CN115493679A - 一种基于多视场热成像技术的收费站车辆动态称重系统 - Google Patents
一种基于多视场热成像技术的收费站车辆动态称重系统 Download PDFInfo
- Publication number
- CN115493679A CN115493679A CN202211076508.0A CN202211076508A CN115493679A CN 115493679 A CN115493679 A CN 115493679A CN 202211076508 A CN202211076508 A CN 202211076508A CN 115493679 A CN115493679 A CN 115493679A
- Authority
- CN
- China
- Prior art keywords
- tire
- load
- pixel
- temperature
- ground
- 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
- 238000001931 thermography Methods 0.000 title claims abstract description 65
- 238000005303 weighing Methods 0.000 title claims abstract description 63
- 238000005516 engineering process Methods 0.000 title claims abstract description 22
- 238000012937 correction Methods 0.000 claims abstract description 55
- 230000004913 activation Effects 0.000 claims abstract description 18
- 239000011540 sensing material Substances 0.000 claims abstract description 16
- 238000005259 measurement Methods 0.000 claims abstract description 9
- 230000003213 activating effect Effects 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 32
- 238000004364 calculation method Methods 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 18
- 230000003287 optical effect Effects 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 238000003708 edge detection Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 239000003086 colorant Substances 0.000 claims description 4
- 238000003709 image segmentation Methods 0.000 claims description 4
- 238000004148 unit process Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 6
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 102100032202 Cornulin Human genes 0.000 description 1
- 101000920981 Homo sapiens Cornulin Proteins 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000011514 reflex Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000013526 transfer learning Methods 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
- G01G19/03—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups for weighing wheeled or rolling bodies, e.g. vehicles for weighing during motion
-
- G—PHYSICS
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/24—Character recognition characterised by the processing or recognition method
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20112—Image segmentation details
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Mathematical Analysis (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种基于多视场热成像技术的收费站车辆动态称重系统，包括激活模块、第一载荷预测模块、第二载荷预测模块和修正模块；第一载荷预测模块根据轮胎的力学变形参数和激活模块发送的轮胎的尺寸、胎压信息，计算得到每个轮胎的第一载荷；第二载荷预测模块包括位于车道上方的红外热成像装置和感温材料称重装置，结合胎压信息和单个轮胎与地面的接触面积计算得到每个轮胎的第二载荷；修正模块用于对第一载荷和第二载荷进行温度修正和硬度系数修正，根据修正后的第一载荷和第二载荷计算得到轮胎载荷的最终测量结果。本发明能够实现提高轮胎荷载以及车重的测量效率和准确性，增强系统全天候使用能力，降低其造价和后期维护成本。
Description
技术领域
本发明属于图像识别称重技术领域，尤其涉及一种基于多视场热成像技术的收费站车辆 动态称重系统。
背景技术
据统计，载重货车道路交通事故中，有80％以上是由于超限超载运输引起。”因此，如何 准确及时地获取车辆轮胎荷载以及车辆荷载尤为重要。
目前，主流的汽车称重技术方法有静态地磅称重、桥梁动态称重系统以及路面动态称重 系统。随着交通信息化、智能化的快速发展，亦出现了较为新颖的基于图像识别的车辆称重 技术方法。它们存在的问题如下：
1.静态地磅称重需要设置称重服务站，施工复杂，安装造价和使用成本较高，后期需要 经常维护，称重速度慢、效率低，在交通高峰期极易造成交通堵塞。
2.桥梁动态称重系统需要在桥梁上安装传感器，测量结果受传感器安放位置的影响较大， 传感器需置于特定位置，后期维护和更换困难。且该方法是在车辆行驶至桥上时对其重量进 行称量，无法限制超载车辆上桥。
3.路面动态称重系统需要将传感器安装在道路表面，用于测量移动车辆经过传感器时的 瞬时动态力，并通过信号处理得到静态轴重，从而得到车辆的重量，此系统在安装和后期维 护时需要中断交通，在路面开挖混凝土基坑或凹槽，效率较低。且其测量精度受路面刚度和 不平整度的影响较大。
4.现有的基于图像识别的车辆称重技术方法在夜间条件下的测量精度较低，难以全天候 高效工作。
综上所述，如何实现提高轮胎荷载以及车辆荷载的测量效率和准确性，增强系统全天候 使用能力，降低其造价和后期维护成本，是目前本领域的技术人员亟待解决的技术问题。
发明内容
解决的技术问题：本发明提供一种基于多视场热成像技术的收费站车辆动态称重系统和 方法，用于实现提高轮胎荷载以及车重的测量效率和准确性，增强系统全天候使用能力，降 低其造价和后期维护成本。
技术方案：
一种基于多视场热成像技术的收费站车辆动态称重系统，所述收费站车辆动态称重系统 包括激活模块、第一载荷预测模块、第二载荷预测模块和修正模块；
所述激活模块用于拍摄收费站车道的实时图像，从中提取出轮胎图像，对提取的轮胎图 像进行处理，获取轮胎对应的尺寸和胎压信息，同时激活第一载荷预测模块和第二载荷预测 模块；
所述第一载荷预测模块包括位于车道两侧的红外热成像装置、变形参数计算单元和基于 XGBoost模型训练得到的载荷预测模型；所述红外热成像装置用于拍摄车辆单轴轮胎侧面的 温度矩阵数据，所述变形参数计算单元根据车辆单轴轮胎的温度矩阵数据计算得到该轮胎的 力学变形参数；所述载荷预测模型根据变形参数计算单元发送的轮胎的力学变形参数和激活 模块发送的轮胎的尺寸、胎压信息，计算得到每个轮胎的第一载荷Fa；
所述第二载荷预测模块包括位于车道上方的红外热成像装置和感温材料称重装置，用于 记录轮胎与地面的接触区域个数、单个轮胎与地面的接触面积，根据轮胎与地面的接触区域 个数计算得到车辆轴数，结合胎压信息和单个轮胎与地面的接触面积计算得到每个轮胎的第 二载荷Fb；
所述修正模块用于对第一载荷Fa和第二载荷Fb进行温度修正和硬度系数修正，根据修正 后的第一载荷和第二载荷计算得到轮胎载荷的最终测量结果。
进一步地，所述激活模块包括触发装置、光学摄像机、目标检测模型、OCR文字识别模 型和轮胎信息提取单元；
所述触发装置位于车道区域内，用于探测车道区域是否出现了车辆；所述光学摄像机位 于收费站的车道侧面，用于拍摄收费站车道区域的实时图像；所述目标检测模型基于 YOLO-v5网络构建，用于检测光学摄像机拍摄的实时图像中的车辆位置，并截取得到车辆包 含的所有轮胎图像，将轮胎图像发送至OCR文字识别模型，由OCR文字识别模型识别得到 轮胎对应的型号；所述轮胎信息提取单元根据OCR文字识别模型发送的轮胎型号查找得到轮 胎对应的尺寸和胎压信息，同时激活第一载荷预测模块和第二载荷预测模块。
进一步地，所述变形参数计算单元基于OpenCV图像处理算法对像素温度矩阵数据进行 处理，通过图像迭代的几何拟合和区域生长算法检测得到目标样本轮胎的力学变形参数；所 述力学变形参数包括：轮胎最大像素半径R、轮胎最大像素面积S1、轮毂像素半径r、轮胎与 地面接触像素长度1、轮胎圆心到地面的像素距离h、轮胎变形后的等效像素面积S2、轮胎变 形前后的图像像素面积差ΔS，以及轮胎与地面接触分割线像素长度L；
所述变形参数计算单元检测得到目标样本轮胎的力学变形参数的过程包括以下步骤：
S11，根据像素温度矩阵数据生成与温度线性相关的温度图像；采用sobel边缘检测算子 计算温度图像的像素梯度幅值，在温度图像中温差大于预设温差阈值的像素点周围进行图像 分割；
S12，将分割后图像的前5％的梯度幅值进行保留，并取出梯度幅值最大的点，进行颜色 标记；从图像下方向上依次选取经过颜色标记的像素点，将选取的像素点作为用于第一次拟 合轮胎外轮廓的种子点，所选取的种子点均为轮胎与空气交界面上的像素点；
S13，采用步骤S12选取的种子点，利用区域生长算法对种子点进行区域生长找到与种子 点相邻的点作为新的种子点，进行轮胎外轮廓的第二次拟合；
S14，保留步骤S12和步骤S13中所选取的种子点，以第二次拟合的轮胎外轮廓为基准， 自上而下的找到轮胎上半部分的梯度幅值最大像素点，进行第三次轮胎外轮廓拟合；
S15，以步骤S14中所拟合的轮胎外轮廓为基准，向轮胎中心寻找梯度幅值最大的像素点， 以此点作为拟合轮毂外轮廓的种子点，拟合得到轮毂外轮廓；
S16，重复迭代以拟合得到符合预设误差标准的轮胎外轮廓与轮毂外轮廓；
S17，由轮胎圆心左下45度与右下45度的夹角范围内找到轮胎与地面交界处的像素梯度 幅值点，以查找到的像素梯度幅值点为基准绘制轮胎与地面分割线，得到轮胎变形后轮胎与 地面的交界面；
S18，自下而上的对轮胎与地面交界面的图像像素进行端点处理，计算相邻两个像素点的 Y坐标差值，当任一像素点与其相邻的像素点的Y坐标差值大于预设坐标差值阈值时，判断 该像素点为轮胎与地面接触的端点，得到轮胎与地面的真实接触像素长度。
进一步地，所述变形参数计算单元采用比例因子α对获取的轮胎的力学变形参数进行修正：
式中，Rim为轮毂半径；r为拟合得到的轮毂像素半径。
进一步地，所述载荷预测模型根据变形参数计算单元发送的轮胎的力学变形参数和激活 模块发送的轮胎的尺寸、胎压信息，计算得到每个轮胎的第一载荷Fa；再通过回归系数β对 机器学习模型所预测的第一荷载Fa进行温度修正：
式中，
为温度修正后的轮胎真实载荷，Fa为机器学习模型预测的轮胎真实载荷，
为 轮胎表面平均温度，
n代表轮胎表面被热成像捕捉到的温度像素个数，Tj为轮 胎表面第j个温度数据的温度大小；回归系数β的取值范围为0.9至1.5，当轮胎表面温度达到 标准胎压所对应的冷胎压温度的90％时取0.9，中间采用线性插值取值，当轮胎表面温度达到 标准胎压所对应的冷胎压温度的150％时取1.5，中间采用线性插值取值。
进一步地，所述第二载荷预测模块结合第i个轮胎的胎压Pi和第i个个轮胎与地面的接触 面积Si计算得到第i个轮胎的第二载荷Fbi：
F’bi＝Pi×Si；
式中，轮胎的胎压Pi取轮胎标识符所示的最大气压的1.1至1.2倍。
进一步地，所述修正模块包括温度修正单元、硬度系数修正单元和最终载荷计算单元；
所述温度修正单元采用下述公式对第一载荷进行修正：
F’ai＝Fai×k1；
式中，k1为第一载荷的温度修正系数，Fai为第i个轮胎的第一载荷，F’ai为修正后的第一 载荷；
所述温度修正单元采用下述公式对第二载荷进行修正：
式中，k2为第二载荷的温度修正系数，Fbi为第i个轮胎的第一载荷，F’bi为温度修正后的 第一载荷，α为硬度修正系数，
为修正后的第二载荷；
所述最终载荷计算单元结合修正后的第一载荷和第二载荷，计算得到第i个轮胎的轮胎 载荷Fi和车辆的总载荷G：
式中，N为车辆轴数。
本发明还提及一种基于多视场热成像技术的收费站车辆动态称重方法，所述收费站车辆 动态称重方法基于如前所述的称重系统执行；
所述收费站车辆动态称重方法包括以下步骤：
S1，实时拍摄收费站车道的实时图像，从中提取出轮胎图像，对提取的轮胎图像进行处 理，获取轮胎对应的尺寸和胎压信息，同时激活第一载荷预测模块和第二载荷预测模块；
S2，采用位于车道两侧的红外热成像装置记录车辆的单轴轮胎的温度信息，根据车辆单 轴轮胎的温度矩阵数据计算得到单轴轮胎的力学变形参数；基于XGBoost模型训练得到的载 荷预测模型；将计算得到的轮胎的力学变形参数、轮胎的尺寸、胎压信息均导入载荷预测模 型，计算得到每个轮胎的第一载荷Fa；
S3，采用位于车道上方的红外热成像装置和感温材料称重装置，记录轮胎与地面的接触 区域个数、单个轮胎与地面的接触面积，根据轮胎与地面的接触区域个数计算得到车辆轴数， 结合胎压信息和单个轮胎与地面的接触面积计算得到每个轮胎的第二载荷Fb；
S4，对步骤S2中的第一载荷Fa进行温度修正，对步骤S3中的第二载荷Fb进行温度修正 和硬度系数修正；
S5，根据修正后的第一载荷和第二载荷计算得到轮胎载荷的最终测量结果，结合车辆轴 数计算得到车辆的总载荷。
进一步地，根据车辆单轴轮胎的温度矩阵数据计算得到单轴轮胎的力学变形参数的过程 包括以下步骤：
S11，根据像素温度矩阵数据生成与温度线性相关的温度图像；采用sobel边缘检测算子 计算温度图像的像素梯度幅值，在温度图像中温差大于预设温差阈值的像素点周围进行图像 分割；
S12，将分割后图像的前5％的梯度幅值进行保留，并取出梯度幅值最大的点，进行颜色 标记；从图像下方向上依次选取经过颜色标记的像素点，将选取的像素点作为用于第一次拟 合轮胎外轮廓的种子点，所选取的种子点均为轮胎与空气交界面上的像素点；
S13，采用步骤S12选取的种子点，利用区域生长算法对种子点进行区域生长找到与种子 点相邻的点作为新的种子点，进行轮胎外轮廓的第二次拟合；
S14，保留步骤S12和步骤S13中所选取的种子点，以第二次拟合的轮胎外轮廓为基准， 自上而下的找到轮胎上半部分的梯度幅值最大像素点，进行第三次轮胎外轮廓拟合；
S15，以步骤S14中所拟合的轮胎外轮廓为基准，向轮胎中心寻找梯度幅值最大的像素点， 以此点作为拟合轮毂外轮廓的种子点，拟合得到轮毂外轮廓；
S16，重复迭代以拟合得到符合预设误差标准的轮胎外轮廓与轮毂外轮廓；
S17，由轮胎圆心左下45度与右下45度的夹角范围内找到轮胎与地面交界处的像素梯度 幅值点，以查找到的像素梯度幅值点为基准绘制轮胎与地面分割线，得到轮胎变形后轮胎与 地面的交界面；
S18，自下而上的对轮胎与地面交界面的图像像素进行端点处理，计算相邻两个像素点的 Y坐标差值，当任一像素点与其相邻的像素点的Y坐标差值大于预设坐标差值阈值时，判断 该像素点为轮胎与地面接触的端点，得到轮胎与地面的真实接触像素长度。
进一步地，采用比例因子α对获取的轮胎的力学变形参数进行修正：
式中，Rim为轮毂半径；r为拟合得到的轮毂像素半径。
有益效果：
本发明的基于多视场热成像技术的收费站车辆动态称重系统和方法，在测量设备上采用 了红外热成像相机，提高了测量精度，扩大了适用范围，夜间亦可使用。在计算理论上，采用 了机器学习XGBoost模型，考虑了更多的机器学习模型输入的特征，减小了误差，提高了预 测的准确性。本发明中的轮胎荷载获取方法、车辆称重方法及系统适用范围广、易于信息集 成、且与光学摄像机对比，本发明中的红外设备可长期全天候稳定工作。
附图说明
图1是本发明优选实施例中的基于多视场热成像系统的轮胎荷载获取方法的流程图；
图2是本发明优选实施例中的部分系统装置及设备摆放示意图；
图3是本发明优选实施例中的置于侧面的红外摄像机捕捉轮胎外轮廓效果示意图；
图4是本发明优选实施例中的感温材料称重装置示意图；
图5是本发明优选实施例中的感温材料称重装置记录下的单个轮胎与地面接触区域的示 意图；
图6是本发明优选实施例中的置于上部的红外摄像机拍摄并记录下的轮胎与地面接触面 积的示意图。
其中的附图标记为：1.红外热成像装置A；2.加载有收费车辆动态称重系统中所需软件(除 触发装置、红外热成像装置、光学相机、感温材料称重装置之外的其他模块)的计算机终端； 3.红外热成像装置C；4.感温材料称重装置；5.单个轮胎与地面的接触面积。
具体实施方式
下面的实施例可使本专业技术人员更全面地理解本发明，但不以任何方式限制本发明。
参见图2，本实施例公开了一种基于多视场热成像技术的收费站车辆动态称重系统，所 述收费站车辆动态称重系统包括激活模块、第一载荷预测模块、第二载荷预测模块和修正模 块。
所述激活模块用于拍摄收费站车道的实时图像，从中提取出轮胎图像，对提取的轮胎图 像进行处理，获取轮胎对应的尺寸和胎压信息，同时激活第一载荷预测模块和第二载荷预测 模块。
所述第一载荷预测模块包括位于车道两侧的红外热成像装置、变形参数计算单元和基于 XGBoost模型训练得到的载荷预测模型；所述红外热成像装置用于拍摄车辆单轴轮胎侧面的 温度矩阵数据，所述变形参数计算单元根据车辆单轴轮胎的温度矩阵数据计算得到该轮胎的 力学变形参数；所述载荷预测模型根据变形参数计算单元发送的轮胎的力学变形参数和激活 模块发送的轮胎的尺寸、胎压信息，计算得到每个轮胎的第一载荷Fa。
所述第二载荷预测模块包括位于车道上方的红外热成像装置和感温材料称重装置，用于 记录轮胎与地面的接触区域个数、单个轮胎与地面的接触面积，根据轮胎与地面的接触区域 个数计算得到车辆轴数，结合胎压信息和单个轮胎与地面的接触面积计算得到每个轮胎的第 二载荷Fb。
所述修正模块用于对第一载荷Fa和第二载荷Fb进行温度修正和硬度系数修正，根据修正 后的第一载荷和第二载荷计算得到轮胎载荷的最终测量结果。
相应的，参见图1，本实施例还提及一种基于多视场热成像技术的收费站车辆动态称重 方法，所述收费站车辆动态称重方法基于如前所述的称重系统执行；
所述收费站车辆动态称重方法包括以下步骤：
S1，实时拍摄收费站车道的实时图像，从中提取出轮胎图像，对提取的轮胎图像进行处 理，获取轮胎对应的尺寸和胎压信息，同时激活第一载荷预测模块和第二载荷预测模块。
所述激活模块包括触发装置、光学摄像机、目标检测模型、OCR文字识别模型和轮胎信 息提取单元；
所述触发装置位于车道区域内，用于探测车道区域是否出现了车辆；所述光学摄像机位 于收费站的车道侧面，用于拍摄收费站车道区域的实时图像；所述目标检测模型基于 YOLO-v5网络构建，用于检测光学摄像机拍摄的实时图像中的车辆位置，并截取得到车辆包 含的所有轮胎图像，将轮胎图像发送至OCR文字识别模型，由OCR文字识别模型识别得到 轮胎对应的型号；所述轮胎信息提取单元根据OCR文字识别模型发送的轮胎型号查找得到轮 胎对应的尺寸和胎压信息，同时激活第一载荷预测模块和第二载荷预测模块。
所述激活模块利用YOLO-v5系列的目标检测算法的深度学习模型来进行轮胎的目标检 测，当识别到轮胎时，系统激活，多视场热成像系统开始工作。YOLO-v5的检测流程主要如 下：首先将图片的大小调整到448*448大小。然后将图片放到网络里面进行处理。最后进行 非极大值抑制处理得到结果。YOLO-v5不同于采用滑动窗口来寻找目标的传统检测算法。YOLO-v5直接采用单个卷积神经网络来预测多个外包盒和类别概率。而且这种统一的设计也 使得训练和预测可以端到端的进行，其次，YOLO-v5泛化能力强，可以广泛适用于其他测试 集，故其背景预测错误率低。
S2，采用位于车道两侧的红外热成像装置(置于车道左侧的红外热成像装置A、置于车 道右侧的红外热成像装置B)记录车辆的单轴轮胎的温度信息，根据车辆单轴轮胎的温度矩 阵数据计算得到单轴轮胎的力学变形参数；基于XGBoost模型训练得到的载荷预测模型；将 计算得到的轮胎的力学变形参数、轮胎的尺寸、胎压信息均导入载荷预测模型，计算得到每 个轮胎的第一载荷Fa。
所述变形参数计算单元基于OpenCV图像处理算法对像素温度矩阵数据进行处理，通过 图像迭代的几何拟合和区域生长算法检测得到目标样本轮胎的力学变形参数；所述力学变形 参数包括：轮胎最大像素半径R、轮胎最大像素面积S1、轮毂像素半径r、轮胎与地面接触像 素长度1、轮胎圆心到地面的像素距离h、轮胎变形后的等效像素面积S2、轮胎变形前后的图 像像素面积差ΔS，以及轮胎与地面接触分割线像素长度L。
在本实施案例中，热成像采集组件可以为分辨率高于或等于640*480的高分辨率高帧频 热成像设备，在本实施例中采用了K26HE25高速高帧率红外热成像采集组件。所述光学图像 采集组件采用Nikon D5600单反相机(在下文简称相机)，其余组件选用笔记本电脑。
在本实施案例中，当车辆缓慢经过时，红外热成像装置A、B分别提取对目标车辆左侧 和右侧的轮胎进行热成像捕捉，获得原始CSV温度数据文件，将CSV温度数据文件每个像素点对应的温度信息进行提取，按照线性关系重新绘制出温度图像。再采用sobel算子对温度 图像进行边缘检测，计算图像中的温度梯度幅值，找到梯度幅值最大的点，将梯度幅值前5％ 的像素点进行保留，进行颜色标记。
根据先验知识，轮胎下半部分与空气的接触面处梯度幅值最大点可以最接近表现出轮胎 的边缘轮廓，由图像下方向上方依次选取轮胎与空气交界面处的边缘检测点为拟合轮胎外轮 廓圆的种子点。利用第一次选取的种子点进行轮胎外轮廓拟合，并对第一次选取的种子点进 行区域生长操作，进进行第二次种子点的选取，继续拟合轮胎外轮廓。从轮胎上半部分，自 上而下的进行第三次种子点的选取，进一步对轮胎外轮廓进行拟合。以轮胎外轮廓为边界， 向圆心处依次寻找温度梯度幅值点，以此点为轮毂的边缘像素点，进行轮毂外轮廓拟合。由 轮胎圆心左下与右下45度范围内找到轮胎与地面交界处的像素梯度幅值点，以此点为基准做 轮胎与地面分割线，得到轮胎变形后轮胎与地面的交界面，自下而上的对轮胎与地面交界面 的图像像素进行端点处理，计算相邻两个像素点的Y坐标差值，当差值大于一定阈值时，判 断该点为轮胎与地面接触的端点，得到轮胎与地面的真实接触像素长度，自此，完成基于热 成像数据的轮胎与轮毂的外轮廓边缘分割，得到以下参数，轮胎最大像素半径R，轮胎最大 像素面积S1，轮毂像素半径r，轮胎与地面接触像素长度1，轮胎圆心到地面的像素距离h， 轮胎变形后的等效像素面积S2，轮胎变形前后的图像像素面积差ΔS，轮胎与地面接触分割线 像素长度L。根据热成像所捕捉的热学信息计算轮胎外表面平均温度，
如图5 所示。
利用光学采集组件采集轮胎的光学图像，进而调用OCR识别算法，其中，OCR识别算法采用基于深度学习的字符识别技术，通过迁移学习的方法训练PSENET字符定位网络与CRNN字符识别网络，形成两阶段的字符识别方法，是被轮胎侧壁的标识符信息，获得胎尺寸信息(轮胎断面高度H、轮胎断面宽度b、轮毂半径Rim)与气压信息atm。
根据轮毂的尺寸信息，对热成像中所测的各类变形参数进行尺寸修正，采用比例因子α对 获取的轮胎的力学变形参数进行修正：
修正后的力学变形参数为：
rtrye＝α×r
Rtrue＝α×R
S1true＝α2×S1
ltrue＝α×l
htrue＝α×h
S2true＝α2×S2
ΔStrue＝α2×ΔS
Ltrue＝α×L
式中，rtrue、Rtrue、S1true、ltrue、htrue、S2true、ΔStrue和Ltrue分别为修正后的轮毂像 素半径、轮胎最大像素半径、轮胎最大像素面积、轮胎与地面接触像素长度、轮胎圆心到地 面的像素距离、轮胎变形后的等效像素面积、轮胎变形前后的图像像素面积差和轮胎与地面接触分割线像素长度；R、S1、l、h、S2、ΔS和L分别为拟合得到的轮胎最大像素半径、 轮胎最大像素面积、轮胎与地面接触像素长度、轮胎圆心到地面的像素距离、轮胎变形后的 等效像素面积、轮胎变形前后的图像像素面积差和轮胎与地面接触分割线像素长度。具体地，当车辆缓慢经过时，红外热成像装置A、B分别捕捉并记录车身左侧和右侧的轮胎的外轮廓。这其中，对所述轮胎的轮辋区域、所述轮胎区域进行检测，得到所述轮胎的轮辋区域的像素点、所述轮胎区域的像素点；根据所述轮辋区域的像素点及轮辋直径，计算图像比例因子(轮 辋区域不发生变形)；根据所述轮胎区域的像素点及所述图像比例因子，计算轮胎的变形量。 置于车道两侧的红外摄像机A、B所捕捉的轮胎变形后的外轮廓效果示意图见图3。
根据室内试验所采集的数据集对XGboost模型进行训练得到荷载预测模型。将由热成像 模块与字符识别模块所测得的12个力学特征输入至XGboost荷载预测模型中，得到单个轮胎 的预测荷载，经过室外验证该方法的误差小于5％，预测效果良好。
根据轮胎气压受到温度变化的特性，对轮胎荷载进行温度修正，得到单个轮胎的修正荷载
若该实施方案在具备测量轮胎真实荷载的条件下，可通过第三方设备测得的轮胎荷载与 本实施例所提出的12个力学特征相结合，构建用于更新模型的数据集(采集大量不同尺寸、 不同胎压、不同荷载、不同温度下轮胎的图像，通过OCR技术识别轮胎厂商与型号获得的轮 胎断面高度、断面宽度和胎压，构成一定量的样本数据)，实现模型的自动化更新与自学习机 制，提高荷载预测模型的通用能力。
S3，采用位于车道上方的红外热成像装置C和感温材料称重装置，记录轮胎与地面的接 触区域个数、单个轮胎与地面的接触面积，根据轮胎与地面的接触区域个数计算得到车辆轴 数，结合胎压信息和单个轮胎与地面的接触面积计算得到每个轮胎的第二载荷Fb。
待车辆行驶过感温材料称重装置后，记录车辆轴数。感温材料称重装置如图4所示。待 车辆行驶过感温材料称重装置后，感温材料称重装置记录下轮胎与地面的接触区域，置于上 部的红外热成像装置C立即对轮胎与地面的接触区域进行拍照识别，并统计接触区域的数量， 记录轮胎与地面的接触区域个数，记为M，则车辆轴数
利用置于上部的红外热成像 装置C分别记录车身左侧和右侧的单个轮胎与地面的接触面积Si。具体实现方法为：待车辆 行驶过感温材料称重装置后，感温材料称重装置记录下轮胎与地面的接触区域，置于上部的 红外热成像装置C立即对轮胎与地面的接触区域进行拍照识别，统计并记录每个单独的接触 区域的面积。单个轮胎与地面的接触区域的示意图见图5，置于上部的红外摄像机C拍摄并 记录下的单个轮胎与地面的接触面积如图6所示。对所测得的单个轮胎与地面的接触面积进 行比例修正，具体修正过程如下：由数据处理装置计算由上部的红外热成像装置C所生成的 红外图像的像素点个数M。将计算所得的像素点个数M与轮胎与地面的真实接触面积比例因 子K(由置于上部的红外热成像装置C和感温材料称重装置的相对位置和距离所确定的)的 乘积作为轮胎与地面的真实接触面积S真，即S真＝M×K，式中，M为红外图像的像素点个 数，K为由置于上部的红外热成像装置C和热传导称重装置的相对位置和距离所确定的轮胎 与地面的真实接触面积比例因子。将所得的胎压Pi与所得的单个轮胎与地面的接触面积Si分 别对应相乘得轮胎荷载，即Fbi＝Pi×Si。
