基于机器视觉的车辆荷载测量、运输线路规划方法及系统技术方案

本发明专利技术公开了基于机器视觉的车辆荷载测量、运输线路规划方法及系统，通过从所述轮胎图像中提取各车轴对应轮胎的实际变形量、轮胎型号以及轮胎胎压信息；将待测车辆各车轴轮胎的实际变形量、轮胎型号、轮胎胎压信息以及所述位置分布数据输入至训练好的车辆荷载识别模型中，得到待测车辆各车轴的轴重数据，并基于各车轴的轴重数据计算待测车辆的荷载数据，能大大提高荷载测量的效率；此外，本发明专利技术通过分析运输路线的可通过性和核算桥梁承载力对车辆的运输路线进行筛选，使得筛选出的运输路线更能保证货物运输的安全性。线更能保证货物运输的安全性。线更能保证货物运输的安全性。

【技术实现步骤摘要】
基于机器视觉的车辆荷载测量、运输线路规划方法及系统


[0001]本专利技术涉及车辆运输管理
，尤其涉及基于机器视觉的车辆荷载测量、运输线路规划方法及系统。

技术介绍

[0002]不同的公路由于建设标准不同，导致不同公路具有不同的荷载承载能力，因此，一些具有“超重、超长、超宽、不可拆卸”等特点的大件货物需要通过特定路线的公路桥梁路段完成运输过程。大件货物的运输包含大件运输申报、线路的选择、通行性检查和安全评估、审批和运输状况监控等流程，涉及到大件货车荷载识别、路径规划选择、桥梁承载力验算以及加固处理等问题。桥梁承载力决定了路线的可通行性，若通行路线上桥梁承载力不能达到设计要求，轻则造成货物损坏、桥梁损伤，严重可引发重大安全事故。因此，大件运输企业在运输货物前，需向有关部门需要提交申报运输计划，由审查机构和审批机关对大件运输过程进行安全性评估和审查。若审查结果为路线不符合通行要求，则运输企业需要更改运输路线或运输方式，之后需要重新提交申报运输计划再进行路线评估。但大件运输工作涉及多个部门，并且路线上的桥梁由于修建年代不同，所用的设计理论、规范、材料性能以及后期养护情况存在较大差异性，桥梁承载力验算流程和审批流程将耗费较长时间。
[0003]此外，大件运输企业在进行申报时需要提供轴重、自重、载重和载货时车货总体外廓尺寸信息。现有的大件运输车辆的轴载信息仅是依靠一些静态地磅等称重仪器获取，这些仪器不具有便携性，且对于大件运输车辆这种多轴多轮胎的特殊车辆，称重效率较低。
[0004]如何合理而又快速地完成大件货车重量的识别、路线规划以及车重的复核已成为本领域技术人员需要解决的技术问题。

