一种无称重AI智能识别货车超载估算方法、装置及系统

摘要

本发明公开了一种无称重AI智能识别货车超载估算方法、装置与系统。本发明方法中，首先获取同类型车辆在不同载重量下的后轮载重轮胎平均变形系数，进行拟合得到对应的轮胎平均变形系数随载重量变化而变化的统计数据线性回归函数模型；然后根据货车类型确定货车载重上限值和倍数载重值，带入函数模型得到相应的货车超载轮胎变形系数值和倍数超载变形系数值；当待测车辆通过视频检测点时，根据后轮轮胎变形地平线长度和货车轮胎半径计算后轮载重轮胎平均变形系数，与相关系数值进行比较，判断是否为超载或倍数超载嫌疑车辆。本发明以解决低成本、无车道引导、各等级公路网无死角布控智能监测超载尤其严重超载车辆在技术性和经济性方面存在的难题。

权利要求

1.一种无称重AI智能识别货车超载估算方法，其特征在于，所述方法包括如下步骤：(1)获取同类型车辆在不同载重量下的后轮载重轮胎平均变形系数，并进行拟合得到对应的轮胎平均变形系数随载重量变化而变化的统计数据线性回归函数模型；其中，货车后轮载重轮胎变形系数为后轮轮胎变形地平线长度与货车轮胎半径的比值；后轮轮胎平均变形系数采用以下公式进行计算：

其中， Kn为货车第n个车轴的后轮载重轮胎变形系数，n＝2，3，…，N，N为货车总车轴数，Ln表示第n个车轴的后轮轮胎变形地平线的长度，Rn表示货车第n个车轴的后轮半径；

采用如下公式，计算货车重量和货车载重轮胎变形系数之间的关系：为同类型货车前轮载重轮胎变形系数，f(G)为随载重量变化而变化的前轮统计数据线性回归函数模型，G表示货车载重量；

为同类型货车后轮载重轮胎变形系数，p(G)为随载重量变化而变化的后轮统计数据线性回归函数模型；

(2)根据货车类型确定货车载重上限值和倍数载重值，带入统计数据线性回归函数模型得到相应的货车超载轮胎变形系数值和倍数超载变形系数值；

(3)当待测车辆通过视频检测点时，根据后轮轮胎变形地平线长度和货车轮胎半径计算得到后轮载重轮胎平均变形系数，并与步骤(2)得到的系数值进行比较，从而判断是否为超载或倍数超载嫌疑车辆；其中，统计并拟合同类型货车前轮载重变形系数相对装载重量的前轮统计数据线性回归函数模型，并与步骤(1)得到的后轮统计数据线性回归函数模型相除得到气压敏感性反应关系模型；将货车载重上限Gmax代入气压敏感性反应关系模型Q(G)＝p(G)/f(G)、f(G)和p(G)，得到正常敏感性界定阈值Q(Gmax)、前轮变形系数敏感性界定阈值 后轮变形系数敏感性界定阈值 若同类型货车通过路段视频分析检测点时，根据货车前轮载重轮胎变形系数和后轮载重轮胎平均变形系数得到实际敏感性值Q(G)，同时具备以下三个条件，则排除货车轮胎气压轻度不足造成的超载误判：其中 K1为货车前轮载重轮胎变形系数，L1表示前轮轮胎变形地平线的长度，R1表示货车前轮半径； Q(G)＞Q(Gmax)。

2.根据权利要求1所述的无称重AI智能识别货车超载估算方法，选择货车载重量G接近货车载重上限Gmax的样本数据，即取重量满足 的货车作为统计样本，使用最小二乘法求出 和 采用以下公式计算统计数据线性回归函数模型的标准误差S：其中，Ki为样本中第i辆货车的后轮胎变形系数， 是对应所有样本的后轮胎变形系数平均值，i＝1，2，…，m。

3.根据权利要求1所述的无称重AI智能识别货车超载估算方法，其特征在于，按照环境温度分别采集和拟合获得统计数据线性回归函数模型，以适应不同温度的检测，在不同环境温度下，使用相应的统计数据线性回归函数模型。

4.一种无称重AI智能识别货车超载估算装置，其特征在于，包括AI学习分析模块以及货车超载识别模块；

所述AI学习分析模块，用于获取同类型车辆在不同载重量下的后轮载重轮胎平均变形系数，并进行拟合得到对应的轮胎平均变形系数随载重量变化而变化的统计数据线性回归函数模型；以及根据货车类型确定货车载重上限值和倍数载重值，带入统计数据线性回归函数模型得到相应的货车超载轮胎变形系数值和倍数超载变形系数值；其中货车后轮载重轮胎变形系数为后轮轮胎变形地平线长度与货车轮胎半径的比值；后轮轮胎平均变形系数采用以下公式进行计算：

其中， Kn为货车第n个车轴的后轮载重轮胎变形系数，n＝2，3，…，N，N为货车总车轴数，Ln表示第n个车轴的后轮轮胎变形地平线的长度，Rn表示货车第n个车轴的后轮半径；

采用如下公式，计算货车重量和货车载重轮胎变形系数之间的关系：为同类型货车前轮载重轮胎变形系数，f(G)为随载重量变化而变化的前轮统计数据线性回归函数模型，G表示货车载重量；

为同类型货车后轮载重轮胎变形系数，p(G)为随载重量变化而变化的后轮统计数据线性回归函数模型；

所述货车超载识别模块，用于当待测车辆通过视频检测点时，根据后轮轮胎变形地平线长度和货车轮胎半径计算得到后轮载重轮胎平均变形系数，并与货车超载轮胎变形系数值和倍数超载变形系数值进行比较，从而判断是否为超载或倍数超载嫌疑车辆；其中，统计并拟合同类型货车前轮载重变形系数相对装载重量的前轮统计数据线性回归函数模型，并与得到的后轮统计数据线性回归函数模型相除得到气压敏感性反应关系模型；将货车载重上限Gmax代入气压敏感性反应关系模型Q(G)＝p(G)/f(G)、f(G)和p(G)，得到正常敏感性界定阈值Q(Gmax)、前轮变形系数敏感性界定阈值 后轮变形系数敏感性界定阈值若同类型货车通过路段视频分析检测点时，根据货车前轮载重轮胎变形系数和后轮载重轮胎平均变形系数得到实际敏感性值Q(G)，同时具备以下三个条件，则排除货车轮胎气压轻度不足造成的超载误判： 其中 K1为货车前轮载重轮胎变形系数，L1表示前轮轮胎变形地平线的长度，R1表示货车前轮半径； Q(G)＞Q(Gmax)。

5.一种AI智能识别货车超载学习分析系统，其特征在于，包括车道汽车称重装置和车辆综合特征识别一体机及AI分析计算机；

所述车道汽车称重装置，用于获取道路过往车辆称重计量；

所述车辆综合特征识别一体机，用于获得对应过往车辆车牌号、车型、车长及正面轮胎半径、轮胎变形地平线及环境气温；

所述AI分析计算机，用于获取同类型车辆在不同载重量下的后轮载重轮胎平均变形系数，并进行拟合得到对应的轮胎平均变形系数随载重量变化而变化的统计数据线性回归函数模型；以及根据货车类型确定货车载重上限值和倍数载重值，带入统计数据线性回归函数模型得到相应的货车超载轮胎变形系数值和倍数超载变形系数值；其中货车后轮载重轮胎变形系数为后轮轮胎变形地平线长度与货车轮胎半径的比值；后轮轮胎平均变形系数采用以下公式进行计算：

其中， Kn为货车第n个车轴的后轮载重轮胎变形系数，n＝2，3，…，N，N为货车总车轴数，Ln表示第n个车轴的后轮轮胎变形地平线的长度，Rn表示货车第n个车轴的后轮半径；

采用如下公式，计算货车重量和货车载重轮胎变形系数之间的关系：为同类型货车前轮载重轮胎变形系数，f(G)为随载重量变化而变化的前轮统计数据线性回归函数模型，G表示货车载重量；

为同类型货车后轮载重轮胎变形系数，p(G)为随载重量变化而变化的后轮统计数据线性回归函数模型；

其中，统计并拟合同类型货车前轮载重变形系数相对装载重量的前轮统计数据线性回归函数模型，并与得到的后轮统计数据线性回归函数模型相除得到气压敏感性反应关系模型；将货车载重上限Gmax代入气压敏感性反应关系模型Q(G)＝p(G)/f(G)、f(G)和p(G)，得到正常敏感性界定阈值Q(Gmax)、前轮变形系数敏感性界定阈值 后轮变形系数敏感性界定阈值；若同类型货车通过路段视频分析检测点时，根据货车前轮载重轮胎变形系数和后轮载重轮胎平均变形系数得到实际敏感性值Q(G)，同时具备以下三个条件，则排除货车轮胎气压轻度不足造成的超载误判：

其中 K1为货车前轮载重轮胎变形系数，L1表示前轮轮胎变形地平线的长度，R1表示货车前轮半径；

Q(G)＞Q(Gmax)。

6.一种无称重AI智能识别货车超载估算系统，其特征在于，包括车辆综合特征识别一体机及AI分析计算模块；

所述车辆综合特征识别一体机，用于获得过往车辆车牌号、车型、车长及正面轮胎半径、轮胎变形地平线及环境气温；

所述AI分析计算模块，用于根据后轮轮胎变形地平线长度和货车轮胎半径计算得到后轮载重轮胎平均变形系数，并与存储的货车超载轮胎变形系数值和倍数超载变形系数值进行比较，从而判断是否为超载或倍数超载嫌疑车辆；其中货车后轮载重轮胎变形系数为后轮轮胎变形地平线长度与货车轮胎半径的比值；后轮轮胎平均变形系数采用以下公式进行计算：

其中， Kn为货车第n个车轴的后轮载重轮胎变形系数，n＝2，3，…，N，N为货车总车轴数，Ln表示第n个车轴的后轮轮胎变形地平线的长度，Rn表示货车第n个车轴的后轮半径；

采用如下公式，计算货车重量和货车载重轮胎变形系数之间的关系：为同类型货车前轮载重轮胎变形系数，f(G)为随载重量变化而变化的前轮统计数据线性回归函数模型，G表示货车载重量；

为同类型货车后轮载重轮胎变形系数，p(G)为随载重量变化而变化的后轮统计数据线性回归函数模型；

根据货车类型确定货车载重上限值和倍数载重值，带入统计数据线性回归函数模型得到所述货车超载轮胎变形系数值和倍数超载变形系数值；所述统计数据线性回归函数模型根据同类型车辆在不同载重量下的后轮载重轮胎平均变形系数拟合得到；其中，统计并拟合同类型货车前轮载重变形系数相对装载重量的前轮统计数据线性回归函数模型，并与得到的后轮统计数据线性回归函数模型相除得到气压敏感性反应关系模型；将货车载重上限Gmax代入气压敏感性反应关系模型Q(G)＝p(G)/f(G)、f(G)和p(G)，得到正常敏感性界定阈值Q(Gmax)、前轮变形系数敏感性界定阈值 后轮变形系数敏感性界定阈值 若同类型货车通过路段视频分析检测点时，根据货车前轮载重轮胎变形系数和后轮载重轮胎平均变形系数得到实际敏感性值Q(G)，同时具备以下三个条件，则排除货车轮胎气压轻度不足造成的超载误判：

其中 K1为货车前轮载重轮胎变形系数，L1表示前轮轮胎变形地平线的长度，R1表示货车前轮半径；

7.根据权利要求6所述的无称重AI智能识别货车超载估算系统，其特征在于，所述AI分析计算模块采用边缘计算模式或云计算模式部署。

说明书

一种无称重AI智能识别货车超载估算方法、装置及系统

技术领域

[0001] 本发明涉及交通安全领域，具体涉及一种无称重AI智能识别货车超载估算方法及相关装置与系统。

背景技术

[0002] 超载车辆对交通安全、环境和道路尤其桥梁设施将造成重大危害，国内外政府交通管理部门都十分重视。近几年来，我国治超工作力度也愈来愈大。高速公路在入口处采取
过地秤称重的办法，超载现象得到了一定控制，但建设和维护成本较大，也有少部分半挂车
跳磅、拖磅通过收费亭；非收费公路由于没有收费匝道难以安装称重设备，即使可安装但覆
盖安装数量大、维护管理复杂，投资巨大。各级公安交警和交通运输路政等部门，每年都投
入大量人力物力，上路巡查或设站检查，但难以路网覆盖，防不胜防，货车超限超载现象仍
然比较严重，带来普遍性交通安全隐患。

发明内容

[0003] 发明目的：针对上述现有技术存在的问题，本发明的目的在于提供一种无称重AI智能识别货车超载估算方法及装置，以解决低成本、无车道导向引导、公路网无死角布控智
能监测严重超载车辆在技术性和经济性方面存在的难题。

[0004] 技术方案：为实现上述发明目的，本发明采用如下技术方案：

[0005] 一种无称重AI智能识别货车超载估算方法，所述方法包括如下步骤：

[0006] (1)获取同类型车辆在不同载重量下的后轮载重轮胎平均变形系数，并进行拟合得到对应的轮胎平均变形系数随载重量变化而变化的统计数据线性回归函数模型；其中货
车后轮载重轮胎变形系数为后轮轮胎变形地平线长度与货车轮胎半径的比值；

[0007] (2)根据货车类型确定货车载重上限值和倍数载重值，带入统计数据线性回归函数模型得到相应的货车超载轮胎变形系数值和倍数超载变形系数值；

[0008] (3)当待测车辆通过视频检测点时，根据后轮轮胎变形地平线长度和货车轮胎半径计算得到后轮载重轮胎平均变形系数，并与步骤(2)得到的系数值进行比较，从而判断是
否为超载或倍数超载嫌疑车辆。

[0009] 具体的，后轮轮胎平均变形系数采用以下公式进行计算：

[0010]

[0011] 其中， Kn为货车第n个车轴的后轮载重轮胎变形系数，n＝2，3，…，N，N为货车总车轴数，Ln表示第n个车轴的后轮轮胎变形地平线的长度，Rn表示货车第n个车轴的后
轮半径；

[0012] 采用如下公式，计算货车重量和货车载重轮胎变形系数之间的关系：

[0013] 为同类型货车前轮载重轮胎变形系数，f(G)为随载重量变化而变化的前轮统计数据线性回归函数，G表示货车载重量；

[0014] 为同类型货车后轮载重轮胎变形系数，p(G)为随载重量变化而变化的后轮统计数据线性回归函数。

[0015] 选择货车载重量G接近Gmax的样本数据(轻载重量样本数据不考虑)即取重量满足的货车作为统计样本，使用最小二乘法求出 和 采用以下公式计算统计
数据线性回归函数模型的标准误差S：

[0016]

[0017] 其中，Ki为样本中第i辆货车的后轮胎变形系数， 是对应所有样本的后轮胎变形系数平均值，i＝1，2，…，m。

[0018] 具体的，按照环境温度分别采集和拟合获得统计数据线性回归函数模型，以适应不同温度的检测，在不同环境温度下，使用相应的统计数据线性回归函数模型。

[0019] 具体的，统计并拟合同类型货车前轮载重变形系数相对装载重量的前轮统计数据线性回归函数模型，并与步骤(1)得到的后轮统计数据线性回归函数模型相除得到气压敏
感性反应关系模型；

[0020] 将货车载重上限Gmax代入气压敏感性反应关系模型Q(G)＝p(G)/f(G)、f(G)和p(G)，得到正常敏感性界定阈值Q(Gmax)、

[0021] 若同类型货车通过路段视频分析检测点时，根据货车前轮载重轮胎变形系数和后轮载重轮胎平均变形系数得到实际敏感性值Q(G)，同时具备以下三个条件，则排除货车轮
胎气压轻度不足造成的超载误判：

[0022] (1)当 时，可能存在轮胎轻度不足和超载两种情形，其中 K1为货车前轮载重轮胎变形系数，L1表示前轮轮胎变形地平线的长度，R1表示货车前轮半径；

[0023] (2)当 时，可能存在轮胎轻度不足和超载两种情形；

[0024] (3)当Q(G)＞Q(Gmax)时，则排除因轮胎气压轻度不足造成的误判。

[0025] 本发明还提供一种无称重AI智能识别货车超载估算装置，包括AI学习分析模块以及货车超载识别模块；

[0026] 所述AI学习分析模块，用于获取同类型车辆在不同载重量下的后轮载重轮胎平均变形系数，并进行拟合得到对应的轮胎平均变形系数随载重量变化而变化的统计数据线性
回归函数模型；以及根据货车类型确定货车载重上限值和倍数载重值，带入统计数据线性
回归函数模型得到相应的货车超载轮胎变形系数值和倍数超载变形系数值；其中货车后轮
载重轮胎变形系数为后轮轮胎变形地平线长度与货车轮胎半径的比值；

[0027] 所述货车超载识别模块，用于当待测车辆通过视频检测点时，根据后轮轮胎变形地平线长度和货车轮胎半径计算得到后轮载重轮胎平均变形系数，并与货车超载轮胎变形
系数值和倍数超载变形系数值进行比较，从而判断是否为超载或倍数超载嫌疑车辆。

[0028] 本发明还提供一种AI智能识别货车超载学习分析系统，包括车道汽车称重装置和车辆综合特征识别一体机及AI分析计算机；

[0029] 所述车道汽车称重装置，用于获取道路过往车辆称重计量；

[0030] 所述车辆综合特征识别一体机，用于获得对应过往车辆车牌号、车型、车长及正面轮胎半径、轮胎变形地平线及环境气温；

[0031] 所述AI分析计算机，用于获取同类型车辆在不同载重量下的后轮载重轮胎平均变形系数，并进行拟合得到对应的轮胎平均变形系数随载重量变化而变化的统计数据线性回
归函数模型；以及根据货车类型确定货车载重上限值和倍数载重值，带入统计数据线性回
归函数模型得到相应的货车超载轮胎变形系数值和倍数超载变形系数值；其中货车后轮载
重轮胎变形系数为后轮轮胎变形地平线长度与货车轮胎半径的比值。

[0032] 本发明还提供一种无称重AI智能识别货车超载估算系统，包括车辆综合特征识别一体机及AI分析计算模块；

[0033] 所述车辆综合特征识别一体机，用于获得过往车辆车牌号、车型、车长及正面轮胎半径、轮胎变形地平线及环境气温；

[0034] 所述AI分析计算模块，用于根据后轮轮胎变形地平线长度和货车轮胎半径计算得到后轮载重轮胎平均变形系数，并与存储的货车超载轮胎变形系数值和倍数超载变形系数
值进行比较，从而判断是否为超载或倍数超载嫌疑车辆；所述货车超载轮胎变形系数值和
倍数超载变形系数值根据货车类型确定货车载重上限值和倍数载重值，带入统计数据线性
回归函数模型得到；所述统计数据线性回归函数模型根据同类型车辆在不同载重量下的后
轮载重轮胎平均变形系数拟合得到。

[0035] 具体的，所述AI分析计算模块采用边缘计算模式或云计算模式部署。

[0036] 有益效果：与现有技术相比，本发明具有如下优点：一是本发明方法、装置及系统具有检测治理超载车辆的广泛实用性，破解广泛利用称重技术手段超载管控和影响道路畅
通的矛盾。现有车辆称重设备及技术系统需要安装在固定车道口或引入检查站点才能检测
货车是否超载，因各地各等级公路分布广泛，出入口四通八达，社会不允许在各公路出入口
都安装引导称重设备系统来检测管控超载货车而影响道路通行效率。二是本发明装置安装
简便，可针对各种桥梁或重点管控桥梁，全方位布点而又不影响正常交通，侦测和预警可能
通过的严重超载车辆，有效防止桥梁超载损害和桥梁交通事故。三是相对现有称重设备系
统，本发明装置系统及安装成本极低，后续运维成本更低，随着数据不断积累AI学习训练技
术运用使系统性更优。四是极大提高了低等级交通运输和公安交管执法人员道路超载管控
效率和安全性。

附图说明

[0037] 图1为本发明提供的学习分析系统的示意图；

[0038] 图2为轮胎承载变形的轮胎变形地平线的示意图；

[0039] 图3为货车前轮与后轮示意图；

[0040] 图4为本发明提供的货车AI视频识别超载边缘计算系统；

[0041] 图5为本发明提供的货车AI视频识别超载云计算系统。

具体实施方式

[0042] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅只是本发明的一部分实施例，而不是全部的实施例。基
于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的其他所有
实施例，都属于本发明保护的范围。

[0043] 依据《公路法》和《公路安全保护条例》以及《超限运输车辆行驶公路管理规定(交通运输部令2016年第62号)》，主要针对货车超载现象进行估算，超载标准如下：二轴货车，
其车货总质量超过18000千克；三轴货车，其车货总质量超过25000千克；三轴汽车列车，其
车货总质量超过27000千克；四轴货车，其车货总质量超过31000千克；四轴汽车列车，其车
货总质量超过36000千克；五轴汽车列车，其车货总质量超过43000千克；六轴及六轴以上汽
车列车，其车货总质量超过49000千克，其中牵引车驱动轴为单轴的，其车货总质量超过
46000千克。

[0044] 货车司机常识：货物运输万一轮胎气压不足极易造成轮胎损坏和发生交通安全事故。一般货车司机对出车前检查和补充轮胎气压相对非货车司机更高度重视，且对轮胎充
气方法、标准、气压检查知识掌握和判断能力及自觉性都较强。货车载重量对轮胎受力变形
构成直接影响，超载量越大变形影响越大。不同类型的货车超载，对轮胎受力变形影响程度
各有不同。

[0045] 基于上述依据和假设，本发明实施例公开的一种无称重AI智能识别货车超载估算方法，主要包括如下步骤：

[0046] 一、建立货车装载货物重量对轮胎变形影响统计模型

[0047] 假设某一类型货车装货物前的货车一般轮胎气压符合标准，通过某路段车道称重设备装置称重和学习分析装置车辆综合特征识别一体机检测轮胎图像尺寸(见图1)。称重
装置获得货车载重量为G(含空车自重)；车辆综合特征识别一体机视频检测计算出轮胎图
像半径为R、货车总车轴数N及因货车装载货物后轮胎发生明显变形压在路面上形成轮胎变
形地平线。前轮轮胎变形地平线的长度为L1，后轮的胎变形地平线的长度为LN(见图2和图
3)。那么： (K1为货车前轮载重轮胎变形系数)， (Kn为货车第n个车轴后
轮载重轮胎变形系数，n＝2，3，…，N，N为货车总车轴数)，那么：

[0048]

[0049] 式(1)中K为某货车后轮载重轮胎平均变形系数。

[0050] 假设M辆同类型货车通过某一路段都各有一组数值存在：Gj、K1j、Kj，(j＝1，2，3，……M)。那么，统计M辆货车通过某一固定路段路面检测计算出的一组数据关系模型为：

[0051]

[0052]

[0053] 式(2)、(3)分别为同类型货车前轮和后轮载重轮胎变形系数 和 随载重量变化而变化的统计数据线性回归函数。假设选择货车载重量G接近Gmax的样本数据(轻载重量
样本数据不考虑)即取 时的统计样本容量，此时使用最小二乘法求出 和
的拟合度较高，且样本数越大，边际误差越小。

[0054] 二、计算同类型货车超载轮胎变形系数阈值

[0055] 1、依据货车治超法规，确定某类型货车载重上限值Gmax和严重超载值G严重，分别代入上述公式(3)得相应 和 即为该类型货车超载和严重超载轮胎变形系数阈
值。

[0056] 2、当后续同类型车辆通过任何路段路测视频检测点时，无需称重，只要将车辆综合特征识别一体机检测的同类型货车轮胎半径Rn和变形参数Ln(n≥2)代入公式(1)得K值。

[0057] 当 或 时，说明该货车超载或严重超载；

[0058] 将K值代入公式(3)可估算出该货车载重量G，并估算超载倍数

[0059] 三、Kn计算误差和超载误判修正

[0060] 通过轮胎变形计算货车载重量主要存在以下误差误判情形：

[0061] 1.统计数据线性回归计算误差(与样本容量相关)。

[0062] 为了提高对货车超载识别的精确性，重点观测货车载重量G接近Gmax的样本数据(轻载重量样本数据不考虑)，可取 时的统计样本容量为m，则线性回归函数(3)
的标准误差为：

[0063]

[0064] Ki是同类货车 时第i辆货车的后轮胎变形系数， 是对应所有样本的后轮胎变形系数平均值，i＝1，2，…，m，样本越多，误差越小。

[0065] 2、环境温度检测误差修正方法。早中晚和季节变化等道路环境气温对轮胎气压及变形程度有一定影响。假设路面最高环境温度70度，最低零下40度，以20℃或10℃为一个单
位温度差区间，第1个温差区间零下30‑40℃、第2个温差区间为20‑30℃......以此类推直
至第11个温差区间为60‑70℃。

[0066] 在检测记录同类型货车K1和式(1)计算值K值时，同时也通过道路环境温度检测仪(见图1)记录的每一辆货车通过检测点当时的道路环境温度，按照11个温度差区间对同类
型货车全部样本数据进行分组，同上式(2)和式(3)方法分别求出每一个温度区间对应的同
类型车 和 随载重量变化而变化的统计数据线性回归函数：

[0067]

[0068]

[0069] 式(4)、(5)表示某同类型货车前轮和后轮载重轮胎变形系数 和 随着道路环境温度从零下40度到70度变化而变化的11对统计数据线性回归函数。其中，以温差10度为一
个温度区间单位，那么t＝t1，t2，……t11，t1表示零下30‑40℃、t2表示零下20‑30℃......以
此类推直至第t11即第11个温差区间为60‑70℃。

[0070] 同上方法，依据货车治超法规确定某类型货车载重上限值Gmax和严重超载值G严重，区别道路环境当时的温度区间分别对应代入上述公式(5)得相应 和 即为该
道路当时环境温度区间同类型货车超载和严重超载轮胎变形系数阈值。

[0071] 当后续同类型车辆通过任何路段视频分析检测点时(无需称重)，只需要将车辆综合特征识别一体机视频检测的同类型货车轮胎图像半径Rn和变形参数Ln代入公式(1)得K
值。

[0072] 当 或 时，说明该货车超载或严重超载；

[0073] 将K值代入公式(5)可估算出该货车载重量G，并估算超载倍数

[0074] 3、轮胎气压不足排除误判超载方法。货车司机在轮胎气压不足情况下一般不会出车拉货，明知轮胎气压不足允许超载拉货的情形一般不会发生，但个别货车司机认为不是
超载拉货便默认轮胎气压轻度不足可以出车或检查轮胎气压经验不足造成货车在轮胎气
压轻度不足时出车拉货的情形是可能发生的。因此，仅通过后轮的轮胎变形系数来判断是
否超载，容易造成检测误判(实际不超载被误判超载)，即当视频图像检测计算出现
时可能是超载也可能是轮胎气压轻度不足原因导致误判。用以下方法：

[0075] 货车载重量主要集中在车身后轮部分(一般前单轮后车身部分双轮)，在轮胎气压正常情况下，前轮较后轮对装载货物重量的变形敏感反应相对较弱，即随着货车载重量的
增加前轮变形系数比后轮变形系数增加少；而在轮胎气压轻度不足时，也没有超载拉货，不
仅前轮对装载货物重量的变形敏感反应明显，且后轮较前轮对装载货物重量的变形敏感反
应也更明显。由上述式(2)和式(3)得货车后轮相对前轮因载重量G变化而变形的敏感性反
应关系模型：

[0076]

[0077] 式(6)表示经过称重环境下统计和人工观察核验建立的货车轮胎气压正常时后轮相对前轮随载重量G变化而变形的敏感性关系函数，当Q(G)≈1时，G约等于货车自重。Q(G)
值越大，说明轮胎气压不足的可能性越大，反之可能性越小。

[0078] 将Gmax分别代入(2)、(3)、(6)式得 Q(Gmax)。

[0079] Q(Gmax)是在称重环境下(图1)通过对没有超载(G≤Gmax)且轮胎气压轻度不足时货车前后轮胎变形系数统计分析计算出的正常敏感性界定阈值，即一般货车在轮胎气压正常
情况下Q(G)≤Q(Gmax)。

[0080] 那么，后续同类型车辆某一辆货车通过路段视频分析检测点时(不需要称重设备)，只需同时具备以下三个条件便可排除该货车轮胎气压轻度不足造成的超载误判：

[0081] (1)当前轮胎变形系数 时，可能存在轮胎轻度不足和超载两种情形；

[0082] (2)当后轮胎变形系数 时，可能存在轮胎轻度不足和超载两种情形；

[0083] (3)当Q(G)＞Q(Gmax)时，便可排除因轮胎气压轻度不足造成的“假超载”误判。

[0084] 六、系统

[0085] 1、AI学习分析系统(见图1)。由车道汽车称重装置和A、B视角汽车综合特征识别一体机及AI分析计算机等三部分组成。车道汽车称重装置获得道路过往车辆称重计量G参数，
A、B视角汽车综合特征识别一体机获得对应过往车辆车牌号、车型、车长及正面轮胎半径R、
轮胎变形地平线L及环境气温等参数，AI分析计算机对获得数据进行学习分析建立上述
(1)、(2)、(4)、(5)数学模型和计算误差及修正系数模型。

[0086] 在图3中的车辆综合特征识别一体机，A视角正对着汽车侧面，可以获取车辆轮胎的正面图像，抓取车抽数、车长和轮胎尺寸等数据。此发明中关于汽车载重轮胎变形系数
(R为视频检测计算出的轮胎图像半径)的计算与轮胎与抓拍设备在有效可视范围
内的垂直距离变化无关；B视角侧面对着车头方向抓取车牌和车型等数据。

[0087] 2、图像分析识别货车超载系统(见图4和图5)。根据图1学习分析系统获得数据建模过程和训练优化成果，应用到其它道路场景，主要对货车超载进行AI图像分析识别，由车
辆综合特征识别一体机和AI分析计算部分组成。

[0088] 货车超载AI视频分析计算部分可以采用前沿边缘计算(见图4)和云计算两种模式(见图5)。

[0089] 边缘计算模式：车辆综合特征识别一体机(含道路环境温度检测仪)置于道路外侧，包括图像抓拍摄像机、补光和测温等设备于一体。AI分析计算部分由一台计算设备通过
局域网络或设备连线获取的车辆综合特征识别一体机抓取的数据，直接计算并输出是否超
载或严重超载的识别结果。

[0090] 云计算模式：车辆综合特征识别一体机(含道路环境温度检测仪)置于道路外侧，包括图像抓拍摄像机、补光和测温等设备于一体。AI分析计算部分部署在云服务器中，由云
计算服务器通过互联网发往云服务器的车辆综合特征识别一体机抓取的数据，进行分析计
算并输出是否超载或严重超载的识别结果。