CN112528208A - 一种无称重ai智能识别货车超载估算方法、装置及系统 - Google Patents

一种无称重ai智能识别货车超载估算方法、装置及系统 Download PDF

Info

Publication number
CN112528208A
CN112528208A CN202011137723.8A CN202011137723A CN112528208A CN 112528208 A CN112528208 A CN 112528208A CN 202011137723 A CN202011137723 A CN 202011137723A CN 112528208 A CN112528208 A CN 112528208A
Authority
CN
China
Prior art keywords
truck
tire
deformation coefficient
overload
rear wheel
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.)
Granted
Application number
CN202011137723.8A
Other languages
English (en)
Other versions
CN112528208B (zh
Inventor
黄东
黄一闻
陈剑飞
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.)
Nanjing Weida Electronic Technology Co ltd
Original Assignee
Nanjing Weida Electronic Technology Co ltd
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 Nanjing Weida Electronic Technology Co ltd filed Critical Nanjing Weida Electronic Technology Co ltd
Priority to CN202011137723.8A priority Critical patent/CN112528208B/zh
Publication of CN112528208A publication Critical patent/CN112528208A/zh
Application granted granted Critical
Publication of CN112528208B publication Critical patent/CN112528208B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Tires In General (AREA)

Abstract

本发明公开了一种无称重AI智能识别货车超载估算方法、装置与系统。本发明方法中，首先获取同类型车辆在不同载重量下的后轮载重轮胎平均变形系数，进行拟合得到对应的轮胎平均变形系数随载重量变化而变化的统计数据线性回归函数模型；然后根据货车类型确定货车载重上限值和倍数载重值，带入函数模型得到相应的货车超载轮胎变形系数值和倍数超载变形系数值；当待测车辆通过视频检测点时，根据后轮轮胎变形地平线长度和货车轮胎半径计算后轮载重轮胎平均变形系数，与相关系数值进行比较，判断是否为超载或倍数超载嫌疑车辆。本发明以解决低成本、无车道引导、各等级公路网无死角布控智能监测超载尤其严重超载车辆在技术性和经济性方面存在的难题。

Description

一种无称重AI智能识别货车超载估算方法、装置及系统
技术领域
本发明涉及交通安全领域，具体涉及一种无称重AI智能识别货车超载估算方法及相关装置与系统。
背景技术
超载车辆对交通安全、环境和道路尤其桥梁设施将造成重大危害，国内外政府交通管理部门都十分重视。近几年来，我国治超工作力度也愈来愈大。高速公路在入口处采取过地秤称重的办法，超载现象得到了一定控制，但建设和维护成本较大，也有少部分半挂车跳磅、拖磅通过收费亭；非收费公路由于没有收费匝道难以安装称重设备，即使可安装但覆盖安装数量大、维护管理复杂，投资巨大。各级公安交警和交通运输路政等部门，每年都投入大量人力物力，上路巡查或设站检查，但难以路网覆盖，防不胜防，货车超限超载现象仍然比较严重，带来普遍性交通安全隐患。
发明内容
发明目的：针对上述现有技术存在的问题，本发明的目的在于提供一种无称重AI智能识别货车超载估算方法及装置，以解决低成本、无车道导向引导、公路网无死角布控智能监测严重超载车辆在技术性和经济性方面存在的难题。
技术方案：为实现上述发明目的，本发明采用如下技术方案：
一种无称重AI智能识别货车超载估算方法，所述方法包括如下步骤：
（1）获取同类型车辆在不同载重量下的后轮载重轮胎平均变形系数，并进行拟合得到对应的轮胎平均变形系数随载重量变化而变化的统计数据线性回归函数模型；其中货车后轮载重轮胎变形系数为后轮轮胎变形地平线长度与货车轮胎半径的比值；
（2）根据货车类型确定货车载重上限值和倍数载重值，带入统计数据线性回归函数模型得到相应的货车超载轮胎变形系数值和倍数超载变形系数值；
（3）当待测车辆通过视频检测点时，根据后轮轮胎变形地平线长度和货车轮胎半径计算得到后轮载重轮胎平均变形系数，并与步骤（2）得到的系数值进行比较，从而判断是否为超载或倍数超载嫌疑车辆。
具体的，轮胎平均变形系数采用以下公式进行计算：
Figure 199277DEST_PATH_IMAGE001
，
其中，
Figure 187962DEST_PATH_IMAGE002
，
Figure 2334DEST_PATH_IMAGE003
，
Figure 559217DEST_PATH_IMAGE004
为货车前轮载重轮胎变形系数，
Figure 154147DEST_PATH_IMAGE005
为货车第n个车 轴的后轮载重轮胎变形系数，
Figure 556309DEST_PATH_IMAGE006
，N为货车总车轴数，L1表示前轮轮胎变形地平线 的长度，Ln表示后轮轮胎变形地平线的长度，R1表示货车前轮半径，Rn表示货车第n个车轴的 后轮半径；
Figure 818663DEST_PATH_IMAGE007
=
Figure 343186DEST_PATH_IMAGE008
，为同类型货车前轮载重轮胎变形系数
Figure 35198DEST_PATH_IMAGE009
随载重量变化而变化的统 计数据线性回归函数；
Figure 303368DEST_PATH_IMAGE010
Figure 420229DEST_PATH_IMAGE011
，为同类型货车后轮载重轮胎变形系数
Figure 787756DEST_PATH_IMAGE012
随载重量变化而变化的统 计数据线性回归函数。
假设选择货车载重量G接近
Figure 294961DEST_PATH_IMAGE013
的样本数据（轻载重量样本数据不考虑）即取
Figure 163560DEST_PATH_IMAGE014
时的统计样本容量，使用最小二乘法求出
Figure 10293DEST_PATH_IMAGE015
，采用以下公式计算线性回 归函数模型的标准误差S：
Figure 876618DEST_PATH_IMAGE016
其中，
Figure 667857DEST_PATH_IMAGE017
是同类型货车
Figure 277829DEST_PATH_IMAGE018
时第i辆货车的后轮胎变形系数，
Figure 979069DEST_PATH_IMAGE019
是对应所 有样本的后轮胎变形系数平均值（i=1、2、3......n）。
具体的，按照环境温度分别采集和拟合获得统计数据线性回归函数，以适应不同温度的检测，在不同环境温度下，使用相应的统计数据线性回归函数。
具体的，统计并拟合同类型货车前轮载重变形系数相对装载重量的统计线性回归关系模型，并与步骤（1）得到的统计数据线性回归函数模型相减得到前后轮胎气压正常情况下轮胎变形系数相关性模型；
将货车最大载重量Gmax代入气压敏感性反应关系模型Q（G）=
Figure 78612DEST_PATH_IMAGE020
/
Figure 560409DEST_PATH_IMAGE021
、
Figure 646177DEST_PATH_IMAGE021
和
Figure 264240DEST_PATH_IMAGE020
，得到
Figure 534684DEST_PATH_IMAGE022
、
Figure 175881DEST_PATH_IMAGE023
、正常敏感性界定阀值
Figure 127657DEST_PATH_IMAGE024
；
若同类型货车通过路段视频分析检测点时，根据货车前轮载重轮胎变形系数和后轮载重轮胎平均变形系数得到实际敏感性值Q（G），同时具备以下三个条件，则排除货车轮胎气压轻度不足造成的超载误判：
（1）当
Figure 662543DEST_PATH_IMAGE025
>
Figure 244834DEST_PATH_IMAGE026
时，可能存在轮胎轻度不足和超载两种情形；
（2）当
Figure 435644DEST_PATH_IMAGE027
>
Figure 253428DEST_PATH_IMAGE028
时，可能存在轮胎轻度不足和超载两种情形；
（3）当
Figure 783766DEST_PATH_IMAGE029
Figure 333696DEST_PATH_IMAGE030
时，则排除因轮胎气压轻度不足造成的误判。
本发明还提供一种无称重AI智能识别货车超载估算装置，包括AI学习分析模块以及货车超载识别模块；
所述AI学习分析模块，用于获取同类型车辆在不同载重量下的后轮载重轮胎平均变形系数，并进行拟合得到对应的轮胎平均变形系数随载重量变化而变化的统计数据线性回归函数模型；以及根据货车类型确定货车载重上限值和倍数载重值，带入统计数据线性回归函数模型得到相应的货车超载轮胎变形系数值和倍数超载变形系数值；其中货车后轮载重轮胎变形系数为后轮轮胎变形地平线长度与货车轮胎半径的比值；
所述货车超载识别模块，用于当待测车辆通过视频检测点时，根据后轮轮胎变形地平线长度和货车轮胎半径计算得到后轮载重轮胎平均变形系数，并与货车超载轮胎变形系数值和倍数超载变形系数值进行比较，从而判断是否为超载或倍数超载嫌疑车辆。
本发明还提供一种AI智能识别货车超载学习分析系统，包括车道汽车称重装置和车辆综合特征识别一体机及AI分析计算机；
所述车道汽车称重装置，用于获取道路过往车辆称重计量；
所述车辆综合特征识别一体机，用于获得对应过往车辆车牌号、车型、车长及正面轮胎半径、轮胎变形地平线及环境气温；
所述AI分析计算机，用于获取同类型车辆在不同载重量下的后轮载重轮胎平均变形系数，并进行拟合得到对应的轮胎平均变形系数随载重量变化而变化的统计数据线性回归函数模型；以及根据货车类型确定货车载重上限值和倍数载重值，带入统计数据线性回归函数模型得到相应的货车超载轮胎变形系数值和倍数超载变形系数值；其中货车后轮载重轮胎变形系数为后轮轮胎变形地平线长度与货车轮胎半径的比值。
本发明还提供一种无称重AI智能识别货车超载估算系统，包括车辆综合特征识别一体机及AI分析计算模块；
所述车辆综合特征识别一体机，用于获得过往车辆车牌号、车型、车长及正面轮胎半径、轮胎变形地平线及环境气温；
所述AI分析计算模块，用于根据后轮轮胎变形地平线长度和货车轮胎半径计算得到后轮载重轮胎平均变形系数，并与存储的货车超载轮胎变形系数值和倍数超载变形系数值进行比较，从而判断是否为超载或倍数超载嫌疑车辆；其中货车后轮载重轮胎变形系数为后轮轮胎变形地平线长度与货车轮胎半径的比值；所述货车超载轮胎变形系数值和倍数超载变形系数值根据货车类型确定货车载重上限值和倍数载重值，带入统计数据线性回归函数模型得到；所述统计数据线性回归函数模型根据同类型车辆在不同载重量下的后轮载重轮胎平均变形系数拟合得到。
具体的，所述AI分析计算模块采用边缘计算模式或云计算模式部署。
有益效果：与现有技术相比，本发明具有如下优点：一是本发明方法、装置及系统具有检测治理超载车辆的广泛实用性，破解广泛利用称重技术手段超载管控和影响道路畅通的矛盾。现有车辆称重设备及技术系统需要安装在固定车道口或引入检查站点才能检测货车是否超载，因各地各等级公路分布广泛，出入口四通八达，社会不允许在各公路出入口都安装引导称重设备系统来检测管控超载货车而影响道路通行效率。二是本发明装置安装简便，可针对各种桥梁或重点管控桥梁，全方位布点而又不影响正常交通，侦测和预警可能通过的严重超载车辆，有效防止桥梁超载损害和桥梁交通事故。三是相对现有称重设备系统，本发明装置系统及安装成本极低，后续运维成本更低，随着数据不断积累AI学习训练技术运用使系统性更优。四是极大提高了低等级交通运输和公安交管执法人员道路超载管控效率和安全性。
附图说明
图1为本发明提供的学习分析系统的示意图；
图2为轮胎承载变形的轮胎变形地平线的示意图；
图3为货车前轮与后轮示意图；
图4为本发明提供的货车AI视频识别超载边缘计算系统；
图5为本发明提供的货车AI视频识别超载云计算系统。
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、完整的描述，显然，所描述的实施例仅只是本发明的一部分实施例，而不是全部的实施例。基于本发明的实施例，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其他所有实施例，都属于本发明保护的范围。
依据《公路法》和《公路安全保护条例》以及《超限运输车辆行驶公路管理规定（交通运输部令2016年第62号）》，主要针对货车超载现象进行估算，超载标准如下：二轴货车，其车货总质量超过18000千克；三轴货车，其车货总质量超过25000千克；三轴汽车列车，其车货总质量超过27000千克；四轴货车，其车货总质量超过31000千克；四轴汽车列车，其车货总质量超过36000千克；五轴汽车列车，其车货总质量超过43000千克；六轴及六轴以上汽车列车，其车货总质量超过49000千克，其中牵引车驱动轴为单轴的，其车货总质量超过46000千克。
货车司机常识：货物运输万一轮胎气压不足极易造成轮胎损坏和发生交通安全事故。一般货车司机对出车前检查和补充轮胎气压相对非货车司机更高度重视，且对轮胎充气方法、标准、气压检查知识掌握和判断能力及自觉性都较强。货车载重量对轮胎受力变形构成直接影响，超载量越大变形影响越大。不同类型的货车超载，对轮胎受力变形影响程度各有不同。
基于上述依据和假设，本发明实施例公开的一种无称重AI智能识别货车超载估算方法，主要包括如下步骤：
一、建立货车装载货物重量对轮胎变形影响统计模型
假设某一类型货车装货物前的货车一般轮胎气压符合标准，通过某路段车道称重 设备装置称重和学习分析装置车辆综合特征识别一体机检测轮胎图像尺寸（见图1）。称重 装置获得货车载重量为G（含空车自重）；车辆综合特征识别一体机视频检测计算出轮胎图 像半径为R、货车总车轴数
Figure DEST_PATH_IMAGE031
及因货车装载货物后轮胎发生明显变形压在路面上形成轮 胎变形地平线。前轮轮胎变形地平线的长度为
Figure 277381DEST_PATH_IMAGE032
，后轮的胎变形地平线的长度为
Figure 898855DEST_PATH_IMAGE033
（见图2 和图3）。那么：
Figure 346017DEST_PATH_IMAGE034
（
Figure 4532DEST_PATH_IMAGE004
为货车前轮载重轮胎变形系数），
Figure 497830DEST_PATH_IMAGE035
（
Figure 329520DEST_PATH_IMAGE036
为货车第n个 车轴后轮载重轮胎变形系数，
Figure 834450DEST_PATH_IMAGE006
，N为货车总车轴数），那么：
Figure 788500DEST_PATH_IMAGE037
............................................（1）
式（1）中
Figure 175619DEST_PATH_IMAGE038
为某货车后轮载重轮胎平均变形系数。
假设M辆同类型货车通过某一路段都各有一组数值存在：
Figure 14262DEST_PATH_IMAGE039
、
Figure 498333DEST_PATH_IMAGE040
、
Figure 560967DEST_PATH_IMAGE041
Figure 638644DEST_PATH_IMAGE042
。那么，统计
Figure 874454DEST_PATH_IMAGE043
辆货车通过某一固定路段路面检测计算出的一组数据关系 模型为：
Figure 150714DEST_PATH_IMAGE007
=
Figure 321932DEST_PATH_IMAGE044
....................................................（2）
Figure 683644DEST_PATH_IMAGE045
Figure 988723DEST_PATH_IMAGE046
....................................................（3）
式（2）、（3）分别为同类型货车前轮和后轮载重轮胎变形系数
Figure 588332DEST_PATH_IMAGE047
随载重量变 化而变化的统计数据线性回归函数。假设选择货车载重量G接近
Figure 55085DEST_PATH_IMAGE048
的样本数据（轻载重 量样本数据不考虑）即取
Figure 638513DEST_PATH_IMAGE049
时的统计样本容量，此时使用最小二乘法求出
Figure 622650DEST_PATH_IMAGE050
的拟合度较高，且样本数越大，边际误差越小。
二、计算同类型货车超载轮胎变形系数阀值
1、依据货车治超法规，确定某类型货车载重上限值
Figure 935819DEST_PATH_IMAGE051
和严重超载值
Figure 511157DEST_PATH_IMAGE052
， 分别代入上述公式（3）得相应
Figure 785144DEST_PATH_IMAGE053
和
Figure 166446DEST_PATH_IMAGE054
，即为该类型货车超载和严重超载轮胎变形 系数阀值。
2、当后续同类型车辆通过任何路段路测视频检测点时，无需称重，只要将车辆综 合特征识别一体机检测的同类型货车轮胎半径
Figure 271806DEST_PATH_IMAGE055
和变形参数
Figure 955728DEST_PATH_IMAGE056
(n
Figure 107224DEST_PATH_IMAGE057
2)代入公式（1）得
Figure 964321DEST_PATH_IMAGE058
值。
当
Figure 393028DEST_PATH_IMAGE059
Figure 372486DEST_PATH_IMAGE060
或
Figure 417802DEST_PATH_IMAGE061
时，说明该货车超载或严重超载；
将
Figure 281853DEST_PATH_IMAGE038
值代入公式（3）可估算出该货车载重量
