[发明专利]基于卷积神经网络的渣土车土石方体积计算方法在审
申请号: | 202011196302.2 | 申请日: | 2020-10-30 |
公开(公告)号: | CN112232435A | 公开(公告)日: | 2021-01-15 |
发明(设计)人: | 沈辰;简飞弘 | 申请(专利权)人: | 三峡大学 |
主分类号: | G06K9/62 | 分类号: | G06K9/62;G06N3/04;G06N3/08;G06N20/20 |
代理公司: | 宜昌市三峡专利事务所 42103 | 代理人: | 成钢 |
地址: | 443002 *** | 国省代码: | 湖北;42 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 卷积 神经网络 渣土 土石方 体积 计算方法 | ||
本发明公开了基于卷积神经网络的渣土车土石方体积计算方法,包括:对装载土石方的渣土车的后轮进行称重;针对渣土车的型号选择对应的第一神经网络模型,将后轮称重数值输入第一神经网络模型,得到渣土车装载渣土的整车质量;根据渣土车装载渣土的整车质量和渣土车空车质量,计算渣土车运载的渣土质量;采集渣土车运载的渣土的图像,输入第二神经网络模型,得到渣土车运载的渣土的密度;根据渣土质量和渣土密度,计算渣土车运载的渣土的体积即渣土车运载的土石方。本发明分别利用第一神经网络模型、第二神经网络模型计算渣土车整车重量、识别渣土密度,实现了渣土车装载渣土体积的自动计算,代替人工,省时省力,且计算精度高。
技术领域
本发明属于渣土智能识别领域,具体涉及一种基于卷积神经网络的渣土车土石方体积计算方法。
背景技术
土建项目普遍存在土石方的转运,渣土车运载土石方离开工地时需要对土石方数进行统计,目前大部分工地仍采取传统的人工计数方式进行统计,但传统计数模式易受限于管理人员学识和设备操作人员素质等因素影响造成各类逃票违规行为、缺乏规范化施工和计数误差等现象。公开号 CN109002421A的发明专利公开了一种渣土车运输土方数统计方法,包括以下步骤:在渣土车运输渣土并进场时,采集进场渣土车的车牌图像与后车厢图像;确定进场车辆及其进场时间以及确定进场车辆运载的第一土方数;在渣土车卸载渣土并出场时,采集出场渣土车的车牌图像与后车厢图像;确定出场车辆及其出场时间以及确定出场车辆运载的第二土方数;基于同一渣土车辆的所述第一土方数与所述第二土方数,确定该渣土车在同一运输车次的实际运载土方数,并生成该渣土车的运输土方数统计记录。此方法需要单独设立称重台,不适合小型和零星项目计数,并且安置麻烦,仍需要专业人员到场核对。公开号CN208795315U的发明专利公开了一种用于工程运输土石方计量的手持装置,它包含装置主体、手持柄、电源件、操作按钮组、透明窗、出票口、摄像头、识卡装置、打印设备、储纸箱、处理器、存储装置、数据传输模块。此方法不适用于大型复杂的土石方系统,仍然需要增设员工进行打卡操作,实用性成问题。
发明内容
本发明的目的是针对上述问题,提供一种基于卷积神经网络的渣土车土石方体积计算方法,利用卷积神经网络模型根据渣土车后轮称重得到渣土车整车重量,并进一步利用第二神经网络模型识别渣土密度,根据渣土车装载的渣土质量以及识别出的渣土密度,自动计算渣土体积,便于渣土车出场时对渣土体积自动计算、存储以及统计分析。
本发明的技术方案是基于卷积神经网络的渣土车土石方体积计算方法,包括以下步骤,
步骤1:对装载土石方的渣土车的后轮进行称重;
步骤2:针对渣土车的型号选择对应的第一神经网络模型,将后轮称重数值输入第一神经网络模型,得到渣土车装载渣土的整车质量;
步骤3:根据渣土车装载渣土的整车质量和渣土车空车质量,计算渣土车运载的渣土质量;
步骤4:采集渣土车运载的渣土的图像,输入第二神经网络模型,得到渣土车运载的渣土的密度;
步骤5:根据步骤3得到的渣土质量和步骤4得到的渣土密度,计算渣土车运载的渣土的体积即渣土车运载的土石方。
优选地,所述第一神经网络模型为卷积神经网络CNN,包括依次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层和输出层。
优选地,所述第二神经网络模型为BP神经网络,输入层包括10个神经元、隐含层包括11个神经元,输出层为1个神经元。
进一步地,所述基于卷积神经网络的渣土车土石方体积计算方法还包括对第一神经网络模型进行预先训练,具体包括:
1)对不同装载程度的渣土车进行整体称重,得到渣土装载整车质量;
2)对步骤1)的渣土车的后轮进行称重,得到后轮称重数值;
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于三峡大学,未经三峡大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202011196302.2/2.html,转载请声明来源钻瓜专利网。