CN117576919B - 车辆超载识别系统、方法及电子设备 - Google Patents
车辆超载识别系统、方法及电子设备 Download PDFInfo
- Publication number
- CN117576919B CN117576919B CN202410077280.XA CN202410077280A CN117576919B CN 117576919 B CN117576919 B CN 117576919B CN 202410077280 A CN202410077280 A CN 202410077280A CN 117576919 B CN117576919 B CN 117576919B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- information
- overload
- training
- recognition model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000006399 behavior Effects 0.000 claims abstract description 81
- 238000012549 training Methods 0.000 claims abstract description 80
- 238000005303 weighing Methods 0.000 claims abstract description 44
- 238000012544 monitoring process Methods 0.000 claims description 68
- 230000005284 excitation Effects 0.000 claims description 37
- 238000012545 processing Methods 0.000 claims description 28
- 238000012360 testing method Methods 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 14
- 238000012795 verification Methods 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000000007 visual effect Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 5
- 238000009434 installation Methods 0.000 abstract description 5
- 238000007689 inspection Methods 0.000 abstract description 2
- 238000012423 maintenance Methods 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 34
- 230000001133 acceleration Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
-
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请中提供一种车辆超载识别系统、方法及车辆超载识别模型训练方法中,雷视一体机获取车辆基本信息与车辆驾驶行为信息;载重称量模块获取车辆基本信息以及载重信息;超载判定模块根据载重信息以及车辆额定重量,判断是否超载;根据超载信息以及车辆的额定载重,计算超载率以对载重信息进行分级并为对应的车辆构造超载标签;模型训练模块以车辆为单位,基于对应的车辆基本信息、车辆驾驶行为信息、超载标签,构建车辆信息数据集;基于车辆信息数据集,对车辆超载识别模型进行训练,使得车辆超载识别模型根据目标车辆的车辆基本信息以及车辆驾驶行为信息判断目标车辆是否超载,避免了设备的安装和维护成本,防止了司机采取绕道等行为来躲避检查。
Description
技术领域
本申请实施例涉及人工智能技术领域,尤其涉及一种车辆超载识别系统、方法及车辆超载识别模型训练方法、电子设备。
背景技术
随着国民经济的迅速发展,公路运输行业的运能与需求不断在提高,由此导致货车数量不断增加,超载现象变得更加严重。车辆超载不仅会加速结构破坏,还会威胁交通安全、加重环境污染以及扰乱市场秩序。因此,对超载车辆进行有效的管控与治理变得非常必要。
目前,我国主要采用车辆称重管理系统来治理车辆超载现象。该系统通过在高速路出入口收费站或公路治超站设置称重设备,从而获取到车辆的载重信息以判断是否超载。
常见的称重设备包括静态称重系统、动态称重系统、便携式称重仪和车载称重系统等。静态称重系统测量过程耗时长,效率低。动态称重系统需要路面嵌入式固定称重设备,对道路条件要求较高。便携式称重仪需要根据不同车辆类型进行调整。车载称重系统需要在后期对车辆进行安装。
上述无论是静态称重系统、动态称重系统、便携式称重仪,还是车载称重系统等都是接触式测量方法,一方面,设备的安装和维护成本较高,另外一方面,司机可以采取绕道等行为来躲避检查。
发明内容
本申请的目的在于提出一种车辆超载识别系统、方法及车辆超载识别模型训练方法、电子设备,用于解决或者克服现有技术中存在的上述技术问题。
根据本申请实施例的第一方面,提供了一种车辆超载识别系统,其包括:雷视一体机、激励源、载重称量模块、超载判定模块、模型训练模块;
所述雷视一体机基于如下处理过程确定车辆的基本信息以及驾驶行为信息:对其视野的车辆进行监控得到第一监控视频流,并对所述第一监控视频流进行分析以获取车辆基本信息,以及基于标定的虚拟触发线序列,形成所述车辆在所述激励源的激励下产生的驾驶行为信息;
所述载重称量模块用于基于如下处理确定所述车辆的基本信息以及载重信息:对所述车辆进行监控得到第二监控视频流,并对所述第二监控视频流进行分析以获取车辆基本信息;对所述车辆进行称重以获取所述载重信息;
所述超载判定模块用于基于如下处理判断所述车辆是否超载:
对所述载重称量模块获取到的车辆基本信息以及所述雷视一体机获取到的车辆基本信息进行匹配,以建立车辆驾驶行为信息与载重信息之间的对应关系;
根据所述载重信息以及车辆额定重量,判断是否超载;
根据所述超载信息以及所述车辆的额定载重,计算超载率以对所述载重信息进行分级并为对应的车辆构造超载标签;
所述模型训练模块用于基于如下处理构建车辆信息数据集,以对车辆超载识别模型进行训练:
以车辆为单位,基于对应的所述车辆基本信息、所述车辆驾驶行为信息、所述超载标签,构建车辆信息数据集;
基于所述车辆信息数据集,对所述车辆超载识别模型进行训练,使得所述车辆超载识别模型根据目标车辆的车辆基本信息以及车辆驾驶行为信息判断所述目标车辆是否超载。
一种车辆超载识别方法,其包括:
获取目标车辆的车辆基本信息以及车辆驾驶行为信息;
基于完成训练的车辆超载识别模型根据所述车辆基本信息以及车辆驾驶行为信息判断所述目标车辆是否超载;
其中,所述车辆超载识别模型基于如下步骤进行训练:
对雷视一体机的视野范围内的样本车辆进行监控得到第一监控视频流,并对所述第一监控视频流进行分析以获取车辆基本信息,以及基于标定的虚拟触发线序列,形成所述样本车辆在所述激励源的激励下产生的驾驶行为信息;
对所述样本车辆进行监控得到第二监控视频流,并对所述第二监控视频流进行分析以获取车辆基本信息;对所述样本车辆进行称重以获取所述载重信息;
对所述载重称量模块获取到的车辆基本信息以及所述雷视一体机获取到的车辆基本信息进行匹配,以建立样本车辆驾驶行为信息与载重信息之间的对应关系;
根据所述载重信息以及车辆额定重量,判断是否超载;
根据所述超载信息以及所述车辆的额定载重,计算超载率以对所述载重信息进行分级并为对应的车辆构造超载标签;
以样本车辆为单位,基于对应的所述车辆基本信息、所述车辆驾驶行为信息、所述超载标签,构建车辆信息数据集;
基于所述车辆信息数据集,对所述车辆超载识别模型进行训练。
一种车辆超载识别模型训练方法,其包括:
对获取到的第一车辆基本信息以及获取到的第二车辆基本信息进行匹配,以建立车辆驾驶行为信息与载重信息之间的对应关系,其中,所述第一车辆基本信息通过对车辆监控所形成的第一监控视频流进行分析得到,所述第二车辆基本信息通过对车辆监控所形成的第二监控视频流进行分析得到;
根据载重信息以及车辆额定重量,判断是否超载,所述载重信息通过对所述车辆进行称重得到;
根据所述超载信息以及所述车辆的额定载重,计算超载率以对所述载重信息进行分级并为对应的车辆构造超载标签;
以车辆为单位,基于对应的所述车辆基本信息、车辆驾驶行为信息、所述超载标签,构建车辆信息数据集,所述车辆驾驶行为信息由所述车辆基于标定的虚拟触发线序列在所述激励源的激励下产生;
基于所述车辆信息数据集,对车辆超载识别模型进行训练,使得所述车辆超载识别模型根据目标车辆的车辆基本信息以及车辆驾驶行为信息判断所述目标车辆是否超载。
一种电子设备,其包括存储器以及处理器,所述存储器上存储有计算机可执行程序,所述处理器用于执行所述计算机可执行程序以实施:
对获取到的第一车辆基本信息以及获取到的第二车辆基本信息进行匹配,以建立车辆驾驶行为信息与载重信息之间的对应关系,其中,所述第一车辆基本信息通过对监控车辆所形成的第一监控视频流进行分析得到,所述第二车辆基本信息通过对监控车辆所形成的第二监控视频流进行分析得到;
根据载重信息以及车辆额定重量,判断是否超载,所述载重信息通过对所述车辆进行称重得到;
根据所述超载信息以及所述车辆的额定载重,计算超载率以对所述载重信息进行分级并为对应的车辆构造超载标签;
以车辆为单位,基于对应的所述车辆基本信息、车辆驾驶行为信息、所述超载标签,构建车辆信息数据集,所述车辆驾驶行为信息由所述车辆基于标定的虚拟触发线序列在所述激励源的激励下产生;
基于所述车辆信息数据集,对车辆超载识别模型进行训练,使得所述车辆超载识别模型根据目标车辆的车辆基本信息以及车辆驾驶行为信息判断所述目标车辆是否超载。
附图说明
后文将参照附图以示例性而非限制性的方式详细描述本申请实施例的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解,这些附图未必是按比例绘制的。附图中:
图1为本申请实施例一种车辆超载识别系统的结构示意图。
图2为雷视一体机与激励源的布置示意图。
图3为虚拟触发线序列的标定示意图。
图4为本申请实施例训练时车辆信息数据集参与的原理示意图。
具体实施方式
为了使本领域的人员更好地理解本申请实施例中的技术方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请实施例一部分实施例,而不是全部的实施例。基于本申请实施例中的实施例,本领域普通技术人员所获得的所有其他实施例,都应当属于本申请实施例保护的范围。
图1为本申请实施例一种车辆超载识别系统的结构示意图。图2为雷视一体机与激励源的布置示意图。如图1、2所示,其包括:雷视一体机、激励源、载重称量模块、超载判定模块、模型训练模块;
所述雷视一体机基于如下处理过程确定车辆的基本信息以及驾驶行为信息:对其视野的车辆进行监控得到第一监控视频流,并对所述第一监控视频流进行分析以获取车辆基本信息,以及基于标定的虚拟触发线序列,形成所述车辆在所述激励源的激励下产生的驾驶行为信息;
所述载重称量模块用于基于如下处理确定所述车辆的基本信息以及载重信息:对所述车辆进行监控得到第二监控视频流,并对所述第二监控视频流进行分析以获取车辆基本信息;对所述车辆进行称重以获取所述载重信息;
