CN110765961A - 车辆制动状态判断方法、装置、计算机设备和存储介质 - Google Patents

Abstract

本申请涉及一种车辆制动状态判断方法、装置、计算机设备和存储介质，通过检测网络对车辆制动工位图像中的车辆进行检测，在制动工位图像中存在目标车辆时，通过预设的分割网络将图像中的各工位类别分割出来，得到工位信息，然后根据工位信息判断目标车辆的制动状态。该方法中，由于通过预设的检测网络实现目标车辆的检测，通过预设的分割网络实现了工位信息识别，提高了车辆制动状态检测的准确率,且，检测过程为计算机设备自动检测，既节约了人力成本，又保证了检测工作的公开性、公正性。

Description

车辆制动状态判断方法、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，特别是涉及一种车辆制动状态判断方法、装置、计算机设备和存储介质。

背景技术

重型货车都是多轴汽车，通常多轴驱动车辆的制动性能好坏对道路交通安全影响极大，因此多轴驱动车辆制动性能的检测对保障道路交通安全极为重要。

目前对多轴汽车制动性能的检测，常规的做法有：道路试验(例如五轮仪、制动减速仪)检测多轴车辆制动性能、用平板式制动试验台分轴检测、采用滚筒式制动试验台分轴检测等。在检测过程中，受检车辆以一定的速度开上测试平台，置变速器于空档并紧急制动，将指定轴开到滚筒或平板上，然后通过人为判断或者通过传感器和计算机测量装置判断被检测车辆是否停在符合要求的位置，以确定出被检测车辆的制动状态是否合格。

可见，目前的多轴汽车制动性能检测方法，判断被检测车辆的制动性能是否合格时，需要耗费大量人力成本，且判断结果精确度较低。

发明内容

基于此，有必要针对上述技术问题，提供一种车辆制动状态判断方法、装置、计算机设备和存储介质。

第一方面，本申请实施例提供一种车辆制动状态判断方法，该方法包括：

获取被检测车辆的制动工位图像；

通过预设的检测网络，检测制动工位图像中是否存在目标车辆；

若存在目标车辆，将制动工位图像输入至预设的分割网络中，得到目标车辆的工位信息；工位信息至少包括车轮信息和试验台信息；

根据车轮信息和试验台信息，判断目标车辆的制动状态。

在其中一个实施例中，预设的分割网络为根据实例分割算法构建。

在其中一个实施例中，检测网络包括车辆检测网络和车牌检测网络；

则通过预设的检测网络，检测制动工位图像中是否存在目标车辆，包括：

将制动工位图像输入车辆检测网络，检测制动工位图像中是否存在车辆；

若存在车辆，将制动工位图像输入车牌检测网络，检测车辆的车牌是否为目标车辆的车牌；

若车辆的车牌是目标车辆的车牌，确定制动工位图像中存在目标车辆。

在其中一个实施例中，车牌检测网络包括车牌识别网络和车牌号分类网络；

将制动工位图像输入车牌检测网络，检测车辆的车牌是否为目标车辆的车牌，包括：

将制动工位图像输入车牌识别网络，检测制动工位图像中是否存在车牌；

若存在车牌，将车牌所在区域的图像输入至车牌号分类网络，检测车牌所在区域的图像中的车牌号是否与目标车辆的车牌号一致，若一致，确定车辆的车牌为目标车辆的车牌。

在其中一个实施例中，根据车轮信息和试验台信息，判断目标车辆的制动状态，包括：

根据车轮信息和试验台信息，判断目标车辆的前车轮和/或后车轮是否在试验台上；

若前车轮和/或后车轮在试验台上，则确定目标车辆的制动状态合格；

若前车轮和后车轮均不在试验台上，则确定目标车辆的制动状态不合格。

在其中一个实施例中，车轮信息包括车轮所在区域中所有点的坐标信息，试验台信息包括试验台所在区域中所有点的坐标信息；

则根据车轮信息和试验台信息，判断目标车辆的前车轮和/或后车轮是否在试验台上，包括：

根据车轮所在区域中所有点的坐标信息，获取前车轮所在区域中所有点的第一坐标集，和/或，获取后车轮所在区域中所有点的第二坐标集；

获取第一坐标集的第一预设区域中各点，与试验台所在区域的第二预设区域中各点之间的第一距离，和/或，获取第二坐标集的第一预设区域中各点，与第二预设区域中各点之间的第二距离；

若各第一距离和/或各第二距离中，至少存在一个距离小于预设距离，则确定前车轮和/或后车轮在试验台上。

在其中一个实施例中，在判断目标车辆的前车轮和/或后车轮是否在试验台上之前，该方法还包括：

将制动工位图像输入至预设的方向分类网络中，确定在制动工位图像中目标车辆的车头与车尾的相对位置；

根据目标车辆的车头与车尾的相对位置，确定目标车辆的前车轮和后车轮。

在其中一个实施例中，该方法还包括：

若目标车辆的制动状态不合格，输出不合格的原因及数据。

第二方面，本申请实施例提供一种车辆制动状态判断装置，装置包括：

获取模块，用于获取被检测车辆的制动工位图像；

检测模块，用于通过预设的检测网络，检测制动工位图像中是否存在目标车辆；

工位模块，用于若存在目标车辆，将制动工位图像输入至预设的分割网络中，得到目标车辆的工位信息；工位信息至少包括车轮信息和试验台信息；

确定模块，用于根据车轮信息和试验台信息，判断目标车辆的制动状态。

第三方面，本申请实施例提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述第一方面实施例提供的任一项方法的步骤。

第四方面，本申请实施例提供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上述第一方面实施例提供的任一项方法的步骤。

本申请实施例提供了一种车辆制动状态判断方法、装置、计算机设备和存储介质，该方法通过检测网络对车辆制动工位图像中的车辆进行检测，在制动工位图像中存在目标车辆时，通过预设的分割网络将图像中的各工位类别分割出来，得到工位信息，然后根据工位信息判断目标车辆的制动状态。该方法中，由于通过预设的检测网络实现目标车辆的检测，通过预设的分割网络实现了工位信息识别，提高了车辆制动状态检测的准确率,且，检测过程为计算机设备自动检测，既节约了人力成本，又保证了检测工作的公开性、公正性。

附图说明

图1为一个实施例提供的一种车辆制动状态判断方法的应用环境图；

图2为一个实施例提供的一种车辆制动状态判断方法的流程示意图；

图2a为一个实施例提供的一种分割网络获取过程；

图3为一个实施例提供的一种车辆制动状态判断方法的流程示意图；

图3a为一个实施例提供的一种车辆检测网络获取过程；

图4为一个实施例提供的一种车辆制动状态判断方法的流程示意图；

图4a为一个实施例提供的一种车辆识别网络获取过程；

图4b为一个实施例提供的一种车牌号分类网络获取过程；

图5为一个实施例提供的一种车辆制动状态判断方法的完整示意图；

图6为一个实施例提供的一种车辆制动状态判断方法的流程示意图；

图6a为一个实施例提供的一种方向分类网络获取过程；

图7为一个实施例提供的一种车辆制动状态判断方法的流程示意图；

图8为一个实施例提供的一种车辆制动状态判断方法的流程示意图；

图9为一个实施例提供的一种车辆制动状态判断装置的结构框图；

图10为一个实施例提供的一种车辆制动状态判断装置的结构框图；

图11为一个实施例提供的一种车辆制动状态判断装置的结构框图；

图12为一个实施例提供的一种车辆制动状态判断装置的结构框图。

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。

本申请提供的一种车辆制动状态判断方法，可以应用于如图1所示的应用环境中，该应用环境中，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、计算机程序和数据库。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。该计算机设备的数据库用于存储车辆制动状态判断的数据。该计算机设备的网络接口用于与外部的其他设备通过网络连接通信。该计算机程序被处理器执行时以实现一种车辆制动状态判断方法。

随着交通运输业的发展，我国道路货物运输车辆朝着重型化、多轴化方向迅速发展，中长距离公路货物运输主要依靠重型货车。目前公路干线上重大交通事故大多与重型货车有关，而重型货车都是多轴汽车，其后轴多是双驱动桥结构。可见多轴驱动车辆的制动性能好坏对道路交通安全影响极大，因此多轴驱动车辆制动性能的检测对保障道路交通安全极为重要。目前对多轴汽车制动性能的检测，大部分汽车监测站(包括汽车安全性能检测站和汽车综合性能检测站)还不具备条件，因为当前台试检测广泛采用的各型单轴测力滚筒式制动实验台不能同时检测各车轴的制动性能。能同时检测前后轴的平板式制动试验台又受到结构的制约，检测不了重型车辆。对多轴车制动性能的检测采取何种方法是切实可行的，依然是目前检测行业下需要解决的问题。

基于上述现状，本申请实施例提供一种车辆制动状态判断方法、装置、计算机设备和存储介质，旨在解决目前的多轴汽车制动性能检测方法，判断被检测车辆的制动性能是否合格时，需要耗费大量人力成本，且判断结果精确度较低的技术问题。下面将通过实施例并结合附图具体地对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。需要说明的是，本申请提供的一种车辆制动状态判断方法，图2-图8的执行主体为计算机设备，其中，其执行主体还可以是车辆制动状态判断装置，其中该装置可以通过软件、硬件或者软硬件结合的方式实现成为车辆制动状态判断的部分或者全部。

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。

在一个实施例中，图2提供了一种车辆制动状态判断方法，本实施例涉及的是计算机设备通过预设的检测网络从制动工位图像中确定存在目标车辆后，将制动工位图像输入至预设的分割网络中，得到目标车辆的工位信息，并根据工位信息判断目标车辆的制动状态的具体过程，如图2所示，该方法包括：

S101，获取被检测车辆的制动工位图像。

本实施例中，被检测车辆的制动工位图像表示任一车辆的制动工位图像，其中，制动工位图像为车辆在制动试验台检测制动时的图像，该图像可以是计算机设备自身的图像采集设备(例如摄像机)采集的，也可以是计算机设备接收其他设备传输的，本实施例对此不作限定。

S102，通过预设的检测网络，检测制动工位图像中是否存在目标车辆。

基于上述获取的制动工位图像，计算机设备将该制动工位图像输入至预设的检测网络，以检测该制动工位图像中是否存在目标车辆，即，只有获取的制动工位图像中存在目标车辆，才执行后续判断步骤，否则流程结束。

其中，预设的检测网络为预先训练好的，用于从制动工位图像中检测是否存在目标车辆的模型。其中该检测网络可以通过多个不同功能的子网络构成，也可以是一个集多种功能的完整网络，本实施例对此不作限定。

S103，若存在目标车辆，将制动工位图像输入至预设的分割网络中，得到目标车辆的工位信息；工位信息至少包括车轮信息和试验台信息；

在制动工位图像中存在目标车辆的前提下，计算机设备将该制动工位图像输入至预设的分割网络中，得到目标车辆的工位信息。其中工位信息表示制动工位图像中关键信息，该工位信息至少包括车轮信息和试验台信息，例如，工位信息为图像中点的坐标信息，则车轮信息为图像中车轮所在区域的点的坐标信息，试验台信息为图像中试验台所在区域的点的坐标信息。

其中，试验台可以是滚筒式制动试验台，也可以是平台制动试验台，本实施例对此不做限定。

其中，预设的分割网络为预先训练好的，用于从制动工位图像中分割出目标车辆工位信息的模型。可选地，该分割网络在构建时，是根据实例分割算法构建的，这样采用实例分割算法可同时实现对多个相邻车轮的单独分割和定位，避免了采用语义分割算法对同类别相邻目标进行输出时是一个整体区域的弊端。

可选地，如图2a所示，该分割网络的获取过程为:

S11.获取不同场景的大车制动图像。

本步骤中，各种车辆停在工位上的图片，例如，车后轮在平板/滚筒上的、车后轮不在平板/滚筒上的，车前轮在平板/滚筒上的、车前轮不在平板/滚筒上的等；

S12.对滚筒/平板、车轮等工位类别对应区域的像素分别标记相应标签，并用矩形框标记每个类别对象位置。

本步骤对大车制动图像中各工位类别进行标注，其中标注时用矩形框标记时也标记相应标签，即要将该工位类别的相关信息都标注上，以方便初始分割网络学习。

S13.使用上述的制动标注数据训练实例分割网路模型，得到分割网络。

本步骤中，将上述得到的标注数据输入到初始分割网络中，训练初始分割网络学习各工位类别的相关信息，直到初始分割网络收敛，得到上述分割网络，可选的，该初始分割网络通过实例分割算法进行构建，有效地实现了对多个相邻车轮的单独分割和定位。

S104，根据车轮信息和试验台信息，判断目标车辆的制动状态。

本步骤中，目标车辆的制动状态可以包括制动状态合格和制动状态不合格两种。计算机设备根据车轮信息和试验台信息判断目标车辆的制动状态是否合格时，可以是判断当前目标车辆的车轮是否处于试验台上，例如，试验台为平板试验台，则判断指定车轮是否处于平台试验台上，其中，指定车轮表示当前需要判断的车轮，可以是车辆的前车轮，也可以是后车轮，本实施例对此不作限定。

本实施例提供的车辆制动状态判断方法，通过检测网络对车辆制动工位图像中的车辆进行检测，在制动工位图像中存在目标车辆时，通过预设的分割网络将图像中的各工位类别分割出来，得到工位信息，然后根据工位信息判断目标车辆的制动状态。该方法中，由于通过预设的检测网络实现目标车辆的检测，通过预设的分割网络实现了工位信息识别，提高了车辆制动状态检测的准确率,且，检测过程为计算机设备自动检测，既节约了人力成本，又保证了检测工作的公开性、公正性。

以上述检测网络通过多个子网络实现目标车辆的检测为例，对目标车辆的检测过程进一步说明。则在一个实施例中，上述车辆检测网络和车牌检测网络，如图3所示，上述S102包括：

S201，将制动工位图像输入车辆检测网络，检测制动工位图像中是否存在车辆。

本实施例中,车辆检测网络为是基于深度学习的目标检测模型，通过该车辆检测网络检测制动工位图像中是否有机动车的区域图像，若有动车区域图像,执行步骤S202，没有则流程结束，无需往下执行。

可选地，如图3a所示，车辆检测网络的获取过程为:

S21.获取不同光照、不同拍摄角度下的大车或机动车图像。

为了保证样本的多样性，需要获取多种情况下的大车或者机动车图像，在实际应用中，不限于本步骤列举的不同光照、不同拍摄角度下，还可以是其他条件下的大车或机动车图像。

S22.采用矩形框标记车辆所在位置，并标记为大车。

对获取的大车或机动车图像中各车辆进行标注，标注时将关键信息均标注上，以方便神经网络学习。

S23.使用上述大车制动图像训练深度学习网络，获得车辆检测模型。

将标注好的车辆图像输入到初始深度学习网络中，训练深度学习网络学习各车辆的相关信息，直到初始深度学习网络收敛，得到上述车辆检测网络。这样，通过多种训练数据训练车辆检测网络，使得车辆检测网络可以准确的从制动工位图像中检测出车辆。

S202，若存在车辆，将制动工位图像输入车牌检测网络，检测车辆的车牌是否为目标车辆的车牌。

S203，若车辆的车牌是目标车辆的车牌，确定制动工位图像中存在目标车辆。

基于上述S201步骤中若制动工位图像中存在车辆，计算机设备进一步确认该车辆的车牌是否为目标车辆的车牌，具体地，计算机设备通过车牌检测网络进行确认该车辆的车牌是否为目标车辆的车牌，其中，车牌检测网络可以包括多个子网络模型，即通过多个字网络模型实现对车牌的检测。

可选地，提供车牌检测网络包括车牌识别网络和车牌号分类网络的实施例，如图4所示,在一个实施例中，S202包括：

S301，将制动工位图像输入车牌识别网络，检测制动工位图像中是否存在车牌。

其中，车牌识别网络为预先训练好的基于深度学习的检测网络，用于从制动工位图像中识别是否有车牌，若识别出有车牌，则执行S302，否则流程结束。

可选地，如图4a所示，车牌识别网络的获取过程为：

S31.获取不同光照、不同拍摄角度下的车牌图像。

为了保证样本的多样性，需要获取多种情况下的车牌图像，在实际应用中，不限于本步骤列举的不同光照、不同拍摄角度下，还可以是其他条件下的车牌图像。

S32.采用矩形框标记车牌所在位置，并标记为车牌。

对获取的车牌图像中各车牌进行标注，标注时将关键信息均标注上，以方便神经网络学习。

S33.使用上述车牌图像训练深度学习网络模型，获得车牌识别模型。

将标注好的车牌图像输入到初始深度学习网络中，训练深度学习网络学习各车牌的相关信息，直到初始深度学习网络收敛，得到上述车牌识别网络。这样，通过多种训练数据训练车牌识别网络，使得车牌识别网络可以准确的从制动工位图像中识别出车牌。

S302，若存在车牌，将车牌所在区域输入至车牌号分类网络，检测车牌所在区域中的车牌号是否与目标车辆的车牌号一致，若一致，则确定车辆的车牌为目标车辆的车牌。

在制动工位图像中存在车牌的情况下，将车牌所在区域的图像输入至车牌号分类网络，检测车牌所在区域中的车牌号是否与目标车辆的车牌号一致，若一致，则确定车辆的车牌为目标车辆的车牌。其中，车牌号分类网络为基于深度学习的分类模型训练的，用于判断车牌号是否与目标一致的网络模型。

可选地，如图4b所示，车牌号分类网络的获取过程为：

S41.获取不同光照、不同拍摄角度下的不同车牌图像。

为了保证样本的多样性，需要获取多种情况下的车牌图像，在实际应用中，不限于本步骤列举的不同光照、不同拍摄角度下，还可以是其他条件下的车牌图像。

S42.标记车牌中车牌号。

对获取的车牌图像中各车牌号进行标记，标记时以字符形式标记，以方便神经网络学习。

S43.使用车牌图像训练字符分类深度神经网络模型，获得车牌号分类网络模型。

将标记好的车牌图像输入到初始字符分类学习深度神经网络中，训练深度神经网络学习各车牌号中的字符特征，直到初始深度神经网络收敛，得到上述车牌号分类网络。这样，通过多种训练数据训练车牌号分类网络，使得车牌号分类网络可以准确的从制动工位图像中识别出车牌号字符。

以上从制动工位图像中检测目标车辆的过程，可参见图5中S1-S6所示的步骤，则在车牌所在区域中的车牌号是否与目标车辆的车牌号一致时，即确定上述S202步骤中车辆的车牌是否为目标车辆的车牌，这样通过预先训练好的神经网络模型分别实现车牌检测，车牌号识别检测的过程，极大地提高了检测结果的准确性。

基于以上实施例，对计算机设备根据车轮信息和试验台信息，判断目标车辆制动状态的过程进行说明。以下从判断目标车辆制动状态的过程，可参见图5中S7-S12所示的步骤，

由于在判断目标车辆制动状态时，需要通过指定车轮进行判断，则在此之前，需要从制动工位图像中确定出车辆的前车轮和后车轮。则提供一个实施例，如图6所示,该方法包括：

S401，将制动工位图像输入至预设的方向分类网络中，确定在制动工位图像中目标车辆的车头与车尾的相对位置。

其中，方向分类网络为基于深度学习的分类模型训练的，用于从制动工位图像中辨别目标车辆摆放方向的网络模型。其中，目标车辆的摆放方向可反映出车头与车尾的相对位置。

可选地，如图6a所示，方向分类网络的获取过程为：

S51.获取不同光照、不同拍摄角度下以及不同方向(车头朝前和车头朝后)的车辆图像。

为了保证样本的多样性，需要获取多种情况下的车辆图像，在实际应用中，不限于本步骤列举的不同光照、不同拍摄角度下，还可以是其他条件下的车辆图像。同时对车辆图像中的车辆方向进行关键信息标记。

S52.使用上述不同方向车辆标记数据，训练车辆方向分类深度神经网络模型，获得方向分类网络。

将标记好的车辆数据输入到初始车辆方向分类深度神经网络中，训练深度学习网络学习各车车辆的方向特征，直到初始深度学习网络收敛，得到上述方向分类网络。这样，通过多种训练数据训练方向分类网络，使得方向分类网络可以准确的从制动工位图像中识别出车辆方向，即车头与车尾的相对位置。

S402，根据目标车辆的车头与车尾的相对位置，确定目标车辆的前车轮和后车轮。

计算机设备根据上述确定的目标车辆的方向，确定目标车辆的车头与车尾的相对位置，从而根据相对位置确定出前车轮和后车轮。具体地，制动工位图像中目标车辆的有两端，确定出车头的一端，则车头的一端对应的车轮为前车轮，确定出另一端是车尾，则车尾一端对应的车轮为后车轮。

本实施例通过预设的方向分类网络从制动工位图像中识别出车辆方向，从而确定出目标车辆的车头与车尾的相对位置，进而确定出车辆的前车轮和车辆的后车轮，提高了车轮位置确定的精确性。

在从制动工位图像中，确定出前车轮和后车轮后，计算机设备开始据车轮信息和试验台信息则确定目标车辆的制动状态。则在一个实施例中，如图7所示,上述S104步骤包括：

S501，根据车轮信息和试验台信息，判断目标车辆的前车轮和/或后车轮是否在试验台上。若前车轮和/或后车轮在试验台上，执行步骤S502，若前车轮和后车轮均不在试验台上，执行步骤S503。

本实施例中，车轮信息和试验台信息中包括了坐标等相关数据，则计算机设备根据坐标信息判断出车轮与试验台之间的关系，即确定出前车轮和/或后车轮是否在试验台上。

以车轮信息包括车轮所在区域中所有点的坐标信息，试验台信息包括试验台所在区域中所有点的坐标信息为基础，提供一个实施例中，如图8所示,S501包括：

S601,根据车轮所在区域中所有点的坐标信息，获取前车轮所在区域中所有点的第一坐标集，和/或，获取后车轮所在区域中所有点的第二坐标集。

根据上述确定的前车轮和后车轮，将前车轮所在区域中所有点的坐标信息作为第一坐标点集，将后车轮所在区域中所有点的第二坐标集。

S602,获取第一坐标集的第一预设区域中各点，与试验台所在区域的第二预设区域中各点之间的第一距离，和/或，获取第二坐标集的第一预设区域中各点，与第二预设区域中各点之间的第二距离。

其中，第一预设区域和第二预设区域为预先设定的合理区域，例如第一预设区域为车轮的下半部分区域，第二预设区域为试验台的中间部分区域等，本实施例对第一、第二预设区域不作限定，可根据实际情况而定。

计算机设备获取第一预设区域中所有点与第二预设区域中所有点之间的距离，得到多个距离。具体地，以第一预设区域为车轮的下半部分区域，第二预设区域为试验台的中间部分区域为例，第一距离表示的是前车轮中的下半部分区域所有点与试验台的中间部分区域中各点之间的距离，则第二距离表示的是后车轮中的下半部分区域所有点与试验台的中间部分区域中各点之间的距离。

S603,若各第一距离和/或各第二距离中，至少存在一个距离小于预设距离，则确定前车轮和/或后车轮在试验台上。

其中，若上述得到的多个距离中，各第一距离和/或各第二距离中至少存在一个距离小于预设距离，则确定前车轮在试验台上，和/或，后车轮在试验台上，进一步可以理解的是，若第一预设区域是前车轮的，则确定前车轮在试验台上，若第一预设区域是后车轮的，则确定后车轮在试验台上。

示例地，在得到滚筒/平板及每个车轮等工位信息后，根据上述确定的前车轮和后车轮位置进一步确定每个轮胎所在区域的所有点的坐标，并计算指定轮胎(轴)(指定轮胎是满足当前需要检测的，例如前轮胎，或者后轮胎)所在区域内下半部分点和滚筒(或平板)区域内中间部位点的各距离，如果存在距离小于设定距离阈值的点(只需有一个距离是小于预设阈值的)，则判定轮胎在滚筒或平板上。

S502，确定目标车辆的制动状态合格。

基于上述S501中的判断结果，若前车轮和后车轮至少一个在试验台上，即表示制动轴处于制动状态，则计算机设备确定目标车辆的制动状态合格。

S503，确定目标车辆的制动状态不合格。

基于上述S501中的判断结果，若前车轮和后车轮均不在试验台上，即表示制动轴不处于制动状态，则计算机设备确定目标车辆的制动状态不合格

可选地，若目标车辆的制动状态不合格，输出不合格的原因和相关数据。

对于制动状态不合格的情况，计算机设备需要输出不合格原因及相关图像。需要说明的是，在整个检测过程中，任一环节由于不符合条件结束了检测流程，计算机设备均需输出提示信息，提示信息包括检测失败，以及检测失败的具体原因。当然，若检测到最后目标车辆的制动状态合格，则计算机设备也需要输出合格的提示信息，还可以将检测过程中检测的相关数据进行展示，本实施例对提示信息不作具体限定。

本实施例中，通过得到的工位信息，即车轮信息和试验台信息计算出车轮与试验台之间的距离，再根据距离车轮是否处于试验台的判断结果确定目标车辆的制动状态是否合格，根据具体的数据进行判断，保证了车辆制动状态确定的准确性。

应该理解的是，虽然图2-8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2-8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9所示，提供了一种车辆制动状态判断装置，包括：获取模块10、检测模块11、工位模块12和第一确定模块13，其中，

获取模块10，用于获取被检测车辆的制动工位图像；

检测模块11，用于通过预设的检测网络，检测制动工位图像中是否存在目标车辆；

工位模块12，用于若存在目标车辆，将制动工位图像输入至预设的分割网络中，得到目标车辆的工位信息；工位信息至少包括车轮信息和试验台信息；

第一确定模块13，用于根据车轮信息和试验台信息，判断目标车辆的制动状态。

上述实施例提供的一种车辆制动状态判断装置，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

在一个实施例中，上述预设的分割网络为根据实例分割算法构建。

在一个实施例中，如图10所示，提供了一种车辆制动状态判断装置，上述检测模块11包括：第一检测单元111、第二检测单元112和第一确定单元113，其中，

第一检测单元111，用于将制动工位图像输入车辆检测网络，检测制动工位图像中是否存在车辆；

第二检测单元112，用于若存在车辆，将制动工位图像输入车牌检测网络，检测车辆的车牌是否为目标车辆的车牌；

第一确定单元113，用于若车辆的车牌是目标车辆的车牌，确定制动工位图像中存在目标车辆。

上述实施例提供的一种车辆制动状态判断装置，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

在一个实施例中，第二检测单元112具体用于将制动工位图像输入车牌识别网络，检测制动工位图像中是否存在车牌；若存在车牌，将车牌所在区域的图像输入至车牌号分类网络，检测车牌所在区域的图像中的车牌号是否与目标车辆的车牌号一致，若一致，则确定车辆的车牌为目标车辆的车牌。

上述实施例提供的一种车辆制动状态判断装置，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

在一个实施例中，如图11所示，提供了一种车辆制动状态判断装置，该装置还包括：方向模块14和第二确定模块15，其中，

方向模块14，用于将制动工位图像输入至预设的方向分类网络中，确定在制动工位图像中目标车辆的车头与车尾的相对位置；

第二确定模块15，用于根据目标车辆的车头与车尾的相对位置，确定目标车辆的前车轮和后车轮。

上述实施例提供的一种车辆制动状态判断装置，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

在一个实施例中，如图12所示，提供了一种车辆制动状态判断装置，上述第一确定模块13包括：判断单元131、第二确定单元132，其中，

判断单元131，用于根据车轮信息和试验台信息，判断目标车辆的前车轮和/或后车轮是否在试验台上；

第二确定单元132，用于若前车轮和/或后车轮在试验台上，则确定目标车辆的制动状态合格；若前车轮和后车轮均不在试验台上，则确定目标车辆的制动状态不合格。

上述实施例提供的一种车辆制动状态判断装置，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

在一个实施例中，上述判断单元131具体用于根据车轮所在区域中所有点的坐标信息，获取前车轮所在区域中所有点的第一坐标集，和/或，获取后车轮所在区域中所有点的第二坐标集；获取第一坐标集的第一预设区域中各点，与试验台所在区域的第二预设区域中各点之间的第一距离，和/或，获取第二坐标集的第一预设区域中各点，与第二预设区域中各点之间的第二距离；若各第一距离和/或各第二距离中，至少存在一个距离小于预设距离，则确定前车轮和/或后车轮在试验台上。

上述实施例提供的一种车辆制动状态判断装置，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

在一个实施例中，该方法还包括：若目标车辆的制动状态不合格，输出不合格的原因及数据。

上述实施例提供的一种车辆制动状态判断装置，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

关于车辆制动状态判断装置的具体限定可以参见上文中对于车辆制动状态判断方法的限定，在此不再赘述。上述车辆制动状态判断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1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车辆制动状态判断方法。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1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：

获取被检测车辆的制动工位图像；

通过预设的检测网络，检测制动工位图像中是否存在目标车辆；

若存在目标车辆，将制动工位图像输入至预设的分割网络中，得到目标车辆的工位信息；工位信息至少包括车轮信息和试验台信息；

根据车轮信息和试验台信息，判断目标车辆的制动状态。

上述实施例提供的一种计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

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：

获取被检测车辆的制动工位图像；

通过预设的检测网络，检测制动工位图像中是否存在目标车辆；

若存在目标车辆，将制动工位图像输入至预设的分割网络中，得到目标车辆的工位信息；工位信息至少包括车轮信息和试验台信息；

根据车轮信息和试验台信息，判断目标车辆的制动状态。

上述实施例提供的一种计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

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)

1.一种车辆制动状态判断方法，其特征在于，所述方法包括：

获取被检测车辆的制动工位图像；

通过预设的检测网络，检测所述制动工位图像中是否存在目标车辆；

若存在目标车辆，将所述制动工位图像输入至预设的分割网络中，得到所述目标车辆的工位信息；所述工位信息至少包括车轮信息和试验台信息；

根据所述车轮信息和试验台信息，判断所述目标车辆的制动状态。

2.根据权利要求1所述的方法，其特征在于，所述预设的分割网络为根据实例分割算法构建。

3.根据权利要求1或2所述的方法，其特征在于，所述检测网络包括车辆检测网络和车牌检测网络；

则所述通过预设的检测网络，检测所述制动工位图像中是否存在目标车辆，包括：

将所述制动工位图像输入所述车辆检测网络，检测所述制动工位图像中是否存在车辆；

若存在车辆，将所述制动工位图像输入所述车牌检测网络，检测所述车辆的车牌是否为所述目标车辆的车牌；

若所述车辆的车牌是所述目标车辆的车牌，确定所述制动工位图像中存在目标车辆。

4.根据权利要求3所述的方法，其特征在于，所述车牌检测网络包括车牌识别网络和车牌号分类网络；

所述将所述制动工位图像输入所述车牌检测网络，检测所述车辆的车牌是否为所述目标车辆的车牌，包括：

将所述制动工位图像输入所述车牌识别网络，检测所述制动工位图像中是否存在车牌；

若存在车牌，将所述车牌所在区域的图像输入至所述车牌号分类网络，检测所述车牌所在区域的图像中的车牌号是否与所述目标车辆的车牌号一致，若一致，则确定所述车辆的车牌为所述目标车辆的车牌。

5.根据权利要求1或2所述的方法，其特征在于，所述根据所述车轮信息和试验台信息，判断所述目标车辆的制动状态，包括：

根据所述车轮信息和所述试验台信息，判断所述目标车辆的前车轮和/或后车轮是否在所述试验台上；

若所述前车轮和/或所述后车轮在所述试验台上，则确定所述目标车辆的制动状态合格；

若所述前车轮和所述后车轮均不在所述试验台上，则确定所述目标车辆的制动状态不合格。

6.根据权利要求5所述的方法，其特征在于，所述车轮信息包括所述车轮所在区域中所有点的坐标信息，所述试验台信息包括所述试验台所在区域中所有点的坐标信息；

则所述根据所述车轮信息和所述试验台信息，判断所述目标车辆的前车轮和/或后车轮是否在所述试验台上，包括：

根据所述车轮所在区域中所有点的坐标信息，获取所述前车轮所在区域中所有点的第一坐标集，和/或，获取所述后车轮所在区域中所有点的第二坐标集；

获取所述第一坐标集的第一预设区域中各点，与所述试验台所在区域的第二预设区域中各点之间的第一距离，和/或，获取所述第二坐标集的所述第一预设区域中各点，与所述第二预设区域中各点之间的第二距离；

若各所述第一距离和/或各所述第二距离中，至少存在一个距离小于预设距离，则确定所述前车轮和/或所述后车轮在所述试验台上。

7.根据权利要求5所述的方法，其特征在于，在所述判断所述目标车辆的前车轮和/或后车轮是否在所述试验台上之前，所述方法还包括：

将所述制动工位图像输入至预设的方向分类网络中，确定在所述制动工位图像中所述目标车辆的车头与车尾的相对位置；

根据所述目标车辆的车头与车尾的相对位置，确定所述目标车辆的前车轮和后车轮。

8.一种车辆制动状态判断装置,其特征在于，所述装置包括：

获取模块，用于获取被检测车辆的制动工位图像；

检测模块，用于通过预设的检测网络，检测所述制动工位图像中是否存在目标车辆；

工位模块，用于若存在目标车辆，将所述制动工位图像输入至预设的分割网络中，得到所述目标车辆的工位信息；所述工位信息至少包括车轮信息和试验台信息；

确定模块，用于根据所述车轮信息和试验台信息，判断所述目标车辆的制动状态。

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中任一项所述的方法的步骤。

Images