CN117095388A - 一种用于堆区内的集卡作业号识别核对方法与系统 - Google Patents
一种用于堆区内的集卡作业号识别核对方法与系统 Download PDFInfo
- Publication number
- CN117095388A CN117095388A CN202310690443.7A CN202310690443A CN117095388A CN 117095388 A CN117095388 A CN 117095388A CN 202310690443 A CN202310690443 A CN 202310690443A CN 117095388 A CN117095388 A CN 117095388A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- image
- time
- gate
- passing
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 238000012795 verification Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 description 8
- 238000012216 screening Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000005389 magnetism Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
-
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Character Discrimination (AREA)
Abstract
本发明公开了一种用于堆区内的集卡作业号识别核对方法与系统，涉及图像数据识别技术领域，包括步骤：获取并存储各集卡通过闸口进入堆区时的过闸车辆采集图像，并获取各集卡对应的车牌号信息；获取当前通过龙门吊下的目标集卡的实时车辆采集图像；根据实时车辆采集图像的采集时间，提取以采集时间为基准预设时间段内的过闸车辆采集图像；基于车头的相似度计算，通过车辆识别模型进行实时车辆采集图像与过闸车辆采集图像之间的识别匹配；根据匹配结果对相应过闸车辆采集图像进行目标集卡车牌号所对应作业号的输出。本发明通过对龙门吊处和闸道口处的车辆进行图像识别匹配，精准获取车牌号信息并提高了作业号获取的效率。
Description
技术领域
本发明涉及图像数据识别技术领域，具体涉及一种用于堆区内的集卡作业号识别核对方法与系统。
背景技术
近年来，随着港口集装箱运输业的高速发展，自动化码头逐渐成为海上贸易的中间枢纽，其在节约码头人力物力成本、提升港口集装箱吞吐能力、降低集装箱装卸作业能耗、提高码头整体运营效率上均具有十分重大的战略意义。而作为集装箱的承载工具，精准识别每一辆集卡的车号是建立成熟的自动化码头的基础之一，也是后续其他算法的保障。
在堆区中，由于集装箱堆垛的遮挡，位于集卡车的车头上方的车号就成为了每一辆集卡的身份标识，其由数字以及字母构成，其多为印刷体，并不像车牌照一样颜色分明。常用的车号识别方法主要有直接法与间接法。直接法以RFID技术为代表，RFID技术通过射频技术自动识别车号，且具有防水、防磁、耐高温等特点，因此识别率高，稳定性强，但RFID成本昂贵，且易受到过路车辆的影响。间接法以人工智能算法为代表，一般采用基于循环卷积神经网络等深度学习网络的字符识别算法直接识别三位车号。对于字符识别算法，由于受环境、天气、相机拍摄角度等的干扰严重，同时也会受到灰尘的影响，经常存在车号模糊或者残缺的情况，造成车号难以被算法有效识别，因此识别率较低。
发明内容
为了提高码头的整体运营效率，本发明从集卡车号识别手段入手，通过提高集卡车号识别的效率这一基础流程来改善运营效率，并基于此提出了一种用于堆区内的集卡作业号识别核对方法，包括步骤：
S1：获取并存储各集卡通过闸口进入堆区时的过闸车辆采集图像，并获取各集卡对应的车牌号信息；
S2：获取当前通过龙门吊下的目标集卡的实时车辆采集图像；
S3：根据实时车辆采集图像的采集时间，提取以采集时间为基准预设时间段内的过闸车辆采集图像；
S4：基于车头的相似度计算，通过车辆识别模型进行实时车辆采集图像与过闸车辆采集图像之间的识别匹配；
S5：根据匹配结果对相应过闸车辆采集图像进行目标集卡车牌号所对应作业号的输出。
进一步地，所述过闸车辆采集图像为以车辆正面为基准面进行采集的图像，所述实时车辆采集图像为以车辆顶部为基准面进行采集的图像。
进一步地，所述S1步骤中，车牌号信息是利用字符识别模型对过闸车辆采集图像进行号牌识别实现的获取，并与该过闸车辆的车顶号相关联，所述车顶号即为作业号。
进一步地，所述S4步骤中，车辆识别模型是基于车辆重识别算法，通过对过闸车辆采集图像和实时车辆采集图像进行基于车头相似度计算实现的识别匹配。
进一步地，所述S4步骤中，在进行识别匹配过程中同时还包括步骤：
S41：通过字符识别模型进行目标集卡的车顶号识别，并在未成功获取识别匹配结果时输出车顶号至S5步骤。
本发明还提出了一种用于堆区内的集卡作业号识别核对系统，包括：
闸口摄像头，用于获取各集卡通过闸口进入堆区时的过闸车辆采集图像，获取各集卡对应的车牌号信息并输入闸口识别服务器中；
闸口识别服务器，用于读取过闸车辆采集图像并在定位车头、识别字符后存入闸口FTP服务器；
龙门吊摄像头，用于获取目标集卡通过龙门吊下时的实时车辆采集图像；
车号识别服务器，用于根据实时车辆采集图像的采集时间，提取闸口FTP服务器中以采集时间为基准预设时间段内的过闸车辆采集图像，基于车头的相似度计算，通过车辆识别模型进行实时车辆采集图像与过闸车辆采集图像之间的识别匹配；
号牌输出单元，用于根据匹配结果对相应过闸车辆采集图像进行目标集卡车牌号所对应作业号的输出。
进一步地，所述过闸车辆采集图像为以车辆正面为基准面进行采集的图像，所述实时车辆采集图像为以车辆顶部为基准面进行采集的图像。
进一步地，所述闸口摄像头中，车牌号信息是利用字符识别模型对过闸车辆采集图像进行号牌识别实现的获取，并与该过闸车辆的车顶号相关联，所述车顶号即为作业号。
进一步地，所述车号识别服务器中，车辆识别模型是基于车辆重识别算法，通过对过闸车辆采集图像和实时车辆采集图像进行基于车头相似度计算实现的识别匹配。
进一步地，车号识别服务器还包括字符识别模型，进行目标集卡的车顶号识别，并在未成功获取识别匹配结果时输出车顶号至号牌输出单元。
与现有技术相比，本发明至少含有以下有益效果：
(1)本发明所述的一种用于堆区内的集卡作业号识别核对方法与系统，通过采用图像匹配技术，通过对龙门吊处和闸道口处的车辆进行图像识别匹配，从而在避免了因外界因素引起龙门吊处图像识别误差的同时，利用匹配的闸道口图像，即使存在车号模糊或缺失的情况，也能精准获取当前目标车辆的车牌号信息，在降低成本的同时，提高了车牌号获取的效率；
(2)通过以采集时间为基准获取预设时间段内的过闸车辆采集图像，减小图像匹配的数据量，降低显存占用资源，提高匹配效率；
(3)在图像匹配的基础上，辅以龙门吊处实时车辆采集图像的字符识别，在进一步提高识别准确率的同时，避免特殊情况下因闸道口车辆漏识别等原因导致的车辆匹配失常；
(4)泛化能力强，由于是基于图像匹配识别进行的车牌号获取，因此能够有效应对集卡新增、更换以及长时间使用带来的外观改变等情况。
附图说明
图1为一种用于堆区内的集卡作业号识别核对方法的步骤图；
图2为一种用于堆区内的集卡作业号识别核对系统的模块图。
具体实施方式
以下是本发明的具体实施例并结合附图，对本发明的技术方案作进一步的描述，但本发明并不限于这些实施例。
实施例一
为解决当前码头堆区内集卡识别的难题，本发明提出将图像匹配技术应用于该使用场景，以提高车号识别的整体效率。其中，图像匹配是一种以图搜图的方法，通过提前建立一个图片库，给定查询图片A，在图片库中找到与给定图片A最接近的那张图片B，以图片B的车号作为A的车号。在码头中，车辆进入闸口时一定会拍摄相应的图像，因此以闸口图片构造图片库，并对作业中的集卡车通过图像匹配技术进行识别，具有一定的可行性。基于此，如图1所示，本发明提出了一种用于堆区内的集卡作业号识别核对方法，包括步骤：
S1：获取并存储各集卡通过闸口进入堆区时的过闸车辆采集图像，并获取各集卡对应的车牌号信息；
S2：获取当前通过龙门吊下的目标集卡的实时车辆采集图像；
S3：根据实时车辆采集图像的采集时间，提取以采集时间为基准预设时间段内的过闸车辆采集图像；
S4：基于车头的相似度计算，通过车辆识别模型进行实时车辆采集图像与过闸车辆采集图像之间的识别匹配；
S5：根据匹配结果对相应过闸车辆采集图像进行目标集卡车牌号所对应作业号的输出。
其中，在S4步骤中，在进行识别匹配过程中同时还包括步骤：
S41：通过字符识别模型进行目标集卡的车顶号识别，并在未成功获取识别匹配结果时输出车顶号至S5步骤。
在本发明中，要实现闸道口处车辆与龙门吊处车辆的识别匹配，就需要通过神经网络模型进行功能实现，所以本发明选用基于YOLOV4的检测模型进行车头部分的识别检测，基于SBS的匹配模型进行图像间车辆匹配。同时，为了应对车辆因某些不可控原因未经过或未在数据库中，以及闸口未能准确识别到车头或识别错误，本发明还将基于PaddleOCR的字符识别模型作为匹配算法的补充，从而提高匹配的精确度和可靠性。具体的模型训练所需数据的采集及相应处理包括如下步骤：
1)搜集一段时间内各闸口拍摄的集卡车图片，标注其车头区域、字符区域及车号；
2)搜集同一段时间内各龙门吊拍摄的集卡车图片，标注其车头区域、字符区域及车号；
3)将数据集以一定的比例划分为训练集、验证集、测试集；
4)对训练集中的每张图片进行数据增强，数据增强操作包括并不仅限于水平翻转图像、竖直翻转图像、引入随机的高斯模糊、对图像进行缩放、改变图像的对比度、对输入图像进行锐化并将锐化后的图像与输入图像采用35％和60％之间的随机混合因子进行混合、反转输入像素值、对图像进行随机的形变、对图像进行左右平移、对图像进行上下平移、对图像进行顺时针旋转、对图像进行逆时针旋转。
模型训练完毕后，考虑到实际应用环境中，码头集卡数目巨大，环境复杂，无法构建完整的图片库，如果使用全时段的图片库数据，势必造成数据处理量庞大，不利于整体的识别效率，因此本发明所使用到的图片库，是由一段时间内的闸口相机拍摄的图片构成，可以大大减少人工搜集图片构建图片库的工作量，同时最终使用到的图片库中的会根据TOS(Terminal Operating System，码头操作系统)给出的集卡池进行动态更新，可以缩小检索的范围，减少显存资源的占用。而在运行过程中，图片库的构建实际涉及多个服务器之间的数据交互，具体如下：
首先通过闸口摄像头获取各集卡通过闸道口进入堆区时车头正面的过闸车辆采集图像(也即是以车头正面为基准面进行图像采集，但实际采集过程中也会因为角度问题采集到部分车顶图像)并存入闸口FTP服务器。闸口识别服务器提取闸口FTP服务器中的图像，利用训练完毕的YOLOV4检测模型进行图像中车头部分的识别定位，而后通过字符识别模型进行车牌号的识别(在不考虑成本的情况下亦可通过RFID进行车牌号信息的获取)。
当然，对于各过闸车辆采集图像还需要进行进一步地筛选，选取最合适的图像进行后续的识别匹配，具体地：
1)首先进行初筛，需要从当前集卡的过闸车辆采集图像中筛选出既检测到车头又检测到字符的图像；(若均未检测到车头，则认为存在由相机拍摄问题等引起的不可控原因，输出相应报错信息，若均未检测到字符，则认为可能存在因时间原因引起的车号模糊程度较高的问题)
2)进行第二次筛选，选取初筛结果中分别率最高的n张图像，一般认为，分辨率越高，图像中保存的信息越完整，当然，若输入不足n时，则直接保留所有输入图像；
3)进行第三次筛选，选取第二次筛选中n张图片中较为清晰的2张图片，清晰度主要通过计算图像的拉普拉斯算子得到，输入不足2时直接保留所有输入图像；
4)将筛选出的2张过闸车辆采集图像保存至闸口FTP服务器中。
而当已经过闸的任一目标集卡通过龙门吊下时，通过龙门吊摄像头(一般安装于龙门吊上，处于车头上方)获取该目标集卡车头上方的实时采集图像，此时龙门吊处的车号识别服务器就会先通过YOLOV4检测模型进行图像中车头部分的识别定位，并通过字符识别模型进行车头上方车顶号(也即是作业号，与对应车辆的车牌号相匹配)的识别。同时，根据实时车辆采集图像的采集时间，车号识别服务器还会提取闸口FTP服务器中以采集时间为基准预设时间段内的过闸车辆采集图像，并基于车头的相似度计算，通过车辆识别模型进行实时车辆采集图像与过闸车辆采集图像之间的识别匹配，并根据识别匹配结果将对应过闸车辆采集图像的集卡在过闸时识别的车牌号作为最终的识别结果进行输出。具体识别匹配可表示为如下步骤：
获取实时车辆采集图像和预设时间段内的过闸车辆采集图像的相应特征向量；
根据特征向量计算实时车辆采集图像与预设时间段内的各过闸车辆采集图像之间的欧氏距离；
选取欧式距离最小的过闸车辆采集图像作为实时车辆采集图像的匹配结果。
需要注意的是，考虑到由于拍摄角度不同或其它特殊原因，集卡的样式可能与原先区别较大、相机未拍摄到车头导致的无法检测到车头等情况的存在，此时可以将龙门吊处字符识别模型的车号识别结果作为识别结果补充。而在另一优选实施例中，在输出识别结果前，还会将车辆识别模型的识别结果和字符识别模型的识别结果进行比对，判断两者是否一致，并在存在不一致时考虑是否是由于车头上方车号部分缺失导致的识别误差，并在存在两个及以上相同字符时认定字符识别存在误差，输出车辆识别模型的识别匹配结果。
额外补充的，为了避免闸口FTP服务器存储过多图像占用内存资源，在一定时间后还会对服务器中超期的图像进行清除。
实施例二
为了更好的对本发明的技术内容进行理解，本实施通过系统结构的形式来对本发明进行阐述，如图2所示，一种用于堆区内的集卡作业号识别核对系统，包括：
闸口摄像头，用于获取各集卡通过闸口进入堆区时的过闸车辆采集图像，获取各集卡对应的车牌号信息并输入闸口识别服务器中；
闸口识别服务器，用于读取过闸车辆采集图像并在定位车头、识别字符后存入闸口FTP服务器；
龙门吊摄像头，用于获取目标集卡通过龙门吊下时的实时车辆采集图像；
车号识别服务器，用于根据实时车辆采集图像的采集时间，提取闸口FTP服务器中以采集时间为基准预设时间段内的过闸车辆采集图像，基于车头的相似度计算，通过车辆识别模型进行实时车辆采集图像与过闸车辆采集图像之间的识别匹配；
号牌输出单元，用于根据匹配结果对相应过闸车辆采集图像进行目标集卡车牌号所对应作业号的输出。
进一步地，过闸车辆采集图像为以车辆正面为基准面进行采集的图像，实时车辆采集图像为以车辆顶部为基准面进行采集的图像。
进一步地，闸口摄像头中，车牌号信息是利用字符识别模型对过闸车辆采集图像进行号牌识别实现的获取，并与该过闸车辆的车顶号相关联，所述车顶号即为作业号。
进一步地，车号识别服务器中，车辆识别模型是基于车辆重识别算法，通过对过闸车辆采集图像和实时车辆采集图像进行基于车头相似度计算实现的识别匹配。
进一步地，车号识别服务器还包括字符识别模型，进行目标集卡的车顶号识别，并在未成功获取识别匹配结果时输出车顶号所对应的车牌号信息至号牌输出单元。
综上所述，本发明所述的一种用于堆区内的集卡作业号识别核对方法与系统，通过采用图像匹配技术，通过对龙门吊处和闸道口处的车辆进行图像识别匹配，从而在避免了因外界因素引起龙门吊处图像识别误差的同时，利用匹配的闸道口图像，面对即使存在车号模糊或缺失的情况，也能精准获取当前目标车辆的车牌号信息，在降低成本的同时，提高了车牌号获取的效率。
通过以采集时间为基准获取预设时间段内的过闸车辆采集图像，减小图像匹配的数据量，降低显存占用资源，提高匹配效率。在图像匹配的基础上，辅以龙门吊处实时车辆采集图像的字符识别，在进一步提高识别准确率的同时，避免特殊情况下闸道口车辆因漏识别导致的车辆匹配失常；
泛化能力强，由于是基于图像匹配识别进行的车牌号获取，因此能够有效应对集卡新增、更换以及长时间使用带来的外观改变等情况。
需要说明，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
另外，在本发明中如涉及“第一”、“第二”、“一”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“连接”、“固定”等应做广义理解，例如，“固定”可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
另外，本发明各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
Claims (10)
1.一种用于堆区内的集卡作业号识别核对方法，其特征在于，包括步骤：
S1：获取并存储各集卡通过闸口进入堆区时的过闸车辆采集图像，并获取各集卡对应的车牌号信息；
S2：获取当前通过龙门吊下的目标集卡的实时车辆采集图像；
S3：根据实时车辆采集图像的采集时间，提取以采集时间为基准预设时间段内的过闸车辆采集图像；
S4：基于车头的相似度计算，通过车辆识别模型进行实时车辆采集图像与过闸车辆采集图像之间的识别匹配；
S5：根据匹配结果对相应过闸车辆采集图像进行目标集卡车牌号所对应作业号的输出。
2.如权利要求1所述的一种用于堆区内的集卡作业号识别核对方法，其特征在于，所述过闸车辆采集图像为以车辆正面为基准面进行采集的图像，所述实时车辆采集图像为以车辆顶部为基准面进行采集的图像。
3.如权利要求2所述的一种用于堆区内的集卡作业号识别核对方法，其特征在于，所述S1步骤中，车牌号信息是利用字符识别模型对过闸车辆采集图像进行号牌识别实现的获取，并与该过闸车辆的车顶号相关联，所述车顶号即为作业号。
4.如权利要求1所述的一种用于堆区内的集卡作业号识别核对方法，其特征在于，所述S4步骤中，车辆识别模型是基于车辆重识别算法，通过对过闸车辆采集图像和实时车辆采集图像进行基于车头相似度计算实现的识别匹配。
5.如权利要求3所述的一种用于堆区内的集卡作业号识别核对方法，其特征在于，所述S4步骤中，在进行识别匹配过程中同时还包括步骤：
S41：通过字符识别模型进行目标集卡的车顶号识别，并在未成功获取识别匹配结果时输出车顶号至S5步骤。
6.一种用于堆区内的集卡作业号识别核对系统，其特征在于，包括：
闸口摄像头，用于获取各集卡通过闸口进入堆区时的过闸车辆采集图像，获取各集卡对应的车牌号信息并输入闸口识别服务器中；
闸口识别服务器，用于读取过闸车辆采集图像并在定位车头、识别字符后存入闸口FTP服务器；
龙门吊摄像头，用于获取目标集卡通过龙门吊下时的实时车辆采集图像；
车号识别服务器，用于根据实时车辆采集图像的采集时间，提取闸口FTP服务器中以采集时间为基准预设时间段内的过闸车辆采集图像，基于车头的相似度计算，通过车辆识别模型进行实时车辆采集图像与过闸车辆采集图像之间的识别匹配；
号牌输出单元，用于根据匹配结果对相应过闸车辆采集图像进行目标集卡车牌号所对应作业号的输出。
7.如权利要求6所述的一种用于堆区内的集卡作业号识别核对系统，其特征在于，所述过闸车辆采集图像为以车辆正面为基准面进行采集的图像，所述实时车辆采集图像为以车辆顶部为基准面进行采集的图像。
8.如权利要求7所述的一种用于堆区内的集卡作业号识别核对系统，其特征在于，所述闸口摄像头中，车牌号信息是利用字符识别模型对过闸车辆采集图像进行号牌识别实现的获取，并与该过闸车辆的车顶号相关联，所述车顶号即为作业号。
9.如权利要求6所述的一种用于堆区内的集卡作业号识别核对系统，其特征在于，所述车号识别服务器中，车辆识别模型是基于车辆重识别算法，通过对过闸车辆采集图像和实时车辆采集图像进行基于车头相似度计算实现的识别匹配。
10.如权利要求8所述的一种用于堆区内的集卡作业号识别核对系统，其特征在于，车号识别服务器还包括字符识别模型，进行目标集卡的车顶号识别，并在未成功获取识别匹配结果时输出车顶号至号牌输出单元。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310690443.7A CN117095388B (zh) | 2023-06-12 | 2023-06-12 | 一种用于堆区内的集卡作业号识别核对方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310690443.7A CN117095388B (zh) | 2023-06-12 | 2023-06-12 | 一种用于堆区内的集卡作业号识别核对方法与系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117095388A true CN117095388A (zh) | 2023-11-21 |
| CN117095388B CN117095388B (zh) | 2024-02-06 |
Family
ID=88775993
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310690443.7A Active CN117095388B (zh) | 2023-06-12 | 2023-06-12 | 一种用于堆区内的集卡作业号识别核对方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117095388B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101863770B1 (ko) * | 2017-02-17 | 2018-06-01 | 한국해양과학기술원 | 항만 보안검색 통합 서비스 시스템 |
| WO2019218785A1 (zh) * | 2018-05-16 | 2019-11-21 | 青岛港国际股份有限公司 | 自动化集装箱装卸码头 |
| CN114187583A (zh) * | 2021-12-10 | 2022-03-15 | 内蒙古工业大学 | 一种用于集装箱、平板车装车组合标识的快速识别方法 |
| CN114972945A (zh) * | 2022-06-21 | 2022-08-30 | 上海西井信息科技有限公司 | 多机位信息融合的车辆识别方法、系统、设备及存储介质 |
| CN115303815A (zh) * | 2022-06-24 | 2022-11-08 | 苏州今泰轩信息技术有限公司 | 集装箱码头空箱自动化作业系统 |
| CN115497057A (zh) * | 2022-08-11 | 2022-12-20 | 鑫三利集装箱服务有限公司 | 一种集装箱堆场智能闸口控制系统及方法 |
| CN115690061A (zh) * | 2022-11-08 | 2023-02-03 | 北京国泰星云科技有限公司 | 一种基于视觉的集装箱码头集卡车检测方法 |
| CN115965887A (zh) * | 2021-10-12 | 2023-04-14 | 中集飞瞳(上海)科技有限公司 | 一种应用于集装箱信息检测及发放的自动化控制系统及方法 |
| US20230142507A1 (en) * | 2021-11-08 | 2023-05-11 | Ping An Technology (Shenzhen) Co., Ltd. | Systems and methods for estimating monetary loss to an accident damaged vehicle |
-
2023
- 2023-06-12 CN CN202310690443.7A patent/CN117095388B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101863770B1 (ko) * | 2017-02-17 | 2018-06-01 | 한국해양과학기술원 | 항만 보안검색 통합 서비스 시스템 |
| WO2019218785A1 (zh) * | 2018-05-16 | 2019-11-21 | 青岛港国际股份有限公司 | 自动化集装箱装卸码头 |
| CN115965887A (zh) * | 2021-10-12 | 2023-04-14 | 中集飞瞳(上海)科技有限公司 | 一种应用于集装箱信息检测及发放的自动化控制系统及方法 |
| US20230142507A1 (en) * | 2021-11-08 | 2023-05-11 | Ping An Technology (Shenzhen) Co., Ltd. | Systems and methods for estimating monetary loss to an accident damaged vehicle |
| CN114187583A (zh) * | 2021-12-10 | 2022-03-15 | 内蒙古工业大学 | 一种用于集装箱、平板车装车组合标识的快速识别方法 |
| CN114972945A (zh) * | 2022-06-21 | 2022-08-30 | 上海西井信息科技有限公司 | 多机位信息融合的车辆识别方法、系统、设备及存储介质 |
| CN115303815A (zh) * | 2022-06-24 | 2022-11-08 | 苏州今泰轩信息技术有限公司 | 集装箱码头空箱自动化作业系统 |
| CN115497057A (zh) * | 2022-08-11 | 2022-12-20 | 鑫三利集装箱服务有限公司 | 一种集装箱堆场智能闸口控制系统及方法 |
| CN115690061A (zh) * | 2022-11-08 | 2023-02-03 | 北京国泰星云科技有限公司 | 一种基于视觉的集装箱码头集卡车检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 黄深广 等: "基于计算机视觉的集装箱箱号识别", 《港口装卸》, no. 2018, pages 1 - 4 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117095388B (zh) | 2024-02-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109993056B (zh) | 一种识别车辆违章行为的方法、服务器及存储介质 | |
| CN112686812B (zh) | 银行卡倾斜矫正检测方法、装置、可读存储介质和终端 | |
| CN109190444B (zh) | 一种基于视频的收费车道车辆特征识别系统的实现方法 | |
| CN103824066B (zh) | 一种基于视频流的车牌识别方法 | |
| CN106650731B (zh) | 一种鲁棒的车牌、车标识别方法 | |
| CN106203539B (zh) | 识别集装箱箱号的方法和装置 | |
| CN110348451A (zh) | 铁路集装箱装卸过程中的箱号自动采集及识别方法 | |
| CN111797829A (zh) | 一种车牌检测方法、装置、电子设备和存储介质 | |
| CN111178290A (zh) | 一种签名验证方法和装置 | |
| CN109460722B (zh) | 一种车牌智能识别方法 | |
| CN113128507B (zh) | 一种车牌识别方法、装置、电子设备及存储介质 | |
| CN112101205B (zh) | 基于多任务网络的训练方法和装置 | |
| CN105184291B (zh) | 一种多类型车牌检测方法及系统 | |
| CN112381870A (zh) | 一种基于双目视觉的船舶识别与航速测量系统及方法 | |
| CN115841633A (zh) | 一种电力塔和电力线关联矫正的电力塔和电力线检测方法 | |
| CN108734170B (zh) | 基于机器学习和模板的车牌字符分割方法 | |
| CN117095388B (zh) | 一种用于堆区内的集卡作业号识别核对方法与系统 | |
| CN113283303A (zh) | 一种车牌识别方法及装置 | |
| CN112418210B (zh) | 一种杆塔巡检信息智能分类方法 | |
| CN111161542B (zh) | 车辆识别方法及装置 | |
| CN117132990A (zh) | 铁路车厢信息的识别方法、装置、电子设备及存储介质 | |
| CN112348026A (zh) | 一种基于机器视觉的磁性硬盘序列码识别方法 | |
| CN111950556A (zh) | 一种基于深度学习的号牌印刷质量检测方法 | |
| CN111126286A (zh) | 车辆动态检测方法、装置、计算机设备及存储介质 | |
| CN116665321A (zh) | 一种基于边缘纳管技术的停车场车辆管理方法 |
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 |