CN110490135A - 车辆年检方法、装置、计算机设备和存储介质 - Google Patents

Abstract

本申请涉及一种车辆年检方法、装置、计算机设备和存储介质，将目标车辆的待检测图像输入至目标检测网络中进行检测，并根据检测结果确定该目标车辆的年检结果。由于，目标检测网络是基于修正后的标注框中心点和基于修正后的标注框中心点确定的标注框尺寸，对车辆部件信息和整车特征信息进行训练学习得到的网络，其中，修正后的标注框中心点和标注框尺寸可以使目标检测网络在训练时，准确地学习到车辆部件的特征信息，因此采用该训练方法得到的目标检测网络可以更加准确地检测到车辆各部件，从而大大提高了后续车辆年检的准确率。

Description

车辆年检方法、装置、计算机设备和存储介质

技术领域

本申请涉及检测技术领域，特别是涉及一种车辆年检方法、装置、计算机设备和存储介质。

背景技术

随着人们生活水平的日益提高，机动车数量也随之剧增，车管所车辆年检的工作量也随之增大。

车辆外观识别是车辆年检中很重要的一个环节，传统的车辆外观判定识别采用的是人工判定的方式，该方式的人力成本较高、受主观影响较大、效率较低，为了提高工作效率、降低人工成本，出现了越来越多的人工智能的方式来进行车辆外观判定识别，例如，通过检测网络来识别车辆外观。现有的方式在训练检测网络时，需要在特征图上生成一系列候选框(anchor)，然后根据该一系列anchor进行训练的，但是，通常一张图像中生成的一系列anchor中只有很少的anchor中含有目标物体，导致检测网络的训练数据正负样本十分不平衡，严重影响了检测网络学习的方向。

因此，现有的检测网络在对车辆进行外观识别时，存在检测准确率较低的问题。

发明内容

基于此，有必要针对上述现有的检测网络在对车辆进行外观识别时，存在检测准确率较低的技术问题，提供一种车辆年检方法、装置、计算机设备和存储介质。

第一方面，本申请实施例提供一种车辆年检方法，该方法包括：

获取目标车辆的待检测图像；

将待检测图像输入至预设的目标检测网络中，得到检测结果；检测结果包括目标车辆上所有车辆部件的标识；目标检测网络是根据修正后的标注框中心点和基于修正后的标注框中心点确定的标注框尺寸，学习车辆部件信息和整车特征信息得到的网络；

根据检测结果，确定目标车辆的年检结果。

在其中一个实施例中，上述目标检测网络的输入层的图像尺寸是输出层图像尺寸的四倍；上述目标检测网络输出层的通道数等于待检测的车辆部件类别数，其中，不同的通道对应不同的车辆部件类别。

在其中一个实施例中，上述目标检测网络包括整车检测网络和车辆部件检测网络；则上述将待检测图像输入至预设的目标检测网络中，得到检测结果，包括：

将待检测图像输入至整车检测网络中，检测待检测图像中是否包括目标车辆；

若待检测图像包括目标车辆，将待检测图像输入至车辆部件检测网络中，得到检测结果。

在其中一个实施例中，上述根据检测结果，确定目标车辆的年检结果，包括：

判断检测结果中是否包括目标车辆的车牌；

若检测结果中包括目标车辆的车牌，则判断检测结果中是否存在改装的车辆部件；

若不存在改装的车辆部件，则确定车辆的年检结果为正常；

若存在改装的车辆部件，则确定车辆的年检结果为异常。

在其中一个实施例中，上述判断检测结果中是否包括目标车辆的车牌，包括：

判断检测结果中是否包括车牌；

若包括车牌，则采用预设的识别网络识别车牌中的车牌号，并对比车牌中的车牌号与预先存档的车牌号是否一致；

若车牌中的车牌号与预先存档的车牌号一致，则确定检测结果中包括目标车辆的车牌。

在其中一个实施例中，上述判断检测结果中是否存在改装的车辆部件，包括：

将预设的改装部件标识与检测结果中各车辆部件的标识进行对比；

若检测结果中存在与预设的改装部件标识中任一相同的目标车辆部件标识，则检测在预先存档的车辆部件标识列表中是否存在目标车辆部件标识，若预先存档的车辆部件标识列表中不存在目标车辆部件标识，则确定检测结果中存在改装的车辆部件。

在其中一个实施例中，上述目标检测网络的训练过程包括：

获取多种不同的车辆部件标注数据和多种不同的整车标注数据；

将多种不同的车辆部件标注数据和多种不同的整车标注数据输入至初始检测网络中，根据各标注数据的标注框中心点和预设的误差偏移值，对初始检测网络进行迭代训练，直到初始检测网络收敛，得到目标检测网络。

在其中一个实施例中，上述根据各标注数据的标注框中心点和预设的误差偏移值，对初始检测网络进行迭代训练，包括：

根据各标注数据的标注框中心点，在初始检测网络的输出层将标注框中心点的像素值置为第一值，将标注框除中心点以外的像素值置为第二值，并采用预设的高斯函数，以输出层标注框中心点为起点，将预设范围内的像素值映射为第三值；其中，第三值大于第二值且小于第一值；

采用回归的方式确定各输出层标注框的尺寸，然后根据预设的误差偏移值对输出层标注框中心点进行损失修正，得到修正后的输出层标注框中心点；

根据修正后的输出层标注框中心点和各输出层标注框的尺寸，训练初始检测网络学习各车辆部件信息和整车的特征信息。

在其中一个实施例中，上述识别网络的训练过程包括：

获取多种不同车牌的标注数据；

将多种不同车牌的标注数据输入至初始残差网络，训练初始残差网络学习从车牌数据中提取车牌的特征信息，然后将初始残差网络输出的车牌特征信息输入至初始长短期记忆网络，训练初始长短期记忆网络学习从车牌特征信息中识别车牌号，得到识别网络。

在其中一个实施例中，上述将多种不同车牌的标注数据输入至初始识别网络中之前，该方法还包括：

对标注数据进行增强处理；增强处理至少包括旋转、随机拓边、仿射变换、增加高斯噪声、椒盐噪声中一种。

第二方面，本申请实施例提供一种车辆年检装置，该装置包括：

获取模块，用于获取目标车辆的待检测图像；

检测模块，用于将待检测图像输入至预设的目标检测网络中，得到检测结果；检测结果包括目标车辆上所有车辆部件的标识；目标检测网络是根据修正后的标注框中心点和基于修正后的标注框中心点确定的标注框尺寸，学习车辆部件信息和整车特征信息得到的网络；

确定模块，用于根据检测结果，确定车辆的年检结果。

第三方面，本申请实施例提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述第一方面实施例提供的任一项方法的步骤。

第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述第一方面实施例提供的任一项方法的步骤。

本申请实施例提供的一种车辆年检方法、装置、计算机设备和存储介质，将目标车辆的待检测图像输入至目标检测网络中进行检测，并根据检测结果确定该目标车辆的年检结果。由于，目标检测网络是基于修正后的标注框中心点和基于修正后的标注框中心点确定的标注框尺寸，对车辆部件信息和整车特征信息进行训练学习得到的网络，其中，修正后的标注框中心点和标注框尺寸可以使目标检测网络在训练时，准确地学习到车辆部件的特征信息，因此采用该训练方法得到的目标检测网络可以更加准确地检测到车辆各部件，从而大大提高了后续车辆年检的准确率。

附图说明

图1为一个实施例提供的一种车辆年检方法的应用环境图；

图2为一个实施例提供的一种车辆年检方法的流程示意图；

图3为一个实施例提供的一种车辆年检方法的流程示意图；

图3a为一个实施例提供的一种车辆标注的示意图；

图4为一个实施例提供的一种车辆年检方法的流程示意图；

图5为一个实施例提供的一种车辆年检方法的流程示意图；

图6为一个实施例提供的一种车辆年检方法的流程示意图；

图6a为一个实施例提供的一种车辆年检方法的完整示意图；

图7为一个实施例提供的一种车辆年检方法的流程示意图；

图8为一个实施例提供的一种车辆年检方法的流程示意图；

图9为一个实施例提供的一种车辆年检方法的流程示意图；

图10为一个实施例提供的一种车辆年检装置的结构框图；

图11为一个实施例提供的一种车辆年检装置的结构框图；

图12为一个实施例提供的一种车辆年检装置的结构框图；

图13为一个实施例提供的一种车辆年检装置的结构框图；

图14为一个实施例提供的一种车辆年检装置的结构框图；

图15为一个实施例提供的一种车辆年检装置的结构框图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的一种车辆年检方法，可以应用于如图1所示的应用环境中，该应用环境中，计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储车辆年检方法的数据。该计算机设备的网络接口用于与外部的其他设备通过网络连接通信。该计算机程序被处理器执行时以实现一种车辆年检方法。

本申请实施例提供一种车辆年检方法、装置、计算机设备和存储介质，旨在解决现有的检测网络在对车辆进行外观识别时，存在检测准确率较低的技术问题。下面将通过实施例并结合附图具体地对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。需要说明的是，本申请提供的一种车辆年检方法，图2-图9的执行主体为计算机设备，其中，其执行主体还可以是车辆年检装置，其中该装置可以通过软件、硬件或者软硬件结合的方式实现成为车辆年检的部分或者全部。

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。

在一个实施例中，图2提供了一种车辆年检方法，本实施例涉及的是计算机设备根据目标车辆的待检测图像，检测该目标车辆上所有车辆部件，并根据检测结果确定目标车辆的年检结果的具体过程，如图2所示，所述方法包括：

S101，获取目标车辆的待检测图像。

本实施例中，目标车辆的待检测图像表示对目标车辆进行识别时拍摄的目标车辆的图像，其中，该待检测图像可以是一系列图像，这样可以保证对目标车辆全方位进行检测。例如，可以是在车检现场拍摄，从目标车辆左前方向及右后方向拍摄的图像，或者从右前方向及左后方向拍摄的图像，本实施例对目标车辆图像拍摄的方向不做限定，只要是将目标车辆全方位的进行了拍摄即可。在实际应用中，计算机设备获取目标车辆的待检测图像的方式，可以是通过自带的摄像设备实时在车检现场对目标车辆进行拍摄，还可以是接收第三方摄像设备拍摄的目标车辆图像，本实施例对此也不做限定。

S102，将待检测图像输入至预设的目标检测网络中，得到检测结果；检测结果包括目标车辆上所有车辆部件的标识；目标检测网络是根据修正后的标注框中心点和基于修正后的标注框中心点确定的标注框尺寸，学习车辆部件信息和整车特征信息得到的网络。

基于上述S101步骤中计算机设备获取的目标车辆待检测图像，计算机设备将待检测图像输入至预设的目标检测网络中，得到检测结果，其中，该目标检测网络是用于检测出车辆所包含的所有车辆部件的网络，因此，待检测图像经过目标检测网络后，输出的检测结果中包括了该目标车辆上所有车辆部件的标识，这些标识表示区分各车辆部件的标识，其表示形式包括但不限于数字、字母或者数字与字母的组合等。示例地，该车辆部件包括但不限于车头、车尾、车标、车灯、车轮、贴花、行李架、脚踏板、尾翼等。

其中，该目标检测网络在训练时，是根据修正后的标注框中心点和基于修正后的标注框中心点确定的标注框尺寸，对车辆部件信息和整车特征信息进行训练学习得到的网络。其中，修正后的标注框中心点表示的是训练目标检测网络时，其输入数据中各车辆部件的标注框在目标检测网络输出层映射的标注框的中心点，在训练过程中，需要正确定位到各车辆部件标注框的中心点，对网络输出层各车辆部件的标注框中心点进行了修正，且根据修正后的标注框中心点，确定了各车辆部件标注框的长宽高等尺寸，这样就可以保证检测网络准确的学习到各车辆部件的特征信息，根据该训练方法训练得到的检测网络可以准确地对各车辆部件进行检测。

其中，该目标检测网络的基网络为沙漏模型，可选地，在一个实施例，目标检测网络的输入层的图像尺寸是输出层图像尺寸的四倍，即输出层的大小是输入层大小下采样四倍，有助于检测网络快速检测到目标对象。在另外一个实施例中，目标检测网络输出层的通道数等于待检测的车辆部件类别数，其中，不同的通道对应不同的车辆部件类别，这样通过一个检测网络可以检测多个类别，形成多目标检测，提高检测效率。

S103，根据检测结果，确定目标车辆的年检结果。

基于上述目标检测网络对目标车辆待检测图像的检测结果，本步骤中，计算机设备根据该检测结果，确定该目标车辆的年检结果。由于上述检测结果中包括目标车辆上所有车辆部件的标识，即根据该检测结果可以确定出目标车辆上当前存在的所有车辆部件，根据这些存在的车辆部件可以确定出目标车辆的年检结果，其中，对于本实施例中车辆年检的项目不做限定，例如，对车辆是否进行了改装进行检测。

本实施例提供的车辆年检方法，将目标车辆的待检测图像输入至目标检测网络中进行检测，并根据检测结果确定该目标车辆的年检结果。由于，目标检测网络是基于修正后的标注框中心点和基于修正后的标注框中心点确定的标注框尺寸，对车辆部件信息和整车特征信息进行训练学习得到的网络，其中，修正后的标注框中心点和标注框尺寸可以使目标检测网络在训练时，准确地学习到车辆部件的特征信息，因此采用该训练方法得到的目标检测网络可以更加准确地检测到车辆各部件，从而大大提高了后续车辆年检的准确率。

以上实施例中，目标检测网络检测车辆中存在的车辆部件时，可以通过整车检测网络和车辆部件检测网络配合进行检测，则在以上实施例的基础上，本申请实施例还提供了一种车辆年检方法，其涉及的是计算机设备通过整车检测网络和车辆部件检测网络对目标车辆中存在的所有车辆部件进行检测的具体过程，如图3所示，上述S102步骤包括：

S201，将待检测图像输入至整车检测网络中，检测待检测图像中是否包括目标车辆。

本实施例中，基于上述S101步骤中获取的目标车辆的待检测图像，由于该待检测图像获取的时候是对目标车辆全方位进行拍摄，其存在拍摄的待检测图像中不包括车辆的情况，因此，可以将获取的待检测图像输入到整车检测网络中，对待检测图像中是否包括目标车辆进行检测，以保证所有待检测图像都是有效的。示例地，当计算机设备将待检测图像输入至整车检测网络中，整车检测网络若检测到该待检测图像中包括目标车辆，则输出截取的目标车辆所在区域。

其中，整车检测网络是用于检测图像中是否包括整车的网络，其训练时，可以通过获取不同角度、不同光照条件下拍摄的车检现场的车辆照片，然后用矩形框对各照片中的车辆进行标注，以在图像中将车的轮廓矩形标注出，如图3a中外框区域为整车标注框，然后使用该标注好的数据训练整车检测网络的初始模型，最终获得整车检测网络。

S202，若待检测图像包括目标车辆，将待检测图像输入至车辆部件检测网络中，得到检测结果。

上述S201步骤中，整车检测网络的检测结果包括两种，一种是待检测图像中不包括目标车辆，则直接对该待检测图像丢弃不进行后续流程。另外一种是待检测图像中包括目标车辆，则计算机设备将待检测图像输入至车辆部件检测网络中，以便从该待检测图像中检测该目标车辆存在的所有车辆部件。

其中，该车辆部件检测网络的训练过程可以是先获取不同角度、不同光照条件下拍摄的车检现场的车辆照片及该目标车辆预先存储在档案中的照片，用矩形框对照片中各车辆部件进行标注，例如车牌、车标、行李架、脚踏板、车身贴花等部件，然后使用该标注好的数据训练部件检测网络的初始模型，获得该车辆部件检测网络。

本实施例提供的车辆年检方法，在计算机设备获取目标车辆的待检测图像后，先通过整车检测网络检测该待检测图像中是否包括目标车辆，若包括目标车辆，才通过车辆部件检测网络对该目标车辆上的车辆部件进行检测，即只有在待检测图像中存在整车的情况下才进行后续车辆部件检测的流程，大大提高了检测效率。

对于上述S103步骤中，根据目标检测网络的检测结果确定车辆的年检结果的具体过程，将通过以下实施例进行具体说明，如图4所示，本申请提供一种车辆年检方法，其涉及的是计算机设备如何根据目标车辆各部件检测结果确定目标车辆年检结果的具体过程，则上述S103步骤包括：

S301，判断检测结果中是否包括目标车辆的车牌。

本实施例中，基于上述S102步骤中，目标检测网络输出的待检测图像的检测结果，计算机设备判断该检测结果中是否包括目标车辆的车牌，由于上述检测结果中包括了待检测车辆所有车辆部件的标识，则计算机设备可以根据各标识确定是否包括目标车辆的车牌。

可选地，提供一种从检测结果中是否包括目标车辆的车牌的实施例，如图5所示，该S301步骤包括：

S401，判断检测结果中是否包括车牌。

本实施例中，计算机设备先从检测结果中查找是否包括了车牌，相当于在检测结果中查找是否包括车牌的标识，如果有则表示检测结果中存在车牌。

S402，若包括车牌，则采用预设的识别网络识别车牌中的车牌号，并对比车牌中的车牌号与预先存档的车牌号是否一致。

基于上述S401步骤中若检测结果中包括车牌，计算机设备采用预设的识别网络识别该车牌中的车牌号，以便对比该车牌中的车牌号与预先存档的车牌号是否一致。可以理解的是，采用本方案进行车辆年检时，针对的就是目标车辆年检，因此预先存档的车牌号表示的即是目标车辆的车牌号，则本步骤中要对比的是检测结果中的车牌号是不是目标车辆的车牌号。

其中，该识别网络的训练方式可以是先获取不同颜色、不同拍摄角度、不同光照的车牌区域，对车牌数据进行标注，将车牌号作为标签，然后使用标注好的数据训练识别网络的初始模型以获得识别网络。

S403，若车牌中的车牌号与预先存档的车牌号一致，则确定检测结果中包括目标车辆的车牌。

上述S402步骤中，若对比检测结果中车牌的车牌号与预先存档的车牌号一致，则计算机设备可以确定检测结果中包括了目标车辆的车牌。根据S401-S403步骤提供的实施例，由于计算机是采用了预设的识别网络进行目标车辆车牌号识别，可以保证识别结果的准确性，极大地提高识别目标车辆的精确性。

S302，若检测结果中包括目标车辆的车牌，则判断检测结果中是否存在改装的车辆部件。

本步骤中，基于上述S301步骤若检测结果中包括了目标车辆的车牌，则计算机设备继续判断检测结果中是否存在改装的车辆部件，若存在，执行步骤S304，若不存在，执行步骤S303；其中，该改装的车辆部件表示不是车辆出厂时自带的车辆部件，例如，常见的改装车辆部件包括脚踏板、行李架、车身贴花等等，本实施例对改装车辆部件不做具体限定。

可选地，提供一种判断检测结果中是否存在改装车辆部件的实施例，则如图6所示，上述S302步骤包括：

S501,将预设的改装部件标识与检测结果中各车辆部件的标识进行对比。

本实施例中，预设的改装部件标识表示的是预先对属于改装车辆部件设定的标识，该标识与上述实施例中各车辆部件标识相同，是用于区分改装车辆部件的标志，需要说明的是，对于同一车辆部件其标识相同。本步骤中，计算机设备将预设的改装部件标识与检测结果中各车辆部件的标识进行对比。

S502,若检测结果中存在与预设的改装部件标识中任一相同的目标车辆部件标识，则检测在预先存档的车辆部件标识列表中是否存在目标车辆部件标识，若预先存档的车辆部件标识列表中不存在目标车辆部件标识，则确定检测结果中存在改装的车辆部件。

本步骤为上述S502步骤中计算机设备对比结果为存在与预设的改装部件标识中任一相同的目标车辆部件标识，若检测结果中只要有一个车辆部件标识与预设的改装部件标识相同，就表示当前的检测结果中存在疑似改装车辆部件，则计算机设备就需要从预先存档的车辆部件标识中查找是否存在与该疑似改装车辆部件标识相同的车辆部件标识。相当于，在计算机设备发现检测结果中存在疑似是改装的车辆部件后，继续与该目标车辆存档的出厂自带的车辆部件进行对比确认，若目标车辆存档的出厂自带的车辆部件中就存在该疑似改装的车辆部件，则表示该疑似改装的车辆部件不是改装部件，若目标车辆存档的出厂自带的车辆部件中不存在该疑似改装的车辆部件，则表示该疑似改装的车辆部件是改装的车辆部件。例如：预设的改装车辆部件为脚踏板、行李架、车身贴花，则检测目标检测网络输出的检测结果中是否存在脚踏板、行李架、车身贴花，比如发现存在脚踏板，即脚踏板为疑似改装车辆部件，继续在预先存档的部件中查找是否存在脚踏板，若在预先存档的部件中存在脚踏板，则表示该车辆不存在改装部件，若预先存档的部件中不存在脚踏板，则表示该车辆存在改装部件。

基于S501和S502步骤提供的实施例，计算机设备判断检测结果中是否存在改装的车辆部件是通过与预设改装车辆部件和预先存档的目标车辆所有部件标识进行对比后确定的，可以大大提高改装部件的检测结果。

S303，若不存在改装的车辆部件，则确定车辆的年检结果为正常。

本步骤为S302中判断结果为不存在改装的车辆部件的情况，则计算机设备确定车辆的年检结果为正常。

S304，若存在改装的车辆部件，则确定车辆的年检结果为异常。

本步骤为S302中判断结果为存在改装的车辆部件，则计算机设备确定车辆的年检结果为异常。

本实施例提供的车辆年检方法，计算机设备根据对目标车辆的待检测图像的检测结果，分析检测结果中是否存在可疑改装部件，若没有检测到任何可疑改装部件，则认为该目标车辆不存在改装情况，即年检结果为正常。若任一改装部件存在，则进一步对该目标车辆的预存的档案中部件进行检测，若档案中也存在，则认为该目标车辆无改装情况，若档案中不存在，则认为该目标车辆被改装，即年检结果为不正常，这样，各种情况进行对比，可以提高车辆年检结果的准确性。

本申请提供了一种完整的车辆年检实施例，可参照图6a所示，该实施例包括：

S1：获取车辆年检图像；

S2：检测图像中车辆的位置，判断是否存在车辆，若是，执行S3，若否，则结束；

S3：检测车辆各部件；

S4：检测车辆是否存在车牌；若是，执行S5，若否，则结束；

S5：识别车牌号；

S6：判断车牌号是否与预先登记记录的车辆号一致；若一致，执行S7；若否，则结束；

S7：判断是否存在改装的车辆部件；若是，执行S8，若否，则结束；

S8：判断预先存储的档案记录中同样存在该改装的车辆部件；若是，执行S9，若否，则执行S10；

S9：输出标志1；其中1表示该车辆没有改装过；

S10：输出标志0；其中0表示该车辆改装过；

S11：结束。

另外，对于目标检测网络的训练过程，本申请实施例提供一种实施例，如图7所示，上述目标检测网络的训练过程包括：

S601，获取多种不同的车辆部件标注数据和多种不同的整车标注数据。

本实施例为目标检测网络的训练过程，训练目标检测网络需要先获取训练样本数据，即多种不同的车辆部件标注数据和多种不同的整车标注数据，例如获取不同背景、不同光照、不同拍摄角度、不同类型、不同颜色的车辆现场拍摄照片及其对应的预存的车辆档案照片，并对所有数据中的车辆及车辆部件进行标注，例如，车辆部件包括：车头、车尾、车标、车灯、车轮、贴花、行李架、脚踏板、尾翼等，训练样本数据越多可以增加样本的多样性，保证目标检测网络可以学习到多种特征，提高目标检测网络的应用性。

S602，将多种不同的车辆部件标注数据和多种不同的整车标注数据输入至初始检测网络中，根据各标注数据的标注框中心点和预设的误差偏移值，对初始检测网络进行迭代训练，直到初始检测网络收敛，得到目标检测网络。

基于上述S601步骤中获取的多种样本数据，计算机设备将多种不同的车辆部件标注数据和多种不同的整车标注数据输入至初始检测网络中，根据各标注数据的标注框中心点和预设的误差偏移值，对初始检测网络进行迭代训练，直到初始检测网络收敛，得到目标检测网络。

可选地，对于计算机设备根据各标注数据的标注框中心点和预设的误差偏移值，对初始检测网络进行迭代训练的过程，本申请提供一个实施例，如图8所示，上述S602步骤包括：

S701，根据各标注数据的标注框中心点，在初始检测网络的输出层将标注框中心点的像素值置为第一值，将标注框除中心点以外的像素值置为第二值，并采用预设的高斯函数，以输出层标注框中心点为起点，将预设范围内的像素值映射为第三值；其中，第三值大于第二值且小于第一值。

本实施例中，各标注数据表示的是输入至初始检测网络的训练样本数据，根据该训练样本数据各标注框的中心点，计算机设备在初始检测网络输出层确定出各训练样本数据标注框中心点对应位置，并将该对应位置的像素值置为第一值，将标注框除中心点以外的像素值置为第二值，然后，采用预设的高斯函数，以输出层标注框中心点为起点，将预设范围内的像素值映射为第三值；其中，第三值大于第二值且小于第一值。示例地，以第一值为1，第二值为0为例，根据标注的矩形框中心点，在输出层找到对应到原图中心点的位置置为1，其余位置置为0，再通过高斯核将中心点周围的值映射为0到1之间的值，其中，若某个点同时处于两个中心点附近，则取较大的值作为该点的值。

S702，采用回归的方式确定各输出层标注框的尺寸，然后根据预设的误差偏移值对输出层标注框中心点进行损失修正，得到修正后的输出层标注框中心点。

基于上述S701步骤中采用回归的方式确定各输出层标注框的尺寸，即基于上述确定的中心点采用回归的方式，计算各输出层标注框长宽高等尺寸。然后根据预设的误差偏移值对输出层标注框中心点的位置进行损失修正，以得到修正后的输出层标注框中心点。

S703，根据修正后的输出层标注框中心点和各输出层标注框的尺寸，训练初始检测网络学习各车辆部件信息和整车的特征信息。

基于上述步骤得到的修正后的输出层标注框中心点和各输出层标注框的尺寸，计算机设备训练初始检测网络学习各车辆部件信息和整车的特征信息，直到收敛得到目标检测网络。

本实施例提供的车辆年检方法，由于对目标检测网络进行训练时，是先确定各标注数据在输出层的中心点，并采用预设的偏移值对中心点进行损失修正，再基于修正后的中心点回归目标的长宽高，最后根据修正后的中心点和基于修正后中心点确定的标注框尺寸，对初始检测网络进行训练，采用该训练方法得到的目标检测网络，可以避免了现有的训练数据正负样本不平衡的问题，使得到的目标检测网络可以更加准确地检测到车辆各部件，从而大大提高了后续车辆年检的准确率。

在另外一个实施例中，对于识别网络的训练过程，本申请实施例提供另外一种实施例，如图9所示，上述识别网络的训练过程包括：

S801，获取多种不同车牌的标注数据。

本实施例中，同上述检测网络相同，先获取识别网络的训练样本数据，即获取多种不同车牌的标注数据，例如，获取不同角度、不同光照、不同颜色的车牌数据，并对各车牌数据进行标注，其中，车牌中字母表包括所有省市的缩写、26个英文字母及10个数字等，本实施例对此不做限定。

S802，将多种不同车牌的标注数据输入至初始残差网络，训练初始残差网络学习从车牌数据中提取车牌的特征信息，然后将初始残差网络输出的车牌特征信息输入至初始长短期记忆网络，训练初始长短期记忆网络学习从车牌特征信息中识别车牌号，得到识别网络。

由于识别网络是由残差网络和长短期记忆网络构成的，其中，残差网络用于从车牌数据中提取特征信息，长短期记忆网络用于根据该特征信息识别出车牌号。则基于上述S801步骤中获取多种不同车牌的标注数据，计算机设备将多种不同车牌的标注数据输入至初始残差网络，训练初始残差网络学习从车牌数据中提取车牌的特征信息，然后将初始残差网络输出的车牌特征信息输入至初始长短期记忆网络，训练初始长短期记忆网络学习从车牌特征信息中识别车牌号，这样反复迭代训练，直到初始残差网络和初始长短期记忆网络均收敛，得到车辆的识别网络，这样相互配合，一个提取特征，一个识别车牌号，大大增加了车牌号识别的准确性。

可选地，在一个实施例中，上述将多种不同车牌的标注数据输入至初始识别网络中之前，该方法还包括：对标注数据进行增强处理；增强处理至少包括旋转、随机拓边、仿射变换、增加高斯噪声、椒盐噪声中一种。其中，在多种不同车牌的标注数据输入至初始残差网络之前，计算机设备对多种不同车牌的标注数据进行增强处理，包括但不限于旋转、随机拓边、仿射变换、增加高斯噪声、椒盐噪声等方式，这样可以增加训练数据的多样性，使得识别网络可以学习到各种情况，增加了识别网络的应用性。

应该理解的是，虽然图2-9的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-9中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图10所示，提供了一种车辆年检装置，该装置包括：获取模块10、检测模块11和确定模块12，其中，

获取模块10，用于获取目标车辆的待检测图像；

检测模块11，用于将待检测图像输入至预设的目标检测网络中，得到检测结果；检测结果包括目标车辆上所有车辆部件的标识；目标检测网络是根据修正后的标注框中心点和基于修正后的标注框中心点确定的标注框尺寸，学习车辆部件信息和整车特征信息得到的网络；

确定模块12，用于根据检测结果，确定目标车辆的年检结果。

上述实施例提供的一种车辆年检装置，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

在一个实施例中，上述目标检测网络的输入层的图像尺寸是输出层图像尺寸的四倍；上述目标检测网络输出层的通道数等于待检测的车辆部件类别数，其中，不同的通道对应不同的车辆部件类别。

在一个实施例中，如图11所示，提供了一种车辆年检装置，上述检测模块11包括：整车检测单元111和部件检测单元112，其中，

整车检测单元111，用于将待检测图像输入至整车检测网络中，检测待检测图像中是否包括目标车辆；

部件检测单元112，用于若待检测图像包括目标车辆，将待检测图像输入至车辆部件检测网络中，得到检测结果。

上述实施例提供的一种车辆年检装置，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

在一个实施例中，如图12所示，提供了一种车辆年检装置，上述确定模块12，包括：车牌检测单元121、改装检测单元122、正常确定单元123和异常确定单元124，其中，

车牌检测单元121，判断检测结果中是否包括目标车辆的车牌；

改装检测单元122，若检测结果中包括目标车辆的车牌，则判断检测结果中是否存在改装的车辆部件；

正常确定单元123，若不存在改装的车辆部件，则确定车辆的年检结果为正常；

异常确定单元124，若存在改装的车辆部件，则确定车辆的年检结果为异常。

上述实施例提供的一种车辆年检装置，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

在一个实施例中，上述车牌检测单元121，具体用于判断检测结果中是否包括车牌；若包括车牌，则采用预设的识别网络识别车牌中的车牌号，并对比车牌中的车牌号与预先存档的车牌号是否一致；若车牌中的车牌号与预先存档的车牌号一致，则确定检测结果中包括目标车辆的车牌。

在一个实施例中，上述改装检测单元122，具体用于将预设的改装部件标识与检测结果中各车辆部件的标识进行对比；若检测结果中存在与预设的改装部件标识中任一相同的目标车辆部件标识，则检测在预先存档的车辆部件标识列表中是否存在目标车辆部件标识，若预先存档的车辆部件标识列表中不存在目标车辆部件标识，则确定检测结果中存在改装的车辆部件。

在一个实施例中，如图13所示，提供了一种车辆年检装置，该装置包括：第一训练数据模块13和第一网络训练模块14，其中，

第一训练数据模块13，用于获取多种不同的车辆部件标注数据和多种不同的整车标注数据；

第一网络训练模块14，用于将多种不同的车辆部件标注数据和多种不同的整车标注数据输入至初始检测网络中，根据各标注数据的标注框中心点和预设的误差偏移值，对初始检测网络进行迭代训练，直到初始检测网络收敛，得到目标检测网络。

上述实施例提供的一种车辆年检装置，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

在一个实施例中，如图14所示，提供了一种车辆年检装置，上述第一网络训练模块14，包括：映射单元141、修正单元142和训练单元143，其中，

映射单元141，用于根据各标注数据的标注框中心点，在初始检测网络的输出层将标注框中心点的像素值置为第一值，将标注框除中心点以外的像素值置为第二值，并采用预设的高斯函数，以输出层标注框中心点为起点，将预设范围内的像素值映射为第三值；其中，第三值大于第二值且小于第一值；

修正单元142，用于采用回归的方式确定各输出层标注框的尺寸，然后根据预设的误差偏移值对输出层标注框中心点进行损失修正，得到修正后的输出层标注框中心点；

训练单元143，用于根据修正后的输出层标注框中心点和各输出层标注框的尺寸，训练初始检测网络学习各车辆部件信息和整车的特征信息。

上述实施例提供的一种车辆年检装置，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

在一个实施例中，如图15所示，提供了一种车辆年检装置，该装置还包括：第二训练数据模块15和第二网络训练模块16，其中，

第二训练数据模块15，用于获取多种不同车牌的标注数据；

第二网络训练模块16，用于将多种不同车牌的标注数据输入至初始残差网络，训练初始残差网络学习从车牌数据中提取车牌的特征信息，然后将初始残差网络输出的车牌特征信息输入至初始长短期记忆网络，训练初始长短期记忆网络学习从车牌特征信息中识别车牌号，得到识别网络。

上述实施例提供的一种车辆年检装置，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

在一个实施例中，该装置还包括：处理模块，用于对标注数据进行增强处理；增强处理至少包括旋转、随机拓边、仿射变换、增加高斯噪声、椒盐噪声中一种。

上述实施例提供的一种车辆年检装置，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

关于车辆年检装置的具体限定可以参见上文中对于车辆年检方法的限定，在此不再赘述。上述车辆年检装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图1所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种车辆年检方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

获取目标车辆的待检测图像；

将待检测图像输入至预设的目标检测网络中，得到检测结果；检测结果包括目标车辆上所有车辆部件的标识；目标检测网络为根据修正后的标注框中心点和基于修正后的标注框中心点确定的标注框尺寸，学习车辆部件信息和整车特征信息得到的网络；

根据检测结果，确定车辆的年检结果。

上述实施例提供的一种计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

获取目标车辆的待检测图像；

将待检测图像输入至预设的目标检测网络中，得到检测结果；检测结果包括目标车辆上所有车辆部件的标识；目标检测网络为根据修正后的标注框中心点和基于修正后的标注框中心点确定的标注框尺寸，学习车辆部件信息和整车特征信息得到的网络；

根据检测结果，确定车辆的年检结果。

上述实施例提供的一种计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种车辆年检方法，其特征在于，所述方法包括：

获取目标车辆的待检测图像；

将所述待检测图像输入至预设的目标检测网络中，得到检测结果；所述检测结果包括所述目标车辆上所有车辆部件的标识；所述目标检测网络是根据修正后的标注框中心点和基于所述修正后的标注框中心点确定的标注框尺寸，学习车辆部件信息和整车特征信息得到的网络；

根据所述检测结果，确定所述目标车辆的年检结果。

2.根据权利要求1所述的方法，其特征在于，所述目标检测网络的输入层的图像尺寸是输出层图像尺寸的四倍；所述目标检测网络输出层的通道数等于待检测的车辆部件类别数，其中，不同的通道对应不同的车辆部件类别。

3.根据权利要求1或2所述的方法，其特征在于，所述目标检测网络包括整车检测网络和车辆部件检测网络；

则所述将所述待检测图像输入至预设的目标检测网络中，得到检测结果，包括：

将所述待检测图像输入至所述整车检测网络中，检测所述待检测图像中是否包括所述目标车辆；

若所述待检测图像包括所述目标车辆，将所述待检测图像输入至所述车辆部件检测网络中，得到所述检测结果。

4.根据权利要求1或2所述的方法，其特征在于，所述根据所述检测结果，确定所述目标车辆的年检结果，包括：

判断所述检测结果中是否包括所述目标车辆的车牌；

若所述检测结果中包括所述目标车辆的车牌，则判断所述检测结果中是否存在改装的车辆部件；

若不存在改装的车辆部件，则确定所述车辆的年检结果为正常；

若存在改装的车辆部件，则确定所述车辆的年检结果为异常。

5.根据权利要求4所述的方法，其特征在于，所述判断所述检测结果中是否包括所述目标车辆的车牌，包括：

判断所述检测结果中是否包括车牌；

若包括车牌，则采用预设的识别网络识别所述车牌中的车牌号，并对比所述车牌中的车牌号与预先存档的车牌号是否一致；

若所述车牌中的车牌号与预先存档的车牌号一致，则确定所述检测结果中包括所述目标车辆的车牌。

6.根据权利要求4所述的方法，其特征在于，所述判断所述检测结果中是否存在改装的车辆部件，包括：

将预设的改装部件标识与所述检测结果中各车辆部件的标识进行对比；

若所述检测结果中存在与所述预设的改装部件标识中任一相同的目标车辆部件标识，则检测在预先存档的车辆部件标识列表中是否存在所述目标车辆部件标识，若所述预先存档的车辆部件标识列表中不存在所述目标车辆部件标识，则确定所述检测结果中存在改装的车辆部件。

7.根据权利要求1或2所述的方法，其特征在于，所述目标检测网络的训练过程包括：

获取多种不同的车辆部件标注数据和多种不同的整车标注数据；

将所述多种不同的车辆部件标注数据和所述多种不同的整车标注数据输入至初始检测网络中，根据各所述标注数据的标注框中心点，在所述初始检测网络的输出层将所述标注框中心点的像素值置为第一值，将所述标注框除中心点以外的像素值置为第二值，并采用预设的高斯函数，以所述输出层标注框中心点为起点，将预设范围内的像素值映射为第三值；其中，所述第三值大于所述第二值且小于所述第一值；

采用回归的方式确定各所述输出层标注框的尺寸，然后根据预设的误差偏移值对所述输出层标注框中心点进行损失修正，得到修正后的输出层标注框中心点；

根据所述修正后的输出层标注框中心点和各所述输出层标注框的尺寸，迭代训练所述初始检测网络学习各所述车辆部件信息和整车的特征信息，直到所述初始检测网络收敛，得到所述目标检测网络。

8.根据权利要求5所述的方法，其特征在于，所述识别网络的训练过程包括：

获取多种不同车牌的标注数据；

将所述多种不同车牌的标注数据输入至初始残差网络，训练所述初始残差网络学习从车牌数据中提取车牌的特征信息，然后将所述初始残差网络输出的车牌特征信息输入至初始长短期记忆网络，训练所述初始长短期记忆网络学习从所述车牌特征信息中识别车牌号，得到所述识别网络。

9.一种车辆年检装置，其特征在于，所述装置包括：

获取模块，用于获取目标车辆的待检测图像；

检测模块，用于将所述待检测图像输入至预设的目标检测网络中，得到检测结果；所述检测结果包括所述目标车辆上所有车辆部件的标识；所述目标检测网络是根据修正后的标注框中心点和基于所述修正后的标注框中心点确定的标注框尺寸，学习车辆部件信息和整车特征信息得到的网络；

确定模块，用于根据所述检测结果，确定所述车辆的年检结果。

10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至11中任一项所述方法的步骤。