CN111144476A - 车厢座位的检测方法、装置、电子设备及可读存储介质 - Google Patents
车厢座位的检测方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN111144476A CN111144476A CN201911354853.4A CN201911354853A CN111144476A CN 111144476 A CN111144476 A CN 111144476A CN 201911354853 A CN201911354853 A CN 201911354853A CN 111144476 A CN111144476 A CN 111144476A
- Authority
- CN
- China
- Prior art keywords
- seat
- carriage
- seats
- category
- detecting
- 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 88
- 238000013135 deep learning Methods 0.000 claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 abstract description 9
- 238000012857 repacking Methods 0.000 abstract description 6
- 230000007547 defect Effects 0.000 abstract description 2
- 238000012986 modification Methods 0.000 description 8
- 230000004048 modification Effects 0.000 description 8
- 239000003550 marker Substances 0.000 description 5
- 230000005291 magnetic effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000012550 audit Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000003936 working memory Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- 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
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种车厢座位的检测方法、装置、电子设备及可读存储介质。车厢座位的检测方法,包括:获取待检测的车厢图像;采用基于深度学习的座位目标检测模型,获取车厢图像中各座位的座位类别;座位类别至少包括:仅露出座椅靠枕区域的座位类别;通过判断每个座位类别的座位数量和相应座位类别下的预存数量是否一致,检测车厢座位是否存在改装。本申请还公开了一种车厢座位的检测装置、电子设备及可读存储介质;可自动、准确的检测车厢座位是否存在改装,避免在检测车厢座位是否存在改装的过程中的人工成本高、效率低、准确性低的弊端。
Description
技术领域
本申请涉及车辆检测领域,特别涉及一种车厢座位的检测方法、装置、电子设备及可读存储介质。
背景技术
随着社会经济的快速发展以及人们生活水平的日益提高,目前城市机动车的保有量迅速增长,这直接带来车辆交易过程中车辆检测的工作量的显著增加。
发明人发现相关技术中至少存在如下问题:传统车辆检测中车厢座位的检测主要依赖于人工操作,需要人工确定车厢座位,再基于确定的车厢座位检测对应的车辆是否存在改装。检测车厢座位是否存在改装的过程中,不仅人工成本高、检测效率低,而且,长时间重复性的检测操作很容易导致人工进入疲劳状态,容易发生疏忽情况,影响校验准确性。因此,如何自动、准确的检测车厢座位是否存在改装,同时避免在检测车厢座位是否存在改装的过程中的人工成本高、效率低以及准确性低的弊端,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厢座位的检测方法、装置、电子设备及可读存储介质,可以自动、准确的检测车厢座位是否存在改装,同时还可以避免在检测车厢座位是否存在改装的过程中的人工成本高、效率低以及准确性低的弊端。
根据本申请的一个方面,提供了一种车厢座位的检测方法,包括:获取待检测的车厢图像;采用基于深度学习的座位目标检测模型,获取所述车厢图像中各座位的座位类别;其中,所述座位类别至少包括:仅露出座椅靠枕区域的座位类别;通过判断每个座位类别的座位数量和相应座位类别下的预存数量是否一致,检测所述车厢座位是否存在改装。
根据本申请另一个方面,还提供了一种车厢座位的检测装置,包括:第一获取模块,用于获取待检测的车厢图像;第二获取模块,用于采用基于深度学习的座位目标检测模型,获取所述车厢图像中各座位的座位类别;其中,所述座位类别至少包括:仅露出座椅靠枕区域的座位类别;检测模块,用于通过判断每个座位类别的座位数量和相应座位类别下的预存数量是否一致,检测所述车厢座位是否存在改装。
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上述的车厢座位的检测方法。
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上述的车厢座位的检测方法。
另外,所述座位类别,还包括:单座座位类别、双座座位类别、三座座位类别中的至少之一。
另外,所述基于深度学习的座位目标检测模型,具体通过如下方式获取:获取不同条件下的车厢内部图像;采用矩形框标注所有车座所在的位置;其中,对于仅露出座椅靠枕区域的座位,仅标注与相应座位对应的座椅靠枕区域;使用标注好的图像,训练得到所述基于深度学习的座位目标检测模型。
另外,所述使用标注好的图像,训练得到所述基于深度学习的座位目标检测模型,包括:增加SSD网络中的预设框的种类;根据增加所述种类后得到的SSD网络,使用标注好的图像,训练得到所述基于深度学习的座位目标检测模型。
另外,所述增加SSD网络中的预设框的种类,包括:获取各所述车厢座位的实际宽高比;根据所述宽高比,增加SSD网络中的预设框的种类。
另外,所述通过判断每个座位类别的座位数量和相应座位类别下的预存数量是否一致,检测所述车厢座位是否存在改装,包括:若每个座位类别的座位数量和相应座位类别下的预存数量均一致,则所述车厢座位不存在改装;若存在座位类别的座位数量和相应座位类别下的预存数量不一致,则所述车厢座位存在改装。
另外,若每个座位类别的座位数量和相应座位类别下的预存数量均一致,则记为第一标志信息;所述存在座位类别的座位数量和相应座位类别下的预存数量不一致,则记为第二标志信息;所述检测所述车厢座位是否存在改装,具体为:通过第一标志信息或第二标志信息,检测所述车厢座位是否存在改装。
本申请至少具有如下有益效果:
1、通过在获取车厢图像中至少包括仅露出座椅靠枕区域的座位类别后,根据每个座位类别的座位数量,自动、准确的检测车厢座位是否存在改装,并且,可以节约人力成本,提升检测车厢座位是否存在改装的准确性和效率。
2、可以应用于车辆年检中的车厢座位的改装检测工作,以缩短整体的检测时间,不仅可以满足如今对车辆年检工作效率和准确性的需求,还可以减少机动车车主的等待时间。
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厢座位的检测方法的流程图;
图2是根据本申请的一个方面提供的一种车厢座位的检测方法中,采用基于深度学习的座位目标检测模型,获取所述车厢图像中各座位的座位类别的示意图;
图3是根据本申请的一实际场景提供的一种车厢座位的检测方法的流程图。
具体实施方式:
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厢座位的检测方法,该方法包括步骤101至步骤103:
在步骤101中,获取待检测的车厢图像;在此,可以从摄像装置获取待检测的车厢图像。在一些实施例中,该车厢图像必须包括正驾驶位、副驾驶位以及其他所有的座位。
在步骤102中,采用基于深度学习的座位目标检测模型,获取所述车厢图像中各座位的座位类别;其中,所述座位类别至少包括:仅露出座椅靠枕区域的座位类别;在此,该基于深度学习的座位目标检测模型具体可以采用基于Single Shot MultiBox Detector(简称“SSD”)卷积神经网络,使用Visual Geometry Group(简称“VGG”)网络作为特征提取器,使用Softmax得到座位类别,使用边框回归(Bounding Box Regression)得到各座位位置。参见图2,在将待检测的车厢图像输入采用基于深度学习的座位目标检测模型后,可以得到N个一维数组[class,x,y,width,height],N为大于或者等于1的自然数,数组中的第一个元素代表座位类别,其具体通过Softmax得到,比如若是仅露出座椅靠枕区域的座位类别,则class的值为1;若是单座,则class的值为2;若是双座,则class的值为3;若是三座,则class的值为4;若不是座位,则class的值为0;数组中的后四个元素表征座位所在的矩形区域,即本实施例中的座位位置,x,y分别代表矩形区域的左上角点的横坐标和纵坐标,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座位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,提取待检测的车厢图像中的座位位置。这样做,可以有效地去除场景图像中的干扰区域。
可选的,由于在采用基于深度学习的座位目标检测模型获取所述车厢图像中各座位的位置后,座位中的每一个座位可能对应于多个矩形框,因此,在一些实施例中,可以对各座位类别下的座位位置进行非极大值抑制(Non Maximum Suppression,简称“NMS”)处理,以去掉多余的矩形框,这样做,可以进一步提升改装检测的准确性和效率。
在一些实施例中,基于深度学习的座位目标检测模型可以包括座位目标检测单元和判断单元,用于根据获取到的待检测的车厢图像,获取每个座位类别的座位位置。在这个过程中,座位目标检测单元首先可以将所有疑似座位的目标进行定位,并将定位到的所有疑似座位发送至判断单元,判断单元用于对所有疑似座位进行筛选判定。这样,可以使得筛选后得到的座位保留有更多的信息,从而有可以进一步提升改装检测的准确性和效率。
可以理解,重新训练一个新的网络是比较复杂的,而且需要很大的数据量,调节参数也比较困难,因此,采用微调的方式是一个不错的选择。其中,所谓微调,就是在已经训练好的模型的基础上,加入自己的数据,训练所需的模型。微调的好处在于无需重新训练模型,从而可以极大地提升训练效率。同时,在本身数据量不大的情况下,采用微调的方式可以使本申请实施例中的座位目标检测模型学习到的特征更具有鲁棒性。
在步骤103中,通过判断每个座位类别的座位数量和相应座位类别下的预存数量是否一致,检测所述车厢座位是否存在改装。在此,可选的,可以通过判断每个座位类别的座位数量和相应座位类别下的预存数量是否一致,和/或,每个座位类别的座位位置和相应座位类别下的预存位置是否一致,检测所述车厢座位是否存在改装。其中,这里所说的座位位置可以通过步骤102中的矩形区域的位置进行表征。
在本申请一实施例中,在步骤102中,所述座位类别,还包括:单座座位类别、双座座位类别、三座座位类别中的至少之一。在此,需要说明的是,这里所说的单座座位类别、双座座位类别以及三座座位类别,均是指包括完整座位的座位类别。举例来说,若一个单座座位仅露出了座椅靠枕区域,则其座位类别应为:仅露出座椅靠枕区域的座位类别,而非单座座位类别。
在一些实施例中,当座位类别还包括单座时,基于深度学习的座位目标检测模型具体可以通过如下方式获取:获取不同车型、不同品牌、指定拍摄角度拍摄的包括正驾驶位、副驾驶位以及其他所有的座位的车厢内部图像;采用矩形框标注仅露出座椅靠枕区域的座位中的座椅靠枕区域,以及各单座所在位置;使用标注好的图像,训练得到座位目标检测模型。
当座位类别还包括双座时,基于深度学习的座位目标检测模型具体可以通过如下方式获取:获取不同车型、不同品牌、指定拍摄角度拍摄的包括正驾驶位、副驾驶位以及其他所有的座位的车厢内部图像;采用矩形框标注仅露出座椅靠枕区域的座位中的座椅靠枕区域,以及各双座所在位置;使用标注好的图像,训练得到座位目标检测模型。
当座位类别还包括三座时,基于深度学习的座位目标检测模型具体可以通过如下方式获取:获取不同车型、不同品牌、指定拍摄角度拍摄的包括正驾驶位、副驾驶位以及其他所有的座位的车厢内部图像;采用矩形框标注仅露出座椅靠枕区域的座位中的座椅靠枕区域,以及各三座所在位置;使用标注好的图像,训练得到座位目标检测模型。
在本申请一实施例中,在步骤102中,所述基于深度学习的座位目标检测模型,具体通过如下方式获取:获取不同条件下的车厢内部图像;采用矩形框标注所有车座所在的位置;其中,对于仅露出座椅靠枕区域的座位,仅标注与相应座位对应的座椅靠枕区域;使用标注好的图像,训练得到所述基于深度学习的座位目标检测模型。在此,这里所说的不同条件可以包括但不限于:不同的拍摄角度、不同的光照条件、不同的车厢种类以及不同的图像质量。
需要说明的是,在相关技术中,一般仅对座位的整体,比如一整个单座座位、一整个双座座位等进行标注的方式训练得到所述基于深度学习的座位目标检测模型,然而,发明人发现,车厢图像中的座位往往在狭小的空间内呈现高度密集、相互重叠的现象,故采用以往用矩形框标注完整座位的方式训练得到的基于深度学习的座位目标检测模型的检测准确性往往不高,本实施例中,可以在进行SSD训练时,采用特殊的标注方式,对于仅露出座椅靠枕区域的座位,仅标注与相应座位对应的座椅靠枕区域,将该对应的座椅靠枕区域作为一个单独的标签进行训练识别,可以提升训练得到的基于深度学习的座位目标检测模型的检测准确性。
