CN116824524A - 一种基于机器视觉的大数据流程监管系统及方法 - Google Patents

Abstract

本发明公开了一种基于机器视觉的大数据流程监管系统及方法，涉及大数据流程监管技术领域，本发明通过数据获取模块获取建筑材料运输路线上的路面信息和运输车辆内的建筑材料相关信息；通过数据分析模块对获取的路面信息和建筑材料相关信息进行数据分析，结合机器视觉技术对获取的各项信息进行解析；通过驾驶行为数据监测模块对运输车辆的驾驶行为进行监测，监控获取当前车辆的行驶速度和行驶方向；通过预警反馈模块根据数据分析模块的分析结果对驾驶行为数据监测模块的监测数据进行判别，若车内建筑材料存在损伤风险，则进行预警；以便于提高建筑运输流程监管的可信度，提高对建筑材料运输的安全保障，有效减少了建筑材料在运输过程中的损耗。

Description

一种基于机器视觉的大数据流程监管系统及方法

技术领域

本发明涉及大数据流程监管技术领域，具体为一种基于机器视觉的大数据流程监管系统及方法。

背景技术

机器视觉利用计算机科学、数字信号处理、模式识别等技术，将人类视觉能力模拟到计算机系统中，使计算机能够对现实世界中的图像或视频进行感知和理解。机器视觉在许多领域有广泛的应用，并且随着深度学习和大数据的快速发展，在实际应用中有了显著的进展。

大数据流程监管通过对流程进行实时监管和分析，进而确保流程的可靠性，并为相关人员提供实时的反馈和决策支持。对建筑材料进行运输时，大多使用整车运输，而及建筑材料具有种类多样、易散失、易损坏等特点，例如平板玻璃、建筑陶瓷、保温材料等建材属于脆性材料，一旦受到挤压和冲击时，极其容易出现损坏，严重时甚至会影响车辆和人员安全。同时，通往工程施工现场的道路存在未硬化处理、原始土路、急转弯和陡坡等情况，在对建筑材料进行运输的过程中，需结合实际路况对车辆行驶状态进行监测，避免因驾驶员在运输路线的失误行驶造成运输货物的损坏。为了最大限度的减少以上特性的建筑材料出现损坏，在运输车辆在对建筑材料进行运输时，需要对建筑材料的运输流程进行严格监管。

因此，为了解决上述问题或部分问题，本发明提供了一种基于机器视觉的大数据流程监管系统及方法。

发明内容

本发明的目的在于提供一种基于机器视觉的大数据流程监管系统及方法，以解决上述背景技术中提出的问题。

为了解决上述技术问题，本发明提供如下技术方案：一种基于机器视觉的大数据流程监管方法，包括以下步骤：

S1：对运输行驶路线的路面信息进行采集，采集运输路线的坡度、弯度和路面凹凸情况；对运输车辆的装载货物信息进行获取，获取车内货物的位置信息和货物摆放状态；

S2：对采集的路面信息进行分析，计算当前行驶路线的路面平整度；对获取的车内货物的位置和摆放信息进行分析，计算当前车内货物的承受力阈值；

S3：对当前运输车辆的驾驶情况进行监测，监控获取当前车辆的行驶速度和行驶方向,并对当前运输车辆的驾驶情况变动范围进行分析；

S4：根据S2的分析结果，对S3监测的行驶情况进行判别，判断按照当前行驶速度和行驶方向在当前行驶路线内进行行驶时，驾驶员做出的下一驾驶操作是否满足车内货物的可承受车况。

进一步的，所述S1包括：

步骤S1-1：通过机器视觉技术对当前运输车辆的行驶路线的地面信息进行采集；在运输车辆上安装高清摄像头，对行驶路线的地面图像进行实时采集，其中，摄像头的位置可以选择车辆正前方、后方或侧方，以便于获得最佳视野；

结合GPS定位系统，获取运输车辆的坐标位置信息，通过获取车辆的当前位置行驶轨迹，对云端的行驶路线相关数据进行提取，对于多车辆运输的情况，可减少对路面信息的重复采集；

步骤S1-2：对采集的图像进行处理和分析，可使用图像处理算法检测道路边界、障碍物等，通过计算机视觉算法进行目标检测和特征提取，对提取的特征数据进行预处理，处理得到路面特征数据集R，R＝{r₁,r₂，...，r_n}，其中，r₁、r₂、...、r_n分别表示第1、2、...、n组道路特征数据，包括边界特征数据集、道路斜度特征数据集、道路障碍物特征数据集和路面凸起特征数据集；

步骤S1-3：在运输车辆内部安装摄像头，通过实时监控车内的图像来获取货物的位置信息，建立关于车内货物的三维空间，通过使用多种传感器来监测运输车内装载货物的重量和环境条件，根据传感器数据，建立车内货物的三维模型，可使用点云重建算法或三维建模软件等将传感器数据转换为可视化的三维模型；提高建筑材料运输过程的安全性，并优化了货物运输效率。

步骤S1-4：对上述步骤中获取到的行驶路线数据进行集中存储和管理，建立运输路线数据库；通过可视化工具，将建立的三维模型进行显示，以便于通过直观的方式呈现货物的负载和平衡情况，用户可通过可视化三维模型对货物情况进行检查。

进一步的，所述S2包括：

步骤S2-1：对路面特征数据集R中的n组道路特征进行特征参数提取，对各特征参数设置权重，根据以下公式计算当前行驶路线的路面平整度P：

其中，r_i′表示路面特征数据集中的第i组道路特征的特征参数，i∈(1,2，...，n)，ω_i表示路面特征数据集中的第i组道路特征参数的权重系数，λ表示误差因子；

步骤S2-2：通过访问数据库或驾驶人员自行确认的方式，确定当前运输车辆的结构参数，包括车辆的整体尺寸、悬挂系统、车架强度等，根据车辆的结构参数选定货物重心的第一安全范围；根据货物的位置信息，通过网格划分的方式将车辆和货物分解为多个单元，根据各单元内的货物参数选定各单元内货物重心的第二安全范围；对获取的车内货物信息进行分析，对每个单元构建刚度矩阵，将所有单元的刚度矩阵组装形成全局刚度矩阵，可通过将每个单元的刚度矩阵按照其节点的自由度加入到全局刚度矩阵中实现；定义边界条件(位移、力、约束等)，并将其应用到全局刚度矩阵和载荷向量上，所述载荷向量包含多个分量，每个分量表示一个受力大小和受力方向；求解位移向量，求解后，可以得到每个节点的位移；利用得到的位移向量，通过各单元本身的插值函数，建立车内货物的承受力分析模型，根据建立的承受力分析模型，对当前运输车辆进行分析，当车内货物的位移使得货物重心能够偏离第一安全范围时，认为该位移距离为预警触发值，并将造成该位移所需力认为是当前运输车辆的货物承受力阈值F；

或者，当车内划分的K个单元内的货物重心的位移使得各单元内的货物重心能够偏离第二安全范围，认为该位移距离为预警触发值，并将造成该位移所需力认为是当前运输车辆的货物承受力阈值F；

由于货物的集中堆积、偏置摆放等情况可能导致运输车内重量分布不均匀，给车辆带来不平衡和不稳定的风险；通过分析货物在车内的摆放位置、重量分布情况，可以及时判断车内货物状态对车辆稳定性的影响；以上两种货物承受力阈值的确定方式可根据货物尺寸和特性进行选择；

进一步的，所述S3包括：

步骤S3-1：通过定位系统获取车的位置信息，通过车载传感器监测车辆的行驶相关数据，并对监测数据进行处理，得到当前运输车辆的行驶速度V和行驶方向Q；

步骤S3-2：通过计算机模拟系统对运输车辆的行驶状态与车内货物的承受力状态进行数据挖掘：

X1：存在加速度α，当运输车辆加速时，对车内货物产生作用力Δf₁，运输车辆的货物承受力超出阈值范围，车内货物的位移使得货物重心偏离第一安全范围，或者，车内划分的K个单元内的货物重心的偏离第二安全范围，则认为，加速度α为当前运输车辆的加速上限；

X2：存在行驶方向偏转角度θ，当运输车辆进行行驶方向的偏转时，对车内货物产生作用力Δf₂，运输车辆的货物承受力超出阈值范围，车内货物的位移使得货物重心偏离第一安全范围，或者，车内划分的K个单元内的货物重心的偏离第二安全范围，则认为，行驶方向偏转角度θ为当前运输车辆的行驶方向偏转角度上限；

X3：同时存在加速度α’和行驶方向偏转角度θ’，当运输车辆进行行驶方向的偏转并加速时，对车内货物产生作用力Δf₃，运输车辆的货物承受力超出阈值范围，车内货物的位移使得货物重心偏离第一安全范围，或者，车内划分的K个单元内的货物重心的偏离第二安全范围，则认为，行驶方向偏转角度θ’和加速度α’的任一项为另一项存在时的组合上限；

步骤S3-3：对路面平整度P、运输车辆的行驶状态和车内货物的承受力状态建立数据关联，当路面平整度P＞p₀时，路面对运输车辆内的货物存在影响因子影响因子/>与路面平整度P为正相关关系，车内货物的承受力状态产生波动，对货物承受力阈值进行更新，当前运输车辆的货物承受力阈值F更新为F’，/>并对步骤S3-2中的行驶状态各参数上限进行同步更新；

优选的，当路面平整度P＞p₀时，存在行驶速度上限V_max。

进一步的，述S4包括：

步骤S4-1：通过步骤S3得出车内货物的可承受车况相关参数指标；对监测得到的当前运输车辆的行驶情况进行判别，判断按照当前行驶速度和行驶方向沿当前行驶路线进行行驶时，车内货物是否可承受当前车况，同时，通过对车辆的加速踏板和方向盘进行监管；若当前运输车辆的行驶参数在驾驶员的下一驾驶操作下会超出计算机分析得出的各参数中的任一上限，认为车内建筑材料存在损伤风险，则进行预警；

步骤S4-2：在运输车辆的当前行驶路线中，存在任意位置，当m个及以上数量的运输车辆经过该任意位置时，均需要对行驶情况进行调整，则认为该任意位置为风险位置；对当前行驶路线中的风险位置进行标记，并将标记的风险位置上传至运输路线数据库中进行存储，大数据流程监管系统根据运输路线数据库中的风险位置信息向该风险位置所在路线的运输车辆进行提示，结合各车辆实际参数与货物相关数据，对各风险点的驾驶相关参数上限进行获得，对各运输车辆的驾驶行为进行监管，进一步自动化生成运输车辆在存在风险位置的路线上行驶的预警和管控。

一种基于机器视觉的大数据流程监管系统，所述系统包括：数据获取模块、数据分析模块、驾驶行为数据监测模块和预警反馈模块；

所述数据获取模块用于获取建筑材料运输路线上的路面信息和运输车辆内的建筑材料相关信息；

所述数据分析模块用于对获取的路面信息和建筑材料相关信息进行数据分析，结合机器视觉技术对获取的各项信息进行解析；

所述驾驶行为数据监测模块用于对运输车辆的驾驶行为进行监测，监控获取当前车辆的行驶速度和行驶方向；

所述预警反馈模块用于根据数据分析模块的分析结果对驾驶行为数据监测模块的监测数据进行判别，若按照当前运输车辆的驾驶情况，车内建筑材料存在损伤风险，则进行预警；并对当前行驶路线中的风险位置进行标记，将标记的风险位置上传至运输路线数据库中进行存储，系统根据反馈的风险位置信息向该风险位置所在路线的运输车辆进行提示，以便于提高对建筑材料运输的安全保障，有效减少了建筑材料在运输过程中的损耗，通过各车辆连接云端数据库进行数据接收和上传，提高了信息共享效率，减少了数据的重复采集，同时，可设置任意时间单位对风险位置的路况进行更新，所述任意时间可根据路面情况与车辆通过量进行分析得到。

进一步的，所述数据获取模块包括道路数据获取单元和车内货物数据获取单元；

所述道路数据获取单元用于通过卫星导航获取车辆当前位置信息，通过摄像头或雷达获取当前道路的数据特征，并对获取的道路特征数据进行上传，存储至数据库中；

所述车内货物数据获取单元用于通过使用传感器和摄像头对运输车内的货物相关数据进行获取，以便于获取到货物的位置、尺寸和重量等信息，以便于对车内货物的装载情况进行监测，并将获取的数据传输至后续处理模块。

进一步的，所述数据分析模块包括道路信息分析单元和车内货物信息分析单元；

所述道路信息分析单元用于根据获取的道路相关数据特征对道路的平整度进行分析；

所述车内货物信息分析单元用于根据获取的车内货物的相关数据对车内货物分布进行解析和建模，并对货物进行分类和货物状态安全性评估。

进一步的，所述驾驶行为数据监测模块包括车辆传感器监测单元和驾驶行为分析单元；

所述车辆传感器监测单元用于通过对方向盘、制动踏板、加速踏板和档位位置添加传感器，监测记录车辆的驾驶状态，并对监测数据进行处理后传输至驾驶行为分析单元；

所述驾驶行为分析单元用于对接收的监测数据进行分析，生成驾驶行为报告，以便于评估驾驶员的驾驶风险，促进安全驾驶的普及，提高驾驶员的安全意识和行为标准。

与现有技术相比，本发明所达到的有益效果是：

本发明对运输行驶路线的路面信息进行采集，对运输车辆的装载货物信息进行获取，获取车内货物的位置信息和货物摆放状态；通过分析货物在车内的摆放位置、重量分布情况，可以及时判断车内货物状态对车辆稳定性的影响；以便于提高流程监管的可信度和运输效率，减少了货物运输的错误和风险，减少了由于运输车内重量分布不均匀，给车辆带来不平衡和不稳定的风险；

对采集的路面信息进行分析，计算当前行驶路线的路面平整度；对获取的车内货物的位置和摆放信息进行分析，计算当前车内货物的承受力阈值；提高了建筑材料运输过程的安全性，对当前运输车辆的驾驶情况进行监测，监控获取当前车辆的行驶速度和行驶方向,并对当前运输车辆的驾驶情况变动范围进行分析；对运输车辆的驾驶行为进行监测，判断按照当前行驶速度和行驶方向在当前行驶路线内进行行驶时，驾驶员做出的下一驾驶操作是否满足车内货物的可承受车况；以便于提高对建筑材料运输的安全保障，有效减少了建筑材料在运输过程中的损耗，节省了经济成本；通过各车辆连接云端数据库进行数据接收和上传，提高了信息共享效率，减少了对数据的重复采集，并促进了运输安全驾驶的普及，有效提高驾驶员的安全意识和行为标准。

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。在附图中：

图1是本发明一种基于机器视觉的大数据流程监管系统的模块结构示意图；

图2是本发明一种基于机器视觉的大数据流程监管方法的流程示意图。

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。基于本发明中的实施例，本领域普通技术人员在没有做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。

请参阅图1、图2和具体实施例对本发明作进一步的说明。

实施例1：如图1所示，本实施例提供了一种基于机器视觉的大数据流程监管系统，所述系统包括：

一种基于机器视觉的大数据流程监管系统，所述系统包括：数据获取模块、数据分析模块、驾驶行为数据监测模块和预警反馈模块；

数据获取模块，用于获取建筑材料运输路线上的路面信息和运输车辆内的建筑材料相关信息；数据获取模块包括道路数据获取单元和车内货物数据获取单元；

道路数据获取单元用于通过卫星导航获取车辆当前位置信息，通过摄像头或雷达获取当前道路的数据特征，并对获取的道路特征数据进行上传，存储至数据库中；

车内货物数据获取单元用于通过使用传感器和摄像头对运输车内的货物相关数据进行获取，以便于获取到货物的位置、尺寸和重量等信息，以便于对车内货物的装载情况进行监测，并将获取的数据传输至后续处理模块。

数据分析模块，用于对获取的路面信息和建筑材料相关信息进行数据分析，结合机器视觉技术对获取的各项信息进行解析；数据分析模块包括道路信息分析单元和车内货物信息分析单元；

道路信息分析单元用于根据获取的道路相关数据特征对道路的平整度进行分析；

车内货物信息分析单元用于根据获取的车内货物的相关数据对车内货物分布进行解析和建模，并对货物进行分类和货物状态安全性评估。

驾驶行为数据监测模块，用于对运输车辆的驾驶行为进行监测，监控获取当前车辆的行驶速度和行驶方向；驾驶行为数据监测模块包括车辆传感器监测单元和驾驶行为分析单元；

车辆传感器监测单元用于通过对方向盘、制动踏板、加速踏板和档位位置添加传感器，监测记录车辆的驾驶状态，并对监测数据进行处理后传输至驾驶行为分析单元；

驾驶行为分析单元用于对接收的监测数据进行分析，生成驾驶行为报告，以便于评估驾驶员的驾驶风险，促进安全驾驶的普及，提高驾驶员的安全意识和行为标准。

预警反馈模块，用于根据数据分析模块的分析结果对驾驶行为数据监测模块的监测数据进行判别，若按照当前运输车辆的驾驶情况，车内建筑材料存在损伤风险，则进行预警；并对当前行驶路线中的风险位置进行标记，将标记的风险位置上传至运输路线数据库中进行存储，系统根据反馈的风险位置信息向该风险位置所在路线的运输车辆进行提示，以便于提高对建筑材料运输的安全保障，有效减少了建筑材料在运输过程中的损耗，通过各车辆连接云端数据库进行数据接收和上传，提高了信息共享效率，减少了数据的重复采集，同时，可设置任意时间单位对风险位置的路况进行更新，所述任意时间可根据路面情况与车辆通过量进行分析得到。

实施例2：如图2所示，本实施例提供了一种基于机器视觉的大数据流程监管方法，其基于实施例中的一种基于机器视觉的大数据流程监管系统实现，具体包括以下步骤：

S1：对运输行驶路线的路面信息进行采集，采集运输路线的坡度、弯度和路面凹凸情况；对运输车辆的装载货物信息进行获取，获取车内货物的位置信息和货物摆放状态；

步骤S1-1：通过机器视觉技术对当前运输车辆的行驶路线的地面信息进行采集；在运输车辆上安装高清摄像头，对行驶路线的地面图像进行实时采集，其中，摄像头的位置可以选择车辆正前方、后方或侧方，以便于获得最佳视野；或通过激光扫描地面，获取地面的几何形状等路面信息，通过激光扫描数据对路面进行数字化建模；

结合GPS定位系统，获取运输车辆的坐标位置信息，通过获取车辆的当前位置行驶轨迹，对云端的行驶路线相关数据进行提取，对于多车辆运输的情况，可减少对路面信息的重复采集；

步骤S1-2：对采集的图像进行处理和分析，可使用图像处理算法检测道路边界、障碍物等，通过计算机视觉算法进行目标检测和特征提取，对提取的特征数据进行预处理，处理得到路面特征数据集R，R＝{r₁,r₂，...，r_n}，其中，r₁、r₂、...、r_n分别表示第1、2、...、n组道路特征数据，包括边界特征数据集、道路斜度特征数据集、道路障碍物特征数据集和路面凸起特征数据集；

步骤S1-3：在运输车辆内部安装摄像头，通过实时监控车内的图像来获取货物的位置信息，建立关于车内货物的三维空间，通过使用多种传感器来监测运输车内装载货物的重量和环境条件，根据传感器数据，建立车内货物的三维模型，可使用点云重建算法或三维建模软件等将传感器数据转换为可视化的三维模型；

例如，通过重量传感器检测货物的重量和分布情况，通过倾斜传感器检测货物的倾斜程度；可以实时监测货物的位置、摆放状态以及可能的异常情况。提高建筑材料运输过程的安全性，并优化了货物运输效率。

步骤S1-4：对上述步骤中获取到的行驶路线数据进行集中存储和管理，建立运输路线数据库；通过可视化工具，如Blender、Maya、3ds Max等三维建模和渲染软件，将建立的三维模型进行显示，以便于通过直观的方式呈现货物的负载和平衡情况，用户可通过可视化三维模型对货物情况进行检查。

S2：对采集的路面信息进行分析，计算当前行驶路线的路面平整度；对获取的车内货物的位置和摆放信息进行分析，计算当前车内货物的承受力阈值；

步骤S2-1：对路面特征数据集R中的n组道路特征进行特征参数提取，对各特征参数设置权重，根据以下公式计算当前行驶路线的路面平整度P：

其中，r_i′表示路面特征数据集中的第i组道路特征的特征参数，i∈(1,2，...，n)，ω_i表示路面特征数据集中的第i组道路特征参数的权重系数，λ表示误差因子；

例如，对于边界特征数据集，可以提取边界线的平均偏移度、曲率变化度、边缘线与车道中心线的距离等特征参数；对于道路斜度特征数据集，可以提取道路纵向或横向斜度的平均值、最大值、最小值、变化程度等特征参数；对于道路障碍物特征数据集，可以提取障碍物数量、障碍物体积、障碍物在路面占比等特征参数；对于路面凸起特征数据集，可以提取凸起数量、高度等特征参数。

步骤S2-2：通过访问数据库或驾驶人员自行确认的方式，确定当前运输车辆的结构参数，包括车辆的整体尺寸、悬挂系统、车架强度等，根据车辆的结构参数选定货物重心的第一安全范围；根据货物的位置信息，通过网格划分的方式将车辆和货物分解为多个单元，根据各单元内的货物参数选定各单元内货物重心的第二安全范围；对获取的车内货物信息进行分析，对每个单元构建刚度矩阵，将所有单元的刚度矩阵组装形成全局刚度矩阵，可通过将每个单元的刚度矩阵按照其节点的自由度加入到全局刚度矩阵中实现；定义边界条件(位移、力、约束等)，并将其应用到全局刚度矩阵和载荷向量上，所述载荷向量包含多个分量，每个分量表示一个受力大小和受力方向；可使用方法如高斯消元法、LU分解法或共轭梯度法等方法来求解线性方程组来求解位移向量，求解后，可以得到每个节点的位移；利用得到的位移向量，通过各单元本身的插值函数，建立车内货物的承受力分析模型，根据建立的承受力分析模型，对当前运输车辆进行分析，当车内货物的位移使得货物重心能够偏离第一安全范围时，认为该位移距离为预警触发值，并将造成该位移所需力认为是当前运输车辆的货物承受力阈值F；

结合货物的重量信息，当任一单元内的货物位移达到预设触发值G时，认为达成该位移的承受力为该运输车辆内的货物承受力上限；

S3：对当前运输车辆的驾驶情况进行监测，监控获取当前车辆的行驶速度和行驶方向,并对当前运输车辆的驾驶情况变动范围进行分析；

步骤S3-1：通过定位系统获取车的位置信息，通过车载传感器监测车辆的行驶相关数据，并对监测数据进行处理，得到当前运输车辆的行驶速度V和行驶方向Q；

步骤S3-2：通过计算机模拟系统对运输车辆的行驶状态与车内货物的承受力状态进行数据挖掘：

X1：存在加速度α，当运输车辆加速时，对车内货物产生作用力Δf₁，运输车辆的货物承受力超出阈值范围，车内货物的位移使得货物重心偏离第一安全范围，则认为，加速度α为当前运输车辆的加速上限；

X2：存在行驶方向偏转角度θ，当运输车辆进行行驶方向的偏转时，对车内货物产生作用力Δf₂，运输车辆的货物承受力超出阈值范围，车内货物的位移使得货物重心偏离第一安全范围，则认为，行驶方向偏转角度θ为当前运输车辆的行驶方向偏转角度上限；

X3：同时存在加速度α’和行驶方向偏转角度θ’，当运输车辆进行行驶方向的偏转并加速时，对车内货物产生作用力Δf₃，运输车辆的货物承受力超出阈值范围，车内货物的位移使得货物重心偏离第一安全范围，则认为，行驶方向偏转角度θ’和加速度α’的任一项为另一项存在时的组合上限；

步骤S3-3：对路面平整度P、运输车辆的行驶状态和车内货物的承受力状态建立数据关联，当路面平整度P＞p₀时，路面对运输车辆内的货物存在影响因子影响因子/>与路面平整度P为正相关关系，车内货物的承受力状态产生波动，对货物承受力阈值进行更新，当前运输车辆的货物承受力阈值F更新为F’，/>并对步骤S3-2中的行驶状态各参数上限进行同步更新；

S4：根据S2的分析结果，对S3监测的行驶情况进行判别，判断按照当前行驶速度和行驶方向在当前行驶路线内进行行驶时，驾驶员做出的下一驾驶操作是否满足车内货物的可承受车况；

步骤S4-1：通过步骤S3得出车内货物的可承受车况相关参数指标；对监测得到的当前运输车辆的行驶情况进行判别，判断按照当前行驶速度和行驶方向沿当前行驶路线进行行驶时，车内货物是否可承受当前车况，同时，通过对车辆的加速踏板和方向盘进行监管；若当前运输车辆的行驶参数在驾驶员的下一驾驶操作下会超出计算机分析得出的各参数中的任一上限，认为车内建筑材料存在损伤风险，则进行预警；

步骤S4-2：在运输车辆的当前行驶路线中，存在任意位置，当m个及以上数量的运输车辆经过该任意位置时，均需要对行驶情况进行调整，则认为该任意位置为风险位置；对当前行驶路线中的风险位置进行标记，并将标记的风险位置上传至运输路线数据库中进行存储，大数据流程监管系统根据运输路线数据库中的风险位置信息向该风险位置所在路线的运输车辆进行提示，结合各车辆实际参数与货物相关数据，对各风险点的驾驶相关参数上限进行获得，对各运输车辆的驾驶行为进行监管，进一步自动化生成运输车辆在存在风险位置的路线上行驶的预警和管控。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

最后应说明的是：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，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，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。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。

Claims (9)

1.一种基于机器视觉的大数据流程监管方法，其特征在于：包括以下步骤：

S1：对运输行驶路线的路面信息进行采集，对运输车辆的装载货物信息进行获取，获取车内货物的位置信息和货物摆放状态；

S2：对采集的路面信息进行分析，计算当前行驶路线的路面平整度；对获取的车内货物的位置和摆放信息进行分析，计算当前车内货物的承受力阈值；

S3：对当前运输车辆的驾驶情况进行监测，监控获取当前车辆的行驶速度和行驶方向,并对当前运输车辆的驾驶情况可变动范围进行分析；

S4：根据S2的分析结果，对S3监测的行驶情况进行判别，判断按照当前行驶速度和行驶方向在当前行驶路线内进行行驶时，驾驶员做出的下一驾驶操作是否满足车内货物的可承受车况。

2.根据权利要求1所述的一种基于机器视觉的大数据流程监管方法，其特征在于：所述S1包括：

步骤S1-1：通过机器视觉技术对当前运输车辆的行驶路线的地面信息进行采集；在运输车辆上安装高清摄像头，对行驶路线的地面图像进行实时采集；

步骤S1-2：对采集的图像进行处理和分析，通过计算机视觉算法进行目标检测和特征提取，对提取的特征数据进行预处理，处理得到路面特征数据集R，R＝{r₁,r₂，...，r_n}，其中，r₁、r₂、...、r_n分别表示第1、2、...、n组道路特征数据；

步骤S1-3：在运输车辆内部安装摄像头，通过实时监控车内的图像来获取货物的位置信息，建立关于车内货物的三维空间，通过使用多种传感器来监测运输车内装载货物的重量和环境条件，根据传感器数据，建立车内货物的三维模型；

步骤S1-4：对上述步骤中获取到的行驶路线数据进行集中存储和管理，建立运输路线数据库；通过可视化工具，将建立的三维模型进行显示。

3.根据权利要求1所述的一种基于机器视觉的大数据流程监管方法，其特征在于：所述S2包括：

步骤S2-1：对路面特征数据集R中的n组道路特征进行特征参数提取，对各特征参数设置权重，根据以下公式计算当前行驶路线的路面平整度P：

其中，r_i′表示路面特征数据集中的第i组道路特征的特征参数，i∈(1,2，...，n)，ω_i表示路面特征数据集中的第i组道路特征参数的权重系数，λ表示误差因子；

步骤S2-2：通过访问数据库或驾驶人员自行确认的方式，确定当前运输车辆的结构参数，根据车辆的结构参数选定货物重心的第一安全范围；根据货物的位置信息，通过网格划分的方式将车辆和货物分解为多个单元，根据各单元内的货物参数选定各单元内货物重心的第二安全范围；对获取的车内货物信息进行分析，建立车内货物的承受力分析模型，根据建立的承受力分析模型，对当前运输车辆进行分析，当车内货物的位移使得货物重心能够偏离第一安全范围时，认为该位移距离为预警触发值，并将造成该位移所需力认为是当前运输车辆的货物承受力阈值F；

或者，当车内划分的K个单元内的货物重心的位移使得各单元内的货物重心能够偏离第二安全范围，认为该位移距离为预警触发值，并将造成该位移所需力认为是当前运输车辆的货物承受力阈值F。

4.根据权利要求1所述的一种基于机器视觉的大数据流程监管方法，其特征在于：所述S3包括：

步骤S3-1：通过定位系统获取车的位置信息，通过车载传感器监测车辆的行驶相关数据，并对监测数据进行处理，得到当前运输车辆的行驶速度V和行驶方向Q；

步骤S3-2：通过计算机模拟系统对运输车辆的行驶状态与车内货物的承受力状态进行数据挖掘：

X1：存在加速度α，当运输车辆加速时，运输车辆的货物承受力超出阈值范围，车内货物的位移使得货物重心偏离第一安全范围，或者，车内划分的K个单元内的货物重心的偏离第二安全范围，则认为，加速度α为当前运输车辆的加速上限；

X2：存在行驶方向偏转角度θ，当运输车辆进行行驶方向的偏转时，运输车辆的货物承受力超出阈值范围，车内货物的位移使得货物重心偏离第一安全范围，或者，车内划分的K个单元内的货物重心的偏离第二安全范围，则认为，行驶方向偏转角度θ为当前运输车辆的行驶方向偏转角度上限；

X3：同时存在加速度α’和行驶方向偏转角度θ’，当运输车辆进行行驶方向的偏转并加速时，运输车辆的货物承受力超出阈值范围，车内货物的位移使得货物重心偏离第一安全范围，或者，车内划分的K个单元内的货物重心的偏离第二安全范围，则认为，行驶方向偏转角度θ’和加速度α’的任一项为另一项存在时的组合上限；

步骤S3-3：对路面平整度P、运输车辆的行驶状态和车内货物的承受力状态建立数据关联，当路面平整度P＞p₀时，路面对运输车辆内的货物存在影响因子影响因子/>与路面平整度P为正相关关系，车内货物的承受力状态产生波动，对货物承受力阈值进行更新，当前运输车辆的货物承受力阈值F更新为F’，/>并对步骤S3-2中的行驶状态各参数上限进行同步更新。

5.根据权利要求1所述的一种基于机器视觉的大数据流程监管方法，其特征在于：述S4包括：

步骤S4-1：对监测得到的当前运输车辆的行驶情况进行判别，通过对车辆的加速踏板和方向盘进行监管；若当前运输车辆的行驶参数在驾驶员的下一驾驶操作下会超出计算机分析得出的各参数中的任一上限，则进行预警；

步骤S4-2：在运输车辆的当前行驶路线中，存在任意位置，当m个及以上数量的运输车辆经过该任意位置时，均需要对行驶情况进行调整，则认为该任意位置为风险位置；对当前行驶路线中的风险位置进行标记，并将标记的风险位置上传至运输路线数据库中进行存储，大数据流程监管系统根据运输路线数据库中的风险位置信息向该风险位置所在路线的运输车辆进行提示。

6.一种基于机器视觉的大数据流程监管系统，其特征在于：所述系统包括：数据获取模块、数据分析模块、驾驶行为数据监测模块和预警反馈模块；

所述数据获取模块用于获取建筑材料运输路线上的路面信息和运输车辆内的建筑材料相关信息；

所述数据分析模块用于对获取的路面信息和建筑材料相关信息进行数据分析，结合机器视觉技术对获取的各项信息进行解析；

所述驾驶行为数据监测模块用于对运输车辆的驾驶行为进行监测，监控获取当前车辆的行驶速度和行驶方向；

所述预警反馈模块用于根据数据分析模块的分析结果对驾驶行为数据监测模块的监测数据进行判别，若按照当前运输车辆的驾驶情况，车内建筑材料存在损伤风险，则进行预警；并对当前行驶路线中的风险位置进行标记，将标记的风险位置上传至运输路线数据库中进行存储，系统根据反馈的风险位置信息向该风险位置所在路线的运输车辆进行提示。

7.根据权利要求6所述的一种基于机器视觉的大数据流程监管系统，其特征在于：所述数据获取模块包括道路数据获取单元和车内货物数据获取单元；

所述道路数据获取单元用于通过卫星导航获取车辆当前位置信息，通过摄像头或雷达获取当前道路的数据特征，并对获取的道路特征数据进行上传，存储至数据库中；

所述车内货物数据获取单元用于通过使用传感器和摄像头对运输车内的货物相关数据进行获取。

8.根据权利要求6所述的一种基于机器视觉的大数据流程监管系统，其特征在于：所述数据分析模块包括道路信息分析单元和车内货物信息分析单元；

所述道路信息分析单元用于根据获取的道路相关数据特征对道路的平整度进行分析；

所述车内货物信息分析单元用于根据获取的车内货物的相关数据对车内货物分布进行解析和建模，并对货物进行分类和货物状态安全性评估。

9.根据权利要求6所述的一种基于机器视觉的大数据流程监管系统，其特征在于：所述驾驶行为数据监测模块包括车辆传感器监测单元和驾驶行为分析单元；

所述车辆传感器监测单元用于通过对方向盘、制动踏板、加速踏板和档位位置添加传感器，监测记录车辆的驾驶状态，并对监测数据进行处理后传输至驾驶行为分析单元；

所述驾驶行为分析单元用于对接收的监测数据进行分析，生成驾驶行为报告。