CN116524726B - 基于大数据的新能源汽车超载检测分析方法及系统 - Google Patents

基于大数据的新能源汽车超载检测分析方法及系统 Download PDF

Info

Publication number
CN116524726B
CN116524726B CN202310815340.9A CN202310815340A CN116524726B CN 116524726 B CN116524726 B CN 116524726B CN 202310815340 A CN202310815340 A CN 202310815340A CN 116524726 B CN116524726 B CN 116524726B
Authority
CN
China
Prior art keywords
automobile
weighing data
data value
dynamic weighing
dynamic
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
Application number
CN202310815340.9A
Other languages
English (en)
Other versions
CN116524726A (zh
Inventor
王皆佳
缪智伟
贾君瑞
黄佳烽
成诚
李小洲
黄晓芬
花嘉颖
丰雨欣
张力元
李嘉锦
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.)
Jiangsu Vocational and Technical Shipping College
Original Assignee
Jiangsu Vocational and Technical Shipping College
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 Jiangsu Vocational and Technical Shipping College filed Critical Jiangsu Vocational and Technical Shipping College
Priority to CN202310815340.9A priority Critical patent/CN116524726B/zh
Publication of CN116524726A publication Critical patent/CN116524726A/zh
Application granted granted Critical
Publication of CN116524726B publication Critical patent/CN116524726B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • 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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5846—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using extracted text
    • 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
    • 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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/625—License plates
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/015—Detecting movement of traffic to be counted or controlled with provision for distinguishing between two or more types of vehicles, e.g. between motor-cars and cycles
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • 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
    • 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
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Library & Information Science (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Analytical Chemistry (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了基于大数据的新能源汽车超载检测分析方法及系统，涉及超载检测技术领域，所述方法包括以下步骤：采集动态数据值时，摄录端摄录汽车外观、车标、汽车车牌以及行驶速度，首先，重复上述步骤先识别汽车车型，并依据汽车车型确认汽车的超重阈值，其次，采集端基于动态检测模型计算得到车辆第一动态数据值，采集端结合摄录端摄录的行驶速度计算得到车辆第二动态数据值。本发明通过同时对车辆进行静态、动态称重数值采集，并结合大数据分析车辆是否超重、超载，适用范围广，且在检测过程中对动态称重数值进行多次对比，从而提高动态称重数值采集的精度，降低检测误差。

Description

基于大数据的新能源汽车超载检测分析方法及系统
技术领域
本发明涉及超载检测技术领域，具体涉及基于大数据的新能源汽车超载检测分析方法及系统。
背景技术
由于路况的不断改善和新能源汽车各项性能的提升，新能源汽车的超载问题也日趋严重，超载问题不仅仅会对公共道路造成破坏，还会对人员的生命财产安全造成伤害，超载问题已经成为导致交通事故的主要原因之一；
超限超载运输给公路基础实施带来难以估计的损害，表现为汽车在公路上的行驶过程，轴荷质量对路面进行驅压且是重复性的，在公路路面的寿命期内，符合标准的设计车辆轴荷不会对路面造成损坏，路面的使用寿命能够达到设计要求，当车辆的轴荷严重超限超载时，路面的弹性变形不能在设计范围内良好的恢复，长此以往，路面会产生如下症状，如网裂、变形、松散和坑槽等，给路面带来结构性损坏，公路的设计寿命将大打折扣。
公开号CN113158141A的中国专利公开了基于大数据的新能源汽车超载检测方法，通过计算同类车型在相同路段上的超载能耗概率，并与经处理的交管历史数据比较即可确定目标新能源汽车是否发生超载情况，克服了现有技术中繁复的单车单次的车辆检查方式，充分地发挥了新能源车辆以及大数据平台的优势，显著提高了超载检查的效率并降低了成本。
上述技术存在以下不足：上述检测方法仅对汽车做动态检测，使用存在局限性，而且单通过采集汽车能耗的方式计算汽车是否超载，单数据对比缝隙，导致采集数据的精度低，容易出现误判的现象。
发明内容
本发明的目的是提供基于大数据的新能源汽车超载检测分析方法及系统，以解决背景技术中不足。
为了实现上述目的，本发明提供如下技术方案：基于大数据的新能源汽车超载检测分析方法，所述方法包括以下步骤：
采集端采集汽车的静态、动态称重数据值；
采集静态称重数据值时，摄录端摄录汽车外观、车标以及汽车车牌，处理端通过数据库对比汽车外观、车标，识别汽车车型，并依据汽车车型确认汽车的超重阈值，通过静态称重数据值与超重阈值对比后选择将汽车车牌划入超载/未超载分区；
采集动态称重数据值时，摄录端摄录汽车外观、车标、汽车车牌以及行驶速度，首先，重复上述步骤先识别汽车车型，并依据汽车车型确认汽车的超重阈值，其次，采集端基于动态检测模型计算得到车辆第一动态称重数据值，采集端结合摄录端摄录的行驶速度计算得到车辆第二动态称重数据值，处理端将第一动态称重数据值、第二动态称重数据值以及超重阈值进行对比将汽车车牌划入超载/未超载分区。
优选的，所述采集端基于动态检测模型采集汽车的第一动态称重数据，计算公式为：
式中，d(t)是幅值为单位1的输入信号，其反映称重台在汽车通过时的一个冲击，w(t)表示称重台面上下的位移，m表示汽车真实载荷，M表示称重台面质量，k为称重传感系统结构的弹性系数，c为系统阻尼次数。
优选的，所述采集端采集汽车的第二动态称重数据步骤为：
摄录端采集车辆外观确定车辆型号，并获取该型号车辆的满载重量；
冲击力d0(t)通过车辆的满载重量与行驶速度计算公式为：
d0(t)＝VG
式中，V表示车辆行驶速度，G表示车辆的满载重量，获取冲击力d0(t)后，将冲击力d0(t)代入动态检测模型计算获取汽车的第二动态称重数据。
优选的，汽车行驶进入地磅称重台，采集端通过动态检测模型计算第一动态称重数据，然后通过摄录端采集车辆外观确定车辆型号，并依据数据库得到该型号车辆的满载重量，重新计算冲击力后，再次通过动态检测模型计算第二动态称重数据。
优选的，所述摄录端基于深度学习算法识别采集图像，所述深度学习算法包括卷积神经网络，卷积神经网络利用空间关系减少需要学习的参数数目，图像的局部感受区域作为层级结构的最低层的输入，信息再依次传输到不同的层，每层通过一个数字滤波器去获得观测数据的最显著的特征。
优选的，所述深度学习算法的处理逻辑为：
设一个系统L，有n层(L1......Ln)；
输入是I，输出是O，过程表示为：I＝>L1＝>L2＝>......＝>Ln＝>O，输出O等于输入I，输入I经过这个系统L变化之后没有信息损失，输入I经过每一层Li没有信息损失。
优选的，所述卷积神经网络的处理逻辑为：
输入图像通过三个滤波器及一个可加偏置进行卷积，卷积后在C1层产生三个特征映射图；
特征映射图中相邻四个像素为一组再进行相加求平均值，再进行加权值、加偏置；
通过激活函数得到三个S2层的特征映射图，映射图再经过相应滤波得到C3层，C3层再和S2一样产生S4；
像素值被栅格化，连接成一个一维向量输入到传统的神经网络中，得到输出。
优选的，所述处理端通过第一动态称重数据值、第二动态称重数据值以及超重阈值进行对比将汽车车牌划入超载/未超载分区的步骤为：
第一动态称重数据值、第二动态称重数据值的相差50-60kg，以第一动态称重数据值为对比值，第二动态称重数据值为参照值；
第一动态称重数据值、第二动态称重数据值相差小于50kg，第一动态称重数据值>第二动态称重数据值，以第一动态称重数据值为参照值，第一动态称重数据值<第二动态称重数据值，以第二动态称重数据值为参照值，第一动态称重数据值＝第二动态称重数据值，则第一动态称重数据值为参照值；
将参照值与超重阈值进行对比，参照值≤超重阈值，汽车车牌划入未超载分区，参照值>超重阈值，汽车车牌划入超载分区。
优选的，所述处理端通过静态称重数据值与超重阈值对比，选择将汽车车牌划入超载/未超载分区的步骤为：静态称重数据值≤超重阈值，汽车车牌划入未超载分区，静态称重数据值>超重阈值，汽车车牌划入超载分区。
本发明还提供基于大数据的新能源汽车超载检测分析系统，包括静态采集模块、动态采集模块、摄录模块以及处理模块；
静态采集模块采集车辆的静态称重数据，动态采集模块采集车辆的第一动态称重数据，摄录模块拍摄车辆外观和车辆行驶速度，基于数据库与车辆外观确认车辆型号，并基于车辆行驶速度计算车辆冲击力，结合动态检测模型计算车辆的第二动态称重数据，处理模块将静态称重数据、第一动态称重数据以及第二动态称重数据与超重阈值对比，判断车辆是否超载。
在上述技术方案中，本发明提供的技术效果和优点：
1、本发明通过同时对车辆进行静态、动态称重数值采集，并结合大数据分析车辆是否超重、超载，适用范围广，且在检测过程中对动态称重数值进行多次对比，从而提高动态称重数值采集的精度，降低检测误差。
2、本发明通过多次计算的方式，得到第一动态称重数据值和第二动态称重数据值，第二动态称重数据值主要用于修正第一动态称重数据值，当第二动态称重数据值与第一动态称重数据值相差不大时，可说明地磅自身无故障，此时以第一动态称重数据值作为参照值，从而避免检测错误，提高超载检测的准确性。
3、本发明通过深度学习算法精准分析每一帧画面，摄录端获取单帧图像，并将单帧图像传输至训练好的深度学习模型，模型使用Yolo算法对单帧图像的内容进行目标检测，并通过对单帧图像的内容进行分析，在采集到初次摄录的型号车辆时，基于数据库中的大数据平台确认该车辆的满载重量，提高摄录端的学习效率，适应性更强，从而避免识别错误。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例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中记载的一些实施例，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附图。
图1为本发明的纵向剖视图。
图2为本发明卷积神经网络的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，当元件被称为“固定于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。
实施例1
请参阅图1所示，本实施例所述基于大数据的新能源汽车超载检测分析方法，所述分析方法包括以下步骤：
采集端采集汽车的静态、动态称重数据值；
采集静态称重数据值时，摄录端摄录汽车外观、车标以及汽车车牌，处理端通过数据库对比汽车外观、车标，识别汽车车型，并依据汽车车型确认汽车的超重阈值，通过静态称重数据值与超重阈值对比后选择将汽车车牌划入超载/未超载分区；
采集动态称重数据值时，摄录端摄录汽车外观、车标、汽车车牌以及行驶速度，首先，重复上述步骤先识别汽车车型，并依据汽车车型确认汽车的超重阈值，其次，采集端基于动态检测模型计算得到车辆第一动态称重数据值，采集端结合摄录端摄录的行驶速度计算得到车辆第二动态称重数据值，处理端将第一动态称重数据值、第二动态称重数据值以及超重阈值进行对比将汽车车牌划入超载/未超载分区，该分析方法可同时对车辆进行静态、动态称重数值采集，并结合大数据分析车辆是否超重、超载，适用范围广，且在检测过程中对动态称重数值进行多次对比，从而提高动态称重数值采集的精度，降低检测误差。
通过静态称重数据值与超重阈值对比，选择将汽车车牌划入超载/未超载分区的具体原理为：若静态称重数据值≤超重阈值，汽车车牌划入未超载分区，若静态称重数据值>超重阈值，汽车车牌划入超载分区。
通过第一动态称重数据值、第二动态称重数据值以及超重阈值进行对比将汽车车牌划入超载/未超载分区的具体原理为：首先比较第一动态称重数据值、第二动态称重数据值，若第一动态称重数据值、第二动态称重数据值的相差过大，则以第一动态称重数据值为对比值，以第二动态称重数据值为参照值。
若第一动态称重数据值、第二动态称重数据值相差小，第一动态称重数据值>第二动态称重数据值，以第一动态称重数据值为参照值，第一动态称重数据值<第二动态称重数据值，以第二动态称重数据值为参照值，第一动态称重数据值＝第二动态称重数据值，则第一动态称重数据值为参照值。
将参照值与超重阈值进行对比，若参照值≤超重阈值，汽车车牌划入未超载分区，若参照值>超重阈值，汽车车牌划入超载分区。
实施例2
采集端采集汽车的静态、动态称重数据值；
采集静态称重数据值时，摄录端摄录汽车外观、车标以及汽车车牌，处理端通过数据库对比汽车外观、车标，识别汽车车型，并依据汽车车型确认汽车的超重阈值，通过静态称重数据值与超重阈值对比后选择将汽车车牌划入超载/未超载分区；
采集动态称重数据值时，摄录端摄录汽车外观、车标、汽车车牌以及行驶速度，首先，重复上述步骤先识别汽车车型，并依据汽车车型确认汽车的超重阈值，其次，采集端基于动态检测模型计算得到车辆第一动态称重数据值，采集端结合摄录端摄录的行驶速度计算得到车辆第二动态称重数据值，处理端将第一动态称重数据值、第二动态称重数据值以及超重阈值进行对比将汽车车牌划入超载/未超载分区，该分析方法可同时对车辆进行静态、动态称重数值采集，并结合大数据分析车辆是否超重、超载，适用范围广，且在检测过程中对动态称重数值进行多次对比，从而提高动态称重数值采集的精度，降低检测误差。
通过静态称重数据值与超重阈值对比，选择将汽车车牌划入超载/未超载分区的具体原理为：若静态称重数据值≤超重阈值，汽车车牌划入未超载分区，若静态称重数据值>超重阈值，汽车车牌划入超载分区。
通过第一动态称重数据值、第二动态称重数据值以及超重阈值进行对比将汽车车牌划入超载/未超载分区的具体原理为：首先比较第一动态称重数据值、第二动态称重数据值，若第一动态称重数据值、第二动态称重数据值的相差过大(相差50kg)，则以第一动态称重数据值为对比值，以第二动态称重数据值为参照值。
若第一动态称重数据值、第二动态称重数据值相差小，第一动态称重数据值>第二动态称重数据值，以第一动态称重数据值为参照值，第一动态称重数据值<第二动态称重数据值，以第二动态称重数据值为参照值，第一动态称重数据值＝第二动态称重数据值，则第一动态称重数据值为参照值。
将参照值与超重阈值进行对比，若参照值≤超重阈值，汽车车牌划入未超载分区，若参照值>超重阈值，汽车车牌划入超载分区。
采集端采集汽车的静态称重数据方式为：在汽车静止时通过地磅对车称重，简单且称重准确。
采集端采集汽车的第一动态称重数据方式为：汽车以一定的速度通过称重台，自动实现载重检测，动态检测模型如下：
式中，d(t)是幅值为单位1的输入信号，其反映称重台在汽车通过时的一个冲击，w(t)表示称重台面上下的位移，m表示汽车真实载荷，M表示称重台面质量，k为称重传感系统结构的弹性系数，c为系统阻尼次数。
根据动态检测模型，汽车驶入称重台相当于给地磅施加了一个信号mgd(t)，综合分析汽车动态检测模型的实测数据后，在信号平稳阶段即为汽车轮轴完全作用在称重台上时，对数据进行有效采集，然后计算得出汽车载重。
采集端采集汽车的第二动态称重数据方式为：摄录端摄录的行驶速度，汽车的行驶速度与对称重台产生的冲击有关，由于汽车的行驶速度越快，对称重台在汽车通过时产生的冲击也越大，因此，摄录端采集车辆外观确定车辆型号，并依据数据库得到该型号车辆的满载重量，因此，冲击力d0(t)通过车辆的满载重量与行驶速度计算公式为：d0(t)＝VG，式中，V表示车辆行驶速度，G表示车辆的满载重量，将冲击力d0(t)代入动态检测模型计算获取汽车的第二动态称重数据
本实施例中，选择车辆满载重量数据计算冲击力，可以提高计算精度，这样计算出的冲击力为最大冲击力，从而使得第二动态称重数据为最大值，当第二动态称重数据<超重阈值时，即可确认车辆未超载，需要注意的是，选择满载重量时，需要计算一个车辆上人员的平均体重，有利于减小检测误差。
汽车行驶进入地磅称重台时，采集端通过动态检测模型计算第一动态称重数据，然后通过摄录端采集车辆外观确定车辆型号，并依据数据库得到该型号车辆的满载重量，重新计算冲击力后，再次通过动态检测模型计算第二动态称重数据。
通过上述多次计算的方式，得到第一动态称重数据值和第二动态称重数据值，第二动态称重数据值主要用于修正第一动态称重数据值，当第二动态称重数据值与第一动态称重数据值相差不大时，可说明地磅自身无故障(地磅在运行过程中出现故障或部件之间的摩擦力变大时，会导致对车辆冲击力的检测值不准确)，此时以第一动态称重数据值作为参照值，从而避免检测错误，提高超载检测的准确性。
实施例3
由于在实际情况中，会存在部分车辆识别不准或误识别的现象，因此，摄录端基于深度学习算法识别采集图像，深度学习算法是在神经网络的基础上叠加隐层层数的一种学习网络；
所述深度学习算法的处理逻辑为：
设一个系统L，它有n层(L1......Ln)，它的输入是I，输出是O，其过程可表示为：I＝>L1＝>L2＝>......＝>Ln＝>O，如果输出O等于输入I，即输入I经过这个系统变化之后没有任何的信息损失，这意味着输入I经过每一层Li都没有任何的信息损失，即在任何一层Li，它都是原有信息(即输入I)的另外一种表示；
这样就可以自动地获取得到输入I的一系列层次特征，即L1…Ln，深度学习是对堆叠多个层，本层的输出作为下一层的输入实现对输入信息进行分级表达。
所述深度学习算法包括卷积神经网络，卷积神经网络利用空间关系减少需要学习的参数数目以提高一般前向BP算法的训练性能，图像的一小部分(局部感受区域)作为层级结构的最低层的输入，信息再依次传输到不同的层，每层通过一个数字滤波器去获得观测数据的最显著的特征，这个方法能够获取对平移、缩放和旋转不变的观测数据的显著特征。
卷积神经网络是多层的人工神经网络，每层由多个二维平面构成，同时每个平面又由多个独立的神经元组成，具体处理逻辑为：
请参阅图2所示，输入图像通过三个滤波器及一个可加偏置进行卷积，卷积后在C1层产生三个特征映射图，然后特征映射图中相邻四个像素为一组再进行相加求平均值，再进行加权值、加偏置，通过一个激活函数(Sigmoid函数)得到三个S2层的特征映射图，这些映射图再经过相应滤波得到C3层，该层再和S2一样产生S4，最终，这些像素值被栅格化，并连接成一个一维向量输入到传统的神经网络中，得到输出；
卷积神经网络包括局部感受野、权值共享以及时间、空间采样，其中，
局部感受野：通过局部区域的感知能够发现样本数据的一些局部特征；
权值共享：卷积神经网络中每一层的由多个特征图组成，每个特征图包括多个神经单元，同一个特征图的所有神经单元共享同一个卷积核(即权重)，一个卷积核往往代表样本的一类特征；
空间采样：样本采样的目的主要是打乱某个特征的具体位置，因为样本的一个特征找到后，那么它的具体位置已经不重要了，系统只关心这个特征与其它特征的相对位置。
本实施例中，通过将卷积神经网络作为识别模型的深度学习算法，使得：
(1)输入图像和网络的拓扑结构能很好的进行吻合；
(2)特征提取和模式分类可以同时进行，并同时在网络训练中产生；
(3)权重共享可以减少网络的训练参数，使得神经网络结构变得更加简单，适应性更强。
通过深度学习算法精准分析每一帧画面，摄录端获取单帧图像，并将单帧图像传输至训练好的深度学习模型，模型使用Yolo算法对单帧图像的内容进行目标检测，并通过对单帧图像的内容进行分析，在采集到初次摄录的型号车辆时，基于数据库中的大数据平台确认该车辆的满载重量，提高摄录端的学习效率，适应性更强，从而避免识别错误。
实施例4
本实施例所述基于大数据的新能源汽车超载检测分析系统，包括静态采集模块、动态采集模块、摄录模块以及处理模块；
其中，
静态采集模块：用于采集车辆的静态称重数据；
动态采集模块：用于采集车辆的第一动态称重数据；
摄录模块：拍摄车辆外观和车辆行驶速度，基于数据库与车辆外观确认车辆型号，并基于车辆行驶速度计算车辆冲击力，结合动态检测模型计算车辆的第二动态称重数据；
处理模块：用于将静态称重数据、第一动态称重数据以及第二动态称重数据与超重阈值对比，判断车辆是否超载。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例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或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、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合的服务器、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。半导体介质可以是固态硬盘。
应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况，其中A,B可以是单数或者复数。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系，但也可能表示的是一种“和/或”的关系，具体可参考前后文进行理解。
本申请中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a,b,或c中的至少一项(个)，可以表示：a,b,c,a-b,a-c,b-c,或a-b-c，其中a,b,c可以是单个，也可以是多个。
应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
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。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能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，本申请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)执行本申请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-onlymemory，ROM)、随机存取存储器(randomaccessmemory，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，仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (4)

1.基于大数据的新能源汽车超载检测分析方法，其特征在于：所述方法包括以下步骤：
采集端采集汽车的静态、动态称重数据值；
采集静态称重数据值时，摄录端摄录汽车外观、车标以及汽车车牌，处理端通过数据库对比汽车外观、车标，识别汽车车型，并依据汽车车型确认汽车的超重阈值；
通过静态称重数据值与超重阈值对比后选择将汽车车牌划入超载/未超载分区；
采集动态称重数据值时，摄录端摄录汽车外观、车标、汽车车牌以及行驶速度，识别汽车车型，并依据汽车车型确认汽车的超重阈值；
采集端基于动态检测模型计算得到车辆第一动态称重数据值；
处理端将第一动态称重数据值与超重阈值进行对比将汽车车牌划入超载/未超载分区；
所述采集端基于动态检测模型采集汽车的第一动态称重数据，计算公式为：
式中，d(t)是幅值为单位1的输入信号，其反映称重台在汽车通过时的一个冲击，w(t)表示称重台面上下的位移，m表示汽车真实载荷，M表示称重台面质量，k为称重传感系统结构的弹性系数，c为系统阻尼次数；
所述采集端采集汽车的第二动态称重数据步骤为：
摄录端采集车辆外观确定车辆型号，并获取该型号车辆的满载重量；
冲击力d0(t)通过车辆的满载重量与行驶速度计算公式为：
d0(t)＝VG
式中，V表示车辆行驶速度，G表示车辆的满载重量，获取冲击力d0(t)后，将冲击力d0(t)代入动态检测模型计算获取汽车的第二动态称重数据；
汽车行驶进入地磅称重台，采集端通过动态检测模型计算第一动态称重数据，然后通过摄录端采集车辆外观确定车辆型号，并依据数据库得到该型号车辆的满载重量，重新计算冲击力后，再次通过动态检测模型计算第二动态称重数据；
所述处理端通过第一动态称重数据值、第二动态称重数据值以及超重阈值进行对比将汽车车牌划入超载/未超载分区的步骤为：
第一动态称重数据值、第二动态称重数据值的相差50-60kg，以第一动态称重数据值为对比值，第二动态称重数据值为参照值；
第一动态称重数据值、第二动态称重数据值相差小于50kg，第一动态称重数据值>第二动态称重数据值，以第一动态称重数据值为参照值，第一动态称重数据值<第二动态称重数据值，以第二动态称重数据值为参照值，第一动态称重数据值＝第二动态称重数据值，则第一动态称重数据值为参照值；
将参照值与超重阈值进行对比，参照值≤超重阈值，汽车车牌划入未超载分区，参照值>超重阈值，汽车车牌划入超载分区；
所述处理端通过静态数据值与超重阈值对比，选择将汽车车牌划入超载/未超载分区的步骤为：静态数据值≤超重阈值，汽车车牌划入未超载分区，静态数据值>超重阈值，汽车车牌划入超载分区。
2.根据权利要求1所述的基于大数据的新能源汽车超载检测分析方法，其特征在于：所述摄录端基于深度学习算法识别采集图像，所述深度学习算法包括卷积神经网络，卷积神经网络利用空间关系减少需要学习的参数数目，图像的局部感受区域作为层级结构的最低层的输入，信息再依次传输到不同的层，每层通过一个数字滤波器去获得观测数据的最显著的特征。
3.根据权利要求2所述的基于大数据的新能源汽车超载检测分析方法，其特征在于：所述深度学习算法的处理逻辑为：
设一个系统L，有n层(L1......Ln)；
输入是I，输出是O，过程表示为：I＝>L1＝>L2＝>......＝>Ln＝>O，输出O等于输入I，输入I经过这个系统L变化之后没有信息损失，输入I经过每一层Li没有信息损失。
4.根据权利要求2所述的基于大数据的新能源汽车超载检测分析方法，其特征在于：所述卷积神经网络的处理逻辑为：
输入图像通过三个滤波器及一个可加偏置进行卷积，卷积后在C1层产生三个特征映射图；
特征映射图中相邻四个像素为一组再进行相加求平均值，再进行加权值、加偏置；
通过激活函数得到三个S2层的特征映射图，映射图再经过相应滤波得到C3层，C3层再和S2一样产生S4；
像素值被栅格化，连接成一个一维向量输入到传统的神经网络中，得到输出。
CN202310815340.9A 2023-07-05 2023-07-05 基于大数据的新能源汽车超载检测分析方法及系统 Active CN116524726B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310815340.9A CN116524726B (zh) 2023-07-05 2023-07-05 基于大数据的新能源汽车超载检测分析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310815340.9A CN116524726B (zh) 2023-07-05 2023-07-05 基于大数据的新能源汽车超载检测分析方法及系统

Publications (2)

Publication Number Publication Date
CN116524726A CN116524726A (zh) 2023-08-01
CN116524726B true CN116524726B (zh) 2023-10-13

Family

ID=87390733

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310815340.9A Active CN116524726B (zh) 2023-07-05 2023-07-05 基于大数据的新能源汽车超载检测分析方法及系统

Country Status (1)

Country Link
CN (1) CN116524726B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20070115100A (ko) * 2006-05-30 2007-12-05 김주현 주행 차량 자동 계중 시스템
KR20090030666A (ko) * 2007-09-20 2009-03-25 조성윤 고속주행차량 자동 계중 시스템
CN204705397U (zh) * 2015-05-27 2015-10-14 北京万集科技股份有限公司 一种基于电子车牌的车型稽查和超限检测系统
KR20180138459A (ko) * 2017-06-21 2018-12-31 조헌 스마트 로드 시스템의 차량의 과적 여부를 판단하는 방법
CN111762096A (zh) * 2020-06-27 2020-10-13 王亚鹏 一种基于人工智能的新能源汽车安全预警方法及系统
CN112507588A (zh) * 2020-12-03 2021-03-16 宁波朗达工程科技有限公司 一种超载车辆对桥梁影响的评估方法、系统及计算机设备
CN112528375A (zh) * 2020-12-10 2021-03-19 扬州大学 基于大质量法考虑行波效应分析大跨桥地震响应的方法
CN112781702A (zh) * 2020-12-30 2021-05-11 北京万集科技股份有限公司 一种对车辆称重的方法及系统
CN114937234A (zh) * 2021-12-09 2022-08-23 江苏高速公路信息工程有限公司 一种高速公路服务区大数据智慧服务系统及方法
CN115343719A (zh) * 2022-08-01 2022-11-15 南京理工大学 基于红外和激光雷达的货车严重超载检测方法
CN115683304A (zh) * 2022-10-31 2023-02-03 湖南三一智能控制设备有限公司 称重方法、装置、系统及作业机械

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20070115100A (ko) * 2006-05-30 2007-12-05 김주현 주행 차량 자동 계중 시스템
KR20090030666A (ko) * 2007-09-20 2009-03-25 조성윤 고속주행차량 자동 계중 시스템
CN204705397U (zh) * 2015-05-27 2015-10-14 北京万集科技股份有限公司 一种基于电子车牌的车型稽查和超限检测系统
KR20180138459A (ko) * 2017-06-21 2018-12-31 조헌 스마트 로드 시스템의 차량의 과적 여부를 판단하는 방법
CN111762096A (zh) * 2020-06-27 2020-10-13 王亚鹏 一种基于人工智能的新能源汽车安全预警方法及系统
CN112507588A (zh) * 2020-12-03 2021-03-16 宁波朗达工程科技有限公司 一种超载车辆对桥梁影响的评估方法、系统及计算机设备
CN112528375A (zh) * 2020-12-10 2021-03-19 扬州大学 基于大质量法考虑行波效应分析大跨桥地震响应的方法
CN112781702A (zh) * 2020-12-30 2021-05-11 北京万集科技股份有限公司 一种对车辆称重的方法及系统
CN114937234A (zh) * 2021-12-09 2022-08-23 江苏高速公路信息工程有限公司 一种高速公路服务区大数据智慧服务系统及方法
CN115343719A (zh) * 2022-08-01 2022-11-15 南京理工大学 基于红外和激光雷达的货车严重超载检测方法
CN115683304A (zh) * 2022-10-31 2023-02-03 湖南三一智能控制设备有限公司 称重方法、装置、系统及作业机械

Also Published As

Publication number Publication date
CN116524726A (zh) 2023-08-01

Similar Documents

Publication Publication Date Title
CN110633690B (zh) 基于桥梁监控的车辆特征识别方法及系统
CN107657237A (zh) 基于深度学习的汽车碰撞检测方法及系统
CN111160249A (zh) 基于跨尺度特征融合的光学遥感图像多类目标检测方法
CN109829445B (zh) 一种视频流中的车辆检测方法
CN110197185B (zh) 一种基于尺度不变特征变换算法监测桥下空间的方法和系统
CN104680554B (zh) 基于surf的压缩跟踪方法和系统
CN113221759A (zh) 基于异常检测模型的道路遗撒识别方法以及装置
CN111735524A (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
CN116563583B (zh) 一种图像匹配的方法、地图信息的更新方法以及相关装置
CN111735523A (zh) 基于视频识别的车重检测方法、装置及存储介质
Christodoulou et al. Pavement defects detection and classification using smartphone-based vibration and video signals
Christodoulou et al. Pavement patch defects detection and classification using smartphones, vibration signals and video images
CN116680894A (zh) 一种桥梁车辆荷载效应实时孪生方法
CN103700109A (zh) 基于多目标优化moea/d和模糊聚类的sar图像变化检测方法
CN115205615A (zh) 一种车辆清洁度检测方法、装置和计算机可读存储介质
CN113837007B (zh) 一种基于桥梁监控视频中车辆匹配深度学习的桥梁荷载分布识别方法
CN114708532A (zh) 一种监控视频质量评估方法、系统及存储介质
CN114155278A (zh) 目标跟踪及相关模型的训练方法和相关装置、设备、介质
CN116524726B (zh) 基于大数据的新能源汽车超载检测分析方法及系统
CN106778822B (zh) 基于漏斗变换的图像直线检测方法
CN115456957B (zh) 一种全尺度特征聚合的遥感影像变化检测的方法
CN111612734A (zh) 一种基于图像结构复杂度的背景杂波表征方法
CN115909285A (zh) 一种雷达和视频信号融合的车辆跟踪方法
CN114299421A (zh) 检测螺栓松动的方法、卷积神经网络、训练方法及系统
CN114267021A (zh) 对象识别方法和装置、存储介质及电子设备

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