CN113936193A - 货车载重量图像识别模型生成方法及货车载重量识别方法 - Google Patents

货车载重量图像识别模型生成方法及货车载重量识别方法 Download PDF

Info

Publication number
CN113936193A
CN113936193A CN202111244834.3A CN202111244834A CN113936193A CN 113936193 A CN113936193 A CN 113936193A CN 202111244834 A CN202111244834 A CN 202111244834A CN 113936193 A CN113936193 A CN 113936193A
Authority
CN
China
Prior art keywords
model
lstm
data
kalman
training
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
CN202111244834.3A
Other languages
English (en)
Inventor
白羽
赵玉倩
赵一丁
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.)
Northeastern University Qinhuangdao Branch
Original Assignee
Northeastern University Qinhuangdao Branch
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 Northeastern University Qinhuangdao Branch filed Critical Northeastern University Qinhuangdao Branch
Priority to CN202111244834.3A priority Critical patent/CN113936193A/zh
Publication of CN113936193A publication Critical patent/CN113936193A/zh
Pending legal-status Critical Current

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明属于车辆载重量测量方法技术领域，尤其涉及一种基于图像LSTM和卡尔曼模型的车辆载重预测方法。该方法为采集现场多台同种货车的整个装货过程图片数据；转换图片格式，对图像进行降噪处理，将经处理的数据分为训练集和测试集；构建LSTM和卡尔曼模型，将训练集数据输入LSTM和卡尔曼模型中进行训练，形成训练模型对车辆载重量进行预测；将测试集数据输入已经训练好的LSTM和卡尔曼网络结构模型中进行验证，计算预测准确率；再通过测试集来对LSTM和卡尔曼网络结构模型的参数进行优化调整，提高检测精度，并将最终调整完成的网络模型作为最终的大型货车载重量图像识别模型，以实现对车辆载重量的预测。

Description

货车载重量图像识别模型生成方法及货车载重量识别方法
技术领域
本发明属于车辆载重量测量方法技术领域，尤其涉及一种基于图像LSTM和卡尔曼模型的车辆载重预测方法。
背景技术
如何精确高效的检测出大型货车的载重量数据对提高交通安全和实现大规模的货车载重量监控是至关重要的，对公路运输建设和经济的蓬勃发展起着重大意义。通常货车的载重量检测采用应变片作为检测装置安装在货车悬架上，通过检测钢板的弹性形变来检测载重量。但应变片作为检测装置，需要通过检测形变来输出数据，需要改变货车的悬架结构，使其和货车钢板紧密贴合，因此要将钢板上面的防锈油漆刮掉，需要长期维护，否则会造成生锈，减少了设备的使用寿命。所以可以利用采集装货图像进行分析的方法来解决上述问题。
传统的图像分析有LSTM方法和BPNN方法。LSTM为长短期记忆网络(LSTM，LongShort-Term Memory)是一种时间循环神经网络，可以解决一般的RNN(循环神经网络)存在的长期依赖问题是一种重复神经网络模块的链式形式。但LSTM方法计算时间较长，计算复杂度较高导致其运行时间较长，因此会使得计算后的数据存在延时，导致与当前数据不符。BPNN神经网络是最基础的神经网络，其输出结果采用前向传播，误差采用反向传播方式进行，适用于监督学习。但BPNN方法对于图像的实时预测的时效性较差，无法解决数据延时和数据错误时的问题。
所以需要一种方法来解决数据延时和数据错误时的问题，卡尔曼也称卡尔曼滤波(Kalman filtering)是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优的估算。由于观测数据中包括系统中的噪声和干扰的影响，所以最优估计也可看作是滤波过程。数据滤波是去除噪声还原真实数据的一种数据处理技术，卡尔曼在测量方差已知的情况下能够从一系列存在测量噪声的数据中，估计动态系统的状态。由于它便于计算机编程实现，并能够对现场采集的数据进行实时的更新和处理。
发明内容
本发明目的在于提供一种基于图像LSTM和卡尔曼模型的车辆载重预测方法,无需直接接触货车钢板，不会改变货车的结构，通过分析图像来判定货车的载重量，构建LSTM和卡尔曼模型对数据进行处理，以得到载重量信息，大大节约了成本，进而提高交通的安全运输。
为解决上述技术问题，本发明的一种货车载重量图像识别模型生成方法，其具体步骤包括：
S1.采集现场多台同种货车的整个装货过程图片数据；
S2.转换图片格式，对图像进行降噪处理，将经处理的数据分为训练集和测试集；
S3.构建LSTM和卡尔曼模型，将训练集数据输入LSTM和卡尔曼模型中进行训练，形成训练模型对车辆载重量进行预测；
S4.将测试集数据输入已经训练好的LSTM和卡尔曼模型中进行验证，计算预测准确率；再通过测试集来对LSTM和卡尔曼模型的参数进行优化调整，提高检测精度，并将最终调整完成的模型作为最终的大型货车载重量图像识别模型，以提高对车辆载重量的预测准确性。
进一步的，所述LSTM的结构满足：
输入门it＝σ([ht-1,xt]*Wi+bi)，其中Wi＝[Wxi,Whi]T，Wxi表示输入-输出的权重矩阵，Whi表示隐藏层的-输入门权重矩阵，bi表示输入层到隐藏层的偏向，xt为表示时间步长t时刻的输入矩阵，ht-1表示上一时刻隐藏层的输出，sigmoid函数σ(x)＝1/(1+e-x)；
遗忘门ft＝σ([ht-1,xt]*Wf+bf)，其中Wf＝[Wxf,Whf]T，Wxf表示输入-遗忘门权重矩阵，Whf表示隐藏层的-遗忘门权重矩阵，bf为遗忘门的偏差值；
输出门Ot＝σ([ht-1,xt]*Wo+bo)，其中Wo＝[Wxo,Who]T，Wxo表示输入-输出门权重矩阵，Who表示隐藏层的-输出门权重矩阵，bo为输出门的偏差值；
输出记忆信息ct＝ittanh([xt,ht-1]*Wc+bc)+ftct-1，其中Wc＝[Wxc,Whc]T，Wxc表示输入-记忆单元权重矩阵，Whc表示隐藏层的-记忆单元权重矩阵，bc为输入层到记忆单元的偏差值；t时刻的隐藏输出ht＝Ottanh(ct)；隐藏层到输出层为全连接的方式。
进一步的，所述卡尔曼模型的结构满足：
系统离散型状态方程为：
xt|t-1＝Axt|t-1+But+ωt，其中xt|t-1为基于t-1时刻的估计状态下的理论预测t时刻下的货车的载重量状态。其他下标具有类似的意思。ω为噪声。A为当前所有同种型号货车的载重量状态；
Pt|t-1＝APt-1|t-1AT+Qt，其中Qt为协方差，Qt＝cov(ωt)。P为理论估计误差；
zt＝Hxt+vt，其中H为半正定矩阵，噪声vt服从均值为0；
St＝HPt|t-1HT+Rt,其中协方差Rt服从高斯分布，St为协方差矩阵；
xt|t＝Ktzt+(I-KtH)xt|t-1，其中Kt为卡尔曼增益；
Figure BDA0003320579710000031
使得t时刻的理论预测载重量与实际真是载重量之间的误差最小；也就是xt与xt-1之间的差值最小。即在这个条件下求取最佳的权重因子：
Pt|t＝(I-KtH)Pt|t-1
最终完成卡尔曼模型迭代过程。
进一步的，所述S3中，在LSTM和卡尔曼模型训练过程中，采用adam优化算法根据损失函数的梯度来更新网络权重和偏置，以解决大规模数据和参数的优化问题。
一种货车载重量识别方法，包括：
获取货车装货过程图片数据；
对图片数据进行降噪处理获得处理图片数据；
将处理图片数据输入货车载重量图像识别模型获得货车载重量，其中，所述货车载重量图像识别模型采用如权利要求1-4任一项所述的方法生成。
本发明的一种基于图像LSTM和卡尔曼模型的车辆载重预测方法，具有以下优点：
1、通过采用图像的方式来识别货车的当前载重量，取代地磅或者应变片来通过接触式的检测，减少对于货车的悬架的破坏；利用图像来分析载重量更加的直观，能够快速的分析出车辆的载重情况，使超载问题得到有效的控制，具有时效性，节约成本，加快运输效率。
2、通过采用LSTM和卡尔曼模型，可以对一段时间内的数据进行预测，从而降低对于数据堵塞或者数据延时等问题造成的数据错误，提高预测数据的准确率，使其运行时间更短，能够满足实时性的需求，具有效率性和节约成本，操作起来比较容易。
附图说明
图1为本发明的预测方法程序流程图；
图2为本发明的摄像头监控示意图；
图3为本发明的LSTM和卡尔曼模型与LSTM和BPNN的准确率对比图；
图4为本发明的LSTM和卡尔曼模型与LSTM和BPNN的平均运行时间对比图。
图中：1、摄像头；2、监控范围；3、货车
具体实施方式
为了更好地了解本发明的目的、结构及功能，下面结合附图，对本发明的一种基于图像LSTM和卡尔曼模型的车辆载重预测方法做进一步详细的描述。
本发明使用摄像头采集图像数据信息，根据货物的体积发生变化的图像，通过LSTM和卡尔曼网模型，来分析载重量，从而可以判断出货车的载重量。该方法使得预测的数据更加具有时效性，通过图像来检测的方式，使检测更加精准，更具有说服力，能够避免传感器的零点漂移问题。
所以，本发明提供一种基于图像LSTM和卡尔曼模型的车辆载重预测方法，如图1-2所示，其具体步骤包括：
S1.采集现场多台同种货车的整个装货过程图片数据。如图2所示，安装摄像头1，使摄像头1在一定的监控范围2内进行拍摄。首先，拍摄初始图片，在货车3装货之前拍摄一张空车厢的图片作为初始的图片P0；然后，货车3开始装货，每隔固定时间t摄像头1采集一次图片Pi，图片信息的采样周期为1秒；最后，当货车3停止装货时，停止采集图片信息。例如下表中采集的图信息：
初始图片P0 [0x98,0x86,0xf4,0xc3,0x45,0x65,0x24,0x34,0x65,0xd4...]
采样图片Pi [0x56,0xf3,0xc3,0xa3,0x23,0x67,0x12,0x32,0x34,0x72...]
S2.转换图片格式，对图像进行降噪处理，将经处理的数据分为训练集和测试集。具体为：将P0和Pi都转换成二进制矩阵做差。由于光照强度不同，导致货物以外部分的图像差值小于一个误差值error，矩阵中大于误差值的部分是需要计算的货物的体积记为pi1。其余部分记为pi2。对pi2进行灰度分布直方图计算，按照灰度分布，计算灰度分布最高的区间的中值记为numi2计算numi2与训练集中的图片灰度分布的差值记为errori2。将矩阵p0部分减去numi2，调整pi中的亮度，减少亮度对于实验结果的干扰。将经处理的数据以7：3比例分为训练集和测试集，例如下表中的训练集和测试集：
训练集 测试集
{[0x98,0x65,0x23,0x65...],[0.2]} {[0x45,0x76,0x24,0xf3...],[0.3]}
{[0x56,0x43,0xf4,0x34...],[0.6]} {[0x56,0xd3,0xd4,0xf5...],[0.5]}
{[0x33,0x78,0x12,0x67...],[0.8]} {[0xf3,0xe6,0xa4,0xf4...],[0.4]}
{[0x98,0x65,0x23,0x65...],[0.7]} {[0x93,0x67,0x83,0x62...],[0.2]}
{[0x23,0x67,0x89,0x12...],[0.3]} {[0xd3,0x65,0x75,0x27...],[0.6]}
{[0xd3,0xc5,0xa4,0xb3...],[0.6]} {[0x24,0x67,0xf3,0xf6...],[0.6]}
{[0xd7,0xfc,0xe4,0x53...],[0.4]} {[0x99,0x63,0x26,0x62...],[0.2]}
S3.构建LSTM和卡尔曼模型，将训练集数据输入LSTM和卡尔曼模型中进行训练，形成训练模型对车辆载重量进行预测。
所述LSTM和卡尔曼模型的输入为装载货物过程的1到t-1时刻的图像信息，输出为货车载重量由2到t时刻的载重量数据，将各个时刻的图像p0也作为训练集数据，传入LSTM和卡尔曼模型中进行训练。
本发明的LSTM和卡尔曼模型的车辆载重预测方法包括静态预测和动态调整两部分，首先利用LSTM作为静态预测模型预测货车当前时刻的载重情况，以此作为基础的时间序列，其中包括时间序列和载重量等级，但货车的真实载重量与LSTM预测模型的结果是有偏差的，因此需要动态模型对LSTM的预测结果进行调整。利用卡尔曼模型作为动态调整模型来对基础时间序列的进行动态调整，即根据上一时刻的时间序列来对下一时刻的载重等级进行校准，从而得出最终的预测结果。
进一步的，所述LSTM的结构满足：
输入门it＝σ([ht-1,xt]*Wi+bi)，其中Wi＝[Wxi,Whi]T，Wxi表示输入-输出的权重矩阵，Whi表示隐藏层的-输入门权重矩阵，bi表示输入层到隐藏层的偏向，xt为表示时间步长t时刻的输入矩阵，ht-1表示上一时刻隐藏层的输出，sigmoid函数σ(x)＝1/(1+e-x)；
遗忘门ft＝σ([ht-1,xt]*Wf+bf)，其中Wf＝[Wxf,Whf]T，Wxf表示输入-遗忘门权重矩阵，Whf表示隐藏层的-遗忘门权重矩阵，bf为遗忘门的偏差值。
输出门Ot＝σ([ht-1,xt]*Wo+bo)，其中Wo＝[Wxo,Who]T，Wxo表示输入-输出门权重矩阵，Who表示隐藏层的-输出门权重矩阵，bo为输出门的偏差值。
输出记忆信息ct＝ittanh([xt,ht-1]*Wc+bc)+ftct-1，其中Wc＝[Wxc,Whc]T，Wxc表示输入-记忆单元权重矩阵，Whc表示隐藏层的-记忆单元权重矩阵，bc为输入层到记忆单元的偏差值。t时刻的隐藏输出ht＝Ottanh(ct)。隐藏层到输出层为全连接的方式。
进一步的，所述卡尔曼模型的结构满足：
系统离散型状态方程为：
xt|t-1＝Axt|t-1+But+ωt，其中xt|t-1为基于t-1时刻的估计状态下的理论预测t时刻下的货车的载重量状态。其他下标具有类似的意思。ω为噪声。A为当前所有同种型号货车的载重量状态。
Pt|t-1＝APt-1|t-1AT+Qt，其中Qt为协方差，Qt＝cov(ωt)。P为理论估计误差。
zt＝Hxt+vt，其中H为半正定矩阵，噪声vt服从均值为0.
St＝HPt|t-1HT+Rt,其中协方差Rt服从高斯分布，St为协方差矩阵。
xt|t＝Ktzt+(I-KtH)xt|t-1，其中Kt为卡尔曼增益。
Figure BDA0003320579710000071
使得t时刻的理论预测载重量与实际真是载重量之间的误差最小。也就是xt与xt-1之间的差值最小。即在这个条件下求取最佳的权重因子。
Pt|t＝(I-KtH)Pt|t-1
最终完成卡尔曼模型迭代过程。
本发明的卡尔曼模型实际上是卡尔曼预测模型。其优点是在预测时并不需要记录很多系统过去的状态，只需要知道上一状态的预测结果的误差协方差矩阵就可以了，所以这可以算得很快，可以用于实时的动态系统。
进一步的，在LSTM和卡尔曼模型训练过程中，采用adam优化算法根据损失函数的梯度来更新网络权重和偏置。
Adam优化算法是一种可以替代传统随机梯度下降过程的一阶优化算法，它能基于训练数据迭代地更新神经网络权重。
损失函数是将随机事件或其有关随机变量的取值映射为非负实数以表示该随机事件的“风险”或“损失”的函数。在应用中，损失函数通常作为学习准则与优化问题相联系，即通过最小化损失函数求解和评估模型。
神经网络权重是神经元连接之间的计算设置值；神经网络偏置类似于函数的截距，控制着函数偏离原点的距离。
本发明采用adam优化算法适合解决含大规模数据和参数的优化问题，适用于非稳态目标，适用于解决包含很高噪声或稀疏梯度的问题超参数可以很直观地解释，并且基本上只需极少量的调参。
如图3-4所示，对单独采用LSTM和采用BPNN与本发明的LSTM和卡尔曼模型进行比较，实验结果显示，采用本发明的LSTM和卡尔曼模型，其预测的准确率在97.6％以上(如图3所示，其纵轴表示准确率；横轴表示运行次数)，准确率超过其它两种网络结构；其平均运行时间为164s(如图4所示，纵轴为平均运行时间)小于其它两种网络结构的平均运行时间。
LSTM和BPNN直接利用时间序列来作为训练中参数，但是没有对于未来某一时刻的预测，缺少了相关的检测方式，不能解决当数据发生延时或者当数据错误的问题。
LSTM由于计算时间较长，计算复杂度较高导致其运行时间较长，因此会使得计算后的数据存在延时，导致与当前数据不符。
BPNN主要适用于对数据的监督学习。但是对于图像的实时预测。BPNN的时效性较差，无法解决数据延时和数据错误时的问题。
而本发明的LSTM和卡尔曼模型，可以对一段时间内的数据进行预测，从而降低对于数据堵塞或者数据延时以及数据错误率。
S4.将测试集数据输入已经训练好的LSTM和卡尔曼模型中进行验证，计算预测准确率；再通过测试集来对LSTM和卡尔曼模型的参数进行优化调整，提高检测精度，并将最终调整完成的模型作为最终的大型货车载重量图像识别模型，以实现对车辆载重量的预测。
可以理解，本发明是通过一些实施例进行描述的，本领域技术人员知悉的，在不脱离本发明的精神和范围的情况下，可以对这些特征和实施例进行各种改变或等效替换。另外，在本发明的教导下，可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此，本发明不受此处所公开的具体实施例的限制，所有落入本申请的权利要求范围内的实施例都属于本发明所保护的范围内。

Claims (5)

1.一种货车载重量图像识别模型生成方法，其特征在于，所述方法的具体步骤包括：
S1.采集现场多台同种货车的整个装货过程图片数据；
S2.转换图片数据格式，进行降噪处理得到处理数据，将处理数据分为训练集和测试集；
S3.构建LSTM和卡尔曼模型，将训练集数据输入LSTM和卡尔曼模型中进行训练，形成训练模型；
S4.将测试集数据输入训练模型中进行验证，根据验证结果通过测试集来对训练模型的参数进行优化调整，得到的货车载重量图像识别模型。
2.根据权利要求1所述的一种货车载重量图像识别模型生成方法，其特征在于，所述LSTM的结构满足：
输入门it＝σ([ht-1,xt]*Wi+bi)，其中Wi＝[Wxi,Whi]T，Wxi表示输入-输出的权重矩阵，Whi表示隐藏层的-输入门权重矩阵，bi表示输入层到隐藏层的偏向，xt为表示时间步长t时刻的输入矩阵，ht-1表示上一时刻隐藏层的输出，sigmoid函数σ(x)＝1/(1+e-x)；
遗忘门ft＝σ([ht-1,xt]*Wf+bf)，其中Wf＝[Wxf,Whf]T，Wxf表示输入-遗忘门权重矩阵，Whf表示隐藏层的-遗忘门权重矩阵，bf为遗忘门的偏差值；
输出门Ot＝σ([ht-1,xt]*Wo+bo)，其中Wo＝[Wxo,Who]T，Wxo表示输入-输出门权重矩阵，Who表示隐藏层的-输出门权重矩阵，bo为输出门的偏差值；
输出记忆信息ct＝ittanh([xt,ht-1]*Wc+bc)+ftct-1，其中Wc＝[Wxc,Whc]T，Wxc表示输入-记忆单元权重矩阵，Whc表示隐藏层的-记忆单元权重矩阵，bc为输入层到记忆单元的偏差值；t时刻的隐藏输出ht＝Ottanh(ct)；隐藏层到输出层为全连接的方式。
3.根据权利要求1所述的一种货车载重量图像识别模型生成方法，其特征在于，所述卡尔曼模型的结构满足：
系统离散型状态方程为：
xt|t-1＝Axt|t-1+But+ωt，其中xt|t-1为基于t-1时刻的估计状态下的理论预测t时刻下的货车的载重量状态，ω为噪声，A为当前所有同种型号货车的载重量状态；
Pt|t-1＝APt-1|t-1AT+Qt，其中Qt为协方差，Qt＝cov(ωt)，P为理论估计误差；
zt＝Hxt+vt，其中H为半正定矩阵，噪声vt服从均值为0；
St＝HPt|t-1HT+Rt,其中协方差Rt服从高斯分布，St为协方差矩阵；
xt|t＝Ktzt+(I-KtH)xt|t-1，其中Kt为卡尔曼增益；
Figure FDA0003320579700000021
使得t时刻的理论预测载重量与实际真是载重量之间的误差最小，在这个条件下求取最佳的权重因子：Pt|t＝(I-KtH)Pt|t-1
4.根据权利要求1所述的一种货车载重量图像识别模型生成方法，其特征在于，所述步骤S3中，在训练过程中采用adam优化算法根据损失函数的梯度来更新网络权重和偏置，以解决大规模数据和参数的优化问题。
5.一种货车载重量识别方法，其特征在于，包括：
获取货车装货过程图片数据；
对图片数据进行降噪处理获得处理图片数据；
将处理图片数据输入货车载重量图像识别模型获得货车载重量，其中，所述货车载重量图像识别模型采用如权利要求1-4任一项所述的方法生成。
CN202111244834.3A 2021-10-26 2021-10-26 货车载重量图像识别模型生成方法及货车载重量识别方法 Pending CN113936193A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111244834.3A CN113936193A (zh) 2021-10-26 2021-10-26 货车载重量图像识别模型生成方法及货车载重量识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111244834.3A CN113936193A (zh) 2021-10-26 2021-10-26 货车载重量图像识别模型生成方法及货车载重量识别方法

Publications (1)

Publication Number Publication Date
CN113936193A true CN113936193A (zh) 2022-01-14

Family

ID=79284345

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111244834.3A Pending CN113936193A (zh) 2021-10-26 2021-10-26 货车载重量图像识别模型生成方法及货车载重量识别方法

Country Status (1)

Country Link
CN (1) CN113936193A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116152757A (zh) * 2023-04-18 2023-05-23 深圳亿维锐创科技股份有限公司 一种基于多点位的称重数据分析方法及相关装置
CN117436678A (zh) * 2023-12-21 2024-01-23 青岛慧拓智能机器有限公司 露天矿装载区的入场点生成方法、装置、设备和存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116152757A (zh) * 2023-04-18 2023-05-23 深圳亿维锐创科技股份有限公司 一种基于多点位的称重数据分析方法及相关装置
CN116152757B (zh) * 2023-04-18 2023-07-07 深圳亿维锐创科技股份有限公司 一种基于多点位的称重数据分析方法及相关装置
CN117436678A (zh) * 2023-12-21 2024-01-23 青岛慧拓智能机器有限公司 露天矿装载区的入场点生成方法、装置、设备和存储介质
CN117436678B (zh) * 2023-12-21 2024-04-12 青岛慧拓智能机器有限公司 露天矿装载区的入场点生成方法、装置、设备和存储介质

Similar Documents

Publication Publication Date Title
CN109947086B (zh) 基于对抗学习的机械故障迁移诊断方法及系统
Eftekhar Azam et al. Damage detection in structural systems utilizing artificial neural networks and proper orthogonal decomposition
CN113936193A (zh) 货车载重量图像识别模型生成方法及货车载重量识别方法
Lei et al. Mutual information based anomaly detection of monitoring data with attention mechanism and residual learning
Celikoglu An approach to dynamic classification of traffic flow patterns
CN111709332B (zh) 基于稠密卷积神经网络的桥梁车辆荷载时空分布识别方法
CN113091866B (zh) 一种实时测量汽车载重质量的方法与装置
CN116383450B (zh) 一种铁路公路物流运输信息综合管理系统
CN109969895B (zh) 一种基于电梯运行参数的故障预测方法，终端及可读存储介质
Li et al. Comparative analysis of BPNN, SVR, LSTM, Random Forest, and LSTM-SVR for conditional simulation of non-Gaussian measured fluctuating wind pressures
CN110422767B (zh) 对吊具定位的方法、装置及系统
CN116976857B (zh) 一种基于深度学习的铁路电力设备预测性维护方法及系统
CN116822652A (zh) 地铁故障预测方法、装置、电子设备、系统及存储介质
Zheng et al. A novel prediction model for car body vibration acceleration based on correlation analysis and neural networks
Olayode et al. Traffic flow modelling of long and short trucks using a hybrid artificial neural network optimized by particle swarm optimization
Zhang et al. Long‐term bridge performance assessment using clustering and Bayesian linear regression for vehicle load and strain mapping model
CN112766771A (zh) 一种基于svm的重型汽车整车质量预测方法
CN116303786B (zh) 一种基于多维数据融合算法的区块链金融大数据管理系统
CN115062764B (zh) 光照度智能调节与环境参数物联网大数据系统
CN116050254A (zh) 基于深度学习的铁路货车闸瓦磨损预测方法及相关产品
Kotenko et al. Supervised Machine Learning Models for Forecasting Fuel Consumption by Vehicles During the Grain Crops Delivery
CN111160419B (zh) 一种基于深度学习的电子式互感器数据分类预测方法及装置
Xu et al. Vehicle-induced deflection prediction using long short-term memory networks
Petrouš et al. Modeling of mixed data for Poisson prediction
Yuan et al. Unsupervised cross-domain damage detection and localization for vibration isolators in metro floating-slab track

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