CN110728680A - 行车记录仪检测方法、装置、计算机设备和存储介质 - Google Patents

行车记录仪检测方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN110728680A
CN110728680A CN201911023218.8A CN201911023218A CN110728680A CN 110728680 A CN110728680 A CN 110728680A CN 201911023218 A CN201911023218 A CN 201911023218A CN 110728680 A CN110728680 A CN 110728680A
Authority
CN
China
Prior art keywords
image
data recorder
display screen
automobile data
detected
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.)
Pending
Application number
CN201911023218.8A
Other languages
English (en)
Inventor
周康明
谷维鑫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Eye Control Technology Co Ltd
Original Assignee
Shanghai Eye Control Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Eye Control Technology Co Ltd filed Critical Shanghai Eye Control Technology Co Ltd
Priority to CN201911023218.8A priority Critical patent/CN110728680A/zh
Publication of CN110728680A publication Critical patent/CN110728680A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30108—Industrial image inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种行车记录仪检测方法、装置、计算机设备和存储介质。所述方法包括：获取待检测图像；当采用第一目标检测模型检测到待检测图像存在行车记录仪区域时，获取待检测图像中的行车记录仪区域图像；当采用第二目标检测模型检测到行车记录仪区域图像中存在合格认证标志和显示屏区域时，获取显示屏区域图像；识别显示屏区域图像的显示状态；当显示状态为正常时，生成行车记录仪检测通过的检测结果。该方法基于人工智能技术，通过采用基于深度学习的模型检测车辆的行车记录仪安装状况和显示状态，将自动化检测引入到行车记录仪的检测当中，提高了行车记录仪检测的准确率，且降低了人工成本。

Description

行车记录仪检测方法、装置、计算机设备和存储介质
技术领域
本申请涉及车辆检测技术领域，特别是涉及一种行车记录仪检测方法、装置、计算机设备和存储介质。
背景技术
随着社会经济的不断发展和人民生活水平的持续提高，载客客车、货车等特殊用途的车辆保有量迅猛增长，使得对特殊用途的车辆进行车辆年检的工作量也随之迅速增大。
按照相关规定，载客客车、货车等特殊用途的车辆必须使用具有行驶记录功能的行车记录仪。在车辆年检时，行车记录仪也被列为一项必要检测项目。传统的车辆年检方式，行车记录仪主要是通过人工进行检测，随着特殊用途的车辆保有量的增长，人工长时间进行重复性检测操作容易产生疲劳、疏忽等不良状态，从而影响对行车记录仪进行检测的准确率。
发明内容
基于此，有必要针对上述技术问题，提供一种能够在车辆年检中提高行车记录仪的检测准确率的行车记录仪检测方法、装置、计算机设备和存储介质。
为了实现上述目的，一方面，本申请实施例提供了一种行车记录仪检测方法，所述方法包括：
获取待检测图像；
当采用第一目标检测模型检测到待检测图像存在行车记录仪区域时，获取待检测图像中的行车记录仪区域图像；
当采用第二目标检测模型检测到行车记录仪区域图像中存在合格认证标志和显示屏区域时，获取显示屏区域图像；
识别显示屏区域图像的显示状态；
当显示状态为正常时，生成行车记录仪检测通过的检测结果。
另一方面，本申请实施例还提供了一种行车记录仪检测装置，所述装置包括：
获取模块，用于获取待检测图像；
第一目标检测模块，用于当采用第一目标检测模型检测到待检测图像存在行车记录仪区域时，获取待检测图像中的行车记录仪区域图像；
第二目标检测模块，用于当采用第二目标检测模型检测到行车记录仪区域图像中存在合格认证标志和显示屏区域时，获取显示屏区域图像；
分类识别模块，用于识别显示屏区域图像的显示状态；
结果生成模块，用于当显示状态为正常时，生成行车记录仪检测通过的检测结果。
又一方面，本申请实施例还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上方法的步骤。
又一方面，本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上方法的步骤。
上述行车记录仪检测方法、装置、计算机设备和存储介质，在获取待检测图像后，当采用第一目标检测模型检测到待检测图像存在行车记录仪区域时，则获取待检测图像中的行车记录仪区域图像。当采用第二目标检测模型检测到行车记录仪区域图像中存在合格认证标志和显示屏区域时，则获取显示屏区域图像。最后通过识别显示屏区域图像的显示状态，当显示状态为正常时，生成行车记录仪检测通过的检测结果。该方法基于人工智能技术，通过采用基于深度学习的模型检测车辆的行车记录仪安装状况和显示状态，将自动化检测引入到行车记录仪的检测当中，提高了行车记录仪检测的准确率，且降低了人工成本。
附图说明
图1为一个实施例中行车记录仪检测方法的应用环境图；
图2为一个实施例中行车记录仪检测方法的流程示意图；
图3为一个实施例中采用第一目标检测模型检测待检测图像的流程示意图；
图4为一个实施例中采用第一目标检测模型获取行车记录仪区域图像的示意图；
图5为一个实施例中对第一目标检测模型的检测过程进行改进的流程示意图；
