CN112329772B - 车辆部件识别方法、装置、电子装置和存储介质 - Google Patents
车辆部件识别方法、装置、电子装置和存储介质 Download PDFInfo
- Publication number
- CN112329772B CN112329772B CN202011227250.0A CN202011227250A CN112329772B CN 112329772 B CN112329772 B CN 112329772B CN 202011227250 A CN202011227250 A CN 202011227250A CN 112329772 B CN112329772 B CN 112329772B
- Authority
- CN
- China
- Prior art keywords
- vehicle component
- vehicle
- type
- recognition result
- prediction model
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims description 91
- 230000006870 function Effects 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 8
- 238000001514 detection method Methods 0.000 description 29
- 229910000831 Steel Inorganic materials 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 239000010959 steel Substances 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种车辆部件识别方法、装置、电子装置和存储介质,其中,该车辆部件识别方法包括:获取待识别车的车辆图像;使用车辆部件位置预测模型处理车辆图像,得到第一识别结果;使用车辆部件类型预测模型处理车辆图像,得到第二识别结果,其中,第二识别结果包括由车辆部件类型预测模型识别岀的车辆部件的类型名称;从第二识别结果中获取目标车辆部件的类型名称,从第一识别结果中获取目标车辆部件的位置信息,将目标车辆部件的类型名称和位置信息作为第三识别结果。通过本申请,解决了识别目标车辆部件效率低的问题,提高了目标车辆部件识别的效率和准确率。
Description
技术领域
本申请涉及计算机视觉领域,特别是涉及车辆部件识别方法、装置、电子装置和存储介质。
背景技术
车辆检测是车辆交易流程中非常重要的环节,尤其是在二手车交易中,直接影响着成交意愿及成交价格。在车辆检测过程中,需要对车辆部件进行识别,车辆部件的识别结果将直接影响车辆检测结果,因此对车辆部件进行识别显得尤为重要。
目前车辆部件识别主要通过神经网络将目标车辆图像中所有车辆部件类型的结果输出,由于目标车辆图像中通常包含多个车辆部件,因此,一张目标车辆图像输出多个车辆部件识别结果,而在车辆部件检测领域中,一张目标车辆图像通常只对应几个目标车辆部件名,因此,检测师需要从众多的车辆部件识别结果中寻找目标车辆部件名,随着识别结果数量增多,寻找效率也会越来越低,当识别结果过多时,寻找目标车辆部件名的效率甚至会低于人工直接标注的方式。
目前针对相关技术中识别目标车辆部件效率低的问题,尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种车辆部件识别方法、装置、电子装置和存储介质,以至少解决相关技术中识别目标车辆部件效率低的问题。
第一方面,本申请实施例提供了一种车辆部件识别方法,包括:
获取待识别车的车辆图像;
使用车辆部件位置预测模型处理车辆图像,得到第一识别结果,其中,第一识别结果包括由车辆部件位置预测模型识别出的车辆部件的类型名称和位置信息;
使用车辆部件类型预测模型处理车辆图像,得到第二识别结果,其中,第二识别结果包括由车辆部件类型预测模型识别岀的车辆部件的类型名称,其中,车辆部件类型预测模型基于车辆部件的多层级类型联合训练;
从第二识别结果中获取目标车辆部件的类型名称,从第一识别结果中获取目标车辆部件的位置信息,将目标车辆部件的类型名称和位置信息作为第三识别结果。
在其中一些实施例中,方法还包括:
获取车辆部件类型预测模型的训练样本集,其中,训练样本集包括多个训练样本,每个训练样本主要由训练图像和训练图像的标签信息组成,标签信息包括训练图像中包含的车辆部件的类型名称和该类型名称所属的上级类目名称;
使用训练样本集以监督学习的方式训练车辆部件类型预测模型,其中,训练车辆部件类型预测模型所使用的损失函数由第一损失函数和第二损失函数联合而成,第一损失函数用于表征基于类型名称进行分类的损失,第二损失函数用于表征基于上级类目名称进行分类的损失。
在其中一些实施例中,从第二识别结果中获取到的目标车辆部件的类型名称的数量为1个、2个或者3个。
在其中一些实施例中,第二识别结果还包括:由车辆部件类型预测模型识别岀的车辆部件的置信度;
从第二识别结果中获取目标车辆部件的类型名称包括:从第二识别结果中确定置信度大于预设阈值或者置信度TopN个车辆部件作为目标车辆部件,并获取目标车辆部件的类型名称,其中,TopN个车辆部件是指对第二识别结果中车辆部件按照置信度进行降序排序后的前N个车辆部件,N为大于等于1的整数。
在其中一些实施例中,在从第二识别结果中获取目标车辆部件的类型名称之前,方法还包括:
将置信度小于预设阈值的车辆部件的类型名称从第二识别结果中删除。
在其中一些实施例中,在从第二识别结果中获取目标车辆部件的类型名称,从第一识别结果中获取目标车辆部件的位置信息,将目标车辆部件的类型名称和位置信息作为第三识别结果之后,方法还包括:
将目标车辆部件的类型名称从第二识别结果中删除,再次执行下列步骤:从第二识别结果中获取目标车辆部件的类型名称,从第一识别结果中获取目标车辆部件的位置信息,将目标车辆部件的类型名称和位置信息作为第三识别结果。
在其中一些实施例中,在从第二识别结果中获取目标车辆部件的类型名称,从第一识别结果中获取目标车辆部件的位置信息,将目标车辆部件的类型名称和位置信息作为最终识别结果之后,方法还包括:
将第三识别结果标记在车辆图像上得到标记图像,并输出标记图像。
第二方面,本申请实施例提供了一种车辆部件识别装置,包括:
获取模块,用于获取待识别车的车辆图像;
第一处理模块,用于使用车辆部件位置预测模型处理车辆图像,得到第一识别结果,其中,第一识别结果包括由车辆部件位置预测模型识别出的车辆部件的类型名称和位置信息;
第二处理模块,用于使用车辆部件类型预测模型处理车辆图像,得到第二识别结果,其中,第二识别结果包括由车辆部件类型预测模型识别岀的车辆部件的类型名称,其中,车辆部件类型预测模型基于车辆部件的多层级类型联合训练;
第三处理模块,用于从第二识别结果中获取目标车辆部件的类型名称,从第一识别结果中获取目标车辆部件的位置信息,将目标车辆部件的类型名称和位置信息作为第三识别结果。
第三方面,本申请实施例提供了一种电子装置,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现如上述第一方面的车辆部件识别方法。
第四方面,本申请实施例提供了一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述第一方面的车辆部件识别方法。
相比于相关技术,本申请实施例提供的车辆部件识别方法、装置、电子装置和存储介质,通过获取待识别车的车辆图像;使用车辆部件位置预测模型处理车辆图像,得到第一识别结果,其中,第一识别结果包括由车辆部件位置预测模型识别出的车辆部件的类型名称和位置信息;使用车辆部件类型预测模型处理车辆图像,得到第二识别结果,其中,第二识别结果包括由车辆部件类型预测模型识别岀的车辆部件的类型名称,其中,车辆部件类型预测模型基于车辆部件的多层级类型联合训练;从第二识别结果中获取目标车辆部件的类型名称,从第一识别结果中获取目标车辆部件的位置信息,将目标车辆部件的类型名称和位置信息作为第三识别结果,解决了识别目标车辆部件效率低的问题,提高了目标车辆部件识别的效率和准确率,让检测师从繁杂的工作中解脱出来。
本申请的一个或多个实施例的细节在以下附图和描述中提出,以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的车辆部件识别方法的终端的硬件结构框图;
图2是根据本申请实施例的车辆部件识别方法的流程图;
图3是根据本申请优选实施例的车辆部件识别方法的流程图;
图4是根据本申请优选实施例的融合车辆部件检测结果以及多级类目预测结果的流程图;
图5是根据本申请实施例的车辆部件识别装置的结构框图。
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,对本申请进行描述和说明。应当理解,此处所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。基于本申请提供的实施例,本领域普通技术人员在没有作出创造性劳动的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。此外,还可以理解的是,虽然这种开发过程中所作出的努力可能是复杂并且冗长的,然而对于与本申请公开的内容相关的本领域的普通技术人员而言,在本申请揭露的技术内容的基础上进行的一些设计,制造或者生产等变更只是常规的技术手段,不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是,本申请所描述的实施例在不冲突的情况下,可以与其它实施例相结合。
除非另作定义,本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制,可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形,意图在于覆盖不排他的包含;例如包含了一系列步骤或模块(单元)的过程、方法、***、产品或设备没有限定于已列出的步骤或单元,而是可以还包括没有列出的步骤或单元,或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电气的连接,不管是直接的还是间接的。本申请所涉及的“多个”是指大于或者等于两个。“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象,不代表针对对象的特定排序。
术语解释:
残差网络:残差网络是由来自Microsoft Research的4位学者提出的卷积神经网络,在2015年的ImageNet大规模视觉识别竞赛(ImageNet Large Scale VisualRecognition Challenge,ILSVRC)中获得了图像分类和物体识别的优胜。残差网络的特点是容易优化,并且能够通过增加相当的深度来提高准确率。其内部的残差块使用了跳跃连接,缓解了在深度神经网络中增加深度带来的梯度消失问题。
本实施例提供的方法实施例可以在终端、计算机或者类似的运算装置中执行。以运行在终端上为例,图1是本申请实施例的车辆部件识别方法的终端的硬件结构框图。如图1所示,包括处理器11以及存储有计算机程序指令的存储器12。
具体地,上述处理器11可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中,存储器12可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器12可包括硬盘驱动器(Hard Disk Drive,简称为HDD)、软盘驱动器、固态驱动器(SolidState Drive,简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(Universal SerialBus,简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器12可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器12可在数据处理装置的内部或外部。在特定实施例中,存储器12是非易失性(Non-Volatile)存储器。在特定实施例中,存储器12包括只读存储器(Read-Only Memory,简称为ROM)和随机存取存储器(RandomAccess Memory,简称为RAM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(Programmable Read-Only Memory,简称为PROM)、可擦除PROM(Erasable ProgrammableRead-Only Memory,简称为EPROM)、电可擦除PROM(Electrically Erasable ProgrammableRead-Only Memory,简称为EEPROM)、电可改写ROM(Electrically Alterable Read-OnlyMemory,简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下,该RAM可以是静态随机存取存储器(Static Random-Access Memory,简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory,简称为DRAM),其中,DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode Dynamic Random Access Memory,简称为FPMDRAM)、扩展数据输出动态随机存取存储器(Extended Date Out Dynamic RandomAccess Memory,简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory,简称SDRAM)等。
存储器12可以用来存储或者缓存需要处理和/或通信使用的各种数据文件,以及处理器11所执行的可能的计算机程序指令。
处理器11通过读取并执行存储器12中存储的计算机程序指令,以实现上述实施例中的任意车辆部件识别方法。
在其中一些实施例中,终端还可包括通信接口13和总线10。其中,如图1所示,处理器11、存储器12、通信接口13通过总线10连接并完成相互间的通信。
通信接口13用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。通信接口13还可以实现与其他部件例如:外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。
总线10包括硬件、软件或两者,将终端的部件彼此耦接在一起。总线10包括但不限于以下至少之一:数据总线(Data Bus)、地址总线(Address Bus)、控制总线(ControlBus)、扩展总线(Expansion Bus)、局部总线(Local Bus)。举例来说而非限制,总线10可包括图形加速接口(Accelerated Graphics Port,简称为AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture,简称为EISA)总线、前端总线(FrontSide Bus,简称为FSB)、超传输(Hyper Transport,简称为HT)互连、工业标准架构(Industry Standard Architecture,简称为ISA)总线、无线带宽(InfiniBand)互连、低引脚数(Low Pin Count,简称为LPC)总线、存储器总线、微信道架构(Micro ChannelArchitecture,简称为MCA)总线、***组件互连(Peripheral Component Interconnect,简称为PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(Serial AdvancedTechnology Attachment,简称为SATA)总线、视频电子标准协会局部(Video ElectronicsStandards Association Local Bus,简称为VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线10可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
本实施例提供了一种车辆部件识别方法,图2是根据本申请实施例的车辆部件识别方法的流程图,如图2所示,该流程包括如下步骤:
步骤S201,获取待识别车的车辆图像。
获取待识别车的车辆图像,车辆图像中包括待识别的车辆部件。
步骤S202,使用车辆部件位置预测模型处理车辆图像,得到第一识别结果,其中,第一识别结果包括由车辆部件位置预测模型识别出的车辆部件的类型名称和位置信息。
将待识别的车辆图像输入车辆部件预测模型,车辆部件预测模型对待识别的车辆图像中的车辆部件进行识别,并将识别的结果输出,识别结果中包括待识别的车辆部件类型和待识别车辆部件的位置信息。
在本实施例中,获取车辆部件位置预测模型包括:获取车辆部件位置预测模型的训练样本集,其中,训练样本集包括多个训练样本,每个训练样本主要由训练图像和训练图像的标签信息组成,标签信息包括训练图像中包含的车辆部件的类型名称;
使用训练样本集以监督学习的方式训练车辆部件位置预测模型。通过上述方式,获取车辆部件位置预测模型。
步骤S203,使用车辆部件类型预测模型处理车辆图像,得到第二识别结果,其中,第二识别结果包括由车辆部件类型预测模型识别岀的车辆部件的类型名称,其中,车辆部件类型预测模型基于车辆部件的多层级类型联合训练。
将待识别的车辆图像输入车辆部件类型预测模型,车辆部件类型预测模型对待识别的车辆图像中的车辆部件的类型名称进行预测,并将预测的结果输出,预测结果中包括待识别的车辆部件的类型名称。
在本实施例中,车辆部件识别方法还包括:获取车辆部件类型预测模型的训练样本集,其中,训练样本集包括多个训练样本,每个训练样本主要由训练图像和训练图像的标签信息组成,标签信息包括训练图像中包含的车辆部件的类型名称和该类型名称所属的上级类目名称;
使用训练样本集以监督学习的方式训练车辆部件类型预测模型,其中,训练车辆部件类型预测模型所使用的损失函数由第一损失函数和第二损失函数联合而成,第一损失函数用于表征基于类型名称进行分类的损失,第二损失函数用于表征基于上级类目名称进行分类的损失。通过上述方式,获取可以识别车辆部件类型名称的车辆部件类型预测模型。
步骤S204,从第二识别结果中获取目标车辆部件的类型名称,从第一识别结果中获取目标车辆部件的位置信息,将目标车辆部件的类型名称和位置信息作为第三识别结果。
从第二识别结果中选取目标车辆部件的类型名称,判断第一识别结果中是否存在与目标车辆部件类型名称,若是,从第一识别结果中输出目标车辆部件类型对应的位置信息。
在本实施例中,从第二识别结果中获取到的目标车辆部件的类型名称的数量为1个、2个或者3个。
通过上述步骤S201至步骤S204,通过获取待识别车的车辆图像;使用车辆部件位置预测模型处理车辆图像,得到第一识别结果,其中,第一识别结果包括由车辆部件位置预测模型识别出的车辆部件的类型名称和位置信息;使用车辆部件类型预测模型处理车辆图像,得到第二识别结果,其中,第二识别结果包括由车辆部件类型预测模型识别岀的车辆部件的类型名称,其中,车辆部件类型预测模型基于车辆部件的多层级类型联合训练;从第二识别结果中获取目标车辆部件的类型名称,从第一识别结果中获取目标车辆部件的位置信息,将目标车辆部件的类型名称和位置信息作为第三识别结果,解决了识别目标车辆部件效率低的问题,提高了目标车辆部件识别的效率和准确率,让检测师从繁杂的工作中解脱出来。
在其中一些实施例中,第二识别结果还包括:由车辆部件类型预测模型识别岀的车辆部件的置信度;
从第二识别结果中获取目标车辆部件的类型名称包括:从第二识别结果中确定置信度大于预设阈值或者置信度TopN个车辆部件作为目标车辆部件,并获取目标车辆部件的类型名称,其中,TopN个车辆部件是指对第二识别结果中车辆部件按照置信度进行降序排序后的前N个车辆部件,N为大于等于1的整数。通过上述方式,可以根据置信度设置阈值或者排序得到目标车辆部件类型。
在其中一些实施例中,在从第二识别结果中获取目标车辆部件的类型名称之前,方法还包括:将置信度小于预设阈值的车辆部件的类型名称从第二识别结果中删除。通过上述方式,删除了第二识别结果中不属于目标车辆部件类型,减少了挑选出目标车辆部件类型的时间。
在其中一些实施例中,在从第二识别结果中获取目标车辆部件的类型名称之前,方法还包括:将第二识别结果中置信度TopN之后的车辆部件删除。通过上述方式,删除了第二识别结果中不属于目标车辆部件类型,减少了挑选出目标车辆部件类型的时间。
在其中一些实施例中,在从第二识别结果中获取目标车辆部件的类型名称,从第一识别结果中获取目标车辆部件的位置信息,将目标车辆部件的类型名称和位置信息作为第三识别结果之后,方法还包括:
将目标车辆部件的类型名称从第二识别结果中删除,再次执行下列步骤:从第二识别结果中获取目标车辆部件的类型名称,从第一识别结果中获取目标车辆部件的位置信息,将目标车辆部件的类型名称和位置信息作为第三识别结果。通过上述方式,将已识别的目标车辆部件从第二识别结果中删除并更新第二识别结果,可以识别第二识别结果中的所有待识别的车辆部件类型。
在其中一些实施例中,在从第二识别结果中获取目标车辆部件的类型名称,从第一识别结果中获取目标车辆部件的位置信息,将目标车辆部件的类型名称和位置信息作为最终识别结果之后,方法还包括:
将第三识别结果标记在车辆图像上得到标记图像,并输出标记图像。通过上述方式,可以将识别出的目标车辆部件标记在待识别车辆图像中,方便检测师判断目标车辆部件是否被准确的识别。
下面通过优选实施例对本申请实施例进行描述和说明。
图3是根据本申请优选实施例的车辆部件识别方法的流程图,如图3所示,优选实施例的车辆部件识别包括如下步骤:
步骤S301,获取待识别的车辆图像。
通过摄像机获取待识别的车辆图像,待识别的车辆图像包括待识别的车辆部件,车辆部件类型包括前保险杠、后保险杠、左前大灯、右前大灯、前机盖、左前门、右前门、左后门、右后门、左前翼子板、右前翼子板、左后翼子板、右后翼子板、后机盖、前挡风玻璃、后挡风玻璃、左后视镜、右后视镜、左尾灯、右尾灯、左雾灯、右雾灯、右前车窗、左前车窗、右后车窗、左后车窗、右底大边、左底大边、右前门把手、左前门把手、左后门把手、右后门把手、左前轮胎、左后轮胎、右前轮胎、右后轮胎、右前轮眉、左前轮眉、右后轮眉、左后轮眉、左前钢圈、左后钢圈、右前钢圈、右后钢圈、左前门饰条、右前门饰条、左后门饰条、右后门饰条、左前门饰板、前保险杠饰条、后保险杠饰条、前保险杠护板、后保险杠护板、前保险杠导流板、后保险杠导流板、车顶、方向盘、左前座椅、右前座椅、左后座椅、右后座椅、中控台、发动机、水箱、发动机上护罩和发动机下护罩。
步骤S302,使用车辆部件检测模型对待识别的车辆图像进行车辆部件检测。
使用经过预先训练的车辆部件检测模型对待识别的车辆部件图像进行检测,车辆部件的检测结果记为P,其中,车辆部件检测模型可以部署在移动计算设备上,也可以部署在云服务器上。
(a)创建车辆部件检测训练数据集。
车辆部件检测训练数据集是由专业人员对车辆部件图像标注而来。车辆部件检测训练数据集包括训练图像和根据训练图像标注的标签信息,标签信息包括车辆部件类型、以及车辆部件类型所对应的位置信息。其中,位置信息记为Bbox,通常以车辆部件类型在车辆部件图像中所占区域的外接矩形框的左上角及右下角点坐标来表示,左上角及右下角点坐标记为(Bboxx1,Bboxy1,Bboxx2,Bboxy2),(Bboxx1,Bboxy1)为左上角点坐标,(Bboxx2,Bboxy2)为右下角点坐标。车辆部件类型记为C3,本发明实施例的车辆部件类型主要包括66类:前保险杠、后保险杠、左前大灯、右前大灯、前机盖、左前门、右前门、左后门、右后门、左前翼子板、右前翼子板、左后翼子板、右后翼子板、后机盖、前挡风玻璃、后挡风玻璃、左后视镜、右后视镜、左尾灯、右尾灯、左雾灯、右雾灯、右前车窗、左前车窗、右后车窗、左后车窗、右底大边、左底大边、右前门把手、左前门把手、左后门把手、右后门把手、左前轮胎、左后轮胎、右前轮胎、右后轮胎、右前轮眉、左前轮眉、右后轮眉、左后轮眉、左前钢圈、左后钢圈、右前钢圈、右后钢圈、左前门饰条、右前门饰条、左后门饰条、右后门饰条、左前门饰板、前保险杠饰条、后保险杠饰条、前保险杠护板、后保险杠护板、前保险杠导流板、后保险杠导流板、车顶、方向盘、左前座椅、右前座椅、左后座椅、右后座椅、中控台、发动机、水箱、发动机上护罩和发动机下护罩。通过上述方式,获取车辆部件检测的数据集。
(b)车辆部件检测模型的训练及部署。
使用卷积神经网络(Convolutional Neural Network,CNN)构建车辆部件检测模型,主干网络结构使用残差网络,检测方法使用单阶段检测器(Single Shot MultiBoxDetector,SSD),基于步骤S302(a)创建的车辆部件检测训练数据集,通过监督学习方法对CNN构建的车辆部件检测模型完成训练,并部署在计算机设备上,其中,残差网络可以使用ResNet-50。通过上述方式,得到训练后的车辆部件检测模型,为后续的车辆部件检测做准备。
(c)将待识别的车辆部件图像输入车辆部件检测模型,得到车辆部件识别结果。
将待识别的车辆部件图像输入通过步骤S302(b)训练得来的车辆部件检测模型,得到车辆部件识别结果,其中,车辆部件识别结果包括待识别图像中的所有车辆部件类型名称和识别出的车辆部件类型对应的位置信息。通过上述方式,获取到待识别图像中所有的车辆部件类型和对应的位置信息,为后续获取到目标车辆部件类型的准确位置做准备。
步骤S303,使用多级类目预测模型对待识别的车辆图像进行车辆部件类型预测。
(a)创建多级类目预测训练数据集。
多级类目预测训练数据集是由专业人员对车辆部件图像标注而来。多级类目预测训练数据集包括训练图像和根据训练图像标注的多级类目标签信息,多级类目标签主要包括一级类目标签和三级类目标签,其中,三级类目标签与步骤S302(a)中的车辆部件类型C3相同。一级类目标签记为C1,主要包括3类,车辆外观、车辆内饰和发动机舱。通过上述方式,得到包括多级类目标签的训练数据集,为后续多级类目预测模型的训练做准备。
(b)多级类目预测模型的训练及部署。
使用CNN构建多级类目预测模型,主干网络结构使用残差网络,损失函数使用交叉熵函数,模型的总损失函数记为Ltotal,由一级类目、三级类目两部分损失函数组成,具体如下:
Ltotal=α*LC1+(1-α)*LC3
其中LC1为一级类目损失函数,LC3为三级类目预测损失函数,a设置为0.6。基于步骤S303(a)创建的多级类目预测训练数据集,通过监督学习方法对CNN构建的多级类目预测模型完成训练,并部署在计算机设备上。通过上述方式,可以获取到训练后的多级类目预测模型,通过该模型可以获取到一级类目和三级类目的车辆类型预测结果。
(c)将待识别的车辆部件图像输入多级类目预测模型,得到预测的目标车辆部件类型。
将待识别的车辆部件图像输入通过步骤S303(b)训练得来的多级类目预测模型,得到多级类目预测结果,其中,多级类目预测结果包括一级类目预测结果和三级类目预测结果。通过上述方式,可以预测目标车辆部件类型,是最终获取目标车辆部件类型的前提。
步骤S304,融合车辆部件检测结果以及多级类目预测结果。
融合多级类目预测结果以及车辆部件检测结果,输出最终的目标车辆部件识别结果,记为Pfinal。图4是根据本申请优选实施例的融合车辆部件检测结果以及多级类目预测结果的流程图。具体的融合步骤包括以下步骤。
步骤S401,选取多级类目预测模型的三级类目预测结果作为目标车辆部件类型预测结果。
将多级类目预测模型的三级类目预测结果作为目标车辆部件类型预测结果,目标车辆部件类型预测结果包括待识别图像中的目标车辆部件类型名称和预测的目标车辆部件类型的概率分数
步骤S402,选取目标车辆部件类型预测结果中概率分数最高的类目作为候选部件类型。
根据预测的目标车辆部件类型的概率分数的高低降序排列预测的目标车辆部件类型,生成列表C,选取C中最高的预测的目标车辆部件类型作为候选目标车辆部件类型,记为Ccandidate。
步骤S403,遍历部件检测结果。
遍历车辆部件检测结果P。
步骤S404,判断部件检测结果与当前候选部件类型是否相同。
判断部件检测结果P与当前候选部件类型Ccandidate是否相同,若相同,Ccandidate做为最终的目标车辆部件类型,进入步骤S405。否则进入步骤S406。
步骤S405,输出最终的目标车辆部件识别结果,即当前候选部件类型。
步骤S406,将当前候选部件类型从目标车辆部件类型预测结果中删除。
在C中删除Ccandidate,更新C,继续执行步骤S402~S404,直至目标车辆部件类型预测结果C为空。
通过上述方式,通过对预测的目标车辆的概率分数排序得到最终的目标车辆部件类型,并通过更新预测的车辆部件类型列表最终将预测结果C中的所有目标车辆部件输出。
步骤S305,输出最终的目标车辆部件识别结果。
根据目标车辆部件类型和目标车辆部件类型在待识别图像中的位置信息作为最终的目标车辆部件识别结果,将最终的目标车辆部件识别结果标记在待识别的车辆部件图像中。通过上述方式,将识别出的目标车辆部件标记在待识别图像中,检测师只需要观察待识别图像就可以查看出目标车辆部件识别名,提高了检测师的工作效率。
本实施例还提供了一种车辆部件识别装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图5是根据本申请实施例的车辆部件识别装置的结构框图,如图5所示,该装置包括:
获取模块51,用于获取待识别车的车辆图像;
第一处理模块52,连接至获取模块51,用于使用车辆部件位置预测模型处理车辆图像,得到第一识别结果,其中,第一识别结果包括由车辆部件位置预测模型识别出的车辆部件的类型名称和位置信息;
第二处理模块53,连接至获取模块51,用于使用车辆部件类型预测模型处理车辆图像,得到第二识别结果,其中,第二识别结果包括由车辆部件类型预测模型识别岀的车辆部件的类型名称,其中,车辆部件类型预测模型基于车辆部件的多层级类型联合训练;
第三处理模块54,连接至第一处理模块52和第二处理模块53,用于从第二识别结果中获取目标车辆部件的类型名称,从第一识别结果中获取目标车辆部件的位置信息,将目标车辆部件的类型名称和位置信息作为第三识别结果。
在其中一个实施例中,该车辆部件识别装置还包括车辆部件类型预测模型的训练模块,该模块连接至第二处理模块53,车辆部件类型预测模型的训练模块包括:
获取单元,用于获取车辆部件类型预测模型的训练样本集,其中,训练样本集包括多个训练样本,每个训练样本主要由训练图像和训练图像的标签信息组成,标签信息包括训练图像中包含的车辆部件的类型名称和该类型名称所属的上级类目名称;
模型训练单元,连接至获取单元,用于使用训练样本集以监督学习的方式训练车辆部件类型预测模型,其中,训练车辆部件类型预测模型所使用的损失函数由第一损失函数和第二损失函数联合而成,第一损失函数用于表征基于类型名称进行分类的损失,第二损失函数用于表征基于上级类目名称进行分类的损失。
在其中一个实施例中,从第二识别结果中获取到的目标车辆部件的类型名称的数量为1个、2个或者3个。
在其中一个实施例中,第二识别结果还包括:由所述车辆部件类型预测模型识别岀的车辆部件的置信度;第二处理模块53用于从第二识别结果中确定置信度大于预设阈值或者置信度TopN个车辆部件作为目标车辆部件,并获取目标车辆部件的类型名称,其中,TopN个车辆部件是指对第二识别结果中车辆部件按照置信度进行降序排序后的前N个车辆部件,N为大于等于1的整数。
在其中一个实施例中,车辆部件识别装置还包括删除模块,删除模块连接至第二处理模块53,用于将置信度小于预设阈值的车辆部件的类型名称从第二识别结果中删除。
在其中一个实施例中,车辆部件识别装置还包括更新模块,更新模块连接至第三处理模块54,用于将目标车辆部件的类型名称从第二识别结果中删除;第三处理模块54还用于在更新模块将目标车辆部件的类型名称从第二识别结果中删除之后,从删除了目标车辆部件的类型名称后得到的第二识别结果中获取下一个目标车辆部件的类型名称,从第一识别结果中获取下一个目标车辆部件的位置信息,将下一个目标车辆部件的类型名称和位置信息作为下一个第三识别结果。
在其中一个实施例中,车辆部件识别装置还包括标记模块,标记模块连接至第三处理模块54,用于将第三识别结果标记在车辆图像上得到标记图像,并输出标记图像。
本实施例还提供了一种电子装置,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,获取待识别车的车辆图像;
S2,使用车辆部件位置预测模型处理车辆图像,得到第一识别结果,其中,第一识别结果包括由车辆部件位置预测模型识别出的车辆部件的类型名称和位置信息;
S3,使用车辆部件类型预测模型处理车辆图像,得到第二识别结果,其中,第二识别结果包括由车辆部件类型预测模型识别岀的车辆部件的类型名称,其中,车辆部件类型预测模型基于车辆部件的多层级类型联合训练;
S4,从第二识别结果中获取目标车辆部件的类型名称,从第一识别结果中获取目标车辆部件的位置信息,将目标车辆部件的类型名称和位置信息作为第三识别结果。
需要说明的是,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
另外,结合上述实施例中的车辆部件识别方法,本申请实施例可提供一种存储介质来实现。该存储介质上存储有计算机程序;该计算机程序被处理器执行时实现上述实施例中的任意一种车辆部件识别方法。
本领域的技术人员应该明白,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 (9)
1.一种车辆部件识别方法,其特征在于,包括:
获取待识别车的车辆图像;
使用车辆部件位置预测模型处理所述车辆图像,得到第一识别结果,其中,所述第一识别结果包括由所述车辆部件位置预测模型识别出的车辆部件的类型名称和位置信息;
使用车辆部件类型预测模型处理所述车辆图像,得到第二识别结果,其中,所述第二识别结果包括由所述车辆部件类型预测模型识别岀的车辆部件的类型名称,其中,所述车辆部件类型预测模型基于车辆部件的多层级类型联合训练;所述车辆部件类型预测模型的训练过程包括:
获取所述车辆部件类型预测模型的训练样本集,其中,所述训练样本集包括多个训练样本,每个训练样本由训练图像和所述训练图像的标签信息组成,所述标签信息包括所述训练图像中包含的车辆部件的类型名称和该类型名称所属的上级类目名称;
使用所述训练样本集以监督学习的方式训练所述车辆部件类型预测模型,其中,训练所述车辆部件类型预测模型所使用的损失函数由第一损失函数和第二损失函数联合而成,所述第一损失函数用于表征基于类型名称进行分类的损失,所述第二损失函数用于表征基于上级类目名称进行分类的损失;
从所述第二识别结果中获取目标车辆部件的类型名称,从所述第一识别结果中获取所述目标车辆部件的位置信息,将所述目标车辆部件的类型名称和位置信息作为第三识别结果。
2.根据权利要求1所述的车辆部件识别方法,其特征在于,从所述第二识别结果中获取到的目标车辆部件的类型名称的数量为1个、2个或者3个。
3.根据权利要求1所述的车辆部件识别方法,其特征在于,所述第二识别结果还包括:由所述车辆部件类型预测模型识别岀的车辆部件的置信度;
从所述第二识别结果中获取目标车辆部件的类型名称包括:从所述第二识别结果中确定置信度大于预设阈值或者置信度TopN个车辆部件作为所述目标车辆部件,并获取所述目标车辆部件的类型名称,其中,TopN个车辆部件是指对所述第二识别结果中车辆部件按照置信度进行降序排序后的前N个车辆部件,N为大于等于1的整数。
4.根据权利要求3所述的车辆部件识别方法,其特征在于,在从所述第二识别结果中获取目标车辆部件的类型名称之前,所述方法还包括:
将置信度小于所述预设阈值的车辆部件的类型名称从所述第二识别结果中删除。
5.根据权利要求1所述的车辆部件识别方法,其特征在于,在从所述第二识别结果中获取目标车辆部件的类型名称,从所述第一识别结果中获取所述目标车辆部件的位置信息,将所述目标车辆部件的类型名称和位置信息作为第三识别结果之后,所述方法还包括:
将所述目标车辆部件的类型名称从所述第二识别结果中删除,再次执行下列步骤:从所述第二识别结果中获取目标车辆部件的类型名称,从所述第一识别结果中获取所述目标车辆部件的位置信息,将所述目标车辆部件的类型名称和位置信息作为第三识别结果。
6.根据权利要求1所述的车辆部件识别方法,其特征在于,在从所述第二识别结果中获取目标车辆部件的类型名称,从所述第一识别结果中获取所述目标车辆部件的位置信息,将所述目标车辆部件的类型名称和位置信息作为最终识别结果之后,所述方法还包括:
将所述第三识别结果标记在所述车辆图像上得到标记图像,并输出所述标记图像。
7.一种车辆部件识别装置,其特征在于,所述车辆部件识别装置包括:
获取模块,用于获取待识别车的车辆图像;
第一处理模块,用于使用车辆部件位置预测模型处理所述车辆图像,得到第一识别结果,其中,所述第一识别结果包括由所述车辆部件位置预测模型识别出的车辆部件的类型名称和位置信息;
第二处理模块,用于使用车辆部件类型预测模型处理所述车辆图像,得到第二识别结果,其中,所述第二识别结果包括由所述车辆部件类型预测模型识别岀的车辆部件的类型名称,其中,所述车辆部件类型预测模型基于车辆部件的多层级类型联合训练;所述车辆部件类型预测模型的训练过程包括:获取所述车辆部件类型预测模型的训练样本集,其中,所述训练样本集包括多个训练样本,每个训练样本由训练图像和所述训练图像的标签信息组成,所述标签信息包括所述训练图像中包含的车辆部件的类型名称和该类型名称所属的上级类目名称;使用所述训练样本集以监督学习的方式训练所述车辆部件类型预测模型,其中,训练所述车辆部件类型预测模型所使用的损失函数由第一损失函数和第二损失函数联合而成,所述第一损失函数用于表征基于类型名称进行分类的损失,所述第二损失函数用于表征基于上级类目名称进行分类的损失;
第三处理模块,用于从所述第二识别结果中获取目标车辆部件的类型名称,从所述第一识别结果中获取所述目标车辆部件的位置信息,将所述目标车辆部件的类型名称和位置信息作为第三识别结果。
8.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行权利要求1至6中任一项所述的车辆部件识别方法。
9.一种存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行权利要求1至6中任一项所述的车辆部件识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011227250.0A CN112329772B (zh) | 2020-11-06 | 2020-11-06 | 车辆部件识别方法、装置、电子装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011227250.0A CN112329772B (zh) | 2020-11-06 | 2020-11-06 | 车辆部件识别方法、装置、电子装置和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112329772A CN112329772A (zh) | 2021-02-05 |
CN112329772B true CN112329772B (zh) | 2024-03-05 |
Family
ID=74316249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011227250.0A Active CN112329772B (zh) | 2020-11-06 | 2020-11-06 | 车辆部件识别方法、装置、电子装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112329772B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113570001B (zh) * | 2021-09-22 | 2022-02-15 | 深圳市信润富联数字科技有限公司 | 分类识别定位方法、装置、设备及计算机可读存储介质 |
CN114155417B (zh) * | 2021-12-13 | 2022-07-19 | 中国科学院空间应用工程与技术中心 | 图像目标的识别方法、装置、电子设备及计算机存储介质 |
CN114627443B (zh) * | 2022-03-14 | 2023-06-09 | 小米汽车科技有限公司 | 目标检测方法、装置、存储介质、电子设备及车辆 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018157862A1 (zh) * | 2017-03-02 | 2018-09-07 | 腾讯科技(深圳)有限公司 | 车型的识别方法和装置、存储介质、电子装置 |
CN110147707A (zh) * | 2018-10-25 | 2019-08-20 | 初速度(苏州)科技有限公司 | 一种高精度车辆识别方法及*** |
CN110991506A (zh) * | 2019-11-22 | 2020-04-10 | 高新兴科技集团股份有限公司 | 一种车辆品牌识别方法、装置、设备及存储介质 |
JP2020517015A (ja) * | 2017-04-11 | 2020-06-11 | アリババ・グループ・ホールディング・リミテッドAlibaba Group Holding Limited | ピクチャベースの車両損害査定の方法および装置、ならびに電子デバイス |
CN111382808A (zh) * | 2020-05-29 | 2020-07-07 | 浙江大华技术股份有限公司 | 一种车辆检测处理方法及装置 |
CN111666898A (zh) * | 2020-06-09 | 2020-09-15 | 北京字节跳动网络技术有限公司 | 用于识别车辆所属类别的方法和装置 |
CN111680556A (zh) * | 2020-04-29 | 2020-09-18 | 平安国际智慧城市科技股份有限公司 | 交通卡口车辆类型的识别方法、装置、设备及存储介质 |
CN111881741A (zh) * | 2020-06-22 | 2020-11-03 | 浙江大华技术股份有限公司 | 车牌识别方法、装置、计算机设备和计算机可读存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651881B (zh) * | 2016-12-28 | 2023-04-28 | 同方威视技术股份有限公司 | 车辆检查***、车辆部位识别方法及*** |
CN110570389B (zh) * | 2018-09-18 | 2020-07-17 | 阿里巴巴集团控股有限公司 | 车辆损伤识别方法及装置 |
-
2020
- 2020-11-06 CN CN202011227250.0A patent/CN112329772B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018157862A1 (zh) * | 2017-03-02 | 2018-09-07 | 腾讯科技(深圳)有限公司 | 车型的识别方法和装置、存储介质、电子装置 |
JP2020517015A (ja) * | 2017-04-11 | 2020-06-11 | アリババ・グループ・ホールディング・リミテッドAlibaba Group Holding Limited | ピクチャベースの車両損害査定の方法および装置、ならびに電子デバイス |
CN110147707A (zh) * | 2018-10-25 | 2019-08-20 | 初速度(苏州)科技有限公司 | 一种高精度车辆识别方法及*** |
CN110991506A (zh) * | 2019-11-22 | 2020-04-10 | 高新兴科技集团股份有限公司 | 一种车辆品牌识别方法、装置、设备及存储介质 |
CN111680556A (zh) * | 2020-04-29 | 2020-09-18 | 平安国际智慧城市科技股份有限公司 | 交通卡口车辆类型的识别方法、装置、设备及存储介质 |
CN111382808A (zh) * | 2020-05-29 | 2020-07-07 | 浙江大华技术股份有限公司 | 一种车辆检测处理方法及装置 |
CN111666898A (zh) * | 2020-06-09 | 2020-09-15 | 北京字节跳动网络技术有限公司 | 用于识别车辆所属类别的方法和装置 |
CN111881741A (zh) * | 2020-06-22 | 2020-11-03 | 浙江大华技术股份有限公司 | 车牌识别方法、装置、计算机设备和计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112329772A (zh) | 2021-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112329772B (zh) | 车辆部件识别方法、装置、电子装置和存储介质 | |
CN109657716B (zh) | 一种基于深度学习的车辆外观损伤识别方法 | |
CN106845412B (zh) | 障碍物识别方法及装置、计算机设备及可读介质 | |
CN108062712B (zh) | 一种车险定损数据的处理方法、装置和处理设备 | |
US20200111061A1 (en) | Apparatus and Method for Combined Visual Intelligence | |
CN106845416B (zh) | 障碍物识别方法及装置、计算机设备及可读介质 | |
CN109034086B (zh) | 车辆重识别方法、装置及*** | |
CN113033604A (zh) | 一种基于SF-YOLOv4网络模型的车辆检测方法、***及存储介质 | |
CN108960074B (zh) | 基于深度学习的小尺寸行人目标检测方法 | |
CN112906823B (zh) | 目标对象识别模型训练方法、识别方法及识别装置 | |
CN111340026A (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 | |
CN110097108B (zh) | 非机动车的识别方法、装置、设备及存储介质 | |
CN109657599A (zh) | 距离自适应的车辆外观部件的图片识别方法 | |
JP5293321B2 (ja) | 対象物識別装置及びプログラム | |
CN117540153B (zh) | 一种隧道监测数据预测方法及*** | |
CN114419584A (zh) | 一种改进的非极大值抑制YOLOv4交通标志识别定位方法 | |
CN117809458A (zh) | 一种交通事故风险实时评估方法及*** | |
CN110532904B (zh) | 一种车辆识别方法 | |
CN113701642A (zh) | 一种车身外观尺寸的计算方法及*** | |
CN110727762B (zh) | 确定相似文本的方法、装置、存储介质及电子设备 | |
CN114842432A (zh) | 一种基于深度学习汽车灯光控制方法及*** | |
CN115984786A (zh) | 车辆损伤检测方法及装置、终端、存储介质 | |
CN111126271B (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 | |
CN111368784B (zh) | 一种目标识别方法、装置、计算机设备和存储介质 | |
CN114155504A (zh) | 用于自动驾驶的视觉识别车辆方法、装置、出行装置及介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |