CN109614940A - 一种车箱盖的开关状态监测方法和相关装置 - Google Patents
一种车箱盖的开关状态监测方法和相关装置 Download PDFInfo
- Publication number
- CN109614940A CN109614940A CN201811534229.8A CN201811534229A CN109614940A CN 109614940 A CN109614940 A CN 109614940A CN 201811534229 A CN201811534229 A CN 201811534229A CN 109614940 A CN109614940 A CN 109614940A
- Authority
- CN
- China
- Prior art keywords
- deck lid
- image
- switch state
- training
- lid
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012544 monitoring process Methods 0.000 title claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 78
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 25
- 239000002689 soil Substances 0.000 claims abstract description 11
- 238000012806 monitoring device Methods 0.000 claims abstract description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 229910000838 Al alloy Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013442 quality metrics Methods 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种车箱盖的开关状态监测方法，应用于渣土车、泥头车和自卸车，包括：利用卷积神经网络算法对样本图像进行图像训练获得训练模型；其中，所述样本图像是车箱盖开状态的图像集合和车箱盖关状态的图像集合；获取待识别的车箱盖图像；利用所述训练模型对所述车箱盖图像进行识别，获取所述车箱盖的开关状态。可见，本申请通过利用训练模型对待识别的车箱盖图像进行识别获取车箱盖开关状态的方法，避免了传感器易损坏造成的高成本问题，节约了成本。本申请同时还提供了一种车箱盖的开关状态监测装置、电子设备和计算机可读存储介质，均具有上述有益效果。
Description
技术领域
本申请涉及车辆技术领域，特别涉及一种车箱盖的开关状态监测方法、车箱盖的开关状态监测装置、电子设备和计算机可读存储介质。
背景技术
在城市监管中，政府管理部门需要严格限制一些行驶车辆的箱盖的开关状态，以避免环境卫生被破坏及市民的安全。一般来说，可监控的车辆是垃圾车垃圾车、渣土车、泥头车、自卸车等车。现有的监测车箱盖开关状态是通过硬件传感器来识别开关箱状态，安装在车箱箱体边缘的传感器，容易在装卸过程中破坏甚至整体撞落，硬件传感器容易损坏；硬件传感器同时还存在安装困难、维护成本高等缺陷。
因此，如何提供一种解决上述技术问题的方案是本领域技术人员目前需要解决的问题。
发明内容
本申请的目的是提供一种车箱盖的开关状态监测方法、车箱盖的开关状态监测装置、电子设备和计算机可读存储介质，能够降低成本。其具体方案如下：
本申请提供一种车箱盖的开关状态监测方法，应用于渣土车、泥头车和自卸车，包括：
利用卷积神经网络算法对样本图像进行图像训练获得训练模型；其中，所述样本图像是车箱盖开状态的图像集合和车箱盖关状态的图像集合；
获取待识别的车箱盖图像；
利用所述训练模型对所述车箱盖图像进行识别，获取所述车箱盖的开关状态。
优选地，利用卷积神经网络算法对样本图像进行图像训练获得训练模型，包括：
采集所述车箱盖的所述样本图像；
对所述车箱盖的样本图像使用监督学习法利用卷积神经网络算法进行分类学习，获得所述训练模型。
优选地，利用卷积神经网络算法对样本图像进行图像训练获得训练模型，包括：
利用MobileNet算法对对样本图像进行图像训练获得训练模型。
优选地，获取待识别的车箱盖图像之前，包括：
判断预设条件是否达到预设阈值；
若所述预设条件达到所述预设阈值，则执行获取待识别的车箱盖图像的操作。
优选地，利用所述训练模型对所述车箱盖图像进行识别，获取所述车箱盖开关状态之后，包括：
判断所述车箱盖的开关状态；
若所述车箱盖的开关状态是车箱盖开状态，则获取车辆数据信息；
将车辆信息发送至管理平台；其中，所述车辆信息包括所述车辆数据信息与所述车箱盖图像。
本申请提供一种车箱盖的开关状态监测装置，应用于渣土车、泥头车和自卸车，包括：
训练模型获得模块，用于利用卷积神经网络算法对样本图像进行图像训练获得训练模型；其中，所述样本图像是车箱盖开状态的图像集合和车箱盖关状态的图像集合；
车箱盖图像获取模块，用于获取待识别的车箱盖图像；
开关状态识别模块，用于利用所述训练模型对所述车箱盖图像进行识别，获取所述车箱盖的开关状态。
优选地，所述训练模型获得模块包括：
样本图像采集单元，用于采集所述车箱盖的所述样本图像；
训练模型获得单元，用于对所述车箱盖的样本图像使用监督学习法利用卷积神经网络算法进行分类学习，获得所述训练模型。
优选地，还包括：
判断模块，用于判断预设条件是否达到预设阈值；
执行模块，用于若所述预设条件达到所述预设阈值，则执行获取待识别的车箱图像的图像特征的操作。
优选地，还包括：
开关状态判断模块，用于判断所述车箱盖的开关状态；
车辆信息获取模块，用于若所述车箱盖的开关状态是车箱盖开状态，则获取车辆数据信息；
车辆信息发送模块，用于将车辆信息发送至管理平台；其中，所述车辆信息包括所述车辆数据信息与所述车箱盖图像。
本申请提供一种电子设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上述车箱盖的开关状态监测方法的步骤。
本申请提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述车箱盖的开关状态监测方法的步骤。
本申请提供一种车箱盖的开关状态监测方法，应用于渣土车、泥头车和自卸车，包括：利用卷积神经网络算法对样本图像进行图像训练获得训练模型；其中，样本图像是车箱盖开状态的图像集合和车箱盖关状态的图像集合；获取待识别的车箱盖图像；利用训练模型对车箱盖图像进行识别，获取车箱盖的开关状态。
可见，本申请通过利用训练模型对待识别的车箱盖图像进行识别获取车箱盖开关状态的方法，避免了传感器易损坏造成的高成本问题，节约了成本。本申请同时还提供了一种车箱盖的开关状态监测装置、电子设备和计算机可读存储介质，均具有上述有益效果，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本申请实施例所提供的一种车箱盖的开关状态监测方法的流程图；
图2为本申请实施例所提供的一种车箱盖的开关状态监测装置的结构示意图。
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。
在常见的车箱盖开关监测是通过硬件传感器来识别开关箱状态，安装在车箱箱体边缘的传感器，容易在装卸过程中破坏甚至整体撞落，硬件传感器容易损坏；硬件传感器同时还存在安装困难、维护成本高等缺陷。基于上述技术问题，本实施例提供一种车箱盖的开关状态监测方法，通过利用训练模型对待识别的车箱盖图像的图像特征进行识别获取车箱盖开关状态的方法，避免了传感器易损坏造成的高成本问题，节约了成本。具体请参考图1，图1为本申请实施例所提供的一种车箱盖的开关状态监测方法的流程图，应用于渣土车、泥头车和自卸车，具体包括：
S101、利用卷积神经网络算法对样本图像进行图像训练获得训练模型。
其中，样本图像是车箱盖开状态的图像集合和车箱盖关状态的图像集合。
具体的，本实施例不对卷积神经网络算法做具体的限定，可以是SqueezeNet、MobileNet、ShuffleNet、Xception等，只要满足本实施例的目的即可。本实施例采用的是有监督方法进行图片训练获得训练模型。具体的，采集车箱盖的样本图像；对车箱盖的样本图像使用监督学***推可以是摇臂，当然本实施例也不对车箱盖的材料进行限定，当选择平推式时车箱盖的材料可以是选择是铝合金或者轻型硬质PVC材料，当然也可以是其他材料，只要能够满足本实施例的目的即可，用户可根据实际需求进行限定；当选择摇臂式时，可以选择轻型高强度的不锈钢材料或者其他材料，只要能够满足本实施例的目的即可。
具体的，一个神经网络包括输入层、隐藏层和输出层。卷积神经网络同样也是一个层级网络，只是某些层的功能和形式作了改变，是传统神经网络的改进。一个卷积神经网络的隐藏层会包括卷积层、池化层、激励层和全连接层。
卷积层是卷积神经网络最重要的一层，主要用于样本图像的局部特征的提取。卷积操作是一种将两个矩阵对应位置相乘再相加的数学运算，应用在图像处理中，原始样本图像作为其中一个输入矩阵，另一个矩阵是卷积核，卷积核按经验取值，能实现特定的功能，比如平滑、锐化处理等。而在神经网络中，这个卷积核是需要通过训练学习得到的。
池化层主要用于保留上次卷积之后的主要特征，减少下一层的参数和计算量，防止过拟合，同时保持样本图像的某种不变性，例如平移、旋转、缩放。池化操作主要有均值池化和最大值池化。
激励层用于将前一层的输出结果作非线性映射。
全连接层通常位于卷积神经网络的尾部，与前一层的神经元都有权重连接。
各种功能的网络层堆叠在一起，就形成了一个卷积神经网络。
卷积神经网络的训练过程分为两个阶段，第一个阶段是数据由低层次向高层次传播的过程，即前向传播，训练时，首先对网络进行初始化，初始参数者可以设置为0或者随机数。训练数据样本图像集经过卷积层、池化层、全连接层的前向传播得到输出结果，即样本图像的开关箱状态，再计算输出结果与我们标注结果之间的误差。另一个阶段是，当前向传播的结果与预期不相符合的时候，将误差由高层次向低层次进行传播训练的阶段，即反向传播。当误差大于我们的期望值时，将误差反向传播，进行权值更新，直至误差达到我们期望的结果或者最大训练次数，期望值本实施例不再进行限定，可以根据用户的需求进行设置。训练过程中，我们使用验证数据集即图片集合即样本图像来验证模型，对于分类预测最直观的验证指标就是准确率。模型准确率的计算方法是先使用训练的模型对图片集合的每张图片进行预测，预测结果与标注值一致的数量与图片集合总数量的百分比即准确率。
样本图像的获得可以是照相获得，也可以是通过将视频转换成图片再进行训练，本实施例不再进行限定。可以理解的是，在训练模型训练过程中，样本图片清晰，图片上车箱箱体完整，占整个图片面积的2/3以上以保证对样本特征识别的准确性。在训练中需要包括各种情况比如：白天、夜晚(夜间工作时需要摄像头补光)，雨天(图片会有一定程度的模糊不清)，图片中有其他光源污染(可能图片中某一部分看不清)等。进一步的，当分类模型训练时，通过对待识别的图片进行开关状态的判断时，也会出现识别错误的现象，即结果检测不符合设定的准确率时，则将误检的图片重新进行训练，直至能够达到分类模型需要的预设准确率，则停止训练。
本实施例优选利用MobileNet算法对样本图像进行图像训练获得训练模型。主要是因为，MobileNet算法设计简单，计算量少，适用于计算能力不强的车载设备上运行。
S102、获取待识别的车箱盖图像。
通过设置的摄像机传感器获取车箱盖图像，本实施例不对或取车箱盖图像的方式进行限定，可以是在预设时间内获取车箱盖图像、在预设地点获取车箱盖图像。值得注意的是，摄像机传感器放置的位置应与在对训练模型进行训练时的放置位置大体相同，这样有利于提高图像识别的准确率。
进一步，获取待识别的车箱盖图像之前，判断预设条件是否达到预设阈值；若预设条件达到预设阈值，则执行获取待识别的车箱盖图像的操作。具体的，当预设阈值可以是车速预设阈值或车辆载重达到预设重量或预设时间。当预设条件对应上述预设阈值为当前车速或当前车载重或当前时间。只有当预设条件达到预设阈值时，才会获取待识别的车箱盖图像。可见，通过采用当预设条件达到预设阈值时才会获取图像特征，根据实际情况的需求进行车箱盖开关状态的判断，实用性更强，改善客户体验。
S103、利用训练模型对车箱盖图像进行识别，获取车箱盖的开关状态。
利用训练模型对车箱盖图像特征进行识别，即在卷积神经网络中输入车箱盖图像，训练模型对车箱盖进行识别最终获得车箱盖的开关状态。
进一步，利用训练模型对车箱盖图像进行识别，获取车箱盖开关状态之后，包括：判断车箱盖的开关状态；若车箱盖的开关状态是车箱盖开状态，则获取车辆数据信息；将车辆信息发送至管理平台；其中，车辆信息包括车辆数据信息与车箱盖图像。具体的，当车箱盖是开状态则将车辆的数据信息和采集的车箱盖图像发送至管理平台，以便进行下一步处理。车辆的数据信息包括当前车辆的型号、行驶的地点、车辆操作人员、车辆载物信息等。本实施例不对管理平台进行限定，可以是驾驶员的管理平台、公司集中管理平台、政府集中管理平台。例如，当车辆为渣土车时，若管理平台是驾驶员管理平台，则驾驶员能够及时了解当前车箱盖的情况以便能够及时处理采取相应措施，避免渣土的丢失；若管理平台是公司集中管理平台，则公司能够及时了解当前车辆工作人员的工作状态；若管理平台是政府集中管理平台，则政府能够及时对获取违规车辆的信息与图像证据，进而按照相关规定采取对当前车辆限速、锁车等措施。可见，通过当车箱盖是开状态时，将车辆信息发送至管理平台，方便对当前车辆的管理。
本实施例提供一种车箱盖的开关状态监测方法，包括：利用卷积神经网络算法对样本图像进行图像训练获得训练模型；其中，样本图像是车箱盖开状态的图像集合和车箱盖关状态的图像集合；获取待识别的车箱盖图像；利用训练模型对车箱盖图像进行识别，获取车箱盖的开关状态。
可见，本实施例通过利用训练模型对待识别的车箱盖图像进行识别获取车箱盖开关状态的方法，避免了传感器易损坏造成的高成本问题，节约了成本。
下面对本申请实施例提供的一种车箱盖的开关状态监测装置进行介绍，下文描述的装置与上文描述的车箱盖的开关状态监测方法可相互对应参照，参考图2，图2为本申请实施例所提供的一种车箱盖的开关状态监测装置的结构示意图，应用于渣土车、泥头车和自卸车，包括：
训练模型获得模块201，用于利用卷积神经网络算法对样本图像进行图像训练获得训练模型；其中，样本图像是车箱盖开状态的图像集合和车箱盖关状态的图像集合；
车箱盖图像获取模块202，用于获取待识别的车箱盖图像；
开关状态识别模块203，用于利用训练模型对车箱盖图像进行识别，获取车箱盖的开关状态。
在一些具体的实施例中，训练模型获得模块201包括：
样本图像采集单元，用于采集车箱盖的样本图像；
训练模型获得单元，用于对车箱盖的样本图像使用监督学习法利用卷积神经网络算法进行分类学习，获得训练模型。
在一些具体的实施例中，具体包括：
判断模块，用于判断预设条件是否达到预设阈值；
