CN111310878A - 一种基于射频识别和目标检测的货车超载检测方法 - Google Patents

一种基于射频识别和目标检测的货车超载检测方法 Download PDF

Info

Publication number
CN111310878A
CN111310878A CN202010406285.4A CN202010406285A CN111310878A CN 111310878 A CN111310878 A CN 111310878A CN 202010406285 A CN202010406285 A CN 202010406285A CN 111310878 A CN111310878 A CN 111310878A
Authority
CN
China
Prior art keywords
truck
limit information
weight limit
detection
weight
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
Application number
CN202010406285.4A
Other languages
English (en)
Inventor
徐鹤
过铭涛
李鹏
王汝传
朱枫
程海涛
沙超
李友涛
张结魁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui Jingqi Network Technology Co ltd
Nanjing University of Posts and Telecommunications
Original Assignee
Anhui Jingqi Network Technology Co ltd
Nanjing University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anhui Jingqi Network Technology Co ltd, Nanjing University of Posts and Telecommunications filed Critical Anhui Jingqi Network Technology Co ltd
Priority to CN202010406285.4A priority Critical patent/CN111310878A/zh
Publication of CN111310878A publication Critical patent/CN111310878A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
    • G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device
    • G06K17/0029—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device the arrangement being specially adapted for wireless interrogation of grouped or bundled articles tagged with wireless record carriers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K19/00—Record carriers for use with machines and with at least a part designed to carry digital markings
    • G06K19/06—Record carriers for use with machines and with at least a part designed to carry digital markings characterised by the kind of the digital marking, e.g. shape, nature, code
    • G06K19/067—Record carriers with conductive marks, printed circuits or semiconductor circuit elements, e.g. credit or identity cards also with resonating or responding marks without active components
    • G06K19/07—Record carriers with conductive marks, printed circuits or semiconductor circuit elements, e.g. credit or identity cards also with resonating or responding marks without active components with integrated circuit chips
    • G06K19/077—Constructional details, e.g. mounting of circuits in the carrier
    • G06K19/0772—Physical layout of the record carrier
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/042—Detecting movement of traffic to be counted or controlled using inductive or magnetic detectors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于射频识别和目标检测的货车超载检测方法，在货车出产时，将目标车辆的限重信息存储于该车的RFID标签中，在高速公路收费站处安装重量传感器，然后获取收费站摄像头采集的实时视频并进行视频预处理，根据高斯混合模型的背景相减法获取目标车辆区域，建立采集的数据集，采用数据扩充策略丰富数据集，然后利用AlexNet对得到的目标区域进行分类，筛去其他车型，留下货车车型，最后利用RFID阅读器读取货车RFID标签里的限重信息与重量传感器获得的实际重量进行比对，检测是否超载，方便工作人员有效、便捷地控制货车超载，以防止超载带来的不必要的损失。

