【技術實現步驟摘要】
本專利技術涉及工程車輛清洗，尤其公開了一種工程車輛的智能清洗方法及系統。
技術介紹
1、隨著工程建設的快速發展，工程車輛(如渣土車、大型貨車、挖掘機、裝載機、攪拌車等)在各類施工現場扮演著至關重要的角色。然而，這些車輛在使用過程中極易沾染泥土、油污等頑固污漬，傳統的手工清洗方式不僅效率低下，而且勞動強度大，難以滿足現代施工的高效與環保需求。
2、因此，本專利技術旨在提供一種工程車輛的智能清洗裝置，通過自動化、智能化的技術手段，實現工程車輛的高效、徹底、環保清洗。
技術實現思路
1、本專利技術提供了一種工程車輛的智能清洗方法及系統，旨在解決上述現有技術中存在的至少一種缺陷。
2、本專利技術的一方面涉及一種工程車輛的智能清洗方法，包括以下步驟：
3、捕獲當前待清洗工程車輛的車輛表面圖像，并對車輛表面圖像進行預處理，獲取車輛圖像數據；
4、根據車輛圖像數據和訓練好的機器學習模型，獲取工程車輛的污漬識別結果和車型信息；
5、基于污漬識別結果和車型信息，綜合計算出最優的清洗方案，智能調整清洗參數；
6、實時監測清洗狀態并檢測異常情況，當出現水源不足、機器故障時，則立即發出警報并采取相應的處理措施。
7、進一步地，捕捉當前待清洗工程車輛的車輛表面圖像，并對車輛表面圖像進行預處理，獲取車輛圖像數據的步驟包括：
8、圖像采集：使用多光譜相機捕獲當前待清洗工程車輛的車輛表面圖像；
9、噪聲去除
10、圖像增強：調整車輛表面圖像對比度和亮度，增強污漬特征；
11、在噪聲去除的步驟中，采用高斯核去除車輛表面圖像的圖像的噪聲：
12、
13、其中，g(x，y)是高斯核，(x，y)是像素坐標，σ是標準差。
14、進一步地，根據車輛圖像數據和訓練好的機器學習模型，獲取工程車輛的污漬識別結果和車型信息的步驟包括：
15、模型訓練：使用卷積神經網絡對機器學習模型進行訓練；
16、模型評估：使用驗證集評估機器學習模型性能；
17、部署：將訓練好的機器學習模型部署到實際工程車輛清洗應用中；
18、污漬分類：將提取的工程車輛的污漬識別結果和車型信息的特征輸入機器學習模型的分類器中，識別污漬類型；
19、區域分割：基于污漬類型或顏色差異，將車輛表面圖像分割成不同的污漬區域；
20、污染程度評估：計算各污漬區域中污漬的覆蓋面積、密度或強度指標，獲取工程車輛的污漬識別結果；
21、模型訓練步驟中，使用交叉熵損失函數訓練機器學習模型，交叉熵損失函數為：
22、
23、其中，l是交叉熵損失，n是樣本數，m是類別數，yic是真實標簽，pic是預測概率。
24、進一步地，污漬識別結果和車型信息包括車輛形狀和污漬分布，基于污漬識別結果和車型信息，綜合計算出最優的清洗方案，智能調整清洗參數的步驟中，根據車輛形狀和污漬分布，自動調整噴淋角度和強度，對工程車輛進行精細化清洗。
25、進一步地，污漬識別結果和車型信息包括污漬類型、分布區域和污染程度，污漬識別結果和車型信息包括車輛形狀和污漬分布，基于污漬識別結果和車型信息，綜合計算出最優的清洗方案，智能調整清洗參數的步驟包括：
26、參數映射：根據污漬類型、分布區域和污染程度，建立清洗參數的映射規則；
27、參數調整：基于洗參數的映射規則，動態調整清洗劑種類、濃度、噴灑量及清洗時間；
28、輸出推薦：根據污漬類型、分布區域和污染程度，輸出推薦的洗車材料及其使用建議；
29、實時監測：實時監測清洗效果和水質狀況，當發現清洗效果不佳或水質惡化時，則自動調整清洗參數；
30、參數調整的步驟中，清洗劑濃度c根據污染程p進行調整：
31、c＝cbase+α·p
32、其中，c是清洗劑濃度，cbase是基礎濃度，α是調整系數，p是污染程度指標；
33、噴灑量q和清洗時間t相應調整，考慮污漬區域面積a：
34、
35、t＝tbase+β·a
36、其中，q是噴灑量，t是清洗時間，a是污漬區域面積，qbase和tbase分別是基礎噴灑量和時間，aref是參考面積，β是時間調整系數；
37、輸出推薦的步驟中，輸出的洗車材料的綜合評分為：
38、
39、其中，scorei是第i種洗車材料的綜合評分，n是考慮的環境因素數量；wj是第j個環境因素的權重；fij(χj)是第i種材料在第j個環境因素χj下的適應度函數；χj是第j個環境因素的當前值。
40、本專利技術的另一方面涉及一種工程車輛的智能清洗系統，包括：
41、第一獲取模塊，用于捕獲當前待清洗工程車輛的車輛表面圖像，并對車輛表面圖像進行預處理，獲取車輛圖像數據；
42、第二獲取模塊，用于根據車輛圖像數據和訓練好的機器學習模型，獲取工程車輛的污漬識別結果和車型信息；
43、智能調整模塊，用于基于污漬識別結果和車型信息，綜合計算出最優的清洗方案，智能調整清洗參數；
44、監測處理模塊，用于實時監測清洗狀態并檢測異常情況，當出現水源不足、機器故障時，則立即發出警報并采取相應的處理措施。
45、進一步地，第一獲取模塊包括：
46、圖像采集單元，用于使用多光譜相機捕獲當前待清洗工程車輛的車輛表面圖像；
47、噪聲去除單元，用于應用濾波器去除對車輛表面圖像的圖像噪聲；
48、圖像增強單元，用于調整車輛表面圖像對比度和亮度，增強污漬特征；
49、在噪聲去除單元中，采用高斯核去除車輛表面圖像的圖像的噪聲：
50、
51、其中，g(x，y)是高斯核，(x，y)是像素坐標，σ是標準差。
52、進一步地，第二獲取模塊包括：
53、模型訓練單元，用于使用卷積神經網絡對機器學習模型進行訓練；
54、模型評估單元，用于使用驗證集評估機器學習模型性能；
55、部署單元，用于將訓練好的機器學習模型部署到實際工程車輛清洗應用中；
56、污漬分類單元，用于將提取的工程車輛的污漬識別結果和車型信息的特征輸入機器學習模型的分類器中，識別污漬類型；
57、區域分割單元，用于基于污漬類型或顏色差異，將車輛表面圖像分割成不同的污漬區域；
58、污染程度評估單元，用于計算各污漬區域中污漬的覆蓋面積、密度或強度指標，獲取工程車輛的污漬識別結果；
59、模型訓練單元中，使用交叉熵損失函數訓練機器學習模型，交叉熵損失函數為：
60、
61、其中，l是交叉熵損失，n是樣本數，m是類別數，yic是真實標簽，本文檔來自技高網...
【技術保護點】
1.一種工程車輛的智能清洗方法，其特征在于，包括以下步驟：
2.如權利要求1所述的工程車輛的智能清洗方法，其特征在于，所述捕捉當前待清洗工程車輛的車輛表面圖像，并對所述車輛表面圖像進行預處理，獲取車輛圖像數據的步驟包括：
3.如權利要求1所述的工程車輛的智能清洗方法，其特征在于，所述根據所述車輛圖像數據和訓練好的機器學習模型，獲取工程車輛的污漬識別結果和車型信息的步驟包括：
4.如權利要求3所述的工程車輛的智能清洗方法，其特征在于，所述污漬識別結果和車型信息包括車輛形狀和污漬分布，所述基于所述污漬識別結果和車型信息，綜合計算出最優的清洗方案，智能調整清洗參數的步驟中，根據車輛形狀和污漬分布，自動調整噴淋角度和強度，對工程車輛進行精細化清洗。
5.如權利要求3所述的工程車輛的智能清洗方法，其特征在于，所述污漬識別結果和車型信息包括污漬類型、分布區域和污染程度，所述污漬識別結果和車型信息包括車輛形狀和污漬分布，所述基于所述污漬識別結果和車型信息，綜合計算出最優的清洗方案，智能調整清洗參數的步驟包括：
6.一種工程車輛的智能清
7.如權利要求6所述的工程車輛的智能清洗系統，其特征在于，所述第一獲取模塊包括：
8.如權利要求6所述的工程車輛的智能清洗系統，其特征在于，所述第二獲取模塊包括：
9.如權利要求8所述的工程車輛的智能清洗系統，其特征在于，所述智能調整模塊中，根據車輛形狀和污漬分布，自動調整噴淋角度和強度，對工程車輛進行精細化清洗。
10.如權利要求8所述的工程車輛的智能清洗系統，其特征在于，所述智能調整模塊包括：
...【技術特征摘要】
1.一種工程車輛的智能清洗方法，其特征在于，包括以下步驟：
2.如權利要求1所述的工程車輛的智能清洗方法，其特征在于，所述捕捉當前待清洗工程車輛的車輛表面圖像，并對所述車輛表面圖像進行預處理，獲取車輛圖像數據的步驟包括：
3.如權利要求1所述的工程車輛的智能清洗方法，其特征在于，所述根據所述車輛圖像數據和訓練好的機器學習模型，獲取工程車輛的污漬識別結果和車型信息的步驟包括：
4.如權利要求3所述的工程車輛的智能清洗方法，其特征在于，所述污漬識別結果和車型信息包括車輛形狀和污漬分布，所述基于所述污漬識別結果和車型信息，綜合計算出最優的清洗方案，智能調整清洗參數的步驟中，根據車輛形狀和污漬分布，自動調整噴淋角度和強度，對工程車輛進行精細化清洗。
5.如權利要求3所述的工程車輛的智能清...
【專利技術屬性】
技術研發人員：沈衍良，易兵，黃艷波，黃澤軍，
申請(專利權)人：湖南湘江城市運營管理有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。