CN114018379B - 基于计算机视觉的动态称重角差补偿方法 - Google Patents

基于计算机视觉的动态称重角差补偿方法 Download PDF

Info

Publication number
CN114018379B
CN114018379B CN202111276738.7A CN202111276738A CN114018379B CN 114018379 B CN114018379 B CN 114018379B CN 202111276738 A CN202111276738 A CN 202111276738A CN 114018379 B CN114018379 B CN 114018379B
Authority
CN
China
Prior art keywords
weighbridge
dynamic weighing
moment
scale
corner
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.)
Active
Application number
CN202111276738.7A
Other languages
English (en)
Other versions
CN114018379A (zh
Inventor
郑书礼
陈小琴
叶新舟
林小芬
林晓明
姜俊
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.)
Zhejiang Dong Ding Electronic Ltd By Share Ltd
Original Assignee
Zhejiang Dong Ding Electronic Ltd By Share 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 Zhejiang Dong Ding Electronic Ltd By Share Ltd filed Critical Zhejiang Dong Ding Electronic Ltd By Share Ltd
Priority to CN202111276738.7A priority Critical patent/CN114018379B/zh
Priority to CN202210828156.3A priority patent/CN115235597A/zh
Publication of CN114018379A publication Critical patent/CN114018379A/zh
Application granted granted Critical
Publication of CN114018379B publication Critical patent/CN114018379B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01G—WEIGHING
    • G01G19/00—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups
    • G01G19/02—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups for weighing wheeled or rolling bodies, e.g. vehicles
    • G01G19/03—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups for weighing wheeled or rolling bodies, e.g. vehicles for weighing during motion
    • 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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/457—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by analysing connectivity, e.g. edge linking, connected component analysis or slices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Mathematical Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Geometry (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Image Processing (AREA)
  • Length Measuring Devices With Unspecified Measuring Means (AREA)
  • Fittings On The Vehicle Exterior For Carrying Loads, And Devices For Holding Or Mounting Articles (AREA)

Abstract

本发明涉及动态称重技术领域，具体涉及一种基于计算机视觉的动态称重角差补偿方法。该方法包括：获得地秤的初始形状差异量和稳定形状差异量；获得采样时刻地秤拐角点的形变量和采样时刻地秤拐角点的第一距离变化量；根据采样时刻所有地秤拐角点的形变量和第一距离变化量获得采样时刻地秤的异常程度；对各采样时刻地秤的异常程度加权求和获得动态称重过程中地秤的异常程度；根据初始形状异常量、稳定形状异常量和动态称重过程中地秤的异常程度获得角差补偿必要性；若角差补偿必要性大于预设阈值，则对动态称重过程中获得的车辆重量进行补偿获得车辆真实重量。本发明实现了动态称重过程中地秤角差误差较大时对称重结果进行智能补偿。

Description

基于计算机视觉的动态称重角差补偿方法
技术领域
本发明涉及动态称重、人工智能技术领域，具体涉一种基于计算机视觉的动态称重角差补偿方法。
背景技术
平板地秤无异常时，把重量相同的物体在地秤的四个地秤拐角点处称重的重量相同，当平板地秤的四个支脚地基不平或者存在地基下陷，四个地秤拐角点处称重的重量会不同，因此车辆称重时往往会存在误差，所以此时地秤给出的重量示数结果并不可靠。
在发生此类异常时，往往需要人工调节每个称重传感器使角差不超过一个分度值度，或者拆掉地秤，对地基进行重建和重新硬化，通过人工的调节或者维修才能使地秤称重时的精度达到要求，能够重新使用。而在未发现此类异常，或者虽然发现但没有人力调节或者维修角差时，所有的称重结果仍然存在误差。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于计算机视觉的动态称重角差补偿方法，所采用的技术方案具体如下：
本发明一个实施例提供了一种基于计算机视觉的动态称重角差补偿方法：
由车辆未进行动态称重时地秤的形变获得初始形状异常量；由车辆动态称重过程中重量稳定时地秤的形变获得稳定形状异常量；
利用动态称重过程中采样时刻与相邻近历史时刻地秤拐角点的位置变化量获得采样时刻地秤拐角点的形变量；
利用动态称重过程中采样时刻与相邻近历史时刻地秤拐角点的第一距离的差异获得采样时刻地秤拐角点的第一距离变化量，所述地秤拐角点的第一距离为对应时刻地秤拐角点和车轮支撑点的距离；
根据采样时刻所有地秤拐角点的形变量和第一距离变化量获得采样时刻地秤的异常程度；对各采样时刻地秤的异常程度加权求和获得动态称重过程中地秤的异常程度；根据初始形状异常量、稳定形状异常量和动态称重过程中地秤的异常程度获得角差补偿必要性；
若角差补偿必要性大于预设阈值，则对动态称重过程中获得的车辆重量进行补偿获得车辆真实重量。
优选地，构建神经网络获取地秤拐角点和车轮支撑点，该神经网络包括两个分支，地秤拐角点获取分支和车轮支撑点估计分支；神经网络输入车辆称重过程图像，地秤拐角点获取分支输出地秤拐角点，车轮支撑点估计分支输出车轮支撑点。
优选地，利用地秤图像中地秤拐角点构成的四边形与理想矩形的差异获取地秤的形变：获取地秤图像中地秤拐角点的坐标，利用纵向相邻地秤拐角点的横坐标差异和横向相邻地秤拐角点的纵坐标差异获得地秤图像中地秤拐角点构成四边形与理想矩形的差异，从而获得地秤的形变。
优选地，采样时刻地秤拐角点的形变量计算公式为：
Figure BDA0003330095520000021
其中
Figure BDA0003330095520000022
为地秤拐角点A1采样时刻即第n时刻的形变量；与采样时刻相邻近的历史时刻的个数为K；g为衰减系数；
Figure BDA0003330095520000023
为采样时刻地秤拐角点A1坐标，
Figure BDA0003330095520000024
为第k个相邻近历史时刻地秤拐角点A1坐标。
优选地，第一距离具体为：
Figure BDA0003330095520000025
其中
Figure BDA0003330095520000026
为地秤拐角点A1采样时刻即第n时刻的第一距离；P为采样时刻车轮支撑点的数量；
Figure BDA0003330095520000027
为第n时刻第p个车轮支撑点；
Figure BDA0003330095520000028
为第n个时刻第p个车轮支撑点与地秤拐角点A1的像素距离。
优选地，地秤拐角点到车轮支撑点的第一距离变化量具体为：
Figure BDA0003330095520000029
其中
Figure BDA00033300955200000210
为A1地秤拐角点采样时刻即第n时刻到车轮支撑点的第一距离变化量，与采样时刻相邻近的历史时刻的个数为K；g为衰减系数；
Figure BDA00033300955200000211
为第n时刻的地秤拐角点A1的第一距离；
Figure BDA00033300955200000212
为第k个相邻近历史时刻的地秤拐角点A1的第一距离。
优选地，采样时刻地秤的异常程度为：
Figure BDA00033300955200000213
其中
Figure BDA00033300955200000214
表示采样时刻即第n个时刻地秤的异常程度；
Figure BDA00033300955200000215
表示第n时刻地秤拐角点Ai的形变量，
Figure BDA00033300955200000216
表示第n采样时刻地秤拐角点Aj的变化量；
Figure BDA00033300955200000217
为第n时刻地秤拐角点Ai到车轮支撑点的第一距离变化量，
Figure BDA00033300955200000218
为第n时刻地秤拐角点Aj到车轮支撑点的第一距离变化量；rc为容错阈值；relu为线性整流函数。
优选地，动态称重过程中地秤的异常程度为：
Figure BDA0003330095520000031
其中YC为动态称重过程中地秤的异常程度；SYn为采样时刻即第n时刻的地秤的异常程度。
优选地，角差补偿必要性为：
WE＝a*{u*[C(N)+C(0)]+v*YC}
其中，WE为车辆动态称重过程的角差补偿必要性；C(0)为地秤初始形状差异量，C(N)为地秤稳定形状差异量；u为地秤初始、稳定形状差异量的影响系数；v为车辆动态称重过程中地秤异常程度的影响系数；a为比例换算系数。
优选地，对动态称重过程中获得的车辆重量进行补偿获得车辆真实重量包括：构建重量补偿神经网络，输入地秤初始形状异常量、稳定形状异常量、动态称重过程中地秤的异常程度和所有地秤拐角点的重量数值，输出补偿重量；地秤动态称重重量与补偿重量的和为车辆的真实重量。
本发明实施例至少具有如下有益效果：
利用计算机视觉，对平板地秤在动态称重过程中地秤拐角点和车轮支撑点的变化进行分析，能够快速准确的判断平板地秤是否存在角差误差，并利用角差补偿必要性判断车辆在动态称重过程中是否需要进行角差补偿，若需要补偿则对车辆动态称重重量进行重量补偿，不必人工对平板地秤进行调整消除角差误差，节省人工，使得地秤能够在一定误差范围内继续使用并具有一定的准确性，实现平板地秤在车辆动态称重过程中地秤角差误差较大时对称重结果进行智能补偿。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为基于计算机视觉的动态称重角差补偿方法流程图。
图2为动态称重相机位置示意图。
图3为获取车轮支撑点和地秤拐角点神经网络结构图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于计算机视觉的动态称重角差补偿方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于计算机视觉的动态称重角差补偿方法的具体方案。
实施例1
本发明的主要应用场景为：车辆承载货物，进入称重区域，进行动态称重，由于平板地秤，车辆在动态称重过程中以不同的位姿在地秤上称重，若地秤出现较大角差，则出现角差的地秤拐角点受力与未出现角差时受力不同，导致车辆动态称重的结果不准确，需要对称重结果进行补偿，获得车辆真实的动态称重结果。本发明中造成角差的原因主要是地秤下方地基不平整。
请参阅图1，其示出了本发明一个实施例提供的一种基于计算机视觉的动态称重角差补偿方法流程图，该方法包括以下步骤：
首先，构建神经网络获取地秤拐角点和车轮支撑点，该神经网络包括两个分支，地秤拐角点获取分支和车轮支撑点估计分支；神经网络输入车辆称重过程图像，地秤拐角点获取分支输出地秤拐角点，车轮支撑点估计分支输出车轮支撑点。
本实施例需要通过相机来采集当前场景下的动态称重过程的RGB图像。其中相机等设备的布置如图2所示。相机位于地秤的中心点垂线上，能够完整拍到车辆在动态称重过程中的俯视图像。利用神经网络对俯视视角采集的动态称重图像进行处理，得到地秤在图像中的拐角点，并估计得到车辆在地秤上车轮的支撑点。车辆在动态称重过程中的重量是集中于多个车轮支撑点的，而后多个支撑点与地秤接触，对地秤产生压力，地秤四个拐角点的压力传感器根据压力的大小得到重量数据，而后综合得到称重的结果。
本实施例构建DNN神经网络识别图像中地秤对应的四个拐角点，同时进行车辆车轮支撑点的估计推理。所述神经网络如图3所示具体如下：网络的结构为具有分支的Encoder-Decoder结构，即共用一个编码器(Encoder)进行图像特征的提取，同时利用不同的两个解码器(Decoder)实现两个分支的不同任务需求。即网络存在两个分支，分别为地秤拐角点获取分支和车轮支撑点估计分支。
对于地秤拐角点获取分支：该分支以语义分割的形式来对图像中各像素分类，得到语义分割图(Segmentation)，实现地秤区域的识别。网络所用训练数据集为上述俯视视角下采集的平板地秤的图像，需要人为来标注对应的地秤，建立同等尺寸的单通道标签图像。若采集的RGB图像该位置像素属于背景类，则需要在标签图像对应位置标记类别ID为0，若是像素属于地秤类，则标记为1，若像素属于车辆类，则标记为2，损失函数采用交叉熵损失函数来实现分类任务。对地秤连通域的边缘进行直线检测，直线延长线的交点即为四个地秤拐角点，按照顺时针方向进行ID编号，地秤拐角点标记为：A1，A2，A3，A4。
对于车轮支撑点估计分支：该分支以关键点的形式来回归估计车辆的车辆支撑点位置，因为俯视视角下，车辆车轮图像会被车身遮挡部分影响。训练数据采用上述俯视视角采集的车辆图像，由人为进行车轮支撑点的标注。先在车轮支撑点对应位置标记一个像素点，而后利用高斯模糊得到对应的heatmap热斑图像。因为为一类目标关键点，所以标签维度单通道即可，损失函数采用均方差损失函数来完成回归任务。获得车辆车轮支撑点的位置，按照顺时针方向进行ID编号，车轮支撑点标记为：C1，C2，C3，…，Cp。以上是获得车轮支撑点的一种实施方式，实施者也可以在侧面架设相机采集车辆称重图像，获得车轮支撑点，需要说明的是，当使用多个相机时，需要对两个相机采集的图像进行时刻对齐。
至此，采集的车辆动态称重过程中的俯视图像可由对应的神经网络进行处理，获得地秤的四个地秤拐角点的和多个车辆车轮支撑点。
