CN108304861B - 生成自动车辆泄漏探测的训练数据 - Google Patents
生成自动车辆泄漏探测的训练数据 Download PDFInfo
- Publication number
- CN108304861B CN108304861B CN201810010060.XA CN201810010060A CN108304861B CN 108304861 B CN108304861 B CN 108304861B CN 201810010060 A CN201810010060 A CN 201810010060A CN 108304861 B CN108304861 B CN 108304861B
- Authority
- CN
- China
- Prior art keywords
- image
- training data
- data sets
- fluid
- vehicle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012549 training Methods 0.000 title claims description 121
- 238000001514 detection method Methods 0.000 title description 12
- 239000012530 fluid Substances 0.000 claims abstract description 117
- 238000010801 machine learning Methods 0.000 claims abstract description 32
- 238000009877 rendering Methods 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims description 71
- 238000012545 processing Methods 0.000 claims description 23
- 238000002310 reflectometry Methods 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 239000003086 colorant Substances 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 10
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000005259 measurement Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000006641 stabilisation Effects 0.000 description 5
- 238000011105 stabilization Methods 0.000 description 5
- 238000005286 illumination Methods 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000010426 asphalt Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 239000002826 coolant Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 239000010705 motor oil Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 235000014214 soft drink Nutrition 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M3/00—Investigating fluid-tightness of structures
- G01M3/007—Leak detector calibration, standard leaks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/60—Editing figures and text; Combining figures or text
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/586—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of parking space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
- G06V20/653—Three-dimensional objects by matching three-dimensional models, e.g. conformal mapping of Riemann surfaces
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N13/00—Stereoscopic video systems; Multi-view video systems; Details thereof
- H04N13/20—Image signal generators
- H04N13/275—Image signal generators from 3D object models, e.g. computer-generated stereoscopic image signals
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
- B60R2300/00—Details of viewing arrangements using cameras and displays, specially adapted for use in a vehicle
- B60R2300/80—Details of viewing arrangements using cameras and displays, specially adapted for use in a vehicle characterised by the intended use of the viewing arrangement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30264—Parking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
- Computer Hardware Design (AREA)
- Computer Graphics (AREA)
- Architecture (AREA)
- Image Processing (AREA)
- Emergency Alarm Devices (AREA)
Abstract
一种车辆控制器在到达和离开时从摄像机接收图像。车辆的位置可以被追踪,并且由摄像机捕获的图像可以被标记有位置。到达图像可以与捕获的最接近到达图像的相同位置的离开图像进行比较。评估根据到达和离开图像之间的差异的残差图像以发现异常。确定如纹理、颜色等的异常属性,并且根据属性对异常进行分类。如果分类指示车辆流体,则产生警报。可以使用通过渲染三维模型或通过将模拟的流体泄漏添加到二维图像获得的到达和离开图像来训练用于从图像数据生成分类的机器学习算法。
Description
技术领域
本发明涉及车辆故障的自动探测。
背景技术
来自车辆下方的流体泄漏通常可以指示需要注意的危险情况。及时探测到该问题可以为车主在机械师服务中节省高达数千美元。车辆传感器可以探测到由于流体泄漏造成的故障,但是广泛的损坏可能已经发生。
本文公开的设备和方法提供了用于探测车辆流体泄漏的改进方法。
发明内容
根据本发明,提供一种方法,包含通过计算机系统执行以下操作:
生成多个训练数据集,每个训练数据集包括:具有在其视野中的停车位置的到达图像、对应于到达图像的离开图像、以及离开图像的分类,训练数据集中的一部分包括具有模拟的流体溢出物的离开图像;和
根据训练数据集来训练机器学习模型以识别流体泄漏。
根据本发明的一个实施例,其中生成多个训练数据集包含:对于每个训练数据集进行以下操作,
为每个训练数据集限定停车场景的三维模型;和
根据三维模型渲染每个训练数据集的到达图像,该到达图像来自安装到停车场景中的车辆的摄像机的观察点。
根据本发明的一个实施例,其中生成训练数据集包括:针对训练数据集的该部分中的每个训练数据集进行以下操作,
将流体溢出物模型添加到每个训练数据集的停车场景的三维模型来获得修改的模型;和
根据修改的模型渲染每个训练数据集的离开图像,该离开图像来自安装到每个训练数据集的停车场景中的车辆上的摄像机的观察点。
根据本发明的一个实施例,其中流体溢出物模型限定颜色和反射率;和
其中根据修改的模型渲染每个训练数据集的离开图像包含:根据颜色和反射率渲染离开图像中的流体溢出物模型。
根据本发明的一个实施例,其中流体溢出物模型限定纹理;
其中根据修改的模型渲染每个训练数据集的离开图像包含:根据颜色、反射率和纹理来渲染离开图像中的流体溢出物模型。
根据本发明的一个实施例,其中生成多个训练数据集还包含:对于训练数据集的该部分中的每个训练数据集进行以下操作,
将在其视野中具有停车位置的来自车辆的摄像机的原始图像用作每个训练数据集的到达图像;和
将模拟的流体溢出物添加到原始图像和在其视野中具有停车位置的来自车辆的摄像机的另一图像中的一个,来获得每个训练数据集的离开图像。
根据本发明的一个实施例,其中摄像机是安装到车辆的前置摄像机。
根据本发明的一个实施例,其中根据训练数据集来训练机器学习模型以识别流体泄漏包含:根据训练数据集来训练深度神经网络(DNN)。
根据本发明的一个实施例,其中多个训练数据集中的每个训练数据集的离开图像的分类指示离开图像中是否存在流体泄漏和离开图像中存在的流体泄漏类型中的至少一个。
根据本发明的一个实施例,还包含将机器学习模型加载到连接到车辆的控制器的存储器,车辆具有安装到其上并且可操作地连接到控制器的摄像机。
根据本发明,提供一种系统,包含一个或多个处理装置以及连接到一个或多个处理装置的一个或多个存储装置,一个或多个存储装置存储可执行代码,可执行代码用于使一个或多个处理器执行以下操作:
生成多个训练数据集,每个训练数据集包括:具有在其视野中的停车位置的到达图像、对应于到达图像的离开图像、以及离开图像的分类,训练数据集中的一部分包括具有模拟的流体溢出物的离开图像;和
根据训练数据集来训练机器学习模型以识别流体泄漏。
根据本发明的一个实施例,其中可执行代码还用于使一个或多个处理装置通过对每个训练数据集执行以下操作来生成多个训练数据集:
为每个训练数据集限定停车场景的三维模型;和
根据三维模型渲染每个训练数据集的到达图像,该到达图像来自安装到停车场景中的车辆的摄像机的观察点。
根据本发明的一个实施例,其中可执行代码还用于使一个或多个处理装置通过对训练数据集的该部分中的每个训练数据集执行以下操作来生成多个训练数据集:
将流体溢出物模型添加到每个训练数据集的停车场景的三维模型,来获得修改的模型;和
根据修改的模型渲染每个训练数据集的离开图像,该离开图像来自安装到每个训练数据集的停车场景中的车辆上的摄像机的观察点。
根据本发明的一个实施例,其中流体溢出物模型限定颜色和反射率;和
其中可执行代码还用于使一个或多个处理装置通过根据颜色和反射率渲染离开图像中的流体溢出物模型,来根据修改的模型渲染每个训练数据集的离开图像。
根据本发明的一个实施例,其中流体溢出物模型限定纹理;
其中可执行代码还用于使一个或多个处理装置通过根据颜色、反射率和纹理来渲染离开图像中的流体溢出物模型,来根据修改的模型渲染每个训练数据集的离开图像。
根据本发明的一个实施例,其中可执行代码还用于使一个或多个处理装置通过对训练数据集的该部分中的每个训练数据集执行以下操作来生成多个训练数据集:
将在其视野中具有停车位置的来自车辆的摄像机的原始图像用作每个训练数据集的到达图像;和
将模拟的流体溢出物添加到原始图像和在其视野中具有停车位置的来自车辆的摄像机的另一图像中的一个,来获得每个训练数据集的离开图像。
根据本发明的一个实施例,其中摄像机是安装到车辆的前置摄像机。
根据本发明的一个实施例,其中可执行代码还用于使一个或多个处理装置通过根据训练数据集训练深度神经网络(DNN),来根据训练数据集来训练机器学习模型以识别流体泄漏。
根据本发明的一个实施例,其中多个训练数据集中的每个训练数据集的离开图像的分类指示离开图像中是否存在流体泄漏和离开图像中存在的流体泄漏类型中的至少一个。
根据本发明的一个实施例,其中可执行代码还用于使一个或多个处理装置将机器学习模型加载到连接到车辆的控制器的存储器,车辆具有安装到其上并且可操作地连接到控制器的摄像机。
附图说明
为了容易理解本发明的益处,将通过参考在附图中示出的具体实施例来体现上面简要描述的本发明的更具体的说明。应当理解,这些附图仅描绘了本发明的典型实施例,并且因此不被认为是对本发明范围的限制,本发明将通过使用附图以更多的特征和细节来描述和解释,其中:
图1是示出根据本发明实施例的可以执行泄漏探测的车辆的示意性框图;
图2是适合于实现根据本发明的实施例的方法的示例计算装置的示意性框图;
图3是根据本发明实施例的用于识别到达和离开图像的方法的过程流程图;
图4是根据本发明实施例的用于探测泄漏的方法的过程流程图;
图5A至图5C示出了根据本发明实施例的用于泄漏探测的图像处理;
图6是根据本发明实施例的用于使用三维模型生成自动泄漏探测的训练数据的方法的过程流程图;
图7A和图7B是根据本发明的实施例的可以被渲染以便生成训练数据的示例场景的视图;
图8是根据本发明实施例的用于从二维图像生成训练数据的方法的过程流程图;和
图9是根据本发明实施例的用于使用训练数据来训练机器学习模型的方法的过程流程图。
具体实施方式
参考图1,车辆100可以包括控制器102以及GPS(全球定位系统,GlobalPositioning System)接收器104和惯性测量单元(IMU)106中的一个或两者。控制器102可以使用GPS接收器104和惯性测量单元106中的一个或两者的输出来确定车辆100的位置。例如,可以从GPS接收器104接收GPS坐标,并且可以从惯性测量单元106确定车辆100相对于该坐标的较小移动。具体地,惯性测量单元106可以是基于加速度计的装置,该装置探测加速度并且将加速度解析为速度和距离测量中的一个或两者。
车辆100可以包括前置摄像机108和后置摄像机110中的一个或两者。本文公开的方法包括评估停车位的图像。由于大多数人前进驶入停车位,所以可以是优选为前置摄像机108。然而,对于驾驶员倒退驶入停车位的情况,后置摄像机110可能是有帮助的。出于以下公开的目的,假定向前方停车并且仅使用前置摄像机108。然而,本文描述的方法可以以相同的方式用于使用摄像机110的向后方停车。
图2是示出示例性计算装置200的框图。计算装置200可以用于执行如本文讨论的过程的各种过程。控制器102可以具有计算装置200的一些或全部属性。
计算装置200包括一个或多个处理器202、一个或多个存储器装置204,一个或多个接口206、一个或多个大容量存储装置208、一个或多个输入/输出(I/O)装置210以及显示装置230,所有这些装置都连接到总线212。处理器202包括执行存储在存储器装置204和/或大容量存储装置208中的指令的一个或多个处理器或控制器。处理器202还可以包括各种类型的计算机可读介质(如高速缓冲存储器)。
存储器装置204包括如易失性存储器(例如随机存取存储器(RAM)214)和/或非易失性存储器(例如只读存储器(ROM)216)的各种计算机可读介质。存储器装置204还可以包括可重写ROM(例如闪存)。
大容量存储装置208包括如磁带、磁盘、光盘、固态存储器(例如闪存)等的各种计算机可读介质。如图2所示,特定的大容量存储装置是硬盘驱动器224。大容量存储装置208中还可以包括各种驱动器,以能够对各种计算机可读介质进行读取和/或写入。大容量存储装置208包括可移动介质226和/或不可移动介质。
I/O装置210包括允许将数据和/或其他信息输入到计算装置200或从计算装置200检索数据和/或其他信息的各种装置。示例的I/O装置210包括光标控制装置、键盘、键板、麦克风、监视器或其他显示装置、扬声器、网络接口卡、调制解调器、镜头、CCD(电荷连接器件,charge-coupled device)或其他图像捕获装置等。
显示装置230包括能够向计算装置200的一个或多个用户显示信息的任何类型的装置。显示装置230的示例包括监视器、显示终端、视频投影装置等。
接口206包括允许计算装置200与其他系统、装置或计算环境交互的各种接口。示例性接口206包括任意数量的不同网络接口220(如到本地区域网络(LAN)、广域网络(WAN)、无线网络和因特网的接口)。其他接口包括用户界面218和外围装置接口222。接口206还可以包括一个或多个外围接口(例如用于指点装置(鼠标、触式控制板等)、键盘等的接口)。
总线212允许处理器202、存储器装置204、接口206、大容量存储装置208、I/O装置210和显示装置230互相通信,以及与连接到总线212的其他装置或部件通信。总线212表示几种类型的总线结构(如系统总线、PCI(外设部件互连标准,peripheral componentinterconnect)总线、IEEE(美国电气和电子工程师协会,Institute of Electrical andElectronics Engineers)1394总线、USB(通用串行总线,Universal Serial Bus)总线等)中的一个或多个。
为了说明的目的,程序和其他可执行程序部件在本文中示出为离散块,但是应当理解的是,这样的程序和部件可以在不同时间存在于在计算装置200的不同存储部件中,并且由处理器202执行。可选地,本文描述的系统和过程可以用硬件或者硬件、软件和/或固件的组合来实现。例如,一个或多个专用集成电路(ASIC)可以被编程以执行本文描述的一个或多个系统和过程。
图3示出了可以由控制器102执行的方法300。具体地,为了识别泄漏,可以将在到达停车位时从摄像机108接收到的图像与在离开停车位时从摄像机108接收的图像进行比较,以识别可以指示泄漏流体的变化。
例如,方法300可以包括接收302一个或多个摄像机图像108。例如,摄像机108可以以给定帧速率以视频内容或一系列静止图像的形式输出图像流。
方法300还可以包括确定304车辆100的位置。这可以包括接收GPS接收器104和惯性测量单元106中的一个或两者的输出。根据这些输出确定车辆100的位置的方式可以是根据本领域已知的确定位置的任何方法。例如,可以在某个时间点接收GPS坐标。然后可以根据惯性测量单元106的输出来确定车辆相对于该坐标的移动。
步骤302的图像可以标记有步骤304的位置并且临时存储在缓冲器中。可选地,可以存储图像阵列,并且对应于每个图像的位置阵列可以存储在单独的阵列中。
方法300可以包括确定306是否探测到停车。可以通过这些方式探测停车:探测车辆100停止移动达阈值时间量以上(例如1分钟或更长时间)、从车辆移除钥匙、驾驶员离开车辆、或到达已知的停车地点(如驾驶员的家、工作地点、商店或其他常到地点)。驾驶员可以编程控制器102以将某些位置识别为停车位置。
响应于探测到306停车,方法300可包括存储308来自步骤302、304的图像和位置中的一个或多个到达图像及其对应位置。例如,来自步骤302、304的图像和位置可以暂时存储,以便只保留最后的M个图像和位置。在探测到306停车时,可以从这些暂时存储的图像和对应位置中选择到达图像。可选地,可以在探测到达已知停车位置的某个接近范围内时或者在车辆减速到低于指示可能停车的某个阈值速度以下时执行步骤302-304。
例如,恰好在停车位处停止移动之前接收一组一个或多个图像及其对应位置。到达图像可以如此选择:到达图像是在停车时位于车辆100下方的表面的图像。例如,在车辆具有长度L的情况下,到达图像可以选择为在停车时根据车辆100的位置具有在长度L+B+A和L+B-A内的对应位置的图像。B可以是校正因子,该校正因子实验地或数学方式地通过测量或确定距离当车辆停车时摄像机108在其视野中将包含停车位的车辆位置的距离来确定。A的值可以这样选择:存在图像将作为到达图像被存储308的距离的公差或范围。例如,可以执行图像稳定处理,使得需要多个到达图像。可选地,到达图像可以是这样的固定数量的N个图像:具有以L+B为中心的位置、具有最接近于L+B的位置的最后图像或者相对于来自步骤302和304的其他图像的位置最接近L+B的第一图像。
方法300可以包括探测310车辆的离开。这可以包括探测车辆的起动和车辆移动的开始。然后方法300可以包括选择312离开图像。离开图像可选择为具有与到达图像大致相同的对应位置(例如在15厘米内,优选在5厘米内,更优选在1厘米内)。如上所述,可以针对位置或位置的范围来选择到达图像。因此,可以从来自摄像机108的图像流中选择一个或多个离开图像312,该一个或多个离开图像312具有与其他离开图像的位置相比最接近到达图像的位置或位置的范围的对应位置。在离开之后捕获图像和向其标记位置的方式可以如上面关于步骤302和304所描述的那样。
使用来自步骤308的存储的一个或多个到达图像和步骤312的离开图像,方法300可以包括执行314泄漏探测。执行314泄漏探测可以包括执行图4的方法400。
方法400将到达图像402和离开图像404作为输入,并且针对每个图像执行图像稳定406、408。在一些实施例中,由摄像机108执行图像稳定。在其他实施例中,由控制器102处理一系列存储的到达图像402和离开图像404以便执行406、408图像稳定。步骤406、408可以包括本领域已知的任何图像稳定技术。
方法400然后计算410残差图像。这可以包括从稳定的离开图像中减去稳定的到达图像。离开图像和到达图像将不会取自完全相同的位置。因此,在相减之前,稳定的到达图像和稳定的离开图像可以相对于彼此平移以补偿该移动。到达图像和离开图像相对于彼此平移的方式可以包括执行用于确定一对图像之间的移动的图像关联或任何其他图像分析技术。
方法400然后可以包括执行关于残差图像的异常探测412。例如,参考图5A至5C。在图5A中示出了对稳定的到达图像的呈现,并且在图5B中示出了对稳定的离开图像的呈现。图5C示出基于这些图像的残差图像。如图5C所示,存在可以指示流体泄漏的流体污点。分析残差图像以识别差异的方式可以包括本领域已知的任何图像处理计算技术。在一些实施例中,可以通过训练来识别流体泄漏的机器学习算法来处理残差图像。
如果发现414存在异常,那么方法400可包括执行416纹理分析并且尝试对异常进行分类418。纹理分析可以包括识别如该异常的颜色、反射率和密度的属性。这些属性然后可以被用来对异常进行分类418。例如,控制器可以访问列出这些属性的可能值的值或范围的车辆流体库。在由纹理分析所确定的属性值与车辆流体的值相匹配的情况下,可以确定构成该异常的该流体。
在一些实施例中,可以训练机器学习算法以通过接收到达和离开图像的训练集以及作为期望输出的是否存在流体泄漏的指示符来识别流体泄漏。在这样的实施例中,可以省略步骤410,并且可以将稳定的到达和离开图像输入到机器学习算法,然后机器学习算法将输出探测为特定车辆流体的任何异常的分类。在这样的实施例中,步骤414-418可以由机器学习算法执行而不是作为单独的步骤来执行。
在发现420分类是车辆流体的情况下,可以产生422警报。警报可以包括使“检查引擎”灯亮起、在车载信息娱乐系统的屏幕上显示文本消息、给驾驶员的移动电话发送消息或其他类型的警报。警报可以包括来自步骤418的流体类型的分类。警报可以指示例如根据在步骤414处探测到的异常的面积确定的流体的量。可以使用异常的面积和探测到的流体粘度,来确定泄漏流体的体积。可以使用到达和离开之间经过时间和该体积,来确定泄漏的速率。可以使用车辆中流体的已知体积(例如容纳流体的容器的体积或制造商对流体的体积的建议),根据泄漏速率来确定在流体将流失至或达到临界水平之前的时间。警报中可以包括流体临界水平之前的时间。
参考图6,示出的方法600可以用于训练能够根据到达和离开图像识别流体泄漏的机器学习模型。方法600可以由计算机系统执行,例如由具有图2的计算机系统200的一些或全部属性的计算机系统执行。
方法600可以包括限定602场景,该场景是包括停车表面、停泊车辆的位置和可能的速度、以及对应于安装在停泊车辆上的摄像机位置的模型的观察点的停车场景的三维模型。
图7A示出了示例场景。在这个示例中,车辆模型700如图所示地位于模型中。车辆模型700可以是模型的一部分或者可以被除去。特别地,车辆700限定一个或多个摄像机702a-702b的位置以及可能的一个或多个光源704(例如前照灯或尾灯)的位置。因此,摄像机702a-702b和可能的光源704的位置可以根据它们在车辆模型700上的位置来限定,但是车辆模型700的其余部分由于与停车位的感知无关而被忽略。
该模型除了包括前照灯704之外,还可以包括一个或多个模拟光源(例如日光、月光、街道照明706或安装到包含或邻近停车位712的结构体710的照明708)。
该模型可以进一步包括一个或多个物体714、716(如灌木丛、树木、其他车辆、建筑物等)。可以模拟来自这些物体投到停车位712上的阴影718。
模型限定为两种配置,第一种配置在停车位712中具有模拟的流体溢出物720,并且第二种配置没有流体溢出物720。模拟的流体溢出物720可以包括限定如流体的颜色、反射率、纹理、粘度或其他性质的模型。模拟的流体溢出物720可以由各种流体产生,即每个模拟的流体溢出物700可以包括特定流体(如马达机油、变速器流体、散热器冷却剂、动力转向系统流体等)的性质。在一些实施例中,流体溢出物720可以包括非车辆流体(水、软饮料等)的模型,以使机器学习模型的训练能够区分车辆流体和非车辆流体。
继续参考图6,方法600可以包括渲染604来自摄像机702a(或者假定的倒车进入的摄像机702b)的观察点的场景图像,以便生成模拟的到达图像。
方法600可以包括将模拟的流体溢出物720添加606到场景并且渲染608来自摄像机702a的观察点的修改场景以获得离开图像。图7B示出了用于图7A的场景的离开图像的示例性渲染。到达图像的渲染将以类似的方式生成,但是缺乏流体溢出物720的渲染。
在一些实施例中,用于步骤608的渲染的修改场景除了包括流体溢出物720之外还可以包括一个或多个额外的修改。例如,可以改变照明来模拟在早晨停车与在晚上离开之间的照明变化,反之亦然。类似地,可以添加碎片,可以将车辆添加到邻近的停车位712或从邻近的停车位712移除车辆,或者可以对场景进行其他改变以模拟可能在到达和离开之间发生的改变。
在步骤604和608处渲染场景的方式可以包括计算机动画与计算机生成图像领域中已知的任何计算机渲染技术。类似地,可以使用本领域已知的任何计算机动画技术来对场景进行建模。如本领域所知,计算机模型的真实感渲染是可能的。因此,渲染604、608的分辨率和场景的细节可以使得模拟的到达和离开图像具有真实感,从而能够精确地训练机器学习模型。
方法600可以进一步包括保存610来自步骤604的到达图像、来自步骤608的离开图像、以及在数据库中保存步骤606的流体溢出物的分类。具体地,该分类可以简单地指示离开图像中是否存在流体溢出物。在一些实施例中,步骤606将在方法600的一些迭代中被省略,以便训练机器学习模型来区分存在流体溢出物时与不存在时的情况。
在一些实施例中,分类可以指示流体溢出物720是车辆流体还是非车辆流体。在一些实施例中,分类可以指示由流体溢出物720建模的车辆流体为何种类型。
方法600可以进一步包括修改612场景并且重复步骤602-610。修改场景可以包括修改场景的特征706-718中的任何一个。例如,可以修改停车位712的纹理(混凝土、沥青、砾石等),以使机器学习模型训练为能够识别各种表面上的流体溢出物720。类似地,可以修改照明以使机器学习模型训练为能够识别各种照明条件下的流体溢出物720。修改612可以进一步包括添加、移除或修改场景的任何周围结构体(如邻近车辆的模型)。
方法600可以重复执行(例如数百次甚至数千次或更多次)以建立用于训练机器学习模型的到达和离开图像及其相应的分类的数据库。
参考图8,在一些实施例中不是限定三维场景,而是可以从二维图像生成用于训练目的的到达和离开图像。方法800可以被执行来生成训练数据,并且可以由具有图2的计算机系统200的一些或全部属性的计算机系统来执行。
方法800可以包括检索802到达图像。到达图像可以是如以上关于图6所描述的模拟场景的渲染。到达图像可以是在到达停车位置附近时由车辆的摄像机捕获的实际到达图像。例如,到达图像可以是根据图3的方法300识别和存储的到达图像。
方法800可以进一步包括将流体溢出物的渲染叠加804到对应于步骤802的到达图像的图像上。这可以包括将流体溢出物渲染到步骤802的到达图像中可见的停车位上。可选地,可以在步骤804将与到达图像对应的离开图像修改为包括流体溢出物的渲染。例如,可以将步骤804的离开图像识别为并且存储为生成步骤802的到达图像的方法300的相同迭代的一部分。
方法800然后可以包括将到达图像、离开图像和分类保存806到数据库中。如前所述,该分类可以指示车辆流体是否存在于离开图像中。对于方法600,可以在方法800的一些迭代中省略步骤804。分类可以指示在步骤804叠加的流体溢出物是否是车辆流体并且还可以指示车辆流体的类型。因此,在步骤804叠加804流体溢出物的渲染可以模拟车辆流体或非车辆流体的性质,并且分类可以指示模拟了何种流体。模拟的属性可以包括流体的颜色、反射率、纹理或任何其他可见的属性。
方法800可以包括例如通过选择在步骤804渲染的不同流体或者通过选择不同的到达和/或离开图像来改变808场景。方法800可以重复执行(例如数百次甚至数千次或更多次)以建立用于训练机器学习模型的到达和离开图像及其相应的分类的数据库。
参考图9,机器学习模型可以使用多组训练数据来训练,其中每组包括到达图像、离开图像和分类(例如流体溢出物存在/不存在、车辆/非车辆流体、车辆流体类型)。可以根据图6的方法600、图8的方法800中的一些或全部来获得902训练数据集,或者通过使用车辆的摄像机捕获停车位的实际的到达和离开图像以及提供离开图像的人类指定的分类(例如根据在捕获离开图像之前故意或已知溢出的车辆流体或者在捕获离开图像之前已知没有溢出的车辆流体)来获得902训练数据集。在这种情况下,可以根据图3的方法300来识别到达和离开图像。
方法900可以包括将训练数据集输入904到机器学习算法(例如深度神经网络)中,然而可以使用其他类型的机器学习算法(如决策树(decision tree)、聚类分析(clustering)、贝叶斯网络(Bayesian network)、遗传或其他类型的机器学习算法)。到机器学习算法的输入是到达和离开图像,用于每个训练数据集的期望输出是分类。
方法900可以进一步包括接收906由步骤904的机器学习算法训练的模型,以及将模型加载908到车辆的控制器中。车辆然后可以使用该模型来对上文关于图3和图4描述的离开和到达图像进行分类。
在上面的公开中,已经参考了形成其一部分的附图,并且其中通过图示的方式示出了可以实施本公开的具体实施方式。应该理解的是,可以利用其他实施方式,并且可以在不脱离本公开的范围的情况下进行结构改变。说明书中对“一个实施例”、“实施例”、“示例实施例”等的引用指示所描述的实施例可以包括特定的特征、结构或特性,但是每个实施例可以不一定包括特定的特征、结构或特性。而且,这样的短语不一定是指相同的实施例。此外,当结合实施例描述特定特征、结构或特性时,无论是否明确描述,结合其他实施例来改变这种特征、结构或特性被认为是在本领域技术人员的知识范围内。
本文公开的系统、装置和方法的实施方式可以包含或利用包括计算机硬件(例如如本文所讨论的一个或多个处理器和系统存储器)的专用或通用计算机。在本公开的范围内的实施方式还可以包括用于携带或存储计算机可执行指令和/或数据结构的物理设备和其他计算机可读介质。这样的计算机可读介质可以是可以被通用或专用计算机系统访问的任何可用介质。存储计算机可执行指令的计算机可读介质是计算机存储介质(装置)。携带计算机可执行指令的计算机可读介质是传输介质。因此,作为示例而非限制,本公开的实施方式可以包含至少两种截然不同的计算机可读介质:计算机存储介质(装置)和传输介质。
计算机存储介质(装置)包括RAM(随机存储器,Random Access Memory)、ROM(只读存储器,Read Only Memory)、EEPROM(电可擦可编程只读存储器,electrically erasableprogrammable read-only memory)、CD-ROM(光盘只读存储器,Compact disc read-onlymemory)、固态驱动器(“SSD”)(例如基于RAM)、闪存、相变存储器(“PCM”)、其他类型存储器、其他光盘存储器、磁盘存储器或其他磁存储装置、或可用于以计算机可执行指令或数据结构的形式存储期望程序代码工具的并且可被通用或专用计算机访问的任何其他介质。
本文公开的装置、系统和方法的实施方式可以通过计算机网络进行通信。“网络”定义为能够在计算机系统和/或模块和/或其他电子装置之间传输电子数据的一个或多个数据链路。当通过网络或其他通信连接(硬连线、无线或者硬连线或无线连接的组合)将信息传输或提供给计算机时,计算机将该连接适当地视为传输介质。传输介质可以包括网络和/或数据链路,网络和/或数据链路可以被用来以计算机可执行指令或数据结构的形式携带期望的程序代码工具并且可以被通用或专用计算机访问。上述的组合也应该包括在计算机可读介质的范围内。
计算机可执行指令例如包含在处理器处执行时使通用计算机、专用计算机或专用处理装置执行特定功能或功能组的指令和数据。计算机可执行指令可以例如是二进制文件、如汇编语言的中间格式指令,或者是源代码。虽然已经用结构特征和/或方法动作专用的语言描述了主题,但是应当理解,所附权利要求中限定的主题不一定限于上述描述的特征或动作。相反,所描述的特征和动作作为实施权利要求的示例形式被公开。
本领域技术人员将认识到,本公开可以在具有许多类型的计算机系统配置的网络计算环境中实施,包括车内计算机、个人计算机、台式计算机、膝上型计算机、消息处理器、手持装置、多处理器系统、基于微处理器或可编程的消费电子装置、网络个人计算机、小型计算机、大型计算机、移动电话、PDA(个人数字助理,Personal Digital Assistant)、平板电脑、寻呼机、路由器、交换机、各种存储装置等。本公开还可以在分布式系统环境中实施,其中通过网络进行连接(通过硬连线数据链路、无线数据链路或通过硬连线和无线数据链路的组合)的本地和远程计算机系统都执行任务。在分布式系统环境中,程序模块可以位于本地和远程内存存储装置中。
此外,在适当的情况下,本文描述的功能可以在以下中的一个或多个中执行:硬件、软件、固件、数字部件或模拟部件。例如,一个或多个专用集成电路(ASIC)可以编程为执行本文描述的一个或多个系统和过程。整个说明书和权利要求中使用了某些术语来指代特定的系统部件。如本领域技术人员将认识到的,可以通过不同的名称来引用这些部件。本文档并非旨在区分名称不同而功能相同的部件。
应当指出,上面讨论的传感器实施例可以包含计算机硬件、软件、固件或其执行至少一部分功能的任何组合。例如,传感器可以包括配置为在一个或多个处理器中执行的计算机代码,并且可以包括由计算机代码控制的硬件逻辑/电路。本文提供这些示例性装置是为了说明的目的,并非旨在为限制性的。本公开的实施例可以在其他类型的装置(如相关领域的技术人员已知的)中实现。
本公开的至少一些实施例指向包含存储在任何计算机可用介质上的这种逻辑(例如以软件的形式)的计算机程序产品。这样的软件当在一个或多个数据处理装置中执行时使装置如本文所述那样操作。
尽管以上已经描述了本公开的各种实施例,但是应该理解,其仅仅是作为示例而不是限制来呈现的。对于相关领域的技术人员显而易见的是,在不脱离本公开的精神和范围的情况下,可以在其中进行形式和细节上的各种改变。因此,本公开的广度和范围不应该被任何上述示例性实施例限制,而是应该仅根据以下权利要求及其等同物来限定。提出前面的描述是为了说明和描述的目的。这并非旨在是穷尽的或将本公开限制为所公开的确切形式。鉴于上述教导,许多修改和变化是可能的。此外,应该注意的是,可以以期望的任何组合来使用前述替代实施方式中的任一个或全部,以形成本公开的其他混合实施方式。
本发明可以在不脱离其精神或基本特征的情况下以其他具体形式来体现。所描述的实施例在所有方面仅被认为是说明性的,而不是限制性的。因此,由所附权利要求而不是由前面的描述来指示本发明的范围。在权利要求的等同的含义和范围内的所有变化都将被包括在其范围内。
Claims (14)
1.一种探测车辆流体泄漏的方法,包含通过计算机系统执行以下操作:
生成多个训练数据集,每个所述训练数据集包括:在其视野中具有停车位置的到达图像、对应于所述到达图像的离开图像、以及所述离开图像的分类,所述训练数据集中的一部分包括具有模拟的流体溢出物的离开图像;和
根据所述训练数据集来训练机器学习模型以识别流体泄漏;
其中生成所述多个训练数据集包含对每个所述训练数据集进行以下操作:
为每个所述训练数据集限定停车场景的三维模型;和
根据所述三维模型渲染每个所述训练数据集的所述到达图像,所述到达图像来自安装到所述停车场景中的车辆的摄像机的观察点;
其中所述多个训练数据集中的每个训练数据集的所述离开图像的所述分类指示所述离开图像中是否存在所述流体泄漏和所述离开图像中存在的流体泄漏类型中的至少一个。
2.根据权利要求1所述的方法,其中生成所述训练数据集包括对所述训练数据集的所述部分的每个所述训练数据集进行以下操作:
将流体溢出物模型添加到每个所述训练数据集的所述停车场景的所述三维模型来获得修改的模型;和
根据所述修改的模型渲染每个所述训练数据集的所述离开图像,所述离开图像来自安装到每个所述训练数据的所述停车场景中的所述车辆上的所述摄像机的所述观察点。
3.根据权利要求2所述的方法,其中所述流体溢出物模型限定颜色和反射率;和
其中根据所述修改的模型渲染每个所述训练数据集的所述离开图像包含:根据所述颜色和所述反射率渲染所述离开图像中的所述流体溢出物模型。
4.根据权利要求3所述的方法,其中所述流体溢出物模型限定纹理;
其中根据所述修改的模型渲染每个所述训练数据集的所述离开图像包含:根据所述颜色、所述反射率和所述纹理来渲染所述离开图像中的所述流体溢出物模型。
5.根据权利要求1所述的方法,其中生成所述多个训练数据集还包含对所述训练数据集的所述部分的每个所述训练数据集进行以下操作:
将在其视野中具有所述停车位置的来自车辆的摄像机的原始图像用作每个所述训练数据集的所述到达图像,所述摄像机是安装到所述车辆的前置摄像机;和
将所述模拟的流体溢出物添加到所述原始图像和在其视野中具有所述停车位置的来自所述车辆的所述摄像机的另一图像中的一个,来获得每个所述训练数据集的所述离开图像。
6.根据权利要求1所述的方法,其中根据所述训练数据集来训练所述机器学习模型以识别所述流体泄漏包含:根据所述训练数据集来训练深度神经网络(DNN)。
7.根据权利要求1所述的方法,还包含将所述机器学习模型加载到连接到车辆的控制器的存储器,所述车辆具有安装到其上并且可操作地连接到所述控制器的摄像机。
8.一种探测车辆流体泄漏的系统,包含一个或多个处理装置以及连接到所述一个或多个处理装置的一个或多个存储装置,所述一个或多个存储装置存储可执行代码,所述可执行代码用于使所述一个或多个处理器执行以下操作:
生成多个训练数据集,每个所述训练数据集包括:在其视野中具有停车位置的到达图像、对应于所述到达图像的离开图像、以及所述离开图像的分类,所述训练数据集中的一部分包括具有模拟的流体溢出物的离开图像;和
根据所述训练数据集来训练机器学习模型以识别流体泄漏;
其中所述可执行代码还用于使所述一个或多个处理装置通过对每个所述训练数据集执行以下操作来生成所述多个训练数据集:
为每个所述训练数据集限定停车场景的三维模型;和
根据所述三维模型渲染每个所述训练数据集的所述到达图像,所述到达图像来自安装到所述停车场景中的车辆的摄像机的观察点;
其中所述多个训练数据集中的每个训练数据集的所述离开图像的所述分类指示所述离开图像中是否存在所述流体泄漏和所述离开图像中存在的流体泄漏类型中的至少一个。
9.根据权利要求8所述的系统,其中所述可执行代码还用于使所述一个或多个处理装置通过对所述训练数据集的所述部分的每个所述训练数据集执行以下操作来生成所述多个训练数据集:
将流体溢出物模型添加到每个所述训练数据集的所述停车场景的所述三维模型,来获得修改的模型;和
根据修改的模型渲染每个所述训练数据集的所述离开图像,所述离开图像来自安装到每个所述训练数据的所述停车场景中的所述车辆上的所述摄像机的所述观察点。
10.根据权利要求9所述的系统,其中所述流体溢出物模型限定颜色和反射率;和
其中所述可执行代码还用于使所述一个或多个处理装置通过根据所述颜色和所述反射率渲染所述离开图像中的所述流体溢出物模型,来根据所述修改的模型渲染每个所述训练数据集的所述离开图像。
11.根据权利要求10所述的系统,其中所述流体溢出物模型限定纹理;
其中所述可执行代码还用于使所述一个或多个处理装置通过根据所述颜色、所述反射率和所述纹理来渲染所述离开图像中的所述流体溢出物模型,来根据所述修改的模型渲染每个所述训练数据集的所述离开图像。
12.根据权利要求8所述的系统,其中所述可执行代码还用于使所述一个或多个处理装置通过对所述训练数据集的所述部分的每个所述训练数据集执行以下操作来生成所述多个训练数据集:
将在其视野中具有所述停车位置的来自车辆的摄像机的原始图像用作每个所述训练数据集的所述到达图像,所述摄像机是安装到所述车辆的前置摄像机;和
将所述模拟的流体溢出物添加到所述原始图像和在其视野中具有所述停车位置的来自所述车辆的所述摄像机的另一图像中的一个,来获得每个所述训练数据集的所述离开图像。
13.根据权利要求8所述的系统,其中所述可执行代码还用于使所述一个或多个处理装置通过根据所述训练数据集训练深度神经网络(DNN),来根据所述训练数据集来训练所述机器学习模型以识别所述流体泄漏。
14.根据权利要求8所述的系统,其中所述可执行代码还用于使所述一个或多个处理装置将所述机器学习模型加载到连接到车辆的控制器的存储器,所述车辆具有安装到其上并且可操作地连接到所述控制器的摄像机。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/404,031 | 2017-01-11 | ||
US15/404,031 US10296816B2 (en) | 2017-01-11 | 2017-01-11 | Generating training data for automatic vehicle leak detection |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108304861A CN108304861A (zh) | 2018-07-20 |
CN108304861B true CN108304861B (zh) | 2023-07-25 |
Family
ID=61190382
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810010060.XA Active CN108304861B (zh) | 2017-01-11 | 2018-01-05 | 生成自动车辆泄漏探测的训练数据 |
Country Status (6)
Country | Link |
---|---|
US (1) | US10296816B2 (zh) |
CN (1) | CN108304861B (zh) |
DE (1) | DE102018100192A1 (zh) |
GB (1) | GB2560234B (zh) |
MX (1) | MX2018000340A (zh) |
RU (1) | RU2017140787A (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107403424B (zh) * | 2017-04-11 | 2020-09-18 | 阿里巴巴集团控股有限公司 | 一种基于图像的车辆定损方法、装置及电子设备 |
US10900857B2 (en) * | 2018-06-06 | 2021-01-26 | Ford Global Technologies, Llc | Methods and systems for fluid leak determination |
US20190392656A1 (en) * | 2018-06-22 | 2019-12-26 | GM Global Technology Operations LLC | Method and apparatus for leak detection |
GB2576358B (en) * | 2018-08-16 | 2022-12-28 | Centrica Plc | Sensing fluid flow for estimating fluid flow state |
US10713542B2 (en) * | 2018-10-24 | 2020-07-14 | The Climate Corporation | Detection of plant diseases with multi-stage, multi-scale deep learning |
WO2020102733A1 (en) * | 2018-11-16 | 2020-05-22 | Nvidia Corporation | Learning to generate synthetic datasets for training neural networks |
GB2582904B (en) * | 2019-03-26 | 2021-04-14 | Atsr Ltd | Method and apparatus for controlling access to a vehicle |
US11424037B2 (en) * | 2019-11-22 | 2022-08-23 | International Business Machines Corporation | Disease simulation in medical images |
WO2021251062A1 (ja) * | 2020-06-10 | 2021-12-16 | コニカミノルタ株式会社 | 反射成分抑制画像生成装置、反射成分抑制推論モデル生成装置、反射成分抑制画像生成方法、及びプログラム |
US11995925B2 (en) * | 2020-12-10 | 2024-05-28 | Ford Global Technologies, Llc | Vision system for a vehicle coolant system |
US11971953B2 (en) | 2021-02-02 | 2024-04-30 | Inait Sa | Machine annotation of photographic images |
DE102021103367A1 (de) | 2021-02-12 | 2022-08-18 | Iav Gmbh Ingenieurgesellschaft Auto Und Verkehr | Erzeugung realistischer bildbasierter Daten zum Entwickeln und Testen von Fahrerassistenzsystemen |
JP2024506691A (ja) | 2021-02-18 | 2024-02-14 | アイエヌエイアイティ エスエイ | 2d画像において視認可能な使用形跡を使用した3dモデルの注釈付け |
US11544914B2 (en) | 2021-02-18 | 2023-01-03 | Inait Sa | Annotation of 3D models with signs of use visible in 2D images |
US11756311B2 (en) * | 2021-05-18 | 2023-09-12 | Toyota Motor Engineering & Manufacturing North America, Inc. | Parking spot and person detection |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ES353087A1 (es) * | 1967-05-03 | 1969-09-16 | Renault | Dispositivo hidraulico de mando de una transmision automa- tica escalonada. |
CN1924326A (zh) * | 2005-08-30 | 2007-03-07 | 现代自动车株式会社 | 用于监测lpi车辆喷射器燃料泄漏的方法 |
CN101876752A (zh) * | 2009-04-02 | 2010-11-03 | 通用汽车环球科技运作公司 | 矢量投射显示的畸变和透视校正 |
US8855849B1 (en) * | 2013-02-25 | 2014-10-07 | Google Inc. | Object detection based on known structures of an environment of an autonomous vehicle |
EP3009302A2 (en) * | 2014-10-13 | 2016-04-20 | LG Electronics Inc. | Under vehicle image provision apparatus and vehicle including the same |
Family Cites Families (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09304281A (ja) | 1996-05-09 | 1997-11-28 | Tokyo Electric Power Co Inc:The | 油検知装置 |
US8605947B2 (en) | 2008-04-24 | 2013-12-10 | GM Global Technology Operations LLC | Method for detecting a clear path of travel for a vehicle enhanced by object detection |
US7891340B2 (en) | 2008-04-30 | 2011-02-22 | Ford Global Technologies, Llc | Feed-forward control in a fuel delivery system and leak detection diagnostics |
JP2010060422A (ja) * | 2008-09-03 | 2010-03-18 | Toshiba Corp | 液漏れ検出装置及び液漏れ検出方法 |
US8228381B2 (en) | 2008-09-03 | 2012-07-24 | Walter Accurso | Video and data capturing system and method |
JP2013110571A (ja) | 2011-11-21 | 2013-06-06 | Sony Corp | 撮像システムおよび撮像装置 |
DE102011088167A1 (de) | 2011-12-09 | 2013-06-13 | Robert Bosch Gmbh | Detektion eines Ladungsverlusts bei einem Kraftfahrzeug |
US9174508B2 (en) * | 2013-03-15 | 2015-11-03 | Levant Power Corporation | Active vehicle suspension |
WO2014176693A1 (en) * | 2013-04-29 | 2014-11-06 | Intelliview Technologies Inc. | Object detection |
US10093247B2 (en) | 2013-05-23 | 2018-10-09 | GM Global Technology Operations LLC | Enhanced front curb viewing system |
EP3859310B1 (en) | 2013-07-17 | 2023-08-23 | Panasonic Intellectual Property Management Co., Ltd. | Spectroscopic apparatus |
US9915545B2 (en) | 2014-01-14 | 2018-03-13 | Toyota Motor Engineering & Manufacturing North America, Inc. | Smart necklace with stereo vision and onboard processing |
EP2908203B1 (en) | 2014-02-14 | 2019-03-27 | Accenture Global Services Limited | Unmanned vehicle (UV) movement and data control system |
WO2015143569A1 (en) * | 2014-03-28 | 2015-10-01 | Intelliview Technologies Inc. | Leak detection |
DE102014209197A1 (de) | 2014-05-15 | 2015-11-19 | Conti Temic Microelectronic Gmbh | Vorrichtung und Verfahren zum Erkennen von Niederschlag für ein Kraftfahrzeug |
US9898830B2 (en) | 2015-03-17 | 2018-02-20 | Hitachi, Ltd. | Oil leakage detector and oil leakage detection method |
CN105182537B (zh) | 2015-09-28 | 2017-10-27 | 大连楼兰科技股份有限公司 | 智能眼镜维保过程中的漏液识别方法 |
US9987752B2 (en) * | 2016-06-10 | 2018-06-05 | Brain Corporation | Systems and methods for automatic detection of spills |
DE102016210632A1 (de) | 2016-06-15 | 2017-12-21 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zum Überprüfen eines Medienverlustes eines Kraftfahrzeuges sowie Kraftfahrzeug und System zum Ausführen eines solchen Verfahrens |
JP6346251B2 (ja) * | 2016-11-25 | 2018-06-20 | ファナック株式会社 | 油漏れ検出装置 |
US10372996B2 (en) * | 2016-12-15 | 2019-08-06 | Ford Global Technologies, Llc | Automatic vehicle leak detection |
-
2017
- 2017-01-11 US US15/404,031 patent/US10296816B2/en active Active
- 2017-11-23 RU RU2017140787A patent/RU2017140787A/ru not_active Application Discontinuation
-
2018
- 2018-01-05 DE DE102018100192.4A patent/DE102018100192A1/de not_active Withdrawn
- 2018-01-05 CN CN201810010060.XA patent/CN108304861B/zh active Active
- 2018-01-05 GB GB1800198.2A patent/GB2560234B/en active Active
- 2018-01-09 MX MX2018000340A patent/MX2018000340A/es unknown
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ES353087A1 (es) * | 1967-05-03 | 1969-09-16 | Renault | Dispositivo hidraulico de mando de una transmision automa- tica escalonada. |
CN1924326A (zh) * | 2005-08-30 | 2007-03-07 | 现代自动车株式会社 | 用于监测lpi车辆喷射器燃料泄漏的方法 |
CN101876752A (zh) * | 2009-04-02 | 2010-11-03 | 通用汽车环球科技运作公司 | 矢量投射显示的畸变和透视校正 |
US8855849B1 (en) * | 2013-02-25 | 2014-10-07 | Google Inc. | Object detection based on known structures of an environment of an autonomous vehicle |
EP3009302A2 (en) * | 2014-10-13 | 2016-04-20 | LG Electronics Inc. | Under vehicle image provision apparatus and vehicle including the same |
Non-Patent Citations (2)
Title |
---|
A CFD simulation of hydrogen dispersion for the hydrogen leakage from a fuel cell vehicle in an underground parking garage;Jongrak Choi等;《International Journal of Hydrogen Energy》;20130627;第38卷(第19期);8084-8091 * |
压力容器液相流体泄漏实验研究;任荣亭等;《液压气动与密封》;20130715(第07期);12-14 * |
Also Published As
Publication number | Publication date |
---|---|
GB2560234B (en) | 2022-09-28 |
US10296816B2 (en) | 2019-05-21 |
GB201800198D0 (en) | 2018-02-21 |
RU2017140787A (ru) | 2019-05-23 |
MX2018000340A (es) | 2018-11-09 |
CN108304861A (zh) | 2018-07-20 |
GB2560234A (en) | 2018-09-05 |
DE102018100192A1 (de) | 2018-07-12 |
US20180197048A1 (en) | 2018-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108304861B (zh) | 生成自动车辆泄漏探测的训练数据 | |
US10372996B2 (en) | Automatic vehicle leak detection | |
JP6873237B2 (ja) | 画像ベースの車両損害評価方法、装置、およびシステム、ならびに電子デバイス | |
US20200356790A1 (en) | Vehicle image verification | |
CN112560999B (zh) | 一种目标检测模型训练方法、装置、电子设备及存储介质 | |
GB2553654A (en) | Using virtual data to test and train parking space detection systems | |
US20150124093A1 (en) | Method for object size calibration to aid vehicle detection for video-based on-street parking technology | |
CN109389863A (zh) | 提示方法及相关设备 | |
US10373316B2 (en) | Images background subtraction for dynamic lighting scenarios | |
CN103135903B (zh) | 一种图库展示方法及装置 | |
US20150070682A1 (en) | Apparatus and method for recognizing obstacle using laser scanner | |
CN116310656B (zh) | 训练样本确定方法、装置和计算机设备 | |
CN115393818A (zh) | 驾驶场景识别方法、装置、计算机设备和存储介质 | |
FR3019310A1 (fr) | Procede de geo-localisation de l'environnement d'un porteur | |
JP2009509259A5 (zh) | ||
CN110222557B (zh) | 路况的实时检测方法、装置、系统和存储介质 | |
CN116665170A (zh) | 目标检测模型的训练及目标检测方法、装置、设备和介质 | |
CN112233139A (zh) | 用于在3d数据重建过程中检测运动的系统和方法 | |
CN114998863A (zh) | 目标道路识别方法、装置、电子设备以及存储介质 | |
JP2023548749A (ja) | センサデータのアノテーションのための方法およびシステム | |
CN112560853A (zh) | 图像处理的方法、装置及存储介质 | |
CN113435318A (zh) | 神经网络训练、图像检测、行驶控制方法及装置 | |
Biju et al. | Unseen Abyss: Implementation of pothole detection system using machine learning | |
Chen et al. | Self-supervised sun glare detection CNN for self-aware autonomous driving | |
US20240029482A1 (en) | Model evaluation and enhanced user interface for analyzing machine learning models |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |