CN113295253A - 一种无感知地磅车辆称重数据异常监控方法及系统 - Google Patents

Abstract

本发明公开了一种无感知地磅车辆称重数据异常监控方法及系统，属于地磅称重领域。针对现有技术中存在的无人地磅称重作弊行为多、地磅称重示数识别效果不佳的问题，本发明通过设置多个摄像头对现场进行监控，将拍摄的视频与图片发送至服务器端，对图片进行称重环境和显示数据的识别和分析，在对称重数据识别时将数字识别与小数点识别结合，其中小数点识别通过对图片进行垂直投影，对形成得数组进行分析，寻找波峰位置来判断小数点位置，最后将多种识别的结果保存到称重标识中，通过称重标识来对作弊行为和异常数据进行判断，本发明可以实现检测称重作弊行为，识别称重异常数据，并优化地磅称重示数的识别。

Description

一种无感知地磅车辆称重数据异常监控方法及系统

技术领域

本发明涉及地磅称重领域，更具体地说，涉及一种无感知地磅车辆称重数据异常监控方法及系统。

背景技术

在二十世纪80年代之前常见的地磅一般是利用杠杆原理纯机械构造的机械式地磅，也称作机械地磅。二十世纪80年代中期，随着高精度称重传感器技术的日趋成熟，越来越多的地磅品牌进入中国市场；随着地磅行业的发展，人们对地磅越来熟悉。机械式地磅逐渐被精度高、稳定性好、操作方便的模拟式地磅和数字式地磅取代。

随着各行业的发展，企业基本都会配备称重计量设备，电子地磅是常用的称重计量工具，传统的地磅称重时，需要依靠工作人员进行读数，容易出现失误，同时工作量大。互联网时代的到来促进了工业自动化技术的发展，同时也促进称重计量技术的现代化，无人地磅可以实现远程读取地磅示数，减少员工工作量，大大提高工作效率，但是由于称量时无人监管，容易出现偷工减料，称重作弊的行为。

现有的智能化无人地磅可通过摄像头进行地磅示数识别，但对称量结果的示数识别大多数采用的是基于OpenCV的穿线法，而穿线法只能对数字进行判断，对小数点不能判断。现有的穿线法主要是对数字的判断，并不能发现小数点的位置；而现有的CTPN+OCR的方法，对于由于OCR针对的文字识别方法针对设计的是通用场景下的文字识别，由于实际的数码管显示有别于通用场景的文字部分，模型本身设计提取的特征就不适用于这种类型的数据，因此对于图片中数码管的显示的数字效果并不是很好。

中国专利申请，申请号CN201910515513.9，公开日2019年9月13日，公开了一种智能称重地磅管理方法及其系统，包括用于车辆称重的称重模块；与称重模块连接，用于识别车卡的刷卡模块；与称重模块连接，用于控制车辆进出的智能道闸模块；与称重模块连接，用于对车辆进行监控的视频监控模块；与称重模块连接，用于对车牌进行识别的车牌识别模块；与称重模块连接，用于传输信息的PC模块；与称重模块和PC模块连接，用于存储和分析信息的远程云端模块；与远程云端模块连接，用于显示分析结果的呈现模块。该发明的智能称重地磅管理系统解决了传统地磅称重工作效率低，数据不易核查和车辆由于人为或者视野受限未完全入磅造成称重不准的问题。其不足之处在于，该发明仅对称重车辆的类型和车牌进行识别，无法对称重示数进行识别，也无法对出现的异常数据进行异常判断。

发明内容

1.要解决的技术问题

针对现有技术中存在的无人地磅称重作弊行为多、地磅称重示数识别效果不佳的问题，本发明提供了一种无感知地磅车辆称重数据异常监控方法及系统，它可以实现检测称重作弊行为，识别称重异常数据，并优化地磅称重示数的识别。

2.技术方案

本发明的目的通过以下技术方案实现。

一种无感知地磅车辆称重数据异常监控方法，包括以下步骤：

步骤1、生成称重标识，称重标识包括时间戳、车辆、车牌、车辆数、人体以及称重结果，并初始化后发送至服务器端；

步骤2、通过若干组摄像头对称重区域进行拍摄，将视频抽帧为图片，对图片的规定区域进行裁剪，将图片发送至服务器进行处理；

步骤3、服务器端对图片进行车辆识别，判断视频中是否出现车辆，如果出现，则进入步骤4，否则将称重标识初始化，返回步骤2；

步骤4、对图片进行组合识别，进入步骤5；

步骤5、对图片进行数字识别和小数点识别，得到小数点位置和数字示数，根据识别出的小数点位置，将小数点插入识别出的数字中，整合成完整的示数，将示数保存入称重标识中的称重结果，进入步骤6；

