一种基于激光传感器和摄像头的车辆驱动轴识别装置的制作方法

本实用新型涉及智能交通技术领域，尤其涉及一种基于激光传感器和摄像头的车辆驱动轴识别装置。

背景技术：

车辆超限超载违法运输现象仍然层出不穷，这不仅损坏公路基础设施，引发大量的道路交通事故，而且还直接导致道路运输市场的恶性竞争和车辆生产使用秩序的混乱。

车辆最大允许轴荷限值不仅与轴型和外廓尺寸有关，而且还与该轴是否作为行驶的驱动轴有关。最新国家标准GB1589-2016对车辆驱动轴和非驱动轴的限定载重做了明确区分，这就意味着能否有效区分车辆驱动轴和非驱动轴成为科技治超任务中又一新的课题。

如专利号为CN201621331817.8名称为“一种车辆驱动轴和非驱动轴的判别装置”(公告日为2017年08月29日)，该专利是通过轮轴感应条和角度测量仪来识别驱动轴和非驱动轴的，如专利号为CN201710103050.6名称为“一种驱动轮识别装置”(公告日为2017年05月10日)，该专利是通过石英敏感单元检测摩擦力的大小和方向，因驱动轮和从动轮摩擦力方向的不同，从而实现驱动轮的检测。

以上专利都能实现驱动轴的识别，但也存在弊端，针对减速滑行的车辆，采用摩擦力检测方法就会失效。而针对埋于路面下的接触式设备，后期维护成本高。

技术实现要素：

本实用新型解决的技术问题是提供一种非接触式、高识别率、易安装、易维护的驱动轴识别装置，实现对车辆驱动轴的自动识别。

为解决上述技术问题，本实用新型公开了一种基于激光测感器和摄像头的车辆驱动轴识别装置，其特征在于，包括：扫描式激光测距传感器、摄像头和数据处理单元；

所述扫描式激光测距传感器安装在车道一侧的立杆上，用于实时扫描行车道过往车辆，便于实时获取车辆的轮廓信息；

所述摄像头安装在所述扫描式激光测距传感器行车反方向的另一立杆上；抓拍区域在所述扫描式激光测距传感器扫描区域上且位于行车道中间，用于抓拍过往车辆的底盘信息；

所述数据处理单元通过TCP/IP网络与所述扫描式激光测距传感器相连，用于处理所述扫描式激光测距传感器获取的信息，当检测到扫描式激光测距传感器扫描到双胎时触发摄像头抓拍；与所述摄像头相连，用于处理所述摄像头抓拍的图像信息，并分析图像中是否含有桥壳结构判断是否为驱动轴。

所述扫描式激光测距传感器扫描方向优选垂直于行车道方向，安装高度距离地面为1～2米；所述摄像头安装高度距离地面0.5米以下；所述抓拍区域在扫描式激光测距传感器扫描区域上且位于行车道中间1～2米；

所述摄像头优选安装在所述扫描式激光测距传感器同侧，安装高度距离地面为0.2米，水平距离所述扫描式激光测距传感器为2～4米，距离车道边界为0～1米；抓拍角度与行车方向成30～45度夹角，与水平面成0～20度夹角。

本实用新型的上述技术方案具有如下优点：

1、该方法安装简单、维护方便；

2、利用深度学习算法分类，提供大量样本训练，识别率高；

3、可输出车辆侧面轮廓信息，可结合其他应用使用。

附图说明

图1为本实用新型的一个较佳实施例的安装示意图；

图2为本实用新型中摄像头一个较佳被动抓拍区域示意图；

具体实施方式

下面结合附图，对本实用新型的具体实施方式作进一步描述。以下实施例仅用于清楚地说明本实用新型的技术方案，而不能以此来限制本实用新型的保护范围。

图1为本实用新型的一个较佳实施例的一种基于激光传感器和摄像头的车辆驱动轴识别装置示意图，如图1所示，扫描式激光测距传感器103以h1＝1.5米高度安装在车道一侧的立杆上，距离车道的距离为L3＝0.5米，其扫描方向垂直于行车道方向，扫描的波形数据通过网线传给数据处理单元101。扫描式激光测距传感器103采用波长为905纳米的红外光，扫描频率是50Hz，角度分辨率是0.5度，扫描角度是180度，系统误差是30毫米，前后帧的时间间隔20毫秒。

摄像头102安装在扫描式激光测距传感器103同侧行车反方向的立杆上，距离扫描式激光测距传感器103L1＝3米，距离地面高度h2＝0.2米，距离车道的距离L2＝0.2米，抓拍角度与行车方向成45度夹角，抓拍图像通过网线传给数据处理单元101。

图2为本实用新型中摄像头102一个较佳被动抓拍区域示意图。当扫描式激光测距传感器103在其扫描区域S1内扫描到车辆双轮胎时，数据处理单元101会通过网络触发摄像头进行聚焦抓拍，抓拍区域如图2中S2所示，S2远小于S1。

本实用新型的具体实施过程是：扫描式激光测距传感器103在垂直于行车道的方向上以0.5度一个点，20毫秒一帧的方式扫描，当车辆通过扫描区域时，激光器103扫描截面上的点值发生变化，将这些点值数据传给数据处理单元101，即可得到车辆外廓信息。因为单胎和双胎结构的不同，所以可以有效区分车辆单双胎。当数据处理单元101检测到双胎时，就会利用网络触发摄像头102对该双胎所在底盘区域进行聚焦拍照，数据处理单元101回调抓拍的图像，在LINUX平台上利用keras深度学习框架构建的CNN(卷积神经网络)模型对图像进行分类，CNN模型根据图像中是否含有桥壳结构，进而判断是否为驱动轴，模型使用之前需利用人工采集的大量正负样本对其进行训练，以达到预期正确率。

如果数据处理单元101在一辆车中第一次扫描到双胎，则继续判断是否为连轴双胎，如果不是，则可确定该车辆驱动轴数为1；如果是，则结合连轴双胎第二胎的图像处理结果进行分析，如果图像信息处理结果为驱动轴，则该车辆驱动轴数为2，如果图像处理结果为非驱动轴，则该车辆的驱动轴数为1。

最后应说明的是：以上实施例仅是本实用新型选择的一个实施方式，而非对其限制；应当指出，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本实用新型的保护范围。