可选的,本实施例中,还可以根据车辆的具体类型,确定除仅露出座椅靠枕区域的座位类别外的其他座位类别,以此来提升检测结果的准确性。比如说,对于车辆的类型具体为面包车来说,鉴于其狭小的拍摄环境,获取的待检测的车厢图像中的座椅类别通常包括三种,分别是:露出半个椅背的正驾驶位和副驾驶位、单座座位以及被单座座位遮挡的仅露出座椅靠枕区域的座位。因此,在这种情况下,座位类别还可以包括露出半个椅背的座位类别。再比如说,对于车辆的类型具体为客车来说,同样鉴于其狭小的拍摄环境,并且大客车的车厢座位的数量相较于面包车的车厢座位的数量更多,获取的待检测的车厢图像中,往往只能够看到位于内侧座位的座椅靠枕区域,因此,在实际应用中,也可以将位于内侧座位的座椅靠枕区域作为本实施例中的一种座位类别。
可选的,本实施例中,具体可以基于SSD的目标检测框架,同时采用VGG16作为基础模型,训练得到所述基于深度学习的座位目标检测模型。其中,训练数据具体可以以PASCALVOC标准数据为参照进行标注。
继续接上述实施例,所述使用标注好的图像,训练得到所述基于深度学习的座位目标检测模型,可以包括:增加SSD网络中的预设框的种类;根据增加所述种类后得到的SSD网络,使用标注好的图像,训练得到所述基于深度学习的座位目标检测模型。在此,考虑到车厢图像中的座位往往在狭小的空间内呈现高度密集、相互重叠的现象,因此,通过在训练的SSD网络中增加预设框,即Default Boxes的种类,可以提高定位得到的座位位置的准确性。
继续接上述实施例,所述增加SSD网络中的预设框的种类,可以包括:获取各所述车厢座位的实际宽高比;根据所述宽高比,增加SSD网络中的预设框的种类。在此,可以根据各所述车厢座位的实际宽高比,设置SSD框架中的样本长宽设值(Aspect Ratio),以此来增加SSD网络中的预设框的种类。比如说,基于SSD网络将bbox的特征提取层中的第一层、第二层的Aspect Ratio设置为[2,3,4]。
在本申请一实施例中,在步骤103中,所述通过判断每个座位类别的座位数量和相应座位类别下的预存数量是否一致,检测所述车厢座位是否存在改装,可以包括:若每个座位类别的座位数量和相应座位类别下的预存数量均一致,则所述车厢座位不存在改装;若存在座位类别的座位数量和相应座位类别下的预存数量不一致,则所述车厢座位存在改装。
继续接上述实施例,若每个座位类别的座位数量和相应座位类别下的预存数量均一致,则记为第一标志信息;所述存在座位类别的座位数量和相应座位类别下的预存数量不一致,则记为第二标志信息;所述检测所述车厢座位是否存在改装,具体为:通过第一标志信息或第二标志信息,检测所述车厢座位是否存在改装。
在本申请一实际场景应用中的一种车厢座位的检测方法,如图3所示,包括:
S1、从服务器下载待检测的车厢图像及存档的座位信息;这里所说的座位信息可以包括但不限于座位类别、实际位置、各座位类别下的座位数量。
S2、采用基于深度学习的座位目标检测模型,判断车厢图像中是否存在座位,若存在,则记录标志位为第一标志信息,比如0,并提取检测到的座位,进入下一步骤;若不存在,则记录标志位为第二标志信息,比如1,并保存当前车厢图像,进入统计分析流程。
S3、采用基于深度学习的座位目标检测模型,获取所述车厢图像中各座位的座位类别;其中,所述座位类别至少包括:仅露出座椅靠枕区域的座位类别。
S4、根据各座位类别下的座位位置进行非极大值抑制NMS处理。这样,可以以去掉多余的矩形框,减少冗余的车座位置判定,进一步提升改装检测的准确性和效率。
S5、统计各座位类别下的座位数量。
S6、判断每个座位类别的座位数量和相应座位类别下的预存数量是否一致,若一致,则记为第一标志信息,比如0;否则,则记为第二标志信息,比如1,并保存当前车厢图像,进入统计分析流程。
S7、对整个过程的标志信息进行统计分析,若记录的标志位全部为第一标志信息,比如0,则判定所述车厢座位不存在改装,审核通过;若记录的标志位存在第二标志信息,比如1,则判定所述车厢座位存在改装,审核不通过。此外,可以通过第一标志信息出现的位置,确定具体哪一环节合格,可以通过第二标志信息出现的位置,确定具体哪一环节不合格。
不难发现,本实施方式提供的一种车厢座位的检测方法,可以对车厢座位是否存在改装进行自动审核,从而可以取代现有的人工审核方式,节约人力成本、加快审核速度,并且保证了审核工作的公正、公开。
在本申请另一实际场景应用中,可以采用如下方式检测车厢座位:可以采用一个一维数组[x1,x2]表示检测状态,初始值设置为[0,0],其中,
标志位x1代表车厢图像中是否存在座位,若存在,则x1的值为0,若不存在,则x1的值为1;
标志位x2代表每个座位类别的座位数量和相应座位类别下的预存数量是否一致,若一致,则x2的值为0,若不一致,则x2的值为1;
最后,统计各标志位的状态,若标志位的值均为0,则判定所述车厢座位不存在改装,检测通过;若存在至少一个标志位的值为1,则判定所述车厢座位存在改装,检测不通过。
可选的,还可以进一步根据标志位的值为1所出现的位置,自动分析审核不通过的原因,比如说,若x1的值为1,则可以说明车厢图像中不存在座位,所述车厢座位存在改装之外,也可能说明车厢图像的拍摄角度不符合规定。
此外,在本申请一实施例中,还提供了一种车厢座位的检测装置,包括:第一获取模块,用于获取待检测的车厢图像;第二获取模块,用于采用基于深度学习的座位目标检测模型,获取所述车厢图像中各座位的座位类别;其中,所述座位类别至少包括:仅露出座椅靠枕区域的座位类别;检测模块,用于通过判断每个座位类别的座位数量和相应座位类别下的预存数量是否一致,检测所述车厢座位是否存在改装。
在一些实施例中,所述座位类别,还包括:单座座位类别、双座座位类别、三座座位类别中的至少之一。
在一些实施例中,所述基于深度学习的座位目标检测模型,具体通过如下方式获取:获取不同条件下的车厢内部图像;采用矩形框标注所有车座所在的位置;其中,对于仅露出座椅靠枕区域的座位,仅标注与相应座位对应的座椅靠枕区域;使用标注好的图像,训练得到所述基于深度学习的座位目标检测模型。
在一些实施例中,所述使用标注好的图像,训练得到所述基于深度学习的座位目标检测模型,包括:增加SSD网络中的预设框的种类;根据增加所述种类后得到的SSD网络,使用标注好的图像,训练得到所述基于深度学习的座位目标检测模型。
在一些实施例中,所述增加SSD网络中的预设框的种类,包括:获取各所述车厢座位的实际宽高比;根据所述宽高比,增加SSD网络中的预设框的种类。
在一些实施例中,所述通过判断每个座位类别的座位数量和相应座位类别下的预存数量是否一致,检测所述车厢座位是否存在改装,包括:若每个座位类别的座位数量和相应座位类别下的预存数量均一致,则所述车厢座位不存在改装;若存在座位类别的座位数量和相应座位类别下的预存数量不一致,则所述车厢座位存在改装。
在一些实施例中,若每个座位类别的座位数量和相应座位类别下的预存数量均一致,则记为第一标志信息;所述存在座位类别的座位数量和相应座位类别下的预存数量不一致,则记为第二标志信息;所述检测所述车厢座位是否存在改装,具体为:通过第一标志信息或第二标志信息,检测所述车厢座位是否存在改装。
不难发现,本申请实施例为与上述的车厢座位的检测方法的实施例相对应的装置实施例,本实施方式可与车厢座位的检测方法的实施例互相配合实施。车厢座位的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。
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车厢座位的检测方法。
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车厢座位的检测方法。
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:
获取待检测的车厢图像;
采用基于深度学习的座位目标检测模型,获取所述车厢图像中各座位的座位类别;其中,所述座位类别至少包括:仅露出座椅靠枕区域的座位类别;
通过判断每个座位类别的座位数量和相应座位类别下的预存数量是否一致,检测所述车厢座位是否存在改装。
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)
1.一种车厢座位的检测方法,其特征在于,包括:
获取待检测的车厢图像;
采用基于深度学习的座位目标检测模型,获取所述车厢图像中各座位的座位类别;其中,所述座位类别至少包括:仅露出座椅靠枕区域的座位类别;
通过判断每个座位类别的座位数量和相应座位类别下的预存数量是否一致,检测所述车厢座位是否存在改装。
2.根据权利要求1所述的车厢座位的检测方法,其特征在于,所述座位类别,还包括:
单座座位类别、双座座位类别、三座座位类别中的至少之一。
3.根据权利要求1所述的车厢座位的检测方法,其特征在于,所述基于深度学习的座位目标检测模型,具体通过如下方式获取:
获取不同条件下的车厢内部图像;
采用矩形框标注所有车座所在的位置;其中,对于仅露出座椅靠枕区域的座位,仅标注与相应座位对应的座椅靠枕区域;
使用标注好的图像,训练得到所述基于深度学习的座位目标检测模型。
4.根据权利要求3所述的车厢座位的检测方法,其特征在于,所述使用标注好的图像,训练得到所述基于深度学习的座位目标检测模型,包括:
增加SSD网络中的预设框的种类;
根据增加所述种类后得到的SSD网络,使用标注好的图像,训练得到所述基于深度学习的座位目标检测模型。
5.根据权利要求4所述的车厢座位的检测方法,其特征在于,所述增加SSD网络中的预设框的种类,包括:
获取各所述车厢座位的实际宽高比;
根据所述宽高比,增加SSD网络中的预设框的种类。
6.根据权利要求1至5中任意一项所述的车厢座位的检测方法,其特征在于,所述通过判断每个座位类别的座位数量和相应座位类别下的预存数量是否一致,检测所述车厢座位是否存在改装,包括:
若每个座位类别的座位数量和相应座位类别下的预存数量均一致,则所述车厢座位不存在改装;
若存在座位类别的座位数量和相应座位类别下的预存数量不一致,则所述车厢座位存在改装。
7.根据权利要求6所述的车厢座位的检测方法,其特征在于,包括:
若每个座位类别的座位数量和相应座位类别下的预存数量均一致,则记为第一标志信息;
所述存在座位类别的座位数量和相应座位类别下的预存数量不一致,则记为第二标志信息;
所述检测所述车厢座位是否存在改装,具体为:通过第一标志信息或第二标志信息,检测所述车厢座位是否存在改装。
8.一种车厢座位的检测装置,其特征在于,包括:
第一获取模块,用于获取待检测的车厢图像;
第二获取模块,用于采用基于深度学习的座位目标检测模型,获取所述车厢图像中各座位的座位类别;其中,所述座位类别至少包括:仅露出座椅靠枕区域的座位类别;
检测模块,用于通过判断每个座位类别的座位数量和相应座位类别下的预存数量是否一致,检测所述车厢座位是否存在改装。
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权利要求1至7中任一项所述的车厢座位的检测方法。
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中任一项所述的车厢座位的检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911354853.4A CN111144476A (zh) | 2019-12-22 | 2019-12-22 | 车厢座位的检测方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911354853.4A CN111144476A (zh) | 2019-12-22 | 2019-12-22 | 车厢座位的检测方法、装置、电子设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111144476A true CN111144476A (zh) | 2020-05-12 |
Family
ID=70519854
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911354853.4A Pending CN111144476A (zh) | 2019-12-22 | 2019-12-22 | 车厢座位的检测方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111144476A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016145547A1 (en) * | 2015-03-13 | 2016-09-22 | Xiaoou Tang | Apparatus and system for vehicle classification and verification |
CN109960993A (zh) * | 2017-12-26 | 2019-07-02 | 同方威视科技江苏有限公司 | 车辆安全检测系统及方法、电子设备、存储介质 |
CN110334858A (zh) * | 2019-06-20 | 2019-10-15 | 韶关市启之信息技术有限公司 | 一种公交车剩余座位智能预测方法与装置 |
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 |
CN110490252A (zh) * | 2019-08-19 | 2019-11-22 | 西安工业大学 | 一种基于深度学习的室内人数检测方法及系统 |
-
2019
- 2019-12-22 CN CN201911354853.4A patent/CN111144476A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016145547A1 (en) * | 2015-03-13 | 2016-09-22 | Xiaoou Tang | Apparatus and system for vehicle classification and verification |
CN109960993A (zh) * | 2017-12-26 | 2019-07-02 | 同方威视科技江苏有限公司 | 车辆安全检测系统及方法、电子设备、存储介质 |
CN110334858A (zh) * | 2019-06-20 | 2019-10-15 | 韶关市启之信息技术有限公司 | 一种公交车剩余座位智能预测方法与装置 |
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 |
CN110490252A (zh) * | 2019-08-19 | 2019-11-22 | 西安工业大学 | 一种基于深度学习的室内人数检测方法及系统 |
Non-Patent Citations (1)
Title |
---|
杨凯杰;章东平;杨力;: "深度学习的汽车驾驶员安全带检测" * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110378258B (zh) | 一种基于图像的车辆座椅信息检测方法及设备 | |
US10699167B1 (en) | Perception visualization tool | |
CN112884055B (zh) | 一种目标标注方法和一种目标标注装置 | |
CN110765963A (zh) | 车辆制动检测方法、装置、设备及计算机可读存储介质 | |
CN110276295B (zh) | 车辆识别号码检测识别方法及设备 | |
CN110796078A (zh) | 车辆的灯光检测方法、装置、电子设备及可读存储介质 | |
EP3605453A1 (en) | Convolutional neural network based inspection of blade-defects of a wind turbine | |
CN113095444B (zh) | 图像标注方法、装置及存储介质 | |
CN112668640B (zh) | 一种文本图像质量评估方法、装置、设备及介质 | |
CN116228741A (zh) | 一种pcba元器件缺陷检测方法及装置 | |
CN111523439A (zh) | 一种基于深度学习的目标检测的方法、系统、设备及介质 | |
CN113253269B (zh) | 一种基于图像分类的sar自聚焦方法 | |
US20230215149A1 (en) | System for generation of user-customized image identification deep learning model through object labeling and operation method thereof | |
CN111144476A (zh) | 车厢座位的检测方法、装置、电子设备及可读存储介质 | |
CN116309465B (zh) | 一种基于改进的YOLOv5的自然环境下舌像检测定位方法 | |
CN111144475A (zh) | 车厢座位的确定方法、装置、电子设备及可读存储介质 | |
CN115578441B (zh) | 基于深度学习的车辆侧面图像拼接和车辆尺寸测量方法 | |
CN117011222A (zh) | 一种电缆缓冲层缺陷检测方法、装置、存储介质和设备 | |
CN111126286A (zh) | 车辆动态检测方法、装置、计算机设备及存储介质 | |
CN114463300A (zh) | 钢材表面缺陷检测方法、电子设备、存储介质 | |
CN113326891A (zh) | 小目标对象的检测方法、系统及装置 | |
CN113781412A (zh) | 一种基于深度学习的x光高分辨率扫描图像下芯片多余物检测系统及方法 | |
CN112053375A (zh) | 基于改进的网络卷积模型预测临近预报的方法及设备 | |
CN111104934A (zh) | 发动机标贴的检测方法、电子设备及计算机可读存储介质 | |
CN110852896A (zh) | 保险单的日期有效性判断方法、装置、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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200512 |
|
WD01 | Invention patent application deemed withdrawn after publication |