全文总字数：3724字

1. 研究目的与意义及国内外研究现状

针对当前对货车超载检测效率低下、智能化程度不高等问题，本文设计了一个基于图像处理技术的货车称重系统。利用图片灰度化、直方图均衡化等图像处理技术以及串口通讯技术分别实现了货车车牌识别和读取称重数据的功能，在理论设计的基础上，完成了基于图像处理技术的货车称重系统原型系统的搭建，通过对车牌识别、重量读取、信息入库等功能的调试，能够实现货车车牌识别、读取传感器重量数据以及数据库的操作等功能，基本达到了提高货车超载检测效率的效果。

国内外研究现状

随着公路运输业的发展,超限超载己经成为一种普遍存在的现象,一些西方发达国家很早就开始发展公路运输行业,国外发达国家比我国更早的面临超限运输治理的问题。在二十世纪中期,就有一些国家存在超限运输的现象。由于超限超载运输对公路破坏巨大,鉴于这种状况,为了减轻超载车辆对公路桥梁造成的破坏,一些发达国家早在二十世纪中期就着手车辆动态称重系统相关方面的研究,经过多年发展以取得了一定的成果,而我国则在八十年代初才关注并着手相关的课题研究。

国内研究现状：

改革开放前我国的经济落后,当时没有建设公路网,动态称重技术更没有研发环境,随着改革开放后经济的快速发展以及公路网的快速覆盖,车辆的数量也急速增加,我国开始了对动态称重系统的研究,但我国所面临的问题是:研发时间短、起步晚。八十年代国内还没有自主研发的动态称重系统,由于公路运输发展的需要我国首次从国外引了动态称重系统,但设备价格昂贵,传感器庞大,难以自行维护,都是一些国外更新换代淘汰下来的产品,在我国使用时面临许多问题。

2. 研究的基本内容

第一章：引言。分析本设计研究的背景及意义，介绍国内外的货车称重现状以及图像处理技术的应用情况。第二章：主要阐述系统的总体设计情况，与传统的称重系统进行比较，通过比对展示本设计的优点 第三章：硬件设计。主要阐述硬件的选择及硬件相关原理。 第四章：图像处理技术。介绍适合车辆图像处理的算法，通过横向对比选择当前情况下的最优算法。第五章：软件设计。简要介绍C#语言的优点及选择其作为本系统设计语言的原因，然后完成对图像处理算法的实现以及数据库设计，实现整个系统的软件设计。 第六章：系统实现。通过C#编程实现各个功能模块，最终实现整个系统，并测试其功能。 第七章：总结与展望。概况本文设计的方法和工作，与此同时分析总结本设计的不足以及系统存在的一些问题，提出一些解决问题的可行方案。并为今后的学习方向做出展望。

3. 实施方案、进度安排及预期效果

第一阶段：2018年12月28日-2019年1月2日，撰写任务书

第二阶段：2019年1月3日-2019年1月8日，撰写开题报告

第三阶段：2019年1月10日-2019年2月24日，收集资料，开展研究

第四阶段:2019年3月1日-2019年4月20日，完成设计及论文

4. 参考文献

[1] 刘昌.计算机图像处理与识别技术应用分析[J].信息与电脑(理论版),2019(03):150-151.[2] 郭元戎.图像处理与识别技术的发展应用[J].电子技术与软件工程,2018(01):58-59.[3] 郭倩茜.图像匹配的主要方法分析[J].科技创新与应用,2016(20):81.[4] 杨波,朱绪冉,孙彦景,卢楠楠,陈岩,吴天琦.煤矿视频联动地磅称重智能识别管理系统[J].工矿自动化,2018,44(01):35-39.[5] 毛燕琴,沈苏彬.物联网信息模型与能力分析[J].软件学报,2014,25(08):1685-1695.[6] 杜乐瑶. 车辆参数的物联网图像智能检测系统的研究[D].山东理工大学,2014.[7] 汤勇峰. 计算机图像处理与识别技术[J]. 信息与电脑 ,2018(20):21-26.[8] 黄永健. 基于图像处理技术的车辆动态称重系统的研究与实现[D].东北:东北大学,2013.[9] 曾丹,史浩,张琦. 多相似内容图像的特征匹配[J]. 计算机辅助设计与图形学学报, 2011, 03(10):1725-1733.[10] 陈松南. 基于改进中值滤波的生猪体表图像预处理算法[J]. 智能计算机与应用,2018, (01):62-64.[11] 刘俊丽.数字图像处理演示系统[D].济南：山东大学,2015.[12] 官小云,杨培会.简析计算机图形图像处理技术[J].信息与电脑(理论版),2013(09):60-61.[13] 徐旭. 复杂环境下的车辆目标跟踪技术研究[D].吉林大学,2013.[14] 余瑾. 低照度图像增强与去噪研究[D].华中师范大学,2018.[15] 江明,刘辉,黄欢.图像二值化技术的研究[J].软件导刊.2009(4),8(4):175-177.[16] 卞晓东.基于机器视觉的车辆几何尺寸测量系统研究[D].南京：东南大学,2005.[17] Jun Ren Su,Zheng Ma.Car License Plate Location Based on the Density and Projection[J].Computational Intelligence and Natural Computing,2009,1:409-412.[18] Herbert Bay, Andreas Ess, Tinne Tuytelaars. Speeded-Up Robust Features(SURF) [J].Computer Vision and Image Understanding, 2008, 09(10):876-879.[19] Olivier Chapelle, Vladimir Vapnik, Olivier Bousquet. Choosing Multiple Parameters for Support Vector Machines[J]. Machine Learning, 2002, (1):89-93.[20] Anbang Yao, Xinggang Lin, Guijin Wang. A compact association of particle filtering and kernel based object tracking[J]. Pattern Recognition, 2017, (7):215-219.[21] M. Crosier,L. D. Griffin. Using Basic Image Features for Texture Classification[J].International Journal of Computer Vision, 2010, 05(03):89-93.[22] Ojala T,Pietikainen M,Maenpaa T. Multiresolution gray-scale and rotation invariant texture classification with local binary patterns[C]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2002, (06):679-698.[23] Angella F, Reithler L, Gallesio F. Optimal Deployment of Cameras for Video Surveillance Systems[J]. IEEE Conference on Advanced Video and Signal Based Surveillance, 2007:388-392.[24] Haritaoglu I, Flickner M D. Detection and tracking of shopping groups in stores[J]. IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2001, (1):431-438.[25] 胡玮. 基于大衡的车辆动静态称重系统[D].西安工业大学,2013.