CN111126393A - 车辆外观改装判断方法、装置、计算机设备及存储介质 - Google Patents
车辆外观改装判断方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN111126393A CN111126393A CN201911354664.7A CN201911354664A CN111126393A CN 111126393 A CN111126393 A CN 111126393A CN 201911354664 A CN201911354664 A CN 201911354664A CN 111126393 A CN111126393 A CN 111126393A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- standard
- component
- image
- label
- 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
Images
Classifications
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种车辆外观改装判断方法、装置、计算机设备及存储介质,本申请获取车辆图像和车辆标准图像;对车辆图像和车辆标准图像分割获得车辆图像掩膜图和车辆标准掩膜图;在车辆掩膜图中提取目标部件的部件子掩膜图生成部件标签图,在车辆标准掩膜图中提取目标部件的部件标准子掩膜图生成部件标准标签图;对部件标签图做形态学处理,获得部件待比对信息,对部件标准标签图做形态学处理,获得部件标准比对信息;比对部件待比对信息和部件标准比对信息获得比对结果,判断比对结果是否在设定误差范围内;对比对结果进行分析,判断所述车辆外观是否存在改装。根据该方法,可以快速判断车辆外观是否进行改装,代替人工判断,提高工作效率。
Description
技术领域
本专利涉及人工智能图像处理领域,特别涉及一种车辆外观改装判断方法、装置、计算机设备及存储介质。
背景技术
随着社会经济的不断发展和人民生活水平的不断提高,车辆人均持有量不断上升,车辆需要每年进行年检,因此车辆年检的工作量也随之迅速增大。传统的车辆年检中车辆外观改装的检测主要是通过人工检测,对于车辆外观是否合格、是否改装的情况,一般检验人员均根据经验来判断,主观性较强,另外外观判断的衡量标准较多,有些情况较复杂,人工检验存在很大的易疲劳、易疏忽等弊端,同时人工校验成本较高。因此如何准确、快速的对车辆外观,尤其是大型车辆外观判断是急需解决的问题。
发明内容
本申请提供一种车辆外观改装判断方法、装置、计算机设备及存储介质,解决现有技术中人工检验的弊端,实现利用深度学习模型的人工智能对车辆外观进行检测,替代人工检测,提供工作效率,统一衡量标准。
为了实现上述目的,一方面,本申请提供一种车辆外观改装判断方法,所述方法包括:获取车辆图像和与之对应的车辆标准图像;对所述车辆图像进行分割获得车辆掩膜图,对所述标准图像进行分割获得车辆标准掩膜图;在所述车辆掩膜图中提取目标部件的部件子掩膜图,生成部件标签图,在所述车辆标准掩膜图中提取目标部件的部件标准子掩膜图,生成部件标准标签图;对所述部件标签图做形态学处理,提取所述目标部件的轮廓、相对位置、重叠度、尺度信息,获得部件待比对信息,对所述部件标准标签图做形态学处理,提取所述目标部件的轮廓、相对位置、重叠度、尺度信息,获得部件标准比对信息;将所述部件待比对信息与所述部件标准比对信息进行比对获得比对结果,判断所述比对结果是否在设定误差范围内;对所述比对结果进行分析,判断所述车辆外观是否存在改装。
进一步地,对所述部件标签图做形态学处理,提取所述目标部件的轮廓、相对位置、重叠度、尺度信息,获得部件待比对信息,对所述标准标签图做形态学处理,提取所述目标部件的轮廓、相对位置、重叠度、尺度信息,获得部件标准比对信息,包括:设置比对参照物,所述参照物为标杆,获取所述标杆的实际物理尺寸;计算所述标杆在标杆标签图中的高度与所述实际物理尺寸的比例,得到第一比例,计算所述标杆在标杆标准标签中的高度与所述实际物理尺寸的比例,得到第二比例;获取所述目标部件在所述部件标签图的第一尺寸和所述目标部件在所述部件标准标签图的第二尺寸;根据所述第一尺寸和所述第一比例计算出所述部件待比对信息,根据所述第二尺寸和所述第二比例计算出所述部件标准比对信息。
进一步地,对所述部件标签图做形态学处理,提取所述目标部件的轮廓、相对位置、重叠度、尺度信息,获得部件待比对信息,对所述标准标签图做形态学处理,提取所述目标部件的轮廓、相对位置、重叠度、尺度信息,获得部件标准比对信息,包括:对所述部件标签图的目标区域做形态学处理,去掉噪声点,将所述部件标签图中相同的目标进行合并,得到仅包含所述目标部件感兴趣区域的所述目标部件感兴趣区域标签图;对所述部件标准标签图做形态学处理,去掉噪声点,将所述所述部件标准标签图中相同的目标进行合并,得到仅包含所述目标部件感兴趣区域的所述目标部件感兴趣区域标准标签图。
进一步地,所述车辆外观改装判断方法还包括:在所述目标部件感兴趣区域标签图中提取第一感兴趣区域,根据所述第一感兴趣区域计算所述目标部件的所述第一尺寸;在所述目标部件感兴趣区域标准标签图中提取第二感兴趣区域,根据所述第二感兴趣区域计算所述目标部件的所述第二尺寸。
进一步地,对所述部件标签图做形态学处理,提取所述目标部件的轮廓、相对位置、重叠度、尺度信息,获得部件待比对信息,对所述标准标签图做形态学处理,提取所述目标部件的轮廓、相对位置、重叠度、尺度信息,获得部件标准比对信息,包括:目标部件为车尾标志板;在所述车尾标志板标签图中,提取车尾标志板区域,对所述车尾标志板区域做二值化和形态学处理,统计区域内颜色变化次数和像素值的色阶,获得车尾标志板比对信息;在所述车尾标志板标准标签图中,提取车尾标志板区域,对车尾标志板区域做二值化和形态学处理,统计区域内颜色变化次数和像素值的色阶,获得车尾标志板标准比对信息。
进一步地,对所述比对结果进行分析,判断所述车辆外观是否存在改装,包括:所述目标部件为至少一个目标部件,每个目标部件对应一个比对结果,若目标部件为多个,则获取多个比对结果;若任一比对结果不满足预设条件,判断车辆存在改装,最终结果为假;若所有结果都满足预设条件,判断车辆未改装,最终结果为真。
进一步地,采用语义分割模型分对所述车辆图像进行分割获得所述车辆掩膜图,对所述标准图像进行分割获得所述车辆标准掩膜图;所述语义分割模型训练过程如下:获取车辆图像训练集;标记所述车辆图像中的车辆轮廓,所述车辆轮廓外的所有像素点的值都设置为0,提取出车辆区域图像;在所述车辆区域图像中,标记22类目标部件的轮廓,并将22类目标部件轮廓内的所有像素点都设置对应的标签值,标记后得到目标部件像素标签图;对标记后的目标部件像素标签图像做灰度化处理,对边缘像素点的值利用最近邻算法强制修改,与车辆图像原图像生成标签对,放入到语义分割模型中进行训练;在训练过程中需要优先学习整车的前景和背景区域,然后微调网络的超参数和类别的权重,最终得到语义分割模型。
另一方面,本申请还提供一种车辆外观改装判断装置,所述装置包括:获取模块,所述获取模块获取车辆图像和与之对应的车辆标准图像;分割模块,所述分割模块对所述车辆图像进行分割获得车辆掩膜图,对所述标准图像进行分割获得车辆标准掩膜图;标签图生成模块,所述标签图生成模块在所述车辆掩膜图中提取目标部件的部件子掩膜图,生成部件标签图,在所述车辆标准掩膜图中提取目标部件的部件标准子掩膜图,生成部件标准标签图;图像处理模块,所述图像处理模块对所述部件标签图做形态学处理,提取所述目标部件的轮廓、相对位置、重叠度、尺度信息,获得部件待比对信息,对所述部件标准标签图做形态学处理,提取所述目标部件的轮廓、相对位置、重叠度、尺度信息,获得部件标准比对信息;比对模块,所述比对模块将所述部件待比对信息与所述部件标准比对信息进行比对获得比对结果,判断所述比对结果是否在设定误差范围内;判断模块,所述判断模块对所述比对结果进行分析,判断所述车辆外观是否存在改装。
又一方面,本申请还提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
再一方面,本申请还提供一种计算机可读存储介质,其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上述方法的步骤。
与现有技术相比,上述车辆外观改装判断方法、装置、计算机设备和存储介质,获取车辆图像和与之对应的车辆标准图像;对所述车辆图像进行分割获得车辆掩膜图,对所述标准图像进行分割获得车辆标准掩膜图;在所述车辆掩膜图中提取目标部件的部件子掩膜图,生成部件标签图,在所述车辆标准掩膜图中提取目标部件的部件标准子掩膜图,生成部件标准标签图;对所述部件标签图做形态学处理,提取所述目标部件的轮廓、相对位置、重叠度、尺度信息,获得部件待比对信息,对所述部件标准标签图做形态学处理,提取所述目标部件的轮廓、相对位置、重叠度、尺度信息,获得部件标准比对信息;将所述部件待比对信息与所述部件标准比对信息进行比对获得比对结果,判断所述比对结果是否在设定误差范围内;对所述比对结果进行分析,判断所述车辆外观是否存在改装。本发明主要应用一种基于深度学习的车辆外观改装判断方法,其实现了车辆外观的自动校验,同时可以将未通过的校验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。有效地改善提高工作效率,能够适当替代人工检验的繁琐和不规范,提高检测的准确率。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1为本申请实施例提供的一种车辆外观改装判断方法的流程图;
图2为本申请实施例提供的又一种车辆外观改装判断方法的流程图;
图3为本申请实施例提供的又一种车辆外观改装判断方法的流程图;
图4为本申请实施例提供的又一种车辆外观改装判断方法的流程图;
图5为本申请实施例提供的又一种车辆外观改装判断方法的流程图;
图6为本申请实施例提供的又一种车辆外观改装判断方法的流程图;
图7为本申请实施例提供的一种分割模型训练方法的流程图;
图8为本申请实施例提供的一种车辆外观改装判断装置的框图;
图9为本申请实施例提供的又一种车辆外观改装判断装置的框图;
图10为本申请实施例提供的又一种车辆外观改装判断装置的框图;
附图中相同或相似的附图标记代表相同或相似的部件。
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。
在本申请一个典型的配置中,终端、服务网络的设备和可信方均包括一个或多个处理器(例如中央处理器(Central Processing Unit,CPU))、输入/输出接口、网络接口和内存。内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RandomAccess Memory,RAM)和/或非易失性内存等形式,如只读存储器(Read Only Memory,ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
本申请提供的车辆外观改装判断方法,可以应用于以下所示的应用环境中。该应用环境包括终端、服务器和图像采集装置。终端可以是指具有较强的数据存储和计算能力的电子设备。其中,终端通过网络与服务器通过网络进行通信。图像采集装置可以是终端中的,也可以是单独的设备。终端中可以设置有已完成训练的深度学习模型。具体地,通过图像采集装置采集得到车辆图像,车辆标准图像可存储在服务器中,终端获取车辆图像和车辆标准图像。终端采用深度学习模型对车辆图像和车辆标准图像进行语义分割,获得掩膜图。终端通过掩膜图生成标签图,并且对标签图做形态学处理,获得部件待比对信息和部件标准比对信息。终端根据获得的比对信息计算出比对结果,并对比对结果进行分析,判断车辆外观是否存在改装。
在其他实施例中,本申请提供的车辆外观改装判断方法还可应用于终端侧和服务器端,由图像采集装置采集待检测图像,并通过网络连接等方式将待检测图像通过终端发送至服务器,进而由服务器根据待检测图像对车辆外观进行检测和判断。其中,终端可以但不限于是各种便携式移动设备,服务器可以是现场服务器或者远程服务器。
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。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外观判断方法,图1-图10的执行主体为计算机设备,其中,其执行主体还可以是车辆外观判断装置,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外观检测的部分或者全部。
在一实施例中,如图1所示,本申请提供了一种车辆外观改装判断方法,所述方法包括:
步骤S100,获取车辆图像和与之对应的车辆标准图像。
在一个实施例中,车辆图像可以从车检所等机构的图像采集设备或者服务器等终端获得,车辆图像中的车辆外观要清晰干净,便于***和模型识别。车辆标准图像可以从车检所的服务器端获得,车辆标准图像与车辆图像相对应,车辆标准图像是车辆图像中车辆外观的标准未改装外观,用于评判车辆图像中的车辆外观是否经过改装。
S200,对所述车辆图像进行分割获得车辆掩膜图,对所述标准图像进行分割获得车辆标准掩膜图。
在一个实施例中,对所述车辆图像进行分割获得车辆掩膜图,即mask图,对所述标准图像进行分割获得车辆标准掩膜图,即mask图。可采用图像语义分割模型对车辆图像和车辆标准图像进行,分割后mask图的背景像素0。
进一步地,对图像进行分割获得车辆掩膜图,可以采用图像语义分割模型的分割方法,例如,PSPNet模型,REFINENet模型等,在此不做限定,语义分割模型为本领域常规技术手段,在此不进行赘述。
S300,在所述车辆掩膜图中提取目标部件的部件子掩膜图,生成部件标签图,在所述车辆标准掩膜图中提取目标部件的部件标准子掩膜图,生成部件标准标签图。
在一个实施例中,对于车辆外观的判断,可根据实际检测需求,设定需要待检测的外观部件,可选择一个目标部件或者多个目标部件。对于每一个车辆目标部件,存在一个设定的标签值,在所述车辆掩膜图中提取目标部件的部件子掩膜图,结合该目标部件的标签值,生成部件标签图。同理,对车辆标准掩膜图进行同样的操作和处理,在所述车辆标准掩膜图中提取目标部件的部件标准子掩膜图,结合该目标部件的标签值,生成部件标准标签图。不同的标签对应不同的部件,便于机器识别和判断。
S400,对所述部件标签图做形态学处理,提取所述目标部件的轮廓、相对位置、重叠度、尺度信息,获得部件待比对信息,对所述部件标准标签图做形态学处理,提取所述目标部件的轮廓、相对位置、重叠度、尺度信息,获得部件标准比对信息。
在一个实施例中,对生成后的标签图做形态学处理,将目标部件的要素进行提取,获得目标部件的轮廓、相对位置、重叠度、尺度信息,将这些信息确定为部件待比对信息。同理,对标准标签图做同样的操作和处理,对所述部件标准标签图做形态学处理,将目标部件的要素进行提取,获得目标部件的轮廓、相对位置、重叠度、尺度信息,将这些信息确定为部件待比对信息。进行形态学处理后,能够去除一部分噪声和干扰,获得更好的图像信息。
S500,将所述部件待比对信息与所述部件标准比对信息进行比对获得比对结果,判断所述比对结果是否在设定误差范围内。
在一个实施例中,将部件待比对信息与部件标准比对信息进行比对获得比对结果,因为如步骤S100中所述的车辆标准图像是车辆图像中车辆外观的标准未改装外观,因此用部件标准比对信息作为比对基准,因为照片毕竟和实际物体存在差异,例如,像素,颜色等问题,因此可以设定比较误差,将比对结果与设定的误差进行比较,判断是否在设定误差范围内。
S600,对所述比对结果进行分析,判断所述车辆外观是否存在改装。
在S500步骤中得到了比对结果,若比对结果在设定误差范围内,则认为车辆外观不存在改装;若比对结果不在设定误差范围内,则认为车辆外观存在改装,车辆外观与在车检所预留的照片外观不相符,车检不合格。
本申请实施例中提供的车辆外观改装判断方法能够更快,更简洁的对车辆外观是否存在改装进行判断,减轻了人工审核的繁重工作量,适当提高了工作效率。
在一实施例中,参考图2,车辆外观改装判断方法中的S400还包括以下步骤:
S402,设置比对参照物,所述参照物为标杆,获取所述标杆实际物理尺寸。
在一个实施例中,在车辆外观判断中,存在一个标杆,标杆是在拍摄车辆图片时,放置在车边的参照物。标杆的实际尺寸是固定不变的,因此可以获取标杆实际物理尺寸作为参照尺寸。
S404,计算所述标杆在标杆标签图中的高度与所述实际物理尺寸的比例,得到第一比例,计算所述标杆在标杆标准标签中的高度与所述实际物理尺寸的比例,得到第二比例。
在一个实施例中,标杆也可以是作为参照物,提取出标杆的标杆标签图。在标杆标签图计算出标签的高度,高度可用像素值来表示。计算所述标杆在所述标杆标签图中的高度与所述实际物理尺寸的比例,得到第一比例,第一比例用于计算车辆图像中的目标部件的实际尺寸。同理,计算所述标杆在所述标杆标准标签中的高度与所述实际物理尺寸的比例,得到第二比例,第二比例用于计算车辆标准图像中目标部件的实际尺寸。
S406,获取所述目标部件在所述部件标签图的第一尺寸和所述目标部件在所述部件标准标签图的第二尺寸。
在一个实施例中,可根据目标部件在部件标签图中的像素大小计算出目标部件在所述部件标签图中的第一尺寸,第一尺寸用于计算车辆图像中的目标部件的实际尺寸。同理,根据目标部件在部件标准标签图中的像素大小计算出目标部件在所述部件标准标签图中的第二尺寸,第二尺寸用于计算车辆图像中的目标部件的实际尺寸。
S408,根据所述第一尺寸和所述第一比例计算出所述部件待比对信息,根据所述第二尺寸和所述第二比例计算出所述部件标准比对信息。
在一个实施例中,根据步骤S404中获得的第一比例和第二比例,及步骤S406中获得的第一尺寸和第二尺寸计算目标部件在车辆图像和车辆标准图像中的实际尺寸。根据所述第一尺寸和所述第一比例计算出目标部件的第一实际尺寸,将第一实际尺寸作为待比对信息。同理,根据所述第二尺寸和所述第二比例计算出目标部件的第二实际尺寸,将第二实际尺寸作为标准比对信息。
在一实施例中,参考图3,车辆外观改装判断方法中的S400可以包括以下步骤:
S420,对所述部件标签图的目标区域做形态学处理,去掉噪声点,将所述部件标签图中相同的目标进行合并,得到仅包含所述目标部件感兴趣区域的所述目标部件感兴趣区域标签图。
在一个实施例中,目标部件在部件标签中的区域可以作为目标区域,由于标签图可能存在噪声、干扰等因素。所以要对标签图做形态学处理,去掉噪声点,同时对部件标签图中相同的目标进行合并,在部件标签图中得到仅包含所述目标部件感兴趣区域的所述目标部件感兴趣区域标签图。
S440,对所述部件标准标签图做形态学处理,去掉噪声点,将所述所述部件标准标签图中相同的目标进行合并,得到仅包含所述目标部件感兴趣区域的目标部件感兴趣区域标准标签图。
在一个实施例中,目标部件在部件标准标签中的区域可以作为目标区域,由于标签图可能存在噪声等因素。所以要对标准标签图做形态学处理,去掉噪声点,同时对部件标准标签图中相同的目标进行合并,得到仅包含所述目标部件感兴趣区域的目标部件感兴趣区域标准标签图。
在一实施例中,参考图4,车辆外观改装判断方法中的S420可以包括以下步骤:
S422,在所述目标部件感兴趣区域标签图中提取第一感兴趣区域,根据所述第一感兴趣区域计算所述目标部件的所述第一尺寸。
在一实施例中,参考图5,车辆外观改装判断方法中的S440可以包括以下步骤:
S444,在所述目标部件感兴趣区域标准标签图中提取第二感兴趣区域,根据所述第二感兴趣区域计算所述目标部件的所述第二尺寸。
在一实施例中,车辆外观改装判断方法中的步骤S400对所述部件标签图做形态学处理,提取所述目标部件的轮廓、相对位置、重叠度、尺度信息,获得部件待比对信息,对所述部件标准标签图做形态学处理,提取所述目标部件的轮廓、相对位置、重叠度、尺度信息,获得部件标准比对信息,包括;
S410,目标部件为车尾标志板。
在一个实施例中,对于车辆外观是否存在改装的判断,目标部件可选择为车尾标志板。
S412,在所述车尾标志板标签图中,提取车尾标志板区域,对所述车尾标志板区域做二值化和形态学处理,统计区域内颜色变化次数和像素值的色阶,获得车尾标志板比对信息。
在一个实施例中,在所述车尾标志板标签图中,提取车尾标志板的区域,在车尾标志板区域做二值化处理,二值化可以使图像的识别更简单、方便。由于车尾标志板是颜色相间的条纹,因此可以通过统计区域内颜色的变化次数和像素值的色阶来确定车尾标志板的外部特征,将该特征作为车尾标志板的比对信息。
S414,在所述车尾标志板标准标签图中,提取车尾标志板的区域,对车尾标志板区域做二值化和形态学处理,统计区域内颜色变化次数和像素值的色阶,获得车尾标志板标准信息。
在所述车尾标志板标准标签图中,提取车尾标志板的区域,在车尾标志板区域做二值化处理,二值化可以使图像的识别更简单、方便。由于车尾标志板是颜色相间的条纹,因此可以通过统计区域内颜色的变化次数和像素值的色阶来确定车尾标志板的外部特征,将该特征作为车尾标志板的标准比对信息。
在一实施例中,参考图6,车辆外观改装判断方法中的步骤S600对所述比对结果进行分析,判断所述车辆外观是否存在改装,包括:
S602,所述目标部件为至少一个目标部件,每个目标部件对应一个比对结果,若目标部件为多个,则获取多个比对结果。
在一个实施例中,在判断车辆外观时,可根据用户实际的需求选择所需要的目标部件,关于目标部件,可选择一个进行比对,也可选择多个进行比对。
S604,若任一比对结果不满足预设条件,判断车辆存在改装,最终结果为假。
在一个实施例中,若选择多个目标部件作为判断标准,那么要获得多个比对结果,多个比对结果中,若存在任一个比对结果不满足预设条件,则判断车辆外观存在改装。预设条件可以为设定的误差,或者是比对阈值等数据,可根据实际要求设定,在此不做限定。
S606,若所有比对结果都满足预设条件,判断车辆未改装,最终结果为真。
在一个实施例中,若选择多个目标部件作为判断标准,那么要获得多个比对结果,多个比对结果中,若所有比对结果都满足预设条件,则判断车辆外观未存在改装。预设条件可以为设定的误差,或者是比对阈值等数据,可根据实际要求设定,在此不做限定。
在一实施例中,可采用语义分割模型分对所述车辆图像进行分割获得所述车辆掩膜图,对所述标准图像进行分割获得所述车辆标准掩膜图;
具体地,采用语义分割模型对图像进行分割,分割的精度高,而且能够精确到像素。
参考图7,语义分割模型训练过程如下:
S702,获取车辆图像训练集。
需要获取不同角度、不同光照、不同种类和不同图像质量的车辆图像,以便获得更多的数据样本,且尽可能保证车辆在图像的中央区域,且保持完整,使训练模型能够更加。增加数据多样性,提升模型的鲁棒性。
S704,标记所述车辆图像中的车辆轮廓,所述车辆轮廓外的所有像素点的值都设置为0,提取出车辆区域图像。
在车辆图像中,标记处车辆的外轮廓,将车辆外轮廓外的所有背景像素点都设置为0,同时提取车辆图像区域中的车辆,获得车辆区域图像。
S706,在所述车辆区域图像中,标记出22类目标部件的轮廓,并将22类目标部件轮廓内的所有像素点都设置对应的标签值(1~22),标记后得到目标部件像素标签图。车辆外观部件不止22类,根据实际情况的需要,可选择需要训练的22类外观部件,在此不对部件的种类和数量做限制,此处的22类仅为一实施例,22类外观部件如下所示:[1]车身、[2]侧面、[3]下透气区域、[4]上透气区域、[5]前主灯、[6]引擎盖、[7]车轮、[8]侧窗、[9]前后窗、[10]车牌、[11]后主灯、[12]栅栏、[13]栏板、[14]右侧防护装置、[15]后下部防护装置、[16]反光标识-红色、[17]反光标识-白色、[18]车厢喷漆车牌、[19]尾部标志板、[20]横栏、[21]反光标识-黄色、[22]锥形标杆。对22类外观部件分别设置标签值1-22,从而得到标记后的目标部件像素标签图。
S708,对标记后的目标部件像素标签图像做灰度化处理,对边缘像素点的值利用最近邻算法强制修改,与车辆图像原图像生成标签对,放入到语义分割模型中进行训练。
灰度化处理可以减小图像原始数据量,便于后续处理时计算量更少,因此需要对彩色的车辆图像做灰度化处理。对目标部件的轮廓边缘像素点的值利用最近邻算法强制修改。
S710,在训练过程中需要优先学习整车的前景和背景区域,然后微调网络的超参数和类别的权重,最终得到语义分割模型。
在训练过程中,网络模型优先学***衡状态。
应该理解的是,虽然上述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,上述流程图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。
在另一个实施例中,本发明还提供了一种车辆外观改装判断装置800,参考图8,所述装置包括:
获取模块810,所述获取模块810获取车辆图像和与之对应的车辆标准图像;
分割模块820,所述分割模块820对所述车辆图像进行分割获得车辆掩膜图,对所述标准图像进行分割获得车辆标准掩膜图;
标签图生成模块830,所述标签图生成模块830在所述车辆掩膜图中提取目标部件的部件子掩膜图,生成部件标签图,在所述车辆标准掩膜图中提取目标部件的部件标准子掩膜图,生成部件标准标签图;
图像处理模块840,所述图像处理模块840对所述部件标签图做形态学处理,提取所述目标部件的轮廓、相对位置、重叠度、尺度信息,获得部件待比对信息,对所述部件标准标签图做形态学处理,提取所述目标部件的轮廓、相对位置、重叠度、尺度信息,获得部件标准比对信息;
比对模块850,所述比对模块850将所述部件待比对信息与所述部件标准比对信息进行比对获得比对结果,判断所述比对结果是否在设定误差范围内;
判断模块860,所述判断模块860对所述比对结果进行分析,判断所述车辆外观是否存在改装。
在一实施例中,参考图9,车辆外观改装判断装置800中的图像处理模块840包括以下模块:
计算模块841,所述计算模块841计算所述标杆在所述标杆标签图中的高度与所述实际物理尺寸的比例,得到第一比例,计算所述标杆在所述标杆标准标签中的高度与所述实际物理尺寸的比例,得到第二比例;
尺寸获取模块842,所述尺寸获取模块842获取所述目标部件在所述部件标签图的第一尺寸和所述目标部件在所述部件标准标签图的第二尺寸;
所述计算模块841根据所述第一尺寸和所述第一比例计算出所述部件待比对信息,根据所述第二尺寸和所述第二比例计算出所述部件标准比对信息。
在一实施例中,参考图9,车辆外观改装判断装置800中的图像处理模块840包括以下模块:
形态学处理模块843,所述形态学处理模块843对所述部件标签图的目标区域做形态学处理,去掉噪声点,将所述部件标签图中相同的目标进行合并,得到仅包含所述目标部件感兴趣区域的所述目标部件感兴趣区域标签图;对所述部件标准标签图做形态学处理,去掉噪声点,将所述所述部件标准标签图中相同的目标进行合并,得到仅包含所述目标部件感兴趣区域的目标部件感兴趣区域标准标签图。
在一实施例中,车辆外观改装判断装置800中的形态学处理模块843包括以下模块:
提取模块,所述提取模块在在所述目标部件感兴趣区域标签图中提取第一感兴趣区域;在所述目标部件感兴趣区域标准标签图中提取第二感兴趣区域。
计算模块841根据第一感兴趣区域计算所述目标部件的所述第一尺寸,根据第二感兴趣区域计算所述目标部件的所述第二尺寸。
在一个实施例中,目标部件为车尾标志板;在所述车尾标志板标签图中,提取模块提取车尾标志板的区域,形态学处理模块843对所述车尾标志板区域做二值化和形态学处理,图像处理模块840统计区域内颜色变化次数和像素值的色阶,获得车尾标志板比对信息;在所述车尾标志板标准标签图中,提取模块提取车尾标志板的区域,形态学处理模块843对车尾标志板区域做二值化和形态学处理,图像处理模块840统计区域内颜色变化次数和像素值的色阶,获得车尾标志板标准比对信息;比对模块850比较车尾标志板比对信息和车尾标志板标准信息,判断模块判断车尾标志板是否合格。
在一实施例中,判断模块860对所述比对结果进行分析,判断所述车辆外观是否存在改装还包括:所述目标部件为至少一个目标部件,每个目标部件对应一个比对结果,若目标部件为多个,则获取多个比对结果;若任一比对结果不满足预设条件,判断车辆外观存在改装,最终结果为假;若所有比对结果都满足预设条件,判断车辆外观未改装,最终结果为真。
在一实施例中,参考图10,车辆外观改装判断装置800中的分割模块820包括生成模块821,用于获取车辆图像训练集;标记所述车辆图像中的车辆轮廓,所述车辆轮廓外的所有像素点的值都设置为0,提取出车辆区域图像;在所述车辆区域图像中,标记22类目标部件的轮廓,并将22类目标部件轮廓内的所有像素点都设置对应的标签值(1~22),标记后得到目标部件像素标签图;对标记后的目标部件像素标签图像做灰度化处理,对边缘像素点的值利用最近邻算法强制修改,与车辆图像原图像生成标签对,放入到语义分割模型中进行训练;在训练过程中需要优先学习整车的前景和背景区域,然后微调网络的超参数和类别的权重,最终得到语义分割模型。
关于车辆外观检测装置的具体限定可以参见上文中对于车辆外观检测方法的限定,在此不再赘述。上述车辆外观检测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。
本发明还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。该计算机设备可以是终端产品,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外观改装判断方法。
本发明还提供一种计算机可读存储介质,其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上述方法的步骤。
本领域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,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。计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(Phase-Change RAM,PRAM)、静态随机存取存储器(Static Random Access Memory,SRAM)、动态随机存取存储器(DynamicRandom Access Memory,DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(Compact Disc Read-OnlyMemory,CD-ROM)、数字多功能光盘(Digital Versatile Disk,DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括非暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
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)
1.一种车辆外观改装判断方法,其特征在于,所述方法包括:
获取车辆图像和与之对应的车辆标准图像;
对所述车辆图像进行分割获得车辆掩膜图,对所述标准图像进行分割获得车辆标准掩膜图;
在所述车辆掩膜图中提取目标部件的部件子掩膜图,生成部件标签图,在所述车辆标准掩膜图中提取目标部件的部件标准子掩膜图,生成部件标准标签图;
对所述部件标签图做形态学处理,提取所述目标部件的轮廓、相对位置、重叠度、尺度信息,获得部件待比对信息,对所述部件标准标签图做形态学处理,提取所述目标部件的轮廓、相对位置、重叠度、尺度信息,获得部件标准比对信息;
将所述部件待比对信息与所述部件标准比对信息进行比对获得比对结果,判断所述比对结果是否在设定误差范围内;
对所述比对结果进行分析,判断所述车辆外观是否存在改装。
2.如权利要求1所述的车辆外观改装判断方法,其特征在于,所述对所述部件标签图做形态学处理,提取所述目标部件的轮廓、相对位置、重叠度、尺度信息,获得部件待比对信息,对所述标准标签图做形态学处理,提取所述目标部件的轮廓、相对位置、重叠度、尺度信息,获得部件标准比对信息,包括:
设置比对参照物,所述参照物为标杆,获取所述标杆的实际物理尺寸;
计算所述标杆在标杆标签图中的高度与所述实际物理尺寸的比例,得到第一比例,计算所述标杆在标杆标准标签中的高度与所述实际物理尺寸的比例,得到第二比例;
获取所述目标部件在所述部件标签图的第一尺寸和所述目标部件在所述部件标准标签图的第二尺寸;
根据所述第一尺寸和所述第一比例计算出所述部件待比对信息,根据所述第二尺寸和所述第二比例计算出所述部件标准比对信息。
3.如权利要求2所述的车辆外观改装判断方法,其特征在于,所述对所述部件标签图做形态学处理,提取所述目标部件的轮廓、相对位置、重叠度、尺度信息,获得部件待比对信息,对所述标准标签图做形态学处理,提取所述目标部件的轮廓、相对位置、重叠度、尺度信息,获得部件标准比对信息,包括:
对所述部件标签图的目标区域做形态学处理,去掉噪声点,将所述部件标签图中相同的目标进行合并,得到仅包含所述目标部件感兴趣区域的目标部件感兴趣区域标签图;
对所述部件标准标签图做形态学处理,去掉噪声点,将所述所述部件标准标签图中相同的目标进行合并,得到仅包含所述目标部件感兴趣区域的目标部件感兴趣区域标准标签图。
4.如权利要求3所述的车辆外观改装判断方法,其特征在于,所述方法还包括:
在所述目标部件感兴趣区域标签图中提取第一感兴趣区域,根据所述第一感兴趣区域计算所述目标部件的所述第一尺寸;
在所述目标部件感兴趣区域标准标签图中提取第二感兴趣区域,在根据所述第二感兴趣区域计算所述目标部件的所述第二尺寸。
5.如权利要求1所述的车辆外观改装判断方法,其特征在于,所述对所述部件标签图做形态学处理,提取所述目标部件的轮廓、相对位置、重叠度、尺度信息,获得部件待比对信息,对所述标准标签图做形态学处理,提取所述目标部件的轮廓、相对位置、重叠度、尺度信息,获得部件标准比对信息,包括:
所述目标部件为车尾标志板;
在所述车尾标志板标签图中,提取车尾标志板区域,对所述车尾标志板区域做二值化和形态学处理,统计区域内颜色变化次数和像素值的色阶,获得车尾标志板比对信息;
在所述车尾标志板标准标签图中,提取车尾标志板区域,对车尾标志板区域做二值化和形态学处理,统计区域内颜色变化次数和像素值的色阶,获得车尾标志板标准比对信息。
6.如权利要求1所述的车辆外观改装判断方法,其特征在于,
对所述比对结果进行分析,判断所述车辆外观是否存在改装包括:
所述目标部件为至少一个目标部件,每个目标部件对应一个比对结果,若目标部件为多个,则获取多个比对结果;
若任一比对结果不满足预设条件,判断车辆外观存在改装,最终结果为假;
若所有比对结果都满足预设条件,判断车辆外观未改装,最终结果为真。
7.如权利要求1所述的车辆外观改装判断方法,其特征在于,
采用语义分割模型分对所述车辆图像进行分割获得所述车辆掩膜图,对所述标准图像进行分割获得所述车辆标准掩膜图;
所述语义分割模型训练过程如下:
获取车辆图像训练集;
标记所述车辆图像中的车辆轮廓,所述车辆轮廓外的所有像素点的值都设置为0,提取出车辆区域图像;
在所述车辆区域图像中,标记22类目标部件的轮廓,并将22类目标部件轮廓内的所有像素点都设置对应的标签值,标记后得到目标部件像素标签图;
对标记后的目标部件像素标签图像做灰度化处理,对边缘像素点的值利用最近邻算法强制修改,与车辆图像原图像生成标签对,放入到语义分割模型中进行训练;
在训练过程中需要优先学习整车的前景和背景区域,然后微调网络的超参数和类别的权重,最终得到语义分割模型。
8.一种车辆外观改装判断装置,其特征在于,所述装置包括:
获取模块,所述获取模块获取车辆图像和与之对应的车辆标准图像;
分割模块,所述分割模块对所述车辆图像进行分割获得车辆掩膜图,对所述标准图像进行分割获得车辆标准掩膜图;
标签图生成模块,所述标签图生成模块在所述车辆掩膜图中提取目标部件的部件子掩膜图,生成部件标签图,在所述车辆标准掩膜图中提取目标部件的部件标准子掩膜图,生成部件标准标签图;
图像处理模块,所述图像处理模块对所述部件标签图做形态学处理,提取所述目标部件的轮廓、相对位置、重叠度、尺度信息,获得部件待比对信息,对所述部件标准标签图做形态学处理,提取所述目标部件的轮廓、相对位置、重叠度、尺度信息,获得部件标准比对信息;
比对模块,所述比对模块将所述部件待比对信息与所述部件标准比对信息进行比对获得比对结果,判断所述比对结果是否在设定误差范围内;
判断模块,所述判断模块对所述比对结果进行分析,判断所述车辆外观是否存在改装。
9.一种计算机设备,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7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911354664.7A CN111126393A (zh) | 2019-12-22 | 2019-12-22 | 车辆外观改装判断方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911354664.7A CN111126393A (zh) | 2019-12-22 | 2019-12-22 | 车辆外观改装判断方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111126393A true CN111126393A (zh) | 2020-05-08 |
Family
ID=70503298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911354664.7A Pending CN111126393A (zh) | 2019-12-22 | 2019-12-22 | 车辆外观改装判断方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111126393A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111461093A (zh) * | 2020-06-22 | 2020-07-28 | 北京慧智数据科技有限公司 | 一种基于深度学习技术的改装货车识别方法 |
CN111784662A (zh) * | 2020-06-29 | 2020-10-16 | 深圳至峰精密制造有限公司 | 工件识别方法、装置、计算机设备及存储介质 |
CN112697066A (zh) * | 2020-12-02 | 2021-04-23 | 王刚 | 车辆部件定位方法、装置及计算机存储介质 |
CN113505781A (zh) * | 2021-06-01 | 2021-10-15 | 北京旷视科技有限公司 | 目标检测方法、装置、电子设备及可读存储介质 |
CN114743120A (zh) * | 2022-06-10 | 2022-07-12 | 深圳联和智慧科技有限公司 | 一种基于图像识别的路边车辆非法占道检测方法及*** |
WO2023123818A1 (zh) * | 2021-12-30 | 2023-07-06 | 上海商汤智能科技有限公司 | 车辆改装检测方法、装置、电子设备、计算机可读存储介质及计算机程序产品 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110047771A1 (en) * | 2009-09-03 | 2011-03-03 | Cabot Smith | Method of converting a hybrid sedan into a hybrid livery vehicle |
WO2018028230A1 (zh) * | 2016-08-10 | 2018-02-15 | 东方网力科技股份有限公司 | 一种基于深度学习的车牌字符分割方法、装置及存储介质 |
CN110245691A (zh) * | 2019-05-27 | 2019-09-17 | 上海眼控科技股份有限公司 | 一种车辆外观颜色变色改装的智能识别方法 |
CN110378236A (zh) * | 2019-06-20 | 2019-10-25 | 西安电子科技大学 | 基于深度学习的车辆身份识别模型构建、识别方法和*** |
-
2019
- 2019-12-22 CN CN201911354664.7A patent/CN111126393A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110047771A1 (en) * | 2009-09-03 | 2011-03-03 | Cabot Smith | Method of converting a hybrid sedan into a hybrid livery vehicle |
WO2018028230A1 (zh) * | 2016-08-10 | 2018-02-15 | 东方网力科技股份有限公司 | 一种基于深度学习的车牌字符分割方法、装置及存储介质 |
CN110245691A (zh) * | 2019-05-27 | 2019-09-17 | 上海眼控科技股份有限公司 | 一种车辆外观颜色变色改装的智能识别方法 |
CN110378236A (zh) * | 2019-06-20 | 2019-10-25 | 西安电子科技大学 | 基于深度学习的车辆身份识别模型构建、识别方法和*** |
Non-Patent Citations (1)
Title |
---|
闫世宇;何岭松;尤若;高志强;罗瀛;: "基于手机平台的工件台残余切屑检测方法" * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111461093A (zh) * | 2020-06-22 | 2020-07-28 | 北京慧智数据科技有限公司 | 一种基于深度学习技术的改装货车识别方法 |
CN111784662A (zh) * | 2020-06-29 | 2020-10-16 | 深圳至峰精密制造有限公司 | 工件识别方法、装置、计算机设备及存储介质 |
CN112697066A (zh) * | 2020-12-02 | 2021-04-23 | 王刚 | 车辆部件定位方法、装置及计算机存储介质 |
CN113505781A (zh) * | 2021-06-01 | 2021-10-15 | 北京旷视科技有限公司 | 目标检测方法、装置、电子设备及可读存储介质 |
WO2023123818A1 (zh) * | 2021-12-30 | 2023-07-06 | 上海商汤智能科技有限公司 | 车辆改装检测方法、装置、电子设备、计算机可读存储介质及计算机程序产品 |
CN114743120A (zh) * | 2022-06-10 | 2022-07-12 | 深圳联和智慧科技有限公司 | 一种基于图像识别的路边车辆非法占道检测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106875381B (zh) | 一种基于深度学习的手机外壳缺陷检测方法 | |
CN113160192B (zh) | 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置 | |
CN108898047B (zh) | 基于分块遮挡感知的行人检测方法及*** | |
CN111126393A (zh) | 车辆外观改装判断方法、装置、计算机设备及存储介质 | |
US11080839B2 (en) | System and method for training a damage identification model | |
CN111325769B (zh) | 一种目标对象检测方法及装置 | |
CN105574550A (zh) | 一种车辆识别方法及装置 | |
CN104778721A (zh) | 一种双目图像中显著性目标的距离测量方法 | |
CN105447512A (zh) | 一种精粗结合的光学表面缺陷的检测方法及装置 | |
CN104615986A (zh) | 利用多检测器对场景变化的视频图像进行行人检测的方法 | |
CN110288612B (zh) | 铭牌定位与校正方法及设备 | |
CN110569856A (zh) | 样本标注方法及装置、损伤类别的识别方法及装置 | |
Galsgaard et al. | Circular hough transform and local circularity measure for weight estimation of a graph-cut based wood stack measurement | |
CN112784712B (zh) | 一种基于实时监控的失踪儿童预警实现方法、装置 | |
CN111784675A (zh) | 物品纹理信息处理的方法、装置、存储介质及电子设备 | |
CN108664970A (zh) | 一种快速目标检测方法、电子设备、存储介质及*** | |
CN114926441A (zh) | 一种注塑件加工成型的缺陷检测方法及*** | |
WO2020047316A1 (en) | System and method for training a damage identification model | |
CN106845458A (zh) | 一种基于核超限学习机的快速交通标识检测方法 | |
Wang et al. | Combining semantic scene priors and haze removal for single image depth estimation | |
CN116740758A (zh) | 一种防止误判的鸟类图像识别方法及*** | |
CN111402185B (zh) | 一种图像检测方法及装置 | |
CN112581495A (zh) | 图像处理方法、装置、设备及存储介质 | |
CN110910497A (zh) | 实现增强现实地图的方法和*** | |
Khan et al. | Segmentation of single and overlapping leaves by extracting appropriate contours |
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 |