CN114495012A - 一种车辆充电状态的检测方法及系统 - Google Patents

一种车辆充电状态的检测方法及系统 Download PDF

Info

Publication number
CN114495012A
CN114495012A CN202210142445.8A CN202210142445A CN114495012A CN 114495012 A CN114495012 A CN 114495012A CN 202210142445 A CN202210142445 A CN 202210142445A CN 114495012 A CN114495012 A CN 114495012A
Authority
CN
China
Prior art keywords
vehicle
charging
target detection
image
state
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
CN202210142445.8A
Other languages
English (en)
Inventor
陈少坤
齐思远
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.)
Beijing Henghua Longxin Data Technology Co ltd
Original Assignee
Beijing Henghua Longxin Data 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 Beijing Henghua Longxin Data Technology Co ltd filed Critical Beijing Henghua Longxin Data Technology Co ltd
Priority to CN202210142445.8A priority Critical patent/CN114495012A/zh
Publication of CN114495012A publication Critical patent/CN114495012A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06N3/04—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
    • G06T3/00—Geometric image transformation in the plane of the image
    • G06T3/40—Scaling the whole image or part thereof
    • G06T3/4053—Super resolution, i.e. output image resolution higher than sensor resolution

Abstract

本申请提供了一种车辆的充电状态检测方法及系统，按照预设时间间隔截取监控视频流，所述监控视频流包括当前帧的目标图像；根据预先训练得到的目标检测模型对所述目标图像进行目标检测，得到当前帧的目标检测结果，所述目标检测结果包括充电枪的位置信息以及所述充电枪对应的车位的车辆占位信息；将所述当前帧的目标检测结果与上一帧的目标检测结果进行比对，获得车辆的充电状态，并将车辆的充电状态推送至管理终端。由此，通过识别和比对监控视频流中的充电枪位置信息以及充电枪对应的车位的车辆占位信息，实现对车辆充电状态的检测，并及时推送车辆的充电状态信息至充电站管理终端，便于对充电站进行高效管理。

Description

一种车辆充电状态的检测方法及系统
技术领域
本发明涉及汽车充电状态检测领域，尤其涉及一种车辆充电状态的检测方法及系统。
背景技术
随着人类环境的变化和节能减排的呼声越来越高，电动汽车的普及率越来越高，相应的，电动汽车充电站的数量也随之增加。
汽车未进行充电却占用充电车位的行为大大降低了充电桩的使用效率，为了使充电设备能够被充分利用，对于进入到充电车位上的车进行充电状态的检测则变得越来越有必要，对充电状态的检测可以帮助管理者更好地管理充电站的充电，使得充电桩的使用更加具有效率。
发明内容
有鉴于此，本发明提供了一种车辆充电状态的检测方法及系统，通过检测充电枪、车位以及车辆的位置，通过位置关系判断车辆的充电状态，实现对车辆充电状态的检测，便于充电站管理员对充电桩的有效管理。
其技术方案如下：
一种车辆的充电状态的检测方法，所述方法包括：
按照预设时间间隔截取监控视频流，所述监控视频流包括当前帧的目标图像；
根据预先训练得到的目标检测模型对所述目标图像进行目标检测，得到当前帧的目标检测结果，所述目标检测结果包括充电枪的位置信息以及所述充电枪对应的车位的车辆占位信息；
将所述当前帧的目标检测结果与上一帧的目标检测结果进行比对，获得车辆的充电状态。
优选的，在所述按照预设时间间隔截取监控视频流之前，所述方法还包括：
获取训练样本图像；
使用所述训练样本图像，对初始的目标检测模型进行训练，以得到训练完成后的目标检测模型，其中，所述目标检测模型的激活函数包括Mish激活函数，所述目标检测模型的损失函数包括DioU损失函数，所述目标检测模型为YOLO v5模型。
优选的，所述获取训练样本图像，包括：
获取初始图像；
通过图像超分辨率技术提高所述初始图像中充电枪区域的图像分辨率，得到初始训练图像；
通过生成对抗网络生成充电枪图像，并在所述初始训练图像中随机添加至少一个生成的所述充电枪图像，得到训练样本图像。
优选的，所述将所述当前帧的目标检测结果与上一帧的目标检测结果进行比对，获得车辆的充电状态，包括：
若所述上一帧的目标检测结果包括车位无车且充电枪处于初始位置，而所述当前帧的目标检测结果包括车位有车且充电枪处于初始位置，则确定所述车辆处于占位未充电状态；
当所述车辆处于占位未充电状态，记录所述车辆处于占位未充电状态的时长，若所述占位未充电状态的时长超过第一预设时间阈值，确定所述车辆处于异常占位状态；
若所述上一帧的目标检测结果确定所述车辆处于占位未充电状态，而当前帧的目标检测结果包括车位有车且充电枪离开初始位置，则确定所述车辆处于充电状态，并记录所述车辆的充电开始时间；
当所述车辆处于充电状态，记录所述车辆处于充电状态的时长，若所述充电状态的时长超过第二预设时间阈值，确定所述车辆处于充电超时状态。
优选的，所述将所述当前帧的目标检测结果与上一帧的目标检测结果进行比对，获得车辆的充电状态，还包括：
若所述上一帧的目标检测结果确定所述车辆处于充电状态，而当前帧的目标检测结果中车位有车且充电枪回归初始位置，则确定所述车辆处于充电完成状态；
当所述车辆处于充电完成状态，记录所述车辆处于充电完成状态的时长，若所述充电完成状态的时长超过第三预设时间阈值，确定所述车辆处于充电完成占位状态；
若所述上一帧的目标检测结果确定车辆处于充电完成状态，而当前帧的目标检测结果包括车位无车且充电枪处于初始位置，则确定所述车辆处于充电结束状态，记录所述车辆的充电结束时间；
根据所述车辆的充电开始时间和充电结束时间得到所述车辆的充电总时间。
优选的，所述方法还包括：将所述车辆的充电状态推送至充电站管理终端。
优选的，所述方法还包括：当所述目标检测结果包括车位无车且充电枪离开初始位置，确定所述充电枪状态异常，生成异常消息，并将所述异常消息推送至充电站管理终端。
本申请另一实施例还提供了一种车辆的充电状态检测系统，所述系统包括：
截取单元，用于按照预设时间间隔截取监控视频流，所述监控视频流包括当前帧的目标图像；
检测单元，用于根据预先训练得到的目标检测模型对所述目标图像进行目标检测，得到当前帧的目标检测结果，所述目标检测结果包括充电枪的位置信息以及所述充电枪对应的车位的车辆占位信息；
比对单元，用于将所述当前帧的目标检测结果与上一帧的目标检测结果进行比对，获得车辆的充电状态。
优选的，所述系统还包括：
图像获取单元，用于获取训练样本图像；
模型训练单元，用于使用所述训练样本图像，对初始的目标检测模型进行训练，以得到训练完成后的目标检测模型，其中，所述目标检测模型的激活函数包括Mish激活函数，所述目标检测模型的损失函数包括DioU损失函数，所述目标检测模型为YOLO v5模型。
优选的，所述图像获取单元，具体用于：获取初始图像；通过图像超分辨率技术提高所述初始图像中充电枪区域的图像分辨率，得到初始训练图像；通过生成对抗网络生成充电枪图像，并在所述初始训练图像中随机添加至少一个生成的所述充电枪图像，得到训练样本图像。
上述技术方案具有如下有益效果：
本申请实施例提供的一种车辆的充电状态检测方法及系统，按照预设时间间隔截取监控视频流，所述监控视频流包括当前帧的目标图像；根据预先训练得到的目标检测模型对所述目标图像进行目标检测，得到当前帧的目标检测结果，所述目标检测结果包括充电枪的位置信息以及所述充电枪对应的车位的车辆占位信息；将所述当前帧的目标检测结果与上一帧的目标检测结果进行比对，获得车辆的充电状态，并将车辆的充电状态推送至管理终端。由此，通过识别和比对监控视频流中的充电枪位置信息以及充电枪对应的车位的车辆占位信息，实现对车辆充电状态的检测，并及时推送车辆的充电状态信息至充电站管理终端，便于对充电站进行高效管理。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种车辆充电状态检测方法流程图；
图2为本发明实施例所使用的目标检测算法的训练流程图；
图3为本发明实施例所使用的目标检测算法的训练流程图；
图4为本发明实施例提供的一种车辆充电状态检测系统示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为实现充电站车辆充电状态的检测，便于充电站管理员对充电桩的有效管理，本申请实施例提供了一种车辆的充电状态检测方法，请参阅图1，该方法可以包括：
步骤S100、按照预设时间间隔截取监控视频流，所述监控视频流包括当前帧的目标图像；
监控视频流由安装在充电站的监控摄像头拍摄获得，按照预设的时间间隔截取监控视频流得到当前帧对应的目标图像，可以理解的是，监控视频流对应的监控范围包括充电桩以及车位，相应的，所截取的当前帧的目标图像中包含充电桩图像以及车位图像。
步骤S200、根据预先训练得到的目标检测模型对目标图像进行目标检测，得到当前帧的目标检测结果，目标检测结果包括充电枪的位置信息以及充电枪对应的车位的车辆占位信息。
充电枪的位置信息包括充电枪处于初始位置或充电枪离开初始位置，车位的车辆占位信息包括车位有车或车位无车。
可选的，目标检测模型可以采用目标检测算法YOLO(You Only Look Once)的第五代算法YOLO v5算法实现。
步骤S300、将当前帧的目标检测结果与上一帧的目标检测结果进行比对，获得车辆的充电状态。
可以理解的是，上一帧的目标检测结果是相较于当前帧的目标检测结果的前一次检测结果。
优选的，在本实施例中，将所述当前帧的目标检测结果与上一帧的目标检测结果进行比对，获得车辆的充电状态，包括：
若上一帧的目标检测结果包括车位无车且充电枪处于初始位置，而当前帧的目标检测结果包括车位有车且充电枪处于初始位置，则确定该车辆处于占位未充电状态；
当车辆处于占位未充电状态，记录该车辆处于占位未充电状态的时长，若所述占位未充电状态的时长超过第一预设时间阈值，确定该车辆处于异常占位状态；
若上一帧的目标检测结果确定车辆处于占位未充电状态，而当前帧的目标检测结果包括车位有车且充电枪离开初始位置，则确定该车辆处于充电状态，并记录该车辆的充电开始时间；
当车辆处于充电状态，记录该车辆处于充电状态的时长，若充电状态的时长超过第二预设时间阈值，确定该车辆处于充电超时状态；
若上一帧的目标检测结果确定该车辆处于充电状态，而当前帧的目标检测结果中车位有车且充电枪回归初始位置，则确定该车辆处于充电完成状态；
当该车辆处于充电完成状态，记录车辆处于充电完成状态的时长，若充电完成状态的时长超过第三预设时间阈值，确定该车辆处于充电完成占位状态；
若上一帧的目标检测结果确定车辆处于充电完成状态，而当前帧的目标检测结果包括车位无车且充电枪处于初始位置，则确定该车辆处于充电结束状态，记录该车辆的充电结束时间；
根据车辆的充电开始时间和充电结束时间得到车辆的充电总时间。
可以理解的是，上述第一预设时间阈值、第二预设时间阈值以及第三预设时间阈值可以按照实际需求进行设置。
优选的，当目标检测结果包括车位无车且充电枪离开初始位置，则确定充电枪状态异常，并将异常消息推送至充电站管理终端，便于充电站管理人员及时对充电桩进行维护。
优选的，将获得车辆的充电状态推送至充电站管理终端，便于充电站管理人员知晓充电站各个充电桩的使用情况，对充电桩进行高效管理。
此处不对异常消息推送的形式以及车辆充电状态推送的形式进行限制，可以是APP端的消息推送、短信消息推送、邮件信息推送等。
优选的，当判断车辆处于异常占位状态或充电超时状态时，利用百度飞桨框架对该车辆的信息进行检测识别，得到车辆信息，并将车辆信息推送至电站管理终端，便于充电站管理人员进行管理；
综上所述，本申请实施例提供的车辆的充电状态检测方法，利用训练好的模型对充电站的监控视频帧进行车辆、充电桩、充电枪以及车位进行检测，获得各个对象在图像上的位置坐标，再根据这些对象的位置关系得到车辆当前的充电状态，由此，通过识别和比对监控视频流中的充电枪位置信息以及车位的占位信息，实现对车辆充电状态的检测，并及时推送车辆的充电状态信息至充电站管理终端，便于管理员对充电站进行高效管理。
由于充电枪的位置信息是由目标检测模型检测获得的，而监控视频清晰度有限，且充电枪在监控视频中具有体积小，距离监控摄像头较远，分辨率低且易受光线影响等特点，现有的目标检测算法YOLO第五代算法YOLO v5虽然增加了自适应锚框使其对不同尺寸的物体检测效果有所提升，仍然无法很好地完成充电枪的检测任务，因此，参考图2，在具体实现中，在按照预设时间间隔截取监控视频流之前，所述方法还包括如下步骤：
S201、获取训练样本图像。
获取用于目标检测模型训练的训练样本图像。
YOLO v5使用的数据增强方法是Mosaic数据增强方法，是将四张图片进行随机裁剪，再以2ⅹ2得方式拼接到一张图上作为训练数据，由此丰富了图像的背景，并且通过四张图像的拼接也提高了单次用以训练的样本大小(Batch Size)，在进行批量标准化(BatchNormalization,BN)操作时也会计算四张图片，所以Batch Size对训练的影响较小。
本申请实施例中在YOLO v5的基础上，参考图3，步骤S201获取训练样本图像具体包括：
S2011、通过超分辨率技术(Super-Resolution,SR)提高初始图像中充电枪区域的分辨率，得到初始训练图像。
使用基于卷积神经网络的超分辨率技术(Super-Resolution)将初始图像中充电枪区域图像分辨率提高，得到初始训练图像，有助于提取充电枪的特征，具体采用双三次插值算法(Bicubic Interpolation)放大输入的初始图像，并对端到端的三层完全卷积网络进行训练。
需要说明的是，本申请实施例中初始图像可以来源于充电站的历史监控视频，对历史监控视频进行截取获得初始图像。
S2012、通过生成对抗网络(Generative Adversarial Network,GAN)生成充电枪图像，并在初始训练图像中随机添加至少一个生成的充电枪图像，得到训练样本图像。
生成对抗网络的方法可以将低分辨率的充电枪图像映射为高分辨率的充电枪图像，从而可以达到尺寸较大物体的检测率。通过生成对抗网络生成特征表达更强的充电枪图像，并在初始训练图像中随机添加若干个生成的充电枪图像，得到的整个图像作为训练样本图像使用。通过重复对初始训练图像随机添加充电枪图像这一操作可以满足模型训练样本量的需求。
由上，通过增加了对充电枪图像数据增强的操作，增强充电枪图像特征的表达能力，使得训练得到的目标检测模型所提取的信息更加利用价值，提取出的信息更精确、有效。
S202、使用训练样本图像，对初始的目标检测模型进行训练，以得到训练完成后的目标检测模型，其中，目标检测模型的激活函数包括Mish激活函数，目标检测模型的损失函数包括DioU损失函数，目标检测模型为YOLO v5模型。
YOLO v5中选用的激活函数为Leaky Relu激活函数，本申请实施例中则选用Mish激活函数。
Mish激活函数具体为Mish(x)＝x*tanh(ln(1+e^x))，与Leaky Relu激活函数相比，Mish激活函数总体更平滑，并且处处可导，选用Mish激活函数使网络更容易优化，提高泛化能力，也避免了网络饱和的问题。
YOLO v5中选取的损失函数为GIoU(Generalized Intersection over Union)，本申请实施例中选用收敛效果更好的DIoU，DIoU损数函数具体为：
Figure BDA0003506944490000081
其中，b表示锚框，bgt表示目标框的中心点，ρ表示的是两个框中心点之间的距离，代表的是能够同时覆盖锚框和目标框的最小矩形的对角线距离。因此，DIoU损失函数优化的是两个目标框之间的距离，而GIoU损失函数优化的是两个目标框之间的面积，因此DIoU函数收敛快得多。
通过对改进前和改进后的算法分别进行相同的训练，得到两个模型对充电枪识别准确率的效果，如表1所示，改进后的算法相比改进前的算法对于充电枪的检测准确率和召回率均有一定的提高。
Figure BDA0003506944490000082
Figure BDA0003506944490000091
表1充电枪检测效果对比表
综上所述，在本申请实施例所提供的技术方案中，通过对YOLO v5算法进行了部分改进，增加了对初始图像的增强操作，用Mish激活函数替代了Leaky Relu激活函数，并对于损失函数做了改进，将GIoU损失函数替换原有的DIoU损失函数，提升了目标检测模型对充电枪的识别准确率，进而提升了车辆充电状态识别的准确率，便于充电站管理员对充电桩的有效管理。
如图4所示，为本发明实施例公开了一种车辆充电状态检测系统的结构示意图，该系统可以包括：截取单元、检测单元、比对单元；
截取单元，用于按照预设时间间隔截取监控视频流，所述监控视频流包括当前帧的目标图像；
检测单元，用于根据预先训练得到的目标检测模型对所述目标图像进行目标检测，得到当前帧的目标检测结果，所述目标检测结果包括充电枪的位置信息以及所述充电枪对应的车位的车辆占位信息；
比对单元，用于将所述当前帧的目标检测结果与上一帧的目标检测结果进行比对，获得车辆的充电状态。
充电枪的位置信息包括充电枪处于初始位置或充电枪离开初始位置，车位的车辆占位信息包括车位有车或车位无车。
可选的，目标检测模型可以采用目标检测算法YOLO(You Only Look Once)的第五代算法YOLO v5实现。
比对单元，用于将当前的目标检测结果与上一目标检测结果进行比对，获得车辆的充电状态。
可以理解的是，上一目标检测结果是相较于当前的目标检测结果的前一次检测结果。
优选的，在本实施例中，比对单元将所述当前帧的目标检测结果与上一帧的目标检测结果进行比对，获得车辆的充电状态，包括：
若上一帧的目标检测结果包括车位无车且充电枪处于初始位置，而当前帧的目标检测结果包括车位有车且充电枪处于初始位置，则确定该车辆处于占位未充电状态；
当车辆处于占位未充电状态，记录该车辆处于占位未充电状态的时长，若所述占位未充电状态的时长超过第一预设时间阈值，确定该车辆处于异常占位状态；
若上一帧的目标检测结果确定车辆处于占位未充电状态，而当前帧的目标检测结果包括车位有车且充电枪离开初始位置，则确定该车辆处于充电状态，并记录该车辆的充电开始时间；
当车辆处于充电状态，记录该车辆处于充电状态的时长，若充电状态的时长超过第二预设时间阈值，确定该车辆处于充电超时状态；
若上一帧的目标检测结果确定该车辆处于充电状态，而当前帧的目标检测结果中车位有车且充电枪回归初始位置，则确定该车辆处于充电完成状态；
当该车辆处于充电完成状态，记录车辆处于充电完成状态的时长，若充电完成状态的时长超过第三预设时间阈值，确定该车辆处于充电完成占位状态；
若上一帧的目标检测结果确定车辆处于充电完成状态，而当前帧的目标检测结果包括车位无车且充电枪处于初始位置，则确定该车辆处于充电结束状态，记录该车辆的充电结束时间；
根据车辆的充电开始时间和充电结束时间得到车辆的充电总时间。
可以理解的是，上述第一预设时间阈值、第二预设时间阈值以及第三预设时间阈值可以按照实际需求进行设置。
优选的，系统还可以包括通知单元；
比对单元，还用于当目标检测结果包括车位无车且充电枪离开初始位置，确定充电枪状态异常，此时，通知单元用于生成异常消息，并将异常消息推送至充电站管理终端，便于管理人员及时对充电桩进行维护。
优选的，通知单元，还用于将获得车辆的充电状态推送至充电站管理终端，便于管理人员知晓充电站各个充电桩的使用情况，对充电桩进行高效管理。
优选的，系统还可以包括获取单元，当比对单元判断车辆处于异常占位状态或充电超时状态时，获取单元用于利用百度飞桨框架对该车辆的信息进行检测识别，得到车辆信息，并将车辆信息推送至充电站管理终端，便于充电站管理人员进行管理；
综上所述，本申请实施例提供的车辆充电状态检测系统，通过识别和比对监控视频流中的充电枪位置信息以及车位的占位信息，实现对车辆充电状态的检测，并及时推送车辆的充电状态信息至充电站管理终端，便于管理员对充电站进行高效管理。
由于监控视频清晰度有限，充电枪在监控视频中具有体积小，距离监控摄像头较远，分辨率低且易受光线影响等特点，在具体实现中，本实施例提供的车辆充电状态检测系统，所述系统还包括：
图像获取单元，用于获取训练样本图像；
模型训练单元，用于使用所述训练样本图像，对初始的目标检测模型进行训练，以得到训练完成后的目标检测模型，其中，所述目标检测模型的激活函数包括Mish激活函数，所述目标检测模型的损失函数包括DioU损失函数，所述目标检测模型为YOLO v5模型。
所述图像获取单元，具体用于：获取初始图像；通过图像超分辨率技术提高所述初始图像中充电枪区域的图像分辨率，得到初始训练图像；通过生成对抗网络生成充电枪图像，并在所述初始训练图像中随机添加至少一个生成的所述充电枪图像，得到训练样本图像。
图像获取单元和模型训练单元所执行的动作和原理与前述方法相对应，此处不赘述。
综上所述，本申请实施例提供的车辆的充电状态检测系统，通过对YOLO v5算法进行了部分改进，增加了对初始图像的增强操作，用Mish激活函数替代了Leaky Relu激活函数，并对于损失函数做了改进，将GIoU损失函数替换原有的DIoU损失函数，提升了目标检测模型对充电枪的识别准确率，进而提升了车辆充电状态识别的准确率，便于充电站管理员对充电桩的有效管理。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
本领域技术人员可以理解，图所示的流程图仅是本申请的实施方式可以在其中得以实现的一个示例，本申请实施方式的适用范围不受到该流程图任何方面的限制。
在本申请所提供的几个实施例中，应该理解到，所揭露的方法、系统和设备，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，所述单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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单元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单元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。
所述功能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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种车辆的充电状态检测方法，其特征在于，所述方法包括：
按照预设时间间隔截取监控视频流，所述监控视频流包括当前帧的目标图像；
根据预先训练得到的目标检测模型对所述目标图像进行目标检测，得到当前帧的目标检测结果，所述目标检测结果包括充电枪的位置信息以及所述充电枪对应的车位的车辆占位信息；
将所述当前帧的目标检测结果与上一帧的目标检测结果进行比对，获得车辆的充电状态。
2.根据权利要求1所述的方法，其特征在于，所述按照预设时间间隔截取监控视频流之前，所述方法还包括：
获取训练样本图像；
使用所述训练样本图像，对初始的目标检测模型进行训练，以得到训练完成后的目标检测模型，其中，所述目标检测模型的激活函数包括Mish激活函数，所述目标检测模型的损失函数包括DioU损失函数，所述目标检测模型为YOLO v5模型。
3.根据权利要求2所述的方法，其特征在于，所述获取训练样本图像，包括：
获取初始图像；
通过图像超分辨率技术提高所述初始图像中充电枪区域的图像分辨率，得到初始训练图像；
通过生成对抗网络生成充电枪图像，并在所述初始训练图像中随机添加至少一个生成的所述充电枪图像，得到训练样本图像。
4.根据权利要求1所述的方法，其特征在于，所述将所述当前帧的目标检测结果与上一帧的目标检测结果进行比对，获得车辆的充电状态，包括：
若所述上一帧的目标检测结果包括车位无车且充电枪处于初始位置，而所述当前帧的目标检测结果包括车位有车且充电枪处于初始位置，则确定所述车辆处于占位未充电状态；
当所述车辆处于占位未充电状态，记录所述车辆处于占位未充电状态的时长，若所述占位未充电状态的时长超过第一预设时间阈值，确定所述车辆处于异常占位状态；
若所述上一帧的目标检测结果确定所述车辆处于占位未充电状态，而当前帧的目标检测结果包括车位有车且充电枪离开初始位置，则确定所述车辆处于充电状态，并记录所述车辆的充电开始时间；
当所述车辆处于充电状态，记录所述车辆处于充电状态的时长，若所述充电状态的时长超过第二预设时间阈值，确定所述车辆处于充电超时状态。
5.根据权利要求4所述的方法，其特征在于，所述将当前帧的目标检测结果与上一帧的目标检测结果进行比对，获得车辆的充电状态，还包括：
若所述上一帧的目标检测结果确定所述车辆处于充电状态，而当前帧的目标检测结果中车位有车且充电枪回归初始位置，则确定所述车辆处于充电完成状态；
当所述车辆处于充电完成状态，记录所述车辆处于充电完成状态的时长，若所述充电完成状态的时长超过第三预设时间阈值，确定所述车辆处于充电完成占位状态；
若所述上一帧的目标检测结果确定所述车辆处于充电完成状态，而当前帧的目标检测结果包括车位无车且充电枪处于初始位置，则确定所述车辆处于充电结束状态，记录所述车辆的充电结束时间；
根据所述车辆的充电开始时间和充电结束时间得到所述车辆的充电总时间。
6.根据权利要求4至5中任一项所述的方法，其特征在于，所述方法还包括：将所述车辆的充电状态推送至充电站管理终端。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
当所述目标检测结果包括车位无车且充电枪离开初始位置，确定所述充电枪状态异常，生成异常消息，并将所述异常消息推送至充电站管理终端。
8.一种车辆的充电状态检测系统，其特征在于，所述系统包括：
截取单元，用于按照预设时间间隔截取监控视频流，所述监控视频流包括当前帧的目标图像；
检测单元，用于根据预先训练得到的目标检测模型对所述目标图像进行目标检测，得到当前帧的目标检测结果，所述目标检测结果包括充电枪的位置信息以及所述充电枪对应的车位的车辆占位信息；
比对单元，用于将所述当前帧的目标检测结果与上一帧的目标检测结果进行比对，获得车辆的充电状态。
9.根据权利要求8所述的系统，其特征在于，所述系统还包括：
图像获取单元，用于获取训练样本图像；
模型训练单元，用于使用所述训练样本图像，对初始的目标检测模型进行训练，以得到训练完成后的目标检测模型，其中，所述目标检测模型的激活函数包括Mish激活函数，所述目标检测模型的损失函数包括DioU损失函数，所述目标检测模型为YOLO v5模型。
10.根据权利要求9所述的系统，其特征在于，所述图像获取单元，具体用于：获取初始图像；通过图像超分辨率技术提高所述初始图像中充电枪区域的图像分辨率，得到初始训练图像；通过生成对抗网络生成充电枪图像，并在所述初始训练图像中随机添加至少一个生成的所述充电枪图像，得到训练样本图像。
CN202210142445.8A 2022-02-16 2022-02-16 一种车辆充电状态的检测方法及系统 Pending CN114495012A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210142445.8A CN114495012A (zh) 2022-02-16 2022-02-16 一种车辆充电状态的检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210142445.8A CN114495012A (zh) 2022-02-16 2022-02-16 一种车辆充电状态的检测方法及系统

Publications (1)

Publication Number Publication Date
CN114495012A true CN114495012A (zh) 2022-05-13

Family

ID=81480025

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210142445.8A Pending CN114495012A (zh) 2022-02-16 2022-02-16 一种车辆充电状态的检测方法及系统

Country Status (1)

Country Link
CN (1) CN114495012A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115009074A (zh) * 2022-07-21 2022-09-06 东莞先知大数据有限公司 一种充电桩偷电行为检测方法、电子设备和存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115009074A (zh) * 2022-07-21 2022-09-06 东莞先知大数据有限公司 一种充电桩偷电行为检测方法、电子设备和存储介质
CN115009074B (zh) * 2022-07-21 2023-03-31 东莞先知大数据有限公司 一种充电桩偷电行为检测方法、电子设备和存储介质

Similar Documents

Publication Publication Date Title
CN105678347A (zh) 行人检测方法及装置
CN108257227A (zh) 一种二维码结算方法、终端及系统
CN112269359A (zh) 一种基于云平台的物联网智能充电桩远程控制系统
CN112307853A (zh) 航拍图像的检测方法、存储介质和电子装置
CN114495012A (zh) 一种车辆充电状态的检测方法及系统
CN110516090A (zh) 一种物体检测方法、装置、设备及计算机可读存储介质
CN110796578A (zh) 一种分级救援的判断方法及装置、计算机设备和存储介质
JP2023517365A (ja) 駐車スペース検出方法、装置、デバイス及び記憶媒体
CN108881766A (zh) 视频处理方法、装置、终端和存储介质
CN116363628A (zh) 标志检测方法、装置、非易失性存储介质及计算机设备
CN112810489B (zh) 一种新能源汽车用安全充电管理系统
CN110147759A (zh) 目标识别方法、系统、目标识别管理方法及存储介质
CN113011497B (zh) 图像比对方法和系统
CN115240133A (zh) 一种公交车拥挤度分析方法、装置和设备
CN108320030A (zh) 汽车智能服务系统
CN114419428A (zh) 一种目标检测方法、目标检测装置和计算机可读存储介质
CN113963310A (zh) 一种公交站的人流量检测方法、装置及电子设备
CN110348525B (zh) 地图兴趣点获取方法、装置、设备及存储介质
CN107749946B (zh) 道路停车泊位拍摄方法、系统、计算机装置及计算机可读存储介质
CN110197536A (zh) 一种提高移动收费终端处理入库订单效率的方法
CN112510778B (zh) 充电模式识别系统及方法
CN106911550B (zh) 信息推送方法、信息推送装置及系统
CN117349027B (zh) 一种降低算力需求的多模态大模型构建系统和方法
CN114220088A (zh) 一种车牌号识别的方法和电子设备
CN114596708B (zh) 智能调度系统、方法、装置及计算机程序产品

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