CN113962989A - 一种车辆外观装配部件识别方法及系统及装置及介质 - Google Patents

一种车辆外观装配部件识别方法及系统及装置及介质 Download PDF

Info

Publication number
CN113962989A
CN113962989A CN202111492720.0A CN202111492720A CN113962989A CN 113962989 A CN113962989 A CN 113962989A CN 202111492720 A CN202111492720 A CN 202111492720A CN 113962989 A CN113962989 A CN 113962989A
Authority
CN
China
Prior art keywords
vehicle
classification
appearance
vehicle appearance
model
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
CN202111492720.0A
Other languages
English (en)
Inventor
不公告发明人
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.)
Chengdu Shuzhilian Technology Co Ltd
Original Assignee
Chengdu Shuzhilian Technology 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 Chengdu Shuzhilian Technology Co Ltd filed Critical Chengdu Shuzhilian Technology Co Ltd
Priority to CN202111492720.0A priority Critical patent/CN113962989A/zh
Publication of CN113962989A publication Critical patent/CN113962989A/zh
Pending legal-status Critical Current

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
    • 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
    • G06F18/24—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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • 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
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种车辆外观装配部件识别方法及系统及装置及介质，涉及自动识别领域，本方法首先利用整体图片训练获得车辆外观装配部件检测模型，然后利用局部图片训练获得车辆外观装配部件分类模型；获得待检测车辆的第一外观图片并输入车辆外观装配部件检测模型，输出所述待检测车辆的车辆外观装配部件第一分类类别信息；若第一分类类别信息中包括预设分类类别，则将第一外观图片输入车辆外观装配部件分类模型，输出所述待检测车辆的车辆外观装配部件第二分类类别信息；基于第一分类类别信息和第二分类类别信息获得待检测车辆的车辆外观装配部件识别结果；本方法能够实现对车辆相似外观装配部件的准确识别。

Description

一种车辆外观装配部件识别方法及系统及装置及介质
技术领域
本发明涉及自动识别领域，具体地，涉及一种车辆外观装配部件识别方法及系统及装置及介质。
背景技术
汽车外饰件检测中会有较为复杂的部件和较为相似难以区分的部件，如轮毅，例如轮毂识别，总共有10副光亮轮毂、10副抛光轮毂和20副光亮轮毂，抛光和光亮仅在螺丝凹槽处有细微差别，直接的深度学习模型end-to-end的效果往往不佳，直接端到端的训练，目标检测模型无法足够捕捉到细微的差异，从而影响整车外饰件自动检测的通过情况。
发明内容
本发明目的是为了能够实现对车辆相似外观装配部件的准确识别。
为实现上述目的，本发明提供了一种车辆外观装配部件识别方法，所述方法包括：
获得多张车辆外观图片，对所述车辆外观图片中的多个外观装配部件进行分类类别标注，获得标注结果，基于所述标注结果对所述车辆外观图片中预设分类类别的所述外观装配部件的局部部位进行中间类别标注，获得第一训练样本；
对所述预设分类类别的所述外观装配部件对应的所述车辆外观图片进行裁剪，生成所述局部部位对应的局部图片，对所述局部图片进行类型划分生成第二训练样本；
基于所述第一训练样本，采用深度学习目标检测模型进行训练，获得车辆外观装配部件检测模型；
基于所述第二训练样本，采用深度学习分类模型进行训练，获得车辆外观装配部件分类模型；
获得待检测车辆的第一外观图片，将所述第一外观图片输入所述车辆外观装配部件检测模型，所述车辆外观装配部件检测模型输出所述待检测车辆的车辆外观装配部件第一分类类别信息；
若所述第一分类类别信息中包括所述预设分类类别，则将所述第一外观图片输入所述车辆外观装配部件分类模型，所述车辆外观装配部件分类模型输出所述待检测车辆的车辆外观装配部件第二分类类别信息；
基于所述第一分类类别信息和所述第二分类类别信息获得所述待检测车辆的车辆外观装配部件识别结果。
其中，本方法的原理为：本方法将车辆外观装配部件中的复杂部件拆分和相似部件进行拆分，细化结构，然后将拆分后的结果连接一个朴素贝叶斯分类模型，通过二次分类进行结果输出，在保证结果准确性同时几乎不影响模型的推理时间。
优选的，本方法采用边框回归标注方式对所述车辆外观图片中的多个外观装配部件进行分类类别标注。采用边框回归标注方式能够对标注框进行微调，使得经过微调后的窗口跟 Ground Truth更接近，这样的标注方式更准确。
优选的，所述深度学习目标检测模型为Faster-RCNN模型。Faster-RCNN模型为较为先进和强大的模型，具有较强的目标检测能力，能够满足本发明的目标检测需求。
优选的，所述深度学习目标检测模型为yolo模型。yolo模型为较为先进和强大的模型，具有较强的目标检测能力，能够满足本发明的目标检测需求。
优选的，所述深度学习分类模型为ResNet模型。利用ResNet模型能够实现快速高效的分类。
优选的，所述预设分类类别为轮毅。
优选的，所述局部部位为轮毅螺丝对应的部位。其中，在轮毅识别时，轮毂识别，相似的轮毅如抛光和光亮仅在螺丝凹槽处有细微差别，本发明正是抓住这个细微的局部部位进行学习，保障最终识别的精度。
本发明还提供了一种车辆外观装配部件识别系统，所述系统包括：
第一训练样本获得单元，用于获得多张车辆外观图片，对所述车辆外观图片中的多个外观装配部件进行分类类别标注，获得标注结果，基于所述标注结果对所述车辆外观图片中预设分类类别的所述外观装配部件的局部部位进行中间类别标注，获得第一训练样本；
第二训练样本获得单元，用于对所述预设分类类别的所述外观装配部件对应的所述车辆外观图片进行裁剪，生成所述局部部位对应的局部图片，对所述局部图片进行类型划分生成第二训练样本；
车辆外观装配部件检测模型训练单元，用于基于所述第一训练样本，采用深度学习目标检测模型进行训练，获得车辆外观装配部件检测模型；
车辆外观装配部件分类模型训练单元，用于基于所述第二训练样本，采用深度学习分类模型进行训练，获得车辆外观装配部件分类模型；
第一分类单元，用于获得待检测车辆的第一外观图片，将所述第一外观图片输入所述车辆外观装配部件检测模型，所述车辆外观装配部件检测模型输出所述待检测车辆的车辆外观装配部件第一分类类别信息；
第二分类单元，用于若所述第一分类类别信息中包括所述预设分类类别，则将所述第一外观图片输入所述车辆外观装配部件分类模型，所述车辆外观装配部件分类模型输出所述待检测车辆的车辆外观装配部件第二分类类别信息；
识别单元，用于基于所述第一分类类别信息和所述第二分类类别信息获得所述待检测车辆的车辆外观装配部件识别结果。
本发明还提供了一种车辆外观装配部件识别装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述车辆外观装配部件识别方法的步骤。
本发明还提供了一种计算机可读存储介质，所述计算机可读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所述车辆外观装配部件识别方法的步骤。
本发明提供的一个或多个技术方案，至少具有如下技术效果或优点：
本发明能够实现对车辆相似外观装配部件的准确识别。
本发明逻辑简单，易于实现，同时时间空间复杂度(仅包括车辆外观装配部件检测模型和车辆外观装配部件分类模型)相较于其他传统机器学习分类模型要低很多，所以几乎不增加模型训练和推理时间。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本发明的一部分，并不构成对本发明实施例的限定；
图1为一种车辆外观装配部件识别方法的流程示意图；
图2为轮毅结构示意图；
图3为车辆外观装配部件识别系统的组成示意图；
图4为多个检测框检测轮毅示意图；
图5为车辆外观装配部件识别系统的组成示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在相互不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述范围内的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
应当理解，本文使用的“系统”、“装置”、“单元”和/或“模组”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
实施例一
请参考图1，图1为一种车辆外观装配部件识别方法的流程示意图，所述方法包括：
获得多张车辆外观图片，对所述车辆外观图片中的多个外观装配部件进行分类类别标注，获得标注结果，基于所述标注结果对所述车辆外观图片中预设分类类别的所述外观装配部件的局部部位进行中间类别标注，获得第一训练样本；
对所述预设分类类别的所述外观装配部件对应的所述车辆外观图片进行裁剪，生成所述局部部位对应的局部图片，对所述局部图片进行类型划分生成第二训练样本；
基于所述第一训练样本，采用深度学习目标检测模型进行训练，获得车辆外观装配部件检测模型；
基于所述第二训练样本，采用深度学习分类模型进行训练，获得车辆外观装配部件分类模型；
获得待检测车辆的第一外观图片，将所述第一外观图片输入所述车辆外观装配部件检测模型，所述车辆外观装配部件检测模型输出所述待检测车辆的车辆外观装配部件第一分类类别信息；
若所述第一分类类别信息中包括所述预设分类类别，则将所述第一外观图片输入所述车辆外观装配部件分类模型，所述车辆外观装配部件分类模型输出所述待检测车辆的车辆外观装配部件第二分类类别信息；
基于所述第一分类类别信息和所述第二分类类别信息获得所述待检测车辆的车辆外观装配部件识别结果。
其中，传统的检测方式是首先拍摄获得车辆的整体图片，然后利用目标检测模型对图片进行识别，目标检测模型通过检测识别到轮毅，然后通过轮毅的副数识别到轮毅的种类，但是相同的副数下面还有不同的轮毅分类，传统的方式容易出现错误的识别，还需要人工进行校订，效率和准确率较低。
为了解决传统方式的缺陷，本方法是首先拍摄获得车辆的整体图片，然后利用利用目标检测模型对图片进行识别，目标检测模型通过会识别到多种零件，如车门、车窗、后视镜等等，当检测识别到轮毅时，本方法则进行下一步处理，将拍摄的图片进行剪切并放大，并且使用一些保障图片质量的处理来保障后续的识别分类精度，剪切的部位是有相应考量的，并不是任意剪切，比如剪切的图片是车胎或者是轮毂非螺栓部位则对于后续的分类并不帮助且会造成运算浪费，只有剪切的局部部位是相似部件的区分特征存在的部位才能够利用分类模型对轮毅进行二次分类，本方法中剪切保留的部位即轮毅螺栓所在的位置，相同副数相似的轮毅在螺栓处是存在差异的，本方法通过抓住这个不同点进行特征提取训练来识别能够保障相似部件的准确高效识别。
其中，本实施例中车辆外观装配部件为轮毅，局部部位为轮毅上的螺丝，在实际应用中车辆外观装配部件和局部部位可以同理进行调整，寻找到局部的特征区分部位即可，与本方法的原理相通均在本发明的保护范围内。
如图2所述，图2为轮毅结构示意图，图2中1和2均为轮毅，两个轮毅的副数相同，轮毅的抛光和光亮仅在螺丝凹槽处有细微差别，图3和4处，3和4均为螺丝，可以将螺丝凹槽处设置矩形框，标注为抛光或者光亮标签，然后外框只识别副数，标注副数标签，螺丝凹槽处识别抛光或者光亮标签。相同的相似汽车外观配件还有高低配大灯(仅仅在边角区存在细微差异)等。
传统的方法为将车轮轮毅图片整体进行识别和分类，如图3所示，现有方法的检测框为 5，通过现有的检测方法能够识别出轮毅的副数，但是无法识别到轮毅局部的细微特征，而本方法的检测框包括2个，首先采用较大的检测框识别轮毅的副数，然后利用较小的检测框对轮毅的局部特征部位进行特征抓取，通过抓取到的局部细微特征便于对轮毅进行二次分类，实现相似轮毅的准确识别和分类，如图4所示，首先是要检测框5进行检测，然后使用局部检测框6进行检测。
其中，本发明的改进点在于首先对轮毅进行一个初步的识别，识别出该部件的类型，当该部件存在相似类别或存在细分类别时则进行二次分类，并且本发明中二次分类的检测框或局部位置选取具有特殊性，通过发明人的研究发现当检测的部件的轮毅时，局部部位对应为轮毅上的螺栓，因发明人研究发现副数相同的不同类型的轮毅仅在螺栓上具有差异，这种局部部位的发现和采用并不容易想到，当检测的部件是汽车大灯时，则局部部位为大灯的边角区，因为相似的大灯仅在边角区具有差异。
本方法逻辑简单，易于实现，同时时间空间复杂度相较于其他传统机器学习分类模型要低很多，所以几乎不增加模型训练和推理时间。
在具体分类确定后，锚框的结果采用能反映部件的轮毂的轮廓的锚框作为最终的锚框输出。例如轮毂识别，副数的锚框更能表征轮毂实际轮廓及位置，就将副数识别的锚框作为最终返回的anchor。
通过对轮毅的图像进行观察很难区分出光亮和抛光的差异，仅在轮毂凹槽处有细微差异，光亮轮毂在螺丝凹槽处呈现黑色，抛光轮毂在此处呈现亮灰色。所以，为更好地捕捉细微差异，需要通过设置更细小的目标提升模型的关注焦点，检测细微差异。
下面以轮毅识别对本方法进行详细的介绍：
步骤1：针对需要进行检测的整车外观装配部件(如轮毂)进行BBox标注，并标识具体的类别信息(如20幅轮毂、10幅轮毂)，对特征差异度比较小的类别部位进行标注，并定义一个中间类别(如轮毂凹槽螺丝类)，生成目标检测模型学习的训练样本；将难以区分的汽车部件进行细化，细化区别位置，进行重新标注。例如轮毂识别，总共有10副光亮轮毂、 10副抛光轮毂和20副光亮轮毂，抛光和光亮仅在螺丝凹槽处有细微差别，可以设置两个矩形框，将螺丝凹槽处设置第一矩形框，标注为抛光或者光亮标签，然后第二矩形框识别副数，标注副数标签，螺丝凹槽处识别抛光或者光亮标签。
针对差异度比较小的部分(如上述轮毂凹槽螺丝)，对图片进行裁剪，生成局部小图，并对局部小图进行类型划分，如抛光类、光亮类，生成分类模型的训练样本；其中裁剪的目的就是为了获得局部特征，通过该局部特征对分类模型进行训练便于后续进行分类，对于不同类型的零件局部部位刻印不一样，但是必须是包括能够与其他相似进行区分的特征，采用的方式和尺寸可以根据实际需要进行调整。
步骤2：针对生成的训练样本，采用深度学习目标检测模型(如Faster-RCNN)进行训练，得到零部件检测模型M1，其中在实际应用中也可以采用其他目标检测模型，本发明对具体的模型不进行限定；利用深度学习目标识别网络对整车多张图片的各个识别位置结果进行学习返回，然后以车的编号为ID，各识别位置输出结果为形成列表,[ID，光亮(抛光)，10 副，...]，形成下一步学习数据。
步骤3：针对生成的训练样本，采用深度学习分类模型(如ResNet)进行训练，得到可以进行细微特征区分的分类模型M2，其中在实际应用中也可以采用其他分类模型，本发明对具体的分类模型不进行限定；利用上述结果进行朴素贝叶斯网络建模，训练数据如下表1所示，特征为步骤1中结果，标签为车辆实际检测的各部件名称；预测时输入为训练特征，计算输出整车相关部件名称。
表1
Figure RE-GDA0003430748730000061
Figure RE-GDA0003430748730000071
在产线预测时，首先使用检测模型M1进行整车零部件的检测，模型输出图形中的零部件位置和类别信息。
针对上述步骤的输出，如果检测模型M1输出了中间类别(如轮毂螺丝类)，则调用对应的类别模型(训练模型)进行细粒度分类，输出最终的类别(如光亮类、抛光类)。
整合前面输出的结果，输出最终的检测类别(如10幅光亮轮毂、10幅抛光轮毂)。
实施例二
请参考图5，图5为车辆外观装配部件识别系统的组成示意图，本发明实施例二提供了一种车辆外观装配部件识别系统，所述系统包括：
第一训练样本获得单元，用于获得多张车辆外观图片，对所述车辆外观图片中的多个外观装配部件进行分类类别标注，获得标注结果，基于所述标注结果对所述车辆外观图片中预设分类类别的所述外观装配部件的局部部位进行中间类别标注，获得第一训练样本；
第二训练样本获得单元，用于对所述预设分类类别的所述外观装配部件对应的所述车辆外观图片进行裁剪，生成所述局部部位对应的局部图片，对所述局部图片进行类型划分生成第二训练样本；
车辆外观装配部件检测模型训练单元，用于基于所述第一训练样本，采用深度学习目标检测模型进行训练，获得车辆外观装配部件检测模型；
车辆外观装配部件分类模型训练单元，用于基于所述第二训练样本，采用深度学习分类模型进行训练，获得车辆外观装配部件分类模型；
第一分类单元，用于获得待检测车辆的第一外观图片，将所述第一外观图片输入所述车辆外观装配部件检测模型，所述车辆外观装配部件检测模型输出所述待检测车辆的车辆外观装配部件第一分类类别信息；
第二分类单元，用于若所述第一分类类别信息中包括所述预设分类类别，则将所述第一外观图片输入所述车辆外观装配部件分类模型，所述车辆外观装配部件分类模型输出所述待检测车辆的车辆外观装配部件第二分类类别信息；
识别单元，用于基于所述第一分类类别信息和所述第二分类类别信息获得所述待检测车辆的车辆外观装配部件识别结果。
其中，在实际应用中，如图3所示，通过图像很难区分出轮毅光亮和抛光的差异，仅在轮毂凹槽处有细微差异，光亮轮毂在螺丝凹槽处呈现黑色，抛光轮毂在此处呈现亮灰色。本系统通过第一分类单元获得待检测车辆的第一外观图片，将所述第一外观图片输入所述车辆外观装配部件检测模型，所述车辆外观装配部件检测模型输出所述待检测车辆的车辆外观装配部件第一分类类别信息；并且利用第二分类单元在所述第一分类类别信息中包括所述预设分类类别时，则将所述第一外观图片输入所述车辆外观装配部件分类模型，所述车辆外观装配部件分类模型输出所述待检测车辆的车辆外观装配部件第二分类类别信息。通过上述方式，本系统能够好地捕捉轮毅细微差异，通过设置更细小的目标提升模型的关注焦点，检测细微差异。
实施例三
本发明还提供了一种车辆外观装配部件识别装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述车辆外观装配部件识别方法的步骤。
实施例四
本发明还提供了一种计算机可读存储介质，所述计算机可读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所述车辆外观装配部件识别方法的步骤。
其中，所述处理器可以是中央处理器(CPU，Central Processing Unit)，还可以是其他通用处理器、数字信号处理器(digital signal processor)、专用集成电路(Application Specific Integrated Circuit)、现成可编程门阵列(Fieldprogrammablegate array)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的数据，实现发明中连接器缺陷识别装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序 (比如声音播放功能、图像播放功能等)等。此外，存储器可以包括高速随机存取存储器、还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡，安全数字卡，闪存卡、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述连接器缺陷识别装置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。基于这样的理解本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序可存储于一计算机可读存介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码、对象代码形式、可执行文件或某些中间形式等。所述计算机可读取介质可以包括：能够携带所述计算机程序代码的任何实体或装置、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、随机存储器、点载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。
本发明已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，本领域技术人员可以理解，本说明书的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本说明书的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本说明书的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质，或任何上述介质的组合。
本说明书各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、 Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、 PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(LAN)或广域网(WAN)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)。
此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/ 或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种车辆外观装配部件识别方法，其特征在于，所述方法包括：
获得多张车辆外观图片，对所述车辆外观图片中的多个外观装配部件进行分类类别标注，获得标注结果，基于所述标注结果对所述车辆外观图片中预设分类类别的所述外观装配部件的局部部位进行中间类别标注，获得第一训练样本；
对所述预设分类类别的所述外观装配部件对应的所述车辆外观图片进行裁剪，生成所述局部部位对应的局部图片，对所述局部图片进行类型划分生成第二训练样本；
基于所述第一训练样本，采用深度学习目标检测模型进行训练，获得车辆外观装配部件检测模型；
基于所述第二训练样本，采用深度学习分类模型进行训练，获得车辆外观装配部件分类模型；
获得待检测车辆的第一外观图片，将所述第一外观图片输入所述车辆外观装配部件检测模型，所述车辆外观装配部件检测模型输出所述待检测车辆的车辆外观装配部件第一分类类别信息；
若所述第一分类类别信息中包括所述预设分类类别，则将所述第一外观图片输入所述车辆外观装配部件分类模型，所述车辆外观装配部件分类模型输出所述待检测车辆的车辆外观装配部件第二分类类别信息；
基于所述第一分类类别信息和所述第二分类类别信息获得所述待检测车辆的车辆外观装配部件识别结果。
2.根据权利要求1所述的车辆外观装配部件识别方法，其特征在于，本方法采用边框回归标注方式对所述车辆外观图片中的多个外观装配部件进行分类类别标注。
3.根据权利要求1所述的车辆外观装配部件识别方法，其特征在于，所述深度学习目标检测模型为Faster-RCNN模型。
4.根据权利要求1所述的车辆外观装配部件识别方法，其特征在于，所述深度学习目标检测模型为yolo模型。
5.根据权利要求1所述的车辆外观装配部件识别方法，其特征在于，所述深度学习分类模型为ResNet模型。
6.根据权利要求1所述的车辆外观装配部件识别方法，其特征在于，所述预设分类类别为轮毅。
7.根据权利要求6所述的车辆外观装配部件识别方法，其特征在于，所述局部部位为轮毅螺丝对应的部位。
8.一种车辆外观装配部件识别系统，其特征在于，所述系统包括：
第一训练样本获得单元，用于获得多张车辆外观图片，对所述车辆外观图片中的多个外观装配部件进行分类类别标注，获得标注结果，基于所述标注结果对所述车辆外观图片中预设分类类别的所述外观装配部件的局部部位进行中间类别标注，获得第一训练样本；
第二训练样本获得单元，用于对所述预设分类类别的所述外观装配部件对应的所述车辆外观图片进行裁剪，生成所述局部部位对应的局部图片，对所述局部图片进行类型划分生成第二训练样本；
车辆外观装配部件检测模型训练单元，用于基于所述第一训练样本，采用深度学习目标检测模型进行训练，获得车辆外观装配部件检测模型；
车辆外观装配部件分类模型训练单元，用于基于所述第二训练样本，采用深度学习分类模型进行训练，获得车辆外观装配部件分类模型；
第一分类单元，用于获得待检测车辆的第一外观图片，将所述第一外观图片输入所述车辆外观装配部件检测模型，所述车辆外观装配部件检测模型输出所述待检测车辆的车辆外观装配部件第一分类类别信息；
第二分类单元，用于若所述第一分类类别信息中包括所述预设分类类别，则将所述第一外观图片输入所述车辆外观装配部件分类模型，所述车辆外观装配部件分类模型输出所述待检测车辆的车辆外观装配部件第二分类类别信息；
识别单元，用于基于所述第一分类类别信息和所述第二分类类别信息获得所述待检测车辆的车辆外观装配部件识别结果。
9.一种车辆外观装配部件识别装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7中任意一个所述车辆外观装配部件识别方法的步骤。
10.一种计算机可读存储介质，所述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1-7中任意一个所述车辆外观装配部件识别方法的步骤。
CN202111492720.0A 2021-12-08 2021-12-08 一种车辆外观装配部件识别方法及系统及装置及介质 Pending CN113962989A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111492720.0A CN113962989A (zh) 2021-12-08 2021-12-08 一种车辆外观装配部件识别方法及系统及装置及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111492720.0A CN113962989A (zh) 2021-12-08 2021-12-08 一种车辆外观装配部件识别方法及系统及装置及介质

Publications (1)

Publication Number Publication Date
CN113962989A true CN113962989A (zh) 2022-01-21

Family

ID=79473010

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111492720.0A Pending CN113962989A (zh) 2021-12-08 2021-12-08 一种车辆外观装配部件识别方法及系统及装置及介质

Country Status (1)

Country Link
CN (1) CN113962989A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116740549A (zh) * 2023-08-14 2023-09-12 南京凯奥思数据技术有限公司 车辆零件识别方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116740549A (zh) * 2023-08-14 2023-09-12 南京凯奥思数据技术有限公司 车辆零件识别方法及系统
CN116740549B (zh) * 2023-08-14 2023-11-07 南京凯奥思数据技术有限公司 车辆零件识别方法及系统

Similar Documents

Publication Publication Date Title
US20210342999A1 (en) System and method for training a damage identification model
TWI497422B (zh) 車牌影像辨識系統及方法
Nandi et al. Traffic sign detection based on color segmentation of obscure image candidates: a comprehensive study
CN113537167B (zh) 一种车辆外观识别方法及系统及装置及介质
CN112580734B (zh) 目标检测模型训练方法、系统、终端设备及存储介质
CN111680753A (zh) 一种数据标注方法、装置、电子设备及存储介质
CN110909598A (zh) 一种基于深度学习的非机动车道交通违法行驶识别方法
CN113836850A (zh) 模型获得方法及系统及装置及介质及产品缺陷检测方法
CN114387591A (zh) 车牌识别方法、系统、设备及存储介质
CN111126393A (zh) 车辆外观改装判断方法、装置、计算机设备及存储介质
CN115661160B (zh) 一种面板缺陷检测方法及系统及装置及介质
CN111178357A (zh) 车牌识别方法、系统、设备和存储介质
CN113962989A (zh) 一种车辆外观装配部件识别方法及系统及装置及介质
CN111753592A (zh) 交通标志识别方法、装置、计算机设备和存储介质
CN109325445B (zh) 一种车牌识别分类的方法及装置
CN113887481A (zh) 一种图像处理方法、装置、电子设备及介质
CN111191482A (zh) 一种刹车灯识别方法、装置及电子设备
CN103093206A (zh) 车标识别方法及装置
Choodowicz et al. Hybrid algorithm for the detection and recognition of railway signs
CN112784675A (zh) 目标检测方法及装置、存储介质、终端
CN111127503A (zh) 检测车辆轮胎的花纹的方法、设备和存储介质
US20220335722A1 (en) Methods and systems for vehicle verification
CN116468931A (zh) 车辆部件检测方法、装置、终端及存储介质
CN104778450A (zh) 一种车辆识别码图像的预处理方法及装置
CN114882451A (zh) 一种图像处理方法、装置、设备及介质

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
CB02 Change of applicant information

Address after: 610042 No. 270, floor 2, No. 8, Jinxiu street, Wuhou District, Chengdu, Sichuan

Applicant after: Chengdu shuzhilian Technology Co.,Ltd.

Address before: No.2, floor 4, building 1, Jule road crossing, Section 1, West 1st ring road, Wuhou District, Chengdu City, Sichuan Province 610041

Applicant before: CHENGDU SHUZHILIAN TECHNOLOGY Co.,Ltd.

CB02 Change of applicant information