CN110838109A - 一种三角架识别方法、装置、移动终端及存储介质 - Google Patents
一种三角架识别方法、装置、移动终端及存储介质 Download PDFInfo
- Publication number
- CN110838109A CN110838109A CN201911066701.4A CN201911066701A CN110838109A CN 110838109 A CN110838109 A CN 110838109A CN 201911066701 A CN201911066701 A CN 201911066701A CN 110838109 A CN110838109 A CN 110838109A
- Authority
- CN
- China
- Prior art keywords
- tripod
- image
- deep learning
- target area
- determining
- 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
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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种三角架识别方法、装置、移动终端及存储介质,涉及车辆查验审核技术领域,解决了当前车辆检测人工操作人力需求大且效率低下,而传统图像识别难以对拍摄不规范的三角架图像进行识别的弊端,其技术方案要点是通过获取待识别三角架的查验图像;基于深度学习的目标检测模型对获取的查验图像进行检测,判断并确定查验图像中三角架存在的大致区域;基于深度学习的分类模型对所述目标区域进行筛选,根据筛选结果对查验图像中识别的三角架进行合格与不合格的分类,本发明的一种三角架识别方法、装置、移动终端及存储介质,检测和分类复杂度低且精度高,使用效果佳。
Description
技术领域
本发明涉及车辆查验审核技术,特别涉及一种三角架识别方法、装置、移动终端及存储介质。
背景技术
在车辆查验审核中,对于三角架是否合格的判定是一项非常重要的工作。其中,判断三角架是否合格的关键在于三角架的规格是否是三角架两圈(外圈反光,内圈荧光)。
然而,发明人发现相关技术中至少存在如下问题:当前车辆查验的主要方式是通过人工检查的方式,不仅需要很多人力,而且人力审核的效率低下。
发明内容
本发明的目的是提供一种三角架识别方法、装置、移动终端及存储介质,可以自动审核三角架是否合格,达到提高审核效率的目的。
本发明的上述技术目的是通过以下技术方案得以实现的:
一种三角架识别方法,包括有以下步骤:
获取待识别三角架的查验图像;
基于深度学习的目标检测模型对获取的查验图像进行检测,根据检测结果确定查验图像中三角架存在的目标区域;
基于深度学习的分类模型对所述目标区域进行筛选,根据筛选结果确定所述三角架是否合格。
采用上述方案,通过深度学习的目标检测模型和分类模型,能够自动对获取的查验图像进行检测及筛选,以确定查验图像中三角架是否合格,审核效率高、精度高。
进一步的,所述基于深度学习的目标检测模型的获取步骤包括有:
获取不同角度、光照、种类、图像质量的带有三角架的图像;
采用矩形框标记图像中三角架所在位置的区域图像;
使用所述区域图像训练目标检测深度学习网络模型,获得目标检测模型。
进一步的,所述基于深度学习的分类模型的获取步骤包括有:
获取不同角度、光照、种类、图像质量的带有三角架的图像;
根据图像中的三角架是否合格标记对应图像;
使用所述图像训练深度学习分类网络模型,获得分类模型。
进一步的,所述根据检测结果确定查验图像中三角架存在的目标区域,具体包括:
对所述检测结果表征的区域进行数据增强处理,得到处理结果;
根据所述处理结果,确定查验图像中三角架存在的目标区域。
进一步的,所述对所述目标区域进行数据增强处理,至少包括以下任意之一或其任意组合:对查验图像进行旋转、平移、随机截取、不同尺度的随机扩展、增加噪声。
一种三角架识别装置,所述识别装置包括有存储器,以及
耦合到所述存储器的处理器,该处理器被配置为执行存储在所述存储器中的指令,所述处理器执行以下步骤:
获取待识别三角架的查验图像;
基于深度学习的目标检测模型对获取的查验图像进行检测,根据检测结果确定查验图像中三角架存在的目标区域;
基于深度学习的分类模型对所述目标区域进行筛选,根据筛选结果确定所述三角架是否合格。
一种三角架识别移动终端,所述移动终端包括存储器;以及
耦合到所述存储器的处理器,该处理器被配置为执行存储在所述存储器中的指令,所述处理器执行以下操作:
获取待识别三角架的查验图像;
基于深度学习的目标检测模型对获取的查验图像进行检测,根据检测结果确定查验图像中三角架存在的目标区域;
基于深度学习的分类模型对所述目标区域进行筛选,根据筛选结果确定所述三角架是否合格。