然后，车辆在动态称重过程中，地秤由于受力原因发生变化，而地秤的支点受力不平衡，使得地秤的四个地秤拐角点在图像中的变化是不同的。而地秤拐角点的相对变化差异是与受到的压力相关，所以根据地秤四个地秤拐角点的变化以及车轮支撑点的变化可以判断是否存在角差异常，获得角差补偿必要性。本实施例所述地秤拐点形变是指在固定俯视相机视角下，不同状态(时刻)的图像中同一地秤拐点会发生移动，支撑点的变化为车辆的不同位置造成。
由车辆未进行动态称重时地秤的形变获得初始形状异常量；由车辆动态称重过程中重量稳定时地秤的形变获得稳定形状异常量。初始形状异常量和稳定形状异常量获取具体为：
车辆未进行动态称重时，地秤为初始状态，此时根据地秤在图像中的成像可以判断地秤初始是否异常。
计算初始形状异常量：
Figure BDA0003330095520000051
式中，
Figure BDA0003330095520000052
表示图像坐标系下第0时刻地秤拐角点A1的横向坐标，
Figure BDA0003330095520000053
表示第0时刻地秤拐角点A1的纵向坐标。
车辆在动态称重过程中重量稳定时，判断当前状态四个地秤拐角点的形状差异量，为稳定形状异常量：
Figure BDA0003330095520000061
式中，C(N)表示第N时刻对应的四个拐点与标准矩形的差异。
地秤在图像中地秤拐角点构成的四边形越是趋近于理想矩形，形状异常量越小，地秤的异常越小。即地秤平面越是无倾斜，越垂直于相机光轴方向，异常越小。
利用动态称重过程中采样时刻与相邻近历史时刻地秤拐角点的位置变化量获得该采样时刻地秤拐角点的形变量。正常的地秤是四个角平稳下沉变化的，存在角差的地秤会在重量偏向异常地秤拐角点时发生较大幅度的形变。计算出不同采样时刻地秤拐角点的形变量，具体为：
记整个动态称重过程中，各时刻地秤拐角点的坐标序列为：
Figure BDA0003330095520000062
上述为地秤拐角点A1在称重过程中各帧图像中的坐标的序列。同理，四个地秤拐角点都有其对应的坐标序列。
得到A1地秤拐角点对应的各采样时刻的形变量序列：
Figure BDA0003330095520000063
其中，
Figure BDA0003330095520000064
表示地秤拐角点A1在采样时刻即第n时刻相较于历史时刻的形变量，具体计算公式为：
Figure BDA0003330095520000065
其中
Figure BDA0003330095520000066
为地秤拐角点A1采样时刻即第n时刻的形变量；与采样时刻相邻近的历史时刻的个数为K，优选地，本实施例中K为5；g为衰减系数，可以根据实际操作进行调节，优选地，本实施例中g为e；
Figure BDA0003330095520000067
为采样时刻地秤拐角点A1坐标，
Figure BDA0003330095520000068
为第k个相邻近历史时刻地秤拐角点A1坐标
式中，共分为两部分，分别为衰减系数、地秤拐角点A1位置变化量。为了避免间隔时间较短使得突变程度降低，所以本实施例需要计算采样时刻和相邻近历史时刻的地秤拐角点坐标A1的位置变化量，综合判断采样时刻的地秤拐角点A1形变量。同理，可以获得各采样时刻不同地秤拐角点的形变量。
利用动态称重过程中采样时刻与相邻近历史时刻地秤拐角点的第一距离的差异获得采样时刻地秤拐角点的第一距离变化量，所述地秤拐角点的第一距离为对应时刻地秤拐角点和车轮支撑点的距离。
车辆动态称重过程中，若无角差的情况下，车轮支撑点到地秤拐角点的像素距离随着支撑点位置的变化和地秤拐角点的形变而发生改变，属于正常的改变；若地秤的角差较大，车轮支撑点到地秤拐角点的像素距离的变化与正常情况不同。
利用地秤拐角点对应的第一距离变化量可以间接反映地秤拐角点的形变情况是否正常，第一距离的计算公式为：
Figure BDA0003330095520000071
其中
Figure BDA0003330095520000072
为地秤拐角点A1采样时刻即第n时刻的第一距离；P为采样时刻车轮支撑点的数量；
Figure BDA0003330095520000073
为第n时刻第p个车轮支撑点；
Figure BDA0003330095520000074
为第n个时刻第p个车轮支撑点与地秤拐角点A1的像素距离。
得到对应的第一距离变化量序列,用于反映地秤拐角点的形变情况是否正常：
Figure BDA0003330095520000075
其中不同时刻地秤拐角点A1对应的第一距离是不相同的，地秤拐角点到车轮支撑点的第一距离变化量计算公式具体为：
Figure BDA0003330095520000076
其中
Figure BDA0003330095520000077
为A1地秤拐角点采样时刻即第n时刻到车轮支撑点的第一距离变化量，与采样时刻相邻近的历史时刻的个数为K，优选地，本实施例中K为5；g为衰减系数，优选地，本实施例中g为e；
Figure BDA0003330095520000078
为第n时刻的地秤拐角点A1的第一距离；
Figure BDA0003330095520000079
