CN103150774A - 一种高速公路绿色通道车辆鉴别系统和方法 - Google Patents
一种高速公路绿色通道车辆鉴别系统和方法 Download PDFInfo
- Publication number
- CN103150774A CN103150774A CN201310071973XA CN201310071973A CN103150774A CN 103150774 A CN103150774 A CN 103150774A CN 201310071973X A CN201310071973X A CN 201310071973XA CN 201310071973 A CN201310071973 A CN 201310071973A CN 103150774 A CN103150774 A CN 103150774A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- green
- green channel
- chamber
- traffic
- 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.)
- Granted
Links
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种多特征融合的高速公路绿色通道车辆鉴别系统与方法,属于车载货物检测领域,具体涉及一种高速公路绿色通道车辆鉴别系统和与其对应的鉴别方法。本发明公布的高速公路绿色通道车辆鉴别系统与方法包括车辆动态称重系统,基本数据采集室,X射线发生器,X射线探测器,车辆感应器,灰度数据采集室,中心控制室。基本数据采集室具有利用有偏的一类模式识别方法进行初步鉴别的功能;灰度数据采集室具有利用无偏的两类模式识别方法进行多特征融合的绿通车辆鉴别功能。本发明缓解了绿通车辆远远多于非绿通车辆的样本不均衡问题,同时具有操作简单、安全性和准确性高的优点。
Description
技术领域
本发明属于车载货物检测领域,具体涉及一种多特征融合的高速公路绿色通道车辆鉴别系统和与其对应的鉴别方法。
背景技术
交通部门从2005年开始按照国务院的统一部署开展了高速公路绿色通道的建设工作。根据国家相关政策规定,整车(达到该货车核定载重量或装载容量在80%以上的按整车计算)装载鲜活农产品的车辆可以使用绿色通道通过高速公路的收费站,管理部门对符合绿色通道要求的车辆免收通行费。高速公路绿色通道可以有效保证鲜活农产品流通渠道畅通,促进农村经济发展。
公路管理部门传统上是依靠人工方法进行高速公路绿色通道车辆的检查。这种人工检查的速度较慢,容易造成车辆拥堵。另外,由于货车体积较大,检查人员很难对货物进行全面的精确检查。而且,人工检查极易导致岗位贪腐的发生。高速公路绿色通道的管理存在诸多技术问题,使得部分非绿通车辆蒙混过关,给国家财政造成了相当大的损失。具体表现为:不法运输车辆将非绿通货物夹藏在绿通货物中,伪装成绿通车辆;或者空车返程时运输很少一部分蔬菜,充当鲜活农产品车辆。这严重影响了高速公路绿色通道政策的贯彻执行,破坏了运输市场的公平性,不利于运输市场的正常良性发展。
目前,陆续有专家研发了各种绿色通道车辆自动检查系统。例如,专利CN101840003A公开了一种针对金属违禁品的绿色通道敞篷车雷达检测方法,该方法利用雷达波成像的原理成敞篷车内的货物进行扫描,然后利用回波数据生成车内货物的轮框图像。该专利所公布的系统仅对敞篷车有效,而不适合于对北方地区冬季使用的厢式车自动检查。专利CN101532968A公布了一种绿色通道车辆检查系统,该系统将射线源和射线探测器固定在一定的位置,射线源在第一象限的60度角范围内进行扫描,利用射线探测器接收到的射线强度对车内货物进行自动检测。该专利公布检查系统需要固定射线源和接收器的位置,因此,接收器空载时各点获得的射线强度数据就会呈非均匀的分布。这种非均匀空载射线强度会给后期货车的自动检查带来一定的偏差,成为干扰检查精度的一个难以避免的因素。另外,专利CN102508313A公布了一种“检测运输工具的方法和系统”,该专利利用辐射源对车辆进行扫描,然后根据射线探测器接收到的穿透射线的强度建立灰度曲线,最后根据不同灰度阈值来判断车辆所载货物的类型。该专利所采用的辐射射线源具有一定的潜在安全隐患,单一的维度特征会对检查的准确率带来负面的影响。
发明内容
本发明要解决的技术问题是一种多特征融合的高速公路绿色通道车辆鉴别系统与方法,能够有效的识别绿通车辆和非绿通车辆,同时具有操作简单、效率高、安全性和准确性高的优点,还具有缓解了绿通车辆远远多于非绿通车辆的样本不均衡问题。
