CN110766039B - 渣土车运输状态识别方法、介质、设备及渣土车 - Google Patents
渣土车运输状态识别方法、介质、设备及渣土车 Download PDFInfo
- Publication number
- CN110766039B CN110766039B CN201910824285.3A CN201910824285A CN110766039B CN 110766039 B CN110766039 B CN 110766039B CN 201910824285 A CN201910824285 A CN 201910824285A CN 110766039 B CN110766039 B CN 110766039B
- Authority
- CN
- China
- Prior art keywords
- sensor
- state
- muck truck
- muck
- image
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种渣土车运输状态识别方法、介质、终端设备及渣土车,其中,该方法包括:获取原始数据,对原始数据进行预处理,根据处理后的数据获取每种传感器状态所对应的连续多帧图像,并对连续多帧图像进行处理,以获得每种传感器状态所对应的特征向量;将每种传感器状态与每种传感器状态相对应的特征向量组成训练集;根据训练集,构造出多个弱分类器;将当前车厢图像所对应的特征向量分别输入到多个弱分类器,以获取多个检测结果,并根据多个检测结果对渣土车的运输状态进行识别,以判断渣土车的超重情况以及顶盖闭合情况;从而提高了渣土车在驾驶过程中的安全性,并且避免了环境污染。
Description
技术领域
本发明涉及设备监控技术领域,特别涉及一种渣土车运输状态识别方法、一种非临时性计算机可读存储介质、一种计算机设备以及一种渣土车。
背景技术
相关技术中,为了解决渣土车超载及渣土散落的现象,通常通过安装传感器以对车厢顶盖和载重量进行监测,但是,由于利益的驱使,一些驾驶员为了能够多拉土方且可以逃避限速的制约,往往通过人为遮挡或设备干扰传感器的方式以使传感器出现故障或未连接,从而无法准确感知渣土车的载重和密闭状态,导致渣土车在驾驶过程中存在一定的安全隐患,同时由于渣土散落而对环境造成一定的污染。
发明内容
本发明旨在至少在一定程度上解决上述技术中的技术问题之一。为此,本发明的一个目的在于提出一种渣土车运输状态识别方法,通过构造弱分类器对图像进行识别,以避免由于传感器失效而导致无法准确感知渣土车的载重和密闭状态的情况,从而提高了渣土车在驾驶过程中的安全性,并且避免了环境污染。
本发明的第二个目的在于提出一种非临时性计算机可读存储介质。
本发明的第三个目的在于提出一种计算机设备。
本发明的第四个目的在于提出一种渣土车。
为达到上述目的,本发明第一方面实施例提出了一种渣土车运输状态识别方法,包括以下步骤:获取原始数据,其中,所述原始数据包括渣土车车厢图像信息、渣土车的载重传感器数据信息和顶盖传感器数据信息;对所述原始数据进行预处理,以获得二值化后的传感器数据信息和归一化后的渣土车车厢图像信息;根据二值化后的传感器数据信息和归一化后的渣土车车厢图像信息获取每种传感器状态所对应的连续多帧图像,并对所述连续多帧图像进行处理,以获得每种传感器状态所对应的特征向量;将所述每种传感器状态与所述每种传感器状态相对应的特征向量组成训练集;根据所述训练集,采用Bagging算法构造出多个弱分类器;获取所述渣土车的当前车厢图像,并对所述渣土车的当前车厢图像进行预处理和图像特征提取,以获得所述当前车厢图像所对应的特征向量;将所述当前车厢图像所对应的特征向量分别输入到所述多个弱分类器,以获取多个检测结果,并根据所述多个检测结果对所述渣土车的运输状态进行识别,以判断所述渣土车的超重情况以及顶盖闭合情况。
根据本发明实施例的渣土车运输状态识别方法,首先获取原始数据,其中,原始数据包括渣土车车厢图像信息、渣土车的载重传感器数据信息和顶盖传感器数据信息;接着,对原始数据进行预处理,以获得二值化后的传感器数据信息和归一化后的渣土车车厢图像信息;然后,根据二值化后的传感器数据信息和归一化后的渣土车车厢图像信息获取每种传感器状态所对应的连续多帧图像,并对连续多帧图像进行处理,以获得每种传感器状态所对应的特征向量;接着,将每种传感器状态与每种传感器状态相对应的特征向量组成训练集;并根据训练集,采用Bagging算法构造出多个弱分类器;再接着获取渣土车的当前车厢图像,并对渣土车的当前车厢图像进行预处理和图像特征提取,以获得当前车厢图像所对应的特征向量;最后,将当前车厢图像所对应的特征向量分别输入到多个弱分类器,以获取多个检测结果,并根据多个检测结果对渣土车的运输状态进行识别,以判断渣土车的超重情况以及顶盖闭合情况;从而提高了渣土车在驾驶过程中的安全性,并且避免了环境污染。
