CN116309610B - 一种基于人工智能的车辆管理方法及系统 - Google Patents

Abstract

本发明涉及车辆智能管理技术领域，提供了一种基于人工智能的车辆管理方法及系统，方法包括：租赁到期后，采集车辆图像并进行区域分割，将分割所得图块输入模型中进行质量检测，获取外观质量检测结果，并进行关联分析，获得检测未通过对应的关联度集合以及检测通过对应的综合关联度，并输入模型中进行检测次数分析，对照初检进行复检约束，并确定整备项目，进行整备管理，解决无法智能确定整备的汽车质量检测项目，进而导致的汽车租赁中换车时车辆质量检测和整备效率低技术问题，对租赁车辆相关信息进行科学分析和处理，确定重点检测项目和整备的方案，提高检测效率和准确度，进而实现保障汽车租赁中换车时车辆管理效率和可靠性技术效果。

Description

一种基于人工智能的车辆管理方法及系统

技术领域

本发明涉及车辆智能管理相关技术领域，具体涉及一种基于人工智能的车辆管理方法及系统。

背景技术

车辆租赁公司对于到期未续租或不需要继续租赁的车辆，通过内部管理流程，对其进行收回和归还手续，确保车辆安全有序地回收，收回车辆后，可以对车辆进行全面检查和维护，以确保车辆的正常运转，同时，还可以对车辆进行清洗和消毒等操作，提高车辆卫生条件和使用质量。

但，目前汽车租赁中，在进行换车时需要进行车辆的质量检测和整备，以保证车辆质量，便于下次进行租赁，当前的车辆检测的效率较低，无法确定重点检测项目，以及无法智能的确定整备项目，导致租赁车辆整备管理效率低，影响车辆租赁质量和效率。

综上所述，现有技术中存在无法智能确定整备的汽车质量检测项目，进而导致的汽车租赁中换车时车辆质量检测和整备效率低的技术问题。

发明内容

本申请通过提供了一种基于人工智能的车辆管理方法及系统，旨在解决现有技术中的无法智能确定整备的汽车质量检测项目，进而导致的汽车租赁中还车时车辆质量检测和整备效率低的技术问题。

鉴于上述问题，本申请实施例提供了一种基于人工智能的车辆管理方法及系统。

本申请公开的第一个方面，提供了一种基于人工智能的车辆管理方法，其中，所述方法包括：在目标车辆的租赁时间达到预设时间阈值后，基于多个角度，采集所述目标车辆的图像，获得多个车辆图像；将所述多个车辆图像输入车辆外观质量检测模型内的图像分割模块内所述多个角度对应的多个图像分割单元内，获得多个车辆图像分割结果，多个车辆图像分割结果内包括多个车辆部分区域的分割图像，并将所述多个车辆部分区域的分割图像输入所述车辆外观质量检测模型内质量检测模块内的多个质量检测单元内，获得多个外观质量检测结果，并获得Q个不合格外观质量检测结果，Q为大于等于0的整数；按照多个检测项目，对所述目标车辆进行质量检测，获得多个项目检测结果；根据所述多个项目检测结果，在存在N个不合格检测项目时，分析所述N个不合格检测项目与其他M个检测项目的关联度，获得N个关联度集合，并计算获得M个综合关联度，M和N为大于等于1的整数；将所述M个综合关联度输入检测次数分析模型，获得M个检测次数，对所述M个检测项目进行检测，并获得P个不合格检测项目，P为大于等于0的整数；将所述Q个不合格外观质量检测结果和所述P个不合格检测项目输入整备项目数据库内，获得整备项目集合，对所述目标车辆进行整备管理。

本申请公开的另一个方面，提供了一种基于人工智能的车辆管理系统，其中，所述系统包括：车辆图像获得模块，用于在目标车辆的租赁时间达到预设时间阈值后，基于多个角度，采集所述目标车辆的图像，获得多个车辆图像；外观质量检测结果获得模块，用于将所述多个车辆图像输入车辆外观质量检测模型内的图像分割模块内所述多个角度对应的多个图像分割单元内，获得多个车辆图像分割结果，多个车辆图像分割结果内包括多个车辆部分区域的分割图像，并将所述多个车辆部分区域的分割图像输入所述车辆外观质量检测模型内质量检测模块内的多个质量检测单元内，获得多个外观质量检测结果，并获得Q个不合格外观质量检测结果，Q为大于等于0的整数；项目检测结果获取模块，用于按照多个检测项目，对所述目标车辆进行质量检测，获得多个项目检测结果；综合关联度计算模块，用于根据所述多个项目检测结果，在存在N个不合格检测项目时，分析所述N个不合格检测项目与其他M个检测项目的关联度，获得N个关联度集合，并计算获得M个综合关联度，M和N为大于等于1的整数；检测次数获得模块，用于将所述M个综合关联度输入检测次数分析模型，获得M个检测次数，对所述M个检测项目进行检测，并获得P个不合格检测项目，P为大于等于0的整数；整备管理模块，用于将所述Q个不合格外观质量检测结果和所述P个不合格检测项目输入整备项目数据库内，获得整备项目集合，对所述目标车辆进行整备管理。

