CN110852230A - 一种用于车辆年检的厢式货车的车厢改装检测方法、系统、装置、平台及存储介质 - Google Patents
一种用于车辆年检的厢式货车的车厢改装检测方法、系统、装置、平台及存储介质 Download PDFInfo
- Publication number
- CN110852230A CN110852230A CN201911066108.XA CN201911066108A CN110852230A CN 110852230 A CN110852230 A CN 110852230A CN 201911066108 A CN201911066108 A CN 201911066108A CN 110852230 A CN110852230 A CN 110852230A
- Authority
- CN
- China
- Prior art keywords
- carriage
- van
- detection
- wall
- refitting
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 124
- 238000007689 inspection Methods 0.000 title claims abstract description 24
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000012986 modification Methods 0.000 claims abstract description 23
- 230000004048 modification Effects 0.000 claims abstract description 23
- 238000013135 deep learning Methods 0.000 claims description 24
- 230000011218 segmentation Effects 0.000 claims description 10
- 238000012857 repacking Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims 1
- 238000012795 verification Methods 0.000 abstract 3
- 238000012549 training Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种用于车辆年检的厢式货车的车厢改装检测方法、系统、装置、平台及存储介质,涉及车辆改装检测领域,解决了目前货车改装检验人工校验成本高、检验分辨难度大、易造成人为疏忽影响校验准确率的弊端,其技术方案要点包括有以下步骤,获取厢式货车图像,于图像中识别车厢位置;将车厢位置分割为若干区域,并分别对分割后的若干区域进行改装检测;并输出检测结果。本发明的一种用于车辆年检的厢式货车的车厢改装检测方法,能自动审核货车的车厢是否被改装,节约人力的同时提升工作效率、准确率,保证检验工作的公正、公开。
Description
技术领域
本发明涉及车辆改装检测,特别涉及一种用于车辆年检的厢式货车的车厢改装检测方法、系统、装置、平台及存储介质。
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,城市机动车保有量迅猛增长。机动车车辆年检的工作量也随之迅速增大。传统的车辆年检中厢式货车的车厢的改装检测主要是通过人工检测,一般检验人员很难去分辨,且评判标准不一致,影响校验准确率。如何准确、快速地对厢式货车的车厢改装进行检测,同时避免人工校验成本高,易疲劳,易疏忽等弊端,是急需解决的技术问题。
发明内容
本发明的目的是提供一种用于车辆年检的厢式货车的车厢改装检测方法、系统、装置、平台及存储介质,能自动审核货车的车厢是否被改装,节约人力的同时提升工作效率、准确率,保证检验工作的公正、公开。
本发明的上述技术目的是通过以下技术方案得以实现的:
一种用于车辆年检的厢式货车的车厢改装检测方法,包括:
根据厢式货车的图像,识别车厢位置;
根据所述车厢位置,将图像中的车厢分割为若干区域,并分别对分割后的若干区域进行改装检测;
输出检测结果。
进一步的,所述根据厢式货车的图像,识别车厢位置,包括:
根据基于深度学习的车厢定位模型,对所述厢式货车的图像进行车厢检测,若未检测到车厢,则输出用于表征车厢不存在的检测结果;
若检测到车厢,则获得车厢位置。
采用上述方案,通过对获取的车厢的图像进行检测,以判断图像中是否存在车厢,以在进行改装检测之前对获取的图像进行初步判别,若图像中不存在车厢,则可直接结束此次检测流程,无需进行后续改装检测,更加高效;以便进行后续的改装检测。
进一步的,所述根据所述车厢位置,将图像中的车厢分割为若干区域,包括::
根据所述车厢位置,通过基于深度学习的车厢分割模型,将所述车厢分割为与所述车厢的上方车厢壁、下方车厢壁、左方车厢壁、右方车厢壁、前方车厢壁、以及所述车厢的车门位置分别对应的区域。
采用上述方案,根据车厢位置对图像进行分割,可以对分割后的若干区域进行各自独立的改装检测,也可以对分割后的若干区域同时进行改装检测;当对分割后的若干区域同时进行改装检测时可以提高工作效率;此外,通过分区域检测的方式,相比全局检测的方式的检测结果更加的精准。
进一步的,所述分别对分割后的若干区域进行改装检测,包括有:
根据分割的若干区域,获取所述车厢的车门位置对应的区域相对于上方车厢壁、下方车厢壁、左方车厢壁、右方车厢壁、前方车厢壁中各车厢壁的位置关系;
若所述车厢的车门位置对应的区域位于上方车厢壁、下方车厢壁、左方车厢壁、前方车厢壁中的任意车厢壁所对应的区域的位置上,或者所述车厢的车门位置对应的区域不位于右方车厢壁所对应的区域的位置上,则输出用于表征所述车厢存在车门改装的检测结果;
反之,输出用于表征所述车厢并不存在车门改装的检测结果。
进一步的,所述分别对分割后的若干区域进行改装检测,还包括有:
根据分割的若干区域,对所述车厢内是否存在杂物进行检测;
若在所述车厢的至少一个区域内检测到存在杂物,则判定所述车厢中存在杂物,并输出用于表征所述车厢中存在杂物改装的检测结果;
反之,输出用于表征所述车厢中不存在杂物改装的检测结果。
采用上述方案,通过对车厢中杂物的检测,能够在进行车门改装的同时进一步进行改装判断,同时避免检测图像中因为存在杂物导致车门改装检测结果不准确的情况,使得改装检测更加的精准。
一种用于车辆年检的厢式货车的车厢改装检测系统,包括有车厢检测模块、车厢分割模块及检测结果输出模块;
车厢检测模块,用于根据厢式货车的图像,识别车厢位置;
车厢分割模块,用于根据所述车厢位置,将图像中的车厢分割为若干区域,并分别对分割后的若干区域进行改装检测;
检测结果输出模块,用于输出检测结果。
一种用于车辆年检的厢式货车的车厢改装检测装置,所述检测装置包括存储器;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:
根据厢式货车的图像,识别车厢位置;
根据所述车厢位置,将图像中的车厢分割为若干区域,并分别对分割后的若干区域进行改装检测;
输出检测结果。
一种用于车辆年检的厢式货车的车厢改装检测平台,所述平台包括服务器,服务器具有存储器;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操作:
根据厢式货车的图像,识别车厢位置;
根据所述车厢位置,将图像中的车厢分割为若干区域,并分别对分割后的若干区域进行改装检测;
输出检测结果。
综上所述,本发明具有以下有益效果:
1、通过对图像分析,自动审核货车的车厢是否被改装,满足如今对车辆年检工作效率、准确率的需求,整体标准一致,校验准确率提升;
2、使用了深度学习的方法检测厢式货车的车厢的改装,既节约了人力,提升了速度,又保证了检验工作的公正、公开。
附图说明
图1为检测流程图;
图2为检测系统的示意图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
根据一个或多个实施例,如图1所示,本实施例公开的一种用于车辆年检的厢式货车的车厢改装检测方法,基于深度学习的各模型进行改装检测,具体可以包括如下步骤:
获取厢式货车图像,基于深度学习的车厢定位模型在图像中识别并定位车厢位置;
基于深度学习的车厢分割模型将获取的图像根据车厢位置分割为若干区域,并分别进行改装检测;
输出检测结果并进行合格分析判断。
具体的,对车厢位置的确定方法可以为:
将获取的图像输入基于深度学习的车厢定位模型进行判断;
在厢式货车的图像中进行车厢的识别检测,若未检测到车厢,则判断为车厢不存在,输出用于表征车厢不存在的检测结果,并且可以记录本条标志为1,保存对应的图片,可结束所有检测流程;
若检测到车厢,则可以通过基于深度学习的车厢定位模型对车厢进行定位,获得车厢位置。
值得一提的是,由于本实施例中的厢式货车的图像中可能不存在车厢或者获取的图片发生错误等情况,因此在对车厢进行改装检测之前先对厢式货车的图像中是否存在车厢进行检测,若图像中不存在车厢,则可直接结束此次检测流程,无需进行后续改装检测,可以简化检测流程。
可选的,根据车厢位置,将图像中的车厢分割为若干区域,可以包括:根据车厢位置,通过基于深度学习的车厢分割模型,将车厢分割为与车厢的上方车厢壁、下方车厢壁、左方车厢壁、右方车厢壁、前方车厢壁、以及车厢的车门位置分别对应的区域。
可选的,分别对分割后的若干区域进行改装检测,包括有:根据分割的若干区域,获取车厢的车门位置对应的区域相对于上方车厢壁、下方车厢壁、左方车厢壁、右方车厢壁、前方车厢壁中各车厢壁的位置关系;若车厢的车门位置对应的区域位于上方车厢壁、下方车厢壁、左方车厢壁、前方车厢壁中的任意车厢壁所对应的区域的位置上,或者车厢的车门位置对应的区域不位于右方车厢壁所对应的区域的位置上,则输出用于表征车厢存在车门改装的检测结果;反之,输出用于表征车厢并不存在车门改装的检测结果。
具体地说,可以对分割的各个区域及车门位置进行检测判断;若车门位置存在于上方车厢壁、下方车厢壁、左方车厢壁、前方车厢壁至少一个车厢壁所对应的区域位置上,或者车门位置不存在于右方车厢壁所对应的区域位置上,则判断为存在车厢改装,并输出用于表征车厢存在车门改装的检测结果,记录此标志为1,并且保存对应的图片。
可选的,分别对分割后的若干区域进行改装检测,还包括有:根据分割的若干区域,对车厢内是否存在杂物进行检测;若在车厢的至少一个区域内检测到存在杂物,则判定车厢中存在杂物,并输出用于表征车厢中存在杂物改装的检测结果;反之,输出用于表征车厢中不存在杂物改装的检测结果。
具体地说,可以将获取的图像输入基于深度学习的杂物检测模型中以对车厢中是否存在杂物进行检测,若车厢中存在杂物,则判断为车厢存在改装,并输出用于表征存在杂物改装的检测结果,检测结果为记录此条标志为1,并且保存对应的图片;若不存在杂物则记录为此条标志为0。
此外,还可以对输出的检测结果进行分析判断。其中,对输出的检测结果的分析判断可以包括:
对整体的检测进行统计分析,若车厢存在,并且改装检测输出为车门不存在改装,及车厢中不存在杂物的检测结果时,即,输出的检测结果的标志均为0时,则判断为检测合格,输出检测合格的检测结果;
若检测结果为车门存在改装、车厢中存在杂物存在至少一个或者车厢不存在时,即输出的标志存在状态位存在1,输出检测不合格,并且输出对应检测结果,即保存的对应的图片。
完成整体改装检测。
其中,基于深度学习的厢式货车的车厢定位模型,具体可以通过如下方式获取:
S11、获取不同角度、光照、种类和图像质量的厢式货车图像;
S12、采用矩形框标记S11步骤中厢式货车的车厢区域所在位置;
S13、使用所述S12步骤中获取的区域图像,训练厢式货车的车厢定位深度学习网络模型,获得厢式货车的车厢定位模型。
基于深度学习的厢式货车的车厢定位模型采用SSD该种卷积神经网络,并使用VGG网络作为特征提取器,使用Softmax得到待检测图像目标的类别信息,使用bounding boxregression(边界框回归)得到待检测图像目标的位置信息。定位模型也可以使用YOLO 或者Faster R-CNN等其他的目标检测框架。
其中,基于深度学习的厢式货车的车厢分割模型,具体可以通过如下方式获取:
S21、训练数据准备:获取不同拍摄条件(如光照、角度)的厢式货车的车厢图像;
S22、数据标注:将车厢的上方、下方、左边、右边和前方车厢壁,以及车厢壁上的车门按边界进行标注,并标注成不同的类别;
S23、模型训练:采用标注好的训练数据,训练基于深度学习的厢式货车的车厢分割模型。
本实施例中的基于深度学习的厢式货车的车厢分割模型可以采用SegNet该种卷积神经网络,并在原来网络的基础上进行了裁剪和优化,删除了多余的层,减少了每一层的参数量,这样做,可以减少网络的过拟合现象。车厢分割模型使用了20个卷积层,4个下采样层和4个上采样层,其中,在下采样阶段使用10个卷积层,在上采样阶段使用10个卷积层。在网络的最后使用Softmax对每个像素点进行分类,得到每个像素所属的类别,从而分割出车厢上方、下方、左边、右边和前方车厢壁的位置,以及车厢壁上车门的位置。
其中基于深度学习的车厢杂物检测模型获取步骤如下:
S31、获取不同角度、光照、种类和图像质量的厢式货车的车厢图像;
S32、采用矩形框标记S31步骤中厢式货车的车厢中杂物所在位置;
S33、使用所述S32步骤中获取的区域图像,训练车厢杂物定位深度学习网络模型,获得车厢杂物检测模型。
基于深度学习的车厢杂物检测模型采用SSD该种卷积神经网络,并使用VGG网络作为特征提取器,使用Softmax得到待检测图像目标的类别信息,使用bounding boxregression得到待检测图像目标的位置信息。定位模型也可以使用YOLO或者Faster R-CNN等其他的目标检测框架。
根据一个或多个实施例,本实施例公开的一种用于车辆年检的厢式货车的车厢的改装检测系统,如图1及图2所示,包括有车厢检测模块、车厢分割模块及检测结果输出模块;
车厢检测模块,用于根据厢式货车的图像,识别车厢位置,车厢检测模块可为基于深度学习的车厢定位模型;
车厢分割模块,用于根据车厢位置,将图像中的车厢分割为若干区域,并分别对分割后的若干区域进行改装检测;车厢分割模块包括有基于深度学习的车厢分割模型及基于深度学习的车厢杂物检测模型;
检测结果输出模块,用于输出检测结果。
根据一个或多个实施例,本实施例公开的一种用于车辆年检的厢式货车的车厢改装检测装置,所述检测装置包括存储器;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:
根据厢式货车的图像,识别车厢位置;
根据车厢位置,将图像中的车厢分割为若干区域,并分别对分割后的若干区域进行改装检测;
输出检测结果。
在一个例子中,根据厢式货车的图像,识别车厢位置,包括:根据基于深度学习的车厢定位模型,对厢式货车的图像进行车厢检测,若未检测到车厢,则输出用于表征车厢不存在的检测结果;若检测到车厢,则获得车厢位置。
在一个例子中,根据车厢位置,将图像中的车厢分割为若干区域,包括:根据车厢位置,通过基于深度学习的车厢分割模型,将车厢分割为与车厢的上方车厢壁、下方车厢壁、左方车厢壁、右方车厢壁、前方车厢壁、以及车厢的车门位置分别对应的区域。
在一个例子中,分别对分割后的若干区域进行改装检测,包括有:根据分割的若干区域,获取车厢的车门位置对应的区域相对于上方车厢壁、下方车厢壁、左方车厢壁、右方车厢壁、前方车厢壁中各车厢壁的位置关系;若车厢的车门位置对应的区域位于上方车厢壁、下方车厢壁、左方车厢壁、前方车厢壁中的任意车厢壁所对应的区域的位置上,或者车厢的车门位置对应的区域不位于右方车厢壁所对应的区域的位置上,则输出用于表征车厢存在车门改装的检测结果;反之,输出用于表征车厢并不存在车门改装的检测结果。
在一个例子中,分别对分割后的若干区域进行改装检测,还包括有:根据分割的若干区域,对车厢内是否存在杂物进行检测;若在车厢的至少一个区域内检测到存在杂物,则判定车厢中存在杂物,并输出用于表征车厢中存在杂物改装的检测结果;反之,输出用于表征车厢中不存在杂物改装的检测结果。
不难发现,本实施方式为与第一实施方式相对应的装置实施例,本实施方式可与第一实施方式互相配合实施。第一实施方式中提到的相关技术细节在本实施方式中依然有效,为了减少重复,这里不再赘述。相应地,本实施方式中提到的相关技术细节也可应用在第一实施方式中。
根据一个或多个实施例,本实施例公开的一种用于车辆年检的厢式货车的车厢改装检测平台,所述平台包括服务器,服务器具有存储器;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操作:
根据厢式货车的图像,识别车厢位置;
根据所述车厢位置,将图像中的车厢分割为若干区域,并分别对分割后的若干区域进行改装检测;
输出检测结果。
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。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (9)
1.一种用于车辆年检的厢式货车的车厢改装检测方法,其特征是,包括:
根据厢式货车的图像,识别车厢位置;
根据所述车厢位置,将图像中的车厢分割为若干区域,并分别对分割后的若干区域进行改装检测;
输出检测结果。
2.根据权利要求1所述的用于车辆年检的厢式货车的车厢改装检测方法,其特征是,所述根据厢式货车的图像,识别车厢位置,包括:
根据基于深度学习的车厢定位模型,对所述厢式货车的图像进行车厢检测,若未检测到车厢,则输出用于表征车厢不存在的检测结果;
若检测到车厢,则获得车厢位置。
3.根据权利要求1所述的用于车辆年检的厢式货车的车厢改装检测方法,其特征是,所述根据所述车厢位置,将图像中的车厢分割为若干区域,包括:
根据所述车厢位置,通过基于深度学习的车厢分割模型,将所述车厢分割为与所述车厢的上方车厢壁、下方车厢壁、左方车厢壁、右方车厢壁、前方车厢壁、以及所述车厢的车门位置分别对应的区域。
4.根据权利要求3所述的用于车辆年检的厢式货车的车厢改装检测方法,其特征是,所述分别对分割后的若干区域进行改装检测,包括有:
根据分割的若干区域,获取所述车厢的车门位置对应的区域相对于上方车厢壁、下方车厢壁、左方车厢壁、右方车厢壁、前方车厢壁中各车厢壁的位置关系;
若所述车厢的车门位置对应的区域位于上方车厢壁、下方车厢壁、左方车厢壁、前方车厢壁中的任意车厢壁所对应的区域的位置上,或者所述车厢的车门位置对应的区域不位于右方车厢壁所对应的区域的位置上,则输出用于表征所述车厢存在车门改装的检测结果;
反之,输出用于表征所述车厢并不存在车门改装的检测结果。
5.根据权利要求4所述的用于车辆年检的厢式货车的车厢改装检测方法,其特征是,所述分别对分割后的若干区域进行改装检测,还包括有:
根据分割的若干区域,对所述车厢内是否存在杂物进行检测;
若在所述车厢的至少一个区域内检测到存在杂物,则判定所述车厢中存在杂物,并输出用于表征所述车厢中存在杂物改装的检测结果;
反之,输出用于表征所述车厢中不存在杂物改装的检测结果。
6.一种用于车辆年检的厢式货车的车厢改装检测系统,其特征是:包括有车厢检测模块、车厢分割模块及检测结果输出模块;;
车厢检测模块,用于根据厢式货车的图像,识别车厢位置;
车厢分割模块,用于根据所述车厢位置,将图像中的车厢分割为若干区域,并分别对分割后的若干区域进行改装检测;
检测结果输出模块,用于输出检测结果。
7.一种用于车辆年检的厢式货车的车厢改装检测装置,其特征在于,所述检测装置包括存储器;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:
根据厢式货车的图像,识别车厢位置;
根据所述车厢位置,将图像中的车厢分割为若干区域,并分别对分割后的若干区域进行改装检测;
输出检测结果。
8.一种用于车辆年检的厢式货车的车厢改装检测平台,其特征在于,所述平台包括服务器,服务器具有存储器;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操作:
根据厢式货车的图像,识别车厢位置;
根据所述车厢位置,将图像中的车厢分割为若干区域,并分别对分割后的若干区域进行改装检测;
输出检测结果。
9.一种存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时,实现如权利要求1至5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911066108.XA CN110852230A (zh) | 2019-11-04 | 2019-11-04 | 一种用于车辆年检的厢式货车的车厢改装检测方法、系统、装置、平台及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911066108.XA CN110852230A (zh) | 2019-11-04 | 2019-11-04 | 一种用于车辆年检的厢式货车的车厢改装检测方法、系统、装置、平台及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110852230A true CN110852230A (zh) | 2020-02-28 |
Family
ID=69599789
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911066108.XA Pending CN110852230A (zh) | 2019-11-04 | 2019-11-04 | 一种用于车辆年检的厢式货车的车厢改装检测方法、系统、装置、平台及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110852230A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10214395A (ja) * | 1997-01-30 | 1998-08-11 | Nec Corp | 車線変更検出装置 |
CN106032106A (zh) * | 2015-03-13 | 2016-10-19 | 厦门歌乐电子企业有限公司 | 一种控制车门开启的车载装置 |
CN107958200A (zh) * | 2017-10-13 | 2018-04-24 | 上海眼控科技股份有限公司 | 一种轿车改装排气扇的智能检测系统及方法 |
CN108177585A (zh) * | 2018-01-08 | 2018-06-19 | 广州聚联物流有限公司 | 一种液氮冷藏车厢结构 |
CN110363761A (zh) * | 2019-07-22 | 2019-10-22 | 上海眼控科技股份有限公司 | 一种车辆底盘动态检测的起止标志检测系统及方法 |
CN110378258A (zh) * | 2019-07-04 | 2019-10-25 | 上海眼控科技股份有限公司 | 一种基于图像的车辆座椅信息检测方法及设备 |
-
2019
- 2019-11-04 CN CN201911066108.XA patent/CN110852230A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10214395A (ja) * | 1997-01-30 | 1998-08-11 | Nec Corp | 車線変更検出装置 |
CN106032106A (zh) * | 2015-03-13 | 2016-10-19 | 厦门歌乐电子企业有限公司 | 一种控制车门开启的车载装置 |
CN107958200A (zh) * | 2017-10-13 | 2018-04-24 | 上海眼控科技股份有限公司 | 一种轿车改装排气扇的智能检测系统及方法 |
CN108177585A (zh) * | 2018-01-08 | 2018-06-19 | 广州聚联物流有限公司 | 一种液氮冷藏车厢结构 |
CN110378258A (zh) * | 2019-07-04 | 2019-10-25 | 上海眼控科技股份有限公司 | 一种基于图像的车辆座椅信息检测方法及设备 |
CN110363761A (zh) * | 2019-07-22 | 2019-10-22 | 上海眼控科技股份有限公司 | 一种车辆底盘动态检测的起止标志检测系统及方法 |
Non-Patent Citations (2)
Title |
---|
GARY WITUS ET AL.: "Robotic Inspection for Vehicle-Borne Contraband" * |
矫成斌 等: "快速货运动车组配载技术研究及仿真" * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113033604B (zh) | 一种基于SF-YOLOv4网络模型的车辆检测方法、系统及存储介质 | |
CN110378258B (zh) | 一种基于图像的车辆座椅信息检测方法及设备 | |
CN109886928A (zh) | 一种目标细胞标记方法、装置、存储介质及终端设备 | |
CN110689724B (zh) | 一种基于深度学习的机动车斑马线礼让行人自动审核方法 | |
CN110309768B (zh) | 车检工位的工作人员检测方法及设备 | |
CN109374631B (zh) | 一种隧道状态评测方法 | |
US10497144B2 (en) | Vehicle inspection system, and method and system for identifying part of vehicle | |
CN109190488A (zh) | 基于深度学习YOLOv3算法的前车车门打开检测方法及装置 | |
CN112446852B (zh) | 一种隧道成像平面展示方法及缺陷智能识别系统 | |
CN110647886A (zh) | 兴趣点标注方法、装置、计算机设备和存储介质 | |
CN112001453B (zh) | 一种视频事件检测算法的准确率计算方法及装置 | |
CN110516691A (zh) | 一种车辆尾气检测方法和装置 | |
JP2017163374A (ja) | 交通状況解析装置、交通状況解析方法、及び、交通状況解析プログラム | |
CN116034345A (zh) | 用于测试驾驶员辅助系统的方法和系统 | |
CN115830399A (zh) | 分类模型训练方法、装置、设备、存储介质和程序产品 | |
CN117197085A (zh) | 基于改进YOLOv8网络的公路快检图像路面病害检测方法 | |
CN110852230A (zh) | 一种用于车辆年检的厢式货车的车厢改装检测方法、系统、装置、平台及存储介质 | |
CN114693722B (zh) | 一种车辆行驶行为检测方法、检测装置及检测设备 | |
CN116188449A (zh) | 铁路货车缓解阀拉杆开口销丢失故障识别方法及设备 | |
CN110363761A (zh) | 一种车辆底盘动态检测的起止标志检测系统及方法 | |
CN109101908A (zh) | 驾驶过程感兴趣区域检测方法及装置 | |
CN113192340B (zh) | 高速公路施工车辆的识别方法、装置、设备及存储介质 | |
CN107976319B (zh) | 一种轿车加装脚踏板的智能检测系统及方法 | |
CN111144475A (zh) | 车厢座位的确定方法、装置、电子设备及可读存储介质 | |
TWI828368B (zh) | 用於偵測航空器於停機坪的行為的方法與其系統 |
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 | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20240319 |