用于交通卡口的车辆超载监控方法及系统与流程

1.本技术涉及车辆监管技术领域，具体涉及一种用于交通卡口的车辆超载监控方法及系统。


背景技术：

2.交通卡口是指在道路上设置的一种交通监控设施，通常由摄像头、车牌识别系统、计算机等设备组成。交通卡口的作用是对过往车辆进行监控和管理，以便更好地维护交通秩序和安全。现有的通过交通卡口进行车辆超载识别时，通常只是对车内人员数量进行识别，并没有考虑到车辆承载的物品是否超载，造成车辆超载识别准确率较低。
3.综上所述，现有技术中存在交通卡口识别车辆超载准确率不高的技术问题。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种用于交通卡口的车辆超载监控方法及系统。
5.用于交通卡口的车辆超载监控方法，包括：通过位于交通卡口的图像采集设备对目标车辆进行图像信息采集，获得多个车辆图像数据，其中包括车辆轮胎图像，所述图像采集设备包括n个设备，n为大于4的整数；基于多个车辆图像数据进行车辆类型识别，并根据车辆类型识别结果确定车辆承载最大值，所述车辆承载最大值包括人员数量最大值和承载重量最大值；获取当前道路的车辆载重限行标准，基于所述车辆载重限行标准和车辆承载最大值确定车辆超载阈值，所述车辆超载阈值包括人员超载阈值和重量超载阈值；基于卷积神经网络构建车辆超载识别模型，所述车辆超载识别模型包括人员超载识别单元和重量超载识别单元；基于所述车辆超载识别模型对多个所述车辆图像数据进行识别，获得人员承载信息和重量承载信息；当所述人员承载信息不满足所述人员超载阈值，且/或所述重量承载信息不满足所述重量超载阈值时，生成超载预警信息并发送至交通管理平台。
6.用于交通卡口的车辆超载监控系统，包括：
7.车辆图像数据获得模块，所述车辆图像数据获得模块用于通过位于交通卡口的图像采集设备对目标车辆进行图像信息采集，获得多个车辆图像数据，其中包括车辆轮胎图像，所述图像采集设备包括n个设备，n为大于4的整数；
8.车辆承载最大值确定模块，所述车辆承载最大值确定模块用于基于多个车辆图像数据进行车辆类型识别，并根据车辆类型识别结果确定车辆承载最大值，所述车辆承载最大值包括人员数量最大值和承载重量最大值；
9.车辆超载阈值确定模块，所述车辆超载阈值确定模块用于获取当前道路的车辆载重限行标准，基于所述车辆载重限行标准和车辆承载最大值确定车辆超载阈值，所述车辆超载阈值包括人员超载阈值和重量超载阈值；
10.车辆超载识别模型构建模块，所述车辆超载识别模型构建模块用于基于卷积神经网络构建车辆超载识别模型，所述车辆超载识别模型包括人员超载识别单元和重量超载识
别单元；
11.车辆图像数据识别模块，所述车辆图像数据识别模块用于基于所述车辆超载识别模型对多个所述车辆图像数据进行识别，获得人员承载信息和重量承载信息；
12.超载预警信息生成模块，所述超载预警信息生成模块用于当所述人员承载信息不满足所述人员超载阈值，且/或所述重量承载信息不满足所述重量超载阈值时，生成超载预警信息并发送至交通管理平台。
13.上述一种用于交通卡口的车辆超载监控方法及系统，能够解决交通卡口识别车辆超载准确率不高的技术问题，通过位于交通卡口的图像采集设备对目标车辆进行图像信息采集，获得多个车辆图像数据，其中包括车辆轮胎图像，所述图像采集设备包括n个设备，n为大于4的整数；基于多个车辆图像数据进行车辆类型识别，并根据车辆类型识别结果确定车辆承载最大值，所述车辆承载最大值包括人员数量最大值和承载重量最大值；获取当前道路的车辆载重限行标准，基于所述车辆载重限行标准和车辆承载最大值确定车辆超载阈值，所述车辆超载阈值包括人员超载阈值和重量超载阈值；基于卷积神经网络构建车辆超载识别模型，所述车辆超载识别模型包括人员超载识别单元和重量超载识别单元；基于所述车辆超载识别模型对多个所述车辆图像数据进行识别，获得人员承载信息和重量承载信息；当所述人员承载信息不满足所述人员超载阈值，且/或所述重量承载信息不满足所述重量超载阈值时，生成超载预警信息并发送至交通管理平台。可以提高交通卡口识别车辆超载的准确率和效率。
14.上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，而可依照说明书的内容予以实施，并且为了让本技术的上述和其他目的、特征和优点能够更明显易懂，以下特举本技术的具体实施方式。
附图说明
15.图1为本技术提供了一种用于交通卡口的车辆超载监控方法的流程示意图；
16.图2为本技术提供了一种用于交通卡口的车辆超载监控方法中基于多个车辆图像数据进行车辆类型识别的流程示意图；
17.图3为本技术提供了一种用于交通卡口的车辆超载监控方法中对车身图像数据集进行图像分割的流程示意图；
18.图4为本技术提供了一种用于交通卡口的车辆超载监控系统的结构示意图。
19.附图标记说明：车辆图像数据获得模块1、车辆承载最大值确定模块2、车辆超载阈值确定模块3、车辆超载识别模型构建模块4、车辆图像数据识别模块5、超载预警信息生成模块6。
具体实施方式
20.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
21.如图1所示，本技术提供了一种用于交通卡口的车辆超载监控方法，包括：
22.步骤s100：通过位于交通卡口的图像采集设备对目标车辆进行图像信息采集，获
得多个车辆图像数据，其中包括车辆轮胎图像，所述图像采集设备包括n个设备，n为大于4的整数；
23.具体而言，本技术提供的方法用于在交通卡口对车辆超载进行识别和监控管理，交通卡口是指在道路上设置的一种交通监控设施，通常由摄像头、车牌识别系统、计算机等设备组成。首先，通过位于交通卡口的图像采集设备对目标车辆进行图像采集，所述目标车辆是指待进行超载识别的车辆，所述图像采集设备为具有高精度抓拍功能的设备，例如：红外摄像头。其中所述图像采集设备包括多个设备，其数量大于4，其中在道路两侧的上方和下方均有至少一个图像采集设备，上方的图像采集设备用于对汽车外部和汽车窗内图像进行多角度的图像采集，下方的图像采集设备用于对汽车两侧的轮胎进行图像采集。获得多个车辆图像数据，所述多个车辆图像数据包括车身图像数据、车窗图像数据和车辆轮胎图像数据。通过获得所述车辆图像数据，为下一步进行车辆超载识别提供了数据支持。
24.步骤s200：基于多个车辆图像数据进行车辆类型识别，并根据车辆类型识别结果确定车辆承载最大值，所述车辆承载最大值包括人员数量最大值和承载重量最大值；
25.如图2所示，在一个实施例中，本技术步骤s200还包括：
26.步骤s210：基于大数据，获得多个车辆图像信息和多个车辆类型识别结果；
27.步骤s220：构建车辆识别专家组，所述车辆识别专家组为基于神经网络和数据库相结合的智能识别模型，其中包括车辆识别数据库和车辆类型判断模块；
28.步骤s230：基于多个所述车辆图像信息和多个所述车辆类型识别结果组建车辆识别数据库；
29.步骤s240：利用所述车辆识别数据库中的数据对所述车辆类型判断模块进行训练，并通过训练完成的所述车辆类型判断模块对多个所述车辆图像数据进行车辆类型识别，获得车辆类型识别结果。
30.具体而言，基于大数据技术，以车辆图像识别为搜索条件进行相关数据采集，获得多个车辆图像信息和多个车辆类型识别结果，其中所述车辆图像信息包括多角度的车辆图像信息，所述车辆类型识别结果是指车辆的基本信息，其中包括车辆类型、最大载人数量和最大承载重量。
31.构建车辆识别专家组，所述车辆识别专家组为基于神经网络和数据库相结合的智能识别模型，其中包括车辆识别数据库和车辆类型判断模块，所述车辆类型判断模块可以模拟人类本领域专家的思考方式进行推理和判断。根据多个所述车辆图像信息和多个所述车辆类型识别结果组建车辆识别数据库。并从所述车辆识别数据库中提取多组数据作为所述车辆类型判断模块的训练数据，通过所述训练数据对所述车辆类型判断模块进行监督训练，预设判断准确率指标，所述判断准确率指标可自定义设置，例如：95。当所述车辆类型判断模块的车辆类型判断准确率大于所述预设判断准确率时，获得训练完成的所述车辆类型判断模块，并通过所述车辆类型判断模块对多个所述车辆图像数据进行车辆类型识别，输出车辆类型识别结果，对所述车辆类型识别结果进行承载信息提取，获得车辆承载最大值，其中所述车辆承载最大值包括人员数量最大值和承载重量最大值。通过获得所述车辆承载最大值，为下一步进行车辆超载判断提供了支持。
32.步骤s300：获取当前道路的车辆载重限行标准，基于所述车辆载重限行标准和车辆承载最大值确定车辆超载阈值，所述车辆超载阈值包括人员超载阈值和重量超载阈值；
33.具体而言，连接区域交通管理平台，获得当前道路的车辆载重限行标准，所述车辆载重限行标准是指当前道路的限行要求，例如：由于道路结构不同，当前道路最大限行重量为45吨。并根据所述车辆载重限行标准和车辆承载最大值确定车辆超载阈值，即将所述车辆载重限行标准和车辆承载最大值中的最小值作为车辆超载阈值，获得车辆超载阈值，所述车辆超载阈值包括人员超载阈值和重量超载阈值。所述人员超载阈值是指可载人员的最大数量，所述重量超载阈值是指车辆的最大载重。通过确定车辆超载阈值，为下一步进行车辆超载判断提供了支持。
34.步骤s400：基于卷积神经网络构建车辆超载识别模型，所述车辆超载识别模型包括人员超载识别单元和重量超载识别单元；
35.在一个实施例中，本技术步骤s400还包括：
36.步骤s410：所述人员超载识别单元包括图像输入层、人员特征卷积层和人员数量输出层；
37.步骤s420：所述重量超载识别单元包括图像输入层、轮胎特征卷积层、预测重量输出层。
38.具体而言，基于卷积神经网络构建车辆超载识别模型，其中所述车辆超载识别模型包括人员超载识别单元和重量超载识别单元，所述人员超载识别单元包括图像输入层、人员特征卷积层和人员数量输出层，所述人员特征卷积层用于对图像中出现的人员进行统计，并通过对比后去除重复的人员。所述重量超载识别单元包括图像输入层、轮胎特征卷积层、预测重量输出层。所述轮胎特征卷积层用于对车辆的轮胎特征进行提取，所述预测重量输出层用于根据轮胎特征提取结果对车辆的载重进行预测。通过基于卷积神经网络构建车辆超载识别模型，可以提高车辆超载识别的效率和准确性。
39.步骤s500：基于所述车辆超载识别模型对多个所述车辆图像数据进行识别，获得人员承载信息和重量承载信息；
40.在一个实施例中，本技术步骤s500还包括：
41.步骤s510：对多个车辆图像数据进行分类，获得车身图像数据集和轮胎图像数据集；
42.步骤s520：对所述车身图像数据集进行图像分割，获得车身图像分割数据集。
43.如图3所示，在一个实施例中，本技术步骤s520还包括：
44.步骤s521：对所述车身图像数据集中的车身图像数据进行灰度值标识；
45.步骤s522：获得具有灰度值标识的车身图像数据中灰度值最小的像素点，并将所述像素点作为图像分割起始点；
46.步骤s523：基于所述图像分割起始点进行图像淹没，并根据预设步长阈值对具有灰度值标识的车身图像数据进行分割；
47.步骤s524：当图像淹没中灰度值等于所述车身图像数据中灰度值最大的像素点时，完成图像分割，获得车身图像分割数据集。
48.具体而言，首先，通过车辆识别专家组对多个车辆图像数据进行分类，将多个车辆图像数据分为车身图像和轮胎图像，获得车身图像数据集和轮胎图像数据集。然后基于灰度分析法对所述车身图像数据集进行图像分割。
49.首先，对所述车身图像数据集中的车身图像数据进行灰度值标识，所述灰度值标
识是指确定车身图像中像素点的灰度值，然后将具有灰度值标识的车身图像数据中灰度值最小的像素点作为图像分割起始点，预设淹没步长阈值，所述淹没步长阈值是指每次淹没的灰度值的范围，本领域技术人员可基于实际环境进行自定义设置，例如：每次淹没灰度值为10。利用分水岭算法对所述车身图像数据进行淹没，当每次淹没值等于所述淹没步长阈值时，完成一次图像分割，直到图像淹没中灰度值等于所述车身图像数据中灰度值最大的像素点时，停止图像淹没，获得车身图像分割数据集，通过利用分水岭算法对车身图像进行分割，可以提高车身图像分割的效率。
50.在一个实施例中，本技术步骤s500还包括：
51.步骤s530：将所述车身图像分割数据集输入所述人员超载识别单元进行人员数量识别，获得人员承载信息；
52.步骤s540：将所述轮胎图像数据集输入所述车辆超载识别重量超载识别单元进行承载重量识别，获得重量承载信息。
53.在一个实施例中，本技术步骤s540还包括：
54.步骤s541：通过轮胎特征卷积层对所述轮胎图像数据进行提取，并基于三维仿真技术获得轮胎三维网格图像；
55.步骤s542：获得多个轮胎三维网格图像和多个车辆承载重量信息，所述轮胎三维网格图像和所述车辆承载信息具有对应关系；
56.步骤s543：基于多个所述轮胎三维网格图像和多个所述车辆承载重量信息对预测重量输出层进行监督训练，并通过训练完成的预测重量输出层对所述轮胎三维网格图像进行承载重量预测，获得所述重量承载信息。
57.具体而言，将所述车身图像分割数据集输入所述人员超载识别单元进行人员数量识别，获得初始人员数量识别结果，对所述初始人员数量识别结果进行比对，去除重复人员信息，然后进行人员数量统计，获得人员承载信息，所述人员承载信息是指车内人员的数量。
58.将所述轮胎图像数据集输入所述车辆超载识别重量超载识别单元进行承载重量识别，首先，通过轮胎特征卷积层对所述轮胎图像数据进行提取，获得车辆轮胎图像信息，并将所述车辆轮胎图像信息输入三维仿真软件进行三维仿真，获得轮胎三维网格图像。基于大数据技术进行相关图像信息查询，获得多个轮胎三维网格图像和多个车辆承载重量信息，其中所述轮胎三维网格图像和所述车辆承载信息具有对应关系。并根据多个轮胎三维网格图像和多个车辆承载重量信息组建所述预测重量输出层的训练数据集。
59.获取预设数据划分比例，所述预设数据划分比例本领域技术人员可基于实际情况自定义设置，例如：85％、15％。根据所述数据划分比例将所述训练数据集划分为监督训练数据集和验证数据集。通过所述监督学习数据集对所述预测重量输出层进行监督学习，当所述预测重量输出层输出结果趋于收敛状态时，通过所述验证数据集对所述预测重量输出层进行验证，当验证准确率大于预设验证准确率指标时，获得所述预测重量输出层。然后通过训练完成的预测重量输出层对所述轮胎三维网格图像进行承载重量预测，获得所述重量承载信息。通过获得所述人员承载信息和所述车辆承载信息，为下一步进行车辆超载判断提供了支持。
60.步骤s600：当所述人员承载信息不满足所述人员超载阈值，且/或所述重量承载信
息不满足所述重量超载阈值时，生成超载预警信息并发送至交通管理平台。
61.具体而言，根据所述人员超载阈值对所述人员承载信息进行判断，根据所述重量承载阈值对所述重量承载信息进行判断，当所述人员承载信息大于所述人员超载阈值或者所述重量承载信息大于所述重量超载阈值，或者所述人员承载信息大于所述人员超载阈值和所述重量承载信息大于所述重量超载阈值时，则生成超载预警信息，并将所述超载预警信息发送至区域交通管理平台。通过上述方法解决了交通卡口识别车辆超载准确率不高的技术问题，可以提高交通卡口识别车辆超载的准确率和效率，进一步提高了车辆超载的监管力度。
62.在一个实施例中，如图4所示提供了一种用于交通卡口的车辆超载监控系统，包括：车辆图像数据获得模块1、车辆承载最大值确定模块2、车辆超载阈值确定模块3、车辆超载识别模型构建模块4、车辆图像数据识别模块5、超载预警信息生成模块6、其中：
63.车辆图像数据获得模块1，所述车辆图像数据获得模块1用于通过位于交通卡口的图像采集设备对目标车辆进行图像信息采集，获得多个车辆图像数据，其中包括车辆轮胎图像，所述图像采集设备包括n个设备，n为大于4的整数；
64.车辆承载最大值确定模块2，所述车辆承载最大值确定模块2用于基于多个车辆图像数据进行车辆类型识别，并根据车辆类型识别结果确定车辆承载最大值，所述车辆承载最大值包括人员数量最大值和承载重量最大值；
65.车辆超载阈值确定模块3，所述车辆超载阈值确定模块3用于获取当前道路的车辆载重限行标准，基于所述车辆载重限行标准和车辆承载最大值确定车辆超载阈值，所述车辆超载阈值包括人员超载阈值和重量超载阈值；
66.车辆超载识别模型构建模块4，所述车辆超载识别模型构建模块4用于基于卷积神经网络构建车辆超载识别模型，所述车辆超载识别模型包括人员超载识别单元和重量超载识别单元；
67.车辆图像数据识别模块5，所述车辆图像数据识别模块5用于基于所述车辆超载识别模型对多个所述车辆图像数据进行识别，获得人员承载信息和重量承载信息；
68.超载预警信息生成模块6，所述超载预警信息生成模块6用于当所述人员承载信息不满足所述人员超载阈值，且/或所述重量承载信息不满足所述重量超载阈值时，生成超载预警信息并发送至交通管理平台。
69.在一个实施例中，所述系统还包括：
70.信息获得模块，所述信息获得模块用于基于大数据，获得多个车辆图像信息和多个车辆类型识别结果；
71.车辆识别专家组构建模块，所述车辆识别专家组构建模块用于构建车辆识别专家组，所述车辆识别专家组为基于神经网络和数据库相结合的智能识别模型，其中包括车辆识别数据库和车辆类型判断模块；
72.车辆识别数据库组建模块，所述车辆识别数据库组建模块用于基于多个所述车辆图像信息和多个所述车辆类型识别结果组建车辆识别数据库；
73.车辆类型识别模块，所述车辆类型识别模块用于利用所述车辆识别数据库中的数据对所述车辆类型判断模块进行训练，并通过训练完成的所述车辆类型判断模块对多个所述车辆图像数据进行车辆类型识别，获得车辆类型识别结果。
74.在一个实施例中，所述系统还包括：
75.人员超载识别单元模块，所述人员超载识别单元模块是指所述人员超载识别单元包括图像输入层、人员特征卷积层和人员数量输出层；
76.重量超载识别单元模块，所述重量超载识别单元模块是指所述重量超载识别单元包括图像输入层、轮胎特征卷积层、预测重量输出层。
77.在一个实施例中，所述系统还包括：
78.车辆图像数据分类模块，所述车辆图像数据分类模块用于对多个车辆图像数据进行分类，获得车身图像数据集和轮胎图像数据集；
79.图像分割模块，所述图像分割模块用于对所述车身图像数据集进行图像分割，获得车身图像分割数据集。
80.在一个实施例中，所述系统还包括：
81.灰度值标识模块，所述灰度值标识模块用于对所述车身图像数据集中的车身图像数据进行灰度值标识；
82.图像分割起始点获得模块，所述图像分割起始点获得模块用于获得具有灰度值标识的车身图像数据中灰度值最小的像素点，并将所述像素点作为图像分割起始点；
83.车身图像数据分割模块，所述车身图像数据分割模块用于基于所述图像分割起始点进行图像淹没，并根据预设步长阈值对具有灰度值标识的车身图像数据进行分割；
84.车身图像分割数据集获得模块，所述车身图像分割数据集获得模块用于当图像淹没中灰度值等于所述车身图像数据中灰度值最大的像素点时，完成图像分割，获得车身图像分割数据集。
85.在一个实施例中，所述系统还包括：
86.人员数量识别模块，所述人员数量识别模块用于将所述车身图像分割数据集输入所述人员超载识别单元进行人员数量识别，获得人员承载信息；
87.承载重量识别模块，所述承载重量识别模块用于将所述轮胎图像数据集输入所述车辆超载识别重量超载识别单元进行承载重量识别，获得重量承载信息。
88.在一个实施例中，所述系统还包括：
89.轮胎三维网格图像获得模块，所述轮胎三维网格图像获得模块用于通过轮胎特征卷积层对所述轮胎图像数据进行提取，并基于三维仿真技术获得轮胎三维网格图像；
90.信息获得模块，所述信息获得模块用于获得多个轮胎三维网格图像和多个车辆承载重量信息，所述轮胎三维网格图像和所述车辆承载信息具有对应关系；
91.重量承载信息获得模块，所述重量承载信息获得模块用于基于多个所述轮胎三维网格图像和多个所述车辆承载重量信息对预测重量输出层进行监督训练，并通过训练完成的预测重量输出层对所述轮胎三维网格图像进行承载重量预测，获得所述重量承载信息。
92.综上所述，本技术提供了一种用于交通卡口的车辆超载监控方法及系统具有以下技术效果：
93.1.通过上述方法解决了交通卡口识别车辆超载准确率不高的技术问题，可以提高交通卡口识别车辆超载的准确率和效率，进一步提高了车辆超载的监管力度。
94.2.通过基于卷积神经网络构建车辆超载识别模型，可以提高车辆超载识别的效率和准确性。通过利用分水岭算法对车身图像进行分割，可以提高车身图像分割的效率，
95.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
96.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。

技术特征：
1.用于交通卡口的车辆超载监控方法，其特征在于，所述方法包括：通过位于交通卡口的图像采集设备对目标车辆进行图像信息采集，获得多个车辆图像数据，其中包括车辆轮胎图像，所述图像采集设备包括n个设备，n为大于4的整数；基于多个车辆图像数据进行车辆类型识别，并根据车辆类型识别结果确定车辆承载最大值，所述车辆承载最大值包括人员数量最大值和承载重量最大值；获取当前道路的车辆载重限行标准，基于所述车辆载重限行标准和车辆承载最大值确定车辆超载阈值，所述车辆超载阈值包括人员超载阈值和重量超载阈值；基于卷积神经网络构建车辆超载识别模型，所述车辆超载识别模型包括人员超载识别单元和重量超载识别单元；基于所述车辆超载识别模型对多个所述车辆图像数据进行识别，获得人员承载信息和重量承载信息；当所述人员承载信息不满足所述人员超载阈值，且/或所述重量承载信息不满足所述重量超载阈值时，生成超载预警信息并发送至交通管理平台。2.如权利要求1所述的方法，其特征在于，所述基于多个车辆图像数据进行车辆类型识别，还包括：基于大数据，获得多个车辆图像信息和多个车辆类型识别结果；构建车辆识别专家组，所述车辆识别专家组为基于神经网络和数据库相结合的智能识别模型，其中包括车辆识别数据库和车辆类型判断模块；基于多个所述车辆图像信息和多个所述车辆类型识别结果组建车辆识别数据库；利用所述车辆识别数据库中的数据对所述车辆类型判断模块进行训练，并通过训练完成的所述车辆类型判断模块对多个所述车辆图像数据进行车辆类型识别，获得车辆类型识别结果。3.如权利要求1所述的方法，其特征在于，所述基于卷积神经网络构建车辆超载识别模型，所述车辆超载识别模型包括人员超载识别单元和重量超载识别单元，还包括：所述人员超载识别单元包括图像输入层、人员特征卷积层和人员数量输出层；所述重量超载识别单元包括图像输入层、轮胎特征卷积层、预测重量输出层。4.如权利要求1所述的方法，其特征在于，所述基于所述车辆超载识别模型对多个所述车辆图像数据进行识别之前，还包括：对多个车辆图像数据进行分类，获得车身图像数据集和轮胎图像数据集；对所述车身图像数据集进行图像分割，获得车身图像分割数据集。5.如权利要求4所述的方法，其特征在于，所述对所述车身图像数据集进行图像分割，还包括：对所述车身图像数据集中的车身图像数据进行灰度值标识；获得具有灰度值标识的车身图像数据中灰度值最小的像素点，并将所述像素点作为图像分割起始点；基于所述图像分割起始点进行图像淹没，并根据预设步长阈值对具有灰度值标识的车身图像数据进行分割；当图像淹没中灰度值等于所述车身图像数据中灰度值最大的像素点时，完成图像分割，获得车身图像分割数据集。
6.如权利要求5所述的方法，其特征在于，所述基于所述车辆超载识别模型对多个所述车辆图像数据进行识别，获得人员承载信息和重量承载信息，还包括：将所述车身图像分割数据集输入所述人员超载识别单元进行人员数量识别，获得人员承载信息；将所述轮胎图像数据集输入所述车辆超载识别重量超载识别单元进行承载重量识别，获得重量承载信息。7.如权利要求6所述的方法，其特征在于，所述将所述轮胎图像数据集输入所述车辆超载识别重量超载识别单元进行承载重量识别，获得重量承载信息，还包括：通过轮胎特征卷积层对所述轮胎图像数据进行提取，并基于三维仿真技术获得轮胎三维网格图像；获得多个轮胎三维网格图像和多个车辆承载重量信息，所述轮胎三维网格图像和所述车辆承载信息具有对应关系；基于多个所述轮胎三维网格图像和多个所述车辆承载重量信息对预测重量输出层进行监督训练，并通过训练完成的预测重量输出层对所述轮胎三维网格图像进行承载重量预测，获得所述重量承载信息。8.用于交通卡口的车辆超载监控系统，其特征在于，用于实施权利要求1-7所述的用于交通卡口的车辆超载监控方法的任意一项，所述系统包括：车辆图像数据获得模块，所述车辆图像数据获得模块用于通过位于交通卡口的图像采集设备对目标车辆进行图像信息采集，获得多个车辆图像数据，其中包括车辆轮胎图像，所述图像采集设备包括n个设备，n为大于4的整数；车辆承载最大值确定模块，所述车辆承载最大值确定模块用于基于多个车辆图像数据进行车辆类型识别，并根据车辆类型识别结果确定车辆承载最大值，所述车辆承载最大值包括人员数量最大值和承载重量最大值；车辆超载阈值确定模块，所述车辆超载阈值确定模块用于获取当前道路的车辆载重限行标准，基于所述车辆载重限行标准和车辆承载最大值确定车辆超载阈值，所述车辆超载阈值包括人员超载阈值和重量超载阈值；车辆超载识别模型构建模块，所述车辆超载识别模型构建模块用于基于卷积神经网络构建车辆超载识别模型，所述车辆超载识别模型包括人员超载识别单元和重量超载识别单元；车辆图像数据识别模块，所述车辆图像数据识别模块用于基于所述车辆超载识别模型对多个所述车辆图像数据进行识别，获得人员承载信息和重量承载信息；超载预警信息生成模块，所述超载预警信息生成模块用于当所述人员承载信息不满足所述人员超载阈值，且/或所述重量承载信息不满足所述重量超载阈值时，生成超载预警信息并发送至交通管理平台。

技术总结
本申请涉及车辆监管技术领域，提供了一种用于交通卡口的车辆超载监控方法及系统，包括：获得多个车辆图像数据，其中包括车辆轮胎图像；进行车辆类型识别，确定车辆承载最大值，包括人员数量最大值和承载重量最大值；确定车辆超载阈值，包括人员超载阈值和重量超载阈值；构建车辆超载识别模型，包括人员超载识别单元和重量超载识别单元；对多个所述车辆图像数据进行识别，获得人员承载信息和重量承载信息；当人员承载信息不满足人员超载阈值，且/或重量承载信息不满足重量超载阈值时，生成超载预警信息。能够解决交通卡口识别车辆超载准确率不高的技术问题，可以提高交通卡口识别车辆超载的准确率和效率。超载的准确率和效率。超载的准确率和效率。


技术研发人员：闫军 霍建杰
受保护的技术使用者：智慧互通科技股份有限公司
技术研发日：2023.08.11
技术公布日：2023/10/20