另外,根据本发明上述实施例提出的渣土车运输状态识别方法还可以具有如下附加的技术特征:
可选地,对所述原始数据进行预处理,包括:对所述原始数据进行清洗;对清洗后的载重传感器数据和顶盖传感器数据进行二值化处理,并对清洗后的渣土车车厢图像数据进行归一化处理。
可选地,获得每种传感器状态所对应的特征向量,包括:获取每种传感器状态所对应的连续多帧图像,并将每帧图像输入到深度残差网络,以提取所述连续多帧图像对应的多张特征图;对所述连续多帧图像中相同位置进行时间维度上的最大值池化处理,以生成对应所述每种传感器状态的最终特征图;对所述最终特征图进行最大值池化处理,以生成对应所述每种传感器状态的特征向量。
可选地,采用Bagging算法构造出多个弱分类器,包括:从所述训练集中随机抽取m个数据以形成自助训练集,并根据所述自助训练集,利用SVM分类算法对所述自助训练集进行四类划分,以训练出一个弱分类器,进行多次迭代训练,以构造出多个弱分类器。
可选地,所述传感器状态包括载重传感器未超重状态、载重传感器超重状态、顶盖传感器闭合状态和顶盖传感器打开状态。
可选地,所述渣土车的运输状态包括渣土车超重且顶盖传感器闭合状态、渣土车未超重且顶盖传感器打开状态、渣土车未超重且顶盖传感器闭合状态和渣土车超重且顶盖传感器打开状态。
为达到上述目的,本发明第二方面实施例提出了一种非临时性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如上述的渣土车运输状态识别方法。
根据本发明实施例的非临时性计算机可读存储介质,通过存储渣土车运输状态识别程序,这样渣土车运输状态识别程序被处理器执行时实现如上述的渣土车运输状态识别方法,从而提高了渣土车在驾驶过程中的安全性,并且避免了环境污染。
为达到上述目的,本发明第三方面实施例提出了一种计算机设备,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,处理器执行所述计算机程序时,实现如上述的渣土车运输状态识别方法。
根据本发明实施例的计算机设备,通过存储器存储渣土车运输状态识别程序,这样渣土车运输状态识别程序被处理器执行时实现上述的渣土车运输状态识别方法,从而提高了渣土车在驾驶过程中的安全性,并且避免了环境污染。
为达到上述目的,本发明第四方面实施例提出了一种渣土车,包括载重传感器、顶盖传感器和对应车厢设置的拍摄装置,其中,所述渣土车还包括存储器、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,实现如上述的渣土车运输状态识别方法。
根据本发明实施例的渣土车,包括载重传感器、顶盖传感器和对应车厢设置的拍摄装置,其中,渣土车还包括存储器、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,通过存储器存储渣土车运输状态识别程序,这样渣土车运输状态识别程序被处理器执行时实现上述的渣土车运输状态识别方法,从而提高了渣土车在驾驶过程中的安全性,并且避免了环境污染。
附图说明
图1为根据本发明实施例的渣土车运输状态识别方法的流程示意图;
图2为根据本发明一个实施例的渣土车运输状态识别方法的流程示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
为了更好的理解上述技术方案,下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
图1为根据本发明实施例的渣土车运输状态识别方法的流程示意图;如图1所示,本发明实施例的渣土车运输状态识别方法包括以下步骤:
步骤101,获取原始数据,其中,原始数据包括渣土车车厢图像信息、渣土车的载重传感器数据信息和顶盖传感器数据信息。
也就是说,通过采集同一时刻的渣土车车厢图像、载重传感器数据和顶盖传感器数据以获取原始数据。
作为一个实施例,上述渣土车车厢图像可通过对应车厢设置的照相机进行获取。
步骤102,对原始数据进行预处理,以获得二值化后的传感器数据信息和归一化后的渣土车车厢图像信息。
也就是说,对原始数据进行预处理包括对原始数据中的载重传感器数据和顶盖传感器数据进行二值化处理,对原始数据中的渣土车车厢图像数据进行归一化处理。
作为一个实施例,将原始数据中的渣土车车厢图像数据归一化为224*224大小。
作为一个实施例,将原始数据中载重传感器数据进行二值化处理,使其0表示未超重,1表示超重;将原始数据中顶盖传感器数据进行二值化处理,使其0表示顶盖闭合,1表示顶盖打开。
需要说明的是,作为一个实施例,在对原始数据进行二值化处理以及归一化处理之前还对原始数据进行清洗。
也就是说,先对原始数据进行清洗,再对清洗后的载重传感器数据和顶盖传感器数据进行二值化处理,并对清洗后的渣土车车厢图像数据进行归一化处理。
步骤103,根据二值化后的传感器数据信息和归一化后的渣土车车厢图像信息获取每种传感器状态所对应的连续多帧图像,并对连续多帧图像进行处理,以获得每种传感器状态所对应的特征向量。
作为一个实施例,首先获取每种传感器状态所对应的连续多帧图像,并将每帧图像输入到深度残差网络,以提取连续多帧图像对应的多张特征图,接着对连续多帧图像中相同位置进行时间维度上的最大值池化处理,以生成对应每种传感器状态的最终特征图,然后对最终特征图进行最大值池化处理,以生成对应所述每种传感器状态的特征向量。
需要说明的是,传感器状态包括载重传感器未超重状态、载重传感器超重状态、顶盖传感器闭合状态和顶盖传感器打开状态。
作为一个实施例,首先获取载重传感器未超重状态的连续三帧图像,并将三帧图像分别输入到深度残差网络中,以提取三帧图像所对应的特征图,其中每帧图像对应16张特征图,接着将三帧图像中的位置相同的特征图进行池化处理,以生成最终特征图,然后对最终特征图进行最大值池化处理,以生成载重传感器未超重状态的16维特征向量;以此类推,分别求出载重传感器超重状态、顶盖传感器闭合状态和顶盖传感器打开状态所对应的特征向量。
步骤104,将每种传感器状态与每种传感器状态相对应的特征向量组成训练集。
步骤105,根据训练集,采用Bagging算法构造出多个弱分类器。
作为一个实施例,从训练集中随机抽取m个数据以形成自助训练集,并根据自助训练集,利用SVM分类算法对自助训练集进行四类划分,以训练出一个弱分类器,进行多次迭代训练,以构造出多个弱分类器。
也就是说,从大小为n的训练集中随机抽取m个数据以形成自助训练集,其中,(m﹤n)接着通过SVM分类算法对自助训练集进行四类划分,从而训练出一个弱分类器,然后以此类推,重复以上步骤T次,训练出T个弱分类器。
作为一个实施例,上述核函数选择RBF核,惩罚因子C取0.9。
需要说明的是,使用集成学习中的Bagging算法,有效提升了传统单一CNN网络方法中准确性不够高的问题,相较于传统神经网络方法,这种方法有更低的资源占用和更高的准确率。
步骤106,获取渣土车的当前车厢图像,并对渣土车的当前车厢图像进行预处理和图像特征提取,以获得当前车厢图像所对应的特征向量。
作为一个实施例,采集渣土车车厢图像,去除坏点,并将渣土车车厢图像归一化为224*224大小,然后将归一化后的连续三张图像分别输入到深度残差网络中,以提取三张图像所对应的特征图,其中每张图像对应16张特征图,接着将三张图像中的位置相同的特征图进行池化处理,以生成最终特征图,然后对最终特征图进行最大值池化处理,以获得当前车厢图像所对应的特征向量。
步骤107,将当前车厢图像所对应的特征向量分别输入到多个弱分类器,以获取多个检测结果,并根据多个检测结果对渣土车的运输状态进行识别,以判断渣土车的超重情况以及顶盖闭合情况。
需要说明的是,上述渣土车的运输状态包括渣土车超重且顶盖传感器闭合状态、渣土车未超重且顶盖传感器打开状态、渣土车未超重且顶盖传感器闭合状态和渣土车超重且顶盖传感器打开状态。
作为一个实施例,如图2所示,假设训练出T个弱分类器,包括h1、h2、h3……hT;将当前车厢图像所对应的特征向量分别输入到T个弱分类器,从而得到T个检测结果,判断每个检测结果属于哪一种渣土车的运输状态,最后统计票数最多的运输状态为最终的运输状态,从而得出渣土车的超重情况以及顶盖闭合情况。
根据本发明实施例的渣土车运输状态识别方法,首先获取原始数据,其中,原始数据包括渣土车车厢图像信息、渣土车的载重传感器数据信息和顶盖传感器数据信息;接着,对原始数据进行预处理,以获得二值化后的传感器数据信息和归一化后的渣土车车厢图像信息;然后,根据二值化后的传感器数据信息和归一化后的渣土车车厢图像信息获取每种传感器状态所对应的连续多帧图像,并对连续多帧图像进行处理,以获得每种传感器状态所对应的特征向量;接着,将每种传感器状态与每种传感器状态相对应的特征向量组成训练集;并根据训练集,采用Bagging算法构造出多个弱分类器;再接着获取渣土车的当前车厢图像,并对渣土车的当前车厢图像进行预处理和图像特征提取,以获得当前车厢图像所对应的特征向量;最后,将当前车厢图像所对应的特征向量分别输入到多个弱分类器,以获取多个检测结果,并根据多个检测结果对渣土车的运输状态进行识别,以判断渣土车的超重情况以及顶盖闭合情况;从而提高了渣土车在驾驶过程中的安全性,并且避免了环境污染。
另外,本发明实施例还提出了一种非临时性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如上述的渣土车运输状态识别方法。
根据本发明实施例的非临时性计算机可读存储介质,通过存储渣土车运输状态识别程序,这样渣土车运输状态识别程序被处理器执行时实现如上述的渣土车运输状态识别方法,从而提高了渣土车在驾驶过程中的安全性,并且避免了环境污染。
