CN111310561A - 车辆配置识别方法及装置 - Google Patents
车辆配置识别方法及装置 Download PDFInfo
- Publication number
- CN111310561A CN111310561A CN202010014940.1A CN202010014940A CN111310561A CN 111310561 A CN111310561 A CN 111310561A CN 202010014940 A CN202010014940 A CN 202010014940A CN 111310561 A CN111310561 A CN 111310561A
- Authority
- CN
- China
- Prior art keywords
- configuration
- vehicle
- identified
- image
- information table
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000003062 neural network model Methods 0.000 claims abstract description 13
- 238000004891 communication Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 16
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 31
- 238000010586 diagram Methods 0.000 description 13
- 238000012549 training Methods 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000013507 mapping Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 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
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2282—Tablespace storage structures; Management thereof
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种车辆配置识别方法及装置，方法包括：S1，获取包含待识别车辆的配置的影像；S2，通过预先训练的配置识别模型识别所述影像中待识别车辆的所有配置及其数量；所述配置识别模型为神经网络模型；S3，根据识别出的所有配置及其数量，生成所述待识别车辆的配置信息表；S4，获取所述待识别车辆所属车型的标准配置信息表，将所述待识别车辆的配置信息表与所述标准配置信息表进行比对，判断所述待识别车辆的配置是否正确。本发明采用人工智能技术实现了对车辆配置的快速准确识别和检测。
Description
技术领域
本发明涉及人工智能技术领域，特别涉及一种车辆配置识别方法及装置、电子设备及计算机可读存储介质。
背景技术
随着汽车工业的飞速发展，汽车配置越来越丰富。在车辆整车装配结束下线之前，需要对车辆进行质量检测，确保车辆的配置正确。另外，为满足驾驶人的多样化需求，不同车型的配置也略有差别。
目前，汽车制造厂商通常是通过人工检查的方式来检测车辆的配置，这种方式效率低下，并且在检查相近车型的配置时难免会出错。
因此，对于汽车制造厂商来说，如何快速准确的检测车辆配置是一件亟待解决的问题。
发明内容
本发明的目的在于提供一种车辆配置识别方法、装置及系统、手持设备、电子设备、计算机可读存储介质，采用人工智能技术快速准确的检测车辆配置。具体技术方案如下：
为达到上述目的，本发明提供了一种车辆配置识别方法，包括：
S1，获取包含待识别车辆的配置的影像；
S2，通过预先训练的配置识别模型识别所述影像中待识别车辆的所有配置及其数量；所述配置识别模型为神经网络模型；
S3，根据识别出的所有配置及其数量，生成所述待识别车辆的配置信息表；
S4，获取所述待识别车辆所属车型的标准配置信息表，将所述待识别车辆的配置信息表与所述标准配置信息表进行比对，判断所述待识别车辆的配置是否正确。
可选的，在上述的车辆配置识别方法中，所述影像为图片；
在步骤S1中，针对所述待识别车辆的每一配置，分别获取包含该配置的完整区域的图片。
可选的，在上述的车辆配置识别方法中，所述影像为视频；
在步骤S2通过预先训练的配置识别模型识别所述影像中待识别车辆的一个或多个配置及其数量之前，还包括：
提取视频中各个视频帧的特征值，并根据所述特征值去除相邻帧中内容相同的部分，再将去除后的相邻帧进行拼接得到完整的车辆配置图片；
所述步骤S2，包括：
通过预先训练的配置识别模型识别所述车辆配置图片中待识别车辆的所有配置及其数量。
可选的，在上述的车辆配置识别方法中，在步骤S4中，判断所述待识别车辆的配置是否正确，包括：
针对所述标准配置信息表中的每一配置，判断该配置是否缺失和/或该配置的数量是否正确。
可选的，在上述的车辆配置识别方法中，若判断某一配置缺失时，提示用户该配置缺失，以便所述用户选择是否重新拍摄该配置所在区域的完整影像。
可选的，在上述的车辆配置识别方法中，在步骤S4中，若判断出所述待识别车辆存在错误配置时，在所述影像中标注出该错误配置所在的区域，并提示用户该区域的配置为错误。
可选的，在上述的车辆配置识别方法中，还包括：针对错误配置，进一步标注错误原因和/或错误详情。
基于同一发明构思，本发明还提供了一种车辆配置识别装置，包括：
影像获取模块，用于获取包含待识别车辆的配置的影像；
配置识别模块，用于通过预先训练的配置识别模型识别所述影像中待识别车辆的所有配置及其数量；所述配置识别模型为神经网络模型；
信息表生成模块，用于根据识别出的所有配置及其数量，生成所述待识别车辆的配置信息表；
配置比对模块，用于获取所述待识别车辆所属车型的标准配置信息表，将所述待识别车辆的配置信息表与所述标准配置信息表进行比对，判断所述待识别车辆的配置是否正确。
可选的，在上述的车辆配置识别装置中，所述影像为图片；
所述影像获取模块，具体用于针对所述待识别车辆的每一配置，分别获取包含该配置的完整区域的图片。
可选的，在上述的车辆配置识别装置中，所述影像为视频；
所述装置还包括：图片拼接模块，用于提取视频中各个视频帧的特征值，并根据所述特征值去除相邻帧中内容相同的部分，再将去除后的相邻帧进行拼接得到完整的车辆配置图片；
所述配置识别模块具体用于：通过预先训练的配置识别模型识别所述车辆配置图片中待识别车辆的所有配置及其数量。
可选的，在上述的车辆配置识别装置中，所述配置判断模块判断所述待识别车辆的配置是否正确的方法包括：
针对所述标准配置信息表中的每一配置，判断该配置是否缺失和/或该配置的数量是否正确。
可选的，在上述的车辆配置识别装置中，所述配置判断模块，还用于若判断某一配置缺失时，提示用户该配置缺失，以便所述用户选择是否重新拍摄该配置所在区域的完整影像。
可选的，在上述的车辆配置识别装置中，所述配置判断模块，还用于若判断出所述待识别车辆存在错误配置时，在所述影像中标注出该错误配置所在的区域，并提示用户该区域的配置为错误。
可选的，在上述的车辆配置识别装置中，所述配置判断模块，还用于针对错误配置，进一步标注错误原因和/或错误详情。
基于同一发明构思，本发明还提供了一种手持设备，包括摄像头、处理单元和显示屏，所述摄像头和所述处理单元电连接，所述处理单元和所述显示屏电连接；
所述摄像头，用于：拍摄包含待识别车辆的配置的影像；
所述处理单元，用于：获取所述摄像头拍摄的包含待识别车辆的配置的影像；通过预先训练的配置识别模型识别所述影像中待识别车辆的所有配置及其数量；根据识别出的所有配置及其数量，生成所述待识别车辆的配置信息表；获取所述待识别车辆所属车型的标准配置信息表，将所述待识别车辆的配置信息表与所述标准配置信息表进行比对，判断所述待识别车辆的配置是否正确；将所述判断结果通过所述显示屏进行显示；
其中，所述配置识别模型为神经网络模型。
基于同一发明构思，本发明还提供了一种车辆配置识别系统，包括一手持设备和一服务器，所述手持设备和所述服务器通信连接，所述手持设备包括摄像头、处理单元和显示屏，所述摄像头和所述处理单元电连接，所述处理单元和所述显示屏电连接；
所述摄像头，用于：拍摄包含待识别车辆的配置的影像；
所述处理单元，用于：获取所述摄像头拍摄的包含待识别车辆的配置的影像；通过预先训练的区域识别模型从所述影像中识别出配置区域，并对所述配置区域进行切片，将切片后的所述配置区域发送给所述服务器；
所述服务器，用于：通过预先训练的配置识别模型识别所述配置区域中的配置及其数量；根据识别出的所有配置及其数量，生成所述待识别车辆的配置信息表；获取所述待识别车辆所属车型的标准配置信息表，将所述待识别车辆的配置信息表与所述标准配置信息表进行比对，判断所述待识别车辆的配置是否正确，并将判断结果发送给所述处理单元；
所述处理单元，还用于：将所述判断结果通过所述显示屏进行显示；
其中，所述区域识别模型和所述配置识别模型为神经网络模型。
基于同一发明构思，本发明还提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信；
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上所存放的程序时，实现上述任一项所述的车辆配置识别方法的步骤。
基于同一发明构思，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的车辆配置识别方法的步骤。
与现有技术相比，本发明提供的车辆配置识别方法、装置及系统、手持设备、电子设备及计算机可读存储介质具有以下优点：
本发明通过预先训练的配置识别模型识别所述影像中待识别车辆的所有配置及其数量，然后根据识别出的所有配置及其数量生成所述待识别车辆的配置信息表，再获取所述待识别车辆所属车型的标准配置信息表，将所述待识别车辆的配置信息表与所述标准配置信息表进行比对，判断所述待识别车辆的配置是否正确，本发明采用人工智能技术对车辆配置进行识别，相比于人工识别的方式，能够快速且准确识别和检测出车辆配置是否正确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的车辆配置识别方法的流程示意图；
图2是本发明一实施例提供的车辆配置识别装置的结构示意图；
图3是本发明一实施例提供的手持设备的结构示意图；
图4是本发明一实施例提供的车辆配置识别系统的结构示意图；
图5是本发明一实施例提供的电子设备的结构示意图。
具体实施方式
以下结合附图和具体实施例对本发明提出的一种车辆配置识别方法、装置及系统、手持设备、电子设备及计算机可读存储介质作进一步详细说明。根据下面说明，本发明的优点和特征将更清楚。然而，本发明可以用不同的形式实现，不应只是局限在所述的实施例。此外，需要说明的是，本文的框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机程序指令的组合来实现。对于本领域技术人员来说公知的是，通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。
本发明的核心思想在于提供一种车辆配置识别方法、装置及系统、手持设备、电子设备、计算机可读存储介质，采用人工智能技术快速准确的检测车辆配置。
需要说明的是，本发明实施例的车辆配置识别方法可应用于本发明实施例的车辆配置识别装置，该车辆配置识别装置可被配置于电子设备上。其中，该电子设备可以是个人计算机、移动终端等，该移动终端可以是手机、平板电脑等具有各种操作系统的硬件设备。
图1示意性地给出了本发明一实施例提供的一种车辆配置识别方法的流程示意图。如图1所示，本发明提供的车辆配置识别方法包括如下步骤：
步骤S101，获取包含待识别车辆的配置的影像。
本实施例中，车辆的配置指的是车辆上的零部件，例如可以是扬声器、 USB接口等。所述影像可以为图片，也可以为视频。实际应用中，可以通过一信息收集终端来拍摄所述影像，信息收集终端可以是手机、手持摄像头、监控摄像头等。
步骤S102，通过预先训练的配置识别模型识别所述影像中待识别车辆的所有配置及其数量；所述配置识别模型为神经网络模型。
可以理解的是，若获取的影像为图片，在步骤S101中可以针对所述待识别车辆的每一配置，分别获取包含该配置的完整区域的图片。然后，在执行步骤S102时，可以将各个图片分别输入到配置识别模型中，识别出每个图片所包含的配置以及数量，从而获得所述待识别车辆的所有配置及其数量。在实际应用中，对于某一配置，一种情况是：若拍摄的多张图片中有一张图片包含该配置的完整区域而其它图片包含该配置的部分区域，为了避免重复识别该配置，则对其它图片中该配置不进行识别；另一种情况是：若拍摄的多张图片中有一张图片包含该配置的部分区域，而其它图片不包含该配置，则仍然对包含该配置部分区域的图片进行识别并对该配置的数量进行计数。
若获取的影像为视频，由于相邻视频帧中会包含同一配置，因此若单纯的对视频帧进行识别则会导致配置被重复识别出，进而其数量会被重复计数。因此，本实施例在执行步骤S102之前，还可以提取视频中各个视频帧的特征值，并根据所述特征值去除相邻帧中内容相同的部分，再将去除后的相邻帧进行拼接得到完整的车辆配置图片。然后再执行步骤S102，通过所述配置识别模型识别所述车辆配置图片中待识别车辆的所有配置及其数量。即，在识别之前，根据各个视频帧进行拼接得到全景图，此全景图中可能包含一个配置，也可能包含多个配置，在识别时，将此全景图输入所述配置识别模型，识别出此全景图中的一个或多个配置以及对应的数量。由于全景图相对于单个视频帧而言，同一配置不会被重复识别，因此可以提高配置识别的速度和准确度。
所述配置识别模型可以为深度卷积神经网络(CNN)或者深度残差网络(Resnet)，其训练过程如下：
S1、为每一个预设配置种类准备一定数量的标注有对应的名称信息的图片样本，各个种类配置的图片数量可以相等,也可以不等；
S2、从标注图片中挑选一定比例的图片作为测试集，挑选可以是人工, 也可以是自动随机，比例一般为5％到20％，测试集占总图片的比例可以视结果调整，剩下的图片为训练集；
S3、利用所述训练集训练所述配置识别模型，并利用所述测试集对经所述训练集训练完成后的所述配置识别模型的准确率进行验证；
S4、若准确率大于或者等于预设准确率，则训练结束；
S5、若准确率小于预设准确率，则增加预设配置种类对应的图片样本的数量，或者调整测试集的比例进行再次训练。
在训练所述配置识别模型时，可以针对每种车型均训练对应的配置识别模型，进而在步骤S102中，根据待识别车辆所属的车型选择对应的配置识别模型进行识别。在训练某种车型对应的配置识别模型时，可获取该车型各个配置的多张图片并标注配置名称输入到模型中进行样本训练，建立配置识别模型，样本图片的来源可以是用户拍摄相应车型各个配置的多张照片或者从网络获取配置图片来进行标注使用。
卷积神经网络模型为深度前馈神经网络，其利用卷积核扫描配置图片，提取出配置图片中待识别的特征，进而对配置待识别的特征进行识别。另外，在对配置图片进行识别的过程中，可以直接将配置图片输入卷积神经网络模型，而无需对配置图片进行预处理。卷积神经网络模型相比于其他的识别模型，具备更高的识别准确率以及识别效率。
残差网络模型相比于卷积神经网络模型多了恒等映射层，可以避免随着网络深度(网络中叠层的数量)的增加，卷积神经网络造成的准确率饱和、甚至下降的现象。残差网络模型中恒等映射层的恒等映射函数需要满足：恒等映射函数与残差网络模型的输入之和等于残差网络模型的输出。引入恒等映射以后，残差网络模型对输出的变化更加明显，因此可以大大提高配置的识别准确率和识别效率。
步骤S103，根据识别出的所有配置及其数量，生成所述待识别车辆的配置信息表。
本实施例中，在识别出全车的配置后，可以根据识别出的所有配置及其数量生成配置信息表以便后续进行配置检查，配置信息表的格式可以如下表1所示。或者，也可以获取待识别车辆所属车型的标准配置信息表格式，按照标准配置信息表格式填充识别出的所有配置及其数量。
表1
| 配置名称 | 数量 |
| A | a |
| B | b |
| C | c |
步骤S104，获取所述待识别车辆所属车型的标准配置信息表，将所述待识别车辆的配置信息表与所述标准配置信息表进行比对，判断所述待识别车辆的配置是否正确。
本步骤中，获取所述待识别车辆所属车型的标准配置信息表后，可将步骤S103生成的所述待识别车辆的配置信息表与之进行比对，判断所述待识别车辆的配置是否正确。具体而言，针对所述标准配置信息表中的每一配置，判断该配置是否缺失和/或该配置的数量是否正确。
进一步的，当判断出某一配置缺失时，则所述处理单元102还可以通过所述显示屏103提示用户该配置缺失，以便用户检查是否是忘记拍摄该配置还是该配置确实缺失了，以便所述用户选择是否重新拍摄该配置所在区域的完整影像。若用户选择重新拍摄该配置所在区域的完整影像，则获取重新拍摄的影像并通过所述配置识别模型进行识别，重新计数该配置的数量，最后再结合所述标准配置信息表判断该配置及其数量是否正确。
进一步的，若判断出所述待识别车辆存在错误配置时，所述处理单元 102还可以在所述影像中标注出该错误配置所在的区域，并通过所述显示屏103显示该错误配置所在的区域，以便于提示用户该区域的配置为错误，例如内部漏装或者忘记开孔、间隙过大等问题。针对错误配置还可以进一步标注错误原因和/或错误详情。
