CN116894937B - 获取车轮定位仪参数的方法、系统及电子设备 - Google Patents

获取车轮定位仪参数的方法、系统及电子设备 Download PDF

Info

Publication number
CN116894937B
CN116894937B CN202310753211.1A CN202310753211A CN116894937B CN 116894937 B CN116894937 B CN 116894937B CN 202310753211 A CN202310753211 A CN 202310753211A CN 116894937 B CN116894937 B CN 116894937B
Authority
CN
China
Prior art keywords
image
processed
wheel
target
model
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.)
Active
Application number
CN202310753211.1A
Other languages
English (en)
Other versions
CN116894937A (zh
Inventor
加阳
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.)
Delian Yikong Technology Beijing Co ltd
Original Assignee
Delian Yikong Technology Beijing 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 Delian Yikong Technology Beijing Co ltd filed Critical Delian Yikong Technology Beijing Co ltd
Priority to CN202310753211.1A priority Critical patent/CN116894937B/zh
Publication of CN116894937A publication Critical patent/CN116894937A/zh
Application granted granted Critical
Publication of CN116894937B publication Critical patent/CN116894937B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/245—Aligning, centring, orientation detection or correction of the image by locating a pattern; Special marks for positioning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance
    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Accounting & Taxation (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Finance (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供了一种获取车轮定位仪参数的方法、系统及电子设备，涉及计算机视觉领域，该方法包括：从汽车保险理赔系统中获取待处理图像，待处理图像包括车辆车轮定位仪的用户界面的截屏图像；通过目标YOLO模型处理待处理图像，处理后的待处理图像中突出显示M个区域框和N个边界框，N个边界框中的每个边界框中包含数字；对N个边界框中的图像进行识别，得到N个数字文本；根据N个数字文本各自对应的区域及位置，将N个数字文本组合成预设形式的M组车轮定位参数；将M组车轮定位参数输入到汽车保险理赔系统，用于评估车辆的损坏程度以及计算修复费用。通过该方案，可以提高诸如保险理赔处理和维护跟踪等各种应用的速度和准确性。

Description

获取车轮定位仪参数的方法、系统及电子设备
技术领域
本申请涉及计算机视觉领域，尤其涉及一种获取车轮定位仪参数的方法、系统及电子设备。
背景技术
在汽车工业中，车轮定位仪被用来测量车辆车轮的对齐参数：例如前后车轮的主销后倾角、外倾角、前束角等，这些参数用于对齐车轮、评估车辆的损坏程度等。
目前，一些现有的车轮定位仪使用基于激光或者摄像头的方法来测量车轮的对齐参数，并通过系统用户界面(User Interface，UI)提供测量结果；然而，这需要专业人员通过人眼对系统用户界面进行识别后，手动将识别得到的参数输入到汽车保险理赔处理系统中，这种方式容易出现人为错误，导致效率低下和成本增加。
因此，亟需一种高效、准确、无需人工参与的提取参数的方法。
发明内容
本申请提供一种获取车轮定位仪参数的方法、系统及电子设备，解决了现有技术中人工读取车轮定位仪参数导致效率低下的问题。
为达到上述目的，本申请采用如下技术方案：
第一方面，本申请提供一种获取车轮定位仪参数的方法，该方法包括：
从汽车保险理赔系统中获取待处理图像，待处理图像包括车辆车轮定位仪的用户界面的截屏图像；不同品牌类别的车轮定位仪的用户界面不同；根据车轮定位仪的品牌类别，识别与车轮定位仪对应的目标YOLO模型；不同品牌类别的车轮定位仪分别对应不同的YOLO模型；通过目标YOLO模型处理待处理图像，处理后的待处理图像中突出显示M个区域框和N个边界框，M个区域框中的每个区域框中包括至少一个边界框，N个边界框中的每个边界框中包含数字，M个区域框中的边界框的总数为N，YOLO模型为用于检测图像中的数字及位置的模型；对N个边界框中的图像进行识别，得到N个数字文本；根据N个数字文本各自对应的区域及位置，将N个数字文本组合成预设形式的M组车轮定位参数；将预设形式的M组车轮定位参数输入到汽车保险理赔系统，用于评估车辆的损坏程度以及计算修复费用。
通过本申请实施例提供的获取车轮定位仪参数的方法，在汽车保险公司处理索赔的场景中，本申请方案可以从车轮定位仪的用户界面的截屏图像中检测和识别车轮定位仪的参数，并将得到的参数自动输入到汽车保险理赔处理系统中，利用提取的数据来评估车辆的损坏程度，计算修复费用，并促进索赔结算流程，减少了时间和人力成本，提高了准确性，能够更快、更高效地处理保险索赔。
在一些可能实现方式中，在通过目标YOLO模型处理待处理图像之前，方法还包括：创建X个样本图像数据集，X个样本图像数据集中的每个样本图像数据集包括一种车轮定位仪的至少一个样本图像，样本图像为用于模拟不同品牌类别的车轮定位仪的用户界面截屏图像；对样本图像中的M个区域框和N个边界框进行标注，得到标注后的X个样本图像数据集；使用标注后的X个样本图像数据集对初始YOLO模型进行训练后，得到目标YOLO模型。本申请方案通过对初始YOLO模型进行训练，提升了数字检测的精度。
在一些可能实现方式中，根据待处理图像，识别对应的目标YOLO模型，包括：将待处理图像输入到品牌分类器，识别车轮定位仪的品牌类别；根据车轮定位仪的品牌类别，确定与车轮定位仪的品牌类别对应的目标YOLO模型。本申请方案通过识别对应的目标YOLO模型，提升了系统获取车轮定位仪参数的速度。
在一些可能实现方式中，在通过目标YOLO模型处理待处理图像之后，方法还包括：根据N个边界框的坐标，从处理后的待处理图像中提取N个边界框中的图像，第一边界框的坐标用(Xmin、Xmax、Ymin、Ymax)表示；第一边界框为N个边界框中任一个；其中，Xmin为第一边界框在X坐标轴上的最小值，Xmax为第一边界框在X坐标轴上的最大值，Ymin为第一边界框在Y坐标轴上的最小值，Ymax为第一边界框在Y坐标轴上的最大值。本申请方案通过提取N个边界框中的图像，提升了数字识别的速度与准确度。
在一些可能实现方式中，在获取待处理图像之后，通过目标YOLO模型处理待处理图像之前，方法还包括：通过目标图像质量分类器判断待处理图像的图像质量满足预设图像质量；其中，预设图像质量的权衡参数包括数字的清晰度、对比度、图像分辨率、光照条件和/或图像失真。本申请方案通过使用目标图像质量分类器判断待处理图像的图像质量，排除质量不合格的图像，减少了工作量，提升了获取车轮定位仪参数的速度。
在一些可能实现方式中，在通过目标图像质量分类器判断待处理图像的图像质量满足预设图像质量之前，方法还包括：将满足预设图像质量的多个第一样本图像标注为质量合格，以及将不满足预设图像质量的多个第二样本图像标注为质量不合格；使用带有标注的多个第一样本图像以及带有标注的多个第二样本图像对初始图像质量分类器进行训练后，得到目标图像质量分类器。本申请方案通过对初始图像质量分类器进行训练，提升了图像质量分类的精度。
在一些可能实现方式中，在获取待处理图像之后，方法还包括：对待处理图像进行预处理，预处理包括：调整大小、裁剪和滤波中的至少一项。本申请方案通过对待处理图像进行预处理，提高了待处理图像的质量，便于后续的数字检测与识别。
在一些可能实现方式中，在对N个边界框中的图像进行识别，包括：采用目标PaddleOCR模型对N个边界框中的图像进行识别；目标PaddleOCR模型为用于识别图像中的字符并输出数字文本的模型；其中，目标PaddleOCR模型是使用包含从原图像中裁剪的数字区域图像与数据标签的数据集对初始PaddleOCR模型进行训练后得到的；数据标签中包含裁剪的数字区域图像中的文本内容。本申请方案通过对初始PaddleOCR模型进行训练，提升了数字识别的精度。
在一些可能实现方式中，预设形式为字符串、数组或表格。
第二方面，本申请提供一种用于获取车轮定位仪参数的系统，包括：
图像获取模块，用于从汽车保险理赔系统中获取待处理图像，待处理图像包括车轮定位仪的用户界面的截屏图像；不同品牌类别的车轮定位仪的用户界面不同；模型识别模块，用于根据车轮定位仪的品牌类别，识别与车轮定位仪对应的目标YOLO模型；不同品牌类别的车轮定位仪分别对应不同的YOLO模型；目标检测模块，用于通过目标YOLO模型处理待处理图像，处理后的待处理图像中突出显示M个区域框和N个边界框，M个区域框中的每个区域框中包括至少一个边界框，N个边界框中的每个边界框中包含数字，M个区域框中的边界框的总数为N，YOLO模型为用于检测图像中的数字及位置的模型；数字识别模块，用于对N个边界框中的图像进行识别，得到N个数字文本；参数组合模块，用于根据N个数字文本各自对应的区域及位置，将N个数字文本组合成预设形式的M组车轮定位参数；参数输出模块，用于将预设形式的M组车轮定位参数输入到汽车保险理赔系统，用于评估车辆的损坏程度以及计算修复费用。
第三方面，本申请提供一种电子设备，包括处理器、存储器以及存储在存储器上的计算机程序，处理器用于执行计算机程序，以使得电子设备实现如第一方面中的方法。
第四方面，本申请提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，当计算机程序在电子设备上运行时，使得电子设备执行如第一方面中的方法。