另外,本发明实施例还提出了一种计算机设备,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,处理器执行所述计算机程序时,实现如上述的渣土车运输状态识别方法。
根据本发明实施例的计算机设备,通过存储器存储渣土车运输状态识别程序,这样渣土车运输状态识别程序被处理器执行时实现上述的渣土车运输状态识别方法,从而提高了渣土车在驾驶过程中的安全性,并且避免了环境污染。
另外,本发明实施例还提出了一种渣土车,包括载重传感器、顶盖传感器和对应车厢设置的拍摄装置,其中,所述渣土车还包括存储器、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,实现如上述的渣土车运输状态识别方法。
根据本发明实施例的渣土车,包括载重传感器、顶盖传感器和对应车厢设置的拍摄装置,其中,渣土车还包括存储器、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,通过存储器存储渣土车运输状态识别程序,这样渣土车运输状态识别程序被处理器执行时实现上述的渣土车运输状态识别方法,从而提高了渣土车在驾驶过程中的安全性,并且避免了环境污染。
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。
应当注意的是,在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
在本发明的描述中,需要理解的是,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触,或第一和第二特征通过中间媒介间接接触。而且,第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方,或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不应理解为必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (7)
1.一种渣土车运输状态识别方法,其特征在于,包括以下步骤:
获取原始数据,其中,所述原始数据包括渣土车车厢图像信息、渣土车的载重传感器数据信息和顶盖传感器数据信息;
对所述原始数据进行预处理,以获得二值化后的传感器数据信息和归一化后的渣土车车厢图像信息;
根据二值化后的传感器数据信息和归一化后的渣土车车厢图像信息获取每种传感器状态所对应的连续多帧图像,并对所述连续多帧图像进行处理,以获得每种传感器状态所对应的特征向量;
将所述每种传感器状态与所述每种传感器状态相对应的特征向量组成训练集;
根据所述训练集,采用Bagging算法构造出多个弱分类器;
获取所述渣土车的当前车厢图像,并对所述渣土车的当前车厢图像进行预处理和图像特征提取,以获得所述当前车厢图像所对应的特征向量;
将所述当前车厢图像所对应的特征向量分别输入到所述多个弱分类器,以获取多个检测结果,并根据所述多个检测结果对所述渣土车的运输状态进行识别,以判断所述渣土车的超重情况以及顶盖闭合情况;
其中,获得每种传感器状态所对应的特征向量,包括:
获取每种传感器状态所对应的连续多帧图像,并将每帧图像输入到深度残差网络,以提取所述连续多帧图像对应的多张特征图;
对所述连续多帧图像中相同位置进行时间维度上的最大值池化处理,以生成对应所述每种传感器状态的最终特征图;
对所述最终特征图进行最大值池化处理,以生成对应所述每种传感器状态的特征向量;
其中,采用Bagging算法构造出多个弱分类器,包括:
从所述训练集中随机抽取m个数据以形成自助训练集,并根据所述自助训练集,利用SVM分类算法对所述自助训练集进行四类划分,以训练出一个弱分类器,进行多次迭代训练,以构造出多个弱分类器。
2.如权利要求1所述的渣土车运输状态识别方法,其特征在于,对所述原始数据进行预处理,包括:
对所述原始数据进行清洗;
对清洗后的载重传感器数据和顶盖传感器数据进行二值化处理,并对清洗后的渣土车车厢图像数据进行归一化处理。
3.如权利要求1-2中任一项所述的渣土车运输状态识别方法,其特征在于,所述传感器状态包括载重传感器未超重状态、载重传感器超重状态、顶盖传感器闭合状态和顶盖传感器打开状态。
4.如权利要求3所述的渣土车运输状态识别方法,其特征在于,所述渣土车的运输状态包括渣土车超重且顶盖传感器闭合状态、渣土车未超重且顶盖传感器打开状态、渣土车未超重且顶盖传感器闭合状态和渣土车超重且顶盖传感器打开状态。
5.一种非临时性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1-4中任一项所述的渣土车运输状态识别方法。
6.一种计算机设备,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,实现如1-4中任一项所述的渣土车运输状态识别方法。
7.一种渣土车,其特征在于,包括载重传感器、顶盖传感器和对应车厢设置的拍摄装置,其中,所述渣土车还包括存储器、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,实现如1-4中任一项所述的渣土车运输状态识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910824285.3A CN110766039B (zh) | 2019-09-02 | 2019-09-02 | 渣土车运输状态识别方法、介质、设备及渣土车 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910824285.3A CN110766039B (zh) | 2019-09-02 | 2019-09-02 | 渣土车运输状态识别方法、介质、设备及渣土车 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110766039A CN110766039A (zh) | 2020-02-07 |
CN110766039B true CN110766039B (zh) | 2023-04-07 |
Family
ID=69329430
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910824285.3A Active CN110766039B (zh) | 2019-09-02 | 2019-09-02 | 渣土车运输状态识别方法、介质、设备及渣土车 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110766039B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111915611B (zh) * | 2020-07-06 | 2024-08-27 | 浙江大华技术股份有限公司 | 渣土车栏板加高检测方法、装置、电子设备及存储介质 |
CN112184707A (zh) * | 2020-10-30 | 2021-01-05 | 三峡大学 | 基于点云数据的渣土车土石方装载判断方法以及判断系统 |
CN113469154B (zh) * | 2021-09-03 | 2021-11-16 | 海门市重型矿山机械厂 | 一种基于人工智能的渣土车卸货进度监控方法及系统 |
CN114005092B (zh) * | 2021-12-29 | 2022-04-26 | 深圳市思拓通信系统有限公司 | 一种渣土车承载量监控方法、控制器及系统 |
CN115861904A (zh) * | 2023-02-23 | 2023-03-28 | 青岛创新奇智科技集团股份有限公司 | 一种渣土车冒顶检测模型的生成方法及系统 |
CN117196454B (zh) * | 2023-11-08 | 2024-01-30 | 江苏华溯大数据有限公司 | 渣土车载重状态识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101060443A (zh) * | 2006-04-17 | 2007-10-24 | 中国科学院自动化研究所 | 基于改进的自适应提升算法的互联网入侵检测方法 |
CN107944794A (zh) * | 2017-11-29 | 2018-04-20 | 广州市小蜜蜂物流有限公司 | 物流运输用包裹信息实时监控登记系统 |
CN109002421A (zh) * | 2018-06-25 | 2018-12-14 | 深圳市四叶草物联网科技有限公司 | 渣土车运输土方数统计方法、系统及服务器、存储介质 |
CN110040111A (zh) * | 2019-03-22 | 2019-07-23 | 江苏大学 | 一种基于图像识别的渣土车清洗控制系统及控制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7676062B2 (en) * | 2002-09-03 | 2010-03-09 | Automotive Technologies International Inc. | Image processing for vehicular applications applying image comparisons |
-
2019
- 2019-09-02 CN CN201910824285.3A patent/CN110766039B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101060443A (zh) * | 2006-04-17 | 2007-10-24 | 中国科学院自动化研究所 | 基于改进的自适应提升算法的互联网入侵检测方法 |
CN107944794A (zh) * | 2017-11-29 | 2018-04-20 | 广州市小蜜蜂物流有限公司 | 物流运输用包裹信息实时监控登记系统 |
CN109002421A (zh) * | 2018-06-25 | 2018-12-14 | 深圳市四叶草物联网科技有限公司 | 渣土车运输土方数统计方法、系统及服务器、存储介质 |
CN110040111A (zh) * | 2019-03-22 | 2019-07-23 | 江苏大学 | 一种基于图像识别的渣土车清洗控制系统及控制方法 |
Non-Patent Citations (2)
Title |
---|
基于LapSVM的物流编号图像自动识别算法;曹炯清;《物流技术》;20150215(第03期);全文 * |
基于物联网的货运站列车探测识别系统设计研究;赵耘华;《上海铁道科技》;20161225(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110766039A (zh) | 2020-02-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110766039B (zh) | 渣土车运输状态识别方法、介质、设备及渣土车 | |
EP3410351B1 (en) | Learning program, learning method, and object detection device | |
CN111814835B (zh) | 计算机视觉模型的训练方法、装置、电子设备和存储介质 | |
US11335086B2 (en) | Methods and electronic devices for automated waste management | |
CN107992819B (zh) | 一种车辆属性结构化特征的确定方法与装置 | |
CN107220603A (zh) | 基于深度学习的车辆检测方法及装置 | |
CN114529873A (zh) | 目标检测方法及应用其的城市违规事件监测方法 | |
CN111274926B (zh) | 图像数据筛选方法、装置、计算机设备和存储介质 | |
CN111814755A (zh) | 面向夜间运动场景的多帧图像行人检测方法和装置 | |
CN106570439B (zh) | 一种车辆检测方法及装置 | |
CN107808126A (zh) | 车辆检索方法及装置 | |
JP7036401B2 (ja) | 学習用サーバ、不足学習用画像収集支援システム、及び不足学習用画像推定プログラム | |
CN110599453A (zh) | 一种基于图像融合的面板缺陷检测方法、装置及设备终端 | |
CN104331691A (zh) | 一种车标分类器训练方法、车标识别方法及装置 | |
CN110378258A (zh) | 一种基于图像的车辆座椅信息检测方法及设备 | |
CN112329881A (zh) | 车牌识别模型训练方法、车牌识别方法及装置 | |
CN107133629A (zh) | 图片分类方法、装置和移动终端 | |
CN112101114B (zh) | 一种视频目标检测方法、装置、设备以及存储介质 | |
CN114067186A (zh) | 一种行人检测方法、装置、电子设备及存储介质 | |
JP2021086379A (ja) | 情報処理装置、情報処理方法、プログラム及び学習モデルの生成方法 | |
CN108154183A (zh) | 一种基于局部和深度特征集合的目标分类方法 | |
CN104268595A (zh) | 通用物件检测方法及系统 | |
Fernando et al. | Automatic road traffic signs detection and recognition using ‘You Only Look Once’version 4 (YOLOv4) | |
CN111881984A (zh) | 一种基于深度学习的目标检测方法和装置 | |
JP7036296B1 (ja) | スクラップ判別システム、及びスクラップ判別方法 |
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 |