CN114041150A - 损坏检测装置和方法 - Google Patents

Abstract

本发明提供了一种自动检测车辆损坏的装置和方法，其最小化了检测每辆车的损坏所花费的时间。优选地，在适当的情况下，损坏检测的行为还与修复任何检测到的损坏的行为一起进行。为此目的，本发明提供了损坏检测单元，其被配置为检测车辆上的损坏。损坏检测单元包括接收单元，其被配置为从摄像机接收图像，以及确定单元，其被配置为基于接收到的图像确定车辆上的损坏。此外，损坏检测单元进一步包括存储单元，其被配置为存储有关之前确定存在于车辆上的损坏的信息，以及比较单元，其被配置为比较确定单元确定的损坏与存储单元存储的有关之前的损坏的信息。

Description

损坏检测装置和方法

本申请要求于2019年7月3日提交的英国专利申请第GB1909578.5号的优先权，该申请的全部内容通过引用并入本文。

技术领域

本发明大致涉及损坏检测领域，更具体地，涉及用于检测车辆上的损坏的装置和方法。

背景技术

许多公司使用车队来完成特定任务。例如，送货车通常由向客户和/或其他公司运送货物的公司所有。类似地，汽车租赁公司具有在特定时间段内向客户和/或其他公司提供租赁汽车的能力。对这些公司而言，管理和维护车队是一项挑战。

必须维护的一项具体细节是车辆的机械和电气条件。管理车队的公司需要将车辆保持在可操作且无损坏的条件。此外，如果对车辆造成损坏，必须正确归咎于造成损坏的驾驶员，并在适当的情况下对驾驶员进行再训练。

此外，损坏通常会妨碍车辆的机械和电气条件。例如，当车辆在使用中时，轮胎壁的损坏可能导致轮胎提早故障，从而造成车辆无法运行。此类故障将阻止公司使用车辆运送货物，并且将阻止租赁公司在车辆维修好之前租赁车辆。

类似地，车灯（前灯、转向灯、刹车灯）的损坏同样会阻止公司运营此类损坏的车辆，因为这些损坏的车辆可能会因损坏的车灯而与其他车辆有碰撞的危险（例如，在夜间）。

然而，由于每辆车花费的时间和需要检查的车辆数量，在每次使用后检查整个车队以确保车辆的机械和电气状态是难以承受的。

因此，需要提供一种系统以允许快速且准确地确定车辆的机械和电气损坏，并且在必要的情况下纠正这种损坏。

发明内容

基于上述问题，本发明旨在提供一种自动检测车辆损坏的装置和方法，其最小化了检测每辆车的损坏所花费的时间。优选地，在适当的情况下，损坏检测的行为还与修复任何检测到的损坏的行为一起进行。

一般而言，本发明介绍了一种车辆损坏检测单元，其被配置为基于车辆的图像检测车辆上的损坏并且比较检测到的损坏与之前的损坏以查明是否已经发生了新损坏。

根据本发明提供了一种损坏检测单元，其被配置为检测车辆上的损坏。损坏检测单元包括接收单元，其被配置为从摄像机接收图像，以及确定单元，其被配置为基于接收到的图像确定车辆上的损坏。此外，损坏检测单元进一步包括存储单元，其被配置为存储有关之前确定存在于车辆上的损坏的信息，以及比较单元，其被配置为比较确定单元确定的损坏与存储单元存储的有关之前的损坏的信息。

本发明进一步提供了一种损坏检测系统，该系统包括被配置为拍摄车辆的图像的摄像机和如前所述的损坏检测单元。

本发明进一步提供了一种用于检测车辆上的损坏的损坏检测方法。该方法包括以下步骤：从摄像机接收图像，基于接收到的图像确定车辆上的损坏，检索有关之前确定存在于车辆上的损坏的信息，以及比较确定步骤确定的损坏与检索步骤检索的有关之前的损坏的信息。

附图说明

仅参考附图以示例的方式描述本发明的具体实施方式，其中相同的附图标记表示相同或相应的部分，并且其中：

图1描绘了根据本发明第一具体实施方式的损坏检测单元与摄像机和定向单元的示意图；

图2描绘了被配置为成像车辆的摄像机的一种潜在布局；

图3描绘了根据本发明第一具体实施方式的损坏检测单元的示意图；

图4描绘了由摄像机拍摄的车辆的图像与车辆上的感兴趣的区域；

图5描绘了根据本发明第一具体实施方式的检测车辆上的损坏的方法；

图6描绘了提供某些方面的通用计算机硬件和软件实施的说明图，如说明书中具体所述。

具体实施方式

第一具体实施方式

图1示出了根据本发明第一具体实施方式的损坏确定单元400。图1还示出了可以与第一具体实施方式的损坏确定单元400结合使用的附加设备。

具体地，图1示出了被配置为成像车辆100的摄像机201～204。在图1中，示出了车辆100具有不同类型的损坏，例如凹痕101、刮痕102和缺失零件103。例如，缺失零件103可以包括缺失机械或电气部件，例如保险杠、前灯、转向信号灯、刹车灯等。类似地，刮痕102可以包括通过刮伤对车辆轮胎的损坏，这可能导致轮胎提早故障。凹痕可以包括碰撞对车辆车身的损坏。

此外，示出了定向单元205，其被配置为指示车辆沿着正常路线行进，例如，进行再加油、再填充货物或转移至新客户。在该示例中，定向单元205以交通信号灯的形式示出，但是，可以设想其他形式。

替代地，定向单元205可以指示车辆100行进至车间或其他设施，以纠正车辆上存在的损坏。在这方面，损坏确定单元400可以进一步被配置为自动预约车辆100在车间修整。替代地，定向单元205可以被配置为通知车辆100在将来一定的时间返回至车间。例如，当前车间可能充满了正在维修的车辆。因此，通过预约车辆100在将来一定的时间进入车间，并通知车辆100在该时间返回，即使在当前车间已满并且车辆100不需要立即维修时，车辆也可以被关注。以这种方式，可以实现自动的车辆维修调度。

设想车辆100是自动驾驶车辆（例如，在没有任何驾驶员/乘客的直接帮助下移动的车辆）的情况，那么定向单元205可以命令自动驾驶车辆行进至车间维修损坏确定单元400确定的损坏。因此，定向单元205被设想为被配置为命令自动驾驶车辆的单元。

尽管图1描绘了四个摄像机201～204，但是仅需要一个摄像机201与损坏确定单元400一起使用。其他三个摄像机202～204是可选的。此外，虽然示出了四个摄像机201～204，但可以设想使用多于四个摄像机以确定车辆100上的损坏。

摄像机201～204可以被配置为在车辆100周围以从不同角度/位置拍摄车辆100的图像。可以进一步放置一个摄像机以拍摄最容易受到损坏的车辆100的特定区域的图像。

损坏确定单元400被配置为从摄像机201（并且可选地，从摄像机202～204中的任一个）接收车辆100的图像，并且被配置为确定车辆100上是否发生了之前未检测到的新损坏和/或确定自上次确定后损坏是否恶化。基于确定的损坏，损坏确定单元400可以被配置为控制定向单元205。控制定向单元205以使车辆100进行多种行为中的一种。例如，定向单元205可以被配置为通知车辆行进而无需对检测到的损坏进行任何补救工作。替代地，可以通知车辆100行进至可以校正检测到的损坏的车间等。

图2描绘了车辆周围的四个摄像机201～204的布局的一个示例。可以发现通过放置一个主要拍摄车辆100的角落图像的摄像机，损坏确定单元400可以提供最准确的损坏确定，因为可以发现损坏最有可能发生在车辆100的角落。可以使用附加的摄像机，例如，可以进一步安装一个摄像机以拍摄车辆100的车顶图像。类似地，可以包括拍摄车辆100的车牌号/牌照的图像的摄像机。以这种方式，可以拍摄车辆100的特定区域的损坏。

可以发现，在识别的损坏类型和识别的定位方面，使用拍摄高质量图像的摄像机使得损坏检测更准确。此外，相较于低质量图像，可以发现拍摄更高质量图像的摄像机可以拍摄更多车辆100上的损坏实例。

还可以发现，在车辆上使用一致的照明也可以改善结果。换句话说，即使在夜间、恶劣的天气条件等情况下，通过用性质一致的照明照亮车辆，可以使得损坏检测更准确。以这种方式，无论在一天中的哪个时间或一年中的哪个时间拍摄图像，由摄像机拍摄的图像具有车辆100的一致照明。

还可以发现，拍摄车辆100的高动态范围（HDR）图像进一步改善了损坏检测。在这方面，摄像机201可以被配置为以各种曝光值拍摄数个图像。数个图像被组合成单个图像，从而具有增强的动态范围的特征。

图3描绘了根据本发明第一具体实施方式的损坏检测单元400。损坏确定单元400包括接收单元401、确定单元402、存储单元405和比较单元404。可选地，损坏确定单元400可以进一步包括训练单元403和命令单元406中的至少一个。

接收单元401被配置为从摄像机201接收车辆的图像。可选地，接收单元401可以进一步被配置为处理图像，使得确定单元402处理的所有图像具有相似的构图。例如，接收单元401可以进一步被配置为裁剪接收到的图像、调整图像的亮度、平衡色彩或去除图像的背景，从而在图像中只留下车辆100。以这种方式，可以实现一致的性能，因为图像在拍摄之间没有显着变化。

如前所述，由摄像机201拍摄的图像可以是HDR图像。替代地，摄像机可以以不同曝光水平拍摄数个图像。在这种情况下，接收单元401可以进一步被配置为组合数个图像以形成呈现高动态范围的单个图像。

此外，接收单元401可以进一步被配置为接收多个图像，分别来自每个可选的摄像机202～204。接收单元401可以进一步被配置为进行与对来自摄像机201的图像进行的相同的可选的处理。另外，接收单元401可以进一步被配置为组合从摄像机201～204接收的所有图像。例如，接收单元401可以被配置为将来自摄像机201～204的所有图像一起拼接为单个图像以输入至确定单元402。以这种方式，确定单元402只需要在单个图像上进行损坏确定。替代地，接收单元401可以，代替地，将从摄像机201～204接收的图像分别输出至确定单元402。以这种方式，在分别从不同的摄像机接收的单个图像上进行损坏确定。

可选地，当多个图像被拼接为单个图像时，接收单元401可以进一步被配置为同步图像，使得当车辆特征出现在多个图像中时（例如前保险杠出现在两个图像中），图像被适当地组合，使得车辆特征（例如前保险杠）映射到多个图像。以这种方式，生成的图像仅包括现实世界中出现的车辆特征，而不会由于使用多个图像作为来源而造成不必要的重复。例如，将车辆100的前部的两个图像简单地拼接在一起可能导致前保险杠在最终图像中出现两次。但是，通过同步图像（例如，通过裁剪、旋转和/或调整图像的视角），可以生成仅有单个前保险杠的最终图像，其与现实世界中的车辆相对应。

可选地，接收单元401可以进一步包括摄像机触发单元（未示出），其被配置为响应具体条件触发摄像机201和/或数个摄像机201～204以拍摄车辆100的图像。例如，摄像机触发单元可以被配置为仅在车辆100已经完全停在摄像机前时才拍摄图像，使得车辆100的运动模糊最小化。可选地，摄像机触发单元被实施为一种统计方法（神经网络），其被配置为从摄像机输入中推断确定车辆是否存在。为了实现这一点，统计方法是根据从摄像机收集的人为标注图片上进行训练的。

更具体地，可以训练摄像机触发单元以在拍摄的图像中找到车辆100。此外，摄像机触发单元可以进一步确定车辆是否妥善放置，例如放置在正确位置进行损坏检测。为了实现这一点，可以使用基于卷积神经网络的统计模型——其由妥善放置的车辆和放置不佳/缺失的车辆的手工标注图像训练。此外，摄像机触发单元可以确定车辆是否静止：在拍摄车辆的数个图像后并且车辆在图像之间没有移动时，车辆被认为是静止的。例如，可以拍摄车辆的三个图像并且如果车辆没有在第一、第二和第三图像之间移动，则车辆可被认为是静止的。

由接收单元401处理后的图像被输出至确定单元402和可选的训练单元403。

确定单元402被配置为基于从接收单元401接收的图像确定损坏。这可以使用统计模型和/或机器学习模型来进行，其被配置为找到接收到的图像的部分和确定单元402已知的损坏类型之间的相似性。

统计模型可以接收单个图像或数个图像以确定图像中车辆上的损坏。可选地，当图像被错误触发时，统计模型可以指示图像中不存在车辆，而不是尝试确定图像中不存在的车辆上的损坏。统计模型可以采用标准机器学习模型的形式，例如人工神经网络或高斯过程分类器（Gaussian process classifier）。

设想统计模型可以被实施为深度卷积神经网络（Deep Convolutional NeuralNetwork），例如RetinaNet。

以这种方式，确定单元402可以基于车辆的图像自动识别检测到损坏的车辆的零件并且可选地包括该损坏的严重程度。在这方面，设想确定单元402可以确定车辆上不存在损坏，替代地，确定单元402可以确定车辆上的至少一个损坏区域，并且可选地提供对损坏的类型（例如刮伤、凹陷或缺失零件）、损坏的严重程度等的描述。以这种方式，来自接收单元401的图像用于提供车辆上存在的损坏的细目列表，以对损坏进行分类并将其定位在车辆上。此外，确定单元402可以附加地或替代地识别车辆的哪个零件具有损坏，例如左前车门被损坏。

可选的训练单元403被配置为从接收单元401接收图像。图像被进一步标注以指示图像中示出的与车辆100上的损坏相对应的图像区域。通常，该标注由操作员进行，识别指示损坏的图像区域（无论是凹痕、缺失零件和/或刮痕）。以这种方式，训练单元403接收已被标注有损坏的数个图像，从而提供该损坏的一些示例。

可选的训练单元403可以进一步被配置为训练确定单元402基于接收到的标注图像确定损坏。

以这种方式，训练单元403可以在最初被用于训练确定单元402识别损坏。但是，一旦训练已经完成，则不需要使用训练单元403。在这方面，确定单元402的训练可以“离线”发生，即在损坏检测系统生效之前。以这种方式，可以提供由训练单元403完全训练的损坏确定系统，使得在操作中不需要激活训练单元403，因为其已经起到了训练确定单元402的作用。

因此，一旦确定单元402已经被训练单元403训练，则不再需要训练单元403，因为训练已经完成。替代地，训练单元403可以继续接收标注图像以增加可用于统计模型的训练的损坏示例的数量。因此，在一定的时间段后，例如每周一次、每月一次、每年一次等，可以使用由训练单元403收集的所有图像再训练统计模型。以这种方式，统计模型的准确性可以随着时间的推移得到改善。

比较单元404被配置为接收确定单元402确定的车辆上的损坏的指示。比较单元404被配置为比较接收到的损坏的指示与之前已知的车辆上的损坏的指示，并且基于该比较，确定自上次对车辆进行损坏检测后是否发生了新损坏。为了实现这一点，比较单元404与存储单元405结合使用，该存储单元405被配置为存储有关之前确定存在于车辆上的损坏的信息。

因此，比较单元404被配置为接收确定单元402确定的确定损坏并且将其与存储单元405存储的有关该车辆存储的之前的损坏的信息进行比较。当比较单元404没有检测到新损坏时，则可以指示已经达到该确定。替代地，当确定存在新损坏时，比较单元404可以指示新损坏的严重程度及其在车辆上的定位。可选地，比较单元404可以确定该新损坏是否需要维修。为了实现这一点，比较单元404可以被配置为比较新损坏与一定阈值。当确定新损坏低于一定阈值时，则可以将其归类为“磨损”，其为操作该车辆造成的常见损坏。但是，当损坏超过一定阈值时，损坏可能需要立即校正和维修。此外，比较单元404可以进一步被配置为客观地检查每个损坏区域，即使其已被归类为“磨损”，并且当损坏的严重程度超过一定阈值时，确定损坏需要立即校正和维修。以这种方式，连续被归类为“磨损”的损坏不会随着时间的推移稳定增长，因为在损坏检测单元400的检查之间，仅有少量增加的损坏。以这种方式，评估损坏的当前严重程度以及比较损坏与之前存储的损坏。

比较单元404可以进一步被配置为一旦比较完成后更新存储在存储单元405中的信息。具体地，存储单元405可以由比较单元404更新有关车辆上的损坏的当前状态的信息。以这种方式，下次比较单元404比较车辆上的损坏与存储单元405中存储的损坏时，则基于有关车辆上的损坏的状态的最新信息进行比较。还可以设想，如果车间等维修车辆上的损坏，则车间可以被配置为用指示车辆上的损坏已经维修的信息更新存储单元405。相应地，比较单元404进行的下次比较基于没有损坏的车辆。

此外，存储单元405可以进一步存储有关车辆的信息以及与其相关联的损坏。例如，车辆的车牌号/牌照可以与有关车辆上的损坏的信息一起存储。设想确定单元402可以进一步被配置为基于车辆100的图像自动确定车辆的车牌号/牌照以及有关车辆上确定的损坏的信息。因此，存储单元405可以存储之前确定的损坏以及车牌号/牌照，使得在比较单元404进行比较时车辆可以被准确地识别。替代地，可以使用其他的标识符来指示正在对哪个特定车辆进行损坏检测过程。例如，一些车辆在其车顶上涂有单独的数字或字母，因此可以设想，摄像机可以拍摄该标识符的图像，从而自动确定车辆的身份。

可选地，提供命令单元406，其被配置为对定向单元205发出命令。在这方面，发出的命令可以使定向单元指示车辆将被驾驶至车间。替代地，发出的命令可以使定向单元指示车辆将行进在其正常路线上而不行进至车间，例如，车辆将行进以再加油、再补充产品、接应下一位客户等。如前所述，定向单元205可以采用交通灯/交通信号灯/停车灯的形式。以这种方式，可向车辆的驾驶员传达通知指示他们将如何行进。替代地，对于能够自动驾驶的车辆，则定向单元205可以采用发送器的形式，其被配置为向自动驾驶车辆发送通知以直接设置车辆的目的地以及是否将行进至车间。

为此目的，当比较单元404进行的损坏的比较指示以下至少一个时：没有新损坏，现有损坏低于维修的阈值，和新损坏低于维修的阈值（即被归类为“磨损”），命令单元406可以被配置为发出通知以绕过车间、再加油、再补充、接应下一个客户等。

但是，当比较单元404指示现有损坏超过维修的阈值和/或新损坏大于维修的阈值时（即新损坏严重到必须立即维修），命令单元406可以被配置为发出通知以行进至车间维修。

以这种方式，损坏检测单元400可以被配置为识别车辆上的损坏并且在必要的情况下通知车辆进行维修。

上述确定单元402可以进一步被配置为特别关注车辆的特定区域的损坏。例如，如图4所示，确定单元402可以被训练为关注区域501～505中的损坏。这些区域501～505可以被选择以相对应于已知对损坏敏感的区域。例如，区域501和505对应于车辆100的保险杠区域，其在车辆100与障碍物的任何碰撞中最有可能受到撞击/刮伤。因此，其最有可能被损坏。区域501和505还包括前灯和转向信号灯，因此，这些区域的损坏也可能会阻止这些设备的正确操作。此外，车轮区域502和504可能沿着路缘被摩擦，导致轮拱、轮毂和轮胎的损坏。任一这些区域的损坏都可能转而导致轮胎漏气和其他轮胎损坏，从而阻止正确操控和驾驶车辆。

关注的其他区域可以包括车门区域503，其为在装载和卸载车辆100时高频使用的区域。此外，由于车门通常从车辆100向外摆动，其很可能与位于车辆100侧面的障碍物撞击。这些区域的损坏可能会阻止车门正确打开/关闭/锁住。

为此目的，确定单元402的训练可以被配置为对特定区域501～505中发生的损坏提供更多训练，因此，使得确定单元402对这些区域501～505中的损坏更加敏感。附加地或替代地，确定单元402可以被配置为确定特定区域501～505中的损坏。例如，确定单元402可以进一步被配置为识别车辆的图像上的特定区域501～505，然后转而确定这些区域中的损坏，而不确定车辆100的任何其他零件的损坏。换句话说，确定单元402可以被配置为检测车辆100的特定特征（例如，左车门、前保险杠等）。此外，确定单元402可以进一步确定车辆100的特定特征中/上的损坏。以这种方式，车辆100的最可能被严重损坏的区域具有从中确定的损坏。附加地或替代地，一旦特定区域501～505已经被搜索损坏并且没有发现损坏，则确定单元402可以进一步被配置为搜索车辆100的其他定位的损坏。

此外，通过确定特定区域501～505中的损坏，可以将损坏局限至具体零件，从而能够生成详细报告和特定维修。例如，关注车辆的前保险杠及其包含的损坏可以提供维修每个单独损坏点或更简单地整体更换前保险杠的选项。以这种方式，通过关注特定车辆特征的损坏检测，例如车灯、保险杠、车门等，可以促进更简单的维修。

图5示出了由根据本发明第一具体实施方式的损坏检测系统进行的处理。具体地，流程图S500示出了基于车辆的图像和有关之前在车辆上检测到的损坏的信息来计算车辆上的损坏。

在步骤S501中，接收单元从摄像机接收车辆的图像。在这方面，只需要使用一个摄像机来检测车辆上的损坏。但是，使用从不同角度和在不同照明条件下拍摄的车辆的多个图像以完全检测所有存在的损坏可能是有利的。此外，HDR图像可用于进一步改善车辆的损坏区域的对比度。接收步骤S501可以进一步处理接收到的图像以考虑不同的照明条件和图像帧中的物体而不是车辆，例如地面、天空、可能位于车辆后面的人。为此目的，接收步骤S501可以从车辆的图像中裁剪出该无关物体，使得流程图S500进行的进一步步骤不会被无关物体混淆和/或可提供统一的图像，其除了车辆本身外不会在车辆间变化。

在步骤S502中，基于从步骤S501接收的图像确定在车辆上的损坏。为了实现这一点，机器学习模型和/或统计模型可用于识别车辆的图像中的损坏的特征。更具体地，机器学习模型和/或统计模型可以在已被人为标注的标注图像上训练，以识别损坏区域。基于标注图像，该模型可用于基于从标注图像学习的经验预测车辆上的损坏区域，而无需进一步人为标注任何图像。该模型可以在用作损坏检测系统之前被训练（即训练可以在制造期间），使得在最初不需要进行训练步骤。此外，可以随着时间的推移收集更多的标注图像，并将其用于进一步改善检测接收到的图像中损坏的准确性。

确定步骤S502可以进一步被配置为从接收到的图像确定车辆的标识符。例如，图像可以包括对每辆车来说都是唯一的车辆的牌照。以这种方式，检测到的损坏可以与特定车辆相关联。

在步骤S503中，检索步骤从存储单元存储有关之前确定存在于车辆上的损坏的信息。在这方面，之前使用损坏检测系统可能已经在之前确定了存在于车辆上的损坏。因此，检索步骤S503检索确定的损坏。在一个示例中，确定的损坏是用车辆的标识符来确定的，使得特定车辆上存在的损坏可以通过基于车辆标识符的查找召回。此外，当车辆上的损坏被维修或者当投入使用新车辆时，存储单元可以存储车辆没有损坏的信息（因为损坏已经被修复或者其为新车辆）。因此，当检索步骤S503从存储单元检索信息时，损坏检测系统将用于运行于没有损坏存在的车辆上。

在步骤S504中，基于在确定步骤S502和检索步骤S503中确定的损坏比较损坏。更具体地，比较步骤S504从确定步骤S502接收基于接收到的图像在当前时间在当前车辆上确定的损坏。此外，比较步骤S504接收在之前时间在当前车辆上之前识别的并且已经由检索步骤S503检索到的损坏。因此，比较步骤S504比较损坏信息以确定在对车辆进行的上次损坏检测和当前实例之间是否发生了任何新损坏。当确定没有新损坏时，比较步骤可以输出确定没有新损坏。

然而，当确定新损坏时，比较步骤S504可以指示新损坏发生在哪里以及该损坏有多严重。当损坏的严重程度低于具体阈值时，则损坏可被归类为“磨损”并且不需要进一步的行动。当损坏高于或等于具体阈值时，损坏可能需要立即维修，因为其可能对车辆的操作造成危害（例如车灯不亮、轮胎漏气等），因此可以立即采取行动。

另外，车辆的特定区域可以具有不同的必须采取行动的损坏阈值。要采取行动，损坏的轮胎造成的危害可能高于损坏的车灯。因此，当轮胎上的损坏的严重程度低于车灯损坏的严重程度但高于特定于轮胎的阈值时，则轮胎可能需要立即维修，同时车灯的维修（当车灯的损坏不超过特定于车灯的阈值时）可以推迟/不进行。换句话说，车辆的不同零件可以应用不同的阈值以决定何时需要维修以及何时将损坏归类为“磨损”。

流程图S500可以进一步包括可选的命令步骤S505，其基于比较步骤S504命令定向单元将车辆定向至车间。换句话说，基于比较步骤S504进行的比较的结果，方法S500可以进一步命令定向单元将车辆定向至车间进行维修。在一个示例中，定向单元采用带有箭头的交通信号灯的形式来指示车辆的行驶方向。当确定没有新损坏或损坏被确定为“磨损”或损坏低于一定阈值时，则命令步骤S505可以命令定向单元指示车辆行进至装载/卸载/清洁的位置。但是，当比较步骤S504确定损坏大于一定阈值时，则命令步骤S505可以命令定向单元将车辆定向至车间以立即维修损坏。

修改和变型

在不脱离本发明的范围的情况下，可以对上述具体实施方式进行多种修改和变型。

虽然上文已经针对车辆的维修进行了描述，但可以考虑其他预防性的因素以在起初避开损坏的原因。例如，当送货/取货车辆沿着特定路线行驶时，则路线的选择可能与车辆沿路遭受的损坏相关。以这种方式，当一些车辆沿着相同的路线和/或部分路线行进并且引发车辆的相似位置处的相似损坏时，则路线/部分路线可以被标记为危险。以这种方式，路线确定可以考虑沿路线通常遭受的损坏并且选择不同的路线，标记该路线为危险和/或劝告驾驶员沿该路线特别注意。以这种方式，可以消除损坏的原因。

在这方面，送货/取货公司可以记录哪辆车已被分配到哪条路线以及对于该路线要使用的驾驶员。所有这些信息都可以存储在之前描述的存储单元405中，使得其可用于路线确定的手段。

类似地，在驾驶员被分配至驾驶特定车辆的情况下，则监控车辆遭受的损坏可以与特定的驾驶员联系起来。以这种方式，可以识别特别危险或注意力不集中的驾驶员并对其进行再训练以促进更好的驾驶。在车辆租借公司中，该信息可用于确定公司是否最好避免租借车辆给此类人。以这种方式，可以避免来自驾驶员等的可预期的车辆损坏。

关于计算机实施的具体实施方式，所提供的说明书可以描述人们将如何修改计算机以实施系统或方法的步骤。解决的特定问题可能在与计算机相关的问题的背景下，并且该系统可能并不意味着仅可以通过手动手段或作为一系列手动步骤来进行。在一些具体实施方式的背景下，与计算机相关的实施和/或方案可能是有利的；至少出于提供可扩展性的原因（使用单个平台/系统来管理大量输入和/或活动）；从不同的网络中快速地和有效地汇集信息的能力；改善的决策支持和/或分析，否则其是不可行的；与唯一连接点是计算机实施的接口的外部系统合并的能力；通过自动化实现成本节约的能力；在各种背景下动态响应和考虑更新的能力（例如，快速改变指令流或物流条件）；应用通过手动手段不可行的复杂逻辑规则的能力；指令被真正匿名的能力；等等。

使用电子和/或计算机化的手段可以提供比传统的非计算机化的手段更方便、可扩展、高效、准确和/或可靠的平台。进一步地，系统可被计算机化并且平台可以有利地被设计为互操作性，以及手动操作可能是困难的和/或不可能的。进一步地，即使可行，手动操作也不太可能达到可比的效率和/或。

可扩展性可能是有用的，因为提供一个能够有效地管理大量输入、输出和/或互联和/或与外部系统的合并的系统可能是有利的。

在指令履行的背景下，方案的便利性和有效性可能是很有用的，因为个人可能拥有更多信息用于做出更好的指令和/或履行决策。

本系统和方法可以在各种具体实施方式中实践。适当配置的计算机设备和相关联的通信网络、设备、软件和固件可以提供一个用于实现如上所述的一个或多个具体实施方式的平台。以示例的方式，图6示出了计算机设备600，其可以包括连接至存储单元604和随机存取存储器606的中央处理单元（“CPU”）602。CPU 602可以处理操作系统601、应用程序603和数据623。操作系统601、应用程序603和数据623可以根据需要存储在存储单元604中并加载至存储器606中。计算机设备600可以进一步包括图形处理单元（GPU）622，其可操作地连接至CPU 602和存储器606以从CPU 602卸载密集的图像处理计算并且与CPU 602并行地运行这些计算。操作员607可以与计算机设备600互动，其使用由视频接口605连接的视频显示器608，以及由I/O接口609连接的各种输入/输出设备，例如键盘615、鼠标612和磁盘驱动器或固态驱动器614。以已知的方式，鼠标612可以被配置为控制光标在视频显示器608中的移动，并且用鼠标按钮操作出现在视频显示器608中的各种图形用户界面（GUI）控件。磁盘驱动器或固态驱动器614可以被配置为接受计算机可读介质616。计算机设备600可以经由网络接口611形成网络的一部分，其允许计算机设备600与其他适当配置的数据处理系统（非显示）通信。一种或多种不同类型的传感器635可用于从各种来源接收输入。

本系统和方法可以在任何形式的计算机设备上模拟实施，包括台式计算机、膝上型计算机、平板计算机或无线手持式设备。本系统和方法还可以被实施为包括计算机程序代码的计算机可读/可用介质，以使一个或多个计算机设备能够实施根据本发明的方法中的各个处理步骤中的每一个。在多个计算机设备进行全部操作的情况下，使计算机设备联网以分配操作的各个步骤。应当理解，术语计算机可读介质或计算机可用介质包括程序代码的一个或多个任何类型的物理具体实施方式。具体地，计算机可读/可用介质可以包括程序代码，其体现在一个或多个便携式存储制品（例如，光盘、磁盘、磁带等）上，和体现在一个或多个计算设备的数据存储部分上，例如与计算机和/或存储系统相关联的存储器。

本发明的移动应用可以实施为网络服务，其中移动设备包括用于访问网络服务的链接，而不是本地应用。所描述的功能可以实施到任何移动平台，包括Android平台、iOS平台、Linux平台或Windows平台。

在其他方面，本公开提供了用于实施该方法并启用前述功能的系统、设备、方法和计算机编程产品，包括非暂时性机器可读指令集。

出于说明和描述的目的已经呈现了本发明的具体实施方式的前述描述。并不旨在彻底地或限制本发明为所公开的精准形式。在不脱离本发明的精神和范围的情况下，可以进行修改和变化。

Claims (15)

1.一种损坏检测单元，其被配置为检测车辆上的损坏，所述损坏检测单元包括：

接收单元，其被配置为从摄像机接收图像；

确定单元，其被配置为基于所述接收到的图像确定所述车辆上的损坏；

存储单元，其被配置为存储有关之前确定存在于所述车辆上的损坏的信息；

比较单元，其被配置为比较所述确定单元确定的所述损坏与所述存储单元存储的所述有关之前的损坏的信息。

2.根据权利要求1所述的损坏检测单元，其特征在于，所述比较单元被进一步配置为基于所述比较的损坏确定是否产生新损坏。

3.根据任一在先权利要求所述的损坏检测单元，所述损坏检测单元进一步包括训练单元，其被配置为从所述接收单元接收已被标注的图像以指示所述车辆上的损坏区域，以及被配置为训练所述确定单元以基于所述标注的图像确定损坏。

4.根据任一在先权利要求所述的损坏检测单元，所述损坏检测单元进一步包括被配置为对定向单元发出命令的命令单元。

5.根据权利要求4所述的损坏检测单元，其特征在于，所述命令单元被配置为发出命令使得所述定向单元指示以下至少一个：

所述车辆将行进至车间；

所述车辆将避开所述车间；和

所述车辆应该在将来一定的时间行进至所述车间。

6.根据任一在先权利要求所述的损坏检测单元，其特征在于，所述确定单元被配置为使用机器学习模型和/或统计模型以确定所述车辆的损坏。

7.根据任一在先权利要求所述的损坏检测单元，所述损坏检测单元进一步包括摄像机触发单元，其包括被配置为使得所述摄像机拍摄所述车辆的图像的机器学习模型。

8.一种损坏检测系统，所述系统包括：

被配置为拍摄车辆的图像的摄像机；和

根据任一在先单元的损坏检测单元。

9.根据权利要求8所述的损坏检测系统，所述系统进一步包括定向单元，其被配置为向所述车辆指示以下至少一个：

所述车辆将行进至车间；

所述车辆将避开所述车间；和

所述车辆应该在将来一定的时间行进至所述车间。

10.一种用于检测车辆上的损坏的损坏检测方法，所述方法包括以下步骤：

从摄像机接收图像；

基于所述接收到的图像确定所述车辆上的损坏；

检索有关之前确定存在于所述车辆上的损坏的信息；以及

比较所述确定步骤确定的所述损坏与所述检索步骤检索的所述有关之前的损坏的信息。

11.根据权利要求10所述的损坏检测方法，其特征在于，所述方法进一步包括基于所述比较的损坏确定是否产生新损坏的步骤。

12.根据任一权利要求10至11所述的损坏检测方法，所述方法进一步包括以下步骤：

接收已被标注的图像以指示所述车辆上的损坏区域；和

训练以基于所述标注的图像确定损坏。

13.根据任一权利要求10至12所述的损坏检测方法，所述方法进一步包括对定向单元发出命令的步骤。

14.根据权利要求13所述的损坏检测方法，其特征在于，所述发出命令的步骤使得所述定向单元指示以下至少一个：

所述车辆将行进至车间；

所述车辆将避开所述车间；和

所述车辆应该在将来一定的时间行进至所述车间。

15.根据任一权利要求10至13所述的损坏检测方法，其特征在于，所述确定步骤被配置为使用机器学习模型和/或统计模型以确定所述车辆的损坏。

Images