其中，上述第一方面描述的方法可以通过硬件实现，也可以通过硬件执行相应的软件实现。硬件或软件包括一个或多个与上述功能相对应的模块或单元。例如，处理模块或单元、显示模块或单元等。
可以理解的是，上述第二方面和第三方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
图1为现有技术中一种车轮定位仪的用户界面的截屏图像；
图2为车辆车轮的后倾角、外倾角和前束角的示意图；
图3为本申请实施例公开的一种获取车轮定位仪参数的方法的流程示意图；
图4为本申请实施例公开的通过目标YOLO模型处理后的待处理图像示意图；
图5为本申请实施例公开的从处理后的待处理图像中提取N个边界框中的图像示意图；
图6为本申请实施例公开的从处理后的待处理图像中提取出的第一边界框中的图像；
图7为本申请实施例公开的第一边界框的坐标的示意图；
图8为本申请实施例公开的使用PaddleOCR模型对N个边界框中的图像进行识别，得到N个数字文本的示意图；
图9为本申请实施例公开的从原图像中裁剪的数字区域图像与数据标签的示意图；
图10为本申请实施例公开的以表格形式生成的车轮定位参数的示意图；
图11为本申请实施例公开的另一种车轮定位仪的用户界面的截屏图像；
图12为本申请实施例公开的另一种通过目标YOLO模型处理后的待处理图像示意图；
图13为本申请实施例公开的另一种以表格形式生成的车轮定位参数的示意图；
图14为本申请实施例公开的一种用于获取车轮定位仪参数的系统的组成模块示意图；
图15为本申请实施例公开的另一种获取车轮定位仪参数的方法的流程示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
本文中术语“和/或”，是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。本文中符号“/”表示关联对象是或者的关系，例如A/B表示A或者B。
本文中的说明书和权利要求书中的术语“第一”和“第二”等是用于区别不同的对象，而不是用于描述对象的特定顺序。在本申请实施例的描述中，除非另有说明，“多个”的含义是指两个或者两个以上，例如，多个处理单元是指两个或者两个以上的处理单元等；多个元件是指两个或者两个以上的元件等。
在本申请实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
为便于理解本申请实施例，以下对本申请实施例的部分用语进行解释说明，以便于本领域技术人员理解。
YOLO模型：YOLO(You Only Look Once)是一种使用卷积神经网络进行目标检测的算法，目标检测的任务是从图片中找出物体并给出其类别和位置，对于单张图片，输出为图片中包含的N个物体的每个物体的中心位置(x,y)、宽(w)、高(h)以及其类别；例如类别可以为人物、美食、数字等。具体到本申请方案，YOLO模型检测待处理图像输出的类别为数字及字符，例如7°17′。
OCR：(Optical Character Recognition，光学字符识别)是指电子设备(例如扫描仪或数码相机)检查纸上打印的字符，通过检测暗、亮的模式确定其形状，然后用字符识别方法将形状翻译成计算机文字的过程；即，针对印刷体字符，采用光学的方式将纸质文档中的文字转换成为黑白点阵的图像文件，并通过识别软件将图像中的文字转换成文本格式，供文字处理软件进一步编辑加工的技术。本申请实施例中对算法不做限定，所有能实现字符识别的OCR算法均可作为识别模型。
PaddleOCR模型：基于飞桨的OCR工具库，总模型仅8.6M的超轻量级中文OCR，PaddleOCR模型是使用PaddleOCR框架和具体的PP-OCRv3算法生成的；单模型支持中英文数字组合识别、竖排文本识别、长文本识别。同时支持多种文本检测、文本识别的训练算法。
目前，一些现有的车轮定位仪使用基于激光或者摄像头的方法来测量车轮的对齐参数，并通过系统用户界面提供测量结果；然而，这需要专业人员通过人眼对系统用户界面进行识别后，手动将识别得到的参数输入到汽车保险理赔处理系统中，这种方式容易出现人为错误，导致效率低下和成本增加。
基于此，本申请实施例提供一种获取车轮定位仪参数的方法及系统，通过从车轮定位仪的用户界面的截屏图像中检测和识别车轮定位仪的参数，并将得到的参数自动输入到汽车保险理赔处理系统中，利用提取的数据来评估车辆的损坏程度，计算修复费用，并促进索赔结算流程，减少了时间和人力成本，提高了准确性，能够更快、更高效地处理保险索赔。
为了更好地理解本申请实施例，以下先对本申请实施例进行简要说明：
图1示出了现有技术中一种车轮定位仪的用户界面的截屏图像。如图1所示，车轮定位仪的用户界面图像是显示在机器屏幕上的视觉表示。通常由用户(通常是操作员或技术人员)与机器进行交互并执行与车轮对齐相关的任务。该用户界面图像中包括图形元素、控件和测量结果，提供实时反馈并提供对机器的各种功能和功能的访问。用户可以通过该图像输入命令、配置设置、启动定位程序并查看定位结果。
图1中示例性地显示了车辆前轮对的后倾角(顶部)、外倾角(中部)和前束角(底部)的对齐值：包括一个原厂值、一个最大值、一个最小值和一个测量值。其中，(a)为左前轮后倾角度数，(b)为右前轮后倾角度数，(o)为左右两个前轮的总后倾角度数；(c)为左前轮外倾角度数，(d)为右前轮外倾角度数，(p)为左右两个前轮的总外倾角度数；(e)为左前轮前束角度数，(f)为右前轮前束角度数，(q)为左右两个前轮的总前束角度数。
其中，如图2(a)所示，从汽车的侧面看，主销轴线(或车轮转向轴线)从垂直方向向后或向前倾斜一个角度称为主销后倾。在纵向垂直平面内，主销轴线与垂线之间的夹角，称为主销后倾角，示例性地，如图2(a)中夹角α表示主销后倾角；向垂线后面倾斜的角度称为正后倾角，向前倾斜的角度称为负后倾角。主销后倾角的作用是使车轮复位以及提高直线行驶的稳定性，产生的回正力矩使汽车在行驶中若偶遇外力作用能自动回正汽车转向轮，使车辆保持向正前方行驶。
如图2(b)所示，从汽车的前方看车轮的几何中心线与地面的铅垂线的夹角，称为外倾角，示例性地，如图2(b)中夹角β表示外倾角。车轮外倾角的作用是为了增加汽车直线行驶的安全性。当具有外倾角时，可使车轮在转向时偏移量减小，所以能减少转向力；另外，由于车轮外倾，在垂直载荷作用下产生一施加于轴心上的分力，使车轮向内压在轴承上，以防止车轮甩脱。
如图2(c)所示，从汽车的正上方向下看，由车轮的中心线与汽车的纵向轴线之间的夹角称为前束角。示例性地，如图2(c)中夹角γ表示前束角；车轮中心线前端向内收束的角度为正前束角，反之为负前束角。总前束值等于左右两个车轮的前束值之和，即两个车轮轴线之间的夹角。前束的作用为消除车轮外倾造成的不良后果；车轮外倾使前轮有向两侧张开的趋势，由于受车桥约束不能向外滚开，导致车轮边滚边滑增加了磨损。有了前束后可使车轮在每瞬间的滚动方向都接近于正前方，减轻了车轮外轴承的压力和车轮的磨损。
