CN117788871A - 一种基于人工智能的车载称重管理方法及平台 - Google Patents
一种基于人工智能的车载称重管理方法及平台 Download PDFInfo
- Publication number
- CN117788871A CN117788871A CN202311815795.7A CN202311815795A CN117788871A CN 117788871 A CN117788871 A CN 117788871A CN 202311815795 A CN202311815795 A CN 202311815795A CN 117788871 A CN117788871 A CN 117788871A
- Authority
- CN
- China
- Prior art keywords
- data
- article
- image
- carrying
- load
- 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
- 238000005303 weighing Methods 0.000 title claims abstract description 78
- 238000007726 management method Methods 0.000 title claims abstract description 21
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 19
- 238000001514 detection method Methods 0.000 claims abstract description 152
- 239000000463 material Substances 0.000 claims abstract description 121
- 238000000034 method Methods 0.000 claims abstract description 68
- 238000004364 calculation method Methods 0.000 claims description 63
- 238000012545 processing Methods 0.000 claims description 44
- 230000001629 suppression Effects 0.000 claims description 29
- 230000005856 abnormality Effects 0.000 claims description 26
- 238000004088 simulation Methods 0.000 claims description 24
- 238000000605 extraction Methods 0.000 claims description 22
- 230000004927 fusion Effects 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000005457 optimization Methods 0.000 claims description 18
- 230000003044 adaptive effect Effects 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 14
- 238000013441 quality evaluation Methods 0.000 claims description 14
- 238000001228 spectrum Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 11
- 238000012417 linear regression Methods 0.000 claims description 9
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000003709 image segmentation Methods 0.000 claims description 4
- 230000005764 inhibitory process Effects 0.000 claims description 4
- 238000013075 data extraction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 25
- 230000035882 stress Effects 0.000 description 22
- 238000004422 calculation algorithm Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 11
- 230000008859 change Effects 0.000 description 10
- 230000006355 external stress Effects 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000012098 association analyses Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000007620 mathematical function Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000037221 weight management Effects 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及人工智能技术领域，尤其涉及一种基于人工智能的车载称重管理方法及平台。该方法包括以下步骤：通过车载摄像头进行实时载重物品图像采集，得到载重物品图像数据；对载重物品图像数据进行物品数据检测，得到物品检测数据，其中物品检测数据包括物品位置数据以及物品边界数据；根据物品位置数据以及物品边界数据对载重物品图像数据进行物品体积重量预估，得到物品第一重量数据；根据物品检测数据对载重物品图像数据进行物品材料识别，得到物品材料数据，并根据物品检测数据以及物品材料数据进行物品材料重量预估，得到物品第二重量数据。本发明实现了对载重物品的自动化检测和称重过程，无需人工干预，提高了工作效率。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于人工智能的车载称重管理方法及平台。
背景技术
车载称重管理方法是指在运输行业中使用称重设备对载货车辆进行实时称重和管理的一套***或程序。这种方法旨在确保货物的准确装载，以避免超载或低载的情况，从而保证道路安全和运输效率。一般而言，常规的方法会在静止状态下对整个车辆进行称重，这种方法通常用于固定地点，司机需要将车辆开到指定位置，然后称重，这样的方法可以提供准确的重量信息，但需要额外的时间和劳动力，静态称重需要司机将车辆开到指定位置，这会花费额外的时间，特别是在繁忙的运输路线上会造成延误。
发明内容
本发明为解决上述技术问题，提出了一种基于人工智能的车载称重管理方法及平台，以解决至少一个上述技术问题。
本申请提供了一种基于人工智能的车载称重管理方法，包括以下步骤：
步骤S1：通过车载摄像头进行实时载重物品图像采集，从而得到载重物品图像数据；
步骤S2：对载重物品图像数据进行物品数据检测，从而得到物品检测数据，其中物品检测数据包括物品位置数据以及物品边界数据；
步骤S3：根据物品位置数据以及物品边界数据进行体积数据计算，从而得到物品体积数据，并利用物品体积数据对载重物品图像数据进行三维模型构建并进行物品体积重量预估，从而得到物品第一重量数据；
步骤S4：根据物品检测数据对载重物品图像数据进行物品材料识别，从而得到物品材料数据，并根据物品检测数据以及物品材料数据进行物品材料重量预估，从而得到物品第二重量数据；
步骤S5：根据物品第一重量数据以及物品第二重量数据进行车载称重异常检测生成，从而得到车载称重异常检测数据，以进行车载称重异常警告作业。
本发明中该方法利用车载摄像头进行图像采集，并通过物品数据检测和材料识别的步骤，实现了对载重物品的自动化检测和称重过程，无需人工干预，提高了工作效率。通过物品位置数据和边界数据的提取，结合物品第一体积重量预估和物品材料重量预估，能够较准确地估计出物品的重量，减少了人为误差，提高了称重的准确度。该方法不仅考虑了物品的位置和边界信息，还结合了物品材料的识别，从而综合利用了多种信息源，提升了称重的精度。通过车载称重异常检测生成，可以及时发现并警示称重过程中出现的异常情况，如超载、异常形状等，避免了可能导致事故或损坏的情况。通过自动化和智能化的称重过程，减少了人工参与，降低了工作过程中的危险性和安全隐患，提升了工作安全性。
优选地，步骤S1具体为：
步骤S11：通过车载摄像头进行实时载重物品图像采集，从而得到实时载重物品图像数据；
步骤S12：利用预设的动态适应性噪声检测模型对实时载重物品图像数据进行动态去噪处理，从而得到载重物品图像去噪数据；
步骤S13：对载重物品图像去噪数据进行图像质量评估，从而图像质量评估数据；
步骤S14：根据图像质量评估数据对载重物品图像去噪数据进行标记，从而得到载重图片图像数据。
本发明中通过步骤S11，利用车载摄像头实时采集载重物品图像，使得称重过程能够实时监控，确保数据的及时性和准确性。步骤S12中采用了预设的动态适应性噪声检测模型，这意味着***能够自动识别并过滤掉来自摄像头采集的噪声，从而有效提升了图像质量。通过动态去噪处理，步骤S12有助于降低图像中的噪声干扰，使得后续的图像分析和处理更为准确可靠。在步骤S13中，对去噪后的图像进行了质量评估，能够为后续的数据处理提供可靠的基础，确保了最终结果的准确性。通过图像质量评估，步骤S14对去噪后的图像进行标记，对于用于后续的数据分析、模型训练等环节能够提供具有更多维度更加丰富度的数据支持，有助于提高***的自动化处理能力。本发明从图像采集到去噪处理再到图像质量评估，保证了所获得的载重物品图像数据具有高质量、低噪声，从而保障了后续称重过程的精准度和可靠性。
优选地，步骤S12中动态适应性噪声检测模型的构建步骤具体为：
步骤S121：获取标准载重物品图像数据以及对应的噪声标签数据，其中噪声标签数据包括传感器噪声标签数据以及环境噪声标签数据；
步骤S122：对标准载重物品图像数据进行相似像素图像区域划分，从而得到图像区域划分数据；
步骤S123：对图像区域划分数据进行频谱转换，从而得到图像区域频谱数据；
步骤S124：对图像区域频谱数据进行频域特征提取，从而得到频域特征数据，并对图像区域划分数据进行像素统计特征提取，从而得到像素统计特征数据，其中像素统计特征数据包括像素平均值特征数据、像素方差特征数据以及像素特性特征数据；
步骤S125：利用预设的噪声检测引擎对像素统计特征数据以及频域特征数据进行噪声特性检测，从而得到噪声特性数据；
步骤S126：根据噪声特性数据生成初级噪声提取器；
步骤S127：利用初级噪声提取器对标准载重物品图像数据进行噪声数据提取，从而得到图像噪声数据；
步骤S128：对图像噪声数据进行自注意力聚类计算，从而得到图像噪声聚类数据；
步骤S129：利用图像噪声聚类数据对初级噪声提取器进行参数优化并通过噪声标签数据进行模型构建，从而得到动态适应性噪声检测模型。
本发明中通过对图像区域频谱数据和像素统计特征数据的处理，结合预设的噪声检测引擎，实现了对噪声特性的细致检测，从而为后续噪声提取器的构建提供了准确的数据基础。根据噪声特性数据生成初级噪声提取器，使得噪声处理过程具有个性化的特点，能够根据具体的噪声情况进行有效的噪声抑制。利用噪声提取器对标准载重物品图像数据进行噪声数据提取，有效地剔除了来自传感器和环境的噪声，保证了后续处理的数据质量。对噪声聚类数据进行自注意力聚类计算，实现了对噪声的更加精细的聚类，进一步提高了噪声提取的效率和准确性。通过对初级噪声提取器的参数优化和模型构建，形成了动态适应性噪声检测模型，使得噪声检测过程能够根据具体情况自适应地进行调整和优化，保证了噪声处理的效果最大化。
优选地，步骤S122中相似像素图像区域划分的步骤具体为：
步骤S1221：利用预设的图像划分参数数据对标准载重物品图像数据进行图像分割，从而得到区域图像数据；
步骤S1222：对区域图像数据进行纹理特征提取以及颜色特征提取，从而得到区域图像纹理特征数据以及区域图像颜色特征数据；
步骤S1223：根据区域图像纹理特征数据以及区域图像颜色特征数据对区域图像数据进行相似度矩阵构建，从而得到相似度矩阵数据；
步骤S1224：根据相似度矩阵数据对区域图像数据进行区域图像合并，从而得到区域图像合并数据；
步骤S1225：对区域图像合并数据进行图像区域描述符生成，从而得到图像区域描述符数据；
步骤S1226：根据图像区域描述符数据对区域图像合并数据中的相邻图像数据进行区域关联计算，从而得到区域关联数据；
步骤S1227：根据区域关联数据对区域图像合并数据进行数据标记，从而得到图像区域划分数据。
本发明中通过利用预设的图像划分参数数据，对标准载重物品图像进行分割，得到区域图像数据。这使得图像可以在更加细致的层次上被分割，从而获得更为精确的区域信息。对区域图像数据进行纹理特征和颜色特征的提取，从而得到丰富的区域图像特征数据，有助于后续的相似度计算和区域关联分析。基于区域图像的纹理和颜色特征，构建相似度矩阵，以量化不同区域之间的相似程度，可以在更为准确和可靠的基础上进行区域合并。根据相似度矩阵数据，对区域图像进行合并，实现了对相似区域的进一步精细化合并，提高了合并的准确度。生成图像区域描述符，使得每个区域可以用一个独特的描述符来表征，为后续的区域关联计算提供了基础。基于图像区域描述符数据，进行区域的关联计算，从而精确地确定了不同区域之间的关联关系。通过数据标记，得到了准确的图像区域划分数据，为后续的处理提供了可靠的基础。
优选地，步骤S124中像素特性特征数据通过像素特征计算公式进行计算，其中像素特征计算公式具体为：
F为像素特性特征数据，n为图像区域划分数据的像素数量数据，i为图像区域划分数据的像素序次项数据，f(x,y)为图像区域划分数据中(x,y)处的像素数据，x为图像区域划分数据的像素横坐标数据，y为图像区域划分数据的像素纵坐标数据。
本发明构造了一种像素特征计算公式，该计算公式涵盖了图像梯度和/>的信息，通过傅里叶变换的正弦和余弦分量，综合了图像的幅度和相位信息。通过正弦和余弦函数的组合，公式对图像高频信息的敏感度相对较高，能够提取出图像细节和纹理等特征。公式中使用了梯度信息来计算图像特性，这使得公式能够捕捉到图像的变化率，进而提取出与图像边缘相关的特征。其中F代表像素特性特征数据，也就是通过这个公式计算得到的特定像素位置的特性值。n代表图像区域划分数据的像素数量，它表示在计算特性特征时采样的像素数量。i代表图像区域划分数据的像素序次项，它表示在采样过程中的像素序号。f(x,y)表示图像区域划分数据中位置(x,y)处的像素值，即灰度值。/>和/>分别表示图像在x和y方向上的灰度值变化率，也就是梯度。本发明通过对图像在特定位置的像素值及其梯度进行一系列的数学运算，来获取该位置的特性特征值，以描述该像素位置的某种图像特性，比如局部对比度、纹理信息等，使得公式能够捕捉到图像在特定位置的复杂特性，并将其转化为一个单一的特性值F。
优选地，步骤S2具体为：
步骤S21：对载重物品图像数据进行高维特征提取，从而高维特征数据；
步骤S22：对高维特征数据进行感兴趣区域定位，从而感兴趣区域数据；
步骤S23：对感兴趣区域数据以及高维特征数据进行特征融合，从而得到特征融合数据；
步骤S24：对特征融合数据进行目标检测并进行最小误差非极大值抑制，从而得到目标检测数据；
步骤S25：根据目标检测数据进行物品位置数据生成以及物品边界数据生成，从而得到物品位置数据以及物品边界数据。
本发明中通过对载重图片图像数据进行高维特征提取，可以将图像从像素级别抽象到具有更高维度的特征空间中，使得图像数据能够在更抽象的层次上被理解和处理，提高了对物品特征的抽象能力。通过对高维特征数据进行分析和处理，定位感兴趣区域，即在图像中识别出与任务相关的重要区域，这可以减少后续处理的计算量，提高了处理的效率。将高维特征数据与感兴趣区域数据融合，可以综合考虑局部区域和整体特征，从而获得更具代表性和全局性的特征数据，提高了物品识别的准确度。通过对特征融合数据进行目标检测，可以识别出图像中的物品，而非极大值抑制则有效地减少了重复检测和冗余检测，提高了检测的精度和效率。基于目标检测数据，生成物品的位置和边界信息，使得可以精确地定位物品在图像中的位置，并提供了物品的尺寸和形状等信息，为后续的称重提供了准确的数据基础。
优选地，步骤S24中最小误差非极大值抑制为通过最小误差衰减计算公式进行非极大值抑制处理，其中最小误差衰减计算公式具体为：
为最小误差非极大值抑制数据，k为最小误差衰减系数，z为目标框特征参数数据，r为伽马形状参数数据，Γ(r)为伽马数据，u为特征融合数据中的颜色高维特征权重数据，v为特征融合数据中的纹理高维特征权重数据，NMS为初级非极大值抑制数据，/>为衰减速度控制项，IoU为交并比数据，θ为最小误差非极大值抑制严格程度调整项。
本发明构造了一种最小误差衰减计算公式，该计算公式通过综合考虑目标框的特征、伽马函数、特征权重以及交并比等因素，对目标框进行最小误差非极大值抑制的处理，保留最具代表性的目标框，剔除冗余的框，从而提高了目标检测的准确性。其中和NNS这两个变量分别代表了经过最小误差非极大值抑制处理前后的数据。经过处理后，保留了最具代表性的目标框，剔除了冗余的框。k最小误差衰减系数，控制着误差的衰减速度，k的值越大，表示误差衰减越快，对应的非极大值抑制会更加严格。z目标框特征参数数据，用于衡量目标框的特征信息。r伽马形状参数数据，影响了伽马函数的形状。Γ(r)伽马函数，这是一个数学函数，它的形状由参数r决定。u和v分别代表了特征融合数据中的颜色高维特征权重和纹理高维特征权重，这两个参数影响了特征在融合过程中的权重分配。NNS初级非极大值抑制数据，包含了初始的目标框信息。IoU交并比数据，用于衡量两个目标框的重叠程度。θ最小误差非极大值抑制严格程度调整项，可以调节抑制的严格度，影响非极大值抑制的松紧程度。
优选地，步骤S3具体为：
步骤S31：根据物品位置数据以及物品边界数据进行体积数据计算，从而得到物品体积数据；
步骤S32：根据物品体积数据对载重物品图像数据进行三维构建，从而得到载重物品三维模型；
步骤S33：对载重物品三维模型进行形变特征提取，从而形变特征数据；
步骤S34：利用预设的线性回归重量检测模型对载重物品三维模型以及形变特征数据进行物品体积重量预估，从而得到物品第一重量数据。
本发明中通过利用物品位置数据和边界数据，可以准确地计算出物品的体积数据，这是精确估算物品重量的重要基础。基于物品的体积数据，可以构建出载重物品的三维模型，使得对物品形状的理解更为直观，为后续的形变特征提取提供了准确的数据基础。对载重物品的三维模型进行形变特征提取，可以捕捉到物品在称重过程中发生的变形信息，这是准确估算物品重量的关键。利用预设的线性回归重量检测模型，结合三维模型和形变特征数据，进行物品体量重量的预估，线性回归模型的使用使得对物品重量的估算更加精准和可靠。
优选地，步骤S4具体为：
步骤S41：根据物品检测数据对载重物品图像数据进行载重物品区域划分，从而得到载重物品区域数据；
步骤S42：对载重物品区域数据进行聚类计算，从而得到载重物品区域聚类数据；
步骤S43：根据载重物品区域聚类数据对载重物品区域数据进行图像划分，从而得到载重物品划分图像数据，其中载重物品划分图像数据包括载重物品划分子图像数据载重物品、载重物品区域聚类数据以及载重物品区域聚类数据通过预设的映射规则生成的载重物品区域聚类描述数据；
步骤S44：对载重物品划分图像数据进行材料识别，从而得到物品材料数据；
步骤S45：根据物品检测数据对物品材料数据进行材料张力以及应力评估优化，从而得到物品材料优化数据；
步骤S46：根据物品材料优化数据进行材料密度计算，从而得到物品第二重量数据；
其中步骤S45中材料张力以及应力评估优化的步骤具体为：
步骤S451：对物品检测数据以及物品材料数据进行材料张力分布计算，从而得到物品材料张力分布数据；
步骤S452：根据物品材料张力分布数据进行物品内部应力分布评估，从而得到物品内部应力分布数据；
步骤S453：根据物品内部应力分布数据以及物品材料数据进行物体形变模拟，从而得到物体形变模拟数据；
步骤S454：根据物体形变模拟数据以及物品检测数据进行相似度计算，从而得到相似度数据；
步骤S455：根据相似度数据对物品材料数据进行优化，从而得到物品材料优化数据；
其中步骤S454中相似度计算通过物体形变相似度计算公式进行计算，物体形变相似度计算公式具体为：
S为物体形变相似度数据，Δa为物体形变微小位移数据，a0为物体形变初始位置数据，b为物品检测数据中的物体形变前位置数据，a为物品检测数据中的物体形变后位置数据，Q为物体形变模拟数据中的物体形变前位置数据，A为物体形变模拟数据中的物体形变后位置数据，G为物体外部受力数据，g为物体内部应力数据，m为物体形变指数数据。
本发明构造了一种物体形变相似度计算公式，该计算公式的作用是通过对形变过程中的物***置和受力情况进行一系列的数学运算，来计算物体形变的相似度，相似度的计算涉及到形变前后的位置变化、外部受力、内部抵抗力等因素的综合影响。其中S代表物体形变相似度数据，也就是通过这个公式计算得到的形变相似度值。Δa代表物体形变的微小位移，表示形变的变化量。a0代表物体形变的初始位置，是形变开始时的位置。b代表物品检测数据中的物体形变前位置数据。a代表物品检测数据中的物体形变后位置数据。Q代表物体形变模拟数据中的物体形变前位置数据。A代表物体形变模拟数据中的物体形变后位置数据。G代表物体外部受力数据。g代表物体内部应力数据。m代表物体形变指数数据。本发明考虑了物体形变前后的位置变化、外部受力和内部抵抗力等因素后，计算出一个形变相似度值，用于评估形变过程中物体的相似程度。
本发明中通过根据物品检测数据对载重物品图像进行区域划分，将图像中的物品区域准确地划分出来，为后续处理提供了准确的区域数据。对划分得到的载重物品区域进行聚类计算，可以将相似的区域归为一类，进一步提炼出载重物品的特征信息。基于聚类结果，对载重物品区域进行进一步的图像划分，得到细分图像数据，其中包括了载重物品的成分数据和位置数据。对细分图像数据进行材料识别，可以准确地辨别出载重物品的材质信息，这是后续材料力学评估的基础。通过对物品检测数据和材料数据进行张力分布计算、内部应力分布评估、物品形变模拟等步骤，可以对物品的材料力学性质进行综合评估和优化，为后续的重量估算提供了准确的物理基础。基于优化后的材料数据，可以准确地计算出物品的密度信息，从而得到物品第二的重量数据。
优选地，本申请还提供了一种基于人工智能的车载称重管理平台，用于执行如上所述的基于人工智能的车载称重管理方法，该基于人工智能的车载称重管理平台包括：
载重物品图像采集模块，用于通过车载摄像头进行实时载重物品图像采集，从而得到载重物品图像数据；
物品数据检测模块，用于对载重物品图像数据进行物品数据检测，从而得到物品检测数据，其中物品检测数据包括物品位置数据以及物品边界数据；
物品体积重量预估模块，用于根据物品位置数据以及物品边界数据进行体积数据计算，从而得到物品体积数据，并利用物品体积数据对载重物品图像数据进行三维模型构建并进行物品体积重量预估，从而得到物品第一重量数据；
物品材料识别模块，用于根据物品检测数据对载重物品图像数据进行物品材料识别，从而得到物品材料数据，并根据物品检测数据以及物品材料数据进行物品材料重量预估，从而得到物品第二重量数据；
车载称重异常检测生成模型，用于根据物品第一重量数据以及物品第二重量数据进行车载称重异常检测生成，从而得到车载称重异常检测数据，以进行车载称重异常警告作业。
本发明的有益效果在于：通过综合利用图像数据和物品特性数据，可以提高对载重物品的准确识别和称重精度，减少了传统称重方法带来的定点称重造成的延迟问题。采用自动化的物品检测和称重方法，相比传统的人工称重方式，可以大大提高称重速度，降低了人力成本，提升了工作效率。通过利用车载摄像头进行图像采集，相对于传统的传感器装置，成本更低，易于实施和维护。可以同时识别和称重多个物品，提高了处理效率，特别在物流和运输行业中具有重要的应用价值。通过车载称重异常检测，可以实时监测载重情况，一旦发现异常情况，可以及时发出警告，有助于防止潜在的安全问题。通过物品材料识别，可以获取物品的材料信息，有助于后续的物流处理和管理。
附图说明
通过阅读参照以下附图所作的对非限制性实施所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1示出了一实施例的基于人工智能的车载称重管理方法的步骤流程图；
图2示出了一实施例的步骤S1的步骤流程图；
图3示出了一实施例的步骤S12的步骤流程图；
图4示出了一实施例的步骤S2的步骤流程图；
图5示出了一实施例的步骤S3的步骤流程图。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域所属的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。
此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
请参阅图1至图5，本申请提供了一种基于人工智能的车载称重管理方法，包括以下步骤：
步骤S1：通过车载摄像头进行实时载重物品图像采集，从而得到载重物品图像数据；
具体地，例如使用高分辨率摄像头，例如Sony IMX586传感器，将摄像头安装在车载设备上，以实时采集载重物品的图像数据。
步骤S2：对载重物品图像数据进行物品数据检测，从而得到物品检测数据，其中物品检测数据包括物品位置数据以及物品边界数据；
具体地，例如利用深度学习技术，例如基于卷积神经网络(CNN)的物体检测模型，如YOLO(You Only Look Once)或Faster R-CNN，对载重物品图像进行检测，得到物品的位置和边界数据。
步骤S3：根据物品位置数据以及物品边界数据进行体积数据计算，从而得到物品体积数据，并利用物品体积数据对载重物品图像数据进行三维模型构建并进行物品体积重量预估，从而得到物品第一重量数据；
具体地，例如基于物体的位置和边界数据，采用体积积分法进行体积估算。例如，对于规则形状的物体，可以使用几何学公式进行计算。
步骤S4：根据物品检测数据对载重物品图像数据进行物品材料识别，从而得到物品材料数据，并根据物品检测数据以及物品材料数据进行物品材料重量预估，从而得到物品第二重量数据；
具体地，例如使用图像处理和机器学习技术，对物体的纹理、颜色等特征进行分析，从而识别物品的材料。针对不同材料，建立相应的密度模型，通过物品第一的体积和物品第二的材料密度进行重量估算。
步骤S5：根据物品第一重量数据以及物品第二重量数据进行车载称重异常检测生成，从而得到车载称重异常检测数据，以进行车载称重异常警告作业。
具体地，例如利用预先设定的重量阈值或比率来判断是否存在异常，例如如果物品第一和物品第二的重量差异超过设定的阈值，则生成异常检测数据，触发相应的警告作业。
具体地，例如有一辆运输车，上面装载了一些方形的木箱。平台利用车载摄像头拍摄了载重物品图像，通过图像处理得到物品位置数据和物品边界数据。这些木箱的准确尺寸为1mx1mx1m。平台可以使用体积积分法进行体积估算：体积＝长x宽x高＝1mx1mx1m＝1立方米假设木箱的材料密度为500千克/立方米，那么物品第一的重量就是1立方米x500千克/立方米＝500千克。通过图像处理和机器学***台使用木材的密度模型，假设为600千克/立方米，根据物品第一的体积和物品第二的材料密度进行重量估算：物品第二重量＝1立方米x600千克/立方米＝600千克。设定了一个重量阈值为100千克。在这种情况下，物品第一和物品第二的重量差异超过了设定的阈值(|500千克-600千克|＝100千克)，因此会生成异常检测数据，并触发相应的警告作业。对于规划好的特定货物运输进行基于图像的评估，从而提供一种动态高效的车载称重管理方法。
