CN111401369A - 车身危险标志检测方法、装置、设备及存储介质 - Google Patents
车身危险标志检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111401369A CN111401369A CN202010223826.XA CN202010223826A CN111401369A CN 111401369 A CN111401369 A CN 111401369A CN 202010223826 A CN202010223826 A CN 202010223826A CN 111401369 A CN111401369 A CN 111401369A
- Authority
- CN
- China
- Prior art keywords
- sign
- danger
- dangerous
- hazard
- vehicle
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 9
- 238000007689 inspection Methods 0.000 description 20
- 238000010586 diagram Methods 0.000 description 11
- 238000013507 mapping Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 239000013056 hazardous product Substances 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 231100001010 corrosive Toxicity 0.000 description 2
- 239000002360 explosive Substances 0.000 description 2
- 231100001261 hazardous Toxicity 0.000 description 2
- 239000000383 hazardous chemical Substances 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 239000003518 caustics Substances 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002341 toxic gas Substances 0.000 description 1
- 231100000419 toxicity Toxicity 0.000 description 1
- 230000001988 toxicity Effects 0.000 description 1
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
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/245—Aligning, centring, orientation detection or correction of the image by locating a pattern; Special marks for positioning
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/80—Camera processing pipelines; Components thereof
-
- 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
- G06V2201/09—Recognition of logos
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Signal Processing (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供一种车身危险标志检测方法、装置、设备及存储介质,拍摄得到危险品车辆的待检测图片,并提取至少一个危险标志区域的特征,再根据至少一个危险标志区域的特征,确定车辆的危险标志设置是否满足危险标志安放规范,相交于现有技术中通过人工经验判断,本方法可实现自动化检测车身危险标志,效率高,且检测结果更加准确。
Description
技术领域
本申请涉及道路交通安全技术领域,尤其涉及一种车身危险标志检测方法、装置、设备及存储介质。
背景技术
运输危险品的车辆(以下简称:危险品车辆)由于装载货物特殊性,其在运输作业过程中必须在车身加装危险标志,以提示其他车辆注意避让。
