CN112949343A - 车辆标签检测装置与方法 - Google Patents
车辆标签检测装置与方法 Download PDFInfo
- Publication number
- CN112949343A CN112949343A CN201911169471.4A CN201911169471A CN112949343A CN 112949343 A CN112949343 A CN 112949343A CN 201911169471 A CN201911169471 A CN 201911169471A CN 112949343 A CN112949343 A CN 112949343A
- Authority
- CN
- China
- Prior art keywords
- label
- vehicle
- image
- detected
- code
- 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 99
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 15
- 230000002452 interceptive effect Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 2
- 238000012706 support-vector machine Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 9
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 208000003464 asthenopia Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000010267 cellular communication Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 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
- 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
- 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)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及一种车辆标签检测装置和方法。车辆标签检测装置包括:标准标签编码获取单元,被配置为获取车辆的待检测标签的标签编码作为标准标签编码,并获取指示该待检测标签的标准粘贴位置的位置信息,所述标准粘贴位置是所述待检测标签应在所述车辆上粘贴的位置;标签图像获取单元,被配置为获取所述位置信息所指示的标准粘贴位置处的实际粘贴标签的图像,作为实际标签图像;标签识别单元,被配置为将所述实际标签图像输入预训练的标签识别模型,以得到实际标签编码;以及判定单元,被配置为将所述标准标签编码与所述实际标签编码进行比较,以判定所述待检测标签是否被正确粘贴。
Description
技术领域
本公开涉及车辆领域,特别涉及车辆标签的检测。
背景技术
车辆在出厂销售前,会在车身上粘贴多种标签,例如道路救援标签、安全气囊标签、拖车标签、铭牌标签等。这些标签的粘贴需要遵循销售国家的法律法规。对于不同车型、不同销售国家等,同一种标签中的布局和内容可能不同。
尤其是对于出口国外的车辆,如果车身上粘贴的标签不符合被出口国的法律法规,则车辆将无法通过海关而被召回,从而造成直接经济损失。
可以对车身上的标签是否被正确粘贴进行人工检测。先根据车辆销售国家的编码来查找车辆销售国家的标签的标准图像,然后与车身上粘贴的标签的图像进行一一对比,从而判定车身上的标签是否被正确粘贴。
发明内容
本公开提供了一种车辆标签检测装置和方法,能够高效地判定车身上的标签是否被正确粘贴,并提高车辆标签检测的准确性。
根据本公开的一个方面,提供了一种车辆标签检测装置,包括:标准标签编码获取单元,被配置为获取车辆的待检测标签的标签编码作为标准标签编码,并获取指示该待检测标签的标准粘贴位置的位置信息,所述标准粘贴位置是所述待检测标签应在所述车辆上粘贴的位置;标签图像获取单元,被配置为获取所述位置信息所指示的标准粘贴位置处的实际粘贴标签的图像,作为实际标签图像;标签识别单元,被配置为将所述实际标签图像输入预训练的标签识别模型,以得到实际标签编码;以及判定单元,被配置为将所述标准标签编码与所述实际标签编码进行比较,以判定所述待检测标签是否被正确粘贴。
根据本公开的另一方面,提供了一种车辆标签检测方法,包括:获取车辆的待检测标签的标签编码作为标准标签编码,并获取指示该待检测标签的标准粘贴位置的位置信息,所述标准粘贴位置是所述待检测标签应在所述车辆上粘贴的位置;获取所述位置信息所指示的标准粘贴位置处的实际粘贴标签的图像,作为实际标签图像;将所述实际标签图像输入预训练的标签识别模型,以得到实际标签编码;以及将所述标准标签编码与所述实际标签编码进行比较,以判定所述待检测标签是否被正确粘贴。
根据本公开的又一方面,提供了一种车辆标签检测装置,包括:一个或多个处理器;以及存储器,其上存储有计算机可执行指令,所述计算机可执行指令在由所述一个或多个处理器执行时使得所述一个或多个处理器执行根据本公开的实施例的车辆标签检测方法。
根据本公开的又一方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器运行时,使所述处理器执行本公开的实施例的车辆标签检测方法。
附图说明
