CN114022537A - 一种用于动态称重区域车辆装载率和偏载率分析方法 - Google Patents
一种用于动态称重区域车辆装载率和偏载率分析方法 Download PDFInfo
- Publication number
- CN114022537A CN114022537A CN202111270604.4A CN202111270604A CN114022537A CN 114022537 A CN114022537 A CN 114022537A CN 202111270604 A CN202111270604 A CN 202111270604A CN 114022537 A CN114022537 A CN 114022537A
- Authority
- CN
- China
- Prior art keywords
- image
- depth image
- loading rate
- carriage
- depth
- 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
Links
- 238000005303 weighing Methods 0.000 title claims abstract description 20
- 238000004458 analytical method Methods 0.000 title claims description 7
- 238000000034 method Methods 0.000 claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 28
- 230000005484 gravity Effects 0.000 claims abstract description 26
- 230000007547 defect Effects 0.000 claims description 48
- 238000003709 image segmentation Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 description 13
- 230000033001 locomotion Effects 0.000 description 8
- 230000011218 segmentation Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 239000003086 colorant Substances 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
Images
Classifications
-
- 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
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种用于动态称重区域车辆装载率和偏载率分析方法;对车厢的深度图像进行拼接及修复以避免图像信息缺失,并生成货物的三维模型以高效且方便地得到精确的装载率及偏载率。技术方案主要包括:获取车厢的体积以及车厢的第一图像和第一深度图像;利用第一图像对不同时刻第一深度图像进行处理得到不同时刻的第二深度图像;对不同时刻的第二深度图像进行图像拼接得到第三深度图像;根据第三深度图像得到货物的三维模型;根据三维模型得到货物的体积以及货物的重心;根据货物的体积以及车厢的体积得到装载率,并根据货物的重心与车厢中心点之间的距离得到偏载率。本发明具体应用场景为:对经过关卡的装载车辆的装载率及偏载率进行检测。
Description
技术领域
本申请涉及图形图像处理技术,具体涉及一种用于动态称重区域车辆装载率和偏载率分析方法。
背景技术
一方面在煤矿、渣土等运输过程中,需要在保证载重车辆不超重的情况下尽可能提高载重车辆的装载率;另一方面同一装载率下所装载的货物的重心与车厢中部偏差较大时,会对载重车辆的受力平衡造成不良影响,甚至可能在载重车辆转弯时发生侧翻。
对于载重车辆需检测车辆是否存在安全隐患,比如车辆超重/车辆是否存在偏载。对于无人值守关卡位置一般配置一个车辆自动称重系统,该系统除了使用测重仪测得车辆的总车重外,还需检测出车辆的装载率和偏载率,以便车辆能够符合要求上路。
目前,针对载重车辆的装载率及偏载率的检测一般是通过人工进行检测或者通过在车辆上设置各种传感器来实现。人工进行检测是通过肉眼观察得到装载车辆的大致装载率以及偏载率,难以获得有参考价值的观察结果;利用传感器进行检测是通过在车辆内部设置传感器,然后根据传感器的数据计算装载率以及偏载率,该种方式综合成本较高且不具有普适性。
发明内容
针对上述技术问题,本发明提供了一种用于动态称重区域车辆装载率和偏载率分析方法,主要包括:获取车厢的体积以及车厢的第一图像和第一深度图像;利用第一图像对不同时刻第一深度图像进行处理得到不同时刻的第二深度图像;对不同时刻的第二深度图像进行图像拼接得到第三深度图像;根据第三深度图像得到货物的三维模型;根据三维模型得到货物的体积以及货物的重心;根据货物的体积以及车厢的体积得到装载率,并根据货物的重心与车厢中心点之间的距离得到偏载率。