S4，对步骤S2中的第一载荷Fa进行温度修正，对步骤S3中的第二载荷Fb进行温度修正 和硬度系数修正。
从轮胎侧面利用红外热成像装置测量轮胎温度时，对其进行温度修正，温度修正系数取 为k1，故应对步骤2中所得的轮胎荷载进行修正，修正如下：F’ai＝Fai×k1。
利用红外热成像装置结合感温材料称重方式测量轮胎与地面接触面积时，对其进行温度 修正，温度修正系数取为k2，故应对步骤3中所得的轮胎荷载进行修正，修正如下：F’bi＝Fbi×k2； 利用红外热成像装置结合热传导方式测量轮胎与地面接触面积时，还应对其进行硬度修正， 硬度修正系数取为α，
S5，根据修正后的第一载荷和第二载荷计算得到轮胎载荷的最终测量结果，结合车辆轴 数计算得到车辆的总载荷。
由上述步骤可得轮胎最终荷载
车辆总重
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对所公开的实施例的上 述说明，使本领域技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域技术 人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情 况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要 符合与本文所公开的原理和新颖特点相一致的最宽的范围。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，均应包含在本发明的保护范围之内。另外，本申请实 施例提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明， 以免过多赘述。
Claims (10)
1.一种基于多视场热成像技术的收费站车辆动态称重系统，其特征在于，所述收费站车辆动态称重系统包括激活模块、第一载荷预测模块、第二载荷预测模块和修正模块；
所述激活模块用于拍摄收费站车道的实时图像，从中提取出轮胎图像，对提取的轮胎图像进行处理，获取轮胎对应的尺寸和胎压信息，同时激活第一载荷预测模块和第二载荷预测模块；
所述第一载荷预测模块包括位于车道两侧的红外热成像装置、变形参数计算单元和基于XGBoost模型训练得到的载荷预测模型；所述红外热成像装置用于拍摄车辆单轴轮胎侧面的温度矩阵数据，所述变形参数计算单元根据车辆单轴轮胎的温度矩阵数据计算得到该轮胎的力学变形参数；所述载荷预测模型根据变形参数计算单元发送的轮胎的力学变形参数和激活模块发送的轮胎的尺寸、胎压信息，计算得到每个轮胎的第一载荷Fa；
所述第二载荷预测模块包括位于车道上方的红外热成像装置和感温材料称重装置，用于记录轮胎与地面的接触区域个数、单个轮胎与地面的接触面积，根据轮胎与地面的接触区域个数计算得到车辆轴数，结合胎压信息和单个轮胎与地面的接触面积计算得到每个轮胎的第二载荷Fb；
所述修正模块用于对第一载荷Fa和第二载荷Fb进行温度修正和硬度系数修正，根据修正后的第一载荷和第二载荷计算得到轮胎载荷的最终测量结果。
2.根据权利要求1所述的基于多视场热成像技术的收费站车辆动态称重系统，其特征在于，所述激活模块包括触发装置、光学摄像机、目标检测模型、OCR文字识别模型和轮胎信息提取单元；
所述触发装置位于车道区域内，用于探测车道区域是否出现了车辆；所述光学摄像机位于收费站的车道侧面，用于拍摄收费站车道区域的实时图像；所述目标检测模型基于YOLO-v5网络构建，用于检测光学摄像机拍摄的实时图像中的车辆位置，并截取得到车辆包含的所有轮胎图像，将轮胎图像发送至OCR文字识别模型，由OCR文字识别模型识别得到轮胎对应的型号；所述轮胎信息提取单元根据OCR文字识别模型发送的轮胎型号查找得到轮胎对应的尺寸和胎压信息，同时激活第一载荷预测模块和第二载荷预测模块。
3.根据权利要求1所述的基于多视场热成像技术的收费站车辆动态称重系统，其特征在于，所述变形参数计算单元基于OpenCV图像处理算法对像素温度矩阵数据进行处理，通过图像迭代的几何拟合和区域生长算法检测得到目标样本轮胎的力学变形参数；所述力学变形参数包括：轮胎最大像素半径R、轮胎最大像素面积S1、轮毂像素半径r、轮胎与地面接触像素长度l、轮胎圆心到地面的像素距离h、轮胎变形后的等效像素面积S2、轮胎变形前后的图像像素面积差ΔS，以及轮胎与地面接触分割线像素长度L；
所述变形参数计算单元检测得到目标样本轮胎的力学变形参数的过程包括以下步骤：
S11，根据像素温度矩阵数据生成与温度线性相关的温度图像；采用sobel边缘检测算子计算温度图像的像素梯度幅值，在温度图像中温差大于预设温差阈值的像素点周围进行图像分割；
S12，将分割后图像的前5％的梯度幅值进行保留，并取出梯度幅值最大的点，进行颜色标记；从图像下方向上依次选取经过颜色标记的像素点，将选取的像素点作为用于第一次拟合轮胎外轮廓的种子点，所选取的种子点均为轮胎与空气交界面上的像素点；
S13，采用步骤S12选取的种子点，利用区域生长算法对种子点进行区域生长找到与种子点相邻的点作为新的种子点，进行轮胎外轮廓的第二次拟合；
S14，保留步骤S12和步骤S13中所选取的种子点，以第二次拟合的轮胎外轮廓为基准，自上而下的找到轮胎上半部分的梯度幅值最大像素点，进行第三次轮胎外轮廓拟合；
S15，以步骤S14中所拟合的轮胎外轮廓为基准，向轮胎中心寻找梯度幅值最大的像素点，以此点作为拟合轮毂外轮廓的种子点，拟合得到轮毂外轮廓；
S16，重复迭代以拟合得到符合预设误差标准的轮胎外轮廓与轮毂外轮廓；
S17，由轮胎圆心左下45度与右下45度的夹角范围内找到轮胎与地面交界处的像素梯度幅值点，以查找到的像素梯度幅值点为基准绘制轮胎与地面分割线，得到轮胎变形后轮胎与地面的交界面；
S18，自下而上的对轮胎与地面交界面的图像像素进行端点处理，计算相邻两个像素点的Y坐标差值，当任一像素点与其相邻的像素点的Y坐标差值大于预设坐标差值阈值时，判断该像素点为轮胎与地面接触的端点，得到轮胎与地面的真实接触像素长度。
4.根据权利要求3所述的基于多视场热成像技术的收费站车辆动态称重系统，其特征在于，所述变形参数计算单元采用比例因子α对获取的轮胎的力学变形参数进行修正：
式中，Rim为轮毂半径；r为拟合得到的轮毂像素半径。
5.根据权利要求1所述的基于多视场热成像技术的收费站车辆动态称重系统，其特征在于，所述载荷预测模型根据变形参数计算单元发送的轮胎的力学变形参数和激活模块发送的轮胎的尺寸、胎压信息，计算得到每个轮胎的第一载荷Fa；再通过回归系数β对机器学习模型所预测的第一荷载Fa进行温度修正：
式中，
为温度修正后的轮胎真实载荷，Fa为机器学习模型预测的轮胎真实载荷，
为轮胎表面平均温度，
n代表轮胎表面被热成像捕捉到的温度像素个数，Tj为轮胎表面第j个温度数据的温度大小；回归系数β的取值范围为0.9至1.5，当轮胎表面温度达到标准胎压所对应的冷胎压温度的90％时取0.9，中间采用线性插值取值，当轮胎表面温度达到标准胎压所对应的冷胎压温度的150％时取1.5，中间采用线性插值取值。
6.根据权利要求1所述的基于多视场热成像技术的收费站车辆动态称重系统，其特征在于，所述第二载荷预测模块结合第i个轮胎的胎压Pi和第i个个轮胎与地面的接触面积Si计算得到第i个轮胎的第二载荷Fbi：
Fbi＝Pi×Si；
式中，轮胎的胎压Pi取轮胎标识符所示的最大气压的1.1至1.2倍。
7.根据权利要求1所述的基于多视场热成像技术的收费站车辆动态称重系统，其特征在于，所述修正模块包括温度修正单元、硬度系数修正单元和最终载荷计算单元；
所述温度修正单元采用下述公式对第一载荷进行修正：
F’ai＝Fai×k1；
式中，k1为第一载荷的温度修正系数，Fai为第i个轮胎的第一载荷，F’ai为修正后的第一载荷；
所述温度修正单元采用下述公式对第二载荷进行修正：
式中，k2为第二载荷的温度修正系数，Fbi为第i个轮胎的第一载荷，F’bi为温度修正后的第一载荷，α为硬度修正系数，
为修正后的第二载荷；
所述最终载荷计算单元结合修正后的第一载荷和第二载荷，计算得到第i个轮胎的轮胎载荷Fi和车辆的总载荷G：
式中，N为车辆轴数。
8.一种基于多视场热成像技术的收费站车辆动态称重方法，其特征在于，所述收费站车辆动态称重方法基于如权利要求1-7任一项中所述的称重系统执行；
所述收费站车辆动态称重方法包括以下步骤：
S1，实时拍摄收费站车道的实时图像，从中提取出轮胎图像，对提取的轮胎图像进行处理，获取轮胎对应的尺寸和胎压信息，同时激活第一载荷预测模块和第二载荷预测模块；
S2，采用位于车道两侧的红外热成像装置记录车辆的单轴轮胎的温度信息，根据车辆单轴轮胎的温度矩阵数据计算得到单轴轮胎的力学变形参数；基于XGBoost模型训练得到的载荷预测模型；将计算得到的轮胎的力学变形参数、轮胎的尺寸、胎压信息均导入载荷预测模型，计算得到每个轮胎的第一载荷Fa；
S3，采用位于车道上方的红外热成像装置和感温材料称重装置，记录轮胎与地面的接触区域个数、单个轮胎与地面的接触面积，根据轮胎与地面的接触区域个数计算得到车辆轴数，结合胎压信息和单个轮胎与地面的接触面积计算得到每个轮胎的第二载荷Fb；
S4，对步骤S2中的第一载荷Fa进行温度修正，对步骤S3中的第二载荷Fb进行温度修正和硬度系数修正；
S5，根据修正后的第一载荷和第二载荷计算得到轮胎载荷的最终测量结果，结合车辆轴数计算得到车辆的总载荷。
9.根据权利要求8所述的基于多视场热成像技术的收费站车辆动态称重方法，其特征在于，根据车辆单轴轮胎的温度矩阵数据计算得到单轴轮胎的力学变形参数的过程包括以下步骤：
S11，根据像素温度矩阵数据生成与温度线性相关的温度图像；采用sobel边缘检测算子计算温度图像的像素梯度幅值，在温度图像中温差大于预设温差阈值的像素点周围进行图像分割；
S12，将分割后图像的前5％的梯度幅值进行保留，并取出梯度幅值最大的点，进行颜色标记；从图像下方向上依次选取经过颜色标记的像素点，将选取的像素点作为用于第一次拟合轮胎外轮廓的种子点，所选取的种子点均为轮胎与空气交界面上的像素点；
S13，采用步骤S12选取的种子点，利用区域生长算法对种子点进行区域生长找到与种子点相邻的点作为新的种子点，进行轮胎外轮廓的第二次拟合；
S14，保留步骤S12和步骤S13中所选取的种子点，以第二次拟合的轮胎外轮廓为基准，自上而下的找到轮胎上半部分的梯度幅值最大像素点，进行第三次轮胎外轮廓拟合；
S15，以步骤S14中所拟合的轮胎外轮廓为基准，向轮胎中心寻找梯度幅值最大的像素点，以此点作为拟合轮毂外轮廓的种子点，拟合得到轮毂外轮廓；
S16，重复迭代以拟合得到符合预设误差标准的轮胎外轮廓与轮毂外轮廓；
S17，由轮胎圆心左下45度与右下45度的夹角范围内找到轮胎与地面交界处的像素梯度幅值点，以查找到的像素梯度幅值点为基准绘制轮胎与地面分割线，得到轮胎变形后轮胎与地面的交界面；
S18，自下而上的对轮胎与地面交界面的图像像素进行端点处理，计算相邻两个像素点的Y坐标差值，当任一像素点与其相邻的像素点的Y坐标差值大于预设坐标差值阈值时，判断该像素点为轮胎与地面接触的端点，得到轮胎与地面的真实接触像素长度。
10.根据权利要求9所述的基于多视场热成像技术的收费站车辆动态称重方法，其特征在于，采用比例因子α对获取的轮胎的力学变形参数进行修正：
式中，Rim为轮毂半径；r为拟合得到的轮毂像素半径。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211076508.0A CN115493679A (zh) | 2022-09-02 | 2022-09-02 | 一种基于多视场热成像技术的收费站车辆动态称重系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211076508.0A CN115493679A (zh) | 2022-09-02 | 2022-09-02 | 一种基于多视场热成像技术的收费站车辆动态称重系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115493679A true CN115493679A (zh) | 2022-12-20 |
Family
ID=84467592
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211076508.0A Pending CN115493679A (zh) | 2022-09-02 | 2022-09-02 | 一种基于多视场热成像技术的收费站车辆动态称重系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115493679A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116358760A (zh) * | 2023-06-01 | 2023-06-30 | 深圳亿维锐创科技股份有限公司 | 测量车辆轮胎载荷分布的方法、装置、设备及存储介质 |
| CN116843895A (zh) * | 2023-05-30 | 2023-10-03 | 湖南大学 | 一种基于图像识别的车辆胎压与重量联合预测方法及系统 |
-
2022
- 2022-09-02 CN CN202211076508.0A patent/CN115493679A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116843895A (zh) * | 2023-05-30 | 2023-10-03 | 湖南大学 | 一种基于图像识别的车辆胎压与重量联合预测方法及系统 |
| CN116843895B (zh) * | 2023-05-30 | 2024-06-07 | 湖南大学 | 一种基于图像识别的车辆胎压与重量联合预测方法及系统 |
| CN116358760A (zh) * | 2023-06-01 | 2023-06-30 | 深圳亿维锐创科技股份有限公司 | 测量车辆轮胎载荷分布的方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115493679A (zh) | 一种基于多视场热成像技术的收费站车辆动态称重系统 | |
| CN110287905B (zh) | 一种基于深度学习的交通拥堵区域实时检测方法 | |
| CN109064495B (zh) | 一种基于Faster R-CNN与视频技术的桥面车辆时空信息获取方法 | |
| CN111735524B (zh) | 基于图像识别的轮胎荷载获取方法、车辆称重方法及系统 | |
| CN111272139B (zh) | 一种基于单目视觉的车辆长度测量方法 | |
| JP7234538B2 (ja) | 画像処理装置、車軸数検出システム、料金設定装置、料金設定システム及びプログラム | |
| CN109887273B (zh) | 一种基于多源冗余信息的桥梁活载优化识别方法 | |
| CN112329747A (zh) | 基于视频识别和深度学习的车辆参数检测方法及相关装置 | |
| CN105632180B (zh) | 一种基于arm的桥隧入口车型识别系统及方法 | |
| CN115482474B (zh) | 一种基于高空航拍图像的桥面车辆荷载识别方法和系统 | |
| CN115717894A (zh) | 一种基于gps和普通导航地图的车辆高精度定位方法 | |
| CN113781537A (zh) | 一种轨道弹条扣件缺陷识别方法、装置和计算机设备 | |
| CN112990128A (zh) | 一种基于视频跟踪的多车辆测速方法 | |
| CN114092683A (zh) | 基于视觉反馈和深度网络的轮胎变形量识别方法及装置 | |
| CN110309828B (zh) | 一种倾斜车牌矫正方法 | |
| CN116448773A (zh) | 一种图像-振动特征融合的路面病害检测方法及系统 | |
| CN111259833A (zh) | 一种基于交通图像的车辆计数方法 | |
| Lee | Neural network approach to identify model of vehicles | |
| CN112161685B (zh) | 一种基于表面特征的车辆荷载测量方法 | |
| CN113392817A (zh) | 一种基于多列卷积神经网络的车辆密度估计的方法及装置 | |
| CN111597992B (zh) | 一种基于视频监控的场景物体异常的识别方法 | |
| CN116740657A (zh) | 一种基于相似三角形的目标检测以及测距方法 | |
| CN114782561B (zh) | 基于大数据的智慧农业云平台监控系统 | |
| CN108108706B (zh) | 目标检测中滑动窗口的优化方法及系统 | |
| CN110796099A (zh) | 一种车辆超限检测方法及装置 |
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 |