CN109508725A - 运输车辆的盖板开合检测方法、装置及终端 - Google Patents
运输车辆的盖板开合检测方法、装置及终端 Download PDFInfo
- Publication number
- CN109508725A CN109508725A CN201710832982.4A CN201710832982A CN109508725A CN 109508725 A CN109508725 A CN 109508725A CN 201710832982 A CN201710832982 A CN 201710832982A CN 109508725 A CN109508725 A CN 109508725A
- Authority
- CN
- China
- Prior art keywords
- category
- vehicle
- cnn model
- transport
- classification
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 58
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 203
- 238000000034 method Methods 0.000 claims abstract description 48
- 230000032258 transport Effects 0.000 claims description 234
- 238000012545 processing Methods 0.000 claims description 21
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 12
- 238000005516 engineering process Methods 0.000 abstract description 9
- 238000009434 installation Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 22
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 238000007726 management method Methods 0.000 description 10
- 238000012549 training Methods 0.000 description 8
- 238000012806 monitoring device Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种运输车辆的盖板开合检测方法、装置及终端，属于车辆管理领域。所述方法包括：获取目标图像，该目标图像为包括运输车辆的图像；通过第一卷积神经网络CNN模型对该目标图像中的运输车辆进行分类，得到该运输车辆所属的分类类别；其中，分类类别包括第一类别和第二类别，该第一类别用于指示运输车辆的盖板未闭合，该第二类别用于指示运输车辆的盖板已闭合；当该运输车辆所属的分类类别为该第一类别时，确定该运输车辆的盖板未闭合。本发明实现了利用图像识别技术对运输车辆的盖板开合进行检测，检测过程简单，检测精度和检测效率较高，而且还无需在车道上安装框架和激光测距仪，节省了检测成本。
Description
技术领域
本发明实施例涉及车辆管理领域，特别涉及一种运输车辆的盖板开合检测方法、装置及终端。
背景技术
目前，交通运输管理规定渣土车、砂石车等运输车辆的厢体顶部必须添加盖板，且运输过程中必须将盖板闭合严实。但是有些运输车辆的司机为了提高运货量，经常会超载运输，如果超载运输则厢体顶部的盖板就无法闭合严实，这将会导致行驶中出现渣土、砂石等货物抛洒的现象，既会污染道路环境，又会妨碍人们的正常出行。为此，也就需要对运输车辆的盖板开合情况进行检测。
相关技术中，提出了一种运输车辆的盖板开合检测方法，包括：在运输车辆经过的固定车道上安装框架，并在框架上垂直安装一组激光测距仪，通过安装的激光测距仪向运输车辆厢体顶部的盖板垂直发射激光，来测量盖板上不同点到框架的水平架的距离，并将测量的距离输入到计算机中，然后利用计算机根据接收到的距离计算出厢体顶部的盖板与水平面的夹角，通过夹角来判断盖板合盖的严实程度，当夹角大于预设夹角时，确定盖板未闭合。
但是，上述通过激光测距并计算盖板与水平面之间的夹角的检测方法中，需要通过仪器测距且检测算法复杂，因此检测精度和检测效率较低，而且还必须在车道上安装框架和激光测距仪，检测成本也较高。
发明内容
为了解决相关技术中存在的检测精度和检测效率较低，检测成本较高的问题，本发明实施例提供了一种运输车辆的盖板开合检测方法、装置、终端及存储介质。所述技术方案如下：
第一方面，提供了一种运输车辆的盖板开合检测方法，所述方法包括：
获取目标图像，所述目标图像为包括运输车辆的图像；
通过第一CNN(Convolutional Neural Network，卷积神经网络)模型对所述目标图像中的运输车辆进行分类，得到所述运输车辆所属的分类类别；
其中，分类类别包括第一类别和第二类别，所述第一类别用于指示运输车辆的盖板未闭合，所述第二类别用于指示运输车辆的盖板已闭合；
当所述运输车辆所属的分类类别为所述第一类别时，确定所述运输车辆的盖板未闭合。
可选地，所述当所述运输车辆所属的分类类别为所述第一类别时，确定所述运输车辆的盖板未闭合，包括：
当所述第一类别包括第一子类别、第二子类别和第三子类别，且所述运输车辆所属的分类类别为所述第一子类别或者所述第二子类别时，确定所述运输车辆的盖板未闭合，并确定所述运输车辆是违法运输车辆；
其中，所述第一子类别用于指示运输有物品且盖板未合紧的运输车辆，所述第二子类别用于指示运输有物品且厢体完全敞开的运输车辆，所述第三子类别用于指示没有运输物品且厢体完全敞开的运输车辆；
当所述第一类别包括第一子类别、第二子类别和第三子类别，且所述运输车辆所属的分类类别为所述第三子类别时，确定所述运输车辆的盖板未闭合，并确定所述运输车辆不是违法运输车辆。
可选地，所述获取目标图像之后，还包括：
从所述目标图像中确定所述运输车辆的车牌所在区域；
基于预设车牌识别模型对所述车牌所在区域进行识别，得到所述运输车辆的车牌号码；
相应地，所述确定所述运输车辆是违法运输车辆之后，还包括：
将所述车牌号码存储在本地，或者将所述车牌号码上传至车辆管理系统。
可选地，所述通过第一CNN模型对所述目标图像中的运输车辆进行分类，得到所述运输车辆所属的分类类别，包括：
将所述目标图像作为所述第一CNN模型的输入，通过所述第一CNN模型确定第一概率、第二概率、第三概率和第四概率，所述第一概率、第二概率、第三概率和第四概率是指所述运输车辆分别属于所述第一子类别、所述第二子类别、所述第三子类别和所述第二类别的概率；
将所述第一概率、第二概率、第三概率和第四概率中的最大概率所对应的类别确定为所述运输车辆所属的分类类别。
可选地，所述通过第一CNN模型对所述目标图像中的运输车辆进行分类之前，还包括：
获取多个第一样本图像和所述多个第一样本图像中包括的多个运输车辆所属的实际分类类别，所述多个运输车辆中包括盖板未闭合的运输车辆和盖板已闭合的运输车辆；
通过第二CNN模型对所述多个运输车辆分别进行分类，得到每个运输车辆所属的分类类别，所述第二CNN模型为待训练的且能够识别运输车辆所属的分类类别的CNN模型；
基于所述多个运输车辆所属的实际分类类别和通过所述第二CNN模型分类后所述多个运输车辆所属的分类类别，计算所述第二CNN模型的分类误差；
基于所述第二CNN模型的分类误差，对所述第二CNN模型的模型参数进行调整，得到所述第一CNN模型。
可选地，所述获取目标图像，包括：
从多个采集图像中选择包括车辆的采集图像，所述多个采集图像为对车道进行拍摄得到；
