[发明专利]基于计算机视觉的动态称重角差补偿方法

权利要求书

1.一种基于计算机视觉的动态称重角差补偿方法，其特征在于，该方法包括：

由车辆未进行动态称重时地秤的形变获得初始形状异常量；由车辆动态称重过程中重量稳定时地秤的形变获得稳定形状异常量；

利用动态称重过程中采样时刻与相邻近历史时刻地秤拐角点的位置变化量获得采样时刻地秤拐角点的形变量；

利用动态称重过程中采样时刻与相邻近历史时刻地秤拐角点的第一距离的差异获得采样时刻地秤拐角点的第一距离变化量，所述地秤拐角点的第一距离为对应时刻地秤拐角点和车轮支撑点的距离；

根据采样时刻所有地秤拐角点的形变量和第一距离变化量获得采样时刻地秤的异常程度；对各采样时刻地秤的异常程度加权求和获得动态称重过程中地秤的异常程度；根据初始形状异常量、稳定形状异常量和动态称重过程中地秤的异常程度获得角差补偿必要性；

若角差补偿必要性大于预设阈值，则对动态称重过程中获得的车辆重量进行补偿获得车辆真实重量；所述采样时刻地秤拐角点的形变量为：

其中为地秤拐角点A1采样时刻即第n时刻的形变量；与采样时刻相邻近的历史时刻的个数为K；g为衰减系数；为采样时刻地秤拐角点A1坐标，为第k个相邻近历史时刻地秤拐角点A1坐标；

所述地秤拐角点到车轮支撑点的第一距离变化量具体为：

其中为A1地秤拐角点采样时刻即第n时刻到车轮支撑点的第一距离变化量，与采样时刻相邻近的历史时刻的个数为K；g为衰减系数；为第n时刻的地秤拐角点A1的第一距离；为第k个相邻近历史时刻的地秤拐角点A1的第一距离。

2.根据权利要求1所述的一种基于计算机视觉的动态称重角差补偿方法，其特征在于，还包括车轮支撑点和地秤拐角点的获取，具体为：构建神经网络获取地秤拐角点和车轮支撑点，该神经网络包括两个分支，地秤拐角点获取分支和车轮支撑点估计分支；神经网络输入车辆称重过程图像，地秤拐角点获取分支输出地秤拐角点，车轮支撑点估计分支输出车轮支撑点。

3.根据权利要求1所述的一种基于计算机视觉的动态称重角差补偿方法，其特征在于，利用地秤图像中地秤拐角点构成的四边形与理想矩形的差异获取地秤的形变：获取地秤图像中地秤拐角点的坐标，利用纵向相邻地秤拐角点的横坐标差异和横向相邻地秤拐角点的纵坐标差异获得地秤图像中地秤拐角点构成四边形与理想矩形的差异，从而获得地秤的形变。

4.根据权利要求1所述的一种基于计算机视觉的动态称重角差补偿方法，其特征在于，所述第一距离具体为：

其中为地秤拐角点A1采样时刻即第n时刻的第一距离；P为采样时刻车轮支撑点的数量；为第n时刻第p个车轮支撑点；为第n个时刻第p个车轮支撑点与地秤拐角点A1的像素距离。

5.根据权利要求1所述的一种基于计算机视觉的动态称重角差补偿方法，其特征在于，所述采样时刻地秤的异常程度为：

其中SY_n表示采样时刻即第n时刻地秤的异常程度；表示第n时刻地秤拐角点Ai的形变量，表示第n采样时刻地秤拐角点Aj的变化量；为第n时刻地秤拐角点Ai到车轮支撑点的第一距离变化量，为第n时刻地秤拐角点Aj到车轮支撑点的第一距离变化量；rc为容错阈值；relu为线性整流函数。

6.根据权利要求1所述的一种基于计算机视觉的动态称重角差补偿方法，其特征在于，所述动态称重过程中地秤的异常程度为：

其中YC为动态称重过程中地秤的异常程度；SY_n为采样时刻即第n时刻的地秤的异常程度。

7.根据权利要求1所述的一种基于计算机视觉的动态称重角差补偿方法，其特征在于，所述角差补偿必要性为：

WE＝a*{u*[C(N)+C(0)]+v*YC}

其中，WE为车辆动态称重过程的角差补偿必要性；C(0)为地秤初始形状差异量，C(N)为地秤稳定形状差异量；u为地秤初始、稳定形状差异量的影响系数；v为车辆动态称重过程中地秤异常程度的影响系数；a为比例换算系数。

8.根据权利要求1所述的一种基于计算机视觉的动态称重角差补偿方法，其特征在于，所述对动态称重过程中获得的车辆重量进行补偿获得车辆真实重量包括：构建重量补偿神经网络，输入地秤初始形状异常量、稳定形状异常量、动态称重过程中地秤的异常程度和所有地秤拐角点的重量数值，输出补偿重量；地秤动态称重重量与补偿重量的和为车辆的真实重量。