技术实现思路

[0005]本专利技术提供了基于机器视觉的车辆荷载测量、运输线路规划方法及系统，用于解决大件货车称重效率低、路径规划效率低的技术问题。
[0006]为解决上述技术问题，本专利技术提出的技术方案为：一种基于机器视觉的车辆荷载测量方法，包括以下步骤：采集待测车辆左右两侧的轮胎图像，并获取待测车辆每个车轴上的轮胎数；从所述轮胎图像中提取各车轴对应轮胎的实际变形量、轮胎型号以及轮胎胎压信息；将待测车辆各车轴轮胎的实际变形量、轮胎型号、轮胎胎压信息以及所述车轴上的轮胎数输入至训练好的车辆荷载识别模型中，得到待测车辆各车轴的轴重数据，并基于各车轴的轴重数据计算待测车辆的荷载数据。
[0007]优选的，所述车辆荷载识别模型为人工神经网络模型，所述人工神经网络模型包括多层人工神经网络，层内各个神经元之间没有连接，层间的神经元之间为全连接，每个神经元的权重值采取随机初始化，以Sigmoid函数作为每个神经元的激活函数。
[0008]优选的，所述车辆荷载模型的训练过程如下：构建所述车辆荷载模型的训练集，并将所述训练集作为训练网络的输入，进行前向传播，将网络输出值与期望的输出值对比，计算误差值；以所述误差值作为学习的依据，利用梯度下降法将误差逐层反向传播，实现每一层的神经元参数调节；所述车辆荷载模型训练时自适应调整学习速率，其中，调整规则如下：其中，为第k次迭代的误差平方和，为第k次迭代的学习率。
[0009]优选的，从所述轮胎图像中提取各车轴对应轮胎的实际变形量、轮胎型号以及轮胎胎压信息，包括以下步骤：基于字符识别算法所述轮胎图像中识别各个轮胎的型号、轮辋直径和胎压信息；基于Mask R
‑
CNN识别算法从所述轮胎图像中识别各车轴、各车轴对应的轮胎、各个轮胎的轮胎轮廓和轮辋轮廓，并采用边缘检测量法从所述轮胎图像中提取各个轮胎的轮胎轮廓和轮辋轮廓；以通过所述轮辋轮廓圆心的水平直线为分割线，将所述轮胎轮廓分为上轮胎轮廓和下轮胎轮廓；并计算上轮胎轮廓与下轮胎轮廓像素点之差作为轮胎变形像素值；通过识别到的轮辋直径和图像中轮辋直径像素点个数计算比例因子，并根据所述比例因子和所述轮胎变形像素值计算轮胎的实际变形量。
[0010]一种基于机器视觉的车辆运输线路规划方法，包括以下步骤：采用上述方法计算待规划车辆的荷载数据，确定待规划车辆的始发地与目标地；确定始发地与目标地之间的运输网络拓扑，获取待规划车辆的稳定性要求以及待规划车辆的轮廓参数确定可行运输线路的道路、桥梁的可行参数范围；获取运输网络拓扑中各个运输路段的道路、桥梁的参数，将所述各个运输路段的道路、桥梁的参数与可行参数范围进行比较，选取道路、桥梁的参数均在所述可行参数范围内的运输路段作为可行运输路段；获取可行运输路段的车辆标准荷载，将可行运输路段的车辆标准荷载与所述待规划车辆的荷载数据进行比较，选取车辆标准荷载大于所述待规划车辆的荷载数据的可行运输路段作为所述待规划车辆的所有安全运输路段；根据待规划车辆的所有安全运输路段构建安全运输网络拓扑，从所述安全运输网络拓扑中筛选出最优运输线路。
[0011]优选的，所述道路、桥梁的参数包括：公路、桥梁的净宽要求、净空要求、隧道的净空要求、道路标识牌高度、路线最小平曲线半径、最大纵坡、最大横坡中一种或任意几种的组合；还包括以下步骤：采用机器视觉技术识别待规划车辆的轴距，并结合待规划车辆的每个轴的轴重构建待规划车辆的荷载模型；
当所述车辆标准荷载小于所述待规划车辆的荷载数据时，从有限元数据库调取预先构建好的所述桥梁的结构数据，并根据所述结构数据构建所述桥梁的有限元计算模型，并将待规划车辆的荷载模型按照待规划车辆在所述桥梁的实际行驶位置加载在所述桥梁的有限元计算模型上，从而获取所述桥梁在待规划车辆荷载作用下的静、动力响应值；将所述静、动力响应值与桥梁的设计规范响应进行比较，若所述静、动力响应值小于设计规范响应值，则判断所述桥梁对应的可行运输路段为安全运输路段，若所述静、动力响应值大于设计规范响应值且不大于1.05倍的设计规范响应值，则判断所述桥梁加固后的可行运输路段为安全运输路段；若所述静、动力响应值大于1.05设计规范响应值，则判断所述桥梁对应的可行运输路段并非安全运输路段。
[0012]优选的，采用机器视觉技术识别待规划车辆的轴距，包括以下步骤：采集同时包含两个车轴车轮的车辆图像，并基于Mask R
‑
CNN识别算法从所述车辆图像中识别相邻的两个车轮，并采用边缘检测量法从所述车辆图像中检测出相邻的两个车轮的轮辋轮廓；并标注相邻的两个车轮的轮辋圆心位置，并计算相邻的两个车轮的轮辋圆心位置之间的像素点值；对于相邻的两个车轮任意一个车轮A，基于字符识别技术从车辆图像中识别所述车轮A的轮辋直径，并计算所述车轮A的在车辆图像中轮辋直径像素点；通过识别到的轮辋直径和图像中轮辋直径像素点个数计算比例因子；将计算得到的相邻的两个车轮的轮辋圆心位置之间的像素点值乘以比例因子得到相邻两个车轮的轴距。
[0013]优选的，从所述安全运输网络拓扑中筛选出最优运输线路，具体包括以下步骤：构建以安全运输网络拓扑的安全运输线路作为自变量，以安全运输线路的总距离最小以及桥梁安全系数最高的目标优化函数；对所述安全运输网络拓扑中的各个运输节点进行编码；基于各个运输节点的编码，对始发地与目标地之间的各条安本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器视觉的车辆荷载测量方法，其特征在于，包括以下步骤：采集待测车辆左右两侧的轮胎图像，并获取待测车辆每个车轴上的轮胎数；从所述轮胎图像中提取各车轴对应轮胎的实际变形量、轮胎型号以及轮胎胎压信息；将待测车辆各车轴轮胎的实际变形量、轮胎型号、轮胎胎压信息以及所述车轴上的轮胎数输入至训练好的车辆荷载识别模型中，得到待测车辆各车轴的轴重数据，并基于各车轴的轴重数据计算待测车辆的荷载数据；所述车辆荷载识别模型为人工神经网络模型，所述人工神经网络模型包括多层人工神经网络，层内各个神经元之间没有连接，层间的神经元之间为全连接，每个神经元的权重值采取随机初始化，以Sigmoid函数作为每个神经元的激活函数。2.根据权利要求1所述的基于机器视觉的车辆荷载测量方法，其特征在于，所述车辆荷载模型的训练过程如下：构建所述车辆荷载模型的训练集，并将所述训练集作为训练网络的输入，进行前向传播，将网络输出值与期望的输出值对比，计算误差值；以所述误差值作为学习的依据，利用梯度下降法将误差逐层反向传播，实现每一层的神经元参数调节；所述车辆荷载模型训练时自适应调整学习速率，其中，调整规则如下：其中，为第k次迭代的误差平方和，为第k次迭代的学习率。3.根据权利要求1所述的基于机器视觉的车辆荷载测量方法，其特征在于，从所述轮胎图像中提取各车轴对应轮胎的实际变形量、轮胎型号以及轮胎胎压信息，包括以下步骤：基于字符识别算法所述轮胎图像中识别各个轮胎的型号、轮辋直径和胎压信息；基于Mask R
‑
CNN识别算法从所述轮胎图像中识别各车轴、各车轴对应的轮胎、各个轮胎的轮胎轮廓和轮辋轮廓，并采用边缘检测量法从所述轮胎图像中提取各个轮胎的轮胎轮廓和轮辋轮廓；以通过所述轮辋轮廓圆心的水平直线为分割线，将所述轮胎轮廓分为上轮胎轮廓和下轮胎轮廓；并计算上轮胎轮廓与下轮胎轮廓像素点之差作为轮胎变形像素值；通过识别到的轮辋直径和图像中轮辋直径像素点个数计算比例因子，并根据所述比例因子和所述轮胎变形像素值计算轮胎的实际变形量。4.一种基于机器视觉的车辆运输线路规划方法，其特征在于，包括以下步骤：采用权利要求1
‑
3中任意一项的方法计算待规划车辆的荷载数据，确定待规划车辆的始发地与目标地；确定始发地与目标地之间的运输网络拓扑，获取待规划车辆的稳定性要求以及待规划车辆的轮廓参数确定可行运输线路的道路、桥梁的可行参数范围；获取运输网络拓扑中各个运输路段的道路、桥梁的参数，将所述各个运输路段的道路、桥梁的参数与可行参数范围进行比较，选取道路、桥梁的参数均在所述可行参数范围内的运输路段作为可行运输路段；
获取可行运输路段的车辆标准荷载，将可行运输路段的车辆标准荷载与所述待规划车辆的荷载数据进行比较，选取车辆标准荷载大于所述待规划车辆的荷载数据的可行运输路段作为所述待规划车辆的所有安全运输路段；根据待规划车辆的所有安全运输路段构建安全运输网络拓扑，从所述安全运输网络拓扑中筛选出最优运输线路。5.根据权利要求4所述的基于机器视觉的车辆运输线路规划方法，其特征在于，所述道路、桥梁的参数包括：公路、桥梁的净宽要求、净空要求、隧道的净空要求、道路标识牌高度、路线最小平曲线半径、最大纵坡、最大横坡中一种或任意几种的组合；还包括以下步骤：采用机器视觉技术识别待规划车辆的轴距，并结合待规划车辆的每个轴...

【专利技术属性】
技术研发人员：孔烜，彭佳强，张杰，邓露，戴剑军，
申请(专利权)人：湖南省交通科学研究院有限公司，
类型：发明
国别省市：