CN112418144A - 一种车轴计数方法、装置、机器可读介质及设备 - Google Patents

一种车轴计数方法、装置、机器可读介质及设备 Download PDF

Info

Publication number
CN112418144A
CN112418144A CN202011406010.7A CN202011406010A CN112418144A CN 112418144 A CN112418144 A CN 112418144A CN 202011406010 A CN202011406010 A CN 202011406010A CN 112418144 A CN112418144 A CN 112418144A
Authority
CN
China
Prior art keywords
frames
vehicle
wheel
frame
detection
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
CN202011406010.7A
Other languages
English (en)
Inventor
夏泽宇
赵科
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.)
Yuncong Technology Group Co Ltd
Original Assignee
Yuncong Technology Group 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 Yuncong Technology Group Co Ltd filed Critical Yuncong Technology Group Co Ltd
Priority to CN202011406010.7A priority Critical patent/CN112418144A/zh
Publication of CN112418144A publication Critical patent/CN112418144A/zh
Pending legal-status Critical Current

Links

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
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30232—Surveillance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30242—Counting objects in image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种车轴计数方法，包括：通过第一检测模型对待检测图片进行目标检测，到得一个或多个车辆框；通过第二检测模型对所述一个或多个车辆框进行目标检测，得到多个车轮框；根据所述多个车轮框得到车轴的数量。本发明针对人工查看效率低下的问题，设计了一套通过目标检测获取车轴数量的方法，该方法可以做到实时检测，实时出结果，克服了人工统计时间长的问题，准确率高，杜绝了人眼视觉盲区的限制。