从选择的采集图像中提取车辆所在区域；
通过第三CNN模型对提取的区域中的车辆进行分类，得到所述车辆所属的车辆类别，车辆类别包括运输车辆类别和非运输车辆类别；
当所述车辆所属的类别为所述运输车辆类别时，基于所述提取的区域确定所述目标图像。
可选地，所述基于所述提取的区域确定所述目标图像，包括：
将所述提取的区域确定为所述目标图像；或者，
将所述提取的区域中车辆的预设位置所在的区域确定为所述目标图像。
可选地，所述通过第三CNN模型对提取的区域中的车辆进行分类之前，还包括：
获取多个第二样本图像和所述多个第二样本图像中包括的多个车辆所属的实际车辆类别，所述多个车辆中包括运输车辆和非运输车辆；
通过第四CNN模型对所述多个车辆分别进行分类，得到每个车辆所属的车辆类别，所述第四CNN模型为待训练的且能够识别车辆所属的车辆类别的CNN模型；
基于所述多个车辆所属的实际车辆类别和通过所述第四CNN模型分类后所述多个车辆所属的车辆类别，计算所述第四CNN模型的分类误差；
基于所述第四CNN模型的分类误差，对所述第四CNN模型的模型参数进行调整，得到所述第三CNN模型。
第二方面，提供了一种运输车辆的盖板开合检测装置，所述装置包括：
第一获取模块，用于获取目标图像，所述目标图像为包括运输车辆的图像；
第一分类模块，用于通过第一卷积神经网络CNN模型对所述目标图像中的运输车辆进行分类，得到所述运输车辆所属的分类类别；
其中，分类类别包括第一类别和第二类别，所述第一类别用于指示运输车辆的盖板未闭合，所述第二类别用于指示运输车辆的盖板已闭合；
第一确定模块，用于当所述运输车辆所属的分类类别为所述第一类别时，确定所述运输车辆的盖板未闭合。
可选地，所述第一确定模块包括：
第一确定单元，用于当所述第一类别包括第一子类别、第二子类别和第三子类别，且所述运输车辆所属的分类类别为所述第一子类别或者所述第二子类别时，确定所述运输车辆的盖板未闭合，并确定所述运输车辆是违法运输车辆；
其中，所述第一子类别用于指示运输有物品且盖板未合紧的运输车辆，所述第二子类别用于指示运输有物品且厢体完全敞开的运输车辆，所述第三子类别用于指示没有运输物品且厢体完全敞开的运输车辆；
第二确定单元，用于当所述第一类别包括第一子类别、第二子类别和第三子类别，且所述运输车辆所属的分类类别为所述第三子类别时，确定所述运输车辆的盖板未闭合，并确定所述运输车辆不是违法运输车辆。
可选地，所述装置还包括：
第二确定模块，用于从所述目标图像中确定所述运输车辆的车牌所在区域；
识别模块，用于基于预设车牌识别模型对所述车牌所在区域进行识别，得到所述运输车辆的车牌号码；
车牌处理模块，用于将所述车牌号码存储在本地，或者将所述车牌号码上传至车辆管理系统。
可选地，所述第一分类模块包括：
第三确定单元，用于将所述目标图像作为所述第一CNN模型的输入，通过所述第一CNN模型确定第一概率、第二概率、第三概率和第四概率，所述第一概率、第二概率、第三概率和第四概率是指所述运输车辆分别属于所述第一子类别、所述第二子类别、所述第三子类别和所述第二类别的概率；
第四确定单元，用于将所述第一概率、第二概率、第三概率和第四概率中的最大概率所对应的类别确定为所述运输车辆所属的分类类别。
可选地，所述装置还包括：
第二获取模块，用于获取多个第一样本图像和所述多个第一样本图像中包括的多个运输车辆所属的实际分类类别，所述多个运输车辆中包括盖板未闭合的运输车辆和盖板已闭合的运输车辆；
第二分类模块，用于通过第二CNN模型对所述多个运输车辆分别进行分类，得到每个运输车辆所属的分类类别，所述第二CNN模型为待训练的且能够识别运输车辆所属的分类类别的CNN模型；
误差分析模块，用于基于所述多个运输车辆所属的实际分类类别和通过所述第二CNN模型分类后所述多个运输车辆所属的分类类别，计算所述第二CNN模型的分类误差；
调整模块，用于基于所述第二CNN模型的分类误差，对所述第二CNN模型的模型参数进行调整，得到所述第一CNN模型。
可选地，所述获取模块包括：
选择单元，用于从多个采集图像中选择包括车辆的采集图像，所述多个采集图像为对车道进行拍摄得到；
提取单元，用于从选择的采集图像中提取车辆所在区域；
第一分类单元，用于通过第三CNN模型对提取的区域中的车辆进行分类，得到所述车辆所属的车辆类别，车辆类别包括运输车辆类别和非运输车辆类别；
第五确定单元，用于当所述车辆所属的类别为所述运输车辆类别时，基于所述提取的区域确定所述目标图像。
可选地，所述提取单元用于：
将所述提取的区域确定为所述目标图像；或者，
将所述提取的区域中车辆的预设位置所在的区域确定为所述目标图像。
可选地，所述获取模块还包括：
获取单元，用于获取多个第二样本图像和所述多个第二样本图像中包括的多个车辆所属的实际车辆类别，所述多个车辆中包括运输车辆和非运输车辆；
第二分类单元，用于通过第四CNN模型对所述多个车辆分别进行分类，得到每个车辆所属的车辆类别，所述第四CNN模型为待训练的且能够识别车辆所属的车辆类别的CNN模型；
误差分析单元，用于基于所述多个车辆所属的实际车辆类别和通过所述第四CNN模型分类后所述多个车辆所属的车辆类别，计算所述第四CNN模型的分类误差；
调整单元，用于基于所述第四CNN模型的分类误差，对所述第四CNN模型的模型参数进行调整，得到所述第三CNN模型。
第三方面，提供了一种终端，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器被配置为执行上述第一方面所述的任一种运输车辆的盖板开合检测方法的步骤。
第四方面，提供了一种计算机可读存储介质，所述存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的任一种运输车辆的盖板开合检测方法。
本发明实施例提供的技术方案带来的有益效果是：
本发明实施例中，可以直接获取包括运输车辆的目标图像，然后通过CNN模型对目标图像中包括的运输车辆进行分类，根据分类类别即可检测出该运输车辆的盖板是否已闭合，实现了利用图像识别技术对运输车辆的盖板开合进行检测，检测过程简单，检测精度和检测效率较高，而且还可以直接利用车道上的图像采集装置获取目标图像进行检测，而无需在车道上安装框架和激光测距仪，节省了检测成本。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1A是本发明实施例提供的一种运输车辆的盖板开合检测方法的流程图；
图1B是本发明实施例提供的一种盖板未闭合的运输车辆的示意图；
图1C是本发明实施例提供的另一种盖板未闭合的运输车辆的示意图；
图1D是本发明实施例提供的又一种盖板未闭合的运输车辆的示意图；
图1E是本发明实施例提供的一种盖板已闭合的运输车辆的示意图；
图1F是本发明实施例提供的一种CNN模型的逻辑结构示意图；
图2是本发明实施例提供的一种训练CNN模型的方法流程图；
图3是本发明实施例提供的一种获取目标图像的方法流程图；
图4是本发明实施例提供的另一种训练CNN模型的方法流程图；
图5A是本发明实施例提供的一种运输车辆的盖板开合检测装置的结构示意图；
图5B是本发明实施例提供的一种第一确定模块503的结构示意图；
图5C是本发明实施例提供的另一种运输车辆的盖板开合检测装置的结构示意图；
图5D是本发明实施例提供的一种第一分类模块502的结构示意图；
图5E是本发明实施例提供的又一种运输车辆的盖板开合检测装置的结构示意图；
图5F是本发明实施例提供的一种获取模块501的结构示意图；
图5G是本发明实施例提供的另一种获取模块501的结构示意图；
图6是本发明实施例提供的一种终端600的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
在对本发明实施例进行详细的解释说明之前，先对本发明实施例的应用场景予以介绍。
本发明实施例应用于交通运输场景中，主要适用于对道路上的渣土车、砂石车等运输车辆的盖板开合情况进行监管，以通过检测运输车辆的盖板是否闭合严实，确保道路环境的整洁和交通安全，并对因超载导致盖板未合紧等未按要求安装使用盖板的违法运输车辆进行处罚。
在对本发明实施例的应用场景进行介绍之后，接下来将对本发明实施例的实施环境予以介绍。
本发明实施例可以应用于需要对道路上行驶的车辆进行监管的系统中，比如交通运输管理系统、智能化交通系统或者道路安全监控系统等，而且具体应用于系统中具有图像处理功能的终端中。实际应用中，该终端可以为计算机或者智能监控设备等。
以智能化交通系统为例，本发明实施例可以通过智能化交通系统中的监控摄像头对监控范围内的车道区域进行采集，得到包括运输车辆的目标图像，然后将采集的目标图像传输至智能化交通系统的监控设备，由监控设备利用本发明实施例提供的方法对该目标图像中包括的运输车辆进行分类，得到运输车辆所属的分类类别，根据该运输车辆所属的分类类别确定该运输车辆的盖板是否已闭合。
图1A是本发明实施例提供的一种运输车辆的盖板开合检测方法的流程图，该方法应用于终端中，参见图1A，该方法包括：
步骤101：获取目标图像，该目标图像为包括运输车辆的图像。
其中，该目标图像可以为终端存储的图像，或者由其他设备输入得到，或者对采集图像进行处理得到，本发明实施例对该目标图像的获取方式不做限定。具体地，对采集图像进行处理得到该目标图像的处理过程将在下述图3实施例中进行详细说明，此处不做赘述。
步骤102：通过第一CNN模型对该目标图像中的运输车辆进行分类，得到该运输车辆所属的分类类别，其中，分类类别包括第一类别和第二类别，该第一类别用于指示运输车辆的盖板未闭合，该第二类别用于指示运输车辆的盖板已闭合。
其中，该第一CNN模型为通过大量样本图像进行训练得到的能够识别出运输车辆所属的分类类别的CNN模型，也即是，该第一CNN模型能够对该目标图像中包括的运输车辆进行识别，识别出该运输车辆是属于第一类别还是属于第二类别，进而确定该运输车辆的盖板是未闭合还是已闭合。
具体地，通过第一CNN模型对该目标图像中的运输车辆进行分类，得到该运输车辆所属的分类类别包括：将该目标图像作为该第一CNN模型的输入，通过该第一CNN模型确定该运输车辆属于第一类别的概率和属于第二类别的概率，然后从属于第一类别的概率和属于第二类别的概率选择最大概率，将最大概率对应的类别确定为该运输车辆所属的类别。
比如，若该运输车辆属于第一类别的概率为0.8，属于第二类别的概率为0.2，则即可确定该运输车辆属于第一类别。
进一步地，由于第一类别仅用于指示运输车辆的盖板未闭合，但是盖板未闭合的运输车辆还包括多种情况，比如包括运输有物品且盖板未合紧的情况、运输有物品且厢体完全敞开的情况以及没有运输物品且厢体完全敞开的情况，其中，对于没有运输物品且厢体完全敞开的运输车辆，由于其没有运输物品因此即使该运输车辆的厢体完全敞开也不会造成道路污染或交通安全，因此这种情况下的运输车辆并没有违反交通运输管理的相关规定。
因此，为了在识别运输车辆的盖板开合情况的基础上，精确识别运输车辆的货物运输情况，以便根据盖板开合情况和货物运输情况综合确定运输车辆是否为违法运输车辆，本发明实施例中，还可以将盖板未闭合的运输车辆根据上述3种情况分成3类，对这3类运输车辆分别进行识别。
也即是，该第一类别可以包括第一子类别、第二子类别和第三子类别。其中，第一子类别用于指示运输有物品且盖板未合紧的运输车辆，比如因超载导致盖板未合紧的运输车辆，如图1B所示；第二子类别用于指示运输有物品且厢体完全敞开的运输车辆，如图1C所示；第三子类别用于指示没有运输物品且厢体完全敞开的运输车辆，如图1D所示。第二类别用于指示运输车辆的盖板已闭合，具体可以包括运输有物品且盖板已闭合的运输车辆和未运输物品且盖板已闭合的运输车辆，如图1E所示。
其中，厢体完全敞开的运输车辆包括未安装盖板的运输车辆和虽然安装有盖板但未闭合盖板的运输车辆。比如，图1B所示的渣土车为运输有渣土的渣土车，但是该渣土车却未安装盖板，导致厢体完全敞开；图1C所示的渣土车为没有运输渣土的渣土车，该渣土车虽然安装了盖板但是却并未将盖板关闭，导致盖板搭在车厢两侧、厢体完全敞开。
实际应用中，由于属于上述第一子类别和第二子类别的运输车辆会因盖板未闭合将运输的物品抛洒，造成交通污染并影响交通安全，而属于上述第三子类别的运输车辆因没有运输物品，不会造成上述影响，因此交通运输的相关法规通常将属于第一子类别和第二子类别的运输车辆定义为违法运输车辆，而将属于第三子类别的运输车辆定义为非违法运输车辆。
具体地，当第一类别包括第一子类别、第二子类别和第三子类别时，通过第一CNN模型对该目标图像中的运输车辆进行分类，得到该运输车辆所属的分类类别包括：将该目标图像作为该第一CNN模型的输入，通过该第一CNN模型确定第一概率、第二概率、第三概率和第四概率，该第一概率、第二概率、第三概率和第四概率是指该运输车辆分别属于该第一子类别、该第二子类别、该第三子类别和该第二类别的概率；将该第一概率、第二概率、第三概率和第四概率中的最大概率所对应的类别确定为该运输车辆所属的分类类别。
比如，当第一概率、第二概率、第三概率和第四概率分别为0.81、0.08、0.07和0.04时，其中的最大概率为第一概率0.81，则即可将第一概率对应的第一子类别确定为该运输车辆所属的分类类别。
其中，第一CNN模型的卷积神经网络结构可以包括卷积层、池化层和全连接层这三个部分，如图1F所示。其中，卷积层由一定个数的从目标图像中提取的特征图组成，每一层的特征图是通过卷积核连接到上一层的特征图的局部区域，通过卷积运算再通过加权和激活函数激活所得到的。池化层可以降低特征图中特征表示的维度，并使特征具有较小的平移和干扰不变性。全连接层的每一个神经元都与上一层的每一个神经元连接，是卷积神经网络的输出层，可以根据上一层的输入对目标图像进行分类，输出该目标图像属于每个预设类别的概率。例如，最后的全连接层可以使用softmax函数(一种回归函数)对该目标图像进行分类，分别输出该目标车辆属于第一子类别、第二子类别、第三子类别和第二类别的概率。
步骤103：当该运输车辆所属的分类类别为该第一类别时，确定该运输车辆的盖板未闭合。
具体地，当该运输车辆所属的分类类别为该第一类别时，确定该运输车辆的盖板未闭合可以包括以下两种情况：
第一种实现方式：当该第一类别包括第一子类别、第二子类别和第三子类别，且该运输车辆所属的分类类别为该第一子类别或者该第二子类别时，确定该运输车辆的盖板未闭合，并确定该运输车辆是违法运输车辆。
通过对目标图像中的运输车辆进行识别和分类，确定该运输车辆的盖板未闭合，并确定该运输车辆是违法运输车辆，便于后续对违法运输车辆的处罚，能够实现对运输车辆盖板闭合的有效监管，而且可以有效预防运输车辆超载运输或未按要求安装使用盖板等违法行为。
第二种实现方式：当该第一类别包括第一子类别、第二子类别和第三子类别，且该运输车辆所属的分类类别为该第三子类别时，确定该运输车辆的盖板未闭合，并确定该运输车辆不是违法运输车辆。
进一步地，本发明实施例中，还可以对目标图像中包括的运输车辆的车牌号码进行识别，以便后续当确定该运输车辆是违法运输车辆，根据识别的车牌号码对该运输车辆进行处罚。
在一种可能的实现方式中，在获取目标图像之后，该终端还可以先从该目标图像中确定该运输车辆的车牌所在区域，然后基于预设车牌识别模型对该车牌所在区域进行识别，得到该运输车辆的车牌号码，并记录该车牌号码，比如记录该车牌号码的实现方式可以包括将该车牌号码存储在本地，或者将该车牌号码上传至车辆管理系统等。
其中，该预设车牌识别模型为预先设置的用于对车辆的车牌号码进行识别的图像处理模型，具体可以为CNN模型或者RNN(Recurrent neural Network，循环神经网络)模型等，本发明实施例对该预设车牌识别模型不做限定。
具体地，从该目标图像中确定该运输车辆的车牌所在区域可以包括：对该目标图像进行横向扫描，逐一分析扫描到的每一行，确定可能存在车牌的行以及该行中车牌所在的区域，连接相邻行的可能存在车牌的区域，形成若干个可能为车牌的区域，然后逐一分析每个区域，确定车牌所在的区域。
具体地，基于预设车牌识别模型对该车牌所在区域进行识别可以包括：先在颜色空间上对车牌所在区域的颜色进行分类，确定车牌颜色，然后确定该车牌所在区域的车牌图像是否发生倾斜，并对倾斜角度较大的车牌图像进行旋转校正，校正之后再二值化该车牌图像，以对该车牌图像进行字符切割，得到多个字符，最后对每个字符逐一进行识别，得到车牌号码。
进一步地，为了节省图像处理的运算量，该终端还可以在确定该运输车辆是违法运输车辆时，再对该运输车辆的车牌号码进行识别，并记录该车牌号码，而当确定该运输车辆不是违法运输车辆，则可以不对该运输车辆的车牌号码进行识别。当然，在另一实施例中，也可以对所有运输车辆的车牌号码均进行识别和记录，本发明实施例对此不做限定。
步骤104：当该运输车辆所属的分类类别为该第二类别时，确定该运输车辆的盖板已闭合。
本发明实施例中，可以直接获取包括运输车辆的目标图像，然后通过CNN模型对目标图像中包括的运输车辆进行分类，根据分类类别即可检测出该运输车辆的盖板是否已闭合，实现了利用图像识别技术对运输车辆的盖板开合进行检测，检测过程简单，检测精度和检测效率较高，而且还可以直接利用车道上的图像采集装置获取目标图像进行检测，而无需在车道上安装框架和激光测距仪，节省了检测成本。
进一步地，在实现上述运输车辆的盖板开合检测方法之前，为了得到上述能够识别出运输车辆所属的分类类别的第一CNN模型，还需通过大量的样本图像对待训练的CNN模型进行训练。图2是本发明实施例提供的一种训练CNN模型的方法流程图，参见图2，该方法包括如下几个步骤：
步骤201：获取多个第一样本图像和该多个第一样本图像中包括的多个运输车辆所属的实际分类类别，该多个运输车辆中包括盖板未闭合的运输车辆和盖板已闭合的运输车辆。
其中，该多个第一样本图像为用于训练得到第一CNN模型的样本集，且该多个第一样本图像可以为终端存储的图像，或者为其他设备输入得到图像，或者对采集图像进行处理得到的图像，本发明实施例对该多个第一样本图像获取方式不做限定。
值的说明的是，每个第一样本图像中包括的运输车辆所属的实际分类类别是已知的，而且还可以对每个第一样本图像进行标记，通过标记指示其中包括的运输车辆所属的实际分类类别。
步骤202：通过第二CNN模型对该多个运输车辆分别进行分类，得到每个运输车辆所属的分类类别，该第二CNN模型为待训练的且能够识别运输车辆所属的分类类别的CNN模型。
具体地，可以为该第二CNN模型预先设置两个分类类别，即第一类别和第二类别，然后将该多个第一样本图像作为该第二CNN模型的输入，通过该第二CNN模型确定该多个第一样本图像中包括的多个运输车辆分别所属的分类类别。
进一步地，该第一类别还可以包括第一子类别、第二子类别、第三子类别，也即是，可以为该第二CNN模型预先设置四个分类类别，即第一子类别、第二子类别、第三子类别和第二类别，然后通过该第二CNN模型确定该多个第一样本图像中包括的多个运输车辆分别所属的分类类别。该第一样本图像包括运输有物品且盖板未合紧的运输车辆、运输有物品且厢体完全敞开的运输车辆、没有运输物品且厢体完全敞开的运输车辆以及盖板已闭合的运输车辆。
步骤203：基于该多个运输车辆所属的实际分类类别和通过该第二CNN模型分类后该多个运输车辆所属的分类类别，计算该第二CNN模型的分类误差。
其中，该第二CNN模型的分类误差用于指示通过该第二CNN模型分类得到的分类类别与实际分类类别之间的差异，实际应用中，可以通过损失函数度量该第二CNN模型的分类误差。
具体地，可以基于该多个运输车辆所属的实际分类类别和通过该第二CNN模型分类后该多个运输车辆所属的分类类别，通过预设损失函数，确定该多个第一样本图像的损失值，并将该多个第一样本图像的损失值确定为该第二CNN模型的分类误差。其中，该损失函数可以为交叉熵损失函数等，本发明实施例对该损失函数不做限定。
步骤204：基于该第二CNN模型的分类误差，对该第二CNN模型的模型参数进行调整，得到该第一CNN模型。
得到该第二CNN模型的分类误差之后，即可基于该第二CNN模型的分类误差进行反向传播，即对该第二CNN模型的模型参数进行更新，使得该第二CNN模型的分类类别与实际分类类别之间的误差越来越小，进而将该第二CNN模型训练成能够满足分类要求的第一CNN模型。
具体地，基于该第二CNN模型的分类误差，对该第二CNN模型的模型参数进行调整的过程可以包括：当该第二CNN模型的分类误差由该多个第一样本图像的损失值指示时，先基于损失函数对该第二CNN模型中的各个模型参数进行偏导运算，得到各个模型参数的偏导函数，然后基于该多个第一样本图像的损失值和各个模型参数的偏导函数，确定各个模型参数的偏导值，之后采用随机梯度下降法，基于各个模型参数的偏导值对各个模型参数进行更新。
本发明实施例中，通过采用大量样本图像对待训练的第二CNN模型进行训练，且大量样本图像中包括盖板未闭合和盖板已闭合的运输车辆，可以得到能够精确识别目标图像中包括的运输车辆所属的分类类别的第一CNN模型，提高了第一CNN模型的检测精度。
进一步地，为了得到上述包括运输车辆的目标图像，还可以先获取对车道进行拍摄得到的采集图像，然后识别采集图像中包括的车辆是否是运输车辆，当包括的车辆是运输车辆时再基于采集图像确定目标图像。接下来将结合图3对获取目标图像的过程进行详细介绍。图3是本发明实施例提供的一种获取目标图像的方法流程图，参见图3，该方法包括如下几个步骤：
步骤301：从多个采集图像中选择包括车辆的采集图像，该多个采集图像为对车道进行拍摄得到。
从多个采集图像中选择包括车辆的采集图像，是为了后续对包括车辆的采集图像进行识别，判断该采集图像中包括的车辆是否为运输车辆，以便确定包括运输车辆的目标图像。
其中，该多个采集图像可以从监控设备获取得到或者从图像数据库中选择得到。例如，终端可以接收车道上安装的监控设备发送的多个采集图像，且该采集图像由监控设备对车道进行拍摄得到，然后对该多个采集图像进行识别，选择其中包括车辆的采集图像。
具体地，从多个采集图像中选择包括车辆的采集图像可以通过车辆定位得到，该车辆定位过程可以包括：对于该多个采集图像中的每个采集图像，首先对该采集图进行多尺度滑动窗口扫描，确定可能存在车辆的区域，然后对可能存在车辆的区域进行特征提取，基于提取的特征确定该可能存在车辆的区域中存在的是否是车辆，当确定存在的是车辆时选择该采集图像。
步骤302：从选择的采集图像中提取车辆所在区域。
步骤303：通过第三CNN模型对提取的区域中的车辆进行分类，得到该车辆所属的车辆类别，车辆类别包括运输车辆类别和非运输车辆类别。
其中，该第三CNN模型为通过大量样本图像训练得到的能够识别运输车辆和非运输车辆这两种车辆类别的CNN模型。
步骤304：当该车辆所属的类别为该运输车辆类别时，基于该提取的区域确定该目标图像。
当该车辆所属的类别为该运输车辆类别时，表示该采集图像中包括的车辆就是运输车辆，因而此时即可基于从该采集图像中提取的车辆所在区域确定目标图像，以便后续可以仅对车辆所在区域的目标图像进行分类识别，检测运输车辆的盖板开合情况，从而减少了后续图像处理的运算量。
具体地，基于该提取的区域确定该目标图像可以包括：将该提取的区域确定为该目标图像；或者，将该提取的区域中车辆的预设位置所在的区域确定为该目标图像。
其中，该预设位置可以为车辆的厢体位置。进一步地，由于厢体通常情况下在车辆的上半部分，因此，还可以将提取的区域中车辆的上1/2或1/3区域确定为该目标图像。
本发明实施例中，通过先识别采集图像中包括的车辆是否是运输车辆，当包括的车辆是运输车辆时，再基于从采集图像中提取的车辆所在区域确定目标图像，可以减小对运输车辆的盖板开合情况进行检测的运算量和精确度，从而提高检测效率。
