一种对称重信息进行可信度评分的方法及系统

摘要

本公开涉及一种对称重信息进行可信度评分的方法及系统。该方法包括通过称重单元获取车辆在行进过程中的称重信息；通过振动感测单元获取所述车辆在行进过程中的振动数据集；以及从所述振动数据集中提取至少两个振动数据，并将所述至少两个振动数据进行比较，以便对所述称重信息进行可信度评分。本公开利用振动感测单元获取的振动数据，并直接对振动数据进行分析比较，从而对称重信息的可信度评分，以便将可信度高的称重信息用于违法违规车辆执法中。

说明书

技术领域

本公开一般地涉及称重技术领域。具体地，本公开涉及一种对称重信息进行可信度评分的方法及系统。

背景技术

本部分旨在为权利要求书中陈述的本公开的实施方式提供背景或上下文。此处的描述可包括可以探究的概念，但不一定是之前已经想到或者已经探究的概念。因此，除非在此指出，否则在本部分中描述的内容对于本申请的说明书和权利要求书而言不是现有技术，并且并不因为包括在本部分中就承认是现有技术。

动态称重技术是指在车辆行进过程中对车辆进行称重的技术。动态称重装置被广泛应用于计重收费、超限检测等应用中，在交通管理、超限治理以及进出口监管中起到了重要的作用。其中，超限检测通常设置于高速道路。目前，高速称重系统通常包括称重平台、摄像头、车型识别等设备。当车辆正常行驶经过称重平台对其称重来检测行驶车辆是否超限，同时识别车辆的重量、车型、速度等信息。对于非正常驾驶行为，采用当前称重系统可能会导致称重不准确。

发明内容

为了至少解决上面的一个或多个技术问题，本公开提供一种对称重信息进行可信度评分的方法及系统。本公开实施例通过利用称重单元获取车辆的称重信息，利用振动感测单元获取车辆的振动数据集，通过对振动数据集进行分析比较，从而对称重信息的可信度进行评分，以便将可信度高的称重信息用于违法违规车辆执法中，避免执法过程中的纠纷。鉴于此，本公开在如下的多个方面提供相应的解决方案。

在第一方面，本公开提供一种对称重信息进行可信度评分的方法，包括：通过称重单元获取车辆在行进过程中的称重信息；通过振动感测单元获取所述车辆在行进过程中的振动数据集；以及从所述振动数据集中提取至少两个振动数据，并将所述至少两个振动数据进行比较，以便对所述称重信息进行可信度评分。

在一个实施例中，其中，将所述至少两个振动数据进行比较，以便对所述称重信息进行可信度评分包括：确定所述至少两个振动数据之间的第一相似度；根据所述第一相似度对所述称重信息进行可信度评分，所述可信度评分与所述第一相似度呈正相关。

在另一个实施例中，其中，将所述至少两个振动数据进行比较，以便对所述称重信息进行可信度评分还包括：基于所述至少两个振动数据获取至少两个特征数据；确定所述至少两个特征数据之间的第二相似度；根据所述第二相似度对所述称重信息进行可信度评分，所述可信度评分与所述第二相似度呈正相关。

在又一个实施例中，其中，所述特征数据至少包括对所述振动数据进行时频变换后获得的时频图。

在又一个实施例中，其中，基于以下任一计算所述第一相似度或者所述第二相似度：哈希算法、结构相似性算法或者神经网络。

在又一个实施例中，其中，所述神经网络包括孪生神经网络或者自动编码器网络。

在第二方面，本公开还提供一种对称重信息进行可信度评分的系统，包括：至少两个称重单元，用于获取车辆在行进过程中的称重信息；至少两个振动感测单元，用于获取所述车辆在行进过程中的振动数据集；以及数据处理单元，用于从所述振动数据集中提取至少两个振动数据，并将所述至少两个振动数据进行比较，以便对所述称重信息进行可信度评分。

在又一个实施例中，其中，所述称重单元至少包括板式称重装置、条式称重装置和/或石英称重装置。

在再一个实施例中，其中，所述振动感测单元至少包括加速度传感器、速度传感器和/或位移传感器。

根据本公开的实施例，通过利用称重单元获取车辆的称重信息，利用振动感测单元获取车辆的振动数据集，通过对振动数据集进行分析比较，从而对称重信息的可信度进行评分，以便将可信度高的称重信息用于违法违规车辆执法中，避免执法过程中的纠纷。进一步地，本公开实施例的振动数据集可以反映车辆的各种行驶特性，因此，通过分析车辆至少两个振动数据或者特征数据之间的相似度，可以获取可信度高的称重信息用于执法。进一步地，由于同时布置称重单元和振动感测单元，使得延长了本公开实施例的称重系统区域，可以感测到车辆整个周期的称重信息，从而提高了称重单元的称重精度。进一步地，本公开实施例采用振动传感器，相比于传统的称重装置而言，使得称重系统的成本较低。

附图说明

通过参考附图阅读下文的详细描述，本公开示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本公开的若干实施方式，并且相同或对应的标号表示相同或对应的部分其中：

图1是示出现有高速称重系统的示例性示意图；

图2是示出车辆沿路边行驶的示例性示意图；

图3是示出车辆绕过称重平台行驶的示例性示意图；

图4示出根据本公开实施例的对称重信息进行可信度评分的方法的示例性流程图；

图5示出根据本公开实施例的称重信息的示例性波形图；

图6示出根据本公开实施例的同一车辆经过振动感测单元A的示例性波形图；

图7示出根据本公开实施例的同一车辆经过传感器B的示例性波形图；

图8示出根据本公开实施例的另一车辆经过振动感测单元A的示例性波形图；

图9示出根据本公开实施例的另一车辆经过振动感测单元B的示例性波形图；

图10-图11示出根据本公开实施例的同一车辆经过第一组同位振动感测单元的示例性时频图；

图12-图13示出根据本公开实施例的同一车辆经过第二组同位振动感测单元的示例性时频图；

图14示出孪生神经网格模型的示例性示意图；

图15示出根据本公开实施例的对称重信息进行可信度评分的系统的示例性结构框图；以及

图16示出根据本公开实施例的称重单元和振动感测单元布局的示例性示意图。

具体实施方式

下面将参考若干示例性实施方式来描述本公开的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本公开，而并非以任何方式限制本公开的范围。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。

动态车辆称重是指通过测量和分析轮胎动态力来测量一辆运动中的车辆的总重和/或部分重量。动态称重系统通常至少包括一组传感器和包含软件的电子仪器组成，以便测量动态轮胎力、轮重、轴重或者总重。根据设备适应的速度范围，可以分为高速称重系统和低速称重系统。动态车辆称重通常可应用于例如计重收费、高速超限管理等多个场景中。其中，高速称重系统主要应用于高速道路的非现场超限超载执法场景中，可以对0～120km/h速度范围的车辆进行称重，该称重结果可能作为以后的执法依据。因此，高速称重系统的称重精度尤为重要。

图1示出现有高速称重系统的示例性示意图。如图1所示，在沿车辆行驶方向上的路面基础1上布置有称重平台2，称重平台2沿车辆行驶方向的前方设置有龙门架3。在龙门架3的顶部安装有识别设备4。其中，称重平台2处通常布置板式称重传感器、条式称重传感器或者石英称重传感器。同时，称重平台2可以通过有线或无线连接电子仪器和/数据处理装置(图中未示出)。识别设备4通常包括摄像机装置、轮廓识别装置以及电子显示屏等设备。

当车辆5沿行驶方向正常行驶经过称重平台2时，称重平台2感测车辆经过时的压力信号，感测到的压力接着可以传送到电子仪器和/或数据处理装置，以对压力信号进行分析、处理，从而获得车辆经过时的称重数值。同时，摄像机装置对车辆的车牌号码以及道路实况进行抓拍；轮廓识别装置扫描车辆轮廓等信息，并通过电子显示屏进行信息发布。此外，还通过后台处理器接收车辆的称重数值以及车辆的车辆信息，并将其与数据库中预存的数据比对，以判断当前车辆的型号、大小、自重，从而得出其尺寸是否超限、重量是否超载。

