CN115343719A - 基于红外和激光雷达的货车严重超载检测方法 - Google Patents
基于红外和激光雷达的货车严重超载检测方法 Download PDFInfo
- Publication number
- CN115343719A CN115343719A CN202210919968.9A CN202210919968A CN115343719A CN 115343719 A CN115343719 A CN 115343719A CN 202210919968 A CN202210919968 A CN 202210919968A CN 115343719 A CN115343719 A CN 115343719A
- Authority
- CN
- China
- Prior art keywords
- truck
- severe overload
- algorithm
- data
- infrared
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 50
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 15
- 230000007613 environmental effect Effects 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 17
- 238000013145 classification model Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000011897 real-time detection Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 7
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000009434 installation Methods 0.000 abstract 1
- 230000005540 biological transmission Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000009529 body temperature measurement Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 125000001153 fluoro group Chemical group F* 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004297 night vision Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/48—Thermography; Techniques using wholly visual means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/50—Systems of measurement based on relative movement of target
- G01S17/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
-
- 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
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Remote Sensing (AREA)
- Electromagnetism (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Radar, Positioning & Navigation (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Networks & Wireless Communication (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于红外和激光雷达的货车严重超载检测方法,具体为:在高速公路路侧安装激光雷达,检测货车车厢距离地面高度D和行驶速度V;同样在路侧安装红外热像仪和摄像头,分别进行特征温度检测和货车检测并识别车型;安装处理终端对各传感器信息进行处理并和云端进行数据传输。摄像头通过YOLO X深度学习算法检测货车和车型识别,红外热像仪检测货车发动机和轮胎部位特征温度以及环境温度;处理终端利用DBSCAN聚类和CatBoost相结合的混合策略对处理后的温度数据和D、V数据进行训练,最后根据实时的温度数据和D、V数据判断货车是否严重超载,对严重超载货车进行预警,在无接触的情况下实现高速公路货车严重超载的初步检测,减少安全隐患。
