System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及深度学习,尤其涉及一种基于深度学习的无感加油方法、系统、设备及介质。
技术介绍
1、随着人民生活水平的提高,汽车保有量日益增加,加油站的加油业务量也不断增大。传统的加油方案是使用加油卡插入加油机中进行加油,车主需要使用现金或微信支付宝等方式进行付款,支付时间较长,为了缓解加油站的加油压力,提高加油效率,推出了无感加油系统。通过对加油车辆的目标检测、目标跟踪和车牌识别的深度学习算法,快速识别车辆停靠驶离和车牌号等信息,自动对车牌号对应的用户进行扣款,缩短加油时间。现有的无感加油的实现方案有etc无感加油:通过在加油站内安装etc识别装置,对加油车辆使用etc支付的方式。rfid无感加油:通过在车辆上安装射频识别装置(rfid)来实现。加油站的泵可以读取车辆上的rfid标签,并将相关的费用计入车主的账户。
2、etc无感加油只适用于安装etc的车主,市场仍有40%左右的车主未安装etc,并且etc无感加油精确率相对较低,当加油站车辆场景复杂时,难以判断车辆停靠驶离加油区域。rfid无感加油在车辆和加油站上安装rfid技术需要一定的成本,这些成本可能需要由加油站或车主承担。也会受到天气、电磁干扰或技术故障的影响,导致无法正常工作。这可能会导致车主无法加油或产生不便。
技术实现思路
1、本申请实施例提供了一种基于深度学习的无感加油方法、系统、设备及介质,用以解决现有的无感加油方法精确率低的技术问题。
2、一方面,本申请实施例提供了一种基于深度学习的无感加油
3、在本申请的一种实现方式中,所述步骤s2中,记录车辆信息的过程,具体为:检测所述视频画面中存在车辆,对车辆的车牌进行ocr识别;基于视频识别确定车辆信息;其中,所述车辆信息包括:车辆颜色、车辆型号、需要的油型号。
4、在本申请的一种实现方式中,视频识别采用的目标检测算法使用yolov5框架实现,所述目标检测算法中增加了focus结构。
5、在本申请的一种实现方式中,所述目标算法中原始的图像输入为608*608*3,采用切片操作,先变成304*304*12的特征图,再经过一次32个卷积核的卷积操作,最终变成304*304*32的特征图。
6、在本申请的一种实现方式中,yolov5框架中采用其中的diou_loss做boundingbox的损失函数。
7、在本申请的一种实现方式中,所述步骤s3中,判断车辆是否停靠在加油区域,具体为:截取视频画面图像;当图像中车辆中心点均在加油区域的连续帧数超过预设阈值、预设阈值帧数前后两帧车辆中心点距离小于设定的间隔阈值以及预设阈值帧数起始帧和终止帧车辆中心点距离小于设定的间隔阈值时,确定车辆停靠在加油区域。
8、在本申请的一种实现方式中,目标跟踪采用sort算法实现,通过马氏距离评测预测的目标状态和新来的状态是否一致。
9、其次,本申请实施例还提供一种基于深度学习的无感加油系统,所述系统包括:检测跟踪单元,用于基于视频监拍装置对进入视频画面的车辆进行目标检测和目标跟踪;信息记录单元,用于为车辆分配唯一id,并记录车辆信息;车辆停靠判断单元,用于判断车辆提供靠在加油区域,并基于所述车辆信息为车辆分配油枪;车辆驶离判断单元,用于检测加油是否完成,并判断车辆是否驶离所述加油区域;扣款单元,用不收集加油信息,并完成自动扣款。
10、再其次,本申请还提供一种基于深度学习的无感加油设备,所述设备包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:基于视频监拍装置对进入视频画面的车辆进行目标检测和目标跟踪;为车辆分配唯一id,并记录车辆信息;判断车辆提供靠在加油区域,并基于所述车辆信息为车辆分配油枪;检测加油是否完成,并判断车辆是否驶离所述加油区域;收集加油信息,并完成自动扣款。
11、最后,本申请实施例还提供一种基于深度学习的无感加油的非易失性计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为:基于视频监拍装置对进入视频画面的车辆进行目标检测和目标跟踪;为车辆分配唯一id,并记录车辆信息;判断车辆提供靠在加油区域,并基于所述车辆信息为车辆分配油枪;检测加油是否完成,并判断车辆是否驶离所述加油区域;收集加油信息,并完成自动扣款。
12、本申请实施例提供的一种基于深度学习的无感加油方法、系统、设备及介质,打破了车辆必须安装etc的局限性,其次通过对摄像头视频流的进行实时推理,对车辆的停靠驶离信息更及时和准确,为车主加油中提供了更优质的无感体验,提高了加油效率,大大改善了车主的加油体验。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的无感加油方法,其特征在于,所述方法包括以下步骤:
2.根据权利要求1所述的一种基于深度学习的无感加油方法,其特征在于,所述步骤S2中,记录车辆信息的过程,具体为:
3.根据权利要求2所述的一种基于深度学习的无感加油方法,其特征在于,视频识别采用的目标检测算法使用yolov5框架实现,所述目标检测算法中增加了Focus结构。
4.根据权利要求3所述的一种基于深度学习的无感加油方法,其特征在于,所述目标算法中原始的图像输入为608*608*3,采用切片操作,先变成304*304*12的特征图,再经过一次32个卷积核的卷积操作,最终变成304*304*32的特征图。
5.根据权利要求3所述的一种基于深度学习的无感加油方法,其特征在于,yolov5框架中采用其中的DIOU_Loss做Bounding box的损失函数。
6.根据权利要求1所述的一种基于深度学习的无感加油方法,其特征在于,所述步骤S3中,判断车辆是否停靠在加油区域,具体为:
7.根据权利要求1所述的一种基于深度学习的无感加油方法,
8.一种基于深度学习的无感加油系统,其特征在于,所述系统包括:
9.一种基于深度学习的无感加油设备,其特征在于,所述设备包括:
10.一种基于深度学习的无感加油的非易失性计算机存储介质,存储有计算机可执行指令,其特征在于,所述计算机可执行指令设置为:
...【技术特征摘要】
1.一种基于深度学习的无感加油方法,其特征在于,所述方法包括以下步骤:
2.根据权利要求1所述的一种基于深度学习的无感加油方法,其特征在于,所述步骤s2中,记录车辆信息的过程,具体为:
3.根据权利要求2所述的一种基于深度学习的无感加油方法,其特征在于,视频识别采用的目标检测算法使用yolov5框架实现,所述目标检测算法中增加了focus结构。
4.根据权利要求3所述的一种基于深度学习的无感加油方法,其特征在于,所述目标算法中原始的图像输入为608*608*3,采用切片操作,先变成304*304*12的特征图,再经过一次32个卷积核的卷积操作,最终变成304*304*32的特征图。
5.根据权利要求3所述的一种基于深度学习的无感加油...
【专利技术属性】
技术研发人员:李超,王宇,李斌,李耿,辛晋,程跃辉,
申请(专利权)人:山东高速信联科技股份有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。