CN116152757B - 一种基于多点位的称重数据分析方法及相关装置 - Google Patents
一种基于多点位的称重数据分析方法及相关装置 Download PDFInfo
- Publication number
- CN116152757B CN116152757B CN202310409979.7A CN202310409979A CN116152757B CN 116152757 B CN116152757 B CN 116152757B CN 202310409979 A CN202310409979 A CN 202310409979A CN 116152757 B CN116152757 B CN 116152757B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- target
- data
- weighing
- load
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
Abstract
本发明涉及数据分析领域,公开了一种基于多点位的称重数据分析方法及相关装置,用于提高车辆超载的分析准确率。所述方法包括:对多个动态称重点位和多个车辆部位进行点位匹配和车重采集,得到每个车辆部位的称重数据;对每个车辆部位的称重数据进行数据关联和负载分析,得到每个车辆部位的负载关联数据,并根据每个车辆部位的负载关联数据构建目标车辆的目标负载数据;获取目标车辆的车辆参数数据,并根据车辆参数数据对目标负载数据进行负载分布分析,得到目标负载分布特征;将目标负载分布特征输入预置的车辆超载分析模型进行车辆超载分析,得到目标车辆对应的车辆超载分析结果;根据车辆超载分析结果生成目标车辆的目标处理方案。
Description
技术领域
本发明涉及数据分析领域,尤其涉及一种基于多点位的称重数据分析方法及相关装置。
背景技术
在现代物流运输中,货物超载是一个普遍存在的问题。超载会影响车辆的稳定性和安全性,给公路设施带来损害,也会对道路交通造成危害。因此,动态称重技术作为一种监控超载的手段,受到了广泛应用。
但是目前市场上的动态称重系统仍然存在着数据处理精度低、误报率高、实时性差等不足之处。因此需要提出一种新的解决方案。
发明内容
本发明提供了一种基于多点位的称重数据分析方法及相关装置,用于提高车辆超载的分析准确率。
本发明第一方面提供了一种基于多点位的称重数据分析方法,所述基于多点位的称重数据分析方法包括:
基于预设的称重测试方案,对目标路段进行称重点位设置,得到多个动态称重点位,并基于所述目标路段中的多个动态称重点位对待检测的目标车辆进行称重检测;
对所述目标车辆进行车辆部位分割,得到多个车辆部位,并对所述多个动态称重点位和所述多个车辆部位进行点位匹配和车重采集,得到每个车辆部位的称重数据;
对每个车辆部位的称重数据进行数据关联和负载分析,得到每个车辆部位的负载关联数据,并根据每个车辆部位的负载关联数据构建所述目标车辆的目标负载数据;
获取所述目标车辆的车辆参数数据,并根据所述车辆参数数据对所述目标负载数据进行负载分布分析,得到目标负载分布特征;
将所述目标负载分布特征输入预置的车辆超载分析模型进行车辆超载分析,得到所述目标车辆对应的车辆超载分析结果;
根据所述车辆超载分析结果,对所述目标车辆进行负载分布异常分析,得到负载分布异常检测结果,并根据所述负载分布异常检测结果生成所述目标车辆的目标处理方案。
结合第一方面,在本发明第一方面的第一实施方式中,所述基于预设的称重测试方案,对目标路段进行称重点位设置,得到多个动态称重点位,并基于所述目标路段中的多个动态称重点位对待检测的目标车辆进行称重检测,包括:
获取目标路段的道路因素,其中,所述道路因素包括:车流密度、交通流向以及道路坡度;
基于预设的称重测试方案和所述道路因素,对所述目标路段进行称重点位设置,得到多个动态称重点位;
对待检测的目标车辆进行测试,并通过所述目标路段中的多个动态称重点位对所述目标车辆进行称重检测。
结合第一方面,在本发明第一方面的第二实施方式中,所述对所述目标车辆进行车辆部位分割,得到多个车辆部位,并对所述多个动态称重点位和所述多个车辆部位进行点位匹配和车重采集,得到每个车辆部位的称重数据,包括:
对所述目标车辆进行车辆部位分割,得到多个车辆部位;
对所述多个动态称重点位和所述多个车辆部位进行点位匹配,得到每个动态称重点位对应的车辆部位;
基于所述多个动态称重点位,调用预置的压电称重设备对所述目标车辆进行车重采集,生成每个车辆部位的称重数据。
结合第一方面,在本发明第一方面的第三实施方式中,所述对每个车辆部位的称重数据进行数据关联和负载分析,得到每个车辆部位的负载关联数据,并根据每个车辆部位的负载关联数据构建所述目标车辆的目标负载数据,包括:
基于所述称重测试方案,获取所述目标车辆的测试时间戳;
根据所述测试时间戳,对每个车辆部位的称重数据进行数据关联同步,得到多个初始数据;
对所述多个初始数据进行数据融合,得到目标融合数据,并对所述目标融合数据进行负载分析,得到每个车辆部位的负载关联数据;
对每个车辆部位的负载关联数据进行关联性回归分析,生成所述目标车辆的目标负载数据。
结合第一方面,在本发明第一方面的第四实施方式中,所述获取所述目标车辆的车辆参数数据,并根据所述车辆参数数据对所述目标负载数据进行负载分布分析,得到目标负载分布特征,包括:
获取所述目标车辆的车辆参数数据,其中,所述车辆参数数据包括:标准载重量和载重位置;
基于所述车辆参数数据,构建所述目标车辆的分布特征数据模型;
将所述目标负载数据输入所述分布特征数据模型进行负载分布分析,得到目标负载分布特征。
结合第一方面,在本发明第一方面的第五实施方式中,所述将所述目标负载分布特征输入预置的车辆超载分析模型进行车辆超载分析,得到所述目标车辆对应的车辆超载分析结果,包括:
将所述目标负载分布特征输入预置的车辆超载分析模型,其中,所述车辆超载分析模型包括:两层门限循环单元以及三层全连接网络;
通过所述两层门限循环单元对所述目标负载分布特征进行特征整合,得到分布特征向量;
将所述分布特征向量输入所述三层全连接网络进行超载分析,输出目标预测值;
根据所述目标预测值生成所述目标车辆对应的车辆超载分析结果。
结合第一方面,在本发明第一方面的第六实施方式中,所述根据所述车辆超载分析结果,对所述目标车辆进行负载分布异常分析,得到负载分布异常检测结果,并根据所述负载分布异常检测结果生成所述目标车辆的目标处理方案,包括:
根据所述车辆超载分析结果,对所述目标车辆进行负载分布异常分析,得到负载分布异常检测结果;
根据所述负载分布异常检测结果,从预置的多个候选处理方案中查询所述目标车辆的目标处理方案;
将所述目标处理方案发送至预置的预警终端,并通过所述预警终端对所述目标车辆进行超载处理。
本发明第二方面提供了一种基于多点位的称重数据分析装置,所述基于多点位的称重数据分析装置包括:
设置模块,用于基于预设的称重测试方案,对目标路段进行称重点位设置,得到多个动态称重点位,并基于所述目标路段中的多个动态称重点位对待检测的目标车辆进行称重检测;
采集模块,用于对所述目标车辆进行车辆部位分割,得到多个车辆部位,并对所述多个动态称重点位和所述多个车辆部位进行点位匹配和车重采集,得到每个车辆部位的称重数据;
分析模块,用于对每个车辆部位的称重数据进行数据关联和负载分析,得到每个车辆部位的负载关联数据,并根据每个车辆部位的负载关联数据构建所述目标车辆的目标负载数据;
获取模块,用于获取所述目标车辆的车辆参数数据,并根据所述车辆参数数据对所述目标负载数据进行负载分布分析,得到目标负载分布特征;
处理模块,用于将所述目标负载分布特征输入预置的车辆超载分析模型进行车辆超载分析,得到所述目标车辆对应的车辆超载分析结果;
生成模块,用于根据所述车辆超载分析结果,对所述目标车辆进行负载分布异常分析,得到负载分布异常检测结果,并根据所述负载分布异常检测结果生成所述目标车辆的目标处理方案。
本发明第三方面提供了一种基于多点位的称重数据分析设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于多点位的称重数据分析设备执行上述的基于多点位的称重数据分析方法。
本发明的第四方面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中存储有指令,当其在计算机上运行时,使得计算机执行上述的基于多点位的称重数据分析方法。
本发明提供的技术方案中,对多个动态称重点位和多个车辆部位进行点位匹配和车重采集,得到每个车辆部位的称重数据;对每个车辆部位的称重数据进行数据关联和负载分析,得到每个车辆部位的负载关联数据,并根据每个车辆部位的负载关联数据构建目标车辆的目标负载数据;获取目标车辆的车辆参数数据,并根据车辆参数数据对目标负载数据进行负载分布分析,得到目标负载分布特征;将目标负载分布特征输入预置的车辆超载分析模型进行车辆超载分析,得到目标车辆对应的车辆超载分析结果;根据车辆超载分析结果生成目标车辆的目标处理方案,本发明通过在多个点位同时进行动态称重,获取车辆的多个部位负荷情况,并将这些数据进行综合核分析,进一步提升数据处理的精度和可靠性,通过预先设定的阈值进行实时监控和预警,对超载情况作出快速处置和反应。
附图说明
图1为本发明实施例中基于多点位的称重数据分析方法的一个实施例示意图;
图2为本发明实施例中点位匹配和车重采集的流程图;
图3为本发明实施例中数据关联和负载分析的流程图;
图4为本发明实施例中负载分布分析的流程图;
图5为本发明实施例中基于多点位的称重数据分析装置的一个实施例示意图;
图6为本发明实施例中基于多点位的称重数据分析设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种基于多点位的称重数据分析方法及相关装置,用于提高车辆超载的分析准确率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中基于多点位的称重数据分析方法的一个实施例包括:
S101、基于预设的称重测试方案,对目标路段进行称重点位设置,得到多个动态称重点位,并基于目标路段中的多个动态称重点位对待检测的目标车辆进行称重检测;
可以理解的是,本发明的执行主体可以为基于多点位的称重数据分析装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的,根据预设的称重测试方案,对目标路段进行称重点位设置。这个过程中,需要考虑到路段的长度、坡度、形状等因素,以及车辆行驶的速度、载重等因素,以确保称重点位的准确性和可靠性。得到多个动态称重点位:在进行称重点位设置后,可以得到多个动态称重点位,需要说明的是,这些称重点位可以根据实际情况进行调整和优化,以确保称重的准确率和稳定性。基于目标路段中的多个动态称重点位对待检测的目标车辆进行称重检测:当有目标车辆需要进行称重检测时,根据目标路段中的多个动态称重点位进行称重检测。这个过程中,需要确保车辆在称重点位处行驶稳定,以确保称重的准确性。通过对车辆进行多次称重,可以得到更加准确的车辆重量信息,以便进行后续的物流运输计划和管理。
S102、对目标车辆进行车辆部位分割,得到多个车辆部位,并对多个动态称重点位和多个车辆部位进行点位匹配和车重采集,得到每个车辆部位的称重数据;
具体的,服务器通过计算机视觉技术对车辆图像进行处理和分析,得到车辆的不同部位;服务器使用图像识别技术对车辆图像进行分割,以得到准确的车辆部位信息。服务器通过多个传感器对动态称重点位进行采集,得到称重点位的数据;服务器根据称重点位和车辆部位的位置关系,对车辆进行多次称重,以得到每个车辆部位的称重数据。服务器对称重数据进行处理和分析,以得到准确的车辆重量信息;服务器通过对车辆重量信息的分析和比较,得到车辆的载重情况,以便进行后续的物流运输计划和管理。总体来说,服务器通过计算机视觉技术和传感器技术对车辆图像和称重点位进行处理和分析,得到每个车辆部位的称重数据,进而进行后续的物流运输计划和管理。
S103、对每个车辆部位的称重数据进行数据关联和负载分析,得到每个车辆部位的负载关联数据,并根据每个车辆部位的负载关联数据构建目标车辆的目标负载数据;
需要说明的是,服务器根据车辆部位的位置关系将每个称重点位的数据与对应的车辆部位的数据进行关联,得到每个车辆部位的称重数据。服务器根据车辆部位的重量和位置信息,计算每个车辆部位的负载情况,进而对不同车辆部位的负载情况进行分析。服务器将不同车辆部位之间的负载情况进行关联,得到每个车辆部位的负载关联数据。服务器根据目标车辆的构造和运输要求,结合每个车辆部位的负载关联数据,构建目标车辆的目标负载数据。
S104、获取目标车辆的车辆参数数据,并根据车辆参数数据对目标负载数据进行负载分布分析,得到目标负载分布特征;
具体的,对目标负载数据进行预处理,如去除异常数据等。基于车辆参数数据和传感器数据,计算出每个车辆部位在车辆上的位置和重量分布情况。根据车辆部位的位置和重量分布情况,绘制出目标负载分布图。对目标负载分布图进行分析,得出目标负载分布特征,如负载集中区域、负载分布是否均匀等。 通过以上步骤,服务器可以得到目标负载分布特征,为后续的物流运输计划和管理提供支持。
S105、将目标负载分布特征输入预置的车辆超载分析模型进行车辆超载分析,得到目标车辆对应的车辆超载分析结果;
具体的,将目标负载分布特征输入到车辆超载分析模型中,包括负载集中区域、负载分布是否均匀等信息。根据车辆超载分析模型,计算出目标车辆的总负载重量和各个部位的负载重量。判断目标车辆的负载情况是否超载,如果超载,则给出超载提示,否则给出正常提示。通过以上步骤,服务器可以实现对目标车辆的超载分析,并根据分析结果给出提示。
S106、根据车辆超载分析结果,对目标车辆进行负载分布异常分析,得到负载分布异常检测结果,并根据负载分布异常检测结果生成目标车辆的目标处理方案。
具体的,根据车辆超载分析结果,判断目标车辆的负载分布情况是否异常。如果负载分布情况异常,则进一步分析异常原因和异常程度,如负载偏重、负载不均匀等。根据分析结果,生成目标处理方案,如调整负载分布、更换车辆等。根据目标处理方案,向相关人员发送处理提示,如向司机发送负载均衡调整提示。
本发明实施例中,对多个动态称重点位和多个车辆部位进行点位匹配和车重采集,得到每个车辆部位的称重数据;对每个车辆部位的称重数据进行数据关联和负载分析,得到每个车辆部位的负载关联数据,并根据每个车辆部位的负载关联数据构建目标车辆的目标负载数据;获取目标车辆的车辆参数数据,并根据车辆参数数据对目标负载数据进行负载分布分析,得到目标负载分布特征;将目标负载分布特征输入预置的车辆超载分析模型进行车辆超载分析,得到目标车辆对应的车辆超载分析结果;根据车辆超载分析结果生成目标车辆的目标处理方案,本发明通过在多个点位同时进行动态称重,获取车辆的多个部位负荷情况,并将这些数据进行综合核分析,进一步提升数据处理的精度和可靠性,通过预先设定的阈值进行实时监控和预警,对超载情况作出快速处置和反应。
在一具体实施例中,执行步骤S101的过程可以具体包括如下步骤:
(1)获取目标路段的道路因素,其中,道路因素包括:车流密度、交通流向以及道路坡度;
(2)基于预设的称重测试方案和道路因素,对目标路段进行称重点位设置,得到多个动态称重点位;
(3)对待检测的目标车辆进行测试,并通过目标路段中的多个动态称重点位对目标车辆进行称重检测。
具体的,服务器获取目标路段的车流密度、交通流向以及道路坡度等道路因素,以便后续的称重点位设置和称重检测。这些道路因素可以通过交通监控设备、车辆传感器等手段进行获取。服务器根据预设的称重测试方案和道路因素,对目标路段进行称重点位的设置。通常情况下,动态称重点位的设置需要考虑车流密度、交通流向、道路坡度等因素,以保证称重测试的准确性和有效性。服务器对待检测的目标车辆进行测试,并通过目标路段中的多个动态称重点位对目标车辆进行称重检测。在进行测试时,可以通过车辆传感器、称重传感器等手段获取车辆的重量信息,并与预设的车辆超载阈值进行比较,以判断目标车辆是否存在超载情况。 通过以上三个步骤,服务器可以实现对目标车辆的称重检测,以保证物流运输的安全可靠。在实际应用中,服务器需要根据不同的路段和车辆特征进行调整和优化,以提高称重检测的准确性和实用性。
在一具体实施例中,如图2所示,执行步骤S102的过程可以具体包括如下步骤:
S201、对目标车辆进行车辆部位分割,得到多个车辆部位;
S202、对多个动态称重点位和多个车辆部位进行点位匹配,得到每个动态称重点位对应的车辆部位;
S203、基于多个动态称重点位,调用预置的压电称重设备对目标车辆进行车重采集,生成每个车辆部位的称重数据。
具体的,服务器对目标车辆进行车辆部位分割,以得到多个车辆部位。车辆部位可以根据车辆的不同部件进行划分,如车头、车身、车尾等,也可以根据功能进行划分,如驾驶室、货箱等,服务器对多个动态称重点位和多个车辆部位进行点位匹配,以得到每个动态称重点位对应的车辆部位。在匹配过程中,需要考虑车辆部位的位置、形状、大小等因素,以保证匹配的准确性和可靠性。服务器调用预置的压电称重设备,对目标车辆进行车重采集,并生成每个车辆部位的称重数据。在采集过程中,需要注意称重设备的精度、稳定性等因素,以保证称重数据的准确性和可靠性。
在一具体实施例中,如图3所示,执行步骤S103的过程可以具体包括如下步骤:
S301、基于称重测试方案,获取目标车辆的测试时间戳;
S302、根据测试时间戳,对每个车辆部位的称重数据进行数据关联同步,得到多个初始数据;
S303、对多个初始数据进行数据融合,得到目标融合数据,并对目标融合数据进行负载分析,得到每个车辆部位的负载关联数据;
S304、对每个车辆部位的负载关联数据进行关联性回归分析,生成目标车辆的目标负载数据。
具体的,服务器根据预设的称重测试方案,对目标车辆进行称重测试,并获取测试时间戳。测试时间戳可以用于后续的数据关联同步、数据融合等操作。服务器根据测试时间戳,对每个车辆部位的称重数据进行数据关联同步。在同步过程中,需要考虑数据采集的时间差、数据的精度、数据的稳定性等因素,以保证数据的准确性和可靠性。服务器对多个初始数据进行数据融合,以得到目标融合数据。在融合过程中,需要考虑数据的一致性、数据的稳定性、数据的准确性等因素,以保证融合数据的质量。然后,服务器需要对目标融合数据进行负载分析,以得到每个车辆部位的负载关联数据。负载分析可以基于统计学方法、机器学习方法等技术实现,以得到准确的负载关联数据。服务器对每个车辆部位的负载关联数据进行关联性回归分析,以得到目标车辆的目标负载数据。关联性回归分析可以基于线性回归、非线性回归等技术实现,以得到准确的负载数据。
在一具体实施例中,如图4所示,执行步骤S104的过程可以具体包括如下步骤:
S401、获取目标车辆的车辆参数数据,其中,车辆参数数据包括:标准载重量和载重位置;
S402、基于车辆参数数据,构建目标车辆的分布特征数据模型;
S403、将目标负载数据输入分布特征数据模型进行负载分布分析,得到目标负载分布特征。
具体的,服务器获取目标车辆的车辆参数数据,包括标准载重量和载重位置等参数。标准载重量是指车辆在正常使用情况下的最大载重量,载重位置是指车辆中心重心位置相对于前轴和后轴的距离。这些数据可以通过查询车辆制造商提供的技术手册、实际称重测试等方式获取。服务器基于目标车辆的车辆参数数据,构建目标车辆的分布特征数据模型。分布特征数据模型可以基于概率统计、机器学习等技术实现,以得到准确的负载分布特征数据模型。在构建分布特征数据模型的过程中,需要考虑车辆的不同运输状态、不同路面条件、不同气候条件等因素,以保证模型的准确性和可靠性。服务器将目标负载数据输入分布特征数据模型,进行负载分布分析。负载分布分析可以基于概率统计、机器学习等技术实现,以得到目标负载分布特征。在分析过程中,需要考虑目标负载数据的数量、质量、精度等因素,以保证分析结果的准确性和可靠性。 通过以上三个步骤,服务器可以实现对目标车辆的负载分布特征数据采集和分析,以得到目标负载分布特征。这些数据可以用于超载检测、负载平衡调整等目的,为物流运输提供重要的技术支撑。
在一具体实施例中,执行步骤S105的过程可以具体包括如下步骤:
(1)将目标负载分布特征输入预置的车辆超载分析模型,其中,车辆超载分析模型包括:两层门限循环单元以及三层全连接网络;
(2)通过两层门限循环单元对目标负载分布特征进行特征整合,得到分布特征向量;
(3)将分布特征向量输入三层全连接网络进行超载分析,输出目标预测值;
(4)根据目标预测值生成目标车辆对应的车辆超载分析结果。
具体的,服务器导入预置的车辆超载分析模型,该模型包括两层门限循环单元和三层全连接网络。服务器通过两层门限循环单元对目标负载分布特征进行特征整合,得到分布特征向量。在这个过程中,门限循环单元可以将目标负载分布特征进行非线性变换,以提取更有用的特征信息。服务器将分布特征向量输入三层全连接网络进行超载分析,并输出目标预测值。在这个过程中,全连接网络可以将特征向量映射到一个高维空间进行处理,以得到更准确的预测结果。服务器根据目标预测值,生成目标车辆对应的车辆超载分析结果。如果目标预测值超过了设定的阈值,则判断目标车辆存在超载现象;否则,判断目标车辆不存在超载现象。
在一具体实施例中,执行步骤S106的过程可以具体包括如下步骤:
(1)根据车辆超载分析结果,对目标车辆进行负载分布异常分析,得到负载分布异常检测结果;
(2)根据负载分布异常检测结果,从预置的多个候选处理方案中查询目标车辆的目标处理方案;
(3)将目标处理方案发送至预置的预警终端,并通过预警终端对目标车辆进行超载处理。
具体的,服务器根据车辆超载分析结果,对目标车辆的负载分布情况进行异常分析。针对异常情况,服务器需要识别出异常的负载分布模式,并对异常原因进行分析。在这个过程中,服务器可能需要结合历史数据和其他相关信息来进行判断和分析。服务器根据负载分布异常检测结果,从预置的多个候选处理方案中选择适合目标车辆的目标处理方案。这些处理方案可能包括卸载、限制行驶速度等措施,以确保车辆的安全运行。服务器将目标处理方案发送至预置的预警终端,并通过预警终端对目标车辆进行超载处理。这些处理可能包括车辆限速、卸载货物等措施。服务器需要确保超载处理方案的执行效果,并不断监测车辆的状态以及执行效果,以及时调整处理措施。
上面对本发明实施例中基于多点位的称重数据分析方法进行了描述,下面对本发明实施例中基于多点位的称重数据分析装置进行描述,请参阅图5,本发明实施例中基于多点位的称重数据分析装置一个实施例包括:
设置模块501,用于基于预设的称重测试方案,对目标路段进行称重点位设置,得到多个动态称重点位,并基于所述目标路段中的多个动态称重点位对待检测的目标车辆进行称重检测;
采集模块502,用于对所述目标车辆进行车辆部位分割,得到多个车辆部位,并对所述多个动态称重点位和所述多个车辆部位进行点位匹配和车重采集,得到每个车辆部位的称重数据;
分析模块503,用于对每个车辆部位的称重数据进行数据关联和负载分析,得到每个车辆部位的负载关联数据,并根据每个车辆部位的负载关联数据构建所述目标车辆的目标负载数据;
获取模块504,用于获取所述目标车辆的车辆参数数据,并根据所述车辆参数数据对所述目标负载数据进行负载分布分析,得到目标负载分布特征;
处理模块505,用于将所述目标负载分布特征输入预置的车辆超载分析模型进行车辆超载分析,得到所述目标车辆对应的车辆超载分析结果;
生成模块506,用于根据所述车辆超载分析结果,对所述目标车辆进行负载分布异常分析,得到负载分布异常检测结果,并根据所述负载分布异常检测结果生成所述目标车辆的目标处理方案。
通过上述各个组成部分的协同合作,对多个动态称重点位和多个车辆部位进行点位匹配和车重采集,得到每个车辆部位的称重数据;对每个车辆部位的称重数据进行数据关联和负载分析,得到每个车辆部位的负载关联数据,并根据每个车辆部位的负载关联数据构建目标车辆的目标负载数据;获取目标车辆的车辆参数数据,并根据车辆参数数据对目标负载数据进行负载分布分析,得到目标负载分布特征;将目标负载分布特征输入预置的车辆超载分析模型进行车辆超载分析,得到目标车辆对应的车辆超载分析结果;根据车辆超载分析结果生成目标车辆的目标处理方案,本发明通过在多个点位同时进行动态称重,获取车辆的多个部位负荷情况,并将这些数据进行综合核分析,进一步提升数据处理的精度和可靠性,通过预先设定的阈值进行实时监控和预警,对超载情况作出快速处置和反应。
上面图5从模块化功能实体的角度对本发明实施例中的基于多点位的称重数据分析装置进行详细描述,下面从硬件处理的角度对本发明实施例中基于多点位的称重数据分析设备进行详细描述。
图6是本发明实施例提供的一种基于多点位的称重数据分析设备的结构示意图,该基于多点位的称重数据分析设备600可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)610(例如,一个或一个以上处理器)和存储器620,一个或一个以上存储应用程序633或数据632的存储介质630(例如一个或一个以上海量存储设备)。其中,存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对基于多点位的称重数据分析设备600中的一系列指令操作。更进一步地,处理器610可以设置为与存储介质630通信,在基于多点位的称重数据分析设备600上执行存储介质630中的一系列指令操作。
基于多点位的称重数据分析设备600还可以包括一个或一个以上电源640,一个或一个以上有线或无线网络接口650,一个或一个以上输入输出接口660,和/或,一个或一个以上操作系统631,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图6示出的基于多点位的称重数据分析设备结构并不构成对基于多点位的称重数据分析设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种基于多点位的称重数据分析设备,所述基于多点位的称重数据分析设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述基于多点位的称重数据分析方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述基于多点位的称重数据分析方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random acceS memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种基于多点位的称重数据分析方法,其特征在于,所述基于多点位的称重数据分析方法包括:
基于预设的称重测试方案,对目标路段进行称重点位设置,得到多个动态称重点位,并基于所述目标路段中的多个动态称重点位对待检测的目标车辆进行称重检测;
对所述目标车辆进行车辆部位分割,得到多个车辆部位,并对所述多个动态称重点位和所述多个车辆部位进行点位匹配和车重采集,得到每个车辆部位的称重数据;
对每个车辆部位的称重数据进行数据关联和负载分析,得到每个车辆部位的负载关联数据,并根据每个车辆部位的负载关联数据构建所述目标车辆的目标负载数据;
获取所述目标车辆的车辆参数数据,并根据所述车辆参数数据对所述目标负载数据进行负载分布分析,得到目标负载分布特征;其中,获取所述目标车辆的车辆参数数据,其中,所述车辆参数数据包括:标准载重量和载重位置;基于所述车辆参数数据,构建所述目标车辆的分布特征数据模型;其中,标准载重量是指车辆在正常使用情况下的最大载重量,载重位置是指车辆中心重心位置相对于前轴和后轴的距离;基于目标车辆的车辆参数数据,构建目标车辆的分布特征数据模型,其中,分布特征数据模型基于概率统计、机器学习技术得到准确的负载分布特征数据模型;将所述目标负载数据输入所述分布特征数据模型进行负载分布分析,得到目标负载分布特征;其中,对目标负载数据进行预处理,基于车辆参数数据和传感器数据,计算出每个车辆部位在车辆上的位置和重量分布情况;根据车辆部位的位置和重量分布情况,绘制出目标负载分布图;对目标负载分布图进行分析,得出目标负载分布特征;
将所述目标负载分布特征输入预置的车辆超载分析模型进行车辆超载分析,得到所述目标车辆对应的车辆超载分析结果;其中,所述车辆超载分析模型包括:两层门限循环单元以及三层全连接网络;通过所述两层门限循环单元对所述目标负载分布特征进行特征整合,得到分布特征向量;将所述分布特征向量输入所述三层全连接网络进行超载分析,输出目标预测值;其中,根据目标预测值,生成目标车辆对应的车辆超载分析结果;如果目标预测值超过了设定的阈值,则判断目标车辆存在超载现象;否则,判断目标车辆不存在超载现象;
根据所述车辆超载分析结果,对所述目标车辆进行负载分布异常分析,得到负载分布异常检测结果,并根据所述负载分布异常检测结果生成所述目标车辆的目标处理方案。
2.根据权利要求1所述的基于多点位的称重数据分析方法,其特征在于,所述基于预设的称重测试方案,对目标路段进行称重点位设置,得到多个动态称重点位,并基于所述目标路段中的多个动态称重点位对待检测的目标车辆进行称重检测,包括:
获取目标路段的道路因素,其中,所述道路因素包括:车流密度、交通流向以及道路坡度;
基于预设的称重测试方案和所述道路因素,对所述目标路段进行称重点位设置,得到多个动态称重点位;
对待检测的目标车辆进行测试,并通过所述目标路段中的多个动态称重点位对所述目标车辆进行称重检测。
3.根据权利要求1所述的基于多点位的称重数据分析方法,其特征在于,所述对所述目标车辆进行车辆部位分割,得到多个车辆部位,并对所述多个动态称重点位和所述多个车辆部位进行点位匹配和车重采集,得到每个车辆部位的称重数据,包括:
对所述目标车辆进行车辆部位分割,得到多个车辆部位;
对所述多个动态称重点位和所述多个车辆部位进行点位匹配,得到每个动态称重点位对应的车辆部位;
基于所述多个动态称重点位,调用预置的压电称重设备对所述目标车辆进行车重采集,生成每个车辆部位的称重数据。
4.根据权利要求1所述的基于多点位的称重数据分析方法,其特征在于,所述根据所述车辆超载分析结果,对所述目标车辆进行负载分布异常分析,得到负载分布异常检测结果,并根据所述负载分布异常检测结果生成所述目标车辆的目标处理方案,包括:
根据所述车辆超载分析结果,对所述目标车辆进行负载分布异常分析,得到负载分布异常检测结果;其中,根据车辆超载分析结果,判断目标车辆的负载分布情况是否异常,如果负载分布情况异常,则分析异常原因和异常程度,得到负载分布异常检测结果;
根据所述负载分布异常检测结果,从预置的多个候选处理方案中查询所述目标车辆的目标处理方案;
将所述目标处理方案发送至预置的预警终端,并通过所述预警终端对所述目标车辆进行超载处理。
5.一种基于多点位的称重数据分析装置,其特征在于,所述基于多点位的称重数据分析装置包括:
设置模块,用于基于预设的称重测试方案,对目标路段进行称重点位设置,得到多个动态称重点位,并基于所述目标路段中的多个动态称重点位对待检测的目标车辆进行称重检测;
采集模块,用于对所述目标车辆进行车辆部位分割,得到多个车辆部位,并对所述多个动态称重点位和所述多个车辆部位进行点位匹配和车重采集,得到每个车辆部位的称重数据;
分析模块,用于对每个车辆部位的称重数据进行数据关联和负载分析,得到每个车辆部位的负载关联数据,并根据每个车辆部位的负载关联数据构建所述目标车辆的目标负载数据;
获取模块,用于获取所述目标车辆的车辆参数数据,并根据所述车辆参数数据对所述目标负载数据进行负载分布分析,得到目标负载分布特征;其中,获取所述目标车辆的车辆参数数据,其中,所述车辆参数数据包括:标准载重量和载重位置;基于所述车辆参数数据,构建所述目标车辆的分布特征数据模型;其中,标准载重量是指车辆在正常使用情况下的最大载重量,载重位置是指车辆中心重心位置相对于前轴和后轴的距离;基于目标车辆的车辆参数数据,构建目标车辆的分布特征数据模型,其中,分布特征数据模型基于概率统计、机器学习技术得到准确的负载分布特征数据模型;将所述目标负载数据输入所述分布特征数据模型进行负载分布分析,得到目标负载分布特征;其中,对目标负载数据进行预处理,基于车辆参数数据和传感器数据,计算出每个车辆部位在车辆上的位置和重量分布情况;根据车辆部位的位置和重量分布情况,绘制出目标负载分布图;对目标负载分布图进行分析,得出目标负载分布特征;
处理模块,用于将所述目标负载分布特征输入预置的车辆超载分析模型进行车辆超载分析,得到所述目标车辆对应的车辆超载分析结果;其中,所述车辆超载分析模型包括:两层门限循环单元以及三层全连接网络;通过所述两层门限循环单元对所述目标负载分布特征进行特征整合,得到分布特征向量;将所述分布特征向量输入所述三层全连接网络进行超载分析,输出目标预测值;其中,根据目标预测值,生成目标车辆对应的车辆超载分析结果;如果目标预测值超过了设定的阈值,则判断目标车辆存在超载现象;否则,判断目标车辆不存在超载现象;
生成模块,用于根据所述车辆超载分析结果,对所述目标车辆进行负载分布异常分析,得到负载分布异常检测结果,并根据所述负载分布异常检测结果生成所述目标车辆的目标处理方案。
6.一种基于多点位的称重数据分析设备,其特征在于,所述基于多点位的称重数据分析设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于多点位的称重数据分析设备执行如权利要求1-4中任一项所述的基于多点位的称重数据分析方法。
7.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-4中任一项所述的基于多点位的称重数据分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310409979.7A CN116152757B (zh) | 2023-04-18 | 2023-04-18 | 一种基于多点位的称重数据分析方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310409979.7A CN116152757B (zh) | 2023-04-18 | 2023-04-18 | 一种基于多点位的称重数据分析方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116152757A CN116152757A (zh) | 2023-05-23 |
CN116152757B true CN116152757B (zh) | 2023-07-07 |
Family
ID=86373930
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310409979.7A Active CN116152757B (zh) | 2023-04-18 | 2023-04-18 | 一种基于多点位的称重数据分析方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116152757B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116499628B (zh) * | 2023-06-25 | 2023-08-22 | 深圳亿维锐创科技股份有限公司 | 一种路面作用力分析方法、装置、设备及存储介质 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN204854924U (zh) * | 2015-05-04 | 2015-12-09 | 李会景 | 一种实时显示车辆载重量及超载自动报警的装置 |
CN109377046A (zh) * | 2018-10-18 | 2019-02-22 | 上海经达信息科技股份有限公司 | 基于bp神经网络的车辆超载判别方法、系统和装置 |
CN109712409A (zh) * | 2018-12-05 | 2019-05-03 | 深圳亿维锐创科技股份有限公司 | 一种基于车辆重量与抓拍特征信息数据的控制匹配方法 |
CN109855711A (zh) * | 2019-03-06 | 2019-06-07 | 河南省特利衡器有限公司 | 一种车辆超载超限动态称重系统 |
CN110889527A (zh) * | 2018-09-07 | 2020-03-17 | 国网甘肃省电力公司电力科学研究院 | 一种基于lstm神经网络的电动汽车充电负荷预测方法 |
CN113129602A (zh) * | 2019-12-31 | 2021-07-16 | 宇龙计算机通信科技(深圳)有限公司 | 一种车辆状态监测方法、装置、存储介质及电子设备 |
CN113375777A (zh) * | 2021-08-16 | 2021-09-10 | 山东矩阵软件工程股份有限公司 | 一种列车的超载检测方法和超载检测系统 |
CN113936193A (zh) * | 2021-10-26 | 2022-01-14 | 东北大学秦皇岛分校 | 货车载重量图像识别模型生成方法及货车载重量识别方法 |
CN113984175A (zh) * | 2021-10-26 | 2022-01-28 | 东北大学秦皇岛分校 | 基于人工神经网络的车载重标定方法及云服务系统 |
CN114692937A (zh) * | 2021-11-24 | 2022-07-01 | 贵州电网有限责任公司 | 一种基于主变负载影响因素预测的主变负载预测方法 |
WO2022213596A1 (zh) * | 2021-04-07 | 2022-10-13 | 北京理工大学 | 基于大数据的新能源汽车超载检测方法 |
CN115540987A (zh) * | 2022-09-19 | 2022-12-30 | 蚌埠高灵传感系统工程有限公司 | 基于载荷传感器的动态车辆超载检测方法及控制装置 |
CN115731707A (zh) * | 2022-11-14 | 2023-03-03 | 东南大学 | 一种高速公路车辆交通控制方法和系统 |
CN115771367A (zh) * | 2022-12-06 | 2023-03-10 | 广州小鹏汽车科技有限公司 | 车辆悬架的控制方法、控制装置、车辆和电子设备 |
CN115931095A (zh) * | 2023-02-21 | 2023-04-07 | 深圳市汉德网络科技有限公司 | 一种车辆尾板称重方法、装置、设备及存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180094966A1 (en) * | 2014-03-04 | 2018-04-05 | Amazon Technologies, Inc. | Generating load characteristic information based on sensor data |
US10345449B2 (en) * | 2016-12-02 | 2019-07-09 | Verizon Connect Ireland Limited | Vehicle classification using a recurrent neural network (RNN) |
US11247691B2 (en) * | 2019-01-31 | 2022-02-15 | Toyota Motor Engineering & Manufacturing North America, Inc. | Truck load monitoring system with performance adaptation |
WO2021098974A1 (en) * | 2019-11-22 | 2021-05-27 | Volvo Truck Corporation | Methods and systems for monitoring vehicle load distribution |
US11654934B2 (en) * | 2019-11-27 | 2023-05-23 | Toyota Research Institute, Inc. | Methods and systems for diversity-aware vehicle motion prediction via latent semantic sampling |
CN113033284B (zh) * | 2020-12-22 | 2022-10-25 | 迪比(重庆)智能科技研究院有限公司 | 一种基于卷积神经网络的车辆实时超载检测方法 |
-
2023
- 2023-04-18 CN CN202310409979.7A patent/CN116152757B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN204854924U (zh) * | 2015-05-04 | 2015-12-09 | 李会景 | 一种实时显示车辆载重量及超载自动报警的装置 |
CN110889527A (zh) * | 2018-09-07 | 2020-03-17 | 国网甘肃省电力公司电力科学研究院 | 一种基于lstm神经网络的电动汽车充电负荷预测方法 |
CN109377046A (zh) * | 2018-10-18 | 2019-02-22 | 上海经达信息科技股份有限公司 | 基于bp神经网络的车辆超载判别方法、系统和装置 |
CN109712409A (zh) * | 2018-12-05 | 2019-05-03 | 深圳亿维锐创科技股份有限公司 | 一种基于车辆重量与抓拍特征信息数据的控制匹配方法 |
CN109855711A (zh) * | 2019-03-06 | 2019-06-07 | 河南省特利衡器有限公司 | 一种车辆超载超限动态称重系统 |
CN113129602A (zh) * | 2019-12-31 | 2021-07-16 | 宇龙计算机通信科技(深圳)有限公司 | 一种车辆状态监测方法、装置、存储介质及电子设备 |
WO2022213596A1 (zh) * | 2021-04-07 | 2022-10-13 | 北京理工大学 | 基于大数据的新能源汽车超载检测方法 |
CN113375777A (zh) * | 2021-08-16 | 2021-09-10 | 山东矩阵软件工程股份有限公司 | 一种列车的超载检测方法和超载检测系统 |
CN113984175A (zh) * | 2021-10-26 | 2022-01-28 | 东北大学秦皇岛分校 | 基于人工神经网络的车载重标定方法及云服务系统 |
CN113936193A (zh) * | 2021-10-26 | 2022-01-14 | 东北大学秦皇岛分校 | 货车载重量图像识别模型生成方法及货车载重量识别方法 |
CN114692937A (zh) * | 2021-11-24 | 2022-07-01 | 贵州电网有限责任公司 | 一种基于主变负载影响因素预测的主变负载预测方法 |
CN115540987A (zh) * | 2022-09-19 | 2022-12-30 | 蚌埠高灵传感系统工程有限公司 | 基于载荷传感器的动态车辆超载检测方法及控制装置 |
CN115731707A (zh) * | 2022-11-14 | 2023-03-03 | 东南大学 | 一种高速公路车辆交通控制方法和系统 |
CN115771367A (zh) * | 2022-12-06 | 2023-03-10 | 广州小鹏汽车科技有限公司 | 车辆悬架的控制方法、控制装置、车辆和电子设备 |
CN115931095A (zh) * | 2023-02-21 | 2023-04-07 | 深圳市汉德网络科技有限公司 | 一种车辆尾板称重方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
基于神经网络自适应滤波的车辆动态称重系统研究;张瑞;吕文红;张瑞玺;;公路交通科技(第07期) * |
Also Published As
Publication number | Publication date |
---|---|
CN116152757A (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116152757B (zh) | 一种基于多点位的称重数据分析方法及相关装置 | |
US20180281091A1 (en) | Control device of wire electric discharge machine and machine learning device | |
CN107122830A (zh) | 分析设备和分析系统 | |
US20180307203A1 (en) | Machining defect factor estimation device | |
CN108445410A (zh) | 一种监测蓄电池组运行状态的方法及装置 | |
JPH11338848A (ja) | データ異常検出装置 | |
CN114400738A (zh) | 一种储能电站电池预警方法和系统 | |
CN109636248A (zh) | 适用于电力系统暂态稳定评估的特征选择方法及装置 | |
US9669479B2 (en) | Data collection system for electric discharge machines | |
CN115327417A (zh) | 一种动力电池单体异常的预警方法、系统及电子设备 | |
CN114414023A (zh) | 传感器异常诊断方法及装置、存储介质 | |
CN114414024A (zh) | 车载称重系统的监测方法及装置、存储介质、电子装置 | |
CN116759355B (zh) | 一种晶圆传送控制方法及系统 | |
CN114662619B (zh) | 基于多源数据融合的桥梁监测系统 | |
CN111158338A (zh) | 一种基于主成分分析的化工风险监测方法 | |
CN116380228A (zh) | 衡器运行监测方法、系统、终端及存储介质 | |
CN115629323A (zh) | 一种电池组故障检测方法、装置及车辆 | |
CN115099752A (zh) | 一种基于视觉识别的商品盘点方法及装置 | |
CN110751747A (zh) | 一种数据处理方法及装置 | |
CN113807441B (zh) | 半导体结构制备中的异常传感器监测方法及其装置 | |
CN115512523B (zh) | 基于互联网+的地铁隧道沉降监护方法、装置、系统及介质 | |
CN116242465B (zh) | 一种动态车辆称重方法及系统 | |
CN117421688B (zh) | 基于机器学习的智能预警方法、装置、设备及介质 | |
CN116991108B (zh) | 一种架桥机智慧管控方法、系统、装置及存储介质 | |
CN115615624B (zh) | 一种基于无人巡检装置的设备泄漏检测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |