CN107967445A - 一种轿车加装天窗的智能检测***及方法 - Google Patents
一种轿车加装天窗的智能检测***及方法 Download PDFInfo
- Publication number
- CN107967445A CN107967445A CN201710949529.1A CN201710949529A CN107967445A CN 107967445 A CN107967445 A CN 107967445A CN 201710949529 A CN201710949529 A CN 201710949529A CN 107967445 A CN107967445 A CN 107967445A
- Authority
- CN
- China
- Prior art keywords
- skylight
- vehicle
- mark
- detection
- picture
- 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.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种轿车加装天窗的智能检测***及方法,包括目标检测模块和判断模块,其中,所述目标检测模块包括车辆目标检测单元、天窗目标检测单元和天窗检测标志判断单元;所述车辆目标检测单元获取车辆区域图像,所述天窗目标检测单元对车辆区域图像进行检测并识别出天窗,天窗检测标志判断单元将档案图片与待检测图片天窗检测标志进行比对,所述判定模块对整个检测流程的结果进行综合判定。本发明主要应用于机动车车辆年检中轿车加装天窗检测,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
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,特别涉及一种轿车加装天窗智能检测***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。
传统的车辆加装天窗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、快速地对车辆是否加装天窗进行校验,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:提出一种轿车加装天窗智能检测***及方法,自动检测车辆是否加装天窗,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:
一种轿车加装天窗的智能检测***,包括目标检测模块和判断模块,其中,所述目标检测模块包括车辆目标检测单元、天窗目标检测单元和天窗检测标志判断单元;所述车辆目标检测单元通过车辆目标检测模型检测车辆图像,获取车辆区域图像,所述天窗目标检测单元利用天窗目标检测模型对车辆区域图像进行检测,并识别出天窗,所述天窗检测标志判断单元将档案图片与待检测图片天窗检测标志进行比对,所述判定模块对整个检测流程的结果进行综合判定,并反馈未通过的原因及图片。
一种轿车加装天窗的智能检测方法,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天窗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,判断天窗是否存在,若存在则记录此条标志为0,提取天窗区域图像;若不存在则记录此条标志为1;
S5、采用基于深度学习网络的天窗目标检测模型检测从档案图片中提取的车辆区域图像,判断天窗是否存在,若存在则记录此条标志为0,提取天窗区域图像;若不存在则记录此条标志为1;
S6、判断待检测车辆图片天窗检测标志与档案图片天窗检测标志是否一致,若一致,则记录此条标志为0;若不一致,则判断档案图片天窗检测标志是否为0,若为0则记录此条标志为0,若为1,则记录此条标志为1;
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,所述天窗目标检测模型的获取步骤如下:
S31、获取装有天窗的不同车型的车辆图像,车身顶部天窗区域需完整;
S32、截取车辆区域图像;
S33、采用矩形框标记天窗所在位置;
S34、使用所述天窗区域图像训练目标检测深度神经网络模型,获得天窗检测模型。
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加装天窗检测,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***的结构示意图。
图2是本发明的加装天窗的检测判断流程图。
图3是本发明车辆目标检测单元的结构示意图。
图4是本发明天窗目标检测单元的结构示意图。
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,包括目标检测模块和判定模块。
其中,目标检测模块包括:车辆目标检测单元、天窗目标检测单元和天窗检测标志判断单元;
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天窗目标检测单元,在车辆区域图像上应用天窗目标检测模型,识别天窗。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天窗目标,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天窗等因素造成的误检,提高天窗检测的准确率。
天窗检测标志判断单元将档案图片与待检测图片天窗检测标志进行比对,判定模块对整个检测流程的结果进行综合判定,并反馈未通过的原因及图片。
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(车身顶部装有天窗区域图像需完整)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);
天窗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天窗目标检测模型,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,是天窗则为1,不是天窗则为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天窗区域图像。
天窗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(车身顶部装有天窗区域图像需完整)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:采用矩形框将天窗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,框内包含天窗目标;
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天窗目标检测模型(公知常识,兹不赘述);
本发明的加装天窗检测标准如下: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天窗是否存在;档案图片车辆区域图像内天窗是否存在;档案图片与待检测图片天窗检测标志比较结果;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代表档案图片内天窗目标是否存在,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天窗是否存在,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天窗是否存在,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天窗检测标志比较结果,若x3与x4值相同,则x5为0,若x3与x4值不同,且x4为0,则x5为0,此情况对应档案图片中存在天窗,而待检测图片中没有天窗,不属于加装检测范围;若x3与x4值不同,且x4为1,则x5为1,此情况对应档案待检测图片中存在天窗目标,而档案图片中不存在天窗,属于加装天窗;最后,统计标志位[x1,x2,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,则表明该车辆非法加装天窗,审核不通过。
判定模块根据校验标准判断天窗校验是否通过,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。
本发明的实施具体流程如图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天窗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,判断天窗是否存在,若存在则记录此条标志为0,提取天窗区域图像;若不存在则记录此条标志为1;
S5、采用基于深度学习网络的天窗目标检测模型检测从档案图片中提取的车辆区域图像,判断天窗是否存在,若存在则记录此条标志为0,提取天窗区域图像;若不存在则记录此条标志为1;
S6、判断待检测车辆图片天窗检测标志与档案图片天窗检测标志是否一致,若一致,则记录此条标志为0;若不一致,则判断档案图片天窗检测标志是否为0,若为0则记录此条标志为0,若为1,则记录此条标志为1;
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 (4)
1.一种轿车加装天窗的智能检测***,其特征在于,包括目标检测模块和判断模块,其中,所述目标检测模块包括车辆目标检测单元、天窗目标检测单元和天窗检测标志判断单元;所述车辆目标检测单元通过车辆目标检测模型检测车辆图像,获取车辆区域图像,所述天窗目标检测单元利用天窗目标检测模型对车辆区域图像进行检测,并识别出天窗,所述天窗检测标志判断单元将档案图片与待检测图片天窗检测标志进行比对,所述判定模块对整个检测流程的结果进行综合判定,并反馈未通过的原因及图片。
2.一种轿车加装天窗的智能检测方法,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天窗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,判断天窗是否存在,若存在则记录此条标志为0,提取天窗区域图像;若不存在则记录此条标志为1;
S5、采用基于深度学习网络的天窗目标检测模型检测从档案图片中提取的车辆区域图像,判断天窗是否存在,若存在则记录此条标志为0,提取天窗区域图像;若不存在则记录此条标志为1;
S6、判断待检测车辆图片天窗检测标志与档案图片天窗检测标志是否一致,若一致,则记录此条标志为0;若不一致,则判断档案图片天窗检测标志是否为0,若为0则记录此条标志为0,若为1,则记录此条标志为1;
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,所述天窗目标检测模型的获取步骤如下:
S31、获取装有天窗的不同车型的车辆图像,车身顶部天窗区域需完整;
S32、截取车辆区域图像;
S33、采用矩形框标记天窗所在位置;
S34、使用所述天窗区域图像训练目标检测深度神经网络模型,获得天窗检测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710949529.1A CN107967445A (zh) | 2017-10-13 | 2017-10-13 | 一种轿车加装天窗的智能检测***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710949529.1A CN107967445A (zh) | 2017-10-13 | 2017-10-13 | 一种轿车加装天窗的智能检测***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107967445A true CN107967445A (zh) | 2018-04-27 |
Family
ID=61996719
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710949529.1A Withdrawn CN107967445A (zh) | 2017-10-13 | 2017-10-13 | 一种轿车加装天窗的智能检测***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107967445A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108831155A (zh) * | 2018-07-28 | 2018-11-16 | 王立娥 | 多功能交通服务机构 |
CN109344835A (zh) * | 2018-09-20 | 2019-02-15 | 上海眼控科技股份有限公司 | 基于车辆vin码字符位置的篡改检测方法 |
CN110738080A (zh) * | 2018-07-19 | 2020-01-31 | 杭州海康威视数字技术股份有限公司 | 一种识别改装机动车的方法、装置和电子设备 |
CN110796078A (zh) * | 2019-10-29 | 2020-02-14 | 上海眼控科技股份有限公司 | 车辆的灯光检测方法、装置、电子设备及可读存储介质 |
CN112629877A (zh) * | 2020-12-07 | 2021-04-09 | 上汽通用汽车有限公司 | 汽车天窗测试方法和*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1889144A (zh) * | 2006-07-24 | 2007-01-03 | 王成利 | 一种对机动车及驾驶员进行管理的电子检测装置 |
CN101242407A (zh) * | 2008-03-07 | 2008-08-13 | 公安部交通管理科学研究所 | 机动车合格证数字防伪方法及其防伪*** |
CN106096531A (zh) * | 2016-05-31 | 2016-11-09 | 安徽省云力信息技术有限公司 | 一种基于深度学习的交通图像多类型车辆检测方法 |
CN106203385A (zh) * | 2016-07-20 | 2016-12-07 | 东方网力科技股份有限公司 | 一种驾驶员手持电话行为检测方法及装置 |
CN106600968A (zh) * | 2016-12-01 | 2017-04-26 | 北京长城金点物联网科技股份有限公司 | 一种车牌识别方法及*** |
CN107016362A (zh) * | 2017-03-30 | 2017-08-04 | 华中科技大学 | 基于车辆前挡风玻璃粘贴标志的车辆重识别方法和*** |
-
2017
- 2017-10-13 CN CN201710949529.1A patent/CN107967445A/zh not_active Withdrawn
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1889144A (zh) * | 2006-07-24 | 2007-01-03 | 王成利 | 一种对机动车及驾驶员进行管理的电子检测装置 |
CN101242407A (zh) * | 2008-03-07 | 2008-08-13 | 公安部交通管理科学研究所 | 机动车合格证数字防伪方法及其防伪*** |
CN106096531A (zh) * | 2016-05-31 | 2016-11-09 | 安徽省云力信息技术有限公司 | 一种基于深度学习的交通图像多类型车辆检测方法 |
CN106203385A (zh) * | 2016-07-20 | 2016-12-07 | 东方网力科技股份有限公司 | 一种驾驶员手持电话行为检测方法及装置 |
CN106600968A (zh) * | 2016-12-01 | 2017-04-26 | 北京长城金点物联网科技股份有限公司 | 一种车牌识别方法及*** |
CN107016362A (zh) * | 2017-03-30 | 2017-08-04 | 华中科技大学 | 基于车辆前挡风玻璃粘贴标志的车辆重识别方法和*** |
Non-Patent Citations (1)
Title |
---|
韩猛、包威: "科技提高车辆检验监管工作", 《道路交通管理》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110738080A (zh) * | 2018-07-19 | 2020-01-31 | 杭州海康威视数字技术股份有限公司 | 一种识别改装机动车的方法、装置和电子设备 |
CN108831155A (zh) * | 2018-07-28 | 2018-11-16 | 王立娥 | 多功能交通服务机构 |
CN109344835A (zh) * | 2018-09-20 | 2019-02-15 | 上海眼控科技股份有限公司 | 基于车辆vin码字符位置的篡改检测方法 |
CN110796078A (zh) * | 2019-10-29 | 2020-02-14 | 上海眼控科技股份有限公司 | 车辆的灯光检测方法、装置、电子设备及可读存储介质 |
CN112629877A (zh) * | 2020-12-07 | 2021-04-09 | 上汽通用汽车有限公司 | 汽车天窗测试方法和*** |
CN112629877B (zh) * | 2020-12-07 | 2023-09-26 | 上汽通用汽车有限公司 | 汽车天窗测试方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107967445A (zh) | 一种轿车加装天窗的智能检测***及方法 | |
CN107958200A (zh) | 一种轿车改装排气扇的智能检测***及方法 | |
CN107958201A (zh) | 一种车辆年检保险单表格的智能检测***及方法 | |
CN107818322A (zh) | 一种用于车辆年检的车辆vin码篡改检测***及方法 | |
CN107798302A (zh) | 一种轿车加装行李架的智能检测***及方法 | |
CN107886047A (zh) | 一种车辆年检检验报告的检测***及方法 | |
CN105761495A (zh) | 一种基于双频基站的***辆识别与稽查***及方法 | |
CN103903005A (zh) | 车牌影像辨识***及方法 | |
CN105702048A (zh) | 基于行车记录仪的高速公路前车违法占道识别***及方法 | |
CN109344886B (zh) | 基于卷积神经网络的遮挡号牌判别方法 | |
CN109447090B (zh) | 一种屏蔽门障碍物检测方法及检测*** | |
CN103914682A (zh) | 一种车牌识别方法及*** | |
CN204945122U (zh) | 一种车辆尾气污染物监测*** | |
CN105259304A (zh) | 一种车辆尾气污染物在线监测***和方法 | |
CN107798301A (zh) | 一种用于车辆年检的签名检测***及方法 | |
CN107610477A (zh) | 一种智能交通射频与视频信息融合处理方法 | |
CN106571040B (zh) | 一种可疑车辆确认方法及设备 | |
CN115810134B (zh) | 一种车险反欺诈的图像采集质检方法、***和装置 | |
CN107967446A (zh) | 一种加装发动机防护装置的智能检测***及方法 | |
CN110852151B (zh) | 一种路内泊位遮挡检测方法和装置 | |
CN105989600A (zh) | 基于特征点分布统计的配电网设备外观检测方法及*** | |
CN106446929B (zh) | 基于边缘梯度势能的车辆类型检测方法 | |
CN105512662A (zh) | 一种无牌车辆检测方法及装置 | |
CN110909599A (zh) | 一种渣土车苫盖的检测方法、装置及*** | |
CN109344829B (zh) | 一种高速铁路列车的车号识别方法及装置 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180427 |