本申请中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：

由于采用了租赁到期后，采集车辆图像并进行区域分割，将分割所得图块输入模型中进行质量检测，获取外观质量检测结果，并进行关联分析，获得检测未通过对应的关联度集合以及检测通过对应的综合关联度，并输入模型中进行检测次数分析，对照初检进行复检约束，并确定整备项目，进行整备管理，对租赁车辆相关信息进行科学分析和处理，确定重点检测项目和整备的方案，提高检测效率和准确度，进而实现了保障汽车租赁中换车时车辆管理效率和可靠性的技术效果。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

图1为本申请实施例提供了一种基于人工智能的车辆管理方法可能的流程示意图；

图2为本申请实施例提供了一种基于人工智能的车辆管理方法中获得多个车辆图像分割结果可能的流程示意图；

图3为本申请实施例提供了一种基于人工智能的车辆管理方法中获得M个综合关联度可能的流程示意图；

图4为本申请实施例提供了一种基于人工智能的车辆管理系统可能的结构示意图。

附图标记说明：车辆图像获得模块100，外观质量检测结果获得模块200，项目检测结果获取模块300，综合关联度计算模块400，检测次数获得模块500，整备管理模块600。

具体实施方式

本申请实施例提供了一种基于人工智能的车辆管理方法及系统，解决了无法智能确定整备的汽车质量检测项目，进而导致的汽车租赁中还车时车辆质量检测和整备效率低的技术问题，对租赁车辆相关信息进行科学分析和处理，确定重点检测项目和整备的方案，提高检测效率和准确度，进而实现了保障汽车租赁中换车时车辆管理效率和可靠性的技术效果。

在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。

实施例一

如图1所示，本申请实施例提供了一种基于人工智能的车辆管理方法，其中，所述方法包括：

S10：在目标车辆的租赁时间达到预设时间阈值后，基于多个角度，采集所述目标车辆的图像，获得多个车辆图像；

步骤S10包括步骤：

S11：获取所述多个角度，所述多个角度包括上方、下方、前方、后方、正左侧、正右侧；

S12：按照所述多个角度，采集所述目标车辆的图像，获得所述多个车辆图像。

具体而言，预设时间阈值即所述目标车辆的租赁期，一般的，可以是一个月、一个星期或任意时间段，从用户开始到指定地点完成借车开始计时，进行时长累计，在目标车辆的租赁时间达到预设时间阈值后，并且，目标车辆到期未续租或不需要继续租赁后，执行本申请实施例的方法。

对所述目标车辆进行多个角度的图像采集，获得多个车辆图像，基于多个角度，采集所述目标车辆的图像，获得多个车辆图像，包括，所述多个角度至少包括上方、下方、前方、后方、正左侧、正右侧；在所述目标车辆归还到指定地点后，分别从所述多个角度对所述目标车辆进行图像采集，获得多个车辆图像，所述多个车辆图像至少包括所述目标车辆的正上方的车辆图像、正下方的车辆图像、前方的车辆图像、后方的车辆图像、正左侧的车辆图像、正右侧的车辆图像，为进行车辆外观检测提供基础。

S20：将所述多个车辆图像输入车辆外观质量检测模型内的图像分割模块内所述多个角度对应的多个图像分割单元内，获得多个车辆图像分割结果，多个车辆图像分割结果内包括多个车辆部分区域的分割图像，并将所述多个车辆部分区域的分割图像输入所述车辆外观质量检测模型内质量检测模块内的多个质量检测单元内，获得多个外观质量检测结果，并获得Q个不合格外观质量检测结果，Q为大于等于0的整数；

如图2所示，步骤S20包括步骤：

S21：基于所述多个角度，获取多个样本车辆图像集合，并进行图像分割，获得多个样本车辆图像分割结果集合；

S22：分别采用所述多个样本车辆图像集合和所述多个样本车辆图像分割结果集合作为构建数据，构建所述多个图像分割单元，获得所述图像分割模块；

S23：分别将所述多个车辆图像输入对应的所述多个图像分割单元内，获得所述多个车辆图像分割结果。

具体而言，将所述多个车辆图像输入车辆外观质量检测模型内的图像分割模块内所述多个角度对应的多个图像分割单元内，获得多个车辆图像分割结果，包括，多个车辆图像分割结果内包括多个车辆部分区域的分割图像，在过去一年内，对照所述多个角度，采集所述目标车辆的多个角度图像，获取多个车辆历史图像，按照正上方的车辆历史图像、正下方的车辆历史图像、前方的车辆历史图像、后方的车辆历史图像、正左侧的车辆历史图像、正右侧的车辆历史图像对所述多个车辆历史图像进行划分，获取所述多个样本车辆图像集合，所述多个样本车辆图像集合中的图像包括采集对应的时序信息，将过去一年内的车辆历史图像作为样本，多个样本车辆图像集合包括正上方车辆历史图像集合、正下方车辆历史图像集合、前方车辆历史图像集合、后方车辆历史图像集合、正左侧车辆历史图像集合、正右侧车辆历史图像集合；

基于所述目标车辆的构造与所述多个角度，进行图像分割，获得多个样本车辆图像分割结果集合，比如：对照目标车辆的构造，在前方的车辆图像中包括目标车辆的中网、车牌、挡风玻璃、机盖等，即在所述多个样本车辆图像集合中的前方车辆历史图像集合中，按照标车辆的中网、车牌、挡风玻璃、机盖进行分割和类别标识，获得多个样本车辆图像分割结果集合，所述多个样本车辆图像分割结果集合包括正上方车辆历史图像分割结果集合、正下方车辆历史图像分割结果集合、前方车辆历史图像分割结果集合、后方车辆历史图像分割结果集合、正左侧车辆历史图像分割结果集合、正右侧车辆历史图像分割结果集合，所述前方车辆历史图像分割结果集合内部至少包括中网图像分割结果子集合、车牌图像分割结果子集合、挡风玻璃图像分割结果子集合、机盖图像分割结果子集合；在正左侧的车辆图像中包括目标车辆的对左侧包围、左侧车门、左侧翼子板，左侧A柱、B柱、C柱等，不进行一一展开说明；

以语义分割中的全卷积神经网络为模型基础，分别采用所述多个样本车辆图像集合和所述多个样本车辆图像分割结果集合作为构建数据，分别对应构建所述多个图像分割单元，对所述多个图像分割单元进行并行同步运行，将所述多个图像分割单元中的正上方车辆历史图像分割结果集合构建所得的正上方图像分割单元作为第一处理通道；将所述多个图像分割单元中的正下方车辆历史图像分割结果集合构建所得的正下方图像分割单元作为第二处理通道；将所述多个图像分割单元中的前方车辆历史图像分割结果集合构建所得的前方图像分割单元作为第三处理通道；将所述多个图像分割单元中的后方车辆历史图像分割结果集合构建所得的后方图像分割单元作为第四处理通道；将所述多个图像分割单元中的正左侧车辆历史图像分割结果集合构建所得的正左侧图像分割单元作为第五处理通道；将所述多个图像分割单元中的正右侧车辆历史图像分割结果集合构建所得的正右侧图像分割单元作为第六处理通道；

对所述正上方图像分割单元、所述正下方图像分割单元、所述前方图像分割单元、所述后方图像分割单元、所述正左侧图像分割单元、所述正右侧图像分割单元作为并行处理通道合并，并行处理通道合并得到所述图像分割模块；分别将所述多个车辆图像输入所述图像分割模块中对应的所述多个图像分割单元内，不同角度对应不同图像分割单元，进行不同区域的分割，对应获得所述多个车辆图像分割结果，进而可将多个车辆图像内不同车辆部分区域的图像进行分割，获得多个车辆部分区域的分割图像，为进行车辆图像智能分割提供模型基础。

步骤S22包括步骤：

S221：基于语义分割中的全卷积神经网络，分别构建所述多个图像分割单元内的多个编码器和多个解码器；

S222：分别采用所述多个样本车辆图像集合和所述多个样本车辆图像分割结果集合作为构建数据，对所述多个编码器和多个解码器进行监督训练、验证和测试；

S223：在符合第一收敛条件的情况下，获得所述多个图像分割单元。

具体而言，分别采用所述多个样本车辆图像集合和所述多个样本车辆图像分割结果集合作为构建数据，构建所述多个图像分割单元，包括，基于语义分割中的全卷积神经网络的FCN（Fully Convolutional Networks）架构，所述FCN架构图包括卷积、池化过程、反卷积和反池化过程，最后使用一个像素分类输出层，将每个像素映射到一个特定类，形成了一个编码器-解码器架构，基于此，分别构建所述多个图像分割单元内的多个编码器和多个解码器，所述多个图像分割单元内的多个编码器和多个解码器相对应；

分别采用所述多个样本车辆图像集合和所述多个样本车辆图像分割结果集合作为构建数据，设置图像分割的训练数据、验证数据、测试数据，对所述多个编码器和多个解码器进行监督训练、验证和测试；

将所述正上方车辆历史图像集合以及正上方车辆历史图像分割结果集合作为构建数据中的第一构建数据，按照8∶1∶1的比例将所述第一构建数据划分为第一训练集、第一验证集和第一测试集，采用作为第一训练集对所述编码器和所述解码器进行监督训练，在训练完成后，采用所述第一验证集和所述第一测试集对所述编码器和所述解码器进行验证和测试，若第一准确率符合预设的第一收敛条件，则将训练完成的编码器和解码器作所述多个图像分割单元中的正上方图像分割单元，其中，第一准确率=第一测试集的测试通过次数/第一测试集的测试总次数×100%，所述第一收敛条件可以是准确度不低于85%；

本实施例按照正上方图像分割单元的监督训练、验证和测试步骤，重复进行执行上述步骤，进而得到正下方图像分割单元、前方图像分割单元、后方图像分割单元、正左侧图像分割单元以及正右侧图像分割单元，确定所述多个图像分割单元，通过训练图像的进行高精度语义分割，提升车辆图像分割的精度。

步骤S20包括步骤：

S24：根据所述多个车辆部分区域，基于卷积神经网络，构建所述多个质量检测单元；

S25：分别获取所述多个车辆部分区域的多个样本分割图像集合，并进行外观是否质量合格的检测标识，获得多个样本外观质量检测结果集合；

S26：分别采用所述多个样本分割图像集合和所述多个样本外观质量检测结果集合作为构建数据，对所述多个质量检测单元进行监督训练、验证和测试，在符合第二收敛条件的情况下，获得所述多个质量检测单元，获得所述质量检测模块；

S27：将所述多个车辆部分区域的分割图像输入所述多个质量检测单元内，获得所述多个外观质量检测结果。

具体而言，将所述多个车辆部分区域的分割图像输入所述车辆外观质量检测模型内质量检测模块内的多个质量检测单元内，获得多个外观质量检测结果，并获取其中不合格的Q个外观质量检测结果，Q为大于等于0的整数。具体包括，在完成图像分割后，需要对不同的分区进行质量检测，一个区域对应一个质量检测单元，由此：根据所述多个车辆部分区域，基于卷积神经网络，构建所述多个质量检测单元，比如中网对应一个中网质量检测单元，车牌图像分割区域对应一个车牌质量检测单元；

根据历史时间内车辆整备的历史图像数据，基于上述的方法，分别获取多个车辆部分区域的多个样本分割图像集合，并进行外观是否质量合格的检测标识，获得多个样本外观质量检测结果集合。

示例性地，依照GB 1589-2016《汽车、挂车及汽车列车外廓尺寸、轴荷及质量限值》、GA801-2019《机动车查验工作规程》等相关统一的行业标准，进行外观是否质量合格的检测标识，获得多个样本外观质量检测结果集合，所述检测标识包括质量合格或质量不合格；

分别采用所述多个样本分割图像集合和所述多个样本外观质量检测结果集合作为构建数据，设置质量检测的训练数据、验证数据、测试数据，对所述多个质量检测单元进行监督训练、验证和测试，在符合第二收敛条件的情况下，获得所述多个质量检测单元，其中，所述多个质量检测单元包括中网质量检测单元、车牌质量检测单元、挡风玻璃质量检测单元、机盖质量检测单元等多个质量检测单元，将所述多个质量检测单元作为并行处理通道合并，获得所述质量检测模块；

在将所述多个车辆图像输入对应的所述多个图像分割单元内并获得所述多个车辆图像分割结果后，将所述多个车辆图像分割结果对应的所述多个车辆部分区域的分割图像输入对应的所述多个质量检测单元内，依照所述目标车辆的质量检测标准，分别对所述目标车辆的不同位置进行外观质量检测，获得所述多个外观质量检测结果，并获得Q个不合格外观质量检测结果，所述外观质量检测结果包括外观是否质量合格的检测标识，排除目视检查的主观性，对照行业统一标准设置科学的检测标准和流程，提高汽车外观质量检测的准确性。

S30：按照多个检测项目，对所述目标车辆进行质量检测，获得多个项目检测结果；

S40：根据所述多个项目检测结果，在存在N个不合格检测项目时，分析所述N个不合格检测项目与其他M个检测项目的关联度，获得N个关联度集合，并计算获得M个综合关联度，M和N为大于等于1的整数；

如图3所示，步骤S40包括步骤：

S41：获取所述多个检测项目在历史时间内进行质量检测的多个检测数据，每个检测数据内包括所述多个检测项目是否出现不合格的数据；

S42：获取所述N个不合格检测项目在所述多个检测数据内出现不合格的次数，获得N个不合格次数；

S43：分别获取所述M个检测项目与所述N个不合格检测项目中每个不合格检测项目同时出现不合格的次数与对应的不合格次数的比值，获得所述N个关联度集合，每个关联度集合内包括所述M个检测项目与一个不合格检测项目的M个关联度；

S44：根据所述N个关联度集合，进行加和计算，获得所述M个综合关联度。

具体而言，除了前述内容中的外观质量检测，在进行车辆交接检查过程中，对应的所述多个检测项目至少包括室内设施中的摇窗机、后视镜、安全带、安全气囊以及备用工具中的备胎、千斤顶、防盗锁以及发动机部分的水箱盖、储水罐、刹车油盖、机油尺、电瓶液及机油、防冻液、变速箱以及发动车辆中的雨刷器、机油表、怠速、汽油表、水温表以及缓慢驾驶中的刹车及手刹车、离合器、里程表、转向机、档位在内的质量检测项目，按照多个检测项目，对所述目标车辆进行质量检测，获得多个项目检测结果，所述项目检测结果包括检测项目是否质量合格的检测标识；

本申请实施例还包括：按照多个检测项目，对所述目标车辆进行质量检测，获得多个项目检测结果，比如，发动机部分的水箱盖、储水罐、刹车油盖、机油尺、电瓶液及机油、防冻液、变速箱，检车发动机内的各连接部分有无漏液；缓慢驾驶中的刹车及手刹车、离合器、里程表、转向机、档位，检查传动部分有无异响，多个检测项目的质量检测均采用现有技术，不做具体展开；

根据所述多个项目检测结果，在所述项目检测结果包括检测项目质量不合格的检测标识时，进行不合格检测项目统计，获取N个不合格检测项目，其中，N为正整数，在存在N个不合格检测项目时，即N大于等于1时，分析所述N个不合格检测项目与其他M个检测项目的关联度，获得N个关联度集合，并计算获得M个综合关联度，包括，所述多个检测项目中共包括N个不合格检测项目与其他M个检测项目，所述历史时间可以是过去一年内的，基于人工智能的车辆管理系统中的数据存储单元，将质量检测作为检索内容，设置第一检索符，利用所述第一检索符在所述数据存储单元中检索，获取所述多个检测项目在过去一年内进行质量检测的多个检测数据，每个检测数据内包括所述多个检测项目是否出现不合格的数据，不合格的数据可以是储水罐及其连接部分漏液、发动机舱内的水壶及其连接部分漏防冻液等；

所述N个不合格检测项目在所述多个检测数据内出现不合格的次数≥1且为整数，获取所述N个不合格检测项目在所述多个检测数据内出现不合格的次数，将所述N个不合格检测项目在所述多个检测数据内出现不合格的次数记为N个不合格次数；

分别获取所述M个检测项目与所述N个不合格检测项目中每个不合格检测项目同时出现不合格的次数与对应的不合格次数的比值，获得所述N个关联度集合，每个关联度集合内包括所述M个检测项目与一个不合格检测项目的M个关联度，比如，不合格检测项目A在多个检测数据里出现不合格的次数为10、检测项目B与不合格检测项目A在多个检测数据里同时出现不合格的次数为5，由此，B与A的关联度就是0.5，示例性的，若发生灭火器遗失，千斤顶遗失及其备胎遗失的关联度不低于0.5；

在计算得到所述N个关联度集合后，根据所述N个关联度集合中的元素，对照所述M个检测项目依次进行加和计算，计算获得所述M个综合关联度，比如，N=2，M=5，将第一个不合格的项目记为N₁，将第二个不合格的项目记为N₂，将第一个合格的项目记为M₁，将第二个合格的项目记为M₂，将第三个合格的项目记为M₃，将第四个合格的项目记为M₄，将第五个合格的项目记为M₅，对应的第一个关联度集合={N₁-M₁，N₁-M₂，N₁-M₃，N₁-M₄，N₁-M₅}，对应的第二个关联度集合={N₂-M₁，N₂-M₂，N₂-M₃，N₂-M₄，N₂-M₅}，对第一个关联度集合、第二个关联度集合进行加和计算，即得到获得5个综合关联度：N₁-M₁+N₂-M₁、N₁-M₂+N₂-M₂、N₁-M₃+N₂-M₃、N₁-M₄+N₂-M₄、N₁-M₅+N₂-M₅，为进行租赁车辆整备排除提供支持。

S50：将所述M个综合关联度输入检测次数分析模型，获得M个检测次数，对所述M个检测项目进行检测，并获得P个不合格检测项目，P为大于等于0的整数；

步骤S50包括步骤：

S51：根据历史时间内的车辆管理数据，获取样本综合关联度集合，并设置获得对应的样本检测次数集合；

S52：采用所述样本综合关联度集合和所述样本检测次数集合作为构建数据，基于决策树，构建所述检测次数分析模型；

S53：将所述M个综合关联度输入所述检测次数分析模型内，获得所述M个检测次数。

具体而言，所述M个综合关联度输入检测次数分析模型，获得M个检测次数，包括，所述历史时间可以是过去一年内的，基于人工智能的车辆管理系统中的数据存储单元，将车辆管理数据作为检索内容，设置第二检索符，利用所述第二检索符在所述数据存储单元中检索，检索提取样本综合关联度集合，并设置获得对应的样本检测次数集合，获取过去一年内的多个综合关联度，其中，所述过去一年内的多个综合关联度包括对应的时序信息，按照所述过去一年内的多个综合关联度对应的时序信息对所述多个综合关联度进行区分，获取所述样本综合关联度集合中的各个元素，所述样本检测次数集合中的元素即对合格的检测项目进行复检的检测次数，可通过本领域技术人员进行设置，在所述时序信息中的同一个时序点下，样本检测次数与所述综合关联度成正比，综合关联度越大，样本检测次数越多，即对与不合格检测项目关联度越大的检测项目进行越多次数的复检。依照所述样本综合关联度集合，本领域技术人员对应设置样本检测次数集合，所述样本综合关联度集合与所述样本检测次数集合相对应；

同时，在设置样本检测次数集合时，利用样本检测次数与所述综合关联度成正比，在计算后若计算所得数据非整数，可以利用函数ceil进行向上取整，基于决策树，采用所述样本综合关联度集合和所述样本检测次数集合作为构建数据，将所述样本综合关联度集合中的元素作为分类特征，构建所述检测次数分析模型，以决策树为模型基础，细化的分类对后续进行精确分析提供了基础；

将所述M个综合关联度作为输入数据，输入所述检测次数分析模型内，通过所述检测次数分析模型分别对所述M个综合关联度进行检测次数比对分析，获得所述M个检测次数，所述M个检测次数与所述M个综合关联度一一对应，对合格的所述M个检测项目进行复检，并总共获得P个不合格检测项目，P为大于等于0的整数，P大于等于N，按照经验数据在合格的检测项目进行复检过程进行检测次数约束，为保证租赁车到期后收回车的初检、复检的合理性提供支持。

S60：将所述Q个不合格外观质量检测结果和所述P个不合格检测项目输入整备项目数据库内，获得整备项目集合，对所述目标车辆进行整备管理。

步骤S60包括步骤：

S61：分别获取所述多个车辆部分区域出现不合格外观质量检测结果时的多个外观整备项目；

S62：分别获取所述多个检测项目为不合格检测项目时的多个整备项目；

S63：以所述多个车辆部分区域和所述多个检测项目作为索引，以所述多个外观整备项目和所述多个整备项目为数据，构建所述整备项目数据库。

具体而言，将所述Q个不合格外观质量检测结果和所述P个不合格检测项目输入整备项目数据库内，获得整备项目集合，包括，所述整备项目集合中包括补漆，钣金，换胎，保养发动机等整备项目，分别获取所述多个车辆部分区域出现不合格外观质量检测结果时的多个外观整备项目，不合格外观质量检测结果时的多个外观整备项目可以是补漆等外观整备项目；分别获取所述多个检测项目为不合格检测项目时的多个整备项目，不合格检测项目时的多个整备项目可以是换胎，保养发动机等整备项目；

以所述多个车辆部分区域和所述多个检测项目作为索引，将所述多个外观整备项目和所述多个整备项目作为索引所对应存储空间内的存储数据，构建所述整备项目数据库，将所述Q个不合格外观质量检测结果和所述P个不合格检测项目输入整备项目数据库内，在索引中进行比对，获得整备项目集合，利用所述整备项目集合对所述目标车辆进行整备管理，智能的确定整备项目。

综上所述，本申请实施例所提供的一种基于人工智能的车辆管理方法及系统具有如下技术效果：

1．由于采用了租赁到期后，采集车辆图像并进行区域分割，将分割所得图块输入模型中进行质量检测，获取外观质量检测结果，并进行关联分析，获得检测未通过对应的关联度集合以及检测通过对应的综合关联度，并输入模型中进行检测次数分析，对照初检进行复检约束，并确定整备项目，进行整备管理，本申请通过提供了一种基于人工智能的车辆管理方法及系统，对租赁车辆相关信息进行科学分析和处理，确定重点检测项目和整备的方案，提高检测效率和准确度，进而实现了保障汽车租赁中换车时车辆管理效率和可靠性的技术效果。

2．由于采用了构建多个质量检测单元；分别获取多个样本分割图像集合、多个样本外观质量检测结果集合；进行监督训练、验证和测试获得多个质量检测单元并获得质量检测模块；将多个车辆部分区域的分割图像输入多个质量检测单元内，获得多个外观质量检测结果，排除目视检查的主观性，对照行业统一标准设置科学的检测标准和流程，提高质量检测的准确性。

实施例二

基于与前述实施例中一种基于人工智能的车辆管理方法相同的发明构思，如图4所示，本申请实施例提供了一种基于人工智能的车辆管理系统，其中，所述系统包括：

车辆图像获得模块100，用于在目标车辆的租赁时间达到预设时间阈值后，基于多个角度，采集所述目标车辆的图像，获得多个车辆图像；

外观质量检测结果获得模块200，用于将所述多个车辆图像输入车辆外观质量检测模型内的图像分割模块内所述多个角度对应的多个图像分割单元内，获得多个车辆图像分割结果，多个车辆图像分割结果内包括多个车辆部分区域的分割图像，并将所述多个车辆部分区域的分割图像输入所述车辆外观质量检测模型内质量检测模块内的多个质量检测单元内，获得多个外观质量检测结果，并获得Q个不合格外观质量检测结果，Q为大于等于0的整数；

项目检测结果获取模块300，用于按照多个检测项目，对所述目标车辆进行质量检测，获得多个项目检测结果；

综合关联度计算模块400，用于根据所述多个项目检测结果，在存在N个不合格检测项目时，分析所述N个不合格检测项目与其他M个检测项目的关联度，获得N个关联度集合，并计算获得M个综合关联度，M和N为大于等于1的整数；

检测次数获得模块500，用于将所述M个综合关联度输入检测次数分析模型，获得M个检测次数，对所述M个检测项目进行检测，并获得P个不合格检测项目，P为大于等于0的整数；

整备管理模块600，用于将所述Q个不合格外观质量检测结果和所述P个不合格检测项目输入整备项目数据库内，获得整备项目集合，对所述目标车辆进行整备管理。

进一步的，所述系统包括：

角度获取模块，用于获取所述多个角度，所述多个角度包括上方、下方、前方、后方、正左侧、正右侧；

车辆图像获取模块，用于按照所述多个角度，采集所述目标车辆的图像，获得所述多个车辆图像。

进一步的，所述系统包括：

样本车辆图像集合获取模块，用于基于所述多个角度，获取多个样本车辆图像集合，并进行图像分割，获得多个样本车辆图像分割结果集合；

图像分割单元构建模块，用于分别采用所述多个样本车辆图像集合和所述多个样本车辆图像分割结果集合作为构建数据，构建所述多个图像分割单元，获得所述图像分割模块；

车辆图像分割结果获取模块，用于分别将所述多个车辆图像输入对应的所述多个图像分割单元内，获得所述多个车辆图像分割结果。

进一步的，所述系统包括：

编码器、解码器构建模块，用于基于语义分割中的全卷积神经网络，分别构建所述多个图像分割单元内的多个编码器和多个解码器；

第一监督训练、验证和测试模块，用于分别采用所述多个样本车辆图像集合和所述多个样本车辆图像分割结果集合作为构建数据，对所述多个编码器和多个解码器进行监督训练、验证和测试；

图像分割单元获取模块，用于在符合第一收敛条件的情况下，获得所述多个图像分割单元。

进一步的，所述系统包括：

质量检测单元构建模块，用于根据所述多个车辆部分区域，基于卷积神经网络，构建所述多个质量检测单元；

检测标识模块，用于分别获取所述多个车辆部分区域的多个样本分割图像集合，并进行外观是否质量合格的检测标识，获得多个样本外观质量检测结果集合；

第二监督训练、验证和测试模块，用于分别采用所述多个样本分割图像集合和所述多个样本外观质量检测结果集合作为构建数据，对所述多个质量检测单元进行监督训练、验证和测试，在符合第二收敛条件的情况下，获得所述多个质量检测单元，获得所述质量检测模块；

外观质量检测结果获取模块，用于将所述多个车辆部分区域的分割图像输入所述多个质量检测单元内，获得所述多个外观质量检测结果。

进一步的，所述系统包括：

检测数据获取模块，用于获取所述多个检测项目在历史时间内进行质量检测的多个检测数据，每个检测数据内包括所述多个检测项目是否出现不合格的数据；

不合格次数获取模块，用于获取所述N个不合格检测项目在所述多个检测数据内出现不合格的次数，获得N个不合格次数；

关联度集合获取模块，用于分别获取所述M个检测项目与所述N个不合格检测项目中每个不合格检测项目同时出现不合格的次数与对应的不合格次数的比值，获得所述N个关联度集合，每个关联度集合内包括所述M个检测项目与一个不合格检测项目的M个关联度；

综合关联度获取模块，用于根据所述N个关联度集合，进行加和计算，获得所述M个综合关联度。

进一步的，所述系统包括：

样本检测次数集合设置模块，用于根据历史时间内的车辆管理数据，获取样本综合关联度集合，并设置获得对应的样本检测次数集合；

检测次数分析模型构建模块，用于采用所述样本综合关联度集合和所述样本检测次数集合作为构建数据，基于决策树，构建所述检测次数分析模型；

检测次数分析模块，用于将所述M个综合关联度输入所述检测次数分析模型内，获得所述M个检测次数。

进一步的，所述系统包括：

外观整备项目获得模块，用于分别获取所述多个车辆部分区域出现不合格外观质量检测结果时的多个外观整备项目；

整备项目获取模块，用于分别获取所述多个检测项目为不合格检测项目时的多个整备项目；

整备项目数据库构建模块，用于以所述多个车辆部分区域和所述多个检测项目作为索引，以所述多个外观整备项目和所述多个整备项目为数据，构建所述整备项目数据库。

综上所述的方法的任意步骤都可作为计算机指令或者程序存储在不设限制的计算机存储器中，并可以被不设限制的计算机处理器调用识别用以实现本申请实施例中的任一项方法，在此不做多余限制。

进一步的，综上所述的第一或第二可能不止代表次序关系，也可能代表某项特指概念，和/或指的是多个元素之间可单独或全部选择。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。

Claims (8)

1.一种基于人工智能的车辆管理方法，其特征在于，所述方法包括：

在目标车辆的租赁时间达到预设时间阈值后，基于多个角度，采集所述目标车辆的图像，获得多个车辆图像；

将所述多个车辆图像输入车辆外观质量检测模型内的图像分割模块内所述多个角度对应的多个图像分割单元内，获得多个车辆图像分割结果，多个车辆图像分割结果内包括多个车辆部分区域的分割图像，并将所述多个车辆部分区域的分割图像输入所述车辆外观质量检测模型内质量检测模块内的多个质量检测单元内，获得多个外观质量检测结果，并获得Q个不合格外观质量检测结果，Q为大于等于0的整数；

按照多个检测项目，对所述目标车辆进行质量检测，获得多个项目检测结果；

根据所述多个项目检测结果，在存在N个不合格检测项目时，分析所述N个不合格检测项目与其他M个检测项目的关联度，获得N个关联度集合，并计算获得M个综合关联度，M和N为大于等于1的整数；

将所述M个综合关联度输入检测次数分析模型，获得M个检测次数，对所述M个检测项目进行检测，并获得P个不合格检测项目，P为大于等于0的整数；

将所述Q个不合格外观质量检测结果和所述P个不合格检测项目输入整备项目数据库内，获得整备项目集合，对所述目标车辆进行整备管理；

其中，分析所述N个不合格检测项目与其他M个检测项目的关联度，包括：

获取所述多个检测项目在历史时间内进行质量检测的多个检测数据，每个检测数据内包括所述多个检测项目是否出现不合格的数据；

获取所述N个不合格检测项目在所述多个检测数据内出现不合格的次数，获得N个不合格次数；

分别获取所述M个检测项目与所述N个不合格检测项目中每个不合格检测项目同时出现不合格的次数与对应的不合格次数的比值，获得所述N个关联度集合，每个关联度集合内包括所述M个检测项目与一个不合格检测项目的M个关联度；

根据所述N个关联度集合，进行加和计算，获得所述M个综合关联度。

2.根据权利要求1所述的方法，其特征在于，基于多个角度，采集所述目标车辆的图像，获得多个车辆图像，包括：

获取所述多个角度，所述多个角度包括上方、下方、前方、后方、正左侧、正右侧；

按照所述多个角度，采集所述目标车辆的图像，获得所述多个车辆图像。

3.根据权利要求2所述的方法，其特征在于，将所述多个车辆图像输入车辆外观质量检测模型内的图像分割模块内所述多个角度对应的多个图像分割单元内，获得多个车辆图像分割结果，包括：

基于所述多个角度，获取多个样本车辆图像集合，并进行图像分割，获得多个样本车辆图像分割结果集合；

分别采用所述多个样本车辆图像集合和所述多个样本车辆图像分割结果集合作为构建数据，构建所述多个图像分割单元，获得所述图像分割模块；

分别将所述多个车辆图像输入对应的所述多个图像分割单元内，获得所述多个车辆图像分割结果。

4.根据权利要求3所述的方法，其特征在于，分别采用所述多个样本车辆图像集合和所述多个样本车辆图像分割结果集合作为构建数据，构建所述多个图像分割单元，包括：

基于语义分割中的全卷积神经网络，分别构建所述多个图像分割单元内的多个编码器和多个解码器；

分别采用所述多个样本车辆图像集合和所述多个样本车辆图像分割结果集合作为构建数据，对所述多个编码器和多个解码器进行监督训练、验证和测试；

在符合第一收敛条件的情况下，获得所述多个图像分割单元。

5.根据权利要求3所述的方法，其特征在于，将所述多个车辆部分区域的分割图像输入所述车辆外观质量检测模型内质量检测模块内的多个质量检测单元内，包括：

根据所述多个车辆部分区域，基于卷积神经网络，构建所述多个质量检测单元；

分别获取所述多个车辆部分区域的多个样本分割图像集合，并进行外观是否质量合格的检测标识，获得多个样本外观质量检测结果集合；

分别采用所述多个样本分割图像集合和所述多个样本外观质量检测结果集合作为构建数据，对所述多个质量检测单元进行监督训练、验证和测试，在符合第二收敛条件的情况下，获得所述多个质量检测单元，获得所述质量检测模块；

将所述多个车辆部分区域的分割图像输入所述多个质量检测单元内，获得所述多个外观质量检测结果。

6.根据权利要求1所述的方法，其特征在于，将所述M个综合关联度输入检测次数分析模型，获得M个检测次数，包括：

根据历史时间内的车辆管理数据，获取样本综合关联度集合，并设置获得对应的样本检测次数集合；

采用所述样本综合关联度集合和所述样本检测次数集合作为构建数据，基于决策树，构建所述检测次数分析模型；

将所述M个综合关联度输入所述检测次数分析模型内，获得所述M个检测次数。

7.根据权利要求1所述的方法，其特征在于，将所述Q个不合格外观质量检测结果和所述P个不合格检测项目输入整备项目数据库内，获得整备项目集合，包括：

分别获取所述多个车辆部分区域出现不合格外观质量检测结果时的多个外观整备项目；

分别获取所述多个检测项目为不合格检测项目时的多个整备项目；

以所述多个车辆部分区域和所述多个检测项目作为索引，以所述多个外观整备项目和所述多个整备项目为数据，构建所述整备项目数据库。

8.一种基于人工智能的车辆管理系统，其特征在于，用于实施权利要求1-7任意一项所述的一种基于人工智能的车辆管理方法，包括：

车辆图像获得模块，用于在目标车辆的租赁时间达到预设时间阈值后，基于多个角度，采集所述目标车辆的图像，获得多个车辆图像；

外观质量检测结果获得模块，用于将所述多个车辆图像输入车辆外观质量检测模型内的图像分割模块内所述多个角度对应的多个图像分割单元内，获得多个车辆图像分割结果，多个车辆图像分割结果内包括多个车辆部分区域的分割图像，并将所述多个车辆部分区域的分割图像输入所述车辆外观质量检测模型内质量检测模块内的多个质量检测单元内，获得多个外观质量检测结果，并获得Q个不合格外观质量检测结果，Q为大于等于0的整数；

项目检测结果获取模块，用于按照多个检测项目，对所述目标车辆进行质量检测，获得多个项目检测结果；

综合关联度计算模块，用于根据所述多个项目检测结果，在存在N个不合格检测项目时，分析所述N个不合格检测项目与其他M个检测项目的关联度，获得N个关联度集合，并计算获得M个综合关联度，M和N为大于等于1的整数；

检测次数获得模块，用于将所述M个综合关联度输入检测次数分析模型，获得M个检测次数，对所述M个检测项目进行检测，并获得P个不合格检测项目，P为大于等于0的整数；

整备管理模块，用于将所述Q个不合格外观质量检测结果和所述P个不合格检测项目输入整备项目数据库内，获得整备项目集合，对所述目标车辆进行整备管理；

检测数据获取模块，用于获取所述多个检测项目在历史时间内进行质量检测的多个检测数据，每个检测数据内包括所述多个检测项目是否出现不合格的数据；

不合格次数获取模块，用于获取所述N个不合格检测项目在所述多个检测数据内出现不合格的次数，获得N个不合格次数；

关联度集合获取模块，用于分别获取所述M个检测项目与所述N个不合格检测项目中每个不合格检测项目同时出现不合格的次数与对应的不合格次数的比值，获得所述N个关联度集合，每个关联度集合内包括所述M个检测项目与一个不合格检测项目的M个关联度；

综合关联度获取模块，用于根据所述N个关联度集合，进行加和计算，获得所述M个综合关联度。