CN110682874B - 雨刷器老化的检测方法、检测装置和车辆 - Google Patents

Abstract

本发明公开了一种车辆雨刷器的检测方法。检测方法包括步骤：采集多帧车辆上挡风玻璃的图像数据；将多帧图像数据输入至预设的目标雨水检测模型；采用目标雨水检测模型生成与每帧图像数据对应的所述挡风玻璃的雨水概率特征结果；根据多个雨水概率特征结果判断雨刷器是否老化。本发明实施方式的检测方法中，通过采集的挡风玻璃的图像数据，结合生成的雨水概率特征图来判断车辆雨刷器是否老化，使得雨刷器老化的判断有据可依，判断结果科学客观，用户可以根据判断结果及时做出应对，从而保证雨刷器的有效工作以及行车安全。本发明还公开了一种检测装置、目标雨水检测模型的生成方法、生成装置和车辆。

Description

雨刷器老化的检测方法、检测装置和车辆

技术领域

本发明涉及汽车技术领域，特别涉及一种雨刷器老化的检测方法、检测装置和车辆。

背景技术

雨刷器作为车辆必不可少的配置，需要在行车时能够正常工作从而确保行车安全。然而雨刷器的胶条易老化，因此需要及时更换从而保证雨刷器的正常工作，如何检测雨刷器的老化成为亟待解决的问题。