执行模块，用于若预设条件达到预设阈值，则执行获取待识别的车箱图像的图像特征的操作。
在一些具体的实施例中，训练模型获得模块201包括：
训练模型获得单元，用于利用MobileNet算法对样本图像进行图像训练获得训练模型。
在一些具体的实施例中，具体包括：
开关状态判断模块，用于判断车箱盖的开关状态；
车辆信息获取模块，用于若车箱盖的开关状态是车箱盖开状态，则获取车辆数据信息；
车辆信息发送模块，用于将车辆信息发送至管理平台；其中，车辆信息包括车辆数据信息与车箱盖图像。
由于车箱盖的开关状态监测装置部分的实施例与车箱盖的开关状态监测方法部分的实施例相互对应，因此车箱盖的开关状态监测装置部分的实施例请参见车箱盖的开关状态监测方法部分的实施例的描述，这里暂不赘述。
下面对本申请实施例提供的一种电子设备进行介绍，下文描述的电子设备与上文描述的车箱盖的开关状态监测方法可相互对应参照。
本实施例提供一种电子设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行计算机程序时实现如上述车箱盖的开关状态监测方法的步骤。
下面对本申请实施例提供的一种算机可读存储介质进行介绍，下文描述的算机可读存储介质与上文描述的车箱盖的开关状态监测方法可相互对应参照。
本实施例提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述车箱盖的开关状态监测方法的步骤。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，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，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，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范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的车箱盖的开关状态监测方法、车箱盖的开关状态监测装置、电子设备和计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。
Claims (8)
1.一种车箱盖的开关状态监测方法，应用于渣土车、泥头车和自卸车，其特征在于，包括：
利用卷积神经网络算法对样本图像进行图像训练获得训练模型；其中，所述样本图像是车箱盖开状态的图像集合和车箱盖关状态的图像集合；
获取待识别的车箱盖图像；
利用所述训练模型对所述车箱盖图像进行识别，获取所述车箱盖的开关状态。
2.根据权利要求1所述的车箱盖的开关状态监测方法，其特征在于，利用卷积神经网络算法对样本图像进行图像训练获得训练模型，包括：
采集所述车箱盖的所述样本图像；
对所述车箱盖的样本图像使用监督学习法利用卷积神经网络算法进行分类学习，获得所述训练模型。
3.根据权利要求1所述的车箱盖的开关状态监测方法，其特征在于，利用卷积神经网络算法对样本图像进行图像训练获得训练模型，包括：
利用MobileNet算法对所述样本图像进行图像训练获得所述训练模型。
4.根据权利要求1所述的车箱盖的开关状态监测方法，其特征在于，获取待识别的车箱盖图像之前，包括：
判断预设条件是否达到预设阈值；
若所述预设条件达到所述预设阈值，则执行获取待识别的车箱盖图像的操作。
5.根据权利要求1至4任一项所述的车箱盖的开关状态监测方法，其特征在于，利用所述训练模型对所述车箱盖图像进行识别，获取所述车箱盖开关状态之后，包括：
判断所述车箱盖的开关状态；
若所述车箱盖的开关状态是车箱盖开状态，则获取车辆数据信息；
将车辆信息发送至管理平台；其中，所述车辆信息包括所述车辆数据信息与所述车箱盖图像。
6.一种车箱盖的开关状态监测装置，应用于渣土车、泥头车和自卸车，其特征在于，包括：
训练模型获得模块，用于利用卷积神经网络算法对样本图像进行图像训练获得训练模型；其中，所述样本图像是车箱盖开状态的图像集合和车箱盖关状态的图像集合；
车箱盖图像获取模块，用于获取待识别的车箱盖图像；
开关状态识别模块，用于利用所述训练模型对所述车箱盖图像进行识别，获取所述车箱盖的开关状态。
7.一种电子设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至5任一项所述车箱盖的开关状态监测方法的步骤。
8.一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上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述车箱盖的开关状态监测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811534229.8A CN109614940A (zh) | 2018-12-14 | 2018-12-14 | 一种车箱盖的开关状态监测方法和相关装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811534229.8A CN109614940A (zh) | 2018-12-14 | 2018-12-14 | 一种车箱盖的开关状态监测方法和相关装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109614940A true CN109614940A (zh) | 2019-04-12 |