Description
技术领域
本发明属于货车超载检测技术,具体为一种基于红外和激光雷达的货车严重超载检测方法。
背景技术
近年来,我国高速公路总里程得到了突飞猛进的增长,以其高速性和通达性在现代交通运输中占有极为重要的地位和作用。但在交通运输中,货车超载现象屡禁不止,危害巨大。一方面是安全性下降,超载车辆长期处于超负荷运转状态,车辆制动、操作等安全性能降低,同时驾驶员心理负担增大,容易误操作,从而导致交通事故,且事故严重性大。另一方面,超载货车对公路基础设施和运输生态也会造成巨大破坏。而在超载货车中,总重超过其限载100%或货车总重超过100吨的货车危害性更大。
目前高速公路的货车超载检测大部分仍停留在人工检测的手段,步骤繁琐也消耗人力资源,少部分实现动态称重的方法,但成本较大且需要对路面进行重新铺设,可维修性不强,因此需要一种无接触式且具备较高检测精度的货车严重超载检测方法。
发明内容
为了解决现有技术中的上述技术缺陷,本发明提出了一种基于红外和激光雷达的货车严重超载检测方法。
实现本发明目的的技术方案为:一种基于红外和激光雷达的货车严重超载检测方法,包括:
S1、处理终端实时接收摄像头画面,当检测到画面中出现货车时,对货车进行车型识别,并控制激光雷达和红外热像仪开始工作;
S2、红外热像仪检测货车发动机和轮胎特征温度以及环境温度传递到处理终端;
S3、处理终端计算相对特征温度数据;
S4、激光雷达获取货车点云图,输出货车车厢点云与地面点云的距离,根据货车车头点云在设定时间内位移计算速度,并将速度传递到处理终端;
S5、将实时检测并计算得到的温度数据、输出货车车厢点云与地面点云的距离以及速度数据输入对应车型的超载检测模型,判断车辆是否严重超载。
优选地,采用YOLO X算法对货车及车型进行检测,具体步骤为:
S1.1:通过摄像头获取货车通过的视频,将视频按帧拆分成图片并保存在文件夹,获得不同车型的若干张图片作为目标检测的训练集;
S1.2:使用标注软件对图片中的货车进行画框,标签为其车型;
S1.3:将标注软件标注生成的xml格式文件转换成YOLO X使用的json格式文件;
S1.4:修改YOLO X算法的标签数目、标签名称参数为实际值,运行算法训练部分对数据集进行训练;
S1.5:将训练得到的权重文件替换预训练权重文件,得到货车车型检测算法;
S1.6:运行步骤S1.5的算法,对摄像头拍摄到的画面进行实时货车检测和车型识别。
优选地,发动机和轮胎特征温度包括发动机最高温度、发动机平均温度、所有轮胎最高温度、所有轮胎平均温度。
优选地,使用YOLO X算法完成对红外图像上发动机区域和轮胎区域的检测,得到区域的坐标范围,使用温度数据分析软件获取对应坐标范围的特征温度。
优选地,将发动机和轮胎特征温度与环境温度的差值作为特征值。
优选地,采用DBSCAN聚类算法和CatBoost相结合的混合策略建立超载检测模型,步骤如下:
S5.1:获取不同车型、不同载重下的货车车厢点云与地面点云的距离、速度和特征温度数据作为数据集,目标值标签定为“严重超载”和“非严重超载”;
S5.2:使用混合策略算法对数据集进行训练,得到不同车型下的货车严重超载二分类模型;
S5.3:根据车型检测结果调用该车型下的二分类模型进行严重超载判断。
优选地,使用混合策略算法对数据集进行训练,得到不同车型下的货车严重超载二分类模型的具体步骤如下:
S5.2.1:使用DBSCAN算法将非严重超载类分为k个子簇,并给每个子簇添加标签0,1,…,k-1,和严重超载类重新组合为一个新的样本集,即新样本集中有k+1个类别;
S5.2.2使用CatBoost算法进行多分类,目标统计量计算公式如下:
式中,n为数据量;为由xi,k生成的数值型变量;xi,k为第i类数据中的第k个样本类别,当xj,k=xi,k时,[xj,k=xi,k]值为1,否则为0;Yj为第j个数据标签变量的值;P为先验值,取数据集目标变量的均值;a为大于0的先验的权重;
S5.2.3将非k类标签重新划分为非严重超载标签,k类标签划分为严重超载标签输出二分类结果,即输出该货车是否严重超载。
优选地,k值的选取满足如下公式:
式中,N0为多数类样本,N1为少数类样本,ceil表示向上取整函数。
优选地,所述严重超载定义为货车总重超过其限载100%或货车总重超过100吨。
本发明与现有技术相比,其显著优点为:
(1)采用无接触式的方法对严重超载货车进行检测并预警,保证了通行效率,可维修性强,且不需要对道路进行重新铺设;
(2)在车型识别上,YOLO X深度学习算法在本项目上较其他检测算法精度更高;
(3)从传感器技术融合的角度出发,相较于传统单一的超载货车检测技术准确性更高,具备较好的应用前景。
(4)后续可融合其他传感器提升检测精度,包容性强。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分的从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制,在整个附图中,相同的参考符号表示相同的部件。
图1为本发明的工作流程图。
