像;
对所述车辆区域图像进行车辆高度卷积特征分析,获取所述目标车辆的车辆高度,获得限高检测结果;
判断所述限高检测结果是否满足所述目标车辆的限高阈值,在满足时,采集所述目标车辆内的货物图像,对所述货物图像进行卷积特征分析,获得体积检测结果,在不满足时,进行预警;
获取所述目标车辆内装载货物的种类信息,并输入货物数据库,获得模糊密度信息;
根据所述模糊密度信息和体积检测结果,计算获得载重检测结果;
判断所述载重检测结果是否满足所述目标车辆的载重阈值,在不满足时,进行预警,在满足时,不进行预警。
2.根据权利要求1所述的方法,其特征在于,构建图像分割通道,对所述车辆图像进行图像语义分割,获得车辆区域图像,包括:
根据历史时间内进行超载检测的车辆的检测数据,获取样本车辆图像集合;
对所述样本车辆图像集合内的多个样本车辆图像进行车辆区域图像的分割和标识,获得样本车辆区域图像集合;
采用所述样本车辆图像集合和样本车辆区域图像集合,构建所述图像分割通道;
将所述车辆图像输入所述图像分割通道,获得所述车辆区域图像。
3.根据权利要求2所述的方法,其特征在于,采用所述样本车辆图像集合和样本车辆区域图像集合,构建所述图像分割通道,包括:
基于语义分割内的全卷积神经网络,构建所述图像分割通道内的编码器和解码器;
采用所述样本车辆图像集合和样本车辆区域图像集合,对所述编码器和解码器进行监督训练,直到满足收敛条件;
对所述编码器和解码器进行验证,若准确率符合准确率要求,则获得构建完成的图像分割通道。
4.根据权利要求2所述的方法,其特征在于,对所述车辆区域图像进行车辆高度卷积特征分析,获取所述目标车辆的车辆高度,获得限高检测结果,包括:
对所述样本车辆区域图像集合内的多个样本车辆区域图像内的车辆高度进行检测和标识,获取样本车辆高度集合;
基于卷积神经网络,采用所述样本车辆区域图像集合和样本车辆高度集合作为构建数据,构建车辆高度识别通道;
将所述车辆区域图像输入所述车辆高度识别通道,获得所述目标车辆的车辆高度,作为所述限高检测结果。
5.根据权利要求1所述的方法,其特征在于,采集所述目标车辆内的货物图像,对所述货物图像进行卷积特征分析,获得体积检测结果,包括:
根据所述目标车辆相同类型车辆的超载检测数据,获取样本货物图像集合和样本体积检测结果集合;
采用所述样本货物图像集合和样本体积检测结果集合,基于卷积神经网络,构建货物体积识别通道;
将所述货物图像输入所述货物体积识别通道,进行卷积特征分析,获得所述体积检测结果。
6.根据权利要求5所述的方法,其特征在于,采用所述样本货物图像集合和样本体积检测结果集合,基于卷积神经网络,构建货物体积识别通道,包括:
基于卷积神经网络,构建所述货物体积识别通道的网络结构,其中,所述货物体积识别通道包括多层卷积层、池化层和全连接层;
采用所述样本货物图像集合和样本体积检测结果集合,对所述货物体积识别通道进行监督训练、验证和测试,在准确率符合要求时,获得构建完成的所述货物体积识别通道。
7.根据权利要求1所述的方法,其特征在于,获取所述目标车辆内装载货物的种类信息,并输入货物数据库,获得模糊密度信息,包括:
根据历史时间内的货物检测数据,获取多种货物种类信息;
对所述多种货物种类信息对应的货物进行密度检测,获得多个密度信息集合;
计算所述多个密度信息集合的均值,获得多个模糊密度信息;
构建所述多种货物种类信息和所述多个模糊密度信息的映射关系,获得所述货物数据库;
将所述目标车辆内装载货物的种类信息输入所述货物数据库进行映射关联,获得所述模糊密度信息。
8.一种车辆超载检测预警***,其特征在于,所述***包括:
车辆图像采集模块,用于采集待进行车辆超载检测的目标车辆的车辆图像;
图像分割模块,用于构建图像分割通道,对所述车辆图像进行图像语义分割,获得车辆区域图像;
高度特征分析模块,用于对所述车辆区域图像进行车辆高度卷积特征分析,获取所述目标车辆的车辆高度,获得限高检测结果;
体积特征分析模块,用于判断所述限高检测结果是否满足所述目标车辆的限高阈值,在满足时,采集所述目标车辆内的货物图像,对所述货物图像进行卷积特征分析,获得体积检测结果,在不满足时,进行预警;
密度获取模块,用于获取所述目标车辆内装载货物的种类信息,并输入货物数据库,获得模糊密度信息;
载重计算模块,用于根据所述模糊密度信息和体积检测结果,计算获得载重检测结果;
