CN116718255A - 智能土石方运量称重系统 - Google Patents

Abstract

本发明公开了智能土石方运量称重系统，属于智能称重领域，包括监测平台、影像采集设备、图像处理模块、级联提取模块、载重估算模块、参数更新模块以及数据存储模块；其中，所述监测平台用于验证管理人员身份信息，并将各土石方车辆运输信息实时反馈给管理人员；本发明能够实现在不依赖人工称重手段的情况下，快速、准确地对车辆载重情况进行监测和评估，减少工作人员工作量，提高工作效率。

Description

智能土石方运量称重系统

技术领域

本发明涉及智能称重领域，尤其涉及智能土石方运量称重系统。

背景技术

土石方是土方与石方的总称，即是土和石，计量单位为一般为立方米。土石方工程包括一切土石方的挖梆、填筑、运输以及排水、降水等方面；一般工地拉运土石等基建材料或土石方垃圾都是通过土石方车辆进行运输。随着城市建设的不断发展，土建项目普遍存在土石方的转运，土石方车辆运载土石方离开工地时需要对土石方数进行统计，目前大部分工地仍采取传统的人工计数方式进行统计；因此，发明出一种智能土石方运量称重系统变得尤为重要。

现有的土石方运量称重系统只能在依赖人工称重手段的情况下对车辆载重情况进行监测和评估，且无法快速、准确地对车辆载重情况进行分析，为此，我们提出智能土石方运量称重系统。

发明内容

本发明的目的是为了解决现有技术中存在的缺陷，而提出的智能土石方运量称重系统。

为了实现上述目的，本发明采用了如下技术方案：

智能土石方运量称重系统，包括监测平台、影像采集设备、图像处理模块、级联提取模块、载重估算模块、参数更新模块以及数据存储模块；

其中，所述监测平台用于验证管理人员身份信息，并将各土石方车辆运输信息实时反馈给管理人员；

所述影像采集设备用于采集土石方车辆的轮毂与轮胎影像信息以及各土石方车辆车牌信息；

所述图像处理模块用于对采集到的影像信息优化处理；

所述级联提取模块用于提取影像信息中的轮胎图像；

所述载重估算模块用于依据各轮胎图像对各土石方车辆载重进行预测分析；

所述参数更新模块用于接收载重估算模块运行信息，并对其进行优化调整；

所述数据存储模块用于将各土石方车辆载重信息进行存储。

作为本发明的进一步方案，所述影像采集设备具体为摄像头、摄像机或相机。

作为本发明的进一步方案，所述图像处理模块优化处理具体步骤如下：

步骤一：将采集到的轮毂与轮胎影像信息进行逐帧提取以获取多组图片数据，之后收集每辆土石方车辆的车牌号，同时将提取各组图片数据与对应土石方车辆车牌号进行匹配；

步骤二：依据各图片数据显示比例进行分块处理，之后对分块后的各组图片数据通过傅里叶变换对各组图片中高频成分进行分析提取，并通过高斯滤波进行平滑处理；

步骤三：使用规定像素的窗口在各图片数据中移动，每移动一次计算此时窗口下的灰度共生矩阵，从灰度共生矩阵中计算相关图片数据中的纹理特征，之后记录计算出的各组纹理特征。

作为本发明的进一步方案，所述级联提取模块轮胎图像提取具体步骤如下：

步骤(1)：级联提取模块通过图像金字塔对优化后的各图片数据进行尺度归一化处理，并提取各组图片数据的特征，之后通过双向特征金字塔进行特征融合以获取目标检测框；

步骤(2)：依据目标检测框信息对相关图片数据进行扩大化剪裁以获取目标图像，之后将记录的纹理特征值按数组的形式储存到相应的像素位置；

步骤(3)：当像素纹理特征满足预设条件时，则判断当前像素区域为轮胎，并将其标记为1，若不满足，则判断当前像素区域为背景区域，并依据判断结果对目标图像进行背景分离以提取轮胎图像。

作为本发明的进一步方案，所述载重估算模块预测分析具体步骤如下：

步骤①：载重估算模块采集多组轮胎形变数据，将采集的多组数据整合成轮胎形变样本数据集，之后计算该样本数据集的标准偏差对样本数据集中的异常数据进行剔除，再对剩余数据进行标准化以及归一化处理；

步骤②：将数据划分为测试集以及训练集，之后再对一组卷积神经网络进行参数以及激励函数设置，再将训练集输入神经网络中进行训练，并计算该卷积神经网络多轮学习后的能量函数，若能量函数值小于目标误差，训练结束并输出形变分析模型；

步骤③：通过测试集对该形变分析模型进行测试并输出该模型损失值，若该模型损失值未满足预设期望值，则通过参数更新模块对形变分析模型进行参数更新；

步骤④：将当前采集的轮胎图像输入形变分析模型中以获取该土石方车辆各轮胎形变率，之后依据获取的轮胎形变率以及土石方车辆参数信息对该车辆载重进行计算，同时对该车辆载重情况进行分析，并将计算与分析结果以及对应的土石方车辆车牌反馈至监测平台。

作为本发明的进一步方案，步骤④所述土石方车辆参数信息具体包括车辆的基本重量、轮胎数量以及载重指数，其中，车辆的基本重量可通过称重获取；轮胎数量表示车上的轮胎数量，载重指数代表轮胎的承重能力，该参数信息可在车辆的注册证明以及厂家手册中找到；

步骤④中所述车辆载重具体计算公式如下：

W_载重＝W_车重+(S_轮胎×N×un_轮胎)

(1)

其中，W_载重代表该土石方车辆载重量；W_车重代表该土石方车辆的基本重量；S_轮胎代表该土石方车辆的轮胎数量；N代表该土石方车辆轮胎的承重能力；un_轮胎代表该土石方车辆的轮胎形变率。

作为本发明的进一步方案，所述参数更新模块优化调整具体步骤如下：

第一步：参数更新模块在该形变分析模型的规定区间内初始化网络连接权值，之后计算该形变分析模型的输出，再比较期望的网络输出与实际的网络输出，并且计算所有神经元的局部误差；

第二步：当局部误差超出工作人员预设阈值后，依据学习规则方程对该形变分析模型的权值进行训练以及更新，并依据预设的学习率以及步长列出所有可能的数据结果；

第三步：对于每一组数据，选取任意一个子集作为测试集，其余子集作为训练集，训练测试模型后对测试集进行检测，并统计检测结果的均方根误差；

第四步：将测试集更换为另一子集，再取剩余子集作为训练集，再次统计均方根误差，直至对所有数据都进行一次预测，通过选取均方根误差最小时对应的组合参数作为数据区间内最优的参数并替换形变分析模型原有参数。

相比于现有技术，本发明的有益效果在于：

本发明通过影像采集设备采集到各土石方车辆的轮毂与轮胎影像信息以及各土石方车辆车牌信息后，图像处理模块对各组影像信息进行优化并计算该影像信息的纹理特征，之后级联提取模块对影像信息进行预处理后生成目标检测框，同时依据生成的目标检测框进行扩大化剪裁，之后将记录的纹理特征值按数组的形式储存到剪裁图像各像素位置，依据各像素纹理特征信息提取轮胎图像，然后载重估算模块采集多组轮胎形变数据以训练并测试一组卷积神经网络以获取形变分析模型，将当前采集的轮胎图像输入形变分析模型中以获取该土石方车辆各轮胎形变率，之后依据获取的轮胎形变率以及土石方车辆参数信息对该车辆载重进行计算，同时对该车辆载重情况进行分析，并将计算与分析结果以及对应的土石方车辆车牌反馈至监测平台，能够实现在不依赖人工称重手段的情况下，快速、准确地对车辆载重情况进行监测和评估，减少工作人员工作量，提高工作效率。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。

图1为本发明提出的智能土石方运量称重系统的系统框图；

图2为本发明提出的智能土石方运量称重系统的影像采集设备安装示意图。

图中：1、钢板平台；2、摄像机移动轨道；3、轮胎变形检测摄像机；4、车牌识别摄像机。

具体实施方式

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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

实施例1

参照图1-2，智能土石方运量称重系统，包括监测平台、影像采集设备、图像处理模块、级联提取模块、载重估算模块、参数更新模块以及数据存储模块。

监测平台用于验证管理人员身份信息，并将各土石方车辆运输信息实时反馈给管理人员；影像采集设备用于采集土石方车辆的轮毂与轮胎影像信息以及各土石方车辆车牌信息。

本实施例中，影像采集设备具体为摄像头、摄像机或相机，如图2所示，四组摄像机移动轨道2分别活动连接在钢板平台1两端，且四组轮胎变形检测摄像机3分别活动连接在四组摄像机移动轨道2一端，车牌识别摄像机4活动连接在钢板平台1右端，即土石方车辆后端。

图像处理模块用于对采集到的影像信息优化处理.

具体的，图像处理模块将采集到的轮毂与轮胎影像信息进行逐帧提取以获取多组图片数据，之后收集每辆土石方车辆的车牌号，同时将提取各组图片数据与对应土石方车辆车牌号进行匹配，再依据各图片数据显示比例进行分块处理，之后对分块后的各组图片数据通过傅里叶变换对各组图片中高频成分进行分析提取，并通过高斯滤波进行平滑处理，使用规定像素的窗口在各图片数据中移动，每移动一次计算此时窗口下的灰度共生矩阵，从灰度共生矩阵中计算相关图片数据中的纹理特征，之后记录计算出的各组纹理特征。

级联提取模块用于提取影像信息中的轮胎图像。

具体的，级联提取模块通过图像金字塔对优化后的各图片数据进行尺度归一化处理，并提取各组图片数据的特征，之后通过双向特征金字塔进行特征融合以获取目标检测框，依据目标检测框信息对相关图片数据进行扩大化剪裁以获取目标图像，之后将记录的纹理特征值按数组的形式储存到相应的像素位置，当像素纹理特征满足预设条件时，则判断当前像素区域为轮胎，并将其标记为1，若不满足，则判断当前像素区域为背景区域，并依据判断结果对目标图像进行背景分离以提取轮胎图像。

实施例2

参照图1，智能土石方运量称重系统，包括监测平台、影像采集设备、图像处理模块、级联提取模块、载重估算模块、参数更新模块以及数据存储模块。

载重估算模块用于依据各轮胎图像对各土石方车辆载重进行预测分析。

具体的，载重估算模块采集多组轮胎形变数据，将采集的多组数据整合成轮胎形变样本数据集，之后计算该样本数据集的标准偏差对样本数据集中的异常数据进行剔除，再对剩余数据进行标准化以及归一化处理，将数据划分为测试集以及训练集，之后再对一组卷积神经网络进行参数以及激励函数设置，再将训练集输入神经网络中进行训练，并计算该卷积神经网络多轮学习后的能量函数，若能量函数值小于目标误差，训练结束并输出形变分析模型，通过测试集对该形变分析模型进行测试并输出该模型损失值，若该模型损失值未满足预设期望值，则通过参数更新模块对形变分析模型进行参数更新，将当前采集的轮胎图像输入形变分析模型中以获取该土石方车辆各轮胎形变率，之后依据获取的轮胎形变率以及土石方车辆参数信息对该车辆载重进行计算，同时对该车辆载重情况进行分析，并将计算与分析结果以及对应的土石方车辆车牌反馈至监测平台。

本实施例中，土石方车辆参数信息具体包括车辆的基本重量、轮胎数量以及载重指数，其中，车辆的基本重量可通过称重获取；轮胎数量表示车上的轮胎数量，载重指数代表轮胎的承重能力，该参数信息可在车辆的注册证明以及厂家手册中找到。

需要进一步说明的是，车辆载重具体计算公式如下：

W_载重＝W_车重+(S_轮胎×N×un_轮胎)

(1)

其中，W_载重代表该土石方车辆载重量；W_车重代表该土石方车辆的基本重量；S_轮胎代表该土石方车辆的轮胎数量；N代表该土石方车辆轮胎的承重能力；un_轮胎代表该土石方车辆的轮胎形变率。

参数更新模块用于接收载重估算模块运行信息，并对其进行优化调整。数据存储模块用于将各土石方车辆载重信息进行存储。

具体的。参数更新模块在该形变分析模型的规定区间内初始化网络连接权值，之后计算该形变分析模型的输出，再比较期望的网络输出与实际的网络输出，并且计算所有神经元的局部误差，当局部误差超出工作人员预设阈值后，依据学习规则方程对该形变分析模型的权值进行训练以及更新，并依据预设的学习率以及步长列出所有可能的数据结果，对于每一组数据，选取任意一个子集作为测试集，其余子集作为训练集，训练测试模型后对测试集进行检测，并统计检测结果的均方根误差，将测试集更换为另一子集，再取剩余子集作为训练集，再次统计均方根误差，直至对所有数据都进行一次预测，通过选取均方根误差最小时对应的组合参数作为数据区间内最优的参数并替换形变分析模型原有参数。

Claims (7)

1.智能土石方运量称重系统，其特征在于，包括监测平台、影像采集设备、图像处理模块、级联提取模块、载重估算模块、参数更新模块以及数据存储模块；

其中，所述监测平台用于验证管理人员身份信息，并将各土石方车辆运输信息实时反馈给管理人员；

所述影像采集设备用于采集土石方车辆的轮毂与轮胎影像信息以及各土石方车辆车牌信息；

所述图像处理模块用于对采集到的影像信息优化处理；

所述级联提取模块用于提取影像信息中的轮胎图像；

所述载重估算模块用于依据各轮胎图像对各土石方车辆载重进行预测分析；

所述参数更新模块用于接收载重估算模块运行信息，并对其进行优化调整；

所述数据存储模块用于将各土石方车辆载重信息进行存储。

2.根据权利要求1所述的智能土石方运量称重系统，其特征在于，所述影像采集设备具体为摄像头、摄像机或相机。

3.根据权利要求2所述的智能土石方运量称重系统，其特征在于，所述图像处理模块优化处理具体步骤如下：

步骤一：将采集到的轮毂与轮胎影像信息进行逐帧提取以获取多组图片数据，之后收集每辆土石方车辆的车牌号，同时将提取各组图片数据与对应土石方车辆车牌号进行匹配；

步骤二：依据各图片数据显示比例进行分块处理，之后对分块后的各组图片数据通过傅里叶变换对各组图片中高频成分进行分析提取，并通过高斯滤波进行平滑处理；

步骤三：使用规定像素的窗口在各图片数据中移动，每移动一次计算此时窗口下的灰度共生矩阵，从灰度共生矩阵中计算相关图片数据中的纹理特征，之后记录计算出的各组纹理特征。

4.根据权利要求3所述的智能土石方运量称重系统，其特征在于，所述级联提取模块轮胎图像提取具体步骤如下：

步骤(1)：级联提取模块通过图像金字塔对优化后的各图片数据进行尺度归一化处理，并提取各组图片数据的特征，之后通过双向特征金字塔进行特征融合以获取目标检测框；

步骤(2)：依据目标检测框信息对相关图片数据进行扩大化剪裁以获取目标图像，之后将记录的纹理特征值按数组的形式储存到相应的像素位置；

步骤(3)：当像素纹理特征满足预设条件时，则判断当前像素区域为轮胎，并将其标记为1，若不满足，则判断当前像素区域为背景区域，并依据判断结果对目标图像进行背景分离以提取轮胎图像。

5.根据权利要求4所述的智能土石方运量称重系统，其特征在于，所述载重估算模块预测分析具体步骤如下：

步骤①：载重估算模块采集多组轮胎形变数据，将采集的多组数据整合成轮胎形变样本数据集，之后计算该样本数据集的标准偏差对样本数据集中的异常数据进行剔除，再对剩余数据进行标准化以及归一化处理；

步骤②：将数据划分为测试集以及训练集，之后再对一组卷积神经网络进行参数以及激励函数设置，再将训练集输入神经网络中进行训练，并计算该卷积神经网络多轮学习后的能量函数，若能量函数值小于目标误差，训练结束并输出形变分析模型；

步骤③：通过测试集对该形变分析模型进行测试并输出该模型损失值，若该模型损失值未满足预设期望值，则通过参数更新模块对形变分析模型进行参数更新；

步骤④：将当前采集的轮胎图像输入形变分析模型中以获取该土石方车辆各轮胎形变率，之后依据获取的轮胎形变率以及土石方车辆参数信息对该车辆载重进行计算，同时对该车辆载重情况进行分析，并将计算与分析结果以及对应的土石方车辆车牌反馈至监测平台。

6.根据权利要求1所述的智能土石方运量称重系统，其特征在于，步骤④所述土石方车辆参数信息具体包括车辆的基本重量、轮胎数量以及载重指数，其中，车辆的基本重量可通过称重获取；轮胎数量表示车上的轮胎数量，载重指数代表轮胎的承重能力，该参数信息可在车辆的注册证明以及厂家手册中找到；

步骤④中所述车辆载重具体计算公式如下：

W_载重＝W_车重+(S_轮胎×N×un_轮胎)

(1)

其中，W_载重代表该土石方车辆载重量；W_车重代表该土石方车辆的基本重量；S_轮胎代表该土石方车辆的轮胎数量；N代表该土石方车辆轮胎的承重能力；un_轮胎代表该土石方车辆的轮胎形变率。

7.根据权利要求5所述的智能土石方运量称重系统，其特征在于，所述参数更新模块优化调整具体步骤如下：

第一步：参数更新模块在该形变分析模型的规定区间内初始化网络连接权值，之后计算该形变分析模型的输出，再比较期望的网络输出与实际的网络输出，并且计算所有神经元的局部误差；

第二步：当局部误差超出工作人员预设阈值后，依据学习规则方程对该形变分析模型的权值进行训练以及更新，并依据预设的学习率以及步长列出所有可能的数据结果；

第三步：对于每一组数据，选取任意一个子集作为测试集，其余子集作为训练集，训练测试模型后对测试集进行检测，并统计检测结果的均方根误差；

第四步：将测试集更换为另一子集，再取剩余子集作为训练集，再次统计均方根误差，直至对所有数据都进行一次预测，通过选取均方根误差最小时对应的组合参数作为数据区间内最优的参数并替换形变分析模型原有参数。