步骤6、对称重标识进行异常判断，如果无异常，则将称重视频和称重标识发送至客户端，如果异常，则将对应的异常信息发送至客户端，返回步骤2。

进一步的，对图片进行车辆识别，判断视频中是否出现车辆，包括以下步骤：

对图片进行图像识别；

判断图片中未识别到车辆的图片是否超过阈值，如果超过，则判定未出现车辆，否则判定出现车辆，并将称重标识中的车辆标记为1。

更进一步的，对图片进行组合识别包括以下步骤：

对识别出的车辆图片中的车辆进行数量识别，判断识别出的车辆数是否符合规定，如果符合，则将称重标识中的车辆数标记为0，否则标记为1；

对识别出的车辆图片中的车辆进行车牌识别，判断识别出的车牌号是否符合规定，如果符合，则将识别到的车牌号保存入称重标识中的车牌号，否则记为空值；

对识别出的车辆图片中的车辆进行人体识别，判断识别出的人体是否符合规定，如果符合，则将称重标识中的人体标记为0，否则标记为1。

更进一步的，对地磅称重示数进行数字识别包括以下步骤：

对图片中带有数字的区域进行提取，提取后的子图片作为识别区域；

将提取识别区域后的子图片进行霍夫变换矫正，得到校正后的子图片；

对校正后的子图片进行灰度化与二值化处理，并对处理后的图片进行数字识别。

更进一步的，对地磅称重示数进行小数点识别包括以下步骤：

对数字识别中灰度化与二值化处理后的图片进行垂直投影；

对垂直投影得到的波峰值进行从大到小排序，由数字识别的出的数字个数N，第N+1个波峰所在的位置即为小数点的位置。

更进一步的，垂直投影包括以下步骤：

获取二值化处理后的图片高度和宽度；

初始化长度与图片宽度相同的数组a，对数组a进行初始化；

遍历图片每行每列的像素点，对像素点值进行判断，如果像素点值等于0，则数组a对应列的值加1，否则数组a对应列的值不变，遍历图片完成后得到新数组a1；

对新数组a1的元素进行变化处理，将数组a1中每个元素置为相反数，并分别与图片的高度值相加，得到变换后的数组a2；

遍历变换后的数组a2，得到数组a2的最大值，对数组a2进行变化处理，将数组a1中每个元素置为相反数，并分别与数组a2的最大值相加，得到数组a3；

对数组a3进行计算，得到波峰值。

更进一步的，对称重标识进行异常判断包括以下步骤：

判断称重标识中的车辆数和人体识别是否为0，如果不为0，则判断异常，否则判断正常；

判断称重标识中的称重结果是否存在数据跳跃，如果存在，则判断异常，否则判断正常。

一种无感知地磅车辆称重数据异常监控系统，用于执行上述无感知地磅称重数据监控方法。

进一步的，无感知地磅车辆称重数据异常监控系统包括：

称重标识生成模块，用于生成称重标识，包括时间戳、车辆、车牌、车辆数、人体以及称重结果，并初始化后发送至服务器端；

拍摄模块，通过若干组摄像头对称重区域进行拍摄，将视频抽帧为图片，对图片的规定区域进行裁剪，将图片发送至服务器端进行处理；

服务器端，用于接收称重标识生成模块的称重标识与拍摄模块的图片，进行处理后将处理结果发送到客户端；

客户端，用于接收服务器端的处理结果并显示。

更进一步的，服务器端包括：

车辆识别模块，用于对图片进行车辆识别，判断视频中是否出现车辆，如果出现，则进入组合识别模块，否则将称重标识初始化，返回拍摄模块；

组合识别模块，对图片进行组合识别，判断识别结果是否正确，如果正确，则返回拍摄模块，否则标记为0，进入称重结果识别模块；

称重结果识别模块，对图片进行数字识别和小数点识别，得到小数点位置和数字示数，根据识别出的小数点位置，将小数点插入识别出的数字中，整合成完整的示数，将示数保存入称重标识中的称重结果，进入异常判断模块；