Figure 424121DEST_PATH_IMAGE062
，并估算超载倍数
Figure 512163DEST_PATH_IMAGE063
。
三、
Figure 248038DEST_PATH_IMAGE005
计算误差和超载误判修正
通过轮胎变形计算货车载重量主要存在以下误差误判情形：
1. 统计数据线性回归计算误差（与样本容量相关）。
为了提高对货车超载识别的精确性，重点观测货车载重量G接近
Figure 40413DEST_PATH_IMAGE064
的样本数据 （轻载重量样本数据不考虑），可取
Figure 912554DEST_PATH_IMAGE065
时的统计样本容量为n，则线性回归函数(3) 的标准误差为：
Figure 171497DEST_PATH_IMAGE066
Figure 519302DEST_PATH_IMAGE017
是同类货车
Figure 725156DEST_PATH_IMAGE067
时第i辆货车的后轮胎变形系数，
Figure 842016DEST_PATH_IMAGE019
是对应所有样本 的后轮胎变形系数平均值（i=1、2、3......n），样本越多，误差越小。
2、环境温度检测误差修正方法。早中晚和季节变化等道路环境气温对轮胎气压及 变形程度有一定影响。假设路面最高环境温度70度，最低零下40度，以20
Figure 271860DEST_PATH_IMAGE068
或10
Figure 716748DEST_PATH_IMAGE068
为一个 单位温度差区间，第1个温差区间零下30-40
Figure 850926DEST_PATH_IMAGE068
、第2个温差区间为20-30
Figure 494397DEST_PATH_IMAGE068
......以此类推 直至第11个温差区间为60-70
Figure 298405DEST_PATH_IMAGE068
。
在检测记录同类型货车
Figure 355223DEST_PATH_IMAGE069
式（1）计算值
Figure 27513DEST_PATH_IMAGE038
值时，同时也通过道路环境温度检 测仪（见图1）记录的每一辆货车通过检测点当时的道路环境温度，按照11个温度差区间对 同类型货车全部样本数据进行分组，同上式（2）和式（3）方法分别求出每一个温度区间对应 的同类型车
Figure 728753DEST_PATH_IMAGE050
随载重量变化而变化的统计数据线性回归函数：
Figure 93875DEST_PATH_IMAGE070
=
Figure 247776DEST_PATH_IMAGE071
....................................................（4）
Figure 723756DEST_PATH_IMAGE072
Figure 341819DEST_PATH_IMAGE073
....................................................（5）
式（4）、（5）表示某同类型货车前轮和后轮载重轮胎变形系数
Figure 487630DEST_PATH_IMAGE050
随着道路环境 温度从零下40度到70度变化而变化的11对统计数据线性回归函数。其中，以温差10度为一 个温度区间单位，那么t=t1，t2……t11，t1表示零下30-40
Figure 530759DEST_PATH_IMAGE068
、t2表示零下20-30
Figure 482534DEST_PATH_IMAGE068
......以 此类推直至第t11即第11个温差区间为60-70
Figure 892787DEST_PATH_IMAGE068
。
同上方法，依据货车治超法规确定某类型货车载重上限值Gmax和严重超载值
Figure 271816DEST_PATH_IMAGE074
，区别道路环境当时的温度区间分别对应代入上述公式（5）得相应
Figure 524942DEST_PATH_IMAGE023
和
Figure 14830DEST_PATH_IMAGE075
，即为该 道路当时环境温度区间同类型货车超载和严重超载轮胎变形系数阀值。
当后续同类型车辆通过任何路段视频分析检测点时（无需称重），只需要将车辆综合特征识别一体机视频检测的同类型货车轮胎图像半径Rn和变形参数Ln代入公式（1）得k值。
当
Figure 810747DEST_PATH_IMAGE076
Figure 157415DEST_PATH_IMAGE077
或
Figure 835521DEST_PATH_IMAGE078
时，说明该货车超载或严重超载；
将
Figure 66782DEST_PATH_IMAGE038
值代入公式（5）可估算出该货车载重量
Figure 841840DEST_PATH_IMAGE062
，并估算超载倍数
Figure 297092DEST_PATH_IMAGE079
。
3、轮胎气压不足排除误判超载方法。货车司机在轮胎气压不足情况下一般不会出 车拉货，明知轮胎气压不足允许超载拉货的情形一般不会发生，但个别货车司机认为不是 超载拉货便默认轮胎气压轻度不足可以出车或检查轮胎气压经验不足造成货车在轮胎气 压轻度不足时出车拉货的情形是可能发生的。因此，仅通过后轮的轮胎变形系数来判断是 否超载，容易造成检测误判（实际不超载被误判超载），即当视频图像检测计算出现