载重判断模块,用于判断所述载重检测结果是否满足所述目标车辆的载重阈值,在不满足时,进行预警,在满足时,不进行预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310819468.2A CN117006953A (zh) | 2023-07-06 | 2023-07-06 | 一种车辆超载检测预警方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310819468.2A CN117006953A (zh) | 2023-07-06 | 2023-07-06 | 一种车辆超载检测预警方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117006953A true CN117006953A (zh) | 2023-11-07 |
Family
ID=88561121
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310819468.2A Pending CN117006953A (zh) | 2023-07-06 | 2023-07-06 | 一种车辆超载检测预警方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117006953A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117788871A (zh) * | 2023-12-26 | 2024-03-29 | 海南言发高科技有限公司 | 一种基于人工智能的车载称重管理方法及平台 |
-
2023
- 2023-07-06 CN CN202310819468.2A patent/CN117006953A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117788871A (zh) * | 2023-12-26 | 2024-03-29 | 海南言发高科技有限公司 | 一种基于人工智能的车载称重管理方法及平台 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111462488B (zh) | 一种基于深度卷积神经网络和交叉口行为特征模型的交叉口安全风险评估方法 | |
CN109711264B (zh) | 一种公交车道占道检测方法及装置 | |
US9721173B2 (en) | Machine learning approach for detecting mobile phone usage by a driver | |
CN111310645A (zh) | 货物堆积量的溢仓预警方法、装置、设备及存储介质 | |
CN111415106A (zh) | 货车装载率识别方法、装置、设备及存储介质 | |
CN111126224A (zh) | 车辆检测方法及分类识别模型训练方法 | |
CN109815856A (zh) | 目标车辆的状态标记方法、***和计算机可读存储介质 | |
CN111666848B (zh) | 运输车辆到站检测方法、装置、设备及存储介质 | |
CN110706261A (zh) | 车辆违章检测方法、装置、计算机设备和存储介质 | |
CN114565895B (zh) | 一种基于智慧社会的安防监控***及方法 | |
CN112037177B (zh) | 一种车厢装载率的评估方法和装置以及存储介质 | |
CN117006953A (zh) | 一种车辆超载检测预警方法及*** | |
CN112465706A (zh) | 一种闸口集装箱自动验残方法 | |
CN111144372A (zh) | 车辆检测方法、装置、计算机设备和存储介质 | |
CN102087790A (zh) | 一种低空对地车辆检测与运动分析的方法和*** | |
CN111091551A (zh) | 一种铁路货车制动梁支柱开口销丢失故障检测方法 | |
CN113076922A (zh) | 一种物体检测方法及装置 | |
CN111784031A (zh) | 物流车辆分类预测方法、装置、设备及存储介质 | |
CN111626578A (zh) | 物流货车的调配方法、装置、设备及存储介质 | |
CN113469158B (zh) | 基于卷积神经网络的非法危化品运输车辆识别方法及*** | |
CN109344829B (zh) | 一种高速铁路列车的车号识别方法及装置 | |
CN115205615A (zh) | 一种车辆清洁度检测方法、装置和计算机可读存储介质 | |
CN114140025A (zh) | 面向多模态数据的车险欺诈行为预测***、方法和装置 | |
CN114332058A (zh) | 基于神经网络的血清质量识别方法、装置、设备及介质 | |
CN112183554B (zh) | 一种自动化道路边界轮廓提取方法 |
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 |