综上所述,本发明具有以下有益效果:
通过基于深度学习的模型进行图像特征提取的方式,可以避免光照、拍摄方式及周围或背景物体的干扰的影响,提升了识别到的三角架的准确性,并且简化了任务的复杂度。
附图说明
图1为本发明的流程框图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
图1示出根据本申请的一个方面提供的一种三角架识别方法,该方法包括步骤101至步骤103:
步骤101,获取待识别三角架的查验图像;
步骤102,基于深度学习的目标检测模型对获取的查验图像进行检测,根据检测结果确定查验图像中三角架存在的目标区域;在此,若目标检测模型输出的检测结果为1,则可以认为查验图像中存在三角架,若标检测模型输出的检测结果为0,则可以认为查验图像中不存在三角架。可以理解,由于一张图像中可能会包括多个物体,三角架的摆放位置、形态也不固定,因此通过先用目标检测模型对获取的查验图像进行检测,可以准确的确定三角架的位置,即三角架存在的目标区域。在本实施例中,若没有检测到三角架,则可以结束本流程;若检测到三角架,则可以输出查验图像中表征三角架所在的大致位置和大小区域的检测结果,并进入步骤103。
步骤103,基于深度学习的分类模型对所述目标区域进行筛选,根据筛选结果确定所述三角架是否合格。
不难发现,本实施方式提供的一种三角架识别方法,通过基于深度学习的模型进行图像特征提取的方式,可以避免光照、拍摄方式及周围或背景物体的干扰的影响,提升了识别到的三角架的准确性,并且简化了任务的复杂度。
在本申请一实施例中,步骤102中,所述基于深度学习的目标检测模型的获取步骤可以包括有:获取不同角度、光照、种类、图像质量的带有三角架的图像;采用矩形框标记图像中三角架所在位置的区域图像;使用所述区域图像训练目标检测深度学习网络模型,获得目标检测模型。
在本申请一实施例中,步骤103中,所述基于深度学习的分类模型的获取步骤可以包括有:获取不同角度、光照、种类、图像质量的带有三角架的图像;根据图像中的三角架是否合格标记对应图像;使用所述图像训练深度学习分类网络模型,获得分类模型。在此,在获取不同角度、光照、种类、图像质量的带有三角架的图像后,可以通过人工标记的方式对图像中的三角架的标记,以确定该图像中的三角架是否合格,再使用所述图像训练深度学习分类网络模型,获得分类模型。
在本申请一实施例中,步骤102中,所述根据检测结果确定查验图像中三角架存在的目标区域,可以包括:对所述检测结果表征的区域进行数据增强处理,得到处理结果;根据所述处理结果,确定查验图像中三角架存在的目标区域。
继续接上述实施例,所述对所述目标区域进行数据增强处理,可以包括但不限于以下任意之一或其任意组合:对查验图像进行旋转、平移、随机截取、不同尺度的随机扩展、增加噪声。这样做,可以提升模型的鲁棒性。由于进行数据增强处理后,会出现个别图像全白的情况,丢失了基于深度学习的分类模型所需提取的图像特征。因此,需要对数据增强处理后的数据进行筛选,剔除完全看不出三角架的图片。
本领域技术人员可以理解,在现有技术的三角架的拍摄过程中会往往受到光照干扰、周围物体干扰、手持干扰、角度多变等严重影响,而传统的图像形态学处理方法仅可以对拍摄较规范的三角架的图像进行识别。其中,传统的图像形态学处理方法一般是通过膨胀、腐蚀、边缘检测的方式确定三角架大致所在区域,在此区域内,进行膨胀腐蚀操作去除像素上的干扰,通过增加明亮度的方式突出直线边缘,再通过霍夫曼直线检测的方式确定区域内所有直线,通过判断直线间的角度的相关关系判断平行和夹角,从而确定大致的三角形。最后通过确定得到的三角形,对其每条边及其平行线进行划分,从而确定三角架的内、外圈区域,通过像素均值比对的方式判断该三角架是否是符合外圈反光、内圈荧光的三角架。该方案处理流程复杂,且受光照、拍摄角度、遮挡干扰严重,在实际使用中效果较差。
而本申请实施例提供的三角架识别方法,通过采用深度学习神经网络的方式对三角架进行识别判断,利用神经网络学习图像点线特征的方式,可以避免车辆检查验过程中拍摄得到的图像受到的多角度、受周围物体干扰、受光照干扰、手持干扰等影响。通过采用基于深度学习的目标检测模型和基于深度学习的分类模型完成三角架的识别任务。采用这种两阶模型的方式,可以提升识别结果的准确性。由于可以避免识别结果受到光照、拍摄方式、及周围或背景物体等的干扰,因此简化了识别任务的复杂度。
根据一个或多个实施例,公开了一种三角架识别装置,识别装置包括有存储器,以及
耦合到存储器的处理器,该处理器被配置为执行存储在存储器中的指令,处理器执行以下步骤:
获取待识别三角架的查验图像;
基于深度学习的目标检测模型对获取的查验图像进行检测,根据检测结果确定查验图像中三角架存在的目标区域;
基于深度学习的分类模型对所述目标区域进行筛选,根据筛选结果确定所述三角架是否合格。
根据一个或多个实施例,公开了一种三角架识别移动终端,移动终端包括存储器;以及
