CN112100028A - 一种车用算法的监测方法、系统及车辆 - Google Patents

一种车用算法的监测方法、系统及车辆 Download PDF

Info

Publication number
CN112100028A
CN112100028A CN202010911006.XA CN202010911006A CN112100028A CN 112100028 A CN112100028 A CN 112100028A CN 202010911006 A CN202010911006 A CN 202010911006A CN 112100028 A CN112100028 A CN 112100028A
Authority
CN
China
Prior art keywords
algorithm
frame
picture
operation result
vehicle
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
CN202010911006.XA
Other languages
English (en)
Inventor
冯万浩
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.)
Zhejiang Geely Holding Group Co Ltd
Ningbo Geely Automobile Research and Development Co Ltd
Original Assignee
Zhejiang Geely Holding Group Co Ltd
Ningbo Geely Automobile Research and Development 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 Zhejiang Geely Holding Group Co Ltd, Ningbo Geely Automobile Research and Development Co Ltd filed Critical Zhejiang Geely Holding Group Co Ltd
Priority to CN202010911006.XA priority Critical patent/CN112100028A/zh
Publication of CN112100028A publication Critical patent/CN112100028A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/302—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is a software system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3089—Monitoring arrangements determined by the means or processing involved in sensing the monitored data, e.g. interfaces, connectors, sensors, probes, agents
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • 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
    • G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
    • G06V20/597—Recognising the driver's state or behaviour, e.g. attention or drowsiness

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供了一种车用算法的监测方法、系统及车辆，涉及车辆安全技术领域。车用算法的监测方法先在算法的运算过程中输入预先设置的一帧画面，从而得出该帧画面经算法运算后的实际运算结果，然后将实际运算结果与该帧画面的标准运算结果相比较，标准运算结果是该帧画面在算法处于正常运算状态时经算法运算后得出的，若实际运算结果与标准运算结果一致，则判定算法处于正常运算状态。本发明通过输入一帧画面的方式来验证算法是否正常运算，与现有技术中需要设置备份算法来验证算法可行性的方式相比，比较简单，可以降低研发成本，并能够提高电子元件的功能安全监测的覆盖率。

