CN115880563A - 车体破损检测方法、装置、电子设备及可读存储介质 - Google Patents

Abstract

本发明涉及图像处理领域，提供一种车体破损检测方法、装置、电子设备及可读存储介质，方法包括：分别获取目标车辆在进站时段的第一图像以及在出站时段的第二图像；将第一图像和第二图像分别输入目标识别模型，得到第一识别结果和第二识别结果；目标识别模型用于分别对第一图像和第二图像中疑似破损区域进行识别；将第一识别结果与第二识别结果进行对比，基于对比的结果得到目标车辆的车体破损检测结果。通过对目标车辆进站时段的第一图像与出站时段的第二图像进行疑似破损区域的识别，并将第一识别结果与第二识别结果进行比对，确定目标车辆的车体破损检测结果，该检测过程可自动完成，相比于人工检测方式，更加高效和准确。

Description

车体破损检测方法、装置、电子设备及可读存储介质

技术领域

本发明属于图像处理领域，尤其涉及一种车体破损检测方法、装置、电子设备及可读存储介质。

背景技术

在铁路货车日常装卸作业过程中，需要借助铲车、钩机等设备辅助完成装卸任务，上述设备在使用过程中容易对货车的车体表面造成损伤，进而影响货车的使用寿命和安全性。

现有的对货车车体破损状态的检测方法一般通过相关工作人员人为观察的方式实现，人工检测的方式不仅耗时耗力，且容易出现漏检的情况，检测效率低，且检测过程不够准确和可靠。

发明内容

本发明提供一种车体破损检测方法、装置、电子设备及可读存储介质，用以解决现有技术中人工检测方式检测效率低、不够准确和可靠的缺陷，实现准确、高效的车体破损检测。

第一方面，本发明提供一种车体破损检测方法，该方法包括：

分别获取目标车辆在进站时段的第一图像以及在出站时段的第二图像；

将所述第一图像和所述第二图像分别输入目标识别模型，得到所述目标识别模型输出的第一识别结果和第二识别结果；其中，所述目标识别模型用于分别对所述第一图像和所述第二图像中疑似破损区域进行识别；

将所述第一识别结果与所述第二识别结果进行对比，基于所述对比的结果得到所述目标车辆的车体破损检测结果。

根据本发明提供的车体破损检测方法，所述将所述第一识别结果与所述第二识别结果进行对比，基于所述对比的结果得到所述目标车辆的车体破损检测结果，包括：

将所述第一识别结果中的疑似破损区域与所述第二识别结果中对应位置的疑似破损区域进行比对，若所述比对的结果为所述第一识别结果中的疑似破损区域与所述第二识别结果中对应位置的疑似破损区域不匹配，则将所述第一识别结果中所述疑似破损区域作为第一目标区域，将所述第二识别结果中所述疑似破损区域作为第二目标区域；

基于所述第一目标区域和所述第二目标区域进行可信度预测，根据所述可信度预测的结果，确定所述目标车辆的车体破损检测结果。

根据本发明提供的车体破损检测方法，所述基于所述第一目标区域和所述第二目标区域进行可信度预测，包括：

分别从所述第一目标区域和所述第二目标区域中截取关键片段；

将所述第一目标区域的关键片段和所述第二目标区域的关键片段均输入可信度预测模型，得到所述可信度预测模型输出的可信度值，将所述可信度值作为所述可信度预测的结果；

其中，所述可信度预测模型用于分别对所述第一目标区域的关键片段和所述第二目标区域的关键片段进行特征提取，并将提取到的所述特征进行融合，基于所述融合后的结果得到所述可信度值。

根据本发明提供的车体破损检测方法，所述根据所述可信度预测的结果，确定所述目标车辆的车体破损检测结果，包括：

若所述可信度值高于预设可信度阈值，则确定所述车体破损检测结果为所述目标车辆存在破损。

根据本发明提供的车体破损检测方法，所述确定所述车体破损检测结果为所述目标车辆存在破损之后，还包括：

生成预警信息，并将所述预警信息发送至关联终端；

其中，所述预警信息包括破损区域的数量、破损区域对应的图像以及可信度值中至少一种。

根据本发明提供的车体破损检测方法，所述分别获取目标车辆在进站时段的第一图像以及在出站时段的第二图像，包括：

获取所述目标车辆在进站时段和出站时段的原始图像；

对所述原始图像进行预处理，并获取预处理后所述原始图像的时间戳信息；基于所述时间戳信息，将所述预处理后的原始图像分为所述第一图像和所述第二图像；

其中，所述预处理包括图像增强、畸变校正、图像对齐以及图像切分中至少一种。

根据本发明提供的车体破损检测方法，所述分别获取目标车辆在进站时段的第一图像以及在出站时段的第二图像之后，还包括：

分别对所述第一图像和所述第二图像中车体的各节车厢编号进行识别，得到车厢编号识别结果；

将所述车厢编号识别结果与相应的所述第一图像或所述第二图像进行关联。

第二方面，本发明还提供一种车体破损检测装置，该装置包括：

获取模块，用于分别获取目标车辆在进站时段的第一图像以及在出站时段的第二图像；

第一处理模块，用于将所述第一图像和所述第二图像分别输入目标识别模型，得到所述目标识别模型输出的第一识别结果和第二识别结果；其中，所述目标识别模型用于分别对所述第一图像和所述第二图像中疑似破损区域进行识别；

第二处理模块，用于将所述第一识别结果与所述第二识别结果进行对比，基于所述对比的结果确定所述目标车辆的车体破损检测结果。

第三方面，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述车体破损检测方法的步骤。

第三方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述车体破损检测方法的步骤。

本发明提供的车体破损检测方法、装置、电子设备及可读存储介质，通过对目标车辆进站时段的第一图像与出站时段的第二图像进行疑似破损区域的识别，得到第一识别结果和第二识别结果，并将第一识别结果与第二识别结果进行比对，进而确定目标车辆的车体破损检测结果，该检测过程可以自动完成，相比于人工检测方式，更加高效和准确。

附图说明

图1是本发明提供的车体破损检测方法的流程示意图之一；

图2是本发明提供的车体破损检测方法的流程示意图之二；

图3是本发明提供的车体破损检测装置的结构示意图；

图4是本发明提供的电子设备的结构示意图。

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，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作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。

下面结合附图1至图4所示的实施例对本发明提供的车体破损检测方法、装置、电子设备及可读存储介质作进一步说明。

图1示出了本发明实施例提供的车体破损检测方法，该方法包括：

步骤101：分别获取目标车辆在进站时段的第一图像以及在出站时段的第二图像；

步骤102：将第一图像和第二图像分别输入目标识别模型，得到目标识别模型输出的第一识别结果和第二识别结果；其中，目标识别模型用于分别对第一图像和第二图像中疑似破损区域进行识别；

步骤103：将第一识别结果与第二识别结果进行对比，基于对比的结果得到目标车辆的车体破损检测结果。

本实施例提供的方法针对的应用对象主要是铁路货车，所以目标车辆可以理解为待检测的铁路货车。

由于目标车辆在进行货物装卸作业时，需要先进入货站内，在货站内装卸货物后再驶出站内，所以可以分别获取目标车辆在进站时段和出站时段的图像，第一图像和第二图像可以反映目标车辆在装卸货物前后车体的变化状况。

之后，分别识别第一图像的疑似破损区域和第二图像的疑似破损区域，得到第一识别结果和第二识别结果，通过将第一图像的第一识别结果与第二图像的第二识别结果进行比对，可以得到目标车辆的车体破损检测结果。

由于本实施例提供的检测方法可以自动实现车体破损检测，相较于人工检测方式，检测效率和检测准确性均可以得到有效提高。

在示例性实施例中，分别获取目标车辆在进站时段的第一图像以及在出站时段的第二图像，具体可以包括：

获取目标车辆在进站时段和出站时段的原始图像；

对原始图像进行预处理，并获取预处理后原始图像的时间戳信息；

基于时间戳信息，将预处理后的原始图像分为第一图像和第二图像；

其中，预处理包括图像增强、畸变校正、图像对齐以及图像切分中至少一种。

在本实施例中，可以预先在目标车辆的进出站区段内设置一组或多组检测点，各组检测点位置可以安装线阵扫描设备和来车检测设备，来车检测设备与线阵扫描设备连接，线阵扫描设备与数据处理中心通信连接，数据处理中心可以理解为本实施例提供的车体破损检测方法的执行主体。

在来车检测设备检测到有车辆驶来时，发送开机信号给线阵扫描设备做好数据采集准备工作，车辆通过过程中，线阵扫描设备采集车辆进入装卸区域之后的车辆外观图像，即原始图像，以采集车辆的外部轮廓信息，所有的图像数据通过各个线阵扫描器上的RT终端传输到设于装卸点且安装有AP信号接收设备的数据处理中心；

车辆整个通过进站区段后，来车判断设备判断车辆已过完，发送结束信号给线阵扫描设备，线阵扫描设备停止工作；

装卸作业完成后，车辆从检测点退出时，来车检测设备判断有车辆通过，发送开机信号给线阵扫描设备做好数据采集准备工作；

车辆通过过程中，线阵扫描设备采集车辆的原始图像，再次通过5G网络将数据传输到数据处理中心；

车辆整个退出检测点后，来车检测设备判断车辆已过完，发送结束信号给线阵扫描设备，线阵扫描设备停止工作；

数据处理中心接收到进出时段车辆的原始图像后将原始图像进行存储和分析，通过扫描得到的图像数据的时间戳信息可以确定是进站方向的原始图像还是出站方向的原始图像。

数据处理中心还可以对原始图像进行预处理，具体可以对原始图像做图像增强、畸变校正、图像对齐以及图像切分中至少一种处理工作。

对于图像增强，考虑到采用多组相机(即线阵扫描设备)拍摄目标车辆的原始图像的话，目标区域分区成像，拼接成一整幅图像，比如将“线扫上202205010001”与“线扫下202205010001”两个文件合并为一张图像，合并规则为concentrate，维度为1，视觉会对每幅图像数据进行提取比对，从而达到对图像增强的效果。

对于畸变校正，当采集到目标车辆的原始图像存在畸变时，原始图像中各观测部位形状都会发生不同程度的形变。线阵扫描设备的图像畸变校正方法是指首先采用基于深度学习的目标检测算法定位车辆的各关键部位，然后根据检测出的关键部位的位置框计算图形畸变率，确定原始图像各部分的畸变率数值，最后基于畸变率数值对原始图像各关键部位进行校正，实现畸变图像的复原。

对于图像对齐和图像切分，由于线阵扫描设备成像的特点，经过畸变校正之后，按照车厢高度和宽度的比例，对原始图像进行对齐、切分操作，使得切分之后的子图像中，每张子图像均包含一节车厢，从而为后续车号和车厢号的识别以及后续处理过程提供可靠的数据依据。

在示例性实施例中，分别获取目标车辆在进站时段的第一图像以及在出站时段的第二图像之后，还包括：

分别对第一图像和第二图像中车体的各节车厢编号进行识别，得到车厢编号识别结果；

将车厢编号识别结果与相应的第一图像或第二图像进行关联。

在本实施例中，为了保证目标车辆的图像数据可以分类存储，并便于对同一目标车辆的不同车厢进行检测，可以在获得第一图像和第二图像后，进一步识别目标车辆的车体上各节车厢编号。

本实施例中车厢编号的识别主要采用OCR(Optical Character Recognition，光学字符识别)算法，包括图像预处理、编号区域确定、字符分割和字符识别等步骤。

图像预处理是为了获得质量更好的图像，包括图像灰度变换、图像去噪、图像增强等预处理操作。

编号区域确定是将第一图像或第二图像中含有编号的区域从整幅图像中提取出来，在车厢编号识别过程中非常重要，编号区域内应包含完整的车号字符信息，同时不受其他非字符区域的影响。

字符分割是基于图像二值化技术，将每个字符分割以利于之后的图像识别，包括基于颜色的分割、基于特征的分割和基于模板的分割等方法。

字符识别是指识别分割后的单个字符，同时按照原来的顺序重新组合，形成完整的货车车辆编号。

车厢编号信息识别提取之后，可以将车厢编号识别结果加标签至相关的图像数据(即第一图像或第二图像)，并保存至数据库中，比如Mysql数据库中，建立索引，从而便于后续检测流程中数据的高效调取。

在本实施例中，疑似破损区域的识别主要通过目标识别模型实现，该目标检测模型可以对输入的第一图像或第二图像进行疑似破损区域的识别，输出疑似破损区域的坐标以及相应的概率。本实施例中目标识别模型基于改进的YoloV5目标检测算法构建得到。

Yolov5目标检测算法是目前YOLO系列算法的SOTA(State-Of-The-Art)，与其他的目标检测算法类似地，Yolov5目标检测算法主要由输入网络、骨干网络、特征融合网络、预测网络等结构组成。检测目标是对车体表面的缺陷进行识别，为满足工业上准确率的要求，需要在网络结构尽可能小的情况下，实现更高的精度和更快的检测速度。

为提高骨干网络对目标的特征提取能力，本实施例在骨干网络内引入软注意力机制中的卷积注意力机制模块(convolution block attention module，CBAM)，该模块可以在空间维和通道维分别推断出注意力的权重，使骨干网络能够关注到图像中关于目标的重点信息。新的骨干网络在每一个跨阶段连接网络(Cross Stage Partial，CSP)结构之后引入一个CBAM(Convolutional Block Attention Module，卷积块注意模块)。空间注意力模块将通道注意力模块中的输出数据作为该模块的输入特征图，从而更加充分的利用网络中高层特征的语义信息和底层特征的空间信息。

本实施例还在特征融合网络中引入自适应空间特征融合(Adaptive SpatialFeature Fusion，ASFF)，分别对PANet输出的3个水平特征图进行加权融合，通过增加可学习的参数抑制了梯度反传过程的不一致，从而可以充分利用不同尺度的特征。

目标识别模型的训练阶段是基于有监督的学习方式实现的，需要预先进行图像样本收集和图像标注，标注的过程主要基于先验经验实现，可以在车站工作人员的指导下进行，比如可以按照车厢编号将图像样本分为单层和多层进行标注，标注后的图像样本采用灰度变换、高斯去噪等图像增强方法进行特征增强，之后采用深度学习网络进行特征提取，具体地，深度学习网络分别采用64、128、256、128、64层卷积网络进行特征提取，并采用Relu激活函数，训练步长为0.001，通过Adam优化函数进行优化，最终训练得到目标检测模型。

在示例性实施例中，将第一识别结果与第二识别结果进行对比，基于对比的结果得到目标车辆的车体破损检测结果，具体可以包括：

将第一识别结果中的疑似破损区域与第二识别结果中对应位置的疑似破损区域进行比对，若比对的结果为第一识别结果中的疑似破损区域与第二识别结果中对应位置的疑似破损区域不匹配，则将第一识别结果中疑似破损区域作为第一目标区域，将第二识别结果中疑似破损区域作为第二目标区域；

基于第一目标区域和第二目标区域进行可信度预测，根据可信度预测的结果，确定目标车辆的车体破损检测结果。

在本实施例中，第一识别结果和第二识别结果，可以理解为在第一图像和第二图像的基础上，标注有疑似破损区域的图像，也就是说，第一识别结果为第一图像对应的标注有疑似破损区域的图像，第二识别结果为第二图像对应的标注有疑似破损区域的图像，所以第一识别结果与第二识别结果的比对，可以理解为图像与图像之间的特征匹配过程，本实施例采用基于图像特征输入梯度正则化的图像检索算法实现，这种算法也可以应用于除交叉熵损失以外的其他类型的损失函数上。

上述比对的过程具体可以通过计算相似位置的疑似破损区域的匹配度实现，具体地，可以分别提取相似位置的疑似破损区域内的关键特征点，构建关键特征点的特征描述子，之后，利用关键特征点的特征描述子，计算关键特征点之间的距离，以确定相似位置的疑似破损区域的匹配度，如果匹配度高于预设匹配度阈值，可以理解为两个疑似破损区域匹配，说明进站前后车体的同一区域无明显变化，此时车体在该区域大概率无损伤；

对匹配度小于预设匹配度阈值的疑似破损区域，可以理解为两个疑似破损区域不匹配，说明目标车辆在进站与出站两个阶段，车体的同一区域存在明显差异，此时车体存在损伤的几率较大，先对该疑似破损区域进行标识，然后进一步对该疑似破损区域进行可信度预测，根据可信度预测的结果得到最终的车体破损检测结果。

在示例性实施例中，基于第一目标区域和第二目标区域进行可信度预测，具体可以包括：

分别从第一目标区域和第二目标区域中截取关键片段；

将第一目标区域的关键片段和第二目标区域的关键片段均输入可信度预测模型，得到可信度预测模型输出的可信度值，将可信度值作为可信度预测的结果；

其中，可信度预测模型用于分别对第一目标区域的关键片段和第二目标区域的关键片段进行特征提取，并将提取到的特征进行融合，基于融合后的结果得到可信度值。

对于匹配度小于阀值的疑似破损区域，可以通过可信度预测模型进行进一步的推理，得出可信度值。本实施例中可信度预测模型的输入是从第一目标区域和第二目标区域截取的图片，即关键片段，截取的第一目标区域的关键片段和第二目标区域的关键片段分别进行64、32、16倍率的特征提取，并对提取的特征进行融合后，通过一个分类网络可以预测得到相应的可信度值。

在示例性实施例中，根据可信度预测的结果，确定目标车辆的车体破损检测结果，具体可以包括：

若可信度值高于预设可信度阈值，则确定车体破损检测结果为目标车辆存在破损。

在本实施例中，如果可信度值较高，比如高于某一预设可信度阈值，则说明第一目标区域和第二目标区域的确为破损区域，车体破损检测结果为目标车辆存在破损；如果可信度值较低，比如低于某一预设可信度阈值，则说明第一目标区域和第二目标区域并不是破损区域，上述目标识别模型的识别结果存在偏差。

在示例性实施例中，确定车体破损检测结果为目标车辆存在破损之后，还可以包括：

生成预警信息，并将预警信息发送至关联终端；

其中，预警信息包括破损区域的数量、破损区域对应的图像以及可信度值中至少一种。

在本实施例中，在确定目标车辆存在破损之后，可以将检测到的破损区域与破损区域对应的图像和可信度值等信息发送至预先建立通信关系的关联终端。

当然，考虑到本实施例针对的是铁路货车，该货车存在多节车厢，对整列货车各节车厢的破损情况进行统计，将各节车厢的破损区域、破损区域数量和类型与车辆的第一图像、第二图像、车厢编号等信息进行关联，生成破损检测报告，进而可以集中上报整列货车的报警信息。

图2示例性的示出了本实施例提供的车体破损检测方法的整体实现流程，具体可以包括：

步骤201：获取目标车辆的原始图像；

步骤202：对原始图像进行预处理，比如图像增强、畸变校正、图像对齐和图像切分等预处理操作；

步骤203：按时间戳信息区分进站方向和出站方向，从而可以将原始图像分为进站时段的第一图像以及出站时段的第二图像；

步骤204：对第一图像进行车厢编号识别，将不同车厢编号与其对应的图像关联存储；

步骤205：对第二图像进行车厢编号识别，将不同车厢编号与其对应的图像关联存储；

步骤206：对第一图像进行目标识别，主要识别第一图像中疑似破损区域；

步骤207：对第二图像进行目标识别，主要识别第二图像中疑似破损区域；

步骤208：目标识别结果比对，主要将第一图像的疑似破损区域与相应位置上第二图像的疑似破损区域进行比对，从而初步确定车体破损情况；

步骤209：破损报警，在检测到目标车辆存在车体破损情况时，上报相关信息至关联终端，实现破损报警。

综上所述，本发明实施例提供的车体破损检测方法，可以通过对进出站时段目标车辆的图像信息进行疑似破损区域的识别以及相应位置疑似破损区域的比对准确的检测目标车辆是否存在车体破损的情况，对于出现破损的车辆可以及时进行破损信息的上报，从而在很大程度上保证了车辆安全，提高了车体破损检测效率和检测准确度。

下面对本发明提供的车体破损检测装置进行描述，下文描述的车体破损检测装置与上文描述的车体破损检测方法可相互对应参照。

图3示出了本发明实施例提供的车体破损检测装置，该装置包括：

获取模块301，用于分别获取目标车辆在进站时段的第一图像以及在出站时段的第二图像；

第一处理模块302，用于将第一图像和第二图像分别输入目标识别模型，得到目标识别模型输出的第一识别结果和第二识别结果；其中，目标识别模型用于分别对第一图像和第二图像中疑似破损区域进行识别；

第二处理模块303，用于将第一识别结果与第二识别结果进行对比，基于对比的结果确定目标车辆的车体破损检测结果。

在示例性实施例中，第二处理模块303具体可以用于：

将第一识别结果中的疑似破损区域与第二识别结果中对应位置的疑似破损区域进行比对，若比对的结果为第一识别结果中的疑似破损区域与第二识别结果中对应位置的疑似破损区域不匹配，则将第一识别结果中疑似破损区域作为第一目标区域，将第二识别结果中疑似破损区域作为第二目标区域；

基于第一目标区域和第二目标区域进行可信度预测，根据可信度预测的结果，确定目标车辆的车体破损检测结果。

进一步地，第二处理模块303具体可以通过如下过程实现基于第一目标区域和第二目标区域进行可信度预测：

分别从第一目标区域和第二目标区域中截取关键片段；

将第一目标区域的关键片段和第二目标区域的关键片段均输入可信度预测模型，得到可信度预测模型输出的可信度值，将可信度值作为可信度预测的结果；

其中，可信度预测模型用于分别对第一目标区域的关键片段和第二目标区域的关键片段进行特征提取，并将提取到的特征进行融合，基于融合后的结果得到可信度值。

进一步地，第二处理模块303具体可以通过如下过程实现根据可信度预测的结果，确定目标车辆的车体破损检测结果：

若可信度值高于预设可信度阈值，则确定车体破损检测结果为目标车辆存在破损。

在示例性实施例中，本发明实施例提供的车体破损检测装置，还可以包括：

第三处理模块，用于生成预警信息，并将预警信息发送至关联终端；

其中，预警信息包括破损区域的数量、破损区域对应的图像以及可信度值中至少一种。

在示例性实施例中，获取模块301具体可以用于：

获取目标车辆在进站时段和出站时段的原始图像；

对原始图像进行预处理，并获取预处理后原始图像的时间戳信息；

基于时间戳信息，将预处理后的原始图像分为第一图像和第二图像；

其中，预处理包括图像增强、畸变校正、图像对齐以及图像切分中至少一种。

在示例性实施例中，本发明实施例提供的车体破损检测装置，还可以包括：

第四处理模块，用于分别对第一图像和第二图像中车体的各节车厢编号进行识别，得到车厢编号识别结果；将车厢编号识别结果与相应的第一图像或第二图像进行关联。

综上所述，本发明实施例提供的车体破损检测装置，通过第一处理模块对目标车辆进站时段的第一图像与出站时段的第二图像进行疑似破损区域的识别，得到第一识别结果和第二识别结果，并通过第二处理模块将第一识别结果与第二识别结果进行比对，进而确定目标车辆的车体破损检测结果，该检测过程可以自动完成，相比于人工检测方式，更加高效和准确。

图4示例了一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)401、通信接口(Communications Interface)402、存储器(memory)403和通信总线404，其中，处理器401，通信接口402，存储器403通过通信总线404完成相互间的通信。处理器401可以调用存储器403中的逻辑指令，以执行车体破损检测方法，该方法包括：分别获取目标车辆在进站时段的第一图像以及在出站时段的第二图像；将第一图像和第二图像分别输入目标识别模型，得到目标识别模型输出的第一识别结果和第二识别结果；其中，目标识别模型用于分别对第一图像和第二图像中疑似破损区域进行识别；将第一识别结果与第二识别结果进行对比，基于对比的结果得到目标车辆的车体破损检测结果。

此外，上述的存储器403中的逻辑指令可以通过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。

另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各实施例所提供的车体破损检测方法，该方法包括：分别获取目标车辆在进站时段的第一图像以及在出站时段的第二图像；将第一图像和第二图像分别输入目标识别模型，得到目标识别模型输出的第一识别结果和第二识别结果；其中，目标识别模型用于分别对第一图像和第二图像中疑似破损区域进行识别；将第一识别结果与第二识别结果进行对比，基于对比的结果得到目标车辆的车体破损检测结果。

又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行以实现上述各实施例所提供的车体破损检测方法，该方法包括：分别获取目标车辆在进站时段的第一图像以及在出站时段的第二图像；将第一图像和第二图像分别输入目标识别模型，得到目标识别模型输出的第一识别结果和第二识别结果；其中，目标识别模型用于分别对第一图像和第二图像中疑似破损区域进行识别；将第一识别结果与第二识别结果进行对比，基于对比的结果得到目标车辆的车体破损检测结果。

以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

本公开中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

本公开的保护范围不限于上述的实施例，显然，本领域的技术人员可以对本公开进行各种改动和变形而不脱离本公开的范围和精神。倘若这些改动和变形属于本公开权利要求及其等同技术的范围，则本公开的意图也包含这些改动和变形在内。

Claims (10)

1.一种车体破损检测方法，其特征在于，包括：

分别获取目标车辆在进站时段的第一图像以及在出站时段的第二图像；

将所述第一图像和所述第二图像分别输入目标识别模型，得到所述目标识别模型输出的第一识别结果和第二识别结果；其中，所述目标识别模型用于分别对所述第一图像和所述第二图像中疑似破损区域进行识别；

将所述第一识别结果与所述第二识别结果进行对比，基于所述对比的结果得到所述目标车辆的车体破损检测结果。

2.根据权利要求1所述的车体破损检测方法，其特征在于，所述将所述第一识别结果与所述第二识别结果进行对比，基于所述对比的结果得到所述目标车辆的车体破损检测结果，包括：

将所述第一识别结果中的疑似破损区域与所述第二识别结果中对应位置的疑似破损区域进行比对，若所述比对的结果为所述第一识别结果中的疑似破损区域与所述第二识别结果中对应位置的疑似破损区域不匹配，则将所述第一识别结果中所述疑似破损区域作为第一目标区域，将所述第二识别结果中所述疑似破损区域作为第二目标区域；

基于所述第一目标区域和所述第二目标区域进行可信度预测，根据所述可信度预测的结果，确定所述目标车辆的车体破损检测结果。

3.根据权利要求2所述的车体破损检测方法，其特征在于，所述基于所述第一目标区域和所述第二目标区域进行可信度预测，包括：

分别从所述第一目标区域和所述第二目标区域中截取关键片段；

将所述第一目标区域的关键片段和所述第二目标区域的关键片段均输入可信度预测模型，得到所述可信度预测模型输出的可信度值，将所述可信度值作为所述可信度预测的结果；

其中，所述可信度预测模型用于分别对所述第一目标区域的关键片段和所述第二目标区域的关键片段进行特征提取，并将提取到的所述特征进行融合，基于所述融合后的结果得到所述可信度值。

4.根据权利要求3所述的车体破损检测方法，其特征在于，所述根据所述可信度预测的结果，确定所述目标车辆的车体破损检测结果，包括：

若所述可信度值高于预设可信度阈值，则确定所述车体破损检测结果为所述目标车辆存在破损。

5.根据权利要求4所述的车体破损检测方法，其特征在于，所述确定所述车体破损检测结果为所述目标车辆存在破损之后，还包括：

生成预警信息，并将所述预警信息发送至关联终端；

其中，所述预警信息包括破损区域的数量、破损区域对应的图像以及可信度值中至少一种。

6.根据权利要求1所述的车体破损检测方法，其特征在于，所述分别获取目标车辆在进站时段的第一图像以及在出站时段的第二图像，包括：

获取所述目标车辆在进站时段和出站时段的原始图像；

对所述原始图像进行预处理，并获取预处理后所述原始图像的时间戳信息；

基于所述时间戳信息，将所述预处理后的原始图像分为所述第一图像和所述第二图像；

其中，所述预处理包括图像增强、畸变校正、图像对齐以及图像切分中至少一种。

7.根据权利要求1所述的车体破损检测方法，其特征在于，所述分别获取目标车辆在进站时段的第一图像以及在出站时段的第二图像之后，还包括：

分别对所述第一图像和所述第二图像中车体的各节车厢编号进行识别，得到车厢编号识别结果；

将所述车厢编号识别结果与相应的所述第一图像或所述第二图像进行关联。

8.一种车体破损检测装置，其特征在于，包括：

获取模块，用于分别获取目标车辆在进站时段的第一图像以及在出站时段的第二图像；

第一处理模块，用于将所述第一图像和所述第二图像分别输入目标识别模型，得到所述目标识别模型输出的第一识别结果和第二识别结果；其中，所述目标识别模型用于分别对所述第一图像和所述第二图像中疑似破损区域进行识别；

第二处理模块，用于将所述第一识别结果与所述第二识别结果进行对比，基于所述对比的结果确定所述目标车辆的车体破损检测结果。

9.一种电子设备，包括存储器、处理器及存储在所述存储器上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程序时实现如权利要求1至7任一项所述车体破损检测方法的步骤。

10.一种非暂态计算机可读存储介质，其上存储有计算机程序，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至7任一项所述车体破损检测方法的步骤。

Images