耦合到存储器的处理器,该处理器被配置为执行存储在存储器中的指令,处理器执行以下操作:
获取待识别三角架的查验图像;
基于深度学习的目标检测模型对获取的查验图像进行检测,根据检测结果确定查验图像中三角架存在的目标区域;
基于深度学习的分类模型对所述目标区域进行筛选,根据筛选结果确定所述三角架是否合格。
根据一个或多个实施例,本实施例还公开了一种计算机可读存储介质,用于存储计算机可读程序,计算机可读程序用于供计算机执行上述部分或全部的方法实施例。
即,本领域技术人员可以理解,实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本具体实施例仅仅是对本发明的解释,其并不是对本发明的限制,本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本发明的权利要求范围内都受到专利法的保护。
Claims (8)
1.一种三角架识别方法,其特征是,包括有以下步骤:
获取待识别三角架的查验图像;
基于深度学习的目标检测模型对获取的查验图像进行检测,根据检测结果确定查验图像中三角架存在的目标区域;
基于深度学习的分类模型对所述目标区域进行筛选,根据筛选结果确定所述三角架是否合格。
2.根据权利要求1所述的三角架识别方法,其特征是,所述基于深度学习的目标检测模型的获取步骤包括有:
获取不同角度、光照、种类、图像质量的带有三角架的图像;
采用矩形框标记图像中三角架所在位置的区域图像;
使用所述区域图像训练目标检测深度学习网络模型,获得目标检测模型。
3.根据权利要求1所述的三角架识别方法,其特征是,所述基于深度学习的分类模型的获取步骤包括有:
获取不同角度、光照、种类、图像质量的带有三角架的图像;
根据图像中的三角架是否合格标记对应图像;
使用所述图像训练深度学习分类网络模型,获得分类模型。
4.根据权利要求1所述的三角架识别方法,其特征是,所述根据检测结果确定查验图像中三角架存在的目标区域,具体包括:
对所述检测结果表征的区域进行数据增强处理,得到处理结果;
根据所述处理结果,确定查验图像中三角架存在的目标区域。
5.根据权利要求4所述的三角架识别方法,其特征是,所述对所述目标区域进行数据增强处理,至少包括以下任意之一或其任意组合:对查验图像进行旋转、平移、随机截取、不同尺度的随机扩展、增加噪声。
6.一种三角架识别装置,其特征是,所述识别装置包括有存储器,以及
耦合到所述存储器的处理器,该处理器被配置为执行存储在所述存储器中的指令,所述处理器执行以下步骤:
获取待识别三角架的查验图像;
基于深度学习的目标检测模型对获取的查验图像进行检测,根据检测结果确定查验图像中三角架存在的目标区域;
基于深度学习的分类模型对所述目标区域进行筛选,根据筛选结果确定所述三角架是否合格。
7.一种三角架识别移动终端,其特征是,所述移动终端包括存储器;以及
耦合到所述存储器的处理器,该处理器被配置为执行存储在所述存储器中的指令,所述处理器执行以下操作:
获取待识别三角架的查验图像;
基于深度学习的目标检测模型对获取的查验图像进行检测,根据检测结果确定查验图像中三角架存在的目标区域;
基于深度学习的分类模型对所述目标区域进行筛选,根据筛选结果确定所述三角架是否合格。
8.一种存储介质,其上存储有计算机程序,其特征是:该程序被处理起执行时,实现权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911066701.4A CN110838109A (zh) | 2019-11-04 | 2019-11-04 | 一种三角架识别方法、装置、移动终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911066701.4A CN110838109A (zh) | 2019-11-04 | 2019-11-04 | 一种三角架识别方法、装置、移动终端及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110838109A true CN110838109A (zh) | 2020-02-25 |
Family
ID=69576097
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911066701.4A Pending CN110838109A (zh) | 2019-11-04 | 2019-11-04 | 一种三角架识别方法、装置、移动终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110838109A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180357501A1 (en) * | 2017-06-07 | 2018-12-13 | Alibaba Group Holding Limited | Determining user authenticity with face liveness detection |
CN109522796A (zh) * | 2018-10-12 | 2019-03-26 | 李雨宸 | 高速中故障车辆提示方法及相关产品 |
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 |
CN110245583A (zh) * | 2019-05-27 | 2019-09-17 | 上海眼控科技股份有限公司 | 一种车辆尾气检验报告的智能识别方法 |
-
2019
- 2019-11-04 CN CN201911066701.4A patent/CN110838109A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180357501A1 (en) * | 2017-06-07 | 2018-12-13 | Alibaba Group Holding Limited | Determining user authenticity with face liveness detection |
CN109522796A (zh) * | 2018-10-12 | 2019-03-26 | 李雨宸 | 高速中故障车辆提示方法及相关产品 |
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 |
CN110245583A (zh) * | 2019-05-27 | 2019-09-17 | 上海眼控科技股份有限公司 | 一种车辆尾气检验报告的智能识别方法 |
Non-Patent Citations (2)
Title |
---|
武秀林等: "基于深度学习的交通标志检测方法研究" * |
马啸等: "深度学习技术及其在舰船目标识别领域的应用" * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108801601B (zh) | 菲涅尔透镜杂散光噪声的测试方法、设备及存储介质 | |
CN108846837B (zh) | 物体表面缺陷检测方法和装置 | |
CN105718931B (zh) | 用于确定采集图像中的杂斑的系统和方法 | |
CN109002823B (zh) | 一种感兴趣区域确定方法、装置、设备及可读存储介质 | |
CN111259891B (zh) | 一种自然场景下身份证识别方法、装置、设备和介质 | |
CN111223078B (zh) | 瑕疵等级判定的方法及存储介质 | |
CN111612104A (zh) | 车辆定损图像获取方法、装置、介质和电子设备 | |
CN116703909B (zh) | 一种电源适配器生产质量智能检测方法 | |
CN114264669B (zh) | 屏幕损伤缺陷检测方法、装置、设备及可读存储介质 | |
CN112070762A (zh) | 液晶面板的mura缺陷检测方法、装置、存储介质及终端 | |
CN105229665A (zh) | 对基于图像的蛇形带子磨损评估的增强分析 | |
CN112926695B (zh) | 基于模板匹配的图像识别方法和系统 | |
JP2007155405A (ja) | 外観検査方法及び外観検査装置 | |
CN108805883B (zh) | 一种图像分割方法、图像分割装置及电子设备 | |
CN110838109A (zh) | 一种三角架识别方法、装置、移动终端及存储介质 | |
JP2018196426A (ja) | 毛穴検出方法及び毛穴検出装置 | |
CN112883762A (zh) | 一种活体检测方法、装置、系统及存储介质 | |
CN116596928A (zh) | 基于图像特征的花生油杂质快速检测方法 | |
CN111935480B (zh) | 一种用于图像获取装置的检测方法及相关装置 | |
CN115272173A (zh) | 锡球缺陷检测方法及其装置、计算机设备、存储介质 | |
CN110441315B (zh) | 电子部件测试设备和方法 | |
CN110310235B (zh) | 眼底图像处理方法、装置及设备和存储介质 | |
Bateman et al. | Image forensics of high dynamic range imaging | |
CN113242422B (zh) | 一种摄像模组的测试方法、装置、设备、系统及介质 | |
CN112730427B (zh) | 一种基于机器视觉的产品表面缺陷检测方法及系统 |
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 |