CN107958200A - 一种轿车改装排气扇的智能检测***及方法 - Google Patents

Abstract

本发明公开了一种轿车改装排气扇的智能检测***及方法，其***结构包括目标检测模块、目标图像相似度判断模块和统计分析模块；其中，所述目标检测模块包括车辆目标检测单元和排气扇目标检测单元；所述车辆目标检测单元用于获取车辆区域图像，所述排气扇目标检测单元用于检测该车辆区域图像并识别排气扇；所述目标图像相似度判断模块用于比对排气扇图像的特征向量，所述统计分析模块根据校验标准判断检测结构，并返回校验失败的原因。本发明主要应用于机动车车辆年检中轿车改装排气扇检测，实现了检测过程中的全程自动校验，同时可以将未通过的检测图像及原因传回服务器保存留待取证，既节约了人力，又保证了校验工作的公正、公开。

Description

一种轿车改装排气扇的智能检测***及方法

技术领域

本发明涉及机动车车辆年检的人工智能判断技术领域，特别涉及一种轿车改装排气扇智能检测***及方法。

背景技术

随着社会经济的不断发展和人民生活水平的持续提高，城市机动车保有量迅猛增长。机动车作为重要的交通参与者，必须具备良好的安全性和可靠性。然而，部分机动车保有者安全意识单薄，对机动车进行非法改装。非法改装后的车辆未经过安全性测试，可能会增加交通事故发生的概率及严重性。因此，严格地检测车辆是否改装对于维护交通安全非常重要。

传统的排气扇检测主要是通过人工完成，该方法人工成本较高，效率较低，且长时间重复性校验操作容易产生疲劳，易疏忽等不良状态，影响校验准确率。

如何准确、快速地对车辆是否改装排气扇进行校验，同时避免人工校验成本高，易疲劳，易疏忽等弊端，是继续解决的技术问题。

发明内容

本发明的目的是：提出一种轿车改装排气扇智能检测***及方法，自动检测车辆是否改装排气扇，以满足如今对车辆年检工作效率、准确率的需求。

本发明解决其技术问题所采用的技术方案是：

一种轿车改装排气扇的智能检测***，包括目标检测模块、目标图像相似度判断模块和统计分析模块；其中，所述目标检测模块包括车辆目标检测单元和排气扇目标检测单元；所述车辆目标检测单元利用车辆目标检测模型获取车辆区域图像，所述排气扇目标检测单元利用排气扇目标检测模型检测该车辆区域图像并识别排气扇；所述目标图像相似度判断模块利用特征向量提取模型比对排气扇图像的特征向量，所述统计分析模块根据校验标准判断检测结构，并返回校验失败的原因。

一种轿车改装排气扇的智能检测方法，包括如下步骤：

S1、从服务器下载待检测车辆图片及对应档案图片；

S2、采用基于深度学习网络的车辆目标检测模型检测车辆，判断待检测车辆图片中车辆目标是否存在，若存在则记录此条标志为0，提取车辆区域图像；若不存在则记录此条标志为1，并保存相关图片，进入统计分析流程；

S3、采用基于深度学习网络的车辆目标检测模型检测车辆，判断档案图片中车辆目标是否存在，若存在则记录此条标志为0，提取车辆区域图像；若不存在则记录此条标志为1，并保存相关图片，进入统计分析流程；

S4、采用基于深度学习网络的排气扇目标检测模型检测从待检车辆图片中提取的车辆区域图像，判断排气扇是否存在，若存在则记录此条标志为0，提取排气扇区域图像；若不存在则记录此条标志为1，进入统计分析流程；

S5、采用基于深度学习网络的排气扇目标检测模型检测从档案图片中提取的车辆区域图像，判断排气扇是否存在，若存在则记录此条标志为0，提取排气扇区域图像；若不存在则记录此条标志为1，进入统计分析流程；

S6、采用基于深度学习网络的特征向量提取模型提取档案图像与待检测图像中排气扇区域图像的特征向量，根据特征向量间的相似性判断排气扇区域图像特征是否一致，若一致则记录此条标志为0，若不一致则记录此条标志为1，并保存相关图片进入统计分析流程；

S7、对整个过程的动作结果进行统计分析，若输入此模块标志为0，则检测通过；若输入此模块的标志存在标志1，则检测不通过，同时根据标志为1出现的位置可获取检测未通过原因及问题图片；

进一步，所述车辆目标检测模型的获取步骤如下：

S21、获取不同车型在不同光照条件，不同角度拍摄的车辆图像；

S22、采用矩形框标记车辆区域图像所在位置；

S23、使用所述车辆区域图像训练目标检测深度神经网络模型，获得车辆检测模型。

进一步，所述排气扇目标检测模型的获取步骤如下：

S31、获取装有排气扇的不同车型的车辆图像，车身前部排气扇区域需完整；

S32、截取车辆区域图像；

S33、采用矩形框标记排气扇所在位置；

S34、使用所述排气扇区域图像训练目标检测深度神经网络模型，获得排气扇检测模型。

进一步，所述特征向量提取模型的获取步骤如下：

S41、获取不同类别图像(如不同类型汽车、不同类型动物、不同类型植物)；

S42、采用矩形框标记目标在图像中的位置，并标注所述类别；

S43、使用标注图像训练深度神经网络模型，获得特征向量提取模型。

本发明的有益效果是：本发明主要应用于机动车车辆年检中轿车排气扇检测，实现了检测过程中的全程自动校验，同时可以将未通过的检测图像及原因传回服务器保存留待取证，既节约了人力，又保证了校验工作的公正、公开。

附图说明

图1是本发明的智能检测***结构示意图。

图2是本发明的排气扇检测判断流程图。

图3是本发明车辆目标检测单元的结构示意图。

图4是本发明排气扇目标检测单元的结构示意图。

图5是本发明排气扇区域图像特征向量提取过程示意图。

具体实施方式

以下结合附图。对本发明做进一步说明。

本发明的智能检测***结构如图1所示，包括目标检测模块、目标图像相似度判断模块和统计分析模块。

其中，目标检测模块包括车辆目标检测单元和排气扇目标检测单元。

首先，车辆目标检测单元在车辆图像上应用车辆目标检测模型，获取车辆区域图像。然后将车辆区域图像传入排气扇目标检测单元，在车辆区域图像上应用排气扇目标检测模型，识别排气扇。目标检测模块首先检测车辆目标，然后在车辆目标图像内检测排气扇目标，这种分布检测手段可以有效地避免因图像背景复杂、背景中包含其他车辆排气扇等因素造成的误检，提高排气扇检测的准确率。

目标图像相似度判断模块利用基于深度学习的特征向量提取模型提取比对排气扇图像的特征向量，比较待比对图像特征向量间的相似性，并判定图片特征是否一致。

统计分析模块根据校验标准判断排气扇改装检测是否通过，若通过则直接返回校验成功标识，若不通过则根据标志位为1的位置返回校验失败原因及相应图片，留待后期审核查证。

其中，车辆目标检测单元的具体检测方法包括：如图3所示，检测模块首先将待检测车辆图像输入车辆目标检测模型，首先得到N个一维数组[class，x，y，width，height]，数组第一个元素代表对象类别，是车辆则为1，不是车辆则为0，数组后四个元素表征目标对象所在矩形区域，x,y代表矩形左上角点坐标，width代表矩形宽度，height代表矩形高度。每个数组均对应一个车辆目标，利用车辆区域矩形框面积大小构建车辆远近信息，以矩形框面积最大的数组作为检测模块输出，然后通过矩形框位置信息从图像中提取车辆区域图像。此方法可有效地剔出背景中其它非年检目标车辆。

车辆目标检测模型获取方法如下：

S1、训练数据准备：获取不同车型(如轿车、跑车，越野车，面包车，商务车等车型)、不同品牌、指定拍摄角度范围(车身前部装有排气扇区域图像需完整)的车辆图像；

S2、数据标注：采用矩形框将车辆目标在图像中标出，每张图像对应一个矩形框，框内包含车辆目标；

S3、模型训练：采用标注好的训练数据，训练基于深度学习网络的车辆目标检测模型(公知常识,兹不赘述)；

排气扇目标检测单元的具体检测方法包括：如图4所示，将得到的车辆区域图像输入排气扇目标检测模型，得到一个一维数组[class，x，y，width，height]，数组第一个元素代表对象类别，是排气扇则为1，不是排气扇则为0，数组后四个元素表征目标对象所在矩形区域，x,y代表矩形左上角点坐标，width代表矩形宽度，height代表矩形高度，通过矩形框位置信息从车辆区域图像中提取排气扇区域图像。

排气扇目标检测模型获取方法如下：

S1、训练数据准备：获取不同车型、不同品牌、指定拍摄角度范围(车身前部装有排气扇区域图像需完整)的图像，采用车辆区域目标检测模型批量处理上述图像，得到车辆区域区域图像；

S2、数据标注：采用矩形框将排气扇在车辆区域图像中标出，每张车辆区域图像对应一个矩形框，框内包含排气扇目标；

S3、模型训练：采用标注好的训练数据，训练基于深度学习网络的排气扇目标检测模型(公知常识,兹不赘述)；

如图5所示，目标图像相似度判断模块基于基于深度学习网络的特征向量提取模型提取比对图像的特征向量，比较待比对图像特征向量间的相似性，若相似性大于设定阈值，则判定图片特征一致。

特征向量提取模型获取方法如下：

S1、训练数据准备：获取包含不同种类物体图像(如不同种类、不同颜色的动物、植物、车辆、建筑物等)；

S2、数据标注：从物体图像中提取包含目标物体的区域图像，并标记相应类别标签；

S3、模型训练：采用标注好的训练数据，训练基于深度学习网络的特征向量提取模型(公知常识,兹不赘述)；

本发明的排气扇检测标准如下：待检测图片内车辆目标是否存在；档案图片内车辆目标是否存在；待检测图片车辆区域图像内排气扇是否存在；档案图片车辆区域图像内排气扇是否存在；档案图片与待检测图片排气扇区域图像特征是否一致；本发明采用一个一维数组[x1，x2，x3，x4，x5]表示校验状态，初始值为[0，0，0，0，0]。标志位x1代表待检测图片内车辆目标是否存在，若存在则x1为0，若不存在则x1为1；标志位x2代表档案图片内排气扇目标是否存在，若存在则x2为0，若不存在则x2为1；标志位x3代表待检测图片车辆区域图像内排气扇是否存在，若存在则x3为0，若不存在则x3为1；标志位x4代表档案图片车辆区域图像内排气扇是否存在，若存在则x4为0，若不存在则x4为1；标志位x5代表档案图片与待检测图片排气扇区域图像特征向量相似性比对结果，若二者特征向量向量相似性大于设定值则为0，若小于设定值则为1；最后，统计标志位[x1，x2，x3，x4，x5]状态，若标志为均为0，则校验通过，若存在1，则校验不通过。根据状态1出现的位置可以得到校验未通过的原因。若x1为1，则待检测图像中未检测到车辆目标，可能的原因有：待检测图像获取阶段出错、车辆拍摄角度不符合规定，未包含完整车身或图片质量不佳，出现过曝或过暗，因此导致审核未通过；若x2为1，则档案图像中未检测到车辆目标，可能原因为档案数据获取阶段出错，或服务器存储档案图片时分类阶段发生错误，误存其他类别图像，因此导致审核未通过；若x3为1，则表明待检测图像中车辆区域图像中未检测到排气扇，则可能原因为拍摄角度不对，图像未包含排气扇区域；若x4为1，则表明档案图像中车辆区域图像中未检测到排气扇，则可能原因为拍摄角度不对，图像未包含排气扇区域；若x5为1，则表明待检测图像与档案图像中排气扇特征不一致，车主对排气扇进行了非法改装。

本发明的智能检测方法，其实施具体流程如图2所示，包括如下步骤：

S1、从服务器下载待检测车辆图片及对应档案图片；

S2、采用基于深度学习网络的车辆目标检测模型检测车辆，判断待检测车辆图片中车辆目标是否存在，若存在则记录此条标志为0，提取车辆区域图像；若不存在则记录此条标志为1，并保存相关图片，进入统计分析流程；

S3、采用基于深度学习网络的车辆目标检测模型检测车辆，判断档案图片中车辆目标是否存在，若存在则记录此条标志为0，提取车辆区域图像；若不存在则记录此条标志为1，并保存相关图片，进入统计分析流程；

S4、采用基于深度学习网络的排气扇目标检测模型检测从待检车辆图片中提取的车辆区域图像，判断排气扇是否存在，若存在则记录此条标志为0，提取排气扇区域图像；若不存在则记录此条标志为1，进入统计分析流程；

S5、采用基于深度学习网络的排气扇目标检测模型检测从档案图片中提取的车辆区域图像，判断排气扇是否存在，若存在则记录此条标志为0，提取排气扇区域图像；若不存在则记录此条标志为1，进入统计分析流程；

S6、采用基于深度学习网络的特征向量提取模型提取档案图像与待检测图像中排气扇区域图像的特征向量，根据特征向量间的相似性判断排气扇区域图像特征是否一致，若一致则记录此条标志为0，若不一致则记录此条标志为1，并保存相关图片进入统计分析流程；

S7、对整个过程的动作结果进行统计分析，若输入此模块标志为0，则检测通过；若输入此模块的标志存在标志1，则检测不通过，同时根据标志为1出现的位置可获取检测未通过原因及问题图片。

以上显示和描述了本方案的基本原理和主要特征和本方案的优点。本行业的技术人员应该了解，本方案不受上述实施例的限制，上述实施例和说明书中描述的只是说明本方案的原理，在不脱离本方案精神和范围的前提下，本方案还会有各种变化和改进，这些变化和改进都落入要求保护的本方案范围内。本方案要求保护范围由所附的权利要求书及其等效物界定。

Claims (5)

1.一种轿车改装排气扇的智能检测***，其特征在于，包括目标检测模块、目标图像相似度判断模块和统计分析模块；其中，所述目标检测模块包括车辆目标检测单元和排气扇目标检测单元；所述车辆目标检测单元利用车辆目标检测模型获取车辆区域图像，所述排气扇目标检测单元利用排气扇目标检测模型检测该车辆区域图像并识别排气扇；所述目标图像相似度判断模块利用特征向量提取模型比对排气扇图像的特征向量，所述统计分析模块根据校验标准判断检测结构，并返回校验失败的原因。

2.一种轿车改装排气扇的智能检测方法，其特征在于，包括如下步骤：

S1、从服务器下载待检测车辆图片及对应档案图片；

S2、采用基于深度学习网络的车辆目标检测模型检测车辆，判断待检测车辆图片中车辆目标是否存在，若存在则记录此条标志为0，提取车辆区域图像；若不存在则记录此条标志为1，并保存相关图片，进入统计分析流程；

S3、采用基于深度学习网络的车辆目标检测模型检测车辆，判断档案图片中车辆目标是否存在，若存在则记录此条标志为0，提取车辆区域图像；若不存在则记录此条标志为1，并保存相关图片，进入统计分析流程；

S4、采用基于深度学习网络的排气扇目标检测模型检测从待检车辆图片中提取的车辆区域图像，判断排气扇是否存在，若存在则记录此条标志为0，提取排气扇区域图像；若不存在则记录此条标志为1，进入统计分析流程；

S5、采用基于深度学习网络的排气扇目标检测模型检测从档案图片中提取的车辆区域图像，判断排气扇是否存在，若存在则记录此条标志为0，提取排气扇区域图像；若不存在则记录此条标志为1，进入统计分析流程；

S6、采用基于深度学习网络的特征向量提取模型提取档案图像与待检测图像中排气扇区域图像的特征向量，根据特征向量间的相似性判断排气扇区域图像特征是否一致，若一致则记录此条标志为0，若不一致则记录此条标志为1，并保存相关图片进入统计分析流程；

S7、对整个过程的动作结果进行统计分析，若输入此模块标志为0，则检测通过；若输入此模块的标志存在标志1，则检测不通过，同时根据标志为1出现的位置可获取检测未通过原因及问题图片。

3.如权利要求2所述的智能检测方法，其特征在于，所述车辆目标检测模型的获取步骤如下：

S21、获取不同车型在不同光照条件，不同角度拍摄的车辆图像；

S22、采用矩形框标记车辆区域图像所在位置；

S23、使用所述车辆区域图像训练目标检测深度神经网络模型，获得车辆检测模型。

4.如权利要求2所述的智能检测方法，其特征在于，所述排气扇目标检测模型的获取步骤如下：

S31、获取装有排气扇的不同车型的车辆图像，车身前部排气扇区域需完整；

S32、截取车辆区域图像；

S33、采用矩形框标记排气扇所在位置；

S34、使用排气扇区域图像训练目标检测深度神经网络模型，获得排气扇检测模型。

5.如权利要求2所述的智能检测方法，其特征在于，所述特征向量提取模型的获取步骤如下：

S41、获取不同类别图像；

S42、采用矩形框标记目标在图像中的位置，并标注所述类别；

S43、使用标注图像训练深度神经网络模型，获得特征向量提取模型。