异常判断模块，用于对最终得到的称重标识进行异常判断，如果无异常，则将称重视频和称重标识发送至客户端，如果异常，则将对应的异常信息发送至客户端，进入拍摄模块。

3.有益效果

相比于现有技术，本发明的优点在于：

本发明通过设置多个摄像头对现场进行监控，将拍摄的视频与抽帧得到的图片发送至服务器端，对图片进行称重环境和称重显示数据的识别和分析，这种识别和分析的过程现场人员无感知的，与传统手段相比不需要更多的硬件设备，不会影响其正常的作业效率；通过车辆识别、数量识别、车牌识别以及人体识别，对称重过程进行异常判断；本发明的对称重结果通过数字识别与小数点识别结合的方式实现，小数点识别通过对图片进行垂直投影并通过数据变化得到特定数组，对数组进行计算得到波峰位置，从而判断小数点位置，与现有的小数点识别的方法相比，要求算力小、准确率高，同时支持多样的显示类型；本发明将多种识别的结果保存到称重标识中，通过对称重标识的数据判定，实现了对作弊行为以及异常数据的判断，并将异常结果与视频保存，对于管理人员来说，可以在客户端看到此次的称重结果是不是按照规定的操作流程下进行的，对异常情况可以及时发现，及时去现场核实。

附图说明

图1为本发明的称重数据监控方法流程图；

图2为本发明的车辆识别流程图；

图3为本发明的组合识别流程图；

图4为本发明的数字识别流程图；

图5为本发明的小数点识别流程图；

图6为本发明的图片垂直投影流程图；

图7为本发明的异常判断流程图；

图8为本发明的系统整体结构示意图；

图9为本发明的二值化图片示意图；

图10为本发明的垂直投影折线图；

图11为本发明的垂直投影平滑折线图。

具体实施方式

本发明设计了一种无感知地磅车辆称重数据异常监控方法及系统，在现场设置摄像头进行监控，通过计算机视觉技术和数据分析技术来对称重时的环境、显示的数据进行识别和分析，实现现场人员的无感知识别，避免影响工作人员的正常作业效率，而系统发现异常后会发出提示，管理人员可以远程查看称重是否按照规定的操作流程进行，可以及时发现异常情况，及时进行核实。

下面结合说明书附图和具体的实施例，对本发明作详细描述。

如图1所示，本发明的一种无感知地磅车辆称重数据异常监控方法具体包括以下步骤：

步骤1、生成称重标识，称重标识包括时间戳、车辆、车牌、车辆数、人体以及称重结果，将称重标识初始化为(NULL，0，NULL，0，NULL，NULL)，发送至服务器端，如表1所示：

表1

时间戳	车辆	车辆数	车牌号	人体	称重结果
						NULL	0	NULL	0	NULL	NULL

步骤2、设置若干组摄像头对称重区域进行拍摄，将视频抽帧为图片后，对1号摄像头和2号摄像头传输的图片按照事先规定的识别区域的坐标点对图片进行裁剪，保留需要的子区域图片，将裁剪后的图片发送至服务器端进行处理。本实施例在安装地磅的现场设置3个摄像头，1号摄像头安装在地磅的前方，2号摄像头安装在地磅的后方，1号和2号摄像头用于进行车辆识别、数量识别、人体识别、车牌识别，3号摄像头安装在地磅计数显示器的上方，用于进行地磅示数识别。

摄像头拍摄视频后，对三个摄像头拍摄的视频流文件进行处理，在同一时间对视频进行抽帧，每隔一秒抽一帧，每5秒将抽取的共15张图片均用base64编码的方式进行编码，最终传给后端服务器的字典参数有16个，第一到第十五参数是15个base64编码的图片，第16个参数是最后一秒的时间戳，该时间戳一般是现在到1960年1月1号的毫秒数。对3个摄像头传输的图片进行编号，1号摄像头的编号为1号到5号，2号摄像头的编号为6号到10号，3号摄像头的编号为11号到15号。

步骤3、如图2所示，对1号摄像头和2号摄像头传输的图片进行图像识别，这里两个摄像头共发送10张图片，所用的图像识别算法可以是现有的已经训练完成的算法，如SSD模型，也可以收集该场景下的车辆图片，进行标注，基于Faster-RCNN模型进行训练，这里的图像识别算法对图片中的车辆进行识别，根据识别到的图片中的车辆数输出对应的返回值，如图片中无车辆，则返回0，有一辆车则返回1。算法分别对10张图片进行识别，判断图片中未识别到车辆的图片是否超过阈值，这里阈值设为30％，即10张图片中未识别到车辆的图片是否超过3张，如果超过，则判定未出现，将称重标识初始化，返回步骤2，否则判定出现车辆，将称重标识中的车辆标记为1，并记录该时间点作为车辆进入的时间点，将该时间点保存入称重标识中的时间戳。

步骤4、如图3所示，对图片进行组合识别，组合识别包括数量识别、车牌识别和人体识别，首先对识别出的车辆图片中的车辆进行数量识别，这里的数量识别所用的算法为步骤3中对图片进行车辆识别的模型，判断识别出的车辆数是否符合规定，如果有任意一张图片中识别出的车辆数大于1，则判定不符合规定，将称重标识中的车辆数标记为1，否则标记为0。在现实的地磅称量过程中，有人会用另外一辆车的一侧压上地磅来增加重量，通过识别当前称量车辆数，可以避免此种作弊行为的发生。

之后对识别出的车辆图片中的车辆进行车牌识别，车牌识别使用的算法为已经训练完成的模型，如HyperLPR，对识别的车牌号进行统计，判断识别出的车牌号是否符合规定，如果车牌号数大于等于8，则符合，将识别到的车牌号保存入称重标识中的车牌，否则记为空值NULL。

最后对识别出的车辆图片中的车辆进行人体识别，人体识别算法采用已经训练好的算法，如YOLO、SSD等模型，判断识别出的人体是否符合规定，如果图片中有任意一张图片出现了人体，则不符合规定，将称重标识中的人体标记为1；否则判定符合规定，将称重标识中的人体标记为0。在现实的地磅称量过程中，有人会在地磅上加上一个缓冲设置，利用汽车发动的冲击力来暂时性的给地磅增加压力，在压力最大的时候，按下计量确认按钮，通过这种方式来实现称重的作弊，因此通过判断是否有人体，可以避免此种作弊情况的发生。

步骤5、如图4所示，分别对3号摄像头传来的5张图片中的地磅称重示数进行数字识别和小数点识别，得到小数点位置和数字示数，根据识别出的小数点位置，将小数点插入识别出的数字中，整合成完整的示数，将示数保存入称重标识中的数字识别结果。

数字识别首先对图片中带有数字的区域进行提取，提取后的子图片作为识别区域，这里对数字区域的提取算法可以预先对显示屏的数字区域进行坐标设定，根据固定坐标进行区域提取；也可以使用深度学习中的场景文本检测模型CTPN，CTPN的用于将图片中带有文字的区域进行提取，通常来说称重显示器的数显区域是最大的，因此将最大的子图片作为识别区域。本实施例使用CTPN对数字区域进行提取，对于其他图片中包含的无关系信息进行去除，首先对CTPN提取出的文字图片并计算其面积，将面积最大的文字图片挑选出作为待识别数字图片。

将提取识别区域后的子图片进行霍夫变换矫正，如果图片中的文字出现倾斜的情况，霍夫矫正可以对图片进行校正，使文字区域保持水平，提高下面进行文字识别的准确率。

对校正后的子图片进行数字识别，这里使用的是OpenCV中的穿线法对子图片进行识别，在使用穿线法对子图片进行识别之前，首先对校正后的图片进行灰度化与二值化处理，校正后的JPG图片为RGB格式，为三通道，通过灰度处理将三通道图片转化为一通道图片，损失了颜色信息，即将彩色图片转化为黑白图片，但是保留了图片中物体的细节信息；而二值化是对灰度图进行阈值处理，判断像素点是否大于设定的阈值，这里设定为130，如果大于，则将其转化为最大值255，否则转为最小值0，对于不同颜色的显示数字，通过二值化处理实现统一转化为黑底白字图片，便于后续的穿线法识别，如https://www.jianshu.com/p/f1abd4e6be11中对图片进行灰度化和二值化。

通过穿线法判断具体显示数字，由于显示数字的位置和方法是固定的，因此只需要在固定的位置上判断此处是否与底层背景有差异，即可判断该位置是否有亮灯显示。穿线法需要图片轮廓清楚、背景无噪音，位置无透视倾斜等、数字黑底红色显示，并且不能对小数点进行识别。在实际识别中的图片通常有以下问题：(1)包含大量的额外信息，比如说背景，地板，墙面等等；(2)数字显示的某些特征并不一致，比如数字显示的大小，会跟随拍摄者距离远近变化，角度上也会出现各种偏差，显示的颜色不一致，有的红色字体显示，有的绿色屏幕黑色字体显示等；(3)图片出现模糊或者缺失，秤的表面有灰尘等噪声，同时会出现切割图像的时候的部分信息丢失。而场景文本检测模型CTPN能够很好的提取出图片中的文本信息，包括电子管，霓虹灯等显示的文本和数据信息。使用CTPN将图片中的数字部分获取出来，从而排除掉包含的大量额外信息。因此将CTPN与穿线法的结合，可以提高文字识别的准确率以及增强对其他类型图片的普适性。

如图5所示，对地磅称重示数进行小数点识别首先对数字识别中灰度化与二值化处理后的图片进行垂直投影，如图9所示，获取二值化处理后的图片高和宽值(h,w)，这里为(25,63)，图中第一行和第一列表示行列，不作为识别区域，图中像素点值为255的部分为示数区域，像素点值为0的部分为无示数区域，初始化一个长度为w的数组a＝[0,0,0,0,0,…,0]，所有元素的初始化值均为0。

如图6所示，遍历图片的每一列每一行，对其像素点值进行判断，如果该点的值等于0，则数组a对于相应列的数值加上1，最终形成一个新的数组a1，这里的a1＝[25,25,25,25,25,25,25,25,25,25,25,14,10,8,9,10,14,15,21,14,9,9,8,7,8,7,7,7,7,7,10,20,12,7,7,8,8,7,7,7,7,8,16,23,13,11,8,7,7,7,10,6,6,7,8,11,17,22,25,25,25,25,25]。

对新数组中的元素进行变换处理，具体元素计算转换为h-a1[i]，i属于[0,w-1]，形成新的数组a2，这里是用h＝25减去a1中的每个元素的值，得到a2＝[0,0,0,0,0,0,0,0,0,0,0,11,15,17,16,15,11,10,4,11,16,16,17,18,17,18,18,18,18,18,15,5,13,18,18,17,17,18,18,18,18,17,9,2,12,14,17,18,18,18,15,19,19,18,17,14,8,3,0,0,0,0,0]。

求得数组a2中元素的最大值为max_value，对数组a2中的元素再次进行变换处理，具体元素计算转换为max_value-a2[i]，i属于[0,w]，形成新的数组a3，由于a2中的元素最大值为19，因此用19减去a2中的每个元素，得到a3＝[19,19,19,19,19,19,19,19,19,19,19,8,4,2,3,4,8,9,15,8,3,3,2,1,2,1,1,1,1,1,4,14,6,1,1,2,2,1,1,1,1,2,10,17,7,5,2,1,1,1,4,0,0,1,2,5,11,16,19,19,19,19,19]。

如图10所示，根据数组a3绘制折线图，左右两侧虽然是波峰，但是这个波峰是个平行的直线，为了避免其对下列寻找波峰及位置的算法带来的影响，使用python的插值法来进行平滑曲线，具体绘制方法参考https://www.jianshu.com/p/e6623a0b1a06，识别数组a3中的波峰，一般要求插入值得个数要大于实际数据的个数，在这里数字有63个，那么插值法插入的数字一般要大于63个，这里我们插入的是63*2＝126个数字，最后得到的折线图如图11所示。

对垂直投影得到的波峰值进行从大到小排序，由数字识别的出的数字个数N，第N+1个波峰所在的位置即为小数点的位置，本实施例使用的是detect_peaks from MarcosDuarte，寻找方法参考https://github.com/MonsieurV/py-findpeaks#peakutilspeakindexes，设置波峰的最小值为0，寻找波峰的x轴跨度为8，即mph＝0，mpd＝8中，由于数字识别出的数字有4位，因此对波峰从大到小排序后，第5个波峰为小数点的位置。

步骤6、由于上述检测过程是5秒内发生的，而车辆称重过程所用的时间较长，所以在车辆到达时间到按下称重确认键这段时间内形成一个数据结果表，如表2所示：

表2

在确认计量结果后，显示器上的数字也不变，当连续监控到数值大于0，且一组数据都一致的时候，对最终得到的称重标识进行异常判断，如果无异常，则将称重视频和称重标识发送至客户端，供管理人员监管查证，如果异常，则向客户端传输对应的异常信息提示，并返回步骤2进行重新拍摄。

如图7所示，异常判断首先判断称重标识中的车辆数和人体是否为0，如果不为0，则说明如果是在有多辆车或者有人的情况下，判断异常，并将对应的异常信息发送到客户端，例如车辆数不为0，提示当前车辆数异常，人体不为0，提示当前人数异常。如果车辆数和人体正常，则将计算该时间段内称重结果的数据是否存在数据跳跃的异常，即称重结果中的数据差值过大，如果数据跳跃呈现指数级增长或增长幅度大于预设的阈值，则判断为异常，提示数值异常，并将异常信息发送到客户端，现实称重过程中有人通过一些电子干扰器来影响显示器的计数，通过判断数据的跳跃性能够避免这种作弊行为的发生。

如图8所示，本发明还包括一种无感知地磅车辆称重数据异常监控系统，通过计算机实现，用于执行无感知地磅称重数据监控方法，该系统包括称重标识生成模块，用于生成称重标识，包括时间戳、车辆、车牌、车辆数、人体以及称重结果，并初始化后发送至服务器端；拍摄模块，通过若干组摄像头对称重区域进行拍摄，将视频抽帧为图片，对图片的规定区域进行裁剪，将裁剪后的图片发送至服务器端进行处理；服务器端，用于接收称重标识生成模块的称重标识与拍摄模块的图片，进行处理后将处理结果发送到客户端；客户端，用于接收服务器端的处理结果并显示。

其中服务器端还包括：车辆识别模块，用于对图片进行车辆识别，判断视频中是否出现车辆，如果出现，记录该时间点作为车辆进入的时间点，将该时间点保存入称重标识中的时间戳，进入组合识别模块，否则将称重标识初始化，返回拍摄模块；组合识别模块，对图片进行组合识别，判断识别结果是否正确，如果正确，则返回拍摄模块，否则标记为0，进入称重结果识别模块；称重结果识别模块，对图片进行数字识别和小数点识别，得到小数点位置和数字示数，根据识别出的小数点位置，将小数点插入识别出的数字中，整合成完整的示数，将示数保存入称重标识中的称重结果；异常判断模块，用于对最终得到的称重标识进行异常判断，如果无异常，则将称重视频和称重标识发送至客户端，如果异常，则将对应异常信息发送至客户端，进入拍摄模块。

以上示意性地对本发明创造及其实施方式进行了描述，该描述没有限制性，在不背离本发明的精神或者基本特征的情况下，能够以其他的具体形式实现本发明。附图中所示的也只是本发明创造的实施方式之一，实际的结构并不局限于此，权利要求中的任何附图标记不应限制所涉及的权利要求。所以，如果本领域的普通技术人员受其启示，在不脱离本创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本专利的保护范围。此外，“包括”一词不排除其他元件或步骤，在元件前的“一个”一词不排除包括“多个”该元件。产品权利要求中陈述的多个元件也可以由一个元件通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

Claims (10)

1.一种无感知地磅车辆称重数据异常监控方法，其特征在于，包括以下步骤：

步骤1、生成称重标识，称重标识包括时间戳、车辆、车牌、车辆数、人体以及称重结果，并初始化后发送至服务器端；

步骤2、通过若干组摄像头对称重区域进行拍摄，将视频抽帧为图片，对图片的规定区域进行裁剪，将图片发送至服务器端进行处理；

步骤3、服务器端对图片进行车辆识别，判断视频中是否出现车辆，如果出现，记录该时间点作为车辆进入的时间点，将该时间点保存入称重标识中的时间戳，进入步骤4，否则将称重标识初始化，返回步骤2；

步骤4、对图片进行组合识别，进入步骤5；

步骤5、对图片进行数字识别和小数点识别，得到小数点位置和数字示数，根据识别出的小数点位置，将小数点插入识别出的数字中，整合成完整的示数，将示数保存入称重标识中的称重结果，进入步骤6；

步骤6、对称重标识进行异常判断，如果无异常，则将称重视频和判断结果发送至客户端，如果异常，则将对应的异常信息发送至客户端，并返回步骤2。

2.根据权利要求1所述的一种无感知地磅车辆称重数据异常监控方法，其特征在于，对图片进行车辆识别，判断视频中是否出现车辆，包括以下步骤：

对图片进行图像识别；

判断图片中未识别到车辆的图片是否超过阈值，如果超过，则判定未出现车辆，否则判定出现车辆，并将称重标识中的车辆标记为1。

3.根据权利要求1所述的一种无感知地磅车辆称重数据异常监控方法，其特征在于，对图片进行组合识别包括以下步骤：

对识别出的车辆图片中的车辆进行数量识别，判断识别出的车辆数是否符合规定，如果符合，则将称重标识中的车辆数标记为0，否则标记为1；

对识别出的车辆图片中的车辆进行车牌识别，判断识别出的车牌号是否符合规定，如果符合，则将识别到的车牌号保存入称重标识中的车牌号，否则记为空值；

对识别出的车辆图片中的车辆进行人体识别，判断识别出的人体是否符合规定，如果符合，则将称重标识中的人体标记为0，否则标记为1。

4.根据权利要求1或3所述的一种无感知地磅车辆称重数据异常监控方法，其特征在于，对地磅称重示数进行数字识别包括以下步骤：

对图片中带有数字的区域进行提取，提取后的子图片作为识别区域；

将提取识别区域后的子图片进行霍夫变换矫正，得到校正后的子图片；

对校正后的子图片进行灰度化与二值化处理，并对处理后的图片进行数字识别。

5.根据权利要求4所述的一种无感知地磅车辆称重数据异常监控方法，其特征在于，对地磅称重示数进行小数点识别包括以下步骤：

对数字识别中灰度化与二值化处理后的图片进行垂直投影；

对垂直投影得到的波峰值进行从大到小排序，由数字识别的出的数字个数N，第N+1个波峰所在的位置即为小数点的位置。

6.根据权利要求5所述的一种无感知地磅车辆称重数据异常监控方法，其特征在于，所述垂直投影包括以下步骤：

获取二值化处理后的图片高度和宽度；

初始化长度与图片宽度相同的数组a，对数组a进行初始化；

遍历图片每行每列的像素点，对像素点值进行判断，如果像素点值等于0，则数组a对应列的值加1，否则数组a对应列的值不变，遍历图片完成后得到新数组a1；

对新数组a1的元素进行变化处理，将数组a1中每个元素置为相反数，并分别与图片的高度值相加，得到变换后的数组a2；

遍历变换后的数组a2，得到数组a2的最大值，对数组a2进行变化处理，将数组a1中每个元素置为相反数，并分别与数组a2的最大值相加，得到数组a3；

对数组a3进行计算，得到波峰值。

7.根据权利要求6所述的一种无感知地磅车辆称重数据异常监控方法，其特征在于，对称重标识进行异常判断包括以下步骤：

判断称重标识中的车辆数和人体识别是否为0，如果任一数值不为0，则判断异常，否则判断正常；

判断称重标识中的称重结果是否存在数据跳跃，如果存在，则判断异常，否则判断正常。

8.一种无感知地磅车辆称重数据异常监控系统，其特征在于：用于执行权利要求1-7中任意一项所述的方法。

9.根据权利要求8所述的一种无感知地磅车辆称重数据异常监控系统，其特征在于，包括：

称重标识生成模块，用于生成称重标识，包括时间戳、车辆、车牌、车辆数、人体以及称重结果，并初始化后发送至服务器端；

拍摄模块，通过若干组摄像头对称重区域进行拍摄，将视频抽帧为图片，对图片的规定区域进行裁剪，将图片发送至服务器端进行处理；

服务器端，用于接收称重标识生成模块的称重标识与拍摄模块的图片，进行处理后将处理结果发送到客户端；

客户端，用于接收服务器端的处理结果并显示。

10.根据权利要求9所述的一种无感知地磅车辆称重数据异常监控系统，其特征在于，所述服务器端包括：

车辆识别模块，用于对图片进行车辆识别，判断视频中是否出现车辆，如果出现，记录该时间点作为车辆进入的时间点，将该时间点保存入称重标识中的时间戳，进入组合识别模块，否则将称重标识初始化，返回拍摄模块；

组合识别模块，对图片进行组合识别，进入称重结果识别模块；

称重结果识别模块，对图片进行数字识别和小数点识别，得到小数点位置和数字示数，根据识别出的小数点位置，将小数点插入识别出的数字中，整合成完整的示数，将示数保存入称重标识中的称重结果，进入异常判断模块；

异常判断模块，用于对称重标识进行异常判断，如果无异常，则将称重视频和称重标识发送至客户端，如果异常，则将对应的异常信息发送至客户端，进入拍摄模块。

Images