Description

一种车用算法的监测方法、系统及车辆
技术领域
本发明涉及车辆安全技术领域，特别是涉及一种车用算法的监测方法、系统及车辆。
背景技术
车辆智能驾驶相关车用电子元件的功能输出直接会影响车辆的控制，因此电子元件的功能安全性的引入则保证了车辆的安全可靠性。
车辆中深度学习算法的功能结果是从深度学习架构中直接得出，该结果无法使用电子元件的功能安全性的方法评估，因此一直无法保证深度学习算法的可行性。
现有技术中主要通过备份或者多重校核的方式，即使用两套完全不一致的深度学习算法，互为备份，从而保证电子元件的功能安全，但是设置两套深度学习算法的成本过高，使得算法更加复杂，如果每个算法都设置一套备用算法的话会减小车辆的数据存储空间。
发明内容
本发明第一方面的目的是要提供一种车用算法的监测方法，解决现有技术中利用备份算法来校核算法可行性的方式较复杂的技术问题。
本发明第一方面的进一步目的是要提高算法验证的准确度。
本发明第二方面的目的是要提供一种车用算法的监测系统。
本发明第三方面的目的是要提供一种具有上述监测系统的车辆。
根据本发明第一方面的目的，本发明提供了一种车用算法的监测方法，包括：
在算法的运算过程中输入预先设置的一帧画面，从而得出该帧画面经所述算法运算后的实际运算结果；
将所述实际运算结果与该帧画面的标准运算结果相比较，所述标准运算结果是该帧画面在所述算法处于正常运算状态时经所述算法运算后得出的；
若所述实际运算结果与所述标准运算结果一致，则判定所述算法处于正常运算状态。
可选地，在所述算法的运算过程中周期性地输入预先设置的一帧画面。
可选地，输入预先设置的一帧画面的周期的长度根据输入N帧画面所需要的时间设定。
可选地，在算法的运算过程中周期性地输入预先设置的一帧画面的步骤中，每次输入的一帧画面是不同的，不同的一帧画面均已在所述算法处于正常运算状态时经所述算法运算得出与之对应的标准运算结果。
可选地，将每个所述实际运算结果与与之对应的所述标准运算结果相比较；
若每个所述实际运算结果与与之对应的所述标准运算结果均一致，则判定所述算法处于正常运算状态。
可选地，预先设置的一帧画面的数量为十个，十个预先设置的一帧画面在所述算法的运算过程中循环输入。
可选地，所述算法为驾驶员疲劳检测算法，所述驾驶员疲劳检测算法用于在预设时间内根据驾驶员眼睛闭合状态判断驾驶员是否处于疲劳状态。
可选地，所述周期的长度为八帧。
根据本发明第二方面的目的，本发明还提供了一种车用算法的监测系统，包括：
控制装置，所述控制装置包括存储器和处理器，所述存储器内存储有控制程序，所述控制程序被所述处理器执行时用于实现根据上述的监测方法。
根据本发明第三方面的目的，本发明还提供了一种车辆，所述车辆安装有如上述的监测系统。
本发明先在算法的运算过程中输入预先设置的一帧画面，从而得出该帧画面经算法运算后的实际运算结果，然后将实际运算结果与该帧画面的标准运算结果相比较，标准运算结果是该帧画面在算法处于正常运算状态时经算法运算后得出的，若实际运算结果与标准运算结果一致，则判定算法处于正常运算状态。本发明通过输入一帧画面的方式来验证算法是否正常运算，与现有技术中需要设置备份算法来验证算法可行性的方式相比，比较简单，可以降低研发成本，并能够提高电子元件的功能安全监测的覆盖率。
进一步地，本发明在算法的运算过程中周期性地输入预先设置的一帧画面的步骤中，每次输入的一帧画面是不同的。本发明利用不同的一帧画面来验证算法的稳定性，可以提高算法验证的准确度。
根据下文结合附图对本发明具体实施例的详细描述，本领域技术人员将会更加明了本发明的上述以及其他目的、优点和特征。
附图说明
后文将参照附图以示例性而非限制性的方式详细描述本发明的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解，这些附图未必是按比例绘制的。附图中：
图1是根据本发明一个实施例的车用算法的监测方法的示意性流程图；
图2是根据本发明另一个实施例的车用算法的监测方法的示意性流程图；
图3是根据本发明一个实施例的车用算法的监测系统的示意性结构图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
图1是根据本发明一个实施例的车用算法的监测方法的示意性流程图。如图1所示，在一个具体地实施例中，车用算法的监测方法一般性地可包括以下步骤：
S100，在算法的运算过程中输入预先设置的一帧画面，从而得出该帧画面经算法运算后的实际运算结果，这里的一帧画面可以理解为探针；
S200，将实际运算结果与该帧画面的标准运算结果相比较，标准运算结果是该帧画面在算法处于正常运算状态时经算法运算后得出的；
S300，若实际运算结果与标准运算结果一致，则判定算法处于正常运算状态。
本发明通过输入一帧画面的方式来验证算法是否正常运算，与现有技术中需要设置备份算法来验证算法可行性的方式相比，比较简单，可以降低研发成本，并能够提高电子元件的功能安全监测的覆盖率。
图2是根据本发明另一个实施例的车用算法的监测方法的示意性流程图。如图2所示，在另一个实施例中，在步骤S200之后，还包括以下步骤：
S310，若实际运算结果与标准运算结果不一致，则判定算法处于非正常运算状态。
本发明在该算法处于测试过程中先将预先选择的一帧画面通过该算法多次运算后得出标准运算结果，然后在该算法在车辆上正式运算时，通过输入该一帧画面并运算得出实际运算结果，将实际运算结果与标准运算结果相比较，若一致则可以认为该算法在正常的运算，稳定性较好，若不一致，则可以说明该算法运算不正常。
进一步地，在一个优选地实施例中，在算法的运算过程中周期性地输入预先设置的一帧画面。这里，输入预先设置的一帧画面的周期的长度根据输入N帧画面所需要的时间设定。
本发明只要算法在运算就会一直周期性地输入一帧画面来监测该算法，直到该算法停止运算，从而可以实时地监测算法的稳定性。
在另一个实施例中，在算法运算过程中周期性地输入预先设置的一帧画面的步骤中，每次输入的一帧画面是不同的，不同的一帧画面均已在该算法处于正常运算状态时经该算法运算得出与之对应的标准运算结果。本发明利用不同的一帧画面来验证算法的稳定性，可以提高算法验证的准确度。
进一步地，将每个实际运算结果与与之对应的标准运算结果相比较，若每个实际运算结果与与之对应的标准运算结果均一致，则判定算法处于正常运算状态。这里，每个不同的一帧画面通过该算法运算得出的标准运算结果也是不同的，因此，需要将不同的一帧画面通过该算法运算得出的实际运算结果与与该一帧画面相对应的标准运算结果相比较，从而可以判断实际运算结果与标准运算结果是否一致，只有每一个实际运算结果与与之对应的标准运算结果一致时才可以判定该算法处于正常运算状态，稳定性较好，若其中一个实际运算结果与与之对应的标准运算结果不一致时则可以判定该算法处于非正常运算状态。
进一步地，预先设置的一帧画面的数量为十个，十个预先设置的一帧画面在算法的运算过程中循环输入。也就是说，十个不同的一帧画面周期性地依次输入该算法中，然后不停地循环输入该十个不同的一帧画面。在另一个实施例中，不同的一帧画面的数量还可以根据实际情况设定。
在又一个实施例中，算法为驾驶员疲劳检测算法，驾驶员疲劳检测算法用于在预设时间内根据驾驶员眼睛闭合状态判断驾驶员是否处于疲劳状态。驾驶员疲劳检测算法的功能安全要求达到B等级，其图像以40帧为准，对于每一张图像，都需要进行驾驶员疲劳检测和人眼闭合检测，以八帧作为一个疲劳检测单元。因此，针对该驾驶员疲劳检测算法，在驾驶员疲劳检测算法运算过程中每八帧输入预先设置的一帧画面。也就是说，周期的长度为8帧。在其他算法中，可以根据算法的特点来选择输入周期。
图3是根据本发明一个实施例的车用算法的监测系统100的示意性结构图。如图3所示，在一个具体地实施例中，车用算法的监测系统100包括控制装置10，控制装置10包括存储器11和处理器12，存储器11内存储有控制程序，控制程序被处理器12执行时用于实现根据上述任一项实施例中的监测方法。处理器12可以是一个中央处理单元(centralprocessing unit，简称CPU)，或者为数字处理单元等等。处理器12通过通信接口收发数据。存储器11用于存储处理器12执行的程序。存储器11是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何介质，也可以是多个存储器的组合。上述控制程序可以从计算机可读存储介质下载到相应计算/处理设备或者经由网络(例如因特网、局域网、广域网和/或无线网络)下载到计算机或外部存储设备。
本发明还提供了一种车辆，其安装有上述的车用算法的监测系统100。对于车用算法的监测系统100，这里不一一赘述。
本发明通过在算法运算过程中输入一帧画面的方式来验证算法的稳定性，可以在不增加备用算法的情况下验证算法是否处于正常运算状态，容易实现，方案简单，不占用车辆的存储空间，并且适用于不同的算法，适用性较广，提高整车系统中的功能安全监测覆盖率。
至此，本领域技术人员应认识到，虽然本文已详尽示出和描述了本发明的多个示例性实施例，但是，在不脱离本发明精神和范围的情况下，仍可根据本发明公开的内容直接确定或推导出符合本发明原理的许多其他变型或修改。因此，本发明的范围应被理解和认定为覆盖了所有这些其他变型或修改。

Claims (10)

1.一种车用算法的监测方法，其特征在于，包括：
在算法的运算过程中输入预先设置的一帧画面，从而得出该帧画面经所述算法运算后的实际运算结果；
将所述实际运算结果与该帧画面的标准运算结果相比较，所述标准运算结果是该帧画面在所述算法处于正常运算状态时经所述算法运算后得出的；
若所述实际运算结果与所述标准运算结果一致，则判定所述算法处于正常运算状态。
2.根据权利要求1所述的监测方法，其特征在于，
在所述算法的运算过程中周期性地输入预先设置的一帧画面。
3.根据权利要求2所述的监测方法，其特征在于，
输入预先设置的一帧画面的周期的长度根据输入N帧画面所需要的时间设定。
4.根据权利要求2所述的监测方法，其特征在于，在算法的运算过程中周期性地输入预先设置的一帧画面的步骤中，每次输入的一帧画面是不同的，不同的一帧画面均已在所述算法处于正常运算状态时经所述算法运算得出与之对应的标准运算结果。
5.根据权利要求4所述的监测方法，其特征在于，
将每个所述实际运算结果与与之对应的所述标准运算结果相比较；
若每个所述实际运算结果与与之对应的所述标准运算结果均一致，则判定所述算法处于正常运算状态。
6.根据权利要求4所述的监测方法，其特征在于，
预先设置的一帧画面的数量为十个，十个预先设置的一帧画面在所述算法的运算过程中循环输入。
7.根据权利要求2所述的监测方法，其特征在于，
所述算法为驾驶员疲劳检测算法，所述驾驶员疲劳检测算法用于在预设时间内根据驾驶员眼睛闭合状态判断驾驶员是否处于疲劳状态。
8.根据权利要求7所述的监测方法，其特征在于，
所述周期的长度为八帧。
9.一种车用算法的监测系统，其特征在于，包括：
控制装置(10)，所述控制装置(10)包括存储器(11)和处理器(12)，所述存储器(11)内存储有控制程序，所述控制程序被所述处理器(12)执行时用于实现根据权利要求1-8中任一项所述的监测方法。
10.一种车辆，其特征在于，所述车辆安装有如权利要求9所述的监测系统。
CN202010911006.XA 2020-09-02 2020-09-02 一种车用算法的监测方法、系统及车辆 Pending CN112100028A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010911006.XA CN112100028A (zh) 2020-09-02 2020-09-02 一种车用算法的监测方法、系统及车辆

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010911006.XA CN112100028A (zh) 2020-09-02 2020-09-02 一种车用算法的监测方法、系统及车辆

Publications (1)

Publication Number Publication Date
CN112100028A true CN112100028A (zh) 2020-12-18

Family

ID=73757059

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010911006.XA Pending CN112100028A (zh) 2020-09-02 2020-09-02 一种车用算法的监测方法、系统及车辆

Country Status (1)

Country Link
CN (1) CN112100028A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1495658A (zh) * 2002-06-30 2004-05-12 贺贵明 驾驶员面像识别报警装置与方法
TW201223807A (en) * 2010-12-03 2012-06-16 Automotive Res & Amp Testing Ct Method and system for inspecting driving state of driver in vehicle
US20120161954A1 (en) * 2010-12-28 2012-06-28 Automotive Research & Testing Center Method and system for detecting a driving state of a driver in a vehicle
CN102542629A (zh) * 2010-12-30 2012-07-04 上海博泰悦臻电子设备制造有限公司 车载检测装置和方法
KR20120130385A (ko) * 2011-05-23 2012-12-03 현대자동차주식회사 차량 영상기반제어장비의 평가방법 및 평가시스템
WO2017032513A1 (de) * 2015-08-24 2017-03-02 Robert Bosch Gmbh Verfahren und vorrichtung zum überwachen eines zustandes einer elektronischen schaltungseinheit eines fahrzeugs
US20180157548A1 (en) * 2016-12-05 2018-06-07 Beijing Deephi Technology Co., Ltd. Monitoring method and monitoring device of deep learning processor

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1495658A (zh) * 2002-06-30 2004-05-12 贺贵明 驾驶员面像识别报警装置与方法
TW201223807A (en) * 2010-12-03 2012-06-16 Automotive Res & Amp Testing Ct Method and system for inspecting driving state of driver in vehicle
US20120161954A1 (en) * 2010-12-28 2012-06-28 Automotive Research & Testing Center Method and system for detecting a driving state of a driver in a vehicle
CN102542629A (zh) * 2010-12-30 2012-07-04 上海博泰悦臻电子设备制造有限公司 车载检测装置和方法
KR20120130385A (ko) * 2011-05-23 2012-12-03 현대자동차주식회사 차량 영상기반제어장비의 평가방법 및 평가시스템
WO2017032513A1 (de) * 2015-08-24 2017-03-02 Robert Bosch Gmbh Verfahren und vorrichtung zum überwachen eines zustandes einer elektronischen schaltungseinheit eines fahrzeugs
CN107924348A (zh) * 2015-08-24 2018-04-17 罗伯特·博世有限公司 用于对车辆的电子的线路单元的状态进行监控的方法和装置
US20180157548A1 (en) * 2016-12-05 2018-06-07 Beijing Deephi Technology Co., Ltd. Monitoring method and monitoring device of deep learning processor

Similar Documents

Publication Publication Date Title
US20200372243A1 (en) Image processing method and apparatus, facial recognition method and apparatus, and computer device
US9332362B2 (en) Acoustic diagnosis and correction system
CN109740759B (zh) 学习模型优化与选择方法、电子装置及计算机设备
CN110941555B (zh) 测试用例推荐方法、装置、计算机设备和存储介质
CN109542712B (zh) 服务器压力测试方法、装置、计算机设备和存储介质
US20200250812A1 (en) Method and system for image analysis
US20150025872A1 (en) System, method, and apparatus for modeling project reliability
CN111401472B (zh) 基于深度卷积神经网络的红外目标分类方法和装置
CN110414570B (zh) 图像分类模型生成方法、装置、设备和存储介质
CN110798376A (zh) 接口测试方法、装置、计算机设备和存储介质
CN113780466A (zh) 模型迭代优化方法、装置、电子设备和可读存储介质
CN111198815B (zh) 用户界面的兼容性测试方法及装置
CN110334486A (zh) 应用程序完整性校验方法及设备
CN110866682A (zh) 基于历史数据的地下电缆预警方法和装置
CN108776642B (zh) 测试报告生成方法、装置、计算机设备和存储介质
CN112100028A (zh) 一种车用算法的监测方法、系统及车辆
US10643570B2 (en) Display control apparatus and display control method that prevent excessive determinations of an abnormal control condition
CN110309057B (zh) 基于自动化脚本的流程性项目测试方法和相关设备
CN116821638A (zh) Ai芯片应用优化设计的数据分析方法及系统
CN117010197A (zh) 基于数字孪生的设备检测方法及装置
CN111178126A (zh) 目标检测方法、装置、计算机设备和存储介质
CN115051824B (zh) 一种垂直越权检测方法、系统、设备及存储介质
US20210326755A1 (en) Learning model creation device, material property prediction device, and learning model creation method and program
CN110865939B (zh) 应用程序质量监测方法、装置、计算机设备和存储介质
CN109614175B (zh) 用户界面异常处理方法、装置、计算机设备及存储介质

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: 20201218

RJ01 Rejection of invention patent application after publication