综上所述，本实施例提供的手持设备，通过预先训练的配置识别模型识别所述影像中待识别车辆的所有配置及其数量，然后根据识别出的所有配置及其数量生成所述待识别车辆的配置信息表，再获取所述待识别车辆所属车型的标准配置信息表，将所述待识别车辆的配置信息表与所述标准配置信息表进行比对，判断所述待识别车辆的配置是否正确，采用人工智能技术对车辆配置进行识别，相比于人工识别的方式，能够快速且准确识别和检测出车辆配置是否正确。
相应于上述方法实施例，本发明一实施例还提供了一种车辆配置识别装置。请参考图2，图2示意性的给出了本发明一实施例提供的一种车辆配置识别装置的结构示意图，如图2所示，所述的车辆配置识别装置包括：
影像获取模块201，用于获取包含待识别车辆的配置的影像；
配置识别模块202，用于通过预先训练的配置识别模型识别所述影像中待识别车辆的所有配置及其数量；所述配置识别模型为神经网络模型；
信息表生成模块203，用于根据识别出的所有配置及其数量，生成所述待识别车辆的配置信息表；
配置比对模块204，用于获取所述待识别车辆所属车型的标准配置信息表，将所述待识别车辆的配置信息表与所述标准配置信息表进行比对，判断所述待识别车辆的配置是否正确。
可选的，在上述的车辆配置识别装置中，所述影像为图片；
所述影像获取模块201，具体用于针对所述待识别车辆的每一配置，分别获取包含该配置的完整区域的图片。
可选的，在上述的车辆配置识别装置中，所述影像为视频；
所述装置还包括：图片拼接模块，用于提取视频中各个视频帧的特征值，并根据所述特征值去除相邻帧中内容相同的部分，再将去除后的相邻帧进行拼接得到完整的车辆配置图片；
所述配置识别模块202具体用于：通过预先训练的配置识别模型识别所述车辆配置图片中待识别车辆的所有配置及其数量。
可选的，在上述的车辆配置识别装置中，所述配置判断模块204判断所述待识别车辆的配置是否正确的方法包括：
针对所述标准配置信息表中的每一配置，判断该配置是否缺失和/或该配置的数量是否正确。
可选的，在上述的车辆配置识别装置中，所述配置判断模块204，还用于若判断某一配置缺失时，提示用户该配置缺失，以便所述用户选择是否重新拍摄该配置所在区域的完整影像。
可选的，在上述的车辆配置识别装置中，所述配置判断模块204，还用于若判断出所述待识别车辆存在错误配置时，在所述影像中标注出该错误配置所在的区域，并提示用户该区域的配置为错误。
可选的，在上述的车辆配置识别装置中，所述配置判断模块204，还用于针对错误配置，进一步标注错误原因和/或错误详情。
基于同一发明构思，本发明一实施例还提供一种手持设备，如图3所示，一种手持设备100包括摄像头101、处理单元102和显示屏103，所述摄像头101和所述处理单元102电连接，所述处理单元102和所述显示屏 103电连接；
所述摄像头101，用于：拍摄包含待识别车辆的配置的影像；
所述处理单元102，用于：获取所述摄像头101拍摄的包含待识别车辆的配置的影像；通过预先训练的配置识别模型识别所述影像中待识别车辆的所有配置及其数量；根据识别出的所有配置及其数量，生成所述待识别车辆的配置信息表；获取所述待识别车辆所属车型的标准配置信息表，将所述待识别车辆的配置信息表与所述标准配置信息表进行比对，判断所述待识别车辆的配置是否正确；将所述判断结果通过所述显示屏103进行显示；
其中，所述配置识别模型为神经网络模型。
可选的，在上述的手持设备100中，所述影像为图片；所述摄像头101，具体用于：针对所述待识别车辆的每一配置，分别拍摄包含该配置的完整区域的图片。
可选的，在上述的手持设备100中，所述影像为视频；所述处理单元 102，在通过预先训练的配置识别模型识别所述影像中待识别车辆的一个或多个配置及其数量之前，还用于：提取视频中各个视频帧的特征值，并根据所述特征值去除相邻帧中内容相同的部分，再将去除后的相邻帧进行拼接得到完整的车辆配置图片；然后再执行通过预先训练的配置识别模型识别所述车辆配置图片中待识别车辆的所有配置及其数量的步骤。
可选的，在上述的手持设备100中，所述处理单元102，具体用于：针对所述标准配置信息表中的每一配置，判断该配置是否缺失和/或该配置的数量是否正确。
可选的，在上述的手持设备100中，所述处理单元102，还用于：若判断出所述待识别车辆存在错误配置时，在所述影像中标注出该错误配置所在的区域，并通过所述显示屏103显示该错误配置所在的区域，以便于提示用户该区域的配置为错误；
所述处理单元102，还用于：针对错误配置，进一步标注错误原因和/ 或错误详情。
基于同一发明构思，本发明一实施例还提供了一种车辆配置识别系统，如图4所示，一种车辆配置识别系统包括一手持设备100和一服务器200，所述手持设备100和所述服务器200通信连接，所述手持设备100包括摄像头101、处理单元102和显示屏103，所述摄像头101和所述处理单元 102电连接，所述处理单元102和所述显示屏103电连接；
所述摄像头101，用于：拍摄包含待识别车辆的配置的影像；
所述处理单元102，用于：获取所述摄像头101拍摄的包含待识别车辆的配置的影像；通过预先训练的区域识别模型从所述影像中识别出配置区域，并对所述配置区域进行切片，将切片后的所述配置区域发送给所述服务器200；
所述服务器200，用于：通过预先训练的配置识别模型识别所述配置区域中的配置及其数量；根据识别出的所有配置及其数量，生成所述待识别车辆的配置信息表；获取所述待识别车辆所属车型的标准配置信息表，将所述待识别车辆的配置信息表与所述标准配置信息表进行比对，判断所述待识别车辆的配置是否正确，并将判断结果发送给所述处理单元102；
所述处理单元102，还用于：将所述判断结果通过所述显示屏103进行显示；
其中，所述区域识别模型和所述配置识别模型为神经网络模型。
可选的，在所述的车辆配置识别系统中，所述影像为图片；所述摄像头101，具体用于：针对所述待识别车辆的每一配置，分别拍摄包含该配置的完整区域的图片；
所述处理单元102还用于：当所述配置区域占所述图片的比例超过第一预设阈值时，若所述图片的大小不超过第二预设阈值，则直接将所述图片发送给所述服务器200进行识别，否则将所述图片进行压缩处理，再将压缩后的所述图片发送给所述服务器200进行识别；或
当切片后的所述配置区域的大小超过第二预设阈值时，对切片后的所述配置区域进行压缩处理，并将压缩后的所述配置区域发送给所述服务器 200。
可选的，在所述的车辆配置识别系统中，所述影像为视频；所述处理单元200，在通过预先训练的区域识别模型从所述影像中识别出配置区域之前，还用于：提取视频中各个视频帧的特征值，并根据所述特征值去除相邻帧中内容相同的部分，再将去除后的相邻帧进行拼接得到完整的车辆配置图片；然后再通过预先训练的区域识别模型从所述车辆配置图片中识别出配置区域。
可选的，在所述的车辆配置识别系统中，所述服务器200，具体用于：针对所述标准配置信息表中的每一配置，判断该配置是否缺失和/或该配置的数量是否正确。
可选的，在所述的车辆配置识别系统中，所述处理单元102，还用于：若所述判断结果显示所述待识别车辆存在错误配置时，在所述影像中标注出该错误配置所在的区域，并通过所述显示屏103显示该错误配置所在的区域，以便于提示用户该区域的配置为错误；
所述处理单元102，还用于：针对错误配置，进一步标注错误原因和/ 或错误详情。
需要说明的是，对于手持设备、车辆配置识别系统实施例，由于其基本相似于以上的车辆配置识别方法和装置实施例，在此不做赘述，相关之处参见车辆配置识别方法和装置实施例的部分说明即可。
基于同一发明构思，本发明一实施例还提供了一种电子设备，图5是本发明一实施例提供的一种电子设备的结构示意图。请参考图5，一种电子设备包括处理器301、通信接口302、存储器303和通信总线304，其中，处理器301，通信接口302，存储器303通过通信总线304完成相互间的通信，
存储器303，用于存放计算机程序；
处理器301，用于执行存储器303上所存放的程序时，实现如下步骤：
S1，获取包含待识别车辆的配置的影像；
S2，通过预先训练的配置识别模型识别所述影像中待识别车辆的所有配置及其数量；所述配置识别模型为神经网络模型；
S3，根据识别出的所有配置及其数量，生成所述待识别车辆的配置信息表；
S4，获取所述待识别车辆所属车型的标准配置信息表，将所述待识别车辆的配置信息表与所述标准配置信息表进行比对，判断所述待识别车辆的配置是否正确。
关于该方法各个步骤的具体实现以及相关解释内容可以参见上述图1 所示的方法实施例，在此不做赘述。
另外，处理器301执行存储器303上所存放的程序而实现的车辆配置识别方法的其他实现方式，与前述方法实施例部分所提及的实现方式相同，这里也不再赘述。
本实施例提供的电子设备，本发明通过预先训练的配置识别模型识别所述影像中待识别车辆的所有配置及其数量，然后根据识别出的所有配置及其数量生成所述待识别车辆的配置信息表，再获取所述待识别车辆所属车型的标准配置信息表，将所述待识别车辆的配置信息表与所述标准配置信息表进行比对，判断所述待识别车辆的配置是否正确，本发明采用人工智能技术对车辆配置进行识别，相比于人工识别的方式，能够快速且准确识别和检测出车辆配置是否正确。
上述电子设备提到的通信总线304可以是外设部件互连标准 (PeripheralComponent Interconnect，PCI)总线或扩展工业标准结构 (Extended Industry StandardArchitecture，EISA)总线等。该通信总线304 可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口302用于上述电子设备与其他设备之间的通信。
所述处理器301可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器301是所述电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分。
所述存储器303可用于存储所述计算机程序，所述处理器301通过运行或执行存储在所述存储器303内的计算机程序，以及调用存储在存储器 303内的数据，实现所述电子设备的各种功能。
所述存储器303可以包括非易失性和/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。
本发明一实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时可以实现如下步骤：
S1，获取包含待识别车辆的配置的影像；
S2，通过预先训练的配置识别模型识别所述影像中待识别车辆的所有配置及其数量；所述配置识别模型为神经网络模型；
S3，根据识别出的所有配置及其数量，生成所述待识别车辆的配置信息表；
S4，获取所述待识别车辆所属车型的标准配置信息表，将所述待识别车辆的配置信息表与所述标准配置信息表进行比对，判断所述待识别车辆的配置是否正确。
本实施例提供的计算机可读存储介质内所存储的计算机程序，通过预先训练的配置识别模型识别所述影像中待识别车辆的所有配置及其数量，然后根据识别出的所有配置及其数量生成所述待识别车辆的配置信息表，再获取所述待识别车辆所属车型的标准配置信息表，将所述待识别车辆的配置信息表与所述标准配置信息表进行比对，判断所述待识别车辆的配置是否正确，本发明采用人工智能技术对车辆配置进行识别，相比于人工识别的方式，能够快速且准确识别和检测出车辆配置是否正确。
本发明实施方式的计算机可读存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机硬盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其组合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言-诸如 Java、Smalltalk、C++，还包括常规的过程式程序设计语言-诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)连接到用户计算机，或者可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
应当注意的是，在本文的实施方式中所揭露的装置和方法，也可以通过其他的方式实现。以上所描述的装置实施方式仅仅是示意性的，例如，附图中的流程图和框图显示了根据本文的多个实施方式的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用于执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本文各个实施方式中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
需要说明的是，本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备、计算机可读存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
上述描述仅是对本发明较佳实施例的描述，并非对本发明范围的任何限定，本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰，均属于权利要求书的保护范围。
Claims (16)
1.一种车辆配置识别方法，其特征在于，包括：
S1，获取包含待识别车辆的配置的影像；
S2，通过预先训练的配置识别模型识别所述影像中待识别车辆的所有配置及其数量；所述配置识别模型为神经网络模型；
S3，根据识别出的所有配置及其数量，生成所述待识别车辆的配置信息表；
S4，获取所述待识别车辆所属车型的标准配置信息表，将所述待识别车辆的配置信息表与所述标准配置信息表进行比对，判断所述待识别车辆的配置是否正确。
2.如权利要求1所述的车辆配置识别方法，其特征在于，所述影像为图片；
在步骤S1中，针对所述待识别车辆的每一配置，分别获取包含该配置的完整区域的图片。
3.如权利要求1所述的车辆配置识别方法，其特征在于，所述影像为视频；
在步骤S2通过预先训练的配置识别模型识别所述影像中待识别车辆的一个或多个配置及其数量之前，还包括：
提取视频中各个视频帧的特征值，并根据所述特征值去除相邻帧中内容相同的部分，再将去除后的相邻帧进行拼接得到完整的车辆配置图片；
所述步骤S2，包括：
通过预先训练的配置识别模型识别所述车辆配置图片中待识别车辆的所有配置及其数量。
4.如权利要求1所述的车辆配置识别方法，其特征在于，在步骤S4中，判断所述待识别车辆的配置是否正确，包括：
针对所述标准配置信息表中的每一配置，判断该配置是否缺失和/或该配置的数量是否正确。
5.如权利要求4所述的车辆配置识别方法，其特征在于，若判断某一配置缺失时，提示用户该配置缺失，以便所述用户选择是否重新拍摄该配置所在区域的完整影像。
6.如权利要求1所述的车辆配置识别方法，其特征在于，在步骤S4中，若判断出所述待识别车辆存在错误配置时，在所述影像中标注出该错误配置所在的区域，并提示用户该区域的配置为错误。
7.如权利要求6所述的车辆配置识别方法，其特征在于，还包括：针对错误配置，进一步标注错误原因和/或错误详情。
8.一种车辆配置识别装置，其特征在于，包括：
影像获取模块，用于获取包含待识别车辆的配置的影像；
配置识别模块，用于通过预先训练的配置识别模型识别所述影像中待识别车辆的所有配置及其数量；所述配置识别模型为神经网络模型；
信息表生成模块，用于根据识别出的所有配置及其数量，生成所述待识别车辆的配置信息表；
配置比对模块，用于获取所述待识别车辆所属车型的标准配置信息表，将所述待识别车辆的配置信息表与所述标准配置信息表进行比对，判断所述待识别车辆的配置是否正确。
9.如权利要求8所述的车辆配置识别装置，其特征在于，所述影像为图片；
所述影像获取模块，具体用于针对所述待识别车辆的每一配置，分别获取包含该配置的完整区域的图片。
10.如权利要求8所述的车辆配置识别装置，其特征在于，所述影像为视频；
所述装置还包括：图片拼接模块，用于提取视频中各个视频帧的特征值，并根据所述特征值去除相邻帧中内容相同的部分，再将去除后的相邻帧进行拼接得到完整的车辆配置图片；
所述配置识别模块具体用于：通过预先训练的配置识别模型识别所述车辆配置图片中待识别车辆的所有配置及其数量。
11.如权利要求8所述的车辆配置识别装置，其特征在于，所述配置判断模块判断所述待识别车辆的配置是否正确的方法包括：
针对所述标准配置信息表中的每一配置，判断该配置是否缺失和/或该配置的数量是否正确。
12.如权利要求11所述的车辆配置识别装置，其特征在于，所述配置判断模块，还用于若判断某一配置缺失时，提示用户该配置缺失，以便所述用户选择是否重新拍摄该配置所在区域的完整影像。
13.如权利要求8所述的车辆配置识别装置，其特征在于，所述配置判断模块，还用于若判断出所述待识别车辆存在错误配置时，在所述影像中标注出该错误配置所在的区域，并提示用户该区域的配置为错误。
14.如权利要求13所述的车辆配置识别装置，其特征在于，所述配置判断模块，还用于针对错误配置，进一步标注错误原因和/或错误详情。
15.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信；