一种多特征融合的高速公路绿色通道车辆鉴别系统,车辆动态称重系统、基本数据采集室、X射线发生器、车辆感应器和灰度数据采集室沿着所述车辆行驶方向依次排列;X射线发生器和X射线探测器相对设置,分别位于绿色通道的两侧;基本数据采集室通过数据线连接到中心控制室,还通过数据线将数据传送到灰度数据采集室,灰度数据采集室通过数据线连接到中心控制室。
作为一种优选,车辆动态称重系统与基本数据采集室相距30米,基本数据采集室与X射线发生器相距35米,X射线发生器的下边缘与车辆感应器相距0.4米,车辆感应器与灰度数据采集室相距35米。
车辆感应器采用单通道智能环路感应器。
作为一种优选,中心控制室能够随时关闭X射线发生器和X射线探测器。
一种多特征融合的高速公路绿色通道车辆鉴别方法,步骤一:车辆以每小时5-10公里的车速驶入绿色通道,当车辆驶过车辆动态称重系统时,采集车辆的整车载重量以及各车轴的重量分布值,并将数据传输至基本数据采集室;步骤二:采集车辆的车号牌、车型、车轴数、报关货物类型、前置入关时间和前置入关地点的信息,所述信息和动态称重系统提供的整车载重量和各车轴的重量分布值形成集合,基本数据采集室利用所述集合进行绿色通道车辆的初步鉴别,选择高斯核函数作为支持向量数据描述器的核函数,因此,初步鉴别公式为:
其中,k(x,y)=exp(-||x-y||2/2σ2),σ=0.02,αi,αj是拉格朗日系数,i,j∈{1,2,…,N},N是样本数目,xi,xj是集合中的元素,当测试样本z到超球中心a的距离小于或者等于R时测试样本被鉴别为绿通车辆,否则鉴别为非绿通车辆;R初始值为1;若初步鉴别为非绿通车辆,则进行后续的灰度数据采集;否则,初步鉴别为绿通车辆,则予以放行,不必再进行后续的灰度数据采集;步骤三:如果初步鉴别为非绿通车辆,则车辆感应器检测到车辆的位置,根据车辆的位置开启或者关闭触发X射线发生器和X射线探测器;步骤四:灰度数据采集室采用高斯径向基神经网络作为识别方法,识别公式为:
其中表示第j个隐节点与输出单元之间的连接权重,是高斯径向基函数,所述集合融合灰度采集室采集的灰度形成具有9个属性的新集合,其中x为新集合中的元素;c为径向基函数的中心;σ为隐节点的宽度;若f(x)>0,则测试样本为非绿通车辆,则进行人工查验;反之,若f(x)≤0,则测试样本为绿通车辆,对该车辆予以放行。
作为一种优选,步骤二中的初步鉴别通过检查员对判别结果的反馈,自动记录假阳性样本或者假阴性样本,当这两类样本的判别错误数累计至10的时候,自动对当前超球的半径进行自适应的调整。
作为一种优选,步骤四中的识别方法通过检查员对判别结果的反馈,自动记录假阳性样本或者假阴性样本,当这两类样本的判别错误数累计至10的时候,将这10条新的误判样本加入所述集合,并从原集合中去除判别置信度最大的前10条样本,以保持集合的规模固定不变。
作为一种优选,自适应调整规则为:
R=e+R0/e-其中,假阳样本的条数为e+,假阴性样本的条数为e-;R为超球半径,R0为当前超球的半径,该值的初始值取为1.0,随着运行R被自适应地调整。
有益的效果:
本发明的有益之处在于通过多种特征的融合可以更加准确、高效地对经过高速公路绿色通道的车辆进行鉴别,缓解了绿通车辆远远多于非绿通车辆的样本不均衡问题,同时具有操作简单、安全性和准确性高的优点。应用于高速公路绿色通道的运行管理中能够提高绿色鲜活农产品通关了效率,确保绿色鲜活农产品及时运达目的地以方便人民大众的日常生活;同时,极大地防范非绿通车辆蒙混过关事件的发生,为国家减少经济损失。
附图说明
图1是本发明优选实施例的高速公路绿色通道车辆鉴别系统;
图2是本发明优选实施例的工作流程图;
具体实施例
本发明专利公布的多特征融合的高速公路绿色通道车辆鉴别系统如图1所示,具体包括5部分,其中:车辆动态称重系统101,基本数据采集室102,X射线发生器103,X射线探测器104,车辆感应器105,灰度数据采集室106,中心控制室107,其中,车辆动态称重系统101、基本数据采集室102、X射线发生器103、车辆感应器105和灰度数据采集室106沿着车辆行驶方向依次排列,X射线发生器103和X射线探测器104相对设置,分别位于检测通道的两侧。各部件之间通过数据线或者视频线相连,具体地:车辆动态称重系统101与基本数据采集室102通过数据线相连,车辆动态称重系统101采集的信息传输给基本数据采集室102;基本数据采集室102采集的信息传输给灰度数据采集室106;X射线发生器103通过数据线控制X射线探测器104的启动和停止;车辆感应器105通过数据线控制X射线发生器103的启动;X射线探测器104采集的信息传输给灰度数据采集室106;基本数据采集室102、X射线发生器103、车辆感应器105和灰度数据采集室106把自身采集的信息和其前述节点采集的信息通过数据线汇总传输给中心控制室107。来自入关方向的待检测车辆依次从车辆动态称重系统101行驶至灰度数据采集室106;中心控制室107最为中心控制部件可以布置于判别系统之外,以确保数据与设备更加安全。
工作流程如图2所示。首先是待检车辆按照行使速度的要求,以每小时5-10公里的车速驶入绿色通道车辆鉴别系统所在的车道。当车辆驶过车辆动态称重系统101时,采集车辆的整车载重量以及各轴的重量分布值,并将数据传输至基本数据采集室102。当车辆驶离车辆动态称重系统101后,驻车在基本数据采集室102,司机向工作人员出示通关文件。收费站工作人员根据司机提供的通关文件,采集并核实车辆的基本信息,包括:车号牌、车型、车轴数、报关货物类型、前置入关时间和前置入关地点等信息。基本数据采集室102利用所采集的信息和动态称重系统提供的整车重和各轴的重量分布值属性信息进行绿色通道车辆的初步鉴别。若初步鉴别为非绿通车辆,则进行后续的灰度数据采集;否则,初步鉴别为绿通车辆,则予以放行,不必再进行后续的灰度数据采集。初步鉴别车辆采用的是对非绿通车辆敏感的一类模式识别方法,即对非绿通车是有偏的鉴别。因此,实现该初步鉴别的模式识别方法时,可适当放松该模式识别方法的第一类错误率,以此来提高对非绿通车辆的检出率。特别地,在本实施例中,我们采用支持向量数据描述器作为所选的一类模式识别方法。
传统的模式识别问题不同,在一类模式识别问题中,目标样本集合容易给出,而非目标类样本集合不易给出。与此对应的,在本申请中,绿通车容易给出,这类样本占绝大部分的比例;而非绿通车(即违规车辆)不容易给出,只占可收集样本的很小一部分比例。
支持向量描述器的核心思想是通过训练样本将所关注的样本空间压缩映射到一个尽可能小的超球内,然后在实际应用时将超球内部的样本判别为所关注的类型。对于本实施例来说,由于与绿通车的数量相比非绿通车的数量较少,因此初步鉴别时,我们将绿通车视为所关注的样本。在实际操作中,使用者需要在覆盖的样本数和覆盖球的半径之间进行折中的选择。具体地,本实施例选择车号牌、车型、车轴数、报关货物类型、前置入关时间和前置入关地点、整车重和各轴重量分布作为原始属性。作为一种优选,由于各轴重量分布的数值个数随车轴数的变化而变化,因此,作为初步鉴别的属性,这里为了融合各轴车重差异的因素,本实施例将各轴重量分布变化成轴重的方差,然后作为初步鉴别的属性提供给支持向量数据描述器。如此,本实施例在初步鉴别中共计设置了8个属性。其中车牌号、入关时间、入关地点3个属性的加入有助于多特征融合的高速公路绿色通道车辆鉴别方法利用绿通与非绿通车辆违规信息的周期性,从而更加符合实际高速公路的货物流通规律。
F(R,a)=R2 (1)
即将绿通车的样本空间压缩到||x-a||2≤R2的超球内,a为超球中心,在本实施例中,超球的半径R初始为1.0。对于测试样本z来说,当它到超球中心的距离满足小于或等于超球体的半径时,即
测试样本z被接受,认为属于目标类样本,即属于绿通车辆;否则,判定它为非目标类样本,即为非绿通车辆。为了更好地将样本映射到特征空间,本实施例中,选择高斯核函数作为支持向量数据描述器的核函数,因此,(2)式可变换为:
其中,k(x,y)=exp(-||x-y||2/2σ2),σ=0.02。αi,αj是拉格朗日系数,作为一种优选,αi,αj是模型训练后的拉格朗日系数;i,j∈{1,2,…,N},N是样本数目,xi,xj是集合中的元素,当测试样本z到超球中心的距离小于或者等于1.0时测试样本被鉴别为绿通车辆,否则鉴别为非绿通车辆。
初步鉴别部分的自适应控制体现在:初步鉴别系统通过检查员对系统判别结果的反馈,自动记录假阳性样本或者假阴性样本。记假阳样本的条数为e+,假阴性样本的条数为e-。当这两类样本的判别错误数累计至10条样本(即e++e-=10)的时候,系统自动对当前超球的半径进行自适应的调整。调整规则为:
R=e+R0/e- (4)
其中R0为当前超球的半径,在系统运行之初,该值取为1.0,随着系统的运行该值R被自适应地调整。若初步鉴别为非绿通车辆,待检车辆再次以每小时5-10公里的车速驶向X射线发生器103和X射线探测器104。
当车辆感应器105检测到车辆的驾驶室已经驶离X射线发生器103的射线范围时,车辆感应器105发送指令,触发X射线发生器103和X射线探测器104进入工作状态;当车辆感应器105检测到车辆的车厢完全驶离X射线发生器103的射线范围时,车辆感应器105发送指令,触发X射线发生器103和X射线探测器104进入休眠状态。为了确保车辆感应器105更加准确安全地对车辆与X射线发生器103的相对位置进行判断,本发明采用了冗余的方式来提升系统的安全性,即在车辆感应器105的垂向设置多个型号完全相同的车辆感应器。当X射线发生器103和]X射线探测器104接收到60%以上个数的车辆感应器105所发出的驾驶室已经驶离X射线发生器103的射线范围时,X射线发生器103和X射线探测器104方可进入工作状态;当X射线发生器103和X射线探测器104接收到任一车辆感应器105所发出的车厢完全驶离X射线发生器103的射线范围的信号时,X射线发生器103和X射线探测器104即须由工作状态转入休眠状态。灰度数据采集室106接收X射线探测器104的数据,形成车厢内所载货物的灰度图像,同时获取当前图像的灰度分布。灰度数据采集室106具有实行多特征融合的高速公路绿色通道车辆鉴别方法的功能。
如果灰度数据采集室106通过多特征融合的高速公路绿色通道车辆鉴别方法判断该车为非绿通车辆,则进行人工查验,以进一步确认是否为违规货物的类型和数量,并对该车辆实施管理措施;如果灰度数据采集室106通过多特征融合的高速公路绿色通道车辆鉴别方法判断该车为绿通车辆,则对该车辆予以放行。与基本数据采集室102所执行的初步鉴别方法不同,灰度数据采集室106执行的多特征融合的高速公路绿色通道车辆鉴别方法对绿通和非绿通两类车辆都要进行无偏的鉴别。因此,需要使用两类模式识别方法来完成多特征融合的高速公路绿色通道车辆鉴别任务。特别地,本实施例采用高斯径向基神经网络作为识别绿通和非绿通车辆的两类模式识别方法。在训练两类模式识别模型时需要从训练样本中去除初步鉴别为绿通车辆的样本。本实施例使用初步鉴别的8个特征再融合灰度采集室采集的灰度特征作为多特征融合的两类模式识别方法的属性,因此,在该阶段共计有包括灰度特征在内的9个属性,两类模式识别方法的输入维数是9维。具体地,选择9×16×1的3层结构高斯径向基神经网络来进行两类模式的识别。如前所述,高斯径向基函数的形式如下:
其中x为新集合中的元素,是9维输入矢量;c为径向基函数的中心,将由聚类算法确定;σ为隐节点的宽度,本实施例中取高斯径向基函数的隐节点宽度为σ=0.1。令绿通车样本的类标为-1,非绿通车样本的类标为+1。收集正负类样本各1000例,利用k均值聚类算法对训练样本进行聚类以获得径向基函数的中心,这里中心的数目选取为16;作为一种优选,聚类算法可以使用常用的K-MEANS算法就能够得到比较好的效果,但不限于该算法,其他的例如K-MEDOIDS算法等,也能够实现好效果。然后使用最小二乘法确定径向基函数神经网络隐层至输出层的权值。输出单元对隐节点的输出进行线性加权组合,并增加一个偏移量令则训练后的径向基神经网络具有如下的形式:
类似地,多特征融合鉴别的自适应控制体现在:判别系统通过检查员对系统判别结果的反馈,自动记录假阳性样本或者假阴性样本,当这两类样本的判别错误数累计至10条样本的时候,系统自动将这10条新的误判样本加入训练集合,并从原训练集合中去除判别置信度最大的前10条样本,以保持训练集的规模固定不变。
中心控制室107能够监控多特征融合的高速公路绿色通道车辆鉴别系统的全部工作环节,作为一种优选,中心控制室107并能够根据多特征融合的高速公路绿色通道车辆鉴别系统的整体运行情况随时终止X射线发生器103和X射线探测器104的工作进程,以便对X射线发生器103给予安全保护。本发明具有操作简单、安全性和准确性高的优点。
作为进一步的优选实施例,车辆动态称重系统101采用了窄条传感式称重系统,该称重系统具有称量精度高、使用寿命长、无需排水、免维护和施工周期短的特点。为了适应高速公路收费口空间的限制,基本数据采集室102配置了ThinkCentre M7101z的一体机,该机能够很好地支持基本数据采集室102的绿通车辆初步鉴别软件。X射线发生器103采用了HS-XY型移动式X射线探伤机,与之对应地X射线探测器104也采用了该厂的产品。车辆感应器105采用了CE-L02-J9的单通道智能环路感应器。该车辆感应器具有灵敏度三级可调,相应时间为100毫秒,同时具有工作温度范围广的特点。灰度数据采集室106配置了ThinkCentre M9201z的一体机,该机屏幕具有支持多点触控的特点,能够很好地支持灰度图的人工查验。中心控制室107配置了两台ThinkServer TS230服务器,其中,一台用于多特征融合的高速公路绿色通道车辆鉴别系统历史数据的存储和管理,一台用于多特征融合的高速公路绿色通道车辆鉴别模型的实时在线训练与车辆鉴别。上述各部分均采用100M局域网进行互联,以完成各模块的计算机通讯任务。作为进一步的优选实施例,车辆动态称重系统101与基本数据采集室102相距30米,基本数据采集室102与X射线发生器103相距35米,X射线发生器103的下边缘与车辆感应器105相距0.4米,车辆感应器105与灰度数据采集室106相距35米,中心控制室107与车辆动态称重系统101在同一水平线,且相距50米。X射线发生器102与X射线探测器104在同一水平线,且相距3.8米。
此实施例只是体现本发明精神的优选特例,本领域技术人员完全可以根据本发明专利的主旨,加以灵活变通,已达到最佳的实施效果。对本发明进行修改或者等同替换,而不脱离本发明专利的精神和范围,其均应涵盖在本发明专利的权利要求范围当中。
Claims (8)
1.一种多特征融合的高速公路绿色通道车辆鉴别系统,其特征在于:车辆动态称重系统、基本数据采集室、X射线发生器、车辆感应器和灰度数据采集室沿着所述车辆行驶方向依次排列;X射线发生器和X射线探测器相对设置,分别位于绿色通道的两侧;基本数据采集室通过数据线连接到中心控制室,还通过数据线将数据传送到灰度数据采集室,灰度数据采集室通过数据线连接到中心控制室。
2.根据权利要求1所述的一种多特征融合的高速公路绿色通道车辆鉴别系统,其特征在于:车辆动态称重系统与基本数据采集室相距30米,基本数据采集室与X射线发生器相距35米,X射线发生器的下边缘与车辆感应器相距0.4米,车辆感应器与灰度数据采集室相距35米。
3.根据权利要求1或2所述的一种多特征融合的高速公路绿色通道车辆鉴别系统,其特征在于:车辆感应器采用单通道智能环路感应器。
4.根据权利要求1或2所述的一种多特征融合的高速公路绿色通道车辆鉴别系统,其特征在于:中心控制室能够随时关闭X射线发生器和X射线探测器。
5.一种多特征融合的高速公路绿色通道车辆鉴别方法,其特征在于:
步骤一:车辆以每小时5-10公里的车速驶入绿色通道,当车辆驶过车辆动态称重系统时,采集车辆的整车载重量以及各车轴的重量分布值,并将数据传输至基本数据采集室;
步骤二:采集车辆的车号牌、车型、车轴数、报关货物类型、前置入关时间和前置入关地点的信息,所述信息和动态称重系统提供的整车载重量和各车轴的重量分布值形成集合,基本数据采集室利用所述集合进行绿色通道车辆的初步鉴别,选择高斯核函数作为支持向量数据描述器的核函数,因此,初步鉴别公式为:
其中,k(x,y)=exp(-||x-y||2/2σ2),σ=0.02,αi,αj是拉格朗日系数,i,j∈{1,2,L,N},N是样本数目,xi,xj是集合中的元素,当测试样本z到超球中心a的距离小于或者等于R时测试样本被鉴别为绿通车辆,否则鉴别为非绿通车辆;R初始值为1;
若初步鉴别为非绿通车辆,则进行后续的灰度数据采集;否则,初步鉴别为绿通车辆,则予以放行,不必再进行后续的灰度数据采集;
步骤三:如果初步鉴别为非绿通车辆,则车辆感应器检测到车辆的位置,根据车辆的位置开启或者关闭触发X射线发生器和X射线探测器;
步骤四:灰度数据采集室采用高斯径向基神经网络作为识别方法,识别公式为:
6.根据权利要求5所述的一种多特征融合的高速公路绿色通道车辆鉴别方法,其特征在于:步骤二中的初步鉴别通过检查员对判别结果的反馈,自动记录假阳性样本或者假阴性样本,当这两类样本的判别错误数累计至10的时候,自动对当前超球的半径进行自适应的调整。
7.根据权利要求5或6所述的一种多特征融合的高速公路绿色通道车辆鉴别方法,其特征在于:步骤四中的识别方法通过检查员对判别结果的反馈,自动记录假阳性样本或者假阴性样本,当这两类样本的判别错误数累计至10的时候,将这10条新的误判样本加入所述集合,并从原集合中去除判别置信度最大的前10条样本,以保持集合的规模固定不变。
8.根据权利要求6或者7所述的一种多特征融合的高速公路绿色通道车辆鉴别方法,其特征在于:自适应调整规则为:
R=e+R0/e-
其中,假阳样本的条数为e+,假阴性样本的条数为e-;R为超球半径,R0为当前超球的半径,该值的初始值取为1.0,随着运行R被自适应地调整。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310071973.XA CN103150774B (zh) | 2013-03-07 | 2013-03-07 | 一种高速公路绿色通道车辆鉴别系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310071973.XA CN103150774B (zh) | 2013-03-07 | 2013-03-07 | 一种高速公路绿色通道车辆鉴别系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103150774A true CN103150774A (zh) | 2013-06-12 |
CN103150774B CN103150774B (zh) | 2015-10-21 |
Family
ID=48548822
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310071973.XA Expired - Fee Related CN103150774B (zh) | 2013-03-07 | 2013-03-07 | 一种高速公路绿色通道车辆鉴别系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103150774B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105067480A (zh) * | 2015-07-31 | 2015-11-18 | 陕西四维衡器科技有限公司 | 绿色通道货物种类检测方法及其检测设备 |
CN108122187A (zh) * | 2018-01-08 | 2018-06-05 | 石军 | 一种不查验先通过的绿通车查验方法及计算机程序 |
CN108171987A (zh) * | 2017-12-31 | 2018-06-15 | 齐鲁交通发展集团有限公司烟台分公司 | 高速公路绿通车管理系统及管理方法 |
CN108458878A (zh) * | 2018-01-11 | 2018-08-28 | 北京万集科技股份有限公司 | 绿色通道车辆的检测方法及装置 |
CN108535138A (zh) * | 2018-05-04 | 2018-09-14 | 鹤壁昊海电气有限公司 | 用于绿色通道车辆的比重检测装置及方法 |
CN109815933A (zh) * | 2019-02-11 | 2019-05-28 | 山东省公安厅高速公路交通警察总队 | 一种多轴车自动识别取证装置、系统及方法 |
CN110532946A (zh) * | 2019-08-28 | 2019-12-03 | 长安大学 | 一种基于卷积神经网络识别绿通车车辆轴型的方法 |
CN112550450A (zh) * | 2020-12-26 | 2021-03-26 | 浙江天行健智能科技有限公司 | 基于K-Means和CART回归树的路感模拟方法 |
CN112766578A (zh) * | 2021-01-22 | 2021-05-07 | 重庆长安新能源汽车科技有限公司 | 一种基于车辆网的车辆用途识别方法、系统及存储介质 |
CN114745078A (zh) * | 2022-04-25 | 2022-07-12 | 北京兴竹同智信息技术股份有限公司 | 一种边缘识别系统、方法、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101714264A (zh) * | 2009-11-20 | 2010-05-26 | 西安电子科技大学 | 高速公路计费称重中的“跳秤”行为被动检测方法及系统 |
CN201498023U (zh) * | 2009-09-30 | 2010-06-02 | 江西赣粤高速公路股份有限公司 | 高速公路收费站动态称重控管装置 |
CN102096953A (zh) * | 2010-12-31 | 2011-06-15 | 江苏省交通科学研究院股份有限公司 | 基于动态衡称重的收费车型分类方法及其设备 |
CN102508313A (zh) * | 2011-10-18 | 2012-06-20 | 北京华力兴科技发展有限责任公司 | 检测运输工具的方法和系统 |
JP2012184949A (ja) * | 2011-03-03 | 2012-09-27 | Mitsubishi Heavy Ind Ltd | 踏板フレーム及び料金収受システム |
CN202710757U (zh) * | 2012-07-02 | 2013-01-30 | 北京曼德克环境科技有限公司 | 一种x射线透射式绿色通道车辆检测仪 |
CN203070381U (zh) * | 2013-03-07 | 2013-07-17 | 吉林省高速公路管理局 | 一种高速公路绿色通道车辆鉴别系统 |
-
2013
- 2013-03-07 CN CN201310071973.XA patent/CN103150774B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201498023U (zh) * | 2009-09-30 | 2010-06-02 | 江西赣粤高速公路股份有限公司 | 高速公路收费站动态称重控管装置 |
CN101714264A (zh) * | 2009-11-20 | 2010-05-26 | 西安电子科技大学 | 高速公路计费称重中的“跳秤”行为被动检测方法及系统 |
CN102096953A (zh) * | 2010-12-31 | 2011-06-15 | 江苏省交通科学研究院股份有限公司 | 基于动态衡称重的收费车型分类方法及其设备 |
JP2012184949A (ja) * | 2011-03-03 | 2012-09-27 | Mitsubishi Heavy Ind Ltd | 踏板フレーム及び料金収受システム |
CN102508313A (zh) * | 2011-10-18 | 2012-06-20 | 北京华力兴科技发展有限责任公司 | 检测运输工具的方法和系统 |
CN202710757U (zh) * | 2012-07-02 | 2013-01-30 | 北京曼德克环境科技有限公司 | 一种x射线透射式绿色通道车辆检测仪 |
CN203070381U (zh) * | 2013-03-07 | 2013-07-17 | 吉林省高速公路管理局 | 一种高速公路绿色通道车辆鉴别系统 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105067480A (zh) * | 2015-07-31 | 2015-11-18 | 陕西四维衡器科技有限公司 | 绿色通道货物种类检测方法及其检测设备 |
CN108171987A (zh) * | 2017-12-31 | 2018-06-15 | 齐鲁交通发展集团有限公司烟台分公司 | 高速公路绿通车管理系统及管理方法 |
CN108122187A (zh) * | 2018-01-08 | 2018-06-05 | 石军 | 一种不查验先通过的绿通车查验方法及计算机程序 |
CN108458878A (zh) * | 2018-01-11 | 2018-08-28 | 北京万集科技股份有限公司 | 绿色通道车辆的检测方法及装置 |
CN108535138B (zh) * | 2018-05-04 | 2024-04-16 | 鹤壁昊海电气有限公司 | 用于绿色通道车辆的比重检测装置及方法 |
CN108535138A (zh) * | 2018-05-04 | 2018-09-14 | 鹤壁昊海电气有限公司 | 用于绿色通道车辆的比重检测装置及方法 |
CN109815933A (zh) * | 2019-02-11 | 2019-05-28 | 山东省公安厅高速公路交通警察总队 | 一种多轴车自动识别取证装置、系统及方法 |
CN110532946A (zh) * | 2019-08-28 | 2019-12-03 | 长安大学 | 一种基于卷积神经网络识别绿通车车辆轴型的方法 |
CN110532946B (zh) * | 2019-08-28 | 2022-04-26 | 长安大学 | 一种基于卷积神经网络识别绿通车车辆轴型的方法 |
CN112550450A (zh) * | 2020-12-26 | 2021-03-26 | 浙江天行健智能科技有限公司 | 基于K-Means和CART回归树的路感模拟方法 |
CN112766578A (zh) * | 2021-01-22 | 2021-05-07 | 重庆长安新能源汽车科技有限公司 | 一种基于车辆网的车辆用途识别方法、系统及存储介质 |
CN114745078A (zh) * | 2022-04-25 | 2022-07-12 | 北京兴竹同智信息技术股份有限公司 | 一种边缘识别系统、方法、设备及存储介质 |
CN114745078B (zh) * | 2022-04-25 | 2023-07-14 | 北京兴竹同智信息技术股份有限公司 | 一种边缘识别系统、方法、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN103150774B (zh) | 2015-10-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103150774B (zh) | 一种高速公路绿色通道车辆鉴别系统和方法 | |
Wang et al. | Expressway crash risk prediction using back propagation neural network: A brief investigation on safety resilience | |
CN104809877B (zh) | 基于特征参数加权gefcm算法的高速公路地点交通状态估计方法 | |
Hernandez et al. | Integration of Weigh-in-Motion (WIM) and inductive signature data for truck body classification | |
CN109791678A (zh) | 用于基于分数的动态风险测量并聚合有远程信息处理连接搜索引擎的智能自适应汽车装置及其相应方法 | |
CN102243497B (zh) | 用于工程机械的基于物联网技术的远程智能分析服务系统 | |
CN108062674A (zh) | 基于gps的订单欺诈识别方法、系统、存储介质和电子设备 | |
EP3706097A1 (en) | Information processing method and device | |
CN101110155A (zh) | 基于数据融合模式识别的嵌入式故障智能诊断装置及方法 | |
Al-Mistarehi et al. | Using machine learning models to forecast severity level of traffic crashes by R Studio and ArcGIS | |
CN106781697A (zh) | 车载式不良天气实时感知及防碰撞预警方法 | |
CN109887283A (zh) | 一种基于卡口数据的道路拥堵预测方法、系统及装置 | |
CN108806003A (zh) | 一种基于机器学习的收费公路绿通车检测方法 | |
Asborno et al. | Truck body-type classification using single-beam LiDAR sensors | |
CN108197731A (zh) | 一种基于共同训练的机动车尾气遥测与车检结果一致性方法 | |
CN110197586A (zh) | 一种基于多源数据的高速公路路段拥堵检测方法 | |
TWI604324B (zh) | Performance evaluation system and method | |
CN108458878A (zh) | 绿色通道车辆的检测方法及装置 | |
CN114202572A (zh) | 基于机器视觉的车辆荷载测量、运输线路规划方法及系统 | |
Nasrollahi et al. | Identification and prioritization of connected vehicle technologies for sustainable development in Iran | |
CN108475359A (zh) | 用于评价驾驶员的行程性能的方法和系统 | |
CN108431837A (zh) | 用于评价驾驶员的行程性能的方法和系统 | |
CN203070381U (zh) | 一种高速公路绿色通道车辆鉴别系统 | |
CN109147318A (zh) | 一种用于交通枢纽客流疏散的交通方式舒适度判别系统 | |
Balid et al. | Real-time magnetic length-based vehicle classification: Case study for inductive loops and wireless magnetometer sensors in Oklahoma state |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20151021 Termination date: 20190307 |