Description

一种基于射频识别和目标检测的货车超载检测方法
技术领域
本发明属于射频识别技术和计算机视觉技术领域，具体涉及一种基于射频识别和目标检测的货车超载检测方法。
背景技术
近几年，我国迎来公路开发黄金阶段，尤其是对高速公路高架及其网络的兴建动工，其成绩是有目共睹，但随之而来的诸多问题却不容忽视，首当其冲的是货运量的“高速”膨胀，导致货运超载现象日益突出，超载不仅对公路、桥梁造成严重的破坏，而且也扰乱了公路货运市场的正常秩序，可能引发严重的交通事故。而在高速公路路段上，货运超载现象的发生尤为频繁。造成以上重大影响的主体基本为货车，因此对于货车的超载检测应该放在首位。例如2019年10月10日无锡市锡山区312国道上海方向K135处、锡港路上跨桥出现桥面侧翻，造成这一问题的直接原因就是两辆重型平板半挂车严重超载、间距较近即荷载分布相对集中，偏心荷载引起的失稳效应远超桥梁上部结构稳定效应，造成桥梁支座系统失效，因此如何在超载货车上高速公路前就检测出超重就显得尤为重要。
目前主流的车辆超限检测识别方法在实际应用过程中都存在一定的问题，例如环形磁感应线圈检测，将环形磁感应线圈埋在地下，这种方法虽不受天气的影响，检测准确率较高，但是该方法需要损坏路面才能将线圈埋在地下，所以，该方法局限性较大。此外，对感应线圈的安装和维护不易，感应线圈的埋设位置、深度以及线圈本身属性对提取车辆信息的影响很难确定，一旦恢复道路面貌，就难以再对线圈进行调整。
红外线检测通过红外线进行测量的响应速度快、灵敏度较高，并且设备安装简单，能够很好地在白天和夜晚的环境下工作，但是红外检测器进行检测的准确性与车辆热辐射有关，很容易受到运动车辆自身热量的影响。
因此上述方法在实际应用时均存在检测准确性问题，另外目前现有的车辆超重检测识别并不能于事后执法取证提供证据。
发明内容
针对目前高速公路和高架等限制超载的道路上对货车超载情况检测不及时的问题，本发明的目的是提供一种可以实时、方便、成本低、快速的检测货车超载的方法，创造性的结合了计算机视觉技术中的目标检测和分类技术，利用射频识别即RFID标签存储信息的安全性以及标签本身的便捷性、易读性等特点，然后再利用计算机视觉中目标检测与分类识别出货车车辆，从而检测货车是否超载。
具体的，本发明设计了一种基于射频识别和目标检测的货车超载检测方法：在货车出厂前，将其限重信息存储于该车的RFID标签中；在高速公路收费站处安装重量传感器，获取收费站摄像头采集的实时视频并进行视频预处理；根据高斯混合模型的背景相减法获取目标车辆区域，采用数据增强策略丰富自采的数据集，并利用AlexNet网络对得到的目标区域进行分类，筛去其他车型，保留货车车型；最后利用RFID阅读器读取货车RFID标签里的限重信息与重量传感器获得的实际重量进行比对，检测是否超载，如果超载则会发出警报限制货车通行。
一种基于射频识别和目标检测的货车超载检测方法，该系统实现的具体操作步骤如下：
步骤一：RFID标签信息预埋：在货车出厂前，将其限重信息存储于该车的RFID标签中；
步骤二：目标车辆识别并记录：利用摄像头捕捉高速路口收费站处的实时视频，货车检测平台先对视频获取每一帧，然后进行预处理去噪；采用高斯混合模型，对去噪后的视频的每一个像素点进行背景建模；将检测出测结果传入AlexNet网络进行分类；分类结果产生，在视频中用红色框标记货车车型；
步骤三：信息对比判断是否超载：解读器读取货车RFID标签中的限重信息与重量传感器的实测数据进行比对。
进一步的，所述步骤三包括以下流程：
1）通过解读器读取RFID标签中的限重信息，然后传输到PC端；
2）PC端将从解读器收到的限重信息与重量传感器实测的货车载重进行对比；
3）假如对比结果符合限重则放行，否则响起警报，阻止货车通行。
进一步的，所述步骤二中车辆类型识别是基于AlexNet分类网络，AlexNet网络具有8层网络结构，采用了5层卷积层和3层全连接层，它增加了ReLU激活函数，并使用Dropout和数据增强来防止过拟合，另外，AlexNet在前两个卷积层之后加入了局部相应归一化层即LRN层。
有益效果：
1、与传统的车辆检测方法相比，本发明提供的货车超载检测方法，利用视频图像对运动车辆进行处理和分析，该方法的优点：相对于感应线圈检测，基于视频图像的车辆检测硬件设备安装方便，不损坏路面，日常维护简单且不会影响正常的交通；以视频图像作为对象，通过分析易得到需要的交通信息，这种方法直观、有效、检测范围较广，具有较强的抗干扰能力；视频检测装置能够实现对交通场景的实时监控，能够发现并记录交通场景中的各种违规行为和交通事故，为事故处理提供视频证据。
2、目标车辆检测采用高斯混合模型与采用神经网络相比，使用深度学习进行端到端的学习，如YOLO检测算法，与Fast R-CNN和Faster R-CNN不同的是，YOLO采用了端到端的思路，利用神经网络完成目标检测和类别概率预测，将目标检测问题转化为回归问题，大大提高了检测速度；虽然YOLO大大提高了检测速度，但由于采用7×7网格回归，目标定位误差较大，检测精度有限，无法检测到小目标；以上方法曾在VOC、MS COCO等通用数据集上取得不错的检测效果；然而针对复杂情况下的运动车辆目标检测任务，直接移植上述算法的思路是不可行的，这是因为受视频监控设备以及环境的影响，公路监控视频特别是夜间监控视频混杂了大量的噪音，导致目标对象比VOC等通用数据集上的目标小得多；另外，VOC等数据集主要强调目标检测的精度，并没有对目标检测的速度有硬性要求；而本发明提出的结合高斯混合背景模型和AlexNet分类网络的运动车辆检测算法在自采数据集上进行，算法能够取得较高的检测精准率和检测速度，优于目前主流的检测算法，能够满足视频实时检测的需求。
3、获取限重信息采用RFID技术与传统油漆刷印相比，传统的货车限重信息一般都是以油漆刷印为主，其缺点显而易见，限重信息的字体容易受光照、雨水等原因变得逐渐模糊，检察人员不易识别；而采用RFID技术，能够自动迅速无误地获得限重信息，中间过程不需要人力资源的介入，进一步减少了工作人员的负担；并且相比于传统油漆刷印易磨损的缺点，RFID采用标签的形式，具有抗污染能力和耐久性等特质，能够重复使用很久；RFID解读器和标签形成的这套系统，能够不受天气等客观因素的影响，相较于传统的方法，是一个可循环再利用的新型技术，进一步在一定程度上降低了人力和物力的成本，提高了经济效益。
附图说明
图1是本发明的基于高斯混合背景模型的目标检测和识别框架示意图；
图2是本发明具体实施方式中所述RFID存储读取信息整体部署图；
图3是本发明的高斯混合模型算法流程图。
具体实施方式
一种基于射频识别和目标检测的货车超载检测方法的实现包括目标车辆检测环节、车辆类型识别环节、RFID解读器及标签这三个环节，每个环节具体实现方式具体如下。
目标车辆检测
目标车辆检测是基于高斯混合背景模型的目标检测和识别框架，如图1，建模是背景目标提取的一个重要环节，混合高斯背景建模适合于在摄像机固定的情况下从图像中分离出背景和前景。前景是指在假设背景为静止的情况下，任何有意义的运动物体即为前景，背景一般是缓慢变化的，通过对背景建模，将给定的图像分离出前景和背景，混合高斯模型广泛地应用于复杂场景的背景建模，能够有效地对多峰分布背景进行建模，能基本满足实际应用中对算法的实时性要求；
本发明采用基于高斯混合模型的背景相减法，由于基于卷积神经网络的检测算法需要计算大量的参数，对机器的计算能力要求非常高，而高斯混合模型通过对每一个像素点进行背景建模，将当前帧图像与背景模型相减，与卷积神经网络相比,没有复杂的计算，因此具有较快的检测速度；
通过将摄像头拍摄的实时视频进行预处理去噪，然后每一帧通过高斯混合背景模型的目标检测和识别框架进行建模，将当前帧图像与背景模型相减，得到目标车辆特征；
高斯混合模型的算法如图3所示，下面将结合图3介绍高斯混合模型算法：
步骤一：每个新像素值
Figure 972439DEST_PATH_IMAGE001
同当前K个模型按下式进行比较，直到找到匹配新像素值的分布模型，即同该模型的均值偏差在2.5
Figure 561683DEST_PATH_IMAGE002
内，
Figure 544683DEST_PATH_IMAGE003
；
步骤二：如果所匹配的模式符合背景要求，则该像素属于背景，否则属于前景；
步骤三：各模式权值按如下公式更新，其中
Figure 877575DEST_PATH_IMAGE004
是学习速率，对于匹配的模式
Figure 827033DEST_PATH_IMAGE005
，否则
Figure 196966DEST_PATH_IMAGE006
=0，然后各模式的权重进行归一化，
Figure 604945DEST_PATH_IMAGE007
；
步骤四：未匹配模式的均值
Figure 538266DEST_PATH_IMAGE008
与标准差
Figure 348090DEST_PATH_IMAGE002
不变，匹配模式的参数按照如下公式更新：
Figure 544716DEST_PATH_IMAGE009
；
步骤五：如果步骤一中没有任何模式匹配，则权重最小的模式被替换，即该模式的均值为当前像素值，标准差为初始较大值，权重为较小值；
步骤六：各模式根据
Figure 236728DEST_PATH_IMAGE010
按降序排列，权重大、标准差小的模式排列靠前；
步骤七：选前B个模式作为背景，B满足下式，参数T表示背景所占比例，
Figure 239320DEST_PATH_IMAGE011
。
车辆类型识别
车辆类型识别是基于AlexNet分类网络，AlexNet网络具有8层网络结构，采用了5层卷积层和3层全连接层，它增加了ReLU激活函数，并使用Dropout和数据增强来防止过拟合。另外，AlexNet在前两个卷积层之后加入了LRN，局部相应归一化，因为在目标识别过程中，输入特征提取得越精细，输入目标被识别的精确也越高，因此本发明在经典的AlexNet网络的基础上再加上2层卷积层，以提高精确度；
本发明采用了AlexNet分类网络，为了尽可能避免过拟合现象的发生，采取了数据扩充策略和Dropout两个策略，每个输入图像由固定倍数的数据扩充，这可以有效地改善由收集的数据集太小引起的问题；将Dropout添加到分类网络的训练中，这样每个隐藏的神经元层都不会以概率p工作，在一次迭代中，不起作用的节点可以不被视为网络的一部分，但可能在下一次迭代中再次起作用，凡是不工作的神经元都不参与向前运算和BP运算，与此同时，每次输入的神经网络结构都不相同，从而增加了鲁棒性，减少了过拟合。
解读器及标签部分
RFID存储读取信息部分分为三个部分，分别是解读器、射频标签、计算机终端软件，其部署图如图2所示；
其基本工作原理：解读器通过发射天线发送射频信号，当标签进入发射天线的覆盖范围时产生感应电流，从而激活标签。标签将自身的编码信息通过内置发送天线发送出去；系统接收天线接收到从标签传来的信号，经天线调节器发送至解读器，解读器对信号进行解码，并最终将信息传输到计算机终端；
本发明中，利用RFID标签存储货车的限重信息，通过解读器读取RFID标签中的信息，与重量传感器测出的实际重量进行比对，然后再计算机终端软件上显示是否超载，如有超载则发出警报，限制货车通行；
RFID货车超载检测就是利用无线射频识别技术RFID来对货车限重信息进行检测，通过解读器读取货车上的电子标签信号，并与数据库进行联系，以获得该货车的限重信息与重力传感器实际测得的重量进行比对；RFID解读器及标签部分由RFID硬件、计算机集成设备、软件组成；RFID硬件通过标准串口或者USB接口与计算机集成设备连接，组成RFID货车超载检测系统的终端，RFID系统终端通过终端软件与重量传感器进行连接，其物理连接为网络连接或数据拷贝交换；在全国货车生产出厂前，将货车的限重信息写入RFID标签中，在高速公路收费站利用RFID解读器读取货车RFID标签里的限重信息与重量传感器获得的实际重量进行比对，检测是否超载，如果超载则会发出警报限制货车通行。
以上实例仅说明本发明的技术方案及其限制，本发明的应用不限于以上实例，有许多类似的变化。本领域的技术人员如果对本发明的具体实施方式进行修改或者等同替换，均在申请待批的本发明的权利要求保护范围内。

Claims (5)

1.一种基于射频识别和目标检测的货车超载检测方法，其特征在于，该系统实现的具体操作步骤如下：
步骤一：在货车出厂前，将其限重信息存储于该车的RFID标签中；
步骤二：利用摄像头捕捉高速路口收费站处的实时视频，货车检测平台先对视频获取每一帧，然后进行预处理去噪；采用高斯混合模型，对去噪后的视频的每一个像素点进行背景建模；将检测出测结果传入AlexNet网络进行分类；分类结果产生后，在视频中用红色框标记货车车型；
步骤三：利用解读器读取货车RFID标签中的限重信息与重量传感器的实测数据进行比对，信息对比判断货车是否超载。
2.根据权利要求1所述的一种基于射频识别和目标检测的货车超载检测方法，其特征在于，所述步骤二中所述AlexNet网络具有8层网络结构，包括5层卷积层和3层全连接层。
3.根据权利要求2所述的一种基于射频识别和目标检测的货车超载检测方法，其特征在于，所述步骤二中所述AlexNet网络采用ReLU激活函数，并使用Dropout和数据增强来防止过拟合。
4.根据权利要求3所述的一种基于射频识别和目标检测的货车超载检测方法，其特征在于，所述步骤二中所述AlexNet网络中前两个卷积层之后加入局部响应归一化层即LRN层。
5.根据权利要求1所述的一种基于射频识别和目标检测的货车超载检测方法，其特征在于，所述步骤三具体为：通过解读器读取RFID标签中的限重信息，然后传输到PC端；PC端将从解读器收到的限重信息与重量传感器实测的货车载重进行对比；对比结果符合限重则放行，否则响起警报，阻止货车通行。
CN202010406285.4A 2020-05-14 2020-05-14 一种基于射频识别和目标检测的货车超载检测方法 Pending CN111310878A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010406285.4A CN111310878A (zh) 2020-05-14 2020-05-14 一种基于射频识别和目标检测的货车超载检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010406285.4A CN111310878A (zh) 2020-05-14 2020-05-14 一种基于射频识别和目标检测的货车超载检测方法

Publications (1)

Publication Number Publication Date
CN111310878A true CN111310878A (zh) 2020-06-19

Family

ID=71146381

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010406285.4A Pending CN111310878A (zh) 2020-05-14 2020-05-14 一种基于射频识别和目标检测的货车超载检测方法

Country Status (1)

Country Link
CN (1) CN111310878A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113375772A (zh) * 2021-06-28 2021-09-10 王军燕 一种公路工程管理用车辆载重快速检查装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102339531A (zh) * 2010-07-14 2012-02-01 数伦计算机技术（上海）有限公司 路边交通探测系统
CN204332070U (zh) * 2014-12-02 2015-05-13 西安众智惠泽光电科技有限公司 通行桥梁的超载货车实时在线监控系统
CN207489249U (zh) * 2017-11-29 2018-06-12 武汉万集信息技术有限公司 一种基于汽车电子标识的车辆超载非现场执法系统
CN109544933A (zh) * 2018-12-19 2019-03-29 广东赛诺科技股份有限公司 一种基于车辆超限超载数据的路况评定方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102339531A (zh) * 2010-07-14 2012-02-01 数伦计算机技术（上海）有限公司 路边交通探测系统
CN204332070U (zh) * 2014-12-02 2015-05-13 西安众智惠泽光电科技有限公司 通行桥梁的超载货车实时在线监控系统
CN207489249U (zh) * 2017-11-29 2018-06-12 武汉万集信息技术有限公司 一种基于汽车电子标识的车辆超载非现场执法系统
CN109544933A (zh) * 2018-12-19 2019-03-29 广东赛诺科技股份有限公司 一种基于车辆超限超载数据的路况评定方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈伟星 等: "《基于公路监控视频的车辆检测和识别》", 《信息技术与网络安全》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113375772A (zh) * 2021-06-28 2021-09-10 王军燕 一种公路工程管理用车辆载重快速检查装置

Similar Documents

Publication Publication Date Title
Adu-Gyamfi et al. Automated vehicle recognition with deep convolutional neural networks
Zhang et al. A methodology for obtaining spatiotemporal information of the vehicles on bridges based on computer vision
CN103116987B (zh) 一种基于监控视频处理的车流统计和违规检测的方法
Liu et al. A vision-based pipeline for vehicle counting, speed estimation, and classification
Siriborvornratanakul An automatic road distress visual inspection system using an onboard in‐car camera
Avery et al. Length-based vehicle classification using images from uncalibrated video cameras
CN102867417B (zh) 一种出租车防伪系统及方法
CN103279756B (zh) 基于集成分类器的车辆检测分析系统及其检测分析方法
Hadjidemetriou et al. Automated detection of pavement patches utilizing support vector machine classification
CN106951889A (zh) 井下高危区域动目标监测和管理系统
CN109993138A (zh) 一种车牌检测与识别方法及装置
CN111160270B (zh) 一种基于智能视频识别的桥梁监测方法
CN111753612B (zh) 一种抛洒物检测方法、装置及存储介质
CN111242002B (zh) 基于计算机视觉的共享单车规范化停放判定方法
CN107644206A (zh) 一种道路异常行为动作检测装置
CN108664875A (zh) 基于图像识别的井下皮带运输监控方法
Rafique et al. Optimized real-time parking management framework using deep learning
CN111209923A (zh) 一种基于深度学习技术的渣土车是否盖盖识别方法
CN116846059A (zh) 一种用于电网巡检和监控的边缘检测系统
CN116168356A (zh) 一种基于计算机视觉的车辆损伤判别方法
CN111310878A (zh) 一种基于射频识别和目标检测的货车超载检测方法
CN113158954A (zh) 交通非现场的基于ai技术的斑马线区域自动检测方法
CN117523449A (zh) 一种煤矿井下辅助运输机器人车路协同定位系统及方法
CN110765900A (zh) 一种基于dssd的自动检测违章建筑方法及系统
Saini et al. Region and feature matching based vehicle tracking for accident detection

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: 20200619