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上存储的程序时，实现权利要求1-7任一项所述的方法步骤。
16.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7任一项所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010014940.1A CN111310561B (zh) | 2020-01-07 | 2020-01-07 | 车辆配置识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010014940.1A CN111310561B (zh) | 2020-01-07 | 2020-01-07 | 车辆配置识别方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111310561A true CN111310561A (zh) | 2020-06-19 |
| CN111310561B CN111310561B (zh) | 2024-10-01 |
Family
ID=71144890
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010014940.1A Active CN111310561B (zh) | 2020-01-07 | 2020-01-07 | 车辆配置识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111310561B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111861680A (zh) * | 2020-08-06 | 2020-10-30 | 南京三百云信息科技有限公司 | 基于配置的车型确定方法、装置以及电子终端 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102741095A (zh) * | 2010-02-08 | 2012-10-17 | 斯堪尼亚商用车有限公司 | 驾驶员专用的车辆配置 |
| AU2013101043A4 (en) * | 2013-05-21 | 2013-08-22 | Fmp Group (Australia) Pty Limited | Image recognition of vehicle parts |
| WO2014186840A1 (en) * | 2013-05-21 | 2014-11-27 | Fmp Group (Australia) Pty Limited | Image recognition of vehicle parts |
| CN104424570A (zh) * | 2013-08-23 | 2015-03-18 | 中国科学院沈阳自动化研究所 | 一种整车零部件防伪信息追溯鉴别方法 |
| CN105607623A (zh) * | 2016-02-26 | 2016-05-25 | 东南（福建）汽车工业有限公司 | 一种汽车生产线下线检测方法 |
| US20170097236A1 (en) * | 2015-10-02 | 2017-04-06 | International Business Machines Corporation | Using photogrammetry to aid identification and assembly of product parts |
| CN106980846A (zh) * | 2017-05-01 | 2017-07-25 | 刘至键 | 一种基于深度卷积网络的汽车配件识别装置 |
| CN107730905A (zh) * | 2017-06-13 | 2018-02-23 | 银江股份有限公司 | 基于深度卷积神经网络的多任务套牌车辆视觉检测系统及方法 |
| CN107766805A (zh) * | 2017-09-29 | 2018-03-06 | 阿里巴巴集团控股有限公司 | 提升车辆定损图像识别结果的方法、装置及服务器 |
| CN110070092A (zh) * | 2019-03-15 | 2019-07-30 | 平安科技（深圳）有限公司 | 车型识别方法、装置、计算机设备及存储介质 |
| CN110533380A (zh) * | 2019-07-11 | 2019-12-03 | 四川省菜蓝子科技有限公司 | 一种生鲜盘点系统及其盘点方法 |
-
2020
- 2020-01-07 CN CN202010014940.1A patent/CN111310561B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102741095A (zh) * | 2010-02-08 | 2012-10-17 | 斯堪尼亚商用车有限公司 | 驾驶员专用的车辆配置 |
| AU2013101043A4 (en) * | 2013-05-21 | 2013-08-22 | Fmp Group (Australia) Pty Limited | Image recognition of vehicle parts |
| WO2014186840A1 (en) * | 2013-05-21 | 2014-11-27 | Fmp Group (Australia) Pty Limited | Image recognition of vehicle parts |
| CN104424570A (zh) * | 2013-08-23 | 2015-03-18 | 中国科学院沈阳自动化研究所 | 一种整车零部件防伪信息追溯鉴别方法 |
| US20170097236A1 (en) * | 2015-10-02 | 2017-04-06 | International Business Machines Corporation | Using photogrammetry to aid identification and assembly of product parts |
| CN105607623A (zh) * | 2016-02-26 | 2016-05-25 | 东南（福建）汽车工业有限公司 | 一种汽车生产线下线检测方法 |
| CN106980846A (zh) * | 2017-05-01 | 2017-07-25 | 刘至键 | 一种基于深度卷积网络的汽车配件识别装置 |
| CN107730905A (zh) * | 2017-06-13 | 2018-02-23 | 银江股份有限公司 | 基于深度卷积神经网络的多任务套牌车辆视觉检测系统及方法 |
| CN107766805A (zh) * | 2017-09-29 | 2018-03-06 | 阿里巴巴集团控股有限公司 | 提升车辆定损图像识别结果的方法、装置及服务器 |
| WO2019062742A1 (zh) * | 2017-09-29 | 2019-04-04 | 阿里巴巴集团控股有限公司 | 提升车辆定损图像识别结果的方法、装置及服务器 |
| CN110070092A (zh) * | 2019-03-15 | 2019-07-30 | 平安科技（深圳）有限公司 | 车型识别方法、装置、计算机设备及存储介质 |
| CN110533380A (zh) * | 2019-07-11 | 2019-12-03 | 四川省菜蓝子科技有限公司 | 一种生鲜盘点系统及其盘点方法 |
Non-Patent Citations (1)
| Title |
|---|
| 杨帆等: "《精通图像处理经典算法 MATLAB版》", 30 April 2014, 北京：北京航空航天大学出版社, pages: 147 - 150 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111861680A (zh) * | 2020-08-06 | 2020-10-30 | 南京三百云信息科技有限公司 | 基于配置的车型确定方法、装置以及电子终端 |
| CN111861680B (zh) * | 2020-08-06 | 2024-03-29 | 南京三百云信息科技有限公司 | 基于配置的车型确定方法、装置以及电子终端 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111310561B (zh) | 2024-10-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109993112B (zh) | 一种图片中表格的识别方法及装置 | |
| US10482343B1 (en) | Government ID card validation systems | |
| CN110569341B (zh) | 配置聊天机器人的方法、装置、计算机设备和存储介质 | |
| WO2020062804A1 (zh) | 自然场景中行驶证拍照影像的识别方法、装置及电子设备 | |
| CN111930622B (zh) | 基于深度学习的界面控件测试方法及系统 | |
| CN110969045B (zh) | 一种行为检测方法、装置、电子设备和存储介质 | |
| CN110348393B (zh) | 车辆特征提取模型训练方法、车辆识别方法及设备 | |
| CN113158900B (zh) | 人脸活体检测模型的训练方法、装置、设备及存储介质 | |
| CN110263805B (zh) | 证件验证、身份验证方法、装置及设备 | |
| CN111340640A (zh) | 一种保险理赔材料审核方法、装置和设备 | |
| CN111178147A (zh) | 屏幕破碎分级方法、装置、设备及计算机可读存储介质 | |
| CN111104542B (zh) | 零件识别管理方法及装置 | |
| CN114445841A (zh) | 纳税申报表识别方法和装置 | |
| CN112001200A (zh) | 识别码识别方法、装置、设备、存储介质和系统 | |
| CN112052702A (zh) | 一种识别二维码的方法和装置 | |
| CN114387451A (zh) | 异常图像检测模型的训练方法、装置及介质 | |
| CN111310561B (zh) | 车辆配置识别方法及装置 | |
| CN110728680A (zh) | 行车记录仪检测方法、装置、计算机设备和存储介质 | |
| CN113947564A (zh) | 一种电力行业低压台区计量设备图像校验方法及系统 | |
| CN113128522A (zh) | 目标识别方法、装置、计算机设备和存储介质 | |
| CN110648314B (zh) | 一种识别翻拍图像的方法、装置及设备 | |
| CN112508717A (zh) | 一种影像信息的审核方法、装置、电子设备及存储介质 | |
| CN111507420A (zh) | 轮胎信息获取方法、装置、计算机设备和存储介质 | |
| CN117496984A (zh) | 目标对象的交互方法、装置、设备及可读存储介质 | |
| CN112825145B (zh) | 人体朝向检测方法、装置、电子设备和计算机存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |