CN110796078A - 车辆的灯光检测方法、装置、电子设备及可读存储介质 - Google Patents

车辆的灯光检测方法、装置、电子设备及可读存储介质 Download PDF

Info

Publication number
CN110796078A
CN110796078A CN201911035975.7A CN201911035975A CN110796078A CN 110796078 A CN110796078 A CN 110796078A CN 201911035975 A CN201911035975 A CN 201911035975A CN 110796078 A CN110796078 A CN 110796078A
Authority
CN
China
Prior art keywords
vehicle
light
mark information
area
recording
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
CN201911035975.7A
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 CN201911035975.7A priority Critical patent/CN110796078A/zh
Publication of CN110796078A publication Critical patent/CN110796078A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请涉及车辆检测领域，公开了一种车辆的灯光检测方法、装置、电子设备及可读存储介质。其中，车辆的灯光检测方法，包括：获取基于车辆的灯光得到的待检测图像；根据待检测图像执行预设操作；对执行预设操作后得到的各结果进行统计分析，若各结果的标志信息均为第一标志信息，则判定车辆的灯光检测通过；若各结果的标志信息中存在第二标志信息，则判定车辆的灯光检测不通过，并根据所述第二标志信息出现的位置，输出检测不通过的原因及问题图像。本申请还提供了一种车辆的灯光检测装置、电子设备及可读存储介质；可以自动检测车辆的灯光的亮、灭状态，提高检测效率和准确率。

Description

车辆的灯光检测方法、装置、电子设备及可读存储介质
技术领域
本申请涉及车辆检测领域，特别涉及一种车辆的灯光检测方法、装置、电子设备及可读存储介质。
背景技术
随着人民生活水平的持续提高和社会经济的不断发展，城市机动车保有量迅猛增长。其中，机动车车辆检测(比如车辆年检)的工作量也随之迅速增大。
然而，发明人发现相关技术中至少存在如下问题：
传统的车辆检测中，对车辆的灯光检测主要依赖于人工检测，因而往往存在着人工成本高、易疲劳、易疏忽等弊端，严重影响检测结果的准确率和效率。因此，如何准确、快速的对车辆的灯光进行检测，同时避免人工检测过程中的成本高、易疲劳、易疏忽等弊端，是目前形势下亟需解决的技术问题。
发明内容
本申请的一个目的是提供一种车辆的灯光检测方法、装置、电子设备及可读存储介质，可以自动检测车辆的灯光的亮、灭状态，提高检测效率和准确率。
根据本申请的一个方面，提供了一种车辆的灯光检测方法，包括：获取基于车辆的灯光得到的待检测图像；根据所述待检测图像执行预设操作；对执行所述预设操作后得到的各结果进行统计分析，若各结果的标志信息均为第一标志信息，则判定所述车辆的灯光检测通过；若各结果的标志信息中存在第二标志信息，则判定所述车辆的灯光检测不通过，并根据所述第二标志信息出现的位置，输出检测不通过的原因及问题图像；其中，所述预设操作包括：判断是否存在车辆区域，若存在，则记为第一标志信息，提取所述车辆区域；否则，记为第二标志信息，并保存当前的问题图像；判断所述车辆区域中是否存在车头区域和/或车尾区域，若存在，则记为第一标志信息，提取所述车头区域和/或车尾区域；否则，记为第二标志信息，并保存当前的问题图像；判断所述车头区域和/或车尾区域中是否存在车灯区域，若存在，则记为第一标志信息，提取所述车灯区域；否则，记为第二标志信息，并保存当前的问题图像；判断所述车灯区域中的灯光是否处于亮起状态，若是，则记为第一标志信息；否则，记为第二标志信息，并保存当前的问题图像。
根据本申请另一个方面，还提供了一种车辆的灯光检测装置，包括：获取模块，用于获取基于车辆的灯光得到的待检测图像；执行模块，用于根据所述待检测图像执行预设操作；统计分析模块，用于对执行所述预设操作后得到的各结果进行统计分析，若各结果的标志信息均为第一标志信息，则判定所述车辆的灯光检测通过；若各结果的标志信息中存在第二标志信息，则判定所述车辆的灯光检测不通过，并根据所述第二标志信息出现的位置，输出检测不通过的原因及问题图像；其中，所述预设操作包括：判断是否存在车辆区域，若存在，则记为第一标志信息，提取所述车辆区域；否则，记为第二标志信息，并保存当前的问题图像；判断所述车辆区域中是否存在车头区域和/或车尾区域，若存在，则记为第一标志信息，提取所述车头区域和/或车尾区域；否则，记为第二标志信息，并保存当前的问题图像；判断所述车头区域和/或车尾区域中是否存在车灯区域，若存在，则记为第一标志信息，提取所述车灯区域；否则，记为第二标志信息，并保存当前的问题图像；判断所述车灯区域中的灯光是否处于亮起状态，若是，则记为第一标志信息；否则，记为第二标志信息，并保存当前的问题图像。
根据本申请另一个方面，还提供了一种电子设备，包括：一个或多个处理器；以及存储有计算机可读指令的存储器，所述计算机可读指令在被执行时使所述处理器执行如上述的车辆的灯光检测方法。
根据本申请另一个方面，还提供了一种计算机可读存储介质，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述的车辆的灯光检测方法。
另外，所述判断是否存在车辆区域，具体为：采用基于深度学习的第一目标检测模型，判断是否存在车辆区域；所述判断所述车辆区域中是否存在车头区域和/或车尾区域，具体为：采用基于深度学习的第二目标检测模型，判断所述车辆区域中是否存在车头区域和/或车尾区域；所述判断所述车头区域和/或车尾区域中是否存在车灯区域，具体为：采用基于深度学习的第三目标检测模型，判断所述车头区域和/或车尾区域中是否存在车灯区域；所述判断所述车灯区域中的灯光是否处于亮起状态，具体为：采用基于深度学习的二分类模型，判断所述车灯区域中的灯光是否处于亮起状态。
另外，所述基于深度学习的二分类模型，具体通过如下方式获取：在基于LeNet分类深度学习网络的每一个卷积层后均加入激活函数，并删除损失层，得到调整后的基于LeNet分类深度学习网络；根据所述调整后的基于LeNet分类深度学习网络，训练得到所述基于深度学习的二分类模型。
另外，所述根据所述调整后的基于LeNet分类深度学习网络，训练得到所述基于深度学习的二分类模型，具体为：结合预设参数，根据所述调整后的基于LeNet分类深度学习网络，训练得到所述基于深度学习的二分类模型；其中，所述预设参数，具体为：学习率设置为0.0001、学习率策略设置为Step、显示器参数Gamma设置为1.0、动量Momentum设置为0.9、权重衰减Weight Decay设置为0.1的参数。
另外，所述第一标志信息，具体为：用数字0表征的第一标志信息；所述第二标志信息，具体为：用数字1表征的第二标志信息。
另外，所述车辆的灯光检测方法，具体为：应用于车辆年检中的车辆的灯光检测方法。
另外，在所述根据所述第二标志信息出现的位置，输出检测不通过的原因及问题图像后，还包括：将所述检测不通过的原因及问题图像上传至服务器。
本申请的有益效果是：可以应用于机动车车辆年检中车辆的灯光检测，可以自动检测车辆的灯光的亮、灭状态，从而既可以节约人力成本，又可以加快检测速度，保证检测工作的公正、公开，提高检测效率和准确率。