其中，用户界面根据轮子的位置(前后)和车轮定位仪品牌类别而改变。示例性地，本申请实施例提供的系统中有超过125种不同的用户界面模型。
本申请实施例提供的方法应用于汽车保险公司评估车辆的损坏程度及处理索赔的场景，本申请实施例提供的用于获取车轮定位仪参数的方法包括：
从汽车保险理赔系统中获取待处理图像，待处理图像包括车辆车轮定位仪的用户界面的截屏图像；通过目标YOLO模型处理待处理图像，处理后的待处理图像中突出显示M个区域框和N个边界框，N个边界框中的每个边界框中包含数字；对N个边界框中的图像进行识别，得到N个数字文本；根据N个数字文本各自对应的区域及位置，将N个数字文本组合成预设形式的M组车轮定位参数；最后将M组车轮定位参数输入到汽车保险理赔系统，用于评估车辆的损坏程度以及计算修复费用。
通过本申请实施例提供的用于获取车轮定位仪参数的方法及系统，可以从车轮定位仪的用户界面的截屏图像中检测和识别车轮定位仪的参数，并将得到的参数自动输入到汽车保险理赔处理系统中，利用提取的数据来评估车辆的损坏程度，计算修复费用，并促进索赔结算流程，减少了时间和人力成本，提高了准确性，能够更快、更高效地处理保险索赔。
本申请实施例提供的用于获取车轮定位仪参数的方法的执行主体可以为上述的电子设备，也可以为该电子设备中能够实现该用于获取车轮定位仪参数的方法的功能模块和/或功能实体，并且本申请方案能够通过硬件和/或软件的方式实现，具体的可以根据实际使用需求确定，本申请实施例不作限定。下面以电子设备为例，结合附图对本申请实施例提供的用于获取车轮定位仪参数的方法进行示例性的说明。
下面结合具体的实施例介绍本申请提供的一种获取车轮定位仪参数的方法以及系统。
实施例一：一种获取车轮定位仪参数的方法
图3是本申请实施例提供的一种获取车轮定位仪参数的方法的流程示意图。参照图2所示，该方法包括下述的步骤S101-S105。
S101，从汽车保险理赔系统中获取待处理图像。
在本申请实施例中，系统从汽车保险理赔系统中获取并存储待处理图像，例如可以将待处理图像存储在数据库、文件系统或AWS S3(Simple Storage Service)中；AWS S3为一种储存服务。
待处理图像包括车轮定位仪的用户界面的截屏图像；不同品牌类别的车轮定位仪的用户界面不同，根据车轮定位仪的品牌类别，识别与车轮定位仪对应的目标YOLO模型，不同品牌类别的车轮定位仪分别对应不同的YOLO模型。
具体的，将待处理图像输入到品牌分类器，识别车轮定位仪的品牌类别；然后根据车轮定位仪的品牌类别，确定与车轮定位仪的品牌类别对应的目标YOLO模型。
本申请实施例中，电子设备获取车轮定位仪的品牌类别与YOLO模型的对应关系，如下表1所示，表1示例性地给出了不同品牌类别的车轮定位仪对应于不同的YOLO模型。
表1
车轮定位仪的品牌类别 YOLO模型
品牌1 YOLO模型1
品牌2 YOLO模型2
品牌N YOLO模型N
需要说明的是，不同品牌类别的车轮定位仪分别对应不同的YOLO模型，并且不同品牌类别的车轮定位仪的用户界面不同，因此车轮定位仪的用户界面与YOLO模型也存在对应的关系，即不同的用户界面可以对应不同的YOLO模型。
示例性地，N取125，本申请实施例针对不同的用户界面对应开发了至少125种YOLO模型。也就是说，对于任一种车轮定位仪的用户界面，都能找到合适的YOLO模型。进而可以对车轮定位仪的用户界面，采用合适的YOLO模型进行图像数字检测，大大提升了图像数字检测的准确性。
其中，品牌分类器是一个多类分类器，也称为多项分类器，可以区分两个以上的类。有一些算法(如随机森林分类器或朴素贝叶斯分类器)可以直接处理多个类。也有一些严格的二元分类器(如支持向量机分类器或线性分类器)可以实现多类分类的策略；本申请实施例中对算法不做限定，所有能实现品牌分类的分类算法均可作为品牌分类器。
需要说明的是，在将待处理图像输入到品牌分类器，识别车轮定位仪的品牌类别之前，需要对品牌分类器进行训练：选定待处理图像样本，将所有样本分成训练样本和测试样本两部分，在训练样本上执行分类器算法进行训练，生成分类模型；训练完成后可以在测试样本上执行分类模型，生成预测结果；根据预测结果，计算必要的评估指标，评估分类模型的性能。
示例性地，本申请实施例中将车轮定位仪的用户界面的截屏图像输入到品牌分类器，品牌分类器能够识别出对应的车轮定位仪品牌。
在获取待处理图像之后，通过目标图像质量分类器判断待处理图像的图像质量是否满足预设图像质量；若待处理图像的图像质量不满足预设图像质量，则将该待处理图像丢弃；若待处理图像的图像质量满足预设图像质量，则通过目标YOLO模型处理该待处理图像。其中，预设图像质量的权衡参数包括数字的清晰度、对比度、图像分辨率、光照条件和/或图像失真。
示例性地，待处理图像满足预设图像质量的情况包括：
(1)待处理图像中显示的数字清晰可辨，没有模糊或扭曲的情况；
(2)待处理图像中的数字与用户界面屏幕背景之间的对比度足够确保数字显示清晰并易于区分；
(3)待处理图像的分辨率足够确保图中的细节清晰可见，并且图像信息不会在后续处理步骤中丢失；
(4)待处理图像捕获时光照的充足性能够确保数字被照亮，无阴影或光斑影响可读性；
(5)没有任何可能影响待处理图像中数字清晰度或准确性的失真或伪影，失真包括像素化、模糊或其他视觉异常。
其中，通过目标YOLO模型处理待处理图像，包括：通过目标YOLO模型对满足预设图像质量的待处理图像进行处理。
为了确定待处理图像的质量，本申请实施例中使用了专门针对此目的进行训练的图像质量分类器。通过将待处理图像输入到图像质量分类器中，图像质量分类器可以自动分析待处理图像并将其分类为质量合格或质量不合格。这能够高效地识别和过滤掉质量较低的图像，确保只有高质量的图像用于进一步处理和参数提取。
其中，图像质量分类器是通过算法构建的二元分类器，可以区分两个类别标签；在本申请实施例中用来区分图像质量是否“合格”，对于算法而言，像SVM、逻辑回归等是严格的二元分类算法，本申请实施例中对算法不做限定，所有能实现图像质量的评估的二元分类算法均可作为图像质量分类器。
需要说明的是，在通过目标图像质量分类器判断待处理图像的图像质量是否满足预设图像质量之前，还需要通过对初始图像质量分类器进行训练，以得到目标图像质量分类器。
首先，选定待处理样本图像，将待处理样本图像中满足预设图像质量的待处理样本图像标注为“合格”，以及将待处理样本图像中不满足预设图像质量的待处理样本图像标注为“不合格”。
将所有待处理样本图像分成训练样本和测试样本两部分，在训练样本上执行图像质量分类器算法进行训练，生成目标图像质量分类器；训练完成后可以使用测试样本进行测试，生成预测结果；根据预测结果，计算必要的评估指标，评估目标图像质量分类器的性能。
需要说明的是，在获取待处理图像之后，还需要对待处理图像进行预处理，预处理包括：调整大小、裁剪和滤波中的至少一项；以提高待处理图像质量，便于待处理图像中数字的检测和识别。
S102，通过目标YOLO模型检测待处理图像中的数字及位置。
如图4所示，通过目标YOLO模型处理待处理图像，处理后的待处理图像中突出显示M个区域框和N个边界框，M个区域框中的每个区域框中包括至少一个边界框，N个边界框中的每个边界框中包括数字，M个区域框中的边界框的总数为N。
如图4中所示，本申请实施例中M为7、N为27；area_1至7为本申请实施例中的7个区域框，Num_value_1至4是7个区域框中的边界框；示例性地，边界框中的数字8°04′是车轮定位仪参数，Num_value_1是边界框中检测目标的类别，0.98是置信度；置信度包含两个方面，一是所属边界框含有目标的可能性大小，二是这个边界框的准确度。
需要说明的是，在通过目标YOLO模型处理待处理图像之前，还需要通过对初始YOLO模型进行训练，得到目标YOLO模型。
示例性地，先创建X个样本图像数据集，X个样本图像数据集中的每个样本图像数据集包括一种车轮定位仪的至少一个样本图像，样本图像为用于模拟不同品牌类别的车轮定位仪的用户界面截屏图像；X个样本图像数据集包括训练样本和测试样本两部分。
然后，对样本图像中的M个区域框和N个边界框进行标注，得到标注后的X个样本图像数据集。再使用标注后的X个样本图像数据集中的训练样本对初始YOLO模型进行训练后，得到目标YOLO模型，训练完成后，用预测样本数据集进行预测，得到预测结果，计算必要的评估指标，评估目标YOLO模型的性能。
在使用目标YOLO模型进行数字检测之前，还需要使用TensorFlow Serving(张量流服务)将经过训练的目标YOLO模型部署到生产GPU(Graphics Processing Unit，图形处理器)实例中。
需要说明的是，TensorFlow(张量流)是一种深度学习框架，能够以最简单的方式实现机器学习和深度学习；TensorFlow Serving是一个适用于机器学习模型的灵活、高性能应用系统，在进行算法训练后，对得到的TensorFlow深度学习模型进行部署，在应用中直接使用。通过TensorFlow Serving，可以自动加载X个样本图像数据集模型，在预测阶段中直接使用；
通过目标YOLO模型检测待处理图像中的数字及位置，根据N个边界框的坐标来确定N个边界框的位置，从处理后的待处理图像中提取N个边界框中的图像，如图5所示，图中共有7个区域，图中用area_1至area_7表示；每个区域中包含4个数字，图中用Num_value_1至Num_value_4表示。
示例性地，如图6所示，图6为从处理后的待处理图像中提取出的第一边界框中的图像；第一边界框的坐标用(Xmin、Xmax、Ymin、Ymax)表示；第一边界框为N个边界框中任一个。
如图7所示，Xmin为第一边界框在X坐标轴上的最小值，Xmax为第一边界框在X坐标轴上的最大值，Ymin为第一边界框在Y坐标轴上的最小值，Ymax为第一边界框在Y坐标轴上的最大值。根据边界框对角线上两点的坐标可以确定边界框的大小和位置。
S103，对N个边界框中的图像进行识别，得到N个数字文本。
示例性地，如图8所示，本申请实施例可以使用OCR模型对N个边界框中的图像进行识别，得到N个数字文本；本申请实施例中使用的OCR模型为PaddleOCR模型。
其中，初始PaddleOCR模型在进行训练后，得到目标PaddleOCR模型，本申请实施例中通过目标PaddleOCR模型对N个边界框中的图像进行识别。
需要说明的是，PaddleOCR模型运行包括两个步骤：检测和识别；两者都可以进行训练，在本申请的实施例中，只对识别模块进行训练。
具体的，使用从原图像中裁剪的数字区域图像与数据标签作为样本数据集，样本数据集包括训练样本和测试样本两部分；使用训练样本对识别模块进行训练，得到目标PaddleOCR模型；训练完成后，用预测样本数据集进行预测，得到预测结果，计算必要的评估指标，评估目标PaddleOCR模型的性能。其中，数据标签包含剪裁的数字区域图像中的文字内容，当PaddleOCR模型识别出数字区域图像时，会找到数据标签对应的文字内容。
示例性地，如图9所示，图中方框表示从原图像中裁剪的数字区域图像，Word_1.png表示从原图像中裁剪的数字区域图像的路径，Train/Word_1.png 7°17′表示数据标签。
其中，每个边界框中的图像都经过目标PaddleOCR模型进行预测并输出相应的数字文本，准确率为90％；具体准确率因图像质量而有所不同，在90％上下进行浮动。
最后，将得到的目标PaddleOCR模型转换为适合的SavedModel(保存模型)并部署到TensorFlow Serving中；SavedModel是TensorFlow的一种储存格式；如果使用TensorFlow Serving来部署模型，必须选择SavedModel格式。其主要优点是不受语言的限制，比如可以使用python语言训练模型，然后在Java中非常方便的加载模型。
S104，根据N个数字文本各自对应的区域及位置，将N个数字文本组合成预设形式的M组车轮定位参数。
综上所述，经过目标YOLO模型处理后的待处理图像中突出显示M个区域框和N个边界框；对N个边界框中的图像进行识别，得到N个数字文本；根据N个数字文本各自对应的区域及位置，将N个数字文本组合成预设形式的M组车轮定位参数；预设形式可以为字符串、数组或表格。
示例性地，本申请方案中位置可以通过坐标来确定，其中可以确定出各区域的坐标范围以及各个数值的坐标。
可选的，另一种实现方式中，还可以通过区域类标记和数值类标记来确定位置，例如，在图中，区域类标记为area_1，数值类标记为Num_value_1。
示例性地，图10为图4中所示的通过目标YOLO模型处理后的待处理图像以表格形式生成的车轮定位参数。表格中共示出M组参数，共N个参数，本申请实施例中M为7，N为27；即本申请实施例中包含7个区域，表格中用area_1至area_7表示，共有27个数值，表格中用Num_value_1至Num_value_4表示。
其中，area_1至area_7分别表示7个区域框对应的7组参数，Num_value_1至Num_value_4分别表示一个区域框中的4个参数。
可以理解的是，area_7中只有3个参数，表格中用Num_value_1至Num_value_3表示。
具体的，area_1中的Num_value_1至Num_value_4分别表示车辆左前轮后倾角的最大值、原厂值、最小值和测量值；
area_2中的Num_value_1至Num_value_4分别表示车辆右前轮后倾角的最小值、原厂值、最大值和测量值；
area_3中的Num_value_1至Num_value_4分别表示车辆左前轮外倾角的最大值、原厂值、最小值和测量值；
area_4中的Num_value_1至Num_value_4分别表示车辆右前轮外倾角的最小值、原厂值、最大值和测量值；
area_5中的Num_value_1至Num_value_4分别表示车辆左前轮前束角的最小值、原厂值、最大值和测量值；
area_6中的Num_value_1至Num_value_4分别表示车辆右前轮前束角的最大值、原厂值、最小值和测量值；
area_7中的Num_value_1至Num_value_3分别表示车辆前轮对的总后倾角参数、总外倾角参数、总前束角参数。
其中，总后倾角参数为左右两个车轮后倾角参数之差；总外倾角参数为左右两个车轮外倾角参数之差；总前束角参数等于左右两个车轮的前束角参数之和。
最后，将输出进行Json格式化，并通过应用程序接口(Application ProgrammingInterface，API)返回；Json格式是一种轻量级的数据交换格式。
S105，将预设形式的M组车轮定位参数输入到汽车保险理赔系统，以用于评估车辆的损坏程度以及计算修复费用。
以上介绍了一种从车轮定位仪的用户界面的截屏图像获取参数的方法，本申请实施例还提供了另一种从车轮定位仪的用户界面的截屏图像获取参数的方法，该方法包括：
首先，从汽车保险理赔系统中获取待处理图像，如图11所示，该待处理图像为车辆车轮定位仪的用户界面的截屏图像；图中显示的数字为车轮定位仪参数。
然后，通过目标YOLO模型处理该待处理图像，处理后的待处理图像中突出显示6个区域框和12个边界框，如图12所示，12个边界框中的每个边界框中包含数字；使用目标PaddleOCR模型对12个边界框中的图像进行识别，得到12个数字文本；如图13所示，根据12个数字文本各自对应的区域及位置，将12个数字文本组合成预设形式的6组车轮定位参数。
其中，area_1中的Num_value_1和Num_value_2分别表示车辆左前轮主销后倾角和右前轮主销后倾角；
area_2中的Num_value_1和Num_value_2分别表示车辆左前轮的外倾角和前束角；
area_3中的Num_value_1和Num_value_2分别表示车辆右前轮的外倾角和前束角；
area_4中的Num_value_1和Num_value_2分别表示车辆左后轮的外倾角和前束角；
area_5中的Num_value_1和Num_value_2分别表示车辆右后轮的外倾角和前束角；
area_6中的Num_value_1和Num_value_2分别表示车辆左右两个前轮的总前束角和左右两个后轮的总前束角。
最后，将6组车轮定位参数输入到汽车保险理赔系统，以用于评估车辆的损坏程度以及计算修复费用。
通过本申请实施例提供的获取车轮定位仪参数的方法，在汽车保险公司处理索赔的场景中，本申请方案可以从车轮定位仪的用户界面的截屏图像中检测和识别车轮定位仪的参数，并将得到的参数自动输入到汽车保险理赔处理系统中，利用提取的数据来评估车辆的损坏程度，计算修复费用，并促进索赔结算流程，减少了时间和人力成本，提高了准确性，能够更快、更高效地处理保险索赔。
实施例二：用于获取车轮定位仪参数的系统
参见图14，本申请实施例中用于获取车轮定位仪参数的系统包括图像获取模块、模型识别模块、目标检测模块、数字识别模块、参数组合模块和参数输出模块。该系统可以安装于电子设备，能够实现上述实施例一中的方法。
图像获取模块，用于从汽车保险理赔系统中获取待处理图像，待处理图像包括车轮定位仪的用户界面的截屏图像；不同品牌类别的车轮定位仪的用户界面不同。
示例性地，图像获取模块中包括目标图像质量分类器。通过将待处理图像输入到图像质量分类器中，图像质量分类器可以自动分析待处理图像并将其分类为质量合格或质量不合格。这能够高效地识别和过滤掉质量较低的图像，确保只有高质量的图像用于进一步处理和参数提取。
示例性地，图像获取模块中还包括品牌分类器，本申请实施例中将车轮定位仪的用户界面的截屏图像输入到品牌分类器，品牌分类器能够识别出对应的车轮定位仪品牌。
模型识别模块，用于根据车轮定位仪的品牌类别，识别与车轮定位仪对应的目标YOLO模型；不同品牌类别的车轮定位仪分别对应不同的YOLO模型。
目标检测模块，用于通过目标YOLO模型处理待处理图像，处理后的待处理图像中突出显示M个区域框和N个边界框，M个区域框中的每个区域框中包括至少一个边界框，N个边界框中的每个边界框中包含数字，M个区域框中的边界框的总数为N，YOLO模型为用于检测图像中的数字及位置的模型。
示例性地，在目标检测模块中，目标YOLO模型检测待处理图像中的数字及位置后，根据N个边界框的坐标，从处理后的待处理图像中提取N个边界框中的图像。
数字识别模块，用于对N个边界框中的图像进行识别，得到N个数字文本。
示例性地，将提取出的N个边界框中的图像输入目标PaddleOCR模型，目标PaddleOCR模型对N个边界框中的图像进行识别，得到N个数字文本。
参数组合模块，用于根据N个数字文本各自对应的区域及位置，将N个数字文本组合成预设形式的M组车轮定位参数。
参数输出模块，用于将预设形式的M组车轮定位参数输入到汽车保险理赔系统，以用于评估车辆的损坏程度以及计算修复费用。
总的来说，如图15所示，在汽车保险公司处理索赔的场景中，本申请方案提供的系统可以实现上述实施例一中的方法，从车轮定位仪的用户界面的截屏图像中检测和识别车轮定位仪的参数，并将得到的参数自动输入到汽车保险理赔处理系统中，利用提取的数据来评估车辆的损坏程度，计算修复费用，并促进索赔结算流程，减少了时间和人力成本，提高了准确性，能够更快、更高效地处理保险索赔。
上文主要从方法步骤的角度对本申请实施例提供的方案进行了描述。可以理解的是，为了实现上述功能，实施该方法的电子设备包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的保护范围。
本申请实施例可以根据上述方法示例，对电子设备进行功能模块的划分，例如，可以对应各个功能划分各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。需要说明的是，本申请实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有其它可行的划分方式。
也需要说明的是，在本申请实施例中，“大于”可以替换为“大于或等于”，“小于或等于”可以替换为“小于”，或者，“大于或等于”可以替换为“大于”，“小于”可以替换为“小于或等于”。
本申请实施例还提供一种芯片，该芯片与存储器耦合，该芯片用于读取并执行存储器中存储的计算机程序或指令，以执行上述各实施例中的方法。
本申请实施例还提供一种电子设备，该电子设备包括芯片，该芯片用于读取并执行存储器存储的计算机程序或指令，使得各实施例中的方法被执行。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机指令，当该计算机指令在电子设备上运行时，使得电子设备执行上述相关方法步骤实现上述实施例中的一种获取车轮定位仪参数的方法。
本申请实施例还提供了一种计算机程序产品，该计算机可读存储介质存储有程序代码，当该计算机程序产品在计算机上运行时，使得计算机执行上述相关步骤，以实现上述实施例中的一种获取车轮定位仪参数的方法。
另外，本申请的实施例还提供一种装置，这个装置具体可以是芯片，组件或模块，该装置可包括相连的处理器和存储器；其中，存储器用于存储计算机执行指令，当装置运行时，处理器可执行存储器存储的计算机执行指令，以使芯片执行上述各方法实施例中的一种获取车轮定位仪参数的方法。
其中，本申请实施例提供的电子设备、计算机可读存储介质、计算机程序产品或芯片均用于执行上文所提供的对应的方法，因此，其所能达到的有益效果可参考上文所提供的对应的方法中的有益效果，此处不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，模块或单元的划分，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装置，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。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种获取车轮定位仪参数的方法，其特征在于，所述方法包括：
从汽车保险理赔系统中获取待处理图像，所述待处理图像包括车辆车轮定位仪的用户界面的截屏图像；不同品牌类别的车轮定位仪的用户界面不同；
根据所述车轮定位仪的品牌类别，识别与所述车轮定位仪对应的目标YOLO模型；不同品牌类别的车轮定位仪分别对应不同的YOLO模型；
通过所述目标YOLO模型处理所述待处理图像，处理后的所述待处理图像中突出显示M个区域框和N个边界框，所述M个区域框中的每个区域框中包括至少一个边界框，所述N个边界框中的每个边界框中包含数字，所述M个区域框中的边界框的总数为N，所述YOLO模型为用于检测图像中的数字及位置的模型；
对所述N个边界框中的图像进行识别，得到N个数字文本；
根据所述N个数字文本各自对应的区域及位置，将所述N个数字文本组合成预设形式的M组车轮定位参数；
将所述预设形式的M组车轮定位参数输入到所述汽车保险理赔系统，以用于评估车辆的损坏程度以及计算修复费用。
2.根据权利要求1所述的方法，其特征在于，在通过目标YOLO模型处理所述待处理图像之前，所述方法还包括：
创建X个样本图像数据集，所述X个样本图像数据集中的每个样本图像数据集包括一种车轮定位仪的至少一个样本图像，所述样本图像为用于模拟不同品牌类别的车轮定位仪的用户界面截屏图像；
对所述样本图像中的所述M个区域框和所述N个边界框进行标注，得到标注后的X个样本图像数据集；
使用所述标注后的X个样本图像数据集对初始YOLO模型进行训练后，得到所述目标YOLO模型。
3.根据权利要求1或2所述的方法，其特征在于，根据所述待处理图像，识别对应的目标YOLO模型，包括：
将所述待处理图像输入到品牌分类器，识别所述车轮定位仪的品牌类别；
根据所述车轮定位仪的品牌类别，确定与所述车轮定位仪的品牌类别对应的所述目标YOLO模型。
4.根据权利要求1所述的方法，其特征在于，在通过目标YOLO模型处理所述待处理图像之后，所述方法还包括：
根据所述N个边界框的坐标，从处理后的所述待处理图像中提取所述N个边界框中的图像，第一边界框的坐标用（Xmin、Xmax、Ymin、Ymax）表示；所述第一边界框为所述N个边界框中任一个；其中，所述Xmin为所述第一边界框在X坐标轴上的最小值，所述Xmax为所述第一边界框在X坐标轴上的最大值，所述Ymin为所述第一边界框在Y坐标轴上的最小值，所述Ymax为所述第一边界框在Y坐标轴上的最大值。
5.根据权利要求1所述的方法，其特征在于，在所述获取待处理图像之后，通过所述目标YOLO模型处理所述待处理图像之前，所述方法还包括：
通过目标图像质量分类器判断所述待处理图像的图像质量满足预设图像质量；
其中，所述预设图像质量的权衡参数包括数字的清晰度、对比度、图像分辨率、光照条件和/或图像失真。
6.根据权利要求5所述的方法，其特征在于，在所述通过目标图像质量分类器判断所述待处理图像的图像质量满足预设图像质量之前，所述方法还包括：
将满足所述预设图像质量的多个第一样本图像标注为质量合格，以及将不满足所述预设图像质量的多个第二样本图像标注为质量不合格；
使用带有标注的所述多个第一样本图像以及带有标注的所述多个第二样本图像对初始图像质量分类器进行训练后，得到所述目标图像质量分类器。
7.根据权利要求1所述的方法，其特征在于，在所述获取待处理图像之后，所述方法还包括：
对所述待处理图像进行预处理，所述预处理包括：调整大小、裁剪和滤波中的至少一项。
8.根据权利要求1所述的方法，其特征在于，在所述对所述N个边界框中的图像进行识别，包括：
采用目标PaddleOCR模型对所述N个边界框中的图像进行识别；所述目标PaddleOCR模型为用于识别图像中的字符并输出数字文本的模型；
其中，所述目标PaddleOCR模型是使用包含从原图像中裁剪的数字区域图像与数据标签的数据集对初始PaddleOCR模型进行训练后得到的；所述数据标签中包含所述裁剪的数字区域图像中的文本内容。
9.一种获取车轮定位仪参数的系统，其特征在于，包括：
图像获取模块，用于从汽车保险理赔系统中获取待处理图像，所述待处理图像包括车轮定位仪的用户界面的截屏图像；不同品牌类别的车轮定位仪的用户界面不同；
模型识别模块，用于根据所述车轮定位仪的品牌类别，识别与所述车轮定位仪对应的目标YOLO模型；不同品牌类别的车轮定位仪分别对应不同的YOLO模型；
目标检测模块，用于通过所述目标YOLO模型处理所述待处理图像，处理后的所述待处理图像中突出显示M个区域框和N个边界框，所述M个区域框中的每个区域框中包括至少一个边界框，所述N个边界框中的每个边界框中包含数字，所述M个区域框中的边界框的总数为N，所述YOLO模型为用于检测图像中的数字及位置的模型；
数字识别模块，用于对所述N个边界框中的图像进行识别，得到N个数字文本；
参数组合模块，用于根据所述N个数字文本各自对应的区域及位置，将所述N个数字文本组合成预设形式的M组车轮定位参数；
参数输出模块，用于将所述预设形式的M组车轮定位参数输入到所述汽车保险理赔系统，用于评估车辆的损坏程度以及计算修复费用。
10.一种电子设备，其特征在于，包括处理器、存储器以及存储在所述存储器上的计算机程序，所述处理器用于执行所述计算机程序，以使得所述电子设备实现如权利要求1至8中任一项所述的方法。
CN202310753211.1A 2023-06-25 2023-06-25 获取车轮定位仪参数的方法、系统及电子设备 Active CN116894937B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310753211.1A CN116894937B (zh) 2023-06-25 2023-06-25 获取车轮定位仪参数的方法、系统及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310753211.1A CN116894937B (zh) 2023-06-25 2023-06-25 获取车轮定位仪参数的方法、系统及电子设备

Publications (2)

Publication Number Publication Date
CN116894937A CN116894937A (zh) 2023-10-17
CN116894937B true CN116894937B (zh) 2024-02-06

Family

ID=88310186

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310753211.1A Active CN116894937B (zh) 2023-06-25 2023-06-25 获取车轮定位仪参数的方法、系统及电子设备

Country Status (1)

Country Link
CN (1) CN116894937B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108876802A (zh) * 2018-04-20 2018-11-23 北京交通大学 对车轮的荧光磁粉缺陷进行自动定位的装置和方法
CN110555372A (zh) * 2019-07-22 2019-12-10 深圳壹账通智能科技有限公司 数据录入方法、装置、设备及存储介质
CN112183206A (zh) * 2020-08-27 2021-01-05 广州中国科学院软件应用技术研究所 一种基于路侧单目摄像头的交通参与者定位方法和系统
CN112232237A (zh) * 2020-10-20 2021-01-15 城云科技（中国）有限公司 车辆流量的监控方法、系统、计算机设备和存储介质
CN113989604A (zh) * 2021-11-18 2022-01-28 广东工业大学 基于端到端深度学习的轮胎dot信息识别方法
CN114972771A (zh) * 2022-06-22 2022-08-30 平安科技（深圳）有限公司 车辆定损理赔方法、装置、电子设备及存储介质
CN115170869A (zh) * 2022-06-20 2022-10-11 平安科技（深圳）有限公司 重复车损理赔识别方法、装置、设备及存储介质
CN115359471A (zh) * 2022-07-15 2022-11-18 北京百度网讯科技有限公司 图像处理及联合检测模型训练方法、装置、设备和存储介质
WO2023006974A1 (en) * 2021-07-30 2023-02-02 Swiss Reinsurance Company Ltd. Optical fraud detector for automated detection of fraud in digital imaginary-based automobile claims, automated damage recognition, and method thereof

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110569696A (zh) * 2018-08-31 2019-12-13 阿里巴巴集团控股有限公司 用于车辆部件识别的神经网络系统、方法和装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108876802A (zh) * 2018-04-20 2018-11-23 北京交通大学 对车轮的荧光磁粉缺陷进行自动定位的装置和方法
CN110555372A (zh) * 2019-07-22 2019-12-10 深圳壹账通智能科技有限公司 数据录入方法、装置、设备及存储介质
CN112183206A (zh) * 2020-08-27 2021-01-05 广州中国科学院软件应用技术研究所 一种基于路侧单目摄像头的交通参与者定位方法和系统
CN112232237A (zh) * 2020-10-20 2021-01-15 城云科技（中国）有限公司 车辆流量的监控方法、系统、计算机设备和存储介质
WO2023006974A1 (en) * 2021-07-30 2023-02-02 Swiss Reinsurance Company Ltd. Optical fraud detector for automated detection of fraud in digital imaginary-based automobile claims, automated damage recognition, and method thereof
CN113989604A (zh) * 2021-11-18 2022-01-28 广东工业大学 基于端到端深度学习的轮胎dot信息识别方法
CN115170869A (zh) * 2022-06-20 2022-10-11 平安科技（深圳）有限公司 重复车损理赔识别方法、装置、设备及存储介质
CN114972771A (zh) * 2022-06-22 2022-08-30 平安科技（深圳）有限公司 车辆定损理赔方法、装置、电子设备及存储介质
CN115359471A (zh) * 2022-07-15 2022-11-18 北京百度网讯科技有限公司 图像处理及联合检测模型训练方法、装置、设备和存储介质

Also Published As

Publication number Publication date
CN116894937A (zh) 2023-10-17

Similar Documents

Publication Publication Date Title
CN110148130B (zh) 用于检测零件缺陷的方法和装置
CN111833306A (zh) 缺陷检测方法和用于缺陷检测的模型训练方法
CN111415106A (zh) 货车装载率识别方法、装置、设备及存储介质
CN115496746A (zh) 基于图像和点云数据融合的板材表面缺陷检测方法和系统
US20140301608A1 (en) Chemical structure recognition tool
CN111985466A (zh) 一种集装箱危险品标志识别方法
CN113688846B (zh) 物体尺寸识别方法、可读存储介质及物体尺寸识别系统
CN111626941A (zh) 一种基于深度学习语义分割的文档矫正方法
CN113205511B (zh) 基于深层神经网络的电子元器件批量信息检测方法及系统
CN110363196B (zh) 一种倾斜文本的文字精准识别的方法
CN114926441A (zh) 一种注塑件加工成型的缺陷检测方法及系统
Tang et al. Anomaly detection of core failures in die casting X-ray inspection images using a convolutional autoencoder
CN116245882A (zh) 电路板电子元件检测方法、装置及计算机设备
EP4131177A1 (en) Imaging system and method using a multi-layer model approach to provide robust object detection
KR20180116729A (ko) 물류 관리를 위한 원거리 다수의 코드 인식 방법 및 이를 이용한 코드 인식 장치
CN118037091A (zh) 一种基于计算机视觉技术的智能化报工质检方法及系统
CN116071315A (zh) 一种基于机器视觉的产品可视缺陷检测方法及系统
CN114359161A (zh) 一种缺陷检测方法、装置、设备和存储介质
CN111507177B (zh) 一种用于计量周转柜的识别方法及装置
CN116894937B (zh) 获取车轮定位仪参数的方法、系统及电子设备
CN117218672A (zh) 一种基于深度学习的病案文字识别方法及系统
CN117330582A (zh) 一种高分子pe薄膜表面晶点检测系统
CN116188449B (zh) 铁路货车缓解阀拉杆开口销丢失故障识别方法及设备
CN111914706A (zh) 一种文字检测输出结果质量检测和控制的方法与装置
CN109191489B (zh) 一种飞行器着陆标志的检测跟踪方法与系统

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