CN117745720B - 一种车辆外观检测方法、装置、设备及存储介质 - Google Patents
一种车辆外观检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117745720B CN117745720B CN202410182581.9A CN202410182581A CN117745720B CN 117745720 B CN117745720 B CN 117745720B CN 202410182581 A CN202410182581 A CN 202410182581A CN 117745720 B CN117745720 B CN 117745720B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- picture
- target
- module
- initial
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 57
- 238000012549 training Methods 0.000 claims abstract description 106
- 238000005286 illumination Methods 0.000 claims abstract description 53
- 238000010606 normalization Methods 0.000 claims abstract description 39
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 28
- 230000009466 transformation Effects 0.000 claims abstract description 19
- 238000003062 neural network model Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 3
- 240000004050 Pentaglottis sempervirens Species 0.000 claims description 2
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 12
- 230000002159 abnormal effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供一种车辆外观检测方法、装置、设备及存储介质，方法包括：构建神经网络模型，利用通道选择归一化模块代替神经网络模型的BN层，得到初始训练模型；对初始训练模型进行训练，得到最终训练模型；将目标车辆图片输入到最终训练模型，输出初始车辆部件图片；判断初始车辆部件图片是否为目标车辆的目标部件图片；若不是，则从初始车辆部件图片中，选取目标车辆的前轮图片和后视镜图片对目标车辆进行仿射变换，得到目标车辆鸟瞰图片；根据鸟瞰图片生成目标车辆检测结果。本发明提高了模型对未知光照的泛化能力，通过对相对位置的定位对图片进行衍射变换，从而可以缓解车辆停放位置不合规，导致的检测异常问题。
Description
技术领域
本发明涉及车辆检测技术领域，尤其涉及一种车辆外观检测方法、装置、设备及存储介质。
背景技术
车辆外观检测，通常是在相机等硬件部署完成后才进行，由于各种产线问题，车辆在停入产线进行外观检测时依然会出现较多问题，如停放位置未达到预期，导致车身部件出现角度的偏移，以及光照变化导致的图像质量出现较大的明暗差距，影响模型对颜色特征的提取和判断，可能会导致错检或者漏检。而采用图像增强方法通常也都需要各种光照条件下的数据，用于模拟真实环境中的光照条件，数据采集也非常耗时，导致车辆外观检测的效率较低，而且成本也较高。
发明内容
有鉴于此，本发明的目的是为了克服现有技术中的不足，提供一种车辆外观检测方法、装置、设备及存储介质。
本发明提供如下技术方案：
第一方面，本申请提供了一种车辆外观检测方法，包括：
构建神经网络模型，利用通道选择归一化模块代替所述神经网络模型的BN层，得到初始训练模型；所述归一化模块用于减少光照干扰；
获取训练数据集，所述训练数据集包括不同光照条件和不同角度的车辆图片；
利用所述训练数据集对所述初始训练模型进行训练，得到最终训练模型；所述最终训练模型的输出结果为所述车辆图片包含的全部车辆部件图片；
将目标车辆图片输入到最终训练模型，输出初始车辆部件图片；
判断所述初始车辆部件图片是否为所述目标车辆的目标部件图片；
若不是，则从所述初始车辆部件图片中，选取所述目标车辆的前轮图片和后视镜图片对所述目标车辆进行仿射变换，得到目标车辆鸟瞰图片；
将所述目标车辆鸟瞰图片输入到所述最终训练模型，输出最终部件图片，根据所述最终部件图片生成所述目标车辆检测结果。
一种实施方式中，所述利用通道选择归一化模块代替所述神经网络模型的BN层，包括：
引入实例级光照归一化模块和可微分门控模块构建所述通道选择归一化模块，利用所述通道选择归一化模块代替所述神经网络模型的BN层；所述实例级光照归一化模块，用于减少所述目标车辆图片与所述训练数据集的车辆图片之间的光照信息差异；所述可微分门控模块用于实现自适应通道选择。
一种实施方式中，所述将目标车辆图片输入到最终训练模型，输出初始车辆部件图片，包括：
获取所述目标车辆图片的目标光照信息，通过所述实例级光照归一化模块对所述目标车辆图片的目标光照信息进行选择性归一化，得到归一化数据；
选择与所述目标光照信息对应的目标可微分门控模块，利用所述目标可微分门控模块提取所述目标车辆图片的原始特征数据；
利用所述最终训练模型的隐藏层，对所述归一化数据和所述原始特征数据进行处理，通过所述最终训练模型的输出层输出处理结果，所述处理结果包括所述初始车辆部件图片。
一种实施方式中，所述判断所述初始车辆部件图片是否为所述目标车辆的目标部件图片，包括：
获取所述目标车辆待检测的目标部件，判断所述初始车辆部件图片是否包含了全部的所述目标部件；
若未包含全部的所述目标部件，则确定所述目标部件存在漏检。
一种实施方式中，所述获取所述目标车辆待检测的目标部件，判断所述初始车辆部件图片是否包含了全部的所述目标部件，包括：
获取所述目标车辆待检测的目标部件，根据所述目标部件生成部件标识；所述部件标识包括目标部件名称；
根据所述初始车辆部件图片获取所述初始车辆部件名称，判断所述初始车辆部件名称是否包括全部的所述目标部件名称。
一种实施方式中，所述选取所述目标车辆的前轮图片和后视镜图片对所述目标车辆进行仿射变换，包括：
从所述初始车辆部件图片中，选取所述前轮图片和所述后视镜图片；
计算所述前轮与所述后视镜中心的第一角度和第一距离；
从所述训练数据集中选取仿射车辆图片，并获取所述仿射车辆图片的车辆参数；所述仿射车辆的前轮与后视镜中心的第二角度与所述第一角度相同；所述仿射车辆的前轮与后视镜中心的第二距离与所述第一距离相同；
根据所述前轮图片、后视镜图片第一角度、第二角度、和车辆参数进行仿射变换。
一种实施方式中，所述将所述目标车辆鸟瞰图片输入到所述最终训练模型，输出最终部件图片，包括：
通过所述最终训练模型提取所述目标车辆鸟瞰图包含的全部部件图片，得到所述最终部件图片。
第二方面，本申请提供了一种车辆外观检测装置，包括：
构建模块，用于构建神经网络模型，利用通道选择归一化模块代替所述神经网络模型的BN层，得到初始训练模型；所述归一化模块用于减少光照干扰；
获取模块，用于获取训练数据集，所述训练数据集包括不同光照条件和不同角度的车辆图片；
训练模块，用于利用所述训练数据集对所述初始训练模型进行训练，得到最终训练模型；所述最终训练模型的输出结果为所述车辆图片包含的全部车辆部件图片；
输入模块，用于将目标车辆图片输入到最终训练模型，输出初始车辆部件图片；
判断模块，用于判断所述初始车辆部件图片是否为所述目标车辆的目标部件图片；
变换模块，用于若不是，则从所述初始车辆部件图片中，选取所述目标车辆的前轮图片和后视镜图片对所述目标车辆进行仿射变换，得到目标车辆鸟瞰图片；
检测模块，用于将所述目标车辆鸟瞰图片输入到所述最终训练模型，输出最终部件图片，根据所述最终部件图片生成所述目标车辆检测结果。
第三方面，本申请提供了一种电子设备，包括存储器和至少一个处理器，所述存储器存储有计算机程序，所述处理器用于执行所述计算机程序以实施如第一方面所述的车辆外观检测方法。
第四方面，本申请提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被执行时，实现如第一方面所述的车辆外观检测方法。
本发明的实施例具有如下有益效果：
本发明提供的车辆外观检测方法，利用通道选择归一化模块代替BN层，提高了模型对未知光照的泛化能力，通过对相对位置的定位对图片进行衍射变换，从而可以缓解车辆停放位置不合规，导致的检测异常问题。
为使本发明的上述目的、特征和优点能更明显和易懂，下文特举较佳实施例，并配合所附附图，做详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍， 应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了一种车辆外观检测方法流程示意图；
图2示出了一种车辆图片处理方法流程示意图；
图3示出了一种目标部件图片判断方法流程示意图；
图4示出了一种车辆外观检测装置框架结构示意图。
主要元件符号说明：
400、车辆外观检测装置；401、构建模块；402、获取模块；403、训练模块；404、输入模块；405、判断模块；406、变换模块；407、检测模块。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
需要说明的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在模板的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本发明。本文所使用的术语“及/ 或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例1
参见图1，图1为本实施例提供的一种车辆外观检测方法流程示意图，该方法可以用于车辆产线中的车辆外观检测，该方法包括：
S1、构建神经网络模型，利用通道选择归一化模块代替所述神经网络模型的BN层，得到初始训练模型；所述归一化模块用于减少光照干扰。
在车辆生产过程中，需要对车辆的外观进行检测，以确定车辆是否存在部件缺失，或者其他缺陷问题，人工检查通常会耗费大量时间，效率较低，因此，通常采用统一的采集设备来采集车辆图片，再对根据车辆图片来进行检测，从而提高检测效率。
产线上通常会持续的生产车辆，但是采集设备的位置一般是固定设置的，而识别设备，也需要先根据已有的车辆图片进行训练，才能识别车辆检测。因此，每台车辆拍摄时的角度和光线，都会对检测结果造成影响。而现有的车辆图片不可能包括所有的光照条件，只采用现有的车辆图片进行训练的识别模型，可能无法识别未知光照条件下的图片。
因此，在构建神经网络之后，通过引入实例级光照归一化模块和可微分门控模块构建所述通道选择归一化模块，利用所述通道选择归一化模块代替所述神经网络模型的BN层；所述实例级光照归一化模块，可以用于减少所述目标车辆图片与所述训练数据集的车辆图片之间的光照信息差异；所述可微分门控模块可以用于实现自适应通道选择。在引入通道选择归一化模块后，可以起到光照补充的作用，使得训练后的模型即可识别各种光照条件下的车辆图片，提升模型在不同光照条件下的鲁棒性。
S2、获取训练数据集，所述训练数据集包括不同光照条件和不同角度的车辆图片。
具体的，可以将车辆检测数据库中的车辆图片和检测结果，作为模型训练的训练数据集。训练数据集包括不同光照条件和不同角度的车辆图片，以及对每张车辆图片对应的检测结果，检测结果包括车辆图片对应的所有车辆部件，如后视镜、前轮、后轮等等。
S3、利用所述训练数据集对所述初始训练模型进行训练，得到最终训练模型；所述最终训练模型的输出结果为所述车辆图片包含的全部车辆部件图片。
具体的，可以将训练集数据分为训练集和验证集，利用训练集对初始训练模型进行训练。即：将车辆图片输入到初始训练模型中，使得初始训练模型的输出为车辆图片对应的检测结果。如果初始训练模型的输出不是检测结果，则持续调整初始训练模型的参数，直到其可以输出与车辆图片对应的检测结果。此时则表示模型训练完成。
为了验证模型是否可靠，可以再利用验证集对模型进行验证，若验证通过，则将此时的模型作为最终训练模型。此时，将待检测的车辆图片输入到最终训练模型中，即可输出该车辆图片中包含的所有车辆部件图片。
S4、将目标车辆图片输入到最终训练模型，输出初始车辆部件图片。
参见图2，步骤S4还包括：
S41、获取所述目标车辆图片的目标光照信息，通过所述实例级光照归一化模块对所述目标车辆图片的目标光照信息进行选择性归一化，得到归一化数据。
具体的，可以通过归一化方法instance normalizationg（简称IN）来实现归一化，得到归一化数据。该方法可以将每个样本的均值和标准差归一化到特定的值，从而加速模型训练和提高模型的稳定性。
S42、选择与所述目标光照信息对应的目标可微分门控模块，利用所述目标可微分门控模块提取所述目标车辆图片的原始特征数据。
目标可微分门控模块可以沿通道维度组合归一化和原始通道，即，首先消除样本的光照效应，再通过精确重建得到原始特征数据。
S43、利用所述最终训练模型的隐藏层，对所述归一化数据和所述原始特征数据进行处理，通过所述最终训练模型的输出层输出处理结果，所述处理结果包括所述初始车辆部件图片。
利用通道选择归一化模块对车辆图片进行初步的处理之后，再利用神经网络的隐藏层和输出层进行特征提取和输出，从而得到处理结果，由于最终训练模型已经被提前训练过，因此，最终输出的处理结果为初始车辆部件图片。
S5、判断所述初始车辆部件图片是否为所述目标车辆的目标部件图片。
参见图3，步骤S5还包括：
S51、获取所述目标车辆待检测的目标部件，判断所述初始车辆部件图片是否包含了全部的所述目标部件。
在对车辆进行外观检测时，通常需要确保车辆的每个部件都是完整的，因此，可以首先确定目标车辆应该包含的所有车辆部件。
具体的，可以根据与目标车辆相同的现有车辆图片，获取现有车辆图片的部件图片，然后按照不同的部件进行分类，得到现有车辆每个部件的图片，根据所述现有部件生成部件标识。所述部件标识包括部件名称，如轮胎、后视镜、车窗等等。
再获取最终训练模型输出的初始车辆部件图片，根据所述初始车辆部件图片获取所述目标车辆部件名称，判断所述目标车辆部件名称是否包括全部的所述目标部件。
具体的，将最终训练模型输出的目标车辆部件图片分别与现有车辆的部件图片进行比对，如果比对成功，则表示目标车辆包含了该部件。
S52、若未包含全部的所述目标部件，则确定所述目标部件存在漏检。
如果所有的初始车辆部件图片均已比对完毕，则确定初始车辆图片中是否包含了全部的目标部件，如果没有包括所有的目标部件，则说明存在漏检，可以暂时对车辆进行标记，以便工作人员及时处理。
S6、若不是，则从所述初始车辆部件图片中，选取所述目标车辆的前轮图片和后视镜图片对所述目标车辆进行仿射变换，得到目标车辆鸟瞰图片。
如果初始车辆部件图片不是所述目标车辆的目标部件图片，则说明存在漏检，由于在车辆检测时，车辆的轮胎和后视镜通常不会存在漏检，因此，可以选择这两个部位作为定位，从而进行衍射变换。
具体的，从所述初始车辆部件图片中，选取所述前轮图片和所述后视镜图片，计算所述前轮与所述后视镜中心的第一角度和第一距离；
从所述训练数据集中选取仿射车辆图片，并获取所述仿射车辆图片的车辆参数；所述仿射车辆的前轮与后视镜中心的第二角度与所述第一角度相同；所述仿射车辆的前轮与后视镜中心的第二距离与所述第一距离相同；
根据所述前轮图片、后视镜图片第一角度、第二角度、和车辆参数进行仿射变换。
由于初始车辆部件图片都是同一角度进行拍摄的，因此，在仿射变换时不需要再进行角度调整，然后利用初始车辆部件的图片进行仿射变换，得到初始车辆的鸟瞰图，从而得到漏检部件的图片。
S7、将所述目标车辆鸟瞰图片输入到所述最终训练模型，输出最终部件图片，根据所述最终部件图片生成所述目标车辆检测结果。
将鸟瞰图输入到所述最终训练模型中，提取所述目标车辆鸟瞰图包含的全部部件图片，得到所述最终部件图片。然后根据最终部件图片进行后续的处理工作，例如判断最终部件是否存在刮痕、破损等，以确定车辆的外观是否完整。如果不完整，则可以进行标记或报警，从而便于及时处理。
实施例2
参见图4，本申请还提供了一种车辆外观检测装置400，包括：
构建模块401，用于构建神经网络模型，利用通道选择归一化模块代替所述神经网络模型的BN层，得到初始训练模型；所述归一化模块用于减少光照干扰；
获取模块402，用于获取训练数据集，所述训练数据集包括不同光照条件和不同角度的车辆图片；
训练模块403，用于利用所述训练数据集对所述初始训练模型进行训练，得到最终训练模型；所述最终训练模型的输出结果为所述车辆图片包含的全部车辆部件图片；
输入模块404，用于将目标车辆图片输入到最终训练模型，输出初始车辆部件图片；
判断模块405，用于判断所述初始车辆部件图片是否为所述目标车辆的目标部件图片；
变换模块406，用于若不是，则从所述初始车辆部件图片中，选取所述目标车辆的前轮图片和后视镜图片对所述目标车辆进行仿射变换，得到目标车辆鸟瞰图片；
检测模块407，用于将所述目标车辆鸟瞰图片输入到所述最终训练模型，输出最终部件图片，根据所述最终部件图片生成所述目标车辆检测结果。
本实施例可以利用通道选择归一化模块代替BN层，提高了模型对未知光照的泛化能力，通过对相对位置的定位对图片进行衍射变换，从而可以缓解车辆停放位置不合规，导致的检测异常问题。
可以理解，上述实施例1所述的车辆外观检测方法中的实施方式，同样适用于本实施例，且可以起到相同的技术效果，故在此不再重复描述。
实施例3
本申请实施例还提供了一种计算机设备，例如，该计算机设备可以但不限于为如台式计算机、笔记本等，其存在形式不作限定，主要取决于其是否需要支持浏览器网页的界面显示功能等。示范性地，该所述计算机设备包括存储器和至少一个处理器，所述存储器存储有计算机程序，所述处理器用于执行所述计算机程序以实施上述实施例1所述的车辆外观检测方法。
其中，处理器可以是一种具有信号的处理能力的集成电路芯片。处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、图形处理器(GraphicsProcessing Unit，GPU)及网络处理器(Network Processor，NP)、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件中的至少一种。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。
其中，存储器可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。其中，存储器用于存储计算机程序，处理器在接收到执行指令后，可相应地执行所述计算机程序。
进一步地，存储器可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据计算机设备的使用所创建的数据(比如迭代数据、版本数据等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
实施例4
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可运行指令，所述计算机可运行指令在被处理器调用和运行时，所述计算机可运行指令促使所述处理器运行上述实施例1中所述的车辆外观检测方法。
可以理解，上述实施例1所述的车辆外观检测方法中的实施方式，同样适用于本实施例，且可以起到相同的技术效果，故在此不再重复描述。
所述计算机可读存储介质既可以是非易失性存储介质，也可以是易失性存储介质。例如，该计算机可读存储介质可包括但不限于为：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。
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，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和结构图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或多个模块集成形成一个独立的部分。
所述功能如果以软件功能模块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，本申请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(可以是智能手机、个人计算机、服务器、或者网络设备等)执行本申请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。
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。
在这里示出和描述的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制，因此，示例性实施例的其他示例可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
Claims (7)
1.一种车辆外观检测方法，其特征在于，包括：
构建神经网络模型，引入实例级光照归一化模块和可微分门控模块构建通道选择归一化模块，利用所述通道选择归一化模块代替所述神经网络模型的BN层，得到初始训练模型；所述归一化模块用于减少光照干扰；所述实例级光照归一化模块，用于减少目标车辆图片与训练数据集的车辆图片之间的光照信息差异；所述可微分门控模块用于实现自适应通道选择；
获取训练数据集，所述训练数据集包括不同光照条件和不同角度的车辆图片；
利用所述训练数据集对所述初始训练模型进行训练，得到最终训练模型；所述最终训练模型的输出结果为所述车辆图片包含的全部车辆部件图片；
获取所述目标车辆图片的目标光照信息，通过所述实例级光照归一化模块对所述目标车辆图片的目标光照信息进行选择性归一化，得到归一化数据；
选择与所述目标光照信息对应的目标可微分门控模块，利用所述目标可微分门控模块提取所述目标车辆图片的原始特征数据；
利用所述最终训练模型的隐藏层，对所述归一化数据和所述原始特征数据进行处理，通过所述最终训练模型的输出层输出处理结果，所述处理结果包括初始车辆部件图片；
判断所述初始车辆部件图片是否为所述目标车辆的目标部件图片；
若不是，则从所述初始车辆部件图片中，选取前轮图片和后视镜图片；
计算所述前轮与后视镜中心的第一角度和第一距离；
从所述训练数据集中选取仿射车辆图片，并获取所述仿射车辆图片的车辆参数；所述仿射车辆的前轮与后视镜中心的第二角度与所述第一角度相同；所述仿射车辆的前轮与后视镜中心的第二距离与所述第一距离相同；
根据所述前轮图片、后视镜图片第一角度、第二角度和车辆参数进行仿射变换，得到目标车辆鸟瞰图片；
将所述目标车辆鸟瞰图片输入到所述最终训练模型，输出最终部件图片，根据所述最终部件图片生成所述目标车辆检测结果。
2.根据权利要求1所述的车辆外观检测方法，其特征在于，所述判断所述初始车辆部件图片是否为所述目标车辆的目标部件图片，包括：
获取所述目标车辆待检测的目标部件，判断所述初始车辆部件图片是否包含了全部的所述目标部件；
若未包含全部的所述目标部件，则确定所述目标部件存在漏检。
3.根据权利要求2所述的车辆外观检测方法，其特征在于，所述获取所述目标车辆待检测的目标部件，判断所述初始车辆部件图片是否包含了全部的所述目标部件，包括：
获取所述目标车辆待检测的目标部件，根据所述目标部件生成部件标识；所述部件标识包括目标部件名称；
根据所述初始车辆部件图片获取所述初始车辆部件名称，判断所述初始车辆部件名称是否包括全部的所述目标部件名称。
4.根据权利要求1所述的车辆外观检测方法，其特征在于，所述将所述目标车辆鸟瞰图片输入到所述最终训练模型，输出最终部件图片，包括：
通过所述最终训练模型提取所述目标车辆鸟瞰图包含的全部部件图片，得到所述最终部件图片。
5.一种车辆外观检测装置，其特征在于，包括：
构建模块，用于构建神经网络模型，引入实例级光照归一化模块和可微分门控模块构建通道选择归一化模块，利用所述通道选择归一化模块代替所述神经网络模型的BN层，得到初始训练模型；所述归一化模块用于减少光照干扰；所述实例级光照归一化模块，用于减少目标车辆图片与训练数据集的车辆图片之间的光照信息差异；所述可微分门控模块用于实现自适应通道选择；
获取模块，用于获取训练数据集，所述训练数据集包括不同光照条件和不同角度的车辆图片；
训练模块，用于利用所述训练数据集对所述初始训练模型进行训练，得到最终训练模型；所述最终训练模型的输出结果为所述车辆图片包含的全部车辆部件图片；
输入模块，用于获取所述目标车辆图片的目标光照信息，通过所述实例级光照归一化模块对所述目标车辆图片的目标光照信息进行选择性归一化，得到归一化数据；
选择与所述目标光照信息对应的目标可微分门控模块，利用所述目标可微分门控模块提取所述目标车辆图片的原始特征数据；
利用所述最终训练模型的隐藏层，对所述归一化数据和所述原始特征数据进行处理，通过所述最终训练模型的输出层输出处理结果，所述处理结果包括初始车辆部件图片；
判断模块，用于判断所述初始车辆部件图片是否为所述目标车辆的目标部件图片；
变换模块，用于若不是，则从所述初始车辆部件图片中，选取前轮图片和后视镜图片；
计算所述前轮与后视镜中心的第一角度和第一距离；
从所述训练数据集中选取仿射车辆图片，并获取所述仿射车辆图片的车辆参数；所述仿射车辆的前轮与后视镜中心的第二角度与所述第一角度相同；所述仿射车辆的前轮与后视镜中心的第二距离与所述第一距离相同；
根据所述前轮图片、后视镜图片第一角度、第二角度和车辆参数进行仿射变换，得到目标车辆鸟瞰图片；
检测模块，用于将所述目标车辆鸟瞰图片输入到所述最终训练模型，输出最终部件图片，根据所述最终部件图片生成所述目标车辆检测结果。
6.一种电子设备，其特征在于，包括存储器和至少一个处理器，所述存储器存储有计算机程序，所述处理器用于执行所述计算机程序以实施如权利要求1至4中任一项所述的车辆外观检测方法。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被执行时，实现如权利要求1至4中任一项所述的车辆外观检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410182581.9A CN117745720B (zh) | 2024-02-19 | 2024-02-19 | 一种车辆外观检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410182581.9A CN117745720B (zh) | 2024-02-19 | 2024-02-19 | 一种车辆外观检测方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117745720A CN117745720A (zh) | 2024-03-22 |
| CN117745720B true CN117745720B (zh) | 2024-05-07 |
Family
ID=90279815
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410182581.9A Active CN117745720B (zh) | 2024-02-19 | 2024-02-19 | 一种车辆外观检测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117745720B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104851076A (zh) * | 2015-05-27 | 2015-08-19 | 武汉理工大学 | 用于商用车的全景环视泊车辅助系统及摄像头安装方法 |
| CN110276258A (zh) * | 2019-05-21 | 2019-09-24 | 智慧互通科技有限公司 | 一种识别车辆外观的方法及系统 |
| CN111814584A (zh) * | 2020-06-18 | 2020-10-23 | 北京交通大学 | 基于多中心度量损失的多视角环境下车辆重识别方法 |
| CN113762134A (zh) * | 2021-09-01 | 2021-12-07 | 沈阳工业大学 | 基于视觉的汽车泊车中周围障碍物的检测方法 |
| CN115358348A (zh) * | 2022-10-19 | 2022-11-18 | 成都数之联科技股份有限公司 | 一种车辆直通率影响特征确定方法、装置、设备及介质 |
| CN116052150A (zh) * | 2023-01-18 | 2023-05-02 | 暨南大学 | 一种针对遮挡车牌的车脸识别方法 |
| CN116071720A (zh) * | 2023-02-23 | 2023-05-05 | 山东新一代信息产业技术研究院有限公司 | 一种基于激光雷达的车道线及车辆检测方法、设备及介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9477892B2 (en) * | 2014-03-26 | 2016-10-25 | Xerox Corporation | Efficient method of offline training a special-type parked vehicle detector for video-based on-street parking occupancy detection systems |
| JP6601352B2 (ja) * | 2016-09-15 | 2019-11-06 | 株式会社デンソー | 車両姿勢推定装置 |
| EP3671542A1 (en) * | 2018-12-18 | 2020-06-24 | Visteon Global Technologies, Inc. | Method for multilane detection using a convolutional neural network |
-
2024
- 2024-02-19 CN CN202410182581.9A patent/CN117745720B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104851076A (zh) * | 2015-05-27 | 2015-08-19 | 武汉理工大学 | 用于商用车的全景环视泊车辅助系统及摄像头安装方法 |
| CN110276258A (zh) * | 2019-05-21 | 2019-09-24 | 智慧互通科技有限公司 | 一种识别车辆外观的方法及系统 |
| CN111814584A (zh) * | 2020-06-18 | 2020-10-23 | 北京交通大学 | 基于多中心度量损失的多视角环境下车辆重识别方法 |
| CN113762134A (zh) * | 2021-09-01 | 2021-12-07 | 沈阳工业大学 | 基于视觉的汽车泊车中周围障碍物的检测方法 |
| CN115358348A (zh) * | 2022-10-19 | 2022-11-18 | 成都数之联科技股份有限公司 | 一种车辆直通率影响特征确定方法、装置、设备及介质 |
| CN116052150A (zh) * | 2023-01-18 | 2023-05-02 | 暨南大学 | 一种针对遮挡车牌的车脸识别方法 |
| CN116071720A (zh) * | 2023-02-23 | 2023-05-05 | 山东新一代信息产业技术研究院有限公司 | 一种基于激光雷达的车道线及车辆检测方法、设备及介质 |
Non-Patent Citations (5)
| Title |
|---|
| Affine-Function Transformation-Based Object Matching for Vehicle Detection from Unmanned Aerial Vehicle Imagery;Shuang Cao等;《Remote Sens》;20190719;第11卷(第14期);第1-21页 * |
| Generalized Lightness Adaptation with Channel Selective Normalization;Mingde Yao等;《arxiv》;20230826;第1-12页 * |
| Robust Vehicle Detection and Distance Estimation Under Challenging Lighting Conditions;Mahdi Rezaei等;《IEEE Transactions on Intelligent Transportation Systems》;20150504;第16卷(第5期);第2723-2743页 * |
| 一种双CPU协同的大型客车全景环视系统;林忠正等;《电气开关》;20191231;第57卷(第5期);第91-96页 * |
| 基于深度学习算法的车辆部位识别的研究与实现;敬珂;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20210915(第9期);第C034-113页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117745720A (zh) | 2024-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111080628B (zh) | 图像篡改检测方法、装置、计算机设备和存储介质 | |
| CN112132156B (zh) | 多深度特征融合的图像显著性目标检测方法及系统 | |
| US20200160040A1 (en) | Three-dimensional living-body face detection method, face authentication recognition method, and apparatuses | |
| CN111681256B (zh) | 图像边缘检测方法、装置、计算机设备和可读存储介质 | |
| CN112597918B (zh) | 文本检测方法及装置、电子设备、存储介质 | |
| CN111783654B (zh) | 车辆重识别方法、装置及电子设备 | |
| US20230401691A1 (en) | Image defect detection method, electronic device and readable storage medium | |
| CN104573680A (zh) | 图像检测方法、图像检测装置以及交通违法检测系统 | |
| CN111325256A (zh) | 车辆外观检测方法、装置、计算机设备和存储介质 | |
| CN116309562A (zh) | 一种板卡缺陷识别方法及系统 | |
| CN114155363A (zh) | 换流站车辆识别方法、装置、计算机设备和存储介质 | |
| CN109523570A (zh) | 运动参数计算方法及装置 | |
| Shit et al. | An encoder‐decoder based CNN architecture using end to end dehaze and detection network for proper image visualization and detection | |
| CN117302896A (zh) | 一种皮带撕裂检测方法、装置、设备及存储介质 | |
| CN117745720B (zh) | 一种车辆外观检测方法、装置、设备及存储介质 | |
| CN117765485A (zh) | 基于改进的深度残差网络的车型识别方法、装置和设备 | |
| CN111626244B (zh) | 图像识别方法、装置、电子设备和介质 | |
| CN116503239A (zh) | 车载视频数据异常化处理及仿真方法 | |
| CN116452802A (zh) | 车损检测方法、装置、设备及存储介质 | |
| CN114463764A (zh) | 表格线检测方法、装置、计算机设备和存储介质 | |
| CN111104832B (zh) | 图像标签获取方法、图像标签获取装置以及电子设备 | |
| Song et al. | Blurred license plate recognition based on single snapshot from drive recorder | |
| CN112818865A (zh) | 车载领域图像识别方法、识别模型建立方法、装置、电子设备和可读存储介质 | |
| CN118067614B (zh) | 汽车零部件的缺陷检测方法、装置、设备及存储介质 | |
| CN114973092B (zh) | 验车方法、装置、设备及存储介质 |
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 |