CN112666123A - 车载型机动车尾气遥感系统 - Google Patents
车载型机动车尾气遥感系统 Download PDFInfo
- Publication number
- CN112666123A CN112666123A CN202010046850.0A CN202010046850A CN112666123A CN 112666123 A CN112666123 A CN 112666123A CN 202010046850 A CN202010046850 A CN 202010046850A CN 112666123 A CN112666123 A CN 112666123A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- main
- auxiliary
- line segment
- pixel
- 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
Links
- 238000001514 detection method Methods 0.000 claims abstract description 20
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 13
- 239000010959 steel Substances 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims description 20
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 229910052724 xenon Inorganic materials 0.000 claims description 12
- FHNFHKCVQCLJFQ-UHFFFAOYSA-N xenon atom Chemical compound [Xe] FHNFHKCVQCLJFQ-UHFFFAOYSA-N 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 claims description 8
- 238000001228 spectrum Methods 0.000 claims description 7
- 238000000862 absorption spectrum Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 239000000779 smoke Substances 0.000 claims description 4
- 239000005341 toughened glass Substances 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 3
- 238000001658 differential optical absorption spectrophotometry Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000000041 tunable diode laser absorption spectroscopy Methods 0.000 claims description 3
- 239000000428 dust Substances 0.000 description 4
- 238000002329 infrared spectrum Methods 0.000 description 2
- 238000002834 transmittance Methods 0.000 description 2
- 238000002211 ultraviolet spectrum Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000011900 installation process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/33—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using ultraviolet light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/39—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using tunable lasers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/314—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry with comparison of measurements at specific and non-specific wavelengths
