Accuracy evaluation of load distribution in engineering vehicles under extreme environments

图像恢复与MS-Net两阶段系统

Fig.1将方法分为图像恢复和图像预测。原始图像覆盖晴天、雨、雾霾或粉尘、运动模糊及四种组合环境。

图像恢复部分使用MPR-Net处理雨纹和运动模糊，使用MSAFF-Net处理雾霾或粉尘；恢复结果随后进入MS-Net。网络从卡车框和物料Mask提取特征，再由Mass module输出载荷分布和可信度，最终可信度还与卡车检测置信度结合。

Mass factor与Mass score共享特征

MS-Net以Mask R-CNN为基础，包含Backbone、RPN、R-CNN head、Mask head和新增的Mass module。Mass factor分支输出车厢左上、右上、左下和右下四个位置的载荷。

Mass score分支联合视觉特征与四位置载荷结果。论文比较Conv和Line两种融合结构：Conv把四个位置重新排列为空间表示后与特征图融合；Line使用线性层进行向量融合。

最终可信度Sf由网络可信度Sd与卡车检测置信度Struck相乘得到。

23,808张图像与八类环境条件

实验平台在卡车原型下方布置四个压力传感器，由PLC和上位机记录载荷，并由相机采集图像。实验材料为矿石和橡胶颗粒，每次装载后从九个视角拍摄。

数据集包含23,808张载荷图像，其中5,906张带语义Mask。环境包括晴天、雨、雾霾或粉尘、模糊，以及雨—雾霾、雨—模糊、雾霾—模糊和三因素组合。

同一装载循环的五次卸料及九视角图像整体保留在同一数据子集中。训练集与测试集按80%和20%划分。

全图质量指标与载荷任务指标分别评价恢复方案

论文用平均SSIM评价全图恢复质量，同时用500张图像的平均可信度构成δm，评价恢复图像对后续载荷预测任务的适用性。

Case V中，平均SSIM对应DR→DH，δm对应DH→DR。包含模糊的复合干扰中，论文采用先去模糊的恢复流程。

Cases II–VIII中，干扰图像相对正常图像的载荷预测准确率下降约10%–50%；恢复后相对未恢复图像提高约10%–23%。

八环境线性拟合与误差分布

Fig.6(a)给出八种环境下预测可信度与真实可信度的线性拟合。论文正文概括斜率约为0.93–1.0，截距均低于0.1。

正常环境的可信度误差多数位于±0.05内，其他七种干扰环境主要集中在±0.08内。不同环境的误差离散程度存在差异。

Conv乘积融合取得Loss-s 0.0189、Pre-AM 92.6%、Pre-AS 93.5%，预测时间为54.9 ms；SE-Res101取得Pre-AM 94.1%和Pre-AS 95.1%。

预测可信度跟随八环境真实均值变化

Fig.7比较八种环境的预测可信度均值、真实可信度均值及二者差值。最大绝对偏差为Case V的0.025；Case I和IV的差值分别为−0.006和−0.002，其余环境为正值。

MS-Net多材料比较结果为94.1%和63.2 ms；仅矿石场景为97.6%和57.4 ms。两组结果对应不同材料范围。

RTX 3070 Ti实验室参数下，图像恢复框架耗时60–100 ms；ResNet50+FPN版本MS-Net推理低于60 ms，联合系统吞吐为6 FPS。

实验室部署分析与工程条件范围

基于Jetson Orin Nano 1.5 TFLOPs峰值算力得到的约0.6 FPS属于理论估算。论文将硬件加速和真实工程条件测试列为部署阶段的后续工作。

当前实验尚未充分覆盖照明不均匀、物体遮挡、机械安装变形、环境温漂和金属蠕变。论文报告少量大误差样本，并建议在结果不可靠时由专家介入，采用人机协同。

后续工作包括冗余传感、温度补偿、周期零点校准、部件更换机制和现场环境验证。