附图说明：
一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。
图1是根据本申请的一个方面提供的一种车辆的灯光检测方法的流程图；
图2是根据本申请的一个方面提供的一种车辆的灯光检测方法中，目标检测模型的示意图；
图3是根据本申请的一个方面提供的一种车辆的灯光检测方法中，二分类模型的示意图；
图4是根据本申请的一实际场景提供的一种车辆的灯光检测方法的流程图。
具体实施方式：
为使本发明实施例的目的、技术方案和优点更加清楚，下面将基于附图对本发明的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本发明各实施方式中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请所要保护的技术方案。
图1示出根据本申请的一个方面提供的一种车辆的灯光检测方法的流程图，该方法包括步骤101至步骤103：
在步骤101中，获取基于车辆的灯光得到的待检测图像。
在步骤102中，根据所述待检测图像执行预设操作。
其中，所述预设操作包括：
判断是否存在车辆区域，若存在，则记为第一标志信息，提取所述车辆区域；否则，记为第二标志信息，并保存当前的问题图像；在此，当前的待检测图像为问题图像；
判断所述车辆区域中是否存在车头区域和/或车尾区域，若存在，则记为第一标志信息，提取所述车头区域和/或车尾区域；否则，记为第二标志信息，并保存当前的问题图像；在此，当前的车辆区域图像为问题图像；
判断所述车头区域和/或车尾区域中是否存在车灯区域，若存在，则记为第一标志信息，提取所述车灯区域；否则，记为第二标志信息，并保存当前的问题图像；在此，当前的车头区域和/或车尾区域图像为问题图像；
判断所述车灯区域中的灯光是否处于亮起状态，若是，则记为第一标志信息；否则，记为第二标志信息，并保存当前的问题图像；在此，当前的车灯区域图像为问题图像。
在此，第一标志信息用于表征当前检测步骤存在问题；第二标志信息用于表征当前检测步骤合格。第一标志信息包括的各标志既可以用不同的符号表示，比如分别用数字0、1、2、3表示，也可以用同一种符号，比如均用数字0表示。也可以基于同样的思路得到第二标志信息，只要第二标志信息的符号和第一标志信息的符号不同即可。本实施例对此不作具体限定。另外，第一标志信息、第二标志信息还可以用字母等其他元素进行表示，本实施例对此不作具体限定。
在一些例子中，判断是否存在车辆区域，若存在，则记为第一标志信息0，提取所述车辆区域；否则，记为第二标志信息a，并保存当前的问题图像；在此，当前的待检测图像为问题图像；判断所述车辆区域中是否存在车头区域和/或车尾区域，若存在，则记为第一标志信息1，提取所述车头区域和/或车尾区域；否则，记为第二标志信息b，并保存当前的问题图像；在此，当前的车辆区域图像为问题图像；……，以此类推。这样做，可以通过第一标志信息的0、1、2……确定具体哪一环节合格，可以通过第二标志信息的a、b、c……确定具体哪一环节不合格。
在步骤103中，对执行所述预设操作后得到的各结果进行统计分析，输出检测结果。
其中，若各结果的标志信息均为第一标志信息，则判定所述车辆的灯光检测通过；若各结果的标志信息中存在第二标志信息，则判定所述车辆的灯光检测不通过，并根据所述第二标志信息出现的位置，输出检测不通过的原因及问题图像。
在本申请一实施例中，在步骤102中，所述判断是否存在车辆区域，具体为：采用基于深度学习的第一目标检测模型，判断是否存在车辆区域；在此，基于深度学习的第一目标检测模型，具体可以通过如下方式获取：
S1、准备训练数据：获取不同拍摄条件(比如光照、角度、种类和图像质量)的待检测图像；之后，可以对待检测图像进行小角度旋转，以增强模型的鲁棒性；
S2、数据标注：采用矩形框标注该待检测图像中的车辆所在的位置；
S3、模型训练：使用标注后的图像，训练得到基于深度学习的第一目标检测模型。其中，可以利用已经使用ImageNet训练好的VGG-16预训练模型，将标注好的待检测图像输入SSD框架中。在VGG预训练模型上进行微调(Fine-tuning)，从而更好地训练第一目标检测模型。在一些例子中，可以先计算得到针对待检测图像的数据集的均值；然后，修改SSD框架最后的输出结果(该第一目标检测模型的输出结果的类别只包括车辆区域图像和除车辆区域以外的图像)。接着，可以调整超参数。经过实验，本申请实施例中，可以将基本学习率设置为0.001，将权重衰减Weight_Decay设置为0.000500000023749，将该学习率的调整策略设置为“multistep”，将显示器参数Gamma设置为0.10000000149，将动量Momentum设置为0.899999976158。最后，可以通过对上述参数进行微调，从而进一步提高第一目标检测模型训练的效率和精度。
如图2所示，此处以基于深度学习的第一目标检测模型为例，说明其检测方法，包括：在将待检测图像输入第一目标检测模型后，可以得到N个一维数组[class，x，y，width，height]，数组中的第一个元素class代表对象的类别，其可以通过Softmax得到，比如，若待检测图像中包括车辆区域，则class的值为1，否则，class的值为0。数组中的后四个元素表征车辆区域表征的矩形区域，其可以通过bounding box regression得到，x、y分别代表矩形区域左上角的角点的坐标，width代表矩形区域的宽度，height代表矩形区域的高度。每个数组均各自对应一个矩形区域，可以利用矩形区域的面积大小构建所需信息。比如，可以将面积最大的矩形区域所对应的数组作为第一目标检测模型的输出，然后通过矩形区域所对应的数组表征的位置信息，提取车辆区域所在的位置。这样做，可以有效地去除待检测图像中的干扰区域，避免因该待检测图像的情况复杂带来的误检影响，从而可以进一步提高检测结果的准确性。