图2为设备放置位置示意图。
具体实施方式
容易理解,依据本发明的技术方案,在不变更本发明的实质精神的情况下,本领域的一般技术人员可以想象出本发明的多种实施方式。因此,以下具体实施方式和附图仅是对本发明的技术方案的示例性说明,而不应当视为本发明的全部或者视为对本发明技术方案的限制或限定。相反,提供这些实施例的目的是为了使本领域的技术人员更透彻地理解本发明。下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的创新构思。
本发明构思为,一种基于红外和激光雷达的货车严重超载检测方法,具体步骤为:
S1、处理终端实时接收摄像头画面,当检测到画面中出现货车时,对其进行车型识别,并控制激光雷达和红外热像仪开始工作。
具体地,所使用摄像头具备夜视功能;所使用红外热像仪测温误差为±2℃或2%,且配套分析软件能根据气温、湿度、气温、能见度、距离等对温度数据进行修正,避免环境因素对所测温度数据造成影响;所使用的激光雷达为厘米级,误差为±2cm,不受阳光影响,且各传感器均具备无线传输模块。
进一步的实施中,采用YOLO X算法对货车及车型进行检测,具体如下:
S1.1:提前在路侧安装摄像头,获取货车通过的视频,将视频按帧拆分成图片并保存在文件夹,获得不同车型的若干张图片作为目标检测的训练集;
S1.2:使用Labelimg标注软件对图片中的货车进行画框,标签为其车型;
S1.3:将Labelimg标注软件标注生成的xml格式文件转换成YOLO X使用的json格式文件;
S1.4:修改YOLO X算法的标签数目、标签名称等参数为实际值,运行算法训练部分对数据集进行训练;
S1.5:将训练得到的权重文件替换预训练权重文件Yolov5s.pt,得到货车车型检测算法;
S1.6:运行步骤S1.5的算法,对摄像头拍摄到的画面进行实时货车检测和车型识别。
S2、红外热像仪检测货车发动机和轮胎特征温度以及环境温度传递到处理终端。
具体地,红外热像仪测温误差为±2℃或2%,且配套分析软件能根据气温、湿度、气温、能见度、距离等对温度数据进行修正,避免环境因素对所测温度数据造成影响,且具备无线传输模块。
具体地,发动机和轮胎特征温度包括发动机最高温度、发动机平均温度、所有轮胎最高温度、所有轮胎平均温度等。
具体地,使用YOLO X算法完成对红外图像上发动机区域和轮胎区域的检测,得到区域的坐标范围,从而使用温度数据分析软件获取对应坐标范围的特征温度。
S3、处理终端计算相对特征温度数据。
具体地,为尽量消除环境温度的影响,使用与环境温度的差值作为特征值。
S4、激光雷达获取货车点云图,输出货车车厢点云与地面点云的距离D,根据货车车头点云在1s内位移计算速度V,传递到处理终端。
具体地,所使用的激光雷达测距精度为厘米级,误差为±2cm,不受阳光影响,具备无线传输模块。
S5、将实时检测并计算得到的温度数据和D、V数据输入该车型的超载检测模型,判断车辆是否严重超载。
具体地,所述严重超载定义为:货车总重超过其限载100%或货车总重超过100吨,该类货车安全隐患极大,且会对道路造成严重损害,属于各交通管理部门重点管理车辆。
进一步的实施例中,采用DBSCAN聚类算法和CatBoost相结合的混合策略建立严重超载检测模型,步骤如下:
S5.1:通过实验获取大量不同车型、不同载重下的D、V和特征温度数据作为数据集,目标值标签定位“严重超载”和“非严重超载”;
S5.2:使用混合策略算法对数据集进行训练,得到不同车型下的货车严重超载二分类模型;
所使用的混合策略算法具体如下:
S5.2.1:使用DBSCAN算法将“非严重超载”类分为k个子簇,并给每个子簇添加标签(0,1,…,k-1),然后和“严重超载”类重新组合为一个新的样本集,即新样本集中有k+1个类别。其中k值的选取满足如下公式:
式中,N0为多数类样本,N1为少数类样本,ceil表示向上取整函数。
S5.2.2使用CatBoost算法进行多分类,CatBoost是一种新的梯度增强决策树算法,其通过添加先验分布项来减少噪声和低频率类别型数据对于数据分布的影响,其目标统计量计算公式如下:
式中,n为数据量;为由xi,k生成的数值型变量;xi,k为第i类数据中的第k个样本类别,当xj,k=xi,k时,[xj,k=xi,k]值为1,否则为0;Yj为第j个数据标签变量的值;P为先验值,取数据集目标变量的均值;a为大于0的先验的权重。
S5.2.3将非k类标签重新划分为“非严重超载”标签,k类标签划分为“严重超载”标签输出二分类结果,即输出该货车是否严重超载。
该策略通过DBSCAN算法将二分类问题转化为多分类问题以平衡数据集,然后采用CatBoost分类算法,实现对不平衡样本即严重超载样本过少的有效分类,有效消除货车超载实验数据样本不平衡问题对分类精度的影响。
S5.3:根据车型检测结果调用该车型下的二分类模型进行严重超载判断。
若检测出货车严重超载,处理终端将信息传输到云端,提示监查人员对该货车进行二次审查。
所述严重超载定义为:货车总重超过其限载100%或货车总重超过100吨,该类货车安全隐患极大,且会对道路造成严重损害,属于各交通管理部门重点管理车辆。
本发明可有效避免现有检测方法成本高、精度低且过程繁琐的问题,对不同种类货车均具备良好的检测效果。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
应当理解,为了精简本发明并帮助本领域的技术人员理解本发明的各个方面,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时在单个实施例中进行描述,或者参照单个图进行描述。但是,不应将本发明解释成示例性实施例中包括的特征均为本专利权利要求的必要技术特征。
应当理解,可以对本发明的一个实施例的设备中包括的模块、单元、组件等进行自适应性地改变以把它们设置在与该实施例不同的设备中。可以把实施例的设备包括的不同模块、单元或组件组合成一个模块、单元或组件,也可以把它们分成多个子模块、子单元或子组件。
Claims (9)
1.一种基于红外和激光雷达的货车严重超载检测方法,其特征在于,包括:
S1、处理终端实时接收摄像头画面,当检测到画面中出现货车时,对货车进行车型识别,并控制激光雷达和红外热像仪开始工作;
S2、红外热像仪检测货车发动机和轮胎特征温度以及环境温度传递到处理终端;
S3、处理终端计算相对特征温度数据;
S4、激光雷达获取货车点云图,输出货车车厢点云与地面点云的距离,根据货车车头点云在设定时间内位移计算速度,并将速度传递到处理终端;
S5、将实时检测并计算得到的温度数据、输出货车车厢点云与地面点云的距离以及速度数据输入对应车型的超载检测模型,判断车辆是否严重超载。
2.根据权利要求1所述的基于红外和激光雷达的货车严重超载检测方法,其特征在于,采用YOLO X算法对货车及车型进行检测,具体步骤为:
S1.1:通过摄像头获取货车通过的视频,将视频按帧拆分成图片并保存在文件夹,获得不同车型的若干张图片作为目标检测的训练集;
S1.2:使用标注软件对图片中的货车进行画框,标签为其车型;
S1.3:将标注软件标注生成的xml格式文件转换成YOLO X使用的json格式文件;
S1.4:修改YOLO X算法的标签数目、标签名称参数为实际值,运行算法训练部分对数据集进行训练;
S1.5:将训练得到的权重文件替换预训练权重文件,得到货车车型检测算法;
S1.6:运行步骤S1.5的算法,对摄像头拍摄到的画面进行实时货车检测和车型识别。
3.根据权利要求1所述的基于红外和激光雷达的货车严重超载检测方法,其特征在于,发动机和轮胎特征温度包括发动机最高温度、发动机平均温度、所有轮胎最高温度、所有轮胎平均温度。
4.根据权利要求1所述的基于红外和激光雷达的货车严重超载检测方法,其特征在于,使用YOLO X算法完成对红外图像上发动机区域和轮胎区域的检测,得到区域的坐标范围,使用温度数据分析软件获取对应坐标范围的特征温度。
5.根据权利要求1所述的基于红外和激光雷达的货车严重超载检测方法,其特征在于,将发动机和轮胎特征温度与环境温度的差值作为特征值。
6.根据权利要求1所述的基于红外和激光雷达的货车严重超载检测方法,其特征在于,采用DBSCAN聚类算法和CatBoost相结合的混合策略建立超载检测模型,步骤如下:
S5.1:获取不同车型、不同载重下的货车车厢点云与地面点云的距离、速度和特征温度数据作为数据集,目标值标签定为“严重超载”和“非严重超载”;
S5.2:使用混合策略算法对数据集进行训练,得到不同车型下的货车严重超载二分类模型;
S5.3:根据车型检测结果调用该车型下的二分类模型进行严重超载判断。
7.根据权利要求6所述的基于红外和激光雷达的货车严重超载检测方法,其特征在于,使用混合策略算法对数据集进行训练,得到不同车型下的货车严重超载二分类模型的具体步骤如下:
S5.2.1:使用DBSCAN算法将非严重超载类分为k个子簇,并给每个子簇添加标签0,1,…,k-1,和严重超载类重新组合为一个新的样本集,即新样本集中有k+1个类别;
S5.2.2使用CatBoost算法进行多分类,目标统计量计算公式如下:
式中,n为数据量;为由xi,k生成的数值型变量;xi,k为第i类数据中的第k个样本类别,当xj,k=xi,k时,[xj,k=xi,k]值为1,否则为0;Yj为第j个数据标签变量的值;P为先验值,取数据集目标变量的均值;a为大于0的先验的权重;
S5.2.3将非k类标签重新划分为非严重超载标签,k类标签划分为严重超载标签输出二分类结果,即输出该货车是否严重超载。
9.根据权利要求6所述的基于红外和激光雷达的货车严重超载检测方法,其特征在于,所述严重超载定义为货车总重超过其限载100%或货车总重超过100吨。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210919968.9A CN115343719A (zh) | 2022-08-01 | 2022-08-01 | 基于红外和激光雷达的货车严重超载检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210919968.9A CN115343719A (zh) | 2022-08-01 | 2022-08-01 | 基于红外和激光雷达的货车严重超载检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115343719A true CN115343719A (zh) | 2022-11-15 |
Family
ID=83949193
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210919968.9A Pending CN115343719A (zh) | 2022-08-01 | 2022-08-01 | 基于红外和激光雷达的货车严重超载检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115343719A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116524726A (zh) * | 2023-07-05 | 2023-08-01 | 江苏航运职业技术学院 | 基于大数据的新能源汽车超载检测分析方法及系统 |
-
2022
- 2022-08-01 CN CN202210919968.9A patent/CN115343719A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116524726A (zh) * | 2023-07-05 | 2023-08-01 | 江苏航运职业技术学院 | 基于大数据的新能源汽车超载检测分析方法及系统 |
CN116524726B (zh) * | 2023-07-05 | 2023-10-13 | 江苏航运职业技术学院 | 基于大数据的新能源汽车超载检测分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111696387B (zh) | 一种基于前向障碍物识别的自适应防撞分级预警方法 | |
CN108622105B (zh) | 基于多元回归分析的车辆弯道安全车速预测及预警系统 | |
US20220196459A1 (en) | Real-time vehicle overload detection method based on convolutional neural network | |
CN103487125B (zh) | 一种车载重量远程检测方法和系统 | |
US11669947B2 (en) | Machine learning assisted image analysis | |
CN205541424U (zh) | 动态车辆信息采集装置 | |
CN113516629A (zh) | Tfds通过作业智能检测系统 | |
CN1667374A (zh) | 汽车超载自动识别系统 | |
CN104680156A (zh) | 基于机器视觉的机动车前排未系安全带识别系统及方法 | |
CN111523415A (zh) | 一种基于图像的两客一危车辆检测方法和装置 | |
CN112528208B (zh) | 一种无称重ai智能识别货车超载估算方法、装置及系统 | |
CN108961473A (zh) | 一种基于智能网联汽车控制中心的车辆状态评估预警方法 | |
CN115343719A (zh) | 基于红外和激光雷达的货车严重超载检测方法 | |
CN116957345B (zh) | 用于无人驾驶系统中的数据处理方法 | |
CN111348048B (zh) | 货车超载报警方法、装置、设备及存储介质 | |
CN110782676A (zh) | 道路不停车超载超限智能检测预警系统 | |
CN115375234A (zh) | 基于gnss的运输车辆运行轨迹规划方法 | |
CN111966857A (zh) | 一种检测改装车辆的方法及检测系统 | |
CN205899803U (zh) | 一种用于治理超载超限的无人机车载系统 | |
CN114882708B (zh) | 一种基于监控视频的车辆识别方法 | |
Hou et al. | Research on vehicle identification method and vehicle speed measurement method based on multi-rotor UAV equipped with LiDAR | |
CN115641555A (zh) | 一种基于ai视觉的货车超载超限预警方法和系统 | |
CN115512321A (zh) | 一种车辆限重信息识别方法、计算设备及存储介质 | |
CN112418000A (zh) | 基于单目摄像头的不良驾驶行为检测方法及系统 | |
CN203011505U (zh) | 一种基于物联网的汽车载重量远程识别器 |
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 |