[发明专利]自卸车篷布监测方法、装置、上位机及介质

权利要求书

1.一种自卸车篷布监测方法，其特征在于，应用于自卸车中，所述方法包括：

获取所述自卸车的顶部可见光图像以及所述自卸车的顶部红外图像；

从所述顶部可见光图像分割出第一目标篷布区域以及从所述顶部红外图像分割出第二目标篷布区域；

分别提取所述第一目标篷布区域的形态学特征和颜色特征以及所述第二目标篷布区域的形态学特征和颜色特征；

将所述第一目标篷布区域的形态学特征和颜色特征以及所述第二目标篷布区域的形态学特征和颜色特征融合后得到测试样本；

将所述测试样本输入预训练的k-NN分类算法网络模型，并输出所述测试样本的标签；

根据所述测试样本的标签判断所述自卸车的篷布是否完全覆盖且无破损；

若所述自卸车的篷布完全覆盖且无破损，则发出放行通知。

2.根据权利要求1所述的自卸车篷布监测方法，其特征在于，所述获取所述自卸车的顶部可见光图像以及所述自卸车的顶部红外图像之前，所述方法还包括：

获取所述自卸车的车牌信息；

根据车牌信息获取所述自卸车的车型信息以及训练样本集，所述车型信息包括完整篷布区域的面积、完整篷布区域的长、完整篷布区域的宽以及完整篷布区域的颜色特征。

3.根据权利要求2所述的自卸车篷布监测方法，其特征在于，所述将所述测试样本输入预训练的k-NN分类算法网络模型，并输出所述测试样本的标签之前，所述方法还包括：

获取所述测试样本与训练样本集中的各训练样本的距离；

从训练样本集中按照距离由小到大的顺序获取预设数量的测试样本作为目标测试样本；

通过各所述目标测试样本和所述训练样本集对预设的k-NN分类算法网络模型进行训练，得到所述预训练的k-NN分类算法网络模型。

4.根据权利要求1所述的自卸车篷布监测方法，其特征在于，所述从所述顶部可见光图像分割出第一目标篷布区域以及从所述顶部红外图像分割出第二目标篷布区域，包括：

对所述顶部可见光图像进行去噪处理，得到初始顶部可见光图像，对所述顶部红外图像进行去噪处理，得到初始顶部红外图像；

通过边缘检测的方法对所述初始顶部可见光图像进行图像分割，得到第一目标篷布区域；

通过RGB向量分割的方法对所述初始顶部红外图像进行图像分割，得到第二目标篷布区域。

5.根据权利要求1所述的自卸车篷布监测方法，其特征在于，所述分别提取所述第一目标篷布区域和所述第二目标篷布区域的形态学特征以及颜色特征，包括：

分别获取第一目标篷布区域的面积、第一目标篷布区域的长和第一目标篷布区域的宽以及第二目标篷布区域的面积、第二目标篷布区域的长和第二目标篷布区域的宽；

获取所述第一目标篷布区域的长和所述第一目标篷布区域的宽的乘积，得到第一最小外接矩形的面积，获取所述第二目标篷布区域的长和所述第二目标篷布区域的宽的乘积，得到第二最小外接矩形的面积；

计算所述第一目标篷布区域的面积和所述第一最小外接矩形面积的比值，得到第一矩形度，计算所述第二目标篷布区域的面积和所述第二最小外接矩形面积的比值，得到第二矩形度；

计算所述第一目标篷布区域的长和所述第一目标篷布区域的宽中的第一最大值和第一最小值的比值，得到第一伸长度，计算所述第二目标篷布区域的长和所述第二目标篷布区域的宽中的第二最大值和第二最小值的比值，得到第二伸长度；

分别获取第一目标篷布区域的颜色特征和第二目标篷布区域的颜色特征。

6.根据权利要求5所述的自卸车篷布监测方法，其特征在于，所述将所述第一目标篷布区域的形态学特征以及颜色特征和所述第二目标篷布区域的形态学特征以及颜色特征融合后得到测试样本，包括：

分别将所述第一目标篷布区域的面积和所述第二目标篷布区域的面积、所述第一矩形度和所述第二矩形度、所述第一伸长度和所述第二伸长度以及所述第一目标篷布区域的颜色特征和所述第二目标篷布区域的颜色特征进行基于加权平均法的特征融合，得到测试样本。