CN109558858A - 基于深度学习的车内卫生自动识别方法及系统 - Google Patents

Abstract

本发明公开的基于深度学习的车内卫生自动识别方法及系统，涉及深度学习技术领域，通过监控用户的订单状态，根据订单状态，判断用户是否已经结单，若是，则采集车辆内部的照片并将照片上传至文件服务器，接收文件服务器返回的照片的URL并将URL及本次订单号输入训练过的神经网络模型，接收神经网络模型返回的识别结果及订单号，根据识别结果，决定是否通知运维人员对订单号对应的车辆进行清洗，能够自动对车内的卫生状况进行识别并根据识别结果，决定是否对车辆进行清洗，不需要逐辆确认车内的卫生状况，提高了清洗效率及节省了清洗成本，解决了现有技术存在的需要逐辆确认车内的卫生状况导致清洗效率低及清洗成本高的缺陷。

Description

基于深度学习的车内卫生自动识别方法及系统

技术领域

本发明涉及深度学习技术领域，具体涉及一种基于深度学习的车内卫生自动识别方法及系统。

背景技术

随着车联网技术的兴起，越来越多的共享汽车分布在城市的大街小巷中。共享汽车提高了汽车的使用效率、方便了用户的出行、降低了用户的出行成本。但是随着汽车使用效率的提升，车内的卫生状况也越来越差，而卫生状况差也是用户在用车时抱怨最多的问题之一。对于共享汽车的服务提供商来说，车辆散落在城市各地，逐辆确认车内的卫生状况、决定是否清洗成本高、任务重，基本很难实施。

发明内容

为解决现有技术的不足，本发明实施例提供了一种基于深度学习的车内卫生自动识别方法及系统。

第一方面，本发明实施例提供的基于深度学习的车内卫生自动识别方法包括：

监控用户的订单状态，根据所述订单状态，判断用户是否已经结单；

若是，则采集车辆内部的照片并将所述照片上传至文件服务器，其中，所述照片包括车辆的中控台、脚垫及前排座椅的照片；

接收文件服务器返回的所述照片的URL并将所述URL及本次订单号输入训练过的神经网络模型；

接收所述神经网络模型返回的识别结果及订单号，根据识别结果，决定是否通知运维人员对所述订单号对应的车辆进行清洗。

进一步地，所述神经网络模型为卷积神经网络模型。

进一步地，所述神经网络模型的训练过程包括：

根据所述照片的亮度、色值及对比度对所述照片进行预处理，根据设定的规则对所述照片进行分类并标识，生成样本数据，根据所述样本数据对所述神经网络模型进行训练。

第二方面，本发明实施例提供的基于深度学习的车内卫生自动识别系统包括：

判断模块，用于监控用户的订单状态，根据所述订单状态，判断用户是否已经结单；

采集模块，用于采集车辆内部的照片并将所述照片上传至文件服务器，其中，所述照片包括车辆的中控台、脚垫及前排座椅的照片；

接收模块，用于接收文件服务器返回的所述照片的URL并将所述URL及本次订单号输入训练过的神经网络模型；

确定模块，用于接收所述神经网络模型返回的识别结果及订单号，根据识别结果，确定是否通知运维人员对所述订单号对应的车辆进行清洗。

进一步地，所述系统还包括：

训练模块，用于根据所述照片的亮度、色值及对比度对所述照片进行预处理，根据设定的规则对所述照片进行分类并标识，生成样本数据，根据所述样本数据对所述神经网络模型进行训练。

本发明实施例提供的基于深度学习的车内卫生自动识别方法及系统所具有如下有益效果：

在用户结单后，能够自动对车内的卫生状况进行识别并根据识别结果，决定是否对车辆进行清洗，不需要逐辆确认车内的卫生状况，提高了清洗效率及节省了清洗成本。

附图说明

图1为本发明实施例提供的基于深度学习的车内卫生自动识别方法的流程示意图；

图2为本发明实施例提供的基于深度学习的车内卫生自动识别系统的结构示意图；

图3为本发明实施例提供的基于深度学习的车内卫生自动识别系统的另一结构示意图。

具体实施方式

以下结合附图和具体实施例对本发明作具体的介绍。

参照图1，本发明实施例提供的基于深度学习的车内卫生自动识别方法，包括以下步骤：

S101，监控用户的订单状态，根据所述订单状态，判断用户是否已经结单；

S102，若是，则采集车辆内部的照片并将所述照片上传至文件服务器，其中，所述照片包括车辆的中控台、脚垫及前排座椅的照片；

S103，接收文件服务器返回的所述照片的URL并将所述URL及本次订单号输入训练过的神经网络模型；

S104，接收所述神经网络模型返回的识别结果及订单号，根据识别结果，决定是否通知运维人员对所述订单号对应的车辆进行清洗。

可选地，所述神经网络模型为卷积神经网络模型。

可选地，所述神经网络模型的训练过程包括：

根据所述照片的亮度、色值及对比度对所述照片进行预处理，根据设定的规则对所述照片进行分类并标识，生成样本数据，根据所述样本数据对所述神经网络模型进行训练。

作为一个具体的实施例，本发明实施例采用tensorflow框架，选取Inception-v4结构设计了一个二分分类器，对33000张车型为奇瑞EQ的车内照片对神经网络模型进行训练。训练前需要对采集的照片进行预处理，预处理的方法主要是对实际采集的照片进行亮度、色值、对比度的处理。使用1张采集的照片，按照亮度的高低生成额外的2张照片，以增加训练样本数和提高神经网络模型的容错度，然后将采集的照片通过人工归类到名为clean和dirty两个文件夹，在人工分类之时，采用统一的标准，即只要照片中稍有杂物，就将该张照片归入dirty文件夹。

参照图2，本发明实施例提供的基于深度学习的车内卫生自动识别系统，包括判断模块、采集模块、接收模块及确定模块，其中：

判断模块，用于监控用户的订单状态，根据所述订单状态，判断用户是否已经结单；

采集模块，用于采集车辆内部的照片并将所述照片上传至文件服务器，其中，所述照片包括车辆的中控台、脚垫及前排座椅的照片；

接收模块，用于接收文件服务器返回的所述照片的URL并将所述URL及本次订单号输入训练过的神经网络模型；

确定模块，用于接收所述神经网络模型返回的识别结果及订单号，根据识别结果，确定是否通知运维人员对所述订单号对应的车辆进行清洗。

可选地，如图3所示，本发明实施例提供的基于深度学习的车内卫生自动识别系统还包括训练模块，其中：

训练模块，用于根据照片的亮度、色值及对比度对照片进行预处理，根据设定的规则对照片进行分类并标识，生成样本数据，根据样本数据对神经网络模型进行训练。

本发明实施例提供的基于深度学习的车内卫生自动识别方法及系统，通过监控用户的订单状态，根据订单状态，判断用户是否已经结单，若是，则采集车辆内部的照片并将照片上传至文件服务器，接收文件服务器返回的照片的URL并将URL及本次订单号输入训练过的神经网络模型，接收神经网络模型返回的识别结果及订单号，根据识别结果，决定是否通知运维人员对订单号对应的车辆进行清洗，能够自动对车内的卫生状况进行识别并根据识别结果，决定是否对车辆进行清洗，不需要逐辆确认车内的卫生状况，提高了清洗效率及节省了清洗成本。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

可以理解的是，上述方法及装置中的相关特征可以相互参考。另外，上述实施例中的“第一”、“第二”等是用于区分各实施例，而并不代表各实施例的优劣。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

此外，存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (5)

1.一种基于深度学习的车内卫生自动识别方法，适用于共享汽车，其特征在于，包括：

实时监控用户的订单状态，根据所述订单状态，判断用户是否已经结单；

若是，则采集车辆内部的照片并将所述照片上传至文件服务器，其中，所述照片包括车辆的中控台、脚垫及前排座椅的照片；

接收文件服务器返回的所述照片的URL并将所述URL及本次订单号输入训练过的神经网络模型；

接收所述神经网络模型返回的识别结果及订单号，根据识别结果，决定是否通知运维人员对所述订单号对应的车辆进行清洗。

2.根据权利要求1所述的基于深度学习的车内卫生自动识别方法，其特征在于，所述神经网络模型为卷积神经网络模型。

3.根据权利要求1所述的基于深度学习的车内卫生自动识别方法，其特征在于，所述神经网络模型的训练过程包括：

根据所述照片的亮度、色值及对比度对所述照片进行预处理，根据设定的规则对所述照片进行分类并标识，生成样本数据，根据所述样本数据对所述神经网络模型进行训练。

4.一种基于深度学习的车内卫生自动识别系统，适用于共享汽车，其特征在于，包括：

判断模块，用于实时监控用户的订单状态，根据所述订单状态，判断用户是否已经结单；

采集模块，用于采集车辆内部的照片并将所述照片上传至文件服务器，其中，所述照片包括车辆的中控台、脚垫及前排座椅的照片；

接收模块，用于接收文件服务器返回的所述照片的URL并将所述URL及本次订单号输入训练过的神经网络模型；

确定模块，用于接收所述神经网络模型返回的识别结果及订单号，根据识别结果，确定是否通知运维人员对所述订单号对应的车辆进行清洗。

5.根据权利要求4所述的基于深度学习的车内卫生自动识别系统，其特征在于，所述系统还包括：

训练模块，用于根据所述照片的亮度、色值及对比度对所述照片进行预处理，根据设定的规则对所述照片进行分类并标识，生成样本数据，根据所述样本数据对所述神经网络模型进行训练。