CN114067295A - 一种车辆装载率的确定方法、装置及车辆管理系统 - Google Patents

一种车辆装载率的确定方法、装置及车辆管理系统 Download PDF

Info

Publication number
CN114067295A
CN114067295A CN202111372264.6A CN202111372264A CN114067295A CN 114067295 A CN114067295 A CN 114067295A CN 202111372264 A CN202111372264 A CN 202111372264A CN 114067295 A CN114067295 A CN 114067295A
Authority
CN
China
Prior art keywords
vehicle
platform
image
state
information
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
CN202111372264.6A
Other languages
English (en)
Inventor
吕铄
蒋姚亮
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.)
Shanghai Goldway Intelligent Transportation System Co Ltd
Original Assignee
Shanghai Goldway Intelligent Transportation System Co 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 Shanghai Goldway Intelligent Transportation System Co Ltd filed Critical Shanghai Goldway Intelligent Transportation System Co Ltd
Priority to CN202111372264.6A priority Critical patent/CN114067295A/zh
Publication of CN114067295A publication Critical patent/CN114067295A/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
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G06Q10/0833—Tracking
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Geometry (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明实施例提供了一种车辆装载率的确定方法、装置及车辆管理系统，方法包括：获取装载货物的车辆的车厢图像，其中，车厢图像为图像采集设备由车辆的车尾朝向车厢内部采集的图像；将车厢图像输入深度估计模型，通过单目深度估计，获得车辆的货物面到图像采集设备的距离；基于货物面到图像采集设备的距离，确定车辆的装载率。通过深度估计模型进行单目深度估计，从而确定车辆的货物面到图像采集设备的距离，进而可以基于货物面到图像采集设备的距离确定车辆的装载率，由于采用单目深度估计无须架设复杂的深度信息采集设备，所以可以低成本且准确地获取车辆的装载率。

Description

一种车辆装载率的确定方法、装置及车辆管理系统
技术领域
本发明涉及物流管理技术领域，特别是涉及一种车辆装载率的确定方法、装置及车辆管理系统。
背景技术
月台作为车辆装卸货的场地，是货物流转中不可缺少的重要部分。月台的可视化、数字化管理成为智慧物流园建设中的重点，其中一个重要的数据就是车辆在装卸货过程中的装载率的确定。随着深度学习和视频图像处理技术的快速发展，用户对实时获取车辆的装载率提出了更高的要求。
物流园区常用的确定车辆的装载率的方案包括双目视觉、多维度激光扫描、超声波探头等，这些方案大多基于外设深度传感器获取深度信息，进而通过货物面到深度传感器的距离计算车辆的装载率。
由于深度传感器价格较高，这些方案成本很高，可推广性差。单目相机计算像素交并比的方案成本较低，但准确性差，无法满足使用需求。所以，亟需一种低成本且能够准确获取车辆装载率的方法。
发明内容
本发明实施例的目的在于提供一种车辆装载率的确定方法、装置、车辆管理系统、电子设备及存储介质，以低成本且准确获取车辆的装载率。具体技术方案如下：
第一方面，本发明实施例提供了一种车辆装载率的确定方法，所述方法包括：
获取装载货物的车辆的车厢图像，其中，所述车厢图像为图像采集设备由所述车辆的车尾朝向车厢内部采集的图像；
将所述车厢图像输入深度估计模型，通过单目深度估计，获得所述车辆的货物面到所述图像采集设备的距离；
基于所述货物面到所述图像采集设备的距离，确定所述车辆的装载率。
可选的，所述基于所述货物面到所述图像采集设备的距离，确定所述车辆的装载率的步骤，包括：
基于所述货物面到所述图像采集设备的距离，采用积分算法获得所述车厢的空余体积；
根据所述车厢的容积以及所述空余体积，计算得到所述车厢的装载率。
可选的，所述方法还包括：
获取所述车辆停靠的月台的月台图像；
对所述月台图像进行人员识别，确定所述月台图像包括的作业人员的数量；
根据所述车厢的装载率、作业时长以及所述数量，计算得到所述车辆的装载作业效率。
可选的，所述方法还包括：
获取所述车辆在目标状态下的多张车辆图像，其中，所述目标状态包括进入月台和/或驶出月台；
对所述车辆图像进行车辆检测，确定所述车辆的运动轨迹；
基于所述运动轨迹以及所述月台的停车位的占用状态，确定所述车辆的出入信息。
可选的，所述对所述车辆图像进行车辆检测，确定所述车辆的运动轨迹的步骤，包括：
对所述车辆图像进行车辆识别，获得多个车辆目标识别结果，其中，所述车辆目标识别结果包括车辆位置；
对所述车辆图像进行车牌识别，获得多个车牌目标识别结果；
将所述车辆目标识别结果与所述车牌目标识别结果进行关联匹配，得到检测结果队列；
基于所述检测结果队列中相匹配的车辆目标识别结果与车牌目标识别结果所对应的采集时间和车辆位置，确定所述车辆的运动轨迹。
可选的，所述目标状态为进入月台；
所述基于所述运动轨迹以及所述月台的停车位的占用状态，确定所述车辆的出入信息的步骤，包括：
获取所述月台的停车位的占用状态，并判断所述运动轨迹是否消失；
如果所述运动轨迹消失且所述月台的停车位的占用状态由空闲变为占用，确定所述车辆的出入信息为正常入车；
如果所述运动轨迹消失且所述月台的停车位的占用状态保持空闲，确定所述车辆的出入信息为异常入车；
如果所述运动轨迹消失且所述月台的停车位的占用状态保持占用，在所述停车位的原始占用状态为遮挡状态时，确定所述车辆的出入信息为正常入车；
如果所述运动轨迹消失且所述月台的停车位的占用状态保持占用，在所述停车位的原始占用状态为已有车辆状态时，确定所述车辆的出入信息为异常入车。
可选的，所述目标状态为驶出月台；
所述基于所述运动轨迹以及所述月台的停车位的占用状态，确定所述车辆的出入信息的步骤，包括：
获取所述月台的停车位的占用状态，并判断所述运动轨迹是否消失；
如果所述运动轨迹消失且所述月台的停车位的占用状态由占用变为空闲，确定所述车辆的出入信息为正常出车；
如果所述运动轨迹消失且所述月台的停车位的占用状态保持占用，确定所述车辆的出入信息为异常出车。
可选的，所述方法还包括：
对所述车辆图像进行车门检测，确定所述车辆的车厢的厢门的开关状态；
如果所述目标状态为进入月台，且所述开关状态为关闭状态，输出第一厢门异常信息；
如果所述目标状态为驶出月台，且所述开关状态为开启状态，输出第二厢门异常信息。
可选的，所述方法还包括以下至少一个步骤：
如果所述目标状态为进入月台，对所述车辆图像进行行人检测，若所述车辆图像的倒车区域内包括行人，输出第一报警信息；或，
如果所述目标状态为进入月台，对所述车辆图像进行车辆位置检测，若所述车辆的车辆位置不符合停车位置，输出第二报警信息；或，
如果所述目标状态为驶出月台，且所述车厢的装载率小于预设阈值，输出第三报警信息。
第二方面，本发明实施例提供了一种车辆装载率的确定装置，所述装置包括：
车厢图像获取模块，用于获取装载货物的车辆的车厢图像，其中，所述车厢图像为图像采集设备由所述车辆的车尾朝向车厢内部采集的图像；
距离计算模块，用于将所述车厢图像输入深度估计模型，通过单目深度估计，获得所述车辆的货物面到所述图像采集设备的距离；
装载率确定模块，用于基于所述货物面到所述图像采集设备的距离，确定所述车辆的装载率。
第三方面，本发明实施例提供了一种车辆管理系统，所述系统包括图像采集设备和集成管理平台，其中：
所述图像采集设备，用于执行上述第一方面任一所述的方法步骤；
所述集成管理平台，用于获取所述图像采集设备上报的月台信息，其中，所述月台信息包括图像信息、车辆信息、停车位的占用状态、报警信息中的至少一种。
可选的，所述系统还包括月台管理平台；
所述月台管理平台，用于获取所述集成管理平台存储的月台信息以及预约系统发送的停车位预约信息，并基于所述月台信息和所述预约信息完成停车位预约。
可选的，所述系统还包括显示屏；
所述月台管理平台，还用于基于所述停车位预约信息、所述车辆信息以及停车位的占用状态，控制所述显示屏在电子地图中显示月台状态。
可选的，所述系统还包括补光灯；
所述集成管理平台，还用于基于环境光强度控制所述补光灯为所述图像采集设备进行补光。
第四方面，本发明实施例提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述第一方面任一所述的方法步骤。
第五方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面任一所述的方法步骤。
本发明实施例有益效果：
本发明实施例提供的方案中，电子设备可以获取装载货物的车辆的车厢图像，其中，车厢图像为图像采集设备由车辆的车尾朝向车厢内部采集的图像；并将车厢图像输入深度估计模型，通过单目深度估计，电子设备可以获得车辆的货物面到图像采集设备的距离；电子设备还可以基于货物面到图像采集设备的距离，确定车辆的装载率。电子设备可以通过深度估计模型进行单目深度估计，从而确定车辆的货物面到图像采集设备的距离，进而可以基于货物面到图像采集设备的距离确定车辆的装载率，由于采用单目深度估计无须架设复杂的深度信息采集设备，所以可以低成本且准确地获取车辆的装载率。
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，还可以根据这些附图获得其他的实施例。
图1为本发明实施例所提供的一种车辆装载率的确定方法的流程图；
图2为基于图1所示实施例的图像采集设备安装位置的一种示意图；
图3为基于图1所示实施例的图像采集设备获取的车厢内部货物的图像的一种示意图；
图4(a)为基于图1所示实施例的车厢图像的一种示意图；
图4(b)为基于图1所示实施例的车厢的货物面的深度图的一种示意图；
图5为图1所示实施例中步骤S103的一种具体流程图；
图6为基于图1所示实施例的计算装载作业效率的方法的一种流程图；
图7为基于图1所示实施例的确定车辆的装载率和统计工作状态及效率的一种流程图；
图8为基于图1所示实施例的确定车辆的出入信息的方法的一种流程图；
图9为基于图1所示实施例的车辆进入月台的过程的一种示意图；
图10为图8所示实施例中步骤S802的一种具体流程图；
图11为图8所示实施例中步骤S803的一种具体流程图；
图12为图8所示实施例中步骤S803的另一种具体流程图；
图13为基于图8所示实施例的输出厢门异常信息的方法的一种流程图；
图14为基于图1所示实施例的车辆的装载率的确定方法的一种具体流程图；
图15为本发明实施例所提供的一种车辆装载率的确定装置的结构示意图；
图16为本发明实施例所提供的一种车辆管理系统的一种示意图；
图17为本发明实施例所提供的一种车辆管理系统的另一种示意图；
图18为本发明实施例所提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员基于本发明所获得的所有其他实施例，都属于本发明保护的范围。
为了低成本且准确地获取车辆的装载率，本发明实施例提供了一种车辆装载率的确定方法、装置、车辆管理系统、图像采集设备、计算机可读存储介质以及计算机程序产品，下面首先对本发明实施例所提供的一种车辆装载率的确定方法进行介绍。
本发明实施例所提供的车辆装载率的确定方法可以应用于任意需要进行车辆装载率确定的电子设备，例如，可以为月台处架设的摄像机、物流园区的服务器、信息管理设备等，在此不做具体限定。为了描述清楚，后续称为电子设备。
如图1所示，一种车辆装载率的确定方法，所述方法包括：
S101，获取装载货物的车辆的车厢图像；
其中，所述车厢图像为图像采集设备由所述车辆的车尾朝向车厢内部采集的图像。
S102，将所述车厢图像输入深度估计模型，通过单目深度估计，获得所述车辆的货物面到所述图像采集设备的距离。
S103，基于所述货物面到所述图像采集设备的距离，确定所述车辆的装载率。
可见，本发明实施例提供的方案中，电子设备可以获取装载货物的车辆的车厢图像，其中，车厢图像为图像采集设备由车辆的车尾朝向车厢内部采集的图像；并将车厢图像输入深度估计模型，通过单目深度估计，电子设备可以获得车辆的货物面到图像采集设备的距离；电子设备还可以基于货物面到图像采集设备的距离，确定车辆的装载率。电子设备可以通过深度估计模型进行单目深度估计，从而确定车辆的货物面到图像采集设备的距离，进而可以基于货物面到图像采集设备的距离确定车辆的装载率，由于采用单目深度估计无须架设复杂的深度信息采集设备，所以可以低成本且准确地获取车辆的装载率。
月台作为车辆装卸货的场地，是货物流转中不可缺少的重要部分。月台的可视化、数字化管理成为智慧物流园建设中的重点，其中一个重要的数据就是车辆在装卸货过程中的装载率的确定。为了提高月台运营效率、降低车辆运转成本，用户对实时获取车辆的装载率提出了更高的要求。
月台通常在物流园区的仓库之外，对应设置至少一个车位。为了对月台进行可视化管理，获取车辆相关信息，月台所在场景中安装有图像采集设备，图像采集设备可安装在月台与仓库最顶端的位置，这样，图像采集设备的视角较好，可获取到包括车牌、车位信息等的图像。如图2所示，图像采集设备201具体可以为IPC(Internet Protocol Camera网络摄像机)，IPC安装在月台和仓库顶端的位置。这样，在车辆装载货物的过程中，IPC可以拍摄到车厢内部货物的图像，例如，如图3所示。
在货物装载过程中，为了能够准确确定车辆的装载率，在上述步骤S101中，电子设备可以获取装载货物的车辆的车厢图像，其中，车厢图像为图像采集设备由车辆的车尾朝向车厢内部采集的图像，例如，可以为图像采集设备从如图2所示的视角采集的车厢图像。
接下来，电子设备可以将获取的车厢图像输入深度估计模型，以通过单目深度估计来获得车辆的货物面到图像采集设备的距离，也就是执行上述步骤S102。
深度估计模型可以是预先训练完成的卷积神经网络、循环神经网络等深度学习模型，在此不做具体限定。在训练该深度估计模型时，通过采集货物装卸量不同的多张车厢图像，作为样本图像，并对样本图像中的货物面进行深度标定，得到每个样本图像对应的标签，将样本图像输入深度估计模型，深度估计模型基于当前参数对样本图像进行特征提取，基于提取的特征确定货物面到图像采集设备的距离，作为预测结果，并输出预测结果。进而，根据样本图像对应的标签和预测结果之间的差异不断调整深度估计模型的参数，直到深度估计模型收敛，完成训练。此时的深度估计模型输出的货物面到所述图像采集设备的距离是准确的，可以达到实际需求的准确度。
这样，将车辆的车厢图像输入该深度估计模型，该深度估计模型便可以提取该车厢图像的特征，进而基于该特征确定货物面到图像采集设备的距离，并输出该距离。
例如，将如图4(a)所示的车厢图像410输入深度估计模型后，深度估计模型可以提取车厢图像410的特征，进而基于该特征确定车厢图像410中货物面到图像采集设备的距离，例如，图4(b)所示的货物面的深度示意图420。
确定了货物面到图像采集设备的距离，在上述步骤S103中，电子设备可以基于货物面到图像采集设备的距离，确定车辆的装载率。在一种实施方式中，电子设备获得车辆的货物面到图像采集设备的距离后，可以通过积分算法，计算得到车辆的车厢中未装货区域的体积，进而确定车辆的装载率。
采用本发明实施例所提供的方案中，电子设备可以获取装载货物的车辆的车厢图像，通过单目深度估计，使用深度估计模型获得车辆的货物面到图像采集设备的距离，并由此确定车辆的装载率。此方案无需使用深度传感器，降低了使用成本，增强了可推广性。使用深度估计模型获得的深度准确性高，从而可以准确获取车辆的装载率。
作为本发明实施例的一种实施方式，如图5所示，上述基于所述货物面到所述图像采集设备的距离，确定所述车辆的装载率的步骤，可以包括：
S501，基于所述货物面到所述图像采集设备的距离，采用积分算法获得所述车厢的空余体积。
电子设备获得车辆的货物面到图像采集设备的距离后，在该车辆的车厢的长宽高数据已知的情况下，可以进行积分计算，得到车厢未装货区域的体积，即为车厢的空余体积。在一种实施方式中，货物是按照从下往上的方向在车厢内堆积的，车厢内的货物的上表面就形成了货物面。以车辆的货物面形成的空间曲面为顶，以该曲面在车厢顶部所在的平面的投影为底，形成的曲顶柱体的体积即为车厢的空余体积。具体来说，可以以车厢顶部的四个顶点中的任一点为坐标原点，以车厢的宽度方向为X轴方向，以车厢的高度方向为Y轴方向，以车厢的长度方向为Z轴方向，建立空间直角坐标系，电子设备可以基于车辆的货物面到图像采集设备的距离得到货物面的三维曲面，即为曲面y＝f(x,z)。电子设备还可以得到车厢顶部所在的平面，即XOZ平面，货物面投影到车厢顶部平面，投影范围就是整个车厢顶部平面，所以曲面y＝f(x,z)在XOZ平面的投影为区域D，D为
Figure BDA0003362740440000101
其中x0为车厢的宽度，z0为车厢的长度。通过计算货物面的三维曲面到车厢顶部所在的平面的二重积分，也就是计算∫∫Df(x,z)dxdz，得到的积分值为车厢的空余体积。
S502，根据所述车厢的容积以及所述空余体积，计算得到所述车厢的装载率。
如果已知该车辆的车厢的长宽高数据，可以计算出该车厢的容积。其中，车厢的容积可以是生产该车厢时已确定并标明的；也可以通过已知的车厢的长宽高数据，计算长宽高数据的的乘积作为车厢的容积。电子设备获得车厢的空余体积后，就可以基于空余体积和车厢的容积，计算出车厢的容积与空余体积的差值，并计算该差值与车厢的容积的比值，作为车厢的装载率。例如，已知该车辆的车厢标明的长为4.2米，宽为1.9米，高为1.8米，容积为14立方米，或者测量该车辆的车厢的长为4.2米，宽为1.9米，高为1.8米，可以计算得出该车辆的车厢容积为4.2×1.9×1.8＝14.365立方米，约为14立方米。以车厢顶部的四个顶点中的其中一个点为坐标原点，以车厢的宽度方向为X轴方向，以车厢的高度方向为Y轴方向，以车厢的长度方向为Z轴方向，建立空间直角坐标系，车辆的货物面在此空间直角坐标系中可以表示为曲面y＝f(x,z)，曲面y＝f(x,z)在XOZ平面的投影为区域D，D为
Figure BDA0003362740440000102
这样，就可以计算出∫∫Df(x,z)dxdz的值。假设电子设备通过该积分计算得到车厢的空余体积为4.2立方米，这样，就可以计算出车厢的装载率为
Figure BDA0003362740440000103
该车厢的装载率为70％。
在该车辆的车厢的长宽高数据未知的情况下，电子设备难以准确计算出车厢的空余体积，可以输出货物面到图像采集设备的距离，方便实时检测货物面到图像采集设备的距离变化。
可见，在本实施例中，电子设备可以基于货物面到图像采集设备的距离，在已知车厢的长宽高数据时，可以通过积分获得车厢的空余体积，并计算得到车厢的装载率。这样，电子设备可以低成本且准确地获取车辆的装载率。
作为本发明实施例的一种实施方式，如图6所示，上述方法还可以包括：
S601，获取所述车辆停靠的月台的月台图像。
装载货物的车辆进入或驶出月台时，图像采集设备可以实时采集图像，一种情况下，采集的图像就是车厢图像，电子设备可以基于该图像得到车辆的装载率；另一种情况下，图像采集设备可以采集月台区域的图像，该图像包括月台的停车位、待停靠的车辆、月台的作业人员、货物等。这样，电子设备就可以获取车辆停靠的月台的月台图像。
S602，对所述月台图像进行人员识别，确定所述月台图像包括的作业人员的数量。
为了确定作业人员的数量，电子设备可以对月台图像进行人员识别，例如，可以采用深度学习模型对月台图像进行人员识别，从而确定月台图像中包括的作业人员的数量。其中，该深度学习模型可以为任意能够对图像中的人员进行识别的模型，在此不做具体限定。
在一种实施方式中，电子设备可以将连续多帧月台图像输入该深度学习模型，该深度学习模型可以对月台图像中的作业人员进行运动检测，确定正在进行装卸货操作的作业人员的数量，从而可以更加准确地确定月台图像包括的作业人员的数量。
S603，根据所述车厢的装载率、作业时长以及所述数量，计算得到所述车辆的装载作业效率。
电子设备可以获取装卸货操作的开始时间和结束时间，结合开始时间和结束时间得到作业时长。在一种实施方式中，装卸货操作开始后，车厢的装载率发生变化，电子设备可以记录该时间为开始时间；装卸货操作完成后，装载率不再发生变化，电子设备可以记录该时间为结束时间；开始时间和结束时间的差值即为装卸货的作业时间。电子设备还可以获取装卸货操作的某一段时间内的装载率的变化，并基于装载率的变化、该时间段的时长和作业人员的数量，计算该时间段的装载作业效率。
结合车厢的装载率的变化、装卸货的作业时长以及作业人员的数量，电子设备可以计算得到车辆的装载作业效率。先计算装卸货的作业时长内装载率最大值与装载率最小值的差值，再计算装卸货的作业时长与作业人员的数量的乘积，最后计算该差值与该乘积的比值，作为车辆的装载作业效率。例如，装卸货的作业时长为5分钟，作业人员的数量为4人，在此作业时长，车厢的装载率由5％变为90％，可以计算得到装载作业效率为
Figure BDA0003362740440000121
即为每人每分钟的装载量为车厢容积的4.25％。
可见，在本实施例中，电子设备可以获取车辆停靠的月台的月台图像，从而得到作业人员的数量，并结合车厢的装载率和作业时长，得到车辆的装载作业效率。这样，可以统计月台作业人员的工作效率，并判断作业人员的作业状态和装载规范性，便于对物流作业过程中月台的管理。
在一种实施方式中，电子设备可以基于基于深度学习算法，通过单目深度估计、图像检测分割、目标分类等网络实现计算车辆装载率和统计工作状态及效率。确定车辆的装载率和统计工作状态及效率的流程如图7所示，包括：
S701，ROI(Regions Of Interest感兴趣区域)确定；
将车辆所在区域作为ROI，作为单目深度估计及图像检测分割、目标分类等网络的输入。
S702，单目深度估计；
通过深度估计模型进行单目深度估计。
S703，分割货物面并估算距离；
从车厢图像中分割出货物面，并估算货物面到图像采集设备的距离。
S704，计算装载率；
通过积分计算车厢的空余体积和装载率。
S705，目标检测；
对月台图像进行人员识别。
S706，检测作业人员；
确定月台图像中的作业人员的数量和作业时长。
S707，统计工作状态及效率；
根据车厢的装载率、作业时长以及数量，计算得到车辆的装载作业效率。
S708，输出装载率、工作状态及效率；
输出计算的车辆的装载率和统计的工作状态及效率。
可见，在本实施例中，电子设备可以低成本且准确地获取车辆装载率，电子设备还可以基于作业人员的数量，并结合车厢的装载率和作业时长得到车辆的装载作业效率。可以统计月台作业人员的工作效率，判断作业人员的作业状态和装载规范性，便于对物流作业过程中月台的管理。
作为本发明实施例的一种实施方式，如图8所示，上述方法还可以包括：
S801，获取所述车辆在目标状态下的多张车辆图像；
为了能够对车辆进行完善的管理，电子设备还可以获取车辆在目标状态下的多张车辆图像，其中，目标状态可以包括进入月台和/或驶出月台。例如，车辆进入月台的过程，如图9所示，车辆为货车，包括厢门可开关的车厢，在进入月台前，需要打开车厢的厢门，将车尾朝向月台，驶入月台的待停靠的车位中。
在车辆在进入月台和/或驶出月台的过程中，车辆的尾部朝向月台，电子设备可以清楚地识别车辆和其车牌，图像采集设备可以连续拍摄多张车辆图像。这样，电子设备可以获取车辆在目标状态下的多张车辆图像。
S802，对所述车辆图像进行车辆检测，确定所述车辆的运动轨迹。
为了确定车辆的运动轨迹，电子设备可以对多张车辆图像进行车辆检测，例如，可以采用深度学习模型对多张车辆图像进行车辆检测，从而确定多张车辆图像中的车辆位置。其中，该深度学习模型可以为任意能够对图像中的车辆进行识别的模型，在此不做具体限定。随着车辆的运动，车辆图像中车辆的位置不断发生变化，结合多张图像中车辆的位置变化，电子设备可以确定该车辆的运动轨迹。车辆的运动轨迹可以为车辆进入月台后消失或者车辆驶出月台后消失。
在一种实施方式中，电子设备可以将预先收集不同时间段、不同天气、不同场景的多个车辆图片样本输入深度学习模型，并进行适当的裁剪、定点化，对该模型进行大小、耗时优化，从而达到实时车辆检测的要求。该深度学习模型可以对车辆图像中的车辆进行运动检测，确定车辆的运动轨迹。
S803，基于所述运动轨迹以及所述月台的停车位的占用状态，确定所述车辆的出入信息。
在一种实施方式中，图像采集设备采集该停车位的图像，电子设备可以对该图像进行停车位检测，可以采用深度学习模型对图像中的停车位区域内进行车辆检测，判断该区域内是否有车辆，以确定该停车位是否有车辆停靠，并记录停车位的占用状态，例如，停车位的占用状态具体可以为“占用”、“空闲”、“遮挡”等，在此不做限定。如果检测到有车辆停靠，电子设备还可以记录该停车位上车辆停靠时间和车辆驶离时间。
电子设备检测到车辆的运动轨迹前，说明当前没有车辆出入车动作，可以记录停车位的占用状态为原始占用状态；当检测到车辆的运动轨迹，说明有车辆正在进入或驶出月台；在检测该运动轨迹消失后，说明该车辆的出入车动作已经完成，可以记录停车位的占用状态为当前占用状态。这样，电子设备可以基于停车位的原始占用状态、车辆的运动轨迹、停车位的当前占用状态，判断车辆的出入车过程是否正常，并以此确定车辆的出入信息。例如，车辆的出入信息可以为“正常出车”“正常入车”“异常出车”“异常入车”等，在此不做限定。
可见，在本实施例中，电子设备可以获取车辆在目标状态下的多张车辆图像，并由此确定车辆的运动轨迹，基于运动轨迹以及月台的停车位的占用状态，电子设备可以确定车辆的出入信息。这样，电子设备可以及时准确地更新车辆的出入信息。
作为本发明实施例的一种实施方式，如图10所示，上述对所述车辆图像进行车辆检测，确定所述车辆的运动轨迹的步骤，可以包括：
S1001，对所述车辆图像进行车辆识别，获得多个车辆目标识别结果；
其中，所述车辆目标识别结果包括车辆位置。
通过深度学习网络模型，对多张车辆图像进行车辆识别。电子设备可以获得多个车辆目标识别结果，该车辆目标识别结果包括车辆位置。多张车辆图像可以识别得到多个车辆目标识别结果，电子设备可以建立车辆目标识别结果的目标队列，该队列中每个车辆目标识别结果对应一个车辆位置。
S1002，对所述车辆图像进行车牌识别，获得多个车牌目标识别结果。
通过深度学习网络模型，对多张车辆图像进行车牌识别。在一种实施方式中，基于车牌定位、字符分割、字符识别等方法，包括但不限于attention(注意力机制)、CTC(Connectionist Temporal Classification基于神经网络的时序类分类)等技术手段，电子设备可以获得多个车牌目标识别结果。电子设备还可以通过结合匹配的多帧相邻车牌结果，统计出一个置信度最高的车牌结果，作为车牌目标识别结果输出。例如，前5帧车辆图像中识别到车牌信息均为“12345”，当前帧识别到的车牌信息为“12346”，则可以根据多帧统计信息，确定当前帧实际输出的车牌号为“12345”。采用多帧牌选的方案可以有效降低车牌识别错误概率，提高整个取证结果的有效性。
多张车辆图像可以识别得到多个车辆目标识别结果，电子设备还可以建立车牌目标识别结果的目标队列，该队列中每个车牌目标识别结果对应一个车牌信息。
S1003，将所述车辆目标识别结果与所述车牌目标识别结果进行关联匹配，得到检测结果队列。
电子设备可以将车辆目标识别结果的目标队列与车牌目标识别结果的目标队列进行关联匹配，从而确定相匹配的车辆目标识别结果和车牌目标识别结果，得到检测结果队列。
S1004，基于所述检测结果队列中相匹配的车辆目标识别结果与车牌目标识别结果所对应的采集时间和车辆位置，确定所述车辆的运动轨迹。
检测结果队列中包括相匹配的车辆目标识别结果与车牌目标识别结果，该多个相匹配的车辆目标识别结果与车牌目标识别结果对应的车辆位置不相同，对应的采集时间也不相同。电子设备可以基于采集时间和车辆位置，确定车辆的运动轨迹。例如：电子设备可以将该多个相匹配的车辆目标识别结果与车牌目标识别结果按照时间先后顺序排列，并提取车辆目标识别结果中的车辆位置信息，这样，电子设备就获得了按照时间先后顺序排列的车辆位置变化，从而确定车辆的运动轨迹。
可见，在本实施例中，电子设备可以将车辆目标识别结果与车牌目标识别结果进行关联匹配，从而确定车辆的运动轨迹。避免了因检测丢失导致目标跟丢的问题。
作为本发明实施例的一种实施方式，针对目标状态为进入月台的情况，如图11所示，上述基于所述运动轨迹以及所述月台的停车位的占用状态，确定所述车辆的出入信息的步骤，可以包括：
S1101，获取所述月台的停车位的占用状态，并判断所述运动轨迹是否消失，如果所述运动轨迹消失且所述月台的停车位的占用状态由空闲变为占用，执行步骤S1102；如果所述运动轨迹消失且所述月台的停车位的占用状态保持空闲，执行步骤S1103；如果所述运动轨迹消失且所述月台的停车位的占用状态保持占用，执行步骤S1104；如果所述运动轨迹消失且所述月台的停车位的占用状态保持占用，执行步骤S1105；
在车辆进入月台过程中，如果运动轨迹消失，说明可能车辆已经从月台外进入月台，并完成了停靠在月台的停车位的过程；也可能车辆从视场死角离开或车辆检测过程中目标丢失。
S1102，确定所述车辆的出入信息为正常入车。
运动轨迹消失且月台的停车位的占用状态由空闲变为占用，说明月台的停车位的原始占用状态为空闲，车辆从月台外进入月台，并正常停靠在月台的停车位上，电子设备更新停车位的占用状态为占用，可以确定车辆的出入信息为正常入车。
S1103，确定所述车辆的出入信息为异常入车。
运动轨迹消失且月台的停车位的占用状态保持空闲，说明月台的停车位的原始占用状态为空闲，电子设备进行停车位检测，检测到停车位的占用状态仍为空闲，说明车辆从视场死角离开或目标丢失，未实际入车。可以确定车辆的出入信息为异常入车。
S1104，在所述停车位的原始占用状态为遮挡状态时，确定所述车辆的出入信息为正常入车。
S1105，在所述停车位的原始占用状态为已有车辆状态时，确定所述车辆的出入信息为异常入车。
运动轨迹消失且月台的停车位的占用状态保持占用，说明月台的停车位的原始占用状态为占用，该原始占用状态表示车辆进入月台的过程可能存在两种情况：
第一种情况，月台的停车位可能被遮挡，遮挡物可能为装卸货的货物，或月台工作人员等，图像采集设备可以采集到遮挡物的图像，这样，电子设备可以对采集到的图像进行检测分析，确定停车位的原始占用状态为遮挡状态。车辆从月台外进入月台，并正常停靠在月台的停车位上，可以确定车辆的出入信息为正常入车。
第二种情况，月台的停车位可能已有车辆停靠，图像采集设备可以采集到已停靠车辆的图像，这样，电子设备可以对采集到的图像进行检测分析，确定停车位的原始占用状态为已有车辆状态。车辆从月台外进入月台，可能并未停靠在正确的停车位上，可以确定车辆的出入信息为异常入车。
可见，在本实施例中，针对目标状态为进入月台的情况，电子设备可以基于运动轨迹以及月台的停车位的占用状态，确定车辆的入车信息。优化了遮挡导致的占用状态错误和目标轨迹丢失、视场死角出入车等痛点问题，增强了适应性。
作为本发明实施例的一种实施方式，针对目标状态为驶出月台的情况，如图12所示，上述基于所述运动轨迹以及所述月台的停车位的占用状态，确定所述车辆的出入信息的步骤，可以包括：
S1201，获取所述月台的停车位的占用状态，并判断所述运动轨迹是否消失，如果所述运动轨迹消失且所述月台的停车位的占用状态由占用变为空闲，执行步骤S1202；如果所述运动轨迹消失且所述月台的停车位的占用状态保持占用，执行步骤S1203；
在车辆驶出月台过程中，如果运动轨迹消失，说明车辆已经从停靠的停车位离开，并驶出月台。
S1202，确定所述车辆的出入信息为正常出车。
运动轨迹消失且月台的停车位的占用状态由占用变为空闲，说明月台的停车位的原始占用状态为占用，车辆从月台内驶出月台，电子设备更新停车位的占用状态为空闲。可以确定车辆的出入信息为正常出车。
S1203，确定所述车辆的出入信息为异常出车。
运动轨迹消失且月台的停车位的占用状态保持占用，说明月台的停车位的原始占用状态为占用，车辆从月台内驶出月台后，月台的停车位可能被货物等异常遮挡，图像采集设备可以采集停车位的图像，这样，电子设备可以对采集到的图像进行检测分析，确定停车位的占用状态为遮挡状态。可以确定车辆的出入信息为异常出车。
可见，在本实施例中，针对目标状态为驶出月台的情况，电子设备可以基于运动轨迹以及月台的停车位的占用状态，确定车辆的出车信息。优化了遮挡导致的占用状态错误问题，增强了适应性。
作为本发明实施例的一种实施方式，如图13所示，上述方法还可以包括：
S1301，对所述车辆图像进行车门检测，确定所述车辆的车厢的厢门的开关状态，如果所述目标状态为进入月台，且所述开关状态为关闭状态，执行步骤S1302；如果所述目标状态为驶出月台，且所述开关状态为开启状态，执行步骤S1303。
在车辆进入月台和驶出月台的过程中，为了方便月台的作业人员的装卸货操作和确保车辆的行驶安全，电子设备可以采用深度学习模型对车辆图像中的车厢的厢门进行车门检测，从而确定车辆的车厢的厢门的开关状态，开关状态可以包括开启状态和关闭状态。
S1302，输出第一厢门异常信息。
目标状态为进入月台，说明车辆即将停靠在月台的停车位上，需要作业人员进行装卸货操作，此时，车辆的车厢的厢门的开关状态应该为开启状态，使得作业人员能够装卸货物。如果开关状态为关闭状态，电子设备可以输出第一厢门异常信息，第一厢门异常信息表示车厢的厢门关闭，作业人员无法进行装卸货操作。
S1303，输出第二厢门异常信息。
目标状态为驶出月台，说明车辆已经完成装卸货操作，即将离开月台，此时，车辆的车厢的厢门的开关状态应该为关闭状态，使得货物能够安全平稳得运输。如果开关状态为开启状态，电子设备可以输出第二厢门异常信息，第二厢门异常信息表示车厢的厢门开启，车辆行驶过程中可能发生财产损失，存在安全隐患。
可见，在本实施例中，电子设备可以在车辆进入和驶出月台时判断其车厢的车门的开关状态是否满足报警条件，如果满足，电子设备还可以发出异常信息。避免影响作业人员的装卸货操作，也降低了财产损失和安全隐患。
作为本发明实施例的一种实施方式，上述方法还可以包括以下至少一个步骤：
步骤A，如果所述目标状态为进入月台，对所述车辆图像进行行人检测，若所述车辆图像的倒车区域内包括行人，输出第一报警信息。
为了降低车辆进入和驶出月台时的安全风险，电子设备可以采用深度学习模型对车辆图像进行行人检测，倒车区域为电子设备进行行人检测的ROI，具体可以为预设的触发线及车道线形成的多边形区域。这样，电子设备如果检测到倒车区域内存在行人，可以输出第一报警信息，第一报警信息可以用来提醒车辆的司机该倒车行为存在安全风险，倒车时应当注意行人，避免造成人员伤害，电子设备还可以上传该第一报警信息到车辆管理系统中。检测到倒车区域存在行人，通过输出第一报警信息提醒司机倒车时注意行人，降低了车辆在月台区域行驶时的安全风险。
步骤B，如果所述目标状态为进入月台，对所述车辆图像进行车辆位置检测，若所述车辆的车辆位置不符合停车位置，输出第二报警信息。
为了提高车辆停车的规范性，电子设备可以采用深度学习模型对车辆图像进行车辆位置检测，车辆位置检测包括车辆位置和月台的停车位的划线。规范的停车行为应当是车辆停靠在一个停车位内且不压在停车位的划线上，电子设备如果检测到车辆跨车位停车或压线停车，可以输出第二报警信息。用来提醒车辆的司机移动车辆到正确的停车位置。通过输出第二报警信息提醒司机将车辆停到正确的停车位置，可以提高停车的规范性，进而提高工作效率。
步骤C，如果所述目标状态为驶出月台，且所述车厢的装载率小于预设阈值，输出第三报警信息。
电子设备可以采用深度学习模型实时检测车辆的车厢的装载率，根据实际装载需求，可以预设不同的装载率阈值。例如，可以为80％、85％等。车辆驶出月台时，电子设备可以比较车厢的装载率和预设的装载率阈值的大小，电子设备如果检测到车厢的装载率小于预设阈值，可以输出第三报警信息。用来提醒月台的作业人员装载率未满，通过输出第三报警信息提醒作业人员装载率未满，可以提高作业人员的装载效率和作业规范性。
可见，在本实施例中，电子设备可以根据不同的检测结果发出不同的报警信息，降低了车辆行驶的安全风险，提高了作业效率和作业人员的作业规范性。
下面结合图14对本发明实施例所提供的车辆的装载率的确定方法进行举例介绍，如图14所示，可以包括：
S1401，采集车辆进入的图像；
采集的车辆进入的图像为车辆进入月台区域拍摄的所有图像，图像可以包括车厢图像、月台图像、车辆图像等。
S1402，确定入车时厢门的开关状态；
当车辆进入月台，且厢门的开关状态为关闭状态时输出第一厢门异常信息。
S1403，行人检测和报警；
当车辆进入月台，且倒车区域内包括行人时，输出第一报警信息。
S1404，停车位置检测和报警；
检测到车辆的车辆位置不符合停车位置时，输出第二报警信息。
S1405，确定车辆的入车信息；
基于运动轨迹以及月台的停车位的占用状态，确定车辆的入车信息。
S1406，确定车辆的装载率；
获取装载货物的车辆的车厢图像，通过单目深度估计，使用深度估计模型获得车辆的货物面到图像采集设备的距离，采用积分算法获得车厢的空余体积，进而确定车辆的装载率。
S1407，确定作业人员数量；
采用深度学习模型对月台图像进行人员识别，确定月台图像中包括的作业人员的数量。
S1408，计算车辆的装载作业效率；
根据车厢的装载率、作业时长以及作业人员的数量，计算得到车辆的装载作业效率。
S1409，确定车辆的出车信息；
基于运动轨迹以及月台的停车位的占用状态，确定车辆的出车信息。
S1410，采集车辆驶出的图像；
采集的车辆驶出的图像为车辆进入月台区域拍摄的所有图像，图像可以包括车厢图像、月台图像、车辆图像等。
S1411，装载率判断和报警；
当车辆驶出月台，检测到车厢的装载率小于预设阈值，输出第三报警信息。
S1412，确定出车时厢门的开关状态；
当车辆驶出月台，且厢门的开关状态为开启状态时输出二厢门异常信息。
其中，S1401，采集车辆进入的图像；S1410，采集车辆驶出的图像的步骤中，电子设备可以将采集到的图像上传到车辆管理系统中。S1406，确定车辆的装载率；S1407，确定作业人员数量；S1408，计算车辆的装载作业效率的步骤中，电子设备可以将装载率、作业人员数量、装载作业效率实时上传到车辆管理系统中和更新。
可见，在本实施例中，电子设备可以低成本且准确地获取车辆的装载率，具有很强的推广性。电子设备可以计算得到车辆的装载作业效率，实现了工作状态和效率的检测。电子设备可以基于运动轨迹以及月台的停车位的占用状态，确定车辆的出入车信息，优化了遮挡导致的占用状态错误和目标轨迹丢失、视场死角出入车等痛点问题，增强了适应性。电子设备还可以通过行人检测、厢门检测降低了车辆行驶时的安全风险；通过停车位置检测提高了停车的规范性；通过装载率判断，提高了作业人员的装载效率和作业规范性。
相应于上述车辆装载率的确定方法，本发明实施例还提供了一种车辆装载率的确定装置，下面对本发明实施例所提供的一种车辆装载率的确定装置进行介绍。
如图15所示，一种车辆装载率的确定装置，所述装置包括：
车厢图像获取模块1501，用于获取装载货物的车辆的车厢图像；
其中，所述车厢图像为图像采集设备由所述车辆的车尾朝向车厢内部采集的图像。
距离计算模块1502，用于将所述车厢图像输入深度估计模型，通过单目深度估计，获得所述车辆的货物面到所述图像采集设备的距离。
装载率确定模块1503，用于基于所述货物面到所述图像采集设备的距离，确定所述车辆的装载率。
可见，本发明实施例提供的方案中，电子设备可以获取装载货物的车辆的车厢图像，其中，车厢图像为图像采集设备由车辆的车尾朝向车厢内部采集的图像；并将车厢图像输入深度估计模型，通过单目深度估计，电子设备可以获得车辆的货物面到图像采集设备的距离；电子设备还可以基于货物面到图像采集设备的距离，确定车辆的装载率。电子设备可以通过深度估计模型进行单目深度估计，从而确定车辆的货物面到图像采集设备的距离，进而可以基于货物面到图像采集设备的距离确定车辆的装载率，由于采用单目深度估计无须架设复杂的深度信息采集设备，所以可以低成本且准确地获取车辆的装载率。
作为本发明实施例的一种实施方式，上述装载率确定模块1503可以包括：
空余体积计算单元，用于基于所述货物面到所述图像采集设备的距离，采用积分算法获得所述车厢的空余体积。
装载率确定单元，用于根据所述车厢的容积以及所述空余体积，计算得到所述车厢的装载率。
作为本发明实施例的一种实施方式，上述装置还可以包括：
月台图像获取模块，用于获取所述车辆停靠的月台的月台图像。
数量确定模块，用于对所述月台图像进行人员识别，确定所述月台图像包括的作业人员的数量。
装载作业效率计算模块，用于根据所述车厢的装载率、作业时长以及所述数量，计算得到所述车辆的装载作业效率。
作为本发明实施例的一种实施方式，上述装置还可以包括：
车辆图像获取模块，用于获取所述车辆在目标状态下的多张车辆图像；
其中，所述目标状态包括进入月台和/或驶出月台。
运动轨迹确定模块，用于对所述车辆图像进行车辆检测，确定所述车辆的运动轨迹。
出入信息确定模块，用于基于所述运动轨迹以及所述月台的停车位的占用状态，确定所述车辆的出入信息。
作为本发明实施例的一种实施方式，上述运动轨迹确定模块包括：
车辆识别单元，用于对所述车辆图像进行车辆识别，获得多个车辆目标识别结果；
其中，所述车辆目标识别结果包括车辆位置。
车牌识别单元，用于对所述车辆图像进行车牌识别，获得多个车牌目标识别结果。
关联匹配单元，用于将所述车辆目标识别结果与所述车牌目标识别结果进行关联匹配，得到检测结果队列。
运动轨迹确定单元，用于基于所述检测结果队列中相匹配的车辆目标识别结果与车牌目标识别结果所对应的采集时间和车辆位置，确定所述车辆的运动轨迹。
作为本发明实施例的一种实施方式，上述目标状态为进入月台；上述出入信息确定模块可以包括：
第一判断模块，用于获取所述月台的停车位的占用状态，并判断所述运动轨迹是否消失。
第一入车模块，用于如果所述运动轨迹消失且所述月台的停车位的占用状态由空闲变为占用，确定所述车辆的出入信息为正常入车。
第二入车模块，用于如果所述运动轨迹消失且所述月台的停车位的占用状态保持空闲，确定所述车辆的出入信息为异常入车。
第三入车模块，用于如果所述运动轨迹消失且所述月台的停车位的占用状态保持占用，在所述停车位的原始占用状态为遮挡状态时，确定所述车辆的出入信息为正常入车。
第四入车模块，用于如果所述运动轨迹消失且所述月台的停车位的占用状态保持占用，在所述停车位的原始占用状态为已有车辆状态时，确定所述车辆的出入信息为异常入车。
作为本发明实施例的一种实施方式，上述目标状态为驶出月台；上述出入信息确定模块可以包括：
第二判断模块，用于获取所述月台的停车位的占用状态，并判断所述运动轨迹是否消失。
第一出车模块，用于如果所述运动轨迹消失且所述月台的停车位的占用状态由占用变为空闲，确定所述车辆的出入信息为正常出车。
第二出车模块，用于如果所述运动轨迹消失且所述月台的停车位的占用状态保持占用，确定所述车辆的出入信息为异常出车。
作为本发明实施例的一种实施方式，上述装置还可以包括：
车门检测模块，用于对所述车辆图像进行车门检测，确定所述车辆的车厢的厢门的开关状态。
第一厢门异常信息输出模块，用于如果所述目标状态为进入月台，且所述开关状态为关闭状态，输出第一厢门异常信息。
第二厢门异常信息输出模块，用于如果所述目标状态为驶出月台，且所述开关状态为开启状态，输出第二厢门异常信息。
作为本发明实施例的一种实施方式，上述装置还可以包括：
第一报警信息输出模块，用于如果所述目标状态为进入月台，对所述车辆图像进行行人检测，若所述车辆图像的倒车区域内包括行人，输出第一报警信息；或，
第二报警信息输出模块，用于如果所述目标状态为进入月台，对所述车辆图像进行车辆位置检测，若所述车辆的车辆位置不符合停车位置，输出第二报警信息；或，
第三报警信息输出模块，用于如果所述目标状态为驶出月台，且所述车厢的装载率小于预设阈值，输出第三报警信息。
本发明实施例还提供了一种车辆管理系统，下面对本发明实施例所提供的一种车辆管理系统进行介绍。
如图16所示，一种车辆管理系统，所述系统包括图像采集设备1601和集成管理平台1602，其中：
所述图像采集设备1601，用于执行上述任一实施例所述的方法步骤。
所述集成管理平台1602，用于获取所述图像采集设备上报的月台信息，其中，所述月台信息包括图像信息、车辆信息、停车位的占用状态、报警信息中的至少一种。
可见，本发明实施例提供的方案中，电子设备可以通过图像采集设备采集月台图像，进而通过深度估计模型进行单目深度估计，从而确定车辆的货物面到图像采集设备的距离，进而可以基于货物面到图像采集设备的距离确定车辆的装载率，由于采用单目深度估计无须架设复杂的深度信息采集设备，所以可以低成本且准确地获取车辆的装载率。
另外，车辆管理系统还可以完成对物流园区的数字化车辆管理。结合车辆的入园信息和园区数字地图等，车辆管理系统还可以实现园区、月台、车辆、货物及人员的综合管理，方案完备，功能全面，能够实现降本增效的目标。
图像采集设备是车辆管理系统中用来采集图像信息的设备，具体可以为智能摄像机、车位检测相机、网络摄像机中的一种或多种，在此不做限定。图像采集设备可以采集月台信息，包括装载货物的车辆的车厢图像、车辆停靠的月台的月台图像、车辆在目标状态下的多张车辆等图像，还包括车辆、停车位，报警信息等其它与月台相关的信息，图像采集设备还可以将该月台信息上报到集成管理平台中。
集成管理平台与图像采集设备可以通过网线或光纤连接，集成管理平台可以获取图像采集设备上报的月台信息，月台信息可以包括图像信息，例如，可以为车辆的图像、月台的作业人员的图像、停车位的图像等，月台信息还可以包括各个停车位的占用状态、车辆的运动轨迹，还包括月台出现异常情况时的报警信息等。集成管理平台可以对月台信息包括的数据进行集成化处理，从而完成对物流园区的数字化车辆管理。
作为本发明实施例的一种实施方式，如图17所示，上述系统还可以包括月台管理平台1701；
所述月台管理平台1701，可以用于获取所述集成管理平台存储的月台信息以及预约系统1702发送的停车位预约信息，并基于所述月台信息和所述预约信息完成停车位预约。
预约系统1702；可以是第三方的车位预约系统，预约系统1702与月台管理平台1701通过网络连接，用于向月台管理平台1701发送停车位预约信息。
上述系统还可以包括显示屏1703，用于基于停车位预约信息、车辆信息以及停车位的占用状态，在电子地图中显示月台状态。
上述系统还可以包括补光灯1704，用于基于环境光强度为图像采集设备1601进行补光。
上述系统还可以包括交换机1705，用于接收图像采集设备1601采集的月台信息并发送给集成管理平台1602；还用于接收集成管理平台1602发送的补光信息并发送给补光灯1704；还用于接收月台管理平台1701发送的显示信息并发送给显示屏1703的控制器1706。
上述系统还可以包括控制器1706，用于控制显示屏1703显示信息。
月台管理平台与集成管理平台可以通过网络连接，月台管理平台可以获取集成管理平台存储的月台信息，还可以获取预约系统发送的停车位预约信息。月台信息包括了停车位的占用状态，月台管理平台接收到预约系统发送停车位预约信息后，可以从月台信息中选取停车位的占用状态为空闲状态的停车位，并更新该停车位的状态为预约状态。这样，该停车位在预约的车辆停靠之前，其他车辆均不能停靠，直到预约车辆完成此次装卸货操作并驶出月台后，月台管理平台可以更新该停车位的占用状态为空闲状态。这样，就使得预约的车辆可以快速完成装卸货操作，实现了停车位的数字化管理，提高了工作效率。
作为本发明实施例的一种实施方式，如图17所示，上述系统还可以包括显示屏1703；
所述月台管理平台1701，还可以用于基于所述停车位预约信息、所述车辆信息以及停车位的占用状态，控制所述显示屏在电子地图中显示月台状态。
显示屏与月台管理平台可以通过控制器和交换机连接，显示屏可以显示物流园区的电子地图，电子地图上包括多个月台，月台管理平台还可以基于停车位预约信息、车辆信息以及停车位的占用状态，控制显示屏在电子地图中显示月台状态。例如，根据月台的当前状态，可以显示月台的状态为“空闲”、“已预约”、“使用中”等，如果月台状态为“已预约”或“使用中”，基于图像采集设备上报的车位信息和车牌信息，月台管理平台还可以控制显示屏显示对应车牌信息。从而在电子地图上进行多数据的可视化呈现。
月台管理平台如果检测到出现报警信息，还可以控制显示屏显示报警信息，必要时可以发出报警铃声警戒。例如，235号月台的车辆正在进入月台，车辆的倒车区域检测到行人，输出第一报警信息，月台管理平台检测到第一报警信息后，可以控制显示屏在电子地图中显示“235号月台倒车区域内有行人，请注意”。
通过控制显示屏显示信息，月台管理平台可以对物流园区内所有的月台信息作统一的展示，可以在电子地图上进行多数据的可视化呈现，实现了对车辆的可视化管理，提高了运营效率，降低了人工成本。
作为本发明实施例的一种实施方式，如图17所示，上述系统还可以包括补光灯1704；
所述集成管理平台1602，还可以用于基于环境光强度控制所述补光灯为所述图像采集设备进行补光。
补光灯与集成管理平台可以通过交换机连接，集成管理平台可以通过补光灯上的传感器实时获取环境光强度，也可以通过其它外接设备获取当前时刻月台的环境光强度，这样，就可以控制补光灯基于环境光强度，按照预设的补光规则为图像采集设备进行补光。例如，在晚上或者阴雨天气，光照条件差的情况，集成管理平台可以控制补光灯基于环境光强度，为图像采集设备进行补光，使得图像采集设备可以正常采集图像。
本发明实施例还提供了一种电子设备，例如，可以为图像采集设备，如图18所示，包括处理器1801、通信接口1802、存储器1803和通信总线1804，其中，处理器1801，通信接口1802，存储器1803通过通信总线1804完成相互间的通信，
存储器1803，用于存放计算机程序；
处理器1801，用于执行存储器1803上所存放的程序时，实现上述任一实施例所述的方法步骤。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一实施例所述的方法的步骤。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述任一实施例所述的方法步骤。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，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。尤其，对于装置、电子设备、计算机可读存储介质以及计算机程序产品实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例，并非用于限定本发明的保护范围。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，均包含在本发明的保护范围内。

Claims (16)

1.一种车辆装载率的确定方法，其特征在于，所述方法包括：
获取装载货物的车辆的车厢图像，其中，所述车厢图像为图像采集设备由所述车辆的车尾朝向车厢内部采集的图像；
将所述车厢图像输入深度估计模型，通过单目深度估计，获得所述车辆的货物面到所述图像采集设备的距离；
基于所述货物面到所述图像采集设备的距离，确定所述车辆的装载率。
2.根据权利要求1所述的方法，其特征在于，所述基于所述货物面到所述图像采集设备的距离，确定所述车辆的装载率的步骤，包括：
基于所述货物面到所述图像采集设备的距离，采用积分算法获得所述车厢的空余体积；
根据所述车厢的容积以及所述空余体积，计算得到所述车厢的装载率。
3.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
获取所述车辆停靠的月台的月台图像；
对所述月台图像进行人员识别，确定所述月台图像包括的作业人员的数量；
根据所述车厢的装载率、作业时长以及所述数量，计算得到所述车辆的装载作业效率。
4.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
获取所述车辆在目标状态下的多张车辆图像，其中，所述目标状态包括进入月台和/或驶出月台；
对所述车辆图像进行车辆检测，确定所述车辆的运动轨迹；
基于所述运动轨迹以及所述月台的停车位的占用状态，确定所述车辆的出入信息。
5.根据权利要求4所述的方法，其特征在于，所述对所述车辆图像进行车辆检测，确定所述车辆的运动轨迹的步骤，包括：
对所述车辆图像进行车辆识别，获得多个车辆目标识别结果，其中，所述车辆目标识别结果包括车辆位置；
对所述车辆图像进行车牌识别，获得多个车牌目标识别结果；
将所述车辆目标识别结果与所述车牌目标识别结果进行关联匹配，得到检测结果队列；
基于所述检测结果队列中相匹配的车辆目标识别结果与车牌目标识别结果所对应的采集时间和车辆位置，确定所述车辆的运动轨迹。
6.根据权利要求4所述的方法，其特征在于，所述目标状态为进入月台；
所述基于所述运动轨迹以及所述月台的停车位的占用状态，确定所述车辆的出入信息的步骤，包括：
获取所述月台的停车位的占用状态，并判断所述运动轨迹是否消失；
如果所述运动轨迹消失且所述月台的停车位的占用状态由空闲变为占用，确定所述车辆的出入信息为正常入车；
如果所述运动轨迹消失且所述月台的停车位的占用状态保持空闲，确定所述车辆的出入信息为异常入车；
如果所述运动轨迹消失且所述月台的停车位的占用状态保持占用，在所述停车位的原始占用状态为遮挡状态时，确定所述车辆的出入信息为正常入车；
如果所述运动轨迹消失且所述月台的停车位的占用状态保持占用，在所述停车位的原始占用状态为已有车辆状态时，确定所述车辆的出入信息为异常入车。
7.根据权利要求4所述的方法，其特征在于，所述目标状态为驶出月台；
所述基于所述运动轨迹以及所述月台的停车位的占用状态，确定所述车辆的出入信息的步骤，包括：
获取所述月台的停车位的占用状态，并判断所述运动轨迹是否消失；
如果所述运动轨迹消失且所述月台的停车位的占用状态由占用变为空闲，确定所述车辆的出入信息为正常出车；
如果所述运动轨迹消失且所述月台的停车位的占用状态保持占用，确定所述车辆的出入信息为异常出车。
8.根据权利要求4所述的方法，其特征在于，所述方法还包括：
对所述车辆图像进行车门检测，确定所述车辆的车厢的厢门的开关状态；
如果所述目标状态为进入月台，且所述开关状态为关闭状态，输出第一厢门异常信息；
如果所述目标状态为驶出月台，且所述开关状态为开启状态，输出第二厢门异常信息。
9.根据权利要求4所述的方法，其特征在于，所述方法还包括以下至少一个步骤：
如果所述目标状态为进入月台，对所述车辆图像进行行人检测，若所述车辆图像的倒车区域内包括行人，输出第一报警信息；或，
如果所述目标状态为进入月台，对所述车辆图像进行车辆位置检测，若所述车辆的车辆位置不符合停车位置，输出第二报警信息；或，
如果所述目标状态为驶出月台，且所述车厢的装载率小于预设阈值，输出第三报警信息。
10.一种车辆装载率的确定装置，其特征在于，所述装置包括：
车厢图像获取模块，用于获取装载货物的车辆的车厢图像，其中，所述车厢图像为图像采集设备由所述车辆的车尾朝向车厢内部采集的图像；
距离计算模块，用于将所述车厢图像输入深度估计模型，通过单目深度估计，获得所述车辆的货物面到所述图像采集设备的距离；
装载率确定模块，用于基于所述货物面到所述图像采集设备的距离，确定所述车辆的装载率。
11.一种车辆管理系统，其特征在于，所述系统包括图像采集设备和集成管理平台，其中：
所述图像采集设备，用于执行权利要求1-9任一项所述的方法步骤；
所述集成管理平台，用于获取所述图像采集设备上报的月台信息，其中，所述月台信息包括图像信息、车辆信息、停车位的占用状态、报警信息中的至少一种。
12.根据权利要求11所述的系统，其特征在于，所述系统还包括月台管理平台；
所述月台管理平台，用于获取所述集成管理平台存储的月台信息以及预约系统发送的停车位预约信息，并基于所述月台信息和所述预约信息完成停车位预约。
13.根据权利要求12所述的系统，其特征在于，所述系统还包括显示屏；
所述月台管理平台，还用于基于所述停车位预约信息、所述车辆信息以及停车位的占用状态，控制所述显示屏在电子地图中显示月台状态。
14.根据权利要求11-13任一项所述的系统，其特征在于，所述系统还包括补光灯；
所述集成管理平台，还用于基于环境光强度控制所述补光灯为所述图像采集设备进行补光。
15.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-9任一所述的方法步骤。
16.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-9任一所述的方法步骤。
CN202111372264.6A 2021-11-18 2021-11-18 一种车辆装载率的确定方法、装置及车辆管理系统 Pending CN114067295A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111372264.6A CN114067295A (zh) 2021-11-18 2021-11-18 一种车辆装载率的确定方法、装置及车辆管理系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111372264.6A CN114067295A (zh) 2021-11-18 2021-11-18 一种车辆装载率的确定方法、装置及车辆管理系统

Publications (1)

Publication Number Publication Date
CN114067295A true CN114067295A (zh) 2022-02-18

Family

ID=80278299

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111372264.6A Pending CN114067295A (zh) 2021-11-18 2021-11-18 一种车辆装载率的确定方法、装置及车辆管理系统

Country Status (1)

Country Link
CN (1) CN114067295A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114758267A (zh) * 2022-03-14 2022-07-15 北京明略软件系统有限公司 一种确定装卸作业效率的方法和装置
CN115660609A (zh) * 2022-12-22 2023-01-31 北京步甲科技有限公司 一种新能源车辆作业管理方法
CN116307985A (zh) * 2023-03-06 2023-06-23 中天建设集团有限公司 建筑材料节能运输方法、计算机设备与介质
CN116703116A (zh) * 2023-06-28 2023-09-05 中武(福建)跨境电子商务有限责任公司 一种海运集装箱的3d智能配载系统
CN117078138A (zh) * 2023-10-12 2023-11-17 北京汇通天下物联科技有限公司 一种货车装载信息处理方法和服务器

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114758267A (zh) * 2022-03-14 2022-07-15 北京明略软件系统有限公司 一种确定装卸作业效率的方法和装置
CN115660609A (zh) * 2022-12-22 2023-01-31 北京步甲科技有限公司 一种新能源车辆作业管理方法
CN115660609B (zh) * 2022-12-22 2023-03-28 北京步甲科技有限公司 一种新能源车辆作业管理方法
CN116307985A (zh) * 2023-03-06 2023-06-23 中天建设集团有限公司 建筑材料节能运输方法、计算机设备与介质
CN116307985B (zh) * 2023-03-06 2024-01-26 北京中天北方建设有限公司 建筑材料节能运输方法、计算机设备与介质
CN116703116A (zh) * 2023-06-28 2023-09-05 中武(福建)跨境电子商务有限责任公司 一种海运集装箱的3d智能配载系统
CN116703116B (zh) * 2023-06-28 2024-01-16 中武(福建)跨境电子商务有限责任公司 一种海运集装箱的3d智能配载系统
CN117078138A (zh) * 2023-10-12 2023-11-17 北京汇通天下物联科技有限公司 一种货车装载信息处理方法和服务器
CN117078138B (zh) * 2023-10-12 2024-02-06 北京汇通天下物联科技有限公司 一种货车装载信息处理方法和服务器

Similar Documents

Publication Publication Date Title
CN114067295A (zh) 一种车辆装载率的确定方法、装置及车辆管理系统
DE102018006765B4 (de) Verfahren und system(e) für das management von frachtfahrzeugen
US9449236B2 (en) Method for object size calibration to aid vehicle detection for video-based on-street parking technology
US8666117B2 (en) Video-based system and method for detecting exclusion zone infractions
US8744132B2 (en) Video-based method for detecting parking boundary violations
US9363483B2 (en) Method for available parking distance estimation via vehicle side detection
US20130265419A1 (en) System and method for available parking space estimation for multispace on-street parking
US20130265423A1 (en) Video-based detector and notifier for short-term parking violation enforcement
CN107103623A (zh) 沿着预定义轨迹的对象检测
US11302191B2 (en) Method and apparatus for calculating parking occupancy
JP6859117B2 (ja) 情報処理装置、情報処理方法、プログラム、及び情報処理システム
KR101968203B1 (ko) 주차관제시스템
CN112686923A (zh) 一种基于双阶段卷积神经网络的目标跟踪方法及系统
CN110930756B (zh) 一种基于图像与地磁传感器判断路侧停车的方法及装置
CN108805184B (zh) 一种固定空间、车辆上的图像识别方法及系统
CN111967396A (zh) 障碍物检测的处理方法、装置、设备及存储介质
KR20210048132A (ko) 인공지능 기반 영상분석을 통한 차량인식기를 구비한 주차 차단기 및 그 구성 방법
KR20230051836A (ko) 주차관제시 꼬리물기 상태에서의 차량번호 인식방법 및 그 시스템
US11009604B1 (en) Methods for detecting if a time of flight (ToF) sensor is looking into a container
CN108873097B (zh) 无人停车库中载车板停车时的安全检测方法及装置
CN113052058B (zh) 一种车载客流统计方法、装置及存储介质
CN116110127A (zh) 一种多联动的加油站套现行为识别系统
DE102018222683A1 (de) Verfahren zum Erstellen einer Umgebungsrepräsentationskarte zur Überwachung eines Fahrzeugs und/oder eines Fahrzeuganhängers unter Verwendung eines Kamerasystems
CN113963233A (zh) 一种基于双阶段卷积神经网络的目标检测方法及系统
CN114724107A (zh) 一种图像检测方法、装置、设备及介质

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