Family
ID=66009987
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811534229.8A Pending CN109614940A (zh) | 2018-12-14 | 2018-12-14 | 一种车箱盖的开关状态监测方法和相关装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109614940A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111845556A (zh) * | 2020-07-09 | 2020-10-30 | 浙江鸿泉电子科技有限公司 | 一种专项作业车状态监测***和方法 |
| CN112432654A (zh) * | 2020-11-20 | 2021-03-02 | 浙江大华汽车技术有限公司 | 一种渣土车的状态分析方法和装置及存储介质 |
| CN113065466A (zh) * | 2021-04-01 | 2021-07-02 | 安徽嘻哈网络技术有限公司 | 一种基于深度学习的驾培用红绿灯检测*** |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104657748A (zh) * | 2015-02-06 | 2015-05-27 | 中国石油大学(华东) | 一种基于卷积神经网络的车型识别方法 |
| CN104899880A (zh) * | 2015-05-25 | 2015-09-09 | 长安大学 | 一种公交车辆车门开闭状态自动检测方法 |
| CN106022285A (zh) * | 2016-05-30 | 2016-10-12 | 北京智芯原动科技有限公司 | 一种基于卷积神经网络的车款识别方法及装置 |
| CN107122747A (zh) * | 2017-04-28 | 2017-09-01 | 北京理工大学 | 一种轨道车辆车厢状态非接触检测装置及方法 |
| CN107194432A (zh) * | 2017-06-13 | 2017-09-22 | 山东师范大学 | 一种基于深度卷积神经网络的冰箱门体识别方法及*** |
| WO2017215740A1 (en) * | 2016-06-14 | 2017-12-21 | Siemens Aktiengesellschaft | Prevention of failures in the operation of a motorized door |
| CN108280490A (zh) * | 2018-02-28 | 2018-07-13 | 北京邮电大学 | 一种基于卷积神经网络的细粒度车型识别方法 |
| CN108710913A (zh) * | 2018-05-21 | 2018-10-26 | 国网上海市电力公司 | 一种基于深度学习的开关柜图像开关状态自动识别方法 |
| CN108764213A (zh) * | 2018-06-18 | 2018-11-06 | 宁波市鄞州智伴信息科技有限公司 | 用于车门锁止的控制方法 |
-
2018
- 2018-12-14 CN CN201811534229.8A patent/CN109614940A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104657748A (zh) * | 2015-02-06 | 2015-05-27 | 中国石油大学(华东) | 一种基于卷积神经网络的车型识别方法 |
| CN104899880A (zh) * | 2015-05-25 | 2015-09-09 | 长安大学 | 一种公交车辆车门开闭状态自动检测方法 |
| CN106022285A (zh) * | 2016-05-30 | 2016-10-12 | 北京智芯原动科技有限公司 | 一种基于卷积神经网络的车款识别方法及装置 |
| WO2017215740A1 (en) * | 2016-06-14 | 2017-12-21 | Siemens Aktiengesellschaft | Prevention of failures in the operation of a motorized door |
| CN107122747A (zh) * | 2017-04-28 | 2017-09-01 | 北京理工大学 | 一种轨道车辆车厢状态非接触检测装置及方法 |
| CN107194432A (zh) * | 2017-06-13 | 2017-09-22 | 山东师范大学 | 一种基于深度卷积神经网络的冰箱门体识别方法及*** |
| CN108280490A (zh) * | 2018-02-28 | 2018-07-13 | 北京邮电大学 | 一种基于卷积神经网络的细粒度车型识别方法 |
| CN108710913A (zh) * | 2018-05-21 | 2018-10-26 | 国网上海市电力公司 | 一种基于深度学习的开关柜图像开关状态自动识别方法 |
| CN108764213A (zh) * | 2018-06-18 | 2018-11-06 | 宁波市鄞州智伴信息科技有限公司 | 用于车门锁止的控制方法 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111845556A (zh) * | 2020-07-09 | 2020-10-30 | 浙江鸿泉电子科技有限公司 | 一种专项作业车状态监测***和方法 |
| CN112432654A (zh) * | 2020-11-20 | 2021-03-02 | 浙江大华汽车技术有限公司 | 一种渣土车的状态分析方法和装置及存储介质 |
| CN112432654B (zh) * | 2020-11-20 | 2023-04-07 | 浙江华锐捷技术有限公司 | 一种渣土车的状态分析方法和装置及存储介质 |
| CN113065466A (zh) * | 2021-04-01 | 2021-07-02 | 安徽嘻哈网络技术有限公司 | 一种基于深度学习的驾培用红绿灯检测*** |
| CN113065466B (zh) * | 2021-04-01 | 2024-06-04 | 安徽嘻哈网络技术有限公司 | 一种基于深度学习的驾培用红绿灯检测*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109614940A (zh) | 一种车箱盖的开关状态监测方法和相关装置 | |
| CN110600818B (zh) | 一种更换电池的方法及设备 | |
| CN109747638A (zh) | 一种车辆行驶意图识别方法及装置 | |
| WO2021174863A1 (zh) | 车辆年款识别模型的训练方法以及车辆年款的识别方法 | |
| CN114676844A (zh) | 用于自动驾驶的方法、装置、设备、计算机可读存储介质 | |
| CN113505671B (zh) | 基于机器视觉的车厢拥挤度确定方法、***、装置及介质 | |
| CN109635825A (zh) | 车辆属性检测方法、装置及存储介质 | |
| CN107766872A (zh) | 一种识别光照驾驶场景的方法和装置 | |
| CN111899515A (zh) | 一种基于智慧道路边缘计算网关的车辆检测*** | |
| CN111191604A (zh) | 检测车牌完整性的方法、设备和存储介质 | |
| CN113469933A (zh) | 用于小道路对象检测的生成对抗性网络模型 | |
| CN114495060B (zh) | 一种道路交通标线识别方法及装置 | |
| CN110379162A (zh) | 车辆违章监测方法、装置、设备及计算机可读存储介质 | |
| CN108556847A (zh) | 能量回收方法、装置和*** | |
| CN105893471A (zh) | 一种数据处理方法及电子设备 | |
| CN113870196B (zh) | 一种基于锚点切图的图像处理方法、装置、设备和介质 | |
| CN117935200A (zh) | 一种基于改进YOLOv8的自动驾驶路况监测方法 | |
| CN107077785A (zh) | 一种不避让校车行为的取证方法、装置和一种校车 | |
| CN104809438B (zh) | 一种检测电子眼的方法和设备 | |
| CN116740520A (zh) | 一种异常行为检测及特征融合模型训练方法 | |
| CN111127503A (zh) | 检测车辆轮胎的花纹的方法、设备和存储介质 | |
| CN108376472A (zh) | 基于智能交通灯od信息分析的路段管理方法及*** | |
| CN110378176A (zh) | 基于双目相机的物体标识方法、***、设备和存储介质 | |
| CN114155467A (zh) | 一种垃圾桶满溢检测方法、装置和电子设备 | |
| CN111126271A (zh) | 卡口抓拍图像车辆检测方法、计算机存储介质及电子设备 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190412 |
|
| RJ01 | Rejection of invention patent application after publication |