CN117470360A - 一种基于引导式的智能化无人值守地磅*** - Google Patents
一种基于引导式的智能化无人值守地磅*** Download PDFInfo
- Publication number
- CN117470360A CN117470360A CN202311814905.8A CN202311814905A CN117470360A CN 117470360 A CN117470360 A CN 117470360A CN 202311814905 A CN202311814905 A CN 202311814905A CN 117470360 A CN117470360 A CN 117470360A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- weighing
- module
- size
- wagon balance
- 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.)
- Withdrawn
Links
- 238000005303 weighing Methods 0.000 claims abstract description 143
- 238000001514 detection method Methods 0.000 claims abstract description 39
- 238000004458 analytical method Methods 0.000 claims abstract description 19
- 230000000007 visual effect Effects 0.000 claims abstract description 17
- 238000004891 communication Methods 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000007781 pre-processing Methods 0.000 claims description 19
- 238000003708 edge detection Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 5
- 238000003384 imaging method Methods 0.000 claims 1
- 206010063385 Intellectualisation Diseases 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 12
- 230000008859 change Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012015 optical character recognition Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01G—WEIGHING
- G01G23/00—Auxiliary devices for weighing apparatus
-
- 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
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及车辆货运称重计量技术领域,公开了一种基于引导式的智能化无人值守地磅***,包括地磅单元、通信单元、管理终端及控制平台;控制平台包括视觉识别模块、最佳位置分析模块、称重位置引导模块及区域检测识别模块。本发明不仅可以自动识别驶入车辆的车牌信息和车辆信息,并根据车辆特性为不同类型及尺寸的车辆推荐最佳的称重位置,而且还可以引导车辆进入最佳称重位置区域,并监测车辆的停放位置是否位于推荐的最佳停放位置内,且可以对于超出最佳停放位置的车辆进行再次调整引导,实现了智能化和自动化,极大提高了地磅的工作效率和称重精度,节省了人力资源,降低了因人工干预而导致的失误率。
Description
技术领域
本发明涉及车辆货运称重计量技术领域,具体来说,涉及一种基于引导式的智能化无人值守地磅***。
背景技术
无人值守地磅***是一种广泛应用于各种物流、运输、冶金、化工等行业的称量设备,其用于精准测量货物、产品或原材料的重量,从而保证交易公正、运输安全以及生产流程的精度。然而,传统的地磅***具有一些明显的短板,如需要人工操作和监控,以及车辆停放位置的不确定性等,这些问题对于地磅***的称重精度和工作效率产生了较大影响,具体如下:
首先,传统的地磅***通常需要人工操作并进行监控,这不仅增加了劳动成本,还降低了工作效率。在高峰期或恶劣天气条件下,人工操作和监控的困难和风险会进一步增加。此外,人为因素也可能导致误差的产生,影响称重结果的准确性。
其次,车辆的停放位置往往无法保证每次都处于最佳的称重位置。这个问题对于地磅***的称重精度影响较大。如果车辆偏离了最佳称重位置,可能会导致重量测量结果的偏差,从而影响交易公正和运输安全。
此外,车辆信息的识别和记录通常也需要人工参与。这不仅效率低下,而且易出错。对于大型物流园区或工业企业来说,每天可能有数百甚至数千辆车辆进出,如果依赖人工进行车辆识别和记录,难免会出现遗漏、混淆或错误。
因此,开发一种能自动进行车辆识别、智能推荐最佳称重位置并引导车辆停放,最后实现精确称重的无人值守地磅***,是当前的技术难题。
针对相关技术中的问题,目前尚未提出有效的解决方案。
发明内容
针对相关技术中的问题,本发明提出一种基于引导式的智能化无人值守地磅***,以克服现有相关技术所存在的上述技术问题。
为此,本发明采用的具体技术方案如下:
一种基于引导式的智能化无人值守地磅***,包括地磅单元、通信单元、管理终端及控制平台;
其中,地磅单元用于利用安装于地磅平台下方的若干称重传感器测量通过地磅的车辆重量;
通信单元用于与控制平台进行通信,以上传和存储重量数据、车辆信息以及监测日志;
管理终端用于通过可视化界面实现地磅数据的查询或作废处理,以及车辆管理和称重规则的设置;
控制平台包括视觉识别模块、最佳位置分析模块、称重位置引导模块及区域检测识别模块;
视觉识别模块用于利用摄像装置和图像处理技术来捕捉驶入车辆的图像数据,并自动识别车辆的车牌信息和车辆信息;
最佳位置分析模块用于利用推荐算法根据车辆特性为不同类型及尺寸的车辆推荐最佳的称重位置;
称重位置引导模块用于利用语音结合投影的方式引导车辆进入最佳称重位置区域;
区域检测识别模块用于监测车辆的停放位置是否位于推荐的最佳停放位置内,并对于超出最佳停放位置的车辆进行再次调整引导。
进一步地,称重传感器为地磅传感器或压力传感器中的任意一种。
进一步地,通信单元的通信协议包括Wi-Fi、蓝牙或移动网络中的任意一种。
进一步地,视觉识别模块包括车辆数据获取模块、车牌识别模块及车辆特征识别模块;
其中,车辆数据获取模块用于利用预先安装好的摄像装置来获取驶入车辆的图像数据;
车牌识别模块用于利用图像处理技术对驶入车辆的图像数据进行分析识别,实现对驶入车辆的车牌识别;
车辆特征识别模块用于通过尺寸计算公式结合车辆的图像数据对驶入车辆的类型及尺寸信息进行识别。
进一步地,车牌识别模块包括图像预处理模块、车牌区域检测模块及车牌号分析识别模块;
其中,图像预处理模块用于对获取的车辆图像数据进行数据预处理;
车牌区域检测模块用于利用yolov5模型对处理后的车辆图像进行检测,得到车牌区域图像;
车牌号分析识别模块用于利用车牌识别模型对车牌区域图像中的车牌进行识别,得到驶入车辆的车牌信息。
进一步地,车辆特征识别模块包括车辆位置检测模块、车辆类型识别模块、参照物检测模块、几何计算模块及尺寸结果输出模块;
其中, 车辆位置检测模块用于利用边缘检测算法来对车辆图像数据中的车辆位置及大小进行识别;
车辆类型识别模块用于通过预先训练的卷积神经网络模型对驶入车辆图像数据中的车辆类型进行识别;
参照物检测模块用于利用边缘检测算法来对车辆图像数据中已知参照物的位置及大小进行识别;
几何计算模块用于通过尺寸计算公式根据车辆在图像中的位置和大小结合参照物在图像中的位置及大小来计算车辆的实际尺寸;
尺寸结果输出模块用于根据计算的结果输出驶入车辆的尺寸信息。
进一步地,尺寸计算公式为:
;
式中,C r 表示车辆的实际尺寸;
C p 表示车辆在图像中的尺寸;
R r 表示已知参照物的实际尺寸;
R p 表示已知参照物在图像中的尺寸。
进一步地,最佳位置分析模块在利用推荐算法根据车辆特性为不同类型及尺寸的车辆推荐最佳的称重位置时包括:
获取若干称重历史数据并进行预处理,其中,称重历史数据包括车辆类型、尺寸及称重位置的历史数据;
基于预处理后的称重历史数据构建车辆类型、尺寸与称重位置的评分矩阵;
利用基于时间的指数遗忘函数对车辆类型、尺寸与称重位置的评分矩阵进行衰减处理,得到基于评分时间衰退的权值评分矩阵;
利用模糊聚类算法对基于评分时间衰退的权值评分矩阵中的车辆类型和尺寸进行模糊聚类,计算目标车辆的类型和尺寸与最佳聚类中心的相似度,并选择相似度靠前的若干聚类组成候选称重位置集;
利用优化算法在候选称重位置集中选取适应度靠前的若干称重位置组成潜在称重位置集;
预测目标车辆的类型、尺寸对未评分的称重位置的评分,并根据预测评分从潜在称重位置集中推荐最佳的称重位置。
进一步地,基于时间的指数遗忘函数的计算公式为:
;
式中,t表示对称重位置实际的评分时间;
t s 表示第一次参与称重位置评分的时间;
t e 表示最近一次对称重位置评分的时间;
eps表示设置的最小值,取值为0.000001;
e表示自然数对数函数的底数。
进一步地,利用优化算法在候选称重位置集中选取适应度靠前的若干称重位置组成潜在称重位置集包括:
随机生成一组称重位置作为初始种群,并计算候选称重位置集中每个称重位置的适应度函数;