相比于现有技术,本发明利用采集到的图像生成装载货物的三维模型,能够高效且方便的检测装载车辆的装载率及偏载率;对采集到的装载车辆的车厢的深度图像进行拼接及修复,避免因车辆运动造成的深度图像信息缺失,能够得到更为精确的装载率及偏载率;且克服了现有技术得到的拼接图像中部分区域存在错位缺陷的问题,同时提高了图像拼接的效率。
本文提出了一种用于动态称重区域车辆装载率和偏载率分析方法,包括:
获取载重车辆的车厢的体积以及不同时刻的车厢的第一图像和第一深度图像;所述第一图像和所述第一深度图像均包含载重车辆的车厢顶部。
对不同时刻的所述第一图像进行图像处理得到第二图像,并利用所述第二图像对不同时刻的所述第一深度图像进行处理得到不同时刻的所述第二深度图像。
对前一时刻的所述第二深度图像中的像素值,与后一时刻的所述第二深度图像中的像素值作差后取绝对值得到差值图像;对所述差值图像进行卷积处理及阈值化处理,得到阈值化图像;将所述阈值化图像中的同一列像素值组成列像素值序列;计算某一所述列像素值序列的阶跃概率;判断所述阶跃概率是否大于预设概率阈值,若判断结果为是,则该列像素值序列对应所述第二深度图像中的列为拼接缺陷列,否则该列像素值序列对应所述第二深度图像中的列为正常列;将所述第二深度图像中的所述拼接缺陷列修正后,与所述第二深度图像中的所述正常列进行拼接,得到所述第三深度图像。
根据所述第三深度图像得到装载货物的三维模型,并根据所述三维模型得到车厢中货物的体积以及货物的重心。
根据所述货物的体积以及所述载重车辆的车厢的体积得到车辆的装载率,并根据所述货物的重心与车厢中心点之间的距离偏差得到偏载率。
进一步的,所述一种用于动态称重区域车辆装载率和偏载率分析方法中,所述计算所述第一阈值化图像中的某一列像素值序列的阶跃概率,包括:
对某一所述列像素值序列中全部像素值进行求和得到像素值的和,用所述像素值的和除某一所述列像素值序列中像素值的总个数,得到所述某一列像素值序列的阶跃概率。
进一步的,所述一种用于动态称重区域车辆装载率和偏载率分析方法中,所述将所述第二深度图像中的所述拼接缺陷列修正,包括:
判断所述拼接缺陷列对应的某一时刻的所述第二深度图像,与该时刻的前一时刻或该时刻的后一时刻的所述第二深度图像之间,在所述拼接缺陷列左侧N列或又侧N列是否存在重叠,N为预设第一整数。
若判断结果为是,则将重叠部分只拼接一次。
若判断结果为否,则将后一时刻的所述第二深度图像中所述拼接缺陷序列后的L列进行拼接,L为预设第二整数;将前一时刻的所述第二深度图像中所述拼接缺陷序列前的M列进行拼接,M为预设第三整数。
进一步的,所述一种用于动态称重区域车辆装载率和偏载率分析方法中,所述将所述第二深度图像中的所述拼接缺陷列修正后,与所述第二深度图像中的所述正常列进行拼接,得到所述第三深度图像,包括:
将经过修正后的所述拼接缺陷列与所述正常列按照在所述第二深度图像中的顺序进行排列形成列序列,根据所述列序列得到所述第三深度图像。
进一步的,所述一种用于动态称重区域车辆装载率和偏载率分析方法中,所述对所述第一图像进行图像处理得到第二图像,并利用所述第二图像对所述第一深度图像进行处理得到第二深度图像,包括:
进行图像分割,消除所述第一图像中的背景部分得到所述第二图像。
将所述第二图像与所述第一深度图像进行乘法运算,将乘法运算后得到的图像中的车厢部分进行旋转操作,使得车厢部分的两侧平行于水平方向,得到所述第二深度图像。
进一步的,所述一种用于动态称重区域车辆装载率和偏载率分析方法中,所述根据装载货物的重心与车厢中心点之间的距离偏差得到偏载率,包括:
计算载重货物的重心与车厢中心点之间的横向的距离偏差以及计算载重货物的重心与车厢中心点之间的纵向的距离偏差,根据所述横向的距离偏差及纵向的距离偏差得到偏载率;所述横向平行于车厢两侧,所述纵向垂直于车厢的两侧。
相比于现有技术,本发明的有益效果是:利用采集到的图像生成装载货物的三维模型,能够高效且方便的检测装载车辆的装载率及偏载率;对采集到的装载车辆的车厢的深度图像进行拼接及修复,避免因车辆运动造成的深度图像信息缺失,能够得到更为精确的装载率及偏载率;且克服了现有技术得到的拼接图像中部分区域存在错位缺陷的问题,同时提高了图像拼接的效率。
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,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地介绍,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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例1提供的一种用于动态称重区域车辆装载率和偏载率分析方法的流程示意图。
图2是本发明实施例2提供的另一种用于动态称重区域车辆装载率和偏载率分析方法的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。基于本发明中的实施例,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所有其他实施例,都属于本发明保护的范围。
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征;在本实施例的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在煤矿、渣土等运输过程中,需要在保证载重车辆不超重的情况下尽可能提高载重车辆的装载率;同时同一装载率下所装载的货物的重心与车厢中部偏差较大时,会对载重车辆的受力平衡造成不良影响,甚至可能在载重车辆转弯时发生侧翻。
在需要对车辆中货物载重情况进行检测的站点,例如厂区出入关卡、交通道路上的收费关卡,通常配置有用于对车辆载重情况监测的设备或装置,该设备或装置除了对载重车辆的实际重量进行测量避免超载以外,还需检测出装载车辆的装载率和偏载率。
本发明的应用场景为:在厂区出入关卡或道路通行收费关卡,对载重车辆的装载率及偏载率进行检测。
实施例1
本发明实施例1提供了一种用于动态称重区域车辆装载率和偏载率分析方法,如图1所示,包括:
101、获取载重车辆的车厢的体积以及载重车辆不同时刻的车厢的第一图像和第一深度图像。第一图像和第一深度图像均包含载重车辆的车厢顶部。
本实施例中车厢的体积可以利用车上的RFID(Radio FrequencyIdentification,射频识别)获得,也可以通过识别车辆的车牌号从而获得载重车辆的车型数据,进而获得载重车辆的车厢的体积。
RFID原理为阅读器与标签之间进行非接触式的数据通信,达到识别目标的目的。RFID的应用非常广泛,目前典型应用有动物晶片、汽车晶片防盗器、门禁管制、停车场管制、生产线自动化、物料管理。
本实施例中第一图像为RGB图像,RGB色彩模式是工业界的一种颜色标准,是通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色的,RGB即是代表红、绿、蓝三个通道的颜色,这个标准几乎包括了人类视力所能感知的所有颜色,是目前运用最广的颜色系统之一。
本实施例中第一深度图像为深度图像,深度图像中包含目标到图像采集设备之间的距离信息,本实施例中图像采集设备位于限制载重车辆进出的关卡,同时该图像采集设备位于车辆上方,图像采集设备的采集范围可以覆盖车辆的车厢。
102、对所述第一图像进行图像处理得到第二图像,并利用第二图像对不同时刻的第一深度图像进行处理得到不同时刻的第二深度图像。
进行图像分割,消除所述第一图像中的背景部分得到第二图像;本实施例中第二图像中背景部分的像素值为0,车厢部分像素值为1。
图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域,使得这些特征在同一区域内表现出一致性或相似性,而在不同区域间表现出明显的不同。简单的说就是在一副图像中,把目标从背景中分离出来。对于灰度图像来说,区域内部的像素一般具有灰度相似性,而在区域的边界上一般具有灰度不连续性。
将第二图像与第一深度图像进行图像乘法运算,然后对乘法运算后得到的图像中的车厢部分进行旋转操作,使得车厢部分的两侧平行于水平方向,此时得到的图像为第二深度图像,第二深度图像中已经消除背景部分的影响,同时包含载重车辆的车厢内货物的深度信息。
103、对不同时刻的所述第二深度图像进行图像拼接得到第三深度图像。
因图像采集设备在采集深度图像过程中,装载车辆与图像采集设备之间存在相对运动,故采集到的不同时刻的深度图像存在重叠;为获得包含车厢与图像采集设备之间距离信息的完整深度图像,需要对不同时刻采集到的同一辆载重车辆的深度图像进行拼接及修复,从而获得更为精确的深度图像。
104、根据所述第三深度图像得到装载货物的三维模型,并根据所述三维模型得到车厢中货物的体积以及货物的重心。
105、根据所述货物的体积以及所述载重车辆的车厢的体积得到车辆的装载率,并根据所述货物的重心与车厢中心点之间的距离偏差得到偏载率。
装载率指的是车厢中货物的体积与车厢的总体积之间的比例,能够反映车厢的利用率;偏载率指的是车厢中装载的货物的重心与车厢的中心点之间的距离偏差,能够反映货物偏离中心的程度。
相比于现有技术,本发明的有益效果是:利用采集到的图像生成装载货物的三维模型,能够高效且方便的检测装载车辆的装载率及偏载率;对采集到的装载车辆的车厢的深度图像进行拼接及修复,避免因车辆运动造成的深度图像信息缺失,能够得到更为精确的装载率及偏载率;且克服了现有技术得到的拼接图像中部分区域存在错位缺陷的问题,同时提高了图像拼接的效率。
实施例2
本发明实施例2提供了另一种用于动态称重区域车辆装载率和偏载率分析方法,该方法在实施例1所提供的一种用于动态称重区域车辆装载率和偏载率分析方法的基础上,做出了更为详细的说明,如图2所示,包括:
201、获取载重车辆的车厢的体积以及载重车辆不同时刻的车厢的第一图像和第一深度图像;第一图像和第一深度图像均包含载重车辆的车厢顶部。
本实施例中第一深度图像为深度图像,深度图像中包含目标到图像采集设备之间的距离信息,本实施例中图像采集设备位于限制载重车辆进出厂区的关卡,也可位于需要对车辆载重率及偏载率进行检测的位置,同时该图像采集设备位于车辆上方,图像采集设备的采集范围可以覆盖车辆的车厢。
202、对所述第一图像进行图像处理得到第二图像,并利用第二图像对不同时刻的第一深度图像进行处理得到不同时刻的第二深度图像。