进一步地，在实现上述获取目标图像的方法之前，为了得到上述能够识别出车辆所属的分类车辆类别的第三CNN模型，还需通过大量的样本图像对待训练的CNN模型进行训练。图4是本发明实施例提供的另一种训练CNN模型的方法流程图，参见图4，该方法包括如下几个步骤：
步骤401：获取多个第二样本图像和该多个第二样本图像中包括的多个车辆所属的实际车辆类别，该多个车辆中包括运输车辆和非运输车辆。
其中，该多个第二样本图像为用于训练得到第三CNN模型的样本集，且该多个第二样本图像可以为终端存储的图像，或者为其他设备输入得到图像，或者对采集图像进行处理得到的图像，本发明实施例对该多个第二样本图像获取方式不做限定。
值的说明的是，每个第二样本图像中包括的运输车辆所属的实际车辆类别是已知的，而且还可以对每个第二样本图像进行标记，通过标记指示其中包括的车辆所属的实际车辆类别。
步骤402：通过第四CNN模型对该多个车辆分别进行分类，得到每个车辆所属的车辆类别，该第四CNN模型为待训练的且能够识别车辆所属的车辆类别的CNN模型。
具体地，可以为该第四CNN模型预先设置两个分类类别，即运输车辆类别和非运输车辆类别，然后将该多个第二样本图像作为该第四CNN模型的输入，通过该第四CNN模型确定该多个第二样本图像中包括的多个车辆分别所属的车辆类别。
步骤403：基于该多个车辆所属的实际车辆类别和通过该第四CNN模型分类后该多个车辆所属的车辆类别，计算该第四CNN模型的分类误差。
其中，该第四CNN模型的分类误差用于指示通过该第四CNN模型分类得到的车辆类别与实际车辆类别之间的差异，实际应用中，可以通过损失函数度量该第四CNN模型的分类误差。
具体地，可以基于该多个车辆所属的实际车辆类别和通过该第四CNN模型分类后该多个车辆所属的车辆类别，通过预设损失函数，确定该多个第二样本图像的损失值，并将该多个第二样本图像的损失值确定为该第四CNN模型的分类误差。其中，该损失函数可以为交叉熵损失函数等，本发明实施例对该损失函数不做限定。
步骤404：基于该第四CNN模型的分类误差，对该第四CNN模型的模型参数进行调整，得到该第三CNN模型。
得到该第四CNN模型的分类误差之后，即可基于该第四CNN模型的分类误差进行反向传播，即对该第四CNN模型的模型参数进行更新，使得该第四CNN模型分类得到的车辆类别与实际车辆类别之间的误差越来越小，进而将该第四CNN模型训练成能够满足车辆分类要求的第四CNN模型。
具体地，基于该第四CNN模型的分类误差，对该第四CNN模型的模型参数进行调整的过程可以包括：当该第四CNN模型的分类误差由该多个第二样本图像的损失值指示时，先基于损失函数对该第四CNN模型中的各个模型参数进行偏导运算，得到各个模型参数的偏导函数，然后基于该多个第二样本图像的损失值和各个模型参数的偏导函数，确定各个模型参数的偏导值，之后采用随机梯度下降法，基于各个模型参数的偏导值对各个模型参数进行更新。
本发明实施例中，通过采用大量样本图像对待训练的第三CNN模型进行训练，且大量样本图像中包括运输车辆和非运输车辆，可以得到能够精确识别车辆所属的车辆类别的第三CNN模型，提高检测精度。
图5A是本发明实施例提供的一种运输车辆的盖板开合检测装置的结构示意图，参见图5A，该装置包括：
第一获取模块501，用于获取目标图像，所述目标图像为包括运输车辆的图像；
第一分类模块502，用于通过第一卷积神经网络CNN模型对所述目标图像中的运输车辆进行分类，得到所述运输车辆所属的分类类别；
其中，分类类别包括第一类别和第二类别，所述第一类别用于指示运输车辆的盖板未闭合，所述第二类别用于指示运输车辆的盖板已闭合；
第一确定模块503，用于当所述运输车辆所属的分类类别为所述第一类别时，确定所述运输车辆的盖板未闭合。
可选地，参见图5B，所述第一确定模块503包括：
第一确定单元5031，用于当所述第一类别包括第一子类别、第二子类别和第三子类别，且所述运输车辆所属的分类类别为所述第一子类别或者所述第二子类别时，确定所述运输车辆的盖板未闭合，并确定所述运输车辆是违法运输车辆；
其中，所述第一子类别用于指示运输有物品且盖板未合紧的运输车辆，所述第二子类别用于指示运输有物品且厢体完全敞开的运输车辆，所述第三子类别用于指示没有运输物品且厢体完全敞开的运输车辆；
第二确定单元5032，用于当所述第一类别包括第一子类别、第二子类别和第三子类别，且所述运输车辆所属的分类类别为所述第三子类别时，确定所述运输车辆的盖板未闭合，并确定所述运输车辆不是违法运输车辆。
可选地，参见图5C，所述装置还包括：
第二确定模块504，用于从所述目标图像中确定所述运输车辆的车牌所在区域；
识别模块505，用于基于预设车牌识别模型对所述车牌所在区域进行识别，得到所述运输车辆的车牌号码；
车牌处理模块506，用于将所述车牌号码存储在本地，或者将所述车牌号码上传至车辆管理系统。
可选地，参见图5D，所述第一分类模块502包括：
第三确定单元5021，用于将所述目标图像作为所述第一CNN模型的输入，通过所述第一CNN模型确定第一概率、第二概率、第三概率和第四概率，所述第一概率、第二概率、第三概率和第四概率是指所述运输车辆分别属于所述第一子类别、所述第二子类别、所述第三子类别和所述第二类别的概率；
第四确定单元5022，用于将所述第一概率、第二概率、第三概率和第四概率中的最大概率所对应的类别确定为所述运输车辆所属的分类类别。
可选地，参见图5E，所述装置还包括：
第二获取模块507，用于获取多个第一样本图像和所述多个第一样本图像中包括的多个运输车辆所属的实际分类类别，所述多个运输车辆中包括盖板未闭合的运输车辆和盖板已闭合的运输车辆；
第二分类模块508，用于通过第二CNN模型对所述多个运输车辆分别进行分类，得到每个运输车辆所属的分类类别，所述第二CNN模型为待训练的且能够识别运输车辆所属的分类类别的CNN模型；
误差分析模块509，用于基于所述多个运输车辆所属的实际分类类别和通过所述第二CNN模型分类后所述多个运输车辆所属的分类类别，计算所述第二CNN模型的分类误差；
调整模块510，用于基于所述第二CNN模型的分类误差，对所述第二CNN模型的模型参数进行调整，得到所述第一CNN模型。
可选地，参见图5F，所述获取模块501包括：
选择单元5011，用于从多个采集图像中选择包括车辆的采集图像，所述多个采集图像为对车道进行拍摄得到；
提取单元5012，用于从选择的采集图像中提取车辆所在区域；
第一分类单元5013，用于通过第三CNN模型对提取的区域中的车辆进行分类，得到所述车辆所属的车辆类别，车辆类别包括运输车辆类别和非运输车辆类别；
第五确定单元5014，用于当所述车辆所属的类别为所述运输车辆类别时，基于所述提取的区域确定所述目标图像。
可选地，所述提取单元5012用于：
将所述提取的区域确定为所述目标图像；或者，
将所述提取的区域中车辆的预设位置所在的区域确定为所述目标图像。
可选地，参见图5G，所述获取模块501还包括：
获取单元5015，用于获取多个第二样本图像和所述多个第二样本图像中包括的多个车辆所属的实际车辆类别，所述多个车辆中包括运输车辆和非运输车辆；
第二分类单元5016，用于通过第四CNN模型对所述多个车辆分别进行分类，得到每个车辆所属的车辆类别，所述第四CNN模型为待训练的且能够识别车辆所属的车辆类别的CNN模型；
误差分析单元5017，用于基于所述多个车辆所属的实际车辆类别和通过所述第四CNN模型分类后所述多个车辆所属的车辆类别，计算所述第四CNN模型的分类误差；
调整单元5018，用于基于所述第四CNN模型的分类误差，对所述第四CNN模型的模型参数进行调整，得到所述第三CNN模型。
本发明实施例中，可以直接获取包括运输车辆的目标图像，然后通过CNN模型对目标图像中包括的运输车辆进行分类，根据分类类别即可检测出该运输车辆的盖板是否已闭合，实现了利用图像识别技术对运输车辆的盖板开合进行检测，检测过程简单，检测精度和检测效率较高，而且还可以直接利用车道上的图像采集装置获取目标图像进行检测，而无需在车道上安装框架和激光测距仪，节省了检测成本。