Figure 400178DEST_PATH_IMAGE080
Figure 231867DEST_PATH_IMAGE081
时可能是超载也可能是轮胎气压轻度不足原因导致误判。用以下方法：
货车载重量主要集中在车身后轮部分（一般前单轮后车身部分双轮），在轮胎气压正常情况下，前轮较后轮对装载货物重量的变形敏感反应相对较弱，即随着货车载重量的增加前轮变形系数比后轮变形系数增加少；而在轮胎气压轻度不足时，也没有超载拉货，不仅前轮对装载货物重量的变形敏感反应明显，且后轮较前轮对装载货物重量的变形敏感反应也更明显。由上述式（2）和式（3）得货车后轮相对前轮因载重量G变化而变形的敏感性反应关系模型：
Figure 127011DEST_PATH_IMAGE082
Figure 956427DEST_PATH_IMAGE083
.....................................（6）
式（6）表示经过称重环境下统计和人工观察核验建立的货车轮胎气压正常时后轮 相对前轮随载重量G变化而变形的敏感性关系函数，当
Figure 343546DEST_PATH_IMAGE084
Figure 306823DEST_PATH_IMAGE085
时，
Figure 666260DEST_PATH_IMAGE086
约等于货车自重。
Figure 56790DEST_PATH_IMAGE087
值越大，说明轮胎气压不足的可能性越大，反之可能性越小。
将
Figure 931205DEST_PATH_IMAGE088
分别代入（2）、（3）、（6）式得
Figure 307960DEST_PATH_IMAGE089
、
Figure 912116DEST_PATH_IMAGE090
、
Figure 83335DEST_PATH_IMAGE091
。
Figure 445046DEST_PATH_IMAGE092
是在称重环境下（图1）通过对没有超载（
Figure 750125DEST_PATH_IMAGE093
）且轮胎气压 轻度不足时货车前后轮胎变形系数统计分析计算出的正常敏感性界定阀值，即一般货车在 轮胎气压正常情况下
Figure 818575DEST_PATH_IMAGE094
Figure 223012DEST_PATH_IMAGE095
Figure 134336DEST_PATH_IMAGE092
。
那么，后续同类型车辆某一辆货车通过路段视频分析检测点时（不需要称重设备），只需同时具备以下三个条件便可排除该货车轮胎气压轻度不足造成的超载误判：
（1）当前轮胎变形系数
Figure 118473DEST_PATH_IMAGE096
>
Figure 103746DEST_PATH_IMAGE097
时，可能存在轮胎轻度不足和超载两种情形；
（2）当后轮胎变形系数
Figure 741401DEST_PATH_IMAGE098
>
Figure 280967DEST_PATH_IMAGE090
时，可能存在轮胎轻度不足和超载两种情形；
（3）当
Figure 599952DEST_PATH_IMAGE099
Figure 33208DEST_PATH_IMAGE100
时，便可排除因轮胎气压轻度不足造成的“假超 载”误判。
六、系统
1、AI学习分析系统（见图1）。由车道汽车称重装置和A、B视角汽车综合特征识别一体机及AI分析计算机等三部分组成。车道汽车称重装置获得道路过往车辆称重计量G参数，A、B视角汽车综合特征识别一体机获得对应过往车辆车牌号、车型、车长及正面轮胎半径R、轮胎变形地平线L及环境气温等参数，AI分析计算机对获得数据进行学习分析建立上述（1）、（2）、（4）、（5）数学模型和计算误差及修正系数模型。
在图3中的车辆综合特征识别一体机，A视角正对着汽车侧面，可以获取车辆轮胎 的正面图像，抓取车抽数、车长和轮胎尺寸等数据。此发明中关于汽车载重轮胎变形系数
Figure 717130DEST_PATH_IMAGE101
（R为视频检测计算出的轮胎图像半径）的计算与轮胎与抓拍设备在有效可视范 围内的垂直距离变化无关；B视角侧面对着车头方向抓取车牌和车型等数据。
2、图像分析识别货车超载系统（见图4和图5）。根据图1-学习分析系统获得数据建模过程和训练优化成果，应用到其它道路场景，主要对货车超载进行AI图像分析识别，由车辆综合特征识别一体机和AI分析计算部分组成。
货车超载AI视频分析计算部分可以采用前沿边缘计算（见图4）和云计算两种模式（见图5）。
边缘计算模式：车辆综合特征识别一体机（含道路环境温度检测仪）置于道路外侧，包括图像抓拍摄像机、补光和测温等设备于一体。AI分析计算部分由一台计算设备通过局域网络或设备连线获取的车辆综合特征识别一体机抓取的数据，直接计算并输出是否超载或严重超载的识别结果。
云计算模式：车辆综合特征识别一体机（含道路环境温度检测仪）置于道路外侧，包括图像抓拍摄像机、补光和测温等设备于一体。AI分析计算部分部署在云服务器中，由云计算服务器通过互联网发往云服务器的车辆综合特征识别一体机抓取的数据，进行分析计算并输出是否超载或严重超载的识别结果。

