一种基于红外的货车超载检测方法

本发明属于超载检测技术，具体为一种基于红外的货车超载检测方法。

背景技术：

1、近年来，我国道路运输基础设施建设的发展渐趋完善，公路货运行业随之飞速发展，与此同时，货运车辆超载问题屡禁不止，造成巨大危害。一方面，货车超载会对公路基础设施和运输生态造成巨大破坏，造成大量经济损失；另一方面，超载车辆的安全性下降，车辆各部件处于过载状态容易导致严重的交通事故。在对车辆超载的治理中，超载检测是最重要的环节。

2、目前货车超载的检测方法主要为接触式称重法，包括静态称重和动态称重，静态称重只能在车辆静止时获取整车重或轴重，应用场景狭窄；动态称重受限于设备规模和安装维护成本，只能在个别固定点位进行检测，难以应对货车运输路线灵活多变的特点。相比于接触式称重法检测车辆超载，基于非接触式传感器的检测方法，能较好地解决前者成本和效率方面的缺陷。

技术实现思路

1、为了解决现有技术中的上述技术缺陷，本发明提出了一种基于红外的货车超载检测方法。

2、实现本发明目的的技术方案为：一种基于红外的货车严重超载检测方法，包括：

3、s1、将红外热像仪以及摄像头设置在道路侧面；

4、s2、数据处理装置通过红外热像仪控制程序和摄像头控制程序，设置红外热像仪视频帧数和摄像头视频帧数；

5、s3、数据处理装置实时接收摄像头画面，将摄像头帧图像输入到训练好的目标检测模型进行货车目标检测并识别货车车型，当检测到货车时控制红外热像仪开始工作；

6、s4、将红外热像仪采集的红外图像输入到训练好的resnet模型进行超载检测，判断车辆是否超载。

7、优选地，所述摄像头视角完全包括红外热像仪的视野且角度一致。

8、优选地，所述目标检测模型为基于sa注意力机制的yolov5网络。

9、优选地，所述yolov5网络包括输入端、backbone网络、fpn网络和head输出端；

10、所述输入端的输入是一个由多个图像组成的批次；每个图像表示为一个三维张量，其形状为[c,h,w]，其中c表示图像的通道数，h和w分别表示图像的高度和宽度；

11、所述yolov5网络采用cspdarknet53作为backbone网络；

12、所述fpn网络由自下而上的路径和自上而下的路径组成，用于实现多尺度特征提取；自下而上的路径利用cspdarknet主干网络中的高层特征进行特征提取，得到一系列尺度较大的特征图，自上而下的路径利用较低层特征进行特征融合和细化，得到多尺度特征图；

13、所述head网络由多个卷积层和全局平均池化层组成，用于将多尺度的特征图转换为检测框和类别预测结果，所述head网络包括三个分支，每个分支都负责预测一个不同尺度下的目标框，每个目标框预测一个类别概率向量，表示该目标框属于每种可能类别的概率。

14、优选地，所述yolov5网络采用focal loss损失函数，包括：分类损失、定位损失和对象损失，对象损失的计算方式如下：

15、obji,j＝-αij(1-pi,j)γlog(pi,j)

16、其中，i表示网格单元的索引，j表示该网格单元预测的第j个锚框的索引，pij表示预测的物体存在概率，αij表示一个权重系数，γ表示一个调整参数。具体来说，若该锚框内部包含物体，则αij＝1；否则，αij＝0。γ的值通常设为2。在训练时，yolov5会将所有网格单元的对象损失相加，并将其作为总的损失函数进行优化。通过这种方式，yolov5可以在保证高召回率的同时，减少假阳性的数量，从而提高目标检测的精度。

17、优选地，所述yolov5s主干网络的跨阶段局部网络中嵌入sa注意力机制模块。

18、优选地，对yolov5网络进行训练的具体方法为：

19、通过摄像头获取货车通过的视频，将视频按帧拆分成图片并保存在文件夹，获得不同车型的若干张图片作为目标检测的训练集；

20、使用标注软件对图片进行画框标注，图片标签为车型；

21、将标注软件标注生成的xml格式的标签文件转换成yolov5s使用的txt格式的标签文件；

22、修改yolov5s网络的标签数目和标签名称为实际值，定义训练轮数、批大小参数，输入货车车型数据集，对yolov5s网络进行货车车型识别训练；

23、将训练得到的权重文件替换预训练权重文件，得到训练好的货车车型检测yolov5s网络。

24、优选地，所述resnet模型由多个残差块组成，每个残差块包含两个主要分支：一个是恒等映射，另一个是通过卷积层学习到的残差映射；两个分支相加后再经过激活函数得到最终输出，整个网络中引入了跳跃连接。

25、优选地，对resnet模型进行训练的具体过程为：

26、利用红外热成像仪获取不同车型、不同载重下的货车红外图像数据作为训练集；

27、在训练集的目录下按是否超载将红外图像分放在两个文件夹中，在训练模型的过程中，利用imagedatagenerator读取图片，自动根据图片所在文件夹名称分配标签；

28、构建resnet模型，定义损失函数和优化器，配置模型的学习率、批大小超参数；

29、将红外图像数据集输入resnet模型进行模型训练，得到不同车型下的货车超载二分类模型。

30、本发明与现有技术相比，其显著优点为：

31、(1)本发明采用无接触式的方法对超载货车进行检测并预警，保证了通行效率，可维修性强，且不需要对道路进行重新铺设；

32、(2)在车型识别上，基于sa注意力机制的yolov5s深度学习算法在本项目上较其他检测算法精度更高；

33、(3)本发明中的红外热像仪还能提取货车温度信息，视频也可以提取货车货物高度等信息，为后续货车超载检测做铺垫；

34、本发明的其他特征和优点将在随后的说明书中阐述，并且，部分的从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

技术特征：

1.一种基于红外的货车严重超载检测方法，其特征在于，包括：

2.根据权利要求1所述的基于红外的货车严重超载检测方法，其特征在于，所述摄像头视角完全包括红外热像仪的视野且角度一致。

3.根据权利要求1所述的基于红外的货车严重超载检测方法，其特征在于，所述目标检测模型为基于sa注意力机制的yolov5网络。

4.根据权利要求3所述的基于红外的货车严重超载检测方法，其特征在于，所述yolov5网络包括输入端、backbone网络、fpn网络和head输出端；

5.根据权利要求3所述的基于红外的货车严重超载检测方法，其特征在于，所述yolov5网络采用focal loss损失函数，包括：分类损失、定位损失和对象损失，对象损失的计算方式如下：

6.根据权利要求3所述的基于红外的货车严重超载检测方法，其特征在于，所述yolov5s主干网络的跨阶段局部网络中嵌入sa注意力机制模块。

7.根据权利要求1所述的基于红外的货车严重超载检测方法，其特征在于，对yolov5网络进行训练的具体方法为：

8.根据权利要求1所述的基于红外的货车严重超载检测方法，其特征在于，所述resnet模型由多个残差块组成，每个残差块包含两个主要分支：一个是恒等映射，另一个是通过卷积层学习到的残差映射；两个分支相加后再经过激活函数得到最终输出，整个网络中引入了跳跃连接。

9.根据权利要求1所述的基于红外的货车严重超载检测方法，其特征在于，对resnet模型进行训练的具体过程为：

技术总结本发明公开了一种基于红外的货车超载检测方法，具体为：在高速公路路侧安装摄像头和红外热像仪，分别进行货车的检测和红外图像的获取；摄像头通过基于SA注意力机制的Yolov5深度学习算法检测货车和车型识别，红外热像仪采集货车发动机和轮胎部位特征图像；通过ResNet算法判断货车是否超载，对超载货车进行预警，在无接触的情况下实现高速公路货车超载的初步检测，减少安全隐患。技术研发人员：郭唐仪,李林蔚,李健,汤贤康受保护的技术使用者：南京理工大学技术研发日：技术公布日：2024/6/11