CN113792733B - 车辆部件检测方法、系统、电子设备及存储介质 - Google Patents

车辆部件检测方法、系统、电子设备及存储介质 Download PDF

Info

Publication number
CN113792733B
CN113792733B CN202111092733.9A CN202111092733A CN113792733B CN 113792733 B CN113792733 B CN 113792733B CN 202111092733 A CN202111092733 A CN 202111092733A CN 113792733 B CN113792733 B CN 113792733B
Authority
CN
China
Prior art keywords
vehicle
component
class
unknown
picture
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.)
Active
Application number
CN202111092733.9A
Other languages
English (en)
Other versions
CN113792733A (zh
Inventor
赵霄鸿
刘莉红
刘玉宇
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202111092733.9A priority Critical patent/CN113792733B/zh
Publication of CN113792733A publication Critical patent/CN113792733A/zh
Application granted granted Critical
Publication of CN113792733B publication Critical patent/CN113792733B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Abstract

本发明涉及人工智能，提供一种车辆部件检测方法，包括通过获取待检测车辆部件的图片，对所述待检测车辆部件的图片进行预处理，以形成待检规格图片；将所述待检规格图片输入预训练的车辆部件识别模型，获取与所述待检规格图片相对应的已知部件类以及未知部件类；将所述已知部件类和未知部件类通过聚类算法进行进行聚类对比，获得已知部件类的特征向量和未知部件类特征向量；将所述已知部件类的特征向量输入感兴趣区域检测器以获取车辆部件预测分类向量和车辆部件预测坐标；利用所述已知部件类的特征向量和未知部件类特征向量、车辆部件预测分类向量和车辆部件预测坐标进行车辆部件类别的判定。本发明实现了车辆部件精准识别的技术效果。

Description

车辆部件检测方法、系统、电子设备及存储介质
技术领域
本发明涉及人工智能技术领域，涉及一种车辆部件检测方法、系统、电子设备及计算机可读存储介质。
背景技术
随着交通便利性的提升，车辆的保有量逐年递增，车辆事故数量也随着增加。在车辆事故发生后，无论是保险理赔金额的确认还是车辆的损伤修复都需要对车辆的损伤进行定性、定量的评估。在传统的车损评估过程中，需要经验丰富的车辆事故查勘员或者汽车修理人员来确定车辆受损的部件类型、损伤类别以及损伤程度进行判定。但是，由于车辆部件有成百上千种类型以及车辆事故后的查勘环境较混乱，存在无关部件与车辆部件相混淆的状况，导致车辆部件识别对车损评估人员的经验要求较高，且容易存在主观判定失误。
随着计算机视觉技术和深度学习技术的发展，出现了人工智能车辆定损技术。通过利用相机拍摄受损车辆的图片以及深度学习模型对受损车辆图片中的部件和损伤程度进行检测和分类，利用后处理逻辑形成理赔或维修方案。虽然能够对部分车辆部件进行自动识别，但是，存在的弊端如下：1)只能在某些清晰有序的场景中适用，仅能识别轮胎等某些特征明显的车辆部件；2)为了增加可识别的部件范围，需要通过不断定义新的部件类别，添加新的训练数据来迭代训练重新训练模型，进而导致耗费时间多、模型泛化能力弱以及对原有类别的识别精度下降问题产生。
因此，亟需一种适用范围广且精准高效的车辆部件识别方法。
发明内容
本发明提供一种车辆部件检测方法、系统、电子设备及计算机可读存储介质，用于解决现有技术中车辆部件识别困难的问题。
为实现上述目的，本发明提供的一种车辆部件检测方法，方法包括：
获取待检测车辆部件的图片，对所述待检测车辆部件的图片进行预处理，以形成待检规格图片；
将所述待检规格图片输入预训练的车辆部件识别模型，获取与所述待检规格图片相对应的已知部件类以及未知部件类；
将所述已知部件类和未知部件类通过聚类算法进行进行聚类对比，获得已知部件类的特征向量和未知部件类的特征向量；将所述已知部件类的特征向量输入感兴趣区域检测器以获取车辆部件预测分类向量和车辆部件预测坐标；
利用所述已知部件类的特征向量和未知部件类的特征向量、车辆部件预测分类向量和车辆部件预测坐标进行车辆部件类别的判定。
进一步，优选的，将所述待检规格图片输入预训练的车辆部件识别模型，获取与所述待检规格图片相对应的已知部件类以及未知部件类的方法，包括：
通过骨干网络对所述待检规格图片进行特征提取，获得中间特征图；
将所述中间特征图输入区域生成网络，获得目标区域候选框；
利用预设的已知置信度阈值和未知置信度阈值对所述目标区域候选框进行筛选；其中，
利用预设的已知置信度阈值和未知置信度阈值对所述目标区域候选框进行筛选；其中，将分类置信度大于未知置信度阈值，且与真值框的交并比值小于已知置信度阈值的目标区域候选框作为未知部件类；将分类置信度大于未知置信度阈值，且与真值框的交并比值大于已知置信度阈值的目标区域候选框作为已知部件类。
进一步，优选的，车辆部件识别模型的训练方法，包括：
获取车辆部件数据集的待训练车辆部件的图片；
利用所述待训练车辆部件的图片对车辆识别模型进行训练获得原始的车辆部件识别模型；
利用预设损失值以及反向传播算法对所述原始车辆部件识别模型进行迭代训练，得到训练好的车辆部件识别模型；
其中，若待训练车辆部件的图片的锚点属于未知候选区域，则预设损失值为对比聚类损失值；
若待训练车辆部件的图片的锚点属于目标候选区域，则预设损失值为分类损失值、坐标回归损失值和对比聚类损失值之和。
进一步，优选的，所述对比聚类损失值通过以下公式获得：
其中，fc为待训练图片输出的中间特征，c为聚类中心的类别；pi为各个车辆部件的类特征，D(fc,pi)为聚类中心和候选框对应的特征向量之间的欧式距离，Δ为类间距离。
进一步，优选的，所述类特征通过以下公式获得：
其中，i＝1,2,3…n+1,n为已定义部件数；为第t轮迭代中部件i对应特征值。
进一步，优选的，判定所述待训练车辆部件的图片的锚点的属于未知候选区域或目标候选区域的方法，包括：
获取车辆部件数据集中标注数据的目标框的宽高比；
将所述目标框的宽高比作为RPN网络中候选锚点的宽高比，并根据所述候选锚点的宽高比形成候选区域组；
获取候选区域组内的候选区域框与真值框的交并比值，将所述交并比值与交并比阈值相比较，并将所述候选区域框的置信度与置信度阈值相比较；
筛选所述交并比值高于交并比阈值，且置信度高于置信度阈值的候选区域作为目标候选区域；筛选置信度高于置信度阈值，且所述交并比值低于交并比阈值的候选区域作为未知候选区域。
进一步，优选的，在步骤将候选区域组和真值框进行交并比以及置信度比较之前，还包括候选区域筛选步骤：
获取候选区域的起点与聚类中心的欧式距离，候选区域的终点与聚类中心的欧式距离；
对于起点与聚类中心的欧式距离以及终点与聚类中心的欧式距离小于预设距离阈值的候选区域进行保留。
为了解决上述问题，本发明还提供一种车辆部件检测系统，所述系统包括：
车辆部件的图片获取单元，用于获取待检测车辆部件的图片，对所述待检测车辆部件的图片进行预处理，以形成待检规格图片；
车辆部件识别单元，用于将所述待检规格图片输入预训练的车辆部件识别模型，获取与所述待检规格图片相对应的已知部件类以及未知部件类；
特征向量输出单元，用于将所述已知部件类和未知部件类通过聚类算法进行进行聚类对比，获得已知部件类的特征向量和未知部件类的特征向量；将所述已知部件类的特征向量输入感兴趣区域检测器以获取车辆部件预测分类向量和车辆部件预测坐标；
判定单元，用于利用所述已知部件类的特征向量和未知部件类的特征向量、车辆部件预测分类向量和车辆部件预测坐标进行车辆部件类别的判定。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述所述的车辆部件检测方法中的步骤。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的车辆部件检测方法。
本发明的车辆部件检测方法通过获取待检测车辆部件的图片，对所述待检测车辆部件的图片进行预处理，以形成待检规格图片；将所述待检规格图片输入预训练的车辆部件识别模型，获取与所述待检规格图片相对应的已知部件类以及未知部件类；将所述已知部件类和未知部件类通过聚类算法进行进行聚类对比，获得已知部件类的特征向量和未知部件类的特征向量；将所述已知部件类的特征向量输入感兴趣区域检测器以获取车辆部件预测分类向量和车辆部件预测坐标；利用所述已知部件类的特征向量和未知部件类的特征向量、车辆部件预测分类向量和车辆部件预测坐标进行车辆部件类别的判定。具有的有益效果如下：
1)通过设置未知部件类对车辆部件的已定义部件和未定义部件进行有效区分，进而避免了车辆部件识别模型对已经学习过的部件识别精度下降的弊端；
2)通过感兴趣区域检测器进行对比聚类、分类以及输出坐标，通过对比聚类进一步增加已知车辆部件和未知车辆部件的可区分性，从而达到精准识别车辆部件的技术效果。
附图说明
图1为本发明一实施例提供的车辆部件检测方法的流程示意图；
图2为本发明一实施例提供的车辆部件检测系统的模块示意图；
图3为本发明一实施例提供的实现车辆部件检测方法的电子设备的内部结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
为了解决现有技术中，车损场景中车辆部件识别困难的问题。车辆部件检测方法通过获取待检测车辆部件的图片，对所述待检测车辆部件的图片进行预处理，以形成待检规格图片；将所述待检规格图片输入预训练的车辆部件识别模型，获取与所述待检规格图片相对应的已知部件类以及未知部件类；将所述已知部件类和未知部件类通过聚类算法进行进行聚类对比，获得已知部件类的特征向量和未知部件类的特征向量；将所述已知部件类的特征向量输入感兴趣区域检测器以获取车辆部件预测分类向量和车辆部件预测坐标；利用所述已知部件类的特征向量和未知部件类的特征向量、车辆部件预测分类向量和车辆部件预测坐标进行车辆部件类别的判定。达到精准识别车辆部件的技术效果。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。本申请中人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术以及机器学习。
参照图1所示，为本发明一实施例提供的车辆部件检测方法的流程示意图。该方法可以由一个系统执行，该系统可以由软件和/或硬件实现。
由于传统的车辆部件检测方法没有将已知部件、未知部件、背景三者进行区分，每次定义新的部件后，都需要对原有数据进行重新标注，并使用全部数据重新训练模型。如果原有数据已经流失，仅使用包含新定义部件的训练数据训练模型，导致对原先定义的车辆部件识别精度下降。而本发明的车辆部件检测方法可以通过RPN网络实现未知部件的自动提取；通过维护类特征及对比聚类实现不同车辆部件间的分离以及已知部件和未知部件间的分离；并且具备可持续学习能力。
在本实施例中，车辆部件检测方法包括S110～S140：
S110、获取待检测车辆部件的图片，对所述待检测车辆部件的图片进行预处理，以形成待检规格图片；
所述预处理过程包括降噪处理、灰度处理以及尺寸调整处理等，经过上述预处理，即可将所获取的待检测车辆部件的图片统一处理为符合预训练的车辆部件识别模型识别需要的待检规格图片。图片的获取设备可以是摄像头、相机等终端。
S120、将所述待检规格图片输入预训练的车辆部件识别模型，获取与所述待检规格图片相对应的已知部件类以及未知部件类。
在一个具体的实施例中，将所述待检规格图片输入预训练的车辆部件识别模型，获取与所述待检规格图片相对应的已知部件类以及未知部件类的方法包括：S121、通过骨干网络将所述待检规格图片进行特征提取，获得中间特征图；S122、将所述中间特征图输入区域生成网络，获得目标区域候选框；S123、利用预设的已知置信度阈值和未知置信度阈值对所述目标区域候选框进行筛选；S124、将分类置信度大于未知置信度阈值，且与真值框的交并比值小于已知置信度阈值的目标区域候选框作为未知部件类；将分类置信度大于未知置信度阈值，且与真值框的交并比值大于已知置信度阈值的目标区域候选框作为已知部件类。
具体地说，RPN网络和骨干网络是承接关系。RPN网络的输入就是经过骨干网络得到的中间特征图。
需要说明的是，RPN(region proposal network)网络是一种在目标检测领域被广泛应用的网络结构/子模块，其作用在于经过卷积、池化和形变等操作后，从中间特征中提取待检测目标的候选区域，这些区域也被称为锚点(anchors)。为了提升车辆部件识别模型的精准识别，进行了已知部件类和未知部件类的定义区分。
在具体的实施过程中，预定义“未知部件”类，并设置置信度阈值thresunknown。对于所有锚点anchorn，如果其分类置信度大于thresunknown，且与所有真值框IOU均小于阈值thresknown，则该锚点被认定为“未知部件”类，传入后续网络中。由于没有对应的真值框，因此在计算损失函数时，未知部件锚点只参与“对比聚类”分支计算。此外，将这些高置信度的锚点归结为未知部件也避免了与已知部件类混淆的可能，可以进一步减少模型误检漏检，提升模型的准确度。
在一个具体的实施例中，车辆部件识别模型的训练方法包括：S1201、获取车辆部件数据集的待训练车辆部件的图片；S1202、利用所述待训练车辆部件的图片对车辆识别模型进行训练获得原始的车辆部件识别模型；S1203、利用预设损失值以及反向传播算法对所述原始车辆部件识别模型进行迭代训练，得到训练好的车辆部件识别模型；其中，若待训练车辆部件的图片的锚点属于未知候选区域，则预设损失值为对比聚类损失值；若待训练车辆部件的图片的锚点属于目标候选区域，则预设损失值为分类损失值、坐标回归损失值和对比聚类损失值之和。
所述对比聚类损失值通过以下公式获得：
其中，fc为待训练图片输出的中间特征，c为聚类中心的类别；pi为各个车辆部件的类特征，D(fc,pi)为聚类中心和候选框对应的特征向量之间的欧式距离，Δ为类间距离。
需要说明的是，获取N类已知车辆部件以及车辆未知部件的对应的类特征；所述类特征通过以下公式获得：
其中，i＝1,2,3…n+1,n为已定义部件数；为第t轮迭代中部件i对应特征值。具体地说，对于n类已定义的车辆部件和“未知部件”类，记录训练迭代中每一类部件的全部中间特征，取均值作为该类的类特征。类特征每十轮迭代做一次更新。
在一个具体的实施例中，判定所述待训练车辆部件的图片的锚点的属于未知候选区域或目标候选区域的方法，包括：
获取车辆部件数据集中标注数据的目标框的宽高比；将所述目标框的宽高比作为RPN网络中候选锚点的宽高比，并根据所述候选锚点的宽高比形成候选区域组；获取候选区域组内的候选区域框与真值框的交并比值，将所述交并比值与交并比阈值相比较，并将所述候选区域框的置信度与置信度阈值相比较；
筛选所述交并比值高于交并比阈值，且置信度高于置信度阈值的候选区域作为目标候选区域；筛选置信度高于置信度阈值，且所述交并比值低于交并比阈值的候选区域作为未知候选区域。
传统的RPN网络对特征图上的每个点，结合锚点宽高比生成多个候选区域，再经过与标注的ground truth(真值框)进行交并比和置信度比较，将高交并比且高置信度的区域输出为前景的候选区域。本方案在此基础上，同时输出高置信度但低交并比的区域，认为这些区域是本阶段还没有被定义的“未知部件”。也就是说，模型训练时，通过比对锚点和真值框(ground truth label)之间的置信度和交并比(IOU)来确定锚点是前景还是背景区域。由于RPN是分类不敏感的，因此只能区分前景与背景。通常情况下，高置信度且高IOU的锚点被认为是前景目标，其余锚点则被统一认定为是背景区域。但根据实际经验可以发现，高置信度低IOU的锚点往往正是未被定义的且形态与已知部件高度相似的未知待定义部件。因此，筛选高交比和高置信度的候选区域作为目标候选区域；筛选高置信度低交比的候选区域作为未知候选区域，且交并比阈值和置信度阈值根据实际的应用场景设置。
在一个具体的实施例中，在步骤将候选区域组和真值框进行交并比以及置信度比较之前，还包括候选区域筛选步骤：获取候选区域的起点与聚类中心的欧式距离，候选区域的终点与聚类中心的欧式距离；对于起点与聚类中心的欧式距离以及终点与聚类中心的欧式距离小于预设距离阈值的候选区域进行保留。
具体地说，对于每个候选区域进行其起点、终点与聚类中心的欧式距离，小于阈值则保留，否则丢弃。对于保留的区域，重新对聚类中心和对应的ROI进行校正。对于没有符合条件的轨迹的聚类中心，则说明聚类计算产生错误，该聚类中心被移除。聚类算法可以为：如k-means，ISODATA等。也就是说，对数据集样本维度特征统计，利用ISODATA聚类算法统计数据集中真实样本的维度信息，得到统计的维度信息后将其转换成目标框的宽高比例，该宽高比例将作为RPN网络中候选锚框的宽高比参数。通过聚类算法统计样本维度信息，将初始参数设置完成后，修改ISODATA聚类算法中元素到类簇中心的聚类公式为两个目标边框的IoU的值；运行ISODATA聚类算法得到的聚类中心的(w，h)的坐标就宽和高，然后将每个中心的w和h进行比值计算，得到候选锚框的宽高比参数。另外，在具体的实施过程中，更新聚类中心的过程包括：更新聚类中心的具体方法是均值法，即：对该聚类现有的n个样本及其聚类中心x1，若新加入一个x2样本，则新的聚类中心为(nx1+x2)/(n+1)。
为了解决上述问题，利用反向传播算法对原始车辆部件识别模型进行迭代训练的过程中，在项目的某个阶段t0，对于已定义的个部件，当模型训练结束后，会生成个类特征。利用训练好的模型再对全部数据进行前向推(inference),保留与类特征距离最近的/>个数据作为下一个阶段/>的补充训练数据集。/>的数量可以远小于总数据量，极端情况下可以为0。
S130、将所述已知部件类和未知部件类通过聚类算法进行进行聚类对比，获得已知部件类的特征向量和未知部件类的特征向量；将所述已知部件类的特征向量输入感兴趣区域检测器以获取车辆部件预测分类向量和车辆部件预测坐标。也就是说，利用ISODATA聚类算法进行已知类部件和未知类部件聚类对比，获得已知部件类的特征向量和未知部件类的特征向量；将新的中间特征向量进行车辆部件分类，获得车辆部件预测分类向量；将新的中间特征向量进行物体坐标回归，获得车辆部件预测坐标。
本实施例中，聚类、分类、坐标是三个并列分支，没有先后关系。也就是说，对于分类分支而言，输入也是经过中间层计算得到的中间特征，再经过分类器，输出N个类别的置信度。对于坐标回归分支而言，训练过程中的坐标回归的具体过程是：经过中间层的计算得到中间特征图，再通过坐标回归分支输出预测坐标。
其中，需要说明的是，感兴趣区域检测器(ROI Head)是一种在两阶段检测算法中被广泛使用的网络结构/子模块。ROI Head利用class和regression两个分支，对经过前景背景分类过的特征图(锚点)进行进一步的物体分类和坐标值回归。为了提高算法对已知部件和未知部件的区分能力，并且使模型具备持续学习能力，本方案引入第三个分支，即“对比聚类”分支。也就是说，对于RPN(RegionProposal Network)区域生成网络网络生成的每一个目标区域候选框，经过ROI Head(感兴趣区域检测器)计算后得到新的中间特征向量，进而对中间特征向量进行聚类对比、分类以及坐标获取。
需要说明的是，利用ISODATA聚类算法进行已知类部件和未知类部件聚类对比，获得已知部件类的特征向量和未知部件类的特征向量的具体步骤包括：步骤S131、通过ISODATA聚类算法根据包含真值框标注的车辆部件数据集，获取所述标注数据中目标框的宽高比作为RPN网络中候选锚点的宽高比；人工将车辆部件数据集中的图片进行标注形成ground truth(真值框)；具体地说，制作车辆部件数据集，使用MS COCO数据集格式，人工标注车辆部件ground truth。步骤S132、根据候选锚点的宽高比形成候选区域组；将候选区域组和真值框进行交比和置信度比较；步骤S133、筛选高交比和高置信度的区域作为目标候选区域；同时输出高置信度低交比的区域作为未知候选区域。利用ISODATA聚类算法统计标注数据中目标框的宽高比，作为RPN网络中候选锚点的宽高比；输入图片经过骨干网络的计算(即特征提取)，输出为中间特征图。再经过RPN网络计算才是目标区域候选框。
需要说明的是，任意一个聚类通过其中心位置坐标来表示，即该聚类对象的x和y坐标分别为聚类中的所有点的坐标平均值。通过这一定义，线性、分散或环形运动的聚类的起始点中心位置通常为其起始点，而线性、聚集或环形运动的聚类的终止点中心位置通常为其终止点。
对于对比聚类分支，判定目标区域候选框所属的聚类中心的方法包括：1)利用待检测车辆部件图片进行车辆部件识别模型的迭代更新；具体的步骤包括：将N类已知车辆部件定义为N个聚类中心，将一类“车辆未知部件”定义为一个聚类中心，将上述N+1个聚类中心初始化，获得N+1个特征向量；即对于当前阶段已经定义的N类已知车辆部件和一类车辆未知部件，初始化N+1个聚类中心，即N+1个特征向量。2)如果步骤S132中获得的获得目标区域候选框组；将所述目标区域候选框与上述N+1个聚类中心进行比对，并确定所述目标区域候选框所属的聚类中心；3)该区域是已定义部件的候选区域，则计算其与N个已知部件聚类中心的距离，距离公式选用欧式距离。认定该区域属于与其距离最小的聚类中心对应类别，并更新该聚类中心。如果该区域是未知部件候选区域，则直接更新“未知部件”类的聚类中心。
S140、利用所述已知部件类的特征向量和未知部件类的特征向量、车辆部件预测分类向量和车辆部件预测坐标进行车辆部件类别的判定。
需要说明的是，传统的ROI head会将新生成的中间特征作为输入传递给“分类器”和“坐标回归”分支。本申请在此基础上，添加了聚类分支。聚类与其他两个分支一致，也将新生成的中间特征作为输入。三个分支先得到输出结果，然后再与标注的真值进行偏差计算，得到损失值，用以更新整个模型；而实际生产使用中，即推断(inference)过程，没有后面的损失计算过程。模型的输出即为最终结果。
综上，本发明提供的车辆部件检测方法通过相比于现有技术，本发明通过显式定义“未知部件”类别并且将部件间聚类距离带入损失值计算，可以显著提高模型泛化能力、减少模型误检漏检并提升模型的整体精度。另外，“未知部件”的选取由模型自动完成，无需额外人工标注。而且提出的车辆部件识别模型算法也具备持续学习的能力，使得训练数据使用效率更高，具有迭代训练时间更短的技术效果。
与前述车辆部件检测方法相对应，本发明还提供一种车辆部件检测系统。如图2所示，为本发明提供的车辆部件检测系统200的模块示意图，本发明可以安装于电子设备中。根据实现的功能，该车辆部件检测系统200可以包括车辆部件的图片获取单元210、车辆部件识别单元220、特征向量输出单元230和判定单元240。本发明所述单元也可以称之为模块，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
车辆部件的图片获取单元210，用于获取待检测车辆部件的图片，对所述待检测车辆部件的图片进行预处理，以形成待检规格图片；
车辆部件识别单元220，用于将所述待检规格图片输入预训练的车辆部件识别模型，获取与所述待检规格图片相对应的已知部件类以及未知部件类；
特征向量输出单元230，用于将所述已知部件类和未知部件类通过聚类算法进行进行聚类对比，获得已知部件类的特征向量和未知部件类的特征向量；将所述已知部件类的特征向量输入感兴趣区域检测器以获取车辆部件预测分类向量和车辆部件预测坐标；
判定单元240，用于利用所述已知部件类的特征向量和未知部件类的特征向量、车辆部件预测分类向量和车辆部件预测坐标进行车辆部件类别的判定。
具体的，作为示例，车辆部件识别单元220进一步包括：
特征提取单元，用于通过骨干网络对所述待检规格图片进行特征提取，获得中间特征图；
目标区域候选单元，用于将所述中间特征图输入区域生成网络，获得目标区域候选框；
筛选单元，用于利用预设的已知置信度阈值和未知置信度阈值对所述目标区域候选框进行筛选；其中，将分类置信度大于未知置信度阈值，且真值框交并比值小于已知置信度阈值的目标区域候选框作为未知部件类；将分类置信度大于未知置信度阈值，且真值框交并比值大于已知置信度阈值的目标区域候选框作为已知部件类。
另一方面，作为示例，本发明提供的车辆部件检测系统200还可以包括车辆部件识别模型训练单元(图中未示出)。该车辆部件识别模型训练单元可以包括：
训练图片获取单元，用于获取车辆部件数据集的待训练车辆部件的图片；
初级训练单元，用于利用所述待训练车辆部件的图片对车辆识别模型进行训练获得原始的车辆部件识别模型；
迭代训练单元，用于利用预设损失值以及反向传播算法对所述原始车辆部件识别模型进行迭代训练，得到训练好的车辆部件识别模型；
其中，若待训练车辆部件的图片的锚点属于未知候选区域，则预设损失值为对比聚类损失值；若待训练车辆部件的图片的锚点属于目标候选区域，则预设损失值为分类损失值、坐标回归损失值和对比聚类损失值之和。
本发明所提供的上述车辆部件检测系统的更为具体的实现方式，均可以参照上述对车辆部件检测方法的实施例表述，在此不再一一赘述。
本发明的车辆部件检测系统200，通过显式定义“未知部件”类别并且将部件间聚类距离带入损失值计算，可以显著提高模型泛化能力、减少模型误检漏检并提升模型的整体精度。另外，“未知部件”的选取由模型自动完成，无需额外人工标注。而且提出的车辆部件识别模型算法也具备持续学习的能力，使得训练数据使用效率更高，具有迭代训练时间更短的技术效果。
如图3所示，本发明提供一种车辆部件检测方法的电子设备3。
该电子设备3可以包括处理器30、存储器31和总线，还可以包括存储在存储器31中并可在所述处理器30上运行的计算机程序，如车辆部件检测程序32。
其中，所述存储器31至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器31在一些实施例中可以是电子设备3的内部存储单元，例如该电子设备3的移动硬盘。所述存储器31在另一些实施例中也可以是电子设备3的外部存储设备，例如电子设备3上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器31还可以既包括电子设备3的内部存储单元也包括外部存储设备。所述存储器31不仅可以用于存储安装于电子设备3的应用软件及各类数据，例如车辆部件检测程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器30在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器30是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器31内的程序或者模块(例如车辆部件检测程序等)，以及调用存储在所述存储器31内的数据，以执行电子设备3的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器31以及至少一个处理器30等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备3的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备3还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理系统与所述至少一个处理器30逻辑相连，从而通过电源管理系统实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备3还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备3还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备3与其他电子设备之间建立通信连接。
可选地，该电子设备3还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备3中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备3中的所述存储器31存储的车辆部件检测程序32是多个指令的组合，在所述处理器30中运行时，可以实现：获取待检测车辆部件的图片，对所述待检测车辆部件的图片进行预处理，以形成待检规格图片；将所述待检规格图片输入预训练的车辆部件识别模型，获取与所述待检规格图片相对应的已知部件类以及未知部件类；将所述已知部件类和未知部件类通过聚类算法进行进行聚类对比，获得已知部件类的特征向量和未知部件类的特征向量；将所述已知部件类的特征向量输入感兴趣区域检测器以获取车辆部件预测分类向量和车辆部件预测坐标；利用所述已知部件类的特征向量和未知部件类的特征向量、车辆部件预测分类向量和车辆部件预测坐标进行车辆部件类别的判定。
具体地，所述处理器30对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。需要强调的是，为进一步保证上述车辆部件检测程序的私密和安全性，上述数据库高可用处理数据存储于本服务器集群所处区块链的节点中。
进一步地，所述电子设备3集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或系统、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明实施例还提供一种计算机可读存储介质，所述存储介质可以是非易失性的，也可以是易失性的，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现：获取待检测车辆部件的图片，对所述待检测车辆部件的图片进行预处理，以形成待检规格图片；将所述待检规格图片输入预训练的车辆部件识别模型，获取与所述待检规格图片相对应的已知部件类以及未知部件类；将所述已知部件类和未知部件类通过聚类算法进行进行聚类对比，获得已知部件类的特征向量和未知部件类的特征向量；将所述已知部件类的特征向量输入感兴趣区域检测器以获取车辆部件预测分类向量和车辆部件预测坐标；利用所述已知部件类的特征向量和未知部件类的特征向量、车辆部件预测分类向量和车辆部件预测坐标进行车辆部件类别的判定。
具体地，所述计算机程序被处理器执行时具体实现方法可参考实施例车辆部件检测方法中相关步骤的描述，在此不赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或系统也可以由一个单元或系统通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (5)

1.一种车辆部件检测方法，其特征在于，方法包括：
获取待检测车辆部件的图片，对所述待检测车辆部件的图片进行预处理，以形成待检规格图片；
将所述待检规格图片输入预训练的车辆部件识别模型，获取与所述待检规格图片相对应的已知部件类以及未知部件类；其中，将所述待检规格图片输入预训练的车辆部件识别模型，获取与所述待检规格图片相对应的已知部件类以及未知部件类的方法，包括：通过骨干网络对所述待检规格图片进行特征提取，获得中间特征图；将所述中间特征图输入区域生成网络，获得目标区域候选框；利用预设的已知置信度阈值和未知置信度阈值对所述目标区域候选框进行筛选；其中，将分类置信度大于未知置信度阈值，且与真值框的交并比值小于已知置信度阈值的目标区域候选框作为未知部件类；将分类置信度大于未知置信度阈值，且与真值框的交并比值大于已知置信度阈值的目标区域候选框作为已知部件类；车辆部件识别模型的训练方法，包括：获取车辆部件数据集的待训练车辆部件的图片；利用所述待训练车辆部件的图片对车辆识别模型进行训练获得原始的车辆部件识别模型；利用预设损失值以及反向传播算法对所述原始车辆部件识别模型进行迭代训练，得到训练好的车辆部件识别模型；其中，若待训练车辆部件的图片的锚点属于未知候选区域，则预设损失值为对比聚类损失值；若待训练车辆部件的图片的锚点属于目标候选区域，则预设损失值为分类损失值、坐标回归损失值和对比聚类损失值之和；
判定所述待训练车辆部件的图片的锚点的属于未知候选区域或目标候选区域的方法，包括：获取车辆部件数据集中标注数据的目标框的宽高比；将所述目标框的宽高比作为RPN网络中候选锚点的宽高比，并根据所述候选锚点的宽高比形成候选区域组；获取候选区域组内的候选区域框与真值框的交并比值，将所述交并比值与交并比阈值相比较，并将所述候选区域框的置信度与置信度阈值相比较；筛选所述交并比值高于交并比阈值，且置信度高于置信度阈值的候选区域作为目标候选区域；筛选置信度高于置信度阈值，且所述交并比值低于交并比阈值的候选区域作为未知候选区域；
将所述已知部件类和未知部件类通过聚类算法进行聚类对比，获得所述已知部件类的特征向量和所述未知部件类的特征向量；所述对比聚类损失值通过以下公式获得：
其中，fc为待训练图片输出的中间特征，c为聚类中心的类别；pi为各个车辆部件的类特征，D(fc,pi)为聚类中心和候选框对应的特征向量之间的欧式距离，Δ为类间距离；
所述类特征通过以下公式获得：
其中，i＝1,2,3…n+1,n为已定义部件数；fit为第t轮迭代中部件i对应特征值；i为第i个部件；t为迭代的轮次；将所述已知部件类的特征向量输入感兴趣区域检测器以获取车辆部件预测分类向量和车辆部件预测坐标；
利用所述已知部件类的特征向量和所述未知部件类的特征向量、车辆部件预测分类向量和车辆部件预测坐标进行车辆部件类别的判定。
2.如权利要求1所述的车辆部件检测方法，其特征在于，在步骤将候选区域组和真值框进行交并比以及置信度比较之前，还包括候选区域筛选步骤：
获取候选区域的起点与聚类中心的欧式距离，候选区域的终点与聚类中心的欧式距离；
对于起点与聚类中心的欧式距离以及终点与聚类中心的欧式距离小于预设距离阈值的候选区域进行保留。
3.一种车辆部件检测系统，其特征在于，所述系统包括：
车辆部件的图片获取单元，用于获取待检测车辆部件的图片，对所述待检测车辆部件的图片进行预处理，以形成待检规格图片；
车辆部件识别单元，用于将所述待检规格图片输入预训练的车辆部件识别模型，获取与所述待检规格图片相对应的已知部件类以及未知部件类；其中，将所述待检规格图片输入预训练的车辆部件识别模型，获取与所述待检规格图片相对应的已知部件类以及未知部件类的方法，包括：通过骨干网络对所述待检规格图片进行特征提取，获得中间特征图；将所述中间特征图输入区域生成网络，获得目标区域候选框；利用预设的已知置信度阈值和未知置信度阈值对所述目标区域候选框进行筛选；其中，将分类置信度大于未知置信度阈值，且与真值框的交并比值小于已知置信度阈值的目标区域候选框作为未知部件类；将分类置信度大于未知置信度阈值，且与真值框的交并比值大于已知置信度阈值的目标区域候选框作为已知部件类；车辆部件识别模型的训练方法，包括：获取车辆部件数据集的待训练车辆部件的图片；利用所述待训练车辆部件的图片对车辆识别模型进行训练获得原始的车辆部件识别模型；利用预设损失值以及反向传播算法对所述原始车辆部件识别模型进行迭代训练，得到训练好的车辆部件识别模型；其中，若待训练车辆部件的图片的锚点属于未知候选区域，则预设损失值为对比聚类损失值；若待训练车辆部件的图片的锚点属于目标候选区域，则预设损失值为分类损失值、坐标回归损失值和对比聚类损失值之和；
判定所述待训练车辆部件的图片的锚点的属于未知候选区域或目标候选区域的方法，包括：获取车辆部件数据集中标注数据的目标框的宽高比；将所述目标框的宽高比作为RPN网络中候选锚点的宽高比，并根据所述候选锚点的宽高比形成候选区域组；获取候选区域组内的候选区域框与真值框的交并比值，将所述交并比值与交并比阈值相比较，并将所述候选区域框的置信度与置信度阈值相比较；筛选所述交并比值高于交并比阈值，且置信度高于置信度阈值的候选区域作为目标候选区域；筛选置信度高于置信度阈值，且所述交并比值低于交并比阈值的候选区域作为未知候选区域；
将所述已知部件类和未知部件类通过聚类算法进行聚类对比，获得所述已知部件类的特征向量和所述未知部件类的特征向量；所述对比聚类损失值通过以下公式获得：
其中，fc为待训练图片输出的中间特征，c为聚类中心的类别；pi为各个车辆部件的类特征，D(fc,pi)为聚类中心和候选框对应的特征向量之间的欧式距离，Δ为类间距离；
所述类特征通过以下公式获得：
其中，i＝1,2,3…n+1,n为已定义部件数；fit为第t轮迭代中部件i对应特征值；i为第i个部件；t为迭代的轮次；
特征向量输出单元，用于将所述已知部件类和未知部件类通过聚类算法进行聚类对比，获得已知部件类的特征向量和未知部件类的特征向量；将所述已知部件类的特征向量输入感兴趣区域检测器以获取车辆部件预测分类向量和车辆部件预测坐标；
判定单元，用于利用所述已知部件类的特征向量和未知部件类的特征向量、车辆部件预测分类向量和车辆部件预测坐标进行车辆部件类别的判定。
4.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1或2所述的车辆部件检测方法中的步骤。
5.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1或2所述的车辆部件检测方法。
CN202111092733.9A 2021-09-17 2021-09-17 车辆部件检测方法、系统、电子设备及存储介质 Active CN113792733B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111092733.9A CN113792733B (zh) 2021-09-17 2021-09-17 车辆部件检测方法、系统、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111092733.9A CN113792733B (zh) 2021-09-17 2021-09-17 车辆部件检测方法、系统、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN113792733A CN113792733A (zh) 2021-12-14
CN113792733B true CN113792733B (zh) 2023-07-21

Family

ID=78878946

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111092733.9A Active CN113792733B (zh) 2021-09-17 2021-09-17 车辆部件检测方法、系统、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN113792733B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5060277A (en) * 1985-10-10 1991-10-22 Palantir Corporation Pattern classification means using feature vector regions preconstructed from reference data
CN108596053A (zh) * 2018-04-09 2018-09-28 华中科技大学 一种基于ssd和车辆姿态分类的车辆检测方法和系统
CA3092941A1 (en) * 2018-03-07 2019-09-12 Private Identity Llc Systems and methods for privacy-enabled biometric processing
CN111104965A (zh) * 2019-11-25 2020-05-05 河北科技大学 车辆目标识别的方法及装置
CN111144462A (zh) * 2019-12-16 2020-05-12 中国电子科技集团公司第三十八研究所 一种雷达信号的未知个体识别方法及装置
CN112541905A (zh) * 2020-12-16 2021-03-23 华中科技大学 一种基于终身学习卷积神经网络的产品表面缺陷识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11295240B2 (en) * 2019-06-15 2022-04-05 Boult Terrance E Systems and methods for machine classification and learning that is robust to unknown inputs

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5060277A (en) * 1985-10-10 1991-10-22 Palantir Corporation Pattern classification means using feature vector regions preconstructed from reference data
CA3092941A1 (en) * 2018-03-07 2019-09-12 Private Identity Llc Systems and methods for privacy-enabled biometric processing
CN108596053A (zh) * 2018-04-09 2018-09-28 华中科技大学 一种基于ssd和车辆姿态分类的车辆检测方法和系统
CN111104965A (zh) * 2019-11-25 2020-05-05 河北科技大学 车辆目标识别的方法及装置
CN111144462A (zh) * 2019-12-16 2020-05-12 中国电子科技集团公司第三十八研究所 一种雷达信号的未知个体识别方法及装置
CN112541905A (zh) * 2020-12-16 2021-03-23 华中科技大学 一种基于终身学习卷积神经网络的产品表面缺陷识别方法

Also Published As

Publication number Publication date
CN113792733A (zh) 2021-12-14

Similar Documents

Publication Publication Date Title
US11144889B2 (en) Automatic assessment of damage and repair costs in vehicles
Azim et al. Layer-based supervised classification of moving objects in outdoor dynamic environment using 3D laser scanner
CN111079640B (zh) 一种基于自动扩增样本的车型识别方法及系统
CN105574550A (zh) 一种车辆识别方法及装置
US9330336B2 (en) Systems, methods, and media for on-line boosting of a classifier
CN111932547B (zh) 图像中目标物的分割方法、装置、电子设备及存储介质
Xu et al. Automatic recognition algorithm of traffic signs based on convolution neural network
WO2021151277A1 (zh) 目标物损伤程度判定方法、装置、电子设备及存储介质
CN110689043A (zh) 一种基于多重注意力机制的车辆细粒度识别方法及装置
CN113822247B (zh) 基于航拍影像的违章建筑识别方法及系统
CN112137591B (zh) 基于视频流的目标物位置检测方法、装置、设备及介质
CN112738470B (zh) 一种高速公路隧道内停车检测的方法
CN112906823B (zh) 目标对象识别模型训练方法、识别方法及识别装置
CN114998220A (zh) 一种基于改进的Tiny-YOLO v4自然环境下舌像检测定位方法
CN114913923A (zh) 针对单细胞染色质开放性测序数据的细胞类型识别方法
CN114140025A (zh) 面向多模态数据的车险欺诈行为预测系统、方法和装置
CN113792733B (zh) 车辆部件检测方法、系统、电子设备及存储介质
CN112017065A (zh) 车辆定损理赔方法、装置及计算机可读存储介质
CN115760854A (zh) 基于深度学习的电力设备缺陷检测方法、装置及电子设备
CN112580505B (zh) 网点开关门状态识别方法、装置、电子设备及存储介质
CN114187476A (zh) 基于图像分析的车险信息核对方法、装置、设备及介质
CN114783042A (zh) 基于多移动目标的人脸识别方法、装置、设备及存储介质
CN112434601A (zh) 基于行车视频的车辆违法检测方法、装置、设备及介质
CN115393379A (zh) 一种数据标注方法及相关产品
CN112949510A (zh) 基于Faster R-CNN热红外影像人物探测方法

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