为第k个历史时刻的地秤拐角点A1的第一距离。
根据采样时刻所有地秤拐角点的形变量和第一距离变化量获得采样时刻地秤的异常程度；对各采样时刻地秤的异常程度加权求和获得动态称重过程中地秤的异常程度。
称重过程的地秤的异常程度通过地秤拐角点的形变量与第一距离的变化量的差异来反映，对应计算公式如下：
首先得到采样时刻(第n时刻)的异常程度：
Figure BDA00033300955200000710
式中，SYn表示采样时刻即第n个时刻地秤的异常程度；
Figure BDA00033300955200000711
表示第n个时刻地秤拐角点Ai的形变量，
Figure BDA00033300955200000712
表示第n个采样时刻地秤拐角点Aj的变化量；
Figure BDA00033300955200000713
为第n时刻地秤拐角点Ai到车轮支撑点的第一距离变化量，
Figure BDA0003330095520000081
为第n时刻地秤拐角点Aj到车轮支撑点的第一距离变化量；rc为对应的容错阈值，优选地，本实施例中rc为0.15。地秤拐角点形变量和地秤拐角点对应的第一距离变化量为反比关系。relu(*)表示把数据*输入relu函数中。
Figure BDA0003330095520000082
其中YC为动态称重过程中地秤的异常程度；SYn为采样时刻即第n时刻的地秤的异常程度，各个采样时刻的地秤异常程度加权累加，权值为各采样时刻的地秤异常程度数值占地秤异常程度总数值的比例，即SYn数值越大，叠加时占比越高。
根据初始形状异常量、稳定形状异常量和动态称重过程中地秤的异常程度获得角差补偿必要性。
WE＝a*{u*[C(N)+C(0)]+v*YC}
式中，WE为该次称重的角差补偿必要性，u与v为两个因素的影响系数，用于反应两个因素的不同影响程度；a为比例换算系数，用于将角差补偿必要性映射到[0,1]范围，同时进行量纲的转换(为了量纲的一致，可以在结合前对每个因素进行归一化处理)。
得到动态称重过程中角差补偿必要性后，可以进而判断补偿的必要性。因为本实施例是利用深度学习神经网络的方式来进行称重补偿的，而神经网络作为一个黑盒子的拟合器，无论向神经网络中输入怎样的数据，都会得到对应的补偿数据。
当补偿必要性WE大于预设阈值，则认为当前动态称重结果受角差异常影响较大，需要进行测重的补偿。预设阈值可根据实际操作进行设定，优选地，本实施例预设阈值为0.7。
最后，若角差补偿必要性大于预设阈值，则对动态称重过程中获得的车辆重量进行补偿获得车辆真实重量。
本实施例通过神经网络的方式来拟合场景参数与补偿数据之间的非线性复杂关系，即训练对应的神经网路可以通过处理场景参数来推理得到对应的补偿称重数据。
重量补偿神经网络的具体内容为：
1)网络采用全连接网络(FC)的结构，输入神经元的数量为影响参数的数量，实施例共需输入7个数据，包括：地秤初始形状异常量、稳定形状异常量、动态称重过程中地秤的异常程度和所有地秤拐角点的重量数值，网络输出层的神经元数量为推理数据的数量，本实施例仅需推理对应的补偿重量，故仅需一个神经元即可。
2)网络所用训练数据的采集为：
利用重量已知为G的车辆，反复以不同位姿停于地秤上进行称重，地秤需要进行随机的拐角硬化，而后按照上述方式采集对应的地秤初始形状异常量、稳定形状异常量、动态称重过程中地秤的异常程度和所有地秤拐角点的重量数值，而后以mG为对应的输出数据：
Figure BDA0003330095520000091
式中，G为车辆的真实重量，
Figure BDA0003330095520000092
为地秤的测量重量，jgi为第i个地秤拐角处对应的压力对应的重量数值。
3)网络使用均方差损失函数来完成数值回归任务。
重量补偿神经网络输出重量mG后，当前的地秤称重结果加上mG即可得到补偿后的重量，即为车辆进行动态称重过程中的真实重量。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于计算机视觉的动态称重角差补偿方法，其特征在于，该方法包括：
由车辆未进行动态称重时地秤的形变获得初始形状异常量；由车辆动态称重过程中重量稳定时地秤的形变获得稳定形状异常量；
利用动态称重过程中采样时刻与相邻近历史时刻地秤拐角点的位置变化量获得采样时刻地秤拐角点的形变量；
利用动态称重过程中采样时刻与相邻近历史时刻地秤拐角点的第一距离的差异获得采样时刻地秤拐角点的第一距离变化量，所述地秤拐角点的第一距离为对应时刻地秤拐角点和车轮支撑点的距离；
根据采样时刻所有地秤拐角点的形变量和第一距离变化量获得采样时刻地秤的异常程度；对各采样时刻地秤的异常程度加权求和获得动态称重过程中地秤的异常程度；根据初始形状异常量、稳定形状异常量和动态称重过程中地秤的异常程度获得角差补偿必要性；
若角差补偿必要性大于预设阈值，则对动态称重过程中获得的车辆重量进行补偿获得车辆真实重量；所述采样时刻地秤拐角点的形变量为：
Figure FDA0003719939890000011
其中
Figure FDA0003719939890000012
为地秤拐角点A1采样时刻即第n时刻的形变量；与采样时刻相邻近的历史时刻的个数为K；g为衰减系数；
Figure FDA0003719939890000013
为采样时刻地秤拐角点A1坐标，
Figure FDA0003719939890000014
为第k个相邻近历史时刻地秤拐角点A1坐标；
所述地秤拐角点到车轮支撑点的第一距离变化量具体为：
Figure FDA0003719939890000015
其中
Figure FDA0003719939890000016
为A1地秤拐角点采样时刻即第n时刻到车轮支撑点的第一距离变化量，与采样时刻相邻近的历史时刻的个数为K；g为衰减系数；
Figure FDA0003719939890000017
为第n时刻的地秤拐角点A1的第一距离；
Figure FDA0003719939890000018
为第k个相邻近历史时刻的地秤拐角点A1的第一距离。
2.根据权利要求1所述的一种基于计算机视觉的动态称重角差补偿方法，其特征在于，还包括车轮支撑点和地秤拐角点的获取，具体为：构建神经网络获取地秤拐角点和车轮支撑点，该神经网络包括两个分支，地秤拐角点获取分支和车轮支撑点估计分支；神经网络输入车辆称重过程图像，地秤拐角点获取分支输出地秤拐角点，车轮支撑点估计分支输出车轮支撑点。
3.根据权利要求1所述的一种基于计算机视觉的动态称重角差补偿方法，其特征在于，利用地秤图像中地秤拐角点构成的四边形与理想矩形的差异获取地秤的形变：获取地秤图像中地秤拐角点的坐标，利用纵向相邻地秤拐角点的横坐标差异和横向相邻地秤拐角点的纵坐标差异获得地秤图像中地秤拐角点构成四边形与理想矩形的差异，从而获得地秤的形变。
4.根据权利要求1所述的一种基于计算机视觉的动态称重角差补偿方法，其特征在于，所述第一距离具体为：
Figure FDA0003719939890000021
其中
Figure FDA0003719939890000022
为地秤拐角点A1采样时刻即第n时刻的第一距离；P为采样时刻车轮支撑点的数量；
Figure FDA0003719939890000023
为第n时刻第p个车轮支撑点；
Figure FDA0003719939890000024
为第n个时刻第p个车轮支撑点与地秤拐角点A1的像素距离。
5.根据权利要求1所述的一种基于计算机视觉的动态称重角差补偿方法，其特征在于，所述采样时刻地秤的异常程度为：
Figure FDA0003719939890000025
其中SYn表示采样时刻即第n时刻地秤的异常程度；
Figure FDA0003719939890000026
表示第n时刻地秤拐角点Ai的形变量，
Figure FDA0003719939890000027
表示第n采样时刻地秤拐角点Aj的变化量；
Figure FDA0003719939890000028
为第n时刻地秤拐角点Ai到车轮支撑点的第一距离变化量，
Figure FDA0003719939890000029
为第n时刻地秤拐角点Aj到车轮支撑点的第一距离变化量；rc为容错阈值；relu为线性整流函数。
6.根据权利要求1所述的一种基于计算机视觉的动态称重角差补偿方法，其特征在于，所述动态称重过程中地秤的异常程度为：
Figure FDA00037199398900000210
其中YC为动态称重过程中地秤的异常程度；SYn为采样时刻即第n时刻的地秤的异常程度。
7.根据权利要求1所述的一种基于计算机视觉的动态称重角差补偿方法，其特征在于，所述角差补偿必要性为：
WE＝a*{u*[C(N)+C(0)]+v*YC}
其中，WE为车辆动态称重过程的角差补偿必要性；C(0)为地秤初始形状差异量，C(N)为地秤稳定形状差异量；u为地秤初始、稳定形状差异量的影响系数；v为车辆动态称重过程中地秤异常程度的影响系数；a为比例换算系数。
8.根据权利要求1所述的一种基于计算机视觉的动态称重角差补偿方法，其特征在于，所述对动态称重过程中获得的车辆重量进行补偿获得车辆真实重量包括：构建重量补偿神经网络，输入地秤初始形状异常量、稳定形状异常量、动态称重过程中地秤的异常程度和所有地秤拐角点的重量数值，输出补偿重量；地秤动态称重重量与补偿重量的和为车辆的真实重量。
CN202111276738.7A 2021-10-30 2021-10-30 基于计算机视觉的动态称重角差补偿方法 Active CN114018379B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111276738.7A CN114018379B (zh) 2021-10-30 2021-10-30 基于计算机视觉的动态称重角差补偿方法
CN202210828156.3A CN115235597A (zh) 2021-10-30 2021-10-30 一种动态称重角差补偿方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111276738.7A CN114018379B (zh) 2021-10-30 2021-10-30 基于计算机视觉的动态称重角差补偿方法

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202210828156.3A Division CN115235597A (zh) 2021-10-30 2021-10-30 一种动态称重角差补偿方法

Publications (2)

Publication Number Publication Date
CN114018379A CN114018379A (zh) 2022-02-08
CN114018379B true CN114018379B (zh) 2022-08-23

Family

ID=80059082

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202111276738.7A Active CN114018379B (zh) 2021-10-30 2021-10-30 基于计算机视觉的动态称重角差补偿方法
CN202210828156.3A Pending CN115235597A (zh) 2021-10-30 2021-10-30 一种动态称重角差补偿方法

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202210828156.3A Pending CN115235597A (zh) 2021-10-30 2021-10-30 一种动态称重角差补偿方法

Country Status (1)

Country Link
CN (2) CN114018379B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115416018B (zh) * 2022-08-17 2024-03-15 雅客智慧（北京）科技有限公司 末端执行器形变补偿方法、装置、电子设备和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5822707A (en) * 1992-05-05 1998-10-13 Automotive Technologies International, Inc. Automatic vehicle seat adjuster
CN106441529A (zh) * 2016-08-30 2017-02-22 山西万立科技有限公司 一种基于视频图像技术的车型识别与作弊诊断系统
CN113295253A (zh) * 2020-02-24 2021-08-24 安徽小眯当家信息技术有限公司 一种无感知地磅车辆称重数据异常监控方法及系统
CN113551759A (zh) * 2021-07-22 2021-10-26 合肥金果缘视觉科技有限公司 一种果类称重误差控制方法

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN2032315U (zh) * 1988-07-30 1989-02-08 李启龙 案秤、台秤、地秤形位检测校正胎具
US7268700B1 (en) * 1998-01-27 2007-09-11 Hoffberg Steven M Mobile communication device
US7026557B2 (en) * 2003-10-30 2006-04-11 Mettler-Toledo Apparatus and method for weighting objects on a fork lift truck
EP2278283A1 (de) * 2009-07-23 2011-01-26 Mettler-Toledo AG Verfahren zur Temperaturkorrektur einer Kraftmessvorrichtung und Kraftmessvorrichtung
KR101163764B1 (ko) * 2012-03-29 2012-07-16 디비정보통신 주식회사 고정식 차량 부정 계중 방지장치
CN102809413B (zh) * 2012-08-06 2014-08-27 北京万集科技股份有限公司 一种车辆动态称重作弊检测方法及装置
CN105823539A (zh) * 2016-03-11 2016-08-03 重庆大唐科技股份有限公司 多秤台组合型多量程汽车衡及其工作方法
CN105973444B (zh) * 2016-06-25 2018-09-28 湖南师范大学 一种改进的汽车衡称重方法
CN108332837A (zh) * 2017-12-06 2018-07-27 芯海科技（深圳）股份有限公司 一种应用于电子秤的基于bp神经网络补偿温度增益方法
CN208420147U (zh) * 2018-04-23 2019-01-22 梅特勒-托利多(常州)精密仪器有限公司 称重模块
CN109900345A (zh) * 2019-04-02 2019-06-18 常州工学院 用于地秤和托盘量方场景的体积测量和三维定位装置
CN111121938A (zh) * 2020-01-02 2020-05-08 深圳市汉德网络科技有限公司 一种实时监测车辆载重的方法、终端设备及计算机可读存储介质
CN111882882B (zh) * 2020-07-31 2021-06-25 浙江东鼎电子股份有限公司 一种动态平板秤称重区域汽车跨车道行驶行为检测方法
CN111964763B (zh) * 2020-08-17 2021-06-15 浙江东鼎电子股份有限公司 一种动态平板秤称重区域汽车断续行驶行为检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5822707A (en) * 1992-05-05 1998-10-13 Automotive Technologies International, Inc. Automatic vehicle seat adjuster
CN106441529A (zh) * 2016-08-30 2017-02-22 山西万立科技有限公司 一种基于视频图像技术的车型识别与作弊诊断系统
CN113295253A (zh) * 2020-02-24 2021-08-24 安徽小眯当家信息技术有限公司 一种无感知地磅车辆称重数据异常监控方法及系统
CN113551759A (zh) * 2021-07-22 2021-10-26 合肥金果缘视觉科技有限公司 一种果类称重误差控制方法

Also Published As

Publication number Publication date
CN115235597A (zh) 2022-10-25
CN114018379A (zh) 2022-02-08

Similar Documents

Publication Publication Date Title
CN101403610B (zh) 一种基于数字图像法测量皮革面积的系统及其方法
CN111288967B (zh) 一种基于机器视觉的远距离高精度位移检测方法
CN111220120B (zh) 一种动平台双目测距自校准方法及装置
CN108871373B (zh) 一种基于俯仰滚转台和非线性优化的星敏感器标定方法
CN114018379B (zh) 基于计算机视觉的动态称重角差补偿方法
CN108919304B (zh) 一种基于参考平面的移动测量系统中pos误差补偿方法
CN111735523B (zh) 基于视频识别的车重检测方法、装置及存储介质
CN110443881B (zh) 桥面形态变化识别桥梁结构损伤的cnn-grnn方法
CN112903235A (zh) 一种完全模拟试验状态的推力天平多元校准方法
CN114219994A (zh) 一种基于空海协同观测的海洋光学卫星辐射定标方法
CN114485877B (zh) 一种结合惯性测量模块进行称重补偿的称重系统和方法
CN101706951A (zh) 一种基于特征融合的气动光学图像质量客观评价方法、装置及系统
CN108645490A (zh) 基于图像处理技术的冷水水表视觉检测系统及检测方法
CN111142137B (zh) 一种点源靶标像控点的定位方法和装置
CN112683307B (zh) 一种星敏感器星点质心位置精度测量方法
CN113658147A (zh) 一种基于深度学习的工件尺寸测量装置及方法
CN112837252A (zh) 一种侧扫声呐条带图像公共覆盖区图像融合方法及系统
CN111291322A (zh) 一种辐射定标数据噪声估计方法及装置
CN113870150B (zh) 基于连续多张遥感图像反演航天器低频振动参数的方法
CN114577318A (zh) 一种车载称重模块及其传感方法
Li et al. Vehicle seat detection based on improved RANSAC-SURF algorithm
CN115690150A (zh) 一种基于视频的多目标位移跟踪监测方法及装置
CN113536606A (zh) 一种水体水质变化检测方法及系统、存储介质和装置
Long et al. An automatic selection and solving method for rational polynomial coefficients based on nested regression
CN117685879A (zh) 一种全自动影像测量仪检测系统

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