CN109927675A

CN109927675A - 一种雨刷控制方法、装置、设备及存储介质

Info

Publication number: CN109927675A
Application number: CN201910281305.7A
Authority: CN
Inventors: 张杏婵
Original assignee: Shenzhen Chuangwei Automobile Intelligent Co Ltd
Current assignee: Shenzhen Chuangwei Automobile Intelligent Co Ltd
Priority date: 2019-04-09
Filing date: 2019-04-09
Publication date: 2019-06-25
Anticipated expiration: 2039-04-09
Also published as: CN109927675B

Abstract

本发明实施例公开了一种雨刷控制方法、装置、设备及存储介质，该方法包括：获取待检测区域图像，并根据预先设置的划分规则，将待检测区域图像划分为至少一个待检测子区域图像；分别将待检测子区域图像输入至预先训练好的目标雨滴检测模型中，确定与待检测子区域图像相对应的雨滴概率值；根据雨滴概率值确定总雨滴量，并根据总雨滴量控制雨刷工作。本发明实施例的技术方案，解决了现有技术中雨滴传感器需要贴在挡风玻璃上，对视觉造成影响并且损坏时不易更换的技术问题，实现了根据预先训练的雨滴检测模型来控制雨刷工作效率较高、成本较低的技术效果。

Description

一种雨刷控制方法、装置、设备及存储介质

技术领域

本发明实施例涉及设备控制技术领域，尤其涉及一种雨刷控制方法、装置、设备及存储介质。

背景技术

刮雨器是汽车上的重要部件，可以起到辅助驾驶的作用，从而可以提高驾驶的安全性和便利性。现有技术中，控制雨刷的扫动主要通过两种方式。第一种方式需要用户参与，可选的，当用户确认需要雨刷扫动时，手动打开雨刷控制开关；另一种实施方式是：基于雨滴传感器检测到的信息控制雨刷电机的转动状态，从而实现对雨刷的控制。常见的雨滴传感器分为光感式和压电式，均需要贴在前挡风玻璃上，对视觉效果有一定影响，损坏时也不易更换。

发明内容

本发明实施例提供一种雨刷控制方法、装置、设备及存储介质，以实现提高雨刷的控制效率，以及降低成本的技术效果。

第一方面，本发明实施例提供了一种雨刷控制方法，该方法包括：

获取待检测区域图像，并根据预先设置的划分规则，将所述待检测区域图像划分为至少一个待检测子区域图像；

分别将所述待检测子区域图像输入至预先训练好的目标雨滴检测模型中，确定与所述待检测子区域图像相对应的雨滴概率值；

根据所述雨滴概率值确定总雨滴量，并根据所述总雨滴量控制所述雨刷工作。

第二方面，本发明实施例还提供了一种雨刷的控制装置，该装置包括：

图像划分模块，用于获取待检测区域图像，并根据预先设置的划分规则，将所述待检测区域图像划分为至少一个待检测子区域图像；

雨滴概率值确定模块，用于分别将所述待检测子区域图像输入至预先训练好的目标雨滴检测模型中，确定与所述待检测子区域图像相对应的雨滴概率值；

雨刷控制模块，用于根据所述雨滴概率值确定总雨滴量，并根据所述总雨滴量控制所述雨刷工作。

第三方面，本发明实施例还提供了一种设备，所述设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明实施例任一所述的雨刷控制方法。

第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本发明实施例任一所述的雨刷控制方法。

本发明实施例的技术方案，通过获取待检测区域图像，并根据预先设置的划分规则，将待检测区域图像划分为至少一个待检测子区域图像；分别将待检测子区域图像输入至预先训练好的目标雨滴检测模型中，确定与待检测子区域图像相对应的雨滴概率值；根据雨滴概率值确定总雨滴量，并根据总雨滴量控制雨刷工作，解决了现有技术中雨滴传感器需要贴在挡风玻璃上，对视觉造成影响并且损坏时不易更换的技术问题，实现了根据预先训练的雨滴检测模型来控制雨刷工作效率较高的技术效果。

附图说明

为了更加清楚地说明本发明示例性实施例的技术方案，下面对描述实施例中所需要用到的附图做一简单介绍。显然，所介绍的附图只是本发明所要描述的一部分实施例的附图，而不是全部的附图，对于本领域普通技术人员，在不付出创造性劳动的前提下，还可以根据这些附图得到其他的附图。