- G01N2021/3155—Measuring in two spectral ranges, e.g. UV and visible
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3504—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing gases, e.g. multi-gas analysis
- G01N2021/3513—Open path with an instrumental source
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/39—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using tunable lasers
- G01N2021/396—Type of laser source
- G01N2021/399—Diode laser
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Optics & Photonics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及尾气检测技术领域,尤其是车载型机动车尾气遥感系统;它包括主车和副车,所述主车顶部通过万向支架安装有一摄像头,所述主车左侧开设有一矩形缺口,主车内且对应缺口的位置上竖直焊接有三根导柱和一个电动丝杆,电动丝杆和导柱共同安装有一钢板,所述钢板可在电动丝杆的带动下沿着导柱上下移动,所述钢板上安装有一对滑轨,所述滑轨上安装有滑块,所述滑块上安装有主机;所述副车与主车的结构区别仅在于所述副车的滑块上安装的是副机,通过在车内构建一个可以微调主机和辅机高度、横向位置的结构,将主机和副机直接固定在车内,使用时无需人工将主机、辅机安装在路肩,提高了工作人员的安全。
Description
技术领域
本发明涉及尾气检测技术领域,尤其是车载型机动车尾气遥感系统。
背景技术
鉴于环保部门、交通部门对于实时尾气监测的需求,市面出现了车载型尾气遥感监测系统。例如中国专利公开了一种汽柴一体化机动车尾气遥感监测系统,专利号201620675204.X,其中记载:包括:车载系统、主机、副机、万能三脚架、V镜座、镜窗、反光板、速度传感器反射端横杆、电压表、窗镜、速度测试装置、氙气装置探测器、风机、无刷电机、氙灯电源、红外系统、聚焦镜座、电源板与红外前级、车牌识别摄像模块、系统控制单元、主控计算机及辅助设备、超声波气象监测模块。其特征在于:主机放置在道路一侧,通过车载系统为其供电,副机为无源装置,放置在道路另一侧,主机中由氙灯电源、氙气装置探测器构成紫外光谱测量系统,由红外系统、聚焦镜座、电源板与红外前级构成红外光谱测量系统,通过主机中紫外、红外光谱测量系统及反射系统副机,对行驶中的机动车辆所排放的尾气中NOX、烟度、CO、CO2、HC进行光谱测量;车牌识别摄像模块可安装于道路一侧,用于对驶过车辆车牌进行拍摄、识别车牌号码;系统控制单元、主控计算机及辅助设备安装于车载系统内,用于后续处理分析;超声波气象监测模块固定于车载系统顶端,用于对气象环境数据采集。电压表、窗镜、氙气装置探测器安装于主机箱体正面,速度测试装置安装在主机箱体两侧,风机安装于主机箱体背面,氙灯电源、红外系统、聚焦镜座、电源板与红外前级安装于主机箱体内部,上述器件构成主机发射系统。万能三脚架用于支撑、调节副机箱体,镜窗安装于副机箱体正面,反光板、速度传感器反射端横杆安装于副机箱体底部两侧,V镜座安装于副机箱体内部,上述器件共同构成副机反射系统。
目前的车载尾气遥感设备名为车载,但实际上和固定式的区别不大,例如依然要将主机和辅机从车上搬出来然后人工安装固定在路边,安装过程由于车来车往容易剐蹭到安装人员。这样的车载设备虽然已经具备一定的机动性,但显然没有达到真正的车载性能——例如车行驶到指定地点即可进行监测而不需要再行装配。
发明内容
针对现有技术的不足,本发明提供一种真正的车载机动车尾气遥感系统。
本发明的技术方案为:
车载型机动车尾气遥感系统,其特征在于:它包括主车和副车,
所述主车顶部通过万向支架安装有一摄像头,所述摄像头的镜头朝车头方向偏左45°,所述主车左侧开设有一矩形缺口,主车内且对应缺口的位置上竖直焊接有三根导柱和一个电动丝杆,电动丝杆和导柱共同安装有一钢板,所述钢板可在电动丝杆的带动下沿着导柱上下移动,所述钢板上安装有一对滑轨,所述滑轨上安装有滑块,所述滑块上安装有主机;
所述副车与主车的结构区别仅在于所述副车的滑块上安装的是副机。
具体的,所述主机由氙灯电源、氙气装置探测器构成紫外差分吸收光谱测量系统,采用DOAS技术,对行驶中的机动车辆所排放尾气中的NOX及烟度进行光谱测量。红外系统、聚焦镜座、电源板与红外前级构成近红外可调谐二极管激光吸收光谱测量系统,采用TDLAS二次谐波检测技术,对行驶中的机动车辆所排放的尾气中CO、CO2、HC进行光谱测量。
具体的,所述副机为无源端,主要通过V镜座、镜窗、反光板构成反射端,通过万能三脚架可以调整其高度。
将主车和副车行驶到测试地点并安全靠边,主车停靠在马路左侧(正常行驶方向的左侧)并掉头,副车停靠在马路右侧,主车的车头朝向来车方向,副车的车头背向来车方向,调整两台车使得主机和副机对向设置而后两台车驻车熄火,通过电动丝杆调整主机和副机的高度,通过滑块调节主机和副机的横向位置,从而使得主机和副机互相对准;主车的摄像头拍摄来车(被测试车辆),通过大数据和机器学习获得来车的车牌号码、车型以及速度,来车通过主机和副机之间,将采集到的尾气信息进行存储和上传(上报),从而完成尾气遥感监测,如果主车摄像头获得的图像无法识别车牌号码和车型则通过副车的摄像头再次识别。
所述车牌号码的识别方法:获取待识别车牌号码的第一图像;针对所述第一图像中的每一像素行,绘制所述像素行中每个像素点的像素值图,其中,像素值图的横坐标为像素点坐标,纵坐标为像素点的像素值;针对每个像素值图,识别所述像素值图中的波峰特征点和波谷特征点;按照预设宽度,将所述像素值图分割成第一数量个待选区域,针对每个待选区域,识别所述待选区域中包含的波峰特征点或波谷特征点,判断所述波峰特征点或波谷特征点是否满足预设条件,如果是,则将所述待选区域对应的第一图像中的像素点连接成线段;针对每个线段,确定所述线段下方的相邻线段,并计算所述线段的左端点与所述相邻线段的左端点之间的第二距离,计算所述线段的右端点与所述相邻线段的右端点之间的第三距离,判断所述第二距离和第三距离是否均小于预设第一距离阈值;如果是,确定所述线段包含的每个像素点与其相邻像素点像素值的差值的绝对值,并对所述绝对值求和,获得所述线段的像素跳变特征值;确定所述相邻线段包含的每个像素点与其相邻像素点像素值的差值的绝对值,并对所述绝对值求和,获得所述相邻线段的像素跳变特征值;判断所述线段与所述相邻线段的像素跳变特征值的差值的绝对值是否小于预设第一跳变特征阈值,如果是,则对所述线段和相邻线段均设置兄弟属性;将设置为相同兄弟属性的线段拼接成块,获得每个车牌定位块图像;从所述每个车牌定位块图像中选择所述第一图像的车牌号码区域对应的第二图像;针对每个第二图像,根据垂直投影法,获得所述第二图像的像素值的垂直投影图;根据所述垂直投影图,对所述第二图像进行分割,获得所述第二图像包含的N个字符图像;根据预先存储的每个国家和地区的字符特征,识别所述N个字符图像中的字符,获得第一图像对应的车牌号码。
所述车型识别方法:包括以下步骤:步骤1,选取包含车辆的图片,对各车辆图片进行车辆位置标注,具体为绘制各车辆图片中包含车辆的最小矩形框,记录矩形框的左上角和右下角坐标信息,形成车辆检测定位数据集;步骤2,利用车辆检测定位数据集,训练基于Haar特征和AdaBoost算法的车辆检测定位模型,并输出训练好的车辆检测定位模型;步骤3,依据各车辆图片中包含车辆的最小矩形框对车辆检测数据集中各车辆图片进裁切,生成车辆区域图片;步骤4,对所述各车辆区域图片标注两个层级的车型类别标签,形成车型识别数据集;第一层级为粗粒度的车型类别,第二层级为细粒度的车型类别,每个第一层级分别对应一个第二层级;步骤5,利用车型识别数据集训练用于车型识别的深度卷积神经网络,并输出训练好的用于车型识别的深度卷积神经网络;所述深度卷积神经网络的损失由softmax分类损失和利用不同层级的车型类别构建的基于四元组的排序损失加权组成;其中,所述深度卷积神经网络由四个结构相同、参数共享的子网络构成,每个子网络输出一个softmax分类损失,四个子网络共同输出一个基于四元组的排序损失;所述深度卷积神经网络中的四个子网络的输入分别为que、pos、neg+、neg-;其中que、pos属于同一个细粒度车型类别;neg+和que不属于同一个细粒度车型类别,但属于同一个粗粒度车型类别;neg-和que属于不同的粗粒度车型类别;所述基于四元组的排序损失,其构建方法具体为:基于pos、neg+、neg-与que的语义相似性越来越小的语义顺序构建基于四元组的排序损失,该损失约束neg+与que之间的距离大于pos与que之间的距离,且neg-与que之间的距离大于neg+与que之间的距离。
在一些实施例中,所述缺口外设置有高透光钢化玻璃罩,其好处是增加主车或者副车在行驶过程中的安全性能,减少外界的杂物、尘土从缺口处进入。
在一些实施例中,所述缺口外设置有电动门,其好处是增加主车或者副车在行驶过程中的安全性能,减少外界的杂物、尘土从缺口处进入。使用时在车内控制其打开即可。
本发明的有益效果为:通过在车内构建一个可以微调主机和辅机高度、横向位置的结构,将主机和副机直接固定在车内,使用时无需人工将主机、辅机安装在路肩,提高了工作人员的安全,被测试车辆通过主车和副车之间时可获得尾气中CO、CO2、HC的光谱测量数据。
附图说明
图1为本发明的结构示意图;
图2为主车的结构示意图。
图中,1、主车;2、万向支架;3、摄像头;4、缺口;5、导柱;6、电动丝杆;7、钢板;8、导轨;9、滑块;10、主机。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明:
实施例1
如图1、2所示,车载型机动车尾气遥感系统,其特征在于:它包括主车和副车,
所述主车顶部通过万向支架安装有一摄像头,所述摄像头的镜头朝车头方向偏左45°,所述主车左侧开设有一矩形缺口,主车内且对应缺口的位置上竖直焊接有三根导柱和一个电动丝杆,电动丝杆和导柱共同安装有一钢板,所述钢板可在电动丝杆的带动下沿着导柱上下移动,所述钢板上安装有一对滑轨,所述滑轨上安装有滑块,所述滑块上安装有主机;
所述副车与主车的结构区别仅在于所述副车的滑块上安装的是副机。
具体的,所述主机由氙灯电源、氙气装置探测器构成紫外差分吸收光谱测量系统,采用DOAS技术,对行驶中的机动车辆所排放尾气中的NOX及烟度进行光谱测量。红外系统、聚焦镜座、电源板与红外前级构成近红外可调谐二极管激光吸收光谱测量系统,采用TDLAS二次谐波检测技术,对行驶中的机动车辆所排放的尾气中CO、CO2、HC进行光谱测量。
具体的,所述副机为无源端,主要通过V镜座、镜窗、反光板构成反射端,通过万能三脚架可以调整其高度。
将主车和副车行驶到测试地点并安全靠边,主车停靠在马路左侧(正常行驶方向的左侧)并掉头,副车停靠在马路右侧,主车的车头朝向来车方向,副车的车头背向来车方向,调整两台车使得主机和副机对向设置而后两台车驻车熄火,通过电动丝杆调整主机和副机的高度,通过滑块调节主机和副机的横向位置,从而使得主机和副机互相对准;主车的摄像头拍摄来车(被测试车辆),通过大数据和机器学习获得来车的车牌号码、车型以及速度,来车通过主机和副机之间,将采集到的尾气信息进行存储和上传(上报),从而完成尾气遥感监测,如果主车摄像头获得的图像无法识别车牌号码和车型则通过副车的摄像头再次识别。
所述车牌号码的识别方法:获取待识别车牌号码的第一图像;针对所述第一图像中的每一像素行,绘制所述像素行中每个像素点的像素值图,其中,像素值图的横坐标为像素点坐标,纵坐标为像素点的像素值;针对每个像素值图,识别所述像素值图中的波峰特征点和波谷特征点;按照预设宽度,将所述像素值图分割成第一数量个待选区域,针对每个待选区域,识别所述待选区域中包含的波峰特征点或波谷特征点,判断所述波峰特征点或波谷特征点是否满足预设条件,如果是,则将所述待选区域对应的第一图像中的像素点连接成线段;针对每个线段,确定所述线段下方的相邻线段,并计算所述线段的左端点与所述相邻线段的左端点之间的第二距离,计算所述线段的右端点与所述相邻线段的右端点之间的第三距离,判断所述第二距离和第三距离是否均小于预设第一距离阈值;如果是,确定所述线段包含的每个像素点与其相邻像素点像素值的差值的绝对值,并对所述绝对值求和,获得所述线段的像素跳变特征值;确定所述相邻线段包含的每个像素点与其相邻像素点像素值的差值的绝对值,并对所述绝对值求和,获得所述相邻线段的像素跳变特征值;判断所述线段与所述相邻线段的像素跳变特征值的差值的绝对值是否小于预设第一跳变特征阈值,如果是,则对所述线段和相邻线段均设置兄弟属性;将设置为相同兄弟属性的线段拼接成块,获得每个车牌定位块图像;从所述每个车牌定位块图像中选择所述第一图像的车牌号码区域对应的第二图像;针对每个第二图像,根据垂直投影法,获得所述第二图像的像素值的垂直投影图;根据所述垂直投影图,对所述第二图像进行分割,获得所述第二图像包含的N个字符图像;根据预先存储的每个国家和地区的字符特征,识别所述N个字符图像中的字符,获得第一图像对应的车牌号码。
所述车型识别方法:包括以下步骤:步骤1,选取包含车辆的图片,对各车辆图片进行车辆位置标注,具体为绘制各车辆图片中包含车辆的最小矩形框,记录矩形框的左上角和右下角坐标信息,形成车辆检测定位数据集;步骤2,利用车辆检测定位数据集,训练基于Haar特征和AdaBoost算法的车辆检测定位模型,并输出训练好的车辆检测定位模型;步骤3,依据各车辆图片中包含车辆的最小矩形框对车辆检测数据集中各车辆图片进裁切,生成车辆区域图片;步骤4,对所述各车辆区域图片标注两个层级的车型类别标签,形成车型识别数据集;第一层级为粗粒度的车型类别,第二层级为细粒度的车型类别,每个第一层级分别对应一个第二层级;步骤5,利用车型识别数据集训练用于车型识别的深度卷积神经网络,并输出训练好的用于车型识别的深度卷积神经网络;所述深度卷积神经网络的损失由softmax分类损失和利用不同层级的车型类别构建的基于四元组的排序损失加权组成;其中,所述深度卷积神经网络由四个结构相同、参数共享的子网络构成,每个子网络输出一个softmax分类损失,四个子网络共同输出一个基于四元组的排序损失;所述深度卷积神经网络中的四个子网络的输入分别为que、pos、neg+、neg-;其中que、pos属于同一个细粒度车型类别;neg+和que不属于同一个细粒度车型类别,但属于同一个粗粒度车型类别;neg-和que属于不同的粗粒度车型类别;所述基于四元组的排序损失,其构建方法具体为:基于pos、neg+、neg-与que的语义相似性越来越小的语义顺序构建基于四元组的排序损失,该损失约束neg+与que之间的距离大于pos与que之间的距离,且neg-与que之间的距离大于neg+与que之间的距离。
实施例2
所述缺口外设置有高透光钢化玻璃罩,其好处是增加主车或者副车在行驶过程中的安全性能,减少外界的杂物、尘土从缺口处进入。本实施例的其他结构与实施例1相同。
实施例3
所述缺口外设置有电动门,其好处是增加主车或者副车在行驶过程中的安全性能,减少外界的杂物、尘土从缺口处进入。使用时在车内控制其打开即可。本实施例的其他结构与实施例1相同。
上述实施例和说明书中描述的只是说明本发明的原理和最佳实施例,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。
Claims (8)
1.车载型机动车尾气遥感系统,其特征在于:它包括主车和副车,
所述主车顶部通过万向支架安装有一摄像头,所述摄像头的镜头朝车头方向偏左45°,所述主车左侧开设有一矩形缺口,主车内且对应缺口的位置上竖直焊接有三根导柱和一个电动丝杆,电动丝杆和导柱共同安装有一钢板,所述钢板可在电动丝杆的带动下沿着导柱上下移动,所述钢板上安装有一对滑轨,所述滑轨上安装有滑块,所述滑块上安装有主机;
所述副车与主车的结构区别仅在于所述副车的滑块上安装的是副机。
2.根据权利要求1所述的车载型机动车尾气遥感系统,其特征在于:所述主机由氙灯电源、氙气装置探测器构成紫外差分吸收光谱测量系统,采用DOAS技术,对行驶中的机动车辆所排放尾气中的NOX及烟度进行光谱测量。红外系统、聚焦镜座、电源板与红外前级构成近红外可调谐二极管激光吸收光谱测量系统,采用TDLAS二次谐波检测技术,对行驶中的机动车辆所排放的尾气中CO、CO2、HC进行光谱测量。
3.根据权利要求2所述的车载型机动车尾气遥感系统,其特征在于:所述副机为无源端,主要通过V镜座、镜窗、反光板构成反射端,通过万能三脚架可以调整其高度。
4.根据权利要求3所述的车载型机动车尾气遥感系统,其特征在于:将主车和副车行驶到测试地点并安全靠边,主车停靠在马路左侧并掉头,副车停靠在马路右侧,主车的车头朝向来车方向,副车的车头背向来车方向,调整两台车使得主机和副机对向设置而后两台车驻车熄火,通过电动丝杆调整主机和副机的高度,通过滑块调节主机和副机的横向位置,从而使得主机和副机互相对准;主车的摄像头拍摄来车,通过大数据和机器学习获得来车的车牌号码、车型以及速度,来车通过主机和副机之间,将采集到的尾气信息进行存储和上传,从而完成尾气遥感监测,如果主车摄像头获得的图像无法识别车牌号码和车型则通过副车的摄像头再次识别。
5.根据权利要求4所述的车载型机动车尾气遥感系统,其特征在于:所述车牌号码的识别方法:获取待识别车牌号码的第一图像;针对所述第一图像中的每一像素行,绘制所述像素行中每个像素点的像素值图,其中,像素值图的横坐标为像素点坐标,纵坐标为像素点的像素值;针对每个像素值图,识别所述像素值图中的波峰特征点和波谷特征点;按照预设宽度,将所述像素值图分割成第一数量个待选区域,针对每个待选区域,识别所述待选区域中包含的波峰特征点或波谷特征点,判断所述波峰特征点或波谷特征点是否满足预设条件,如果是,则将所述待选区域对应的第一图像中的像素点连接成线段;针对每个线段,确定所述线段下方的相邻线段,并计算所述线段的左端点与所述相邻线段的左端点之间的第二距离,计算所述线段的右端点与所述相邻线段的右端点之间的第三距离,判断所述第二距离和第三距离是否均小于预设第一距离阈值;如果是,确定所述线段包含的每个像素点与其相邻像素点像素值的差值的绝对值,并对所述绝对值求和,获得所述线段的像素跳变特征值;确定所述相邻线段包含的每个像素点与其相邻像素点像素值的差值的绝对值,并对所述绝对值求和,获得所述相邻线段的像素跳变特征值;判断所述线段与所述相邻线段的像素跳变特征值的差值的绝对值是否小于预设第一跳变特征阈值,如果是,则对所述线段和相邻线段均设置兄弟属性;将设置为相同兄弟属性的线段拼接成块,获得每个车牌定位块图像;从所述每个车牌定位块图像中选择所述第一图像的车牌号码区域对应的第二图像;针对每个第二图像,根据垂直投影法,获得所述第二图像的像素值的垂直投影图;根据所述垂直投影图,对所述第二图像进行分割,获得所述第二图像包含的N个字符图像;根据预先存储的每个国家和地区的字符特征,识别所述N个字符图像中的字符,获得第一图像对应的车牌号码。
6.根据权利要求5所述的车载型机动车尾气遥感系统,其特征在于:所述车型识别方法:包括以下步骤:步骤1,选取包含车辆的图片,对各车辆图片进行车辆位置标注,具体为绘制各车辆图片中包含车辆的最小矩形框,记录矩形框的左上角和右下角坐标信息,形成车辆检测定位数据集;步骤2,利用车辆检测定位数据集,训练基于Haar特征和AdaBoost算法的车辆检测定位模型,并输出训练好的车辆检测定位模型;步骤3,依据各车辆图片中包含车辆的最小矩形框对车辆检测数据集中各车辆图片进裁切,生成车辆区域图片;步骤4,对所述各车辆区域图片标注两个层级的车型类别标签,形成车型识别数据集;第一层级为粗粒度的车型类别,第二层级为细粒度的车型类别,每个第一层级分别对应一个第二层级;步骤5,利用车型识别数据集训练用于车型识别的深度卷积神经网络,并输出训练好的用于车型识别的深度卷积神经网络;所述深度卷积神经网络的损失由softmax分类损失和利用不同层级的车型类别构建的基于四元组的排序损失加权组成;其中,所述深度卷积神经网络由四个结构相同、参数共享的子网络构成,每个子网络输出一个softmax分类损失,四个子网络共同输出一个基于四元组的排序损失;所述深度卷积神经网络中的四个子网络的输入分别为que、pos、neg+、neg-;其中que、pos属于同一个细粒度车型类别;neg+和que不属于同一个细粒度车型类别,但属于同一个粗粒度车型类别;neg-和que属于不同的粗粒度车型类别;所述基于四元组的排序损失,其构建方法具体为:基于pos、neg+、neg-与que的语义相似性越来越小的语义顺序构建基于四元组的排序损失,该损失约束neg+与que之间的距离大于pos与que之间的距离,且neg-与que之间的距离大于neg+与que之间的距离。
7.根据权利要求6所述的车载型机动车尾气遥感系统,其特征在于:所述缺口外设置有高透光钢化玻璃罩。
8.根据权利要求6所述的车载型机动车尾气遥感系统,其特征在于:所述缺口外设置有电动门。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010046850.0A CN112666123A (zh) | 2020-01-16 | 2020-01-16 | 车载型机动车尾气遥感系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010046850.0A CN112666123A (zh) | 2020-01-16 | 2020-01-16 | 车载型机动车尾气遥感系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112666123A true CN112666123A (zh) | 2021-04-16 |
Family
ID=75402791
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010046850.0A Pending CN112666123A (zh) | 2020-01-16 | 2020-01-16 | 车载型机动车尾气遥感系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112666123A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106226210A (zh) * | 2016-08-04 | 2016-12-14 | 桐城市宇洁机动车尾气检测有限公司 | 一种尾气监测仪 |
CN106570477A (zh) * | 2016-10-28 | 2017-04-19 | 中国科学院自动化研究所 | 基于深度学习的车型识别模型构建方法及车型识别方法 |
CN206114513U (zh) * | 2016-06-30 | 2017-04-19 | 天津市圣威科技发展有限公司 | 一种汽柴一体化机动车尾气遥感监测系统 |
CN107729899A (zh) * | 2016-08-11 | 2018-02-23 | 杭州海康威视数字技术股份有限公司 | 一种车牌号码识别方法及装置 |
CN207423796U (zh) * | 2017-11-21 | 2018-05-29 | 河南省赛斯电子科技有限公司 | 机动车尾气遥测装置 |
CN108106858A (zh) * | 2017-12-12 | 2018-06-01 | 湖南大学 | 一种汽车风噪与油耗及汽车尾气排放的测试系统及方法 |
CN109859486A (zh) * | 2018-12-29 | 2019-06-07 | 海南京溪科技有限公司 | 移动式机动车尾气遥感监测系统 |
-
2020
- 2020-01-16 CN CN202010046850.0A patent/CN112666123A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN206114513U (zh) * | 2016-06-30 | 2017-04-19 | 天津市圣威科技发展有限公司 | 一种汽柴一体化机动车尾气遥感监测系统 |
CN106226210A (zh) * | 2016-08-04 | 2016-12-14 | 桐城市宇洁机动车尾气检测有限公司 | 一种尾气监测仪 |
CN107729899A (zh) * | 2016-08-11 | 2018-02-23 | 杭州海康威视数字技术股份有限公司 | 一种车牌号码识别方法及装置 |
CN106570477A (zh) * | 2016-10-28 | 2017-04-19 | 中国科学院自动化研究所 | 基于深度学习的车型识别模型构建方法及车型识别方法 |
CN207423796U (zh) * | 2017-11-21 | 2018-05-29 | 河南省赛斯电子科技有限公司 | 机动车尾气遥测装置 |
CN108106858A (zh) * | 2017-12-12 | 2018-06-01 | 湖南大学 | 一种汽车风噪与油耗及汽车尾气排放的测试系统及方法 |
CN109859486A (zh) * | 2018-12-29 | 2019-06-07 | 海南京溪科技有限公司 | 移动式机动车尾气遥感监测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3196863B1 (en) | System and method for aircraft docking guidance and aircraft type identification | |
CN105373135B (zh) | 一种基于机器视觉的飞机入坞引导和机型识别的方法及系统 | |
JP2917661B2 (ja) | 交通流計測処理方法及び装置 | |
CN107368890A (zh) | 一种以视觉为中心的基于深度学习的路况分析方法及系统 | |
CN103712929B (zh) | 一种机动车尾气监测系统 | |
US20060114531A1 (en) | Systems and methods for automated vehicle image acquisition, analysis, and reporting | |
MX2010005149A (es) | Sistemas de seguridad. | |
KR102017870B1 (ko) | 실시간 선로 결함 검측 시스템 | |
JP3456339B2 (ja) | 物体観測方法およびその方法を用いた物体観測装置、ならびにこの装置を用いた交通流計測装置および駐車場観測装置 | |
Hakim et al. | Implementation of an image processing based smart parking system using Haar-Cascade method | |
CN109657599B (zh) | 距离自适应的车辆外观部件的图片识别方法 | |
CN111444843B (zh) | 一种多模态驾驶员及车辆违法行为监测方法及系统 | |
CN115600124A (zh) | 地铁隧道巡检系统及巡检方法 | |
CN113657305B (zh) | 一种基于视频的黑烟车辆及林格曼黑度等级智能检测方法 | |
CN105913034A (zh) | 车辆识别方法、装置及车辆 | |
CN113673527A (zh) | 一种车牌识别方法及系统 | |
CN116631187B (zh) | 一种案件现场勘查信息智能采集分析系统 | |
CN112666123A (zh) | 车载型机动车尾气遥感系统 | |
CN114693722B (zh) | 一种车辆行驶行为检测方法、检测装置及检测设备 | |
CN115857040A (zh) | 一种机车车顶异物动态视觉检测装置及方法 | |
CN109977772A (zh) | 一种基于车载行车记录仪视频的斑马线礼让行为检测方法 | |
CN112989883B (zh) | 一种列车前方障碍物识别的方法 | |
US11546510B2 (en) | Convex integrated vehicle inspection and security system | |
JPH08249413A (ja) | 車検場に於ける被検査車輌のナンバー自動読み取り装置およびそのナンバー自動読み取り方法 | |
CN112537302B (zh) | 一种无人驾驶交通载具车道保持方法、装置及交通载具 |
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 |