CN115082663A - 一种自动控制除霜除雾系统 - Google Patents

一种自动控制除霜除雾系统 Download PDF

Info

Publication number
CN115082663A
CN115082663A CN202210864237.9A CN202210864237A CN115082663A CN 115082663 A CN115082663 A CN 115082663A CN 202210864237 A CN202210864237 A CN 202210864237A CN 115082663 A CN115082663 A CN 115082663A
Authority
CN
China
Prior art keywords
neural network
window
module
vehicle
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.)
Granted
Application number
CN202210864237.9A
Other languages
English (en)
Other versions
CN115082663B (zh
Inventor
汤永哲
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.)
Anhui Xinzhi Technology Co ltd
Original Assignee
Anhui Xinzhi 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 Anhui Xinzhi Technology Co ltd filed Critical Anhui Xinzhi Technology Co ltd
Priority to CN202210864237.9A priority Critical patent/CN115082663B/zh
Publication of CN115082663A publication Critical patent/CN115082663A/zh
Application granted granted Critical
Publication of CN115082663B publication Critical patent/CN115082663B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G06V10/225—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition based on a marking or identifier characterising the area
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60S—SERVICING, CLEANING, REPAIRING, SUPPORTING, LIFTING, OR MANOEUVRING OF VEHICLES, NOT OTHERWISE PROVIDED FOR
    • B60S1/00—Cleaning of vehicles
    • B60S1/02—Cleaning windscreens, windows or optical devices
    • B60S1/023—Cleaning windscreens, windows or optical devices including defroster or demisting means
    • B60S1/026—Cleaning windscreens, windows or optical devices including defroster or demisting means using electrical means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06T2207/10004—Still image; Photographic 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
    • G06T2207/20—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]
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Mechanical Engineering (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种自动控制除霜除雾系统，涉及智能控制技术领域，包括图片收集模块、神经网络训练模块、车窗图像获取模块、神经网络识别模块以及自动控制模块；通过预先收集车辆车窗的图片，训练出可截取车辆图片中车窗的CNN神经网络模型以及可估算车窗的通透等级的CNN神经网络模型；在汽车行驶过程中，使用智能摄像头实时捕捉车窗图像，并通过训练好的CNN神经网络模型截取出车窗，并估算出车窗的通透等级；根据估算的通透等级，按对应功率启动车窗加温装置；解决了快速节能清除车窗霜雾的问题。

Description

一种自动控制除霜除雾系统
技术领域
本发明属于车窗除霜除雾领域，涉及人工智能技术，具体是一种自动控制除霜除雾系统。
背景技术
在寒冷的天气下，汽车玻璃和建筑玻璃上往往容易结霜；或者当汽车车内和室内的湿度较高、温度和外界环境相差较大时，汽车玻璃和建筑玻璃上也容易发生结雾；从而影响车内和室内的观察视线以及它们的外观，特别是给驾驶者提供良好视野的汽车前风挡玻璃，如果其上面发生结霜结雾现象，将严重影响驾驶者的视线；
现有的除霜除雾技术往往存在以下问题：
1、需要驾驶员手动开启除霜除雾装置，为车辆行驶过程带来了诸多不便；
2、往往采用湿度传感器感应车窗的湿度，简介感应车窗的霜雾情况；但湿度传感器并非是用来检测霜雾的，使用湿度传感器会带来检测误差；而且湿度传感器往往会受到外界环境的影响，不能保证只检测车窗的湿度；
为此，提出一种自动控制除霜除雾系统。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种自动控制除霜除雾系统，该一种自动控制除霜除雾系统通过预先收集车辆车窗的图片，训练出可截取车辆图片中车窗的CNN神经网络模型以及可估算车窗的通透等级的CNN神经网络模型；在汽车行驶过程中，使用智能摄像头实时捕捉车窗图像，并通过训练好的CNN神经网络模型截取出车窗，并估算出车窗的通透等级；根据估算的通透等级，按对应功率启动车窗加温装置；解决了快速节能清除车窗霜雾的问题。
为实现上述目的，根据本发明的第一方面的实施例提出一种自动控制除霜除雾系统，包括图片收集模块、神经网络训练模块、车窗图像获取模块、神经网络识别模块以及自动控制模块；
所述图片收集模块主要用于预先收集汽车车窗的图片；收集的图片为车窗上不具有霜雾的以及带有不同程度霜或雾的车辆；首先标记出每张图片中的车窗区域；并根据车窗受霜雾影响视野的程度，人工为车窗的通透等级标记通透等级；所述通透等级根据实际经验为车窗的通透情况设置；所述通透等级的数量与车窗加温装置的功率分级数量相同；所述图片收集模块与神经网络训练模块以电气连接，并将收集的车辆图片发送至神经网络训练模块；
其中，所述神经网络训练模块用于训练出可评估车窗通透等级的神经网络；
所述神经网络训练模块训练出可评估车窗通透等级的神经网络包括以下步骤：
步骤S1：将图片作为CNN神经网络的输入，图片中标记的车窗区域作为目标，CNN神经网络的参数根据实际经验设置；使用多目标识别算法训练出可识别车辆图片中的车窗区域的神经网络模型；将训练出的神经网络模型标记为M1；
步骤S2：可以理解的是，图片中的主要内容为车辆，而车窗作为车辆的一部分，一般而言仅占图片内容的一部分；因此，为了更准确的计算车窗的通透等级，截取图片中标记的车窗区域作为训练计算车窗通透等级的神经网络的图片数据集；
步骤S3：可以理解的是，经过截取的图片尺寸是不同的；为了统一输入图片的尺寸，对截取的图片进行像素填充操作；
步骤S4：将经过像素填充的车窗图片作为CNN神经网络的输入，标记车窗的通透等级作为目标值；预测的车窗通透等级作为输出；预测的车窗通透等级的准确率作为训练目标；CNN神经网络的参数根据实际经验设置；训练CNN神经网络，直至预测的车窗通透等级准确率大于95％，停止训练；将训练完成的神经网络模型标记为M2；
所述神经网络训练模块与神经网络识别模块以电气方式连接；所述神经网络训练模块将训练完成的CNN神经网络模型M1以及CNN神经网络模型M2发送至神经网络识别模块；
其中，所述车窗图像获取模块用于实时获取车辆在行驶过程中车窗的图像；
所述车窗图像获取模块为安装在车辆内部，可拍摄完整车窗图像位置的智能摄像头；所述智能摄像头与车载速度传感器连接，当车载速度传感器感应车速大于0时，智能摄像头开启，并实时拍摄车窗画面；所述智能摄像头与神经网络识别模块以电气方式连接；所述智能摄像头将实时拍摄的车窗画面发送至神经网络识别模块；
其中，所述神经网络识别模块用于实时判断车窗的通透等级；
所述神经网络识别模块为安装在汽车上的可处理CNN神经网络模型的计算机程序；所述神经网络识别模块实时判断车窗通透等级包括以下步骤：
步骤P1：所述神经网络识别模块接收来自神经网络训练模块发送的CNN神经网络模型M1以及CNN神经网络模型M2；
步骤P2：所述神经网络识别模块实时接收来自车窗图像获取模块发送的车窗图像；
步骤P3：可以理解的是，为了拍摄完整的车窗图像，智能摄像头拍摄的图像中不仅仅包含车窗；因此，需要从拍摄的图像中截取出车窗部分；将实时接收的图像作为输入，输入至CNN神经网络模型M1中，自动获得图像中的车窗区域；并使用图像处理工具截取出车窗区域；
步骤P4：将截取出的车窗区域图片作为输入，输入至CNN神经网络模型M2中，获取估算的车窗通透等级；
所述神经网络识别模块与自动控制模块以电气方式连接；所述神经网络识别模块将估算的车窗通透等级发送至自动控制模块；
其中，所述自动控制模块主要用于根据车窗通透等级开启对应功率的车窗加温装置。
与现有技术相比，本发明的有益效果是：
本发明通过预先收集车辆车窗的图片，训练出可截取车辆图片中车窗的CNN神经网络模型以及可估算车窗的通透等级的CNN神经网络模型；在汽车行驶过程中，使用智能摄像头实时捕捉车窗图像，并通过训练好的CNN神经网络模型截取出车窗，并估算出车窗的通透等级；根据估算的通透等级，按对应功率启动车窗加温装置；解决了快速节能清除车窗霜雾的问题。
附图说明
图1为本发明的原理图。
具体实施方式
下面将结合实施例对本发明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它实施例，都属于本发明保护的范围。
如图1所示，一种自动控制除霜除雾系统，包括图片收集模块、神经网络训练模块、车窗图像获取模块、神经网络识别模块以及自动控制模块；
其中，所述图片收集模块主要用于预先收集汽车车窗的图片；收集的图片为车窗上不具有霜雾的以及带有不同程度霜或雾的车辆；首先标记出每张图片中的车窗区域；并根据车窗受霜雾影响视野的程度，人工为车窗的通透等级标记通透等级；所述通透等级根据实际经验为车窗的通透情况设置；在一个优选的实施例中，所述通透等级的数量与车窗加温装置的功率分级数量相同；所述图片收集模块与神经网络训练模块以电气连接，并将收集的车辆图片发送至神经网络训练模块；
其中，所述神经网络训练模块主要用于训练出可评估车窗通透等级的神经网络；
在一个优选的实施例中，所述神经网络训练模块训练出可评估车窗通透等级的神经网络包括以下步骤：
步骤S1：将图片作为CNN神经网络的输入，图片中标记的车窗区域作为目标，CNN神经网络的参数根据实际经验设置；使用多目标识别算法训练出可识别车辆图片中的车窗区域的神经网络模型；将训练出的神经网络模型标记为M1；
步骤S2：可以理解的是，图片中的主要内容为车辆，而车窗作为车辆的一部分，一般而言仅占图片内容的一部分；因此，为了更准确的计算车窗的通透等级，截取图片中标记的车窗区域作为训练计算车窗通透等级的神经网络的图片数据集；具体的，截取图片的方式可以为手动截取，也可以是通过计算机程序识别图片中的区域标识的方式截取；
步骤S3：可以理解的是，经过截取的图片尺寸是不同的；为了统一输入图片的尺寸，对截取的图片进行像素填充操作；像素填充的方式可以为在图片边缘填充像素值为0的像素点；
步骤S4：将经过像素填充的车窗图片作为CNN神经网络的输入，标记车窗的通透等级作为目标值；预测的车窗通透等级作为输出；预测的车窗通透等级的准确率作为训练目标；CNN神经网络的参数根据实际经验设置；训练CNN神经网络，直至预测的车窗通透等级准确率大于95％，停止训练；将训练完成的神经网络模型标记为M2；
所述神经网络训练模块与神经网络识别模块以电气方式连接；所述神经网络训练模块将训练完成的CNN神经网络模型M1以及CNN神经网络模型M2发送至神经网络识别模块；
在一个优选的实施例中，所述图片收集模块收集的车辆图片使用计算机设备保存、神经网络训练模块为安装在车辆图片所在的计算机设备中的程序，所述程序使用Python编程语言编写；
其中，所述车窗图像获取模块主要用于实时获取车辆在行驶过程中车窗的图像；
在一个优选的实施例中，所述车窗图像获取模块为安装在车辆内部，可拍摄完整车窗图像位置的智能摄像头；所述智能摄像头与车载速度传感器连接，当车载速度传感器感应车速大于0时，智能摄像头开启，并实时拍摄车窗画面；所述智能摄像头与神经网络识别模块以电气方式连接；所述智能摄像头将实时拍摄的车窗画面发送至神经网络识别模块；
其中，所述神经网络识别模块主要用于实时判断车窗的通透等级；
在一个优选的实施例中，所述神经网络识别模块为安装在汽车上的可处理CNN神经网络模型的计算机程序；所述神经网络识别模块实时判断车窗通透等级包括以下步骤：
步骤P1：所述神经网络识别模块接收来自神经网络训练模块发送的CNN神经网络模型M1以及CNN神经网络模型M2；
步骤P2：所述神经网络识别模块实时接收来自车窗图像获取模块发送的车窗图像；
步骤P3：可以理解的是，为了拍摄完整的车窗图像，智能摄像头拍摄的图像中不仅仅包含车窗；因此，需要从拍摄的图像中截取出车窗部分；将实时接收的图像作为输入，输入至CNN神经网络模型M1中，自动获得图像中的车窗区域；并使用图像处理工具截取出车窗区域；
步骤P4：将截取出的车窗区域图片作为输入，输入至CNN神经网络模型M2中，获取估算的车窗通透等级；
可以理解的是，CNN神经网络模型M1以及CNN神经网络模型M2的识别需要一定时间；且车窗霜雾情况在短时间内变化较小；因此，为了降低神经网络识别模块的计算成本，减少神经网络识别模块估算车窗通透等级的频率；即对于车窗图像获取模块拍摄的图像，每隔帧数周期N抽取一次车窗图像，神经网络识别模块估算抽取的车窗图像的通透等级；
所述神经网络识别模块与自动控制模块以电气方式连接；所述神经网络识别模块将估算的车窗通透等级发送至自动控制模块；
其中，所述自动控制模块主要用于根据车窗通透等级开启对应功率的车窗加温装置；
在一个优选的实施例中，所述自动控制模块与车窗加温装置以电气方式连接；根据实际经验为每个车窗通透等级设置一个对应的车窗加温装置的加热功率；所述自动控制模块接收到神经网络识别模块发送的估算的车窗通透等级；自动控制模块根据估算的车窗通透等级，以对应功率开启车窗加温装置；
可以理解的是，当霜雾情况较为严重时，开启的车窗加温装置功率较高；保证了霜雾可快速清除，进一步当霜雾情况缓解后，车窗加温装置的功率也会降低，从而在保证了霜雾快速清除的同时，降低了车窗加温装置的能量损耗。
本发明的工作原理：
图片收集模块用于预先收集汽车车窗的图片；
神经网络训练模块用于训练出可评估车窗通透等级的神经网络；
车窗图像获取模块用于实时获取车辆在行驶过程中车窗的图像；
神经网络识别模块用于实时判断车窗的通透等级；
自动控制模块用于根据车窗通透等级开启对应功率的车窗加温装置。
上述公式均是去除量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式，公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
以上实施例仅用以说明本发明的技术方法而非限制，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法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。

Claims (6)

1.一种自动控制除霜除雾系统，其特征在于，包括：图片收集模块、神经网络训练模块、车窗图像获取模块、神经网络识别模块以及自动控制模块；
所述图片收集模块用于预先收集汽车车窗的图片；所述图片收集模块与神经网络训练模块以电气连接，并将收集的车辆图片发送至神经网络训练模块；
所述神经网络训练模块用于使用汽车车窗的图片训练出可估算车窗通透等级的神经网络；所述神经网络训练模块与神经网络识别模块以电气方式连接；所述神经网络训练模块将训练完成的CNN神经网络模型M1以及CNN神经网络模型M2发送至神经网络识别模块；
所述车窗图像获取模块实时获取车辆在行驶过程中车窗的图像；所述车窗图像获取模块与神经网络识别模块以电气方式连接；所述车窗图像获取模块将实时拍摄的车窗画面发送至神经网络识别模块；
所述神经网络识别模块用于使用CNN神经网络模型M1以及CNN神经网络模型M2实时估算车窗的通透等级；所述神经网络识别模块与自动控制模块以电气方式连接；所述神经网络识别模块将估算的车窗通透等级发送至自动控制模块；
所述自动控制模块用于根据车窗通透等级开启对应功率的车窗加温装置。
2.根据权利要求1所述的一种自动控制除霜除雾系统，其特征在于，所述图片收集模块收集的图片为车窗上不具有霜雾的以及带有不同程度霜或雾的车辆；首先标记出每张图片中的车窗区域；并根据车窗受霜雾影响视野的程度，人工为车窗的通透度标记通透等级；所述通透等级根据实际经验为车窗的通透情况设置。
3.根据权利要求1所述的一种自动控制除霜除雾系统，其特征在于，所述神经网络训练模块训练出可评估车窗通透等级的神经网络包括以下步骤：
步骤S1：将图片作为CNN神经网络的输入，图片中标记的车窗区域作为目标，CNN神经网络的参数根据实际经验设置；使用多目标识别算法训练可识别车辆图片中的车窗区域的神经网络模型；将训练出的神经网络模型标记为M1；
步骤S2：截取图片中标记的车窗区域作为训练计算车窗通透等级的神经网络的图片数据集；截取图片的方式为手动截取，或通过计算机程序识别图片中的区域标识的方式截取；
步骤S3：对截取的图片进行像素填充操作，保证每张图片的像素尺寸相同；像素填充的方式为在图片边缘填充像素值为0的像素点；
步骤S4：将经过像素填充的车窗图片作为CNN神经网络的输入，标记车窗的通透等级作为目标值；预测的车窗通透等级作为输出；预测的车窗通透等级的准确率作为训练目标；CNN神经网络的参数根据实际经验设置；训练CNN神经网络，直至预测的车窗通透等级准确率大于95％，停止训练；将训练完成的神经网络模型标记为M2。
4.根据权利要求1所述的一种自动控制除霜除雾系统，其特征在于，所述车窗图像获取模块为安装在车辆内部，可拍摄完整车窗图像位置的智能摄像头；所述智能摄像头与车载速度传感器连接，当车载速度传感器感应车速大于0时，智能摄像头开启，并实时拍摄车窗画面。
5.根据权利要求1所述的一种自动控制除霜除雾系统，其特征在于，所述神经网络识别模块为安装在汽车上的可处理CNN神经网络模型的计算机程序；所述神经网络识别模块实时判断车窗通透等级包括以下步骤：
步骤P1：所述神经网络识别模块接收来自神经网络训练模块发送的CNN神经网络模型M1以及CNN神经网络模型M2；
步骤P2：所述神经网络识别模块实时接收来自车窗图像获取模块发送的车窗图像；
步骤P3：将实时接收的图像作为输入，输入至CNN神经网络模型M1中，自动获得图像中的车窗区域；并使用图像处理工具截取出车窗区域；
步骤P4：将截取出的车窗区域图片作为输入，输入至CNN神经网络模型M2中，获取估算的车窗通透等级。
6.根据权利要求1所述的一种自动控制除霜除雾系统，其特征在于，所述自动控制模块与车窗加温装置以电气方式连接；根据实际经验为每个车窗通透等级设置一个对应的车窗加温装置的加热功率；所述自动控制模块接收到神经网络识别模块发送的估算的车窗通透等级；自动控制模块根据估算的车窗通透等级，以对应功率开启车窗加温装置。
CN202210864237.9A 2022-07-21 2022-07-21 一种自动控制除霜除雾系统 Active CN115082663B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210864237.9A CN115082663B (zh) 2022-07-21 2022-07-21 一种自动控制除霜除雾系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210864237.9A CN115082663B (zh) 2022-07-21 2022-07-21 一种自动控制除霜除雾系统

Publications (2)

Publication Number Publication Date
CN115082663A true CN115082663A (zh) 2022-09-20
CN115082663B CN115082663B (zh) 2024-03-22

Family

ID=83242868

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210864237.9A Active CN115082663B (zh) 2022-07-21 2022-07-21 一种自动控制除霜除雾系统

Country Status (1)

Country Link
CN (1) CN115082663B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102029852B1 (ko) * 2019-04-09 2019-10-08 세종대학교 산학협력단 환경에 따라 신경망 모델을 선택하는 객체 인식 장치 및 그 방법
WO2020107687A1 (zh) * 2018-11-27 2020-06-04 邦鼓思电子科技（上海）有限公司 一种基于视觉的工作区域边界的检测系统、方法及机器设备
CN112257498A (zh) * 2020-09-15 2021-01-22 中保车服科技服务股份有限公司 一种验车码检测模型的构建及检测方法和装置
CN113147733A (zh) * 2021-04-30 2021-07-23 东风汽车集团股份有限公司 雨雾沙尘天气汽车智能限速系统及方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020107687A1 (zh) * 2018-11-27 2020-06-04 邦鼓思电子科技（上海）有限公司 一种基于视觉的工作区域边界的检测系统、方法及机器设备
KR102029852B1 (ko) * 2019-04-09 2019-10-08 세종대학교 산학협력단 환경에 따라 신경망 모델을 선택하는 객체 인식 장치 및 그 방법
CN112257498A (zh) * 2020-09-15 2021-01-22 中保车服科技服务股份有限公司 一种验车码检测模型的构建及检测方法和装置
CN113147733A (zh) * 2021-04-30 2021-07-23 东风汽车集团股份有限公司 雨雾沙尘天气汽车智能限速系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李晓龙;陈国良;葛凯凯;: "基于四旋翼无人机的车辆自主抄牌", 计算机与现代化, no. 10, 15 October 2018 (2018-10-15) *
王家海;张宇;: "基于BP-神经网络零件装配图像检测研究", 南方农机, no. 17, 15 September 2018 (2018-09-15) *

Also Published As

Publication number Publication date
CN115082663B (zh) 2024-03-22

Similar Documents

Publication Publication Date Title
CN110044486B (zh) 用于人体检验检疫系统避免重复报警的方法、装置、设备
CN110852274B (zh) 一种基于图像识别的智能雨量感知方法及装置
RU2697826C2 (ru) Система (варианты) и способ для оценки эксплуатационных характеристик устройства оттаивания/устранения запотевания окон, а также транспортное средство, содержащее такую систему
CN108446678B (zh) 一种基于骨骼特征的危险驾驶行为识别方法
KR101280361B1 (ko) 노면 결빙 예측 및 강설 감지 시스템 및 방법
CN110406346B (zh) 基于图像采集的空调控制方法、系统及车辆
CN112758046B (zh) 一种基于智能识别的挡风玻璃清晰度控制方法与系统
CN106056968B (zh) 一种基于光学图像的车位检测方法
CN110766333B (zh) 一种天气现象信息智能处理方法及系统
CN105235646B (zh) 用于车辆的除雾控制方法、装置和设备
CN105564379A (zh) 一种汽车雨刷器自动启动系统和方法
CN106246038A (zh) 一种基于雨滴谱监测的智能窗户及其使用方法
CN104463253A (zh) 基于自适应背景学习的消防通道安全检测方法
CN115994901A (zh) 一种道路病害自动检测方法与系统
CN115082663B (zh) 一种自动控制除霜除雾系统
CN205356515U (zh) 智能数字摄像机的成像控制系统
CN109519077B (zh) 一种基于图像处理对雨水进行检测的车窗控制系统
CN109543533B (zh) 一种用于机场作业人员管理的自动识别方法
CN105376485A (zh) 基于线阵式摄像机的双向实时车辆底盘图像合成方法
CN106152388A (zh) 一种空调机组的除霜方法及装置
CN116086547B (zh) 一种基于红外成像和气象监测的接触网覆冰检测方法
CN109033984B (zh) 一种夜间雾快速自动检测方法
CN111160224B (zh) 一种基于fpga和地平线分割的高铁接触网异物检测系统及方法
CN113221603A (zh) 一种检测监控设备被异物遮挡的方法及装置
CN114782561A (zh) 基于大数据的智慧农业云平台监控系统

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