CN109916494A - 称重设备标定方法及装置 - Google Patents

Abstract

本发明提供了一种称重设备标定方法及装置，该称重设备标定方法包括：实时获取车辆经过第一称重设备的第一车辆特征信息；实时获取车辆经过第二称重设备的第二车辆特征信息，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。本发明可以利用标定后的粗测量称重设备进行单独称重，还可以与精测量称重设备进行联合称重，获得更为准确的测量结果。

Description

称重设备标定方法及装置

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标定方法及装置。

背景技术

近年来，随着国家经济发展与贸易的扩大，交通运输量也逐渐加大，但是公路有相关部门规定的超限标准，车辆如果超限超载会对公路破坏严重，严重的破坏会加大维护成本与增加交通事故。所以通过动态称重来检测车辆重量具有现实的意义。

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。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。由于高速称重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，在计算车辆数据时会有一定误差。

在治超领域，动态称重系统中，常用的称重设备包括：承载体，传感器，计算单元，显示单元，报警单元等。各个单元由于型号不同导致价格差距巨大，相同的称重设备在不同的路段得出车辆重量的精度也不一样。特别是单一的称重设备防作弊能力差，有经验的司机通过突然加速，突然减速，绕S等减轻车辆重量。

发明内容

本发明实施例提供了一种称重设备标定方法，以利用标定后的粗测量称重设备进行精确称重，或者利用标定后的粗测量称重设备与精测量称重设备联合称重，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标定方法，包括：

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，并根据所述第二车辆特征信息生成所述第二车辆的重量值；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进行标定。

为了实现上述目的，本发明实施例提供了一种称重设备标定装置，包括：

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；

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。

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：

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进行标定。

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：

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进行标定。

本申请实施例中，通过同时获取粗测量称重设备(第一称重设备)与精测量称重设备(第二称重设备)的车辆数据，提取特征值进行数据匹配，实现精测量称重数据对粗测量称重数据进行标定，使得标定后的粗测量称重设备精度提高。在行车过程中，根据不同的异常行为，利用标定后的粗测量称重设备与精测量称重设备联合称重，从而保证动态称重条件下车辆的称重精度，获得更为准确的重量结果。

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标定方法流程图；

图2为本发明实施例获取车辆经过粗测量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精测量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为本发明实施例的称重设备标定装置的结构框图；

图9为本发明实施例的第一信息获取单元的结构框图。

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，经常存在精测量称重设备出现异常的情况，而粗测量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，本发明利用精测量称重设备对粗测量称重设备进行标定，使粗测量称重设备得出的车辆重量在运行的误差范围内。

需要说明的是，本发明实施例中，粗测量称重设备与精测量称重设备的“粗”与“精”的界定仅限于称重精度范围。

图1为本发明实施例的称重设备标定方法流程图，如图1所示，该称重设备标定方法包括：

S101：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。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。

所述第一称重设备为粗测量称重设备，一实施例中，粗测量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。

S102：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。

所述第二称重设备为精测量称重设备，其称量精度高于上述粗测量称重设备的称量精度。一实施例中，精测量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。

S103：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。

S104：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。

由图1所示的流程可知，本发明获取经过粗测量称重设备及精测量称重设备的车辆的特征信息，基于特征信息进行车辆逻辑匹配，如果匹配成功，根据精测量称重设备测量的成功匹配的车辆的重量信息对粗测量设备的车辆特征信息进行训练标定。通过该方法，可以利用标定后的粗测量称重设备进行精确称重，或者利用标定后的粗测量称重设备与精测量称重设备联合称重，获得更为准确的测量结果。

一实施例中，如图2所示，S101实时获取车辆经过粗测量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粗测量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(粗测量称重设备及精测量称重设备)之间的间距和峰值点点数来求。

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，该差值乘以车速即可得到接地长度。

一实施例中，如图3所示，S102实时获取车辆经过精测量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精测量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。

S101及S102中获取车辆特征信息的一个作用是进行车辆匹配，另一个作用是利用精测量称重设备称得的匹配成功的车辆的重量信息对粗测量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，本发明在获得粗测量称重设备及精测量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。

一实施例中，在利用车辆特征信息匹配失败之后，还可以将经过粗测量称重设备的车辆的车牌与经过精测量称重设备的车辆的车牌进行匹配，作为匹配的补充，以降低匹配错误率。若车牌一致，则匹配成功。

一实施例中，S104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，训练出所述粗测量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，训练出粗测量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，就可以利用粗测量称重设备精确测量经过其的车重，使得标定后的粗测量称重设备精度提高。还可以将该粗测量称重设备与精测量称重设备联合使用，从而保证动态称重条件下车辆的称重精度。另外，可以利用粗称量设备和精称量设备同时得出的车辆重量，进行数据融合(联合称重)，获得更为准确的重量结果。

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

图8为本发明实施例的称重设备标定装置的结构框图，如图8所示，该称重设备标定装置包括：第一信息获取单元801，第二信息获取单元802，匹配单元803及标定单元804。

第一信息获取单元801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。

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802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粗测量称重设备的称量精度。一实施例中，精测量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803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804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。

一实施例中，所述匹配单元803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803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803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803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804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9所示，所述第一信息获取单元801包括：

时序信号获取模块901，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902，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804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。

本申请实施例中，通过同时获取粗测量称重设备与精测量称重设备的车辆数据，提取特征值进行数据匹配，实现精测量称重数据对粗测量称重数据进行标定，使得标定后的粗测量称重设备精度提高。在行车过程中，根据不同的异常行为，利用标定后的粗测量称重设备与精测量称重设备联合称重，从而保证动态称重条件下车辆的称重精度。另外，可以利用粗称量设备和精称量设备同时得出的车辆重量，进行数据融合，获得更为准确的重量结果。

基于与上述称重设备标定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标定方法相似，因此该计算机设备的实施可以参见称重设备标定方法的实施，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，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粗测量称重设备的称量精度。一实施例中，精测量称重设备的称重精度等于GB/T 21296-2007 10级或者在GB/T 21296-200710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。

本申请实施例中，通过同时获取粗测量称重设备与精测量称重设备的车辆数据，提取特征值进行数据匹配，实现精测量称重数据对粗测量称重数据进行标定，使得标定后的粗测量称重设备精度提高。在行车过程中，根据不同的异常行为，利用标定后的粗测量称重设备与精测量称重设备联合称重，从而保证动态称重条件下车辆的称重精度。另外，可以利用粗称量设备和精称量设备同时得出的车辆重量，进行数据融合，获得更为准确的重量结果。

基于与上述称重设备标定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标定方法相似，因此该计算机可读存储介质的实施可以参见称重设备标定方法的实施，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，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粗测量称重设备的称量精度。一实施例中，精测量称重设备的称重精度等于GB/T 21296-2007 10级或者在GB/T 21296-200710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。

本申请实施例中，通过同时获取粗测量称重设备与精测量称重设备的车辆数据，提取特征值进行数据匹配，实现精测量称重数据对粗测量称重数据进行标定，使得标定后的粗测量称重设备精度提高。在行车过程中，根据不同的异常行为，利用标定后的粗测量称重设备与精测量称重设备联合称重，从而保证动态称重条件下车辆的称重精度。另外，可以利用粗称量设备和精称量设备同时得出的车辆重量，进行数据融合，获得更为准确的重量结果。

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 (14)

1.一种称重设备标定方法，其特征在于，包括：

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进行标定。

2.根据权利要求1所述的称重设备标定方法，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。

3.根据权利要求2所述的称重设备标定方法，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。

4.根据权利要求3所述的称重设备标定方法，其特征在于，若匹配失败，将经过所述第一称重设备的车辆的车牌与经过所述第二称重设备的车辆的车牌进行匹配，若车牌一致，则匹配成功。

5.根据权利要求1所述的称重设备标定方法，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所述的称重设备标定方法，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所述的称重设备标定方法，其特征在于，所述第一称重设备的称量精度低于GB/T 21296-2007 10级，所述第二称重设备的称量精度等于GB/T21296-2007 10级或者以上。

8.一种称重设备标定装置，其特征在于，包括：

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；

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。

9.根据权利要求8所述的称重设备标定装置，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。

10.根据权利要求9所述的称重设备标定装置，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。

11.根据权利要求8所述的称重设备标定装置，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。

12.根据权利要求8所述的称重设备标定装置，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。

13.一种计算机设备，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：

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进行标定。

14.一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：

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进行标定。