CN113870225B - 一种汽车域控制器的人工智能标签内容与粘贴质量检测方法 - Google Patents
一种汽车域控制器的人工智能标签内容与粘贴质量检测方法 Download PDFInfo
- Publication number
- CN113870225B CN113870225B CN202111148535.XA CN202111148535A CN113870225B CN 113870225 B CN113870225 B CN 113870225B CN 202111148535 A CN202111148535 A CN 202111148535A CN 113870225 B CN113870225 B CN 113870225B
- Authority
- CN
- China
- Prior art keywords
- label
- content
- dimensional code
- code
- ocr
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
-
- 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
- G06T2207/10024—Color 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
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种汽车域控制器的人工智能标签内容与粘贴质量检测方法,包括使用深度相机,调整相机物距使图像清晰分辨标签内容;构建汽车DCU标签实例分割卷积神经网络模型,输入为RGB图像,输出为标签类型、标签边界框、标签掩膜与标签置信度;以标签掩膜区域获取深度图像上深度值,并计算其高度平方差,实现粘贴质量检测;以标签类型获取内容字段要求,对部分内容字段调用光学字符识别算法,识别得到标签内容字段,进行内容比对;对于一维码、二维码形式的内容字段,调用解码器识别一维码、二维码得到内容字段,进行内容比对。
Description
技术领域
本发明涉及汽车域控制器智能制造技术领域,尤其涉及一种汽车域控制器(Domain Control Unit,DCU)的人工智能标签内容与粘贴质量检测方法。
背景技术
现有汽车域控制器DCU(Domain Control Unit),最早是为了解决信息安全,以及电子控制单元的瓶颈问题。根据汽车电子部件功能将整车划分为动力总成,智能座舱和自动驾驶等几个域,利用处理能力更强的多核芯片相对集中的控制每个域,以取代目前分布式电子电气架构。域控制器的核心发展是芯片的计算能力快速提升,公用信息的系统组件,能在软件中分配和执行,可实现以足够的资源快速响应完成客户需求,具备平台化、兼容性、集成高、性能好等优势。集中式架构相比分布式的架构,需要DCU的处理单元拥有更强的多核、更大的计算能力,而域里其它的处理器相对就可以减少性能和资源。各种传感器、执行器可以成为单独的模块,这样可以更方便实现零部件的标准化。DCU能够接入不同传感器的信号并对信号进行分析和处理,这样就可以方便地扩展外接的传感器,这样就能够更加适应不同需求的开发,从而为平台化铺平道路。各种接口的高度集成化,其质量检测成为DCU的智能制造中必须突破的一环。
目前采用深度学习结合深度相机,实现制造质量检测的相关发明有山东大学《基于激光雷达和双目相机数据融合的衬板装配系统及方法》(公开号:CN 111340834A)公开了一种基于激光雷达和双目相机数据融合的衬板装配系统及方法,基于激光雷达获取的磨机内部实时点云,以及包含衬板信息的深度图像,进而确定衬板的实时位姿信息和耳部位姿,生成重载机械臂调整衬板位姿的控制指令,以进行衬板装配,直至完成装配。主要是采用深度学习结合深度相机,实现定位完成装配,难以满足标签内容与粘贴质量检测。
青岛理工大学李东年、陈成军团队,提出多层随机森林、注意力机制、目标检测、像素分类、深度学习网络、深度图像对比、多模型集成等一系列装配检测方法,其中最相关是《一种基于深度图像对比的装配体多视角检测方法和系统》(公开号:113269729A)。该发明方法包括以下步骤:在装配体上或附近设置注册卡,建立三维模型库和零件库;通过RGB传感器和深度传感器分别采集装配体在装配过程各时刻的RGB图像和物理深度图像;计算所述RGB传感器在注册卡坐标系中的位置和姿态;计算所述深度传感器在注册卡坐标系中的位置和姿态;更新所述三维模型库的视角,获取三维模型库当前视角下的合成深度图像;对比合成深度图像和物理深度图像,获取变化区域;根据所述变化区域及视角在零件库中查询当前装配零件;更新所述三维模型库。该发明主要采用通过深度变化实现装配体局部变化检测,难以直接应用于本发明标签内容与粘贴质量检测。。
发明内容
为解决上述技术问题,本发明的目的是提供一种汽车域控制器DCU的人工智能标签内容与粘贴质量检测方法。
本发明的目的通过以下的技术方案来实现:
一种汽车域控制器的人工智能标签内容与粘贴质量检测方法,包括
步骤A使用深度相机,调整相机物距使图像清晰分辨标签内容;
步骤B构建汽车DCU标签实例分割卷积神经网络模型,输入为RGB图像,输出为标签类型、标签边界框、标签掩膜与标签置信度;
步骤C以标签掩膜区域获取深度图像上深度值,并计算其高度平方差,实现粘贴质量检测;
步骤D以标签类型获取内容字段要求,对部分内容字段调用光学字符识别算法,识别得到标签内容字段,进行内容比对;
步骤E对于一维码、二维码形式的内容字段,调用解码器识别一维码、二维码得到内容字段,进行内容比对。
与现有技术相比,本发明的一个或多个实施例可以具有如下优点:
采用深度学习+深度相机,实现汽车域控制器多个标签中,采用标签高度的极差、方差评价粘贴质量,并分别采用OCR或解码器模块,识别标签文本、一维码、二维码内容,通过比对判断内容正确与否。
附图说明
图1是汽车域控制器的人工智能标签内容与粘贴质量检测方法流程图图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合实施例及附图对本发明作进一步详细的描述。
如图1所示,为汽车域控制器DCU的人工智能标签内容与粘贴质量检测方法流程图,包括以下步骤:
步骤10使用深度相机,调整物距使成像视野合适,图像应足够清晰以分辨标签内容;
步骤20构建汽车DCU标签实例分割CNN模型,输入为RGB图像,输出为标签类型、标签边界框、标签掩膜、标签置信度;
主要指Mask R-CNN、UperNet等实例分割CNN模型。模型输出数据内容包括:标签数量Nobject以及Nobject个对象信息,设第n个对象信息具体包括:预测边界框Rbbox-n、预测掩膜Rmask-n、预测类型Rclass-n、预测置信度Rscore-n;其中:预测边界框Rbbox-n为1×4向量 为预测边界框左上顶点,为预测边界框右上顶点;预测掩膜Rmask-n是图像,尺寸与输入图像相等,1或Ture表示检出标签像素,以0或False表示非标签像素;预测类型Rclass-n是标量,设接口种类数Ninterface,则Rclass-n值为{0,1,2,3,..,Ninterface};预测置信度Rscore-n定义域为[0,1]。
步骤30以标签掩膜区域获取深度图像上深度值,并计算其高度平方差,实现粘贴质量检测;
设RGB图像尺寸为水平像素数量HRGB×水平像素数量VRGB,第n个对象的预测掩膜Rmask-n图像中,坐标(u,v)的像素值为rmask-n(u,v),其中u=1,2,...HRGB、v=1,2,...VRGB;
又有深度图像图像中,坐标(u,v)的深度值为d(u,v),
分别设置高度平方差下极限Dlabel-min=0.1mm2、极差下极限Rlabel-min=0.5mm,则标签粘贴质量良好条件为:
步骤40以标签类型获取内容字段要求,对于中文、英文、数字形式的内容字段,调用OCR算法,识别得到标签内容字段,进行内容比对;
设第n个对象的预测类型Rclass-n,对应的内容字段要求为T,长度为m;经OCR识别到的字符串为TOCR,若TOCR长度不为m,则直接判断标签内容可疑;若TOCR长度为m则进行判断内容比对;
内容字段要求T={t1,t2,t3…tm},其中t1…tm是字符集合,分别是第1…第m个字符可以采用的字符集合;
经OCR识别到的m位字符串TOCR=[tOCR-1,tOCR-2,tOCR-3…tOCR-m],内容正确条件是:
步骤50对于一维码、二维码形式的内容字段,调用解码器识别一维码、二维码得到内容字段,进行内容比对;
对于一维码、二维码形式的内容字段,调用解码器识别一维码、二维码得到内容字符串为TCode,若TCode长度为0,则标签一维码、二维码损坏,无法识别;
若TCode长度不为m,则直接判断标签一维码、二维码内容可疑;
若TCode长度为m则进行判断内容比对;
内容字段要求T={t1,t2,t3…tm},其中t1…tm是字符集合,分别是第1…第m个字符可以采用字符集合;
经解码器识别到的m位字符串TCODE=[tCODE-1,tCODE-2,tCODE-3…tCODE-m],内容正确条件是:
上式表示m位字符串TCODE的每一位字符tCODE-i,均满足tCODE-i∈ti时,识别为标签内容正确,且一维码、二维码有效。
虽然本发明所揭露的实施方式如上,但所述的内容只是为了便于理解本发明而采用的实施方式,并非用以限定本发明。任何本发明所属技术领域内的技术人员,在不脱离本发明所揭露的精神和范围的前提下,可以在实施的形式上及细节上作任何的修改与变化,但本发明的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (4)
1.一种汽车域控制器的人工智能标签内容与粘贴质量检测方法,其特征在于,所述方法包括以下步骤:
步骤A使用深度相机,调整物距使图像清晰分辨标签内容;
步骤B构建汽车DCU标签实例分割卷积神经网络模型,输入为RGB图像,输出为标签类型、标签边界框、标签掩膜与标签置信度;
步骤C以标签掩膜区域获取深度图像上深度值,并计算其高度平方差,实现粘贴质量检测;
步骤D以标签类型获取内容字段要求,对部分内容字段调用光学字符识别算法,识别得到标签内容字段,进行内容比对;
步骤E对于一维码、二维码形式的内容字段,调用解码器识别一维码、二维码得到内容字段,进行内容比对;
所述步骤C具体包括:
设RGB图像尺寸为水平像素数量HRGB×水平像素数量VRGB,第n个对象的预测掩膜Rmask-n图像中,坐标(u,v)的像素值为rmask-n(u,v),其中u=1,2,...HRGB、v=1,2,...VRGB;
深度图像中,坐标(u,v)的深度值为d(u,v),
Dlabel-min为高度平方差下极限、Rlabel-min为极差下极限,则标签粘贴质量良好条件为:
2.如权利要求1所述的汽车域控制器的人工智能标签内容与粘贴质量检测方法,其特征在于,所述步骤B中DCU标签实例分割卷积神经网络模型指Mask R-CNN、UperNet实例分割CNN模型,模型输出数据内容包括:标签数量Nobject以及Nobject个对象信息,设第n个对象信息具体包括:预测边界框Rbbox-n、预测掩膜Rmask-n、预测类型Rclass-n、预测置信度Rscore-n;其中:预测边界框Rbbox-n为1×4向量为预测边界框左上顶点,为预测边界框右上顶点;预测掩膜Rmask-n是图像,尺寸与输入图像相等,1或Ture表示检出标签像素,0或False表示非标签像素;预测类型Rclass-n是标量,设接口种类数Ninterface,则Rclass-n值为{0,1,2,3,..,Ninterface};预测置信度Rscore-n定义域为[0,1]。
3.如权利要求1所述的汽车域控制器的人工智能标签内容与粘贴质量检测方法,其特征在于,所述步骤D中,调用光学字符识别算法的内容字段包括中文、英文、数字形式的内容字段;其步骤D具体包括设第n个对象的预测类型Rclass-n,对应的内容字段要求为T,长度为m;经OCR识别到的字符串为TOCR,若TOCR长度不为m,则直接判断标签内容可疑;若TOCR长度为m则进行判断内容比对;
内容字段要求T={t1,t2,t3…tm},其中t1…tm是字符集合,分别是第1…第m个字符采用的字符集合;
经OCR识别到的m位字符串TOCR=[tOCR-1,tOCR-2,tOCR-3…tOCR-m],内容正确条件是:
式(5)表示m位字符串TOCR的每一位字符tOCR-i,均满足tOCR-i∈ti时,识别为标签内容正确。
4.如权利要求1所述的汽车域控制器的人工智能标签内容与粘贴质量检测方法,其特征在于,步骤E具体包括:
对于一维码、二维码形式的内容字段,调用解码器识别一维码、二维码得到内容字符串为TCode,若TCode长度为0,则标签一维码、二维码损坏,无法识别;
若TCode长度不为m,则直接判断标签一维码、二维码内容可疑;
若TCode长度为m则进行判断内容比对;
内容字段要求T={t1,t2,t3…tm},其中t1…tm是字符集合,分别是第1…第m个字符可以采用字符集合;
经解码器识别到的m位字符串TCODE=[tCODE-1,tCODE-2,tCODE-3…tCODE-m],内容正确条件是:
式(6)表示m位字符串TCODE的每一位字符tCODE-i,均满足tCODE-i∈ti时,识别为标签内容正确,且一维码、二维码有效。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111148535.XA CN113870225B (zh) | 2021-09-28 | 2021-09-28 | 一种汽车域控制器的人工智能标签内容与粘贴质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111148535.XA CN113870225B (zh) | 2021-09-28 | 2021-09-28 | 一种汽车域控制器的人工智能标签内容与粘贴质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113870225A CN113870225A (zh) | 2021-12-31 |
CN113870225B true CN113870225B (zh) | 2022-07-19 |
Family
ID=78992284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111148535.XA Active CN113870225B (zh) | 2021-09-28 | 2021-09-28 | 一种汽车域控制器的人工智能标签内容与粘贴质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113870225B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108416412A (zh) * | 2018-01-23 | 2018-08-17 | 浙江瀚镪自动化设备股份有限公司 | 一种基于多任务深度学习的物流复合码识别方法 |
CN108548820A (zh) * | 2018-03-28 | 2018-09-18 | 浙江理工大学 | 化妆品纸质标签缺陷检测方法 |
CN109085176A (zh) * | 2018-08-20 | 2018-12-25 | 深圳科瑞技术股份有限公司 | 一种标签印刷质量检测及数据校验方法 |
CN110619279A (zh) * | 2019-08-22 | 2019-12-27 | 天津大学 | 一种基于跟踪的路面交通标志实例分割方法 |
CN111986178A (zh) * | 2020-08-21 | 2020-11-24 | 北京百度网讯科技有限公司 | 产品缺陷检测方法、装置、电子设备和存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9471864B2 (en) * | 2012-06-22 | 2016-10-18 | Microsoft Technology Licensing, Llc | Encoding data in depth patterns |
CN109784339A (zh) * | 2018-12-13 | 2019-05-21 | 平安普惠企业管理有限公司 | 图片识别测试方法、装置、计算机设备及存储介质 |
US11720766B2 (en) * | 2018-12-28 | 2023-08-08 | Packsize Llc | Systems and methods for text and barcode reading under perspective distortion |
CA3040946A1 (en) * | 2019-04-23 | 2020-10-23 | Vab Solutions Inc. | Wood labeling system and method for labeling wood products in a production line |
-
2021
- 2021-09-28 CN CN202111148535.XA patent/CN113870225B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108416412A (zh) * | 2018-01-23 | 2018-08-17 | 浙江瀚镪自动化设备股份有限公司 | 一种基于多任务深度学习的物流复合码识别方法 |
CN108548820A (zh) * | 2018-03-28 | 2018-09-18 | 浙江理工大学 | 化妆品纸质标签缺陷检测方法 |
CN109085176A (zh) * | 2018-08-20 | 2018-12-25 | 深圳科瑞技术股份有限公司 | 一种标签印刷质量检测及数据校验方法 |
CN110619279A (zh) * | 2019-08-22 | 2019-12-27 | 天津大学 | 一种基于跟踪的路面交通标志实例分割方法 |
CN111986178A (zh) * | 2020-08-21 | 2020-11-24 | 北京百度网讯科技有限公司 | 产品缺陷检测方法、装置、电子设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
Computaional Depth Sensing: Toward high-performance commodity depth cameras;Zhiwei Xiong 等;《IEEE signal Precessing Magazine》;20170425;第34卷(第3期);第55-68页 * |
高分辨率机器视觉系统在医疗产品标签检查中的应用;钱勤建;《计算机与信息技术》;20111231(第Z1期);第23-30页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113870225A (zh) | 2021-12-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110728200B (zh) | 一种基于深度学习的实时行人检测方法及系统 | |
CN107506763B (zh) | 一种基于卷积神经网络的多尺度车牌精准定位方法 | |
Zang et al. | Vehicle license plate recognition using visual attention model and deep learning | |
CN113673425B (zh) | 一种基于Transformer的多视角目标检测方法及系统 | |
CN110119726B (zh) | 一种基于YOLOv3模型的车辆品牌多角度识别方法 | |
CN109948707B (zh) | 模型训练方法、装置、终端及存储介质 | |
CN111709381A (zh) | 基于YOLOv3-SPP的道路环境目标检测方法 | |
CN113095152B (zh) | 一种基于回归的车道线检测方法及系统 | |
KR102383377B1 (ko) | 차량용 번호판을 인식하기 위한 전자 장치 | |
CN110287798B (zh) | 基于特征模块化和上下文融合的矢量网络行人检测方法 | |
Gong et al. | Gitnet: Geometric prior-based transformation for birds-eye-view segmentation | |
CN112070174A (zh) | 一种基于深度学习的自然场景下文本检测方法 | |
Gu et al. | Embedded and real-time vehicle detection system for challenging on-road scenes | |
CN112613392A (zh) | 基于语义分割的车道线检测方法、装置、系统及存储介质 | |
CN111860509A (zh) | 一种由粗到精的两阶段非约束车牌区域精准提取方法 | |
Ahn et al. | Research of automatic recognition of car license plates based on deep learning for convergence traffic control system | |
CN114596548A (zh) | 目标检测方法、装置、计算机设备及计算机可读存储介质 | |
CN113870225B (zh) | 一种汽车域控制器的人工智能标签内容与粘贴质量检测方法 | |
CN116630917A (zh) | 一种车道线检测方法 | |
CN114926456A (zh) | 一种半自动标注和改进深度学习的铁轨异物检测方法 | |
Forczmański et al. | Deep learning approach to detection of preceding vehicle in advanced driver assistance | |
CN116229410A (zh) | 融合多维信息池化的轻量级神经网络道路场景检测方法 | |
CN115588126A (zh) | 一种融合GAM、CARAFE和SnIoU的车辆目标检测方法 | |
CN113888494A (zh) | 一种汽车域控制器的人工智能接口引脚质量检测方法 | |
Vijayakumar et al. | YOLO-based Object Detection Models: A Review and its Applications |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Method for Detecting the Content and Sticking Quality of Artificial Intelligence Labels in Automotive Domain Controllers Effective date of registration: 20230724 Granted publication date: 20220719 Pledgee: Bank of Guangzhou branch of the Bank of Guangzhou Science City Branch Pledgor: GUANGZHOU HUAJIE ELECTRONIC TECHNOLOGY Co.,Ltd. Registration number: Y2023980049514 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |