CN107085074B - 一种分类监测机动车尾气的方法 - Google Patents
一种分类监测机动车尾气的方法 Download PDFInfo
- Publication number
- CN107085074B CN107085074B CN201710259791.3A CN201710259791A CN107085074B CN 107085074 B CN107085074 B CN 107085074B CN 201710259791 A CN201710259791 A CN 201710259791A CN 107085074 B CN107085074 B CN 107085074B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- type
- motor vehicle
- concentration
- detected
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000012544 monitoring process Methods 0.000 title claims abstract description 10
- 238000001514 detection method Methods 0.000 claims abstract description 46
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 40
- 231100000719 pollutant Toxicity 0.000 claims abstract description 40
- 238000005516 engineering process Methods 0.000 claims abstract description 8
- 230000004927 fusion Effects 0.000 claims description 19
- 238000005315 distribution function Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 3
- 239000007789 gas Substances 0.000 claims 11
- 238000012935 Averaging Methods 0.000 claims 1
- 238000011156 evaluation Methods 0.000 abstract description 3
- 238000002513 implantation Methods 0.000 abstract 1
- 230000010354 integration Effects 0.000 abstract 1
- 230000007613 environmental effect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 239000000383 hazardous chemical Substances 0.000 description 1
- 231100000206 health hazard Toxicity 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
- G01N33/0068—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display using a computer specifically programmed
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters
Landscapes
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Combustion & Propulsion (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种分类监测机动车尾气的方法,根据城市交通污染属于线源污染的特点,可以利用已有的遥感检测设备布设在城市道路的两边,对机动车尾气进行实时检测,同时利用多种传感器对当前被检车辆的特征进行采集,从而对被检车辆的类型进行判别,再通过有限区域内多个遥感检测设备检测到的数据,利用融合技术对当前区域的污染物浓度的质量等级进行建模评估,最后得到有限区域内的机动车尾气的质量等级(优、良好、轻度污染、中度污染以及重度污染等五个等级)水平。
Description
技术领域
本发明涉及环境检测领域中机动车尾气污染物浓度相关问题,具体涉及一种分类监测机动车尾气的方法。
背景技术
机动车辆给人们提供了实实在在的利益,如速度和方便。然而城市已经因为对机动车的依赖而十分明显的付出了越来越大的代价。这些代价包括高昂的道路修建和维护费用,道路拥挤给经济发展带来的损害,高水平的能源消费和随之而来的经济和环境代价等。尤其是给人的健康和环境造成的损害已经达到十分严重的程度,其中对环境和人的健康危害最大的有CO、NOX、HC以及微粒物等。而不同类型的汽车,例如载客车、小汽车以及载货车等,由于其载重、燃油等不同,导致其污染物的排放量不同。在目前的机动车尾气遥感监测中不能区别车的类型,因此从其获取的数据信息中不能准确的评估出不同车型的污染物排放量分担情况。同时,也不能对某一有限区域内的机动车尾气污染物浓度的情况作出评估。这些因素对城市道路发展的科学规划是不利的。
当前对机动车的车型识别方法单一,主要是依据视频图像来识别车型。授权公告号为CN106529446A的国家专利提出基于多分块深层卷积神经网络的车型识别方法和系统,授权公告号为CN106503748A的国家专利提出S-SIFT特征和SVM训练器的车型识别算法。这两个专利都是只使用车辆的车脸图像作为处理对象,识别结果的依据单一,识别准确率受传感器性能影响很大,误判率高。授权公告号为CN103630474A的国家专利提出多车道机动车尾气PM2.5遥测装置,授权公告号为CN102128802B的国家专利提出一种多车机动车尾气检测系统。这两个专利只是提出了机动车尾气检测的方法且只是针对单一车辆进行检测,而没有依据不同车型分别检测不同车型的尾气污染物浓度,且不能对区域内的机动车尾气污染物浓度的质量等级进行判断。
发明内容
本发明的技术解决问题:克服现有技术的不足,提供一种分类监测机动车尾气的方法,该方法的检测结果更加科学、准确,同时能够对有限区域内机动车尾气污染物浓度质量等级作出评估。
本发明的技术方案:一种分类监测机动车尾气的方法,步骤如下:
1、通过布设在道路旁边的遥测检测设备检测出当前通过检测区域的机动车的尾气污染物浓度C,并将该浓度与相应的车辆关联起来。同时,通过传感器Si(表示第i个传感器)检测出当前通过检测区域的机动车的特征,主要包含有车长、车的重量、车牌颜色、车辆的声音以及车辆引起的地面震动信息,但不局限于这些特征信息。然后通过对这些传感器观测到的数据进行预处理,具体预处理的方法如下:
(1)首先确定各遥感检测设备检测到车长、车重与不同车型的标准值之间的比,即同类比如下
其中L为遥感检测设备实际检测到的长度或重量信息;LS,LM,LH分别是小型车、中型车、大型车长度或重量标准中的最大值;x为车辆类型,S、M、H分别表示小车型、中车型、大车型;即为同类比,所述同类比表示属于小车型、中车型、大车型的可能性大小;Lx是根据实际检测需要,选择LS,LM,LH其中一个进行代替即可;
再求出融合技术中的基本概率分配函数:
式中分别表示小车型、中车型、大车型的标准同类比;即为公式(3)计算的结果;
(2)车辆引起地面的震动信息是非线性的特征数据,需要利用具体的非线性表达式来确定相应的规则,将检测到的震动信息进行变换,获取其频域的信号谱,从而得到相应的主频带,然后对主频带进行分块,再分别求出每一块的能量值E,再由
得到相应的基本概率函数,式中表示主频带中所有分块能量值的平均值;EMAX、EMin分别表示主频带中所有分块能量值的最大值、最小值。
2、通过各传感器观测的基本特征进行划分为与与判断车辆类型有关的相关基本特征,表示的形式为:其中N表示车辆基本特征种类的总数;车辆判断的类型,表示形式为:H={Hi,i=1,2,…,n},其中Hi表示当前车辆属于第i种车辆类型,n表示车辆类型的总数;此处和后文中出现的i只起标识作用;
对车辆的第i个基本特征ei的判断用S={(Hi,pi,j)},j=1,…,N;i=1,…,n表示,其中,pi,j表示车辆的第i个基本特征被判断为类型Hi的概率;
此时,确定车辆第i个基本特征被判断为类型Hn的基本概率分配函数的值为:
mn,i=pn,i
式中mn,i表示第i个车辆基本特征被判断为类型Hn的值;pn,i表示第i个车辆基本特征被判断为类型Hn的概率,
最后,依据融合公式:
求出车辆基本特征之间的融合结果。式中mn,I(i)表示检测到的前i个车辆基本特征的子集中有i个基本特征支持判断为类型Hn的概率,其概率越接近类型Hn,则该车型为类型Hn的可能性越大;K表示冲突系数,即表示公式(4)中用到的数据之间的冲突程度。
3、基于待检车辆的车型被识别后,再将遥测设备检测到该车排放的尾气污染物浓度与相应车型的标准值进行比对,最后判决该车在当前路况下是否超标,并实时显示检测结果。同时,将检测到的相关数据传输到云端进行存储,以备后续评估有限区域内的机动车尾气污染物浓度质量等级时使用。
4、通过云端存储的检测数据,将有限区域内的若干遥测设备对同一类型的车辆,每小时检测到的浓度信息按下式得出小时均值:
式中,分别表示机动车类型为x的第1、2、…、N个浓度数据;N表示每小时检测到类型为x的车辆的总数;
然后,通过求与之间的距离来判断当前机动车尾气污染物浓度的质量等级为lt的可能性大小,其中表示机动车尾气污染物浓度质量等级lt的标准值。当越小时,则说明当前机动车尾气污染物浓度的质量等级为lt的可能性越大,
其中,表示第i个遥感检测设备检测到的浓度数据与质量等级为lt的特征值之间的距离;kmax、kmin分别为机动车尾气污染物参数对应的所有质量等级特征值的最大值、最小值;分别表示机动车尾气浓度质量等级为lt的特征值的上、下限;分别表示第a个尾气污染物参数的上、下限值;M表示机动车尾气污染物参数的个数;
再由公式:
求出区间信度,[m]i(lt)表示第i个遥感监测设备为机动车尾气污染物浓度质量等级为lt的特征值分配的区间信度;
最后由融合公式:
得出融合结果,即最终的基本分配概率函数m(B),从而判断出当前有限区域内的机动车尾气污染物浓度的质量等级,式中[m1](A)表示遥感检测设备i对命题A的区间基本概率赋值;[m2](C)表示遥感检测设备i+1对命题C的区间基本概率赋值;A∩C=B表示命题A与命题C的公共部分为B;A∩C=φ表示命题A与命题C没有公共部分。
本发明与现有技术相比的优点在于:本发明利用多个检测设备对机动车不同的特征分别进行采集,并分别进行判断车辆类型,然后再基于不同特征判断的结果进行融合处理,最终识别出被检车辆的类型。本发明能够有效排除单一检测设备检测结果的不确定性,且具有较高的准确性和可行性。本发明能够对不同车型的机动车进行分类检测尾气污染物浓度,且能对有限区域内的机动车尾气污染物浓度的质量等级进行有效的判断。
附图说明
图1为实现流程图;
图2为机动车尾气检测系统的示意图;其中:1为震动传感器单元,2为车长检测单元,3为车重传感器单元,4为视频单元,5为单车道单元。
具体实施方式
如图1所示,本发明涉及一种分类监测机动车尾气的方法,根据城市交通污染属于线源污染的特点,可以利用已有的遥感检测设备布设在城市道路的两边,对机动车尾气进行实时检测,同时利用多种传感器对当前被检车辆的特征进行采集,从而对被检车辆的类型进行判别,再通过有限区域内多个遥感检测设备检测到的数据,利用融合技术对当前区域的污染物浓度的质量等级进行建模评估,最后得到有限区域内的机动车尾气的质量等级(优、良好、轻度污染、中度污染以及重度污染等五个等级)水平。
具体方法如下:
1、通过布设在道路旁边的遥测检测系统,如图2所示,它通过激光检测单元检测出当前通过检测区域的机动车的尾气污染物浓度C,以及通过该检测区域的待检车辆的车长L,并将所检测的尾气浓度与相应的车辆关联起来。同时,通过车重传感器、震动传感器、音频传感器等传感器,分别检测出当前检测车辆的重量、该车辆行驶时引起的地面震动信息以及车辆所发出的声音信号等,再利用车牌识别单元抓拍当前车辆的车牌颜色等信息。
然后,将传感器检测到的车长、重量等数据用相似法进行预处理,即将实测值与模型值按下式得到相应的同类比。
其中L为遥感检测设备实际检测到的长度或重量信息;LS,LM,LH分别是小型车、中型车、大型车长度或重量标准中的最大值;x为车辆类型,S、M、H分别表示小车型、中车型、大车型;即为同类比,所述同类比表示属于小车型、中车型、大车型的可能性大小;Lx是根据实际检测需要,选择LS,LM,LH其中一个进行代替即可。再由公式:
求出车辆的该基本特征的基本概率函数。而车辆引起地面的震动信息以及车的自身声音信息均是非线性,可以变换获取其频域的信号谱,可以得到相应的主频带,然后对主频带按某一规则进行分块,再分别求出每一块的能量值E,再由:
得到相应的基本概率函数。
然后,通过车牌的颜色,依据专家法给出待检车的所属类型的基本概率分配函数。
2、通过各传感器观测的基本特征进行划分为与与判断车辆类型有关的相关基本特征,表示的形式为:其中N表示车辆基本特征种类的总数;车辆判断的类型,表示形式为:H={Hi,i=1,2,…,n},其中Hi表示当前车辆属于第i种车辆类型,n表示车辆类型的总数;此处和后文中出现的i只起标识作用;
对车辆的第i个基本特征ei的判断用S={(Hi,pi,j)},j=1,…,N;i=1,…,n表示,其中,pi,j表示车辆的第i个基本特征被判断为类型Hi的概率;
此时,确定车辆第i个基本特征被判断为类型Hn的基本概率分配函数的值为:
mn,i=pn,i
式中mn,i表示第i个车辆基本特征被判断为类型Hn的值;pn,i表示第i个车辆基本特征被判断为类型Hn的概率,
最后,依据融合公式:
求出车辆基本特征之间的融合结果。式中mn,I(i)表示检测到的前i个车辆基本特征的子集中有i个基本特征支持判断为类型Hn的概率,其概率越接近类型Hn,则该车型为类型Hn的可能性越大;K表示冲突系数,即上式中用到的数据之间的冲突程度。
3、基于上述方法将待检车辆的车型识别后,再将遥测设备检测到该车排放的尾气污染物浓度与相应车型的标准值进行比对,判决该车在当前路况下是否超标,并实时显示检测结果。同时,将检测到的相关数据传输到云端进行存储,以备后续评估有限区域内的机动车尾气污染物浓度质量等级时使用。
4、通过云端存储的检测数据,将有限区域内的若干遥感监测系统对同一类型的车辆,每小时检测到的浓度信息按下式得出小时均值:
式中,分别表示机动车类型为x的第1、2、…、N个浓度数据;N表示每小时检测到类型为x的车辆的总数。其次,通过求与之间的距离来判断当前机动车尾气污染物浓度的质量等级为lt的可能性大小,其中表示机动车尾气污染物浓度质量等级lt的标准值。当越小时,则说明当前机动车尾气污染物的质量指数等级为lt的可能性越大。
然后由:
求出区间信度,[m]i(lt)表示第i个遥感监测设备为机动车尾气污染物浓度质量等级为lt的特征值分配的区间信度;
最后由融合公式:
得出融合结果,即最终的基本分配概率函数m(B),从而判断出当前有限区域内的机动车尾气污染物浓度的质量等级(优、良好、轻度污染、中度污染以及重度污染等五个等级)。
提供以上实施例仅仅是为了描述本发明的目的,而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改,均应涵盖在本发明的范围之内。
Claims (1)
1.一种分类监测机动车尾气的方法,其特征在于包括以下步骤:
(1)通过布设在道路旁边的各遥感检测设备,检测出当前通过检测区域的机动车的特征数据和机动车尾气浓度数据,所述机动车的特征数据包括车的长度、车牌颜色、车的重量、车辆引起的地面震动信息;然后对各遥感检测设备检测到的机动车的特征数据进行预处理,所述特征数据包含有线性特征数据和非线性特征数据;再针对预处理结果通过融合技术判断出车辆的相应类型;同时将各遥感检测设备检测到机动车尾气浓度数据与被检测车辆和被检测车辆同一类型的车辆关联起来,并将遥感检测设备检测到的所有数据和识别出的车辆类型数据都存储云端;
(2)从云端将各遥感检测设备对同类型车辆,每小时检测到的机动车尾气浓度数据提取并进行平均,然后依据尾气污染物浓度质量等级标准对小时均值进行预处理,最后通过融合技术得到当前有限区域的机动车尾气污染物浓度的质量等级;
所述步骤(1)中数据预处理的过程如下:
(11)首先确定各遥感检测设备检测到车长、车重与不同车型的标准值之间的比,即同类比如下:
其中L为遥感检测设备实际检测到的长度或重量信息;LS,LM,LH分别是小型车、中型车、大型车长度或重量标准中的最大值;x为车辆类型,S、M、H分别表示小车型、中车型、大车型;即为同类比,所述同类比表示属于小车型、中车型、大车型的可能性大小;Lx是根据实际检测需要,选择LS,LM,LH其中一个进行代替即可;
再求出融合技术中的基本概率分配函数:
式中分别表示小车型、中车型、大车型的标准同类比;即为公式(1)计算的结果;
(12)车辆引起地面的震动信息是非线性的特征数据,需要利用具体的非线性表达式来确定相应的规则,将检测到的震动信息进行变换,获取其频域的信号谱,从而得到相应的主频带,然后对主频带进行分块,再分别求出每一块的能量值E,再由:
得到相应的基本概率函数,式中表示主频带中所有分块能量值的平均值;EMAX、EMin分别表示主频带中所有分块能量值的最大值、最小值;
所述步骤(1)中,通过融合技术判断出车辆的类型的过程如下:
先确定与判断车辆类型有关的相关基本特征,表示的形式为:λ={ei,i=1,Λ,N},其中N表示车辆基本特征种类的总数;车辆判断的类型,表示形式为:H={Hi,i=1,2,Λ,n},其中Hi表示当前车辆属于第i种车辆类型,n表示车辆类型的总数;此处和后文中出现的i只起标识作用;
对车辆的第i个基本特征ei的判断用S={(Hi,pi,j)},j=1,Λ,N;i=1,Λ,n表示,其中,pi,j表示车辆的第i个基本特征被判断为类型Hi的概率;
此时,确定车辆第i个基本特征被判断为类型Hn的基本概率分配函数的值为:
mn,i=pn,i
式中mn,i表示第i个车辆基本特征被判断为类型Hn的值;pn,i表示第i个车辆基本特征被判断为类型Hn的概率,
依据融合公式:
求出车辆基本特征之间的融合结果。式中mn,I(i)表示检测到的前i个车辆基本特征的子集中有i个基本特征支持判断为类型Hn的概率,其概率越接近类型Hn,则该车型为类型Hn的可能性越大;K表示冲突系数,即表示公式(2)中用到的数据之间的冲突程度;
所述步骤(2)中,通过融合技术得到当前有限区域的机动车尾气污染物浓度的质量等级的过程如下:
(1)将有限区域内的若干遥感检测设备检测到同一类型的车辆的尾气浓度数据按下式得出小时均值:
式中,分别表示机动车类型为x的第1、2、Λ、N个浓度数据;N表示每小时检测到类型为x的车辆的总数;
(2)然后,通过求与之间的距离来判断当前机动车尾气污染物浓度的质量等级为lt的可能性大小,其中表示机动车尾气污染物浓度质量等级lt的标准值,当越小时,则说明当前机动车尾气污染物浓度的质量等级为lt的可能性越大,
其中,表示第i个遥感检测设备检测到的浓度数据与质量等级为lt的特征值之间的距离;kmax、kmin分别为机动车尾气污染物参数对应的所有质量等级特征值的最大值、最小值;分别表示机动车尾气浓度质量等级为lt的特征值的上、下限;分别表示第a个尾气污染物参数的上、下限值;M表示机动车尾气污染物参数的个数;
(3)再由:
求出区间信度,[m]i(lt)表示第i个遥感监测设备为机动车尾气污染物浓度质量等级为lt的特征值分配的区间信度;
(4)最后由融合公式:
得出融合结果,即最终的基本分配概率函数m(B),从而判断出当前有限区域内的机动车尾气污染物浓度的质量等级,式中[m1](A)表示遥感检测设备i对命题A的区间基本概率赋值;[m2](C)表示遥感检测设备i+1对命题C的区间基本概率赋值;A∩C=B表示命题A与命题C的公共部分为B;A∩C=φ表示命题A与命题C没有公共部分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710259791.3A CN107085074B (zh) | 2017-04-19 | 2017-04-19 | 一种分类监测机动车尾气的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710259791.3A CN107085074B (zh) | 2017-04-19 | 2017-04-19 | 一种分类监测机动车尾气的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107085074A CN107085074A (zh) | 2017-08-22 |
CN107085074B true CN107085074B (zh) | 2019-07-23 |
Family
ID=59611760
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710259791.3A Active CN107085074B (zh) | 2017-04-19 | 2017-04-19 | 一种分类监测机动车尾气的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107085074B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112082767A (zh) * | 2020-09-16 | 2020-12-15 | 江苏万多弈环保科技有限公司 | 一种前后拍照识别压燃式发动机车辆拍照的系统及方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1655208A (zh) * | 2004-12-31 | 2005-08-17 | 华南理工大学 | 一种机动车车型自动识别的方法 |
CN102128802A (zh) * | 2010-11-30 | 2011-07-20 | 中国科学技术大学 | 一种多车道机动车尾气检测系统 |
CN102798609A (zh) * | 2012-08-20 | 2012-11-28 | 杭州电子科技大学 | 基于量子级联激光器的汽车尾气遥感检测系统和方法 |
CN103310199A (zh) * | 2013-06-17 | 2013-09-18 | 武汉大学 | 基于高分辨率遥感数据的车辆型号识别方法 |
CN103630474A (zh) * | 2013-12-08 | 2014-03-12 | 中国科学技术大学 | 多车道机动车尾气pm2.5遥测装置 |
CN104835099A (zh) * | 2015-04-29 | 2015-08-12 | 中国科学技术大学 | 一种城市路网机动车尾气实时遥感监测基址选取方法 |
CN105259304A (zh) * | 2015-09-16 | 2016-01-20 | 张世达 | 一种车辆尾气污染物在线监测系统和方法 |
CN105588805A (zh) * | 2014-10-22 | 2016-05-18 | 国际运载排放管控技术股份有限公司 | 可追踪排放遥测系统及方法 |
CN205246531U (zh) * | 2015-12-04 | 2016-05-18 | 安徽宝龙环保科技有限公司 | 一种机动车尾气检测装置 |
CN105975913A (zh) * | 2016-04-28 | 2016-09-28 | 武汉大学 | 一种基于自适应聚类学习的道路网提取的方法 |
CN106202533A (zh) * | 2016-07-25 | 2016-12-07 | 中国科学技术大学 | 街道峡谷机动车尾气污染物浓度估算系统 |
CN106503748A (zh) * | 2016-11-07 | 2017-03-15 | 湖南源信光电科技有限公司 | 一种基于s‑sift特征和svm训练器的车型识别算法 |
CN106529446A (zh) * | 2016-10-27 | 2017-03-22 | 桂林电子科技大学 | 基于多分块深层卷积神经网络的车型识别方法和系统 |
CN106529608A (zh) * | 2016-12-31 | 2017-03-22 | 中国科学技术大学 | 一种机动车尾气遥测设备综合布点系统 |
-
2017
- 2017-04-19 CN CN201710259791.3A patent/CN107085074B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1655208A (zh) * | 2004-12-31 | 2005-08-17 | 华南理工大学 | 一种机动车车型自动识别的方法 |
CN102128802A (zh) * | 2010-11-30 | 2011-07-20 | 中国科学技术大学 | 一种多车道机动车尾气检测系统 |
CN102798609A (zh) * | 2012-08-20 | 2012-11-28 | 杭州电子科技大学 | 基于量子级联激光器的汽车尾气遥感检测系统和方法 |
CN103310199A (zh) * | 2013-06-17 | 2013-09-18 | 武汉大学 | 基于高分辨率遥感数据的车辆型号识别方法 |
CN103630474A (zh) * | 2013-12-08 | 2014-03-12 | 中国科学技术大学 | 多车道机动车尾气pm2.5遥测装置 |
CN105588805A (zh) * | 2014-10-22 | 2016-05-18 | 国际运载排放管控技术股份有限公司 | 可追踪排放遥测系统及方法 |
CN104835099A (zh) * | 2015-04-29 | 2015-08-12 | 中国科学技术大学 | 一种城市路网机动车尾气实时遥感监测基址选取方法 |
CN105259304A (zh) * | 2015-09-16 | 2016-01-20 | 张世达 | 一种车辆尾气污染物在线监测系统和方法 |
CN205246531U (zh) * | 2015-12-04 | 2016-05-18 | 安徽宝龙环保科技有限公司 | 一种机动车尾气检测装置 |
CN105975913A (zh) * | 2016-04-28 | 2016-09-28 | 武汉大学 | 一种基于自适应聚类学习的道路网提取的方法 |
CN106202533A (zh) * | 2016-07-25 | 2016-12-07 | 中国科学技术大学 | 街道峡谷机动车尾气污染物浓度估算系统 |
CN106529446A (zh) * | 2016-10-27 | 2017-03-22 | 桂林电子科技大学 | 基于多分块深层卷积神经网络的车型识别方法和系统 |
CN106503748A (zh) * | 2016-11-07 | 2017-03-15 | 湖南源信光电科技有限公司 | 一种基于s‑sift特征和svm训练器的车型识别算法 |
CN106529608A (zh) * | 2016-12-31 | 2017-03-22 | 中国科学技术大学 | 一种机动车尾气遥测设备综合布点系统 |
Non-Patent Citations (1)
Title |
---|
A networked remote sensing system for on-road vehicle emission monitoring;Yu KANG, et al.;《SCIENCE CHINA Information Sciences》;20170306;第60卷;第1-8页 |
Also Published As
Publication number | Publication date |
---|---|
CN107085074A (zh) | 2017-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108885881B (zh) | 污染估算系统 | |
CN107103775B (zh) | 一种基于群智计算的道路质量检测方法 | |
Morris et al. | Real-time video-based traffic measurement and visualization system for energy/emissions | |
EP2710572B1 (en) | Vehicle data analysis method and vehicle data analysis system | |
CN110176139A (zh) | 一种基于dbscan+的道路拥堵识别可视化方法 | |
CN108197731B (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 | |
CN112435463B (zh) | 一种基于道路物联网监测的车型与车重分类方法 | |
CN115081508B (zh) | 一种基于交通数字孪生的交通运行风险平行仿真系统 | |
CN108665191A (zh) | 基于聚集效应的地铁站外关联区域计算方法 | |
CN107895482A (zh) | 基于毫米波雷达与激光雷达的交通情况调查装置及方法 | |
CN103345842A (zh) | 一种道路车辆分型系统及方法 | |
CN113436432A (zh) | 一种利用路侧观测数据进行路段短时交通风险预测的方法 | |
CN105259304A (zh) | 一种车辆尾气污染物在线监测系统和方法 | |
Li et al. | Clustering pavement roughness based on the impacts on vehicle emissions and public health | |
CN113932758A (zh) | 一种路面平整度预测方法及装置 | |
Shang et al. | Analyzing the effects of road type and rainy weather on fuel consumption and emissions: A mesoscopic model based on big traffic data | |
CN117354347B (zh) | 用于物联网多功能智慧灯杆的车路协同控制方法及装置 | |
Singh et al. | Road pothole detection from smartphone sensor data using improved LSTM | |
Czégé et al. | Review on construction procedures of driving cycles | |
CN116092037B (zh) | 融合轨迹空间-语义特征的车辆类型识别方法 | |
CN107085074B (zh) | 一种分类监测机动车尾气的方法 | |
Scora et al. | Real-time roadway emissions estimation using visual traffic measurements | |
CN116753938A (zh) | 车辆测试场景生成方法、装置、存储介质及设备 | |
CN113192340B (zh) | 高速公路施工车辆的识别方法、装置、设备及存储介质 | |
Chen et al. | Road roughness level identification based on bigru network |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |