CN115908359A - 车辆雨刮喷水状态检测方法、装置、设备及介质 - Google Patents
车辆雨刮喷水状态检测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115908359A CN115908359A CN202211565376.8A CN202211565376A CN115908359A CN 115908359 A CN115908359 A CN 115908359A CN 202211565376 A CN202211565376 A CN 202211565376A CN 115908359 A CN115908359 A CN 115908359A
- Authority
- CN
- China
- Prior art keywords
- water
- water column
- wiper
- target
- stop point
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 373
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000005507 spraying Methods 0.000 title claims abstract description 57
- 239000007921 spray Substances 0.000 claims abstract description 60
- 238000009826 distribution Methods 0.000 claims abstract description 54
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 35
- 238000001514 detection method Methods 0.000 claims abstract description 35
- 238000013461 design Methods 0.000 claims abstract description 22
- 230000011218 segmentation Effects 0.000 claims abstract description 21
- 238000007621 cluster analysis Methods 0.000 claims abstract description 18
- 230000002159 abnormal effect Effects 0.000 claims abstract description 16
- 238000012216 screening Methods 0.000 claims abstract description 16
- 238000003860 storage Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 14
- 230000009286 beneficial effect Effects 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 16
- 238000005516 engineering process Methods 0.000 description 11
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000002950 deficient Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 230000004075 alteration Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本申请公开了一种车辆雨刮喷水状态检测方法、装置、设备及介质,该方法获取待检测目标车辆的雨刮喷水图像;通过分割检测算法检测雨刮喷水图像中水柱的分布,得到初始水柱图像数据;基于直线拟合算法,从初始水柱图像数据中筛选得到目标水柱图像数据;提取目标水柱图像数据中各个目标水柱的起止点信息,判断起止点信息是否符合预先通过多个样本水柱聚类分析得到的起止点分布规律;统计符合起止点分布规律的水柱个数,比较水柱个数是否和设计预期个数一致;若不一致,确定车辆的雨刮喷水状态存在异常。该方法可自动检测车辆雨刮的喷水状态是否存在异常,检测准确度较高,有利于减轻检查员的工作负担。本申请可广泛应用于人工智能技术领域内。
Description
技术领域
本申请涉及人工智能技术领域,尤其是一种车辆雨刮喷水状态检测方法、装置、设备及介质。
背景技术
汽车是当下一种重要的交通运输工具,给人们的生活和工作带来了很大的便利。汽车生产线上,一般需要检测车辆生产过程中各类零部件的功能是否正常。例如,对于车辆雨刮来说,需要检测其水孔是否能够正常喷出水柱,如果存在异常,则需要对不良品进行整修或者问题追溯。
相关技术中,一般检查员通过目视观察对雨刮的喷水功能进行相应检查,但是,一方面部分车型设计安装了集成式雨刮后,雨刮的喷水孔数量增多且水孔变细,导致观测难度较高,另一方面,通过人工检查的检测手段存在较多不确定性(如外部遮挡因素或检测员疲劳等非可控人为因素),存在有较多误判的情况,导致检测精度较低,存在不良品流出的风险,影响客户的正常使用。
发明内容
本申请的目的在于至少一定程度上解决相关技术中存在的技术问题之一。
为此,本申请实施例的一个目的在于提供一种车辆雨刮喷水状态检测方法、装置、设备及介质。
为了达到上述技术目的,本申请实施例所采取的技术方案包括:
一方面,本申请实施例提供了一种车辆雨刮喷水状态检测方法,所述方法包括:
获取待检测目标车辆的雨刮喷水图像;
通过分割检测算法检测所述雨刮喷水图像中水柱的分布,得到初始水柱图像数据;
基于直线拟合算法,从所述初始水柱图像数据中筛选得到目标水柱图像数据;
提取所述目标水柱图像数据中各个目标水柱的起止点信息,判断所述各个目标水柱的起止点信息是否符合预先通过多个样本水柱聚类分析得到的起止点分布规律;
统计所述起止点信息符合所述起止点分布规律的水柱个数,比较所述水柱个数是否和设计预期个数一致;
若所述水柱个数和设计预期个数不一致,确定车辆的雨刮喷水状态存在异常。
另外,根据本申请上述实施例的一种车辆雨刮喷水状态检测方法,还可以具有以下附加的技术特征:
进一步地,在本申请的一个实施例中,所述通过分割检测算法检测所述雨刮喷水图像中水柱的分布,得到初始水柱图像数据,包括:
确定所述雨刮喷水图像的像素均值;
根据所述像素均值,从所述雨刮喷水图像中确定多个第一目标像素点;其中,所述第一目标像素点的像素值与所述像素均值的差值的绝对值大于第一预设阈值;
在所述雨刮喷水图像中,确定多个所述第一目标像素点构成的连通区域;
从所述雨刮喷水图像中裁剪出各个所述连通区域,得到所述初始水柱图像数据。
进一步地,在本申请的一个实施例中,所述起止点分布规律,通过以下方式分析得到:
获取批量样本水柱的样本起止点信息;所述样本起止点信息包括真实水柱的第一起止点信息和虚假水柱的第二起止点信息;
提取所述第一起止点信息的第一特征数据和所述第二起止点信息的第二特征数据;
根据所述第一特征数据和所述第二特征数据,对各个样本水柱进行聚类分析,得到真实水柱类别对应的第一簇心坐标和虚假水柱类别对应的第二簇心坐标;
根据所述第一簇心坐标和所述第二簇心坐标,确定起止点分布规律。
进一步地,在本申请的一个实施例中,所述根据所述第一特征数据和所述第二特征数据,对各个样本水柱进行聚类分析:
选取任意样本水柱对应的特征数据作为初始簇心,建立初始聚类簇;
计算各个待聚类特征数据和所述初始簇心之间的相似度;所述待聚类特征数据为未加入聚类簇的样本水柱对应的特征数据;
当所述待聚类特征数据和所述初始簇心之间的相似度小于或者等于第二预设阈值,将所述待聚类特征数据对应的样本水柱添加到所述初始簇心对应的初始聚类簇中,并更新所述初始聚类簇的簇心坐标;
或者,当所述待聚类特征数据和任意所述初始簇心之间的相似度均大于所述第二预设阈值,以所述待聚类特征数据作为初始簇心,额外建立新的初始聚类簇。
进一步地,在本申请的一个实施例中,判断所述各个目标水柱的起止点信息是否符合起止点分布规律,包括:
提取所述目标水柱的起止点信息的第三特征数据;
根据所述第三特征数据,确定所述目标水柱对应的聚类簇类别;
若所述目标水柱对应的聚类簇类别为真实水柱类别,确定所述目标水柱的起止点信息符合起止点分布规律;
或者,若所述目标水柱对应的聚类簇类别为虚假水柱类别,确定所述目标水柱的起止点信息不符合起止点分布规律。
进一步地,在本申请的一个实施例中,所述从所述初始水柱图像数据中筛选得到目标水柱图像数据的步骤之后,所述方法还包括:
通过NMS算法筛除重叠分叉的水柱图像数据,并通过离群点筛除算法筛除面积小于第三预设阈值的水柱图像数据以及点状的水柱图像数据。
进一步地,在本申请的一个实施例中,所述设计预期个数通过以下步骤获取:
扫描所述待检测目标车辆的车架号信息;
根据所述车架号信息,获取所述待检测目标车辆的喷水孔的设计预期个数。
另一方面,本申请实施例提供一种车辆雨刮喷水状态检测装置,所述装置包括:
获取单元,用于获取待检测目标车辆的雨刮喷水图像;
分割单元,用于通过分割检测算法检测所述雨刮喷水图像中水柱的分布,得到初始水柱图像数据;
拟合单元,用于基于直线拟合算法,从所述初始水柱图像数据中筛选得到目标水柱图像数据;
提取单元,用于提取所述目标水柱图像数据中各个目标水柱的起止点信息,判断所述各个目标水柱的起止点信息是否符合预先通过多个样本水柱聚类分析得到的起止点分布规律;
比较单元,用于统计所述起止点信息符合所述起止点分布规律的水柱个数,比较所述水柱个数是否和设计预期个数一致;
处理单元,用于若所述水柱个数和设计预期个数不一致,确定车辆的雨刮喷水状态存在异常。
另一方面,本申请实施例提供了一种计算机设备,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行时,使得所述至少一个处理器实现上述的一种车辆雨刮喷水状态检测方法。
另一方面,本申请实施例还提供了一种计算机可读存储介质,其中存储有处理器可执行的程序,上述处理器可执行的程序在由处理器执行时用于实现上述的一种车辆雨刮喷水状态检测方法。
本申请的优点和有益效果将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到:
本申请实施例公开的一种车辆雨刮喷水状态检测方法,所述方法包括:获取待检测目标车辆的雨刮喷水图像;通过分割检测算法检测所述雨刮喷水图像中水柱的分布,得到初始水柱图像数据;基于直线拟合算法,从所述初始水柱图像数据中筛选得到目标水柱图像数据;提取所述目标水柱图像数据中各个目标水柱的起止点信息,判断所述各个目标水柱的起止点信息是否符合预先通过多个样本水柱聚类分析得到的起止点分布规律;统计所述起止点信息符合所述起止点分布规律的水柱个数,比较所述水柱个数是否和设计预期个数一致;若所述水柱个数和设计预期个数不一致,确定车辆的雨刮喷水状态存在异常。该方法借助人工智能等技术手段,可以实现自动检测车辆雨刮的喷水状态是否存在异常,检测准确度较高,有利于减轻检查员的工作负担。
附图说明
为了更清楚地说明本申请实施例或者现有技术中的技术方案,下面对本申请实施例或者现有技术中的相关技术方案附图作以下介绍,应当理解的是,下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例,对于本领域的技术人员来说,在无需付出创造性劳动的前提下,还可以根据这些附图获取到其他附图。
图1为本申请实施例中提供的一种车辆雨刮喷水状态检测方法的流程示意图;
图2为本申请实施例中提供的一种计算机设备的结构示意图。
具体实施方式
下面结合说明书附图和具体的实施例对本申请进行进一步的说明。所描述的实施例不应视为对本申请的限制,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。
在以下的描述中,涉及到“一些实施例”,其描述了所有可能实施例的子集,但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集,并且可以在不冲突的情况下相互结合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的,不是旨在限制本申请。
人工智能(Artificial Intelligence,AI),是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
机器学习(Machine Learning,ML),是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科,它专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域,机器学习(深度学习)通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
汽车是当下一种重要的交通运输工具,给人们的生活和工作带来了很大的便利。汽车生产线上,一般需要检测车辆生产过程中各类零部件的功能是否正常。例如,对于车辆雨刮来说,需要检测其水孔是否能够正常喷出水柱,如果存在异常,则需要对不良品进行整修或者问题追溯。
相关技术中,一般检查员通过目视观察对雨刮的喷水功能进行相应检查,但是,一方面部分车型设计安装了集成式雨刮后,雨刮的喷水孔数量增多且水孔变细,导致观测难度较高,另一方面,通过人工检查的检测手段存在较多不确定性(如外部遮挡因素或检测员疲劳等非可控人为因素),存在有较多误判的情况,导致检测精度较低,存在不良品流出的风险,影响客户的正常使用。
有鉴于此,本申请实施例中提供一种车辆雨刮喷水状态检测方法,获取待检测目标车辆的雨刮喷水图像;通过分割检测算法检测所述雨刮喷水图像中水柱的分布,得到初始水柱图像数据;基于直线拟合算法,从所述初始水柱图像数据中筛选得到目标水柱图像数据;提取所述目标水柱图像数据中各个目标水柱的起止点信息,判断所述各个目标水柱的起止点信息是否符合预先通过多个样本水柱聚类分析得到的起止点分布规律;统计所述起止点信息符合所述起止点分布规律的水柱个数,比较所述水柱个数是否和设计预期个数一致;若所述水柱个数和设计预期个数不一致,确定车辆的雨刮喷水状态存在异常。该方法借助人工智能等技术手段,可以实现自动检测车辆雨刮的喷水状态是否存在异常,检测准确度较高,有利于减轻检查员的工作负担。并且,使用自动智能检测***检测车辆零部件的功能,可以提高生产过程中检测的准确度以及实现可追溯管理,不仅有利于降低企业成本,而且符合智能制造的理念,是汽车行业的发展趋势。
请参照图1,图1是本申请实施例提供的一种车辆雨刮喷水状态检测方法的流程示意图,参照图1,该一种车辆雨刮喷水状态检测方法包括但不限于:
步骤110、获取待检测目标车辆的雨刮喷水图像;
本步骤中,在对车辆雨刮喷水状态进行检测时,获取待检测目标车辆的雨刮喷水图像。具体地,可以是相关工作人员将汽车驾驶到相应的检测位置,触发雨刮器工作,使其进行喷水作业,然后同步通过设置在指定位置的摄像设备采集得到雨刮喷水图像。在一些实施例中,在对车辆进行测试时,可以通过扫码器获取其车架号信息,从而对汽车的型号信息进行记录,后续得到检测结果时可以同步存储到服务器中,便于实时查询和追溯,提高信息的可用性。
步骤120、通过分割检测算法检测所述雨刮喷水图像中水柱的分布,得到初始水柱图像数据;
本步骤中,在获取得到待检测目标车辆的雨刮喷水图像后,可以将雨刮喷水图像输入到状态检测模型中。本申请实施例中,状态检测模型用于检测车辆雨刮喷水的水柱个数,从而判断其雨刮的各个出水孔能否正常出水。其内部可以集成多种人工智能算法,通过执行各个人工智能算法,输出检测到的雨刮喷水状态结果。具体地,状态检测模型的工作原理将在下文以算法逻辑的方式描述,本申请对其模型架构不作具体限定。
本申请实施例中,可以理解的是,在雨刮喷水图像中,背景主要是正常的车辆表面颜色(例如黑色),出现水柱的位置会和背景的颜色存在区别,故而雨刮喷水图像中水柱的图像内容和背景的图像内容会存在明显的分界线。本申请实施例中,在对雨刮喷水图像进行图像识别处理时,可以采用图像分割检测算法分割出各个感兴趣区域,感兴趣区域即为可能存在有水柱的图像区域,从而得到初始水柱图像数据。
具体地,在一些实施例中,采用的分割检测算法,可以是基于边缘检测的方法,即指检测包含不同区域的边缘来解决分割问题,手段是通过识别图像数据中灰度变化明显的点。在本申请实施例中,即检测背景环境图像数据和感兴趣区域的边缘,二者往往具有极为不同的灰度值特征。常用的检测边缘方法是在灰度发生变化的地方,计算这个灰度变化的导数,具体的方法可以划分为两类:基于查找的一类和基于零穿越的一类。基于查找的方法通过寻找所述待识别图像中灰度变换的一阶导数最大和最小值来检测边界,通常是将边界定位在梯度最大的方向。基于零穿越的方法通过寻找图像数据中灰度变换的二阶导数零穿越来寻找边界,通常是Laplacian过零点或者非线性差分表示的过零点。本申请实施例中对具体采用的手段不作限制。
在另一些实施例中,还可以采用目标检测结合语义分割的任务模式实现初始水柱图像数据的分割。例如,可以采用Faster RCNN等网络模型首先检测出雨刮喷水图像中目标(即水柱)所在的矩形框区域,即完成目标检测任务,然后将得到的矩形框区域进一步输入到语义分割模型中,得到各个位置的像素级别的类别信息,将这些信息整合起来,即可得到对应的初始水柱图像数据。具体地,本申请中可以采用的语义分割模型包括但不限于FCN、U-net、SegNet等,本申请对此不作限制。
步骤130、基于直线拟合算法,从所述初始水柱图像数据中筛选得到目标水柱图像数据;
本步骤中,在得到初始水柱图像数据后,可以采用直线拟合算法对初始水柱图像数据进行筛选,从中得到目标水柱图像数据。此处,可以理解的是,一般来说,有雨刮喷出的水柱一般是直线或者可以拟合为直线的。故而,本申请实施例中,采用直线拟合算法,能够去除其中轨迹明显不符合水柱的图像数据,如此,一方面能够去除掉部分干扰数据,提高检测结果的准确度,另一方面,也可以降低数据处理量,提高硬件资源的使用效率。
步骤140、提取所述目标水柱图像数据中各个目标水柱的起止点信息,判断所述各个目标水柱的起止点信息是否符合预先通过多个样本水柱聚类分析得到的起止点分布规律;
本步骤中,在得到目标水柱图像数据后,可以提取其中各个目标水柱的起止点信息,即各个目标水柱中水柱的起点和终点的位置,该位置可以由图像中像素的坐标点位置来表征。当采集雨刮喷水图像的摄像设备位置固定时,一般各个车辆的目标水柱的起止点偏离不会过大。如果出现部分目标水柱存在异常偏离的情况,很可能是由于水柱产生的倒影被误识别引起的,因此,本申请实施例中,可以事先在同样的摄像位置,采集多个样本水柱的水柱图像,对其中的真实水柱和虚假水柱进行聚类分析,得到样本水柱的起止点分布规律。在对待检测目标车辆进行检测时,可以判断各个目标水柱的起止点信息是否符合起止点分布规律,从而确定目标水柱中哪些属于真实水柱,哪些可能是虚假的倒影水柱。
步骤150、统计所述起止点信息符合所述起止点分布规律的水柱个数,比较所述水柱个数是否和设计预期个数一致;
步骤160、若所述水柱个数和设计预期个数不一致,确定车辆的雨刮喷水状态存在异常。
本申请实施例中,当确定目标水柱的起止点信息符合起止点分布规律时,说明其为真实的水柱。故而可以统计出符合起止点分布规律的水柱个数,然后将水柱个数和该待检测目标车辆对应的设计预期个数进行对比,判断两者是否一致。如果两者一致,说明该待检测目标车辆的雨刮器能够正常喷水,状态正常。反之,如果两者不一致,说明该待检测目标车辆的雨刮器不能够正常喷水,状态异常;一般状态异常的原因可能是雨刮上部分孔洞存在问题,导致无法正常喷水,故而此时可以对待检测目标车辆进行整修。
在一些实施例中,所述通过分割检测算法检测所述雨刮喷水图像中水柱的分布,得到初始水柱图像数据,包括:
确定所述雨刮喷水图像的像素均值;
根据所述像素均值,从所述雨刮喷水图像中确定多个第一目标像素点;其中,所述第一目标像素点的像素值与所述像素均值的差值的绝对值大于第一预设阈值;
在所述雨刮喷水图像中,确定多个所述第一目标像素点构成的连通区域;
从所述雨刮喷水图像中裁剪出各个所述连通区域,得到所述初始水柱图像数据。
本申请实施例中,在从雨刮喷水图像中分割初始水柱图像数据时,可以首先确定雨刮喷水图像的像素均值。如前所述的,一般来说,雨刮喷水图像中存在水柱部分的像素点的像素值将和其他背景部分的像素点的像素值存在一定差异。因此,可以基于雨刮喷水图像中与像素均值偏差较大的像素点来确定出水柱所处的区域。
具体地,本申请实施例中,可以预先设定偏差的比较阈值,计算雨刮喷水图像中各个像素点的像素值和像素均值之间的差值,将该差值和比较阈值相比较确定每个像素点的像素和像素均值之间的偏差情况。当某个像素点的像素值与像素均值的差值的绝对值大于第一预设阈值时,说明该像素点的像素值偏差较大,可以认定该像素点有较大概率处在水柱区域内。如此,可以从雨刮喷水图像中确定多个第一目标像素点,第一目标像素点所在的位置很可能为水柱所在的位置。接着,根据确定出的第一目标像素点,可以确定出这些像素点构成的连通区域。然后,根据确定出的连通区域的位置,可以从雨刮喷水图像中裁剪出各个连通区域,从而得到初始水柱图像数据。
在一些实施例中,所述起止点分布规律,通过以下方式分析得到:
获取批量样本水柱的样本起止点信息;所述样本起止点信息包括真实水柱的第一起止点信息和虚假水柱的第二起止点信息;
提取所述第一起止点信息的第一特征数据和所述第二起止点信息的第二特征数据;
根据所述第一特征数据和所述第二特征数据,对各个样本水柱进行聚类分析,得到真实水柱类别对应的第一簇心坐标和虚假水柱类别对应的第二簇心坐标;
根据所述第一簇心坐标和所述第二簇心坐标,确定起止点分布规律。
本申请实施例中,对于起止点分布规律,其可以通过聚类分析得到。具体地,可以获取批量的样本水柱对应的样本起止点信息,这些样本起止点信息包括有真实水柱的第一起止点信息和虚假水柱的第二起止点信息。此处的虚假水柱,可以是采集图像是产生的倒影等引起的水柱。然后,可以提取第一起止点信息和第二起止点信息特征数据,分别记为第一特征数据和第二特征数据。根据特征数据进行聚类分析,可以得到两个类别,即真实水柱类别和虚假水柱类别,两个类的簇心坐标不同,真实水柱类别对应第一簇心坐标,虚假水柱类别对应第二簇心坐标。此处,第一簇心坐标和第二簇心坐标的信息,即可作为起止点分布规律。
具体地,本申请实施例中,在进行聚类分析时,首先,可以选取任意样本水柱对应的特征数据作为初始簇心,建立初始聚类簇。然后,对于每个未确定聚类类别的样本水柱,将其对应的特征数据记为待聚类特征数据。根据待聚类特征数据,可以确定待聚类特征数据和初始簇心之间的相似度。可以理解的是,待聚类特征数据和初始簇心之间的相似度,可以反映两个样本水柱之间的相似度,相似度越大,说明样本水柱和该初始聚类簇对应类别越接近。因此,本申请实施例中,可以预先设定一个相似度阈值,记为第二预设阈值。如果待聚类特征数据和某个初始簇心之间的相似度大于或者等于第二预设阈值,说明待聚类特征数据对应的样本水柱和初始簇心对应的初始聚类簇中的样本水柱足够相似,因此,此时可以将待聚类特征数据对应的样本水柱添加到初始簇心对应的初始聚类簇中,并且更新一次该初始聚类簇的簇心坐标。反之,如果待聚类特征数据和所有已经建立的初始簇心之间的相似度均小于第二预设阈值,说明待聚类特征数据对应的样本水柱和各个初始簇心对应的初始聚类簇中的样本水柱都不相似,此时,需要将待聚类特征数据对应的样本水柱额外分为一类,即以待聚类特征数据作为初始簇心,额外建立新的初始聚类簇。
在一些实施例中,判断所述各个目标水柱的起止点信息是否符合起止点分布规律,包括:
提取所述目标水柱的起止点信息的第三特征数据;
根据所述第三特征数据,确定所述目标水柱对应的聚类簇类别;
若所述目标水柱对应的聚类簇类别为真实水柱类别,确定所述目标水柱的起止点信息符合起止点分布规律;
或者,若所述目标水柱对应的聚类簇类别为虚假水柱类别,确定所述目标水柱的起止点信息不符合起止点分布规律。
本申请实施例中,在判断目标水柱的起止点信息是否符合起止点分布规律时,可以对其进行聚类分析。具体地,即提取其对应的第三特征数据,按照前述的流程对其进行聚类,确定目标水柱对应的聚类簇类别。如果目标水柱对应的聚类簇类别为真实水柱类别,说明目标水柱的起止点信息符合起止点分布规律;反之,如果目标水柱对应的聚类簇类别为虚假水柱类别,说明目标水柱的起止点信息不符合起止点分布规律。
在一些实施例中,本申请从初始水柱图像数据中筛选得到目标水柱图像数据的步骤之后,还可以通过NMS算法筛除重叠分叉的水柱图像数据,并通过离群点筛除算法筛除面积小于第三预设阈值的水柱图像数据以及点状的水柱图像数据,从而提高目标水柱图像数据的准确度。
在一些实施例中,所述设计预期个数通过以下步骤获取:
扫描所述待检测目标车辆的车架号信息;
根据所述车架号信息,获取所述待检测目标车辆的喷水孔的设计预期个数。
本申请实施例中,待检测目标车辆对应的设计预期个数,可以是雨刮上喷水孔的个数。具体地,该个数可能和每个车辆的车型相关,因此,其可以通过扫描待检测目标车辆的车架号信息获取得到,本申请对其具体的数值大小不作限定。
本申请实施例还提供一种车辆雨刮喷水状态检测装置,所述装置包括:
获取单元,用于获取待检测目标车辆的雨刮喷水图像;
分割单元,用于通过分割检测算法检测所述雨刮喷水图像中水柱的分布,得到初始水柱图像数据;
拟合单元,用于基于直线拟合算法,从所述初始水柱图像数据中筛选得到目标水柱图像数据;
提取单元,用于提取所述目标水柱图像数据中各个目标水柱的起止点信息,判断所述各个目标水柱的起止点信息是否符合预先通过多个样本水柱聚类分析得到的起止点分布规律;
比较单元,用于统计所述起止点信息符合所述起止点分布规律的水柱个数,比较所述水柱个数是否和设计预期个数一致;
处理单元,用于若所述水柱个数和设计预期个数不一致,确定车辆的雨刮喷水状态存在异常。
可以理解的是,图1所示的一种车辆雨刮喷水状态检测方法实施例中的内容均适用于本车辆雨刮喷水状态检测装置实施例中,本车辆雨刮喷水状态检测装置实施例所具体实现的功能与图1所示的一种车辆雨刮喷水状态检测方法实施例相同,并且达到的有益效果与图1所示的一种车辆雨刮喷水状态检测方法实施例所达到的有益效果也相同。
参照图2,本申请实施例还公开了一种计算机设备,包括:
至少一个处理器201;
至少一个存储器202,用于存储至少一个程序;
当至少一个程序被至少一个处理器201执行,使得至少一个处理器201实现如图1所示的一种车辆雨刮喷水状态检测方法实施例。
可以理解的是,如图1所示的一种车辆雨刮喷水状态检测方法实施例中的内容均适用于本计算机设备实施例中,本计算机设备实施例所具体实现的功能与如图1所示的一种车辆雨刮喷水状态检测方法实施例相同,并且达到的有益效果与如图1所示的一种车辆雨刮喷水状态检测方法实施例所达到的有益效果也相同。
本申请实施例还公开了一种计算机可读存储介质,其中存储有处理器可执行的程序,处理器可执行的程序在由处理器执行时用于实现如图1所示的一种车辆雨刮喷水状态检测方法实施例。
可以理解的是,如图1所示的一种车辆雨刮喷水状态检测方法实施例中的内容均适用于本计算机可读存储介质实施例中,本计算机可读存储介质实施例所具体实现的功能与如图1所示的一种车辆雨刮喷水状态检测方法实施例相同,并且达到的有益效果与如图1所示的一种车辆雨刮喷水状态检测方法实施例所达到的有益效果也相同。
在一些可选择的实施例中,在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如,取决于所涉及的功能/操作,连续示出的两个方框实际上可以被大体上同时地执行或方框有时能以相反顺序被执行。此外,在本申请的流程图中所呈现和描述的实施例以示例的方式被提供,目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的,其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外,虽然在功能性模块的背景下描述了本申请,但应当理解的是,除非另有相反说明,功能和/或特征中的一个或多个可以被集成在单个物理***和/或软件模块中,或者一个或多个功能和/或特征可以在单独的物理***或软件模块中被实现。还可以理解的是,有关每个模块的实际实现的详细讨论对于理解本申请是不必要的。更确切地说,考虑到在本文中公开的***中各种功能模块的属性、功能和内部关系的情况下,在工程师的常规技术内将会了解该模块的实际实现。因此,本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本申请。还可以理解的是,所公开的特定概念仅仅是说明性的,并不意在限制本申请的范围,本申请的范围由所附权利要求书及其等同方案的全部范围来决定。
功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行***、***或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、***或设备取指令并执行指令的***)使用,或结合这些指令执行***、***或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、***或设备或结合这些指令执行***、***或设备而使用的***。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子***),便携式计算机盘盒(磁***),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤***,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的上述描述中,参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施方式或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
尽管已经示出和描述了本申请的实施方式,本领域的普通技术人员可以理解:在不脱离本申请的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型,本申请的范围由权利要求及其等同物限定。
以上是对本申请的较佳实施进行了具体说明,但本申请并不限于实施例,熟悉本领域的技术人员在不违背本申请精神的前提下可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内
在本说明书的描述中,参考术语“一个实施方式”、“另一实施方式”或“某些实施方式”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施方式或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
尽管已经示出和描述了本申请的实施方式,本领域的普通技术人员可以理解:在不脱离本申请的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型,本申请的范围由权利要求及其等同物限定。
Claims (10)
1.一种车辆雨刮喷水状态检测方法,其特征在于,所述方法包括:
获取待检测目标车辆的雨刮喷水图像;
通过分割检测算法检测所述雨刮喷水图像中水柱的分布,得到初始水柱图像数据;
基于直线拟合算法,从所述初始水柱图像数据中筛选得到目标水柱图像数据;
提取所述目标水柱图像数据中各个目标水柱的起止点信息,判断所述各个目标水柱的起止点信息是否符合预先通过多个样本水柱聚类分析得到的起止点分布规律;
统计所述起止点信息符合所述起止点分布规律的水柱个数,比较所述水柱个数是否和设计预期个数一致;
若所述水柱个数和设计预期个数不一致,确定车辆的雨刮喷水状态存在异常。
2.根据权利要求1所述的一种车辆雨刮喷水状态检测方法,其特征在于,所述通过分割检测算法检测所述雨刮喷水图像中水柱的分布,得到初始水柱图像数据,包括:
确定所述雨刮喷水图像的像素均值;
根据所述像素均值,从所述雨刮喷水图像中确定多个第一目标像素点;其中,所述第一目标像素点的像素值与所述像素均值的差值的绝对值大于第一预设阈值;
在所述雨刮喷水图像中,确定多个所述第一目标像素点构成的连通区域;
从所述雨刮喷水图像中裁剪出各个所述连通区域,得到所述初始水柱图像数据。
3.根据权利要求1所述的一种车辆雨刮喷水状态检测方法,其特征在于,所述起止点分布规律,通过以下方式分析得到:
获取批量样本水柱的样本起止点信息;所述样本起止点信息包括真实水柱的第一起止点信息和虚假水柱的第二起止点信息;
提取所述第一起止点信息的第一特征数据和所述第二起止点信息的第二特征数据;
根据所述第一特征数据和所述第二特征数据,对各个样本水柱进行聚类分析,得到真实水柱类别对应的第一簇心坐标和虚假水柱类别对应的第二簇心坐标;
根据所述第一簇心坐标和所述第二簇心坐标,确定起止点分布规律。
4.根据权利要求3所述的一种车辆雨刮喷水状态检测方法,其特征在于,所述根据所述第一特征数据和所述第二特征数据,对各个样本水柱进行聚类分析:
选取任意样本水柱对应的特征数据作为初始簇心,建立初始聚类簇;
计算各个待聚类特征数据和所述初始簇心之间的相似度;所述待聚类特征数据为未加入聚类簇的样本水柱对应的特征数据;
当所述待聚类特征数据和所述初始簇心之间的相似度小于或者等于第二预设阈值,将所述待聚类特征数据对应的样本水柱添加到所述初始簇心对应的初始聚类簇中,并更新所述初始聚类簇的簇心坐标;
或者,当所述待聚类特征数据和任意所述初始簇心之间的相似度均大于所述第二预设阈值,以所述待聚类特征数据作为初始簇心,额外建立新的初始聚类簇。
5.根据权利要求4所述的一种车辆雨刮喷水状态检测方法,其特征在于,判断所述各个目标水柱的起止点信息是否符合起止点分布规律,包括:
提取所述目标水柱的起止点信息的第三特征数据;
根据所述第三特征数据,确定所述目标水柱对应的聚类簇类别;
若所述目标水柱对应的聚类簇类别为真实水柱类别,确定所述目标水柱的起止点信息符合起止点分布规律;
或者,若所述目标水柱对应的聚类簇类别为虚假水柱类别,确定所述目标水柱的起止点信息不符合起止点分布规律。
6.根据权利要求1所述的一种车辆雨刮喷水状态检测方法,其特征在于,所述从所述初始水柱图像数据中筛选得到目标水柱图像数据的步骤之后,所述方法还包括:
通过NMS算法筛除重叠分叉的水柱图像数据,并通过离群点筛除算法筛除面积小于第三预设阈值的水柱图像数据以及点状的水柱图像数据。
7.根据权利要求1-6中任一项所述的一种车辆雨刮喷水状态检测方法,其特征在于,所述设计预期个数通过以下步骤获取:
扫描所述待检测目标车辆的车架号信息;
根据所述车架号信息,获取所述待检测目标车辆的喷水孔的设计预期个数。
8.一种车辆雨刮喷水状态检测装置,其特征在于,所述装置包括:
获取单元,用于获取待检测目标车辆的雨刮喷水图像;
分割单元,用于通过分割检测算法检测所述雨刮喷水图像中水柱的分布,得到初始水柱图像数据;
拟合单元,用于基于直线拟合算法,从所述初始水柱图像数据中筛选得到目标水柱图像数据;
提取单元,用于提取所述目标水柱图像数据中各个目标水柱的起止点信息,判断所述各个目标水柱的起止点信息是否符合预先通过多个样本水柱聚类分析得到的起止点分布规律;
比较单元,用于统计所述起止点信息符合所述起止点分布规律的水柱个数,比较所述水柱个数是否和设计预期个数一致;
处理单元,用于若所述水柱个数和设计预期个数不一致,确定车辆的雨刮喷水状态存在异常。
9.一种计算机设备,其特征在于,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如权利要求1-7中任一项所述的一种车辆雨刮喷水状态检测方法。
10.一种计算机可读存储介质,其中存储有处理器可执行的程序,其特征在于:所述处理器可执行的程序在由处理器执行时用于实现如权利要求1-7中任一项所述的一种车辆雨刮喷水状态检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211565376.8A CN115908359A (zh) | 2022-12-07 | 2022-12-07 | 车辆雨刮喷水状态检测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211565376.8A CN115908359A (zh) | 2022-12-07 | 2022-12-07 | 车辆雨刮喷水状态检测方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115908359A true CN115908359A (zh) | 2023-04-04 |
Family
ID=86478787
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211565376.8A Pending CN115908359A (zh) | 2022-12-07 | 2022-12-07 | 车辆雨刮喷水状态检测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115908359A (zh) |
-
2022
- 2022-12-07 CN CN202211565376.8A patent/CN115908359A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109118482B (zh) | 一种面板缺陷分析方法、装置及存储介质 | |
CN116188475B (zh) | 一种外观缺陷自动光学检测的智慧控制方法、***及介质 | |
CN113269042B (zh) | 基于行驶车辆违章识别的智能交通管理方法及*** | |
CN113192037B (zh) | 一种皮带机监测方法、***、介质及电子终端 | |
CN115482465A (zh) | 基于机器视觉的农作物病虫害预测方法、***及存储介质 | |
CN115131283A (zh) | 目标对象的缺陷检测、模型训练方法、装置、设备及介质 | |
CN113449703B (zh) | 环境在线监测数据的质控方法、装置、存储介质及设备 | |
CN113657461A (zh) | 基于文本分类的日志异常检测方法、***、设备及介质 | |
CN113240623A (zh) | 一种路面病害检测方法及装置 | |
CN117392042A (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
Chen et al. | The machined surface defect detection of improved superpixel segmentation and two-level region aggregation based on machine vision | |
CN117114420B (zh) | 一种基于图像识别的工贸安全事故风险管控***和方法 | |
CN115984158A (zh) | 缺陷分析方法、装置、电子设备及计算机可读存储介质 | |
CN113343880A (zh) | 一种车辆遮挡号牌的识别方法、装置、设备及介质 | |
CN115512098B (zh) | 一种桥梁电子化巡检***及巡检方法 | |
CN115908359A (zh) | 车辆雨刮喷水状态检测方法、装置、设备及介质 | |
CN115995023A (zh) | 瑕疵检测方法、装置、电子设备、计算机可读存储介质及产品检测方法 | |
CN115984759A (zh) | 变电站开关状态识别方法、装置、计算机设备和存储介质 | |
KR20230068445A (ko) | 인공지능 기반 홀 이미지의 자동 품질 검사 장치및 방법 | |
CN110728310A (zh) | 一种基于超参数优化的目标检测模型融合方法及融合*** | |
CN117911796B (zh) | 一种基于图像识别的智能化数据处理***及方法 | |
CN111126261B (zh) | 视频数据分析方法及装置、树莓派装置及可读存储介质 | |
CN115512187A (zh) | 自动驾驶样本集的数据筛选方法和装置 | |
CN116485748A (zh) | 孔槽识别检测方法、***、设备及介质 | |
Park et al. | 76‐5: Late‐News Paper: Enhanced Productivity Performance through Detecting Defects on Surface of AMOLED Display |
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 |