CN108345858A - 一种车辆载重状态检测方法和系统 - Google Patents
一种车辆载重状态检测方法和系统 Download PDFInfo
- Publication number
- CN108345858A CN108345858A CN201810141015.8A CN201810141015A CN108345858A CN 108345858 A CN108345858 A CN 108345858A CN 201810141015 A CN201810141015 A CN 201810141015A CN 108345858 A CN108345858 A CN 108345858A
- Authority
- CN
- China
- Prior art keywords
- compartment
- vehicle
- photo
- characteristic point
- measured
- 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
Classifications
-
- 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
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
Abstract
本发明实施例提供一种车辆载重状态检测方法和系统,所述方法包括:获取待测车辆的车厢图片;对待测车辆的车厢图片进行数据处理,得到处理后的车厢图片;将处理后的车厢图片转化成车厢特征点;车厢特征点为一维行向量,用于表示处理后的车厢图片中每个像素点的亮度;将转化得到的车厢特征点输入预先建立的车辆载重状态检测模型中,得到待测车辆的载重状态。该方法和系统利用图像分析车辆的载重状态,只需安装摄像头采集图像和图像分析装置分析图像,设备安装和维护方便,不易损坏,可靠性较高。
Description
技术领域
本发明实施例涉及车辆管理技术领域,尤其涉及一种车辆载重状态检测方法和系统。
背景技术
渣土车装满渣土后,如果篷布没有盖好,会导致在行驶过程中,渣土从渣土车的车斗抛洒出去,渣土车行驶道路上的满地都是渣土,给社会环境带来了不利影响。为了避免渣土车在行驶过程中出现渣土抛洒问题,我们需要检测渣土车在装满渣土时,是否盖好篷布。对于没有盖好篷布的渣土车,可对其进行限速处理。
目前比较普遍的做法是,在渣土车上安装称重传感器,检测渣土车当前的载货重量,从而判断当前渣土车是处于满载状态还是处于空载状态。但是,称重传感器的安装和维护不是很方便,而且容易损坏,导致可靠性相对较差。
发明内容
针对现有技术中存在的问题,本发明实施例提供一种车辆载重状态检测方法和系统。
第一方面,本发明实施例提供一种车辆载重状态检测方法,所述方法包括:
获取待测车辆的车厢图片;
对所述待测车辆的车厢图片进行数据处理,得到处理后的车厢图片;其中,所述数据处理包括:裁剪处理、灰度处理、平滑处理和均衡化处理;
将处理后的车厢图片转化成车厢特征点;其中,所述车厢特征点为一维行向量,用于表示处理后的车厢图片中每个像素点的亮度;
将转化得到的车厢特征点输入预先建立的车辆载重状态检测模型中,得到所述待测车辆的载重状态;
其中,所述预先建立的车辆载重状态检测模型为车辆的载重状态与车厢特征点之间的函数关系。
第二方面,本发明实施例提供一种车辆载重状态检测系统,所述系统包括:
图片获取模块,用于获取待测车辆的车厢图片;
数据处理模块,用于对所述待测车辆的车厢图片进行数据处理,得到处理后的车厢图片;其中,所述数据处理包括:裁剪处理、灰度处理、平滑处理和均衡化处理;
特征点计算模块,用于将处理后的车厢图片转化成车厢特征点;其中,所述车厢特征点为一维行向量,用于表示处理后的车厢图片中每个像素点的亮度;
载重状态计算模块,用于将转化得到的车厢特征点输入预先建立的车辆载重状态检测模型中,得到所述待测车辆的载重状态;
其中,所述预先建立的车辆载重状态检测模型为车辆的载重状态与车厢特征点之间的函数关系。
第三方面,本发明实施例提供一种电子设备,所述设备包括存储器和处理器,所述处理器和所述存储器通过总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行上述车辆载重状态检测方法。
第四方面,本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述车辆载重状态检测方法。
本发明实施例提供的车辆载重状态检测方法和系统,通过获取待测车辆的车厢图片,对待测车辆的车厢图片进行数据处理,将处理后的车厢图片转化成车厢特征点,将转化得到的车厢特征点输入预先建立的车辆载重状态检测模型中,得到待测车辆的载重状态,该方法和系统利用图像分析车辆的载重状态,只需安装摄像头来采集图像和图像分析装置来分析图像,这些设备安装方便、维护也方便,且不易损坏,可靠性较高。
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,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的车辆载重状态检测方法流程图;
图2为本发明实施例提供的车厢监控设备的安装示意图;
图3为本发明实施例提供的从车厢监控视频中获取到的车厢图片示意图;
图4为本发明实施例提供的对车厢图片进行剪裁处理过程中的图片示意图;
图5为本发明实施例提供的对车厢图片进行剪裁处理之后得到的图片示意图;
图6为本发明实施例提供的对车厢图片进行灰度处理之后得到的图片示意图;
图7为本发明实施例提供的对车厢图片进行平滑处理之后得到的图片示意图;
图8为本发明实施例提供的对车厢图片进行直方图均衡化处理之后得到的图片示意图;
图9为本发明实施例提供的车辆载重状态检测系统的结构示意图;
图10为本发明实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通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。
图1为本发明实施例提供的车辆载重状态检测方法流程图,如图1所示,所述方法包括:
步骤10、获取待测车辆的车厢图片;
步骤11、对所述待测车辆的车厢图片进行数据处理,得到处理后的车厢图片;其中,所述数据处理包括:裁剪处理、灰度处理、平滑处理和均衡化处理;
步骤12、将处理后的车厢图片转化成车厢特征点;其中,所述车厢特征点为一维行向量,用于表示处理后的车厢图片中每个像素点的亮度;
步骤13、将转化得到的车厢特征点输入预先建立的车辆载重状态检测模型中,得到所述待测车辆的载重状态;
其中,所述预先建立的车辆载重状态检测模型为车辆的载重状态与车厢特征点之间的函数关系。
图2为本发明实施例提供的车厢监控设备的安装示意图,如图2所示,可以在待测车辆的车厢前部的上方安装一个摄像头,其中,车厢前部是指靠近待测车辆的车头的部分。摄像头可以实时监控待测车辆的车厢,得到待测车辆的车厢监控视频。
图3为本发明实施例提供的从车厢监控视频中获取到的车厢图片示意图,图4为本发明实施例提供的对车厢图片进行剪裁处理过程中的图片示意图,图5为本发明实施例提供的对车厢图片进行剪裁处理之后得到的图片示意图,图6为本发明实施例提供的对车厢图片进行灰度处理之后得到的图片示意图,图7为本发明实施例提供的对车厢图片进行平滑处理之后得到的图片示意图,图8为本发明实施例提供的对车厢图片进行直方图均衡化处理之后得到的图片示意图。服务器可以从摄像头拍摄的车厢监控视频中,获取如图3所示的待测车辆的车厢图片,然后,服务器可以对获取到的车厢图片进行数据处理。
具体地,服务器可以首先对获取到的车厢图片进行裁剪处理,如图5所示,对车厢图片进行裁剪处理之后,仅留下车厢以及车厢周边的一个矩形区域内的内容。然后,服务器可以对裁剪处理之后的图片进行灰度处理,服务器可以对车厢图片中每个像素的R(红色)、G(绿色)、B(蓝色)分量,利用公式Gray=(R+G+B)/3计算对应的Gray值,将计算得到的Gray值用于目标图片,得到如图6所示的灰度图像,其中,灰度图像的亮度值范围可以为0到255。接下来,服务器可以对灰度图像进行平滑处理,去掉一些噪声点。具体地,服务器可以遍历灰度图像中的每个像素点,求出每个像素点与周围8个像素点的亮度值总和,再除以9,得到目标像素点的亮度值,经过平滑处理之后,服务器可以得到如图7所示的车厢图片。再然后,服务器可以对经过平滑处理之后的车厢图片进行直方图均衡化处理,使得图片细节明显化,得到如图8所示的车厢图片。
服务器对待测车辆的车厢图片进行裁剪处理、灰度处理、平滑处理和直方图均衡化处理之后,可以得到处理后的车厢图片。然后,服务器可以将处理后的车厢图片转化成车厢特征点,其中,车厢特征点是一个一维行向量,该一维行向量中的每个元素表示的是处理后的车厢图片中的每个像素点的亮度。比如,处理后的车厢图片中所有像素点的亮度值可以组成一个矩阵,记为:A60×100,意思是,处理后的车厢图片中一共有60行像素点,每行有100个像素点,矩阵A中的每个元素值对应一个像素点的亮度,比如,A[i,j]表示矩阵A中的第i行第j列的元素,对应的是位于处理后的车厢图片中第i行第j列的像素点的亮度,其中,i为小于或等于60的正整数,j为小于或等于100的正整数。
服务器可以将矩阵A60×100转化为B1×6000,具体转化方法为:首先,使得B[1,1]-B[1,100]中的100个元素值分别与A[1,1]-A[1,100]中的100个元素值相等,即B[1,1]等于A[1,1],B[1,2]等于A[1,2],以此类推。然后,使得B[1,101]-B[1,200]中的100个元素分别与A[2,1]-A[2,100]中的100个元素相等,以此类推,直至使得B[1,5901]-B[1,6000]中的100个元素分别与A[60,1]-A[60,100]中的100个元素相等。其中,矩阵B为一维行向量,记为待测车辆的车厢特征点,该一维行向量中的每个元素表示待测车辆处理后的车厢图片中的一个像素点的亮度。
然后,服务器可以从数据库中获取车辆载重状态检测模型,该模型为车辆的载重状态与车厢特征点之间的函数关系,将转化得到的车厢特征点输入车辆载重状态检测模型中,可以得到待测车辆的载重状态。
本发明实施例提供的车辆载重状态检测方法,通过获取待测车辆的车厢图片,对待测车辆的车厢图片进行数据处理,将处理后的车厢图片转化成车厢特征点,将转化得到的车厢特征点输入预先建立的车辆载重状态检测模型中,得到待测车辆的载重状态,该方法利用图像分析车辆的载重状态,只需安装摄像头来采集图像和图像分析装置来分析图像,这些设备安装方便、维护也方便,且不易损坏,可靠性较高。
可选的,在上述实施例的基础上,所述方法还包括所述车辆载重状态检测模型的建立过程,所述建立过程包括:
获取训练样本;其中,所述训练样本包括:与所述待测车辆的类型相同的多个车辆在不同载重状态下的车厢图片;
对所述训练样本中的每张车厢图片进行所述数据处理,得到处理后的训练样本;将处理后的训练样本中的每张车厢图片分别转化成对应的车厢特征点;
获取所述训练样本中的每张车厢图片对应的载重状态;
将所述训练样本中的每张车厢图片对应的车厢特征点以及载重状态输入支持向量机进行学习,得到所述车辆载重状态检测模型。
具体地,上述实施例中所述的车辆载重状态检测模型,其建立过程具体如下。
首先,服务器可以获取多个车辆在不同载重状态下对应的车厢图片,作为训练样本,其中,所述多个车辆的类型与待测车辆的类型相同。比如,服务器可以获取100辆车在不同载重状态、不同时间、不同地点、不同天气的视频图片各10000张,这样可以得到100万张图片,这100万张图片的载重状态可以通过人眼来判断,这100万张图片可以分为两类,其中一类为空载状态下的图片,另一类为满载状态下的图片。
然后,服务器可以按照上述实施例中所述的方法,对训练样本中的每张图片分别进行裁剪处理、灰度处理、平滑处理和直方图均衡化处理,得到处理后的训练样本。然后,服务器可以按照上述实施例中所述的方法,将处理后的训练样本中的每张车厢图片转化成对应的车厢特征点。
训练样本中的每张车厢图片对应的载重状态是已知的,服务器可以获取训练样本中的每张车厢图片对应的载重状态,将训练样本中每张车厢图片对应的车厢特征点以及对应的载重状态输入支持向量机进行学习,可以得到车厢特征点与载重状态之间的函数关系,即为车辆载重状态检测模型。
本发明实施例提供的车辆载重状态检测方法,通过对训练样本中的每张车厢图片进行数据处理,将处理之后的每张车厢图片转化成对应的车厢特征点,将训练样本中每张车厢图片对应的车厢特征点以及对应的载重状态输入支持向量机进行学习,得到车辆载重状态检测模型,使得所述方法更加科学。
可选的,在上述实施例的基础上,所述将转化得到的车厢特征点输入预先建立的车辆载重状态检测模型中,得到所述待测车辆的载重状态,包括:
从所述车辆载重状态检测模型中获取用于区分车辆载重状态的超平面;
若判断获知,所述车厢特征点位于所述超平面的第一侧,则所述待测车辆处于空载状态;若判断获知,所述车厢特征点位于所述超平面的第二侧,则所述待测车辆处于满载状态。
具体地,服务器可以从数据库中获取车辆载重状态检测模型,该模型包括用于区分车辆载重状态的超平面,落在该超平面的第一侧的车厢特征点对应的车厢图片表示的是空载状态下的图片,落在该超平面的第二侧的车厢特征点对应的车厢图片表示的是满载状态下的图片,服务器可以从模型中获取该超平面。
如果,服务器经判断获知,待测车辆的车厢图片对应的车厢特征点落在超平面的第一侧,则说明待测车辆处于空载状态;如果,服务器经判断获知,待测车辆的车厢图片对应的车厢特征点落在超平面的第二侧,则说明待测车辆处于满载状态。
本发明实施例提供的车辆载重状态检测方法,通过从车辆载重状态检测模型中获取用于区分车辆载重状态的超平面,若判断获知,待测车辆的车厢图片对应的车厢特征点位于超平面的第一侧,则待测车辆处于空载状态,若判断获知,待测车辆的车厢图片对应的车厢特征点位于超平面的第二侧,则待测车辆处于满载状态,使得所述方法更加科学。
可选的,在上述实施例的基础上,所述均衡化处理包括:
统计所述待测车辆的车厢图片中每个亮度值对应的像素点的个数;
根据每个亮度值对应的像素点的个数,得到所述待测车辆的车厢图片的灰度直方图;
根据所述灰度直方图对所述车厢图片进行非线性拉伸,使得所述车厢图片的像素点对应的亮度值在全部灰度范围内均匀分布。
具体地,上述实施例中所述的均衡化处理过程,具体如下。
首先,服务器可以获取待测车辆的车厢图片中每个像素点的亮度值,然后,统计出每个亮度值对应的像素点的个数。比如,亮度值为80的像素点有多少个,亮度值为81的像素点有多少个。由于亮度值可以取0~255中的任意一个整数,因此,服务器可以得到256个亮度值分别对应的像素点个数。
服务器可以将这256个亮度值及其对应的像素点个数,组成一个数组,该数组有256个元素,该数组的下标为亮度值,数组的内容对应该亮度值的像素点个数。服务器可以根据得该数组得到待测车辆的车厢图片的灰度直方图。
然后,服务器可以根据得到的灰度直方图对待测车辆的车厢图片进行非线性拉伸,对车厢图片中的每个像素点重新分配亮度值,使得待测车辆的车厢图片的像素点对应的亮度值在全部灰度范围内均匀分布。
具体做法如下:服务器可以从灰度直方图中获取每个亮度值对应的像素点个数,然后分别计算每个亮度值对应的像素点个数与图片中的像素点总数的比值,将计算得到的比值记为该亮度值对应的像素点出现的概率。比如,图片中亮度值为m的像素点个数为Nm,图片中的像素点总数为N,则亮度值为m的像素点出现的概率可以记为:
其中,0≤m≤255。
服务器可以按照如下公式,计算出亮度值为n的像素点在进行非线性拉伸之后对应的新亮度值Bn:
Bn=PSn·255,
其中,
本发明实施例提供的车辆载重状态检测方法,通过统计待测车辆的车厢图片中每个亮度值对应的像素点的个数,得到待测车辆的车厢图片的灰度直方图,根据灰度直方图对待测车辆的车厢图片进行非线性拉伸,使得车厢图片的像素点对应的亮度值在全部灰度范围内均匀分布,这使得所述方法更加科学。
图9为本发明实施例提供的车辆载重状态检测系统的结构示意图,如图9所示,所述系统包括:图片获取模块20、数据处理模块21、特征点计算模块22和载重状态计算模块23,其中:
图片获取模块20用于获取待测车辆的车厢图片;数据处理模块21用于对所述待测车辆的车厢图片进行数据处理,得到处理后的车厢图片;其中,所述数据处理包括:裁剪处理、灰度处理、平滑处理和均衡化处理;特征点计算模块22用于将处理后的车厢图片转化成车厢特征点;其中,所述车厢特征点为一维行向量,用于表示处理后的车厢图片中每个像素点的亮度;载重状态计算模块23用于将转化得到的车厢特征点输入预先建立的车辆载重状态检测模型中,得到所述待测车辆的载重状态;其中,所述预先建立的车辆载重状态检测模型为车辆的载重状态与车厢特征点之间的函数关系。
具体地,图片获取模块20可以从摄像头拍摄的车厢监控视频中,获取如图3所示的待测车辆的车厢图片。数据处理模块21可以对获取到的车厢图片进行数据处理。
首先,数据处理模块21可以对获取到的车厢图片进行裁剪处理,如图5所示,对车厢图片进行裁剪处理之后,仅留下车厢以及车厢周边的一个矩形区域内的内容。然后,数据处理模块21可以对裁剪处理之后的图片进行灰度处理,数据处理模块21可以对车厢图片中每个像素的R(红色)、G(绿色)、B(蓝色)分量,利用公式Gray=(R+G+B)/3计算对应的Gray值,将计算得到的Gray值用于目标图片,得到如图6所示的灰度图像,其中,灰度图像的亮度值范围可以为0到255。接下来,数据处理模块21可以对灰度图像进行平滑处理,去掉一些噪声点。具体地,服务器可以遍历灰度图像中的每个像素点,求出每个像素点与周围8个像素点的亮度值总和,再除以9,得到目标像素点的亮度值,经过平滑处理之后,数据处理模块21可以得到如图7所示的车厢图片。再然后,数据处理模块21可以对经过平滑处理之后的车厢图片进行均衡化处理,使得图片细节明显化,得到如图8所示的车厢图片。
数据处理模块21对待测车辆的车厢图片进行裁剪处理、灰度处理、平滑处理和均衡化处理之后得到的处理后的车厢图片。特征点计算模块22可以将处理后的车厢图片转化成车厢特征点,其中,车厢特征点是个一维行向量,该一维行向量中的每个元素表示的是处理后的车厢图片中的每个像素点的亮度。比如,处理后的车厢图片中所有像素点的亮度值可以组成一个矩阵,记为:A60×100,意思是,处理后的车厢图片中一共有60行像素点,每行有100个像素点,矩阵A中的每个元素值对应一个像素点的亮度,比如,A[i,j]表示矩阵A中的第i行第j列的元素,对应的是位于处理后的车厢图片中第i行第j列的像素点的亮度,其中,i为小于或等于60的正整数,j为小于或等于100的正整数。
特征点计算模块22可以将矩阵A60×100转化为B1×6000,具体转化方法为:首先,使得B[1,1]-B[1,100]中的100个元素值分别与A[1,1]-A[1,100]中的100个元素值相等,即B[1,1]等于A[1,1],B[1,2]等于A[1,2],以此类推。然后,使得B[1,101]-B[1,200]中的100个元素分别与A[2,1]-A[2,100]中的100个元素相等,以此类推,直至使得B[1,5901]-B[1,6000]中的100个元素分别与A[60,1]-A[60,100]中的100个元素相等。其中,矩阵B为一维行向量,记为待测车辆的车厢特征点,该一维行向量中的每个元素表示待测车辆处理后的车厢图片中的一个像素点的亮度。
载重状态计算模块23可以从数据库中获取车辆载重状态检测模型,该模型为车辆载重状态与车厢特征点之间的函数关系,将转化得到的车厢特征点输入车辆载重状态检测模型中,得到待测车辆的载重状态。
本发明实施例提供的车辆载重状态检测系统,其功能具体参照上述方法实施例,此处不再赘述。
本发明实施例提供的车辆载重状态检测系统,通过获取待测车辆的车厢图片,对待测车辆的车厢图片进行数据处理,将处理后的车厢图片转化成车厢特征点,将转化得到的车厢特征点输入预先建立的车辆载重状态检测模型中,得到待测车辆的载重状态,该系统利用图像分析车辆的载重状态,只需安装摄像头来采集图像和图像分析装置来分析图像,这些设备安装方便、维护也方便,且不易损坏,可靠性较高。
可选的,在上述实施例的基础上,所述系统包括:图片获取模块、数据处理模块、特征点计算模块、载重状态计算模块和模型建立模块,其中:
所述模型建立模块包括:图片获取子模块、数据处理子模块、特征点计算子模块、载重状态获取子模块和模型建立子模块;其中:图片获取子模块,用于获取训练样本;其中,所述训练样本包括:与所述待测车辆的类型相同的多个车辆在不同载重状态下的车厢图片;数据处理子模块用于对所述训练样本中的每张车厢图片进行所述数据处理,得到处理后的训练样本;特征点计算子模块用于将处理后的训练样本中的每张车厢图片分别转化成对应的车厢特征点;载重状态获取子模块用于获取所述训练样本中的每张车厢图片对应的载重状态;模型建立子模块用于将所述训练样本中的每张车厢图片对应的车厢特征点以及载重状态,输入支持向量机进行学习,得到所述车辆载重状态检测模型。
具体地,本发明实施例提供的车辆载重状态检测系统可以包括:图片获取模块、数据处理模块、特征点计算模块、载重状态计算模块和模型建立模块。其中,所述图片获取模块、所述数据处理模块、所述特征点计算模块和所述载重状态计算模块已在上述实施例中详细描述,此处不再赘述。
所述模型建立模块可以包括:图片获取子模块、数据处理子模块、特征点计算子模块、载重状态获取子模块和模型建立子模块。
图片获取子模块可以获取多个车辆在不同载重状态下对应的车厢图片作为训练样本,其中,所述多个车辆的类型与待测车辆的类型相同。比如,图片获取子模块可以获取100辆车在不同载重状态、不同时间、不同地点、不同天气的视频图片各10000张,这样可以得到100万张图片,这100万张图片的载重状态可以通过人眼来判断,这100万张图片可以分为两类,其中一类为空载状态下的图片,另一类为满载状态下的图片。
数据处理子模块可以按照上述实施例中所述的方法,对训练样本中的每张图片分别进行裁剪处理、灰度处理、平滑处理和均衡化处理,得到处理后的训练样本。特征点计算子模块可以将处理后的训练样本中的每张车厢图片分别转化成对应的车厢特征点。
训练样本中的每张车厢图片对应的载重状态是已知的,载重状态获取子模块可以获取每张车厢图片对应的载重状态,模型建立子模块可以将每张车厢图片对应的特征点以及对应的载重状态输入支持向量机进行学习,得到车厢特征点与载重状态之间的函数关系,即为车辆载重状态检测模型。
本发明实施例提供的车辆载重状态检测系统,通过对训练样本中的每张车厢图片进行数据处理,将处理之后的每张车厢图片转化成对应的车厢特征点,将训练样本中每张车厢图片对应的车厢特征点以及对应的载重状态输入支持向量机进行学习,得到车辆载重状态检测模型,使得所述系统更加科学。
可选的,在上述实施例的基础上,所述载重状态计算模块包括:获取子模块和判断子模块,其中:
获取子模块用于从所述车辆载重状态检测模型中获取用于区分车辆载重状态的超平面;判断子模块用于若所述车厢特征点位于所述超平面的第一侧,则判断所述待测车辆处于空载状态;若所述车厢特征点位于所述超平面的第二侧,则判断所述待测车辆处于满载状态。
具体地,上述实施例中所述的载重状态计算模块可以包括:获取子模块和判断子模块。
具体地,获取子模块可以从数据库中获取车辆载重状态检测模型,该模型包括用于区分车辆载重状态的超平面,落在该超平面的第一侧的车厢特征点对应的车厢图片表示的是空载状态下的图片,落在该超平面的第二侧的车厢特征点对应的车厢图片表示的是满载状态下的图片,获取子模块可以从模型中获取该超平面。
如果,判断子模块经判断获知,待测车辆的车厢图片对应的车厢特征点落在超平面的第一侧,则说明待测车辆处于空载状态;如果,判断子模块经判断获知,待测车辆的车厢图片对应的车厢特征点落在超平面的第二侧,则说明待测车辆处于满载状态。
本发明实施例提供的车辆载重状态检测系统,通过从车辆载重状态检测模型中获取用于区分车辆载重状态的超平面,若判断获知,待测车辆的车厢图片对应的车厢特征点位于超平面的第一侧,则待测车辆处于空载状态,若判断获知,待测车辆的车厢图片对应的车厢特征点位于超平面的第二侧,则待测车辆处于满载状态,使得所述系统更加科学。
可选的,在上述实施例的基础上,所述数据处理模块具体用于:
统计所述待测车辆的车厢图片中每个亮度值对应的像素点的个数;
根据每个亮度值对应的像素点的个数得到所述待测车辆的车厢图片的灰度直方图;
根据所述灰度直方图对所述车厢图片进行非线性拉伸,使得所述车厢图片在预设亮度值范围内,每个亮度值对应的像素点的数量之间的差异小于预设的阈值。
具体地,上述实施例中所述的数据处理模块可以对待测车辆的车厢图片进行均衡化处理,具体过程如下。
首先,数据处理模块可以获取待测车辆的车厢图片中每个像素点的亮度值,然后,统计出每个亮度值对应的像素点的个数。比如,亮度值为80的像素点有多少个,亮度值为81的像素点有多少个。由于亮度值可以取0~255中的任意一个整数,因此,数据处理模块可以得到256个亮度值分别对应的像素点个数。
数据处理模块可以将这256个亮度值及其对应的像素点个数组成一个数组,该数组有256个元素,该数组的下标为亮度值,数组的内容对应该亮度值的像素点个数。数据处理模块可以根据该数组,得到待测车辆的车厢图片的灰度直方图。
然后,数据处理模块可以根据车厢图片的灰度直方图对待测车辆的车厢图片进行非线性拉伸,重新分配图像像素值,使得待测车辆的车厢图片的像素点对应的亮度值在全部灰度范围内均匀分布。
具体做法如下:服务器可以从灰度直方图中获取每个亮度值对应的像素点个数,然后分别计算每个亮度值对应的像素点个数与图片中的像素点总数的比值,将计算得到的比值记为该亮度值对应的像素点出现的概率。比如,图片中亮度值为m的像素点个数为Nm,图片中的像素点总数为N,则亮度值为m的像素点出现的概率可以记为:
其中,0≤m≤255。
服务器可以按照如下公式,计算出亮度值为n的像素点在进行非线性拉伸之后对应的新亮度值Bn:
Bn=PSn·255,
其中,
本发明实施例提供的车辆载重状态检测系统,通过统计待测车辆的车厢图片中每个亮度值对应的像素点的个数,得到待测车辆的车厢图片的灰度直方图,根据灰度直方图对待测车辆的车厢图片进行非线性拉伸,使得车厢图片的像素点对应的亮度值在全部灰度范围内均匀分布,使得所述系统更加科学。
图10为本发明实施例提供的电子设备的结构示意图,如图10所示,所述设备包括:处理器(processor)31、存储器(memory)32和总线33,其中:
所述处理器31和所述存储器32通过所述总线33完成相互间的通信;所述处理器31用于调用所述存储器32中的程序指令,以执行上述各方法实施例所提供的方法,例如包括:获取待测车辆的车厢图片;对所述待测车辆的车厢图片进行数据处理,得到处理后的车厢图片;其中,所述数据处理包括:裁剪处理、灰度处理、平滑处理和均衡化处理;将处理后的车厢图片转化成车厢特征点;其中,所述车厢特征点为一维行向量,用于表示处理后的车厢图片中每个像素点的亮度;将转化得到的车厢特征点输入预先建立的车辆载重状态检测模型中,得到所述待测车辆的载重状态;其中,所述预先建立的车辆载重状态检测模型为车辆的载重状态与车厢特征点之间的函数关系。
本发明实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:
获取待测车辆的车厢图片;对所述待测车辆的车厢图片进行数据处理,得到处理后的车厢图片;其中,所述数据处理包括:裁剪处理、灰度处理、平滑处理和均衡化处理;将处理后的车厢图片转化成车厢特征点;其中,所述车厢特征点为一维行向量,用于表示处理后的车厢图片中每个像素点的亮度;将转化得到的车厢特征点输入预先建立的车辆载重状态检测模型中,得到所述待测车辆的载重状态;其中,所述预先建立的车辆载重状态检测模型为车辆的载重状态与车厢特征点之间的函数关系。
本发明实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:
获取待测车辆的车厢图片;对所述待测车辆的车厢图片进行数据处理,得到处理后的车厢图片;其中,所述数据处理包括:裁剪处理、灰度处理、平滑处理和均衡化处理;将处理后的车厢图片转化成车厢特征点;其中,所述车厢特征点为一维行向量,用于表示处理后的车厢图片中每个像素点的亮度;将转化得到的车厢特征点输入预先建立的车辆载重状态检测模型中,得到所述待测车辆的载重状态;其中,所述预先建立的车辆载重状态检测模型为车辆的载重状态与车厢特征点之间的函数关系。以上所描述的电子设备等实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上各实施例仅用以说明本发明的实施例的技术方案,而非对其限制;尽管参照前述各实施例对本发明的实施例进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明的实施例各实施例技术方案的范围。
Claims (10)
1.一种车辆载重状态检测方法,其特征在于,包括:
获取待测车辆的车厢图片;
对所述待测车辆的车厢图片进行数据处理,得到处理后的车厢图片;其中,所述数据处理包括:裁剪处理、灰度处理、平滑处理和均衡化处理;
将处理后的车厢图片转化成车厢特征点;其中,所述车厢特征点为一维行向量,用于表示处理后的车厢图片中每个像素点的亮度;
将转化得到的车厢特征点输入预先建立的车辆载重状态检测模型中,得到所述待测车辆的载重状态;
其中,所述预先建立的车辆载重状态检测模型为车辆的载重状态与车厢特征点之间的函数关系。
2.根据权利要求1所述的方法,其特征在于,还包括所述车辆载重状态检测模型的建立过程,所述建立过程包括:
获取训练样本;其中,所述训练样本包括:与所述待测车辆的类型相同的多个车辆在不同载重状态下的车厢图片;
对所述训练样本中的每张车厢图片进行所述数据处理,得到处理后的训练样本;将处理后的训练样本中的每张车厢图片分别转化成对应的车厢特征点;
获取所述训练样本中的每张车厢图片对应的载重状态;
将所述训练样本中的每张车厢图片对应的车厢特征点以及载重状态输入支持向量机进行学习,得到所述车辆载重状态检测模型。
3.根据权利要求1所述的方法,其特征在于,所述将转化得到的车厢特征点输入预先建立的车辆载重状态检测模型中,得到所述待测车辆的载重状态,包括:
从所述车辆载重状态检测模型中获取用于区分车辆载重状态的超平面;
若判断获知,所述车厢特征点位于所述超平面的第一侧,则所述待测车辆处于空载状态;若判断获知,所述车厢特征点位于所述超平面的第二侧,则所述待测车辆处于满载状态。
4.根据权利要求1所述的方法,其特征在于,所述均衡化处理包括:
统计所述待测车辆的车厢图片中每个亮度值对应的像素点的个数;
根据每个亮度值对应的像素点的个数,得到所述待测车辆的车厢图片的灰度直方图;
根据所述灰度直方图对所述车厢图片进行非线性拉伸,使得所述车厢图片的像素点对应的亮度值在全部灰度范围内均匀分布。
5.一种车辆载重状态检测系统,其特征在于,包括:
图片获取模块,用于获取待测车辆的车厢图片;
数据处理模块,用于对所述待测车辆的车厢图片进行数据处理,得到处理后的车厢图片;其中,所述数据处理包括:裁剪处理、灰度处理、平滑处理和均衡化处理;
特征点计算模块,用于将处理后的车厢图片转化成车厢特征点;其中,所述车厢特征点为一维行向量,用于表示处理后的车厢图片中每个像素点的亮度;
载重状态计算模块,用于将转化得到的车厢特征点输入预先建立的车辆载重状态检测模型中,得到所述待测车辆的载重状态;
其中,所述预先建立的车辆载重状态检测模型为车辆的载重状态与车厢特征点之间的函数关系。
6.根据权利要求5所述的系统,其特征在于,还包括:模型建立模块,所述模型建立模块包括:
图片获取子模块,用于获取训练样本;其中,所述训练样本包括:与所述待测车辆的类型相同的多个车辆在不同载重状态下的车厢图片;
数据处理子模块,用于对所述训练样本中的每张车厢图片进行所述数据处理,得到处理后的训练样本;
特征点计算子模块,用于将处理后的训练样本中的每张车厢图片分别转化成对应的车厢特征点;
载重状态获取子模块,用于获取所述训练样本中的每张车厢图片对应的载重状态;
模型建立子模块,用于将所述训练样本中的每张车厢图片对应的车厢特征点以及载重状态输入支持向量机进行学习,得到所述车辆载重状态检测模型。
7.根据权利要求5所述的系统,其特征在于,所述载重状态计算模块包括:
获取子模块,用于从所述车辆载重状态检测模型中获取用于区分车辆载重状态的超平面;
判断子模块,用于若所述车厢特征点位于所述超平面的第一侧,则判断所述待测车辆处于空载状态;若所述车厢特征点位于所述超平面的第二侧,则判断所述待测车辆处于满载状态。
8.根据权利要求5所述的系统,其特征在于,所述数据处理模块具体用于:
统计所述待测车辆的车厢图片中每个亮度值对应的像素点的个数;
根据每个亮度值对应的像素点的个数得到所述待测车辆的车厢图片的灰度直方图;
根据所述灰度直方图对所述车厢图片进行非线性拉伸,使得所述车厢图片的像素点对应的亮度值在全部灰度范围内均匀分布。
9.一种电子设备,其特征在于,包括存储器和处理器,所述处理器和所述存储器通过总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至4任一所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至4任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810141015.8A CN108345858A (zh) | 2018-02-11 | 2018-02-11 | 一种车辆载重状态检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810141015.8A CN108345858A (zh) | 2018-02-11 | 2018-02-11 | 一种车辆载重状态检测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108345858A true CN108345858A (zh) | 2018-07-31 |
Family
ID=62958870
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810141015.8A Pending CN108345858A (zh) | 2018-02-11 | 2018-02-11 | 一种车辆载重状态检测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108345858A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110738104A (zh) * | 2019-09-05 | 2020-01-31 | 成都亿盟恒信科技有限公司 | 一种基于图像处理的渣土车空重载识别系统及方法 |
CN111476123A (zh) * | 2020-03-26 | 2020-07-31 | 杭州鸿泉物联网技术股份有限公司 | 车辆状态识别方法、装置、电子设备及存储介质 |
CN111666825A (zh) * | 2020-05-15 | 2020-09-15 | 杭州鸿泉物联网技术股份有限公司 | 基于人在回路的车辆载重状态识别方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101706274A (zh) * | 2009-12-02 | 2010-05-12 | 中国计量学院 | 钢轨扣件系统螺母缺失自动检测装置 |
CN101839978A (zh) * | 2010-03-05 | 2010-09-22 | 清华大学 | 一种高速公路绿色通道敞篷车装载率获取方法 |
WO2013121911A1 (ja) * | 2012-02-16 | 2013-08-22 | 日産自動車株式会社 | 立体物検出装置及び立体物検出方法 |
CN105300469A (zh) * | 2015-09-16 | 2016-02-03 | 河海大学常州校区 | 一种移动龙门式车载物料体积测量系统及方法 |
CN106791723A (zh) * | 2017-03-08 | 2017-05-31 | 南京云趟信息技术有限公司 | 一种工程车的空/重车判断系统及方法 |
CN107122747A (zh) * | 2017-04-28 | 2017-09-01 | 北京理工大学 | 一种轨道车辆车厢状态非接触检测装置及方法 |
-
2018
- 2018-02-11 CN CN201810141015.8A patent/CN108345858A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101706274A (zh) * | 2009-12-02 | 2010-05-12 | 中国计量学院 | 钢轨扣件系统螺母缺失自动检测装置 |
CN101839978A (zh) * | 2010-03-05 | 2010-09-22 | 清华大学 | 一种高速公路绿色通道敞篷车装载率获取方法 |
WO2013121911A1 (ja) * | 2012-02-16 | 2013-08-22 | 日産自動車株式会社 | 立体物検出装置及び立体物検出方法 |
CN105300469A (zh) * | 2015-09-16 | 2016-02-03 | 河海大学常州校区 | 一种移动龙门式车载物料体积测量系统及方法 |
CN106791723A (zh) * | 2017-03-08 | 2017-05-31 | 南京云趟信息技术有限公司 | 一种工程车的空/重车判断系统及方法 |
CN107122747A (zh) * | 2017-04-28 | 2017-09-01 | 北京理工大学 | 一种轨道车辆车厢状态非接触检测装置及方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110738104A (zh) * | 2019-09-05 | 2020-01-31 | 成都亿盟恒信科技有限公司 | 一种基于图像处理的渣土车空重载识别系统及方法 |
CN111476123A (zh) * | 2020-03-26 | 2020-07-31 | 杭州鸿泉物联网技术股份有限公司 | 车辆状态识别方法、装置、电子设备及存储介质 |
CN111666825A (zh) * | 2020-05-15 | 2020-09-15 | 杭州鸿泉物联网技术股份有限公司 | 基于人在回路的车辆载重状态识别方法及装置 |
CN111666825B (zh) * | 2020-05-15 | 2023-09-01 | 杭州鸿泉物联网技术股份有限公司 | 基于人在回路的车辆载重状态识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110826520B (zh) | 一种基于改进YOLOv3-tiny算法的港口抓斗检测方法 | |
JP4160258B2 (ja) | 勾配ベースの局部輪郭線検出のための新しい知覚的しきい値決定 | |
JP5781743B2 (ja) | 画像処理装置、画像処理方法及び画像処理プログラム | |
CN100341313C (zh) | 判定影像的颜色组成的方法 | |
CN108345858A (zh) | 一种车辆载重状态检测方法和系统 | |
CN106650615B (zh) | 一种图像处理方法及终端 | |
CN109101913A (zh) | 行人重识别方法和装置 | |
CN111015652B (zh) | 机械手控制方法、控制装置、终端设备及可读存储介质 | |
CN109102466A (zh) | 图像污点判定方法及装置 | |
CN109584175B (zh) | 一种图像处理方法及装置 | |
CN112634248B (zh) | 颗粒状原料粒度测量系统及方法、电子设备及存储介质 | |
CN114419533A (zh) | 深水网衣破损识别方法、装置、设备及存储介质 | |
CN112150368A (zh) | 图像处理方法、装置、电子设备及计算机可读存储介质 | |
CN110298796A (zh) | 基于改进Retinex与对数图像处理的低照度图像增强方法 | |
CN113281017A (zh) | 一种显示屏的质量检测方法、终端及存储介质 | |
RU2510897C2 (ru) | Способ сегментации сложноструктурированных растровых полутоновых изображений на основе составных морфологических операторов | |
CN112101260A (zh) | 一种作业人员安全带识别方法、装置、设备和存储介质 | |
CN114219774B (zh) | 图像质量评估方法、装置、终端及计算机可读存储介质 | |
CN115512203A (zh) | 信息检测方法、装置、设备及存储介质 | |
CN114550102A (zh) | 货物堆积检测方法、装置、设备和系统 | |
JP7311455B2 (ja) | スクラップ等級判定システム、スクラップ等級判定方法、推定装置、学習装置、学習済みモデルの生成方法、及びプログラム | |
CN113989286A (zh) | 深度学习的皮带撕裂度量方法、装置、设备及存储介质 | |
US20140118389A1 (en) | Character region pixel identification device and method thereof | |
CN114359023B (zh) | 基于复杂度将图片分流调度到中心的方法、设备及系统 | |
WO2021102947A1 (zh) | 图像信号处理装置、方法、相机以及可移动平台 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180731 |