Claims (9)

1.一种无称重AI智能识别货车超载估算方法，其特征在于，所述方法包括如下步骤：
（1）获取同类型车辆在不同载重量下的后轮载重轮胎平均变形系数，并进行拟合得到对应的轮胎平均变形系数随载重量变化而变化的统计数据线性回归函数模型；其中重点分析货车后轮载重轮胎变形系数为后轮轮胎变形地平线长度与货车轮胎半径的比值；
（2）根据货车类型确定货车载重上限值和倍数载重值，带入统计数据线性回归函数模型得到相应的货车超载轮胎变形系数值和倍数超载变形系数值；
（3）当待测车辆通过视频检测点时，根据后轮轮胎变形地平线长度和货车轮胎半径计算得到后轮载重轮胎平均变形系数，并与步骤（2）得到的系数值进行比较，从而判断是否为超载或倍数超载嫌疑车辆。
2.根据权利要求1所述的无称重AI智能识别货车超载估算方法，其特征在于，轮胎平均变形系数采用以下公式进行计算：
Figure 575411DEST_PATH_IMAGE001
，
其中，
Figure 350469DEST_PATH_IMAGE002
，
Figure 274563DEST_PATH_IMAGE003
，
Figure 767861DEST_PATH_IMAGE004
为货车前轮载重轮胎变形系数，
Figure 599551DEST_PATH_IMAGE005
为货车第n个车轴的 后轮载重轮胎变形系数，
Figure 104481DEST_PATH_IMAGE006
，N为货车总车轴数，L1表示前轮轮胎变形地平线的长 度，Ln表示后轮轮胎变形地平线的长度，R1表示货车前轮半径，Rn表示货车第n个车轴的后轮 半径；
Figure 58531DEST_PATH_IMAGE007
=
Figure 711229DEST_PATH_IMAGE008
，为同类型货车前轮载重轮胎变形系数
Figure 940085DEST_PATH_IMAGE009
随载重量变化而变化的统计数据 线性回归函数；
Figure 565102DEST_PATH_IMAGE010
Figure 690052DEST_PATH_IMAGE011
，为同类型货车后轮载重轮胎变形系数
Figure 767730DEST_PATH_IMAGE012
随载重量变化而变化的统计数 据线性回归函数。
3.根据权利要求2所述的无称重AI智能识别货车超载估算方法，假设选择货车载重量G 接近
Figure 206801DEST_PATH_IMAGE013
的样本数据，即取
Figure 545379DEST_PATH_IMAGE014
时的统计样本容量，使用最小二乘法求出
Figure 982176DEST_PATH_IMAGE015
；采用以下公式计算线性回归函数模型的标准误差S：
Figure 671784DEST_PATH_IMAGE016
其中，ki是同类型货车
Figure 383388DEST_PATH_IMAGE014
时第i辆货车的后轮胎变形系数，
Figure 982996DEST_PATH_IMAGE012
是对应所有 样本的后轮胎变形系数平均值（i=1、2、3......n）。
4.根据权利要求2所述的无称重AI智能识别货车超载估算方法，其特征在于，按照环境温度分别采集和拟合获得统计数据线性回归函数，以适应不同温度的检测，在不同环境温度下，使用相应的统计数据线性回归函数。
5.根据权利要求2所述的无称重AI智能识别货车超载估算方法，其特征在于，还包括：
统计并拟合同类型货车前轮载重变形系数相对装载重量的统计线性回归关系模型，并与步骤（1）得到的统计数据线性回归函数模型相减得到前后轮胎气压正常情况下轮胎变形系数相关性模型；
将货车最大载重量Gmax代入气压敏感性反应关系模型Q（G）=
Figure 449750DEST_PATH_IMAGE011
/
Figure 298757DEST_PATH_IMAGE017
、
Figure 751735DEST_PATH_IMAGE017
和
Figure 2588DEST_PATH_IMAGE011
，得到
Figure 640243DEST_PATH_IMAGE018
、
Figure 179808DEST_PATH_IMAGE019
、正常敏感性界定阀值
Figure 498794DEST_PATH_IMAGE020
；
若同类型货车通过路段视频分析检测点时，根据货车前轮载重轮胎变形系数和后轮载重轮胎平均变形系数得到实际敏感性值Q（G），同时具备以下三个条件，则排除货车轮胎气压轻度不足造成的超载误判：
（1）当
Figure 932050DEST_PATH_IMAGE021
>
Figure 615972DEST_PATH_IMAGE018
时，可能存在轮胎轻度不足和超载两种情形；
（2）当
Figure 501888DEST_PATH_IMAGE022
>
Figure 624565DEST_PATH_IMAGE023
时，可能存在轮胎轻度不足和超载两种情形；
（3）当
Figure 787693DEST_PATH_IMAGE024
Figure 778869DEST_PATH_IMAGE025
时，则排除因轮胎气压轻度不足造成的误判。
6.一种无称重AI智能识别货车超载估算装置，其特征在于，包括AI学习分析模块以及货车超载识别模块；
所述AI学习分析模块，用于获取同类型车辆在不同载重量下的后轮载重轮胎平均变形系数，并进行拟合得到对应的轮胎平均变形系数随载重量变化而变化的统计数据线性回归函数模型；以及根据货车类型确定货车载重上限值和倍数载重值，带入统计数据线性回归函数模型得到相应的货车超载轮胎变形系数值和倍数超载变形系数值；其中货车后轮载重轮胎变形系数为后轮轮胎变形地平线长度与货车轮胎半径的比值；
所述货车超载识别模块，用于当待测车辆通过视频检测点时，根据后轮轮胎变形地平线长度和货车轮胎半径计算得到后轮载重轮胎平均变形系数，并与货车超载轮胎变形系数值和倍数超载变形系数值进行比较，从而判断是否为超载或倍数超载嫌疑车辆。
7.一种AI智能识别货车超载学习分析系统，其特征在于，包括车道汽车称重装置和车辆综合特征识别一体机及AI分析计算机；
所述车道汽车称重装置，用于获取道路过往车辆称重计量；
所述车辆综合特征识别一体机，用于获得对应过往车辆车牌号、车型、车长及正面轮胎半径、轮胎变形地平线及环境气温；
所述AI分析计算机，用于获取同类型车辆在不同载重量下的后轮载重轮胎平均变形系数，并进行拟合得到对应的轮胎平均变形系数随载重量变化而变化的统计数据线性回归函数模型；以及根据货车类型确定货车载重上限值和倍数载重值，带入统计数据线性回归函数模型得到相应的货车超载轮胎变形系数值和倍数超载变形系数值；其中货车后轮载重轮胎变形系数为后轮轮胎变形地平线长度与货车轮胎半径的比值。
8.一种无称重AI智能识别货车超载估算系统，其特征在于，包括车辆综合特征识别一体机及AI分析计算模块；
所述车辆综合特征识别一体机，用于获得过往车辆车牌号、车型、车长及正面轮胎半径、轮胎变形地平线及环境气温；
所述AI分析计算模块，用于根据后轮轮胎变形地平线长度和货车轮胎半径计算得到后轮载重轮胎平均变形系数，并与存储的货车超载轮胎变形系数值和倍数超载变形系数值进行比较，从而判断是否为超载或倍数超载嫌疑车辆；其中货车后轮载重轮胎变形系数为后轮轮胎变形地平线长度与货车轮胎半径的比值；所述货车超载轮胎变形系数值和倍数超载变形系数值根据货车类型确定货车载重上限值和倍数载重值，带入统计数据线性回归函数模型得到；所述统计数据线性回归函数模型根据同类型车辆在不同载重量下的后轮载重轮胎平均变形系数拟合得到。
9.根据权利要求8所述的无称重AI智能识别货车超载估算系统，其特征在于，所述AI分析计算模块采用边缘计算模式或云计算模式部署。
CN202011137723.8A 2020-10-22 2020-10-22 一种无称重ai智能识别货车超载估算方法、装置及系统 Active CN112528208B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011137723.8A CN112528208B (zh) 2020-10-22 2020-10-22 一种无称重ai智能识别货车超载估算方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011137723.8A CN112528208B (zh) 2020-10-22 2020-10-22 一种无称重ai智能识别货车超载估算方法、装置及系统

Publications (2)

Publication Number Publication Date
CN112528208A true CN112528208A (zh) 2021-03-19
CN112528208B CN112528208B (zh) 2021-09-14

Family

ID=74980252

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011137723.8A Active CN112528208B (zh) 2020-10-22 2020-10-22 一种无称重ai智能识别货车超载估算方法、装置及系统

Country Status (1)

Country Link
CN (1) CN112528208B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112991311A (zh) * 2021-03-29 2021-06-18 深圳大学 车辆超重检测方法、装置、系统及终端设备
CN114216546A (zh) * 2021-12-14 2022-03-22 江苏太平洋通信科技有限公司 一种货运源头超载识别管理系统及方法
CN116129656A (zh) * 2023-04-04 2023-05-16 成都西交轨道交通技术服务有限公司 一种公路治超执法系统及方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103407335A (zh) * 2013-08-15 2013-11-27 重庆同阔科技有限公司 轮胎载重测量方法、装置以及载重管理系统
CN104697533A (zh) * 2015-03-30 2015-06-10 小米科技有限责任公司 导航方法和装置
CN105480030A (zh) * 2014-09-18 2016-04-13 嵩镕精密工业股份有限公司 判断车辆载重异常的方法
CN106515621A (zh) * 2016-10-20 2017-03-22 深圳市体数科科技有限公司 基于智能胎压计的汽车载重监测方法及系统
CN109029661A (zh) * 2018-05-30 2018-12-18 上海与德科技有限公司 一种车辆超载识别方法、装置、终端及存储介质
CN110361082A (zh) * 2019-06-26 2019-10-22 麦德荣 一种实时测量车辆总重的监控系统及监控方法
CN110887553A (zh) * 2019-11-22 2020-03-17 郭鸿英 可获取车辆超重信息的离散式车辆轮胎承重检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103407335A (zh) * 2013-08-15 2013-11-27 重庆同阔科技有限公司 轮胎载重测量方法、装置以及载重管理系统
CN105480030A (zh) * 2014-09-18 2016-04-13 嵩镕精密工业股份有限公司 判断车辆载重异常的方法
CN104697533A (zh) * 2015-03-30 2015-06-10 小米科技有限责任公司 导航方法和装置
CN106515621A (zh) * 2016-10-20 2017-03-22 深圳市体数科科技有限公司 基于智能胎压计的汽车载重监测方法及系统
CN109029661A (zh) * 2018-05-30 2018-12-18 上海与德科技有限公司 一种车辆超载识别方法、装置、终端及存储介质
CN110361082A (zh) * 2019-06-26 2019-10-22 麦德荣 一种实时测量车辆总重的监控系统及监控方法
CN110887553A (zh) * 2019-11-22 2020-03-17 郭鸿英 可获取车辆超重信息的离散式车辆轮胎承重检测方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112991311A (zh) * 2021-03-29 2021-06-18 深圳大学 车辆超重检测方法、装置、系统及终端设备
CN112991311B (zh) * 2021-03-29 2021-12-10 深圳大学 车辆超重检测方法、装置、系统及终端设备
CN114216546A (zh) * 2021-12-14 2022-03-22 江苏太平洋通信科技有限公司 一种货运源头超载识别管理系统及方法
CN116129656A (zh) * 2023-04-04 2023-05-16 成都西交轨道交通技术服务有限公司 一种公路治超执法系统及方法

Also Published As

Publication number Publication date
CN112528208B (zh) 2021-09-14

Similar Documents

Publication Publication Date Title
CN112528208B (zh) 一种无称重ai智能识别货车超载估算方法、装置及系统
CN112539816B (zh) 在数字孪生环境下基于深度神经网络的动态称重矫正方法
CN110689723B (zh) 基于功率分布与自学习的货车超载识别方法
KR101105854B1 (ko) 교량 응답특성을 이용한 차량중량 계측 시스템 및 그 방법
CN103279998B (zh) 一种收费公路收费站出入口车道车辆信息采集与识别系统
CN109002622B (zh) 一种随机车流作用下大跨径桥梁总体荷载响应估算方法
CN111833604B (zh) 基于驾驶行为特征提取的车辆载重状态识别方法及装置
KR101136393B1 (ko) 과중량 차량 적발 및 단속 시스템
CN203311473U (zh) 一种收费公路收费站出入口车道车辆信息采集与识别系统
CN107957259A (zh) 轮迹横向分布测量系统及测量方法
CN108760740A (zh) 一种基于机器视觉的路面抗滑性能快速检测方法
CN114863675B (zh) 基于路警数据融合的重点车辆位置推测与异常报警方法
CN110782676A (zh) 道路不停车超载超限智能检测预警系统
CN113610014A (zh) 一种遮挡号牌超限货运车辆检测系统及方法
CN103528531A (zh) 小型车车辆参数的物联网图像智能检测系统
CN113421434B (zh) 用于公路治超非现场执法的超限超载率计算方法
JP7424945B2 (ja) 故障検知装置、料金収受システム、故障検知方法、及びプログラム
CN104916139A (zh) 一种治超管理系统及方法
CN117664295A (zh) 一种基于车联网多数据信息的车载动态称重系统及方法
KR100977977B1 (ko) 차량의 과적 및 부정계측 검출방법
CN108198428A (zh) 货车拦截系统及拦截方法
CN116631187A (zh) 一种案件现场勘查信息智能采集分析系统
CN115273474B (zh) 一种基于人工智能的rpa巡检机器人巡检管理系统
CN116524698A (zh) 一种基于人工智能的计算机设备故障预警系统及方法
CN116580562A (zh) 一种基于场论的隧道交通事故响应等级确定方法及装置

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