可见，上述实施例公开了基于深度学习的第一目标检测模型的具体训练方法以及使用第一目标检测模型进行检测的具体检测方法，而后续实施例中的第二目标检测模型和第三目标检测模型与上述所述的具体训练方法和具体检测方法大致相同，为避免重复，后续不再赘述。
在本申请一实施例中，在步骤102中，所述判断所述车辆区域中是否存在车头区域和/或车尾区域，具体为：采用基于深度学习的第二目标检测模型，判断所述车辆区域中是否存在车头区域和/或车尾区域；在此，基于深度学习的第二目标检测模型，具体可以通过如下方式获取：
S1、准备训练数据：获取不同拍摄条件(比如光照、角度、种类和图像质量)的车辆区域的图像；
S2、数据标注：采用矩形框标注该车辆区域的图像中的车头区域和/或车尾区域所在位置；
S3、模型训练：使用标注后的图像，训练得到基于深度学习的第二目标检测模型。
在本申请一实施例中，在步骤102中，所述判断所述车头区域和/或车尾区域中是否存在车灯区域，具体为：采用基于深度学习的第三目标检测模型，判断所述车头区域和/或车尾区域中是否存在车灯区域；在此，基于深度学习的第三目标检测模型，具体可以通过如下方式获取：
S1、准备训练数据：获取不同拍摄条件(比如光照、角度、种类和图像质量)的车头区域和/或车尾区域的图像；
S2、数据标注：采用矩形框标注该车头区域和/或车尾区域的图像中的车灯所在的位置；
S3、模型训练：使用标注后的图像，训练得到基于深度学习的第三目标检测模型。
在本申请一实施例中，在步骤102中，所述判断所述车灯区域中的灯光是否处于亮起状态，具体为：采用基于深度学习的二分类模型，判断所述车灯区域中的灯光是否处于亮起状态。在此，基于深度学习的二分类模型，具体可以通过如下方式获取：
S1、准备训练数据：获取不同拍摄条件(比如光照、角度、种类和图像质量)的车灯区域的图像；
S2、数据标注：采用人工分类的方法对车灯区域的图像的亮、灭状态进行标注分类；
S3、模型训练：使用标注后的图像，训练得到基于深度学习的二分类模型。
继续接上述实施例，在上述步骤S3中，可以基于LeNet分类深度学习网络进行修改：可以先在基于LeNet分类深度学习网络的每一个卷积层后均加入激活函数，并删除损失层，得到调整后的基于LeNet分类深度学习网络，这样做，可以使得调整后的基于LeNet分类深度学习网络更加适用于针对车灯区域的图像普遍较小且场景简单的情景，提升了深度学习网络的表达能力；根据所述调整后的基于LeNet分类深度学习网络，训练得到所述基于深度学习的二分类模型。
继续接上述实施例，所述根据所述调整后的基于LeNet分类深度学习网络，训练得到所述基于深度学习的二分类模型，具体可以为：结合预设参数，根据所述调整后的基于LeNet分类深度学习网络，训练得到所述基于深度学习的二分类模型；其中，所述预设参数，具体为：学习率设置为0.0001、学习率策略设置为“Step”、显示器参数Gamma设置为1.0、动量Momentum设置为0.9、权重衰减Weight Decay设置为0.1的参数。在一些例子中，在将车灯区域的图像输入二分类模型，可以得到输出结果。接着，可以调整预设参数。经过实验，本申请实施例中，通过将学习率设置为0.0001、学习率策略设置为“Step”、显示器参数Gamma设置为1.0、动量Momentum设置为0.9、权重衰减Weight Decay设置为0.1，可以使得训练得到的二分类模型能够快速收敛。最后，可以通过对上述预设参数进行微调，从而进一步提高二分类模型训练的效率和精度。
在一些例子中，基于深度学习的二分类模型的检测方法的示意图可以如图3所示，包括：在将车灯区域的图像输入基于深度学习的二分类模型后，可以得到N个一维数组[class，score]，数组第一个元素class代表对象的类别，其可以通过Softmax得到，比如，若车灯区域的图像中的灯光处于亮起状态，则class的值为1，否则，class的值为0。数组第二个元素score代表对象基于类别所对应的分数值。每个数组均各自对应一个分数值，可以利用该分数值的大小构建所需信息。比如，可以将各分数值中的最大值所对应的数组作为包括二分类模型的输出，然后通过该输出的数组所对应的类别信息，判断所述车灯区域中的灯光是否处于亮起状态。
在本申请一实施例中，在步骤102和103中，所述第一标志信息，具体为：用数字0表征的第一标志信息；所述第二标志信息，具体为：用数字1表征的第二标志信息。
在本申请一实施例中，所述车辆的灯光检测方法，具体为：应用于车辆年检中的车辆的灯光检测方法。这样，可以提高车辆年检中的车辆的灯光检测的效率。
在本申请一实施例中，在步骤103之后，即在所述根据所述第二标志信息出现的位置，输出检测不通过的原因及问题图像后，还包括：将所述检测不通过的原因及问题图像上传至服务器。这样做，不仅便于后续的取证操作，这些被保存数据信息还可作为大数据分析的样本，以便针对进一步提高检测结果的准确性提出对应策略。
在本申请一实际应用场景中，如图4所示。可以包括：
S1、获取基于车辆的灯光得到的待检测图像。
S2、采用基于深度学习的第一目标检测模型检测待检测图像，判断是否存在车辆区域。若存在，则记录此条标志为0，提取车辆区域；若不存在，则记录此条标志为为1，并保存当前的问题图像，进入统计分析流程；
S3、采用基于深度学习的第二目标检测模型检测车辆区域图像，判断是否存在车头区域和/或车尾区域。若存在，则记录此条标志为0，提取车头区域和/或车尾区域；若不存在，则记录此条标志为1，并保存当前的问题图像，进入统计分析流程；
S4、采用基于深度学习的第三目标检测模型检测车头区域和/或车尾区域的图像，判断是否存在车灯区域。若存在，则记录此条标志为0，提取车灯区域；若不存在，则记录此条标志为1，并保存当前的问题图像，进入统计分析流程；
S5、采用基于深度学习的二分类模型检测车灯区域的图像，判断灯光是否处于亮起状态。若处于亮起状态，则记录此条标志为0；若处于未亮起状态，则记录此条标志为1，并保存当前的问题图像，进入统计分析流程；
S6、对整个过程的动作结果进行统计分析。若记录的标志全部为0，表明车辆灯光处于正常亮起状态，则判定车辆的灯光检测通过；若记录的标志存在1，则判定车辆的灯光检测不通过；同时，根据标志1出现的位置获取检测不通过的原因及问题图像。
可见，本申请提供的一种车辆的灯光检测方法，可以应用于机动车的车辆年检，替代传统的人工检测的方式，自动检测车辆的灯光的亮、灭状态，从而既可以节约人力成本，又可以加快检测速度，保证检测工作的公正、公开，提高检测效率和准确率。
在本申请另一实际应用场景中，可以采用如下检测方式对车辆的灯光进行检测：可以采用一个一维数组[x1，x2，x3，x4]表示校验状态，初始值设置为[0，0，0，0]，其中，
标志位x1代表待检测图像中是否存在车辆区域，若存在，则x1的值为0，若不存在，则x1的值为1；
标志位x2代表车辆区域的图像中是否存在车头区域和/或车尾区域，若存在，则x2的值为0，若不存在，则x2的值为1；
标志位x3代表车头区域和/或车尾区域的图像中是否存在车灯区域，若存在，则x3的值为0，若不存在，则x3的值为1；
标志位x4代表车灯区域的图像中的车灯是否处于亮起状态，若是，则x4的值为0，若不是，则x4的值为1。
最后，统计各标志位的状态，若标志位的值均为0，则表明待检测车辆的灯光检测通过；存在至少一个标志位的值为1，则表明待检测车辆的灯光检测不通过。可选的，相关工作人员可以根据标志为1时出现的位置，获取所对应的保存的图像，供相关工作人员获悉待检测车辆的灯光检测不通过的原因。
此外，在本申请一实施例中，还提供了一种车辆的灯光检测装置，包括：获取模块，用于获取基于车辆的灯光得到的待检测图像；执行模块，用于根据所述待检测图像执行预设操作；统计分析模块，用于对执行所述预设操作后得到的各结果进行统计分析，若各结果的标志信息均为第一标志信息，则判定所述车辆的灯光检测通过；若各结果的标志信息中存在第二标志信息，则判定所述车辆的灯光检测不通过，并根据所述第二标志信息出现的位置，输出检测不通过的原因及问题图像；其中，所述预设操作包括：判断是否存在车辆区域，若存在，则记为第一标志信息，提取所述车辆区域；否则，记为第二标志信息，并保存当前的问题图像；判断所述车辆区域中是否存在车头区域和/或车尾区域，若存在，则记为第一标志信息，提取所述车头区域和/或车尾区域；否则，记为第二标志信息，并保存当前的问题图像；判断所述车头区域和/或车尾区域中是否存在车灯区域，若存在，则记为第一标志信息，提取所述车灯区域；否则，记为第二标志信息，并保存当前的问题图像；判断所述车灯区域中的灯光是否处于亮起状态，若是，则记为第一标志信息；否则，记为第二标志信息，并保存当前的问题图像。
在一些例子中，所述判断是否存在车辆区域，具体为：采用基于深度学习的第一目标检测模型，判断是否存在车辆区域；所述判断所述车辆区域中是否存在车头区域和/或车尾区域，具体为：采用基于深度学习的第二目标检测模型，判断所述车辆区域中是否存在车头区域和/或车尾区域；所述判断所述车头区域和/或车尾区域中是否存在车灯区域，具体为：采用基于深度学习的第三目标检测模型，判断所述车头区域和/或车尾区域中是否存在车灯区域；所述判断所述车灯区域中的灯光是否处于亮起状态，具体为：采用基于深度学习的二分类模型，判断所述车灯区域中的灯光是否处于亮起状态。
在一些例子中，所述基于深度学习的二分类模型，具体通过如下方式获取：在基于LeNet分类深度学习网络的每一个卷积层后均加入激活函数，并删除损失层，得到调整后的基于LeNet分类深度学习网络；根据所述调整后的基于LeNet分类深度学习网络，训练得到所述基于深度学习的二分类模型。
在一些例子中，所述根据所述调整后的基于LeNet分类深度学习网络，训练得到所述基于深度学习的二分类模型，具体为：结合预设参数，根据所述调整后的基于LeNet分类深度学习网络，训练得到所述基于深度学习的二分类模型；其中，所述预设参数，具体为：学习率设置为0.0001、学习率策略设置为Step、显示器参数Gamma设置为1.0、动量Momentum设置为0.9、权重衰减Weight Decay设置为0.1的参数。
在一些例子中，所述第一标志信息，具体为：用数字0表征的第一标志信息；所述第二标志信息，具体为：用数字1表征的第二标志信息。
在一些例子中，所述车辆的灯光检测方法，具体为：应用于车辆年检中的车辆的灯光检测方法。
在一些例子中，在所述根据所述第二标志信息出现的位置，输出检测不通过的原因及问题图像后，还包括：将所述检测不通过的原因及问题图像上传至服务器。
不难发现，本申请实施例为与上述的车辆的灯光检测方法的实施例相对应的装置实施例，本实施方式可与车辆的灯光检测方法的实施例互相配合实施。车辆制动检测方法的实施例中提到的相关技术细节在本申请实施例中依然有效，为了减少重复，这里不再赘述。相应地，本装置实施例中提到的相关技术细节也可应用在相应的方法实施例中。
在本申请一实施例中，还提供了一种电子设备，包括：一个或多个处理器；以及存储有计算机可读指令的存储器，所述计算机可读指令在被执行时使所述处理器执行如上述任一所述的发动机标贴的检测方法。
本申请实施例还提供了一种计算机可读介质，所述计算机程序被处理器执行时实现上述任一所述的发动机标贴的检测方法。
例如，计算机可读指令在被执行时使所述一个或多个处理器：
获取基于车辆的灯光得到的待检测图像；
根据所述待检测图像执行预设操作；
对执行所述预设操作后得到的各结果进行统计分析，若各结果的标志信息均为第一标志信息，则判定所述车辆的灯光检测通过；若各结果的标志信息中存在第二标志信息，则判定所述车辆的灯光检测不通过，并根据所述第二标志信息出现的位置，输出检测不通过的原因及问题图像；
其中，所述预设操作包括：
判断是否存在车辆区域，若存在，则记为第一标志信息，提取所述车辆区域；否则，记为第二标志信息，并保存当前的问题图像；
判断所述车辆区域中是否存在车头区域和/或车尾区域，若存在，则记为第一标志信息，提取所述车头区域和/或车尾区域；否则，记为第二标志信息，并保存当前的问题图像；
判断所述车头区域和/或车尾区域中是否存在车灯区域，若存在，则记为第一标志信息，提取所述车灯区域；否则，记为第二标志信息，并保存当前的问题图像；
判断所述车灯区域中的灯光是否处于亮起状态，若是，则记为第一标志信息；否则，记为第二标志信息，并保存当前的问题图像。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
需要注意的是，本申请可在软件和/或软件与硬件的组合体中被实施，例如，可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中，本申请的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地，本申请的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，RAM存储器，磁或光驱动器或软磁盘及类似设备。另外，本申请的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。
另外，本申请的一部分可被应用为计算机程序产品，例如计算机程序指令，当其被计算机执行时，通过该计算机的操作，可以调用或提供根据本申请的方法和/或技术方案。而调用本申请的方法的程序指令，可能被存储在固定的或可移动的记录介质中，和/或通过广播或其他信号承载媒体中的数据流而被传输，和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。在此，根据本申请的一个实施例包括一个装置，该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该装置运行基于前述根据本申请的多个实施例的方法和/或技术方案。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其他的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
在本申请一个典型的配置中，终端、服务网络的设备和可信方均包括一个或多个处理器(例如中央处理器(Central Processing Unit，CPU))、输入/输出接口、网络接口和内存。
内存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(RandomAccess Memory，RAM)和/或非易失性内存等形式，如只读存储器(Read Only Memory，ROM)或闪存(flash RAM)。内存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(Phase-Change RAM，PRAM)、静态随机存取存储器(Static Random Access Memory，SRAM)、动态随机存取存储器(Dynamic RandomAccess Memory，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(Electrically Erasable Programmable Read-Only Memory，EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、数字多功能光盘(Digital Versatile Disk，DVD)或其他光学存储、磁盒式磁带，磁带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非暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。
以上显示和描述了本方案的基本原理和主要特征和本方案的优点。本行业的技术人员应该了解,本方案不受上述实施例的限制,上述实施例和说明书中描述的只是说明本方案的原理,在不脱离本方案精神和范围的前提下,本方案还会有各种变化和改进,这些变化和改进都落入要求保护的本方案范围内。本方案要求保护范围由所附的权利要求书及其等效物界定。

Claims (10)

1.一种车辆的灯光检测方法，其特征在于，包括：
获取基于车辆的灯光得到的待检测图像；
根据所述待检测图像执行预设操作；
对执行所述预设操作后得到的各结果进行统计分析，若各结果的标志信息均为第一标志信息，则判定所述车辆的灯光检测通过；若各结果的标志信息中存在第二标志信息，则判定所述车辆的灯光检测不通过，并根据所述第二标志信息出现的位置，输出检测不通过的原因及问题图像；
其中，所述预设操作包括：
判断是否存在车辆区域，若存在，则记为第一标志信息，提取所述车辆区域；否则，记为第二标志信息，并保存当前的问题图像；
判断所述车辆区域中是否存在车头区域和/或车尾区域，若存在，则记为第一标志信息，提取所述车头区域和/或车尾区域；否则，记为第二标志信息，并保存当前的问题图像；
判断所述车头区域和/或车尾区域中是否存在车灯区域，若存在，则记为第一标志信息，提取所述车灯区域；否则，记为第二标志信息，并保存当前的问题图像；
判断所述车灯区域中的灯光是否处于亮起状态，若是，则记为第一标志信息；否则，记为第二标志信息，并保存当前的问题图像。
2.如权利要求1所述的车辆的灯光检测方法，其特征在于，
所述判断是否存在车辆区域，具体为：采用基于深度学习的第一目标检测模型，判断是否存在车辆区域；
所述判断所述车辆区域中是否存在车头区域和/或车尾区域，具体为：采用基于深度学习的第二目标检测模型，判断所述车辆区域中是否存在车头区域和/或车尾区域；
所述判断所述车头区域和/或车尾区域中是否存在车灯区域，具体为：采用基于深度学习的第三目标检测模型，判断所述车头区域和/或车尾区域中是否存在车灯区域；
所述判断所述车灯区域中的灯光是否处于亮起状态，具体为：采用基于深度学习的二分类模型，判断所述车灯区域中的灯光是否处于亮起状态。
3.如权利要求2所述的车辆的灯光检测方法，其特征在于，所述基于深度学习的二分类模型，具体通过如下方式获取：
在基于LeNet分类深度学习网络的每一个卷积层后均加入激活函数，并删除损失层，得到调整后的基于LeNet分类深度学习网络；
根据所述调整后的基于LeNet分类深度学习网络，训练得到所述基于深度学习的二分类模型。
4.如权利要求3所述的车辆的灯光检测方法，其特征在于，所述根据所述调整后的基于LeNet分类深度学习网络，训练得到所述基于深度学习的二分类模型，具体为：
结合预设参数，根据所述调整后的基于LeNet分类深度学习网络，训练得到所述基于深度学习的二分类模型；
其中，所述预设参数，具体为：学习率设置为0.0001、学习率策略设置为Step、显示器参数Gamma设置为1.0、动量Momentum设置为0.9、权重衰减Weight Decay设置为0.1的参数。
5.如权利要求1所述的车辆的灯光检测方法，其特征在于，所述第一标志信息，具体为：用数字0表征的第一标志信息；
所述第二标志信息，具体为：用数字1表征的第二标志信息。
6.如权利要求1所述的车辆的灯光检测方法，其特征在于，所述车辆的灯光检测方法，具体为：应用于车辆年检中的车辆的灯光检测方法。
7.如权利要求1所述的，其特征在于，在所述根据所述第二标志信息出现的位置，输出检测不通过的原因及问题图像后，还包括：
将所述检测不通过的原因及问题图像上传至服务器。
8.一种车辆的灯光检测装置，其特征在于，包括：
获取模块，用于获取基于车辆的灯光得到的待检测图像；
执行模块，用于根据所述待检测图像执行预设操作；
统计分析模块，用于对执行所述预设操作后得到的各结果进行统计分析，若各结果的标志信息均为第一标志信息，则判定所述车辆的灯光检测通过；若各结果的标志信息中存在第二标志信息，则判定所述车辆的灯光检测不通过，并根据所述第二标志信息出现的位置，输出检测不通过的原因及问题图像；
其中，所述预设操作包括：
判断是否存在车辆区域，若存在，则记为第一标志信息，提取所述车辆区域；否则，记为第二标志信息，并保存当前的问题图像；
判断所述车辆区域中是否存在车头区域和/或车尾区域，若存在，则记为第一标志信息，提取所述车头区域和/或车尾区域；否则，记为第二标志信息，并保存当前的问题图像；
判断所述车头区域和/或车尾区域中是否存在车灯区域，若存在，则记为第一标志信息，提取所述车灯区域；否则，记为第二标志信息，并保存当前的问题图像；
判断所述车灯区域中的灯光是否处于亮起状态，若是，则记为第一标志信息；否则，记为第二标志信息，并保存当前的问题图像。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；以及
存储有计算机可读指令的存储器，所述计算机可读指令在被执行时使所述处理器执行如权利要求1至7中任一项所述的车辆的灯光检测方法。
10.一种计算机可读存储介质，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中任一项所述的车辆的灯光检测方法。
CN201911035975.7A 2019-10-29 2019-10-29 车辆的灯光检测方法、装置、电子设备及可读存储介质 Pending CN110796078A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911035975.7A CN110796078A (zh) 2019-10-29 2019-10-29 车辆的灯光检测方法、装置、电子设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911035975.7A CN110796078A (zh) 2019-10-29 2019-10-29 车辆的灯光检测方法、装置、电子设备及可读存储介质

Publications (1)

Publication Number Publication Date
CN110796078A true CN110796078A (zh) 2020-02-14

Family

ID=69441775

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911035975.7A Pending CN110796078A (zh) 2019-10-29 2019-10-29 车辆的灯光检测方法、装置、电子设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN110796078A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111353444A (zh) * 2020-03-04 2020-06-30 上海眼控科技股份有限公司 标志灯具监测方法、装置、计算机设备和存储介质
CN111507284A (zh) * 2020-04-21 2020-08-07 上海眼控科技股份有限公司 应用于车辆检测站的审核方法、审核系统和存储介质
CN112149639A (zh) * 2020-10-23 2020-12-29 北京嘀嘀无限科技发展有限公司 检测车灯状态的方法、装置、电子设备和存储介质
CN114114065A (zh) * 2021-10-25 2022-03-01 东风越野车有限公司 一种全自动半挂车灯光检测系统及方法
CN114323583A (zh) * 2021-12-21 2022-04-12 广汽本田汽车有限公司 一种车辆灯光检测方法、装置、设备及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103942560A (zh) * 2014-01-24 2014-07-23 北京理工大学 一种智能交通监控系统中的高分辨率视频车辆检测方法
CN107967445A (zh) * 2017-10-13 2018-04-27 上海眼控科技股份有限公司 一种轿车加装天窗的智能检测系统及方法
CN109389064A (zh) * 2018-09-27 2019-02-26 东软睿驰汽车技术（沈阳）有限公司 一种车辆特征获取方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103942560A (zh) * 2014-01-24 2014-07-23 北京理工大学 一种智能交通监控系统中的高分辨率视频车辆检测方法
CN107967445A (zh) * 2017-10-13 2018-04-27 上海眼控科技股份有限公司 一种轿车加装天窗的智能检测系统及方法
CN109389064A (zh) * 2018-09-27 2019-02-26 东软睿驰汽车技术（沈阳）有限公司 一种车辆特征获取方法及装置

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111353444A (zh) * 2020-03-04 2020-06-30 上海眼控科技股份有限公司 标志灯具监测方法、装置、计算机设备和存储介质
CN111507284A (zh) * 2020-04-21 2020-08-07 上海眼控科技股份有限公司 应用于车辆检测站的审核方法、审核系统和存储介质
CN112149639A (zh) * 2020-10-23 2020-12-29 北京嘀嘀无限科技发展有限公司 检测车灯状态的方法、装置、电子设备和存储介质
CN114114065A (zh) * 2021-10-25 2022-03-01 东风越野车有限公司 一种全自动半挂车灯光检测系统及方法
CN114323583A (zh) * 2021-12-21 2022-04-12 广汽本田汽车有限公司 一种车辆灯光检测方法、装置、设备及系统
CN114323583B (zh) * 2021-12-21 2024-06-04 广汽本田汽车有限公司 一种车辆灯光检测方法、装置、设备及系统

Similar Documents

Publication Publication Date Title
CN110796078A (zh) 车辆的灯光检测方法、装置、电子设备及可读存储介质
CN111078908B (zh) 一种数据标注的检测方法和装置
CN110059694B (zh) 电力行业复杂场景下的文字数据的智能识别方法
CN110348360B (zh) 一种检测报告识别方法及设备
CN110378258B (zh) 一种基于图像的车辆座椅信息检测方法及设备
CN109977191B (zh) 问题地图检测方法、装置、电子设备和介质
CN110276295B (zh) 车辆识别号码检测识别方法及设备
CN111311556B (zh) 手机缺陷位置识别方法及设备
CN110765963A (zh) 车辆制动检测方法、装置、设备及计算机可读存储介质
CN111507362B (zh) 神经网络的训练方法、基于神经网络的分类方法及其装置
CN112085022A (zh) 一种用于识别文字的方法、系统及设备
CN110991437B (zh) 字符识别方法及其装置、字符识别模型的训练方法及其装置
CN110288612B (zh) 铭牌定位与校正方法及设备
CN112634201B (zh) 目标检测方法、装置和电子设备
CN113505781B (zh) 目标检测方法、装置、电子设备及可读存储介质
CN110599453A (zh) 一种基于图像融合的面板缺陷检测方法、装置及设备终端
CN113836850A (zh) 模型获得方法及系统及装置及介质及产品缺陷检测方法
CN110827245A (zh) 一种检测屏幕显示断线的方法及设备
CN112784675B (zh) 目标检测方法及装置、存储介质、终端
CN111507332A (zh) 车辆vin码检测方法与设备
CN111881752B (zh) 一种护栏检测分类方法、装置、电子设备及存储介质
CN114120071A (zh) 一种带有对象标注框图像的检测方法
CN112533060B (zh) 一种视频处理方法及装置
CN110276347B (zh) 文本类信息检测识别方法及设备
CN117951009A (zh) 一种测试脚本生成方法、装置、计算设备及存储介质

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200214

RJ01 Rejection of invention patent application after publication