CN111325256A - 车辆外观检测方法、装置、计算机设备和存储介质 - Google Patents

车辆外观检测方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN111325256A
CN111325256A CN202010091417.9A CN202010091417A CN111325256A CN 111325256 A CN111325256 A CN 111325256A CN 202010091417 A CN202010091417 A CN 202010091417A CN 111325256 A CN111325256 A CN 111325256A
Authority
CN
China
Prior art keywords
vehicle
color
picture
detection result
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
Application number
CN202010091417.9A
Other languages
English (en)
Inventor
周康明
申周
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Eye Control Technology Co Ltd
Original Assignee
Shanghai Eye Control Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Eye Control Technology Co Ltd filed Critical Shanghai Eye Control Technology Co Ltd
Priority to CN202010091417.9A priority Critical patent/CN111325256A/zh
Publication of CN111325256A publication Critical patent/CN111325256A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种车辆外观检测方法、装置、计算机设备和存储介质。方法包括：通过根据预设的语义分割模型获取车辆图片中的车身图片；将车身图片输入至多标签分类模型，并得到检测结果；检测结果包括多个颜色标签分别对应的类别概率；根据各颜色标签分别对应的类别概率，确定目标车辆的颜色检测结果；颜色检测结果包括至少一个预测颜色标签；比对各预测颜色标签与目标车辆的标准颜色，获得外观检测结果。根据本申请实施例提供的车辆外观检测方法，可以提高对目标车辆的车身颜色预测的准确率，提升识别效率。

Description

车辆外观检测方法、装置、计算机设备和存储介质
技术领域
本申请涉及图片处理技术领域，特别是涉及一种车辆外观检测方法、装置、计算机设备和存储介质。
背景技术
随着社会经济的发展，汽车的普及程度也越来越高，车辆总保持量也随之增高。为了消除车辆安全隐患，保证交通安全，每一辆已经取得正式号牌及行驶证的车辆都必须要进行车辆年检，以督促加强汽车的维护保养，减少交通事故的发生。
在车辆年检过程中，车辆外观识别是其中很重要的一环。在车辆外观检测中，需要对待检测车辆的车身颜色进行检测，进而判断待检测车辆是否存在非法改装现象。传统的车辆外观检测采用的是人工判定的方式，即车辆检测人员通过人工的方式对车辆外观图片进行车身颜色的判定并与记录的合法车身颜色进行比对。
这种方式的不仅人力成本较高、效率较低，而且人工检测结果受主观影响较大、准确度较低。
发明内容
基于此，有必要针对上述技术问题，提供一种识别效率高且准确度高的车辆外观检测方法、装置、计算机设备和存储介质。
第一方面，本发明实施例提供一种车辆外观检测方法，所述方法包括：
根据预设的语义分割模型获取车辆图片中的车身图片；
将所述车身图片输入至多标签分类模型，并得到检测结果；所述检测结果包括多个颜色标签分别对应的类别概率；
根据各所述颜色标签分别对应的类别概率，确定目标车辆的颜色检测结果；所述颜色检测结果包括至少一个预测颜色标签；
比对各所述预测颜色标签与所述目标车辆的标准颜色，获得外观检测结果。
在本申请的一个实施例中，所述根据预设的语义分割模型获取车辆图片中的车身图片，包括：
将所述车辆图片输入至所述语义分割模型，得到所述目标车辆中车身对应的检测区域；所述检测区域用于标注所述目标车辆中车身在所述车辆图片中的位置；
获取所述检测区域的最小外接矩形，并根据所述最小外接矩形及所述车辆图片获取初始车身图片，对所述初始车身图片进行后处理以得到所述车身图片。
在本申请的一个实施例中，所述对所述初始车身图片进行后处理以得到所述车身图片，包括：
根据所述检测区域，将所述初始车身图片中非车身区域中像素点的像素值删除，得到所述车身图片。
在本申请的一个实施例中，所述根据各所述颜色标签分别对应的类别概率，获取目标车辆的颜色检测结果，包括：
按照类别概率由大到小的顺序，选取预设数量的类别概率对应的颜色标签作为所述目标车辆的颜色检测结果。
在本申请的一个实施例中，所述比对各所述预测颜色标签与所述目标车辆的标准颜色，获得外观检测结果，包括：
获取所述目标车辆的标准颜色，所述标准颜色包括至少一个标准颜色标签；
比对各所述预测颜色标签与各所述标准颜色标签，若所述颜色检测结果中存在与所述标准颜色相同的预测颜色标签，则判定所述外观检测结果为合格；若所述颜色检测结果中不存在与所述标准颜色相同的预测颜色标签，则判定所述外观检测结果为不合格。
在本申请的一个实施例中，所述多标签分类模型的训练方法，包括：
获取多张车辆样本图片；各所述车辆样本图片携带所述目标车辆的各种颜色标签；
根据预设的语义分割模型获取各所述车辆样本图片中的车身样本图片；
根据各所述车身样本图片和各所述车身样本图片对应的颜色标签对初始分类模型进行训练，得到所述多标签分类模型。
在本申请的一个实施例中，所述多标签分类模型包括多个conv层、与所述多个conv层连接的平均池化层、及与所述平均池化层分别连接的全连接层；所述全连接层的数量与所述颜色标签的数量一致。
在本申请的一个实施例中，所述语义分割模型的训练方法，包括：
获取多张车辆样本图片和各所述车辆样本图片对应的样本检测图片；所述样本检测图片标注了至少一个车身部件对应的待检测区域；
根据所述多张车辆样本图片和各所述车辆样本图片对应的样本检测图片对预设的初始分割模型进行训练，直至所述初始分割模型的损失函数的值满足预设条件，将训练后的初始分割模型作为所述语义分割模型。
第二方面，本发明实施例提供一种车辆外观检测装置，所述装置包括：
车身图片获取模块，用于根据预设的语义分割模型获取车辆图片中的车身图片；
检测将所述车身图片输入至多标签分类模型，并得到检测结果；所述检测结果包括多个颜色标签分别对应的类别概率；
根据各所述颜色标签分别对应的类别概率，获取目标车辆的颜色检测结果；
比对所述颜色检测结果与所述目标车辆的标准颜色，获得外观检测结果。
第三方面，本发明实施例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以下步骤：
根据预设的语义分割模型获取车辆图片中的车身图片；
将所述车身图片输入至多标签分类模型，并得到检测结果；所述检测结果包括多个颜色标签分别对应的类别概率；
根据各所述颜色标签分别对应的类别概率，确定目标车辆的颜色检测结果；所述颜色检测结果包括至少一个预测颜色标签；
比对各所述预测颜色标签与所述目标车辆的标准颜色，获得外观检测结果。
第四方面，本发明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，所述计算机程序被处理器执行时实现以下步骤：
根据预设的语义分割模型获取车辆图片中的车身图片；
将所述车身图片输入至多标签分类模型，并得到检测结果；所述检测结果包括多个颜色标签分别对应的类别概率；
根据各所述颜色标签分别对应的类别概率，确定目标车辆的颜色检测结果；所述颜色检测结果包括至少一个预测颜色标签；
比对各所述预测颜色标签与所述目标车辆的标准颜色，获得外观检测结果。
上述车辆外观检测方法、装置、计算机设备和存储介质，通过根据预设的语义分割模型获取车辆图片中的车身图片；将车身图片输入至多标签分类模型，并得到检测结果；检测结果包括多个颜色标签分别对应的类别概率；根据各颜色标签分别对应的类别概率，确定目标车辆的颜色检测结果；颜色检测结果包括至少一个预测颜色标签；比对各预测颜色标签与目标车辆的标准颜色，获得外观检测结果。根据本申请实施例提供的车辆外观检测方法，由于采用语义分割模型获取车辆图片中的车身图片，可以避免车辆图片中背景图片像素值对颜色检测结果的影响；由于采用了多标签分类模型，可以得到多个颜色标签分别对应的类别概率，进而可以判断车辆图片中车身对应的至少一个预测颜色标签，可以提高对目标车辆的车身颜色预测的准确率，提升识别效率。
附图说明
图1为本申请实施例提供的一种计算机设备的框图；
图2为本申请实施例提供的一种车辆外观检测方法的流程图；
图3为本申请实施例提供的另一种车辆外观检测方法的流程图；
图4为本申请实施例提供的另一种车辆外观检测方法的流程图；
图5为本申请实施例提供的另一种车辆外观检测方法的流程图；
图6为本申请实施例提供的一种多标签分类模型的示意图；
图7为本申请实施例提供的另一种车辆外观检测方法的流程图；
图8为本申请实施例提供的一种车辆外观检测装置的框图；
图9为本申请实施例提供的另一种车辆外观检测装置的框图。
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。
本申请提供的车辆外观检测方法，可以应用于如图1所示的计算机设备。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外观检测方法。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。
需要说明的是，本申请实施例的执行主体可以是车辆外观检测装置，也可以是计算机设备，下面实施例将以执行主体为计算机设备为例进行说明。
在一个实施例中，提供了一种车辆外观检测方法，本实施例涉及的是如何提取车辆图片中目标车辆的多个预测颜色标签，并根据得到多个预测颜色标签及所述目标车辆的标准颜色确定外观检测结果的过程。如图2所示，该方法可以包括以下步骤：
步骤202，根据预设的语义分割模型获取车辆图片中的车身图片。
在本申请的一个实施例中，计算机设备连接有至少一个用于获取车辆图片的拍摄设备，该拍摄设备可以但不限于是各种照相机，监控，摄影机等，该拍摄设备放置于目标车辆的周围，用于拍摄并得到包括车身信息的车辆图片。可选的，计算机设备与两个拍摄设备相连接，两个拍摄设备可以分别设置于目标车辆的左前方和右后方，也可以分别设置与目标车辆的左后方和右前方，通过拍摄目标车辆任意两侧的影像获取包括该目标车辆车身图片的车辆图片。
在本申请的一个实施例中，该计算机设备还连有用于检测车辆是否到达检测地点的检测设备，当车辆行驶至检测地点时，检测设备发送触发指令至该拍摄设备，该触发指令用于指示该拍摄设备对已经处于拍摄位置的车辆进行拍摄，得到该车辆图片，并将得到的车辆图片传回至计算机设备。本申请中的车辆图片可以为彩色图片，也可以为灰度图片，可以根据实际情况而定，本实施例对此不作限定。
进一步的，在计算机设备得到车辆图片后，将该车辆图片输入至预设的语义分割模型，该语义分割模型可以对该目标车辆图片中各个车身部件进行划分，得到各车身部件对应的检测区域。车身部件可以包括车顶、引擎盖、车辆侧面等车身区域，不包括车窗、车灯、轮胎、车标等非车身区域。
在本申请的一个实施例中，若该语义分割模型未得到该车辆图片中各车辆部件对应的检测区域时，表示此时目标车辆未进入检测地点或未完全进入该检测地点，拍摄设备无法获取完整的目标车辆图片。此时，发出告警提示，以提醒目标车辆调整所处位置，在一段时间后重新获取该目标车辆的车辆图片。在本申请的一个实施例中，在获取到该语义分割模型输出的各车身部件对应的检测区域后，会根据各检测区域在所述车辆图片中截取所述车身图片。
步骤204，将车身图片输入至多标签分类模型，并得到检测结果；检测结果包括多个颜色标签分别对应的类别概率。
在本申请的一个实施例中，在得到所述车身图片后，输入至该多标签分类模型之前，需要先对该车身图片进行预处理。可选的，该预处理可以包括但不限于是尺度转换、去噪处理及灰度转换。
在本申请的一个实施例中，对于输入的车身图片，该多标签分类模型用于输出该车身图片属于各颜色标签分别对应的类别概率。其中，可以统计车辆数据集中的所有数据，确定该多标签分类模型可以支持的所有颜色标签。在一个实施例中，该多标签分类模型可以支持黑色、灰色、白色、蓝色、绿色、红色、黄色、棕色、紫色共9类颜色标签。该多标签分类模型可以输出各颜色标签分别对应的类别概率。
步骤206，根据各颜色标签分别对应的类别概率，确定目标车辆的颜色检测结果；颜色检测结果包括至少一个预测颜色标签。
在本申请的一个实施例中，根据各颜色标签的类别概率，可以在输出的各颜色标签中确定一个或几个预测颜色标签作为该目标车辆的颜色检测结果。
步骤208，比对各预测颜色标签与目标车辆的标准颜色，获得外观检测结果。
在本申请的一个实施例中，若输出的各预测颜色标签与该目标车辆的标准颜色一致，则表示该目标车辆并未存在非法改装的现象，将该目标车辆的外观检测结果判定为合格。其中，在一个可选的实施例中，当存在一个预测颜色标签与标准颜色一致时，判定输出的各预测颜色标签与该目标车辆的标准颜色一致；在另一个可选的实施例中，当输出的各预测颜色标签与该目标车辆的标准颜色完全一致时，判定输出的各预测颜色标签与该目标车辆的标准颜色一致。
在本申请的一个实施例中，若输出的各预测颜色标签与该目标车辆的标准颜色不一致，则表示该目标车辆存在非法改装的现象，将该目标车辆的外观检测结果判定为不合格。其中，在一个可选的实施例中，当输出的各预测颜色标签与该目标车辆的标准颜色均不相同时，判定输出的各预测颜色标签与该目标车辆的标准颜色不一致；在另一个可选的实施例中，当输出的各预测颜色标签中存在至少一个预测颜色标签与该目标车辆的标准颜色不相同时，判定输出的各预测颜色标签与该目标车辆的标准颜色不一致。
在本申请实施例提供的车辆外观检测方法中，通过根据预设的语义分割模型获取车辆图片中的车身图片；将车身图片输入至多标签分类模型，并得到检测结果；检测结果包括多个颜色标签分别对应的类别概率；根据各颜色标签分别对应的类别概率，确定目标车辆的颜色检测结果；颜色检测结果包括至少一个预测颜色标签；比对各预测颜色标签与目标车辆的标准颜色，获得外观检测结果。根据本申请实施例提供的车辆外观检测方法，由于采用语义分割模型获取车辆图片中的车身图片，可以避免车辆图片中背景图片像素值对颜色检测结果的影响；由于采用了多标签分类模型，可以得到多个颜色标签分别对应的类别概率，进而可以判断车辆图片中车身对应的至少一个预测颜色标签，可以提高对目标车辆的车身颜色预测的准确率，提升识别效率。
请参考图3，其示出了本实施例提供的另一种车辆外观检测检测方法的流程图，该车辆外观检测方法可以应用于上文所述的计算机设备中。在上述图2所示实施例的基础上，上述步骤202具体可以包括以下步骤：
步骤302，将车辆图片输入至语义分割模型，得到目标车辆中车身对应的检测区域；检测区域用于标注目标车辆中车身在车辆图片中的位置。
在本申请的一个实施例中，该语义分割模型可以通过对不同车身部件添加不同的颜色标记，以在该车辆图片中划分各个车身部件对应的检测区域。将得到的不同车身部件对应的检测区域作为该车身对应的检测区域。该车身对应的检测区域由于包括了标注了各个车身部件对应的检测区域，且车身部件如车顶、车门及引擎盖等部件均未不规则的图形，因此该车身对应的检测区域也为不规则的图形。
步骤304，获取检测区域的最小外接矩形，并根据最小外接矩形及车辆图片获取初始车身图片，对初始车身图片进行后处理以得到车身图片。
在本申请的一个实施例中，为了向多标签分类模型的输入规则的车身图片，需要获取该车身对应的检测区域的最小外接矩形，根据该最小外接矩形可以在原始的车身图片中截取初始车身图片，此时该初始车身图片中包括了各车身部件对应的检测区域。
在本申请的一个实施例中，在获取到该初始车身图片后，还需要对该初始车身图片进行后处理操作，该后处理操作用于去除该初始车身图片中除了车身对应的检测区域的像素点。具体的，所述对初始车身图片进行后处理以得到车身图片，具体包括：
根据检测区域，将初始车身图片中非车身区域中像素点的像素值删除，得到车身图片。
在本申请的一个实施例中，在该初始车身图片中，可以通过该检测区域，确定该初始车身图片中的车身区域及非车身区域，其中，车身区域与该检测区域的位置及范围相同，该非车身区域为该初始车身图片中车身区域之外的区域。
在本申请的一个实施例中，可以通过将该非车身区域的像素点的像素值改为黑色(0,0,0),将初始车身图片中非车身区域中像素点的像素值删除。在另一个实施例中，还可以通过将该非车身区域的像素点的像素值设置为缺省值,将初始车身图片中非车身区域中像素点的像素值删除。
在本申请实施例提供的车辆外观检测方法中，通过将车辆图片输入至语义分割模型，得到目标车辆中车身对应的检测区域；检测区域用于标注目标车辆中车身在车辆图片中的位置；获取检测区域的最小外接矩形，并根据最小外接矩形及车辆图片获取初始车身图片，对初始车身图片进行后处理以得到车身图片。根据本申请实施例提供的车辆外观检测方法，由于对得到的初始车身图片进行后处理，可以突出输入至多标签分类模型的车身图片中车身所在区域。
本实施例还提供另一种车辆外观检测检测方法的流程图，该车辆外观检测方法可以应用于上文所述的计算机设备中。在上述图2所示实施例的基础上，上述根据各颜色标签分别对应的类别概率，获取目标车辆的颜色检测结果的步骤，具体可以包括以下步骤：
按照类别概率由大到小的顺序，选取预设数量的类别概率对应的颜色标签作为目标车辆的颜色检测结果。
在本申请的一个实施例中，对于该多标签分类模型输出的多个颜色标签分别对应的类别概率，可以按照类别概率由大到小的顺序，对所述多个颜色标签进行排序，根据该预设数量，将排序靠前的预设数量的颜色标签作为目标车辆的颜色检测结果。例如，该多标签分类模型包括黑色、灰色、白色、蓝色、绿色、红色、黄色、棕色、紫色共9类颜色标签，在得到该多标签分类模型输出的检测结果后，若黑色、灰色、白色、蓝色、绿色、红色、黄色、棕色、紫色颜色标签对应的类别概率分别为80％、20％、10％、10％、20％、70％、10％、10％、20％，若预设数量设置为2，可以将黑色及红色作为目标车辆的颜色检测结果。
在本申请的一个实施例中，可以通过设置预设数量的大小，来控制本申请外观检测过程的严格程度，设置的预设数量越大，则颜色检测结果可以包括更多的预测颜色标签，进而在比对各预测颜色标签与目标车辆的标准颜色，获得外观检测结果的过程中，即使环境光线差，拍摄角度较差，使得车身图片仅能反应一小部分的车辆真实颜色，通过设置较大的预设数量可以使得该车辆仍能通过外观检测。例如，当环境光线较差，对于深色车辆的车身图片，该车身图片中大部分颜色应该为黑色，仅有一小部分可以显示出车身原始的紫色及由于反光显示的白色。将该车身图片输入至多标签分类模型后，可以得到排序前三的颜色标签为80％的黑色、30％的紫色及20％的白色，可以看出，当预设数量设置为1时，即使对应的车辆并未对车身颜色进行非法改装，也会导致外观检测结果判定错误，通过将预设数量设置为2，可以得到正确的外观检测结果。
在本申请实施例提供的车辆外观检测方法中，通过按照类别概率由大到小的顺序，选取预设数量的类别概率对应的颜色标签作为目标车辆的颜色检测结果。由于选取预设数量的类别概率对应的颜色标签作为目标车辆的颜色检测结果，可以避免因环境光线差而导致的外观检测结果的判定错误问题。
请参考图4，其示出了本实施例提供的另一种车辆外观检测检测方法的流程图，该车辆外观检测方法可以应用于上文所述的计算机设备中。在上述图2所示实施例的基础上，上述步骤208具体可以包括以下步骤：
步骤402，获取目标车辆的标准颜色，标准颜色包括至少一个标准颜色标签。
在本申请的一个实施例中，该目标车辆的标准颜色预存在车检服务器中的颜色数据库中，通过该目标车辆的标识码(如车架号)在该颜色数据库中获取该目标车辆对应的标准颜色。该标准颜色可以包括至少一个标准颜色标签，对于单一标准色的车辆，可以通过一个标准颜色标签对该车辆进行标记，对于其他车辆，可以通过两个或以上的标准颜色标签对该车辆进行标记。例如，若存在一个实际颜色为红色的车辆，则通过一个红色的标准颜色标签对该车辆进行标记，若存在一个实际颜色为橙色，其并未有完全对应的标准颜色标签，则通过红色和黄色共两个标准颜色标签对该车辆进行标记，若存在一个蓝色、白色及黑色拼接的车辆，则通过蓝色、白色及黑色共三个标准颜色标签对该车辆进行标记。
步骤404，比对各预测颜色标签与各标准颜色标签，若颜色检测结果中存在与标准颜色相同的预测颜色标签，则判定外观检测结果为合格；若颜色检测结果中不存在与标准颜色相同的预测颜色标签，则判定外观检测结果为不合格。
在本申请的一个实施例中，该车辆可以对应至少一个预测颜色标签，同时，该车辆还可以对应至少一个标准颜色标签，若该车辆对应至少一个预测颜色标签中存在与该至少一个标准颜色标签相同的预测颜色标签，则判定该外观检测结果为合格，若该车辆对应至少一个预测颜色标签中不存在与该至少一个标准颜色标签相同的预测颜色标签，则判定该外观检测结果为不合格。例如，存在一个车辆对应的标准颜色包括红色和黄色两个标准颜色标签，若该车辆对应的预测颜色标签为黑色和红色两个预测颜色标签，由于该红色的预测颜色标签与标准颜色中红色的标准颜色标签相同，则判定该外观检测结果为合格；若该车辆对应的预测颜色标签为黑色和白色两个预测颜色标签，由于不存在与该至少一个标准颜色标签相同的预测颜色标签，则判定该外观检测结果为不合格。
在本申请实施例提供的车辆外观检测方法中，通过获取目标车辆的标准颜色，标准颜色包括至少一个标准颜色标签；比对各预测颜色标签与各标准颜色标签，若颜色检测结果中存在与标准颜色相同的预测颜色标签，则判定外观检测结果为合格；若颜色检测结果中不存在与标准颜色相同的预测颜色标签，则判定外观检测结果为不合格。根据本申请实施例提供的车辆外观检测方法，由于通过比对各标准颜色标签及各预测颜色标签，进而判定外观检测结果，可以保证外观检测结果的判定准确性。
请参考图5，其示出了本实施例提供的另一种车辆外观检测检测方法的流程图，该车辆外观检测方法可以应用于上文所述的计算机设备中。在上述图2所示实施例的基础上，上述步骤204具体可以包括以下步骤：
步骤502，获取多张车辆样本图片；各车辆样本图片携带目标车辆的各种颜色标签。
在本申请的一个实施例中，该多张车辆样本图片包括了不同拍摄角度，不同光照强度，不同车辆的车辆样本图片，每一车辆样本图片中已经标注了各车辆样本图片中目标车辆的车身的各种颜色标签，其中，各所述颜色标签对应不同的颜色类别，对于每一种颜色标签，采用“是”或“非”共两种不同的颜色标签来表征该目标车辆是否属于该颜色类别。例如，若存在黑色、灰色、白色、蓝色、绿色、红色、黄色、棕色、紫色共9种颜色类别对应的颜色标签，对于每一种颜色类别对应的颜色标签，均用于表征目标车辆是否处于该颜色类别。若存在一张车身为暗紫色的车辆样本图片，由于该图片拍摄环境和本身车颜色偏暗偏黑的问题，导致车身看起来更像黑色而仅能看出一点点紫色，因此为了解决这种情况，在本申请中，将其标签设定为：黑色、非灰色、非白色、非蓝色、非绿色、非红色、非黄色、非棕色、紫色，可以看出，其对应的标签主要是黑色和紫色，其余全是“非某色”。
步骤504，根据预设的语义分割模型获取各车辆样本图片中的车身样本图片。
在本申请的一个实施例中，将各车辆样本图片分别输入至该语义分割模型，在得到各车辆样本图片对应的检测区域后，获取各检测区域的最小外接矩形，利用各最小外接矩形及对应的车辆样本图片获取对应的初始车身图片，在经过后处理后，可以得到各车辆样本图片中的车身样本图片。其中，该后处理过程可以为根据检测区域，将初始车身图片中非车身区域中像素点的像素值删除，得到车身样本图片。
步骤506，根据各车身样本图片和各车身样本图片对应的颜色标签对初始分类模型进行训练，得到多标签分类模型。
在本申请的一个实施例中，可以设置训练过程中的初始学习率为0.01，通过poly的方式使学习率随迭代次数的增加而缓慢减降低，优化器采用Adam。将训练后得到的初始分类模型作为该多标签分类模型。该多标签分类模型用于对输入的车身图片生成各个颜色标签对应的类别概率。
在本申请实施例提供的车辆外观检测方法中，通过获取多张车辆样本图片；各车辆样本图片携带目标车辆的各种颜色标签；根据预设的语义分割模型获取各车辆样本图片中的车身样本图片；根据各车身样本图片和各车身样本图片对应的颜色标签对初始分类模型进行训练，得到多标签分类模型。由于输入的车身样本图片携带了各种颜色标签，可以使得训练得到的多标签分类模型可以对输入的车身图片生成各个颜色标签对应的类别概率。
在本申请的一个实施例中，多标签分类模型包括多个conv层、与多个conv层连接的平均池化层、及与平均池化层分别连接的全连接层；全连接层的数量与颜色标签的数量一致。
请参考图6，其示出了本实施例提供的一种多标签分类模型的示意图，其中，该多标签分类模型是以resnet-18的基础上连接多个全连接层形成的。具体的，该多标签分类模型包括依次连接的5个conv层，与该5个conv层连接的平均池化层，及与该平均池化层分别连接的多个全连接层，该全连接层的数量与颜色标签的数量相同。每一个全连接层用于输出对应颜色标签的类别概率。
请参考图7，其示出了本实施例提供的另一种车辆外观检测检测方法的流程图，该车辆外观检测方法可以应用于上文所述的计算机设备中。在上述图2所示实施例的基础上，该语义分割模型的训练过程，具体可以包括以下步骤：
步骤702，获取多张车辆样本图片和各车辆样本图片对应的样本检测图片；样本检测图片标注了至少一个车身部件对应的待检测区域。
在本申请的一个实施例中，该车辆样本图片可以由多张车辆拍摄图片，及经过整车检测模型得到的目标车辆的检测框生成，该多张车辆拍摄图片为不同角度、不同光照条件下拍摄得到的。车辆样本图片对应的样本检测图片中包括各车身部件对应的待检测区域。具体的，对于各车身部件，可以采用各车身部件对应的多边形对其进行标注，可选的，对于弧度较大的部件，可以获取多点标注拟合的轮廓对其进行标注。本实施例中对各车身部件的标注过程可以得到更加精确的待检测区域。
步骤704，根据多张车辆样本图片和各车辆样本图片对应的样本检测图片对预设的初始分割模型进行训练，直至初始分割模型的损失函数的值满足预设条件，将训练后的初始分割模型作为语义分割模型。
在本申请的一个实施例中，将得到的车辆样本图片输入至预设的初始分割模型进行训练，获取该初始分割模型输出的预测图片，该预设图片中包括各车身部件对应的预测检测区域，将得到的预测检测区域及该车辆样本图片对应的样本检测图片输入至预设的损失函数中，得到该损失函数的值，并利用该损失函数的值调整初始分割模型的模型参数，当该损失函数的值满足预设条件后，将训练后的初始分割模型作为该语义分割模型。
本实施例提供的车辆外观检测方法，通过获取多张车辆样本图片和各车辆样本图片对应的样本检测图片；样本检测图片携带至少一个部件对应的待检测区域；根据多张车辆样本图片和各车辆样本图片对应的样本检测图片对预设的初始分割模型进行训练，直至损失函数的值满足预设条件，将训练后的初始分割模型作为语义分割模型。根据本申请实施例提供的车辆外观检测方法，由于采用携带至少一个部件对应的待检测区域的样本检测图片对该初始分割模型进行训练，可以提高训练后的初始分割模型对车辆样本图片中各部件的识别精度，使得得到的各部件的待检测区域更加贴合各部件真实的边缘；进而也提升了检测结果的准确性。
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。
请参考图8，其示出了本申请实施例提供的一种车辆外观检测装置800的框图。如图8所示，所述车辆外观检测装置800可以包括：车身图片获取模块801、标签概率获取模块802、颜色检测结果确定模块803及比对模块804，其中：
所述车身图片获取模块801，用于根据预设的语义分割模型获取车辆图片中的车身图片；
所述标签概率获取模块802，用于将所述车身图片输入至多标签分类模型，并得到检测结果；所述检测结果包括多个颜色标签分别对应的类别概率；
所述颜色检测结果确定模块803，用于根据各所述颜色标签分别对应的类别概率，确定目标车辆的颜色检测结果；所述颜色检测结果包括至少一个预测颜色标签；
所述比对模块804，用于比对各所述预测颜色标签与所述目标车辆的标准颜色，获得外观检测结果。
在本申请的一个实施例中，所述车身图片获取模块801，具体用于：
将车辆图片输入至语义分割模型，得到目标车辆中车身对应的检测区域；检测区域用于标注目标车辆中车身在车辆图片中的位置；
获取检测区域的最小外接矩形，并根据最小外接矩形及车辆图片获取初始车身图片，对初始车身图片进行后处理以得到车身图片。
在本申请的一个实施例中，所述车身图片获取模块801，还具体用于：
根据检测区域，将初始车身图片中非车身区域中像素点的像素值删除，得到车身图片。
在本申请的一个实施例中，所述颜色检测结果确定模块803，具体用于：
按照类别概率由大到小的顺序，选取预设数量的类别概率对应的颜色标签作为目标车辆的颜色检测结果。
在本申请的一个实施例中，所述比对模块804，具体用于：
获取目标车辆的标准颜色，标准颜色包括至少一个标准颜色标签；
比对各预测颜色标签与各标准颜色标签，若颜色检测结果中存在与标准颜色相同的预测颜色标签，则判定外观检测结果为合格；若颜色检测结果中不存在与标准颜色相同的预测颜色标签，则判定外观检测结果为不合格。
在本申请的一个实施例中，该多标签分类模型包括多个conv层、与多个conv层连接的平均池化层、及与平均池化层分别连接的全连接层；全连接层的数量与颜色标签的数量一致。
请参考图9，其示出了本申请实施例提供的一种车辆外观检测装置900的框图。如图9所示，所述车辆外观检测装置900除了包括车辆外观检测装置800包括的各模块外，可选的，还可以包括：多标签分类模型训练模块805和语义分割模型训练模块806。其中：
所述多标签分类模型训练模块805，用于获取多张车辆样本图片；各车辆样本图片携带目标车辆的各种颜色标签；根据预设的语义分割模型获取各车辆样本图片中的车身样本图片；根据各车身样本图片和各车身样本图片对应的颜色标签对初始分类模型进行训练，得到多标签分类模型。
所述语义分割模型训练模块806，用于获取多张车辆样本图片和各车辆样本图片对应的样本检测图片；样本检测图片标注了至少一个车身部件对应的待检测区域；根据多张车辆样本图片和各车辆样本图片对应的样本检测图片对预设的初始分割模型进行训练，直至初始分割模型的损失函数的值满足预设条件，将训练后的初始分割模型作为语义分割模型。
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。
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：
根据预设的语义分割模型获取车辆图片中的车身图片；
将车身图片输入至多标签分类模型，并得到检测结果；检测结果包括多个颜色标签分别对应的类别概率；
根据各颜色标签分别对应的类别概率，确定目标车辆的颜色检测结果；颜色检测结果包括至少一个预测颜色标签；
比对各预测颜色标签与目标车辆的标准颜色，获得外观检测结果。
在本申请的一个实施例中，所述根据预设的语义分割模型获取车辆图片中的车身图片，包括：
将车辆图片输入至语义分割模型，得到目标车辆中车身对应的检测区域；检测区域用于标注目标车辆中车身在车辆图片中的位置；
获取检测区域的最小外接矩形，并根据最小外接矩形及车辆图片获取初始车身图片，对初始车身图片进行后处理以得到车身图片。
在本申请的一个实施例中，所述对所述初始车身图片进行后处理以得到所述车身图片，包括：
根据检测区域，将初始车身图片中非车身区域中像素点的像素值删除，得到车身图片。
在本申请的一个实施例中，所述根据各所述颜色标签分别对应的类别概率，获取目标车辆的颜色检测结果，包括：
按照类别概率由大到小的顺序，选取预设数量的类别概率对应的颜色标签作为目标车辆的颜色检测结果。
在本申请的一个实施例中，所述比对各所述预测颜色标签与所述目标车辆的标准颜色，获得外观检测结果，包括：
获取目标车辆的标准颜色，标准颜色包括至少一个标准颜色标签；
比对各预测颜色标签与各标准颜色标签，若颜色检测结果中存在与标准颜色相同的预测颜色标签，则判定外观检测结果为合格；若颜色检测结果中不存在与标准颜色相同的预测颜色标签，则判定外观检测结果为不合格。
在本申请的一个实施例中，所述多标签分类模型的训练方法，包括：
获取多张车辆样本图片；各车辆样本图片携带目标车辆的各种颜色标签；
根据预设的语义分割模型获取各车辆样本图片中的车身样本图片；
根据各车身样本图片和各车身样本图片对应的颜色标签对初始分类模型进行训练，得到多标签分类模型。
在本申请的一个实施例中，所述多标签分类模型包括多个conv层、与所述多个conv层连接的平均池化层、及与所述平均池化层分别连接的全连接层；所述全连接层的数量与所述颜色标签的数量一致。
在本申请的一个实施例中，所述语义分割模型的训练方法，包括：
获取多张车辆样本图片和各车辆样本图片对应的样本检测图片；样本检测图片标注了至少一个车身部件对应的待检测区域；
根据多张车辆样本图片和各车辆样本图片对应的样本检测图片对预设的初始分割模型进行训练，直至初始分割模型的损失函数的值满足预设条件，将训练后的初始分割模型作为语义分割模型。
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：
根据预设的语义分割模型获取车辆图片中的车身图片；
将车身图片输入至多标签分类模型，并得到检测结果；检测结果包括多个颜色标签分别对应的类别概率；
根据各颜色标签分别对应的类别概率，确定目标车辆的颜色检测结果；颜色检测结果包括至少一个预测颜色标签；
比对各预测颜色标签与目标车辆的标准颜色，获得外观检测结果。
在本申请的一个实施例中，所述根据预设的语义分割模型获取车辆图片中的车身图片，包括：
将车辆图片输入至语义分割模型，得到目标车辆中车身对应的检测区域；检测区域用于标注目标车辆中车身在车辆图片中的位置；
获取检测区域的最小外接矩形，并根据最小外接矩形及车辆图片获取初始车身图片，对初始车身图片进行后处理以得到车身图片。
在本申请的一个实施例中，所述对所述初始车身图片进行后处理以得到所述车身图片，包括：
根据检测区域，将初始车身图片中非车身区域中像素点的像素值删除，得到车身图片。
在本申请的一个实施例中，所述根据各所述颜色标签分别对应的类别概率，获取目标车辆的颜色检测结果，包括：
按照类别概率由大到小的顺序，选取预设数量的类别概率对应的颜色标签作为目标车辆的颜色检测结果。
在本申请的一个实施例中，所述比对各所述预测颜色标签与所述目标车辆的标准颜色，获得外观检测结果，包括：
获取目标车辆的标准颜色，标准颜色包括至少一个标准颜色标签；
比对各预测颜色标签与各标准颜色标签，若颜色检测结果中存在与标准颜色相同的预测颜色标签，则判定外观检测结果为合格；若颜色检测结果中不存在与标准颜色相同的预测颜色标签，则判定外观检测结果为不合格。
在本申请的一个实施例中，所述多标签分类模型的训练方法，包括：
获取多张车辆样本图片；各车辆样本图片携带目标车辆的各种颜色标签；
根据预设的语义分割模型获取各车辆样本图片中的车身样本图片；
根据各车身样本图片和各车身样本图片对应的颜色标签对初始分类模型进行训练，得到多标签分类模型。
在本申请的一个实施例中，所述多标签分类模型包括多个conv层、与所述多个conv层连接的平均池化层、及与所述平均池化层分别连接的全连接层；所述全连接层的数量与所述颜色标签的数量一致。
在本申请的一个实施例中，所述语义分割模型的训练方法，包括：
获取多张车辆样本图片和各车辆样本图片对应的样本检测图片；样本检测图片标注了至少一个车身部件对应的待检测区域；
根据多张车辆样本图片和各车辆样本图片对应的样本检测图片对预设的初始分割模型进行训练，直至初始分割模型的损失函数的值满足预设条件，将训练后的初始分割模型作为语义分割模型。
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，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)

1.一种车辆外观检测方法，其特征在于，所述方法包括：
根据预设的语义分割模型获取车辆图片中的车身图片；
将所述车身图片输入至多标签分类模型，并得到检测结果；所述检测结果包括多个颜色标签分别对应的类别概率；
根据各所述颜色标签分别对应的类别概率，确定目标车辆的颜色检测结果；所述颜色检测结果包括至少一个预测颜色标签；
比对各所述预测颜色标签与所述目标车辆的标准颜色，获得外观检测结果。
2.根据权利要求1所述的方法，其特征在于，所述根据预设的语义分割模型获取车辆图片中的车身图片，包括：
将所述车辆图片输入至所述语义分割模型，得到所述目标车辆中车身对应的检测区域；所述检测区域用于标注所述目标车辆中车身在所述车辆图片中的位置；
获取所述检测区域的最小外接矩形，并根据所述最小外接矩形及所述车辆图片获取初始车身图片，对所述初始车身图片进行后处理以得到所述车身图片。
3.根据权利要求1所述的方法，其特征在于，所述根据各所述颜色标签分别对应的类别概率，获取目标车辆的颜色检测结果，包括：
按照类别概率由大到小的顺序，选取预设数量的类别概率对应的颜色标签作为所述目标车辆的颜色检测结果。
4.根据权利要求1所述的方法，其特征在于，所述比对各所述预测颜色标签与所述目标车辆的标准颜色，获得外观检测结果，包括：
获取所述目标车辆的标准颜色，所述标准颜色包括至少一个标准颜色标签；
比对各所述预测颜色标签与各所述标准颜色标签，若所述颜色检测结果中存在与所述标准颜色相同的预测颜色标签，则判定所述外观检测结果为合格；若所述颜色检测结果中不存在与所述标准颜色相同的预测颜色标签，则判定所述外观检测结果为不合格。
5.根据权利要求1所述的方法，其特征在于，所述多标签分类模型的训练方法，包括：
获取多张车辆样本图片；各所述车辆样本图片携带所述目标车辆的各种颜色标签；
根据预设的语义分割模型获取各所述车辆样本图片中的车身样本图片；
根据各所述车身样本图片和各所述车身样本图片对应的颜色标签对初始分类模型进行训练，得到所述多标签分类模型。
6.根据权利要求1所述的方法，其特征在于，所述多标签分类模型包括多个conv层、与所述多个conv层连接的平均池化层、及与所述平均池化层分别连接的全连接层；所述全连接层的数量与所述颜色标签的数量一致。
7.根据权利要求1所述的方法，其特征在于，所述语义分割模型的训练方法，包括：
获取多张车辆样本图片和各所述车辆样本图片对应的样本检测图片；所述样本检测图片标注了至少一个车身部件对应的待检测区域；
根据所述多张车辆样本图片和各所述车辆样本图片对应的样本检测图片对预设的初始分割模型进行训练，直至所述初始分割模型的损失函数的值满足预设条件，将训练后的初始分割模型作为所述语义分割模型。
8.一种车辆外观检测装置，其特征在于，所述装置包括：
车身图片获取模块，用于根据预设的语义分割模型获取车辆图片中的车身图片；
标签概率获取模块，用于将所述车身图片输入至多标签分类模型，并得到检测结果；所述检测结果包括多个颜色标签分别对应的类别概率；
颜色检测结果确定模块，用于根据各所述颜色标签分别对应的类别概率，确定目标车辆的颜色检测结果；所述颜色检测结果包括至少一个预测颜色标签；
比对模块，用于比对各所述预测颜色标签与所述目标车辆的标准颜色，获得外观检测结果。
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。
CN202010091417.9A 2020-02-13 2020-02-13 车辆外观检测方法、装置、计算机设备和存储介质 Pending CN111325256A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010091417.9A CN111325256A (zh) 2020-02-13 2020-02-13 车辆外观检测方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010091417.9A CN111325256A (zh) 2020-02-13 2020-02-13 车辆外观检测方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN111325256A true CN111325256A (zh) 2020-06-23

Family

ID=71167101

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010091417.9A Pending CN111325256A (zh) 2020-02-13 2020-02-13 车辆外观检测方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN111325256A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111753917A (zh) * 2020-06-29 2020-10-09 北京小米松果电子有限公司 数据处理方法、装置及存储介质
CN112528938A (zh) * 2020-12-22 2021-03-19 四川云从天府人工智能科技有限公司 车辆检测模型训练及其检测方法、装置及计算机存储介质
CN112818826A (zh) * 2021-01-28 2021-05-18 北京市商汤科技开发有限公司 目标识别方法及装置、电子设备及存储介质
CN115984680A (zh) * 2023-02-15 2023-04-18 博奥生物集团有限公司 一种罐印罐色的识别方法、装置、存储介质及设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106485235A (zh) * 2016-10-24 2017-03-08 厦门美图之家科技有限公司 一种卷积神经网络生成方法、年龄识别方法及相关装置
CN106874840A (zh) * 2016-12-30 2017-06-20 东软集团股份有限公司 车辆信息识别方法及装置
CN108764207A (zh) * 2018-06-07 2018-11-06 厦门大学 一种基于多任务卷积神经网络的人脸表情识别方法
CN109934292A (zh) * 2019-03-15 2019-06-25 西安电子科技大学 基于代价敏感性辅助学***衡极化sar地物分类方法
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
CN110569693A (zh) * 2018-08-16 2019-12-13 阿里巴巴集团控股有限公司 车体颜色识别方法及装置
CN110751037A (zh) * 2019-09-17 2020-02-04 中控智慧科技股份有限公司 车身颜色识别的方法及终端设备

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106485235A (zh) * 2016-10-24 2017-03-08 厦门美图之家科技有限公司 一种卷积神经网络生成方法、年龄识别方法及相关装置
CN106874840A (zh) * 2016-12-30 2017-06-20 东软集团股份有限公司 车辆信息识别方法及装置
CN108764207A (zh) * 2018-06-07 2018-11-06 厦门大学 一种基于多任务卷积神经网络的人脸表情识别方法
CN110569693A (zh) * 2018-08-16 2019-12-13 阿里巴巴集团控股有限公司 车体颜色识别方法及装置
CN109934292A (zh) * 2019-03-15 2019-06-25 西安电子科技大学 基于代价敏感性辅助学***衡极化sar地物分类方法
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
CN110751037A (zh) * 2019-09-17 2020-02-04 中控智慧科技股份有限公司 车身颜色识别的方法及终端设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ITCHYHIKER: "【Tool】Keras 实战 III：多标签分类", pages 114 - 115, Retrieved from the Internet <URL:https://www.jianshu.com/p/09c49f74308a> *
陈传志等: "航天器冗余机械臂避障路径规划与环境感知", 哈尔滨工程大学出版社, pages: 114 - 115 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111753917A (zh) * 2020-06-29 2020-10-09 北京小米松果电子有限公司 数据处理方法、装置及存储介质
CN112528938A (zh) * 2020-12-22 2021-03-19 四川云从天府人工智能科技有限公司 车辆检测模型训练及其检测方法、装置及计算机存储介质
CN112818826A (zh) * 2021-01-28 2021-05-18 北京市商汤科技开发有限公司 目标识别方法及装置、电子设备及存储介质
CN115984680A (zh) * 2023-02-15 2023-04-18 博奥生物集团有限公司 一种罐印罐色的识别方法、装置、存储介质及设备

Similar Documents

Publication Publication Date Title
US20240087102A1 (en) Automatic Image Based Object Damage Assessment
CN111325256A (zh) 车辆外观检测方法、装置、计算机设备和存储介质
US11887064B2 (en) Deep learning-based system and method for automatically determining degree of damage to each area of vehicle
CN107545239B (zh) 一种基于车牌识别与车辆特征匹配的套牌检测方法
US9721173B2 (en) Machine learning approach for detecting mobile phone usage by a driver
US9082038B2 (en) Dram c adjustment of automatic license plate recognition processing based on vehicle class information
CN110837807A (zh) 一种***辆的识别方法及***
CA2858919A1 (en) License plate recognition
CN111291812B (zh) 属性类别的获取方法及装置、存储介质、电子装置
CN111666995A (zh) 基于深度学习模型的车辆定损方法、装置、设备及介质
KR20190137669A (ko) 자동으로 사고 차량의 파손 정도를 산출하는 장치, 방법 및 컴퓨터 프로그램
CN111325769A (zh) 一种目标对象检测方法及装置
CN110853060A (zh) 车辆外观检测方法、装置、计算机设备和存储介质
Paruchuri Application of Artificial Neural Network to ANPR: An Overview
CN112307989A (zh) 路面物体识别方法、装置、计算机设备和存储介质
CN111178359A (zh) 车牌号码识别方法、装置和设备及计算机存储介质
CN110728680A (zh) 行车记录仪检测方法、装置、计算机设备和存储介质
Sharma et al. Deep Learning and SVM-Based Approach for Indian Licence Plate Character Recognition.
Yaba et al. Plate Number Recognition based on Hybrid Techniques
Nguwi et al. Number plate recognition in noisy image
CA3131758A1 (en) Image processing system
CN108873097B (zh) 无人停车库中载车板停车时的安全检测方法及装置
CN111402185B (zh) 一种图像检测方法及装置
CN111242917A (zh) 车辆灯光工位的检测方法、装置、计算机设备和存储介质
Tripathi et al. Automatic Number Plate Recognition System (ANPR): The Implementation

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