CN109916483B - 称重设备联合监控方法及装置 - Google Patents

Abstract

一种称重设备联合监控方法及装置，该称重设备联合监控方法包括：进行称重设备的数量及位置的布局；获取车辆经过第一称重设备的第一车辆特征信息；获取车辆经过第二称重设备的第二车辆特征信息；根据第一车辆特征信息及第二车辆特征信息将经过第一称重设备的车辆与经过第二称重设备的车辆进行逻辑匹配；根据匹配成功的车辆对应的第二车辆特征信息中的车辆重量信息对该匹配成功的车辆的第一车辆特征信息进行标定，以使第一称重设备得到车辆重量信息；根据第二称重设备得到的车辆重量信息及第一称重设备得到的车辆重量信息进行联合称重。标定后的称重设备的称重进行联合监控，获得更为准确的测量结果。

Description

称重设备联合监控方法及装置

技术领域

本发明是关于动态称重技术领域，特别是关于一种称重设备联合监控方法及装置。

背景技术

动态称重技术有低速称重和高速称重之分。低速称重目前的应用较为广泛，技术较为成熟，称重精度也较高，目前国内绝大部分计重收费站点采用的是低速称重设备 及技术。高速动态称重技术在高速预检、非现场执法领域得到十分广泛的应用。高速 称重设备主要应用在高速公路、国省道等自由流通行的道路断面上。其采用的传感器 与低速设备不同，多为一体式的称重传感器，即：称体本身即为称重传感器。此类设 备尺寸较小，多呈条状，一般其称重区域要远远小于车辆轮胎的接地面积，因此高速 称重设备多为不完全称重设备。目前应用较为广泛的高速称重条状传感器有窄条、石 英、压电膜等。图22为现有技术条状传感器采集到的一辆两轴车的波形信号示意图。

由于高速设备的称重区域一般远小于轮胎的接地面积，故采集到的此类设备的波形一般较为陡峭，且有一个明显的波峰。图中，e点为车辆的上称点，f点为车辆的 下称点。目前，多采用ef段波形的积分与车辆的速度的乘积来计算此段波形所反映 的重量信息。

图23为一种典型高速称重设备的速度计算示意图。高速称重设备一般采用多根条状传感器联合布局的方式，由于条状传感器的称重区域面积要远小于轮胎的接地面 积，故可以精确得到轮胎触发前后传感器的时刻t₁和t₂，其中，传感器#1的触发时 刻t₁＝(T₁+T₂)/2，T₁代表传感器#1的上称时刻，T₂代表传感器#1的下称时刻，t₂的 计算与之类似。有了t₁与t₂再结合传感器之间的固定距离L，很容易计算出车辆的精 确速度v。同样的，

v＝L/(t₂-t₁)

针对高速动态称重系统，一方面由于其自身特点导致其精度不理想，另一方面由于其布置较为明显，司机往往会采取一定的作弊手段，导致称重误差的加大。

发明内容

本发明实施例提供了一种称重设备联合监控方法，以利用标定后的第一称重设备进行精确称重，或者利用标定后的称重设备联合监控，获得更为准确的测量结果。

为了实现上述目的，本发明实施例提供了一种称重设备联合监控方法，包括：

进行称重设备的数量及位置的布局；所述称重设备包括第一称重设备及第二称重设备，所述第一称重设备为槽钢传感器或压电薄膜传感器，所述第二称重设备为窄条 传感器或石英传感器；

实时获取车辆经过第一称重设备的第一车辆特征信息；其中，所述第一车辆特征信息包括：接地长度、车速、上称时间、下称时间、波形点数、峰值点、轴距及轴数 中的至少一种及第一称重设备得到的车辆重量信息；

实时获取车辆经过第二称重设备的第二车辆特征信息；其中，所述第二车辆特征信息包括：接地长度、车速、上称时间、下称时间、波形点数、峰值点、轴距及轴数 中的至少一种及第二称重设备得到的车辆重量信息；

根据所述第一车辆特征信息及所述第二车辆特征信息将经过所述第一称重设备的车辆与经过所述第二称重设备的车辆进行逻辑匹配；

根据匹配成功的车辆对应的第二称重设备得到的车辆重量信息对该匹配成功的车辆的第一车辆特征信息进行标定，以使第一称重设备得到车辆重量信息；

根据第二称重设备得到的车辆重量信息及第一称重设备得到的车辆重量信息进行联合称重。

为了实现上述目的，本发明实施例提供了一种称重设备联合监控装置，包括：

传感器布局单元，用于进行称重设备的数量及位置的布局；

第一信息获取单元，用于实时获取车辆经过第一称重设备的第一车辆特征信息；其中，所述第一车辆特征信息包括：接地长度、车速、上称时间、下称时间、波形点 数、峰值点、轴距及轴数中的至少一种及第一称重设备得到的车辆重量信息；

第二信息获取单元，用于实时获取车辆经过第二称重设备的第二车辆特征信息；其中，所述第二车辆特征信息包括：接地长度、车速、上称时间、下称时间、波形点 数、峰值点、轴距及轴数中的至少一种及车辆重量信息，所述第二称重设备的称量精 度范围大于所述第一称重设备的称量精度范围；

匹配单元，用于根据所述第一车辆特征信息及所述第二车辆特征信息将经过所述第一称重设备的车辆与经过所述第二称重设备的车辆进行逻辑匹配；

标定单元，用于根据匹配成功的车辆对应的车辆重量信息对该匹配成功的车辆的第一车辆特征信息进行标定，以使第一称重设备得到车辆重量信息；

联合称重单元，用于根据第二称重设备得到的车辆重量信息及第一称重设备得到的车辆重量信息进行联合称重。

为了实现上述目的，本发明实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程 序时实现以下步骤：

进行称重设备的数量及位置的布局；所述称重设备包括第一称重设备及第二称重设备，所述第一称重设备为槽钢传感器或压电薄膜传感器，所述第二称重设备为窄条 传感器或石英传感器；

实时获取车辆经过第一称重设备的第一车辆特征信息；其中，所述第一车辆特征信息包括：接地长度、车速、上称时间、下称时间、波形点数、峰值点、轴距及轴数 中的至少一种及第一称重设备得到的车辆重量信息；

实时获取车辆经过第二称重设备的第二车辆特征信息；其中，所述第二车辆特征信息包括：接地长度、车速、上称时间、下称时间、波形点数、峰值点、轴距及轴数 中的至少一种及第二称重设备得到的车辆重量信息；

根据所述第一车辆特征信息及所述第二车辆特征信息将经过所述第一称重设备的车辆与经过所述第二称重设备的车辆进行逻辑匹配；

根据匹配成功的车辆对应的第二称重设备得到的车辆重量信息对该匹配成功的车辆的第一车辆特征信息进行标定，以使第一称重设备得到车辆重量信息；

根据第二称重设备得到的车辆重量信息及第一称重设备得到的车辆重量信息进行联合称重。

为了实现上述目的，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

进行称重设备的数量及位置的布局；所述称重设备包括第一称重设备及第二称重设备，所述第一称重设备为槽钢传感器或压电薄膜传感器，所述第二称重设备为窄条 传感器或石英传感器；

实时获取车辆经过第一称重设备的第一车辆特征信息；其中，所述第一车辆特征信息包括：接地长度、车速、上称时间、下称时间、波形点数、峰值点、轴距及轴数 中的至少一种及第一称重设备得到的车辆重量信息；

实时获取车辆经过第二称重设备的第二车辆特征信息；其中，所述第二车辆特征信息包括：接地长度、车速、上称时间、下称时间、波形点数、峰值点、轴距及轴数 中的至少一种及第二称重设备得到的车辆重量信息；

根据所述第一车辆特征信息及所述第二车辆特征信息将经过所述第一称重设备的车辆与经过所述第二称重设备的车辆进行逻辑匹配；

根据匹配成功的车辆对应的第二称重设备得到的车辆重量信息对该匹配成功的车辆的第一车辆特征信息进行标定，以使第一称重设备得到车辆重量信息；

根据第二称重设备得到的车辆重量信息及第一称重设备得到的车辆重量信息进行联合称重。

本申请实施例中，通过同时获取第一称重设备与第二称重设备的车辆数据，提取特征值进行数据匹配，实现第二称重设备称重数据对第一称重设备称重数据进行标定， 使得标定后的第一称重设备精度提高。在行车过程中，根据不同的异常行为，利用标 定后的称重设备进行联合称重，实现联合监控，从而保证动态称重条件下车辆的称重 精度。

当然实施本申请的任一产品或者方法必不一定需要同时达到以上所述的所有优点。

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简单地介绍，显而易见地，下面描述中的附图仅仅 是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提 下，还可以根据这些附图获得其他的附图。

图1为本发明实施例的称重设备联合监控方法流程图；

图2为本发明实施例获取车辆经过第一称重设备的车辆特征信息的流程图；

图3为本发明实施例获取车辆经过第二称重设备的车辆特征信息的流程图；

图4为本发明实施例机器学习算法模块流程图；

图5为本发明实施例Cov模块过滤器结构示意图；

图6为本发明实施例使用过滤器计算g(0)取值的过程示意图；

图7为本发明实施例全连接层数学原理流程图；

图8为本发明一实施例的联合称重方法流程图；

图9为本发明另一实施例的联合称重方法流程图；

图10为本发明实施例的称重设备联合监控装置的结构框图；

图11为本发明实施例的第一信息获取单元的结构框图；

图12为本发明一实施例的联合称重单元的结构框图；

图13为本发明另实施例的联合称重单元的结构框图；

图14为本发明实施例的第一称重设备系统的选择与布局流程图；

图15为本发明实施例的窄条式传感器与第一称重设备的布局图；

图16为本发明实施例利用第二称重设备数据在线训练第一称重设备的流程图；

图17为本发明实施例的传感器联合称重方法与流程图；

图18至图21是本发明实施例的效果示意图；

图22为现有技术的高速称重设备采集到的两轴车的波形信号示意图；

图23为现有技术的典型高速称重设备的速度计算流程。

具体实施方式

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、完整地描述，显然，所描述的实施例仅仅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。

现有技术中，由于车辆异常行驶导致第二称重设备可能出现不可用的情况，而第一称重设备又无法准确的测量车重。为了解决现有技术中存在的问题，本发明利用第 二称重设备对第一称重设备进行标定，使第一称重设备得出的车辆重量在运行的误差 范围内。

图1为本发明实施例的称重设备联合监控方法流程图，如图1所示，该称重设备 联合监控方法包括：

S101：进行称重设备的数量及位置的布局。

所述称重设备包括第一称重设备及第二称重设备，所述第一称重设备为槽钢传感器或压电薄膜传感器，所述第二称重设备为窄条传感器或石英传感器。

对于第一称重设备，其是一种相对于第二称重设备相比成本较低，但对压力变化具有较高灵敏度的、埋入地下的传感器。针对该种传感器，其线性、一致性、温度特 性与第二称重设备相比较差，故对于传感器的选择不仅需要考虑力传感器，还需要考 虑选择温度传感器和位置传感器来对称量进行辅助，如图14所示。

对于传感器的布局，需要考虑传感器的数量、传感器的位置和多种传感器的逻辑设计。针对传感器的数量，其基于传感器的选型，考虑传感器使用的可靠性、传感器 的成本和其所带来的逻辑复杂度。针对传感器的位置，需要重点考虑传感器的布置区 域和称重设备的距离。针对传感器的逻辑设计，需要考虑大量传感器的逻辑匹配，如 图15所示。

一实施例中，第一称重设备为1至20排(每排一个第一称重设备)，每排第一称 重设备之间的距离为0.2至2米；所述第二称重设备为1至5排(每排一个第二称重 设备)，每排第二称重设备之间的距离为0.2至2米；第一称重设备的整体与第二称 重设备的整体之间的距离为0.2至20米。

S102：实时获取车辆经过第一称重设备的第一车辆特征信息。

其中，所述一车辆特征信息包括：接地长度、车速、上称时间、下称时间、波形 点数、峰值点、轴距及轴数中的至少一种及第一称重设备得到的车辆重量信息。第一 车辆特征信息还可以包括上述信息之外的其它信息，本发明不以此为限。

一实施例中，第一称重设备的称量精度低于GB/T 21296-2007 10级，本发明不以此称量精度为限。

S103：实时获取车辆经过第二称重设备的第二车辆特征信息。

其中，所述第二车辆特征信息包括：接地长度、车速、上称时间、下称时间、波 形点数、峰值点、轴距及轴数中的至少一种及车辆重量信息。第二车辆特征信息还可 以包括上述信息之外的其它信息，本发明不以此为限。

一实施例中，第二称重设备的称重精度等于GB/T 21296-2007 10级或者在GB/T21296-2007 10级以上，本发明不以此称量精度为限。

S104：根据所述第一车辆特征信息及所述第二车辆特征信息将经过所述第一称重设备的车辆与经过所述第二称重设备的车辆进行逻辑匹配。

S105：根据匹配成功的车辆对应的车辆重量信息对该匹配成功的车辆的第一车辆特征信息进行标定，以使第一称重设备得到车辆重量信息。

S106：根据第二称重设备得到的车辆重量信息及第一称重设备得到的车辆重量信息进行联合称重。

由图1所示的流程可知，本发明获取经过第一称重设备及第二称重设备(两种不同的称重传感器)的车辆的特征信息，基于特征信息进行车辆逻辑匹配，如果匹配成 功，根据第二称重设备测量的成功匹配的车辆的重量信息对第一称重设备的车辆特征 信息进行训练标定。通过该方法，可以利用标定后的第一称重设备进行精确称重，或 者利用标定后的称重设备联合监控，获得更为准确的测量结果。

一实施例中，如图2所示，S102实时获取车辆经过第一称重设备的车辆特征信 息，可以包括如下步骤：

S201：实时获取车辆完整经过所述第一称重设备的时序信号；

S202：从所述时序信号中提取车辆特征信息。

车辆全部经过称重设备后，称重设备就可以获得该车辆的时序信号。对时序信号一般需要进行滤波，根据滤波后的时序信号，可以直接找到峰值点、轴数、波形点数、 接地长度、上称时间、下称时间等信息。

车速和轴距通过可以通过传感器(第一称重设备及第二称重设备)之间的间距和峰值点点数进行求解。

对于车速，首先获取车辆通过两排传感器时各自对应相同轴峰值点的时间点，然后计算两个时间点的差，两排传感器的间距除以两个时间点的差，就得到车速。

对于轴距：上述时间点的差乘以车速。

对于接地长度：首先计算上称时间与下称时间的差值，该差值乘以车速，得到的乘积减去传感器自身沿行车方向的长度，即可得到接地长度。

一实施例中，如图3所示，S103实时获取车辆经过第二称重设备的车辆特征信 息，可以包括如下步骤：

S301：实时获取车辆完整经过所述第二称重设备的时序信号；

S302：从所述时序信号中提取车辆特征信息。

S102及S103中获取车辆特征信息的一个作用是进行车辆匹配，另一个作用是利用第二称重设备称得的匹配成功的车辆的重量信息对第一称重设备的车辆特征信息 进行训练标定，训练得到称重模型，由此可见，本发明在获得第一称重设备及第二称 重设备的车辆特征信息之后，首先要进行车辆逻辑匹配。

本发明实施例中，进行车辆逻辑匹配时，可以将所述第一车辆特征信息中的接地长度、车速、轴距、轴数中的一种或多种分别与所述第二车辆特征信息中的接地长度、 车速、轴距、轴数中的一种或多种进行比较，如果比较结果为一致，则认为匹配成功。

一实施例中，本发明可以利用接地长度进行车辆逻辑匹配，将所述第一车辆特征信息中的接地长度与所述第二车辆特征信息中的接地长度进行比较，如果误差在设定 长度阈值范围内，则匹配成功。

一实施例中，本发明可以利用车速进行车辆逻辑匹配，将所述第一车辆特征信息中的车速与所述第二车辆特征信息中的车速进行比较，如果误差在设定速度阈值范围 内，则匹配成功。

一实施例中，本发明可以利用车速进行车辆逻辑匹配，将所述第一车辆特征信息中的轴数及轴距与所述第二车辆特征信息中的轴数及轴距分别进行比较，如果一致， 则匹配成功。

除了上述的接地长度、车速、及轴数及轴距，本发明实施例还可以利用车辆特征信息中的其它信息或者信息的结合进行车辆逻辑匹配，在此不再赘述。

S105为利用窄条数据在线训练槽钢称重传感器的步骤。

图16是本发明实施例利用第二称重设备数据在线训练第一称重设备的流程图。如图16所示，分别采集第二称重设备数据和第一称重设备数据。当判断车辆没有作 弊时，直接采用第二称重设备数据来计算车重，并将该窄条数据和相对应的第一称重 设备数据结合来训练第一称重设备称重模型。当判断车辆作弊时，将放弃第二称重设 备数据，直接利用第一称重设备数据。通过训练充分的第一称重设备重量计算模型得 到车辆的重量。虽然此时计算误差可能比传统的第二称重设备的计算误差大，但直接 利用作弊的数据计算车重显然是不切实际的。

一实施例中，S105中根据匹配成功的车辆对应的车辆重量信息对该匹配成功的车辆的第一车辆特征信息进行标定时，可以将匹配成功的车辆对应的车辆重量信息作 为标签，并将上称时间与下称时间之间的波形的积分和作为称重模型的输入，训练出 所述第一称重设备的称重模型。

另一实施例中，可以将匹配成功的车辆对应的车辆重量信息作为标签，并将获取到的时序信号作为称重模型的输入，训练出第一称重设备的称重模型。

本发明实施例可以采用机器学习的方法训练上述称重模型，其具体运行的框架是基于Google开源的Tensorflow框架。图4是本发明机器学习算法模块流程图，如图 4所示，该流程中包括五个模块：输入层模块，卷积层模块，池化层模块，全连接层 模块及输出层模块。其中卷积层模块和池化层模块可以归一为Cov模块。由图4可 以看出，Cov模块使用虚线框标示，并且卷积层模块和池化层模块后面加一个疑问符 号，这是表示Cov模块或者卷积层模块，池化层模块是可以舍弃的，当舍弃掉Cov 模块后，图4的模型方法就变成BP全连接神经网络模型方法。

下面将具体介绍图4展示的流程中不同模块的运行原理：

对于输入层模块，即是直接接收M2模块处理后的数据。对于Cov模块，其实质上 是起到一个过滤器的作用。它可以将当前神经网络上的一个子节点矩阵转化为下一层 神经网络上的长宽都减小的节点矩阵。对于Cov模块，其具体的前向传播过程如图5 所示。其前向传播过程就是通过左侧小矩阵中的节点计算出右侧单位矩阵中节点的过 程。为了直观解释其前向传播过程，下面通过一个具体的样例来说明。在这个样例中 将展示如何通过过滤器将一个2x 2x 3的节点矩阵变成一个1x 1x 5的单位节点矩阵。 假设使用

来表示对于输出单位节点矩阵中的第i个节点，过滤器输入节点(x,y,z) 的权重值，使用bⁱ表示第i个输出节点对应的偏置项参数，那{么单位矩阵中的第i个节 点的取值g(i)为：

其中a_x,y,z为过滤器中节点(x,y,z)的取值，f为激活函数，f函数的选取有很多， 本发明不只限于下面的一个。一个具体的激活函数f定义如下：

图6展示了在a,w⁰,b⁰给定了的情况下，使用激活函数f计算g(0)的过程。其中，

b⁰＝1

因此，由上述公式(1)、(2)和已知条件，如图6所示，则可以计算g(0):

g(0)＝f(3+(-4)+(-3)+1)＝f(-3)＝0

同理也可以按照上述步骤计算g(1)，g(2)，g(3)及g(4)等。

上述实例即是对于Cov模块前向传播的一个简要说明。Cov模块的作用就是将输入的海量数据矩阵，通过过滤器来筛选更加有用的数据特征信息，有效的缩减矩阵大小， 减小全连接层的参数，也防止了训练模型的过拟合化。

对于全连接层模型，其与前面Cov模型的最大区别是在每两个全连接层的每个神经元之间是互相连接的，不同于Cov模型层的神经元的部分连接。全连接层的算法过 程，全连接算法总体包含正向与反向传播两个过程。在正向传播过程中，输入层接收 数据经过隐含层单元处理后，传至输出层单元。每一层神经元仅仅影响与他相邻的下 一层神经元。当经过一轮处理后输出结果与期望输出不同时，则进入误差反向传播过 程，经过优化函数处理，不断修正各个层各个神经单元的权重值，一直到输入层。不 断的重复上述两步，使得不同层的神经单元的权重值不断的被修正，这就是全连接神 经网络学习的核心过程。

其数学核心过程参见图7。对于全连接层的第j个神经元，其接收了上一层神经元的n个输出x₁,x₂....,x_n，其对应的权值分别为w_j1,w_j2,....,w_jn，偏移项为b_j。

正向传播过程：

第j个神经元的输入值s_j为：

经过激活函数处理后得到神经元j的输出：

其中y_j为输出结果，f为激活函数，F为f的符合函数，激活函数不唯一，并且 X＝(x₁,x₂....,x_n)，W_j＝(w_j1,w_j2,....,w_jn)。

上述过程为称重模型的机器学习训练方法。上述过程反复多次运行后，得到最优的称重模型。

得到称重模型后，就可以利用第一称重设备精确测量经过其的车重，使得标定后的第一称重设备精度提高。

由于第二称重设备的价格较昂贵，本发明具体实施，一般设置较多的第一称重设备及较少的第二称重设备，如果第二称重设备没有损坏，可以用第一称重设备及第二 称重设备共同进行称重，即联合称重。

图17为本发明实施例的传感器联合称重方法流程图，如图17所示，首先，分别 采集第二称重设备和第一称重设备的数据，分别提取两种传感器的特征信息值。其次， 在提取完特征信息值后，第二称重设备利用其称重模型计算重量，第一称重设备通过 训练模型计算重量。在此基础上，利用上述两种传感器或其它附加传感器得出车速、 行驶轨迹和温度等车辆行驶状态和路面状态。最后，利用标定的模型进行联合称称重， 获得实测车辆的重量。

所有的称重设备构成了称重系统，联合称重要求第一称重设备和第二称重设备相连布置，即保证一辆车(一般指货车)同时通过第一称重设备和第二称重设备(如货 车的前半部分在第二称重设备，货车的后半部分在第一称重设备)。联合称重的核心 思想是车辆同时轧在第一称重设备和第二称重设备，这样可以补充第二称重设备数据 的不完备性。

一实施例中，联合称重时，可以将第一称重设备及第二称重设备得到的车辆重量取平均值。

一实施例中，如图8所示，联合称重方法包括如下步骤：

S801：查找车辆的轴全部在称重设备上的至少一个时间点，在该时间点，所述车辆的部分轴在部分第一称重设备上，另一部分轴在部分第二称重设备上；

S802：选取该时间点称重设备称得的各个轴的轴重，计算该车辆的重量。

车辆在路过称重系统时，由于是人操纵车辆，会有加减速行为，一般不能保证绝对匀速。当车辆加减速时，重心会发生偏移。如果仅有第二称重设备，如三排窄条， 则无法保证货车的轴同时在窄条系统上(因为货车比较长，轴数比较多，如6轴车)。 当本发明采用联合称重时，则可以找到货车各个轴同时轧在传感器的排上，例如：窄 条系统3排，第一称重设备10排，一个6轴车完全在我们的联合称重系统上时，第 一个轴在第二称重设备第1排上，第二个轴在第二称重设备第3排上，第三个轴在第 一称重设备第2排上，第四、五、六个轴分别在第一称重设备第6、7、8排上。具体 进行车辆重量称量时，只需选取第二称重设备的第1、3排，第一称重设备的2、6、 7、8排进行计算即可(将各个轴重相加即得到车重)。因为不管车辆重心如何偏移， 其总车重不会发生变化，本发明只要在一个相同的时刻同时称量6个轴的重量，便可 以消除重心偏移造成的误差。因此，利用图8所示的联合称重方法可以消除车辆重心 偏移误差。

一实施例中，如图9所示，联合称重方法包括如下步骤：

S901：获取车辆每一车轴在不同称重设备称得的多个轴重数据，其中部分轴重数据由第一称重设备得到，部分轴重数据由第二称重设备得到。

车辆在行驶的过程中，由于发动机震动、车辆悬挂系统减震等原因，都会导致车辆震动，这样导致车辆每一个轴的对地重量是波动的，但所有的轴在每一瞬时的加和 值(车辆总重)是不变的，说明低速下的整体20m长的称重设备不存在震动误差。 目前的称量装置，如窄条、石英等，都是轴称量，即通过单轴称量，然后将各个轴的 重量加和计算车辆总重。车辆震动导致轴称量不准确(轴的重量震动规律符合正弦波 动)，故引起误差。

当采用联合称重时，可以获得一个轴在经过第一称重设备的轴重、经过第二称重设备的轴重，通过获得一个轴的多个轴重数据(如3窄条会获得3数据点、10排槽 钢可以获得10个数据点)。如果没有槽钢系统，仅有窄条系统(如3窄条)，则拟合 结果有无穷组解，无法正确计算震动幅值。

S902：将多个轴重数据进行正弦拟合，得到车轴震动后的正弦曲线。

S903：提取所述正弦曲线的直流分量，得到每一车轴的轴重。当拟合出车辆轴震动的曲线后，取震动波形的直流分量为轴重即可。

S904：将每一车轴的轴重相加，得到该车辆的车轴。

可见，图9所示的流程，可以消除车辆震动误差。

图18至图21是本发明实施例的效果示意图。本发明提供了司机在作弊时的车 重计算方法，并提高了传统单种第二称重设备的重量计算精度。当第二称重设备判断 车辆作弊时，可采用经过历史数据修正的第一称重设备计算结果，其相对误差基本在 10％以内。当车辆没有作弊时，进行联合称重，其相对误差基本保证在3％以内。

本申请实施例中，通过同时获取第一称重设备与第二称重设备的车辆数据，提取特征值进行数据匹配，实现第二称重设备称重数据对第一称重设备称重数据进行标定， 使得标定后的第一称重设备精度提高。在行车过程中，根据不同的异常行为，利用标 定后的称重设备进行联合称重，实现了联合监控，从而保证动态称重条件下车辆的称 重精度。

基于与上述称重设备联合监控方法相同的申请构思，本申请提供一种称重设备联合监控装置，如下面实施例所述。由于该称重设备联合监控装置解决问题的原理与称 重设备联合监控方法相似，因此该称重设备联合监控装置的实施可以参见称重设备联 合监控方法的实施，重复之处不再赘述。

图10为本发明实施例的称重设备联合监控装置的结构框图，如图10所示，该称 重设备联合监控装置包括：传感器布局单元1006、第一信息获取单元1001，第二信 息获取单元1002，匹配单元1003、标定单元1004及联合称重单元1005。

传感器布局单元1006用于进行称重设备的数量及位置的布局。

一实施例中，第一称重设备为1至20排(每排一个第一称重设备)，每排第一称 重设备之间的距离为0.2至2米；所述第二称重设备为1至5排(每排一个第二称重 设备)，每排第二称重设备之间的距离为0.2至2米；第一称重设备的整体与第二称 重设备的整体之间的距离为0.2至20米。

第一信息获取单元1001用于实时获取车辆经过第一称重设备的第一车辆特征信息；其中，所述第一车辆特征信息包括：接地长度、车速、上称时间、下称时间、波 形点数、峰值点、轴距及轴数中的至少一种及第一称重设备得到的车辆重量信息。

一实施例中，所述第一称重设备的称量精度低于GB/T 21296-2007 10级。

第二信息获取单元1002用于实时获取车辆经过第二称重设备的第二车辆特征信息；其中，所述第二车辆特征信息包括：接地长度、车速、上称时间、下称时间、波 形点数、峰值点、轴距及轴数中的至少一种及车辆重量信息。

第二称重设备的称量精度高于上述第一称重设备的称量精度。一实施例中，第二称重设备的称重精度等于GB/T 21296-2007 10级或者在GB/T 21296-2007 10级以上， 本发明不以此称量精度为限。

匹配单元1003用于根据所述第一车辆特征信息及所述第二车辆特征信息将经过所述第一称重设备的车辆与经过所述第二称重设备的车辆进行逻辑匹配；

标定单元1004用于根据匹配成功的车辆对应的车辆重量信息对该匹配成功的车辆的第一车辆特征信息进行标定，以使第一称重设备得到车辆重量信息。

联合称重单元1005用于根据第二称重设备得到的车辆重量信息及第一称重设备得到的车辆重量信息进行联合称重。

一实施例中，所述匹配单元1003具体用于：将所述第一车辆特征信息中的接地 长度、车速、轴距、轴数中的一种或多种分别与所述第二车辆特征信息中的接地长度、 车速、轴距、轴数中的一种或多种进行比较。

一实施例中，所述匹配单元1003具体用于：将所述第一车辆特征信息中的接地 长度与所述第二车辆特征信息中的接地长度进行比较，如果误差在设定长度阈值范围 内，则匹配成功。

一实施例中，所述匹配单元1003具体用于：将所述第一车辆特征信息中的车速 与所述第二车辆特征信息中的车速进行比较，如果误差在设定速度阈值范围内，则匹 配成功。

一实施例中，所述匹配单元1003具体用于：将所述第一车辆特征信息中的轴数 及轴距与所述第二车辆特征信息中的轴数及轴距分别进行比较，如果一致，则匹配成 功。

一实施例中，所述标定单元1004具体用于：将匹配成功的车辆对应的车辆重量 信息作为标签，并将上称时间与下称时间之间的波形的积分和作为输入，训练出所述 第一称重设备的称重模型。

一实施例中，如图11所示，所述第一信息获取单元1001包括：

时序信号获取模块1001，用于实时获取车辆完整经过所述第一称重设备的时序信号；

信息提取模块1002，用于从所述时序信号中提取所述第一车辆特征信息。

一实施例中，所述标定单元1004具体用于：将匹配成功的车辆对应的车辆重量 信息作为标签，并将所述时序信号作为输入，训练出所述第一称重设备的称重模型。

一实施例中，如图12所示，所述联合称重单元1005包括：

查找模块1201，用于查找车辆的轴全部在称重设备上的至少一个时间点，在该 时间点，所述车辆的部分轴在部分第一称重设备上，另一部分轴在部分第二称重设备 上；

车重计算模块1202，用于选取该时间点称重设备称得的各个轴的轴重，计算该 车辆的重量。

一实施例中，如图13所示，所述联合称重单元包括：

轴重数据获取模块1301，用于获取车辆每一车轴在不同称重设备称得的多个轴重数据，其中部分轴重数据由第一称重设备得到，部分轴重数据由第二称重设备得到；

拟合模块1302，用于将多个轴重数据进行正弦拟合，得到车轴震动后的正弦曲线；

提取模块1303，用于提取所述正弦曲线的直流分量，得到每一车轴的轴重；

车重生成模块1304，用于将每一车轴的轴重相加，得到该车辆的车轴。

本申请实施例中，通过同时获取第一称重设备与第二称重设备的车辆数据，提取特征值进行数据匹配，实现第二称重设备称重数据对第一称重设备称重数据进行标定， 使得标定后的第一称重设备精度提高。在行车过程中，根据不同的异常行为，利用标 定后的称重设备联合监控，从而保证动态称重条件下车辆的称重精度。

基于与上述称重设备联合监控方法相同的申请构思，本申请提供一种计算机设备， 如下面实施例所述。由于该计算机设备解决问题的原理与称重设备联合监控方法相似， 因此该计算机设备的实施可以参见称重设备联合监控方法的实施，重复之处不再赘述。

本发明实施例的计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

实时获取车辆经过第一称重设备的第一车辆特征信息；其中，所述第一车辆特征信息包括：接地长度、车速、上称时间、下称时间、波形点数、峰值点、轴距及轴数 中的至少一种。

一实施例中，所述第一称重设备的称量精度低于GB/T 21296-2007 10级。

实时获取车辆经过第二称重设备的第二车辆特征信息；其中，所述第二车辆特征信息包括：接地长度、车速、上称时间、下称时间、波形点数、峰值点、轴距及轴数 中的至少一种及车辆重量信息。

一实施例中，第二称重设备的称重精度等于GB/T 21296-2007 10级或者在GB/T21296-2007 10级以上，本发明不以此称量精度为限。

根据所述第一车辆特征信息及所述第二车辆特征信息将经过所述第一称重设备的车辆与经过所述第二称重设备的车辆进行逻辑匹配；

根据匹配成功的车辆对应的车辆重量信息对该匹配成功的车辆的第一车辆特征信息进行标定，以使第一称重设备得到车辆重量信息；

根据第二称重设备得到的车辆重量信息及第一称重设备得到的车辆重量信息进行联合称重。

本申请实施例中，通过同时获取称重设备的车辆数据，提取特征值进行数据匹配，实现第二称重设备称重数据对第一称重设备称重数据进行标定，使得标定后的第一称 重设备精度提高。在行车过程中，根据不同的异常行为，利用标定后的称重设备联合 监控，从而保证动态称重条件下车辆的称重精度。

基于与上述称重设备联合监控方法相同的申请构思，本申请提供一种计算机可读存储介质，如下面实施例所述。由于该计算机可读存储介质解决问题的原理与称重设 备联合监控方法相似，因此该计算机可读存储介质的实施可以参见称重设备联合监控 方法的实施，重复之处不再赘述。

本发明实施例的计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

实时获取车辆经过第一称重设备的第一车辆特征信息；其中，所述第一车辆特征信息包括：接地长度、车速、上称时间、下称时间、波形点数、峰值点、轴距及轴数 中的至少一种。

一实施例中，所述第一称重设备的称量精度低于GB/T 21296-2007 10级。

实时获取车辆经过第二称重设备的第二车辆特征信息；其中，所述第二车辆特征信息包括：接地长度、车速、上称时间、下称时间、波形点数、峰值点、轴距及轴数 中的至少一种及车辆重量信息。

第二称重设备的称量精度高于上述第一称重设备的称量精度。一实施例中，第二称重设备的称重精度等于GB/T 21296-2007 10级或者在GB/T 21296-2007 10级以上， 本发明不以此称量精度为限。

根据所述第一车辆特征信息及所述第二车辆特征信息将经过所述第一称重设备的车辆与经过所述第二称重设备的车辆进行逻辑匹配；

根据匹配成功的车辆对应的车辆重量信息对该匹配成功的车辆的第一车辆特征信息进行标定，以使第一称重设备得到车辆重量信息；

根据第二称重设备得到的车辆重量信息及第一称重设备得到的车辆重量信息进行联合称重。

本申请实施例中，通过同时获取称重设备的车辆数据，提取特征值进行数据匹配，实现第二称重设备称重数据对第一称重设备称重数据进行标定，使得标定后的第一称 重设备精度提高。在行车过程中，根据不同的异常行为，利用标定后的称重设备进行 联合称重及监控，从而保证动态称重条件下车辆的称重精度。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件 方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序 代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等) 上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流 程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的 每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些 计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设 备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执 行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方 框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包 括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一 个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算 机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或 方框图一个方框或多个方框中指定的功能的步骤。

本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术 人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述， 本说明书内容不应理解为对本发明的限制。

Claims (17)

1.一种称重设备联合监控方法，其特征在于，包括：

进行称重设备的数量及位置的布局；所述称重设备包括第一称重设备及第二称重设备，所述第一称重设备为槽钢传感器或压电薄膜传感器，所述第二称重设备为窄条传感器或石英传感器；

实时获取车辆经过第一称重设备的第一车辆特征信息；其中，所述第一车辆特征信息包括：接地长度、车速、上称时间、下称时间、波形点数、峰值点、轴距及轴数中的至少一种及第一称重设备得到的车辆重量信息；

实时获取车辆经过第二称重设备的第二车辆特征信息；其中，所述第二车辆特征信息包括：接地长度、车速、上称时间、下称时间、波形点数、峰值点、轴距及轴数中的至少一种及第二称重设备得到的车辆重量信息；

根据所述第一车辆特征信息及所述第二车辆特征信息将经过所述第一称重设备的车辆与经过所述第二称重设备的车辆进行逻辑匹配；

根据匹配成功的车辆对应的第二称重设备得到的车辆重量信息对该匹配成功的车辆的第一车辆特征信息中上称时间与下称时间之间的波形积分和/或第一称重设备的时序信号进行训练标定，得到称重模型，所述称重模型用于获取第一称重设备的车辆重量信息；采用机器学习的方法训练称重模型，所述称重模型具体运行的框架是基于Google开源的Tensorflow框架，所述称重模型包括：输入层模块，卷积层模块，池化层模块，全连接层模块及输出层模块，其中卷积层模块和池化层模块可以归一为Cov模块；

根据第二称重设备得到的车辆重量信息及第一称重设备得到的车辆重量信息进行联合称重，其中，根据第二称重设备得到的车辆重量信息及第一称重设备得到的车辆重量信息判断车辆是否作弊并根据判断结果采用对应的方式进行称重。

2.根据权利要求1所述的称重设备联合监控方法，其特征在于，所述第一称重设备为1至20排，每排第一称重设备之间的距离为0.2至2米；所述第二称重设备为1至5排，每排第二称重设备之间的距离为0.2至2米；第一称重设备的整体与第二称重设备的整体之间的距离为0.2至20米。

3.根据权利要求1所述的称重设备联合监控方法，其特征在于，根据所述第一车辆特征信息及所述第二车辆特征信息将经过所述第一称重设备的车辆与经过所述第二称重设备的车辆进行逻辑匹配，包括：将所述第一车辆特征信息中的接地长度、车速、轴距、轴数中的一种或多种分别与所述第二车辆特征信息中的接地长度、车速、轴距、轴数中的一种或多种进行比较。

4.根据权利要求3所述的称重设备联合监控方法，其特征在于，根据所述第一车辆特征信息及所述第二车辆特征信息将经过所述第一称重设备的车辆与经过所述第二称重设备的车辆进行逻辑匹配，包括：

将所述第一车辆特征信息中的接地长度与所述第二车辆特征信息中的接地长度进行比较，如果误差在设定长度阈值范围内，则匹配成功；或

将所述第一车辆特征信息中的车速与所述第二车辆特征信息中的车速进行比较，如果误差在设定速度阈值范围内，则匹配成功；或

将所述第一车辆特征信息中的轴数及轴距与所述第二车辆特征信息中的轴数及轴距分别进行比较，如果一致，则匹配成功。

5.根据权利要求1所述的称重设备联合监控方法，其特征在于，根据匹配成功的车辆对应的车辆重量信息对该匹配成功的车辆的第一车辆特征信息中上称时间与下称时间之间的波形积分和/或第一称重设备的时序信号进行标定，包括：

将匹配成功的车辆对应的车辆重量信息作为标签，并将所述第一车辆特征信息中上称时间与下称时间之间的波形的积分和作为输入，训练出所述第一称重设备的称重模型。

6.根据权利要求1所述的称重设备联合监控方法，其特征在于，实时获取车辆经过第一称重设备的第一车辆特征信息，包括：

实时获取车辆完整经过所述第一称重设备的时序信号；

从所述时序信号中提取所述第一车辆特征信息；

根据匹配成功的车辆对应的车辆重量信息对该匹配成功的车辆的第一车辆特征信息进行标定，包括：将匹配成功的车辆对应的车辆重量信息作为标签，并将所述时序信号作为输入，训练出所述第一称重设备的称重模型。

7.根据权利要求1所述的称重设备联合监控方法，其特征在于，所述根据第二称重设备得到的车辆重量信息及第一称重设备得到的车辆重量信息进行联合称重，包括：

查找车辆的轴全部在称重设备上的至少一个时间点，在该时间点，所述车辆的部分轴在部分第一称重设备上，另一部分轴在部分第二称重设备上；

选取该时间点称重设备称得的各个轴的轴重，计算该车辆的重量。

8.根据权利要求1所述的称重设备联合监控方法，其特征在于，所述根据第二称重设备得到的车辆重量信息及第一称重设备得到的车辆重量信息进行联合称重，包括：

获取车辆每一车轴在不同称重设备称得的多个轴重数据，其中部分轴重数据由第一称重设备得到，部分轴重数据由第二称重设备得到；

将多个轴重数据进行正弦拟合，得到车轴震动后的正弦曲线；

提取所述正弦曲线的直流分量，得到每一车轴的轴重；

将每一车轴的轴重相加，得到该车辆的车重。

9.一种称重设备联合监控装置，其特征在于，包括：

传感器布局单元，用于进行称重设备的数量及位置的布局；

第一信息获取单元，用于实时获取车辆经过第一称重设备的第一车辆特征信息；其中，所述第一车辆特征信息包括：接地长度、车速、上称时间、下称时间、波形点数、峰值点、轴距及轴数中的至少一种及第一称重设备得到的车辆重量信息；

第二信息获取单元，用于实时获取车辆经过第二称重设备的第二车辆特征信息；其中，所述第二车辆特征信息包括：接地长度、车速、上称时间、下称时间、波形点数、峰值点、轴距及轴数中的至少一种及车辆重量信息，所述第二称重设备的称量精度范围大于所述第一称重设备的称量精度范围；

匹配单元，用于根据所述第一车辆特征信息及所述第二车辆特征信息将经过所述第一称重设备的车辆与经过所述第二称重设备的车辆进行逻辑匹配；

标定单元，用于根据匹配成功的车辆对应的车辆重量信息对该匹配成功的车辆的第一车辆特征信息中上称时间与下称时间之间的波形积分和/或第一称重设备的时序信号进行训练标定，得到称重模型，所述称重模型用于获取第一称重设备的车辆重量信息；采用机器学习的方法训练称重模型，所述称重模型具体运行的框架是基于Google开源的Tensorflow框架，所述称重模型包括：输入层模块，卷积层模块，池化层模块，全连接层模块及输出层模块，其中卷积层模块和池化层模块可以归一为Cov模块；

联合称重单元，用于，其中，根据第二称重设备得到的车辆重量信息及第一称重设备得到的车辆重量信息判断车辆是否作弊并根据判断结果采用对应的方式进行称重。

10.根据权利要求9所述的称重设备联合监控装置，其特征在于，所述匹配单元具体用于：将所述第一车辆特征信息中的接地长度、车速、轴距、轴数中的一种或多种分别与所述第二车辆特征信息中的接地长度、车速、轴距、轴数中的一种或多种进行比较。

11.根据权利要求10所述的称重设备联合监控装置，其特征在于，所述匹配单元具体用于：

将所述第一车辆特征信息中的接地长度与所述第二车辆特征信息中的接地长度进行比较，如果误差在设定长度阈值范围内，则匹配成功；或

将所述第一车辆特征信息中的车速与所述第二车辆特征信息中的车速进行比较，如果误差在设定速度阈值范围内，则匹配成功；或

将所述第一车辆特征信息中的轴数及轴距与所述第二车辆特征信息中的轴数及轴距分别进行比较，如果一致，则匹配成功。

12.根据权利要求9所述的称重设备联合监控装置，其特征在于，所述标定单元具体用于：将匹配成功的车辆对应的车辆重量信息作为标签，并将所述第一车辆特征信息中上称时间与下称时间之间的波形的积分和作为输入，训练出所述第一称重设备的称重模型。

13.根据权利要求9所述的称重设备联合监控装置，其特征在于，所述第一信息获取单元包括：

时序信号获取模块，用于实时获取车辆完整经过所述第一称重设备的时序信号；

信息提取模块，用于从所述时序信号中提取所述第一车辆特征信息；

所述标定单元具体用于：将匹配成功的车辆对应的车辆重量信息作为标签，并将所述时序信号作为输入，训练出所述第一称重设备的称重模型。

14.根据权利要求9所述的称重设备联合监控装置，其特征在于，所述联合称重单元包括：

查找模块，用于查找车辆的轴全部在称重设备上的至少一个时间点，在该时间点，所述车辆的部分轴在部分第一称重设备上，另一部分轴在部分第二称重设备上；

车重计算模块，用于选取该时间点称重设备称得的各个轴的轴重，计算该车辆的重量。

15.根据权利要求9所述的称重设备联合监控装置，其特征在于，所述联合称重单元包括：

轴重数据获取模块，用于获取车辆每一车轴在不同称重设备称得的多个轴重数据，其中部分轴重数据由第一称重设备得到，部分轴重数据由第二称重设备得到；

拟合模块，用于将多个轴重数据进行正弦拟合，得到车轴震动后的正弦曲线；

提取模块，用于提取所述正弦曲线的直流分量，得到每一车轴的轴重；

车重生成模块，用于将每一车轴的轴重相加，得到该车辆的车重。

16.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现以下步骤：

进行称重设备的数量及位置的布局；

实时获取车辆经过第一称重设备的第一车辆特征信息；其中，所述第一车辆特征信息包括：接地长度、车速、上称时间、下称时间、波形点数、峰值点、轴距及轴数中的至少一种；

实时获取车辆经过第二称重设备的第二车辆特征信息；其中，所述第二车辆特征信息包括：接地长度、车速、上称时间、下称时间、波形点数、峰值点、轴距及轴数中的至少一种及车辆重量信息，所述第二称重设备的称量精度范围大于所述第一称重设备的称量精度范围；

根据所述第一车辆特征信息及所述第二车辆特征信息将经过所述第一称重设备的车辆与经过所述第二称重设备的车辆进行逻辑匹配；

根据匹配成功的车辆对应的车辆重量信息对该匹配成功的车辆的第一车辆特征信息中上称时间与下称时间之间的波形积分和/或第一称重设备的时序信号进行标定，以使第一称重设备得到车辆重量信息；

根据第二称重设备得到的车辆重量信息及第一称重设备得到的车辆重量信息进行联合称重。

17.一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，所述计算机程序被处理器执行时实现以下步骤：

进行称重设备的数量及位置的布局；

实时获取车辆经过第一称重设备的第一车辆特征信息；其中，所述第一车辆特征信息包括：接地长度、车速、上称时间、下称时间、波形点数、峰值点、轴距及轴数中的至少一种；

实时获取车辆经过第二称重设备的第二车辆特征信息；其中，所述第二车辆特征信息包括：接地长度、车速、上称时间、下称时间、波形点数、峰值点、轴距及轴数中的至少一种及车辆重量信息，所述第二称重设备的称量精度范围大于所述第一称重设备的称量精度范围；

根据所述第一车辆特征信息及所述第二车辆特征信息将经过所述第一称重设备的车辆与经过所述第二称重设备的车辆进行逻辑匹配；

根据匹配成功的车辆对应的车辆重量信息对该匹配成功的车辆的第一车辆特征信息中上称时间与下称时间之间的波形积分和/或第一称重设备的时序信号进行标定，以使第一称重设备得到车辆重量信息；

根据第二称重设备得到的车辆重量信息及第一称重设备得到的车辆重量信息进行联合称重。

Images