所述超载判定模块用于基于如下处理判断所述车辆是否超载:
对所述载重称量模块获取到的车辆基本信息以及所述雷视一体机获取到的车辆基本信息进行匹配,以建立车辆驾驶行为信息与载重信息之间的对应关系;
根据所述载重信息以及车辆额定重量,判断是否超载;
根据所述超载信息以及所述车辆的额定载重,计算超载率以对所述载重信息进行分级并为对应的车辆构造超载标签;
所述模型训练模块用于基于如下处理构建车辆信息数据集,以对车辆超载识别模型进行训练:
以车辆为单位,基于对应的所述车辆基本信息、所述车辆驾驶行为信息、所述超载标签,构建车辆信息数据集;
基于所述车辆信息数据集,对所述车辆超载识别模型进行训练,使得所述车辆超载识别模型根据目标车辆的车辆基本信息以及车辆驾驶行为信息判断所述目标车辆是否超载。所述车辆基本信息、所述车辆驾驶行为信息通过匹配的方式以特征向量的形式输入到模型中,基于特征向量对车辆超载情况进行预测。对于给定的输入数据,模型首先初始化参数,然后通过不断迭代来逐步优化目标函数,从而找到使目标函数最小化的参数值。利用梯度下降算法计算目标函数对各个参数的偏导数,来确定目标函数下降的方向。然后通过在参数空间中朝着梯度的反方向进行一定步长的更新,逐渐接近最优解。即迭代到模型的损失很小为止,使模型性能能够满足实际场景需求。从而实现对于新的车辆样本,模型根据输入的特征向量对车辆超载情况进行识别和预测。
可选地,所述车辆超载识别模型训练完成后,可以基于TensorFlow Lite技术,将其封装成超载车辆识别监测模块并部署于雷视一体机当中以执行。
上述车辆超载识别模型比如可以为RF模型(或称之为随机森林模型)或者SVM模型(又称之为支持向量机模型)或者GBDT模型(又称之为梯度提升决策树模型)中至少其二作为车辆超载识别模型的第一层,LightGBM模型作为车辆超载识别模型的第二层。其中,RF模型在生成若干个决策树的过程中,通过对车辆信息数据集的样本观测和特征变量分别进行随机抽样,每次抽样结果均为一棵树,并基于每棵树生成符合预设规则的分类结果,以基于该分类结果对车辆超载情况进行识别和预测;SVM模型用非线性映射将车辆信息数据集映射到高维数据特征空间中,使得在高维数据特征空间中自变量与因变量具有很好的线性回归特征,在该高维数据特征空间进行特征向量的拟合后再返回到车辆信息数据集的原始空间,以对车辆超载情况进行识别和预测;GBDT模型串行地训练一组回归树,通过每棵回归树根据特征向量对车辆超载情况进行识别和预测,再对所有回归树的预测结果加和,从而得到车辆超载情况的最终预测。选取以上模型作为车辆超载识别模型的第一层,可以对车辆信息数据集进行准确有效地分类和预测,并减小单一模型的影响。此外,将第一层模型几个学习器的预测结果作为新的训练集,利用第二层LightGBM模型对第一层中不同模型预测的结果再进行建模,即将新训练集中连续的浮点特征离散成k个离散值,并构造宽度为k的直方图,k为大于1的整数,然后遍历新训练数据,计算每个离散值在直方图中的累计统计量。在进行特征选择时,只需要根据直方图的离散值,遍历寻找最优的分割点,即可对车辆超载情况进行识别和预测,从而提升模型最终的性能和泛化能力。
可选地,所述雷视一体机可单独立杆安装,或者将其安装在公路桥梁现有的监控立杆或龙门架上,使得雷视一体机的安装高度确保雷视一体机及补光灯安装后离地净高度满足其视野要求,以实现对车辆的监控即可。
可选地,所述雷视一体机获取到的车辆基本信息比如可以包括车辆行驶的时间、车辆的车牌、车辆所在的车道、车型中至少其一等。而对于超载判定模块来说,其获取到的车辆基本信息比如除了可以包括车辆行驶的时间、车辆的车牌、车辆所在的车道、车型中至少其一等,还可以包括车辆轴数等信息。此处,需要说明的是,所述雷视一体机获取到的车辆基本信、超载判定模块获取到的车辆基本信息只要是可以实现确定驾驶行为信息与载重信息时,能将车辆关联起来即可。
可选地,对所述载重称量模块获取到的车辆基本信息以及所述雷视一体机获取到的车辆基本信息进行匹配,以建立车辆驾驶行为信息与载重信息之间的对应关系,包括:基于其中车辆的车牌,建立车辆驾驶行为信息与载重信息之间的对应关系。此处仅仅示例,并非唯一性限定。
可选地,考虑到车辆行驶过程中,尤其超载的话,车辆的驾驶行为会受到激励源的激励较大,为此,所述驾驶行为信息包括但不限于车辆速度、速度变化量和加速度等。
可选地,所述虚拟触发线序列基于如下方式建立在所述雷视一体机的监控界面上:
确定所述第一监控视频流中的指定激励源在所述雷视一体机的监控界面的显示位置;
基于所述显示位置,沿着远离所述指定激励源的方向,在所述监控界面上设置若干个虚拟触发线,所述若干个虚拟触发线组成所述虚拟触发线序列,以在所述车辆首次经过每条虚拟触发线时,记录所述车辆的行为,以形成所述驾驶行为信息。
为此,通过确定监控界面中指定激励源的显示位置,可以自动化地沿着远离该激励源的方向,在监控界面上设置若干个虚拟触发线,当车辆首次经过每条虚拟触发线时,可以实时记录车辆的行为信息,从而有助于实时监控车辆的行驶情况,为驾驶行为评估和路况分析提供实时数据支持。
可选地,所述激励源包括但不限于道路标示牌、减速带等可能影响驾驶行为的物体。
可选地,考虑到在驾驶过程中,驾驶行为信息可能会受到减速带的影响较大,所以所述指定激励源为减速带。为了确保减速带与载重称量模块之间的距离不影响载重称量模块的精度,减速带的安装位置与载重称量模块之间的距离要大于设定距离,该设定的距离大小根据应用场景来确定。
图3为虚拟触发线序列的标定示意图。如图3所示,所述显示位置,沿着远离所述指定激励源的方向,在所述监控界面上设置若干个虚拟触发线比如可以包括:在雷视一体机的系统调试界面,距离减速带不同位置处分别设置一条虚拟触发线,分别记为虚拟触发线1、虚拟触发线2、虚拟触发线3,……,虚拟触发线n,n为非零整数,相邻虚拟触发线之间的距离比如为10m。
其中车辆速度、速度变化量与加速度信息的获取方式如下:
在所述车辆首次经过每条虚拟触发线时,记录所述车辆的行为,以形成所述驾驶行为信息,比如可以包括:当车辆首次经过每条虚拟触发线时依此记录其速度,并按虚拟触发线与减速带之间的距离由远至近将速度依次记为速度1:、速度2:/>、速度3:/>,……,速度n:/>。车辆从虚拟触发线1到虚拟触发线2所用的时间记为/>,车辆从虚拟触发线2到虚拟触发线3所用的时间记为/>,……,车辆从虚拟触发线n-1到虚拟触发线n所用的时间记为/>,则速度变化量1:/>,速度变化量2:/>,……,速度变化量n-1:/>;加速度1:/>,加速度2:/>,……,加速度n-1:/>。
为此,通过记录车辆首次经过每条虚拟触发线时的行为信息,包括速度、时间和距离的关系,可以有效地获取车辆的驾驶行为信息,为后续的行为分析和驾驶行为评估提供数据支持。再根据车辆从虚拟触发线到虚拟触发线的速度变化情况,可以计算出速度的变化量,这有助于了解车辆在即将经过减速带前不同位置处的速度变化情况,为驾驶行为评估提供数据基础。而且,根据车辆从虚拟触发线到虚拟触发线的速度变化情况和时间,可以计算出车辆的加速度信息,这有助于了解车辆在行驶过程中是否存在急刹车(急减速)情况,为驾驶行为评估提供数据支持。最后,通过获取车辆的速度、速度变化量和加速度信息,可以对不同载重车辆的驾驶行为进行评估,包括车辆的速度控制、加速和减速情况,有助于建立超载车辆和正常车辆与不同驾驶行为现象与现象之间的联系。
将所述载重信息记为a,将车辆额定重量记为b,若a>b,则判定车辆超载。
所述根据所述超载信息以及所述车辆的额定载重,计算超载率以对所述载重信息进行分级并为对应的车辆构造超载标签,包括:
基于,c表示超载率,若车辆的c≤0%,则表明该车辆为非超载的正常车辆,将所有属于此范围内的车辆的标签记为0,以此类推,根据不同超载率将超载车辆划分成不同的等级以实现分级,并分别构造标签1,2,……,n。
可选地,所述以车辆为单位,基于对应的所述车辆基本信息、所述车辆驾驶行为信息、所述超载标签,构建车辆信息数据集之后,还可以包括:
对所述车辆信息数据集进行预处理,以对所述车辆信息数据集进行数据分类得到离散型数据、连续性数据。比如某一车辆样本缺少车道、时间等信息,可选择将此车辆的基本信息、驾驶行为信息、载重信息删除。
可选地,所述预处理包括但不限于缺失值填充,重复值和异常值剔除等,以保证数据的一致性。
其中,离散型数据比如包括无大小数量关系的数据,如车道2并不比车道1要“大”,连续型数据比如包括有大小数量关系的数据,比如车辆轴数等。
可选地,所述模型训练模块还用于执行如下步骤以将所述车辆信息数据集转换成模型输入数据:
对所述车辆信息数据集进行数据分类,确定其中的离散型数据以及连续性数据;
对所述离散型数据进行编码形成编码向量;
对所述连续性数据进行特征标准化处理形成标准化数据,并与所述编码向量形成模型输入数据。
为此,通过对车辆信息数据集进行数据分类,可以有效地进行数据预处理,将离散型数据和连续性数据区分开来,为后续的特征处理和模型训练做好准备。再者,对离散型数据进行编码形成编码向量,可以将非数值型数据转换为数值型数据,使得模型能够处理这些特征,提高模型的适用性和准确性。而且,对连续性数据进行特征标准化处理,可以使得不同特征的数据处于相同的尺度,有利于模型的训练和收敛,提高模型的训练效果和准确性。最后,通过对离散型数据进行编码和对连续性数据进行特征标准化处理,形成模型输入数据,为模型的训练和预测提供了高质量的数据,提高了模型的训练效果和预测准确性。
可选地,对所述离散型数据进行编码形成编码向量,比如包括:对所述离散型数据进行独热编码形成编码向量。比如将车道1和车道2分别编码为[1 0]和[0 1];若车型共分为小型车、中型车和大型车,则将其分别编码为[1 0 0]、[0 1 0]和[0 0 1],以此类推。
可选地,对所述连续性数据进行特征标准化处理形成标准化数据,并与所述编码向量形成模型输入数据,包括:
基于特征标准化的公式,对所述连续性数据进行特征标准化处理形成标准化数据,并与所述编码向量形成模型输入数据,其中,/>为标准化后的数据作为输入数据;/>为连续性数据;/>为连续性数据的均值;/>为连续性数据的标准差。连续性数据的均值、连续性数据的标准差通过对所有同类型的连续性数据进行统计分析得到。
为此,通过特征标准化处理,可以将连续性数据转换为标准化数据,使得不同特征的数据处于相同的尺度,有利于模型的训练和收敛,提高模型的训练效果。再者,标准化后的数据可以减少不同特征之间的偏差,降低模型对特征值大小的敏感度,提高模型的稳定性和鲁棒性。而且,标准化后的数据有利于加快模型的收敛速度,减少训练时间,提高模型的效率,以及使得模型更加准确地学习特征之间的关系,提高模型的预测准确性。最后,标准化后的数据可以减少模型对特征值大小的敏感度,降低过拟合的风险,提高模型的泛化能力。
本申请实施例中,通过上述标准化处理,实现了对连续性数据中的对应特征进行缩放,以减小不同量纲数据对后续模型训练的影响。
可选地,所述模型训练模块还用于执行如下步骤判断所述车辆信息数据集是否出现样本不均衡,并在出现所述样本不均衡时,对所述车辆信息数据集进行样本均衡处理:
确定超载车辆的数量与未超载车辆的数量之间的差值;
若所述差值大于设定的阈值,则判定出现所述样本不均衡,否则,判定未出现样本不均衡;
当出现所述样本不均衡时,基于设定的样本均衡处理模型对所述车辆信息数据集进行样本均衡处理。
为此,通过判断超载车辆和未超载车辆数量的差值是否大于设定的阈值,可以及时发现样本不均衡的情况,避免模型在训练和测试过程中对少数类样本的忽略,提高模型对少数类样本的识别能力。再者,样本均衡处理可以有效避免模型对多数类样本的过度学习,提高模型对少数类样本的识别准确性,从而提高模型的泛化能力。而且,样本均衡处理可以减少模型在训练和测试过程中的不确定性,减小模型的方差,提高模型的稳定性和可靠性。最后,通过样本均衡处理,可以使模型更加全面地学习各个类别的特征,从而提高模型对超载和未超载车辆的识别准确性,以及可以降低模型对少数类样本的误差率,提高模型的整体性能,从而使得模型的预测结果更加可靠和准确。
上述样本均衡处理模型可采用随机欠采样、SMOTE过采样或者SMOTE_Tomek Links组合。其中,随机欠采样是指在正常车辆样本中根据超载车辆样本的数量进行随机采样,使正常车辆样本数量与超载车辆样本数量趋于均衡。SMOTE过采样是指通过插值的方式在超载车辆样本中加入近邻的数据点,使超载车辆样本数量与正常车辆样本数量趋于均衡。SMOTE_Tomek Links组合采样是指首先利用SMOTE方法生成新的超载车辆样本,得到扩充后的数据集,再由Tomek Links去除噪声点或边界点,避免SMOTE导致原本属于正常车辆样本的空间被超载车辆侵占。
其中,针对SMOTE_Tomek Links组合采样,本申请中通过如下计数原理来实现:
如针对车辆信息数据集遍历一次,如有两个样本点x,y分属不同的类,即一个为未超载对应的多数样本,另一个为超载对应的少数样本,则计算两个样本点之间的距离d(x,y),此时如果找不到第三个样本点z,使得两个样本点中的任一样本点到z的距离比两个样本点之间的距离还小,对其进行剔除,从而避免新生成的样本侵占原有样本类的空间。
可选地,图4为本申请实施例训练时车辆信息数据集参与的原理示意图。如图4所示,在所述模型训练模块在基于所述车辆信息数据集,对所述车辆超载识别模型进行训练时,执行如下步骤:
将考虑驾驶行为的车辆信息数据集划分为训练集(Xtrain)以及测试集(Xtest);
将所述训练集随机划分为N份,N为大于1的整数;
将训练集中的N-1份作为训练子集,剩余的1份作为验证子集;
基于所述训练子集对所述车辆超载识别模型进行训练,以及基于所述验证子集验证所述车辆超载识别模型是否收敛得到验证输出;
基于所述测试集对所述车辆超载识别模型进行测试得到测试输出;
基于所述验证输出组成新训练集,所述测试输出组成新测试集N,以基于所述新训练集对所述车辆超载识别模型进行再次训练,以及基于所述新测试集对所述车辆超载识别模型进行再次测试,直至最终预测结果满足预设损失函数要求,表征所述车辆超载识别模型训练完成。
可选地,在对车辆超载识别模型进行训练时,可以基于采用GridSearch CV方法来调整模型的网络参数,其中,GridSearch为网格搜索,CV为交叉验证,网格搜索是指在指定的参数范围内,按步长依次调整网络参数,利用调整的网络参数训练车辆超载识别模型,并从所有的参数中找到在测试集上精度最高的网络参数。
为此,通过将数据集划分为训练集和测试集,并进行N份交叉验证,可以有效避免过拟合问题,提高模型的泛化能力。另外,基于训练子集对车辆超载识别模型进行训练,并使用验证子集验证模型是否收敛,可以有效监控模型的训练过程,提高模型确定超参数的准确性和稳定性。再者,通过将验证输出组成新训练集M,测试输出组成新测试集,并进行多次模型再训练和再测试,可以逐步优化模型,提高模型的预测准确性,最终满足预设损失函数要求。最后,通过多次交叉验证和模型再训练,可以有效提高模型的准确性和稳定性,使得车辆超载识别模型更加可靠和实用。
图4中,车辆超载识别模型比如可以为RF模型(或称之为随机森林模型)或者SVM模型(又称之为支持向量机模型)或者GBDT模型(又称之为梯度提升决策树模型)中至少其二作为车辆超载识别模型的第一层,LightGBM模型作为车辆超载识别模型的第二层的组合。
可选地,所述模型训练模块在基于所述车辆信息数据集,对所述车辆超载识别模型进行训练时,执行如下步骤:
每使用一个训练子集对所述车辆超载识别模型完成训练后,以及使用测试集对所述车辆超载识别模型完成测试后,生成所述车辆超载识别模型的性能评价矩阵;
根据所述性能评价矩阵,判断所述车辆超载识别模型的性能是否匹配需求性能。
可选地,所述模型训练模块在根据所述性能评价矩阵,判断所述车辆超载识别模型的性能是否匹配需求性能时,执行如下步骤:
统计所述车辆超载识别模型所有的预测结果中,预测正确的比例,以得到准确率;
统计所述车辆超载识别模型预测为超载的结果中,预测正确的比例,以得到精确率;
统计所有真实情况为超载的结果中,预测正确的比例,以得到召回率;
计算所述精确率和召回率之间的调和值;
根据所述准确率、精确率、召回率、调和值,判断所述车辆超载识别模型的性能是否匹配需求性能。
比如可以基于如下混淆矩阵表格描述作为性能评价矩阵来得到准确率、精确率、召回率、调和值:
准确率表示。
精确率表示。
召回率表示。
是精确率与召回率的调和值,/>越大表示模型效果越好,/>。
本申请实施例还提供一种车辆超载识别方法,其包括:
获取目标车辆的车辆基本信息以及车辆驾驶行为信息;
基于完成训练的车辆超载识别模型根据所述车辆基本信息以及车辆驾驶行为信息判断所述目标车辆是否超载;
其中,所述车辆超载识别模型基于如下步骤进行训练:
对雷视一体机的视野范围内的样本车辆进行监控得到第一监控视频流,并对所述第一监控视频流进行分析以获取车辆基本信息,以及基于标定的虚拟触发线序列,形成所述样本车辆在所述激励源的激励下产生的驾驶行为信息;
对所述样本车辆进行监控得到第二监控视频流,并对所述第二监控视频流进行分析以获取车辆基本信息;对所述样本车辆进行称重以获取所述载重信息;
对所述载重称量模块获取到的车辆基本信息以及所述雷视一体机获取到的车辆基本信息进行匹配,以建立样本车辆驾驶行为信息与载重信息之间的对应关系;
根据所述载重信息以及车辆额定重量,判断是否超载;
根据所述超载信息以及所述车辆的额定载重,计算超载率以对所述载重信息进行分级并为对应的车辆构造超载标签;
以样本车辆为单位,基于对应的所述车辆基本信息、所述车辆驾驶行为信息、所述超载标签,构建车辆信息数据集;
基于所述车辆信息数据集,对所述车辆超载识别模型进行训练。
本申请实施例还提供一种车辆超载识别模型训练方法,其包括:
对获取到的第一车辆基本信息以及获取到的第二车辆基本信息进行匹配,以建立车辆驾驶行为信息与载重信息之间的对应关系,其中,所述第一车辆基本信息通过对车辆监控所形成的第一监控视频流进行分析得到,所述第二车辆基本信息通过对车辆监控所形成的第二监控视频流进行分析得到;
根据载重信息以及车辆额定重量,判断是否超载,所述载重信息通过对所述车辆进行称重得到;
根据所述超载信息以及所述车辆的额定载重,计算超载率以对所述载重信息进行分级并为对应的车辆构造超载标签;
以车辆为单位,基于对应的所述车辆基本信息、车辆驾驶行为信息、所述超载标签,构建车辆信息数据集,所述车辆驾驶行为信息由所述车辆基于标定的虚拟触发线序列在所述激励源的激励下产生;
基于所述车辆信息数据集,对车辆超载识别模型进行训练,使得所述车辆超载识别模型根据目标车辆的车辆基本信息以及车辆驾驶行为信息判断所述目标车辆是否超载。
本申请实施例还提供一种电子设备,其包括存储器以及处理器,所述存储器上存储有计算机可执行程序,所述处理器用于执行所述计算机可执行程序以实施如下步骤:
对获取到的第一车辆基本信息以及获取到的第二车辆基本信息进行匹配,以建立车辆驾驶行为信息与载重信息之间的对应关系,其中,所述第一车辆基本信息通过对监控车辆所形成的第一监控视频流进行分析得到,所述第二车辆基本信息通过对监控车辆所形成的第二监控视频流进行分析得到;
根据载重信息以及车辆额定重量,判断是否超载,所述载重信息通过对所述车辆进行称重得到;
根据所述超载信息以及所述车辆的额定载重,计算超载率以对所述载重信息进行分级并为对应的车辆构造超载标签;
以车辆为单位,基于对应的所述车辆基本信息、车辆驾驶行为信息、所述超载标签,构建车辆信息数据集,所述车辆驾驶行为信息由所述车辆基于标定的虚拟触发线序列在所述激励源的激励下产生;
基于所述车辆信息数据集,对车辆超载识别模型进行训练,使得所述车辆超载识别模型根据目标车辆的车辆基本信息以及车辆驾驶行为信息判断所述目标车辆是否超载。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (9)
1.一种车辆超载识别系统,其特征在于,包括:雷视一体机、激励源、载重称量模块、超载判定模块、模型训练模块;
所述雷视一体机基于如下处理过程确定车辆的基本信息以及驾驶行为信息:对其视野的车辆进行监控得到第一监控视频流,并对所述第一监控视频流进行分析以获取车辆基本信息,以及基于标定的虚拟触发线序列,形成所述车辆在所述激励源的激励下产生的驾驶行为信息;
所述载重称量模块用于基于如下处理确定所述车辆的基本信息以及载重信息:对所述车辆进行监控得到第二监控视频流,并对所述第二监控视频流进行分析以获取车辆基本信息;对所述车辆进行称重以获取所述载重信息;
所述超载判定模块用于基于如下处理判断所述车辆是否超载:
对所述载重称量模块获取到的车辆基本信息以及所述雷视一体机获取到的车辆基本信息进行匹配,以建立车辆驾驶行为信息与载重信息之间的对应关系;
根据所述载重信息以及车辆额定重量,判断是否超载;
根据所述载重信息以及所述车辆额定重量,计算超载率以对所述载重信息进行分级并为对应的车辆构造超载标签;
所述模型训练模块用于基于如下处理构建车辆信息数据集,以对车辆超载识别模型进行训练:
以车辆为单位,基于对应的所述车辆基本信息、所述车辆驾驶行为信息、所述超载标签,构建车辆信息数据集;
基于所述车辆信息数据集,对所述车辆超载识别模型进行训练,使得所述车辆超载识别模型根据目标车辆的车辆基本信息以及车辆驾驶行为信息判断所述目标车辆是否超载。
2.根据权利要求1所述的一种车辆超载识别系统,其特征在于,所述虚拟触发线序列基于如下方式建立在所述雷视一体机的监控界面上:
确定所述第一监控视频流中的指定激励源在所述雷视一体机的监控界面的显示位置;
基于所述显示位置,沿着远离所述指定激励源的方向,在所述监控界面上设置若干个虚拟触发线,所述若干个虚拟触发线组成所述虚拟触发线序列,以在所述车辆首次经过每条虚拟触发线时,记录所述车辆的行为,以形成所述驾驶行为信息。
3.根据权利要求1所述的一种车辆超载识别系统,其特征在于,所述模型训练模块还用于执行如下步骤以将所述车辆信息数据集转换成模型输入数据:
对所述车辆信息数据集进行数据分类,确定其中的离散型数据以及连续性数据;
对所述离散型数据进行编码形成编码向量;
对所述连续性数据进行特征标准化处理形成标准化数据,并与所述编码向量形成模型输入数据。
4.根据权利要求1所述的一种车辆超载识别系统,其特征在于,所述模型训练模块还用于执行如下步骤判断所述车辆信息数据集是否出现样本不均衡,并在出现所述样本不均衡时,对所述车辆信息数据集进行样本均衡处理:
确定超载车辆的数量与未超载车辆的数量之间的差值;
若所述差值大于设定的阈值,则判定出现所述样本不均衡,否则,判定未出现样本不均衡;
当出现所述样本不均衡时,基于设定的样本均衡处理模型对所述车辆信息数据集进行样本均衡处理。
5.根据权利要求1所述的一种车辆超载识别系统,其特征在于,所述模型训练模块在基于所述车辆信息数据集,对所述车辆超载识别模型进行训练时,执行如下步骤:
将所述车辆信息数据集划分为训练集以及测试集;
将所述训练集随机划分为N份,N为大于1的整数;
将训练集中的N-1份作为训练子集,剩余的1份作为验证子集;
基于所述训练子集对所述车辆超载识别模型进行训练,以及基于所述验证子集验证所述车辆超载识别模型是否收敛得到验证输出;
基于所述测试集对所述车辆超载识别模型进行测试得到测试输出;
基于所述验证输出组成新训练集,所述测试输出组成新测试集,以基于所述新训练集对所述车辆超载识别模型进行再次训练,以及基于所述新测试集对所述车辆超载识别模型进行再次测试,直至所述车辆超载识别模型训练完成。
6.根据权利要求5所述的一种车辆超载识别系统,其特征在于,所述模型训练模块在基于所述车辆信息数据集,对所述车辆超载识别模型进行训练时,执行如下步骤:
每使用一个训练子集对所述车辆超载识别模型完成训练后,以及使用测试集对所述车辆超载识别模型完成测试后,生成所述车辆超载识别模型的性能评价矩阵;
根据所述性能评价矩阵,判断所述车辆超载识别模型的性能是否匹配需求性能。
7.根据权利要求6所述的一种车辆超载识别系统,其特征在于,所述模型训练模块在根据所述性能评价矩阵,判断所述车辆超载识别模型的性能是否匹配需求性能时,执行如下步骤:
统计所述车辆超载识别模型所有的预测结果中,预测正确的比例,以得到准确率;
统计所述车辆超载识别模型预测为超载的结果中,预测正确的比例,以得到精确率;
统计所有真实情况为超载的结果中,预测正确的比例,以得到召回率;
计算所述精确率和召回率之间的调和值;
根据所述准确率、精确率、召回率、调和值,判断所述车辆超载识别模型的性能是否匹配需求性能。
8.一种车辆超载识别方法,其特征在于,包括:
获取目标车辆的车辆基本信息以及车辆驾驶行为信息;
基于完成训练的车辆超载识别模型根据所述车辆基本信息以及车辆驾驶行为信息判断所述目标车辆是否超载;
其中,所述车辆超载识别模型基于如下步骤进行训练:
对雷视一体机的视野范围内的样本车辆进行监控得到第一监控视频流,并对所述第一监控视频流进行分析以获取车辆基本信息,以及基于标定的虚拟触发线序列,形成所述样本车辆在激励源的激励下产生的驾驶行为信息;
对所述样本车辆进行监控得到第二监控视频流,并对所述第二监控视频流进行分析以获取车辆基本信息;对所述样本车辆进行称重以获取载重信息;
对载重称量模块获取到的车辆基本信息以及所述雷视一体机获取到的车辆基本信息进行匹配,以建立样本车辆驾驶行为信息与载重信息之间的对应关系;
根据所述载重信息以及车辆额定重量,判断是否超载;
根据所述载重信息以及所述车辆额定重量,计算超载率以对所述载重信息进行分级并为对应的车辆构造超载标签;
以样本车辆为单位,基于对应的所述车辆基本信息、所述车辆驾驶行为信息、所述超载标签,构建车辆信息数据集;
基于所述车辆信息数据集,对所述车辆超载识别模型进行训练。
9.一种电子设备,其特征在于,包括存储器以及处理器,所述存储器上存储有计算机可执行程序,所述处理器用于执行所述计算机可执行程序以实施:
对获取到的第一车辆基本信息以及获取到的第二车辆基本信息进行匹配,以建立车辆驾驶行为信息与载重信息之间的对应关系,其中,所述第一车辆基本信息通过对监控车辆所形成的第一监控视频流进行分析得到,所述第二车辆基本信息通过对监控车辆所形成的第二监控视频流进行分析得到;
根据载重信息以及车辆额定重量,判断是否超载,所述载重信息通过对所述车辆进行称重得到;
根据所述载重信息以及所述车辆额定重量,计算超载率以对所述载重信息进行分级并为对应的车辆构造超载标签;
以车辆为单位,基于对应的所述车辆基本信息、车辆驾驶行为信息、所述超载标签,构建车辆信息数据集,所述车辆驾驶行为信息由所述车辆基于标定的虚拟触发线序列在激励源的激励下产生;
基于所述车辆信息数据集,对车辆超载识别模型进行训练,使得所述车辆超载识别模型根据目标车辆的车辆基本信息以及车辆驾驶行为信息判断所述目标车辆是否超载。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410077280.XA CN117576919B (zh) | 2024-01-19 | 2024-01-19 | 车辆超载识别系统、方法及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410077280.XA CN117576919B (zh) | 2024-01-19 | 2024-01-19 | 车辆超载识别系统、方法及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117576919A CN117576919A (zh) | 2024-02-20 |
CN117576919B true CN117576919B (zh) | 2024-04-02 |
Family
ID=89896036
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410077280.XA Active CN117576919B (zh) | 2024-01-19 | 2024-01-19 | 车辆超载识别系统、方法及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117576919B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101887639A (zh) * | 2010-06-25 | 2010-11-17 | 苏州位置科技有限公司 | 基于can总线的车辆超载检测系统和检测方法 |
KR20130091854A (ko) * | 2012-02-09 | 2013-08-20 | 최윤배 | Lbs 및 차량중량측정장치를 이용한 과적차량 실시간 모니터링 시스템 |
CN107103654A (zh) * | 2017-05-02 | 2017-08-29 | 郑州华瑞伟业电子科技有限公司 | 一种货检安全检测监控和管理系统和方法 |
CN110895662A (zh) * | 2018-09-12 | 2020-03-20 | 杭州海康威视数字技术股份有限公司 | 车辆超载报警方法、装置、电子设备及存储介质 |
WO2022033288A1 (zh) * | 2020-08-11 | 2022-02-17 | 华为技术有限公司 | 超载车辆识别方法、系统及设备 |
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 |
CN117191165A (zh) * | 2022-05-31 | 2023-12-08 | 重庆海推科技有限公司 | 一种货车超载检测管理系统 |
-
2024
- 2024-01-19 CN CN202410077280.XA patent/CN117576919B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101887639A (zh) * | 2010-06-25 | 2010-11-17 | 苏州位置科技有限公司 | 基于can总线的车辆超载检测系统和检测方法 |
KR20130091854A (ko) * | 2012-02-09 | 2013-08-20 | 최윤배 | Lbs 및 차량중량측정장치를 이용한 과적차량 실시간 모니터링 시스템 |
CN107103654A (zh) * | 2017-05-02 | 2017-08-29 | 郑州华瑞伟业电子科技有限公司 | 一种货检安全检测监控和管理系统和方法 |
CN110895662A (zh) * | 2018-09-12 | 2020-03-20 | 杭州海康威视数字技术股份有限公司 | 车辆超载报警方法、装置、电子设备及存储介质 |
WO2022033288A1 (zh) * | 2020-08-11 | 2022-02-17 | 华为技术有限公司 | 超载车辆识别方法、系统及设备 |
CN117191165A (zh) * | 2022-05-31 | 2023-12-08 | 重庆海推科技有限公司 | 一种货车超载检测管理系统 |
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 |
Non-Patent Citations (2)
Title |
---|
一种基于图像处理的超载货车智能监控系统;万娇娜;高珊;;交通与运输(学术版);20180630(第01期);第1部分 * |
汽车超载监测系统;江诗明;徐伟;吴智量;林树雄;;现代电子技术;20140215(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117576919A (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220196459A1 (en) | Real-time vehicle overload detection method based on convolutional neural network | |
Dia et al. | Development and evaluation of arterial incident detection models using fusion of simulated probe vehicle and loop detector data | |
CN111310786B (zh) | 基于随机森林分类器的交通检测器异常诊断方法及装置 | |
WO2022033288A1 (zh) | 超载车辆识别方法、系统及设备 | |
CN104850676B (zh) | 一种公路桥梁随机车流仿真模拟方法 | |
CN114783183A (zh) | 一种基于交通态势算法的监控方法与系统 | |
CN113091872B (zh) | 一种诊断故障传感器的方法与装置 | |
CN108764375A (zh) | 高速公路货运车辆跨省匹配方法及装置 | |
CN115795982B (zh) | 一种汽车的疲劳耐久寿命预测方法、设备和存储介质 | |
CN110909907A (zh) | 卡车的油耗预测方法、装置及存储介质 | |
CN117291072B (zh) | 一种桥梁损伤识别方法 | |
CN117576919B (zh) | 车辆超载识别系统、方法及电子设备 | |
Alfaz et al. | Bridge crack detection using dense convolutional network (densenet) | |
CN113393442A (zh) | 列车零部件异常检测方法、系统、电子设备及存储介质 | |
CN110264725B (zh) | 路段流量的确定方法及装置 | |
CN114066288B (zh) | 一种基于智慧数据中心的营运道路应急检测方法及系统 | |
CN112990329B (zh) | 一种系统异常诊断方法和装置 | |
CN113361968B (zh) | 基于人工智能和大数据的电网基建人员安全风险评估方法 | |
CN111832834B (zh) | 一种机场道面使用性能预测方法、装置和电子设备 | |
CN110956808B (zh) | 一种基于非全样定位数据的重型货车交通流量预测方法 | |
CN114627643A (zh) | 一种高速公路事故风险预测方法、装置、设备及介质 | |
CN116884225B (zh) | 评估自动驾驶车辆比例对交通效率影响的方法及装置 | |
CN114544201B (zh) | 车辆制动性能的测评方法、装置、车辆及存储介质 | |
Jin et al. | Inspection Strategy Design of Toll-Free Logistics Vehicle in China Freeway: Case Study in Shaanxi Province | |
CN111832599B (zh) | 一种基于机器学习随机森林的加油站预测方法 |
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 |