图1为本发明实施例一所提供的一种雨刷控制方法流程示意图；

图2为本发明实施例二所提供的训练雨滴检测模型的流程示意图；

图3为本发明实施例三所提供的一种雨刷控制方法流程示意图；

图4为本发明实施例四所提供的一种雨刷控制装置结构示意图；

图5为本发明实施例五所提供的一种设备结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1为本发明实施例一所提供的一种雨刷控制方法流程示意图，本实施例可适用于车辆上对雨刷的控制情况，该方法可以由雨刷控制装置来执行，该装置可以通过软件和/或硬件的形式实现。

如图1所述，本实施例的方法包括：

S110、获取待检测区域图像，并根据预先设置的划分规则，将待检测区域图像划分为至少一个待检测子区域图像。

一般车辆上均会安装行车记录仪。行车记录仪用来记录车辆行驶全过程中的视频图像和声音。待检测区域的图像可以是：行车记录仪上拍摄图像，用户截取预设范围内的图像，可选的，车辆道路两侧以及行驶道路的图像。预先设置的划分规则，可以是对获取到的待检测图像进行划分的规则，可选的，采用网格法将待检测区域划分为5×6的网格，每一个网格的大小形状相等。需要说明的是，预设划分规则可以预先设置，在确定了划分规则后可以直接对获取到的待检测图像进行划分，得到至少一个待检测子区域图像。

还需要说明的是，可以将待检测区域图像按照预设划分规则，划分得到的图像称为待检测子区域图像，由于划分后得到的网格有多个，相应的一个待检测区域图像中包括至少一个待检测子区域图像。

S120、分别将待检测子区域图像输入至预先训练好的目标雨滴检测模型中，确定与待检测子区域图像相对应的雨滴概率值。

其中目标雨滴检测模型是通过神经网络训练得到的模型，可以用来确定每一个子区域图像是否有雨滴的概率值。

为了提高目标雨滴模型的检测精度，在将每一个待检测子区域图像输入至预先训练好的目标雨滴检测模型中之前，可以对待检测子区域图像做标准化处理。标准化处理，可以理解为将待检测区域图像中的每一个待检子区域图像的像素值映射到[-1，1]区间范围之内，即将每一个网格中图像像素值映射到[-1，1]区间。

将标准化处理后的待检测子区域图像，输入至预先训练好的目标雨滴检测模型中后，可以得到与每个待检测子区域相对应的雨滴概率值。示例性的，将待检测区域图像划分为30个网格，即30个待检测子区域。将标准化处理后的30个待检测子区域图像输入至目标雨滴检测模型中，得到与每个待检测子区域图像相对应的概率值p_i，i＝[1,2…,n]，n＝30。

S130、根据雨滴概率值确定总雨滴量，并根据总雨滴量控制雨刷工作。

其中，总雨滴量可以理解为待检测区域在某一时刻累计的雨滴量。总雨滴量可以根据每个待检测子区域图像的概率值，以及待检测子区域图像的权重值来确定。

可选的，分别计算待检测子区域图像的概率值与待检测子区域图像所对应的权重值的乘积，得到中间值；将中间值进行累加求和后，除以待检测子区域图像的个数，得到总雨滴量。

具体的，在确定待检测子区域图像的概率值之后，确定与待检测子区域图像相对应的权重值。分别计算30个网格概率值与权重值的乘积，得到一个中间值，将30个中间值进行累加求和，将累加求和得到的数值处于总的网格数30，得到总雨滴量。

示例性的，参见公式其中，R表示总雨滴量，n表示网格数目，表示不同概率值范围对应的数值，ωⁱ表示第i个网格对应的权重值。根据上述公式可以确定待检测区域图像的总雨滴量。

需要说明的是，每个网格的权重值，可以根据网格所处位置的受关注程度来确定。

在上述技术方案的基础上，雨刷是否开始工作，可以根据总雨滴与预设雨滴量阈值进行比较来确定。

具体的，当计算得到的总雨滴量大于等于预设雨滴量阈值，则控制雨刷工作；若计算得到的总雨滴量小于预设雨滴量阈值，则说明当前雨量未对用户的视线造成干扰，或者说当前并没有下雨，可以不用控制雨刷工作。

还需要说明的是，当车辆启动时，可以调用本实施例的方法来检测雨滴量；还可以是当车辆中的处理模块接收到需要控制雨刷工作的指令时，采用本实施例的方法；当然，还可以是，一旦检测到车辆启动，就采用本实施例公开的雨刷控制方法，来控制雨刷工作。

本发明实施例的技术方案，通过获取待检测区域图像，并根据预先设置的划分规则，将待检测区域图像划分为至少一个待检测子区域图像；分别将待检测子区域图像输入至预先训练好的目标雨滴检测模型中，确定与待检测子区域图像相对应的雨滴概率值；根据雨滴概率值确定总雨滴量，并根据总雨滴量控制雨刷工作，解决了现有技术中雨滴传感器需要贴在挡风玻璃上，对视觉造成影响并且损坏时不易更换的技术问题，实现了根据预先训练的雨滴检测模型来控制雨刷工作效率较高、成本较低的技术效果。

实施例二

在上述技术方案的基础上，需要预先训练得到目标雨滴检测模型，以便根据目标雨滴检测模型确定与每一个子区域图像相对应的概率值。图2为本发明实施例二所提供的训练目标雨滴检测模型的流程示意图。

在介绍本实施例技术方案之前，需要说明的是，

如图2所示，本发明实施例的方法包括：

S201、将训练样本集分为至少两份训练样本子集；将其中一份样本训练子集作为当前校准样本。

在训练雨滴检测模型之前，获取预设数量的样本集，并根据预设的划分比例，将样本集划分为测试样本集、训练样本集；其中，训练样本集用于训练雨滴检测模型；测试样本集用于评估雨滴检测模型的准确性。

为了使得到的雨滴检测模型准确率较高，可以获取较多数量的样本集，可选的，1000样本集或者更多。预设的划分规则，可以是将样本集按照10:1比例进行划分，将所占比例较大的称为训练样本集，所占比例较少的称为测试样本集。

需要说明的是，用户可以根据实际需求确定获取样本集的数量以及预设的划分规则，只需要能够确定样本集中参与训练训练样本集数据尽可能多即可，具体的数量以及划分规则在此不做限定。

预设数量的样本集可以是，预先从行车记录仪中获取多个待检测区域图像，在获取到待检测区域图像后，可以采用网格法将获取到的每一个待检测区域图像进行划分，得到至少一个网格，相应的，对每一个网格组相应的标签，标签上的内容可以是有雨，或者无雨。可以将每个待检测区域图像划分为至少一个网格后得到的多个待检测子区域图像样本集。按照预设比例确定训练样本集和测试样本集。训练样本集中的大部分图像用于训练雨滴检测模型，另一小部分用于校准雨滴检测模型。测试样本集用于测试模型的准确性。

可以先对训练样本集中的图像进行处理训练得到雨滴检测模型。具体的，将训练样本集分为至少两份训练样本子集。获取其中的一份训练样本子集作为当前校准样本，也就是说用来校验雨滴检测模型。

示例性的，将训练样本集均等分为K份，每一份中包括处理后的多个网格图像。也就是说，将训练样本集均等K份训练样本子集，将其中的一份中的样本图像当前校准样本，其余的K-1份作为参与训练的样本子集。

S202、将其余训练样本子集中的样本图像作为至少一个预设神经网络的输入，并将与样本图像相对应的概率值作为预设神经网络的输出，训练预设神经网络得到至少一个雨滴检测模型。

需要说明的是，为了提高雨滴检测模型的准确性，可以先对预设样本集进行预处理。预处理可以是，对样本集中的各个网格图像进行亮度、饱和度、尺寸等、标准化等处理。

其中，至少一个预设神经网络的数量可以是一个、两个或者多个，为了训练得到最优的神经网络，可以预先设置多个神经网络。

将预处理后的K-1份参与训练的样本子集中的图像分别输入至至少一个神经网络，作为神经网络的输入参数，将与每一个网格参数所对应标签作为输出，即每一个网格对应的概率值作为输出，训练得到至少一个雨滴检测模型。

S203、将当前校准样本中的图像分别输入至至少一个雨滴检测模型中，确定与至少一个雨滴检测模型的准确率。

为了检验神经网络的最优结构，可以将当前校准样本分别输入至雨滴检测模型中，得到与校准要本相对应的概率值。

通过比较雨滴检测模型输出的概率值与当前校准样本上有雨还是无雨进行比较，确定雨滴检测模型结果的准确率。

S204、将至少两份训练样本集中未作为当前校准样本的训练子集作为当前校准样本，其余训练样本子集作为训练至少一个神经网络的输入，训练雨滴检测模型，得到与至少一个雨滴检测模型相对应的至少一组雨滴检测模型准确率。

为了提高确定雨滴检测模型的准确性，可以重复执行S201至S203。具体的，依次将训练样本集中未作为校准样本的训练样本子集作为当前校准样本，将其余的训练样本子集作为训练至少一个神经网络的输入，对应的概率值作为神经网络的输出，得到至少一组雨滴检测模型的准确率。

示例性的，将K组数据中的第一组作为当前校准样本，第2-K份，即K-1份作为参与训练的样本训练子集，将K-1份中的图像作为至少一个神经网络的输入，可选的，3个神经网络，与K-1份中每一个网格相对应的概率值作为神经网络的输出，训练3个神经网络模型，得到3个雨滴检测模型。再将第一组当前校准样本分别输入至3个雨滴检测模型，根据得到的概率值与标签值确定3个雨滴检测模型的准确率。

依次将第二组数据作为当前校准样本，剩下的K-1份作为参与训练的训练样本，训练雨滴检测模型；将第三组数据作为当前校准样本，剩下的K-1份作为参与训练的训练样本，依次类推。可以分别得到与3个神经网络相对应的K个雨滴检测模型，即通过第一个神经网络训练得到了K个雨滴检测模型，相应的，得到了K组准确率值；通过第二个经网络训练得到了K个雨滴检测模型，相应的，得到了K组准确率值；通过第三个经网络训练得到了K个雨滴检测模型，相应的，得到了K组准确率值。

需要说明的是，在TensorFlow深度学习框架中构建深度网络模型，采用深度可分离卷积结构对参与训练的网格图像进行特征提取，其后接两层全连接层用于特征分类。

S205、分别计算与雨滴检测模型相对应的至少一组雨滴模型准确率平均值，将准确率平均值高的雨滴检测模型作为待使用雨滴检测模型。

分别将与每一个神经网络相对应的准确率值求平均，得到与每一个神经网络相对应的雨滴检测模型准确率平均值。示例性的，即通过第一个神经网络训练得到了K个雨滴检测模型，相应的，得到了K组准确率值，对K组准确率累加求和除以K，得到的K1为通过第一个神经网络训练得到的雨滴检测模型准确率值；通过第二个经网络训练得到了K个雨滴检测模型，相应的，得到了K组准确率值，对K组准确率累加求和除以K，得到的K2为通过第二个神经网络训练后得到的雨滴检测模型准确率值；通过第三个经网络训练得到了K个雨滴检测模型，相应的，得到了K组准确率值，对K组准确率累加求和除以K，得到的K3为通过第三个神经网络训练后得到的雨滴检测模型准确率值。

比较K1、K2、以及K3的大小，将准确率值最高所对应的神经网络结构作为最优雨滴检测模型结构；再将K组数据全部输入至最优雨滴检测模型结构进行训练，得到待使用雨滴检测模型。

可以理解为：在网格图像预处理后输入神经网络结构中，采用K折交叉验证法对网络结构在数据集上的泛化能力进行初步评估，若网络结构表现较好，则在全部训练集上重新进行训练，并保存该网络结构对应的最终模型，否则淘汰该网络结构，不再重新训练。K折交叉验证法可以理解为，将训练样本集分为K份，依次以其中一份作为当前校准样本，其余作为参与训练的样本集训练雨滴检测模型。

S206、将测试集样本集中的图像输入至训练得到的待使用雨滴检测模型中。

在确定待使用雨滴检测模型之后，可以进一步检测该模型是否为目标雨滴检测模型，即检测是否为最终使用的雨滴检测模型。

具体的，将测试样本集中的图像进行预处理后，可以将其输入至待使用雨滴检测模型中，得到与每一个网格相对应的概率值。

S207、当待使用雨滴检测模型输出值的准确率在预设范围之内，将待使用雨滴检测模型作为目标雨滴检测模型。

将得到的概率值与测试样本中每个网格的标签进行比对，确定待使用雨滴检测模型的准确率。当准确率在预设范围之内，可以将待使用雨滴模型作为目标雨滴检测模型。当待使用雨滴检测模型输出值的准确率在预设范围之外，则说明待使用雨滴检测模型不满足预设要求，可以重新训练雨滴检测模型。

实施例三

作为上述实施例的一优选实施例，图3为本发明实施例三所提供的一种雨刷控制方法流程示意图。

如图3所述，本实施例的方法包括：

S301、初始化。

可以理解为，启动应用程序，调用预先训练好的目标雨滴检测模型。

S302、实时采集图像，选择重点关注区域并划分网格。

在车辆行驶的过程中，安装在车辆上的行车记录仪可以采集车辆周围的视频图像。可以将采集到的道路两侧的以及道路的图像作为重点关注区域。采用网格法对重点关注区域进行网格化划分，得到至少一个网格。

S303、用预先训练好的雨滴检测模型对小图像进行检测。

在将至少一个网格的图像输入至雨滴检测模型之前，可以对每一个网格中的图像进行标准化处理。将标准化处理后的图像输入至预先训练好的目标雨滴检测模型中，得到与每一个网格相对应的概率值。

S304、统计雨量大小。

在确定概率值之后，可以计算预先设置的与每一个网格相对应的权重值与每一个网格概率值的乘积，得到一个中间值，其中，中间值的数目与网格的数目相等。对所得到的中间值进行累加后除以网格的数目，得到总雨量。

S305、判断雨量是否大于阈值，若是，则执行S306；若否，则执行S307。

根据得到的当前雨量与预设雨量阈值之间的关系，确定是否控制雨刷工作。

具体的，若当前总雨量大于等于预设雨量阈值，则说明当前雨量较大，可能会对用户的视线造成影像，需要控制雨刷刷动一次；若是当前总雨量在预设雨量阈值范围之内，则说明不需要控制雨刷刷动。

S306、控制雨刷工作一次。

可以根据计算得到的总雨量与预设雨量阈值之间的关系，确定是否控制雨刷工作。

S307、判断是否继续监控雨量，若是，则返回执行S302；若否，则执行S308。

在上述技术方案的基础上，还需要继续判断是否需要继续监控雨量。可以是，若用户手动触发不再检测当前雨量，则可以不再对行车记录仪拍摄的视频图像进行处理。若用户未做任何操作，系统可以判断继续监控雨量。当然，还可以是，预先设置一个时间间隔，每隔一段时间检测一次是否需要检测雨量。

S308、结束。

若是不需要检测总雨量，则可以关闭程序。

本发明提出的一种基于深度学习的雨量检测以及根据雨量检测结果控制雨刷的反方，不需要关注单个雨滴的大小形状及具体位置，将雨滴的检测问题转换为图像的分类问题，能够适应复杂的行车环境，有效提高了雨滴的检测率，优化了雨滴检测方法,也充分利用了现有的汽车配件，进一步的，通过实时检测从采集设备采集到的图像，确定雨量大小，进而自动控制雨刷工作，减轻了行车压力，为车辆驾驶人提供更舒适的驾驶环境。

实施例四

图4为本发明实施例四所提供的一种雨刷控制装置结构示意图，该装置包括：图像划分模块410、雨滴概率值确定模块420以及雨刷控制模块430。

其中，图像划分模块410，用于获取待检测区域图像，并根据预先设置的划分规则，将所述待检测区域图像划分为至少一个待检测子区域图像；雨滴概率值确定模块420，用于分别将所述待检测子区域图像输入至预先训练好的目标雨滴检测模型中，确定与所述待检测子区域图像相对应的雨滴概率值；雨刷控制模块430，用于根据所述雨滴概率值确定总雨滴量，并根据所述总雨滴量控制所述雨刷工作。

在上述技术方案的基础上，所述雨刷控制模块还用于：

分别计算所述待检测子区域图像的概率值与所述待检测子区域图像所对应的权重值的乘积，得到中间值；

将所述中间值进行累加求和后，除以所述待检测子区域图像的个数，得到所述总雨滴量。

在上述各技术方案的基础上，所述雨刷控制模块还用于：

当所述总雨滴量大于等于预设雨滴量阈值时，则控制所述雨刷工作。

在上述各技术方案的基础上，所述图像划分模块还用于：

采用网格划分法将所述待检测区域图像划分为至少一个网格，得到至少一个待检测子区域图像。

在上述各技术方案的基础上，所述装置还包括：图像采集模块；

所述图像采集模块，用于获取预设数量的样本集，并根据预设的划分比例，将所述样本集划分为测试样本集、训练样本集；其中，所述训练样本集用于训练雨滴检测模型；所述测试样本集用于评估所述雨滴检测模型的准确性。

在上述各技术方案的基础上，雨刷控制装置还包括：

将所述训练样本集分为至少两份训练样本子集；

将其中一份样本训练子集作为当前校准样本；

将其余训练样本子集中的样本图像作为至少一个预设神经网络的输入，并将与所述样本图像相对应的概率值作为所述预设神经网络的输出，训练所述预设神经网络得到至少一个雨滴检测模型；

将所述当前校准样本中的图像分别输入至所述至少一个雨滴检测模型中，确定与至少一个雨滴检测模型的准确率；

将所述至少两份训练样本集中未作为当前校准样本的训练子集作为当前校准样本，其余训练样本子集作为训练至少一个雨滴检测模型的输入，训练所述雨滴检测模型，得到与至少一个雨滴检测模型相对应的至少一组雨滴模型准确率；

分别计算与雨滴检测模型相对应的至少一组雨滴模型准确率平均值；

将准确率平均值高的雨滴检测模型作为待使用雨滴检测模型。

在上述各技术方案的基础上，还包括：

将所述测试集样本集中的图像输入至训练得到的所述待使用雨滴检测模型中；

当所述待使用雨滴检测模型输出值的准确率在预设范围之内，将所述待使用雨滴检测模型作为目标雨滴检测模型；

当所述待使用雨滴检测模型输出值的准确率在预设范围之外，则重新训练所述雨滴检测模型。本发明实施例所提供的雨刷控制装置可执行本发明任意实施例所提供的雨刷控制方法，具备执行方法相应的功能模块和有益效果。

值得注意的是，上述系统所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明实施例的保护范围。

实施例五

图5为本发明实施例五提供的一种设备的结构示意图。图5示出了适于用来实现本发明实施例实施方式的示例性设备50的框图。图5显示的设备50仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图5所示，设备50以通用计算设备的形式表现。设备50的组件可以包括但不限于：一个或者多个处理器或者处理单元501，系统存储器502，连接不同系统组件(包括系统存储器502和处理单元501)的总线503。

总线503表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

设备50典型地包括多种计算机系统可读介质。这些介质可以是任何能够被设备50访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器502可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)504和/或高速缓存存储器505。设备50可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统506可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线503相连。存储器502可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块507的程序/实用工具508，可以存储在例如存储器502中，这样的程序模块507包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块507通常执行本发明所描述的实施例中的功能和/或方法。

设备50也可以与一个或多个外部设备509(例如键盘、指向设备、显示器510等)通信，还可与一个或者多个使得用户能与该设备50交互的设备通信，和/或与使得该设备50能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口511进行。并且，设备50还可以通过网络适配器512与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器512通过总线503与设备50的其它模块通信。应当明白，尽管图5中未示出，可以结合设备50使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理单元501通过运行存储在系统存储器502中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的雨刷控制方法。

实施例六

本发明实施例六还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行雨刷控制方法。

雨刷控制方法包括：

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明实施例操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims

1.一种雨刷控制方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述根据所述雨滴概率值确定总雨滴量，包括：

3.根据权利要求1所述的方法，其特征在于，所述根据所述总雨滴量控制所述雨刷工作，包括：

4.根据权利要求1所述的方法，其特征在于，所述将所述待检测区域图像划分为至少一个待检测子区域图像，包括：

5.根据权利要求1所述的方法，其特征在于，还包括：

获取预设数量的样本集，并根据预设的划分比例，将所述样本集划分为测试样本集、训练样本集；

其中，所述训练样本集用于训练雨滴检测模型；

所述测试样本集用于评估所述雨滴检测模型的准确性。

6.根据权利要求5所述的方法，其特征在于，还包括：

将所述训练样本集分为至少两份训练样本子集；

将其中一份样本训练子集作为当前校准样本；

将所述至少两份训练样本集中未作为当前校准样本的训练子集作为当前校准样本，其余训练样本子集作为训练至少一个神经网络的输入，训练所述雨滴检测模型，得到与至少一个雨滴检测模型相对应的至少一组雨滴检测模型准确率；

7.根据权利要求6所述的方法，其特征在于，在训练得到所述待使用雨滴检测模型之后，还包括：

当所述待使用雨滴检测模型输出值的准确率在预设范围之外，则重新训练所述雨滴检测模型。

8.一种雨刷控制装置，其特征在于，包括：

9.一种设备，其特征在于，所述设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的雨刷控制方法。

10.一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的雨刷控制方法。