CN112669317A - 胎压检测方法及计算机存储介质 - Google Patents
胎压检测方法及计算机存储介质 Download PDFInfo
- Publication number
- CN112669317A CN112669317A CN202110276661.7A CN202110276661A CN112669317A CN 112669317 A CN112669317 A CN 112669317A CN 202110276661 A CN202110276661 A CN 202110276661A CN 112669317 A CN112669317 A CN 112669317A
- Authority
- CN
- China
- Prior art keywords
- tire
- wheel
- wheel tire
- image
- tire pressure
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 75
- 238000000605 extraction Methods 0.000 claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000003066 decision tree Methods 0.000 claims description 14
- 238000000926 separation method Methods 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 description 24
- 230000003042 antagnostic effect Effects 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000003062 neural network model Methods 0.000 description 8
- 230000002787 reinforcement Effects 0.000 description 8
- 238000002372 labelling Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 239000004984 smart glass Substances 0.000 description 2
- 239000000725 suspension Substances 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Landscapes
- Measuring Fluid Pressure (AREA)
Abstract
本发明实施例提供一种胎压检测方法及计算机存储介质。其中，所述方法包括：对待检测的车轮轮胎图像执行特征提取操作，获得车轮轮胎图像的轮胎特征数据；基于轮胎特征数据包括的第一特征数据，对车轮轮胎图像中的车轮轮胎的胎压进行初步判断，获得车轮轮胎的胎压的初步判断结果；若基于初步判断结果确定车轮轮胎的胎压正常，则基于轮胎特征数据包括的第二特征数据，对车轮轮胎图像中的车轮轮胎的胎压进行预测，获得车轮轮胎的胎压的预测结果；基于车轮轮胎的胎压的预测结果，对车轮轮胎图像中的车轮轮胎的胎压进行再次判断，获得车轮轮胎的胎压的再次判断结果。本实施例能够自动对胎压进行检测，从而降低车辆在低高速行驶过程中事故发生的可能性。
Description
技术领域
本发明实施例涉及人工智能领域，尤其涉及一种胎压检测方法及计算机存储介质。
背景技术
汽车是一种交通工具，汽车轮胎是汽车的重要部件之一，它直接与路面接触，和汽车悬架共同来缓和汽车行驶时所受到的冲击，保证汽车有良好的乘座舒适性和行驶平顺性，保证车轮和路面有良好的附着性，提高汽车的牵引性、制动性和通过性，承受着汽车的重量，轮胎在汽车上所起的重要作用越来越受到人们的重视。
汽车的安全行驶离不开轮胎的正常胎压，汽车在高速上行驶,如果轮胎的胎压异常会对汽车的行驶安全带来非常大的影响。具体地，如果汽车轮胎的胎压过高，使轮胎与地面的接触面积减少，单位面积所承受的压力、磨损剧增，容易造成刹车失控、遇地面突起物或凹陷爆破、损害汽车的悬挂系统、乘坐不舒适等危害。如果汽车轮胎的胎压过低，使轮胎与地面的接触面积增加，汽车行驶时胎内温度不正常增加，同时，由于胎侧变形严重，内部的钢丝、帘布层老化加剧，从而为爆胎埋下隐患，并且使耗油量增加，轮胎寿命降低。由此可见，如何对车轮轮胎的胎压进行检测，从而有效降低车轮在低高速行驶过程中事故发生的可能性成为当前亟待解决的技术问题。
发明内容
有鉴于此，本发明实施例所解决的技术问题之一在于提供一种胎压检测方法及计算机存储介质，用以解决上述技术问题至少之一。
本发明实施例提供一种胎压检测方法。所述方法包括：对待检测的车轮轮胎图像执行特征提取操作，以获得所述车轮轮胎图像的轮胎特征数据；基于所述轮胎特征数据包括的第一特征数据，对所述车轮轮胎图像中的车轮轮胎的胎压进行初步判断，以获得所述车轮轮胎的胎压的初步判断结果，其中，所述第一特征数据包括所述车轮轮胎当前的形状与所述车轮轮胎处于正常胎压时的形状的相似度；若基于所述初步判断结果确定所述车轮轮胎的胎压正常，则基于所述轮胎特征数据包括的第二特征数据，对所述车轮轮胎图像中的车轮轮胎的胎压进行预测，以获得所述车轮轮胎的胎压的第一预测结果，其中，所述第二特征数据包括以下中的至少一者：所述车轮轮胎的型号、所述车轮轮胎所在的轮毂的型号、所述轮毂的侧边或者上边与所述车轮轮胎的上表面的第一高度、所述轮毂的下沿与地面的第二高度；基于所述车轮轮胎的胎压的第一预测结果，对所述车轮轮胎图像中的车轮轮胎的胎压进行再次判断，以获得所述车轮轮胎的胎压的再次判断结果。
本发明实施例还提供一种计算机存储介质，所述计算机存储介质存储有可读程序，所述可读程序包括：用于对待检测的车轮轮胎图像执行特征提取操作，以获得所述车轮轮胎图像的轮胎特征数据的指令；用于基于所述轮胎特征数据包括的第一特征数据，对所述车轮轮胎图像中的车轮轮胎的胎压进行初步判断，以获得所述车轮轮胎的胎压的初步判断结果的指令，其中，所述第一特征数据包括所述车轮轮胎当前的形状与所述车轮轮胎处于正常胎压时的形状的相似度；用于若基于所述初步判断结果确定所述车轮轮胎的胎压正常，则基于所述轮胎特征数据包括的第二特征数据，对所述车轮轮胎图像中的车轮轮胎的胎压进行预测，以获得所述车轮轮胎的胎压的第一预测结果的指令，其中，所述第二特征数据包括以下中的至少一者：所述车轮轮胎的型号、所述车轮轮胎所在的轮毂的型号、所述轮毂的侧边或者上边与所述车轮轮胎的上表面的第一高度、所述轮毂的下沿与地面的第二高度；用于基于所述车轮轮胎的胎压的第一预测结果，对所述车轮轮胎图像中的车轮轮胎的胎压进行再次判断，以获得所述车轮轮胎的胎压的再次判断结果的指令。
通过本发明实施例提供的胎压检测方案，基于所述车轮轮胎当前的形状与所述车轮轮胎处于正常胎压时的形状的相似度，对所述车轮轮胎图像中的车轮轮胎的胎压进行初步判断，如果根据所述初步判断结果确定所述车轮轮胎的胎压正常，基于所述车轮轮胎的型号、所述车轮轮胎所在的轮毂的型号、所述轮毂的侧边或者上边与所述车轮轮胎的上表面的第一高度、所述轮毂的下沿与地面的第二高度中的至少一者，对所述车轮轮胎图像中的车轮轮胎的胎压进行预测，并基于所述车轮轮胎的胎压的预测结果，对所述车轮轮胎图像中的车轮轮胎的胎压进行再次判断，能够自动准确地对车轮轮胎的胎压进行检测，从而有效降低车轮在低高速行驶过程中事故发生的可能性。
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实施例中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1示出了本发明实施例一的一种胎压检测方法的步骤流程图；
图2示出了根据本发明实施例一的车轮轮胎的示意图；
图3示出了根据本发明实施例一的胎压预测决策树模型的原理的示意图；
图4示出了本发明实施例二的一种胎压检测方法的步骤流程图；
图5示出了根据本发明实施例二的一种胎压检测方法的流程示意图。
具体实施方式
为了使本领域的人员更好地理解本发明实施例中的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明实施例一部分实施例，而不是全部的实施例。基于本发明实施例中的实施例，本领域普通技术人员所获得的所有其他实施例，都应当属于本发明实施例保护的范围。
下面结合本发明实施例附图进一步说明本发明实施例具体实现。
实施例一
参照图1，示出了本发明实施例一的一种胎压检测方法的步骤流程图。本发明实施例提供的一种胎压检测方法包括以下步骤：
在步骤S101中，对待检测的车轮轮胎图像执行特征提取操作，以获得所述车轮轮胎图像的轮胎特征数据。
本实施例中，所述待检测的车轮轮胎图像可包括自行车的车轮轮胎图像、电动车的车轮轮胎图像、摩托车的车轮轮胎图像、汽车的车轮轮胎图像，以及货车的车轮轮胎图像等。所述特征提取操作可理解为采用图像特征提取技术进行的操作。所述车轮轮胎图像的轮胎特征数据包括以下中的至少一者：所述车轮轮胎当前的形状与所述车轮轮胎处于正常胎压时的形状的相似度、所述车轮轮胎的型号、所述车轮轮胎所在的轮毂的型号、所述轮毂的侧边或者上边与所述车轮轮胎的上表面的第一高度、所述轮毂的下沿与地面的第二高度。其中，所述第一高度可理解为所述车轮轮胎充气后的正常高度，所述第二高度可理解为所述车轮轮胎与地面的接触部分的高度。具体地，如图2所示，标记10表示所述第一高度，标记11表示所述第二高度，标记12表示所述车轮轮胎所在的轮毂。
在一些可选实施例中，在对待检测的车轮轮胎图像执行特征提取操作之前，所述方法还包括：获取所述车轮轮胎图像所属的车辆与所述车轮轮胎图像所属的拍照点的拍照距离；基于所述拍照距离，确定所述车轮轮胎图像的缩放比例尺；基于所述缩放比例尺，对所述车轮轮胎图像进行缩放，以获得缩放后的所述车轮轮胎图像，所述对待检测的车轮轮胎图像执行特征提取操作，包括：对缩放后的所述车轮轮胎图像执行特征提取操作，以获得缩放后的所述车轮轮胎图像的轮胎特征数据。籍此，通过所述车轮轮胎图像所属的车辆与所述车轮轮胎图像所属的拍照点的拍照距离，能够准确地确定所述车轮轮胎图像的缩放比例尺。进一步地，通过确定得到的缩放比例尺，对所述车轮轮胎图像进行缩放，能够使得缩放后的所述车轮轮胎图像适于进行特征提取操作。
在一个具体的例子中，可通过红外测距装置，获取所述车轮轮胎图像所属的车辆与所述车轮轮胎图像所属的拍照点的直线距离，也即是所述车轮轮胎图像所属的车辆与所述车轮轮胎图像所属的拍照点的拍照距离。在获取所述拍照距离之后，根据以下公式一计算得到所述车轮轮胎图像的缩放比例尺：
其中，a表示所述车轮轮胎图像所属的车辆与所述车轮轮胎图像所属的拍照点的拍照距离，
表示图像缩放的单位距离，sc表示所述车轮轮胎图像的缩放比例尺。
在基于所述缩放比例尺，对所述车轮轮胎图像进行缩放时，如果所述缩放比例尺大于1，则对所述车轮轮胎图像进行相应倍数的放大；如果所述缩放比例尺等于1，则不对所述车轮轮胎图像进行缩放；如果所述缩放比例尺小于1，则对所述车轮轮胎图像进行相应倍数的缩小。
在一些可选实施例中，当所述轮胎特征数据包括所述车轮轮胎当前的形状与所述车轮轮胎处于正常胎压时的形状的相似度时，所述对待检测的车轮轮胎图像执行特征提取操作，以获得所述车轮轮胎图像的轮胎特征数据，包括：通过轮胎形状相似度检测模型，对所述车轮轮胎图像进行相似度检测，以获得所述车轮轮胎当前的形状与所述车轮轮胎处于正常胎压时的形状的相似度。籍此，通过轮胎形状相似度检测模型，对所述车轮轮胎图像进行相似度检测，能够准确地获得所述车轮轮胎当前的形状与所述车轮轮胎处于正常胎压时的形状的相似度。
在一个具体的例子中，所述轮胎形状相似度检测模型可以是任意适当的可实现特征提取或目标对象检测的神经网络模型，包括但不限于卷积神经网络、增强学习神经网络、对抗神经网络中的生成网络等。神经网络中具体结构的设置可以由本领域技术人员根据实际需求适当设定，如卷积层的层数、卷积核的大小、通道数等。在训练所述轮胎形状相似度检测模型时，可通过反向传播算法或者随机梯度下降算法，基于车轮轮胎图像样本中的车轮轮胎当前的形状与所述车轮轮胎处于正常胎压时的形状的相似度标注数据，对所述轮胎形状相似度检测模型进行训练。
在一些可选实施例中，当所述轮胎特征数据包括所述车轮轮胎的型号时，所述对待检测的车轮轮胎图像执行特征提取操作，以获得所述车轮轮胎图像的轮胎特征数据，包括：通过弯曲文本检测模型，对所述车轮轮胎图像中的轮胎的文本区域进行检测，以获得所述车轮轮胎图像中的轮胎的文本区域；通过弯曲文本识别模型，对所述车轮轮胎图像中的轮胎的文本区域进行文本识别，以获得所述车轮轮胎的型号和所述车轮轮胎的型号的置信度。籍此，通过弯曲文本检测模型，对所述车轮轮胎图像中的轮胎的文本区域进行检测，能够准确地获得所述车轮轮胎图像中的轮胎的文本区域。此外，通过弯曲文本识别模型，对所述车轮轮胎图像中的轮胎的文本区域进行文本识别，能够准确地获得所述车轮轮胎的型号和所述车轮轮胎的型号的置信度。
在一个具体的例子中，所述弯曲文本检测模型可以是任意适当的可实现特征提取或目标对象检测的神经网络模型，包括但不限于卷积神经网络、增强学习神经网络、对抗神经网络中的生成网络等。神经网络中具体结构的设置可以由本领域技术人员根据实际需求适当设定，如卷积层的层数、卷积核的大小、通道数等。在训练所述弯曲文本检测模型时，可通过反向传播算法或者随机梯度下降算法，基于车轮轮胎图像样本中的文本区域标注数据，对所述弯曲文本检测模型进行训练。此外，所述弯曲文本识别模型可以是任意适当的可实现特征提取或目标对象检测的神经网络模型，包括但不限于卷积神经网络、增强学习神经网络、对抗神经网络中的生成网络等。神经网络中具体结构的设置可以由本领域技术人员根据实际需求适当设定，如卷积层的层数、卷积核的大小、通道数等。在训练所述弯曲文本识别模型时，可通过反向传播算法或者随机梯度下降算法，基于车轮轮胎图像样本中的文本标注数据，对所述弯曲文本识别模型进行训练。其中，所述车轮轮胎图像中的轮胎的文本区域可采用文本框进行表示，所述车轮轮胎的型号可以是235/50R/18，所述车轮轮胎的型号的置信度可以是[0,1]之间的数据，置信度越高，所述弯曲文本识别模型识别获得的所述车轮轮胎的型号的准确度越高，置信度越低，所述弯曲文本识别模型识别获得的所述车轮轮胎的型号的准确度越低。
在一些可选实施例中，当所述轮胎特征数据包括所述车轮轮胎所在的轮毂的型号时，所述对待检测的车轮轮胎图像执行特征提取操作，以获得所述车轮轮胎图像的轮胎特征数据，包括：通过轮毂识别模型，对所述车轮轮胎图像中的轮毂进行识别，以获得所述轮毂的型号和所述轮毂的型号的置信度。籍此，通过轮毂识别模型，对所述车轮轮胎图像中的轮毂进行识别，能够准确地获得所述轮毂的型号和所述轮毂的型号的置信度。
在一个具体的例子中，所述轮毂识别模型可以是任意适当的可实现特征提取或目标对象检测的神经网络模型，包括但不限于卷积神经网络、增强学习神经网络、对抗神经网络中的生成网络等。神经网络中具体结构的设置可以由本领域技术人员根据实际需求适当设定，如卷积层的层数、卷积核的大小、通道数等。在训练所述轮毂识别模型时，可通过反向传播算法或者随机梯度下降算法，基于车轮轮胎图像样本中的轮毂型号标注数据，对所述轮毂识别模型进行训练。其中，所述轮毂的型号可以是大众途观(R18)，所述轮毂的型号的置信度可以是[0,1]之间的数据，置信度越高，所述轮毂识别模型识别获得的所述轮毂的型号的准确度越高，置信度越低，所述轮毂识别模型识别获得的所述轮毂的型号的准确度越低。
在一些可选实施例中，当所述轮胎特征数据包括所述第一高度时，所述对待检测的车轮轮胎图像执行特征提取操作，以获得所述车轮轮胎图像的轮胎特征数据，包括：通过第一高度检测模型，对所述车轮轮胎图像进行高度检测，以获得所述轮毂的侧边或者上边与所述车轮轮胎的上表面的第一高度和所述第一高度的置信度。籍此，通过第一高度检测模型，对所述车轮轮胎图像进行高度检测，能够准确地获得所述轮毂的侧边或者上边与所述车轮轮胎的上表面的第一高度和所述第一高度的置信度。
在一个具体的例子中，所述第一高度检测模型可以是任意适当的可实现特征提取或目标对象检测的神经网络模型，包括但不限于卷积神经网络、增强学习神经网络、对抗神经网络中的生成网络等。神经网络中具体结构的设置可以由本领域技术人员根据实际需求适当设定，如卷积层的层数、卷积核的大小、通道数等。在训练所述第一高度检测模型时，可通过反向传播算法或者随机梯度下降算法，基于车轮轮胎图像样本中的第一高度标注数据，对所述第一高度检测模型进行训练。其中，所述第一高度的置信度可以是[0,1]之间的数据，置信度越高，所述第一高度检测模型检测获得的所述第一高度的准确度越高，置信度越低，所述第一高度检测模型检测获得的所述第一高度的准确度越低。
在一些可选实施例中，当所述轮胎特征数据包括所述第二高度时，所述对待检测的车轮轮胎图像执行特征提取操作，以获得所述车轮轮胎图像的轮胎特征数据，包括：通过第二高度检测模型，对所述车轮轮胎图像进行高度检测，以获得所述轮毂的下沿与地面的第二高度和所述第二高度的置信度。籍此，通过第二高度检测模型，对所述车轮轮胎图像进行高度检测，能够准确地获得所述轮毂的下沿与地面的第二高度和所述第二高度的置信度。
在一个具体的例子中，所述第二高度检测模型可以是任意适当的可实现特征提取或目标对象检测的神经网络模型，包括但不限于卷积神经网络、增强学习神经网络、对抗神经网络中的生成网络等。神经网络中具体结构的设置可以由本领域技术人员根据实际需求适当设定，如卷积层的层数、卷积核的大小、通道数等。在训练所述第二高度检测模型时，可通过反向传播算法或者随机梯度下降算法，基于车轮轮胎图像样本中的第二高度标注数据，对所述第二高度检测模型进行训练。其中，所述第二高度的置信度可以是[0,1]之间的数据，置信度越高，所述第二高度检测模型检测获得的所述第二高度的准确度越高，置信度越低，所述第二高度检测模型检测获得的所述第二高度的准确度越低。
在步骤S102中，基于所述轮胎特征数据包括的第一特征数据，对所述车轮轮胎图像中的车轮轮胎的胎压进行初步判断，以获得所述车轮轮胎的胎压的初步判断结果。
本实施例中，所述第一特征数据包括所述车轮轮胎当前的形状与所述车轮轮胎处于正常胎压时的形状的相似度。所述车轮轮胎的胎压的初步判断结果可为所述车轮轮胎的胎压正常或者所述车轮轮胎的胎压异常。
在一些可选实施例中，在基于所述轮胎特征数据包括的第一特征数据，对所述车轮轮胎图像中的车轮轮胎的胎压进行初步判断时，若所述车轮轮胎当前的形状与所述车轮轮胎处于正常胎压时的形状的相似度小于预设的相似度阈值，则确定所述初步判断结果为所述车轮轮胎的胎压异常；若所述车轮轮胎当前的形状与所述车轮轮胎处于正常胎压时的形状的相似度等于或者大于所述预设的相似度阈值，则确定所述初步判断结果为所述车轮轮胎的胎压正常。籍此，通过所述车轮轮胎当前的形状与所述车轮轮胎处于正常胎压时的形状的相似度和预设的相似度阈值，能够准确地获得所述车轮轮胎的胎压的初步判断结果。
在一个具体的例子中，所述车轮轮胎当前的形状与所述车轮轮胎处于正常胎压时的形状的相似度为0-1之间的取值，取值越大，越相似。在所述预设的相似度阈值为0.8的情况下，如果相似度取值小于0.8，则确定所述车轮轮胎的胎压异常。如果相似度取值等于或者大于0.8，则确定所述车轮轮胎的胎压正常。
在步骤S103中，若基于所述初步判断结果确定所述车轮轮胎的胎压正常，则基于所述轮胎特征数据包括的第二特征数据，对所述车轮轮胎图像中的车轮轮胎的胎压进行预测，以获得所述车轮轮胎的胎压的第一预测结果。
本实施例中，所述第二特征数据包括以下中的至少一者：所述车轮轮胎的型号、所述车轮轮胎所在的轮毂的型号、所述轮毂的侧边或者上边与所述车轮轮胎的上表面的第一高度、所述轮毂的下沿与地面的第二高度。
在一些可选实施例中，在基于所述轮胎特征数据包括的第二特征数据，对所述车轮轮胎图像中的车轮轮胎的胎压进行预测，以获得所述车轮轮胎的胎压的第一预测结果时，通过胎压预测决策树模型，基于所述车轮轮胎的型号、所述车轮轮胎所在的轮毂的型号、所述轮毂的侧边或者上边与所述车轮轮胎的上表面的第一高度，以及所述轮毂的下沿与地面的第二高度进行胎压预测，以获得所述车轮轮胎的胎压的第一预测结果和所述第一预测结果的置信度。籍此，通过胎压预测决策树模型，基于所述车轮轮胎的型号、所述车轮轮胎所在的轮毂的型号、所述轮毂的侧边或者上边与所述车轮轮胎的上表面的第一高度，以及所述轮毂的下沿与地面的第二高度进行胎压预测，能够准确地获得所述车轮轮胎的胎压的第一预测结果和所述第一预测结果的置信度。
在一个具体的例子中，在通过胎压预测决策树模型，基于所述车轮轮胎的型号、所述车轮轮胎所在的轮毂的型号、所述轮毂的侧边或者上边与所述车轮轮胎的上表面的第一高度，以及所述轮毂的下沿与地面的第二高度进行胎压预测时，通过胎压预测决策树模型，基于所述车轮轮胎的型号、所述车轮轮胎所在的轮毂的型号、所述轮毂的侧边或者上边与所述车轮轮胎的上表面的第一高度、所述轮毂的下沿与地面的第二高度进行胎压预测，以及所述车轮轮胎图像所属的车辆的重量进行胎压预测，以获得所述车轮轮胎的胎压的第一预测结果和所述第一预测结果的置信度。
在一个具体的例子中，决策树是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法。由于这种决策分支画成图形很像一棵树的枝干，故称决策树。在机器学习中，决策树是一个预测模型，代表的是对象属性与对象值之间的一种映射关系。决策树是一种树形结构，其中每个内部节点表示一个属性上的测试，每个分支代表一个测试输出，每个叶节点代表一种类别。此外，所述第一预测结果的置信度可以是[0，1]之间的数据，置信度越高，所述第一预测结果的准确度越高，置信度越低，所述第一预测结果的准确度越低。
在一个具体的例子中，如图3所示，图中所有省略号为对应分支的数据，为了方便显示，进行了省略，通过图3可以看出数据输入到胎压预测决策树模型中，会首先判断所述第一高度与所述第二高度的差值，如果所述第一高度或者所述第二高度的置信度小于0.5，则忽略此项进行下一步决策，此次决策会遍历下一层所有的分支，找到符合的结果。如果差值大于5cm则确定车轮轮胎的胎压过低。如果差值等于0mm，则确定车轮轮胎的胎压过高。如果差值在0-5cm之间，则进行对轮毂型号进行识别，如果识别到的轮毂型号的置信度大于或者等于0.5，则将进入对应分支，直到最终计算出车轮轮胎的胎压范围及其置信度。具体地，如果识别到的轮毂型号的置信度大于或者等于0.5，并且根据轮毂型号得到的轮毂的尺寸为16，则进入对应的分支。如果识别到的轮毂型号的置信度大于或者等于0.5，并且根据轮毂型号得到的轮毂的尺寸为18，则进行对轮胎参数（轮胎型号）进行识别。具体地，如果识别到的轮胎型号的置信度大于或者等于0.5，并且轮胎型号为225/50R18，则进入对应的分支。如果识别到的轮胎型号的置信度小于0.5，则忽略此项进行下一步决策，此次决策会遍历下一层所有的分支，找到符合的结果。如果识别到的轮胎型号的置信度大于或者等于0.5，并且轮胎型号为235/50R18，则进行对车身质量进行识别。具体地，如果车身质量在2T-2.5T之间，则进入对应的分支。如果车身质量在1.5T-2T之间，则进行对第二高度进行检测，直到最终计算出车轮轮胎的胎压范围及其置信度。
在步骤S104中，基于所述车轮轮胎的胎压的第一预测结果，对所述车轮轮胎图像中的车轮轮胎的胎压进行再次判断，以获得所述车轮轮胎的胎压的再次判断结果。
本实施例中，如果所述车轮轮胎的胎压的第一预测结果为具体的胎压范围，并且所述具体的胎压范围位于预设的胎压范围内，则确定所述车轮轮胎的胎压的再次判断结果为所述车轮轮胎的胎压正常。如果所述车轮轮胎的胎压的第一预测结果为具体的胎压范围，并且所述具体的胎压范围不位于所述预设的胎压范围内，则确定所述车轮轮胎的胎压的再次判断结果为所述车轮轮胎的胎压异常。
通过本发明实施例提供的胎压检测方法，基于所述车轮轮胎当前的形状与所述车轮轮胎处于正常胎压时的形状的相似度，对所述车轮轮胎图像中的车轮轮胎的胎压进行初步判断，如果根据所述初步判断结果确定所述车轮轮胎的胎压正常，基于所述车轮轮胎的型号、所述车轮轮胎所在的轮毂的型号、所述轮毂的侧边或者上边与所述车轮轮胎的上表面的第一高度、所述轮毂的下沿与地面的第二高度中的至少一者，对所述车轮轮胎图像中的车轮轮胎的胎压进行预测，并基于所述车轮轮胎的胎压的预测结果，对所述车轮轮胎图像中的车轮轮胎的胎压进行再次判断，能够自动准确地对车轮轮胎的胎压进行检测，从而有效降低车轮在低高速行驶过程中事故发生的可能性。
本实施例提供的胎压检测方法可以由任意适当的具有数据处理能力的设备执行，包括但不限于：摄像头、终端、移动终端、PC机、服务器、车载设备、娱乐设备、广告设备、个人数码助理（PDA）、平板电脑、笔记本电脑、掌上游戏机、智能眼镜、智能手表、可穿戴设备、虚拟显示设备或显示增强设备（如Google Glass、Oculus Rift、Hololens、Gear VR）等。
实施例二
参照图4，示出了本发明实施例二的一种胎压检测方法的步骤流程图。本发明实施例提供的一种胎压检测方法包括以下步骤：
在步骤S201中，对待检测的车轮轮胎图像执行特征提取操作，以获得所述车轮轮胎图像的轮胎特征数据。
由于该步骤S201的具体实施方式与上述实施例一中的步骤S101的具体实施方式类似，在此不再赘述。
在步骤S202中，基于所述轮胎特征数据包括的第一特征数据，对所述车轮轮胎图像中的车轮轮胎的胎压进行初步判断，以获得所述车轮轮胎的胎压的初步判断结果。
由于该步骤S202的具体实施方式与上述实施例一中的步骤S102的具体实施方式类似，在此不再赘述。
在步骤S203中，若基于所述初步判断结果确定所述车轮轮胎的胎压正常，则基于所述轮胎特征数据包括的第二特征数据，对所述车轮轮胎图像中的车轮轮胎的胎压进行预测，以获得所述车轮轮胎的胎压的第一预测结果。
由于该步骤S203的具体实施方式与上述实施例一中的步骤S103的具体实施方式类似，在此不再赘述。
在步骤S204中，采集所述车轮轮胎通过减速带时与所述减速带的摩擦音频。
本实施例中，可通过音频采集装置，采集所述车轮轮胎通过减速带时与所述减速带的摩擦音频。其中，所述音频采集装置可为单向麦克风、全向麦克风或者麦克风阵列等，本实施例对此不做任何限定。
在步骤S205中，通过音频分离模型，从所述摩擦音频中分离出噪声，以获得噪声分离后的摩擦音频。
本实施例中，所述音频分离模型可以是任意适当的可实现音频特征提取或者目标音频检测的神经网络模型，包括但不限于卷积神经网络、增强学习神经网络、对抗神经网络中的生成网络等。神经网络中具体结构的设置可以由本领域技术人员根据实际需求适当设定，如卷积层的层数、卷积核的大小、通道数等。在训练所述音频分离模型时，可通过反向传播算法或者随机梯度下降算法，基于摩擦音频样本中的目标音频标注数据，对所述音频分离模型进行训练。其中，所述目标音频标注数据可为噪声分离后的音频标注数据。
在步骤S206中，通过音频胎压预测模型，基于所述噪声分离后的摩擦音频进行胎压预测，以获得所述车轮轮胎的胎压的第二预测结果和所述第二预测结果的置信度。
在一个具体的例子中，在通过音频胎压预测模型，基于所述噪声分离后的摩擦音频进行胎压预测时，通过音频胎压预测模型，基于所述噪声分离后的摩擦音频、所述车轮轮胎通过所述减速带时的速度，以及所述车轮轮胎所属的车辆的质量进行胎压预测，以获得所述车轮轮胎的胎压的第二预测结果和所述第二预测结果的置信度。籍此，通过音频胎压预测模型，基于所述噪声分离后的摩擦音频、所述车轮轮胎通过所述减速带时的速度，以及所述车轮轮胎所属的车辆的质量进行胎压预测，能够更准确地获得所述车轮轮胎的胎压的第二预测结果和所述第二预测结果的置信度。
在一个具体的例子中，所述音频胎压预测模型可以是任意适当的可实现特征提取或目标对象检测的神经网络模型，包括但不限于卷积神经网络、增强学习神经网络、对抗神经网络中的生成网络等。神经网络中具体结构的设置可以由本领域技术人员根据实际需求适当设定，如卷积层的层数、卷积核的大小、通道数等。在训练所述音频胎压预测模型时，可通过反向传播算法或者随机梯度下降算法，基于噪声分离后的摩擦音频样本对应的轮胎胎压标注数据，对所述音频胎压预测模型进行训练。其中，所述第二预测结果的置信度可以是[0,1]之间的数据，置信度越高，所述音频胎压预测模型获得的所述第二预测结果的准确度越高，置信度越低，所述音频胎压预测模型获得的所述第二预测结果的准确度越低。
在步骤S207中，基于所述车轮轮胎的胎压的第一预测结果和所述车轮轮胎的胎压的第二预测结果，确定所述车轮轮胎的胎压的最终预测结果。
本实施例中，如果所述第一预测结果和所述第二预测结果均为具体的轮胎胎压范围，则确定所述车轮轮胎的胎压的最终预测结果为两个轮胎胎压范围的交集。可选地，将所述第一预测结果的置信度与所述第二预测结果的置信度进行比较，如果所述第一预测结果的置信度大于所述第二预测结果的置信度，则确定所述车轮轮胎的胎压的最终预测结果为所述第一预测结果。如果所述第一预测结果的置信度等于所述第二预测结果的置信度，则确定所述车轮轮胎的胎压的最终预测结果为所述第一预测结果或者所述第二预测结果。如果所述第一预测结果的置信度小于所述第二预测结果的置信度，则确定所述车轮轮胎的胎压的最终预测结果为所述第二预测结果。
在步骤S208中，基于所述车轮轮胎的胎压的最终预测结果，对所述车轮轮胎图像中的车轮轮胎的胎压进行再次判断，以获得所述车轮轮胎的胎压的再次判断结果。
本实施例中，如果所述车轮轮胎的胎压的最终预测结果为具体的胎压范围，并且所述具体的胎压范围位于预设的胎压范围内，则确定所述车轮轮胎的胎压的再次判断结果为所述车轮轮胎的胎压正常。如果所述车轮轮胎的胎压的最终预测结果为具体的胎压范围，并且所述具体的胎压范围不位于所述预设的胎压范围内，则确定所述车轮轮胎的胎压的再次判断结果为所述车轮轮胎的胎压异常。
在一个具体的例子中，如图5所示，车辆通过收费站的时候，通过图像采集装置进行多次拍照，并通过红外测距装置，获取车辆与拍照点的直线距离，再推送到胎压检测系统，计算出车轮轮胎图像的缩放比例尺。同时，通过收费站称重装置，测量出车辆的总质量。然后，通过轮胎形状相似度检测模型（M1），检测出轮胎当前形状与轮胎处于正常胎压时的轮胎形状的相似度。通过所述相似度初步判断胎压是否正常，如果胎压异常，直接对车辆进行告警或拦截。如果胎压异常，则对胎压进行更具体的计算。具体地，通过弯曲文本检测模型（M2），对所述缩放后的轮胎图像中的文本区域进行检测，以获得所述缩放后的轮胎图像中的文本区域；通过弯曲文本识别模型（M3），对所述缩放后的轮胎图像中的文本区域进行文本识别，以获得所述轮胎的型号及其置信度；通过轮毂识别模型（M4），对所述缩放后的轮胎图像中的轮毂进行识别，以获得所述轮毂的型号及其置信度；通过第一高度检测模型（M5），对所述缩放后的轮胎图像进行高度检测，以获得所述轮胎的顶部或者侧边与所述轮毂边沿的第一高度及其置信度；通过第二高度检测模型（M6），对所述缩放后的轮胎图像进行高度检测，以获得所述轮毂边沿与地面的第二高度及其置信度；通过胎压预测决策树模型（M9），根据所述待检测的车辆的重量、所述轮胎的型号及其置信度、所述轮毂的型号及其置信度、所述第一高度和所述第二高度，预测出所述轮胎的胎压。如果发生大雨、或者车辆轮胎因为一些特殊原因无法拍到的情况下，可通过音频预测胎压。具体地，通过声音收集装置，收集所述待检测的车辆的轮胎在通过减速带时产生的摩擦音频；通过音频分离模型（M7），对所述摩擦音频进行噪声分离，以获得噪声分离后的摩擦音频；通过音频胎压预测模型（M8），根据所述噪声分离后的摩擦音频、所述轮胎通过所述减速带时的速度，以及所述轮胎所属的车辆的质量进行胎压预测，预测所述轮胎的胎压。进一步地，通过音频的方式对所述车轮轮胎的胎压进行预测的结果和通过图像的方式对所述车轮轮胎的胎压进行预测的结果可以结合起来得到所述车轮轮胎的胎压的最终预测结果，能够有效提高所述车轮轮胎的胎压的最终预测结果的准确度。具体地，取两者中置信度最高的胎压预测结果为所述车轮轮胎的胎压的最终预测结果。若所述轮胎的最终胎压正常，则放行车辆允许通过，否则拦截车辆禁止通过，从而提前预防，降低事故发生可能性。本实施例提供的胎压检测方法在汽车行进过程中，自动对胎压进行检测，无需对每辆汽车进行物理胎压测试。从检测到完成，秒级处理，无需停车等待。
通过本发明实施例提供的胎压检测方法，采集所述车轮轮胎通过减速带时与所述减速带的摩擦音频，并通过音频分离模型，从所述摩擦音频中分离出噪声，再通过音频胎压预测模型，基于所述噪声分离后的摩擦音频进行胎压预测，能够在无法拍摄到车轮轮胎图像的情况下，通过音频的方式对所述车轮轮胎的胎压进行预测。此外，通过音频的方式对所述车轮轮胎的胎压进行预测的结果和通过图像的方式对所述车轮轮胎的胎压进行预测的结果可以结合起来得到所述车轮轮胎的胎压的最终预测结果，能够有效提高所述车轮轮胎的胎压的最终预测结果的准确度。进一步地，基于所述车轮轮胎的胎压的最终预测结果，对所述车轮轮胎图像中的车轮轮胎的胎压进行再次判断，能够更准确地对车轮轮胎的胎压进行检测，从而进一步降低车轮在低高速行驶过程中事故发生的可能性。
本实施例提供的胎压检测方法可以由任意适当的具有数据处理能力的设备执行，包括但不限于：摄像头、终端、移动终端、PC机、服务器、车载设备、娱乐设备、广告设备、个人数码助理（PDA）、平板电脑、笔记本电脑、掌上游戏机、智能眼镜、智能手表、可穿戴设备、虚拟显示设备或显示增强设备（如Google Glass、Oculus Rift、Hololens、Gear VR）等。
实施例三
本发明实施例还提供一种计算机存储介质，所述计算机存储介质存储有可读程序，所述可读程序包括：用于对待检测的车轮轮胎图像执行特征提取操作，以获得所述车轮轮胎图像的轮胎特征数据的指令；用于基于所述轮胎特征数据包括的第一特征数据，对所述车轮轮胎图像中的车轮轮胎的胎压进行初步判断，以获得所述车轮轮胎的胎压的初步判断结果的指令，其中，所述第一特征数据包括所述车轮轮胎当前的形状与所述车轮轮胎处于正常胎压时的形状的相似度；用于若基于所述初步判断结果确定所述车轮轮胎的胎压正常，则基于所述轮胎特征数据包括的第二特征数据，对所述车轮轮胎图像中的车轮轮胎的胎压进行预测，以获得所述车轮轮胎的胎压的第一预测结果的指令，其中，所述第二特征数据包括以下中的至少一者：所述车轮轮胎的型号、所述车轮轮胎所在的轮毂的型号、所述轮毂的侧边或者上边与所述车轮轮胎的上表面的第一高度、所述轮毂的下沿与地面的第二高度；用于基于所述车轮轮胎的胎压的第一预测结果，对所述车轮轮胎图像中的车轮轮胎的胎压进行再次判断，以获得所述车轮轮胎的胎压的再次判断结果的指令。
可选地，所述用于对待检测的车轮轮胎图像执行特征提取操作的指令之前，所述可读程序还包括：用于获取所述车轮轮胎图像所属的车辆与所述车轮轮胎图像所属的拍照点的拍照距离的指令；用于基于所述拍照距离，确定所述车轮轮胎图像的缩放比例尺的指令；用于基于所述缩放比例尺，对所述车轮轮胎图像进行缩放，以获得缩放后的所述车轮轮胎图像的指令，所述用于对待检测的车轮轮胎图像执行特征提取操作的指令，包括：用于对缩放后的所述车轮轮胎图像执行特征提取操作，以获得缩放后的所述车轮轮胎图像的轮胎特征数据的指令。
可选地，当所述轮胎特征数据包括所述车轮轮胎当前的形状与所述车轮轮胎处于正常胎压时的形状的相似度时，所述用于对待检测的车轮轮胎图像执行特征提取操作，以获得所述车轮轮胎图像的轮胎特征数据的指令，包括：用于通过轮胎形状相似度检测模型，对所述车轮轮胎图像进行相似度检测，以获得所述车轮轮胎当前的形状与所述车轮轮胎处于正常胎压时的形状的相似度的指令。
可选地，当所述轮胎特征数据包括所述车轮轮胎的型号时，所述用于对待检测的车轮轮胎图像执行特征提取操作，以获得所述车轮轮胎图像的轮胎特征数据的指令，包括：用于通过弯曲文本检测模型，对所述车轮轮胎图像中的轮胎的文本区域进行检测，以获得所述车轮轮胎图像中的轮胎的文本区域的指令；用于通过弯曲文本识别模型，对所述车轮轮胎图像中的轮胎的文本区域进行文本识别，以获得所述车轮轮胎的型号和所述车轮轮胎的型号的置信度的指令。
可选地，当所述轮胎特征数据包括所述车轮轮胎所在的轮毂的型号时，所述用于对待检测的车轮轮胎图像执行特征提取操作，以获得所述车轮轮胎图像的轮胎特征数据的指令，包括：用于通过轮毂识别模型，对所述车轮轮胎图像中的轮毂进行识别，以获得所述轮毂的型号和所述轮毂的型号的置信度的指令。
可选地，当所述轮胎特征数据包括所述第一高度时，所述用于对待检测的车轮轮胎图像执行特征提取操作，以获得所述车轮轮胎图像的轮胎特征数据的指令，包括：用于通过第一高度检测模型，对所述车轮轮胎图像进行高度检测，以获得所述轮毂的侧边或者上边与所述车轮轮胎的上表面的第一高度和所述第一高度的置信度的指令。
可选地，当所述轮胎特征数据包括所述第二高度时，所述用于对待检测的车轮轮胎图像执行特征提取操作，以获得所述车轮轮胎图像的轮胎特征数据的指令，包括：用于通过第二高度检测模型，对所述车轮轮胎图像进行高度检测，以获得所述轮毂的下沿与地面的第二高度和所述第二高度的置信度的指令。
可选地，所述用于基于所述轮胎特征数据包括的第一特征数据，对所述车轮轮胎图像中的车轮轮胎的胎压进行初步判断，以获得所述车轮轮胎的胎压的初步判断结果的指令，包括：用于若所述车轮轮胎当前的形状与所述车轮轮胎处于正常胎压时的形状的相似度小于预设的相似度阈值，则确定所述初步判断结果为所述车轮轮胎的胎压异常的指令；用于若所述车轮轮胎当前的形状与所述车轮轮胎处于正常胎压时的形状的相似度等于或者大于所述预设的相似度阈值，则确定所述初步判断结果为所述车轮轮胎的胎压正常的指令。
可选地，所述用于基于所述轮胎特征数据包括的第二特征数据，对所述车轮轮胎图像中的车轮轮胎的胎压进行预测，以获得所述车轮轮胎的胎压的第一预测结果的指令，包括：用于通过胎压预测决策树模型，基于所述车轮轮胎的型号、所述车轮轮胎所在的轮毂的型号、所述轮毂的侧边或者上边与所述车轮轮胎的上表面的第一高度，以及所述轮毂的下沿与地面的第二高度进行胎压预测，以获得所述车轮轮胎的胎压的第一预测结果和所述第一预测结果的置信度的指令。
可选地，所述可读程序还包括：用于采集所述车轮轮胎通过减速带时与所述减速带的摩擦音频的指令；用于通过音频分离模型，从所述摩擦音频中分离出噪声，以获得噪声分离后的摩擦音频的指令；用于通过音频胎压预测模型，基于所述噪声分离后的摩擦音频进行胎压预测，以获得所述车轮轮胎的胎压的第二预测结果和所述第二预测结果的置信度的指令。
可选地，所述可读程序还包括：用于基于所述车轮轮胎的胎压的第一预测结果和所述车轮轮胎的胎压的第二预测结果，确定所述车轮轮胎的胎压的最终预测结果的指令；所述用于基于所述车轮轮胎的胎压的第一预测结果，对所述车轮轮胎图像中的车轮轮胎的胎压进行再次判断，以获得所述车轮轮胎的胎压的再次判断结果的指令，包括：用于基于所述车轮轮胎的胎压的最终预测结果，对所述车轮轮胎图像中的车轮轮胎的胎压进行再次判断，以获得所述车轮轮胎的胎压的再次判断结果的指令。
通过本申请实施例提供的计算机存储介质，基于所述车轮轮胎当前的形状与所述车轮轮胎处于正常胎压时的形状的相似度，对所述车轮轮胎图像中的车轮轮胎的胎压进行初步判断，如果根据所述初步判断结果确定所述车轮轮胎的胎压正常，基于所述车轮轮胎的型号、所述车轮轮胎所在的轮毂的型号、所述轮毂的侧边或者上边与所述车轮轮胎的上表面的第一高度、所述轮毂的下沿与地面的第二高度中的至少一者，对所述车轮轮胎图像中的车轮轮胎的胎压进行预测，并基于所述车轮轮胎的胎压的预测结果，对所述车轮轮胎图像中的车轮轮胎的胎压进行再次判断，能够自动准确地对车轮轮胎的胎压进行检测，从而有效降低车轮在低高速行驶过程中事故发生的可能性。
需要指出，根据实施的需要，可将本发明实施例中描述的各个部件/步骤拆分为更多部件/步骤，也可将两个或多个部件/步骤或者部件/步骤的部分操作组合成新的部件/步骤，以实现本发明实施例的目的。
上述根据本发明实施例的方法可在硬件、固件中实现，或者被实现为可存储在记录介质（诸如CD ROM、RAM、软盘、硬盘或磁光盘）中的软件或计算机代码，或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器可读介质中并将被存储在本地记录介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件（诸如ASIC或FPGA）的记录介质上的这样的软件处理。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件（例如，RAM、ROM、闪存等），当所述软件或计算机代码被计算机、处理器或硬件访问且执行时，实现在此描述的教师风格预测模型的训练方法。此外，当通用计算机访问用于实现在此示出的教师风格预测模型的训练方法的代码时，代码的执行将通用计算机转换为用于执行在此示出的教师风格预测模型的训练方法的专用计算机。
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方法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。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实施例的范围。
以上实施方式仅用于说明本发明实施例，而并非对本发明实施例的限制，有关技术领域的普通技术人员，在不脱离本发明实施例的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明实施例的范畴，本发明实施例的专利保护范围应由权利要求限定。
Claims (12)
1.一种胎压检测方法，其特征在于，所述方法包括：
对待检测的车轮轮胎图像执行特征提取操作，以获得所述车轮轮胎图像的轮胎特征数据；
基于所述轮胎特征数据包括的第一特征数据，对所述车轮轮胎图像中的车轮轮胎的胎压进行初步判断，以获得所述车轮轮胎的胎压的初步判断结果，其中，所述第一特征数据包括所述车轮轮胎当前的形状与所述车轮轮胎处于正常胎压时的形状的相似度；
若基于所述初步判断结果确定所述车轮轮胎的胎压正常，则基于所述轮胎特征数据包括的第二特征数据，对所述车轮轮胎图像中的车轮轮胎的胎压进行预测，以获得所述车轮轮胎的胎压的第一预测结果，其中，所述第二特征数据包括以下中的至少一者：所述车轮轮胎的型号、所述车轮轮胎所在的轮毂的型号、所述轮毂的侧边或者上边与所述车轮轮胎的上表面的第一高度、所述轮毂的下沿与地面的第二高度；
基于所述车轮轮胎的胎压的第一预测结果，对所述车轮轮胎图像中的车轮轮胎的胎压进行再次判断，以获得所述车轮轮胎的胎压的再次判断结果。
2.根据权利要求1所述的胎压检测方法，其特征在于，所述对待检测的车轮轮胎图像执行特征提取操作之前，所述方法还包括：
获取所述车轮轮胎图像所属的车辆与所述车轮轮胎图像所属的拍照点的拍照距离；
基于所述拍照距离，确定所述车轮轮胎图像的缩放比例尺；
基于所述缩放比例尺，对所述车轮轮胎图像进行缩放，以获得缩放后的所述车轮轮胎图像，
所述对待检测的车轮轮胎图像执行特征提取操作，包括：
对缩放后的所述车轮轮胎图像执行特征提取操作，以获得缩放后的所述车轮轮胎图像的轮胎特征数据。
3.根据权利要求1所述的胎压检测方法，其特征在于，当所述轮胎特征数据包括所述车轮轮胎当前的形状与所述车轮轮胎处于正常胎压时的形状的相似度时，所述对待检测的车轮轮胎图像执行特征提取操作，以获得所述车轮轮胎图像的轮胎特征数据，包括：
通过轮胎形状相似度检测模型，对所述车轮轮胎图像进行相似度检测，以获得所述车轮轮胎当前的形状与所述车轮轮胎处于正常胎压时的形状的相似度。
4.根据权利要求1所述的胎压检测方法，其特征在于，当所述轮胎特征数据包括所述车轮轮胎的型号时，所述对待检测的车轮轮胎图像执行特征提取操作，以获得所述车轮轮胎图像的轮胎特征数据，包括：
通过弯曲文本检测模型，对所述车轮轮胎图像中的轮胎的文本区域进行检测，以获得所述车轮轮胎图像中的轮胎的文本区域；
通过弯曲文本识别模型，对所述车轮轮胎图像中的轮胎的文本区域进行文本识别，以获得所述车轮轮胎的型号和所述车轮轮胎的型号的置信度。
5.根据权利要求1所述的胎压检测方法，其特征在于，当所述轮胎特征数据包括所述车轮轮胎所在的轮毂的型号时，所述对待检测的车轮轮胎图像执行特征提取操作，以获得所述车轮轮胎图像的轮胎特征数据，包括：
通过轮毂识别模型，对所述车轮轮胎图像中的轮毂进行识别，以获得所述轮毂的型号和所述轮毂的型号的置信度。
6.根据权利要求1所述的胎压检测方法，其特征在于，当所述轮胎特征数据包括所述第一高度时，所述对待检测的车轮轮胎图像执行特征提取操作，以获得所述车轮轮胎图像的轮胎特征数据，包括：
通过第一高度检测模型，对所述车轮轮胎图像进行高度检测，以获得所述轮毂的侧边或者上边与所述车轮轮胎的上表面的第一高度和所述第一高度的置信度。
7.根据权利要求1所述的胎压检测方法，其特征在于，当所述轮胎特征数据包括所述第二高度时，所述对待检测的车轮轮胎图像执行特征提取操作，以获得所述车轮轮胎图像的轮胎特征数据，包括：
通过第二高度检测模型，对所述车轮轮胎图像进行高度检测，以获得所述轮毂的下沿与地面的第二高度和所述第二高度的置信度。
8.根据权利要求1所述的胎压检测方法，其特征在于，所述基于所述轮胎特征数据包括的第一特征数据，对所述车轮轮胎图像中的车轮轮胎的胎压进行初步判断，以获得所述车轮轮胎的胎压的初步判断结果，包括：
若所述车轮轮胎当前的形状与所述车轮轮胎处于正常胎压时的形状的相似度小于预设的相似度阈值，则确定所述初步判断结果为所述车轮轮胎的胎压异常；
若所述车轮轮胎当前的形状与所述车轮轮胎处于正常胎压时的形状的相似度等于或者大于所述预设的相似度阈值，则确定所述初步判断结果为所述车轮轮胎的胎压正常。
9.根据权利要求1所述的胎压检测方法，其特征在于，所述基于所述轮胎特征数据包括的第二特征数据，对所述车轮轮胎图像中的车轮轮胎的胎压进行预测，以获得所述车轮轮胎的胎压的第一预测结果，包括：
通过胎压预测决策树模型，基于所述车轮轮胎的型号、所述车轮轮胎所在的轮毂的型号、所述轮毂的侧边或者上边与所述车轮轮胎的上表面的第一高度，以及所述轮毂的下沿与地面的第二高度进行胎压预测，以获得所述车轮轮胎的胎压的第一预测结果和所述第一预测结果的置信度。
10.根据权利要求1所述的胎压检测方法，其特征在于，所述方法还包括：
采集所述车轮轮胎通过减速带时与所述减速带的摩擦音频；
通过音频分离模型，从所述摩擦音频中分离出噪声，以获得噪声分离后的摩擦音频；
通过音频胎压预测模型，基于所述噪声分离后的摩擦音频进行胎压预测，以获得所述车轮轮胎的胎压的第二预测结果和所述第二预测结果的置信度。
11.根据权利要求10所述的胎压检测方法，其特征在于，所述方法还包括：
基于所述车轮轮胎的胎压的第一预测结果和所述车轮轮胎的胎压的第二预测结果，确定所述车轮轮胎的胎压的最终预测结果；
所述基于所述车轮轮胎的胎压的第一预测结果，对所述车轮轮胎图像中的车轮轮胎的胎压进行再次判断，以获得所述车轮轮胎的胎压的再次判断结果，包括：
基于所述车轮轮胎的胎压的最终预测结果，对所述车轮轮胎图像中的车轮轮胎的胎压进行再次判断，以获得所述车轮轮胎的胎压的再次判断结果。
12.一种计算机存储介质，其特征在于，所述计算机存储介质存储有可读程序，所述可读程序包括：
用于对待检测的车轮轮胎图像执行特征提取操作，以获得所述车轮轮胎图像的轮胎特征数据的指令；
用于基于所述轮胎特征数据包括的第一特征数据，对所述车轮轮胎图像中的车轮轮胎的胎压进行初步判断，以获得所述车轮轮胎的胎压的初步判断结果的指令，其中，所述第一特征数据包括所述车轮轮胎当前的形状与所述车轮轮胎处于正常胎压时的形状的相似度；
用于若基于所述初步判断结果确定所述车轮轮胎的胎压正常，则基于所述轮胎特征数据包括的第二特征数据，对所述车轮轮胎图像中的车轮轮胎的胎压进行预测，以获得所述车轮轮胎的胎压的第一预测结果的指令，其中，所述第二特征数据包括以下中的至少一者：所述车轮轮胎的型号、所述车轮轮胎所在的轮毂的型号、所述轮毂的侧边或者上边与所述车轮轮胎的上表面的第一高度、所述轮毂的下沿与地面的第二高度；
用于基于所述车轮轮胎的胎压的第一预测结果，对所述车轮轮胎图像中的车轮轮胎的胎压进行再次判断，以获得所述车轮轮胎的胎压的再次判断结果的指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110276661.7A CN112669317B (zh) | 2021-03-15 | 2021-03-15 | 胎压检测方法及计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110276661.7A CN112669317B (zh) | 2021-03-15 | 2021-03-15 | 胎压检测方法及计算机存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112669317A true CN112669317A (zh) | 2021-04-16 |
| CN112669317B CN112669317B (zh) | 2021-06-22 |
Family
ID=75399423
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110276661.7A Active CN112669317B (zh) | 2021-03-15 | 2021-03-15 | 胎压检测方法及计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112669317B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005096554A (ja) * | 2003-09-24 | 2005-04-14 | Sumitomo Electric Ind Ltd | タイヤ空気圧監視システム |
| CN104527337A (zh) * | 2014-12-01 | 2015-04-22 | 深圳市元征科技股份有限公司 | 一种轮胎胎压的检测方法、装置及移动设备和照相设备 |
| CN105539026A (zh) * | 2015-12-11 | 2016-05-04 | 西安交通大学 | 一种胎压检测系统和方法 |
| CN108189626A (zh) * | 2017-12-28 | 2018-06-22 | 深圳市灵动飞扬科技有限公司 | 一种胎压检测方法、装置、存储介质及汽车 |
| CN111696088A (zh) * | 2020-06-05 | 2020-09-22 | 湖南省鹰眼在线电子科技有限公司 | 轮胎的安全检测方法、系统及汽车 |
| CN111931622A (zh) * | 2020-07-31 | 2020-11-13 | 魏保安 | 基于神经网络和车轮正投影图像的车辆胎压检测方法 |
-
2021
- 2021-03-15 CN CN202110276661.7A patent/CN112669317B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005096554A (ja) * | 2003-09-24 | 2005-04-14 | Sumitomo Electric Ind Ltd | タイヤ空気圧監視システム |
| CN104527337A (zh) * | 2014-12-01 | 2015-04-22 | 深圳市元征科技股份有限公司 | 一种轮胎胎压的检测方法、装置及移动设备和照相设备 |
| CN105539026A (zh) * | 2015-12-11 | 2016-05-04 | 西安交通大学 | 一种胎压检测系统和方法 |
| CN108189626A (zh) * | 2017-12-28 | 2018-06-22 | 深圳市灵动飞扬科技有限公司 | 一种胎压检测方法、装置、存储介质及汽车 |
| CN111696088A (zh) * | 2020-06-05 | 2020-09-22 | 湖南省鹰眼在线电子科技有限公司 | 轮胎的安全检测方法、系统及汽车 |
| CN111931622A (zh) * | 2020-07-31 | 2020-11-13 | 魏保安 | 基于神经网络和车轮正投影图像的车辆胎压检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112669317B (zh) | 2021-06-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111062240B (zh) | 汽车驾驶安全的监控方法、装置、计算机设备及存储介质 | |
| KR101473957B1 (ko) | 운전 패턴 인식에 기반하여 보험료를 결정하는 장치 및 방법 | |
| CN105426863B (zh) | 检测车道线的方法和装置 | |
| CN105539026B (zh) | 一种胎压检测系统和方法 | |
| CN108960074B (zh) | 基于深度学习的小尺寸行人目标检测方法 | |
| KR102314824B1 (ko) | 딥러닝 기반 감지상황에서의 음향 사건 탐지 방법 | |
| CN106650660A (zh) | 一种车型识别方法及终端 | |
| JP2009157606A (ja) | ドライバ状態推定装置及びプログラム | |
| CN111340355A (zh) | 行程订单的匹配方法、装置、服务器和介质 | |
| CN113378883B (zh) | 一种基于通道分组注意力模型的细粒度车辆分类方法 | |
| EP3382570A1 (en) | Method for characterizing driving events of a vehicle based on an accelerometer sensor | |
| CN113468994A (zh) | 基于加权采样和多分辨率特征提取的三维目标检测方法 | |
| CN113626586A (zh) | 一种磁浮列车的故障文本分析处理方法 | |
| CN113837150B (zh) | 基于计算机视觉的非接触式轮胎气压获取方法及相关装置 | |
| CN117037109A (zh) | 一种基于改进YOLOv5模型的交通目标检测方法 | |
| CN112669317B (zh) | 胎压检测方法及计算机存储介质 | |
| CN118196573A (zh) | 一种基于深度学习的车辆检测方法及系统 | |
| CN103870837B (zh) | 一种检测待检测区域内是否存在车辆的方法和装置 | |
| CN117237911A (zh) | 一种基于图像的动态障碍物快速检测方法及系统 | |
| CN112686294A (zh) | 基于机器学习的驾驶风格辨识模型构建方法、装置、介质和设备 | |
| Anil et al. | Driver behavior analysis using K-means algorithm | |
| CN112698660A (zh) | 基于9轴传感器的驾驶行为视觉感知装置及方法 | |
| CN115546743B (zh) | 基于附着系数的车路协同控制方法、装置、设备及介质 | |
| CN111178181A (zh) | 交通场景分割方法及相关装置 | |
| Attal et al. | Riding patterns recognition for Powered two-wheelers users' behaviors analysis |
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 |