为了保证危险品车辆能够安全进行运输作业,检查人员需要对危险品车辆进行定期检查,包括对车辆上各个设备的运行状态检查、车身危险标志的检查及车辆证件检查。各个设备的运行状态检查包括刹车设备、转向设备、发动机等设备是否运行正常。车身危险标志的检查是指检查危险品车辆的车身上危险标志是否符合检查规范。其中,危险标志包括四类,依次为:提示牌、提示三角、种类标志和提示语标志,检查规范包括:在车身上是否安放上述四类危险标志,以及四类危险标志是否安放在预设位置。现有技术中,车身危险标志检查是采用人工的方式,检查员先判断车身上是否安装有危险标志,在确定安装有危险标志之后,再通过经验判断危险标志是否安放在指定位置。
然而,现有人工检测方式依赖经验判断是否安放在指定位置,容易出错,检测准确度不高,且人工检测效率低。
发明内容
本申请提供一种车身危险标志检测方法、装置、设备及存储介质,以解决现有的人工方式进行判别方法容易出错,且比较耗费时间,效率不高的技术问题。
第一方面,本申请提供一种车身危险标志检测方法,包括:
拍摄得到危险品车辆的待检测图片;
从待检测图片中提取至少一个危险标志区域的特征;
根据至少一个危险标志区域的特征,确定车辆的危险标志设置是否满足危险标志安放规范。
可选地,危险标志区域的特征包括危险标志类型;
根据至少一个危险标志区域的特征,确定车辆的危险标志设置是否满足危险标志安放规范,具体包括:
确定全部危险标志区域的危险标志类型是否包含全部待检类型;
若是,则确定车辆的危险标志设置满足危险标志安放规范。
可选地,方法还包括:
若否,则输出车辆所缺少的危险标志类型的检测结果。
可选地,危险标志区域的特征还包括危险标志设置位置;
确定车辆的危险标志设置满足危险标志安放规范,具体包括:
确定各危险标志类型与各危险标志设置位置之间的匹配关系是否正确;
若正确,则确定车辆的危险标志设置满足危险标志安放规范。
可选地,方法还包括:
若不正确,则输出车辆的危险标志设置位置错误的检测结果。
可选地,危险标志区域的特征包括危险标志设置位置;
根据至少一个危险标志区域的特征,确定车辆的危险标志设置是否满足危险标志安放规范,具体包括:
针对每个危险标志区域,确定危险标志设置位置是否满足危险标志安放规范。
可选地,确定危险标志设置位置是否满足危险标志安放规范,具体包括:
从待检测图像中提取危险标志所应放置的参考位置;
根据危险标志的位置和参考位置,确定危险标志的设置位置和参考位置之间的距离;
确定距离是否小于预设阈值;
若是,则确定车辆的危险标志设置满足危险标志安放规范。
可选地,在从待检测图像中提取危险标志所应放置的参考位置之前,方法还包括:
根据危险标志类型和映射表确定参考位置,其中,映射表用于表示标志类型和参考位置之间的对应关系。
可选地,根据危险标志的位置和参考位置,确定危险标志的设置位置和参考位置之间的距离,具体包括:
根据危险提示牌的位置和车牌位置,确定危险提示牌的设置位置和车牌位置之间的欧式距离。
可选地,根据危险标志的位置和参考位置,确定危险标志的设置位置和参考位置之间的距离,具体包括:
根据危险提示三角的位置和车牌位置确定危险提示三角的位置和车牌位置之间的垂直距离。
可选地,根据危险标志的位置和参考位置,确定危险标志的设置位置和参考位置之间的距离,具体包括:
根据提示语标志的位置和待检测图片的中心区域的位置,确定提示语标志的位置和待检测图片的中心区域的位置之间的垂直距离。
可选地,根据危险标志的位置和参考位置,确定危险标志的设置位置和参考位置之间的距离,具体包括:
根据种类标志的位置和待检测图片的中心区域的位置,确定种类标志的位置和待检测图片的中心区域的位置之间的欧式距离。
本申请提供一种车身危险标志检测方法、装置、设备及存储介质,拍摄危险品车辆的待检测图像,并提取危险标志区域的特征,通过判断危险标志区域的特征是否满足危险标志安放规范,实现危险标志检测,相较于现有技术通过人工检测,本方法效率更高,且检测结果更加准确。
附图说明
图1为本申请提供的危险品车辆的检查项目示意图;
图2为本申请提供的危险品提示牌的示意图;
图3为本申请提供的危险品提示三角的示意图;
图4为本申请提供的危险品种类标志的示意图;
图5为本申请提供的危险品提示语标志的示意图;
图6为本申请提供的危险品车辆的外观示意图;
图7为本申请提供的危险品车辆的外观示意图;
图8为本申请提供的检测方法的原理示意图;
图9为本申请实施例一提供的检测方法的流程示意图;
图10为本申请实施例三提供的提取模型的原理图;
图11为本申请实施例四提供的检测装置的结构示意图;
图12为本申请实施例五提供的检测设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请中的附图,对本申请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。
如图1所示,危险品车辆由于作业特殊性,检查条目相较其他车辆略有不同,常见检查分为三类:车辆设备检查、车辆标志检查、证件检查。其中,车辆设备检查是指对车辆上各个设备运行状态检查,例如:刹车设备、转向设备、发动机等设备是否运行正常。车辆标志检查是指检查是否有危险标志以及危险标志是否安放正确。证件检查是指对车辆是否办理有管理部门要求办***,例如:行车证件、强制保险等。
危险标志分为四类,提示牌、提示三角、种类标志和提示语标志,如图2所示,危险品提示牌是印刷有危险品或者危险字样的提示牌。如图3所示,危险品提示三角是印刷有危险品或者危险字样的三角牌。如图4所示,危险品种类标志用于表示运输货物容易发生事故的种类,例如:易燃液体、易爆品、腐蚀品、以及有毒气体。针对不同种类,在种类标志上印刷有该种类字样,并配有图片。如图5所示,危险品提示语标志为用醒目标志提示该物品容易发生种类,通常印刷有爆、毒等字样。
如图6所示,在车辆前面安放有危险品提示牌和危险品提示三角。如图7所示,车辆后面安放有危险品提示语标志、危险品种类标志以及危险品提示牌。
现有技术中,车身危险标志检查是采用人工的方式,检查员先判断车身上是否安装有危险标志,在确定安装有危险标志之后,再通过经验判断危险标志是否安放在指定位置。然而,现有人工检测方式依赖经验判断是否安放在指定位置,容易出错,检测准确度不高,且人工检测效率低。
本申请提供一种检测方法、装置及设备,旨在解决现有技术中上述问题。本申请的发明构思是:通过图像检测实现标志类型和标志设置位置检测,如图8所示,拍摄得到危险品车辆的待检测图片,提取待检测图片中的危险标志区域的危险标志类型特征和危险标志设置位置特征,判断危险标志类型是否包含全部待检类型,危险标志类型和危险标志设置位置之间匹配关系是否正确,危险标志设置位置是否在预设位置,实现危险标志的自动检测,提高检测效率和检测准确度。
图9为本申请实施例一提供的检测方法的流程示意图,如图9所示,本申请提供的检测方法应用于检测设备,该检测设备设置有摄像装置。检测方法包括如下步骤:
S101、拍摄得到危险品车辆的待检测图片。
其中,若车辆持有方应用该检测设备,例如:运输公司、车辆制造厂等,可设置检测区域,并在检测区域的顶部安放摄像装置,以拍摄危险品车辆的待检测图片。若道路管理部门应用该检测设备,可在道路关卡设置摄像装置。
危险品车辆的四周会放置不同的标志,在布局摄像装置时,要求可以全方位拍摄危险品车辆,待检测图片的数量也是多张,每张反映危险品车辆的不同区域。通常情况,对危险品车辆的四个侧面拍摄待检测图片,即可获得所有标志的图像。
S102、从待检测图片中提取至少一个危险标志区域的特征。
其中,危险标志区域是指危险标志可能存在的区域,例如:车头上方、车牌附近、车辆货箱的侧面等。对每个危险标志区域进行识别处理,获得每个危险标志区域的特征。其中,特征包括:危险标志类型和危险标志安放位置。例如:危险标志类型可以为:提示牌、腐蚀品的种类标志、表示易爆物品的提示语标志等。
S103、根据所述至少一个危险标志区域的特征,确定所述车辆的危险标志设置是否满足危险标志安放规范。
其中,危险标志安放规范包括:车身是否放置全部危险标志类型,危险标志是否安放在预设位置。
先确定全部危险标志区域的危险标志类型是否包含全部待检类型,其中,全部待检类型包括车身上必须安放的危险标志的类型,全部危险标志区域是从多张待检测图片中提取危险标志区域,多张待检测图片能够反映危险品车辆各个侧面。若确定结果为是,则确定车辆的危险标志设置满足危险标志安放规范。若确定结果为否,则输出车辆所缺少的危险标志类型的检测结果。
在确定车身是否放置全部危险标志类型之后,危险标志是否安放在预设位置,也就是在每个危险标志设置位置上必须安放对应类型的危险标志,具体为:确定各危险标志类型与各危险标志设置位置之间的匹配关系是否正确,也就是在每个危险标志设置位置是否安放有对应类型的危险标志。若确定各危险标志类型与各危险标志设置位置之间的匹配关系是正确,则确定车辆的危险标志设置满足危险标志安放规范。若不正确,则输出车辆的危险标志设置位置错误的检测结果。
在本实施例提供的车身危险标志检测方法中,提取待检测图片中危险标志区域的特征,通过判断危险标志区域的特征是否满足危险标志安放规范,实现车身危险标志自动化检测。
下面重点描述本申请实施例二提供的车身危险标志检测方法,本申请实施例二提供的车身危险标志检测方法包括如下步骤:
S201、拍摄得到危险品车辆的待检测图片。
其中,该步骤已经在S101中详细说明,此处不再赘述。
S202、从待检测图片中提取至少一个危险标志区域的特征。
其中,该步骤已经在S102中详细说明,此处不再赘述。
S203、根据所述至少一个危险标志区域的特征,确定所述车辆的危险标志设置是否满足危险标志安放规范。
其中,危险标志安放规范包括危险标志是否安放在预设位置,针对每个危险标志区域,确定危险标志设置位置是否满足危险标志安放规范,以确定危险标志是否安放在预设位置。
在检测设备初始化时,进行映射表配置,该配置表用于表示标志类型和参考位置之间的对应关系。根据每个危险标志区域的危险标志类型查找映射表,确定每个参考区域。其中,映射表如表1所示,若危险标志区域的类型为提示牌或者提示三角,参考区域为危险品车辆的车牌。若危险标志区域的类型为种类标志或者提示语标志,参考区域为待检测图片的中心区域。
再从待检测图像中提取危险标志所应放置的参考位置,参考位置可以为中心像素的位置,可以为四个角点像素的位置,此处不限定。根据危险标志的位置和参考位置,确定危险标志的设置位置和参考位置之间的距离,确定距离是否小于预设阈值;若是,则确定车辆的危险标志设置满足危险标志安放规范。
其中,预设阈值根据危险标志和参考位置之间实际距离和车辆区域的区域参数确定,其中,车辆区域的区域参数可以为待检测图像中整车区域的区域面积、待检测图像中整车区域的长度、待检测图像中整车区域的宽度中任意一种,优选待检测图像中整车区域的区域面积,区域面积能够同时反映像素区域的长度和宽度,能够综合反映标志的位置。
表1映射表
危险品标志 | 参考位置 |
提示牌 | 车牌区域 |
提示三角 | 车牌区域 |
种类标志 | 待检测图片的中心区域 |
提示语标志 | 待检测图片的中心区域 |
危险标志的设置位置和参考位置之间的距离计算方法也随危险标志区域的类型变化而变化,若危险标志区域的类型为提示牌,根据危险标志设置位置和车牌位置,获得危险标志设置位置和车牌之间欧式距离。若危险标志区域的类型为提示三角,根据危险标志设置位置和车牌位置,获得危险标志设置位置和车牌位置之间的垂直距离。若危险标志区域的类型为种类标志或者提示语标志,根据危险标志设置位置和待检测图片的中心区域的位置,获得危险标志设置位置和中心区域之间欧式距离。
在本申请实施例二提供的检测方法中,通过识别待检测图片中危险标志区域的类型和位置,通过危险标志区域的类型判断是否有危险品标志。并确定危险标志区域和参考区域之间的相对距离,判断该相对距离是否满足预设阈值,以判断危险标志是否安放在预设位置,实现自动化检测危险品标志。
下面重点描述本申请实施例三提供的检测方法,以图6所示图片为例,该检测方法包括如下步骤:
S301、拍摄得到危险品车辆的待检测图片。
其中,该步骤已经在S101中详细说明,重复部分不再赘述。
S302、从待检测图片中提取至少一个危险标志区域的特征。
其中,图6所示待检测图片,利用训练后的提取模型提取待检测图片中危险标志区域。如图10所示,提取模型会对每个危险标志区域预测中心点,同时预测该中心点对应的宽高和中心点位置偏移,结合这两个结果能够得到危险标志区域。
提取模型可以为常见的神经网络模型,下面重点描述提取模型的损失函数,提取模型的损失函数主损失函数、宽高调整损失函数和偏移损失函数构成,计算公式如下所示:
Ldet=Lk+λsizeLsize+λoffLoff
其中,Lk表示主损失函数,Lsize表示宽高调整损失函数,λsize表示加权系数,Loff表示偏移损失函数,λoff表示加权系数。λoff=λsize=0.1
主损失函数的计算公式如下所示:
为了对于危险标志区域的中心点的取整误差,对于位置偏移的预测,使用如下损失函数:
在预测得到中心点之后,还需要确定位置偏移量来精调中心点坐标,才能还原出整个目标的位置状态,并称为宽高调整损失,使用如下函数表示:
利用上述提取模型对图6所示待检测图片进行检测,可以得到两个危险标志区域。
在提取出危险标志区域之后,利用训练后的识别模型对危险标志区域进行类型识别,确定两个危险标志区域的类型分别为提示三角和提示牌。识别模型也可为常见的神经网络,神经网络训练过程不再赘述。
S303、根据所述至少一个危险标志区域的特征,确定所述车辆的危险标志设置是否满足危险标志安放规范。
其中,图6中运输车辆,所需要安放危险标志为:在车头上方必须安放提示三角、在车牌附近必须安放提示牌、在货箱后侧面必须放置表示易燃物品的提示语标志和表示易燃物品的种类标志。
由于图6仅展示了车辆的一个侧面,除了图6的识别结果,还需要结合其他侧面的识别结果,判断全部危险标志区域是否包含上述全部待检类型。再根据危险标志区域的危险标志类型查找映射表,确定提示三角和提示牌的参考区域均为车牌区域。
根据提示三角设置位置和车牌区域的位置,获得提示三角设置位置和车牌区域之间欧式距离。并计算所获得的欧式距离是否在预设阈值范围内,该预设阈值根据待检测图像中整车区域的面积和提示三角和车牌之间的实际相对位置确定。
根据提示牌设置位置和车牌位置,获得提示牌设置位置和车牌位置之间垂直距离。并计算所获得的垂直距离是否在预设阈值范围内,该预设阈值根据待检测图像中整车区域的面积和提示牌和车牌的之间实际相对位置确定。
在本申请实施例三提供的车身危险标志检测方法,通过对待检测图片进行危险标志区域提取,再对危险标志区域进行类型识别,通过确定危险标志区域的类型是否与预设类型一致,判断是否有危险标志,通过判断危险标志区域与参考区域之间的相对位置,判断危险标志是否安放正确,实现自动化检测。
图11为本申请实施例三提供的检测装置的结构示意图,如图11所示,本申请提供的检测装置,装置包括:
拍摄模块401,用于拍摄得到危险品车辆的待检测图片;
提取模块402,用于从待检测图片中提取至少一个危险标志区域的特征;
确定模块403,用于根据至少一个危险标志区域的特征,确定车辆的危险标志设置是否满足危险标志安放规范。
可选地,危险标志区域的特征包括危险标志类型;
确定模块403具体用于:
确定全部危险标志区域的危险标志类型是否包含全部待检类型;
若是,则确定车辆的危险标志设置满足危险标志安放规范。
可选地,确定模块403还用于:
若否,则输出车辆所缺少的危险标志类型的检测结果。
可选地,危险标志区域的特征还包括危险标志设置位置;确定模块403具体用于:
确定各危险标志类型与各危险标志设置位置之间的匹配关系是否正确;
若正确,则确定车辆的危险标志设置满足危险标志安放规范。
可选地,确定模块403还用于:若不正确,则输出车辆的危险标志设置位置错误的检测结果。
可选地,危险标志区域的特征包括危险标志设置位置;确定模块403具体用于:针对每个危险标志区域,确定危险标志设置位置是否满足危险标志安放规范。
可选地,确定模块403具体用于:从待检测图像中提取危险标志所应放置的参考位置;
根据危险标志的位置和参考位置,确定危险标志的设置位置和参考位置之间的距离;
确定距离是否小于预设阈值;
若是,则确定车辆的危险标志设置满足危险标志安放规范。
可选地,确定模块403具体用于:
根据危险标志类型和映射表确定参考位置,其中,映射表用于表示标志类型和参考位置之间的对应关系。
可选地,确定模块403具体用于:
根据危险提示牌的位置和车牌位置,确定危险提示牌的设置位置和车牌位置之间的欧式距离。
可选地,确定模块403具体用于:
根据危险提示三角的位置和车牌位置确定危险提示三角的位置和车牌位置之间的垂直距离。
可选地,确定模块403具体用于:
根据提示语标志的位置和待检测图片的中心区域的位置,确定提示语标志的位置和待检测图片的中心区域的位置之间的垂直距离。
可选地,确定模块403具体用于:
根据种类标志的位置和待检测图片的中心区域的位置,确定种类标志的位置和待检测图片的中心区域的位置之间的欧式距离。
图12为本申请实施例四提供的检测设备的结构示意图。如图12所示,本实施例提供的检测设备500包括:发送器501、接收器502、存储器503、处理器504、以及摄像装置505。
发送器501,用于发送指令和数据;
接收器502,用于接收指令和数据;
存储器503,用于存储计算机执行指令;
处理器504,用于执行存储器存储的计算机执行指令,以实现上述实施例中检测方法所执行的各个步骤。具体可以参见前述检测方法实施例中的相关描述。
摄像装置505,用于拍摄危险品车辆的检测图片。
可选地,上述存储器503既可以是独立的,也可以跟处理器504集成在一起。
当存储器503独立设置时,该检测设备还包括总线,用于连接存储器503和处理器504。
本申请实施例还提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,当处理器执行计算机执行指令时,实现如上检测设备所执行的检测方法。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (10)
1.一种车身危险标志检测方法,其特征在于,包括:
拍摄得到危险品车辆的待检测图片;
从待检测图片中提取至少一个危险标志区域的特征;
根据所述至少一个危险标志区域的特征,确定所述车辆的危险标志设置是否满足危险标志安放规范。
2.根据权利要求1所述的方法,其特征在于,所述危险标志区域的特征包括危险标志类型;
所述根据所述至少一个危险标志区域的特征,确定所述车辆的危险标志设置是否满足危险标志安放规范,具体包括:
确定全部危险标志区域的危险标志类型是否包含全部待检类型;
若是,则确定所述车辆的危险标志设置满足危险标志安放规范。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
若否,则输出所述车辆所缺少的危险标志类型的检测结果。
4.根据权利要求2或3所述的方法,其特征在于,所述危险标志区域的特征还包括危险标志设置位置;
所述确定所述车辆的危险标志设置满足危险标志安放规范,具体包括:
确定各危险标志类型与各危险标志设置位置之间的匹配关系是否正确;
若正确,则确定所述车辆的危险标志设置满足危险标志安放规范。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
若不正确,则输出所述车辆的危险标志设置位置错误的检测结果。
6.根据权利要求1所述的方法,其特征在于,所述危险标志区域的特征包括危险标志设置位置;
所述根据所述至少一个危险标志区域的特征,确定所述车辆的危险标志设置是否满足危险标志安放规范,具体包括:
针对每个危险标志区域,确定所述危险标志设置位置是否满足危险标志安放规范。
7.根据权利要求6所述的方法,其特征在于,所述确定所述危险标志设置位置是否满足危险标志安放规范,具体包括:
从所述待检测图像中提取危险标志所应放置的参考位置;
根据所述危险标志的位置和所述参考区域的位置,确定所述危险标志的设置位置和参考位置之间的距离;
确定所述距离是否小于预设阈值;
若是,则确定所述车辆的危险标志设置满足危险标志安放规范。
8.一种车身危险标志检测装置,其特征在于,包括:
拍摄模块,用于拍摄得到危险品车辆的待检测图片;
提取模块,用于从待检测图片中提取至少一个危险标志区域的特征;
判断模块,用于根据所述至少一个危险标志区域的特征,确定所述车辆的危险标志设置是否满足危险标志安放规范。
9.一种检测设备,其特征在于,包括:
摄像装置,用于拍摄危险品车辆的检测图片;
存储器,用于存储程序;
处理器,用于执行所述存储器存储的所述程序,当所述程序被执行时,所述处理器用于执行如权利要求1至7中任一所述的车身危险标志检测方法。
10.一种存储介质,其特征在于,包括:当其在计算机上运行时,使得计算机执行如权利要求1至7中任一所述的车身危险标志检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010223826.XA CN111401369A (zh) | 2020-03-26 | 2020-03-26 | 车身危险标志检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010223826.XA CN111401369A (zh) | 2020-03-26 | 2020-03-26 | 车身危险标志检测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111401369A true CN111401369A (zh) | 2020-07-10 |
Family
ID=71436941
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010223826.XA Pending CN111401369A (zh) | 2020-03-26 | 2020-03-26 | 车身危险标志检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111401369A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102024148A (zh) * | 2011-01-07 | 2011-04-20 | 四川川大智胜软件股份有限公司 | 一种出租车绿色标志识别方法 |
JP2011257984A (ja) * | 2010-06-09 | 2011-12-22 | Toyota Central R&D Labs Inc | 対象物検出装置及びプログラム |
JP2014089557A (ja) * | 2012-10-30 | 2014-05-15 | Micware Co Ltd | 車載装置、危険予測方法、およびプログラム |
CN105678312A (zh) * | 2014-11-19 | 2016-06-15 | 王云 | 一种车辆保险标志识别方法 |
JP2019079150A (ja) * | 2017-10-20 | 2019-05-23 | オムロン株式会社 | 危険予兆判定装置、危険予兆判定システム、車両、およびプログラム |
CN110516531A (zh) * | 2019-07-11 | 2019-11-29 | 广东工业大学 | 一种基于模板匹配的危险品标志的识别方法 |
-
2020
- 2020-03-26 CN CN202010223826.XA patent/CN111401369A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011257984A (ja) * | 2010-06-09 | 2011-12-22 | Toyota Central R&D Labs Inc | 対象物検出装置及びプログラム |
CN102024148A (zh) * | 2011-01-07 | 2011-04-20 | 四川川大智胜软件股份有限公司 | 一种出租车绿色标志识别方法 |
JP2014089557A (ja) * | 2012-10-30 | 2014-05-15 | Micware Co Ltd | 車載装置、危険予測方法、およびプログラム |
CN105678312A (zh) * | 2014-11-19 | 2016-06-15 | 王云 | 一种车辆保险标志识别方法 |
JP2019079150A (ja) * | 2017-10-20 | 2019-05-23 | オムロン株式会社 | 危険予兆判定装置、危険予兆判定システム、車両、およびプログラム |
CN110516531A (zh) * | 2019-07-11 | 2019-11-29 | 广东工业大学 | 一种基于模板匹配的危险品标志的识别方法 |
Non-Patent Citations (3)
Title |
---|
TAKUMI KOBAYASHI ET AL.: "Wireless technologies to assist search and localization of victims of wide-scale natural disasters by unmanned aerial vehicles", 《2017 20TH INTERNATIONAL SYMPOSIUM ON WIRELESS PERSONAL MULTIMEDIA COMMUNICATIONS (WPMC)》 * |
潘铭星;孙涵;: "自然场景中道路交通标志形状的检测与校正", 计算机与现代化, no. 02 * |
门玉琢;于海波;王华;徐亮;: "考虑驾驶员危险认知因素的山区弯路安全车速预测模型", 机械设计与制造, no. 11 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10473594B2 (en) | Arrangement, method, apparatus and software for inspecting a container | |
CN116309260A (zh) | 用于评估货物的平均货盘尺寸和密度的方法 | |
EP2998927B1 (en) | Method for detecting the bad positioning and the surface defects of specific components and associated detection device | |
CN105716567B (zh) | 通过单眼图像获取设备侦测物体与机动车辆距离的方法 | |
US20050240317A1 (en) | Material transport in-motion product dimensioning system and method | |
CN105431370A (zh) | 用于使用集装箱起重机将集装箱自动地卸货在卸货目标上的方法和*** | |
US8669861B1 (en) | Method for establishing a risk profile using RFID tags | |
CN105373782A (zh) | 一种从图片或者视频中自动识别危化品车辆的方法 | |
US11238731B2 (en) | Method and device for detecting the passage of a motor vehicle through a road sign gantry | |
EP3330910A1 (en) | Methods and systems for localizing articles comprising passive radio frequency identification (rfid) tags | |
CN106560724A (zh) | 用于检测道路上的物体的装置和方法 | |
CN114022537B (zh) | 一种用于动态称重区域车辆装载率和偏载率分析方法 | |
CN111523415A (zh) | 一种基于图像的两客一危车辆检测方法和装置 | |
CN113688965A (zh) | 一种自动仓储扫码检测的方法和货物管理*** | |
CN107993031B (zh) | 一种港口理货方法及装置 | |
CN111401369A (zh) | 车身危险标志检测方法、装置、设备及存储介质 | |
CN109389644B (zh) | 基于方向梯度增强的车位线检测方法 | |
CN110070566A (zh) | 信息检测方法、装置、计算机设备及可读存储介质 | |
US20080191874A1 (en) | Method and system for inspection of load-carrying vehicles | |
JP6435572B2 (ja) | コンテナ重量算出システムおよびコンテナ重量算出方法 | |
CN114742503B (zh) | 一种基于深度学习的智慧物流拼车方法和装置 | |
CN109753840B (zh) | 一种基于响应值确定车位线角点的方法、***和存储介质 | |
CN113077612A (zh) | 载重车辆超限预警***及方法 | |
CN114493404A (zh) | 危化品物流全流程可控管理***与方法 | |
CN114092894A (zh) | 危险品车辆识别方法、电子设备及存储介质 |
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 | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20240712 |