本发明中该方法利用车载摄像头进行图像采集，并通过物品数据检测和材料识别的步骤，实现了对载重物品的自动化检测和称重过程，无需人工干预，提高了工作效率。通过物品位置数据和边界数据的提取，结合物品第一体积重量预估和物品材料重量预估，能够较准确地估计出物品的重量，减少了人为误差，提高了称重的准确度。该方法不仅考虑了物品的位置和边界信息，还结合了物品材料的识别，从而综合利用了多种信息源，提升了称重的精度。通过车载称重异常检测生成，可以及时发现并警示称重过程中出现的异常情况，如超载、异常形状等，避免了可能导致事故或损坏的情况。通过自动化和智能化的称重过程，减少了人工参与，降低了工作过程中的危险性和安全隐患，提升了工作安全性。
优选地，步骤S1具体为：
步骤S11：通过车载摄像头进行实时载重物品图像采集，从而得到实时载重物品图像数据；
具体地，例如使用高分辨率、广角的车载摄像头，支持实时图像传输功能。如选用型号为“XYZ-5000”的高清摄像头。
步骤S12：利用预设的动态适应性噪声检测模型对实时载重物品图像数据进行动态去噪处理，从而得到载重物品图像去噪数据；
具体地，例如采用基于卷积神经网络(CNN)的实时噪声检测模型，该模型能够动态适应不同环境下的噪声情况。其中实时噪声检测模型通过历史载重物品图像数据以及相应的噪声标签进行训练，其中训练过程，卷积层采用去噪卷积层进行处理。
具体地，例如利用预设的动态适应性噪声检测模型对实时载重物品图像数据进行噪声检测并去噪作业的实时图像处理过程中，采用反馈机制从噪声检测模型获取噪声强度的估计。根据模型输出的噪声估计，动态调整去噪算法的参数。
步骤S13：对载重物品图像去噪数据进行图像质量评估，从而图像质量评估数据；
具体地，例如利用图像质量评价算法，如峰值信噪比(PSNR)或结构相似性指数(SSIM)，对去噪后的图像进行质量评估。
步骤S14：根据图像质量评估数据对载重物品图像去噪数据进行标记，从而得到载重图片图像数据。
具体地，例如基于预设的阈值，对质量评估数据进行分类，将满足质量标准的图像数据进行标记。如将符合质量标准的图像标记为“优质图像”。
本发明中通过步骤S11，利用车载摄像头实时采集载重物品图像，使得称重过程能够实时监控，确保数据的及时性和准确性。步骤S12中采用了预设的动态适应性噪声检测模型，这意味着***能够自动识别并过滤掉来自摄像头采集的噪声，从而有效提升了图像质量。通过动态去噪处理，步骤S12有助于降低图像中的噪声干扰，使得后续的图像分析和处理更为准确可靠。在步骤S13中，对去噪后的图像进行了质量评估，能够为后续的数据处理提供可靠的基础，确保了最终结果的准确性。通过图像质量评估，步骤S14对去噪后的图像进行标记，对于用于后续的数据分析、模型训练等环节能够提供具有更多维度更加丰富度的数据支持，有助于提高***的自动化处理能力。本发明从图像采集到去噪处理再到图像质量评估，保证了所获得的载重物品图像数据具有高质量、低噪声，从而保障了后续称重过程的精准度和可靠性。
优选地，步骤S12中动态适应性噪声检测模型的构建步骤具体为：
步骤S121：获取标准载重物品图像数据以及对应的噪声标签数据，其中噪声标签数据包括传感器噪声标签数据以及环境噪声标签数据；
具体地，例如使用HighVision 2000摄像头采集一组标准载重物品图像数据，并同时记录传感器噪声和环境噪声的标签数据。如使用HighVision 2000型号的车载摄像头，以30帧/秒的速度采集标准载重物品图像数据，并同时记录传感器噪声和环境噪声的标签数据。例如，对于某一帧图像，传感器噪声为0.5，环境噪声为0.2。
步骤S122：对标准载重物品图像数据进行相似像素图像区域划分，从而得到图像区域划分数据；
具体地，例如采用图像分割算法，如基于区域生长的分割方法，将图像分割成相似的区域，得到图像区域划分数据，其中包括若干个相似的区域，每个区域包含多个像素。
步骤S123：对图像区域划分数据进行频谱转换，从而得到图像区域频谱数据；
具体地，例如应用快速傅里叶变换(FFT)算法对每个图像区域进行频谱转换，得到频域信息。
步骤S124：对图像区域频谱数据进行频域特征提取，从而得到频域特征数据，并对图像区域划分数据进行像素统计特征提取，从而得到像素统计特征数据，其中像素统计特征数据包括像素平均值特征数据、像素方差特征数据以及像素特性特征数据；
具体地，例如对频域数据进行统计学特征提取，如平均值、方差等。同时，对像素统计特征进行计算，包括像素平均值、像素方差等。
步骤S125：利用预设的噪声检测引擎对像素统计特征数据以及频域特征数据进行噪声特性检测，从而得到噪声特性数据；
具体地，例如使用预设的噪声检测算法，对提取的特征数据进行噪声特性检测，得到噪声特性数据。
步骤S126：根据噪声特性数据生成初级噪声提取器；
具体地，例如利用得到的噪声特性数据构建初级噪声提取器，是一个线性模型或者其他噪声模型。
步骤S127：利用初级噪声提取器对标准载重物品图像数据进行噪声数据提取，从而得到图像噪声数据；
具体地，例如将初级噪声提取器应用于标准载重物品图像数据，得到噪声数据。
步骤S128：对图像噪声数据进行自注意力聚类计算，从而得到图像噪声聚类数据；
具体地，例如使用自注意力机制和聚类算法对噪声数据进行聚类，得到聚类数据。
步骤S129：利用图像噪声聚类数据对初级噪声提取器进行参数优化并通过噪声标签数据进行模型构建，从而得到动态适应性噪声检测模型。
具体地，例如通过优化初级噪声提取器的参数，同时利用带有噪声标签的数据进行模型训练，构建动态适应性噪声检测模型。
本发明中通过对图像区域频谱数据和像素统计特征数据的处理，结合预设的噪声检测引擎，实现了对噪声特性的细致检测，从而为后续噪声提取器的构建提供了准确的数据基础。根据噪声特性数据生成初级噪声提取器，使得噪声处理过程具有个性化的特点，能够根据具体的噪声情况进行有效的噪声抑制。利用噪声提取器对标准载重物品图像数据进行噪声数据提取，有效地剔除了来自传感器和环境的噪声，保证了后续处理的数据质量。对噪声聚类数据进行自注意力聚类计算，实现了对噪声的更加精细的聚类，进一步提高了噪声提取的效率和准确性。通过对初级噪声提取器的参数优化和模型构建，形成了动态适应性噪声检测模型，使得噪声检测过程能够根据具体情况自适应地进行调整和优化，保证了噪声处理的效果最大化。
优选地，步骤S122中相似像素图像区域划分的步骤具体为：
步骤S1221：利用预设的图像划分参数数据对标准载重物品图像数据进行图像分割，从而得到区域图像数据；
具体地，例如使用基于区域生长算法对标准载重物品图像进行分割，设置合适的阈值和参数，将图像分割成多个区域。
步骤S1222：对区域图像数据进行纹理特征提取以及颜色特征提取，从而得到区域图像纹理特征数据以及区域图像颜色特征数据；
具体地，例如对每个区域的像素进行纹理特征提取，可以使用灰度共生矩阵(GLCM)等方法。同时，提取颜色特征，例如使用颜色直方图等方法，得到区域图像的纹理和颜色特征数据。
步骤S1223：根据区域图像纹理特征数据以及区域图像颜色特征数据对区域图像数据进行相似度矩阵构建，从而得到相似度矩阵数据；
具体地，例如使用纹理特征和颜色特征计算区域图像之间的相似度，可以采用欧氏距离或其他相似度度量方法，构建相似度矩阵。
步骤S1224：根据相似度矩阵数据对区域图像数据进行区域图像合并，从而得到区域图像合并数据；
具体地，例如利用相似度矩阵进行区域合并，将相似度高于设定阈值的区域进行合并，得到合并后的区域图像数据。
步骤S1225：对区域图像合并数据进行图像区域描述符生成，从而得到图像区域描述符数据；
具体地，例如根据合并后的区域图像数据，提取区域的特征描述符，可以包括形状、纹理等特征，特征描述符的生成方式具体为通过特征提取，生成特征向量，与预设的向量描述阈值比较，从而得到相应的特征描述符。
步骤S1226：根据图像区域描述符数据对区域图像合并数据中的相邻图像数据进行区域关联计算，从而得到区域关联数据；
具体地，例如利用图像区域描述符进行相邻区域的关联计算，可以采用相似度匹配等方法，得到区域间的关联信息。
步骤S1227：根据区域关联数据对区域图像合并数据进行数据标记，从而得到图像区域划分数据。
具体地，例如根据区域关联信息，对合并后的区域进行标记，得到最终的图像区域划分数据。
本发明中通过利用预设的图像划分参数数据，对标准载重物品图像进行分割，得到区域图像数据。这使得图像可以在更加细致的层次上被分割，从而获得更为精确的区域信息。对区域图像数据进行纹理特征和颜色特征的提取，从而得到丰富的区域图像特征数据，有助于后续的相似度计算和区域关联分析。基于区域图像的纹理和颜色特征，构建相似度矩阵，以量化不同区域之间的相似程度，可以在更为准确和可靠的基础上进行区域合并。根据相似度矩阵数据，对区域图像进行合并，实现了对相似区域的进一步精细化合并，提高了合并的准确度。生成图像区域描述符，使得每个区域可以用一个独特的描述符来表征，为后续的区域关联计算提供了基础。基于图像区域描述符数据，进行区域的关联计算，从而精确地确定了不同区域之间的关联关系。通过数据标记，得到了准确的图像区域划分数据，为后续的处理提供了可靠的基础。
优选地，步骤S124中像素特性特征数据通过像素特征计算公式进行计算，其中像素特征计算公式具体为：
F为像素特性特征数据，n为图像区域划分数据的像素数量数据，i为图像区域划分数据的像素序次项数据，f(x,y)为图像区域划分数据中(x,y)处的像素数据，x为图像区域划分数据的像素横坐标数据，y为图像区域划分数据的像素纵坐标数据。
具体地，例如import numpy as np；def pixel_characteristics(image):#假设image是一个二维的灰度图像矩阵dx＝np.gradient(image,axis＝0)#x方向的偏导数dy＝np.gradient(image,axis＝1)#y 方 向 的 偏 导 数 ，sin_term＝np.sqrt(np.sin(np.pi/2*np.arctan(dx**2))) ，cos_term＝np.cos(np.pi/2*np.arctan(dy**2))，feature＝np.log2(1+sin_term*cos_term)，returnnp.mean(feature)，#示例图像数据(假设为灰度图像)image_data＝np.array([[100,150,200],[50,75,100],[25,50,75]])，#计算像素特性特征数据result＝pixel_characteristics(image_data)，print("像素特性特征数据:",result)。
本发明构造了一种像素特征计算公式，该计算公式涵盖了图像梯度和/>的信息，通过傅里叶变换的正弦和余弦分量，综合了图像的幅度和相位信息。通过正弦和余弦函数的组合，公式对图像高频信息的敏感度相对较高，能够提取出图像细节和纹理等特征。公式中使用了梯度信息来计算图像特性，这使得公式能够捕捉到图像的变化率，进而提取出与图像边缘相关的特征。其中F代表像素特性特征数据，也就是通过这个公式计算得到的特定像素位置的特性值。n代表图像区域划分数据的像素数量，它表示在计算特性特征时采样的像素数量。i代表图像区域划分数据的像素序次项，它表示在采样过程中的像素序号。f(x,y)表示图像区域划分数据中位置(x,y)处的像素值，即灰度值。/>和/>分别表示图像在x和y方向上的灰度值变化率，也就是梯度。本发明通过对图像在特定位置的像素值及其梯度进行一系列的数学运算，来获取该位置的特性特征值，以描述该像素位置的某种图像特性，比如局部对比度、纹理信息等，使得公式能够捕捉到图像在特定位置的复杂特性，并将其转化为一个单一的特性值F。
优选地，步骤S2具体为：
步骤S21：对载重物品图像数据进行高维特征提取，从而高维特征数据；
具体地，例如使用预训练的CNN模型(如ResNet、VGG等)对载重图片图像数据进行特征提取。利用卷积层和池化层对图像进行多层次的特征抽取，得到高维特征数据。
步骤S22：对高维特征数据进行感兴趣区域定位，从而感兴趣区域数据；
具体地，例如使用目标检测算法(如Faster R-CNN、YOLO等)对高维特征数据进行感兴趣区域的定位。
步骤S23：对感兴趣区域数据以及高维特征数据进行特征融合，从而得到特征融合数据；
具体地，例如使用融合网络或者特征拼接的方法将高维特征数据与感兴趣区域数据结合起来，得到特征融合数据。
步骤S24：对特征融合数据进行目标检测并进行最小误差非极大值抑制，从而得到目标检测数据；
具体地，例如使用目标检测算法对特征融合数据进行处理，得到目标检测数据。应用最小误差非极大值抑制算法，移除冗余的检测结果，保留最优的目标框。
步骤S25：根据目标检测数据进行物品位置数据生成以及物品边界数据生成，从而得到物品位置数据以及物品边界数据。
具体地，例如从目标检测结果中提取物品的位置信息。可以根据需要，对物品的位置信息进行进一步的处理，如计算物品的中心坐标、长宽等信息，生成物品边界数据。
本发明中通过对载重图片图像数据进行高维特征提取，可以将图像从像素级别抽象到具有更高维度的特征空间中，使得图像数据能够在更抽象的层次上被理解和处理，提高了对物品特征的抽象能力。通过对高维特征数据进行分析和处理，定位感兴趣区域，即在图像中识别出与任务相关的重要区域，这可以减少后续处理的计算量，提高了处理的效率。将高维特征数据与感兴趣区域数据融合，可以综合考虑局部区域和整体特征，从而获得更具代表性和全局性的特征数据，提高了物品识别的准确度。通过对特征融合数据进行目标检测，可以识别出图像中的物品，而非极大值抑制则有效地减少了重复检测和冗余检测，提高了检测的精度和效率。基于目标检测数据，生成物品的位置和边界信息，使得可以精确地定位物品在图像中的位置，并提供了物品的尺寸和形状等信息，为后续的称重提供了准确的数据基础。
优选地，步骤S24中最小误差非极大值抑制为通过最小误差衰减计算公式进行非极大值抑制处理，其中最小误差衰减计算公式具体为：
为最小误差非极大值抑制数据，k为最小误差衰减系数，z为目标框特征参数数据，r为伽马形状参数数据，Γ(r)为伽马数据，u为特征融合数据中的颜色高维特征权重数据，v为特征融合数据中的纹理高维特征权重数据，NMS为初级非极大值抑制数据，/>为衰减速度控制项，IoU为交并比数据，θ为最小误差非极大值抑制严格程度调整项。
具体地，例如一个图像区域划分数据，其中包含了3x3的像素矩阵，如下所示：|10，20，30||15，25，35||5，15，10|，对于这个图像区域划分数据，平台将使用像素特征计算公式来计算像素特性特征数据F。首先，需要计算每个像素点的偏导数，假设使用中心差分法：偏导数偏导数/>得到以下偏导数矩阵：|5，5，10||10，10，20||0，5，10|，将计算每个像素点的arctan和sin、cos：|1.3734，1.3734，1.1071||1.1071，1.1071，0.8761||1.5708，1.3734，1.1071|，/>|0.9837，0.9837，0.8912||0.8912，0.8912，0.7673||1，0.9837，0.8912|，/>|0.1799，0.1799，0.4534||0.4534，0.4534，0.641||0，0.1799，0.4534|，将sin和cos结果相乘，再加上1后取对数：|0.2015，0.2015，0.3687||0.3687，0.3687，0.5251||0.301，0.2015，0.3687|，将所有像素点的结果求平均：F＝(0.2015+0.2015+0.3687+0.3687+0.5251+0.301+0.2015+0.3687)/8≈0.305。对于这个图像区域划分数据，像素特性特征数据F约为0.305，这个数值可以作为该区域的像素特性的一个量化指标。
本发明构造了一种最小误差衰减计算公式，该计算公式通过综合考虑目标框的特征、伽马函数、特征权重以及交并比等因素，对目标框进行最小误差非极大值抑制的处理，保留最具代表性的目标框，剔除冗余的框，从而提高了目标检测的准确性。其中和NNS这两个变量分别代表了经过最小误差非极大值抑制处理前后的数据。经过处理后，保留了最具代表性的目标框，剔除了冗余的框。k最小误差衰减系数，控制着误差的衰减速度，k的值越大，表示误差衰减越快，对应的非极大值抑制会更加严格。z目标框特征参数数据，用于衡量目标框的特征信息。r伽马形状参数数据，影响了伽马函数的形状。Γ(r)伽马函数，这是一个数学函数，它的形状由参数r决定。u和v分别代表了特征融合数据中的颜色高维特征权重和纹理高维特征权重，这两个参数影响了特征在融合过程中的权重分配。NNS初级非极大值抑制数据，包含了初始的目标框信息。IoU交并比数据，用于衡量两个目标框的重叠程度。θ最小误差非极大值抑制严格程度调整项，可以调节抑制的严格度，影响非极大值抑制的松紧程度。
优选地，步骤S3具体为：
步骤S31：根据物品位置数据以及物品边界数据进行体积数据计算，从而得到物品体积数据；
具体地，例如假设物品位置数据为(x,y,z)，物品边界数据为(l,w,h)，其中l表示长度，w表示宽度，h表示高度。则可以使用以下公式来计算物品的体积：体积V＝l*w*h。
步骤S32：根据物品体积数据对载重物品图像数据进行三维构建，从而得到载重物品三维模型；
具体地，例如使用计算机图形学中的建模软件，如Blender、Maya等，通过输入物品的体积数据，生成对应的三维模型。
步骤S33：对载重物品三维模型进行形变特征提取，从而形变特征数据；
具体地，例如将载重物品施加一定的外力，使用有限元分析软件对载重物品进行模拟，得到形变场信息，进而提取形变特征数据。
步骤S34：利用预设的线性回归重量检测模型对载重物品三维模型以及形变特征数据进行物品体积重量预估，从而得到物品第一重量数据。
具体地，例如假设线性回归模型为：重量W＝a*V+b*D，其中，a和b为模型参数，V为体积数据，D为形变特征数据。通过训练模型来确定参数a和b的具体数值。例如，通过收集一系列已知重量的物品的体积数据和形变特征数据，利用线性回归算法来拟合模型，从而得到合适的参数值。
本发明中通过利用物品位置数据和边界数据，可以准确地计算出物品的体积数据，这是精确估算物品重量的重要基础。基于物品的体积数据，可以构建出载重物品的三维模型，使得对物品形状的理解更为直观，为后续的形变特征提取提供了准确的数据基础。对载重物品的三维模型进行形变特征提取，可以捕捉到物品在称重过程中发生的变形信息，这是准确估算物品重量的关键。利用预设的线性回归重量检测模型，结合三维模型和形变特征数据，进行物品体量重量的预估，线性回归模型的使用使得对物品重量的估算更加精准和可靠。
优选地，步骤S4具体为：
步骤S41：根据物品检测数据对载重物品图像数据进行载重物品区域划分，从而得到载重物品区域数据；
具体地，例如以YOLO为例，通过加载预训练的权重和配置文件，利用YOLO算法对图像进行检测，得到物体的位置和边界框信息。
步骤S42：对载重物品区域数据进行聚类计算，从而得到载重物品区域聚类数据；
具体地，例如将物品区域的特征(如位置、大小等)作为输入，使用聚类算法将相似的物品区域归为一类，得到聚类结果。
步骤S43：根据载重物品区域聚类数据对载重物品区域数据进行图像划分，从而得到载重物品划分图像数据，其中载重物品划分图像数据包括载重物品划分子图像数据载重物品、载重物品区域聚类数据以及载重物品区域聚类数据通过预设的映射规则生成的载重物品区域聚类描述数据；
具体地，例如根据聚类结果，将原始图像中的不同区域进行裁剪或分割，得到细分的载重物品成分图像数据。载重物品划分图像数据为具有高度相似性的像素划分的区域数据，可以理解为认为相同材料的图像数据。其中预设的映射规则，将聚类数据转化为一组描述信息。这些描述信息可以包括：物体的形状：例如长方形、正方形、圆形等。物体的尺寸：包括长度、宽度、高度等。物体的材料：比如纸箱、塑料箱等。箱子的颜色：颜色特征提取并转换成文本描述符。物体的材料的映射规则具体为将具有特定颜色和纹理的物体区域映射为“纸箱”；具有另一组颜色和纹理的物体区域映射为“塑料箱”。
具体地，例如利用聚类算法将相似的区域归为一类。这样就可以将相似材料或相似特征的物品分组在一起，形成载重物品划分图像数据，如相似形状或颜色的物品，在邻近程度以及形变成都，划分在同一区域。
步骤S44：对载重物品划分图像数据进行材料识别，从而得到物品材料数据；
具体地，例如利用训练好的材料识别模型，对细分图像数据进行分类，识别出物品的材料信息。其中材料识别模型的构建方式采用机器学习算法进行构建。
步骤S45：根据物品检测数据对物品材料数据进行材料张力以及应力评估优化，从而得到物品材料优化数据；
具体地，例如根据已知的材料特性和物品形状，应用材料力学模型计算材料的张力和应力，进行优化评估。
步骤S46：根据物品材料优化数据进行材料密度计算，从而得到物品第二重量数据；
具体地，例如根据材料密度数据和物品的几何体积，利用密度公式进行计算，得到物品第二的重量数据。
其中步骤S45中材料张力以及应力评估优化的步骤具体为：
步骤S451：对物品检测数据以及物品材料数据进行材料张力分布计算，从而得到物品材料张力分布数据；
具体地，例如在有限元分析软件中建立相应的材料模型，施加相应的载荷，从而得到载重物品的张力分布数据。
步骤S452：根据物品材料张力分布数据进行物品内部应力分布评估，从而得到物品内部应力分布数据；
具体地，例如根据物品的几何形状和受力情况，将张力分布转化为物品内部的应力分布数据。
步骤S453：根据物品内部应力分布数据以及物品材料数据进行物体形变模拟，从而得到物体形变模拟数据；
具体地，例如通过在有限元分析软件中设置相应的材料参数和边界条件，对载重物品进行形变模拟，从而得到形变模拟数据。
步骤S454：根据物体形变模拟数据以及物品检测数据进行相似度计算，从而得到相似度数据；
具体地，例如根据提供的相似度计算公式，将形变模拟数据和物品检测数据代入进行计算，从而得到相似度数据。
步骤S455：根据相似度数据对物品材料数据进行优化，从而得到物品材料优化数据；
具体地，例如使用遗传算法、梯度下降等优化算法，根据相似度数据和材料数据进行迭代优化，从而得到材料优化数据。
其中步骤S454中相似度计算通过物体形变相似度计算公式进行计算，物体形变相似度计算公式具体为：
S为物体形变相似度数据，Δa为物体形变微小位移数据，a0为物体形变初始位置数据，b为物品检测数据中的物体形变前位置数据，a为物品检测数据中的物体形变后位置数据，Q为物体形变模拟数据中的物体形变前位置数据，A为物体形变模拟数据中的物体形变后位置数据，G为物体外部受力数据，g为物体内部应力数据，m为物体形变指数数据。
具体地，例如数据：初始位置数据(a0):10cm，微小位移数据(Δa):0.1cm，物体形变前位置数据(b):8cm，物体形变后位置数据(a):12cm，物体形变前位置数据(Q):7cm，物体形变位置数据(A):13cm，物体外部受力数据(G):50N，物体内部应力数据(g):30N，物体形变指数数据(m):0.5，计算得：S≈0.82。因此，物体形变相似度数据S大约是0.82，表示物体形变后的形状与原始形状的相似程度较高，接近1。
本发明构造了一种物体形变相似度计算公式，该计算公式的作用是通过对形变过程中的物***置和受力情况进行一系列的数学运算，来计算物体形变的相似度，相似度的计算涉及到形变前后的位置变化、外部受力、内部抵抗力等因素的综合影响。其中S代表物体形变相似度数据，也就是通过这个公式计算得到的形变相似度值。Δa代表物体形变的微小位移，表示形变的变化量。a0代表物体形变的初始位置，是形变开始时的位置。b代表物品检测数据中的物体形变前位置数据。a代表物品检测数据中的物体形变后位置数据。Q代表物体形变模拟数据中的物体形变前位置数据。A代表物体形变模拟数据中的物体形变后位置数据。G代表物体外部受力数据。g代表物体内部应力数据。m代表物体形变指数数据。本发明考虑了物体形变前后的位置变化、外部受力和内部抵抗力等因素后，计算出一个形变相似度值，用于评估形变过程中物体的相似程度。
本发明中通过根据物品检测数据对载重物品图像进行区域划分，将图像中的物品区域准确地划分出来，为后续处理提供了准确的区域数据。对划分得到的载重物品区域进行聚类计算，可以将相似的区域归为一类，进一步提炼出载重物品的特征信息。基于聚类结果，对载重物品区域进行进一步的图像划分，得到细分图像数据，其中包括了载重物品的成分数据和位置数据。对细分图像数据进行材料识别，可以准确地辨别出载重物品的材质信息，这是后续材料力学评估的基础。通过对物品检测数据和材料数据进行张力分布计算、内部应力分布评估、物品形变模拟等步骤，可以对物品的材料力学性质进行综合评估和优化，为后续的重量估算提供了准确的物理基础。基于优化后的材料数据，可以准确地计算出物品的密度信息，从而得到物品第二的重量数据。
优选地，本申请还提供了一种基于人工智能的车载称重管理平台，用于执行如上所述的基于人工智能的车载称重管理方法，该基于人工智能的车载称重管理平台包括：
载重物品图像采集模块，用于通过车载摄像头进行实时载重物品图像采集，从而得到载重物品图像数据；
物品数据检测模块，用于对载重物品图像数据进行物品数据检测，从而得到物品检测数据，其中物品检测数据包括物品位置数据以及物品边界数据；
物品体积重量预估模块，用于根据物品位置数据以及物品边界数据进行体积数据计算，从而得到物品体积数据，并利用物品体积数据对载重物品图像数据进行三维模型构建并进行物品体积重量预估，从而得到物品第一重量数据；
物品材料识别模块，用于根据物品检测数据对载重物品图像数据进行物品材料识别，从而得到物品材料数据，并根据物品检测数据以及物品材料数据进行物品材料重量预估，从而得到物品第二重量数据；
车载称重异常检测生成模型，用于根据物品第一重量数据以及物品第二重量数据进行车载称重异常检测生成，从而得到车载称重异常检测数据，以进行车载称重异常警告作业。
通过综合利用图像数据和物品特性数据，可以提高对载重物品的准确识别和称重精度，减少了传统称重方法带来的定点称重造成的延迟问题。采用自动化的物品检测和称重方法，相比传统的人工称重方式，可以大大提高称重速度，降低了人力成本，提升了工作效率。通过利用车载摄像头进行图像采集，相对于传统的传感器装置，成本更低，易于实施和维护。可以同时识别和称重多个物品，提高了处理效率，特别在物流和运输行业中具有重要的应用价值。通过车载称重异常检测，可以实时监测载重情况，一旦发现异常情况，可以及时发出警告，有助于防止潜在的安全问题。通过物品材料识别，可以获取物品的材料信息，有助于后续的物流处理和管理。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附申请文件而不是上述说明限定，因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于人工智能的车载称重管理方法，其特征在于，包括以下步骤：
步骤S1：通过车载摄像头进行实时载重物品图像采集，从而得到载重物品图像数据；
步骤S2：对载重物品图像数据进行物品数据检测，从而得到物品检测数据，其中物品检测数据包括物品位置数据以及物品边界数据；
步骤S3：根据物品位置数据以及物品边界数据进行体积数据计算，从而得到物品体积数据，并利用物品体积数据对载重物品图像数据进行三维模型构建并进行物品体积重量预估，从而得到物品第一重量数据；
步骤S4：根据物品检测数据对载重物品图像数据进行物品材料识别，从而得到物品材料数据，并根据物品检测数据以及物品材料数据进行物品材料重量预估，从而得到物品第二重量数据；
步骤S5：根据物品第一重量数据以及物品第二重量数据进行车载称重异常检测生成，从而得到车载称重异常检测数据，以进行车载称重异常警告作业。
2.根据权利要求1所述的方法，其特征在于，步骤S1具体为：
步骤S11：通过车载摄像头进行实时载重物品图像采集，从而得到实时载重物品图像数据；
步骤S12：利用预设的动态适应性噪声检测模型对实时载重物品图像数据进行动态去噪处理，从而得到载重物品图像去噪数据；
步骤S13：对载重物品图像去噪数据进行图像质量评估，从而图像质量评估数据；
步骤S14：根据图像质量评估数据对载重物品图像去噪数据进行标记，从而得到载重图片图像数据。
3.根据权利要求2所述的方法，其特征在于，步骤S12中动态适应性噪声检测模型的构建步骤具体为：
步骤S121：获取标准载重物品图像数据以及对应的噪声标签数据，其中噪声标签数据包括传感器噪声标签数据以及环境噪声标签数据；
步骤S122：对标准载重物品图像数据进行相似像素图像区域划分，从而得到图像区域划分数据；
步骤S123：对图像区域划分数据进行频谱转换，从而得到图像区域频谱数据；
步骤S124：对图像区域频谱数据进行频域特征提取，从而得到频域特征数据，并对图像区域划分数据进行像素统计特征提取，从而得到像素统计特征数据，其中像素统计特征数据包括像素平均值特征数据、像素方差特征数据以及像素特性特征数据；
步骤S125：利用预设的噪声检测引擎对像素统计特征数据以及频域特征数据进行噪声特性检测，从而得到噪声特性数据；
步骤S126：根据噪声特性数据生成初级噪声提取器；
步骤S127：利用初级噪声提取器对标准载重物品图像数据进行噪声数据提取，从而得到图像噪声数据；
步骤S128：对图像噪声数据进行自注意力聚类计算，从而得到图像噪声聚类数据；
步骤S129：利用图像噪声聚类数据对初级噪声提取器进行参数优化并通过噪声标签数据进行模型构建，从而得到动态适应性噪声检测模型。
4.根据权利要求3所述的方法，其特征在于，步骤S122中相似像素图像区域划分的步骤具体为：
步骤S1221：利用预设的图像划分参数数据对标准载重物品图像数据进行图像分割，从而得到区域图像数据；
步骤S1222：对区域图像数据进行纹理特征提取以及颜色特征提取，从而得到区域图像纹理特征数据以及区域图像颜色特征数据；
步骤S1223：根据区域图像纹理特征数据以及区域图像颜色特征数据对区域图像数据进行相似度矩阵构建，从而得到相似度矩阵数据；
步骤S1224：根据相似度矩阵数据对区域图像数据进行区域图像合并，从而得到区域图像合并数据；
步骤S1225：对区域图像合并数据进行图像区域描述符生成，从而得到图像区域描述符数据；
步骤S1226：根据图像区域描述符数据对区域图像合并数据中的相邻图像数据进行区域关联计算，从而得到区域关联数据；
步骤S1227：根据区域关联数据对区域图像合并数据进行数据标记，从而得到图像区域划分数据。
5.根据权利要求3所述的方法，其特征在于，步骤S124中像素特性特征数据通过像素特征计算公式进行计算，其中像素特征计算公式具体为：
F为像素特性特征数据，n为图像区域划分数据的像素数量数据，i为图像区域划分数据的像素序次项数据，f(x,y)为图像区域划分数据中(x,y)处的像素数据，x为图像区域划分数据的像素横坐标数据，y为图像区域划分数据的像素纵坐标数据。
6.根据权利要求1所述的方法，其特征在于，步骤S2具体为：
步骤S21：对载重物品图像数据进行高维特征提取，从而高维特征数据；
步骤S22：对高维特征数据进行感兴趣区域定位，从而感兴趣区域数据；
步骤S23：对感兴趣区域数据以及高维特征数据进行特征融合，从而得到特征融合数据；
步骤S24：对特征融合数据进行目标检测并进行最小误差非极大值抑制，从而得到目标检测数据；
步骤S25：根据目标检测数据进行物品位置数据生成以及物品边界数据生成，从而得到物品位置数据以及物品边界数据。
7.根据权利要求6所述的方法，其特征在于，步骤S24中最小误差非极大值抑制为通过最小误差衰减计算公式进行非极大值抑制处理，其中最小误差衰减计算公式具体为：
为最小误差非极大值抑制数据，k为最小误差衰减系数，z为目标框特征参数数据，r为伽马形状参数数据，Γ(r)为伽马数据，u为特征融合数据中的颜色高维特征权重数据，v为特征融合数据中的纹理高维特征权重数据，NMS为初级非极大值抑制数据，/>为衰减速度控制项，IoU为交并比数据，θ为最小误差非极大值抑制严格程度调整项。
8.根据权利要求1所述的方法，其特征在于，步骤S3具体为：
步骤S31：根据物品位置数据以及物品边界数据进行体积数据计算，从而得到物品体积数据；
步骤S32：根据物品体积数据对载重物品图像数据进行三维构建，从而得到载重物品三维模型；
步骤S33：对载重物品三维模型进行形变特征提取，从而形变特征数据；
步骤S34：利用预设的线性回归重量检测模型对载重物品三维模型以及形变特征数据进行物品体积重量预估，从而得到物品第一重量数据。
9.根据权利要求1所述的方法，其特征在于，步骤S4具体为：
步骤S41：根据物品检测数据对载重物品图像数据进行载重物品区域划分，从而得到载重物品区域数据；
步骤S42：对载重物品区域数据进行聚类计算，从而得到载重物品区域聚类数据；
步骤S43：根据载重物品区域聚类数据对载重物品区域数据进行图像划分，从而得到载重物品划分图像数据，其中载重物品划分图像数据包括载重物品划分子图像数据载重物品、载重物品区域聚类数据以及载重物品区域聚类数据通过预设的映射规则生成的载重物品区域聚类描述数据；
步骤S44：对载重物品划分图像数据进行材料识别，从而得到物品材料数据；
步骤S45：根据物品检测数据对物品材料数据进行材料张力以及应力评估优化，从而得到物品材料优化数据；
步骤S46：根据物品材料优化数据进行材料密度计算，从而得到物品第二重量数据；
其中步骤S45中材料张力以及应力评估优化的步骤具体为：
步骤S451：对物品检测数据以及物品材料数据进行材料张力分布计算，从而得到物品材料张力分布数据；
步骤S452：根据物品材料张力分布数据进行物品内部应力分布评估，从而得到物品内部应力分布数据；
步骤S453：根据物品内部应力分布数据以及物品材料数据进行物体形变模拟，从而得到物体形变模拟数据；
步骤S454：根据物体形变模拟数据以及物品检测数据进行相似度计算，从而得到相似度数据；
步骤S455：根据相似度数据对物品材料数据进行优化，从而得到物品材料优化数据；
其中步骤S454中相似度计算通过物体形变相似度计算公式进行计算，物体形变相似度计算公式具体为：
S为物体形变相似度数据，Δa为物体形变微小位移数据，a0为物体形变初始位置数据，b为物品检测数据中的物体形变前位置数据，a为物品检测数据中的物体形变后位置数据，Q为物体形变模拟数据中的物体形变前位置数据，A为物体形变模拟数据中的物体形变后位置数据，G为物体外部受力数据，g为物体内部应力数据，m为物体形变指数数据。
10.一种基于人工智能的车载称重管理平台，其特征在于，用于执行如权利要求1所述的基于人工智能的车载称重管理方法，该基于人工智能的车载称重管理平台包括：
载重物品图像采集模块，用于通过车载摄像头进行实时载重物品图像采集，从而得到载重物品图像数据；
物品数据检测模块，用于对载重物品图像数据进行物品数据检测，从而得到物品检测数据，其中物品检测数据包括物品位置数据以及物品边界数据；
物品体积重量预估模块，用于根据物品位置数据以及物品边界数据进行体积数据计算，从而得到物品体积数据，并利用物品体积数据对载重物品图像数据进行三维模型构建并进行物品体积重量预估，从而得到物品第一重量数据；
物品材料识别模块，用于根据物品检测数据对载重物品图像数据进行物品材料识别，从而得到物品材料数据，并根据物品检测数据以及物品材料数据进行物品材料重量预估，从而得到物品第二重量数据；
车载称重异常检测生成模型，用于根据物品第一重量数据以及物品第二重量数据进行车载称重异常检测生成，从而得到车载称重异常检测数据，以进行车载称重异常警告作业。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311815795.7A CN117788871A (zh) | 2023-12-26 | 2023-12-26 | 一种基于人工智能的车载称重管理方法及平台 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311815795.7A CN117788871A (zh) | 2023-12-26 | 2023-12-26 | 一种基于人工智能的车载称重管理方法及平台 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117788871A true CN117788871A (zh) | 2024-03-29 |
Family
ID=90388713
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311815795.7A Pending CN117788871A (zh) | 2023-12-26 | 2023-12-26 | 一种基于人工智能的车载称重管理方法及平台 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117788871A (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019196131A1 (zh) * | 2018-04-12 | 2019-10-17 | 广州飒特红外股份有限公司 | 面向车载热成像行人检测的感兴趣区域过滤方法和装置 |
| CN111426368A (zh) * | 2020-04-23 | 2020-07-17 | 广州市甬利格宝信息科技有限责任公司 | 一种汽车载重的移动称重测量方法 |
| WO2020181685A1 (zh) * | 2019-03-12 | 2020-09-17 | 南京邮电大学 | 一种基于深度学习的车载视频目标检测方法 |
| AU2020102091A4 (en) * | 2019-10-17 | 2020-10-08 | Wuhan University Of Science And Technology | Intelligent steel slag detection method and system based on convolutional neural network |
| CN112964345A (zh) * | 2021-02-07 | 2021-06-15 | 广东电子工业研究院有限公司 | 一种货运汽车称重***及其称重方法 |
| CN114022537A (zh) * | 2021-10-29 | 2022-02-08 | 浙江东鼎电子股份有限公司 | 一种用于动态称重区域车辆装载率和偏载率分析方法 |
| KR102425437B1 (ko) * | 2021-10-13 | 2022-07-27 | (주)유디엔에스 | 적재물 자동 식별 기능을 구비하는 고정식 축중기 |
| FR3122941A3 (fr) * | 2021-05-11 | 2022-11-18 | Anhui University Of Science & Technology | Système et méthode de calcul du volume et de la masse d’un tas de matériaux basés sur la technologie de reconnaissance d’image |
| US20230130765A1 (en) * | 2021-10-21 | 2023-04-27 | Zhejiang Feidi Motors Co., Ltd | Method for Detecting the Load Mass of Commercial Vehicle |
| CN116718255A (zh) * | 2023-06-06 | 2023-09-08 | 新疆成业建设集团有限公司 | 智能土石方运量称重*** |
| CN117011477A (zh) * | 2023-10-07 | 2023-11-07 | 南通杰蕾机械有限公司 | 一种基于bim的钢结构形变监测处理方法及*** |
| CN117006953A (zh) * | 2023-07-06 | 2023-11-07 | 智慧互通科技股份有限公司 | 一种车辆超载检测预警方法及*** |
-
2023
- 2023-12-26 CN CN202311815795.7A patent/CN117788871A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019196131A1 (zh) * | 2018-04-12 | 2019-10-17 | 广州飒特红外股份有限公司 | 面向车载热成像行人检测的感兴趣区域过滤方法和装置 |
| WO2020181685A1 (zh) * | 2019-03-12 | 2020-09-17 | 南京邮电大学 | 一种基于深度学习的车载视频目标检测方法 |
| AU2020102091A4 (en) * | 2019-10-17 | 2020-10-08 | Wuhan University Of Science And Technology | Intelligent steel slag detection method and system based on convolutional neural network |
| CN111426368A (zh) * | 2020-04-23 | 2020-07-17 | 广州市甬利格宝信息科技有限责任公司 | 一种汽车载重的移动称重测量方法 |
| CN112964345A (zh) * | 2021-02-07 | 2021-06-15 | 广东电子工业研究院有限公司 | 一种货运汽车称重***及其称重方法 |
| FR3122941A3 (fr) * | 2021-05-11 | 2022-11-18 | Anhui University Of Science & Technology | Système et méthode de calcul du volume et de la masse d’un tas de matériaux basés sur la technologie de reconnaissance d’image |
| KR102425437B1 (ko) * | 2021-10-13 | 2022-07-27 | (주)유디엔에스 | 적재물 자동 식별 기능을 구비하는 고정식 축중기 |
| US20230130765A1 (en) * | 2021-10-21 | 2023-04-27 | Zhejiang Feidi Motors Co., Ltd | Method for Detecting the Load Mass of Commercial Vehicle |
| CN114022537A (zh) * | 2021-10-29 | 2022-02-08 | 浙江东鼎电子股份有限公司 | 一种用于动态称重区域车辆装载率和偏载率分析方法 |
| CN116718255A (zh) * | 2023-06-06 | 2023-09-08 | 新疆成业建设集团有限公司 | 智能土石方运量称重*** |
| CN117006953A (zh) * | 2023-07-06 | 2023-11-07 | 智慧互通科技股份有限公司 | 一种车辆超载检测预警方法及*** |
| CN117011477A (zh) * | 2023-10-07 | 2023-11-07 | 南通杰蕾机械有限公司 | 一种基于bim的钢结构形变监测处理方法及*** |
Non-Patent Citations (7)
| Title |
|---|
| SIVARAMALINGAM KIRUSHANTH: "Design and Development of Weigh-In-Motion Using Vehicular Telematics", 《JOURNAL OF SENSORS》, 4 April 2020 (2020-04-04) * |
| 吴培良;刘海东;孔令富;: "一种基于丰富视觉信息学习的3D场景物体标注算法", 小型微型计算机***, no. 01, 15 January 2017 (2017-01-15) * |
| 周晓萍;: "高低频噪声区分滤除的车辆载重动态测量方法", 机械设计与制造, no. 09, 8 September 2020 (2020-09-08) * |
| 潘文辉: "WIM车辆动态称重***的设计与实现", 《工程科技Ⅱ辑》, 15 March 2016 (2016-03-15) * |
| 袁娜;宋伟刚;姜涛;: "散状物料输送机称重的图像处理方法初步研究", 煤矿机械, no. 12, 15 December 2007 (2007-12-15) * |
| 谭松;李唯一;韩强;: "基于计算机视觉的车载钢轨光带异常检测***研制", 铁道建筑, no. 02, 20 February 2016 (2016-02-20) * |
| 陈亮杰;王飞;王梨;王林;: "基于SSD的仓储物体检测算法研究", 软件导刊, no. 04, 25 March 2019 (2019-03-25) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107481292B (zh) | 车载摄像头的姿态误差估计方法和装置 | |
| JP4603512B2 (ja) | 異常領域検出装置および異常領域検出方法 | |
| CN111626277B (zh) | 一种基于治超站交调指标分析的车辆跟踪方法及装置 | |
| CN112749616B (zh) | 点云数据的多域邻域嵌入和加权 | |
| CN114820465A (zh) | 点云检测模型训练方法、装置、电子设备及存储介质 | |
| JP4728444B2 (ja) | 異常領域検出装置および異常領域検出方法 | |
| CN111191629A (zh) | 一种基于多目标的图像能见度检测方法 | |
| CN111735523A (zh) | 基于视频识别的车重检测方法、装置及存储介质 | |
| CN103810704A (zh) | 基于支持向量机和判别随机场的sar图像变化检测方法 | |
| CN110197185B (zh) | 一种基于尺度不变特征变换算法监测桥下空间的方法和*** | |
| CN111735524A (zh) | 基于图像识别的轮胎荷载获取方法、车辆称重方法及*** | |
| CN113689374A (zh) | 一种植物叶片表面粗糙度确定方法及*** | |
| CN110555832A (zh) | 一种基于机器视觉的汽车发动机连杆质量多参数检测方法，***，设备及存储介质 | |
| CN103514599B (zh) | 一种基于邻域总变分的影像最佳分割尺度选择方法 | |
| CN112906816A (zh) | 基于光微分与双通道神经网络的目标检测方法和装置 | |
| Touati et al. | A new change detector in heterogeneous remote sensing imagery | |
| CN115294541A (zh) | 一种局部特征增强Transformer道路裂缝检测方法 | |
| Asif et al. | An active contour and kalman filter for underwater target tracking and navigation | |
| CN116703895B (zh) | 基于生成对抗网络的小样本3d视觉检测方法及其*** | |
| CN111611858B (zh) | 一种基于多角度判别的倾轧轨迹面自动检测方法和装置 | |
| CN113281718A (zh) | 一种基于激光雷达场景流估计的3d多目标跟踪***及方法 | |
| CN117788871A (zh) | 一种基于人工智能的车载称重管理方法及平台 | |
| CN108229562B (zh) | 一种得到路面具体破损分类情况的方法 | |
| CN113392695B (zh) | 一种公路货车及其轮轴识别方法 | |
| Li et al. | Vehicle seat detection based on improved RANSAC-SURF algorithm |
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 |