Description

一种车轴计数方法、装置、机器可读介质及设备
技术领域
本发明涉及人工智能领域，具体涉及一种车轴计数方法、装置、机器可读介质及设备。
背景技术
2020年1月1日起，全国高速公路计费方式，将由计重收费变为按轴收费。现有的收费是通过地磅结合人眼观察的结果进行计算，但单纯通过地磅和人眼存在效率低下的问题。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种车轴计数方法、装置、机器可读介质及设备，用于解决现有技术存在的问题。
为实现上述目的及其他相关目的，本发明提供一种车轴计数方法，包括：
通过第一检测模型对待检测图片进行目标检测，到得一个或多个车辆框；
通过第二检测模型对所述一个或多个车辆框进行目标检测，得到多个车轮框；
根据所述多个车轮框得到车轴的数量。
可选地，所述车轮框的数据包括车轮框的数量以及车轮框的类型。
可选地，根据所述车轮框的长宽比确定所述车轮框的类型。
可选地，所述车轮框的类型包括：一轴车轮框、多轴车轮框。
可选地，若通过第一检测模型对待检测图片进行目标检测得到多个车辆框，则对所述多个车辆框进行筛选，得到目标车辆框。
可选地，所述对多个车辆框进行筛选，包括：
获取多个车辆框的面积；
从多个车辆框中筛选出区域面积最大的车辆框作为目标车辆框。
可选地，所述通过第一检测模型对待检测图片进行目标检测，包括：
将待检测图片输入到第一检测模型，得到所述待检测图片中的一个或多个车辆框。
可选地，所述通过第二检测模型对所述一个或多个车辆框进行目标检测，包括：
将所述一个或多个车辆框框住的区域图像输入到第二检测模型，得到车辆框中的多个车轮框。
为实现上述目的及其他相关目的，本发明提供一种车轴计数装置，包括：
车辆检测模块，用于通过第一检测模型对待检测图片进行目标检测，到得一个或多个车辆框；
车轮检测模块，用于通过第二检测模型对所述一个或多个车辆框进行目标检测，得到多个车轮框；
车轴检测模块，用于根据所述多个车轮框得到车轴的数量。
可选地，所述车轮框的数据包括车轮框的数量以及车轮框的类型。
可选地，可选地，根据所述车轮框的长宽比确定所述车轮框的类型。
可选地，所述车轮框的类型包括：一轴车轮框、多轴车轮框。
可选地，该装置还包括筛选模块，用于在通过第一检测模型对待检测图片进行目标检测得到多个车辆框时，对所述多个车辆框进行筛选，得到目标车辆框。
可选地，所述筛选模块包括：
面积获取子模块，用于获取多个车辆框的面积；
筛选子模块，用于从多个车辆框中筛选出区域面积最大的车辆框作为目标车辆框。
为实现上述目的及其他相关目的，本发明还提供一种排序设备，包括：
一个或多个处理器；和
其上存储有指令的一个或多个机器可读介质，当所述一个或多个处理器执行时，使得所述设备执行前述的一个或多个所述的方法。
为实现上述目的及其他相关目的，本发明还提供一个或多个机器可读介质，其上存储有指令，当由一个或多个处理器执行时，使得设备执行前述的一个或多个所述的方法。
如上所述，本发明提供的一种车轴计数方法、装置、机器可读介质及设备，具有以下有益效果：
本发明的一种车轴计数方法，包括：通过第一检测模型对待检测图片进行目标检测，到得一个或多个车辆框；通过第二检测模型对所述一个或多个车辆框进行目标检测，得到多个车轮框；根据所述多个车轮框得到车轴的数量。本发明针对人工查看效率低下的问题，设计了一套通过目标检测获取车轴数量的方法，该方法可以做到实时检测，实时出结果，克服了人工统计时间长的问题，准确率高，杜绝了人眼视觉盲区的限制。
附图说明
图1为本发明一实施例一种车轴计数方法的流程图；
图2为本发明一实施例车轮框的示意图；
图3为本发明一实施例对车轮框进行筛选的方法的流程图；
图4为本发明一实施例一种车轴计数装置的结构示意图；
图5为本发明一实施例所述筛选模块的结构示意图；
图6为本发明一实施例中终端设备的硬件结构示意图；
图7为本发明一实施例中终端设备的硬件结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
如图1所示，一种车轴计数方法，包括：
S11通过第一检测模型对待检测图片进行目标检测，到得一个或多个车辆框；
S12通过第二检测模型对所述一个或多个车辆框进行目标检测，得到多个车轮框；
S13根据所述多个车轮框得到车轴的数量。
本发明针对人工查看效率低下的问题，设计了一套通过目标检测获取车轴数量的方法，该方法可以做到实时检测，实时出结果，克服了人工统计时间长的问题，准确率高，杜绝了人眼视觉盲区的限制。
在步骤S11中，待检测图片可以由图像采集设备采集，例如，该图像采集设备可以是智能相机，该智能相机可以是原有的相机，也可以是新增的相机。通过图像采集设备对车辆进行侧面图像的采集，得到待检测图片。
图像采集设备可以在接收到图像采集信号时，获取待检测图像。其中，该图像采集信号可以由另一个信号采集设备发送。另一个信号采集设备可以为车辆检测器，在车辆检测器检测到信号后，向图像采集设备发送图像采集信号，从车辆的侧面采集车辆的图像。
例如，每当有一辆车进入指定位置时，该指定位置使得图像采集设备能够采集到车辆的侧面图像，车辆检测器检测到车辆，向图像采集设备发送图像采集信号。
在一实施例中，所述车轮框的数据包括车轮框的数量以及车轮框的类型。所述车轮框的类型包括：一轴车轮框、多轴车轮框。多轴多轮目标框可以包括两轴车轮框、三轴车轮框等等。
可以理解的是，一个车轮框中可以有一个车轮，也可以有多个车轮，车轮数量越多，车轮框的长度越长，车轮框的宽度不会发生太大变化，因此车轮框的类型可以根据车轮框的长宽比来判断。若车轮框的长宽比在第一预设范围内，则为一轴车轮框；若车轮框的长宽比在第二预设范围内，则为二轴车轮框；若车轮框的长宽比在第三预设范围内，则为三轴车轮框。
一轴车轮框指该车轮框中包括一个车轮，如图2a所示；二轴车轮框指该车轮框中包括两个车轮，如图2b所示，这两个车轮径向并列排列；三轴车轮框指该车轮框中包括三个车轮，如图2c所示，这三个车轮径向并列排列。
在步骤S13中，根据所述多个车轮框得到车轴的数量，即根据检测到的车轮框的数量以及车轮框的类型判断车轴的数量。
例如，检测到一轴车轮框两个，二轴车轮框一个，可以判断该车辆的轴数为4；又例如，检测到一轴车轮框一个，两轴车轮框一个，则可以判断该车辆的轴数为3。
在一实施例中，所述通过第一检测模型对待检测图片进行目标检测，包括：
将待检测图片输入到第一检测模型，得到所述待检测图片中的一个或多个车辆框。其中，车辆框可以是一个车辆的外接矩形，包括从车辆的车顶到车轮的区域，当然，也可以是尺寸更大的矩形，本发明实施例对此不做限定。通过利用第一检测模型，对采集到的待检测图像进行检测，自动识别出图像中的车辆框，能够取得较好的检测效果。
其中，第一检测模型为卷积神经网络模型，第一检测模型的训练过程可以为:基于多个样本图像和该多个样本图像中的车辆框进行训练，得到该第一检测模型。通过搜集图像采集设备所采集的图像，可以得到该多个样本图像，该多个样本图像尽量覆盖多种车型。
该多个样本图像中的车辆框可以采用人工标定的方式得到。例如，对搜集到的样本图像进行整理和标定，具体可以采用人工标定的方式，从搜集到的样本图像中标定某个目标车辆的外接矩形。
在一实施例中，当该第一检测模型的检测结果中包含一个车辆区目标框时，图像采集设备可以将这一个车辆框作为目标车辆框，对该一个目标车辆框。当第一检测模型的检测结果中包含多个车辆框时，图像采集设备可以从中确定多个车辆目标筛选出一个作为目标车辆框。
由于越靠近图片中心的车辆图片的面积越大，因此，如图2所示，筛选的方法为：
S31获取多个车辆框的面积；
S32从多个车辆框中筛选出区域面积最大的车辆框作为目标车辆框。
在一实施例中，所述通过第二检测模型对所述一个或多个车辆框进行目标检测，包括：
将所述一个或多个车辆框框住的区域图像输入到第二检测模型，得到车辆框中的多个车轮框。
需要说明的是，每一个车轮框中包括一个或多个车轮目标。通过利用第二检测模型，对图像中的车辆框进行检测，自动识别出车辆框中的车轮框，能够取得较好的检测效果。
其中，第二检测模型为卷积神经网络模型，该第二检测模型可以基于多个样本图像中的车辆框和车辆框中的车轮框训练得到，该车轮框可以采用人工标定的方式，在车辆框中进行标定。一个车辆框中可以包括多个车轮框，每个车轮框要以对应一个或多个车轮目标，例如，每个车轮框可以是一个车轮的外切矩形，当然，也可以是尺寸更大的矩形，若采集更大的矩形，则一个目标框里可以包括多个车轮目标。当需要进行车轮检测时，可以将车辆框输入到该第二检测模型，通过该第二检测模型对车辆框进行车轮检测，从而得到车辆框中的车轮框。
如图4所示，一种车轴计数装置，包括：
车辆检测模块41，用于通过第一检测模型对待检测图片进行目标检测，到得一个或多个车辆框；
车轮检测模块42，用于通过第二检测模型对所述一个或多个车辆框进行目标检测，得到多个车轮框；
车轴检测模块43，用于根据所述多个车轮框得到车轴的数量。
本发明针对人工查看效率低下的问题，设计了一套通过目标检测获取车轴数量的方法，该方法可以做到实时检测，实时出结果，克服了人工统计时间长的问题，准确率高，杜绝了人眼视觉盲区的限制。
待检测图片可以由图像采集设备采集，例如，该图像采集设备可以是智能相机，该智能相机可以是原有的相机，也可以是新增的相机。通过图像采集设备对车辆进行侧面图像的采集，得到待检测图片。
图像采集设备可以在接收到图像采集信号时，获取待检测图像。其中，该图像采集信号可以由另一个信号采集设备发送。另一个信号采集设备可以为车辆检测器，在车辆检测器检测到信号后，向图像采集设备发送图像采集信号，从车辆的侧面采集车辆的图像。
例如，每当有一辆车进入指定位置时，该指定位置使得图像采集设备能够采集到车辆的侧面图像，车辆检测器检测到车辆，向图像采集设备发送图像采集信号。
在一实施例中，所述车轮框的数据包括车轮框的数量以及车轮框的类型。所述车轮框的类型包括：一轴车轮框、多轴车轮框。多轴多轮目标框可以包括两轴车轮框、三轴车轮框等等。
可以理解的是，一个车轮框中可以有一个车轮，也可以有多个车轮，车轮数量越多，车轮框的长度越长，车轮框的宽度不会发生太大变化，因此车轮框的类型可以根据车轮框的长宽比来判断。若车轮框的长宽比在第一预设范围内，则为一轴车轮框；若车轮框的长宽比在第二预设范围内，则为二轴车轮框；若车轮框的长宽比在第三预设范围内，则为三轴车轮框。
一轴车轮框指该车轮框中包括一个车轮，如图2a所示；二轴车轮框指该车轮框中包括两个车轮，如图2b所示，这两个车轮径向并列排列；三轴车轮框指该车轮框中包括三个车轮，如图2c所示，这三个车轮径向并列排列。
车轴检测模块根据所述多个车轮框得到车轴的数量，即根据检测到的车轮框的数量以及车轮框的类型判断车轴的数量。
例如，检测到一轴车轮框两个，二轴车轮框一个，可以判断该车辆的轴数为4；又例如，检测到一轴车轮框一个，两轴车轮框一个，则可以判断该车辆的轴数为3。
在一实施例中，所述通过第一检测模型对待检测图片进行目标检测，包括：
将待检测图片输入到第一检测模型，得到所述待检测图片中的一个或多个车辆框。其中，车辆框可以是一个车辆的外接矩形，包括从车辆的车顶到车轮的区域，当然，也可以是尺寸更大的矩形，本发明实施例对此不做限定。通过利用第一检测模型，对采集到的待检测图像进行检测，自动识别出图像中的车辆框，能够取得较好的检测效果。
其中，第一检测模型为卷积神经网络模型，第一检测模型的训练过程可以为:基于多个样本图像和该多个样本图像中的车辆框进行训练，得到该第一检测模型。通过搜集图像采集设备所采集的图像，可以得到该多个样本图像，该多个样本图像尽量覆盖多种车型。
该多个样本图像中的车辆框可以采用人工标定的方式得到。例如，对搜集到的样本图像进行整理和标定，具体可以采用人工标定的方式，从搜集到的样本图像中标定某个目标车辆的外接矩形。
在一实施例中，当该第一检测模型的检测结果中包含一个车辆区目标框时，图像采集设备可以将这一个车辆框作为目标车辆框，对该一个目标车辆框。当第一检测模型的检测结果中包含多个车辆框时，图像采集设备可以从中确定多个车辆目标筛选出一个作为目标车辆框。
由于越靠近图片中心的车辆图片的面积越大，因此，如图5所示，筛选模块包括：
面积获取子模块51，用于获取多个车辆框的面积；
筛选子模块52，用于从多个车辆框中筛选出区域面积最大的车辆框作为目标车辆框。
在一实施例中，所述通过第二检测模型对所述一个或多个车辆框进行目标检测，包括：
将所述一个或多个车辆框框住的区域图像输入到第二检测模型，得到车辆框中的多个车轮框。
需要说明的是，每一个车轮框中包括一个或多个车轮目标。通过利用第二检测模型，对图像中的车辆框进行检测，自动识别出车辆框中的车轮框，能够取得较好的检测效果。
其中，第二检测模型为卷积神经网络模型，该第二检测模型可以基于多个样本图像中的车辆框和车辆框中的车轮框训练得到，该车轮框可以采用人工标定的方式，在车辆框中进行标定。一个车辆框中可以包括多个车轮框，每个车轮框要以对应一个或多个车轮目标，例如，每个车轮框可以是一个车轮的外切矩形，当然，也可以是尺寸更大的矩形，若采集更大的矩形，则一个目标框里可以包括多个车轮目标。当需要进行车轮检测时，可以将车辆框输入到该第二检测模型，通过该第二检测模型对车辆框进行车轮检测，从而得到车辆框中的车轮框。
本申请实施例还提供了一种设备，该设备可以包括：一个或多个处理器；和其上存储有指令的一个或多个机器可读介质，当由所述一个或多个处理器执行时，使得所述设备执行图1所述的方法。在实际应用中，该设备可以作为终端设备，也可以作为服务器，终端设备的例子可以包括：智能手机、平板电脑、电子书阅读器、MP3(动态影像专家压缩标准语音层面3，Moving Picture Experts Group Audio Layer III)播放器、MP4(动态影像专家压缩标准语音层面4，Moving Picture Experts Group Audio Layer IV)播放器、膝上型便携计算机、车载电脑、台式计算机、机顶盒、智能电视机、可穿戴设备等等，本申请实施例对于具体的设备不加以限制。
本申请实施例还提供了一种非易失性可读存储介质，该存储介质中存储有一个或多个模块(programs)，该一个或多个模块被应用在设备时，可以使得该设备执行本申请实施例的图1中方法所包含步骤的指令(instructions)。
图6为本申请一实施例提供的终端设备的硬件结构示意图。如图所示，该终端设备可以包括：输入设备1100、第一处理器1101、输出设备1102、第一存储器1103和至少一个通信总线1104。通信总线1104用于实现元件之间的通信连接。第一存储器1103可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器，第一存储器1103中可以存储各种程序，用于完成各种处理功能以及实现本实施例的方法步骤。
可选的，上述第一处理器1101例如可以为中央处理器(Central ProcessingUnit，简称CPU)、应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，该第一处理器1101通过有线或无线连接耦合到上述输入设备1100和输出设备1102。
可选的，上述输入设备1100可以包括多种输入设备，例如可以包括面向用户的用户接口、面向设备的设备接口、软件的可编程接口、摄像头、传感器中至少一种。可选的，该面向设备的设备接口可以是用于设备与设备之间进行数据传输的有线接口、还可以是用于设备与设备之间进行数据传输的硬件插入接口(例如USB接口、串口等)；可选的，该面向用户的用户接口例如可以是面向用户的控制按键、用于接收语音输入的语音输入设备以及用户接收用户触摸输入的触摸感知设备(例如具有触摸感应功能的触摸屏、触控板等)；可选的，上述软件的可编程接口例如可以是供用户编辑或者修改程序的入口，例如芯片的输入引脚接口或者输入接口等；输出设备1102可以包括显示器、音响等输出设备。
在本实施例中，该终端设备的处理器包括用于执行各设备中各模块的功能，具体功能和技术效果参照上述实施例即可，此处不再赘述。
图7为本申请的一个实施例提供的终端设备的硬件结构示意图。图7是对图6在实现过程中的一个具体的实施例。如图所示，本实施例的终端设备可以包括第二处理器1201以及第二存储器1202。
第二处理器1201执行第二存储器1202所存放的计算机程序代码，实现上述实施例中图1所述方法。
第二存储器1202被配置为存储各种类型的数据以支持在终端设备的操作。这些数据的示例包括用于在终端设备上操作的任何应用程序或方法的指令，例如消息，图片，视频等。第二存储器1202可能包含随机存取存储器(random access memory，简称RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
可选地，第二处理器1201设置在处理组件1200中。该终端设备还可以包括：通信组件1203，电源组件1204，多媒体组件1205，语音组件1206，输入/输出接口1207和/或传感器组件1208。终端设备具体所包含的组件等依据实际需求设定，本实施例对此不作限定。
处理组件1200通常控制终端设备的整体操作。处理组件1200可以包括一个或多个第二处理器1201来执行指令，以完成上述数据处理方法中的全部或部分步骤。此外，处理组件1200可以包括一个或多个模块，便于处理组件1200和其他组件之间的交互。例如，处理组件1200可以包括多媒体模块，以方便多媒体组件1205和处理组件1200之间的交互。
电源组件1204为终端设备的各种组件提供电力。电源组件1204可以包括电源管理系统，一个或多个电源，及其他与为终端设备生成、管理和分配电力相关联的组件。
多媒体组件1205包括在终端设备和用户之间的提供一个输出接口的显示屏。在一些实施例中，显示屏可以包括液晶显示器(LCD)和触摸面板(TP)。如果显示屏包括触摸面板，显示屏可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。
语音组件1206被配置为输出和/或输入语音信号。例如，语音组件1206包括一个麦克风(MIC)，当终端设备处于操作模式，如语音识别模式时，麦克风被配置为接收外部语音信号。所接收的语音信号可以被进一步存储在第二存储器1202或经由通信组件1203发送。在一些实施例中，语音组件1206还包括一个扬声器，用于输出语音信号。
输入/输出接口1207为处理组件1200和外围接口模块之间提供接口，上述外围接口模块可以是点击轮，按钮等。这些按钮可包括但不限于：音量按钮、启动按钮和锁定按钮。
传感器组件1208包括一个或多个传感器，用于为终端设备提供各个方面的状态评估。例如，传感器组件1208可以检测到终端设备的打开/关闭状态，组件的相对定位，用户与终端设备接触的存在或不存在。传感器组件1208可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在，包括检测用户与终端设备间的距离。在一些实施例中，该传感器组件1208还可以包括摄像头等。
通信组件1203被配置为便于终端设备和其他设备之间有线或无线方式的通信。终端设备可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个实施例中，该终端设备中可以包括SIM卡插槽，该SIM卡插槽用于插入SIM卡，使得终端设备可以登录GPRS网络，通过互联网与服务器建立通信。
由上可知，在图7实施例中所涉及的通信组件1203、语音组件1206以及输入/输出接口1207、传感器组件1208均可以作为图6实施例中的输入设备的实现方式。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (16)

1.一种车轴计数方法，其特征在于，包括：
通过第一检测模型对待检测图片进行目标检测，到得一个或多个车辆框；
通过第二检测模型对所述一个或多个车辆框进行目标检测，得到多个车轮框；
根据所述多个车轮框得到车轴的数量。
2.根据权利要求1所述的车轴计数方法，其特征在于，所述车轮框的数据包括车轮框的数量以及车轮框的类型。
3.根据权利要求2所述的车轴计数方法，其特征在于，根据所述车轮框的长宽比确定所述车轮框的类型。
4.根据权利要求2或3所述的车轴计数方法，其特征在于，所述车轮框的类型包括：一轴车轮框、多轴车轮框。
5.根据权利要求1所述的车轴计数方法，其特征在于，若通过第一检测模型对待检测图片进行目标检测得到多个车辆框，则对所述多个车辆框进行筛选，得到目标车辆框。
6.根据权利要求5所述的车轴计数方法，其特征在于，所述对多个车辆框进行筛选，包括：
获取多个车辆框的面积；
从多个车辆框中筛选出区域面积最大的车辆框作为目标车辆框。
7.根据权利要求1所述的车轴计数方法，其特征在在于，所述通过第一检测模型对待检测图片进行目标检测，包括：
将待检测图片输入到第一检测模型，得到所述待检测图片中的一个或多个车辆框。
8.根据权利要求1或7所述的车轴计数方法，其特征在于，所述通过第二检测模型对所述一个或多个车辆框进行目标检测，包括：
将所述一个或多个车辆框框住的区域图像输入到第二检测模型，得到车辆框中的多个车轮框。
9.一种车轴计数装置，其特征在于，包括：
车辆检测模块，用于通过第一检测模型对待检测图片进行目标检测，到得一个或多个车辆框；
车轮检测模块，用于通过第二检测模型对所述一个或多个车辆框进行目标检测，得到多个车轮框；
车轴检测模块，用于根据所述多个车轮框得到车轴的数量。
10.根据权利要求8所述的车轴计数装置，其特征在于，所述车轮框的数据包括车轮框的数量以及车轮框的类型。
11.根据权利要求10所述的车轴计数装置，其特征在于，根据所述车轮框的长宽比确定所述车轮框的类型。
12.根据权利要求10或11所述的车轴计数装置，其特征在于，所述车轮框的类型包括：一轴车轮框、多轴车轮框。
13.根据权利要求9所述的车轴计数装置，其特征在于，该装置还包括筛选模块，用于在通过第一检测模型对待检测图片进行目标检测得到多个车辆框时，对所述多个车辆框进行筛选，得到目标车辆框。
14.根据权利要求13所述的车轴计数装置，其特征在于，所述筛选模块包括：
面积获取子模块，用于获取多个车辆框的面积；
筛选子模块，用于从多个车辆框中筛选出区域面积最大的车辆框作为目标车辆框。
15.一种车轴计数设备，其特征在于，包括：
一个或多个处理器；和
其上存储有指令的一个或多个机器可读介质，当所述一个或多个处理器执行时，使得所述设备执行如权利要求1-8中一个或多个所述的方法。
16.一个或多个机器可读介质，其特征在于，其上存储有指令，当由一个或多个处理器执行时，使得设备执行如权利要求1-8中一个或多个所述的方法。
CN202011406010.7A 2020-12-02 2020-12-02 一种车轴计数方法、装置、机器可读介质及设备 Pending CN112418144A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011406010.7A CN112418144A (zh) 2020-12-02 2020-12-02 一种车轴计数方法、装置、机器可读介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011406010.7A CN112418144A (zh) 2020-12-02 2020-12-02 一种车轴计数方法、装置、机器可读介质及设备

Publications (1)

Publication Number Publication Date
CN112418144A true CN112418144A (zh) 2021-02-26

Family

ID=74830261

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011406010.7A Pending CN112418144A (zh) 2020-12-02 2020-12-02 一种车轴计数方法、装置、机器可读介质及设备

Country Status (1)

Country Link
CN (1) CN112418144A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114332827A (zh) * 2022-03-10 2022-04-12 浙江大华技术股份有限公司 一种车辆识别方法、装置、电子设备和存储介质
CN114937263A (zh) * 2022-05-05 2022-08-23 北京容联易通信息技术有限公司 一种基于视频智能分析的车辆轴数计数方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108363998A (zh) * 2018-03-21 2018-08-03 北京迈格威科技有限公司 一种对象的检测方法、装置、系统和电子设备
CN111161542A (zh) * 2018-11-08 2020-05-15 杭州海康威视数字技术股份有限公司 车辆识别方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108363998A (zh) * 2018-03-21 2018-08-03 北京迈格威科技有限公司 一种对象的检测方法、装置、系统和电子设备
CN111161542A (zh) * 2018-11-08 2020-05-15 杭州海康威视数字技术股份有限公司 车辆识别方法及装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114332827A (zh) * 2022-03-10 2022-04-12 浙江大华技术股份有限公司 一种车辆识别方法、装置、电子设备和存储介质
CN114937263A (zh) * 2022-05-05 2022-08-23 北京容联易通信息技术有限公司 一种基于视频智能分析的车辆轴数计数方法及系统
CN114937263B (zh) * 2022-05-05 2023-02-10 北京容联易通信息技术有限公司 一种基于视频智能分析的车辆轴数计数方法及系统

Similar Documents

Publication Publication Date Title
CN111126182B (zh) 车道线检测方法、装置、电子设备及存储介质
CN108737739B (zh) 一种预览画面采集方法、预览画面采集装置及电子设备
CN106548145A (zh) 图像识别方法及装置
WO2021098609A1 (zh) 图像检测方法、装置及电子设备
CN110839128B (zh) 拍照行为检测方法、装置及存储介质
CN110245607B (zh) 眼球追踪方法及相关产品
CN111752817A (zh) 页面加载时长的确定方法、装置、设备及存储介质
CN112418144A (zh) 一种车轴计数方法、装置、机器可读介质及设备
CN111078521A (zh) 异常事件的分析方法、装置、设备、系统及存储介质
CN109146498A (zh) 人脸支付方法及相关装置
CN110647881A (zh) 确定图像对应的卡片类型的方法、装置、设备及存储介质
CN113259702A (zh) 数据展示方法、装置、计算机设备及介质
CN113378705B (zh) 车道线检测方法、装置、设备及存储介质
CN111949680A (zh) 数据处理方法、装置、计算机设备及存储介质
CN111586279B (zh) 确定拍摄状态的方法、装置、设备及存储介质
CN111401206A (zh) 一种全景图共享方法、系统、设备和介质
CN107783710A (zh) 摄像头控制方法及装置、终端及可读存储介质
CN112633218B (zh) 人脸检测方法、装置、终端设备及计算机可读存储介质
CN111127541A (zh) 车辆尺寸的确定方法、装置及存储介质
CN111723124B (zh) 数据碰撞分析的方法、装置、电子设备和存储介质
CN110222576B (zh) 拳击动作识别方法、装置和电子设备
CN113343709B (zh) 意图识别模型的训练方法、意图识别方法、装置及设备
CN113361386B (zh) 虚拟场景的处理方法、装置、设备及存储介质
CN114943872A (zh) 目标检测模型的训练方法、装置、目标检测方法、装置、介质及设备
CN111324815B (zh) 汽车信息的处理方法、装置及存储介质

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: 20210226

RJ01 Rejection of invention patent application after publication