CN114441021A - 基于视频识别的车辆称重方法、装置、存储介质及处理器 - Google Patents
基于视频识别的车辆称重方法、装置、存储介质及处理器 Download PDFInfo
- Publication number
- CN114441021A CN114441021A CN202210112096.5A CN202210112096A CN114441021A CN 114441021 A CN114441021 A CN 114441021A CN 202210112096 A CN202210112096 A CN 202210112096A CN 114441021 A CN114441021 A CN 114441021A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- weighing
- weighed
- abnormal object
- video image
- 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
Links
- 238000005303 weighing Methods 0.000 title claims abstract description 196
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 230000002159 abnormal effect Effects 0.000 claims abstract description 84
- 238000001514 detection method Methods 0.000 claims abstract description 37
- 238000004590 computer program Methods 0.000 claims description 17
- 238000003062 neural network model Methods 0.000 claims description 10
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 abstract description 11
- 238000010586 diagram Methods 0.000 description 18
- 230000033001 locomotion Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000007689 inspection Methods 0.000 description 7
- 230000006399 behavior Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- WABPQHHGFIMREM-UHFFFAOYSA-N lead(0) Chemical compound [Pb] WABPQHHGFIMREM-UHFFFAOYSA-N 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
-
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供一种基于视频识别的车辆称重方法、装置、处理器及存储介质。该车辆称重方法用于对进入称重区域内的待称重车辆进行称重,车辆称重方法包括:采集称重区域的视频图像;基于预先建立的目标检测模型,识别视频图像中是否包括待称重车辆以及识别所识别到的待称重车辆上是否包括异常物体;在从视频图像中识别到待称重车辆的情况下,确定待称重车辆的在称位置;以及在待称重车辆的在称位置满足预设的位置条件且待称重车辆未包括异常物体的情况下,对待称重车辆进行称重。本申请实施例能够全程实时监控待称重车辆和异常物体,实现无人值守,且避免异物物体的干扰,识别判断的准确性高。
Description
技术领域
本申请涉及计算机技术领域,具体涉及一种基于视频识别的车辆称重方法、称重装置、存储介质及处理器。
背景技术
车辆称重是指对卡车处于空车和处于拉满货的状态的重量分别称重,以防止车辆人员的称重作弊行为。通常对于车辆称重监测采用人工检查法或无人检查法。人工检查法需要人为检查车辆是否位于规定的称重位置上,以及检测车辆上是否存在异常情况,这不仅耗费了大量人力,而且工作内容繁琐、重复。传统的无人检查法主要是采用传感器法,具体做法是利用红外传感器来感应车辆的位置,从而判断车辆是否位于规定的称重位置上。但是,该无人检查法容易受到其他物体的干扰,如千斤顶或者其他异物的干扰,虽然该方法中可以采用抓拍照片的记录方式,但是所抓拍的照片需要人工检查才能判断作弊行为。因此,传统的无人检查法同样需要人工参与,耗费人力资源。另外,传统的无人检查法无法做到全过程监控,其检查的准确性也不高。
发明内容
本申请实施例的目的是提供一种基于视频识别的车辆称重方法、装置、存储介质及处理器。
为了实现上述目的,本申请第一方面提供一种基于视频识别的车辆称重方法,所述车辆称重方法包括:采集称重区域的视频图像,该称重区域内设置有称重计以称重车辆;基于预先建立的目标检测模型,从所述视频图像中识别是否存在待称重车辆以及识别所述待称重车辆上是否包括异常物体;在从所述视频图像中识别到所述待称重车辆的情况下,确定所述待称重车辆的在称位置;基于所确定的在称位置,判断所述待称重车辆是否在预设的称重位置上;以及在所述待称重车辆未包括异常物体且其在称位置在所述预设的称重位置的情况下,对所述待称重车辆进行称重。
在本申请实施例中,所述目标检测模型通过以下步骤而被预先建立:分别采集有关所述待称重车辆和所述异常物体的图像样本数据;对所述图像样本数据进行基于神经网络模型的训练,以得到能够识别所述待称重车辆和所述异常物体的所述目标检测模型。
本申请实施例中,所述神经网络模型包括深度学习框架,所述深度学习框架将所述视频图像划分多个网格,并对所述网格中的目标物体进行预测。
在本申请实施例中,所述确定所述待称重车辆的在称位置,包括:获取所述待称重车辆在所述视频图像中的车辆轮廓;基于所获取的车辆轮廓,建立用于表征所述待称重车辆的在称位置的位置坐标框。
在本申请实施例中,所述基于所确定的在称位置,判断所述待称重车辆是否在预计的称重位置上,包括:获取所述称重计在所述视频图像中的位置轮廓,并基于该位置轮廓得到所述称重计的位置坐标框;若所述待称重车辆的位置坐标框处于所述称重计的位置坐标框内,则确定所述待称重车辆位于所规定的称重位置上。
在本申请实施例中,所述基于所述目标检测模型,识别所述待称重车辆上是否包括所述异常物体,包括:抓取所述视频图像中的多个目标物体;若所述目标物体与所述目标检测模型中的有关所述异常物体的图像样本数据一致,则确定所述目标物体为所述异常物体;确定所述异常物体的位置,以得到所述异常物体的位置坐标框;若所述异常物体的位置坐标框与所述待称重车辆的位置坐标框相交,则确定所述待称重车辆包括所述异常物体。
本申请第二方面提供一种基于视频识别的车辆称重装置,所述车辆称重装置包括:采集模块,用于采集称重区域的视频图像,该称重区域内设置有称重计以称重车辆;识别模块,用于基于预先建立的目标检测模型,从所述视频图像中识别是否存在待称重车辆以及识别所述待称重车辆上是否包括异常物体;确定模块,用于在从所述视频图像中识别到所述待称重车辆的情况下,确定所述待称重车辆的在称位置;以及判断模块,用于基于所确定的在称位置,判断所述待称重车辆是否在预设的称重位置上;以及在所述待称重车辆未包括异常物体且其在称位置在所述预设的称重位置的情况下,对所述待称重车辆进行称重。
本申请第三方面提供一种处理器,被配置成执行上述第一方面任意一项所述的车辆称重方法。
本申请第四方面提供一种机器可读存储介质,该机器可读存储介质上存储有指令,该指令在被处理器执行时使得所述处理器被配置成执行上述的车辆称重方法。
本申请第五方面提供一种计算机程序产品,包括计算机程序,该计算机程序在被处理器执行时实现根据第一方面中任一项所述的车辆称重方法。
通过上述技术方案,能够全程实时监控待称重车辆和异常物体,实现无人值守,避免异常物体对于称重干扰,识别判断的准确性高。
本申请实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本申请实施例,但并不构成对本申请实施例的限制。在附图中:
图1示意性示出了根据本申请实施例的车辆称重方法的应用场景示意图;
图2示意性示出了根据本申请实施例的车辆称重方法的流程示意图;
图3示意性示出了根据本申请实施例的建立目标检测模型的流程示意图;
图4示意性示出了根据本申请实施例的确定待称重车辆流程示意图;
图5示意性示出了根据本申请实施例的待称重车辆位置示意图;
图6示意性示出了根据本申请实施例判断待称重车辆与称重计相对位置流程示意图;
图7示意性示出了根据本申请实施例的待称重车辆与称重计相对位置示意图;
图8示意性示出了根据本申请实施例的另一种待称重车辆与称重计相对位置示意图;
图9示意性示出了根据本申请实施例的车辆称重装置的结构框图;
图10示意性示出了根据本申请实施例的计算机设备的内部结构图。
附图标记说明
1称重区域2称重计
3车道引线4待称重车辆的位置坐标框
5称重计的位置坐标框
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,应当理解的是,此处所描述的具体实施方式仅用于说明和解释本申请实施例,并不用于限制本申请实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明,若本申请实施例中有涉及方向性指示(诸如上、下、左、右、前、后……),则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。
另外,若本申请实施例中有涉及“第一”、“第二”等的描述,则该“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其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至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本申请要求的保护范围之内。
为了能够便于理解本申请所保护的车辆称重方法,首先针对车辆称重的应用场景进行简单的描述。如图1所示,图1中包括称重区域1,称重区域1内设置有用于称重车辆的称重计2(也可称之为地磅、地磅秤或者汽车衡等),在称重计2上设有用于引导车辆行驶到称重计上的车道引线3。当车辆行驶到称重计2上所规定的称重位置时,称重计则可以对车辆进行称重,并输出有关车辆重量的磅单,发送至称重控制端(图中未示出)。
图2是根据一示例性实施例示出的一种基于视频识别的车辆称重方法流程图。如图2所示,该车辆称重方法包括如下步骤:
步骤101,采集称重区域的视频图像,该称重区域内设置有称重计以称重车辆。
举例而言,本申请实施例可以在称重区域内的适当位置安装视频采集装置,以便于能够对称重区域进行监控。例如,结合图1所示的称重区域,本申请实施例可以将摄像头固定于车道引线3的正上方的位置,实现对称重区域的全景监控。
步骤102,基于预先建立的目标检测模型,从所述视频图像中识别是否存在待称重车辆以及识别所述待称重车辆上是否包括异常物体。
举例而言,可以将步骤S101实时采集的视频图像输入至目标检测模型中,基于目标检测模型中的目标检测算法,识别所输入的视频图像中是否出现待称重车辆,同时识别待称重车辆上是否包括异常物体。
优选的,本申请实施例在识别出待称重车辆时,可以进一步识别车辆的车牌、车型等相关车辆信息,进而将所识别出的车辆信息记录到系统中。另外,若称重控制端中提前录有本次对于车辆称重的计划表,本申请实施例还可以基于所识别出的车辆信息与所录入的计划表中的车辆信息进行比对,进一步判断该车辆是否是待称重车辆。因此,本申请能够基于目标检测模型有效快速识别出视频图像中所出现的车辆和异常物体。
优选的,在将步骤S101所采集的视频图像输入至目标检测模型之前,本申请实施例还可以对所采集的视频图像进行切帧处理。举例而言,本申请实施例可以预设间隔帧数,间隔预设帧数将视频图像输入到目标检测模型中。
通过步骤S102可知,本申请实施例是基于目标检测模型识别待称重车辆和异常物体。因此,在识别之前需要预先建立目标检测模型,图3是根据一示例性实施例示出的一种建立目标检测模型的流程示意图。如图3所示,具体包括如下步骤:
步骤201,分别采集有关待称重车辆和异常物体的图像样本数据。
举例而言,对于待称重车辆,可以针对待称重车辆的车型、规格等,采集相关的车辆图片数据。对于异常物体,可以根据预设的异常物体类别,采集相关的异常物体图片。其中,异常物体可以理解为对于车辆称重造成干扰的物体。举例而言,在车辆称重过程中,通常采用千斤顶在车辆重量上进行作弊行为。因此,可以将千斤顶设置为异常物体,进而搜集有关于千斤顶的多个图片,作为千斤顶的图像样本数据。另外,对于所采集的图像样本数据通常需大于1万张,以便于能够准确识别待称重车辆和异常物体。本申请实施例的图像样本数据并不仅限于待称重车辆和异常物体,其可以根据所要识别的目标物体的相关信息,采集对应的图像样本数据。
步骤202,对所述图像样本数据进行基于神经网络模型的训练,以得到能够识别所述待称重车辆和所述异常物体的所述目标检测模型。
优选的,神经网络模型包括深度学习框架,该深度学习框架将所述视频图像划分多个网格,并对所述网格中的目标物体进行预测。
通过步骤201-202可以看出,本申请实施例采用神经网络模型来建立目标检测模型。针对于目标检测,神经网络模型多采用CNN、R-CNN以及FAST R-CNN、Yolov3等。本申请实施例则优选采用Yolov3模型,Yolov3模型中所采用的深度学习框架为Darnet-53,Darknet-53短小精悍,其源码是用纯C语言和CUDA底层编写的,所以其所具备的特点,例如速度快,充分发挥多核处理器和GPU并行运算的功能等能够在Yolov3模型中充分展示。进而使得Yolov3模型快速检测目标物体,相比于其他神经网络模型更加适用于实时检测视频帧的项目。此外,Yolov3得益于其训练方式对于尺寸中等偏小的物体的检测率较高。上述提到Yolov3模型包括Darknet-53特征提取网络,其可将所述视频图像划分多个网格,并对所述网格中的目标物体预测。Yolov3模型对视频图像采用的是端对端检测。具体是将整个图片分为S*S个网格,当某一目标物体落在其中某个网格内时,则对应的网格对其进行目标检测。因此,Yolov3模型相比于其他神经网络模型能够充分发挥多核处理器和并行运算的功能,快速识别目标物体。同时,该模型能够对于视频图像进行全局区域训练,更好的区分目标物体和背景。
步骤103,在从所述视频图像中识别到所述待称重车辆的情况下,确定所述待称重车辆的在称位置。
在一优选实施例中,图4是根据一示例性实施例示出的一种确定待称重车辆的在称位置流程图,具体包括如下步骤:
步骤301,获取所述待称重车辆在所述视频图像中的车辆轮廓。
举例而言,本申请实施例可以提取待称重车辆在所述视频图像中的边界点,以获取该待称重车辆的车辆轮廓。
步骤302,基于所获取的车辆轮廓,建立用于表征所述待称重车辆的在称位置的位置坐标框。
举例而言,根据步骤301所提取的边界点,获取边界点的像素坐标。设边界点的像素坐标以(xi,yi)表示,解析出其中xi和yi分别为最小值和最大值的像素坐标,进而基于所解析出的像素坐标建立待称重车辆的位置坐标框。如图5所示,当识别出待称重车辆时,则获取待称重车辆的车辆轮廓,进而获取该车辆轮廓上的多个边界点的像素坐标。通过分析可知,边界点a(x1,y1)、b(x2,y2)、c(x3,y3)、d(x4,y4)中分别分别包括像素坐标中xi和yi的最小值和最大值。进而,基于该四个边界点建立呈矩形形状的位置坐标框4,即本申请实施例的待称重车辆的位置坐标框。
对于车辆称重的作弊行为之一为车辆上包含有影响其重量的异常物体,例如千斤顶。当车辆位于称重计上时通过开启千斤顶将车辆撑起,进而导致对于车辆的称重重量不准。因此,本申请实施例采用待称重车辆与异常物体之间的相对位置,来判断待称重车辆上是否包括异常物体。具体如下:
步骤1,抓取所述视频图像中的多个目标物体。
步骤2,若所述目标物体与所述目标检测模型中的有关所述异常物体的图像样本数据一致,则确定所述目标物体为所述异常物体。
步骤3,确定所述异常物体的位置,以得到所述异常物体的位置坐标框。
确定异常物体的位置坐标框可参考上述确定待称重车辆位置坐标框的方法。
步骤4,若所述异常物体的位置坐标框与所述待称重车辆的位置坐标框相交,则确定所述待称重车辆包括所述异常物体。
更为优选的,本申请实施例还可以基于跟踪获取待称重车辆和异常物体的运动轨迹确定待称重车辆上是否包括异常物体。举例而言,若待称重车辆上包括异常物体,二者在称重区域运动过程中,其运动速度是相同的,且运动轨迹一致。因此,本申请实施例可以分别跟踪获取待称重车辆的运动速度和运动轨迹,比较待称重车辆与异常物体的运动速度是否相同以及运动轨迹是否一致,进而结合上述的二者位置关系,更为精准的确定待称重车辆上是否包括该异常物体。
另外,本申请实施例中的异常物体还可以包括影响车辆称重的异常人员。为了防止车辆称重作弊,通常禁止人员出现在称重区域内,以确保车辆称重不会受到人为干扰。因此,本申请实施例还可以基于目标检测模型对异常人员进行识别,确定在称重区域内没有异常人员的情况下对待称重车辆称重。
步骤S104,基于所确定的在称位置,判断所述待称重车辆是否在预设的称重位置上;以及在所述待称重车辆未包括异常物体且其在称位置在所述预设的称重位置的情况下,对所述待称重车辆进行称重。
通常车辆称重的作弊行为之一是车辆仅一部分位于称重计上,该种行为会导致车辆重量偏小,因此,本申请实施例是采用判断待称重车辆和称重计的相对位置来判断待称重车辆是否处于规定的称重位置上。
如图6所示,判断所述待称重车辆是否在预设的称重位置上,具体包括如下步骤:
步骤401,获取所述称重计在所述视频图像中的位置轮廓,并基于该位置轮廓得到所述称重计的位置坐标框。该步骤获取称重计的位置坐标框的方式可参考上述实施例中关于获取待称重车辆的在称位置的方法。
步骤402,若所述待称重车辆的位置坐标框处于所述称重计的位置坐标框内,则确定所述待称重车辆位于所规定的称重位置上。
如图7所示,待称重车辆的位置坐标框4处于称重计的位置坐标框5的内部,则说明待称重车辆的位于规定的称重位置上,进而对待称重车辆进行称重,输出有关该车辆重量的磅单。
在一优选实施例中,若待称重车辆包括异常物体或者待称重车辆未位于预设的称重位置上时,则发出告警提示。
举例而言,如图8所示,待称重车辆的位置坐标框4与称重计的位置坐标框5部分相交,则说明待称重车辆仅部分位于称重计上,因此当待称重车辆处于该位置时,则不能对车辆进行称重,同时发出告警提示,提示车辆行驶到所规定的称重位置上。
另外针对上述出现的异常情况,本申请实施例可以采用录像或者视频通话等方式发出告警提示。例如,当车辆未行驶至所规定的称重位置上时,则发出告警提示给系统控制端。系统控制端可以基于视频通话与车辆驾驶员进行交流,提示其行驶到正确位置上。再例如,当待称重车辆上存在异常物体,则针对该异常情况进行录像拍照,并发送至系统控制端。
应该理解的是,虽然上述流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
基于上述分析,本申请实施例的称重方法具有如下优点:1)本申请基于目标检测模型对视频图像的全局区域进行目标识别,其能够更好的区分目标物体和背景,进而提高了对于待称重车辆和异常物体识别的准确性;2)从视频采集、识别目标物体、相对位置判断以及对待称重车辆称重全过程无需人工操作,实现全程无人值守;实时全过程监控称重区域内的异常情况,实现无人值守;3)基于对异常物体和相对位置的判断识别,不仅有效避免异常物体造成车辆称重的作弊行为,同时还避免车辆由于在称位置偏差而造成称重重量不准确的行为,进而能够对称重区域内的称重作弊行为实现有效的监控。
在一个实施例中,如图9所示,提供了一种基于视频识别的车辆称重装置900,包括采集模块、识别模块、确定模块以及判断模块,其中:
采集模块902,用于采集称重区域的视频图像,该称重区域内设置有称重计以称重车辆。
识别模块904,用于基于预先建立的目标检测模型,从所述视频图像中识别是否存在待称重车辆以及识别所述待称重车辆上是否包括异常物体。
确定模块906,用于在从所述视频图像中识别到所述待称重车辆的情况下,确定所述待称重车辆的在称位置。
判断模块908,用于基于所确定的在称位置,判断所述待称重车辆是否在预设的称重位置上;以及在所述待称重车辆未包括异常物体且其在称位置在所述预设的称重位置的情况下,对所述待称重车辆进行称重。
所述车辆称重装置包括处理器和存储器,上述采集模块、识别模块、确定模块和判断模块等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序模块中实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来实现对车辆称重方法。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本申请实施例提供了一种存储介质,其上存储有程序,该程序被处理器执行时实现上述车辆称重方法。
本申请实施例提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行上述车辆称重方法。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器A01、网络接口A02、存储器(图中未示出)和数据库(图中未示出)。其中,该计算机设备的处理器A01用于提供计算和控制能力。该计算机设备的存储器包括内存储器A03和非易失性存储介质A04。该非易失性存储介质A04存储有操作系统B01、计算机程序B02和数据库(图中未示出)。该内存储器A03为非易失性存储介质A04中的操作系统B01和计算机程序B02的运行提供环境。该计算机设备的数据库用于存储车辆称重数据。该计算机设备的网络接口A02用于与外部的终端通过网络连接通信。该计算机程序B02被处理器A01执行时以实现一种车辆称重方法。
本领域技术人员可以理解,图10中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,本申请提供的车辆称重装置可以实现为一种计算机程序的形式,计算机程序可在如图10所示的计算机设备上运行。计算机设备的存储器中可存储组成该车辆称重装置的各个程序模块,比如,图9所示的采集模块、识别模块、确定模块和判断模块。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的车辆称重方法中的步骤。
本申请实施例提供了一种设备,设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现上述车辆称重方法。所述车辆称重方法包括:采集称重区域的视频图像,该称重区域内设置有称重计以称重车辆;基于预先建立的目标检测模型,从所述视频图像中识别是否存在待称重车辆以及识别所述待称重车辆上是否包括异常物体;在从所述视频图像中识别到所述待称重车辆的情况下,确定所述待称重车辆的在称位置;基于所确定的在称位置,判断所述待称重车辆是否在预设的称重位置上;以及在所述待称重车辆未包括异常物体且其在称位置在所述预设的称重位置的情况下,对所述待称重车辆进行称重。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体,可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商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、商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,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (13)
1.一种基于视频识别的车辆称重方法,其特征在于,所述车辆称重方法包括:
采集称重区域的视频图像,该称重区域内设置有称重计以称重车辆;
基于预先建立的目标检测模型,从所述视频图像中识别是否存在待称重车辆以及识别所述待称重车辆上是否包括异常物体;
在从所述视频图像中识别到所述待称重车辆的情况下,确定所述待称重车辆的在称位置;
基于所确定的在称位置,判断所述待称重车辆是否在预设的称重位置上;以及
在所述待称重车辆未包括异常物体且其在称位置在所述预设的称重位置的情况下,对所述待称重车辆进行称重。
2.根据权利要求1所述的车辆称重方法,其特征在于,所述目标检测模型通过以下步骤而被预先建立:
分别采集有关所述待称重车辆和所述异常物体的图像样本数据;
对所述图像样本数据进行基于神经网络模型的训练,以得到能够识别所述待称重车辆和所述异常物体的所述目标检测模型。
3.根据权利要求2所述的车辆称重方法,其特征在于,所述神经网络模型包括深度学习框架,所述深度学习框架将所述视频图像划分多个网格,并对所述网格中的目标物体进行预测。
4.根据权利要求1所述的车辆称重方法,其特征在于,所述确定所述待称重车辆的在称位置,包括:
获取所述待称重车辆在所述视频图像中的车辆轮廓;
基于所获取的车辆轮廓,建立用于表征所述待称重车辆的在称位置的位置坐标框。
5.根据权利要求1所述的车辆称重方法,其特征在于,所述基于所确定的在称位置,判断所述待称重车辆是否在预计的称重位置上,包括:
获取所述称重计在所述视频图像中的位置轮廓,并基于该位置轮廓得到所述称重计的位置坐标框;
若所述待称重车辆的位置坐标框处于所述称重计的位置坐标框内,则确定所述待称重车辆位于所规定的称重位置上。
6.根据权利要求4所述的车辆称重方法,其特征在于,所述基于所述目标检测模型,识别所述待称重车辆上是否包括所述异常物体,包括:
抓取所述视频图像中的多个目标物体;
若所述目标物体与所述目标检测模型中的有关所述异常物体的图像样本数据一致,则确定所述目标物体为所述异常物体;
确定所述异常物体的位置,以得到所述异常物体的位置坐标框;
若所述异常物体的位置坐标框与所述待称重车辆的位置坐标框相交,则确定所述待称重车辆包括所述异常物体。
7.一种基于视频识别的车辆称重装置,其特征在于,所述车辆称重装置包括:
采集模块,用于采集称重区域的视频图像,该称重区域内设置有称重计以称重车辆;
识别模块,用于基于预先建立的目标检测模型,从所述视频图像中识别是否存在待称重车辆以及识别所述待称重车辆上是否包括异常物体;
确定模块,用于在从所述视频图像中识别到所述待称重车辆的情况下,确定所述待称重车辆的在称位置;以及
判断模块,用于基于所确定的在称位置,判断所述待称重车辆是否在预设的称重位置上;以及在所述待称重车辆未包括异常物体且其在称位置在所述预设的称重位置的情况下,对所述待称重车辆进行称重。
8.根据权利要求7所述的车辆称重装置,其特征在于,所述确定模块采用如下方式确定所述待称重车辆的在称位置,包括:
获取所述待称重车辆在所述视频图像中的车辆轮廓;
基于所获取的车辆轮廓,建立用于表征所述待称重车辆的在称位置的位置坐标框。
9.根据权利要求8所述的车辆称重装置,其特征在于,所述判断模块采用如下方式判断所述待称重车辆的所述在称位置满足预设的位置条件,包括:
获取所述称重计在所述视频图像中的位置轮廓,并基于该位置轮廓得到所述称重计的位置坐标框;
若所述待称重车辆的位置坐标框处于所述称重计的位置坐标框内,则确定所述待称重车辆位于所规定的称重位置上。
10.根据权利要求7所述的车辆称重装置,其特征在于,所述识别模块采用如下方式基于所述目标检测模型,识别所述待称重车辆上是否包括所述异常物体,包括:
抓取所述视频图像中的多个目标物体;
若所述目标物体与所述目标检测模型中的有关所述异常物体的图像样本数据一致,则确定所述目标物体为所述异常物体;
确定所述异常物体的位置;
若所述异常物体的位置与所述待称重车辆的位置之间满足预设的第二位置条件,则确定所述待称重车辆包括所述异常物体。
11.一种处理器,其特征在于,被配置成执行根据权利要求1至6中任意一项所述的车辆称重方法。
12.一种机器可读存储介质,该机器可读存储介质上存储有指令,其特征在于,该指令在被处理器执行时使得所述处理器被配置成执行根据权利要求1至6中任一项所述的车辆称重方法。
13.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序在被处理器执行时实现根据权利要求1至6中任一项所述的车辆称重方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210112096.5A CN114441021A (zh) | 2022-01-29 | 2022-01-29 | 基于视频识别的车辆称重方法、装置、存储介质及处理器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210112096.5A CN114441021A (zh) | 2022-01-29 | 2022-01-29 | 基于视频识别的车辆称重方法、装置、存储介质及处理器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114441021A true CN114441021A (zh) | 2022-05-06 |
Family
ID=81372651
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210112096.5A Pending CN114441021A (zh) | 2022-01-29 | 2022-01-29 | 基于视频识别的车辆称重方法、装置、存储介质及处理器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114441021A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114964445A (zh) * | 2022-05-23 | 2022-08-30 | 西安交通大学 | 基于车辆识别的多模块动态称重方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107152961A (zh) * | 2016-03-04 | 2017-09-12 | 北新集团建材股份有限公司 | 一种车辆称重控制系统 |
CN109916488A (zh) * | 2017-12-13 | 2019-06-21 | 北京万集科技股份有限公司 | 动态车辆称重方法及装置 |
CN109960993A (zh) * | 2017-12-26 | 2019-07-02 | 同方威视科技江苏有限公司 | 车辆安全检测系统及方法、电子设备、存储介质 |
CN112861631A (zh) * | 2020-12-31 | 2021-05-28 | 南京理工大学 | 一种基于Mask Rcnn以及SSD的地磅人体入侵检测方法 |
CN113340391A (zh) * | 2021-07-07 | 2021-09-03 | 格力电器(武汉)有限公司 | 汽车衡称重方法、装置、存储介质及电子设备 |
CN113340390A (zh) * | 2021-06-28 | 2021-09-03 | 广东韶钢松山股份有限公司 | 一种防作弊称重系统及方法 |
KR102323437B1 (ko) * | 2021-06-01 | 2021-11-09 | 시티아이랩 주식회사 | 딥러닝 기반 교통량 모니터링 방법, 및 시스템 |
-
2022
- 2022-01-29 CN CN202210112096.5A patent/CN114441021A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107152961A (zh) * | 2016-03-04 | 2017-09-12 | 北新集团建材股份有限公司 | 一种车辆称重控制系统 |
CN109916488A (zh) * | 2017-12-13 | 2019-06-21 | 北京万集科技股份有限公司 | 动态车辆称重方法及装置 |
CN109960993A (zh) * | 2017-12-26 | 2019-07-02 | 同方威视科技江苏有限公司 | 车辆安全检测系统及方法、电子设备、存储介质 |
CN112861631A (zh) * | 2020-12-31 | 2021-05-28 | 南京理工大学 | 一种基于Mask Rcnn以及SSD的地磅人体入侵检测方法 |
KR102323437B1 (ko) * | 2021-06-01 | 2021-11-09 | 시티아이랩 주식회사 | 딥러닝 기반 교통량 모니터링 방법, 및 시스템 |
CN113340390A (zh) * | 2021-06-28 | 2021-09-03 | 广东韶钢松山股份有限公司 | 一种防作弊称重系统及方法 |
CN113340391A (zh) * | 2021-07-07 | 2021-09-03 | 格力电器(武汉)有限公司 | 汽车衡称重方法、装置、存储介质及电子设备 |
Non-Patent Citations (1)
Title |
---|
江诗明;徐伟;吴智量;林树雄;: "汽车超载监测系统", 现代电子技术, no. 04, pages 49 - 52 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114964445A (zh) * | 2022-05-23 | 2022-08-30 | 西安交通大学 | 基于车辆识别的多模块动态称重方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190372832A1 (en) | Method, apparatus and storage medium for diagnosing failure based on a service monitoring indicator | |
JP7000627B2 (ja) | 標的細胞標識方法、装置、記憶媒体及び端末デバイス | |
CN108230390B (zh) | 训练方法、关键点检测方法、装置、存储介质和电子设备 | |
CN104375912B (zh) | 移动终端卡顿的测量方法与装置 | |
CN108053653B (zh) | 基于lstm的车辆行为预测方法和装置 | |
US20180174000A1 (en) | Defect image classification device and defect image classification method | |
CN113343779B (zh) | 环境异常检测方法、装置、计算机设备和存储介质 | |
CN114441021A (zh) | 基于视频识别的车辆称重方法、装置、存储介质及处理器 | |
CN113439227B (zh) | 放大图像的捕获和存储 | |
CN110111018B (zh) | 评估车辆感测能力的方法、装置、电子设备及存储介质 | |
CN111372042A (zh) | 故障检测方法、装置、计算机设备和存储介质 | |
JP6158967B1 (ja) | 環境汚染予測システム及び方法 | |
KR102323228B1 (ko) | 드론을 이용하는 구조물 안전점검 유지관리 방법 및 시스템 | |
CN114140735B (zh) | 一种基于深度学习的货道堆积检测方法、系统及存储介质 | |
CN116030223A (zh) | 车辆图像生成方法、装置、计算机设备及存储介质 | |
CN116048011A (zh) | 工作状况监视系统、工作状况监视方法、及存储有工作状况监视程序的计算机可读存储介质 | |
CN114202522A (zh) | 红血丝非接触测量方法、存储介质及处理器 | |
US20200167908A1 (en) | Determination device and determining method thereof | |
CN114445414A (zh) | 一种预测室内空间布局的方法、装置及电子设备 | |
CN113420844B (zh) | 物体缺陷检测方法、装置、电子设备和存储介质 | |
US20230135867A1 (en) | System and method for vision based graphical fluid flow anomaly detection for display verification | |
CN115314401A (zh) | 接触网状态监测方法、装置、电子设备及存储介质 | |
CN113096195A (zh) | 一种摄像头标定方法及装置 | |
CN117370193A (zh) | 页面组件的评估方法、装置、电子设备及可读存储介质 | |
CN111832378A (zh) | 一种车辆超员的识别方法及装置 |
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 |