现在将参考附图在下面具体描述中描述本公开,其中贯穿附图相同的附图标记表示相同或相似的组件。要理解的是,附图不一定按比例绘制,并且附图只用于说明本公开的示例性实施例,不应该认为是对本公开范围的限制。其中:
图1示出了车辆的安全气囊标签的示意图,其中,(a)示出了在中国销售的车辆的安全气囊标签的三种样式,(b)示出了在欧盟销售的车辆的安全气囊标签的三种样式;
图2示出了根据本公开的实施例的车辆标签检测装置的示例性配置框图;
图3示出了根据本公开的实施例的车辆标签检测装置的图像采集单元的示意图;
图4示出了根据本公开的实施例的车辆标签检测装置的信息显示单元的显示画面的示意图;
图5示出了根据本公开的实施例的车辆标签检测方法的示例性流程图;
图6示出了可以实现根据本公开的实施例的计算设备的示例性配置。
具体实施方式
下面将参考附图详细描述本公开的各种示例性实施例。但要理解的是,对各种示例性实施例的描述仅仅是说明性的,不作为对本公开的技术的任何限制。除非另外具体说明,在示例性实施例中的组件和步骤的相对布置、表达式和数值不限制本公开的范围。
车辆在出厂销售前,会在车身上的不同位置粘贴多种标签,例如道路救援标签、安全气囊标签、拖车标签、铭牌标签等。作为示例,图1示出了车辆的安全气囊标签的示意图,其中,(a)示出了在中国销售的车辆的安全气囊标签的三种样式,每种样式适用于不同的车型;(b)示出了在欧盟销售的车辆的安全气囊标签的三种样式,每种样式适用于不同的车型。
如图1的(a)和(b)分别示出的,根据车型的不同,标签中的图形和文字的布局有所不同。也就是说,对于同一种类的标签而言,在对不同车型的车辆进行粘贴时,样式可能是不同的。在本文中,将标签中的图形或文字的内容或布局等的不同称为标签的样式不同。
另外,通过比较图1的(a)和(b)可以看出,(a)的安全气囊标签中包括文字和图形,而(b)的安全气囊标签中仅包括图形而没有文字。也就是说,对于同一种类的标签而言,当车辆的销售国家不同时,应粘贴的标签的样式也可能不同。另外,即使是对于同样的车型的车辆,当销售国家不同时,标签的样式也可能不同。上述标签的不同样式例如可以根据销售国家的法律法规来确定。
本公开的发明人注意到,车身上的待检测标签数量较多(例如,对于出口车而言有10个左右),并且根据车型或者销售国家的不同,标签的样式也不同(每种标签例如有3到4种样式)。因此,在出厂销售前,需要检测的标签的总量较大。如果对每辆车的所有标签都进行人工检测,则耗时较长,需要投入较大的人力成本。另外,由于某些标签的布局相近但文字不同,所以在人工核对过程中,容易产生视觉疲劳,造成检测错误。
因此,本公开的发明人提出了一种车辆标签的检测装置和方法,能够高效地判定车身上的标签是否被正确粘贴,并提高车辆标签检测的准确性。
应当理解,本公开所涉及的车辆例如可以是轿车、运动型车、卡车、公共汽车、商用车、跨界车、休闲车等。本公开的技术可以用于上述任何车辆,而不局限于某一特定类型。另外,本公开所描述的车辆标签的检测是指针对车身上的标签是否被正确粘贴的检测。根据本公开的实施例的车辆检测装置和方法可以对车身上粘贴的所有待检测标签进行检测,也可以仅检测其中的一个或多个待检测标签。
下面参照图2详细说明根据本公开的实施例的车辆标签检测装置。
图2示出了根据本公开的实施例的车辆标签检测装置2000的示例性配置框图。
如图2所示,在一些实施例中,车辆标签检测装置2000可以包括处理电路2010。车辆标签检测装置2000的处理电路2010提供车辆标签检测装置2000的各种功能。在一些实施例中,车辆标签检测装置2000的处理电路2010可以被配置为执行用于车辆标签检测装置2000的车辆标签检测方法(后文中将参照图5进行描述)。
处理电路2010可以指在计算系统中执行功能的数字电路系统、模拟电路系统或混合信号(模拟和数字的组合)电路系统的各种实现。处理电路可以包括例如诸如集成电路(IC)、专用集成电路(ASIC)这样的电路、单独处理器核心的部分或电路、整个处理器核心、单独的处理器、诸如现场可编程门阵列(FPGA)的可编程硬件设备、和/或包括多个处理器的系统。
在一些实施例中,车辆标签检测装置2000还可以包括存储器(未图示)。车辆标签检测装置2000的存储器可以存储由处理电路2010产生的信息以及用于车辆标签检测装置2010操作的程序和数据。存储器可以是易失性存储器和/或非易失性存储器。例如,存储器可以包括但不限于随机存取存储器(RAM)、动态随机存取存储器(DRAM)、静态随机存取存储器(SRAM)、只读存储器(ROM)以及闪存存储器。
另外,车辆标签检测装置2000可以以芯片级来实现,或者也可以通过包括其它外部部件而以设备级来实现。
如图2所示,在一些实施例中,车辆标签检测装置2000的处理电路2010可以包括标准标签编码获取单元2020、标签图像获取单元2030、标签识别单元2040和判定单元2050,分别被配置为执行后述图5中所示的车辆标签检测方法的步骤S5000~步骤S5030。
在一些实施例中,标准标签编码获取单元2020可以被配置为获取车辆的待检测标签的标签编码作为标准标签编码,并获取指示该待检测标签的标准粘贴位置的位置信息,所述标准粘贴位置是所述待检测标签应在所述车辆上粘贴的位置。
车辆的待检测标签是指应在车辆上粘贴的标签。待检测标签的数量和类型例如可以根据车辆销售国家的法律法规来预先确定。例如,车辆A可以包括三个待检测标签L1、L2、L3,分别为安全气囊标签、拖车标签和铭牌标签。另外,每个待检测标签可以与一个标签编码对应。例如,与上述三个待检测标签L1、L2、L3对应的标签编码可以分别为N1、N2、N3。将这些标签编码作为标准标签编码,以用于与后文描述的实际标签编码进行比较,从而进行标签检测。
另外,每个待检测标签可以与一个标准粘贴位置相对应,该标准粘贴位置是待检测标签应在车辆上粘贴的位置。例如,待检测标签L1、L2、L3可以分别与指示标准粘贴位置的位置信息P1、P2、P3相对应。
由标准标签编码获取单元2020获取的标准标签编码(例如N1、N2、N3)可以被提供给判定单元2050,作为判定待检测标签是否被正确粘贴的基准。另外,由标准标签获取单元2020获取的位置信息(例如P1、P2、P3)可以被提供给标准图像获取单元2030,以指示标准图像获取单元2030获取相应位置处的实际粘贴标签的图像。
在一些实施例中,可以根据车辆的唯一识别码,从车辆数据库获取待检测标签的标准标签编码和位置信息。
车辆的唯一识别码用于唯一识别车辆,当获取车辆的唯一识别码时,车辆的车型、销售国家等信息被确定,从而应对该车辆粘贴的待检测标签及其对应的标签编码和位置信息也被唯一确定。
在一些实施例中,车辆的唯一识别码可以是车辆的VIN码(VehicleIdentification Number)。该VIN码可以从车身上的特定位置获取。在一些实施例中,可以通过图像采集单元对车身上的特定位置进行图像采集,以获得VIN码(图像采集单元的详细描述将后述)。在以下的描述中,有时将车辆的唯一识别码简称为VIN码。应当理解,本公开所描述的车辆的唯一识别码也可以是其它任何能够唯一识别车辆的编码。
车辆数据库可以是存储有车辆的唯一识别码与应在该车辆上粘贴的标签的标签编码和粘贴位置的对应关系的数据库。在一些实施例中,车辆数据库可以是已有的车辆数据库,例如IPS-L(Internation Production System Logistics)生产系统,其中存储有车辆的VIN码、应在车辆上粘贴的标签的标签编码和位置信息的对应关系。应当理解,车辆数据库也可以是其它记录有上述信息的数据库。
作为具体示例,下述表1中示出了车辆数据库中存储的与车辆A有关的信息,包括车辆A的VIN码、待检测标签、标准标签编码以及位置信息。通过在表1中检索车辆A的VIN码“001”,可以获得车辆A的待检测标签(L1、L2、L3)、标准标签编码(N1、N2、N3)以及标准粘贴位置的位置信息(P1、P2、P3)。
应当理解,下述表1中仅例示了与一个车辆A有关的信息,但车辆数据库中可以存储多个车辆的信息。另外,除了表1中所示的信息之外,车辆数据库中还可以存储各车辆的车型、销售国家等与车辆有关的信息。
[表1]
在一些实施例中,标签图像获取单元2030可以被配置为获取所述位置信息所指示的标准粘贴位置处的实际粘贴标签的图像,作为实际标签图像。例如,标签图像获取单元2030可以从标准标签编码获取单元获取车辆A的位置信息P1等,并获取车辆A的该位置处的实际粘贴标签的图像。
在一些实施例中,车辆标签检测装置2000还可以包括图像采集单元(将参照后述图3进行详细描述)。图像采集单元可以是便携的手持设备(例如安装有扫描设备或摄像设备的手机等移动终端),使得检测人员可以方便地携带以在车辆生产车间对需要进行标签检测的车辆的相应部位进行图像采集。
在一些实施例中,该图像采集单元可以被配置为采集车辆的VIN码(例如采集车辆A的VIN码“001”)。由图像采集单元采集到的车辆的VIN码可以被发送到标准标签编码获取单元2020。标准标签编码获取单元2020可以根据该VIN码从车辆数据库中获取标准标签编码(例如N1等)和位置信息(例如P1等)。
在一些实施例中,图像采集单元还可以被配置为从标准标签编码获取单元2020获取位置信息(例如P1等),并采集该位置信息所指示的标准粘贴位置处的实际粘贴标签的图像。另外,图像采集单元可以将该实际粘贴标签的图像提供给标签图像获取单元2020,以作为实际标签图像。
在一些实施例中,标签识别单元2040可以被配置为将所述实际标签图像输入预训练的标签识别模型,以得到实际标签编码。所得到的实际标签编码可以提供给判定单元2050,以用于与标准标签编码进行比较,从而判定待检测标签是否被正确粘贴。
本公开的标签识别模型可以包括神经网络模型、支持向量机、决策树中的至少一个,用于识别标签图像所对应的标签编码。在一些实施例中,标签识别模型可以包括深度学习神经网络模型,例如CNN(Convolutional Neural Network)、RNN(Recurrent NeuralNetwork)、YOLO(You Only Look Once)等。
在一些实施例中,车辆标签检测装置2000还可以包括模型训练单元(未图示),被配置为对标签识别模型进行训练。在训练过程中,可以利用待检测标签粘贴在标准粘贴位置时的标签图像,作为样本标签图像,利用与该样本标签图像对应的标签编码对样本标签图像进行标定。
通过上述训练过程进行预训练的得到的标签识别模型能够提供给标签识别单元2040,标签识别单元2040将实际标签图像输入该标签识别模型,能够得到实际标签图像。
在一些实施例中,模型训练单元可以包括样本数据库,用于存储样本标签图像。
在一些实施例中,可以使用图像采集单元来采集样本标签图像以用于标签识别模型的训练。所采集的样本标签图像可以从图像采集单元发送到模型训练单元并存储在样本数据库中。
在一些实施例中,样本标签图像可以包括在判定单元2050中判定为待检测标签被正确粘贴(即检测通过)时的实际粘贴标签的实际标签图像。例如,由判定单元2050判定为检测通过的实际标签图像可以提供给模型训练单元,并存储在样本数据库中,以用于对标签识别模型进行进一步训练和更新。通过使用检测通过的实际粘贴标签的实际标签图像作为样本标签图像,可以减少需要采集的样本标签图像的数量,能够简化训练过程中的样本采集过程,提高训练的效率。另外,可以在标签检测的过程中实时地对标签识别模型进行更新,以提高标签识别模型的识别精度,从而提高标签检测的准确度。
在一些实施例中,模型训练单元还可以包括交互界面,用于与用户的交互。用户能够通过交互界面来对标签识别模型的训练过程进行控制和调整。
在一些实施例中,可以通过交互界面向用户显示样本标签图像。另外,用户可以在交互界面中对样本标签图像进行调整,使得样本标签图像更适合于标签识别模型的训练。在一些情况下,样本数据库中所存储的样本标签图像对于标签识别模型的训练可能不是最优的,存在一些干扰项,例如样本标签图像中包括除标签以外的较大范围的背景图像、标签图像的亮度不足、图像的清晰度不高等。在这样的情况下,通过交互界面,用户可以对样本标签图像进行适当的裁剪、调整亮度、调整清晰度等图像调整的操作,将样本标签图像更新为对于标签识别模型的训练更有利的图像,从而提高模型训练的效率和精度。
在一些实施例中,用户还可以通过交互界面对标签识别模型的参数进行调整,以进一步优化训练过程。
在一些实施例中,用户还可以通过交互界面对样本标签图像进行标定,使得样本标定的过程简化。
可以在交互界面中设置功能按钮来实现上述操作。例如,当用户按下“图像裁剪”按钮时,可以在当前的样本标签图像中显示图像裁剪框,用户通过鼠标拖动图像裁剪框,能够对样本标签图像进行裁剪。另外,当用户按下“参数调整”按钮时,可以在交互界面中显示出标签识别模型的各种参数,用户通过键盘输入,可以完成对参数的调整。另外,可以在交互界面中设置标定值输入框,提示用户对当前的样本标签图像输入对应的标签编码,以完成对样本标签图像的标定过程。
通过这样的交互界面,无需用户对底层的标签识别模型的代码进行修改,仅通过简单的操作(例如鼠标和键盘的操作)就能够完成标签识别模型的训练过程,能够提高可用性,而无需具有专业软件技能的人员对标签识别模型进行调整。
另外,在一些情况下,由于销售国家的法律法规等发生变化,待检测标签对应的标准标签图像也可能发生变化(即标签的样式发生变化)。在这样的情况下,需要对标签识别模型进行重新训练。可以通过重新采集样本标签图像,并在交互界面中对新采集的样本标签图像进行标定来更新标签识别模型。通过这样的方式,无需具有专业软件技能的人员对标签识别模型的代码进行修改,而用户可以通过简单的操作自行对标签识别模型进行更新。
在一些实施例中,判定单元2050可以被配置为将由标准标签编码获取单元2020获取的标准标签编码与由标签识别单元2040得到的实际标签编码进行比较,以判定待检测标签是否被正确粘贴。例如,在标准标签编码与实际标签编码一致的情况下,判定为待检测标签被正确粘贴;在标准标签编码与实际标签编码不一致的情况下,判定为待检测标签没有被正确粘贴。
在一些实施例中,判定单元2050的判定操作也可以在标签识别单元2040中通过预训练的标签识别模型来进行。在该情况下,标签识别单元在得到实际标签编码后进一步进行标准标签编码与实际标签编码的比较,并判定待检测标签是否被正确粘贴。
在本公开的车辆标签检测装置中,获取待检测标签的标准标签编码,并对实际粘贴图像进行标签识别以得到实际标签编码,通过将标准标签编码与实际标签编码进行比较,从而判定待检测标签是否被正确粘贴。根据本公开的实施例,无需将实际标签图像与标准标签图像一一进行人工对比,能够减少人工操作的时间,提高标签检测的效率。另外,避免了人工对比过程中由于视觉疲劳造成的检测错误,从而能够提高标签检测的精度。
图3示出了根据本公开的实施例的车辆标签检测装置的图像采集单元3000的示意图。
如上文中所描述的,图像采集单元3000可以是便携的手持设备(例如安装有扫描设备或摄像设备的手机等移动终端),使得检测人员可以方便地携带以在车辆生产车间对需要进行标签检测的车辆的相应部位进行图像采集。图像采集单元3000例如可以用于采集车辆的VIN码并提供给标准标签编码获取单元2020、采集实际标签图像并提供给标签图像获取单元2030、采集样本标签图像以用于标签识别模型的预训练。
如图3所示,在一些实施例中,图像采集单元3000可以包括显示界面3010。该显示界面3010可以显示待检测标签的数量。例如,
图3中的附图标记3020所示的三个圆点表示有三个待检测标签,其中实心圆点表示当前正在检测的待检测标签。另外,显示界面3010可以显示待检测标签的位置信息。例如,图3中的附图标记3030可以显示当前正在检测的待检测标签的位置信息P1,以提示用户在车身的相应位置进行图像采集。另外,显示界面3010可以包括图像采集框3040,用于显示当前正在采集的实际标签3050。当用户按下图像采集按钮3060时,实际标签3050的图像被采集,作为实际标签图像。
在一些实施例中,图像采集单元3000的显示界面3010还可以显示待检测标签是否被正确粘贴的判定结果。例如,图像采集单元3000的显示界面3010可以从判定单元2050获取判定待检测标签是否被正确粘贴的判定结果,并在显示界面3010上显示。例如,可以在3020的对应圆点中用颜色显示判定结果,绿色表示判定为正确粘贴,红色表示判定为未正确粘贴。
应当理解,上述显示界面3010仅仅是一个示例,还能够根据实际需要,显示其它与标签检测有关的信息。
上文中所描述的图像采集单元的显示界面3000可以显示一些与标签检测有关的信息,以辅助用户对车辆标签进行检测,并获取检测结果。然而,为了使检测人员能够方便地携带,图像采集单元一般都设计成便携的手持设备,因此,其显示界面上能够显示的内容有限。在一些实施例中,车辆标签检测装置2000还可以包括信息显示单元,可以通过信息显示单元来进一步显示与标签检测有关的信息。下面将参照图4来进行具体说明。
图4示出了根据本公开的实施例的车辆标签检测装置的信息显示单元的显示画面4000。
显示画面4000可以包括当前检测的车辆的示意图4010。在该车辆的示意图4010中,在相应的位置(即标准标签位置)显示有待检测标签L1、L2、L3。这样,可以直观地提示检测人员到生产车间中该车辆的相应位置进行标签检测。
在一些实施例中,显示画面4000可以显示待检测标签L1、L2、L3(在图4中分别例示为安全气囊标签、拖车标签和铭牌标签)对应的标准标签图像4020、4030、4040。通过显示这些标签图像4020、4030、4040,检测人员能够方便地获知标准标签图像应该是什么样式,便于与实际的标签图像进行比较。
在一些实施例中,为了进行比较,也可以将实际标签图像显示于显示画面4000,如图4中的标签图像4050、4060所示。标签图像4050是在待检测标签L1所对应的标准标签位置处获取的实际标签图像。通过将标准标签图像4020与实际标签图像4050进行对比,可以直观地看出两个标签图像是相同的,即待检测标签L1是被正确粘贴的。另外,标签图像4060是在待检测标签L2所对应的标准标签位置处获取的实际标签图像。通过将标准标签图像4030与实际标签图像4060进行对比,可以直观地看出两个标签图像是不同的,即待检测标签L2没有被正确粘贴的。
在一些实施例中,显示画面4000还可以显示待检测标签是否被正确粘贴的判定结果。例如,可以在显示画面4000的标签显示区域的左侧,分别示出每个待检测标签是否被正确粘贴的判定结果。在图4中,示例性地以“√”表示待检测标签L1被正确粘贴,以“×”表示待检测标签L2未被正确粘贴。
另外,显示画面4000还可以显示出待检测标签的当前检测进度。例如,如图4所示,与待检测标签L3的标准标签图像4040对应的实际标签图像未显示在显示画面4000中,表示待检测标签L3的实际标签图像还未被获取,标签检测还需要继续进行。
应当理解,上述显示画面4000仅仅是一个示例,还能够根据实际需要,通过信息显示单元显示其它与标签检测有关的信息。
在一些实施例中,在由判定单元2050判定为待检测标签未被正确粘贴时,信息显示单元还可以显示警告信息,以对操作人员进行更明确的提示。警告信息例如可以是图像信息、声音信息、灯光信息或其一种或多种的组合。例如,作为图像信息,可以在信息显示单元的显示画面4000中以红色等显著的颜色提示粘贴错误;作为声音信息,可以通过对信息显示单元安装扬声器等来发出警告的声音;作为灯光信息,可以通过对信息显示单元安装灯具,利用灯光的亮灭等来发出警告。
在一些实施例中,车辆标签检测装置2000还可以包括历史信息记录单元,被配置为记录与车辆的待检测标签的检测结果有关的信息。与车辆的待检测标签的检测结果有关的信息例如可以包括车辆的VIN码、车辆型号、车辆销售国家、待检测标签的标准标签编码、实际标签编码、位置信息以及每个待检测标签是否被正确粘贴的检测结果中的一个或多个。可以将多个车辆的与待检测标签的检测结果有关的信息记录在历史信息记录单元中。另外,可以从历史信息记录单元查询过去已经检测过的车辆的上述信息。
在一些实施例中,上述历史信息记录单元还可以被配置为统计针对多个车辆的车辆标签检测的通过率。例如,可以统计在一段预定时间内车辆标签检测的通过率(或通过的数量)、未通过率(未通过的数量)。在未通过的情况下,还可以判断是由于哪个或那些标签而未通过的。另外,还可以针对同一销售国家来统计车辆标签检测的通过率等。
图5示出根据本公开的实施例的车辆标签检测方法的示例性流程图。该车辆标签检测方法例如可以用于图2所示的标签检测装置2000。
如图5所示,在步骤S5000中,获取车辆的待检测标签的标签编码作为标准标签编码,并获取指示该待检测标签的标准粘贴位置的位置信息,所述标准粘贴位置是所述待检测标签应在所述车辆上粘贴的位置;在步骤S5010中,获取所述位置信息所指示的标准粘贴位置处的实际粘贴标签的图像,作为实际标签图像;在步骤S5020中,将所述实际标签图像输入预训练的标签识别模型,以得到实际标签编码;在步骤S5030中,将所述标准标签编码与所述实际标签编码进行比较,以判定所述待检测标签是否被正确粘贴。上述步骤S5000~S5030可以分别由上文参照图2描述的车辆标签检测装置2000的标准标签编码获取单元2020、标签图像获取单元2030、标签识别单元2040和判定单元2050来执行。
本公开实施例提供的车辆标签检测方法与上文中所描述的车辆标签检测装置属于同一发明构思,可以由本公开任意实施例所提供的车辆标签检测装置来执行。未在本实施例中详尽描述的技术细节,可参见本公开实施例提供的车辆标签检测装置,此处不再加以赘述。
图6示出了可以实现根据本公开的实施例的计算设备的示例性配置。计算设备是可以应用本公开的上述方面的硬件设备的实例。计算设备可以是被配置为执行处理和/或计算的任何机器。计算设备可以是但不限制于工作站、服务器、台式计算机、膝上型计算机、平板计算机、个人数据助手(PDA)、智能电话、车载计算机或以上组合。
如图6所示,计算设备可以包括可以经由一个或多个接口与总线602连接或通信的一个或多个元件。总线602可以包括但不限于,工业标准架构(Industry StandardArchitecture,ISA)总线、微通道架构(Micro Channel Architecture,MCA)总线、增强ISA(EISA)总线、视频电子标准协会(VESA)局部总线、以及外设组件互连(PCI)总线等。计算设备可以包括例如一个或多个处理器604、一个或多个输入设备606、以及一个或多个输出设备608。一个或多个处理器604可以是任何种类的处理器,并且可以包括但不限于一个或多个通用处理器或专用处理器(诸如专用处理芯片)。处理器604例如可以对应于图2中的处理电路2010,被配置为实现本公开的车辆标签检测装置的各模块的功能。输入设备606可以是能够向计算设备输入信息的任何类型的输入设备,并且可以包括但不限于鼠标、键盘、触摸屏、麦克风和/或远程控制器。输出设备608可以是能够呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。
计算设备还可以包括或被连接至非暂态存储设备614,该非暂态存储设备614可以是任何非暂态的并且可以实现数据存储的存储设备,并且可以包括但不限于盘驱动器、光存储设备、固态存储器、软盘、柔性盘、硬盘、磁带或任何其他磁性介质、压缩盘或任何其他光学介质、缓存存储器和/或任何其他存储芯片或模块、和/或计算机可以从其中读取数据、指令和/或代码的其他任何介质。计算设备还可以包括随机存取存储器(RAM)610和只读存储器(ROM)612。ROM 612可以以非易失性方式存储待执行的程序、实用程序或进程。RAM 610可提供易失性数据存储,并存储与计算设备的操作相关的指令。计算设备还可包括耦接至数据链路618的网络/总线接口616。网络/总线接口616可以是能够启用与外部装置和/或网络通信的任何种类的设备或系统,并且可以包括但不限于调制解调器、网络卡、红外线通信设备、无线通信设备和/或芯片集(诸如蓝牙TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设施等)。
应当理解,上述各个单元仅是根据其所实现的具体功能所划分的逻辑模块,而不是用于限制具体的实现方式。在实际实现时,上述各个单元可被实现为独立的物理实体,或者也可由单个实体(例如,处理器(CPU或DSP等)、集成电路等)来实现。
本文中所用的术语,仅仅是为了描述特定的示例性实施例,而不意图限制本公开。除非上下文明确地另外指出,本文中所用的单数形式的“一”和“该”意图同样包括复数形式。还要理解的是,“包括”一词在本文中使用时,说明存在所指出的特征、整体、步骤、操作、单元和/或组件,但是并不排除存在或增加一个或多个其它特征、整体、步骤、操作、单元和/或组件以及/或者它们的组合。此外,在本公开的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或顺序。此外,在本公开的描述中,除非另有说明,“多个”的含义是两个或两个以上。
本说明书中“实施例”或类似表达方式的引用是指结合该实施例所述的特定特征、结构、或特性系包括在本公开的至少一具体实施例中。因此,在本说明书中,“在本公开的实施例中”及类似表达方式的用语的出现未必指相同的实施例。
本领域技术人员应当知道,本公开可以实施为各种形式,例如完全的硬件实施例、完全的软件实施例(包括固件、常驻软件、微程序代码等),或者也可实施为软件与硬件的实施形式,在以下会被称为“电路”、“模块”或“系统”。此外,本公开也可以任何有形的媒体形式实施为计算机程序产品,其具有计算机可使用程序代码存储于其上。
本公开的相关叙述参照根据本公开具体实施例的系统、装置、方法及计算机程序产品的流程图和/或框图来进行说明。可以理解每一个流程图和/或框图中的每一个块,以及流程图和/或框图中的块的任何组合,可以使用计算机程序指令来实施。这些计算机程序指令可供通用型计算机或特殊计算机的处理器或其它可编程数据处理装置所组成的机器来执行,而指令经由计算机或其它可编程数据处理装置处理以便实施流程图和/或框图中所说明的功能或操作。
在附图中显示根据本公开各种实施例的系统、装置、方法及计算机程序产品可实施的架构、功能及操作的流程图及框图。因此,流程图或框图中的每个块可表示一模块、区段、或部分的程序代码,其包括一个或多个可执行指令,以实施指定的逻辑功能。另外应当注意,在某些其它的实施例中,块所述的功能可以不按图中所示的顺序进行。举例来说,两个图示相连接的块事实上也可以同时执行,或根据所涉及的功能在某些情况下也可以按图标相反的顺序执行。此外还需注意,每个框图和/或流程图的块,以及框图和/或流程图中块的组合,可藉由基于专用硬件的系统来实施,或者藉由专用硬件与计算机指令的组合,来执行特定的功能或操作。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (19)
1.一种车辆标签检测装置,包括:
标准标签编码获取单元,被配置为获取车辆的待检测标签的标签编码作为标准标签编码,并获取指示该待检测标签的标准粘贴位置的位置信息,所述标准粘贴位置是所述待检测标签应在所述车辆上粘贴的位置;
标签图像获取单元,被配置为获取所述位置信息所指示的标准粘贴位置处的实际粘贴标签的图像,作为实际标签图像;
标签识别单元,被配置为将所述实际标签图像输入预训练的标签识别模型,以得到实际标签编码;以及
判定单元,被配置为将所述标准标签编码与所述实际标签编码进行比较,以判定所述待检测标签是否被正确粘贴。
2.根据权利要求1所述的车辆标签检测装置,其中,
所述标准标签编码和所述位置信息是根据车辆的唯一识别码从车辆数据库获取的,
所述车辆数据库中存储有车辆的唯一识别码与应在所述车辆上粘贴的标签的标签编码和粘贴位置的对应关系。
3.根据权利要求1所述的车辆标签检测装置,其中,
所述标签识别模型包括神经网络模型、支持向量机、决策树中的至少一个。
4.根据权利要求1所述的车辆标签检测装置,还包括模型训练单元,该模型训练单元被配置为对所述标签识别模型进行训练,
在所述模型训练单元的训练过程中,利用所述待检测标签粘贴在标准粘贴位置时的标签图像,作为样本标签图像,利用与该样本标签图像对应的标签编码对所述样本标签图像进行标定。
5.根据权利要求4所述的车辆标签检测装置,其中,所述模型训练单元包括交互界面,该交互界面用于由用户进行如下操作中的至少一个:对所述样本标签图像进行调整、对所述标签识别模型的参数进行调整、以及对样本标签图像进行标定。
6.根据权利要求4所述的车辆标签检测装置,其中,
所述样本标签图像包括判定为所述待检测标签被正确粘贴时的实际粘贴标签的实际标签图像。
7.根据权利要求1所述的车辆标签检测装置,还包括图像采集单元,该图像采集单元被配置为:
从所述标准标签编码获取单元获取所述位置信息;以及
采集所述位置信息所指示的标准粘贴位置处的实际粘贴标签的图像,并提供给所述标签图像获取单元。
8.根据权利要求7所述的车辆标签检测装置,其中,
所述图像采集单元包括显示界面,该显示界面显示所述待检测标签的数量、位置信息、所述待检测标签是否被正确粘贴的判定结果中的至少一个。
9.根据权利要求1所述的车辆标签检测装置,还包括信息显示单元,该信息显示单元被配置为显示所述待检测标签粘贴在标准粘贴位置时的标签图像、所述实际标签图像、所述待检测标签是否被正确粘贴的判定结果中的至少一个。
10.根据权利要求9所述的车辆标签检测装置,其中,
在由所述判定单元判定为所述待检测标签未被正确粘贴时,所述信息显示单元显示警告信息。
11.根据权利要求1所述的车辆标签检测装置,还包括历史信息记录单元,该历史信息记录单元被配置为记录与所述车辆的待检测标签的检测结果有关的信息。
12.根据权利要求11所述的车辆标签检测装置,其中,所述历史信息记录单元还被配置为统计针对多个车辆的车辆标签检测的通过率。
13.一种车辆标签检测方法,包括:
获取车辆的待检测标签的标签编码作为标准标签编码,并获取指示该待检测标签的标准粘贴位置的位置信息,所述标准粘贴位置是所述待检测标签应在所述车辆上粘贴的位置;
获取所述位置信息所指示的标准粘贴位置处的实际粘贴标签的图像,作为实际标签图像;
将所述实际标签图像输入预训练的标签识别模型,以得到实际标签编码;以及
将所述标准标签编码与所述实际标签编码进行比较,以判定所述待检测标签是否被正确粘贴。
14.根据权利要求13所述的车辆标签检测方法,其中,
所述标准标签编码和所述位置信息是根据车辆的唯一识别码从车辆数据库获取的,
所述车辆数据库中存储有车辆的唯一识别码与应在所述车辆上粘贴的标签的标签编码和粘贴位置的对应关系。
15.根据权利要求13所述的车辆标签检测方法,其中,
在所述标签识别模型的训练过程中,利用所述待检测标签粘贴在标准粘贴位置时的标签图像,作为样本标签图像,利用与该样本标签图像对应的标签编码对所述样本标签图像进行标定。
16.根据权利要求13所述的车辆标签检测方法,还包括:
显示所述待检测标签的数量、位置信息、所述待检测标签粘贴在标准粘贴位置时的标签图像、所述实际标签图像、所述待检测标签是否被正确粘贴的判定结果中的至少一个。
17.根据权利要求13所述的车辆标签检测方法,还包括:
记录与所述车辆的待检测标签的检测结果有关的信息。
18.一种车辆标签检测装置,包括:
一个或多个处理器;以及
存储器,其上存储有计算机可执行指令,所述计算机可执行指令在由所述一个或多个处理器执行时使得所述一个或多个处理器执行如权利要求13至17中的任一项所述的方法。
19.一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器运行时,使所述处理器执行如权利要求13至17中的任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911169471.4A CN112949343A (zh) | 2019-11-26 | 2019-11-26 | 车辆标签检测装置与方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911169471.4A CN112949343A (zh) | 2019-11-26 | 2019-11-26 | 车辆标签检测装置与方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112949343A true CN112949343A (zh) | 2021-06-11 |
Family
ID=76224856
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911169471.4A Pending CN112949343A (zh) | 2019-11-26 | 2019-11-26 | 车辆标签检测装置与方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112949343A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509455A (zh) * | 2011-11-10 | 2012-06-20 | 浪潮电子信息产业股份有限公司 | 一种基于云计算和射频识别的车辆监控方法 |
CN102773862A (zh) * | 2012-07-31 | 2012-11-14 | 山东大学 | 用于室内移动机器人的快速精确定位系统及其工作方法 |
CN104345721A (zh) * | 2014-11-13 | 2015-02-11 | 黄河科技学院 | 一种基于rfid技术的物资状态监控系统与方法 |
CN106971390A (zh) * | 2017-02-23 | 2017-07-21 | 国网上海市电力公司 | 一种贴标质量的检测方法 |
CN107870321A (zh) * | 2017-11-03 | 2018-04-03 | 电子科技大学 | 基于伪标签学习的雷达一维距离像目标识别方法 |
WO2018188023A1 (en) * | 2017-04-13 | 2018-10-18 | Siemens Healthcare Diagnostics Inc. | Methods and apparatus for determining label count during specimen characterization |
US10170107B1 (en) * | 2016-12-29 | 2019-01-01 | Amazon Technologies, Inc. | Extendable label recognition of linguistic input |
CN109241986A (zh) * | 2018-05-30 | 2019-01-18 | 北京飞鸿云际科技有限公司 | 用于轨道交通车辆零部件图像识别模型的样本制作方法 |
CN109271979A (zh) * | 2018-11-29 | 2019-01-25 | 郑州云海信息技术有限公司 | 一种智能检测服务器产品标签方法 |
-
2019
- 2019-11-26 CN CN201911169471.4A patent/CN112949343A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509455A (zh) * | 2011-11-10 | 2012-06-20 | 浪潮电子信息产业股份有限公司 | 一种基于云计算和射频识别的车辆监控方法 |
CN102773862A (zh) * | 2012-07-31 | 2012-11-14 | 山东大学 | 用于室内移动机器人的快速精确定位系统及其工作方法 |
CN104345721A (zh) * | 2014-11-13 | 2015-02-11 | 黄河科技学院 | 一种基于rfid技术的物资状态监控系统与方法 |
US10170107B1 (en) * | 2016-12-29 | 2019-01-01 | Amazon Technologies, Inc. | Extendable label recognition of linguistic input |
CN106971390A (zh) * | 2017-02-23 | 2017-07-21 | 国网上海市电力公司 | 一种贴标质量的检测方法 |
WO2018188023A1 (en) * | 2017-04-13 | 2018-10-18 | Siemens Healthcare Diagnostics Inc. | Methods and apparatus for determining label count during specimen characterization |
CN107870321A (zh) * | 2017-11-03 | 2018-04-03 | 电子科技大学 | 基于伪标签学习的雷达一维距离像目标识别方法 |
CN109241986A (zh) * | 2018-05-30 | 2019-01-18 | 北京飞鸿云际科技有限公司 | 用于轨道交通车辆零部件图像识别模型的样本制作方法 |
CN109271979A (zh) * | 2018-11-29 | 2019-01-25 | 郑州云海信息技术有限公司 | 一种智能检测服务器产品标签方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102058427B1 (ko) | 검사 장치 및 방법 | |
US20180211122A1 (en) | Artificial intelligence based vehicle dashboard analysis | |
TWI716012B (zh) | 樣本標註方法、裝置、儲存媒體和計算設備、損傷類別的識別方法及裝置 | |
CN108875839A (zh) | 一种车辆内遗落物品提醒方法、系统及设备和存储介质 | |
CN109141250B (zh) | 箱包尺寸测量方法、装置和箱包尺寸测量服务器 | |
CN108711152B (zh) | 一种基于ai技术的图像分析方法、装置和用户终端 | |
US20190244282A1 (en) | Computerized exchange network | |
US20230230364A1 (en) | Image processing device, control method and storage medium | |
CN111008308A (zh) | 样本查找方法、装置及系统 | |
US20240153064A1 (en) | Systems and methods for processing vehicle images based on criteria | |
US20220413608A1 (en) | Method for controlling display device including transparent screen, and display device therefor | |
TW202225682A (zh) | 電路板檢測方法、電子裝置及存儲介質 | |
US20170270489A1 (en) | Identification and test support device and method | |
CN111259971A (zh) | 车辆信息检测方法、装置、计算机设备及可读存储介质 | |
CN112085692A (zh) | 检测装置、检测方法、生成方法、计算机程序以及存储介质 | |
CN114821551A (zh) | 遗留物检测以及模型训练方法、装置和存储介质 | |
CN110852247A (zh) | 异常检测方法、装置、电子设备及计算机可读存储介质 | |
CN112949343A (zh) | 车辆标签检测装置与方法 | |
CN111401438B (zh) | 图像分拣方法、装置及系统 | |
CN114926464B (zh) | 在双录场景下的图像质检方法、图像质检装置及系统 | |
CN115631169A (zh) | 产品检测方法、装置、电子设备及存储介质 | |
US20210133262A1 (en) | Tire purchase method | |
US20170116493A1 (en) | Optical character recognition (ocr) and coded data for legacy instrument data transfer | |
JP2018097679A (ja) | 中古車査定システムおよびプログラム | |
KR102588648B1 (ko) | 차량용 부재 손상 수리 판정 시스템, 차량용 부재 손상의 보증 신청 가능 여부를 판단하는 장치, 차량용 부재 손상의 보증 신청 가능 여부를 판단하는 장치의 작동 방법, 및 프로그램 |
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 |