结合上述图1描述可知，采用现有高速称重系统可以实现车辆称重，并基于其重量和车型信息判断车辆是否超限或超载，但是也存在如下缺陷。

在一个方面，车辆在行驶过程中，由于车辆本身的减震结构和路面基础的影响，车辆自身也会发生振动，其振动的频率一般为1-3Hz。在现有的称重系统中的称重平台沿车辆行驶方向上的尺寸(例如长度)通常为1-4m，当车辆以较高速度通过较短范围内的称重平台时，称重平台可能不会覆盖车辆的整个振动周期，从而导致称重系统的称重数值不准确。

在另一个方面，现有的称重系统需要安装多个识别设备至龙门架或者道路两侧的立杆，从而造成安装和维护不便。此外，称重系统车型轮廓识别通常采用激光传感器等扫描技术，使得称重系统的成本较高。

在又一个方面，当车辆非正常行驶经过称重平台时，例如，车辆驾驶员有意在称重平台采取突然加速、减速或者绕“S”等作弊行为时，使得车辆重心转移而导致称重系统的称重精度降低。

具体地，当车辆驾驶员有意在称重平台突然加速，此时由于惯性车辆向前行驶而重心向后转移，使得车辆的后轮抓地力增大，车辆前轮的对于地面的附着力降低，从而导致车辆后轮重量较重，前轮重量较轻。由此造成称重平台的称重不准确。

与上述加速相反，当车辆驾驶员有意在称重平台踩刹车减速，车辆的重心向前转移，使得车辆的前轮抓地力增大，车辆的后轮对于地面的附着力降低，从而导致车辆的前轮较重，车辆的后轮变轻，同样造成称重平台的称重不准确。

由于称重平台布置时可能与路边留有间隙(如图2所示)，或者称重平台只布置在半个车道上(如图3所示)，车辆驾驶员有意绕开称重平台行驶。例如图3中所示，车辆的一侧的车轮沿着图中箭头碾压路边间隙行驶，或者例如4中所示，车辆沿着箭头方向绕过称重平台2以避免碾压称重平台，使得称重平台的数值减小而导致无法获取车辆的准确重量，从而不能正确识别违法违规车辆。需要理解的是，这里所述的绕“S”并非限定车辆的行进轨迹为S形，而是可以指任何规则和非规则的转弯行进动作。

有鉴于此，为了克服上述一个或多个方面的缺陷，本公开提供一种对称重信息进行可信度评分的方法及系统。本公开实施例通过利用称重单元获取车辆的称重信息，利用振动感测单元获取车辆的振动数据，通过对振动数据进行分析比较，从而对称重信息的可信度进行评分，以便利用更可靠的称重信息来识别违法违规车辆。

下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。

图4示出根据本公开实施例的对称重信息进行可信度评分的方法400的示例性流程图。如图所示，在步骤402处，通过称重单元获取车辆在行进过程中的称重信息。在一个实施例中，称重单元可以是板式称重装置、条式称重装置或者石英称重装置中的一种或者几种。可以理解，车辆行驶经过路面板块时，由于车辆轴重或者轴组重使得路面板块发生形变，该形变的大小与车辆轴重或者轴组重相关。由此，称重单元可以采集到与路面板块形变相关的信号，更为具体地，称重单元感测到的形变相关信号是路面板块的弯曲变形产生的拉伸和压缩而导致的水平方向的形变位移，例如图5所示。

图5示出根据本公开实施例的称重信息的示例性波形图。图中横坐标表示时间，纵坐标表示形变位移，该形变位移可以是由条式称重装置获取。车辆的称重信息G可以通过如下公式获取：

G＝v·∑s

其中，G表示车辆的称重信息，也即车辆的重量，v表示车辆的速度，s

返回图4，在步骤404处，通过振动感测单元获取车辆在行进过程中的振动数据集，该振动数据集可以反映车辆的行驶特性，例如匀速、加速、减速或者绕S行驶。在一个实施例中，振动感测单元可以是速度传感器、加速度传感器和位移传感器中一种或者几种。

经过分析，车辆行驶通过路面板块时的主要振动包括以下几类：车辆的轴重给路面板块的形变；车身自身的俯仰振动传递给路面；车轮部分振动的固有频率；以及车轮的轮胎花纹、发动机振动、变速箱等给路面的激励。更进一步分析，车辆的轴重给板块的形变又可以包括两部分：重量带给板块的形变，其表现为超低频的信号；其次为重物对板块的冲击带来的板块振动，这部分振动的频率与速度相关。由此，振动数据集可以反映车辆是匀速、加速、减速或者绕S行驶。

基于获取的振动数据集，在步骤406处，从振动数据集中提取至少两个振动数据，并将至少两个振动数据进行比较，以便对称重信息进行可信度评分。在一个实施例中，该振动数据由同位振动感测单元获取,例如图6-图9所示。可以理解，同位振动感测单元包括不同排的相对位置相同的振动感测单元(例如图16中的振动感测单元A和振动感测单元B或者振动感测单元C和振动感测单元D)。

图6示出根据本公开实施例的同一车辆经过振动感测单元A的示例性波形图。图7示出根据本公开实施例的同一车辆经过传感器B的示例性波形图。其中，图6和图7中的横坐标表示时间，纵坐标表示幅值。取决于振动传感器的类型，当传感器是加速度传感器时，该幅值为加速度；当传感器是速度传感器时，该幅值为速度；当传感器是位移传感器时，该幅值为位移。振动感测单元A和振动感测单元B属于同位振动感测单元，由图6和图7可以看出，车辆经过振动感测单元A和振动感测单元B时的振动数据相似。在该场景下，可以认为车辆是匀速行驶。

图8示出根据本公开实施例的另一车辆经过振动感测单元A的示例性波形图。图9示出根据本公开实施例的另一车辆经过振动感测单元B的示例性波形图。其中，图8和图9中的横坐标表示时间，纵坐标表示幅值。取决于振动传感器的类型，当传感器是加速度传感器时，该幅值为加速度；当传感器是速度传感器时，该幅值为速度；当传感器是位移传感器时，该幅值为位移。振动感测单元A和振动感测单元B属于同位振动感测单元，由图8和图9可以看出，车辆经过振动感测单元A和振动感测单元B时的振动数据不同。在该场景下，可以认为车辆非匀速行驶(加速、减速或者绕S行驶)。

在一个实施例中，通常在沿车辆行驶方向的称重系统的两侧设置分车设备，例如可以采用线圈来分离车辆。由于车辆是金属，因此，当有车辆经过线圈时会有电流产生，其周围磁场发生变化，以此来对车辆进行分离，以获得每辆车经过称重系统时的称重数据和振动数据集。

在一个实施场景中，可以直接基于振动数据集中提取的至少两个振动数据来进行比较，通过比较同位振动感测单元获取的至少两个振动数据的第一相似度，进一步地，根据第一相似度来对车辆的称重信息的可信度进行评分。

在另一个实施场景中，也可以从同位振动感测单元获取的至少两个振动数据提取其特征数据，从而通过确定至少两个特征数据之间的第二相似度，以便基于第二相似度来对车辆的称重信息的可信度进行评分。该特征数据可以是对振动数据进行时频变换后的时频图，该特征数据也可以是车辆的行驶速度、行驶加速度或者行驶幅值，本公开对此不作限制。

更为具体地，可以采用短时傅里叶变换对振动数据进行时频变换，来获取振动数据的时频作为特征数据。其中，短时傅里叶变换具体的公式表示如下：

其中，s(t)表示采集的振动数据，h(t)表示窗函数，该窗函数在区间-1≤t≤1时h(t)＝1+cosπt，当|t|>1时，h(t)＝0。移动窗函数，可以使s(t)h(τ-t)在不同的有限时间宽度内是平稳信号，从而便于分析。本领域技术人员可以根据需要设置窗函数。此外，本领域技术人员还傅里叶变换或者小波变换来进行时频变换，本公开实施例不作限制。基于此，获得振动数据的时频图，例如图10-13所示。

图10-图11示出根据本公开实施例的同一车辆经过第一组同位振动感测单元的示例性时频图。图10可以是示出同一车辆经过振动感测单元A的时频图，图11可以是示出同一车辆经过振动感测单元B的时频图。图中横坐标表示时间，纵坐标表示频率。该时频图中还可以获取车辆在不同时刻、不同频率下的振动强弱。

图12-图13示出根据本公开实施例的同一车辆经过第二组同位振动感测单元的示例性时频图。图10可以是示出同一车辆经过振动感测单元C的时频图，图11可以是示出同一车辆经过振动感测单元D的时频图。图中横坐标表示时间，纵坐标表示频率。该时频图中还可以获取车辆在不同时刻、不同频率下的振动强弱。

结合上述描述，本领域技术人员可以直接基于振动感测单元获取的振动数据来计算第一相似度，也可以基于振动数据变换的特征数据(例如时频图)来计算第二相似度。在一个实施例中，可以利用例如哈希算法、结构相似性算法或者神经网络来确定第一相似度或者第二相似度，本公开对此不作限制。

可以理解，哈希算法(也即hash算法)包括平均哈希算法(aHash)、感知哈希算法(pHash)和差异哈希算法(dHash)，前述三种哈希算法都是首先获取两张图片的hash值，接着比较两张图片的hash值的汉明距离来确定两张图片的相似度，当计算的汉明距离越小时，表示两张图片越相似，也可以认为两张图片的相似度越高。本公开实施例中可以利用哈希算法来计算例如图10-图11示出和/或图12-图13的时频图的相似度。

以平均哈希算法为例，更为具体地，首先统一时频图的尺寸(例如统一的尺寸大小为8*8的矩阵)，本领域技术人员可以根据需要设置合适的尺寸，本公开对此不作限制。接着，将统一尺寸后的时频图转成灰度图，并表示成矩阵形式，矩阵中的每个元素值都利用0-255范围内的数值表示。然后计算每个时频图(矩阵)的所有灰度值(元素值)的平均灰度值。然后将矩阵中大于平均灰度值的元素值置为1，矩阵中小于平均灰度值的元素值置为0。基于前述处理后，每个矩阵中只包括0和1。最后，对两个矩阵进行异或运算。本领域技术人员所知，异或运算表示成两个值相同，异或结果为0；两个值不相同，异或结果为1，例如矩阵中的“1”和“0”异或结果为1，“0”和“0”或者“1”和“1”的异或结果为0。进一步地，通过统计两个矩阵的异或运算结果中的1的个数，获得的1的个数则为汉明距离。

与上述描述的平均哈希算法不同，感知哈希算法是基于离散余弦变换来获取时频图的hash值，来计算汉明距离。与平均哈希算法和感知哈希算法不同，差异哈希算法中不计算矩阵的平均值，而是计算差分矩阵，从而获取汉明距离，并且平均哈希算法和感知哈希算法相比，差异哈希算法的运算速度更快，处理的效果更好，也即结果更准确。本领域技术人员可以根据需求进行选择，本公开不作限制。

基于此，可以用汉明距离的值表示第二相似度，通常认为，汉明距离小于10，由振动数据获取的特征数据(时频图)的第二相似度高，从而获得的车辆的称重信息的可信度高。

在一个实施场景中，也可以采用结构相似性算法来计算时频图的第二相似度。更为具体地，结构相似性可以基于如下公式表示：

其中，SSIM(x,y)表示时频图x和时频图y的结构相似性，μ

根据上述描述的结构相似性算法获得的值通常在-1至1之间，当两张图越相似，获得的结构相似性的值越接近1。由此，基于结构相似性算法也可以获得振动数据获取的特征数据(时频图)的第二相似度，第二相似度越接近1，表示车辆的称重信息的可信度越高。

在另一些实施例中，可以直接将至少两个振动数据或者至少两个特征数据输入神经网络中，从而经过神经网络获得第一相似度或者第二相似度。本领域技术人员可以采用孪生神经网络或者自动编码器网络来确定相似度。以孪生神经网格为例，将至少两个振动数据或者至少两个特征数据作为孪生神经网格的输入，例如图14所示。

图14示出孪生神经网格模型1400的示例性示意图。图中孪生神经网格模型1400包括神经网络1401和神经网络1402，神经网络1401以第一数据1403作为输入，神经网络1402以第二数据1404作为输入。第一数据1403和第二数据1404是本公开实施例中的振动数据或者特征数据，振动数据或者特征数据分别通过神经网络1401和神经网络1402进行特征提取。在该场景下，神经网络1401和神经网络1402提取的特征可能不在同一个域内。由此，孪生神经网络中的神经网络1401和神经网络1402共用一个权值W，并分别计算每个神经网络的输入。当两个输入数据相似，其标签为1；当两个输入数据不相似，其标签为0。基于输出与真实标签进行例如交叉熵运算，可以作为孪生神经网络最后的输出1405。通过输出1405的结果，来确定振动数据或者特征数据的第一相似度或者第二相似度。

可以理解，经过孪生神经网络的结果为0或1，当结果为0时，表示振动数据或者特征数据的第一相似度或者第二相似度低，从而降低了车辆的称重信息的可信度；反之，则表示振动数据或者特征数据的第一相似度或者第二相似度高，从而提升了车辆的称重信息的可信度。附加地，本领域技术人员也可以利用自动编码器网络来获取相似度，以便对车辆的称重信息的可信度评分，本公开实施例对此不作限制。

根据上述任一算法可以获取两个振动数据或者特征数据之间的相似度，同时也可以获取多个振动数据或者特征数据之间的相似度。具体地，可以将多个振动数据或者特征数据之间的相似度进行加权求和，并基于加权求和后的相似度来对车辆的称重信息进行可信度评分。

基于上述描述，本公开实施例通过称重单元获取车辆的称重信息，同时利用振动感测单元获取车辆的振动数据集，通过对振动数据集中的振动数据或者特征数据进行相似度比较，来对车辆的称重信息的可信度评分。例如，当车辆匀速直线行驶时，同位振动感测单元获取的振动数据或者特征数据基本一致，在该场景下，振动数据或者特征数据之间的相似度高。其中，可以基于哈希算法计算的汉明距离小于10，或者基于结构相似性算法的结构相似性接近1，又或是基于神经网络的输出结果为1来表示振动数据或者特征数据之间的相似度高。对应地，车辆的称重信息的可信度高。

需要理解的是，当车辆匀速非直线行驶时，容易导致同位振动感测单元获取的振动数据或者特征数据存在较大差别，基于振动数据或者特征数据之间计算的相似度低。在该场景下，由于车辆匀速行驶，也可以认为车辆的称重信息的可信度高。这样的振动数据例如可以通过与同位传感器相邻的其他传感器来获得。但是，由于车辆未行驶直线，车辆的车称重信息的可信度可以被设置为略低于匀速直线行驶时获得的称重信息。

当车辆非匀速行驶时，例如包括车辆加速、减速或者绕S行驶中的一种或者多种，同位振动感测单元获取的振动数据或者特征数据不一致，从而导致振动数据或者特征数据之间的相似度低，也即振动数据或者特征数据之间基于哈希算法计算的汉明距离大于10，或者基于结构相似性算法的结构相似性接近-1，又或是基于神经网络的输出结果为0。在该场景下，车辆的称重信息的可信度低。

根据本公开实施例，可以将称重信息及其可信度用于违法违规车辆执法中，更准确的识别违法违规车辆，从而不必对所有车辆都进行称重，减少了后续的数据分析量和工作负担。

图15示出根据本公开实施例的对称重信息进行可信度评分的系统1500的示例性结构框图。该系统1500包括至少两个称重单元1501、至少两个振动感测单元1502以及数据处理单元1503。

称重单元1501用于获取车辆在行进过程中的称重信息。在一个实施例中，称重单元至少包括板式称重装置、条式称重装置和/或石英称重装置中的一种或者多种。

振动感测单元1502用于获取车辆在行进过程中的振动数据集，振动数据集反映车辆的行驶特性。在一个实施例中，振动感测单元至少包括加速度传感器、速度传感器和/或位移传感器中的一种或者多种。

数据处理单元1503用于从振动数据集中提取至少两个振动数据，并将所述两个振动数据进行比较，以便对称重信息进行可信度评分。更为具体地，将两个振动数据或者从振动数据中提取的至少两个特征数据进行相似度比较，根据相似度的高低来对称重信息进行评分。

在一个实施场景中，可以在车辆行驶方向上布置至少两个称重单元以及至少两个振动感测单元，称重单元和振动感测单元的位置可以是任意的，本公开对此不作限制，例如图16示出一种布置方式。

图16示出根据本公开实施例的称重单元和振动感测单元布局的示例性示意图。图中相对于车道6方向左右布置有第一组称重单元7和第二组称重单元8，第一组称重单元7和第二组称重单元8中各示出三个称重单元。每个称重单元交错布置，并且都垂直于车道6平行布置。在一个实施例中，称重单元至少包括板式称重装置、条式称重装置和/或石英称重装置，该图中示出条式称重装置。

图中车道6上还布置有多排振动感测单元9，每排振动感测单元9布置成与每个称重单元对齐。图中每排振动感测单元9中示出三个振动感测单元。在一个实施例中，振动感测单元至少包括加速度传感器、速度传感器和/或位移传感器。在一个实施例中，每个传感器在路面基础中的位置和深度设置成使得每个传感器感测到的振动信号保持一致性。图中振动感测单元A和振动感测单元B属于第一组同位振动感测单元，图中振动感测单元C和振动感测单元D属于第二组同位振动感测单元。

基于上述描述可知，同一车辆匀速经过振动感测单元A和振动感测单元B或者振动感测单元C和振动感测单元D时，表示车辆的行驶速度一致，行驶方向一致，此时振动感测单元A和振动感测单元B或者振动感测单元C和振动感测单元D处采集的振动数据或者特征数据基本一致(例如上述图6-图7)。由此，基于振动数据或者特征数据获得的第一相似度或者第二相似度较高，从而提升了车辆的称重信息的可信度。需要理解的是，当车辆匀速经过振动感测单元A和振动感测单元C时，此时车辆的行驶方向改变，但称重信息的可信度仍然高。

当车辆非匀速行驶(例如加速和/或减速)经过振动感测单元A和振动感测单元C或者振动感测单元D时，此时比较振动感测单元A和振动感测单元B的振动数据或者特征数据时，由于车辆行驶速度和行驶方向改变而导致振动数据或者特征数据不一致(例如上述图8-图9)。在该场景下，基于振动数据或者特征数据获得的第一相似度或者第二相似度较低，从而降低了车辆的称重信息的可信度。

本公开实施例基于上述描述对称重单元和振动感测单元进行布局，可延长称重系统的检测区域，使得在称重区域内获得车辆完整周期的信号，从而提高称重精度。此外，本公开实施例允许混合各种称重单元和振动感测单元，为系统设计人员提供了更多种选择，以便综合考虑称重精度和建造成本。需要理解的是，图16仅仅是示例性示意图，本公开实施例对称重单元和振动感测单元的具体位置以及数量不作限制。优选地，称重单元和振动感测单元被设置为与路面基础平齐，或者略高于路面基础，而低于路面基础会导致车辆振动大，从而增大了称重误差。附加地，振动感测单元还9可以设置在路侧或者沿车道6方向的前后位置，也可以利用前后位置中的同位振动感测单元(例如图中振动感测单元E和振动感测单元F),本公开不作限制。

根据本公开实施例，通过比较同位振动感测单元获取的振动数据或者特征数据之间的相似度，来评估车辆的称重信息的可信度，有利于以定性的方式快速确定目标车辆作弊的可能性以及作弊的类型。例如，当车辆作弊的可能性较低时，则可以使目标车辆快速通过，而无需进行准确的称重；而当车辆作弊的可能性较高时，则可以对目标车辆进行第二次称重，以得到该目标车辆相对较为准确的重量。通过本公开的技术方案，无需对全部车辆进行准确称重，而只需要对其中可信度较低的目标车辆进行二次称重。这样的技术方案极大地降低了进行准确沉重的次数，显著地增加了车辆的通过性，提升了道路通行的效率。

应当注意，尽管在附图中以特定顺序描述了本公开方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，流程图中描绘的步骤可以改变执行顺序。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。

应当理解，本公开的权利要求、说明书及附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。本公开的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本公开说明书中所使用的术语仅仅是出于描述特定实施例的目的，而并不意在限定本公开。如在本公开说明书和权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当进一步理解，在本公开说明书和权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本说明书和权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

虽然本文已经示出和描述了本披露的多个实施例，但对于本领域技术人员显而易见的是，这样的实施例只是以示例的方式来提供。本领域技术人员可以在不偏离本披露思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本披露的过程中，可以采用对本文所描述的本披露实施例的各种替代方案。所附权利要求书旨在限定本披露的保护范围，并因此覆盖这些权利要求范围内的等同或替代方案。