进行图像分割,消除第一图像中的背景部分以及第一深度图像中的背景部分。
图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类:基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。从数学角度来看,图像分割是将数字图像划分成互不相交的区域的过程。图像分割的过程也是一个标记过程,即把属于同一区域的像素赋予相同的编号。
本实施例中采用DNN(Deep Neural Networks,深度神经网络)进行图像分割,该DNN为Encoder-Decoder的结构,所用图像为第一图像,具体分割过程如下:
(1)将分为标签车辆的车厢部分和背景两类。该方式为像素级分类,即需要给图像中所有像素标注上对应标签。将属于车辆的像素的值标注为1,将属于背景的像素的值标注为0。
(2)本实施例中所用损失函数为均方差损失函数。
将第一图像经过分割后得到第二图像,将第二图像与第一深度图像进行图像乘法运算,然后对乘法运算后得到的图像中的车厢部分进行旋转操作,使得车厢部分的两侧平行于水平方向,此时得到的图像为第二深度图像,第二深度图像中已经消除背景部分的影响,同时包含载重车辆的车厢内货物的深度信息。
203、对不同时刻的第二深度图像进行图像拼接得到第三深度图像。
因图像采集设备在采集深度图像过程中,图像采集设备的视角有限,且装载车辆与图像采集设备之间存在相对运动,使得单张第二深度图像很难包含整个车辆信息,直接利用该第二深度图像进行分析存在较大误差。
同时采集到的不同时刻的深度图像存在重叠,为了消除误差以得到整个车辆信息,获得包含车厢与图像采集设备之间距离信息的完整深度图像,需要对不同时刻采集到的同一辆载重车辆的深度图像进行拼接及修复,从而获得更为精确及完整的深度图像。
传统拼接方法在拼接图片时存在透视形变,造成拼接得到图像中的部分区域错位,并且传统拼接方法在进行拼接过程中,需要先对特定像素进行描述并根据像素描述完成图像匹配,最后根据图像匹配结果实现图像的拼接,使得整个图像拼接过程效率较低。
本实施例中装载车辆相对于图像采集设备为线性移动的,可以利用车辆与深度图像采集设备之间存在相对运动这一特性,简化图像拼接过程,具体的:利用采集到的深度图像中列的信息实现不同时刻的第二深度图像中所需拼接部分的选取,进而对所需拼接的部分进行拼接,得到包含同一载重车辆的完整深度信息的第三深度图像。
本实施例中203具体包括:2031、2032、2033、2034及2035。
2031、对前一时刻的第二深度图像中的像素值,与后一时刻的第二深度图像中的像素值作差后取绝对值得到差值图像。
该步骤目的为得到能够反映不同时刻得到的第二深度图像的差别的图像,以便后续找到需要进行修复的位置。
2032、对差值图像进行卷积处理及阈值化处理,得到阈值化图像。
本实施例中卷积处理通过将中心坐标像素点与左右相邻的四像素值分别相减,然后将相减的差值进行累加,进行卷积处理的目的在于:将差值图像中与第二深度图像中对应的可能发生阶跃变化的像素值放大。
然后对经过卷积处理的图像进行阈值化处理,预设像素值阈值,当经过卷积处理的图像中像素的像素值大于预设像素值阈值时,将该像素点的像素值设置为1;当经过卷积处理的图像中像素的像素值小于预设像素值阈值或等于预设像素值阈值时,将该像素点的像素值设置为0,经过阈值化处理的图像为阈值化图像。
2033、将阈值化图像中的同一列的像素值组成列像素值序列,并计算列像素值序列的阶跃概率。
对某一所述列像素值序列中全部像素值进行求和得到像素值的和,用所述像素值的和除某一所述列像素值序列中像素值的总个数,得到所述某一列像素值序列的阶跃概率。
2034、判断阶跃概率是否大于预设概率阈值,若判断结果为是,则该列像素值序列对应第二深度图像中的列为拼接缺陷列,否则该列像素值序列对应第二深度图像中的列为正常列。
例如预设概率阈值为0.5时,若某一像素值序列的阶跃概率为0.6时,说明该列像素值序列上60%像素存在阶跃性且超过了预设概率阈值0.5,在第二深度图像中与该列像素值序列所对应的列为拼接缺陷列。
2035、将第二深度图像中的拼接缺陷列修正后,与第二深度图像中的正常列进行拼接,得到第三深度图像。
假设平行于车辆行驶方向的像素集合为行像素,垂直于车辆行驶方向的像素集合为列像素。因而对第二深度图像的拼接过程表现为列像素之间拼接。
判断拼接缺陷列对应的某一时刻的第二深度图像,与该时刻的前一时刻或该时刻的后一时刻的第二深度图像之间,在拼接缺陷列左侧N列或右侧N列是否存在重叠,N为预设第一整数。
若判断结果为是,则将重叠部分只拼接一次。
若判断结果为否,则将后一时刻的第二深度图像中拼接缺陷序列后的L列进行拼接,L为预设第二整数;将前一时刻的第二深度图像中拼接缺陷序列前的M列进行拼接,M为预设第三整数。
例如,对于某一列像素值序列所对应的拼接缺陷列,首先获取包含该拼接缺陷列的某一时刻的第二深度图像、该时刻的前一时刻的第二深度图像以及该时刻的后一时刻第二深度图像。
判断该时刻的前一时刻的第二深度图像中该拼接缺陷列的左侧N列,与该时刻的后一时刻的第二深度图像中该拼接缺陷列的左侧N列是否存在重叠;或者,该时刻的前一时刻的第二深度图像中该拼接缺陷列的左侧N列,与该时刻的后一时刻的第二深度图像中该拼接缺陷列的左侧N列是否存在重叠;或者,该时刻的前一时刻的第二深度图像中该拼接缺陷列的左侧N列,与该时刻的后一时刻的第二深度图像中该拼接缺陷列的右侧N列是否存在重叠;或者,该时刻的前一时刻的第二深度图像中该拼接缺陷列的右侧N列,与该时刻的后一时刻的第二深度图像中该拼接缺陷列的右侧N列是否存在重叠。
当这四个判别条件中的任意一个成立,则在拼接缺陷列存在重叠部分,将存在重叠的部分只需要拼接一次;否则,则后一时刻的第二深度图像中拼接缺陷序列后的L列需要拼接,L为预设第二整数;则前一时刻的第二深度图像中拼接缺陷序列前的M列需要拼接,M为预设第三整数,由此根据拼接缺陷列得到需要拼接的列。
将正常列以及根据拼接缺陷列得到的需要拼接的列,按照两者在第二深度图像中的先后顺序进行拼接得到第三深度图像。
204、根据第三深度图像得到装载货物的三维模型,并根据三维模型得到装载货物的体积以及装载货物的重心。
第三深度图像中深度值为图像采集设备到货物表面的距离,车厢顶部的深度值为D,以深度值的最大的点垂直投影到车厢底部平面的点为原点,以车厢底部为一个平面,以竖直向上的方向为竖轴,以平行于车厢两侧为横轴,垂直于车厢的两侧为纵轴,建立空间直角坐标系。
对于空间直角坐标系中某一点(x,y,z),其深度值为HD(x,y,z),该点对应的货物相对于车厢底部的高度为:H+D-HD(x,y,z),其中H为车厢顶部到车厢底部的距离,D为车厢顶部的深度值;利用空间直角坐标系中货物各表面点到车厢底部的距离生成货物的三维模型,进一步利用三维模型得到车厢中货物的体积S以及货物的重心所在的位置。
本实施例中所装载的货物密度保持一致且密度值为,货物的体积分布即可反映货物的重量分布,不存在局部区域的密度的差异较大的情况,针对不同货物的可以采取不同密度值。
205、根据装载货物的体积以及载重车辆的车厢的体积得到车辆的装载率,并根据装载货物的重心与车厢中心点之间的距离偏差得到偏载率。
本实施例所计算的装载率M为货物体积占车厢体积的比例,且M=S/V,其中S为车厢中货物的体积,V为载重车辆车厢的体积。当装载率超过预设装载率阈值时,该车辆装载率超标。
本实施例中所计算的偏载率为货物总重心的投影偏离车厢重心的距离,包括横向偏载率及纵向偏载率。
获得车厢中心点在204的空间直角坐标系中的坐标,本实施例中车厢中心点指车厢底面对角线的交点,获得货物的重心与车厢中心点沿横向之间的距离|XZ|,则横向偏载率为|XZ|,获得货物的重心与车厢中心点沿纵向之间的距离|YZ|,则纵向偏载率为|YZ|。
当横向偏载率大于预设横向偏载率阈值,或纵向偏载率大于预设纵向偏载率阈值时,该车辆存在偏载现象,需对车辆整改使得偏载率降低,直至横向偏载率不大于预设横向偏载率阈值,且纵向偏载率不大于预设横向偏载率阈值。
相比于现有技术,本实施例的有益效果是:利用采集到的图像生成装载货物的三维模型,能够高效且方便的检测装载车辆的装载率及偏载率;对采集到的装载车辆的车厢的深度图像进行拼接及修复,避免因车辆运动造成的深度图像信息缺失,能够得到更为精确的装载率及偏载率;且克服了现有技术得到的拼接图像中部分区域存在错位缺陷的问题,同时提高了图像拼接的效率。
综上所述,相比于现有技术,本发明的有益效果是:利用采集到的图像生成装载货物的三维模型,能够高效且方便的检测装载车辆的装载率及偏载率;对采集到的装载车辆的车厢的深度图像进行拼接及修复,避免因车辆运动造成的深度图像信息缺失,能够得到更为精确的装载率及偏载率;且克服了现有技术得到的拼接图像中部分区域存在错位缺陷的问题,同时提高了图像拼接的效率。
本发明中涉及诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本发明的方法和系统中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
上述实施例仅仅是为清楚地说明所做的举例,并不构成对本发明的保护范围的限制。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动,这里无需也无法对所有的实施方式予以穷举。凡是与本发明相同或相似的设计均属于本发明的保护范围之内。
Claims (6)
1.一种用于动态称重区域车辆装载率和偏载率分析方法,其特征在于,包括:
获取载重车辆的车厢的体积以及不同时刻的车厢的第一图像和第一深度图像;所述第一图像和所述第一深度图像均包含载重车辆的车厢顶部;
对不同时刻的所述第一图像进行图像处理得到第二图像,并利用所述第二图像对不同时刻的所述第一深度图像进行处理得到不同时刻的所述第二深度图像;
对前一时刻的所述第二深度图像中的像素值,与后一时刻的所述第二深度图像中的像素值作差后取绝对值得到差值图像,对所述差值图像进行卷积处理及阈值化处理,得到阈值化图像,将所述阈值化图像中的同一列像素值组成列像素值序列,计算某一所述列像素值序列的阶跃概率;判断所述阶跃概率是否大于预设概率阈值,若判断结果为是,则该列像素值序列对应所述第二深度图像中的列为拼接缺陷列,否则该列像素值序列对应所述第二深度图像中的列为正常列;将所述第二深度图像中的所述拼接缺陷列修正后,与所述第二深度图像中的所述正常列进行拼接,得到所述第三深度图像;
根据所述第三深度图像得到装载货物的三维模型,并根据所述三维模型得到车厢中货物的体积以及货物的重心;
根据所述货物的体积以及所述载重车辆的车厢的体积得到车辆的装载率,并根据所述货物的重心与车厢中心点之间的距离偏差得到偏载率。
2.根据权利要求1所述一种用于动态称重区域车辆装载率和偏载率分析方法,其特征在于,所述计算所述第一阈值化图像中的某一列像素值序列的阶跃概率,包括:
对某一所述列像素值序列中全部像素值进行求和得到像素值的和,用所述像素值的和除某一所述列像素值序列中像素值的总个数,得到所述某一列像素值序列的阶跃概率。
3.根据权利要求1所述一种用于动态称重区域车辆装载率和偏载率分析方法,其特征在于,所述将所述第二深度图像中的所述拼接缺陷列修正,包括:
判断所述拼接缺陷列对应的某一时刻的所述第二深度图像,与该时刻的前一时刻或该时刻的后一时刻的所述第二深度图像之间,在所述拼接缺陷列左侧N列或又侧N列是否存在重叠,N为预设第一整数;
若判断结果为是,则将重叠部分只拼接一次;
若判断结果为否,则将后一时刻的所述第二深度图像中所述拼接缺陷序列后的L列进行拼接,L为预设第二整数;将前一时刻的所述第二深度图像中所述拼接缺陷序列前的M列进行拼接,M为预设第三整数。
4.根据权利要求3所述一种用于动态称重区域车辆装载率和偏载率分析方法,其特征在于,所述将所述第二深度图像中的所述拼接缺陷列修正后,与所述第二深度图像中的所述正常列进行拼接,得到所述第三深度图像,包括:
将经过修正后的所述拼接缺陷列与所述正常列按照在所述第二深度图像中的顺序进行排列形成列序列,根据所述列序列得到所述第三深度图像。
5.根据权利要求1所述一种用于动态称重区域车辆装载率和偏载率分析方法,其特征在于,所述对所述第一图像进行图像处理得到第二图像,并利用所述第二图像对所述第一深度图像进行处理得到第二深度图像,包括:
进行图像分割,消除所述第一图像中的背景部分得到所述第二图像;
将所述第二图像与所述第一深度图像进行乘法运算,将乘法运算后得到的图像中的车厢部分进行旋转操作,使得车厢部分的两侧平行于水平方向,得到所述第二深度图像。
6.根据权利要求1所述一种用于动态称重区域车辆装载率和偏载率分析方法,其特征在于,所述根据装载货物的重心与车厢中心点之间的距离偏差得到偏载率,包括:
计算载重货物的重心与车厢中心点之间的横向的距离偏差以及计算载重货物的重心与车厢中心点之间的纵向的距离偏差,根据所述横向的距离偏差及纵向的距离偏差得到偏载率;所述横向平行于车厢两侧,所述纵向垂直于车厢的两侧。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111270604.4A CN114022537B (zh) | 2021-10-29 | 2021-10-29 | 一种用于动态称重区域车辆装载率和偏载率分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111270604.4A CN114022537B (zh) | 2021-10-29 | 2021-10-29 | 一种用于动态称重区域车辆装载率和偏载率分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114022537A true CN114022537A (zh) | 2022-02-08 |
CN114022537B CN114022537B (zh) | 2023-05-05 |
Family
ID=80058756
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111270604.4A Active CN114022537B (zh) | 2021-10-29 | 2021-10-29 | 一种用于动态称重区域车辆装载率和偏载率分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114022537B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114897964A (zh) * | 2022-06-06 | 2022-08-12 | 京东科技控股股份有限公司 | 容积测量方法、装置、系统和计算机可读存储介质 |
CN117329971A (zh) * | 2023-12-01 | 2024-01-02 | 海博泰科技(青岛)有限公司 | 一种基于三维激光雷达的车厢平衡检测方法和系统 |
CN117788871A (zh) * | 2023-12-26 | 2024-03-29 | 海南言发高科技有限公司 | 一种基于人工智能的车载称重管理方法及平台 |
CN117893891A (zh) * | 2024-03-11 | 2024-04-16 | 深圳安行致远技术有限公司 | 一种基于机器学习的空间利用率测算方法及系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108898044A (zh) * | 2018-04-13 | 2018-11-27 | 顺丰科技有限公司 | 装载率获取方法、装置、系统及存储介质 |
WO2019161813A1 (zh) * | 2018-02-23 | 2019-08-29 | 清华-伯克利深圳学院筹备办公室 | 动态场景的三维重建方法以及装置和系统、服务器、介质 |
CN110619329A (zh) * | 2019-09-03 | 2019-12-27 | 中国矿业大学 | 基于机载视觉的铁路货运敞车车厢编号及装载状态识别方法 |
DE102018006765A1 (de) * | 2018-08-27 | 2020-02-27 | Daimler Ag | Verfahren und system(e) für das management von frachtfahrzeugen |
CN111383257A (zh) * | 2018-12-29 | 2020-07-07 | 顺丰科技有限公司 | 一种车厢装卸率确定方法和装置 |
CN111415106A (zh) * | 2020-04-29 | 2020-07-14 | 上海东普信息科技有限公司 | 货车装载率识别方法、装置、设备及存储介质 |
CN111583324A (zh) * | 2019-02-19 | 2020-08-25 | 顺丰科技有限公司 | 单目图像深度估测装载率识别方法和装置 |
CN111723703A (zh) * | 2020-06-09 | 2020-09-29 | 杭州古德微机器人有限公司 | 基于树莓派的厢式货车运输管理控制装置及系统 |
CN111723705A (zh) * | 2020-06-09 | 2020-09-29 | 杭州古德微机器人有限公司 | 基于树莓派的厢式货车运输管理控制方法 |
CN112215796A (zh) * | 2020-09-11 | 2021-01-12 | 中国铁道科学研究院集团有限公司 | 一种适用于铁路货运检查的铁路货车车辆图像切割方法 |
CN113129354A (zh) * | 2019-12-30 | 2021-07-16 | 上海际链网络科技有限公司 | 车辆车厢剩余容积的测量方法及测量系统 |
CN113160297A (zh) * | 2021-04-25 | 2021-07-23 | Oppo广东移动通信有限公司 | 图像深度估计方法和装置、电子设备、计算机可读存储介质 |
CN113222970A (zh) * | 2021-05-31 | 2021-08-06 | 中邮信息科技(北京)有限公司 | 一种车辆装载率检测方法、装置、计算机设备和存储介质 |
-
2021
- 2021-10-29 CN CN202111270604.4A patent/CN114022537B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019161813A1 (zh) * | 2018-02-23 | 2019-08-29 | 清华-伯克利深圳学院筹备办公室 | 动态场景的三维重建方法以及装置和系统、服务器、介质 |
CN108898044A (zh) * | 2018-04-13 | 2018-11-27 | 顺丰科技有限公司 | 装载率获取方法、装置、系统及存储介质 |
DE102018006765A1 (de) * | 2018-08-27 | 2020-02-27 | Daimler Ag | Verfahren und system(e) für das management von frachtfahrzeugen |
CN111383257A (zh) * | 2018-12-29 | 2020-07-07 | 顺丰科技有限公司 | 一种车厢装卸率确定方法和装置 |
CN111583324A (zh) * | 2019-02-19 | 2020-08-25 | 顺丰科技有限公司 | 单目图像深度估测装载率识别方法和装置 |
CN110619329A (zh) * | 2019-09-03 | 2019-12-27 | 中国矿业大学 | 基于机载视觉的铁路货运敞车车厢编号及装载状态识别方法 |
CN113129354A (zh) * | 2019-12-30 | 2021-07-16 | 上海际链网络科技有限公司 | 车辆车厢剩余容积的测量方法及测量系统 |
CN111415106A (zh) * | 2020-04-29 | 2020-07-14 | 上海东普信息科技有限公司 | 货车装载率识别方法、装置、设备及存储介质 |
CN111723703A (zh) * | 2020-06-09 | 2020-09-29 | 杭州古德微机器人有限公司 | 基于树莓派的厢式货车运输管理控制装置及系统 |
CN111723705A (zh) * | 2020-06-09 | 2020-09-29 | 杭州古德微机器人有限公司 | 基于树莓派的厢式货车运输管理控制方法 |
CN112215796A (zh) * | 2020-09-11 | 2021-01-12 | 中国铁道科学研究院集团有限公司 | 一种适用于铁路货运检查的铁路货车车辆图像切割方法 |
CN113160297A (zh) * | 2021-04-25 | 2021-07-23 | Oppo广东移动通信有限公司 | 图像深度估计方法和装置、电子设备、计算机可读存储介质 |
CN113222970A (zh) * | 2021-05-31 | 2021-08-06 | 中邮信息科技(北京)有限公司 | 一种车辆装载率检测方法、装置、计算机设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
张萼辉;: "铁路货车装载状态图像智能识别系统", 中国铁路 * |
朱向;向延平;: "多车多件货物平衡装载优化研究", 工业工程 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114897964A (zh) * | 2022-06-06 | 2022-08-12 | 京东科技控股股份有限公司 | 容积测量方法、装置、系统和计算机可读存储介质 |
CN117329971A (zh) * | 2023-12-01 | 2024-01-02 | 海博泰科技(青岛)有限公司 | 一种基于三维激光雷达的车厢平衡检测方法和系统 |
CN117329971B (zh) * | 2023-12-01 | 2024-02-27 | 海博泰科技(青岛)有限公司 | 一种基于三维激光雷达的车厢平衡检测方法和系统 |
CN117788871A (zh) * | 2023-12-26 | 2024-03-29 | 海南言发高科技有限公司 | 一种基于人工智能的车载称重管理方法及平台 |
CN117893891A (zh) * | 2024-03-11 | 2024-04-16 | 深圳安行致远技术有限公司 | 一种基于机器学习的空间利用率测算方法及系统 |
CN117893891B (zh) * | 2024-03-11 | 2024-05-17 | 深圳安行致远技术有限公司 | 一种基于机器学习的空间利用率测算方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114022537B (zh) | 2023-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114022537B (zh) | 一种用于动态称重区域车辆装载率和偏载率分析方法 | |
CN113516660B (zh) | 适用于列车的视觉定位与缺陷检测方法和装置 | |
Mi et al. | Research on regional clustering and two-stage SVM method for container truck recognition | |
US20210342606A1 (en) | Parking Detection Method, System, Processing Device and Storage Medium | |
CN102073846B (zh) | 基于航拍图像的交通信息获取方法 | |
CN113469871A (zh) | 基于三维激光的车厢可装载空间检测方法和装置 | |
CN109642792A (zh) | 用于检查机动车辆的装置、方法和计算机程序产品 | |
CN111814739B (zh) | 快递包裹体积的检测方法、装置、设备及存储介质 | |
CN113781537B (zh) | 一种轨道弹条扣件缺陷识别方法、装置和计算机设备 | |
CN117492026A (zh) | 结合激光雷达扫描的铁路货车装载状态检测方法及系统 | |
CN115641555B (zh) | 一种基于ai视觉的货车超载超限预警方法 | |
CN111767780A (zh) | 一种ai与视觉结合的智能集卡定位方法和系统 | |
CN111523415A (zh) | 一种基于图像的两客一危车辆检测方法和装置 | |
CN110415221B (zh) | 一种基于图像特征点匹配的集装箱卡车防吊起自动检测方法 | |
CN112278891A (zh) | 一种车厢内部姿态检测方法 | |
CN114648233A (zh) | 一种动态工位货物搬运方法和系统 | |
CN111582778B (zh) | 操作场地货物堆积度量方法、装置、设备及存储介质 | |
CN109978879B (zh) | 基于铁路货车装载视频监视的箱角入槽状态检测方法 | |
CN116718134A (zh) | 列车车体破损状态检测方法、装置、计算机和存储介质 | |
CN115631329A (zh) | 一种用于开放式车厢的装载控制方法、系统和存储介质 | |
CN117237835A (zh) | 一种基于yolov7的货架安全自动检测方法及装置 | |
CN115930791A (zh) | 一种多模态数据的集装箱货物位置与尺寸检测方法 | |
CN114399671A (zh) | 目标识别方法及装置 | |
CN114299282A (zh) | 一种自动化码头集装箱的箱型识别系统及其方法 | |
CN114187583A (zh) | 一种用于集装箱、平板车装车组合标识的快速识别方法 |
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 |