发明内容

有鉴于此，本发明的实施例提供了一种车辆雨刷器老化的检测方法、检测装置和车辆。

本发明实施方式提供了一种车辆雨刷器老化的检测方法，所述检测方法包括：

采集多帧车辆上挡风玻璃的图像数据；

将所述多帧图像数据输入至预设的目标雨水检测模型；

采用所述目标雨水检测模型生成与每帧所述图像数据对应的所述挡风玻璃的雨水概率特征结果；

根据所述多个雨水概率特征结果判断所述雨刷器是否老化。

在某些实施方式中，所述采用所述目标雨水检测模型生成与每帧所述图像数据对应的雨水概率特征结果包括：

采用所述目标雨水检测模型，生成每帧所述图像数据的概率矩阵，其中，所述概率矩阵中包括概率值；

将所述概率矩阵中的概率值转化为灰度值；

获取每帧所述图像数据的原始高度、原始宽度和原始坐标信息；

采用每帧所述图像数据的原始高度、原始宽度和原始坐标信息，分别生成对应的目标高度、目标宽度和目标坐标信息；

采用所述灰度值、目标高度、目标宽度和目标坐标信息，生成雨水概率特征结果。

在某些实施方式中，所述雨水概率特征结果包括雨水概率图，所述根据所述多个雨水概率特征结果判断所述雨刷器是否老化包括：

提取每帧所述雨水概率特征图中的每一个像素的灰度值；

计算每帧所述雨水概率特征图中全部像素的灰度值的平均值；

根据多帧雨水概率特征图的多个所述灰度值的平均值生成雨水概率变化图；

根据所述雨水概率变化图判断所述雨刷器是否老化。

在某些实施方式中，所述根据所述雨水概率变化图判断所述雨刷器是否老化包括：

判断所述雨水概率变化图中每个周期的极小值是否大于或等于概率阈值；

判断所述极小值大于或等于所述概率阈值的周期是否连续且周期数大于或等于预定阈值；

若是，确定所述雨刷器老化。

在某些实施方式中，所述雨水概率特征结果包括雨水概率特征图，所述雨刷器包括第一子雨刷器和第二子雨刷器，所述根据所述多个雨水概率特征结果判断所述雨刷器是否老化包括：

分别提取每帧所述雨水概率特征图中第一部分的每个像素的灰度值和第二部分的每个像素的灰度值；

计算第一部分全部像素的灰度值的第一平均值及第二部分全部像素的灰度值的第二平均值；

根据多帧雨水概率特征图的多个所述灰度值的第一平均值和第二平均值生成第一雨水概率变化图和第二雨水概率变化图；

根据所述第一雨水概率变化图和所述第二雨水概率变化图判断所述第一子雨刷器和/或第二子雨刷器是否老化。

在某些实施方式中，所述根据所述第一雨水概率变化图和所述第二雨水概率变化图判断所述第一子雨刷器和/或第二子雨刷器是否老化包括：

判断所述第一雨水概率变化图和第二雨水概率变化图中每个周期的极小值是否大于或等于概率阈值；

判断所述极小值大于或等于所述概率阈值的周期是否连续且周期数大于或等于预定阈值；

若是，确定所述第一子雨刷器和/或所述第二子雨刷器老化。

在某些实施方式中，所述检测方法还包括步骤：

在确定所述雨刷器老化时，生成提醒信息以提醒用户更换所述雨刷器。

本本发明实施方式提供了一种目标雨水检测模型生成方法，所述目标雨水检测模型通过如下方式生成：

获取图像样本；其中，所述图像样本为按照预设区域大小分割挡风玻璃的图像数据生成；所述图像样本包括训练样本和验证样本；

采用所述训练样本对预置的初始雨水检测模型进行训练，生成候选雨水检测模型；

采用所述验证样本验证所述候选雨水检测模型，计算验证准确率；

当所述验证准确率大于预设阈值时，将所述候选雨水检测模型确定为目标雨水检测模型。

在某些实施方式中，所述获取图像样本包括：

获取多维度下的视频数据；

提取所述视频数据中的图像数据；

将所述图像数据分为有雨图像和无雨图像；

按照预设区域大小分割所述有雨图像生成正图像样本，以及分割所述无雨图像生成负图像样本；

分别标注所述正图像样本和负图像样本，生成携带标注信息的图像样本。

在某些实施方式中，所述采用所述训练样本对预置的初始雨水检测模型进行训练，生成候选雨水检测模型包括：

将所述训练样本输入预置的初始雨水检测模型，生成预测概率；

提取所述训练样本的标注信息；

根据所述标注信息和预测概率更新所述初始雨水检测模型，生成候选雨水检测模型。

在某些实施方式中，所述多维度包括天气维度、时段维度和环境维度。

本发明实施方式提供了一种车辆雨刷器老化的检测装置，包括：

采集模块，用于采集多帧车辆上挡风玻璃的图像数据；

输入模块，用于将所述多帧图像数据输入至预设的目标雨水检测模型；

雨水概率特征结果生成模块，用于生成与每帧所述图像数据对应的所述挡风玻璃的雨水概率特征图；

老化判断模块，用于根据所述多个雨水概率特征结果判断所述雨刷器是否老化。

本发明实施方式提供了一种目标雨水检测模型生成装置，包括：

样本获取模块，用于获取图像样本；

模型生成模块，用于采用卷积神经网络对所述训练样本进行训练，生成候选雨水检测模型；

模型验证模块，用于采用所述验证样本验证所述候选雨水检测模型，计算验证准确率；

模型确定模块，用于当所述验证准确率大于预设阈值时，将所述候选雨水检测模型确定为目标雨水检测模型。

本发明提供了一种车辆，包括摄像装置和处理器，所述摄像装置设置于所述车辆的后视镜正前方，所述摄像装置用于获取多帧挡风玻璃的图像数据并发送至所述处理器，所述处理器用于：

采集多帧车辆上挡风玻璃的图像数据；

将所述多帧图像数据输入至预设的目标雨水检测模型；

采用所述目标雨水检测模型生成与每帧所述图像数据对应的所述挡风玻璃的雨水概率特征结果；

根据所述多个雨水概率特征结果判断所述雨刷器是否老化。

本发明提供了一种车辆，包括一个或多个处理器、存储器；和一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被所述一个或多个处理器执行，所述程序包括用于执行如上所述的方法的指令。

本发明提供了一种包含计算机可执行指令的非易失性计算机可读存储介质，当所述计算机可执行指令被一个或多个处理器执行时，使得所述处理器执行所述的方法。

本发明实施方式的检测方法、生成方法、检测装置、生成装置、车辆及计算机可读存储介质中，通过采集的挡风玻璃的图像数据，结合生成的雨水概率特征图来判断车辆雨刷器是否老化，使得雨刷器老化的判断有据可依，判断结果科学客观，用户可以根据判断结果及时做出应对，从而保证雨刷器的有效工作以及行车安全。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1是本发明某些实施方式的车辆雨刷器老化的检测方法的流程示意图。

图2是本发明某些实施方式的车辆的结构示意图。

图3是本发明某些实施方式的检测装置的模块示意图。

图4是本发明某些实施方式的摄像装置安装位置示意图。

图5是本发明某些实施方式的挡风玻璃的图像数据的示意图。

图6是本发明某些实施方式的雨水概率特征图的示意图。

图7、8是本发明某些实施方式的检测方法的流程示意图。

图9-12是本发明某些实施方式的检测方法的图像数据及对应雨水概率特征图的变化状态示意图。

图13是本发明某些实施方式的检测方法的流程示意图。

图14是本发明某些实施方式的雨水概率变化图的示意图。

图15是本发明某些实施方式的检测方法的流程示意图。

图16是本发明某些实施方式的雨水概率变化图的示意图。

图17、18是本发明某些实施方式的检测方法的流程示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

雨刷器通常用来刷刮除附着于车辆挡风玻璃上的雨水及灰尘的设备，以改善驾驶员的能见度，从而增加行车安全。因此，在行车过程中保证雨刷器的正常工作对行车安全至关重要，雨刷器的刮片胶条是直接用于清洁玻璃上雨水和污垢的工具，具体地，刮片胶条通过弹簧条压向玻璃表面，它的唇口必须与玻璃角度配合一致，方能达到所要求的性能，而随着雨刷器的使用，刮片胶条会逐渐老化，导致雨刷器的清洁能力下降，如此，需要驾驶员定期更换刮片胶条以保证雨刷器的有效工作。通常，驾驶员只能够根据经验判断雨刷器是否老化，一来不够智能，二来可能会变相地延长驾驶员更换雨刷器的周期，导致其错过了最佳更换时间，从而影响行驶安全。

请参阅图1，本申请提供一种车辆雨刷器老化的检测方法，包括：

S10：采集多帧车辆上挡风玻璃的图像数据；

S20：将多帧图像数据输入至预设的目标雨水检测模型；

S30：采用目标雨水检测模型生成与每帧图像数据对应的挡风玻璃的雨水概率特征结果；

S40：根据多个雨水概率特征结果判断雨刷器是否老化。

请参阅图2和图3，本申请实施方式提供了一种车辆100。车辆100包括摄像装置10和处理器12。摄像装置10获取挡风玻璃的视频数据并发送至所述处理器12。处理器12用于从视频数据中采集多帧图像数据，并将多帧图像数据输入至预设的目标雨水检测模型，从而生成与每帧图像数据对应的挡风玻璃的雨水概率特征结果并根据多个雨水概率特征结果判断雨刷器是否老化。

本申请实施方式还提供了一种车辆雨刷器老化的检测装置110，本申请实施方式的车辆雨刷器老化的检测方法可以由检测装置110实现。

具体地，检测装置110包括采集模块112、输入模块113、雨水概率特征结果生成模块114和老化判断模块116。S10可以由采集模块112实现，S20可以由输入模块113实现，S30可以由雨水概率特征结果生成模块114实现，S40可以由老化判断模块116实现。或者说，采集模块112用于采集多帧图像数据。输入模块113用于将多帧图像数据输入至预设的目标雨水检测模型。雨水概率特征结果生成模块114用于生成与每帧图像数据对应的挡风玻璃的雨水概率特征结果。老化判断模块116用于根据多个雨水概率特征结果判断雨刷器是否老化。

本发明实施方式的检测方法、检测装置110、车辆100及计算机可读存储介质中，通过采集的挡风玻璃的图像数据，结合生成的雨水概率特征图来判断车辆雨刷器是否老化，使得雨刷器老化的判断有据可依，判断结果科学客观，用户可以根据判断结果及时做出应对，从而保证雨刷器的有效工作以及行车安全。

具体地，请参阅图4，可以通过在车辆内安装摄像装置拍摄挡风玻璃的影像，也可以通过获取车辆内已安装摄像装置(如行驶记录仪)来拍摄挡风玻璃的影像。摄像装置10安装在车辆的后视镜正前方，浅色部分可以指示该摄像装置10所能够覆盖的挡风玻璃的范围。

处理器12可以获取的影像中以每个雨刷周期为单位，在其中等时间间隔地采集多帧图像数据。雨刷周期为雨刷器两次沿同一方向经过同一位置的时间间隔，例如可以是雨刷器由一次归位到下一次归位的时间。以一个雨刷周期为预定周期为例。实际操作中，摄像装置10对挡风玻璃进行视频持续录制，处理器12对于获取的视频数据从其中等时间间隔截取一定数量的帧图像，也即是，相邻两帧图像截取时的间隔时间相等。

处理器12可以是用于检测雨刷器老化而独立设置的处理器，也可以是车辆行车系统的处理器，在此不做限制，处理器12中具有图像算法模块，可以接收摄像装置采集的挡风玻璃的图像数据来分析挡风玻璃上的雨水分布。

请参阅图5和图6，每一帧挡风玻璃的图像数据对应一雨水概率特征结果以用于表征当前状态下挡风玻璃的雨水分布状况。雨水概率特征结果可以概率特征函数、概率特征向量、概率特征图等形式，具体不做限定。

下面以生成单帧雨水概率特征图为例进行说明。预设的目标雨水检测模型可以是预先训练生成的用于检测雨水的卷积神经网络模型，该目标雨水检测模型可以通过深度学习的卷积神经网络检测算法训练生成。

在具体实现中，通过将图像数据输入至预设的目标雨水检测模型，采用预设的目标雨水检测模型检测图像数据中各像素对应的区域存在雨水的概率。

在本实施方式中，目标雨水检测模型可以通过如下方式生成：

获取图像样本；其中，图像样本为按照预设区域大小分割挡风玻璃的图像数据生成，图像样本包括训练样本和验证样本；

采用训练样本对预置的初始雨水检测模型进行训练，生成候选雨水检测模型；

采用验证样本验证候选雨水检测模型，计算验证准确率；

当验证准确率大于预设阈值时，将候选雨水检测模型确定为目标雨水检测模型。

其中，图像样本是可以是用于训练目标雨水检测模型的样本。可以通过部署在车辆上的摄像装置采集大量的挡风玻璃上的视频数据，通过提取视频数据中的关键帧获得图像数据，按照预设区域大小对该图像数据进行分割获得图像样本。

预设区域大小可以是预先设置的分割图像数据的区域，用于指示图像样本的区域大小。例如，预设区域大小可以为边长为m的正方形所对应的区域大小。

进一步地，为了进一步提高目标雨水检测模型的预测概率的精确率，可以将图像样本分为两份，一份为训练样本用于训练目标雨水检测模型，一份为验证样本用于验证目标雨水检测模型。在采用训练样本训练初始雨水检测模型生成候选雨水检测模型后，可以采用验证样本对该候选雨水检测模型进行验证，计算验证准确率。

当验证准确率大于预设阈值时，则该候选雨水检测模型达到预期，将该候选雨水检测模型确定为目标雨水检测模型；当验证准确率小于或等于预设阈值时，则验证结果未达到预期，可以继续训练该候选雨水检测模型，或者，丢弃该候选雨水检测模型，重新执行子步骤：采用训练样本对预置的初始雨水检测模型进行训练，生成候选雨水检测模型。

雨水概率特征图可以是用于指示检测出的图像数据中各像素对应的区域存在雨水的概率的灰度图，像素对应的区域的概率的大小采用灰度值以无符号8比特的方式表示。例如，纯黑色(灰度值为0)表示概率为0％，纯白色(灰度值为255)表示概率为100％。

在本实施方式中，获取图像样本可以包括如下子步骤：

获取多维度下的视频数据；

提取视频数据中的图像数据；

将图像数据分为有雨图像和无雨图像；

按照预设区域大小分割有雨图像生成正图像样本，以及分割所述无雨图像生成负图像样本；

分别标注正图像样本和负图像样本，生成携带标注信息的图像样本。

通过部署在车辆上摄像装置采集大量的挡风玻璃上的视频数据，提取该视频数据中的图像数据，并对该图像数据进行处理获得图像样本。

由于考虑到采集的视频数据必须尽量覆盖所有行车环境，且多维度场景的覆盖可以尽量减少图像算法对环境的敏感程度，以提高算法的检测精度。

在本实施方式中，可以采集多维度环境下的视频数据。

其中，多维度包括天气维度、时段维度和环境维度等。例如，天气维度可以包括：晴朗、多云、阴、小雨、中雨和大雨等天气场景；时段维度可以包括：夜晚、傍晚、白天等时间段；环境维度可以包括：地库、城市街道、乡间道路、高速公路等行驶环境。

获取多维度下的视频特征数据后，可以提取视频特征数据中的图像数据。提取出来的图像数据可以为两大类：有雨图像和无雨图像。按照预设区域大小分割有雨图像生成正图像样本，以及分割无雨图像生成负图像样本。

其中，预设区域大小可以是预先设置的分割图像数据的区域，用于指示图像样本的区域大小。例如，预设区域大小可以为边长为m的正方形所对应的区域大小。

在具体实施时，正图像样本可以优先选择存在明显雨水而导致视觉干扰的位置，负图像样本则可以从无雨图像当中随机选择图像数据进行分割获得。

在本实施方式中，可以根据实际需要设置正图像样本和负图像样本的比例，例如，正图像样本和负图像样本的比例为4：5，此时负图像样本的数量多于正图像样本。当然，在实施本发明实施例时，可以根据实际需求设置正图像样本和负图像样本的比例，本发明实施例对此并不限制。

生成正图像样本和负图像样本后，可以分别标注所述正图像样本和负图像样本，获得携带标注信息的图像样本。以便于采用标注信息进行训练和验证模型。

在本实施方式中，在分别标注正图像样本和负图像样本后，可以将图像样本分为训练样本和验证样本，其中，训练样本用于训练模型，验证样本用于验证模型。一般而言，用于训练的图像样本比用于验证的图像样本多。例如，图像样本的80％用于训练，20％用于验证，即训练样本和验证样本的比例为4：1。需要说明的是，在将图像样本划分为训练样本和验证样本时，正图像样本和负图像样本的比例需要保持一致。

在本实施方式中，采用所述训练样本对预置的初始雨水检测模型进行训练，生成候选雨水检测模型可以包括如下子步骤：

将训练样本输入预置的初始雨水检测模型，生成预测概率；

提取训练样本的标注信息；根据标注信息和预测概率更新初始雨水检测模型，生成候选雨水检测模型。

在进行模型训练时，可以将训练样本输入预置的初始雨水检测模型，生成预测概率。通过提取训练样本中携带的标注信息，从而根据标注信息和预测概率更新初始雨水检测模型，生成候选雨水检测模型。

将训练样本输入预置的初始雨水检测模型后，初始雨水检测模型可以对训练样本进行雨水检测，最终可以通过softmax函数输出一对预测概率p和1-p。其中p∈[0,1]，表示该训练样本中存在雨水的概率，那么1-p∈[0,1]，表示该训练样本中不存在雨水的概率。

其中，标注信息可以指示该训练样本是否有雨。可以根据标注信息判断预测概率是否准确，从而更新初始雨水检测模型。例如，当标注信息为正标注，即存在雨水，此时，若预测概率为1％，则预测概率不准确，则可以依据此更新初始雨水检测模型。

具体的，可以采用改良过的批量随机梯度下降的方式，当确定需要更新初始雨水检测模型时，按照随机梯度更新初始雨水检测模型。损失函数可以使用交叉熵或者其他类似的函数进行更新。

生成候选雨水检测模型后，可以进一步通过采用验证样本对该候选雨水检测模型进行验证，并计算验证准确率。例如，采用候选雨水检测模型验证了100个验证样本，准确的结果有80个，不准确的结果有20个，则验证准确率为80％。

当所述验证准确率大于预设阈值时，将候选雨水检测模型确定为目标雨水检测模型。其中，预设阈值可以是预先设置的用于确定候选雨水检测模型是否达到预期的准确率阈值。例如，预设阈值可以为90％，当验证准确率为98％时，则候选雨水检测模型达到预期；当验证准确率为80％时，则候选雨水检测模型未达到预期。

在本实施方式中，当验证准确率大于预设阈值时，则候选雨水检测模型确定为目标雨水检测模型。当验证准确率小于或等于预设阈值时，则候选雨水检测模型未达到预期，可以继续训练该候选雨水检测模型，或者，丢弃该候选雨水检测模型，重新执行步骤：采用训练样本对预置的初始雨水检测模型进行训练，生成候选雨水检测模型。

如此，通过模型训练可以提供一种目标雨水检测模型，用于检测车辆挡风玻璃上的雨水情况，从而可以根据雨水概率特征图的情况实现雨刷器老化的判断。

请参阅图7，在本实施方式中，S30包括：

S31：采用目标雨水检测模型，生成每帧图像数据的概率矩阵，其中，概率矩阵中包括概率值；

S32：将概率矩阵中的概率值转化为灰度值；

S33：获取每帧图像数据的原始高度，原始宽度和原始坐标信息；

S34：采用每帧图像数据的原始高度，原始宽度和原始坐标信息，分别生成对应的目标高度，目标宽度和目标坐标信息；

S35：采用灰度值，目标高度，目标宽度和目标坐标信息，生成雨水概率特征结果。

在某些实施方式中，S31-S35可以由雨水概率特征图生成模块114实现。或者说，雨水概率特征图生成模块114用于采用目标雨水检测模型生成每帧图像数据的概率矩阵，将概率矩阵中的概率值转化为灰度值，采用每帧图像数据的原始高度、原始宽度和原始坐标信息，分别生成对应的目标高度、目标宽度和目标坐标信息，并采用灰度值、目标高度、目标宽度和目标坐标信息，生成雨水概率特征结果。

在某些实施方式中，处理器12用于采用目标雨水检测模型生成每帧图像数据的概率矩阵，将概率矩阵中的概率值转化为灰度值，采用每帧图像数据的原始高度、原始宽度和原始坐标信息，分别生成对应的目标高度、目标宽度和目标坐标信息，并采用灰度值、目标高度、目标宽度和目标坐标信息，生成雨水概率特征结果。

具体地，以生成雨水概率特征图为例，概率矩阵中的每一概率值可以用于表示一像素所对应的区域存在雨水的概率。

在本实施例中，可以将目标雨水检测模型输出的概率矩阵中的概率值转化为灰度值。

具体的，灰度值和概率值的转化关系可以表示如下：

其中，p表示概率值，而fc(p)表示对应的灰度值。

例如，概率值为0.6，则该概率值对应的灰度值为255*0.6＝153；概率值为0.4，则该概率值对应的灰度值为255*0.4＝102。

进一步地，确定每一像素所对应区域的灰度值后，可以进一步确定雨水概率特征图的目标高度和目标宽度，以及雨水概率特征图中每一像素对应的目标坐标信息。

具体的，假设在训练目标雨水检测模型时，用于指示图像样本的区域大小的预设区域大小是边长为m的正方形，则雨水概率特征图和图像数据的高宽关系可以表示为：

(m∈N，s∈N)。

其中，H为图像数据的原始高度，W为图像数据的原始宽度，H’为雨水概率特征图的目标高度，W’为雨水概率特征图的目标宽度。s是目标雨水检测模型中卷积神经网络的stride步长大小，其数值由卷积神经网络的整体结构决定。

当图像数据的原始高度和原始宽度已知时，可以通过上述雨水概率特征图和图像数据的高宽关系确定雨水概率特征图的目标高度和目标宽度。

原始坐标信息包括原始横坐标和原始纵坐标、目标坐标信息包括目标横坐标和目标纵坐标。

雨水概率特征图与图像数据中对应像素的坐标关系可以表示为：

(m∈N，s∈N)。

其中，x为图像数据中一个像素的原始横坐标，y为图像数据一个像素的原始纵坐标，x’为雨水概率特征图中对应像素的目标横坐标，y’为雨水概率特征图中对应像素的目标纵坐标。s是目标雨水检测模型中卷积神经网络的stride步长大小，其数值由卷积神经网络的整体结构决定。可以通过上述雨水概率特征图与图像数据中对应像素的坐标关系，确定雨水概率特征图中与图像数据中对应像素的目标横坐标和目标纵坐标。

在确定灰度值，目标高度，目标宽度和目标坐标信息后，可以进一步采用该灰度值，目标高度，目标宽度和目标坐标信息，生成雨水概率特征图。

请参阅图8，在某些实施方式中，S40包括：

S41：提取每帧雨水概率特征图中的每一个像素的灰度值；

S42：计算每帧雨水概率特征图中全部像素的灰度值的平均值；

S43：根据多帧雨水概率特征图的多个灰度值的平均值生成雨水概率变化图；

S44：根据雨水概率变化图判断雨刷器是否老化。

在某些实施方式中，步骤S41-S44可以由老化判断模块116实现。或者说，老化判断模块116用于提取每帧雨水概率特征图中的每一个像素的灰度值，计算每帧雨水概率特征图中全部像素的灰度值的平均值，根据多帧雨水概率特征图的多个灰度值的平均值生成雨水概率变化图以及根据雨水概率变化图判断雨刷器是否老化。

在某些实施方式中，处理器12用于提取每帧雨水概率特征图中的每一个像素的灰度值，计算每帧雨水概率特征图中全部像素的灰度值的平均值，根据多帧雨水概率特征图的多个灰度值的平均值生成雨水概率变化图以及根据雨水概率变化图判断雨刷器是否老化。

具体地，请参阅图9-12和图14，本实施方式中提取每帧雨水概率特征图中每一像素的灰度值，计算所有像素的灰度值的平均值，采用平均值生成挡风玻璃的雨水分布数据，该雨水分布数据可反映当前一帧挡风玻璃的雨水分布状况。在实际操作中，雨刷器的每进行一次清洁都会改变风挡玻璃的雨水概率特征图的分布，例如在经过至少第一次清洁后存在雨水的概率相对于第一次清洁前会明显下降甚至接近于零。也即是说，雨水概率特征图中各像素中的会具有更多灰度值接近于或等于0。雨刷器是周期性工作，因此，雨水概率特征图的灰度值的平均值也会产生周期性的变化。

为了便于检测连续多帧图像数据中的雨水分布的变化，将多帧雨水概率特征图的灰度值的平均值对应的概率值生成雨水概率变化图，可以理解地，在未清洁以及清洁初期，灰度值的平均值较大，概率值较大，雨水分布较多。在一个清洁周期后，会存在一个概率值的极小值根据该极小值可以判断雨刷器是否老化。

可以理解地，概率值越小说明雨水分布越少，也说明雨刷器的清洁效果越好。而当雨刷器老化后，清洁效果变差，该周期的概率值的极小值也越大。

请参阅图13，在某些实施方式中，S44包括：

S441：判断雨水概率变化图中每个周期的极小值是否大于或等于概率阈值；

S442：判断极小值大于或等于概率阈值的周期是否连续且周期数大于或等于预定阈值；

S443：若是，确定雨刷器老化。

在某些实施方式中，S441-S443可以由老化判断模块116实现。或者说，老化判断模块116用于判断雨水概率变化图中每个周期的极小值是否大于或等于概率阈值，判断极小值大于或等于概率阈值的周期是否连续且周期数大于或等于预定阈值，并在判断结果为是时确定雨刷器老化。

在某些实施方式中，处理器12用于判断雨水概率变化图中每个周期的极小值是否大于或等于概率阈值，判断极小值大于或等于概率阈值的周期是否连续且周期数大于或等于预定阈值，并判断结果为是时确定雨刷器老化。

具体地，请参阅图14，在前述生成的雨水概率变化图中，首先找到每个周期的极小值，并判断该极小值是否大于或等于概率阈值，可以理解地，概率值越小说明雨刷器的清洁效果越好，设定一个概率阈值，当概率值小于该阈值时，说明雨刷器工作状态正常。而当概率值大于或这等于概率阈值时，判断雨刷器可能存在老化现象。进一步地，判断是否存在连续的超过预定数量的周期的极小值均大于或等于概率阈值，例如，连续2个周期的概率值均大于或等于概率阈值，若存在这种情况，那么确定该雨刷器老化。

在操作中，可采用计数器对记录极小值大于或等于预定个数的周期个数。如果出现极小值大于或等于概率阈值的情况，计数加1，否则计数清零；如果计数大于或等于预定阈值时，确定雨刷器老化。

请参阅图15，在某些实施方式中，雨刷器包括第一子雨刷器和第二子雨刷器，S40包括：

S45：分别提取每帧雨水概率特征图中第一部分的每个像素的灰度值和第二部分的每个像素的灰度值；

S46：计算第一部分全部像素的灰度值的第一平均值及第二部分全部像素的灰度值的第二平均值；

S47：根据多帧雨水概率特征图的多个灰度值的第一平均值和第二平均值生成第一雨水概率变化图和第二雨水概率变化图；

S48：根据雨水概率变化图判断第一子雨刷器和/或第二子雨刷器是否老化。

在某些实施方式中，步骤S45-S48可以由老化判断模块116实现。或者说，老化判断模块116用于分别提取每帧雨水概率特征图中第一部分的每个像素的灰度值和第二部分的每个像素的灰度值，计算第一部分全部像素的灰度值的第一平均值及第二部分全部像素的灰度值的第二平均值，根据多帧雨水概率特征图的多个灰度值的第一平均值和第二平均值生成第一雨水概率变化图和第二雨水概率变化图以及根据雨水概率变化图判断第一子雨刷器和/或第二子雨刷器是否老化。

在某些实施方式中，处理器12用于分别提取每帧雨水概率特征图中第一部分的每个像素的灰度值和第二部分的每个像素的灰度值，计算第一部分全部像素的灰度值的第一平均值及第二部分全部像素的灰度值的第二平均值，根据多帧雨水概率特征图的多个灰度值的第一平均值和第二平均值生成第一雨水概率变化图和第二雨水概率变化图以及根据雨水概率变化图判断第一子雨刷器和/或第二子雨刷器是否老化。

具体地，请参阅图16，可以理解地，雨刷器通常包括两个子雨刷器即第一子雨刷器和第二子雨刷器，从而能够覆盖整个挡风玻璃。而由于挡风玻璃中各子区域的状况不同，对于每个子雨刷器的消耗速度也不同，也即是说在实际情况下两子雨刷器的老化程度会有所差异。而如果同时进行两子雨刷器更换，则可能存在某个子雨刷器的老化程度较小而无需更换的状况，增加用户的成本。

本实施例中，对两个子雨刷器分别进行统计，根据每个子雨刷器覆盖的面积划分对应的雨水概率特征图，通常，每个子雨刷覆盖的面积相等，将雨水概率特征图平均分成两部分，第一部分与第一子雨刷器对应，第二部分与第二子雨刷器对应。进而根据第一部分和第二部分的雨水概率变化图分别判断两子雨刷器是否老化。雨水概率变化图的生成以及根据其判断雨刷器老化的方式与前述实施方式基本相同，此处不再赘述，具体可参上述实施方式的解释说明。

请参阅图17，在这样的实施方式中，S48包括：

S481：判断第一雨水概率变化图和第二雨水概率变化图中每个周期的极小值是否大于或等于概率阈值；

S482：判断极小值大于或等于概率阈值的周期是否连续且周期数大于或等于预定阈值；

S483：若是，确定第一子雨刷器和/或第二子雨刷器老化。

在某些实施方式中，S481-S483可以由老化判断模块116实现。或者说，老化判断模块116用于判断第一雨水概率变化图和第二雨水概率变化图中每个周期的极小值是否大于或等于概率阈值，判断极小值大于或等于概率阈值的周期是否连续且周期数大于或等于预定阈值，并在判断结果为是时确定第一子雨刷器和/或第二子雨刷器老化。

在某些实施方式中，处理器12用于判断第一雨水概率变化图和第二雨水概率变化图中每个周期的极小值是否大于或等于概率阈值，判断极小值大于或等于概率阈值的周期是否连续且周期数大于或等于预定阈值，并在判断结果为是时确定第一子雨刷器和/或第二子雨刷器老化。

具体地，本实施例中判断子雨刷器是否老化与上述实施方式基本相同，可参见前述实施方式相关内容的解释说明，在此不再赘述。如此，可以根据每个子雨刷器的老化程度分别对每个子雨刷器进行老化处理，从而节省用户成本，提升用户体验，在保证雨刷器有效工作的同时，杜绝了资源浪费。

请参阅图18，在某些实施方式中，检测方法还包括步骤：

S50：在确定雨刷器老化时，生成提醒信息以提醒用户更换雨刷器。

在某些实施方式中，检测装置110还包括提醒模块，提醒模块用于在老化判断模块116确定雨刷器老化时，生成提醒信息以提醒用户更换雨刷器。

在某些实施方式中，车俩100还包括提醒元件，提醒元件用于在处理器12确定雨刷器老化时接收处理器12生成提醒信息以提醒用户更换雨刷器。

具体地，提醒信息可以是通过车辆的扬声器发出的语音提醒信息，也可以是通过车辆的中控显示屏或液晶仪表板显示的文字或图形提醒信息，具体形式不做限制。当将两子雨刷器作为一个整体进行检测时，提醒信息针对雨刷器整体的老化判断结果对用户进行提醒。当分别对两个子雨刷器进行老化判断时，提醒信息针对每个子雨刷器的老化判断结果对用户进行提醒。

如此，用户根据提醒信息可以及时获知雨刷器的老化情况以在需要时及时更换。

本发明实施方式还提供了一种目标雨水检测模型生成装置，包括样本获取模块、模型生成模块、模型验证模块和模块确定模块。

样本获取模块用于获取图像样本，其中，所述图像样本为按照预设区域大小分割所述挡风玻璃的图像数据生成，所述图像样本包括训练样本和验证样本。

模型生成模块用于采用所述训练样本对预置的初始雨水检测模型进行训练，生成候选雨水检测模型。

模型验证模块用于采用所述验证样本验证所述候选雨水检测模型，计算验证准确率。

模型确定模块，用于当所述验证准确率大于预设阈值时，将所述候选雨水检测模型确定为目标雨水检测模型。

在某些实施方式中，样本获取模块可以包数据获取子模块、图像提取子模块、分类子模块、切割子模块和标注子模块。

获取子模块，用于获取多维度下的视频数据。

图像提取子模块用于提取所述视频数据中的图像数据。

分类子模块，用于将所述图像数据分为有雨图像和无雨图像。

切割子模块，用于按照预设区域大小分割所述有雨图像生成正图像样本，以及分割所述无雨图像生成负图像样本。

标注子模块，用于分别标注所述正图像样本和负图像样本，生成携带标注信息的图像样本。

在某些实施方式中，所述模型生成模块包括：预测概率生成子模块、标注信息提取子模块、候选模型生成子模块。

预测概率生成子模块用于将所述训练样本输入预置的初始雨水检测模型，生成预测概率；

标注信息提取子模块用于提取所述训练样本的标注信息；

候选模型生成子模块用于根据所述标注信息和预测概率更新所述初始雨水检测模型，生成候选雨水检测模型。

在某些实施方式中，所述多维度包括天气维度、时段维度和环境维度。

对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本发明实施方式还提供了一种计算机可读存储介质。一个或多个包含计算机可执行指令的非易失性计算机可读存储介质，当计算机可执行指令被一个或多个处理器执行时，使得处理器执行上述任一实施方式的方法。

本发明实施方式还提供了一种车辆。车辆包括行存储器及一个或多个处理器，一个或多个程序被存储在存储器中，并且被配置成由一个或多个处理器执行。程序包括用于执行上述任意一项实施方式所述的方法。

处理器可用于提供计算和控制能力，支撑整个车辆的运行。车辆的存储器为存储器其中的计算机可读指令运行提供环境。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，程序可存储于一非易失性计算机可读存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等。

以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (11)

1.一种车辆雨刷器老化的检测方法，其特征在于，所述检测方法包括：

在每个雨刷周期中，等时间间隔地采集多帧车辆上挡风玻璃的图像数据；

将多帧所述图像数据输入至预设的目标雨水检测模型；

采用所述目标雨水检测模型生成与每帧所述图像数据对应的所述挡风玻璃的雨水概率特征结果；

根据多个所述雨水概率特征结果判断所述雨刷器是否老化。

2.根据权利要求1所述的检测方法，其特征在于，所述采用所述目标雨水检测模型生成与每帧所述图像数据对应的雨水概率特征结果包括：

采用所述目标雨水检测模型，生成每帧所述图像数据的概率矩阵，其中，所述概率矩阵中包括概率值；

将所述概率矩阵中的概率值转化为灰度值；

获取每帧所述图像数据的原始高度、原始宽度和原始坐标信息；

采用每帧所述图像数据的原始高度、原始宽度和原始坐标信息，分别生成对应的目标高度、目标宽度和目标坐标信息；

采用所述灰度值、目标高度、目标宽度和目标坐标信息，生成雨水概率特征结果。

3.根据权利要求1所述的检测方法，其特征在于，所述雨水概率特征结果包括雨水概率图，所述根据多个所述雨水概率特征结果判断所述雨刷器是否老化包括：

提取每帧所述雨水概率特征图中的每一个像素的灰度值；

计算每帧所述雨水概率特征图中全部像素的灰度值的平均值；

根据多帧雨水概率特征图的多个所述灰度值的平均值生成雨水概率变化图；

根据所述雨水概率变化图判断所述雨刷器是否老化。

4.根据权利要求3所述的检测方法，其特征在于，所述根据所述雨水概率变化图判断所述雨刷器是否老化包括：

判断所述雨水概率变化图中每个周期的极小值是否大于或等于概率阈值；

判断所述极小值大于或等于所述概率阈值的周期是否连续且周期数大于或等于预定阈值；

若是，确定所述雨刷器老化。

5.根据权利要求1所述的检测方法，其特征在于，所述雨水概率特征结果包括雨水概率特征图，所述雨刷器包括第一子雨刷器和第二子雨刷器，所述根据多个所述雨水概率特征结果判断所述雨刷器是否老化包括：

分别提取每帧所述雨水概率特征图中第一部分的每个像素的灰度值和第二部分的每个像素的灰度值；

计算第一部分全部像素的灰度值的第一平均值及第二部分全部像素的灰度值的第二平均值；

根据多帧雨水概率特征图的多个所述灰度值的第一平均值和第二平均值生成第一雨水概率变化图和第二雨水概率变化图；

根据所述第一雨水概率变化图和所述第二雨水概率变化图判断所述第一子雨刷器和/或第二子雨刷器是否老化。

6.根据权利要求5所述的检测方法，其特征在于，所述根据所述第一雨水概率变化图和所述第二雨水概率变化图判断所述第一子雨刷器和/或第二子雨刷器是否老化包括：

判断所述第一雨水概率变化图和第二雨水概率变化图中每个周期的极小值是否大于或等于概率阈值；

判断所述极小值大于或等于所述概率阈值的周期是否连续且周期数大于或等于预定阈值；

若是，确定所述第一子雨刷器和/或所述第二子雨刷器老化。

7.根据权利要求1所述的检测方法，其特征在于，所述检测方法还包括步骤：

在确定所述雨刷器老化时，生成提醒信息以提醒用户更换所述雨刷器。

8.一种车辆雨刷器老化的检测装置，其特征在于，包括：

采集模块，用于在每个雨刷周期中，等时间间隔地采集多帧车辆上挡风玻璃的图像数据；

输入模块，用于将多帧所述图像数据输入至预设的目标雨水检测模型；

雨水概率特征结果生成模块，用于生成与每帧所述图像数据对应的所述挡风玻璃的雨水概率特征图；

老化判断模块，用于根据多个所述雨水概率特征结果判断所述雨刷器是否老化。

9.一种车辆，其特征在于，包括摄像装置和处理器和雨刷器，所述摄像装置设置于所述车辆的后视镜正前方，所述摄像装置用于获取多帧挡风玻璃的图像数据并发送至所述处理器，所述处理器用于：

在每个雨刷周期中，等时间间隔地采集多帧车辆上挡风玻璃的图像数据；

将多帧所述图像数据输入至预设的目标雨水检测模型；

采用所述目标雨水检测模型生成与每帧所述图像数据对应的所述挡风玻璃的雨水概率特征结果；

根据多个所述雨水概率特征结果判断所述雨刷器是否老化。

10.一种车辆，其特征在于，包括：

一个或多个处理器、存储器；和

一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被所述一个或多个处理器执行，所述程序包括用于执行根据权利要求1-7任一项所述的检测方法的指令。

11.一种计算机可执行指令的非易失性计算机可读存储介质，当所述计算机可执行指令被一个或多个处理器执行时，使得所述处理器执行权利要求1-7任一项所述的检测方法。

Images