利用轮盘赌的选择方式根据每个称重位置的适应度选择一组称重位置进入下一代种群;
随机选择两个称重位置作为父母,并通过多点交叉的方式交换部分信息,生成两个新的称重位置;
随机修改部分新的称重位置的信息,并判断是否达到预设的最大迭代次数或适应度阈值,若否则返回重新计算适应度,若是则停止迭代,输出适应度靠前的若干称重位置作为潜在称重位置集。
本发明的有益效果为:本发明不仅可以通过视觉识别模块及利用最佳位置分析模块自动识别驶入车辆的车牌信息和车辆信息,并根据车辆特性为不同类型及尺寸的车辆推荐最佳的称重位置,而且还可以通过称重位置引导模块及区域检测识别模块引导车辆进入最佳称重位置区域,并监测车辆的停放位置是否位于推荐的最佳停放位置内,且可以对于超出最佳停放位置的车辆进行再次调整引导,从而无论是车辆进入地磅时的识别,还是车辆的称重位置的确定,都实现了智能化和自动化,极大提高了地磅的工作效率和称重精度,节省了人力资源,降低了因人工干预而导致的失误率。同时,还通过建立可视化界面,便于管理人员实现地磅数据的查询和管理。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,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是根据本发明实施例的一种基于引导式的智能化无人值守地磅***的结构框图。
图中:
1、地磅单元;2、通信单元;3、管理终端;4、控制平台;41、视觉识别模块;42、最佳位置分析模块;43、称重位置引导模块;44、区域检测识别模块。
具体实施方式
为进一步说明各实施例,本发明提供有附图,这些附图为本发明揭露内容的一部分,其主要用以说明实施例,并可配合说明书的相关描述来解释实施例的运作原理,配合参考这些内容,本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点,图中的组件并未按比例绘制,而类似的组件符号通常用来表示类似的组件。
根据本发明的实施例,提供了一种基于引导式的智能化无人值守地磅***。
现结合附图和具体实施方式对本发明进一步说明,如图1所示,根据本发明实施例的基于引导式的智能化无人值守地磅***,包括地磅单元1、通信单元2、管理终端3及控制平台4;
其中,地磅单元1用于利用安装于地磅平台下方的若干称重传感器测量通过地磅的车辆重量;
具体地,本实施例中的称重传感器可以为地磅传感器或压力传感器等中的任意一种。
通信单元2用于与控制平台4进行通信,以上传和存储重量数据、车辆信息以及监测日志;
具体地,通信单元2的通信协议包括Wi-Fi、蓝牙或移动网络中的任意一种。
管理终端3用于通过可视化界面实现地磅数据的查询或作废处理,以及车辆管理和称重规则的设置;
控制平台4包括视觉识别模块41、最佳位置分析模块42、称重位置引导模块43及区域检测识别模块44;
视觉识别模块41用于利用摄像装置和图像处理技术来捕捉驶入车辆的图像数据,并自动识别车辆的车牌信息和车辆信息;
具体地,视觉识别模块41包括车辆数据获取模块、车牌识别模块及车辆特征识别模块;
其中,车辆数据获取模块用于利用预先安装好的摄像装置来获取驶入车辆的图像数据;
车牌识别模块用于利用图像处理技术对驶入车辆的图像数据进行分析识别,实现对驶入车辆的车牌识别;
具体地,车牌识别模块包括图像预处理模块、车牌区域检测模块及车牌号分析识别模块;
其中,图像预处理模块用于对获取的车辆图像数据进行数据预处理;
本实施例中对车辆图像数据进行数据预处理包括图像裁剪、图像缩放、图像增强(即通过改变图像的亮度、对比度或应用滤波器来增强图像的特定特征)、噪声去除(即通过使用各种噪声去除技术来减少图像中的噪声)、直方图均衡化(即通过调整图像的对比度来改善图像的质量)、图像二值化(即将图像转化为二值图像,使得图像中的对象更容易被区分)。
车牌区域检测模块用于利用yolov5模型对处理后的车辆图像进行检测,得到车牌区域图像;
本实施例中,yolov5是一种流行的实时目标检测算法,全称为“You Only LookOnce version 5”。它是YOLO系列算法的最新版本,优化了速度和准确性,使得其在实时目标检测任务中表现出色,具有以下特点:
速度快:YOLOv5的一个主要优势是它的速度。它能够在普通的GPU上实时进行图像分析和目标检测,这使得它在需要大量图像处理和实时响应的应用中特别有用。
准确性高:YOLOv5不仅速度快,而且准确性也很高。通过使用复杂的深度学习模型和多种训练技巧,YOLOv5能够在各种目标检测任务中获得很好的性能。
端到端训练:YOLOv5是一个端到端的模型,意味着它接受原始图像作为输入,并直接输出目标的类别和位置。消除了需要手动提取特征或进行复杂的预处理步骤的需要。
支持多尺度检测:YOLOv5采用了多尺度预测的策略,可以在不同的尺度上检测目标,从而更好地处理各种大小的目标。
易于使用:YOLOv5的代码基于Python,可读性强,易于使用和修改。开发者可以方便地在其基础上进行二次开发,适应不同的需求。
车牌号分析识别模块用于利用车牌识别模型对车牌区域图像中的车牌进行识别,得到驶入车辆的车牌信息。
具体地,本实施例中的车牌识别模型可以为以下模型中的任意一种:
CRNN(Convolutional Recurrent Neural Network):一种常用于文本识别的模型,适合处理车牌字符识别的任务。
CNN(Convolutional Neural Network):一种深度学习模型,常用于图像识别任务,也可以用于车牌字符识别。
Tesseract OCR:一种光学字符识别工具,可以识别各种类型的文本,包括车牌字符。
车辆特征识别模块用于通过尺寸计算公式结合车辆的图像数据对驶入车辆的类型及尺寸信息进行识别。
具体地,车辆特征识别模块包括车辆位置检测模块、车辆类型识别模块、参照物检测模块、几何计算模块及尺寸结果输出模块;
其中, 车辆位置检测模块用于利用边缘检测算法来对车辆图像数据中的车辆位置及大小进行识别,具体包括:
图像预处理:为了改善图像的质量,并使边缘检测算法的结果更加准确,首先对图像进行一些预处理操作,例如降噪、灰度化、对比度增强等。
边缘检测:使用边缘检测算法,如Canny边缘检测,Sobel边缘检测,Laplacian边缘检测等,对预处理后的图像进行处理,以检测出图像中的边缘。
轮廓检测:边缘检测后得到一幅二值图像,其中的白色像素表示边缘。可以使用轮廓检测算法,如findContours函数,对这幅图像进行分析,以找出车辆的轮廓。
车辆定位和大小计算:通过轮廓检测可以得到车辆的位置(轮廓的中心点)和大小(轮廓的宽度和高度)。其可以通过计算轮廓的边界矩形或最小外接矩形来实现。
车辆类型识别模块用于通过预先训练的卷积神经网络模型对驶入车辆图像数据中的车辆类型进行识别,具体包括:
数据采集:使用摄像头或其他图像采集设备,捕获驶入车辆的图像。
预处理:对采集的图像进行预处理,包括调整图像大小以符合神经网络模型的输入要求、进行归一化(如将像素值转换为0-1之间)、并进行一些增强操作(如旋转、平移、翻转等)以增加模型的鲁棒性。
特征提取:将预处理后的图像输入到预训练的卷积神经网络中,网络将自动提取图像中的特征。即利用卷积神经网络的主要优点能够自动学习并识别图像中的复杂模式。
分类预测:网络的输出层生成一个概率分布,表示每种车型的可能性。最高概率的车型即为预测结果。
后处理:在得到预测结果后进行一些后处理操作,如根据应用场景和需求,将预测结果转换为特定的格式或进行进一步的分析。
结果反馈:将识别结果返回给用户或其他***,供进一步的使用或决策。
参照物检测模块用于利用边缘检测算法来对车辆图像数据中已知参照物的位置及大小进行识别,具体包括:
图像预处理:首先对图像进行预处理,包括降噪、灰度化、对比度增强等;
边缘检测:使用适合的边缘检测算法(如Canny、Sobel、Laplacian等)对图像进行处理;
轮廓检测:边缘检测完成后使用轮廓检测算法来找出图像中的轮廓;
参照物识别:已知参照物(一个在同一平面或者距离上的参照物,比如道路的宽度、停车位的尺寸、或者交通标志的大小,且这个参照物的尺寸是已知的)的形状、大小或者其他特征,通过对比每个轮廓的特征(如面积、周长、形状匹配等)来识别参照物。
几何计算模块用于通过尺寸计算公式根据车辆在图像中的位置和大小结合参照物在图像中的位置及大小来计算车辆的实际尺寸;
尺寸计算公式为:
;
式中,C r 表示车辆的实际尺寸;
C p 表示车辆在图像中的尺寸;
R r 表示已知参照物的实际尺寸;
R p 表示已知参照物在图像中的尺寸。
尺寸结果输出模块用于根据计算的结果输出驶入车辆的尺寸信息。
最佳位置分析模块42用于利用推荐算法根据车辆特性为不同类型及尺寸的车辆推荐最佳的称重位置;
具体地,最佳位置分析模块42在利用推荐算法根据车辆特性为不同类型及尺寸的车辆推荐最佳的称重位置时包括:
获取若干称重历史数据并进行预处理(包括数据清洗或异常值处理等),其中,称重历史数据包括车辆类型、尺寸及称重位置的历史数据;
基于预处理后的称重历史数据构建车辆类型、尺寸与称重位置的评分矩阵;
利用基于时间的指数遗忘函数对车辆类型、尺寸与称重位置的评分矩阵进行衰减处理,得到基于评分时间衰退的权值评分矩阵;
其中,基于时间的指数遗忘函数的计算公式为:
;
式中,t表示对称重位置实际的评分时间;
t s 表示第一次参与称重位置评分的时间;
t e 表示最近一次对称重位置评分的时间;
eps表示设置的最小值,取值为0.000001;
e表示自然数对数函数的底数。
在推荐***中,用户对同一个项目在不同的时间段和环境下的评分可能存在差异。传统的基于用户的协同过滤算法并未将这一现象纳入其影响因素考虑中,没有对早期的评论和最新的评论进行区别处理,这在很大程度上限制了推荐的精度。通过参考Ebbinghaus 的遗忘曲线以及其他相关遗忘函数,可以了解到人类的遗忘过程并非简单地逐渐遗忘,而是具有先快后慢的非线性特征。由于用户的兴趣可能会随时间发生变化,评分时间因素可能会影响推荐质量。因此,本实施例中构建了一个基于时间的指数遗忘函数,对用户的评分进行不同程度的衰减处理,从而可以实现对用户随时间变化的偏好的推荐效果,提高推荐***的精度。该方法考虑到了用户兴趣的动态性,能够在不同时间段提供更为精准的推荐。
本实施例中通过采用权重评分矩阵替换原来的评分矩阵来进行相似性的计算,既增强了近期评分的影响力,又降低了早期评分的权重。提高了用户相似性计算的精准度,能够提升推荐的质量,并且实现了用户兴趣随时间变化的推荐效果的呈现。
利用模糊聚类算法对基于评分时间衰退的权值评分矩阵中的车辆类型和尺寸进行模糊聚类,计算目标车辆的类型和尺寸与最佳聚类中心的相似度,并选择相似度靠前的若干聚类组成候选称重位置集,具体步骤如下:
加载权重评分矩阵:矩阵包含车辆的类型和尺寸信息,这些信息将被用于后续的模糊聚类。
应用模糊聚类:使用模糊聚类算法(例如模糊C-means)来对载荷数据进行聚类,得到不同的聚类中心。
计算相似度:计算每个目标车辆类型和尺寸与各个聚类中心的相似度。通常可以使用欧几里得距离或余弦相似度等方法来衡量相似度。
选择候选聚类:根据计算出的相似度,选择相似度最高(或距离最近)的若干个聚类,作为候选称重位置集。
通过该方法可以根据车辆的类型和尺寸,挑选出最可能的称重位置,从而为后续的推荐***提供更准确的数据支持。
利用优化算法在候选称重位置集中选取适应度靠前的若干称重位置组成潜在称重位置集,具体包括:
随机生成一组称重位置作为初始种群,并计算候选称重位置集中每个称重位置的适应度函数,适应度函数可以基于诸如称重准确性、成本、时间等因素,且适应度越高表明该称重位置越优秀;
利用轮盘赌的选择方式根据每个称重位置的适应度选择一组称重位置进入下一代种群;
随机选择两个称重位置作为父母,并通过多点交叉的方式交换部分信息,生成两个新的称重位置;
随机修改部分新的称重位置的信息,并判断是否达到预设的最大迭代次数或适应度阈值,若否则返回重新计算适应度,若是则停止迭代,输出适应度靠前的若干称重位置作为潜在称重位置集。
预测目标车辆的类型、尺寸对未评分的称重位置的评分,并根据预测评分从潜在称重位置集中推荐最佳的称重位置,具体包括:
计算目标车辆类型和尺寸与已知评分的车辆类型和尺寸的相似度,相似度计算方法可以为余弦相似度或皮尔逊相关系数;
基于相似度和已知评分,预测目标车辆类型、尺寸对未评分的称重位置的评分,本实施例中可以使用加权平均法,其中相似度作为权重;
对预测的评分进行排序,得到每个未评分的称重位置的预测评分排名,并从潜在称重位置集中选择预测评分最高的称重位置作为推荐结果。
称重位置引导模块43用于利用语音结合投影的方式引导车辆进入最佳称重位置区域;
具体地,通过语音和投影相结合的方式,来指导车辆进入最佳的称重位置区域,具体实施如下:
语音引导:通过语音提示***,向司机提供清晰、准确的指导信息,帮助他们将车辆驾驶至最佳称重位置。
投影引导:同时,使用投影设备在地面或其他适当的位置上标识出最佳的称重位置区域,以视觉的方式辅助司机判断和定位。
这种结合语音和投影的方式不仅可以提供清晰明了的信息,同时也能够适应不同司机的习惯和需求,提高称重的准确性和效率。
区域检测识别模块44用于监测车辆的停放位置是否位于推荐的最佳停放位置内,并对于超出最佳停放位置的车辆进行再次调整引导。
具体地,区域检测识别模块的主要责任是监视车辆的停放情况,确认其是否已经准确地停在推荐的最佳停放位置内。其运作流程如下:
监测车辆位置:实时监测车辆的停放位置,其可以透过GPS、雷达或者其他传感器技术来实现。
位置比对:监测到的车辆位置会与推荐的最佳停放位置进行比对,判断是否已经准确停放。
引导调整:如果发现车辆没有停在最佳停放位置内,模块会启动再次引导流程,利用语音或投影等方式,引导车辆调整到推荐的最佳停放位置。
这种方式能确保车辆能准确停放在最佳位置,有助于提高称重的精度和效率,同时也能避免可能的错误和风险。
具体的,本实施例中的数据可以以各种格式存储,如数据库、文本文件或图形表示。
综上所述,借助于本发明的上述技术方案,本发明不仅可以通过视觉识别模块及利用最佳位置分析模块自动识别驶入车辆的车牌信息和车辆信息,并根据车辆特性为不同类型及尺寸的车辆推荐最佳的称重位置,而且还可以通过称重位置引导模块及区域检测识别模块引导车辆进入最佳称重位置区域,并监测车辆的停放位置是否位于推荐的最佳停放位置内,且可以对于超出最佳停放位置的车辆进行再次调整引导,从而无论是车辆进入地磅时的识别,还是车辆的称重位置的确定,都实现了智能化和自动化,极大提高了地磅的工作效率和称重精度,节省了人力资源,降低了因人工干预而导致的失误率。同时,还通过建立可视化界面,便于管理人员实现地磅数据的查询和管理。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于引导式的智能化无人值守地磅***,其特征在于,包括地磅单元(1)、通信单元(2)、管理终端(3)及控制平台(4);
其中,所述地磅单元(1)用于利用安装于地磅平台下方的若干称重传感器测量通过地磅的车辆重量;
所述通信单元(2)用于与控制平台(4)进行通信,以上传和存储重量数据、车辆信息以及监测日志;
所述管理终端(3)用于通过可视化界面实现地磅数据的查询或作废处理,以及车辆管理和称重规则的设置;
所述控制平台(4)包括视觉识别模块(41)、最佳位置分析模块(42)称重位置引导模块(43)及区域检测识别模块(44);
所述视觉识别模块(41)用于利用摄像装置和图像处理技术来捕捉驶入车辆的图像数据,并自动识别车辆的车牌信息和车辆信息;
所述最佳位置分析模块(42)用于利用推荐算法根据车辆特性为不同类型及尺寸的车辆推荐最佳的称重位置;
所述称重位置引导模块(43)用于利用语音结合投影的方式引导车辆进入最佳称重位置区域;
所述区域检测识别模块(44)用于监测车辆的停放位置是否位于推荐的最佳停放位置内,并对于超出最佳停放位置的车辆进行再次调整引导。
2.根据权利要求1所述的一种基于引导式的智能化无人值守地磅***,其特征在于,所述称重传感器为地磅传感器或压力传感器中的任意一种。
3.根据权利要求1所述的一种基于引导式的智能化无人值守地磅***,其特征在于,所述通信单元(2)的通信协议包括Wi-Fi、蓝牙或移动网络中的任意一种。
4.根据权利要求1所述的一种基于引导式的智能化无人值守地磅***,其特征在于,所述视觉识别模块(41)包括车辆数据获取模块、车牌识别模块及车辆特征识别模块;
其中,所述车辆数据获取模块用于利用预先安装好的摄像装置来获取驶入车辆的图像数据;
所述车牌识别模块用于利用图像处理技术对驶入车辆的图像数据进行分析识别,实现对驶入车辆的车牌识别;
所述车辆特征识别模块用于通过尺寸计算公式结合车辆的图像数据对驶入车辆的类型及尺寸信息进行识别。
5.根据权利要求4所述的一种基于引导式的智能化无人值守地磅***,其特征在于,所述车牌识别模块包括图像预处理模块、车牌区域检测模块及车牌号分析识别模块;
其中,所述图像预处理模块用于对获取的车辆图像数据进行数据预处理;
所述车牌区域检测模块用于利用yolov5模型对处理后的车辆图像进行检测,得到车牌区域图像;
所述车牌号分析识别模块用于利用车牌识别模型对车牌区域图像中的车牌进行识别,得到驶入车辆的车牌信息。
6.根据权利要求4所述的一种基于引导式的智能化无人值守地磅***,其特征在于,所述车辆特征识别模块包括车辆位置检测模块、车辆类型识别模块、参照物检测模块、几何计算模块及尺寸结果输出模块;
其中, 所述车辆位置检测模块用于利用边缘检测算法来对车辆图像数据中的车辆位置及大小进行识别;
所述车辆类型识别模块用于通过预先训练的卷积神经网络模型对驶入车辆图像数据中的车辆类型进行识别;
所述参照物检测模块用于利用边缘检测算法来对车辆图像数据中已知参照物的位置及大小进行识别;
所述几何计算模块用于通过尺寸计算公式根据车辆在图像中的位置和大小结合参照物在图像中的位置及大小来计算车辆的实际尺寸;
所述尺寸结果输出模块用于根据计算的结果输出驶入车辆的尺寸信息。
7.根据权利要求6所述的一种基于引导式的智能化无人值守地磅***,其特征在于,所述尺寸计算公式为:
;
式中,C r 表示车辆的实际尺寸;
C p 表示车辆在图像中的尺寸;
R r 表示已知参照物的实际尺寸;
R p 表示已知参照物在图像中的尺寸。
8.根据权利要求1所述的一种基于引导式的智能化无人值守地磅***,其特征在于,所述最佳位置分析模块(42)在利用推荐算法根据车辆特性为不同类型及尺寸的车辆推荐最佳的称重位置时包括:
获取若干称重历史数据并进行预处理,其中,称重历史数据包括车辆类型、尺寸及称重位置的历史数据;
基于预处理后的称重历史数据构建车辆类型、尺寸与称重位置的评分矩阵;
利用基于时间的指数遗忘函数对车辆类型、尺寸与称重位置的评分矩阵进行衰减处理,得到基于评分时间衰退的权值评分矩阵;
利用模糊聚类算法对基于评分时间衰退的权值评分矩阵中的车辆类型和尺寸进行模糊聚类,计算目标车辆的类型和尺寸与最佳聚类中心的相似度,并选择相似度靠前的若干聚类组成候选称重位置集;
利用优化算法在候选称重位置集中选取适应度靠前的若干称重位置组成潜在称重位置集;
预测目标车辆的类型、尺寸对未评分的称重位置的评分,并根据预测评分从潜在称重位置集中推荐最佳的称重位置。
9.根据权利要求8所述的一种基于引导式的智能化无人值守地磅***,其特征在于,所述基于时间的指数遗忘函数的计算公式为:
;
式中,t表示对称重位置实际的评分时间;
t s 表示第一次参与称重位置评分的时间;
t e 表示最近一次对称重位置评分的时间;
eps表示设置的最小值,取值为0.000001;
e表示自然数对数函数的底数。
10.根据权利要求8所述的一种基于引导式的智能化无人值守地磅***,其特征在于,所述利用优化算法在候选称重位置集中选取适应度靠前的若干称重位置组成潜在称重位置集包括:
随机生成一组称重位置作为初始种群,并计算候选称重位置集中每个称重位置的适应度函数;
利用轮盘赌的选择方式根据每个称重位置的适应度选择一组称重位置进入下一代种群;
随机选择两个称重位置作为父母,并通过多点交叉的方式交换部分信息,生成两个新的称重位置;
随机修改部分新的称重位置的信息,并判断是否达到预设的最大迭代次数或适应度阈值,若否则返回重新计算适应度,若是则停止迭代,输出适应度靠前的若干称重位置作为潜在称重位置集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311814905.8A CN117470360A (zh) | 2023-12-27 | 2023-12-27 | 一种基于引导式的智能化无人值守地磅*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311814905.8A CN117470360A (zh) | 2023-12-27 | 2023-12-27 | 一种基于引导式的智能化无人值守地磅*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117470360A true CN117470360A (zh) | 2024-01-30 |
Family
ID=89633327
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311814905.8A Withdrawn CN117470360A (zh) | 2023-12-27 | 2023-12-27 | 一种基于引导式的智能化无人值守地磅*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117470360A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105928598A (zh) * | 2016-04-20 | 2016-09-07 | 上海斐讯数据通信技术有限公司 | 基于拍照测量物体质量的方法及*** |
CN112348250A (zh) * | 2020-11-05 | 2021-02-09 | 紫金矿业集团股份有限公司 | 一种汽车衡无人值守称重*** |
CN113063480A (zh) * | 2021-04-12 | 2021-07-02 | 四川省进取科技有限公司 | 一码通无人值守防作弊称重*** |
CN114923552A (zh) * | 2022-06-08 | 2022-08-19 | 广东科达计量科技有限公司 | 一种应用于矿山的智能称重装车*** |
CN115546697A (zh) * | 2022-10-19 | 2022-12-30 | 安徽恒远电子称重设备有限公司 | 一种称重设备管理方法及*** |
CN116128401A (zh) * | 2022-10-25 | 2023-05-16 | 华润水泥(龙岩雁石)有限公司 | 一种智能堆场卸料管理方法及其*** |
CN116595543A (zh) * | 2023-07-17 | 2023-08-15 | 腾源大数据信息技术(江苏)有限公司 | 一种基于互联网平台用软件开发应用数据的处理*** |
CN117078018A (zh) * | 2023-09-20 | 2023-11-17 | 山西交投产业科技发展有限公司 | 一种基于监控识别的高速公路入口无人值守治超管理*** |
CN117133079A (zh) * | 2022-05-16 | 2023-11-28 | 北京骑胜科技有限公司 | 控制方法及其对应的车辆、电子设备、存储介质 |
CN117152984A (zh) * | 2023-10-31 | 2023-12-01 | 山东高速信息集团有限公司 | 高速公路货车超重引导***、方法及设备 |
CN117218181A (zh) * | 2023-09-13 | 2023-12-12 | 上海深硅信息科技有限公司 | 一种基于ai视频分析技术的垃圾体积和质量估算方法 |
-
2023
- 2023-12-27 CN CN202311814905.8A patent/CN117470360A/zh not_active Withdrawn
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105928598A (zh) * | 2016-04-20 | 2016-09-07 | 上海斐讯数据通信技术有限公司 | 基于拍照测量物体质量的方法及*** |
CN112348250A (zh) * | 2020-11-05 | 2021-02-09 | 紫金矿业集团股份有限公司 | 一种汽车衡无人值守称重*** |
CN113063480A (zh) * | 2021-04-12 | 2021-07-02 | 四川省进取科技有限公司 | 一码通无人值守防作弊称重*** |
CN117133079A (zh) * | 2022-05-16 | 2023-11-28 | 北京骑胜科技有限公司 | 控制方法及其对应的车辆、电子设备、存储介质 |
CN114923552A (zh) * | 2022-06-08 | 2022-08-19 | 广东科达计量科技有限公司 | 一种应用于矿山的智能称重装车*** |
CN115546697A (zh) * | 2022-10-19 | 2022-12-30 | 安徽恒远电子称重设备有限公司 | 一种称重设备管理方法及*** |
CN116128401A (zh) * | 2022-10-25 | 2023-05-16 | 华润水泥(龙岩雁石)有限公司 | 一种智能堆场卸料管理方法及其*** |
CN116595543A (zh) * | 2023-07-17 | 2023-08-15 | 腾源大数据信息技术(江苏)有限公司 | 一种基于互联网平台用软件开发应用数据的处理*** |
CN117218181A (zh) * | 2023-09-13 | 2023-12-12 | 上海深硅信息科技有限公司 | 一种基于ai视频分析技术的垃圾体积和质量估算方法 |
CN117078018A (zh) * | 2023-09-20 | 2023-11-17 | 山西交投产业科技发展有限公司 | 一种基于监控识别的高速公路入口无人值守治超管理*** |
CN117152984A (zh) * | 2023-10-31 | 2023-12-01 | 山东高速信息集团有限公司 | 高速公路货车超重引导***、方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10229332B2 (en) | Method and apparatus for recognizing obstacle of vehicle | |
CN108090456B (zh) | 识别车道线模型的训练方法、车道线识别方法及装置 | |
CN110033002B (zh) | 基于多任务级联卷积神经网络的车牌检测方法 | |
CN111709417B (zh) | 一种矿车车牌识别方法 | |
CN110197166B (zh) | 一种基于图像识别的车体装载状态识别装置及方法 | |
CN105069799A (zh) | 一种角点定位方法及装置 | |
JP7206082B2 (ja) | 交通標識を認識するためのシステムおよび方法 | |
CN111797829A (zh) | 一种车牌检测方法、装置、电子设备和存储介质 | |
CN114155527A (zh) | 一种场景文本识别方法和装置 | |
CN109034024B (zh) | 基于图像目标检测的物流车辆车型分类识别方法 | |
CN108846831B (zh) | 基于统计特征和图像特征相结合的带钢表面缺陷分类方法 | |
CN110956088B (zh) | 基于深度学习的交叠文本行定位分割方法及*** | |
US11417129B2 (en) | Object identification image device, method, and computer program product | |
CN111898491A (zh) | 一种车辆逆向行驶的识别方法、装置及电子设备 | |
CN110291527B (zh) | 信息处理方法、***、云处理设备以及计算机程序产品 | |
CN104915642A (zh) | 前方车辆测距方法及装置 | |
CN115995056A (zh) | 一种基于深度学习的桥梁病害自动识别方法 | |
CN114926441A (zh) | 一种注塑件加工成型的缺陷检测方法及*** | |
CN113239733A (zh) | 一种多车道车道线检测方法 | |
CN117195928B (zh) | 一种基于深度学习的条码定位检测方法 | |
CN111199240A (zh) | 银行卡识别模型的训练方法、银行卡识别方法以及装置 | |
Kieu et al. | Ocr accuracy prediction method based on blur estimation | |
CN117470360A (zh) | 一种基于引导式的智能化无人值守地磅*** | |
CN116704270A (zh) | 一种基于图像处理的智能设备定位标记方法 | |
Adak et al. | Automatic number plate recognition (ANPR) with YOLOv3-CNN |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20240130 |
|
WW01 | Invention patent application withdrawn after publication |