图6为一个实施例中改进后的第一目标检测模型的网络结构图；
图7为一个实施例中路径增强的具体操作示意图；
图8为一个实施例中采用第二目标检测模型检测行车记录仪区域图像的流程示意图；
图9为一个实施例中识别显示屏区域图像的显示状态的流程示意图；
图10为一个实施例中行车记录仪检测方法的流程示意图；
图11为一个实施例中行车记录仪检测装置的结构框图；
图12为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的行车记录仪检测方法，可以应用于如图1所示的应用环境中。该应用环境包括终端102、服务器104和图像采集装置106。终端102可以是指具有较强的数据存储和计算能力的电子设备。其中，终端102通过网络与服务器104通过网络进行通信。图像采集装置106可以是终端102中的，也可以是单独的设备。终端102中设置有已完成训练的第一目标检测模型、第二目标检测模型和目标分类模型。具体地，通过图像采集装置106采集得到待检测图像，终端102获取待检测图像。当终端102采用第一目标检测模型检测待检测图像中存在行车记录仪区域时，获取待检测图像中的行车记录仪区域图像。终端102将行车记录仪区域图像输入至第二目标检测模型，当采用第二目标检测模型检测到行车记录仪区域图像中存在合格认证标志和显示屏区域时，获取显示屏区域图像。终端102将显示屏区域图像输入至目标分类模型，采用目标分类模型识别显示屏区域图像的显示状态。当终端102判断显示屏区域图像的显示状态为正常时，生成行车记录仪检测通过的检测结果。
在其他实施例中，本申请提供的行车记录仪检测方法还可应用于终端侧和服务器端，由图像采集装置106采集待检测图像，并通过网络连接等方式将待检测图像通过终端102发送至服务器104，进而由服务器104根据待检测图像对行车记录仪区域进行检测。其中，终端102可以但不限于是各种便携式移动设备，服务器104可以是现场服务器或者远程服务器。
在一个实施例中，如图2所示，提供了一种行车记录仪检测方法，以该方法应用于图1中的终端102为例进行说明，包括以下步骤：
步骤202，获取待检测图像。
其中，待检测图像是待进行行车记录仪检验的图像。具体地，待检测图像可以是由图像采集装置采集得到，图像采集装置可以是照相机或者智能手机等。在采集待检测图像时，可以通过图像采集装置在行车记录仪安装位置的前方进行拍摄，获取待检测图像。
步骤204，当采用第一目标检测模型检测到待检测图像中存在行车记录仪区域时，获取待检测图像中的行车记录仪区域图像。
其中，第一目标检测模型可以是基于深度学习的Faster R-CNN(一种目标检测网络)、SSD(Single Shot Multibox Detector，多分类单杆检测器)和RefineDet(一种基于单阶段的检测器)模型等，在此不做限定。具体地，在获取待检测图像后，可以采用已训练成熟的第一目标检测模型检测待检测图像中是否存在行车记录仪区域。当检测待检测图像中存在行车记录仪区域时，可以获取行车记录仪区域在待检测图像中的位置信息。进而根据该位置信息，将行车记录仪区域从待检测图像中提取出来，得到行车记录仪区域图像。
步骤206，当采用第二目标检测模型检测到行车记录仪区域图像中存在合格认证标志和显示屏区域时，获取显示屏区域图像。
其中，第二目标检测模型可以是基于深度学习的Faster R-CNN、SSD和RefineDet模型等，在此不做限定。合格认证标志可以是指质量认证机构准许经其认证产品质量合格的企业在产品或者其包装上使用的质量标志，例如质量管理体系认证标志、3C(Chinacompulsory certification，中国强制认证)标志等。具体地，在获取行车记录仪区域图像后，可以将行车记录仪区域图像输入至已训练成熟的第二目标检测模型，通过第二目标检测模型检测行车记录仪区域图像中是否存在合格认证标志和显示屏区域。当检测行车记录仪区域图像中存在合格认证标志和显示屏区域时，可以获取显示屏区域在行车记录仪区域图像中的位置信息。进而根据该位置信息，将显示屏区域从行车记录仪区域图像中提取出来，得到显示屏区域图像。
步骤208，识别显示屏区域图像的显示状态。
其中，显示状态可以包括显示状态正常和显示状态异常，可以通过基于深度学习的目标分类模型识别显示屏的显示状态。基于深度学习的目标分类模型可以是LeNet(一种最早的卷积神经网络之一)、AlexNet(一种基于卷积神经网络的目标分类模型)等，在此不做限定。在对目标分类模型进行训练时，可以根据显示屏是否亮起或者是否有字符，对显示屏的显示状态进行分类。具体地，在获取显示屏区域图像后，可以将显示屏区域图像输入至已训练成熟的目标分类模型进行识别分类。通过目标分类模型识别出显示屏区域图像中显示屏的状态。
步骤210，当显示状态为正常时，生成行车记录仪检测通过的检测结果。
具体地，当通过目标分类模型识别显示屏的显示状态为正常时，可以得出待检测图像中存在行车记录仪区域，且该行车记录仪区域中存在合格认证标志和显示屏区域，且该显示屏区域的显示状态正常，进而可以生成行车记录仪检测通过的检测结果。
上述行车记录仪检测方法，在获取待检测图像后，当采用第一目标检测模型检测到待检测图像存在行车记录仪区域时，则获取待检测图像中的行车记录仪区域图像。当采用第二目标检测模型检测到行车记录仪区域图像中存在合格认证标志和显示屏区域时，则获取显示屏区域图像。最后通过识别显示屏区域图像的显示状态，当显示状态为正常时，生成行车记录仪检测通过的检测结果。该方法基于人工智能技术，通过采用基于深度学习的模型检测车辆的行车记录仪安装状况和显示状态，将自动化检测引入到行车记录仪的检测当中，提高了行车记录仪检测的准确率，且降低了人工成本。
在一个实施例中，如图3所示，在当采用第一目标检测模型检测到待检测图像存在行车记录仪区域时，获取待检测图像中的行车记录仪区域图像之前，还包括以下步骤：
步骤302，将待检测图像输入至第一目标检测模型。
其中，在本实施例中，第一目标检测模型可以是基于深度学习的RefineDet模型。具体地，RefineDet由两个相连的模块组成，即第一候选框修正模块(Anchor RefinementModule，ARM)和第一物体检测模块(Object Detection Module，ODM)。为了在第一候选框修正模块和第一物体检测模块之间建立链接，还引入了第一转换连接模块(TransferConnection Block，TCB)。
步骤304，通过第一目标检测模型对待检测图像进行特征提取，对所提取的不同层第一特征图进行细化，得到细化后的不同层第一特征图。
具体地，将待检测图像输入至RefineDet模型后，可以通过RefineDet模型中的第一候选框修正模块对待检测图像进行第一特征图提取，获取多个不同尺寸的第一特征图，并在对应的第一特征图上面生成对应的候选框。进一步地，还可以从所获取的多层不同尺寸的第一特征图中，选取其中的部分尺寸第一特征图进行下一步分析。通过第一候选框修正模块可以对识别得到的负样本进行过滤，从而减少模型的搜索空间。正样本和负样本可以由置信度决定，例如可以设置信度小于0.5为负样本，反之则认为是正样本。进一步地，第一候选框修正模块可以粗略调整锚点的位置和大小，以便为随后的回归提供更好的初始化结果。
步骤306，对细化后的每层第一特征图进行特征转换和上采样处理，得到初次融合后的不同层第一特征图。
其中，上采样可以通过转置卷积的方式实现。具体地，通过第一候选框修正模块得到细化后的不同层第一特征图之后，可以通过第一转换连接模块将来自第一候选框修正模块的不同层的特征转换为第一物体检测模块所需的形式，以便第一物体检测模块可以共享来自第一候选框修正模块的特征。另一方面，第一转换连接模块还可以通过增加转置卷积功能，将来自第一物体检测模块的每层第一特征图进行反卷积，并将反卷积后的每层第一特征图与来自第一候选框修正模块、并经过特征转换后的上一层第一特征图进行初次相加融合。相加融合可以采用element wise(一种元素智能算法)方式，从而得到初次融合后的不同层第一特征图。
示例性地，请参照图6，其中,{C2,C3,C4,C5}表示通过候选框修正模块得到的细化后的不同层第一特征图，{P2,P3,P4,P5}表示通过转换连接模块得到的初次融合后的不同层第一特征图。特征转换和上采样从P5第一特征图开始，并逐渐接近P2第一特征图。可以理解的是，图6中的P5第一特征图和特征转换后的C5第一特征图是相同的。若想得到Pi第一特征图，首先，可以对Pi+1第一特征图通过转置卷积进行上采样，得到与Ci相同大小的特征图。然后，将上采样后的Pi+1第一特征图与特征转换后的Ci第一特征图进行融合，得到Pi第一特征图。可以使用element wise方式，对上采样后的Pi+1第一特征图与Ci第一特征图进行逐个像素相加融合。
步骤308，对初次融合后的不同层第一特征图先进行路径增强，再进行目标位置回归和预测类别，得到行车记录仪区域的检测结果。
具体地，将初次融合后的不同层第一特征图依次进行特征转换，对增强路径中的不同层第一特征图进行下采样，将所述每层第一特征图的下采样层和对应的特征转换后的下一层第一特征图进行再次融合，得到路径增强后的不同层第一特征图。将路径增强后的不同层第一特征图转换成相同维度并进行融合，生成最终第一特征图。可以通过第一物体检测模块对最终第一特征图分别进行位置回归和预测分类，得到若干个一维数组：
[image_id_1,class_1,score_1,Xmin_1,Ymin_1,Xmax_1,Ymax_1]。其中image_id_1代表图像序号，仅在模型训练过程中使用；class_1代表目标对象类别，是所需的检测区域(行车记录仪区域)则可以为1，不是则可以为0；score_1代表检测到的目标对象得分；(Xmin_1,Ymin_1)代表矩形左上点坐标，(Xmax_1,Ymax_1)代表矩形右下点坐标，每个数组均对应一个矩形区域。通过根据检测到的目标对象得分score_1判定所需检测的行车记录仪区域是否存在，以目标对象得分最高的一维数组作为检测输出。如图4所示，示出了使用第一目标检测模型检测得到行车记录仪区域的示意图。进一步地，当检测目标对象得分score_1最高的一维数组中，目标对象类别class_1对应的是行车记录仪区域，那么可以根据该一维数组中的矩形坐标位置信息从待检测图像中提取到行车记录仪区域图像。
进一步地，对本实施例中所使用的第一目标检测模型的获取过程进行说明。获取不同拍摄条件(如光照、角度)下的多张图像样本，图像样本中包括行车记录仪区域。然后，采用矩形框将完整的行车记录仪区域在每张图像样本中标出，并进行标记，获取训练样本集和测试样本集。最后，使用训练样本集和测试样本集对待训练第一目标检测模型进行训练，得到本实施例中使用的第一目标检测模型。
本实施例中，通过使用RefineDet目标检测模型检测待检测图像，利用RefineDet目标检测模型检测小目标更精准的特点，可以提高行车记录仪检测的准确性。
在一个实施例中，路径增强通过自底向上的方式进行。如图5所示，对初次融合后的不同层第一特征图先进行路径增强，再进行目标位置回归和预测类别，包括以下步骤：
步骤502，从初次融合后的底层第一特征图开始，对初次融合后的底层第一特征图进行下采样。
步骤504，将下采样后的底层第一特征图与初次融合后的次底层特征图进行再次融合，生成路径增强后的次底层第二特征图，并基于路径增强后的次底第二特征图进行循环处理，生成路径增强后的不同层第一特征图。
具体地，继续以第一目标检测模型为RefineDet模型进行说明。在物体检测模块接收到初次融合后的不同层第一特征图后，可以对初次融合后的不同层第一特征图以自底向上的方式进行路径增强。示例性地，继续参照图6，其中,{N2,N3,N4,N5}表示经过路径增强后生成的对应的不同层第一特征图。下面结合图6和图7对路径增强的操作过程进行说明。由于本实施例中的路径增强是以自底向上的方式进行，因此路径增强从低维度的P2第一特征图开始，并逐渐接近P5第一特征图。可以理解的是，图6中的N2第一特征图和特征转换后的P2第一特征图是相同的。若想得到Ni+1层第一特征图，首先，可以对Ni第一特征图通过卷积层进行下采样，例如，通过卷积核为3×3，步长为2的卷积层进行下采样。然后，如图7所示，将下采样后的Ni第一特征图与Pi+1第一特征图进行融合，可以使用element wise方式，对下采样后的Ni第一特征图与Pi+1第一特征图进行逐个像素相加融合。最后，将融合后的第一特征图再经过一个卷积层处理，例如，经过卷积核为3×3的卷积层处理，生成再次融合后的Ni+1第一特征图。
步骤504，将路径增强后的不同层第一特征图转换成相同维度并进行融合，生成最终第一特征图，并基于最终第一特征图进行目标位置回归和预测类别。
具体地，在路径增强后还可以增加自适应特征池化，通过自适应特征池化将得到的路径增强后的不同层第一特征图进行融合。继续参考图6所示的结构图进行说明，在得到路径增强后的不同层第一特征图后，由于不同层的第一特征图维度各不相同，因此可以将路径增强后的不同层的第一特征图分别经过全连接层fc1，使其变成相同的维度。然后，再对维度转换后的不同层第一特征图进行融合，生成最终第一特征图，并将该最终第一特征图通过全连接层fc2进行目标位置回归和预测类别,从而对待检测图像中行车记录仪区域的位置信息和类别进行检测。
本实施例中，通过将第一目标检测模型的网络结构进行改进，添加路径增强和添加自适应特征池化。由于改进后的第一目标检测模型的网络结构能够使低维度特征图的精确位置信息和高维度特征图的语义信息更好的传输融合，所以能够使第一目标检测模型的检测结果更精确，定位位置更精准。
在一个实施例中，如图8所示，在当采用第二目标检测模型检测到行车记录仪区域图像中存在合格认证标志和显示屏区域时，获取显示屏区域图像之前，还包括以下步骤：
步骤802，将行车记录仪区域图像输入至第二目标检测模型。
其中，在本实施例中，第二目标检测模型可以是基于深度学习的RefineDet模型。具体地，RefineDet由两个相连的模块组成，即第二候选框修正模块ARM和第二物体检测模块ODM。为了在第二候选框修正模块和第二物体检测模块之间建立链接，还引入了第二转换连接模块TCB。
步骤804，通过第二目标检测模型对行车记录仪区域图像进行特征提取，对所提取的不同层第二特征图进行细化，得到细化后的不同层第二特征图。
具体地，将行车记录仪区域图像输入至RefineDet模型后，可以通过RefineDet模型中的第二候选框修正模块对行车记录仪区域图像进行第二特征图提取，获取多个不同尺寸的第二特征图，并在对应的第二特征图上面生成对应的候选框。进一步地，还可以从所获取的多层不同尺寸的第二特征图中，选取其中的部分尺寸第二特征图进行下一步分析。通过第二候选框修正模块还可以对识别得到的负样本进行过滤，从而减少模型的搜索空间。正样本和负样本可以由置信度决定，例如可以设置信度小于0.5为负样本，反之则认为是正样本。进一步地，第二候选框修正模块还可以粗略调整锚点的位置和大小，以便为随后的回归提供更好的初始化结果。
步骤806，对细化后的每层第二特征图进行特征转换和上采样处理，得到初次融合后的不同层第二特征图。
其中，上采样可以通过转置卷积的方式实现。具体地，在得到细化后的不同层第二特征图之后，可以通过第二转换连接模块将来自第二候选框修正模块的不同层的特征转换为第二物体检测模块所需的形式，以便第二物体检测模块可以共享来自第二候选框修正模块的特征。另一方面，第二转换连接模块还可以通过增加转置卷积功能，将来自第二物体检测模块的每层第二特征图进行反卷积，并将反卷积后的每层第二特征图与来自第一候选框修正模块，并经过特征转换后的上一层第二特征图进行初次相加融合。相加融合可以采用elementwise方式，从而得到初次融合后的不同层第二特征图。针对生成初次融合后的不同层第二特征图的说明，可以参照图6以及生成初次融合后的不同层第一特征图的具体说明，在此不将做进一步阐述。
步骤808，对初次融合后的不同层第二特征图先进行路径增强，再进行目标位置回归和预测类别，得到合格认证标志和显示屏区域的检测结果。
具体地，将初次融合后的不同层第二特征图依次进行特征转换，对增强路径中的不同层第二特征图进行下采样，将所述每层第二特征图的下采样层和对应的特征转换后的下一层第二特征图进行再次融合，得到路径增强后的不同层第二特征图。将所路径增强后的不同层第一特征图转换成相同维度并进行融合，生成最终第二特征图。可以通过第二物体检测模块对最终第二特征图分别进行位置回归和预测分类，得到若干个一维数组：
[image_id_2,class_2,score_2,Xmin_2,Ymin_2,Xmax_2,Ymax_2]。其中image_id_2代表图像序号，仅在模型训练过程中使用；class_2代表目标对象类别，是所需的检测合格认证标志区域则可以为1，是所需检测的显示屏区域则可以为2，都不是则可以为0；score_2代表检测到的目标对象得分；(Xmin_2,Ymin_2)代表矩形左上点坐标，(Xmax_2,Ymax_2)代表矩形右下点坐标。每个一维数组均对应一个区域。通过根据检测到的目标对象得分判定所需检测的合格认证标志区域和显示屏区域是否存在，以目标对象得分最高的数组作为检测输出。进一步地，当检测目标对象得分score_2最高的一维数组中，目标对象类别class_2对应的是合格认证标志区域和显示屏区域，那么还可以根据一维数组中的坐标位置信息从行车记录仪区域图像中提取到所需的显示屏区域。
进一步地，对本实施例中所使用的第二目标检测模型的获取过程进行说明。获取不同拍摄条件(如光照、角度)下的多张行车记录仪区域图像样本，行车记录仪区域图像样本是通过训练成熟的第一目标检测模型检测出提取得到的，行车记录仪区域图像中包括合格认证区域和显示屏区域。然后，采用矩形框分别标出合格认证区域和显示屏区域的所在位置，并分别进行标注，获取训练样本集和测试样本集。最后，使用训练样本集和测试样本集对待训练第二目标检测模型进行训练，从而得到本实施例中使用的第二目标检测模型。
本实施例中，通过使用RefineDet目标检测模型检测行车记录仪区域，利用RefineDet目标检测模型检测小目标更精准的特点，可以提高行车记录仪检测的准确性。
在一个实施例中，路径增强通过自底向上的方式进行。对初次融合后的不同层第二特征图先进行路径增强，再进行目标位置回归和预测类别，具体包括：从初次融合后的底层第二特征图开始，对初次融合后的底层第二特征图进行下采样；将下采样后的底层第二特征图与初次融合后的次底层特征图进行再次融合，生成路径增强后的次底层第二特征图，并基于路径增强后的次底层第二特征图进行循环处理，生成路径增强后的不同层第二特征图；将路径增强后的不同层第二特征图转换成相同维度并进行融合，生成最终第二特征图，并基于最终第二特征图进行目标位置回归和预测类别。
具体地，在通过转换连接模块将初次融合后的不同层第二特征图传输至物体检测模块后，可以对初次融合后的不同层第二特征图进行路径增强和自适应特征池化，使低维度第二特征图的精确位置信息和高维度第二特征图的语义信息更好的传输融合，从而能够使第二目标检测模型的检测结果更精确，定位位置更精准。关于第二目标检测模型中路径增强和自适应特征池化的过程说明，可以参考对图6和图7的具体说明，在此不做进一步阐述。
在一个实施例中，如图9所示，识别显示屏区域图像的显示状态，包括以下步骤：
步骤902，通过目标分类模型识别显示屏区域图像的显示状态。
在本实施例中，目标分类模型可以为LenNet模型。具体地，在使用第二目标检测模型获取显示屏区域图像后，将显示屏区域图像输入至目标检测模型进行分类识别。通过目标检测模型识别可以得到若干个一维数组[class_3，score_3]，其中，class_3代表目标对象所属类别，显示屏处于正常状态则可以为1，否则可以为0；score_3代表目标对象所在类别的对应分数值，以分数最高的一维数组作为显示屏状态分类判别输出。
步骤904，根据识别得到的显示状态，判断显示屏是否亮起或者是否存在字符。
步骤906，若显示屏亮起或者存在字符，则显示状态为正常。
步骤908，若显示屏未亮起且不存在任何字符，则显示状态为异常。
具体地，若目标检测模型识别到显示屏区域图像的显示状态为显示屏亮起或者存在字符，则可以判断显示屏的显示状态正常；若目标检测模型识别到显示屏区域图像的显示状态为显示屏不亮且不存在任何字符，那么可以判断显示屏的显示状态异常。
进一步地，对本实施例中所使用的目标分类模型的获取过程进行说明。通过采用第二目标检测模型获取不同条件下的多张显示屏区域图像样本。首先，对所获得的显示屏幕区域图像进行分类，若显示屏区域图像样本中的显示屏为亮或者显示屏上有字符，则可以分类为显示状态正常；若显示屏区域图像样本中的显示屏不亮且没有任何字符，则可以分类为显示状态异常。然后，使用分类好的显示屏状态正常图像样本和状态异常图像样本，对待训练目标分类模型进行训练，从而得到本实施例中使用的目标分类模型。
本实施例中，通过使用目标分类模型进一步识别显示屏的状态，并根据显示屏的显示状态判断行车记录仪的检测结果，可以判断行车记录仪的可使用状况，从而进一步提高了行车记录仪检测的准确性。
在一个实施例中，上述任一个实施例的行车记录仪检测方法还包括：
当满足以下条件的其中一个时，生成行车记录仪检测未通过的结果：检测待检测图像中不存在行车记录仪区域；检测行车记录仪区域图像中不存在合格认证标志和显示屏区域中的至少一个；判断显示屏区域图像的显示状态为异常。
具体地，当通过第一目标检测模型检测待检测图像中不存在行车记录仪区域时，可以认为车辆未安装行车记录仪，则判断检测未通过，同时还可以保存待检测图像，便于后续使用人员对未通过原因进行分析。或者，当通过第二目标检测模型检测行车记录仪区域图像中不存在合格认证标志或者显示屏区域时，可以认为该行车记录仪为不符合使用要求的产品，则判断检测未通过，同时还可以保存该行车记录仪区域图像。或者，当通过目标分类模型识别显示屏区域图像时，输出的是显示状态异常的结果，可以认为该行车记录仪的使用状态不佳，则判断检测未通过，同时还可以保存该显示屏区域图像。
本实施例中，通过在检测或者识别过程中，当获取到异常结果时结束检测，可以提高行车记录仪的检测效率。通过保存检测异常的图片，便于后续使用人员采集未通过的具体原因。
在一个实施例中，如图10所示，通过一个具体的实施例说明行车记录仪检测方法，包括以下步骤：
步骤1001，获取待检测图像。
步骤1002，采用第一目标检测模型检测待检测图像中是否存在行车记录仪区域。
具体地，当判断待检测图像中存在行车记录仪区域时，可以记录此条标志为1，并继续进入步骤1003；否则，可以记录此条标志为0，并保存待检测图像，进入步骤1007，结束检测。
步骤1003，获取行车记录仪区域图像。
步骤1004，采用第二目标检测模型检测到行车记录仪区域图像中是否存在合格认证标志和显示屏区域。
具体地，当判断行车记录仪区域图像中存在合格认证标志和显示屏区域时，可以记录此条标志为1，并继续进入步骤1005；否则，可以记录此条标志为0，并保存行车记录仪区域图像，进入步骤1007，结束检测。
步骤1005，获取显示屏区域图像。
步骤1006，识别显示屏区域图像的显示状态。
具体地，可以采用基于深度学习的目标分类模型判断显示屏的显示状态，若获取显示屏状态为正常，可以记录此条标志为1，进入步骤1007；否则，可以记录此条标志为0，并保存显示屏区域图像，进入步骤1007，结束检测。
步骤1007，根据步骤1002至步骤1006所记录的检测结果进行判断。
步骤1008，若判断步骤1002至步骤1006所记录的标志都为1，则可以认为行车记录仪检测通过，输出行车记录仪检测通过的结果。
步骤1009，若判断步骤1002至步骤1006所记录的标志中存在0，则可以认为行车记录仪检测未通过，输出行车记录仪检测未通过的结果。还可以根据标志0出现的位置，输出不合格原因及对应保存的图像。
应该理解的是，虽然图1-10的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-10中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图11所示，提供了一种行车记录仪检测装置1100，包括：获取模块1101、第一目标检测模块1102、第二目标检测模块1103、分类识别模块1104和结果生成模块1105，其中：
获取模块1101，用于获取待检测图像；
第一目标检测模块1102，用于当采用第一目标检测模型检测到待检测图像存在行车记录仪区域时，获取待检测图像中的行车记录仪区域图像；
第二目标检测模块1103，用于当采用第二目标检测模型检测到行车记录仪区域图像中存在合格认证标志和显示屏区域时，获取显示屏区域图像；
分类识别模块1104，用于识别显示屏区域图像的显示状态；
结果生成模块1105，用于当显示状态为正常时，生成行车记录仪检测通过的检测结果。
在一个实施例中，第一目标检测模块1102具体包括第一候选框修正模块、第一转换连接模块和第一物体检测模块。在当采用第一目标检测模型检测到待检测图像存在行车记录仪区域时，获取待检测图像中的行车记录仪区域图像之前，还包括：
将待检测图像输入至第一目标检测模型；第一候选框修正模块用于对待检测图像进行特征提取，对所提取的不同层第一特征图进行细化，得到细化后的不同层第一特征图；第一转换连接模块用于对细化后的每层第一特征图进行特征转换和上采样处理，得到初次融合后的不同层第一特征图；第一物体检测模块用于对初次融合后的不同层第一特征图先进行路径增强，再进行目标位置回归和预测类别，得到行车记录仪区域的检测结果。
在一个实施例中，物体检测模块还包括第一路径增强单元和第一自适应特征池化单元。第一路径增强单元用于对初次融合后的不同层第一特征图，以自底向上的方式进行路径增强，生成路径增强后的不同层第一特征图；将路径增强后的不同层第一特征图转换成相同维度并进行融合，生成最终第一特征图，并基于最终第一特征图进行目标位置回归和预测类别。
在一个实施例中，第二目标检测模块1103具体包括第二候选框修正模块、第二转换连接模块和第二物体检测模块。在当采用第二目标检测模型检测到行车记录仪区域图像中存在合格认证标志和显示屏区域时，获取显示屏区域图像之前，还包括：
将行车记录仪区域图像输入至第二目标检测模型；第二候选框修正模块用于对行车记录仪区域图像进行特征提取和细化，得到细化后的不同层第二特征图；第二转换连接模块用于对细化后的每层第二特征图进行特征转换和上采样处理，得到初次融合后的不同层第二特征图；第二物体检测模块用于对初次融合后的不同层第二特征图先进行路径增强，再进行目标位置回归和预测类别，得到合格认证标志和显示屏区域的检测结果。
在一个实施例中，第二物体检测模块还包括第二路径增强单元和第二自适应特征池化单元。第二路径增强单元用于对初次融合后的不同层第二特征图，以自底向上的方式进行路径增强，生成路径增强后的不同层第二特征图；将路径增强后的不同层第二特征图转换成相同维度并进行融合，生成最终第二特征图，并基于最终第二特征图进行目标位置回归和预测类别。
在一个实施例中，分类识别模块1104具体用于通过目标分类模型识别显示屏区域图像的显示状态；根据识别得到的显示状态，判断显示屏是否亮起或者是否存在字符；若显示屏亮起或者存在字符，则显示状态为正常；若显示屏未亮起且不存在任何字符，则显示状态为异常。
在一个实施例中，结果生成模块1105具体用于当满足以下条件的其中一个时，生成行车记录仪检测未通过的结果：检测待检测图像中不存在行车记录仪区域；检测行车记录仪区域图像中不存在合格认证标志和显示屏区域中的至少一个；判断显示屏区域图像的显示状态为异常。
关于行车记录仪检测装置的具体限定可以参见上文中对于行车记录仪检测方法的限定，在此不再赘述。上述行车记录仪检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图12所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种行车记录仪检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图12中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取待检测图像；当采用第一目标检测模型检测到待检测图像存在行车记录仪区域时，获取待检测图像中的行车记录仪区域图像；当采用第二目标检测模型检测到行车记录仪区域图像中存在合格认证标志和显示屏区域时，获取显示屏区域图像；识别显示屏区域图像的显示状态；当显示状态为正常时，生成行车记录仪检测通过的检测结果。
在一个实施例中，在当采用第一目标检测模型检测到待检测图像存在行车记录仪区域时，获取待检测图像中的行车记录仪区域图像之前，处理器执行计算机程序时还实现以下步骤：
将待检测图像输入至第一目标检测模型；通过第一目标检测模型得到初次融合后的不同层第一特征图；对初次融合后的不同层第一特征图先进行路径增强，再进行目标位置回归和预测类别，得到行车记录仪区域的检测结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
对初次融合后的不同层第一特征图，以自底向上的方式进行路径增强，生成路径增强后的不同层第一特征图；将路径增强后的不同层第一特征图转换成相同维度并进行融合，生成最终第一特征图，并基于最终第一特征图进行目标位置回归和预测类别。
在一个实施例中，在当采用第二目标检测模型检测到行车记录仪区域图像中存在合格认证标志和显示屏区域时，获取显示屏区域图像之前，处理器执行计算机程序时还实现以下步骤：
将行车记录仪区域图像输入至第二目标检测模型；通过第二目标检测模型得到初次融合后的不同层第二特征图；对初次融合后的不同层第二特征图先进行路径增强，再进行目标位置回归和预测类别，得到合格认证标志和显示屏区域的检测结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
对初次融合后的不同层第二特征图，以自底向上的方式进行路径增强，生成路径增强后的不同层第二特征图；将路径增强后的不同层第二特征图转换成相同维度并进行融合，生成最终第二特征图，并基于最终第二特征图进行目标位置回归和预测类别。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
通过目标分类模型识别显示屏区域图像的显示状态；根据识别得到的显示状态，判断显示屏是否亮起或者是否存在字符；若显示屏亮起或者存在字符，则显示状态为正常；若显示屏未亮起且不存在任何字符，则显示状态为异常。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
当满足以下条件的其中一个时，生成行车记录仪检测未通过的结果：检测待检测图像中不存在行车记录仪区域；检测行车记录仪区域图像中不存在合格认证标志和显示屏区域中的至少一个；判断显示屏区域图像的显示状态为异常。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取待检测图像；当采用第一目标检测模型检测到待检测图像存在行车记录仪区域时，获取待检测图像中的行车记录仪区域图像；当采用第二目标检测模型检测到行车记录仪区域图像中存在合格认证标志和显示屏区域时，获取显示屏区域图像；识别显示屏区域图像的显示状态；当显示状态为正常时，生成行车记录仪检测通过的检测结果。
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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述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发明专利范围的限制。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 (10)

1.一种行车记录仪检测方法，其特征在于，所述方法包括：
获取待检测图像；
当采用第一目标检测模型检测到所述待检测图像中存在行车记录仪区域时，获取所述待检测图像中的行车记录仪区域图像；
当采用第二目标检测模型检测到所述行车记录仪区域图像中存在合格认证标志和显示屏区域时，获取显示屏区域图像；
识别所述显示屏区域图像的显示状态；
当所述显示状态为正常时，生成行车记录仪检测通过的检测结果。
2.根据权利要求1所述的方法，其特征在于，在当采用第一目标检测模型检测到所述待检测图像存在行车记录仪区域时，获取所述待检测图像中的行车记录仪区域图像之前，还包括：
将所述待检测图像输入至所述第一目标检测模型；
通过所述第一目标检测模型对所述待检测图像进行特征提取，对所提取的不同层第一特征图进行细化，得到细化后的不同层第一特征图；
对所述细化后的不同层第一特征图进行特征转换和上采样处理，得到初次融合后的不同层第一特征图；
对所述初次融合后的不同层第一特征图先进行路径增强，再进行目标位置回归和预测类别，得到所述行车记录仪区域的检测结果。
3.根据权利要求2所述的方法，其特征在于，所述路径增强通过自底向上的方式进行；所述对所述初次融合后的不同层第一特征图先进行路径增强，再进行目标位置回归和预测类别，包括：
从初次融合后的底层第一特征图开始，对所述初次融合后的底层第一特征图进行下采样；
将所述下采样后的底层第一特征图与所述初次融合后的次底层特征图进行再次融合，生成路径增强后的次底层第二特征图，并基于所述路径增强后的次底第二特征图进行循环处理，生成路径增强后的不同层第一特征图；
将所述路径增强后的不同层第一特征图转换成相同维度并进行融合，生成最终第一特征图，并基于所述最终第一特征图进行目标位置回归和预测类别。
4.根据权利要求1～3任一项所述的方法，其特征在于，在当采用第二目标检测模型检测到所述行车记录仪区域图像中存在合格认证标志和显示屏区域时，获取显示屏区域图像之前，还包括：
将所述行车记录仪区域图像输入至所述第二目标检测模型；
通过所述第二目标检测模型对所述行车记录仪区域图像进行特征提取，对所提取的不同层第二特征图进行细化，得到细化后的不同层第二特征图；
对所述细化后的不同层第二特征图进行特征转换和上采样处理，得到初次融合后的不同层第二特征图；
对所述初次融合后的不同层第二特征图先进行路径增强，再进行目标位置回归和预测类别，得到所述合格认证标志和所述显示屏区域的检测结果。
5.根据权利要求4所述的方法，其特征在于，所述路径增强通过自底向上的方式进行；所述对所述初次融合后的不同层第二特征图先进行路径增强，再进行目标位置回归和预测类别，包括：
从初次融合后的底层第二特征图开始，对所述初次融合后的底层第二特征图进行下采样；
将所述下采样后的底层第二特征图与所述初次融合后的次底层特征图进行再次融合，生成路径增强后的次底层第二特征图，并基于所述路径增强后的次底层第二特征图进行循环处理，生成路径增强后的不同层第二特征图；
将所述路径增强后的不同层第二特征图转换成相同维度并进行融合，生成最终第二特征图，并基于所述最终第二特征图进行目标位置回归和预测类别。
6.根据权利要求1所述的方法，其特征在于，所述识别所述显示屏区域图像的显示状态，包括：
通过目标分类模型识别所述显示屏区域图像的显示状态；
根据识别得到的显示状态，判断所述显示屏是否亮起或者是否存在字符；
若所述显示屏亮起或者存在字符，则所述显示状态为正常；
若所述显示屏未亮起且不存在任何字符，则所述显示状态为异常。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
当满足以下条件的其中一个时，生成行车记录仪检测未通过的结果：
检测所述待检测图像中不存在所述行车记录仪区域；
检测所述行车记录仪区域图像中不存在合格认证标志和显示屏区域中的至少一个；
判断所述显示屏区域图像的显示状态为异常。
8.一种行车记录仪检测装置，其特征在于，所述装置包括：
获取模块，用于获取待检测图像；
第一目标检测模块，用于当采用第一目标检测模型检测到所述待检测图像存在行车记录仪区域时，获取所述待检测图像中的行车记录仪区域图像；
第二目标检测模块，用于当采用第二目标检测模型检测到所述行车记录仪区域图像中存在合格认证标志和显示屏区域时，获取显示屏区域图像；
分类识别模块，用于识别所述显示屏区域图像的显示状态；
结果生成模块，用于当所述显示状态为正常时，生成行车记录仪检测通过的检测结果。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述方法的步骤。
CN201911023218.8A 2019-10-25 2019-10-25 行车记录仪检测方法、装置、计算机设备和存储介质 Pending CN110728680A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911023218.8A CN110728680A (zh) 2019-10-25 2019-10-25 行车记录仪检测方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911023218.8A CN110728680A (zh) 2019-10-25 2019-10-25 行车记录仪检测方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN110728680A true CN110728680A (zh) 2020-01-24

Family

ID=69223179

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911023218.8A Pending CN110728680A (zh) 2019-10-25 2019-10-25 行车记录仪检测方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN110728680A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111401282A (zh) * 2020-03-23 2020-07-10 上海眼控科技股份有限公司 目标检测方法、装置、计算机设备和存储介质
CN111563439A (zh) * 2020-04-28 2020-08-21 北京海益同展信息科技有限公司 一种水产生物病害检测方法、装置及设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014004271A2 (en) * 2012-06-25 2014-01-03 Tandent Vision Science, Inc. Method and system for use of intrinsic images in an automotive driver-vehicle-assistance device
CN204020712U (zh) * 2014-07-11 2014-12-17 北京汽车股份有限公司 一种汽车年检信息的电子显示装置
CN104537729A (zh) * 2015-01-09 2015-04-22 哈尔滨工程大学 一种防抖全方位目标跟踪的智能行车记录仪
CN106355152A (zh) * 2016-08-30 2017-01-25 上海卓易科技股份有限公司 识别当前道路车辆的方法、系统及行车记录仪
CN107798302A (zh) * 2017-10-13 2018-03-13 上海眼控科技股份有限公司 一种轿车加装行李架的智能检测系统及方法
CN108305351A (zh) * 2018-03-08 2018-07-20 域通全球成都科技有限责任公司 一种具有检测功能的行车记录仪
CN109784326A (zh) * 2018-11-27 2019-05-21 上海眼控科技股份有限公司 一种基于深度学习的车辆底盘检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014004271A2 (en) * 2012-06-25 2014-01-03 Tandent Vision Science, Inc. Method and system for use of intrinsic images in an automotive driver-vehicle-assistance device
CN204020712U (zh) * 2014-07-11 2014-12-17 北京汽车股份有限公司 一种汽车年检信息的电子显示装置
CN104537729A (zh) * 2015-01-09 2015-04-22 哈尔滨工程大学 一种防抖全方位目标跟踪的智能行车记录仪
CN106355152A (zh) * 2016-08-30 2017-01-25 上海卓易科技股份有限公司 识别当前道路车辆的方法、系统及行车记录仪
CN107798302A (zh) * 2017-10-13 2018-03-13 上海眼控科技股份有限公司 一种轿车加装行李架的智能检测系统及方法
CN108305351A (zh) * 2018-03-08 2018-07-20 域通全球成都科技有限责任公司 一种具有检测功能的行车记录仪
CN109784326A (zh) * 2018-11-27 2019-05-21 上海眼控科技股份有限公司 一种基于深度学习的车辆底盘检测方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111401282A (zh) * 2020-03-23 2020-07-10 上海眼控科技股份有限公司 目标检测方法、装置、计算机设备和存储介质
CN111563439A (zh) * 2020-04-28 2020-08-21 北京海益同展信息科技有限公司 一种水产生物病害检测方法、装置及设备
CN111563439B (zh) * 2020-04-28 2023-08-08 京东科技信息技术有限公司 一种水产生物病害检测方法、装置及设备

Similar Documents

Publication Publication Date Title
CN111667011B (zh) 损伤检测模型训练、车损检测方法、装置、设备及介质
KR102151365B1 (ko) 이미지 기반 차량 손실 평가 방법, 장치 및 시스템, 및 전자 디바이스
CN110807491A (zh) 车牌图像清晰度模型训练方法、清晰度检测方法及装置
CN109886077B (zh) 图像识别方法、装置、计算机设备和存储介质
CN111666995B (zh) 基于深度学习模型的车辆定损方法、装置、设备及介质
CN111680746B (zh) 车损检测模型训练、车损检测方法、装置、设备及介质
US11087138B2 (en) Vehicle damage assessment method, apparatus, and device
CN110827236B (zh) 基于神经网络的脑组织分层方法、装置、计算机设备
CN111666990A (zh) 车辆损伤特征检测方法、装置、计算机设备及存储介质
CN111192392B (zh) 身份验证方法、装置、计算机设备和计算机可读存储介质
CA3174691A1 (en) Human face fuzziness detecting method, device, computer equipment and storage medium
CN110956628B (zh) 图片等级分类方法、装置、计算机设备和存储介质
CN112668462B (zh) 车损检测模型训练、车损检测方法、装置、设备及介质
CN111435446A (zh) 一种基于LeNet车牌识别方法及装置
CN111444911B (zh) 车牌识别模型的训练方法及装置、车牌识别方法及装置
CN110717449A (zh) 车辆年检人员的行为检测方法、装置和计算机设备
CN111144372A (zh) 车辆检测方法、装置、计算机设备和存储介质
CN110728680A (zh) 行车记录仪检测方法、装置、计算机设备和存储介质
CN110781887A (zh) 车牌螺丝检测方法、装置和计算机设备
CN111435445A (zh) 字符识别模型的训练方法及装置、字符识别方法及装置
CN111553431A (zh) 图片清晰度检测方法、装置、计算机设备及存储介质
CN111325256A (zh) 车辆外观检测方法、装置、计算机设备和存储介质
CN111144358A (zh) 车辆合格证的验证方法、装置、计算机设备和存储介质
Kiew et al. Vehicle route tracking system based on vehicle registration number recognition using template matching algorithm
CN114140025A (zh) 面向多模态数据的车险欺诈行为预测系统、方法和装置

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
AD01 Patent right deemed abandoned

Effective date of abandoning: 20221018

AD01 Patent right deemed abandoned