需要说明的是：上述实施例提供的运输车辆的盖板开合检测装置在检测运输车辆的盖板开合情况时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的运输车辆的盖板开合检测装置与运输车辆的盖板开合检测方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
图6是本发明实施例提供的一种终端600的结构示意图。例如，终端600可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
参照图6，终端600可以包括以下一个或多个组件：处理组件602，存储器604，电源组件606，多媒体组件608，音频组件610，输入/输出(I/O)的接口612，传感器组件614，以及通信组件616。
处理组件602通常控制终端600的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件602可以包括一个或多个处理器620来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件602可以包括一个或多个模块，便于处理组件602和其他组件之间的交互。例如，处理组件602可以包括多媒体模块，以方便多媒体组件608和处理组件602之间的交互。
存储器604被配置为存储各种类型的数据以支持在终端600的操作。这些数据的示例包括用于在终端600上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器604可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件606为终端600的各种组件提供电源。电源组件606可以包括电源管理系统，一个或多个电源，及其他与为终端600生成、管理和分配电源相关联的组件。
多媒体组件608包括在所述终端600和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件608包括一个前置摄像头和/或后置摄像头。当终端600处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件610被配置为输出和/或输入音频信号。例如，音频组件610包括一个麦克风(MIC)，当终端600处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器604或经由通信组件616发送。在一些实施例中，音频组件610还包括一个扬声器，用于输出音频信号。
I/O接口612为处理组件602和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件614包括一个或多个传感器，用于为终端600提供各个方面的状态评估。例如，传感器组件614可以检测到终端600的打开/关闭状态，组件的相对定位，例如所述组件为终端600的显示器和小键盘，传感器组件614还可以检测终端600或终端600一个组件的位置改变，用户与终端600接触的存在或不存在，终端600方位或加速/减速和终端600的温度变化。传感器组件614可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件614还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件614还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件616被配置为便于终端600和其他设备之间有线或无线方式的通信。终端600可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件616经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件616还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，终端600可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述实施例提供的运输车辆的盖板开合检测方法。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器604，上述指令可由终端600的处理器620执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
一种非临时性计算机可读存储介质，当所述存储介质中的指令由终端的处理器执行时，使得终端能够执行上述实施例提供的运输车辆的盖板开合检测方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (17)
1.一种运输车辆的盖板开合检测方法，其特征在于，所述方法包括：
获取目标图像，所述目标图像为包括运输车辆的图像；
通过第一卷积神经网络CNN模型对所述目标图像中的运输车辆进行分类，得到所述运输车辆所属的分类类别；
其中，分类类别包括第一类别和第二类别，所述第一类别用于指示运输车辆的盖板未闭合，所述第二类别用于指示运输车辆的盖板已闭合；
当所述运输车辆所属的分类类别为所述第一类别时，确定所述运输车辆的盖板未闭合。
2.如权利要求1所述的方法，其特征在于，所述当所述运输车辆所属的分类类别为所述第一类别时，确定所述运输车辆的盖板未闭合，包括：
当所述第一类别包括第一子类别、第二子类别和第三子类别，且所述运输车辆所属的分类类别为所述第一子类别或者所述第二子类别时，确定所述运输车辆的盖板未闭合，并确定所述运输车辆是违法运输车辆；
其中，所述第一子类别用于指示运输有物品且盖板未合紧的运输车辆，所述第二子类别用于指示运输有物品且厢体完全敞开的运输车辆，所述第三子类别用于指示没有运输物品且厢体完全敞开的运输车辆；
当所述第一类别包括第一子类别、第二子类别和第三子类别，且所述运输车辆所属的分类类别为所述第三子类别时，确定所述运输车辆的盖板未闭合，并确定所述运输车辆不是违法运输车辆。
3.如权利要求2所述的方法，其特征在于，所述获取目标图像之后，还包括：
从所述目标图像中确定所述运输车辆的车牌所在区域；
基于预设车牌识别模型对所述车牌所在区域进行识别，得到所述运输车辆的车牌号码；
相应地，所述确定所述运输车辆是违法运输车辆之后，还包括：
将所述车牌号码存储在本地，或者将所述车牌号码上传至车辆管理系统。
4.如权利要求2所述的方法，其特征在于，所述通过第一CNN模型对所述目标图像中的运输车辆进行分类，得到所述运输车辆所属的分类类别，包括：
将所述目标图像作为所述第一CNN模型的输入，通过所述第一CNN模型确定第一概率、第二概率、第三概率和第四概率，所述第一概率、第二概率、第三概率和第四概率是指所述运输车辆分别属于所述第一子类别、所述第二子类别、所述第三子类别和所述第二类别的概率；
将所述第一概率、第二概率、第三概率和第四概率中的最大概率所对应的类别确定为所述运输车辆所属的分类类别。
5.如权利要求1所述的方法，其特征在于，所述通过第一CNN模型对所述目标图像中的运输车辆进行分类之前，还包括：
获取多个第一样本图像和所述多个第一样本图像中包括的多个运输车辆所属的实际分类类别，所述多个运输车辆中包括盖板未闭合的运输车辆和盖板已闭合的运输车辆；
通过第二CNN模型对所述多个运输车辆分别进行分类，得到每个运输车辆所属的分类类别，所述第二CNN模型为待训练的且能够识别运输车辆所属的分类类别的CNN模型；
基于所述多个运输车辆所属的实际分类类别和通过所述第二CNN模型分类后所述多个运输车辆所属的分类类别，计算所述第二CNN模型的分类误差；
基于所述第二CNN模型的分类误差，对所述第二CNN模型的模型参数进行调整，得到所述第一CNN模型。
6.如权利要求1-5任一所述的方法，其特征在于，所述获取目标图像，包括：
从多个采集图像中选择包括车辆的采集图像，所述多个采集图像为对车道进行拍摄得到；
从选择的采集图像中提取车辆所在区域；
通过第三CNN模型对提取的区域中的车辆进行分类，得到所述车辆所属的车辆类别，车辆类别包括运输车辆类别和非运输车辆类别；
当所述车辆所属的类别为所述运输车辆类别时，基于所述提取的区域确定所述目标图像。
7.如权利要求6所述的方法，其特征在于，所述基于所述提取的区域确定所述目标图像，包括：
将所述提取的区域确定为所述目标图像；或者，
将所述提取的区域中车辆的预设位置所在的区域确定为所述目标图像。
8.如权利要求6所述的方法，其特征在于，所述通过第三CNN模型对提取的区域中的车辆进行分类之前，还包括：
获取多个第二样本图像和所述多个第二样本图像中包括的多个车辆所属的实际车辆类别，所述多个车辆中包括运输车辆和非运输车辆；
通过第四CNN模型对所述多个车辆分别进行分类，得到每个车辆所属的车辆类别，所述第四CNN模型为待训练的且能够识别车辆所属的车辆类别的CNN模型；
基于所述多个车辆所属的实际车辆类别和通过所述第四CNN模型分类后所述多个车辆所属的车辆类别，计算所述第四CNN模型的分类误差；
基于所述第四CNN模型的分类误差，对所述第四CNN模型的模型参数进行调整，得到所述第三CNN模型。
9.一种运输车辆的盖板开合检测装置，其特征在于，所述装置包括：
第一获取模块，用于获取目标图像，所述目标图像为包括运输车辆的图像；
第一分类模块，用于通过第一卷积神经网络CNN模型对所述目标图像中的运输车辆进行分类，得到所述运输车辆所属的分类类别；
其中，分类类别包括第一类别和第二类别，所述第一类别用于指示运输车辆的盖板未闭合，所述第二类别用于指示运输车辆的盖板已闭合；
第一确定模块，用于当所述运输车辆所属的分类类别为所述第一类别时，确定所述运输车辆的盖板未闭合。
10.如权利要求9所述的装置，其特征在于，所述第一确定模块包括：
第一确定单元，用于当所述第一类别包括第一子类别、第二子类别和第三子类别，且所述运输车辆所属的分类类别为所述第一子类别或者所述第二子类别时，确定所述运输车辆的盖板未闭合，并确定所述运输车辆是违法运输车辆；
其中，所述第一子类别用于指示运输有物品且盖板未合紧的运输车辆，所述第二子类别用于指示运输有物品且厢体完全敞开的运输车辆，所述第三子类别用于指示没有运输物品且厢体完全敞开的运输车辆；
第二确定单元，用于当所述第一类别包括第一子类别、第二子类别和第三子类别，且所述运输车辆所属的分类类别为所述第三子类别时，确定所述运输车辆的盖板未闭合，并确定所述运输车辆不是违法运输车辆。
11.如权利要求10所述的装置，其特征在于，所述装置还包括：
第二确定模块，用于从所述目标图像中确定所述运输车辆的车牌所在区域；
识别模块，用于基于预设车牌识别模型对所述车牌所在区域进行识别，得到所述运输车辆的车牌号码；
车牌处理模块，用于将所述车牌号码存储在本地，或者将所述车牌号码上传至车辆管理系统。
12.如权利要求10所述的装置，其特征在于，所述第一分类模块包括：
第三确定单元，用于将所述目标图像作为所述第一CNN模型的输入，通过所述第一CNN模型确定第一概率、第二概率、第三概率和第四概率，所述第一概率、第二概率、第三概率和第四概率是指所述运输车辆分别属于所述第一子类别、所述第二子类别、所述第三子类别和所述第二类别的概率；
第四确定单元，用于将所述第一概率、第二概率、第三概率和第四概率中的最大概率所对应的类别确定为所述运输车辆所属的分类类别。
13.如权利要求9所述的装置，其特征在于，所述装置还包括：
第二获取模块，用于获取多个第一样本图像和所述多个第一样本图像中包括的多个运输车辆所属的实际分类类别，所述多个运输车辆中包括盖板未闭合的运输车辆和盖板已闭合的运输车辆；
第二分类模块，用于通过第二CNN模型对所述多个运输车辆分别进行分类，得到每个运输车辆所属的分类类别，所述第二CNN模型为待训练的且能够识别运输车辆所属的分类类别的CNN模型；
误差分析模块，用于基于所述多个运输车辆所属的实际分类类别和通过所述第二CNN模型分类后所述多个运输车辆所属的分类类别，计算所述第二CNN模型的分类误差；
调整模块，用于基于所述第二CNN模型的分类误差，对所述第二CNN模型的模型参数进行调整，得到所述第一CNN模型。
14.如权利要求9-13任一所述的装置，其特征在于，所述获取模块包括：
选择单元，用于从多个采集图像中选择包括车辆的采集图像，所述多个采集图像为对车道进行拍摄得到；
提取单元，用于从选择的采集图像中提取车辆所在区域；
第一分类单元，用于通过第三CNN模型对提取的区域中的车辆进行分类，得到所述车辆所属的车辆类别，车辆类别包括运输车辆类别和非运输车辆类别；
第五确定单元，用于当所述车辆所属的类别为所述运输车辆类别时，基于所述提取的区域确定所述目标图像。
15.如权利要求14所述的装置，其特征在于，所述提取单元用于：
将所述提取的区域确定为所述目标图像；或者，
将所述提取的区域中车辆的预设位置所在的区域确定为所述目标图像。
16.如权利要求14所述的装置，其特征在于，所述获取模块还包括：
获取单元，用于获取多个第二样本图像和所述多个第二样本图像中包括的多个车辆所属的实际车辆类别，所述多个车辆中包括运输车辆和非运输车辆；
第二分类单元，用于通过第四CNN模型对所述多个车辆分别进行分类，得到每个车辆所属的车辆类别，所述第四CNN模型为待训练的且能够识别车辆所属的车辆类别的CNN模型；
误差分析单元，用于基于所述多个车辆所属的实际车辆类别和通过所述第四CNN模型分类后所述多个车辆所属的车辆类别，计算所述第四CNN模型的分类误差；
调整单元，用于基于所述第四CNN模型的分类误差，对所述第四CNN模型的模型参数进行调整，得到所述第三CNN模型。
17.一种终端，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器被配置为执行权利要求1-8所述的任一项方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710832982.4A CN109508725B (zh) | 2017-09-15 | 2017-09-15 | 运输车辆的盖板开合检测方法、装置及终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710832982.4A CN109508725B (zh) | 2017-09-15 | 2017-09-15 | 运输车辆的盖板开合检测方法、装置及终端 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109508725A true CN109508725A (zh) | 2019-03-22 |
| CN109508725B CN109508725B (zh) | 2021-01-01 |
Family
ID=65744847
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710832982.4A Active CN109508725B (zh) | 2017-09-15 | 2017-09-15 | 运输车辆的盖板开合检测方法、装置及终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109508725B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110929589A (zh) * | 2019-10-31 | 2020-03-27 | 浙江大华技术股份有限公司 | 车辆特征识别的方法、设备、计算机设备和存储介质 |
| CN111385537A (zh) * | 2020-03-17 | 2020-07-07 | 杭州鸿泉物联网技术股份有限公司 | 渣土车顶盖密闭识别的方法、装置、系统和电子设备 |
| CN111967434A (zh) * | 2020-08-31 | 2020-11-20 | 湖北科技学院 | 一种基于深度学习的机器视觉防夹系统 |
| CN112801121A (zh) * | 2019-11-13 | 2021-05-14 | 顺丰科技有限公司 | 一种运输行为的分类方法、装置及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103673985A (zh) * | 2013-12-06 | 2014-03-26 | 喀什沃鑫通讯科技有限公司 | 一种检测运输车辆车厢顶部盖板开合的装置及方法 |
| KR20160061484A (ko) * | 2014-11-21 | 2016-06-01 | 주식회사 만도 | 와이퍼 제어 장치 및 방법 |
| CN107122747A (zh) * | 2017-04-28 | 2017-09-01 | 北京理工大学 | 一种轨道车辆车厢状态非接触检测装置及方法 |
-
2017
- 2017-09-15 CN CN201710832982.4A patent/CN109508725B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103673985A (zh) * | 2013-12-06 | 2014-03-26 | 喀什沃鑫通讯科技有限公司 | 一种检测运输车辆车厢顶部盖板开合的装置及方法 |
| KR20160061484A (ko) * | 2014-11-21 | 2016-06-01 | 주식회사 만도 | 와이퍼 제어 장치 및 방법 |
| CN107122747A (zh) * | 2017-04-28 | 2017-09-01 | 北京理工大学 | 一种轨道车辆车厢状态非接触检测装置及方法 |
Non-Patent Citations (2)
| Title |
|---|
| T. SRIDEVI ET AL: "Vehicle Identification Based on the Model", 《2017 IEEE 7TH INTERNATIONAL ADVANCE COMPUTING CONFERENCE (IACC)》 * |
| 黄玉虎等: "密闭式顶盖对渣土车遗撒和风蚀扬尘的控制效果", 《环境卫生学杂志》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110929589A (zh) * | 2019-10-31 | 2020-03-27 | 浙江大华技术股份有限公司 | 车辆特征识别的方法、设备、计算机设备和存储介质 |
| CN110929589B (zh) * | 2019-10-31 | 2023-07-07 | 浙江大华技术股份有限公司 | 车辆特征识别的方法、设备、计算机设备和存储介质 |
| CN112801121A (zh) * | 2019-11-13 | 2021-05-14 | 顺丰科技有限公司 | 一种运输行为的分类方法、装置及存储介质 |
| CN112801121B (zh) * | 2019-11-13 | 2024-02-23 | 顺丰科技有限公司 | 一种运输行为的分类方法、装置及存储介质 |
| CN111385537A (zh) * | 2020-03-17 | 2020-07-07 | 杭州鸿泉物联网技术股份有限公司 | 渣土车顶盖密闭识别的方法、装置、系统和电子设备 |
| CN111385537B (zh) * | 2020-03-17 | 2021-03-26 | 杭州鸿泉物联网技术股份有限公司 | 渣土车顶盖密闭识别的方法、装置、系统和电子设备 |
| CN111967434A (zh) * | 2020-08-31 | 2020-11-20 | 湖北科技学院 | 一种基于深度学习的机器视觉防夹系统 |
| CN111967434B (zh) * | 2020-08-31 | 2023-04-07 | 湖北科技学院 | 一种基于深度学习的机器视觉防夹系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109508725B (zh) | 2021-01-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109508725B (zh) | 运输车辆的盖板开合检测方法、装置及终端 | |
| US11295469B2 (en) | Electronic device and method for recognizing object by using plurality of sensors | |
| CN109416250B (zh) | 运输车辆的车厢状态检测方法、车厢状态检测装置及终端 | |
| WO2020024457A1 (zh) | 交通事故的定责方法、装置及计算机可读存储介质 | |
| US9721173B2 (en) | Machine learning approach for detecting mobile phone usage by a driver | |
| CN106004883A (zh) | 车辆违规提醒的方法及装置 | |
| CN105469102A (zh) | 车辆行驶信息记录方法及装置 | |
| CN113192109B (zh) | 在连续帧中识别物体运动状态的方法及装置 | |
| CN113688805B (zh) | 一种基于无人机的无牌渣土车识别方法及系统 | |
| EP3309711B1 (en) | Vehicle alert apparatus and operating method thereof | |
| CN104821025A (zh) | 客流检测方法及其检测系统 | |
| CN114841377B (zh) | 应用于图像目标识别的联邦学习模型训练方法、识别方法 | |
| CN111967396A (zh) | 障碍物检测的处理方法、装置、设备及存储介质 | |
| CN113076851B (zh) | 一种车辆违章数据的采集方法、装置以及计算机设备 | |
| CN110907909A (zh) | 一种基于概率统计的雷达目标识别方法 | |
| CN110232827A (zh) | 自由流收费车型识别方法、装置及系统 | |
| CN113627277A (zh) | 一种识别车位的方法和装置 | |
| JP5809980B2 (ja) | 車両挙動解析装置及び車両挙動解析プログラム | |
| JP2024086761A (ja) | システム、プログラム、機械学習方法、及び機械学習モデル等 | |
| CN113065425B (zh) | 基于环境信息的车内遗落物提醒方法、系统及存储介质 | |
| CN108230680B (zh) | 一种车辆行为信息获取方法、装置及终端 | |
| CN112069901B (zh) | 车内物品监控方法、电子设备及存储介质 | |
| CN108873097B (zh) | 无人停车库中载车板停车时的安全检测方法及装置 | |
| KR20120070888A (ko) | 제보방법, 이를 수행하는 전자기기 및 기록매체 | |
| CN115471804A (zh) | 标注数据质检方法、装置、存储介质及电子设备 |
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 |