【技术实现步骤摘要】
本专利技术涉及超载识别，尤其涉及车辆超载识别方法及系统、存储介质和终端。
技术介绍
1、超载是交通事故发生的重要原因之一。车辆超载后，车辆的制动和操作等安全性能迅速下降，表现为轮胎变形、爆胎、刹车失灵等等，并且车辆的离心力增加，转向也会变得十分沉重，使得车辆超载后极易引发事故，给交通安全带来极大的事故隐患。而超载车辆行驶过的路面也更容易出现沉陷、断裂等情况，需要投入巨额资金进行路面维修。
2、现有公路上的超载识别卡口，由于公路车流量大，涉及全国各地车牌，因此无法简单依据车牌信息而获取卡车的限重数据，导致需要人工识别卡槽轴型，再依据称台的数据判断卡车是否超载，工作效率低，而且现有称台在进行动态称重时，面对不同行驶状态的车辆，称台读取的数据具有一定的误差，导致车辆超载识别错误率较高，造成超载车辆识别困难的情况。
技术实现思路
1、为了解决上述技术问题，本专利技术提供了车辆超载识别方法及系统、存储介质和终端。
2、本专利技术采用以下技术方案：车辆超载识别方法，所述方法包括：
3、获取包含目标车辆的目标图像，对所述目标图像进行预处理；
4、将经预处理后的所述目标图像分别输入至预设的轮轴特征提取网络模型和预设的轮廓特征提取网络模型，得到所述目标车辆的轮轴特征向量和轮廓特征向量；
5、将所述轮轴特征向量与所述轮廓特征向量进行特征融合，得到融合特征向量；
6、将所述融合特征向量输入至预设的轴型分类网络模型，得到所述目标车辆的
7、获取所述目标车辆经过称台时的初始载重数据和速度数据，并基于所述速度数据对所述初始载重数据进行修复，得到目标载重数据；
8、根据所述目标车辆的限重标准和所述目标车辆的目标载重数据判断所述目标车辆是否超载。
9、本专利技术一实施的车辆超载识别方法，首先通过轮轴特征提取网络模型和轮廓特征提取网络模型分别提取目标车辆的轮轴特征向量和轮廓特征向量，再将轮轴特征向量和轮廓特征向量进行特征融合，使得到的融合特征向量更能表征目标车辆的轴型特征，从而可以提高目标车辆轴型分类的准确率，最后再利用训练好的轴型分类网络模型对融合特征向量进行分类识别，得到目标车辆的轴型类别，保证了目标车辆轴型类别的高识别度，为得到目标车辆的限重标准提供保障，最后再基于速度数据对目标车辆的初始载重数据进行修复补偿，得到更贴近目标车辆实际载重的目标载重数据，根据目标载重数据与限重标准即可判断目标车辆是否超载，工作效率高，而且识别误差较小。
10、进一步的，获取包含目标车辆的目标图像，对所述目标图像进行预处理的步骤具体包括：
11、基于预设的摄像设备获取包含目标车辆的目标图像；
12、对所述目标图像进行灰度化处理，再基于像素平方法对所述目标图像二值化处理，从而完成对所述目标图像的预处理。
13、进一步的，将经预处理后的所述目标图像分别输入至预设的轮轴特征提取网络模型和预设的轮廓特征提取网络模型，得到所述目标车辆的轮轴特征向量和轮廓特征向量的步骤具体包括：
14、构建基准yolov3网络模型；其中，所述基准yolov3网络模型包括主干网络和检测网络；
15、对所述主干网络的残差连接模块进行优化，首先采用1×1卷积降维，将n个通道压缩成n/2个通道，再采用3×3卷积，保持通道数不变，最后采用1×1卷积升维，将n/2个通道扩展为n个通道；
16、将所述主干网络的32倍下采样网络结构删除；
17、将所述检测网络的检测尺度调整为单检测尺度，并采用senet通道注意力模块对所述检测网络输出的多个下采样特征图进行增强，从而得到改进后的yolov3网络模型；
18、对所述改进后的yolov3网络模型进行训练，得到轮轴特征提取网络模型；
19、将经预处理后的所述目标图像输入至所述轮轴特征提取网络模型，输出所述目标车辆的轮轴特征向量；
20、构建基准mobilenetv2网络模型，对所述基准mobilenetv2网络模型进行训练，得到轮廓特征提取网络模型；
21、将经预处理后的所述目标图像输入至所述轮廓特征提取网络模型，输出所述目标车辆的轮廓特征向量。
22、进一步的，将所述轮轴特征向量与所述轮廓特征向量进行特征融合，得到融合特征向量的步骤具体包括：
23、采用步长为2的3×3卷积对所述轮轴特征向量进行两次下采样和升维，且每次下采样和升维之后，均采用bn归一化和relu非线性激活函数处理，得到特征向量；
24、采用步长为1的1×1卷积对所述轮廓特征向量进行降维，再通过bn归一化和relu非线性激活函数处理，得到特征向量；
25、将所述特征向量与所述特征向量相加，得到融合特征向量；其中，所述特征向量与所述特征向量的形状相同。
26、进一步的，将所述融合特征向量输入至预设的轴型分类网络模型，得到所述目标车辆的轴型类别，并根据所述目标车辆的轴型类别确定所述目标车辆的限重标准的步骤具体包括：
27、构建轴型分类网络模型，对所述轴型分类网络模型进行预训练，其中，所述轴型分类网络模型包括输入层、全局平均池化层、全连接层及输出层；
28、将所述融合特征向量输入至所述输入层，由所述全局平均池化层提取所述融合特征向量的全局特征；
29、再由所述全连接层将所述全局特征进行整合，其中，所述全连接层包括两个全连接子层和dropout正则化，所述dropout正则化位于两个所述全连接子层之间；
30、最后采用softmax函数对所述全连接层的输出进行处理，得到多个轴型类别的概率值，并由所述输出层将概率值最大的轴型类别输出，从而得到所述目标车辆的轴型类别；
31、根据所述目标车辆的轴型类别轮询预设的车辆轴型限重表，得到所述目标车辆的限重标准。
32、进一步的，获取所述目标车辆经过称台时的初始载重数据和速度数据，并基于所述速度数据对所述初始载重数据进行修复，得到目标载重数据的步骤具体包括：
33、获取称台发送的所述目标车辆的初始载重数据，同时获取所述目标车辆驶入称台的速度和驶出称台的速度；
34、计算所述目标车辆经过称台的减速比：
35、
36、其中，当时，即所述目标车辆匀速经过称台或加速经过称台时，令；
37、根据所述目标车辆的轴型类别确定所述目标车辆的轴数，从而对所述初始载重数据进行修复，得到目标载重数据：
38、
39、其中，为所述初始载重数据，为标准重量，取值为1吨，为所述目标车辆的轴数，为修复系数，为目标载重数据。
40、进一步的，根据所述目标车辆的限重标准和所述目标车辆的目标载重数据判断所述目标车辆是否超载的步骤具体包括：
41、若所述目标车辆的目标本文档来自技高网...
【技术保护点】
1.车辆超载识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的车辆超载识别方法，其特征在于，获取包含目标车辆的目标图像，对所述目标图像进行预处理的步骤具体包括：
3.根据权利要求1所述的车辆超载识别方法，其特征在于，将经预处理后的所述目标图像分别输入至预设的轮轴特征提取网络模型和预设的轮廓特征提取网络模型，得到所述目标车辆的轮轴特征向量和轮廓特征向量的步骤具体包括：
4.根据权利要求1所述的车辆超载识别方法，其特征在于，将所述轮轴特征向量与所述轮廓特征向量进行特征融合，得到融合特征向量的步骤具体包括：
5.根据权利要求1所述的车辆超载识别方法，其特征在于，将所述融合特征向量输入至预设的轴型分类网络模型，得到所述目标车辆的轴型类别，并根据所述目标车辆的轴型类别确定所述目标车辆的限重标准的步骤具体包括：
6.根据权利要求1所述的车辆超载识别方法，其特征在于，获取所述目标车辆经过称台时的初始载重数据和速度数据，并基于所述速度数据对所述初始载重数据进行修复，得到目标载重数据的步骤具体包括：
7.根据权利要
8.车辆超载识别系统，其特征在于，所述系统包括：
9.一种计算机可读存储介质，其特征在于，包括指令，当其在计算机上运行时，使得计算机执行权利要求1至7中任一项所述的方法。
10.一种终端，其特征在于，所述终端包括：处理器，存储器；所述处理器、所述存储器进行相互的通信；
...【技术特征摘要】
1.车辆超载识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的车辆超载识别方法，其特征在于，获取包含目标车辆的目标图像，对所述目标图像进行预处理的步骤具体包括：
3.根据权利要求1所述的车辆超载识别方法，其特征在于，将经预处理后的所述目标图像分别输入至预设的轮轴特征提取网络模型和预设的轮廓特征提取网络模型，得到所述目标车辆的轮轴特征向量和轮廓特征向量的步骤具体包括：
4.根据权利要求1所述的车辆超载识别方法，其特征在于，将所述轮轴特征向量与所述轮廓特征向量进行特征融合，得到融合特征向量的步骤具体包括：
5.根据权利要求1所述的车辆超载识别方法，其特征在于，将所述融合特征向量输入至预设的轴型分类网络模型，得到所述目标车辆的轴型类别，并根据所述目标车辆的...
【专利技术属性】
技术研发人员：谢天长，马飞虎，姜鹏，周磊，胡松，
申请(专利权)人：江西通慧科技集团股份有限公司，
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。