CN116468931A - 车辆部件检测方法、装置、终端及存储介质 - Google Patents
车辆部件检测方法、装置、终端及存储介质 Download PDFInfo
- Publication number
- CN116468931A CN116468931A CN202310284512.4A CN202310284512A CN116468931A CN 116468931 A CN116468931 A CN 116468931A CN 202310284512 A CN202310284512 A CN 202310284512A CN 116468931 A CN116468931 A CN 116468931A
- Authority
- CN
- China
- Prior art keywords
- component
- vehicle
- target
- confidence score
- category
- 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 172
- 238000010586 diagram Methods 0.000 claims abstract description 73
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 22
- 238000012216 screening Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 21
- 238000012937 correction Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 230000001105 regulatory effect Effects 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 230000001276 controlling effect Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 9
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 description 8
- 230000007246 mechanism Effects 0.000 description 6
- 238000012954 risk control Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 239000011521 glass Substances 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 229930091051 Arenine Natural products 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- -1 bottom edge (right) Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000005357 flat glass Substances 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000011835 investigation Methods 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
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/776—Validation; Performance evaluation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种车辆部件检测方法、装置、终端及存储介质。该方法包括:获取车辆的待检测车辆部件图;基于预设方位场景匹配网络对待检测车辆部件图进行场景检测,获得待检测车辆部件图对应的车辆方位场景;基于预设车辆部件检测模型对待检测车辆部件图进行部件检测,获得待检测车辆部件图对应的初始部件类别检测结果;根据车辆方位场景对初始部件类别检测结果进行修正,获得待检测车辆部件图对应的最终部件类别检测结果。本发明能够解决车辆多部件检测时,相似特征的左右类别、前后类别检测出错或漏检误检的问题,从而提升车辆部件检测的精确度和效果,从而有助于提升基于车辆部件检测的汽车业务的智能化和市场化程度。
Description
技术领域
本发明涉及智能交通技术领域,尤其涉及一种车辆部件检测方法、装置、终端及存储介质。
背景技术
随着当今社会车辆的逐渐增多,车辆部件检测成为各类汽车业务中重要的一环。例如,在汽车保险理赔业务中,车辆碰撞事故发生后,一般需要经过报警、责任认定、保险公司人员到场勘察并拍照等一系列流程以进行保险理赔。其中,无论是对于保险公司的定损员亲自到现场拍摄图片的风险控制环境下获取的车辆图片,还是为了缓解城市交通压力,用户基于智能定损***获取的车辆图片,都需要识别车辆部件,从而为判断车辆的损毁状况、进行车辆保险理赔提供重要依据。
车辆部件检测是各类汽车业务的基础,能否在图像中迅速识别分割车辆各部件决定了各类汽车业务的相关应用的智能化程度和市场应用率。目前在车辆部件检测的应用上普遍存在数据标注不准确、适用性较差、精确度不高、鲁棒性较差等问题,而一个相对完善的车辆部件检测分割方法应该可以适应错综复杂的场景,如夜间取景可见度低、取景的位置变化引起车辆部件视觉形变、拍摄时设备晃动导致图片模糊等识别难度较大的情况。而深度学习方法一经提出便受到国内外研究学者的广泛关注,并且使用深度学习方法去对金具数据集进行定位和检测具有超参数对结果影响更小、特征提取能力和抗干扰能力更强的优点。
然而,目前基于深度学习的车辆部件检测方法,均是较为简单的应用目标检测模型和实例分割模型,当车辆损伤和部件类别较少时能取得较为良好的检测效果,但当部件和损伤类别增加,而且不同类别间特征极度相似时,容易检测出错或出现漏检误检等问题,检测精确度不够,不能很好的完成车辆部件检测的任务。
发明内容
本发明实施例提供了一种车辆部件检测方法、装置、终端及存储介质,以解决目前的车辆部件检测方法,容易检测出错或出现漏检误检,检测精确度不够,不能很好的完成车辆部件检测的任务的问题。
第一方面,本发明实施例提供了一种车辆部件检测方法,包括:
获取车辆的待检测车辆部件图;
基于预设方位场景匹配网络对所述待检测车辆部件图进行场景检测,获得所述待检测车辆部件图对应的车辆方位场景;
基于预设车辆部件检测模型对所述待检测车辆部件图进行部件检测,获得所述待检测车辆部件图对应的初始部件类别检测结果;
根据所述车辆方位场景对所述初始部件类别检测结果进行修正,获得所述待检测车辆部件图对应的最终部件类别检测结果。
在一种可能的实现方式中,所述初始部件类别检测结果包括初始部件类别和初始部件置信度分数,所述最终部件类别检测结果包括最终部件类别和最终部件置信度分数;
所述根据所述车辆方位场景对所述初始部件类别检测结果进行修正,获得所述待检测车辆部件图对应的最终部件类别检测结果,包括:
根据所述车辆方位场景对应的标准部件类别,对所述初始部件类别中与所述标准部件类别不匹配的目标部件类别进行转换,获得转换后的修正部件类别;
将所述目标部件类别对应的初始部件置信度分数记为目标初始部件置信度分数,根据低维置信度阈值和高维置信度阈值对所述目标初始部件置信度分数进行分级筛选,基于筛选结果和所述修正部件类别,获得所述目标部件类别的最终部件类别和最终部件置信度分数。
在一种可能的实现方式中,所述根据低维置信度阈值和高维置信度阈值对所述目标初始部件置信度分数进行分级筛选,基于筛选结果和所述修正部件类别,获得所述目标部件类别的最终部件类别和最终部件置信度分数,包括:
判断所述目标初始部件置信度分数是否大于或等于所述低维置信度阈值;
若所述目标初始部件置信度分数大于或等于所述低维置信度阈值,根据预设置信度调控参数对所述目标初始部件置信度分数进行调控,获得所述目标部件类别对应的修正部件置信度分数;
判断所述修正部件置信度分数是否大于或等于所述高维置信度阈值;
若所述修正部件置信度分数大于或等于所述高维置信度阈值,根据所述修正部件置信度分数以及所述修正部件置信度分数对应的修正部件类别获得所述目标部件类别的最终部件置信度分数和最终部件类别。
在一种可能的实现方式中,在判断所述目标初始部件置信度分数是否大于或等于所述低维置信度阈值之后,还包括:
若所述目标初始部件置信度分数小于所述低维置信度阈值,则剔除所述目标部件类别、所述目标初始部件置信度分数和所述目标部件类别对应的修正部件类别;
或者,在判断所述修正部件置信度分数是否大于或等于所述高维置信度阈值之后,还包括:
若所述修正部件置信度分数小于所述高维置信度阈值,则剔除所述目标部件类别、所述目标初始部件置信度分数、所述目标部件类别对应的修正部件类别和修正部件置信度分数。
在一种可能的实现方式中,所述根据预设置信度调控参数对所述目标初始部件置信度分数进行调控,获得所述目标部件类别对应的修正部件置信度分数,包括:
根据Scoresscene=[(Scores+conf)|Labelsscene],Scores≥α,获得所述目标部件类别对应的修正部件置信度分数;
其中,Scoresscene为所述目标部件类别对应的修正部件置信度分数,Scores为所述目标初始部件置信度分数,conf为所述预设置信度调控参数,取值范围在[0.1,0.5],Labelsscene为所述目标部件类别转换后的修正部件类别,α为所述低维置信度阈值,取值范围在[0,0.1],[A|B]表示A事件发生是在B事件的前提下,其中,A事件的结果为目标输出。
在一种可能的实现方式中,所述根据所述修正部件置信度分数以及所述修正部件置信度分数对应的修正部件类别获得所述目标部件类别的最终部件置信度分数和最终部件类别,包括:
根据获得所述目标部件类别的最终部件置信度分数和最终部件类别;
其中,Scoresfinal为所述目标部件类别的最终部件置信度分数,Scoresscene为所述目标部件类别对应的修正部件置信度分数,score_thr为所述高维置信度阈值,Labelsfinal为所述目标部件类别的最终部件类别,Labelsscene为所述修正部件置信度分数对应的目标部件类别转换后的修正部件类别,[A|B]表示A事件发生是在B事件的前提下,其中,A事件的结果为目标输出。
在一种可能的实现方式中,所述预设方位场景匹配网络的训练过程包括:
获取车辆方位场景图构成的训练集,所述车辆方位场景图为从车辆的某一方位拍摄的车辆图;
根据所述训练集中的每张车辆方位场景图和所述车辆方位场景图对应的车辆方位场景标签,对初始方位场景匹配网络进行训练,获得预设方位场景匹配网络。
第二方面,本发明实施例提供了一种车辆部件检测装置,包括:
输入模块,用于获取车辆的待检测车辆部件图;
第一处理模块,用于基于预设方位场景匹配网络对所述待检测车辆部件图进行场景检测,获得所述待检测车辆部件图对应的车辆方位场景;
第二处理模块,用于基于预设车辆部件检测模型对所述待检测车辆部件图进行部件检测,获得所述待检测车辆部件图对应的初始部件类别检测结果;
第三处理模块,用于根据所述车辆方位场景对所述初始部件类别检测结果进行修正,获得所述待检测车辆部件图对应的最终部件类别检测结果。
第三方面,本发明实施例提供了一种终端,包括存储器和处理器,所述存储器用于存储计算机程序,所述处理器用于调用并运行所述存储器中存储的计算机程序,执行如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
本发明实施例提供一种车辆部件检测方法、装置、终端及存储介质,通过获取车辆的待检测车辆部件图;并先基于预设方位场景匹配网络对待检测车辆部件图进行场景检测,获得待检测车辆部件图对应的车辆方位场景;再基于预设车辆部件检测模型对待检测车辆部件图进行部件检测,获得待检测车辆部件图对应的初始部件类别检测结果;最后根据车辆方位场景对初始部件类别检测结果进行修正,获得待检测车辆部件图对应的最终部件类别检测结果。由于本实施例引入了车辆方位场景的概念,因此可以先基于预设方位场景匹配网络,获得待检测车辆部件图的准确方位场景,在此基础上,根据待检测车辆部件图的准确方位场景对待检测车辆部件图对应的初始部件类别检测结果进行修正,可以解决车辆多部件检测时,相似特征的左右类别、前后类别检测出错或漏检误检的问题,从而更好的完成车辆部件检测的任务,提升车辆部件检测的精确度和效果,从而有助于提升基于车辆部件检测的智能定损、风险控制等汽车业务的智能化和市场化程度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的车辆部件检测方法的实现流程图;
图2是本发明实施例提供的车辆部件的8+1方位场景示意图;
图3是本发明实施例提供的车辆部件检测方法的总体网络架构图;
图4是本发明实施例提供的对目标部件类别进行转换的示意图;
图5是本发明实施例提供的初始部件类别检测结果示意图;
图6是本发明实施例提供的最终部件类别检测结果示意图;
图7是本发明实施例提供的车辆部件检测装置的结构示意图;
图8是本发明实施例提供的终端的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图通过具体实施例来进行说明。
参见图1,其示出了本发明实施例提供的车辆部件检测方法的实现流程图,详述如下:
在步骤101中,获取车辆的待检测车辆部件图。
其中,待检测车辆部件图,可以是风险控制环境下定损员获取的车辆图片,也可以是智能定损时用户上传的车辆图片,还可以是其他汽车业务过程中获取的车辆图片,例如汽车租赁时取车还车时获取的车辆图片等。本实施例不对待检测车辆部件图的获取方式进行限定,只要是需要进行车辆部件检测的场景均可以应用本实施例提供的车辆部件检测方法。
在步骤102中,基于预设方位场景匹配网络对待检测车辆部件图进行场景检测,获得待检测车辆部件图对应的车辆方位场景。
本实施例中,预设方位场景匹配网络为可以对待检测车辆部件图是相对于车辆的哪种方位场景获取的车辆图片进行区分的网络。由于在相对于车辆的不同方位场景拍摄车辆图片时,拍摄的车辆图片所包含的车辆部件不同。例如,在车辆的正右侧或右前方等方位场景下拍摄车辆图片时,拍摄的车辆图片更可能包含倒车镜(右)、前门(右)等,而在车辆的正左侧或左前方等方位场景下拍摄车辆图片时,拍摄的车辆图片更可能包含倒车镜(左)、前门(左)。因此,定义车辆部件的方位场景化规则,以基于预设方位场景匹配网络对待检测车辆部件图进行场景检测,获得待检测车辆部件图对应的车辆方位场景,有助于在车辆部件检测时,对相似特征的左右类别、前后类别等进行精确检测。
示例性的,如图2所示,可以定义车辆部件的8+1方位场景。其中,场景1~场景8(即Scene1~Scene8)即相对于车辆的正前方、右前方、正右方、右后方、正后方、左后方、正左方、左前方的方位场景,剩下的一类为背景。定义车辆部件的8+1方位场景,确定每种方位场景下所对应的标准的车辆部件集合,从而有助于提高后续车辆部件检测的精确度和效果。
其中,定义车辆部件的8+1方位场景,有助于快速准确的获得待检测车辆部件图对应的车辆方位场景。在此基础上,为了提高场景检测速度或准确性,还可以定义更少或更多的方位场景。
可选的,预设方位场景匹配网络的训练过程可以包括:
获取车辆方位场景图构成的训练集,车辆方位场景图为从车辆的某一方位拍摄的车辆图。
根据训练集中的每张车辆方位场景图和车辆方位场景图对应的车辆方位场景标签,对初始方位场景匹配网络进行训练,获得预设方位场景匹配网络。
示例性的,可以选取59类车辆部件作为实验对象,参考COCO数据集的构建方法,构建训练预设方位场景匹配网络所需的车辆部件小数据集Part_data1。其中,可以设置Part_data1数据集中训练集与测试集的样本图像分别为39058和4335张,数量比例为9:1,包含车辆方位场景8类和一类为背景,共九类。其中,车辆方位场景图与车辆部件图类似,但并不是相互包含关系,其中有一部分是交叉的,但是大部分是相互独立的。可以选取远景、中景的视角拍摄得到的车辆图片作为车辆方位场景图,也可以选取近景的视角拍摄得到的车辆图片作为车辆方位场景图。
其中,可以选取类似深度残差网络Resnet101的网络作为初始方位场景匹配网络,最终训练得到的预设方位场景匹配网络的场景检测精度为84.4%。训练过程中可以设置参数:学习率lr为0.0001,batch size为16,epoch设置为10。通过本实施例训练得到的预设方位场景匹配网络能较好得识别车辆对应的方位场景,为基于车辆方位场景的车辆部件检测提供了一定的基础。
在步骤103中,基于预设车辆部件检测模型对待检测车辆部件图进行部件检测,获得待检测车辆部件图对应的初始部件类别检测结果。
其中,预设车辆部件检测模型的训练过程与预设方位场景匹配网络的训练过程类似。示例性的,可以选取59类车辆部件作为实验对象,参考COCO数据集的构建方法,构建训练预设车辆部件检测模型所需的车辆部件大数据集Part_data2。其中,可以设置Part_data2数据集中训练集与测试集的样本图像分别为45503和11376张,数量比例为3:1,分别包含287331个和71712个类别物体,一共59个类别。其中,Part_data2数据集中的车辆部件图一般是由风险控制场景下的定损员拍摄得到的,涉及远景、中景、近景等三个视角,因此Part_data2数据集更为庞大。
示例性的,可以利用Maskrcnn模型作为初始车辆部件检测模型进行训练。模型训练过程中,可以采用NVIDIA 1080Ti专业加速卡进行训练与测试,采用Ubuntu16.04.6LTS操作***,利用CUDA11.1加速训练。使用的计算机语言可以为Python3.8,网络开发框架可以为Pytorch。在训练阶段,可以将batchsize设为1,并使用随机梯度下降(SGD)算法,初始学习率可以设为0.001,每经过9个epoch,学习率可以下降为原来的10%,最多迭代训练30个epoch。并通过使用GPUs,将该方法很容易的拓展到分布式***中。
在步骤104中,根据车辆方位场景对初始部件类别检测结果进行修正,获得待检测车辆部件图对应的最终部件类别检测结果。
本实施例中,利用步骤103中的预设车辆部件检测模型进行部件检测能取得一定的检测效果,但由于车辆部件类别较多,存在例如59个部件类别,且其中包括了前后类别和左右类别的区分,如‘倒车镜(右)’(Outer_mirror(right))、‘倒车镜(左)’(Outer_mirror(left))、‘后门玻璃(右)’(Rear_door_glass(right))、‘前门玻璃(右)’(Front_door_glass(right))等类别间特征极度相似,很容易导致误判的类别。需要说明的是:训练以及检测时使用各个类别的英文名称。
而深度学习框架难以解决不同类别间的特征相似导致的误判问题,因此本实施例提供的车辆部件检测方法,使用一个多功能的模块:场景理解模块。如图3所示,首先将待检测车辆部件图输入类似Resnet101的预设方位场景匹配网络进行特征提取,经过全连接层之后进行场景检测;同时将待检测车辆部件图经过Backbone和FPN进行特征提取,然后使用区域建议网络RPN(Region Proposal Network,RPN)和感兴趣区域池化单元(Region ofInterest Pooling,RoI Pooling)得到基础特征图(Base Feature),将基础特征图导入到一系列全连接层生成部件类别(Labels)、部件置信度分数(Scores)、目标框定位以及Mask掩码,作为待检测车辆部件图对应的初始部件类别检测结果。最后通过场景理解模块将场景检测得到的车辆方位场景与部件检测得到的部件类别、部件置信度分数、目标框定位以及Mask掩码进行融合处理,以根据车辆方位场景对初始部件类别检测结果进行修正,从而获得能够提高车辆部件的检测效果的最终部件类别检测结果。
可选的,初始部件类别检测结果包括初始部件类别和初始部件置信度分数,最终部件类别检测结果包括最终部件类别和最终部件置信度分数。
根据车辆方位场景对初始部件类别检测结果进行修正,获得待检测车辆部件图对应的最终部件类别检测结果,可以包括:
根据车辆方位场景对应的标准部件类别,对初始部件类别中与标准部件类别不匹配的目标部件类别进行转换,获得转换后的修正部件类别。
将目标部件类别对应的初始部件置信度分数记为目标初始部件置信度分数,根据低维置信度阈值和高维置信度阈值对目标初始部件置信度分数进行分级筛选,基于筛选结果和修正部件类别,获得目标部件类别的最终部件类别和最终部件置信度分数。
本实施例中,场景理解模块将预设车辆部件检测模型检测得到的与车辆方位场景对应的标准部件类别不匹配的Labels进行场景驱动下的部件置换(也即对初始部件类别中与标准部件类别不匹配的目标部件类别进行转换),如下式所示:
Labelsscene=scene[Labels];
式中,scene[.]表示车辆方位场景的引入。示例性的,进行场景2(Scene2)下的部件置换如图4所示。为了提高转换后的修正部件类别的准确性,再根据低维置信度阈值和高维置信度阈值对进行部件置换的目标部件类别对应的初始部件置信度分数进行分级筛选,以确定目标部件类别的最终部件类别和最终部件置信度分数。
可选的,根据低维置信度阈值和高维置信度阈值对目标初始部件置信度分数进行分级筛选,基于筛选结果和修正部件类别,获得目标部件类别的最终部件类别和最终部件置信度分数,可以包括:
判断目标初始部件置信度分数是否大于或等于低维置信度阈值。
若目标初始部件置信度分数大于或等于低维置信度阈值,根据预设置信度调控参数对目标初始部件置信度分数进行调控,获得目标部件类别对应的修正部件置信度分数。
判断修正部件置信度分数是否大于或等于高维置信度阈值。
若修正部件置信度分数大于或等于高维置信度阈值,根据修正部件置信度分数以及修正部件置信度分数对应的修正部件类别获得目标部件类别的最终部件置信度分数和最终部件类别。
可选的,根据预设置信度调控参数对目标初始部件置信度分数进行调控,获得目标部件类别对应的修正部件置信度分数,可以包括:
根据Scoresscene=[(Scores+conf)|Labelsscene],Scores≥α,获得目标部件类别对应的修正部件置信度分数。
其中,Scoresscene为目标部件类别对应的修正部件置信度分数,Scores为目标初始部件置信度分数,conf为预设置信度调控参数,取值范围在[0.1,0.5],Labelsscene为目标部件类别转换后的修正部件类别,α为低维置信度阈值,取值范围在[0,0.1],[A|B]表示A事件发生是在B事件的前提下,其中,A事件的结果为目标输出。
可选的,根据修正部件置信度分数以及修正部件置信度分数对应的修正部件类别获得目标部件类别的最终部件置信度分数和最终部件类别,包括:
根据获得目标部件类别的最终部件置信度分数和最终部件类别。
其中,Scoresfinal为目标部件类别的最终部件置信度分数,Scoresscene为目标部件类别对应的修正部件置信度分数,score_thr为高维置信度阈值,Labelsfinal为目标部件类别的最终部件类别,Labelsscene为修正部件置信度分数对应的目标部件类别转换后的修正部件类别,[A|B]表示A事件发生是在B事件的前提下,其中,A事件的结果为目标输出。
本实施例中,场景理解模块将预设车辆部件检测模型检测得到的与车辆方位场景对应的标准部件类别不匹配的Labels对应的Scores进行置信度调控。首先,基于低维置信度阈值α(也即分级筛选目标机制的第一级低维参数),根据Scoresscene=[(Scores+conf)|Labelsscene],Scores≥α进行分级筛选目标机制中的第一级低维筛选,筛选出大于或等于低维置信度阈值α的目标初始部件置信度分数Scores,并利用预设置信度调控参数conf对目标初始部件置信度分数进行调控。其中,预设置信度调控参数conf可以根据要调控的目标初始部件置信度分数进行自适应调节,当目标初始部件置信度分数越低时,预设置信度调控参数可以适当增加,以实现平衡置信度分数调控的目的。
在此基础上,经过第一级低维筛选后,还需进行第二级高维筛选,具体可以根据Scoresfinal=Scoresscene,Scoresscene≥score_thr进行分级筛选目标机制中的第二级高维筛选,筛选出大于或等于高维置信度阈值score_thr的修正部件置信度分数Scoresscene。在修正部件置信度分数Scoresscene大于或等于高维置信度阈值score_thr的情况下,再将修正部件置信度分数Scoresscene作为最终部件置信度分数,将修正部件置信度分数Scoresscene对应的目标部件类别转换后的修正部件类别Labelsscene作为最终部件类别。
在此基础上,场景理解模块可以基于对初始部件类别和初始部件置信度分数的修正,同时修正初始部件类别检测结果中的目标框定位以及对应目标框的Mask掩码。
可选的,在判断目标初始部件置信度分数是否大于或等于低维置信度阈值之后,还可以包括:
若目标初始部件置信度分数小于低维置信度阈值,则剔除目标部件类别、目标初始部件置信度分数和目标部件类别对应的修正部件类别。
或者,在判断修正部件置信度分数是否大于或等于高维置信度阈值之后,还可以包括:
若修正部件置信度分数小于高维置信度阈值,则剔除目标部件类别、目标初始部件置信度分数、目标部件类别对应的修正部件类别和修正部件置信度分数。
本实施例中,对于目标初始部件置信度分数小于低维置信度阈值的情况,或者对于修正部件置信度分数小于高维置信度阈值的情况进行剔除,以提高部件检测的准确度。
结合图5和图6所示,由于本实施例的场景理解模块将车辆方位场景与初始部件类别检测结果进行融合,使得多类别间的特征相似导致的左右类别和前后类别的误判问题得到缓解,同时场景理解模块中的置信度调控和分级筛选目标机制可以使原本较低置信度的部件类别的置信度适当增高,从而高过置信度阈值而被检测处理,从而使得漏判问题也得到相应的缓解。例如,对于漏检问题,在图5中被漏检的Front_window_glass、Bottom_edge(right)、Fog_lamp(right),在图6中均被检测出来。对于误检问题,Outer_mirror(left)被修正为Outer_mirror(right),Car_left_door被修正为Car_right_door,Front_fender(left)被修正为Front_fender(right),Head_lamp(left)被修正为Head_lamp(right)。由此看出,本实施例提供的车辆部件检测方法,对于车辆多部件检测问题能取得不错的检测效果,漏判和误判问题得以一定程度得解决。
本发明实施例通过获取车辆的待检测车辆部件图;并先基于预设方位场景匹配网络对待检测车辆部件图进行场景检测,获得待检测车辆部件图对应的车辆方位场景;再基于预设车辆部件检测模型对待检测车辆部件图进行部件检测,获得待检测车辆部件图对应的初始部件类别检测结果;最后根据车辆方位场景对初始部件类别检测结果进行修正,获得待检测车辆部件图对应的最终部件类别检测结果。由于本实施例引入了车辆方位场景的概念,因此可以先基于预设方位场景匹配网络,获得待检测车辆部件图的准确方位场景,在此基础上,具体通过方位场景下的部件类别转换、置信度调控以及分级筛选目标机制,完成对待检测车辆部件图对应的初始部件类别检测结果的修正,从而可以解决车辆多部件检测时,相似特征的左右类别、前后类别检测出错或漏检误检的问题,更好的完成车辆部件检测的任务,提升车辆部件检测的精确度和效果,从而有助于提升基于车辆部件检测的智能定损、风险控制等汽车业务的智能化和市场化程度。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
以下为本发明的装置实施例,对于其中未详尽描述的细节,可以参考上述对应的方法实施例。
图7示出了本发明实施例提供的车辆部件检测装置的结构示意图,为了便于说明,仅示出了与本发明实施例相关的部分,详述如下:
如图7所示,车辆部件检测装置包括:输入模块71、第一处理模块72、第二处理模块73和第三处理模块74。
输入模块71,用于获取车辆的待检测车辆部件图;
第一处理模块72,用于基于预设方位场景匹配网络对所述待检测车辆部件图进行场景检测,获得所述待检测车辆部件图对应的车辆方位场景;
第二处理模块73,用于基于预设车辆部件检测模型对所述待检测车辆部件图进行部件检测,获得所述待检测车辆部件图对应的初始部件类别检测结果;
第三处理模块74,用于根据所述车辆方位场景对所述初始部件类别检测结果进行修正,获得所述待检测车辆部件图对应的最终部件类别检测结果。
本发明实施例通过获取车辆的待检测车辆部件图;并先基于预设方位场景匹配网络对待检测车辆部件图进行场景检测,获得待检测车辆部件图对应的车辆方位场景;再基于预设车辆部件检测模型对待检测车辆部件图进行部件检测,获得待检测车辆部件图对应的初始部件类别检测结果;最后根据车辆方位场景对初始部件类别检测结果进行修正,获得待检测车辆部件图对应的最终部件类别检测结果。由于本实施例引入了车辆方位场景的概念,因此可以先基于预设方位场景匹配网络,获得待检测车辆部件图的准确方位场景,在此基础上,具体通过方位场景下的部件类别转换、置信度调控以及分级筛选目标机制,完成对待检测车辆部件图对应的初始部件类别检测结果的修正,从而可以解决车辆多部件检测时,相似特征的左右类别、前后类别检测出错或漏检误检的问题,更好的完成车辆部件检测的任务,提升车辆部件检测的精确度和效果,从而有助于提升基于车辆部件检测的智能定损、风险控制等汽车业务的智能化和市场化程度。
在一种可能的实现方式中,所述初始部件类别检测结果包括初始部件类别和初始部件置信度分数,所述最终部件类别检测结果包括最终部件类别和最终部件置信度分数;第三处理模块74,可以用于根据所述车辆方位场景对应的标准部件类别,对所述初始部件类别中与所述标准部件类别不匹配的目标部件类别进行转换,获得转换后的修正部件类别;
将所述目标部件类别对应的初始部件置信度分数记为目标初始部件置信度分数,根据低维置信度阈值和高维置信度阈值对所述目标初始部件置信度分数进行分级筛选,基于筛选结果和所述修正部件类别,获得所述目标部件类别的最终部件类别和最终部件置信度分数。
在一种可能的实现方式中,第三处理模块74,可以用于判断所述目标初始部件置信度分数是否大于或等于所述低维置信度阈值;
若所述目标初始部件置信度分数大于或等于所述低维置信度阈值,根据预设置信度调控参数对所述目标初始部件置信度分数进行调控,获得所述目标部件类别对应的修正部件置信度分数;
判断所述修正部件置信度分数是否大于或等于所述高维置信度阈值;
若所述修正部件置信度分数大于或等于所述高维置信度阈值,根据所述修正部件置信度分数以及所述修正部件置信度分数对应的修正部件类别获得所述目标部件类别的最终部件置信度分数和最终部件类别。
在一种可能的实现方式中,第三处理模块74,还可以用于若所述目标初始部件置信度分数小于所述低维置信度阈值,则剔除所述目标部件类别、所述目标初始部件置信度分数和所述目标部件类别对应的修正部件类别;
或者,若所述修正部件置信度分数小于所述高维置信度阈值,则剔除所述目标部件类别、所述目标初始部件置信度分数、所述目标部件类别对应的修正部件类别和修正部件置信度分数。
在一种可能的实现方式中,第三处理模块74,可以用于根据Scoresscene=[(Scores+conf)|Labelsscene],Scores≥α,获得所述目标部件类别对应的修正部件置信度分数;
其中,Scoresscene为所述目标部件类别对应的修正部件置信度分数,Scores为所述目标初始部件置信度分数,conf为所述预设置信度调控参数,取值范围在[0.1,0.5],Labelsscene为所述目标部件类别转换后的修正部件类别,α为所述低维置信度阈值,取值范围在[0,0.1],[A|B]表示A事件发生是在B事件的前提下,其中,A事件的结果为目标输出。
在一种可能的实现方式中,第三处理模块74,可以用于根据获得所述目标部件类别的最终部件置信度分数和最终部件类别;
其中,Scoresfinal为所述目标部件类别的最终部件置信度分数,Scoresscene为所述目标部件类别对应的修正部件置信度分数,score_thr为所述高维置信度阈值,Labelsfinal为所述目标部件类别的最终部件类别,Labelsscene为所述修正部件置信度分数对应的目标部件类别转换后的修正部件类别,[A|B]表示A事件发生是在B事件的前提下,其中,A事件的结果为目标输出。
在一种可能的实现方式中,预设方位场景匹配网络的训练过程包括:
获取车辆方位场景图构成的训练集,所述车辆方位场景图为从车辆的某一方位拍摄的车辆图;
根据所述训练集中的每张车辆方位场景图和所述车辆方位场景图对应的车辆方位场景标签,对初始方位场景匹配网络进行训练,获得预设方位场景匹配网络。
图8是本发明实施例提供的终端的示意图。如图8所示,该实施例的终端8包括:处理器80、存储器81以及存储在存储器81中并可在处理器80上运行的计算机程序82。处理器80执行计算机程序82时实现上述各个车辆部件检测方法实施例中的步骤,例如图1所示的步骤101至步骤104。或者,处理器80执行计算机程序82时实现上述各装置实施例中各模块/单元的功能,例如图7所示模块/单元71至74的功能。
示例性的,计算机程序82可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器81中,并由处理器80执行,以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序82在终端8中的执行过程。例如,计算机程序82可以被分割成图7所示的模块/单元71至74。
终端8可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端8可包括,但不仅限于,处理器80、存储器81。本领域技术人员可以理解,图8仅仅是终端8的示例,并不构成对终端8的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如终端还可以包括输入输出设备、网络接入设备、总线等。
所称处理器80可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器81可以是终端8的内部存储单元,例如终端8的硬盘或内存。存储器81也可以是终端8的外部存储设备,例如终端8上配备的插接式硬盘,智能存储卡(Smart MediaCard,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器81还可以既包括终端8的内部存储单元也包括外部存储设备。存储器81用于存储计算机程序以及终端所需的其他程序和数据。存储器81还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端实施例仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的模块/单元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,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个车辆部件检测方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质等。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种车辆部件检测方法,其特征在于,包括:
获取车辆的待检测车辆部件图;
基于预设方位场景匹配网络对所述待检测车辆部件图进行场景检测,获得所述待检测车辆部件图对应的车辆方位场景;
基于预设车辆部件检测模型对所述待检测车辆部件图进行部件检测,获得所述待检测车辆部件图对应的初始部件类别检测结果;
根据所述车辆方位场景对所述初始部件类别检测结果进行修正,获得所述待检测车辆部件图对应的最终部件类别检测结果。
2.根据权利要求1所述的车辆部件检测方法,其特征在于,所述初始部件类别检测结果包括初始部件类别和初始部件置信度分数,所述最终部件类别检测结果包括最终部件类别和最终部件置信度分数;
所述根据所述车辆方位场景对所述初始部件类别检测结果进行修正,获得所述待检测车辆部件图对应的最终部件类别检测结果,包括:
根据所述车辆方位场景对应的标准部件类别,对所述初始部件类别中与所述标准部件类别不匹配的目标部件类别进行转换,获得转换后的修正部件类别;
将所述目标部件类别对应的初始部件置信度分数记为目标初始部件置信度分数,根据低维置信度阈值和高维置信度阈值对所述目标初始部件置信度分数进行分级筛选,基于筛选结果和所述修正部件类别,获得所述目标部件类别的最终部件类别和最终部件置信度分数。
3.根据权利要求2所述的车辆部件检测方法,其特征在于,所述根据低维置信度阈值和高维置信度阈值对所述目标初始部件置信度分数进行分级筛选,基于筛选结果和所述修正部件类别,获得所述目标部件类别的最终部件类别和最终部件置信度分数,包括:
判断所述目标初始部件置信度分数是否大于或等于所述低维置信度阈值;
若所述目标初始部件置信度分数大于或等于所述低维置信度阈值,根据预设置信度调控参数对所述目标初始部件置信度分数进行调控,获得所述目标部件类别对应的修正部件置信度分数;
判断所述修正部件置信度分数是否大于或等于所述高维置信度阈值;
若所述修正部件置信度分数大于或等于所述高维置信度阈值,根据所述修正部件置信度分数以及所述修正部件置信度分数对应的修正部件类别获得所述目标部件类别的最终部件置信度分数和最终部件类别。
4.根据权利要求3所述的车辆部件检测方法,其特征在于,
在判断所述目标初始部件置信度分数是否大于或等于所述低维置信度阈值之后,还包括:
若所述目标初始部件置信度分数小于所述低维置信度阈值,则剔除所述目标部件类别、所述目标初始部件置信度分数和所述目标部件类别对应的修正部件类别;
或者,在判断所述修正部件置信度分数是否大于或等于所述高维置信度阈值之后,还包括:
若所述修正部件置信度分数小于所述高维置信度阈值,则剔除所述目标部件类别、所述目标初始部件置信度分数、所述目标部件类别对应的修正部件类别和修正部件置信度分数。
5.根据权利要求3所述的车辆部件检测方法,其特征在于,所述根据预设置信度调控参数对所述目标初始部件置信度分数进行调控,获得所述目标部件类别对应的修正部件置信度分数,包括:
根据Scoresscene=[(Scores+conf)|Labelsscene],Scores≥α,获得所述目标部件类别对应的修正部件置信度分数;
其中,Scoresscene为所述目标部件类别对应的修正部件置信度分数,Scores为所述目标初始部件置信度分数,conf为所述预设置信度调控参数,取值范围在[0.1,0.5],Labelsscene为所述目标部件类别转换后的修正部件类别,α为所述低维置信度阈值,取值范围在[0,0.1],[A|B]表示A事件发生是在B事件的前提下,其中,A事件的结果为目标输出。
6.根据权利要求3所述的车辆部件检测方法,其特征在于,所述根据所述修正部件置信度分数以及所述修正部件置信度分数对应的修正部件类别获得所述目标部件类别的最终部件置信度分数和最终部件类别,包括:
根据获得所述目标部件类别的最终部件置信度分数和最终部件类别;
其中,Scoresfinal为所述目标部件类别的最终部件置信度分数,Scoresscene为所述目标部件类别对应的修正部件置信度分数,score_thr为所述高维置信度阈值,Labelsfinal为所述目标部件类别的最终部件类别,Labelsscene为所述修正部件置信度分数对应的目标部件类别转换后的修正部件类别,[A|B]表示A事件发生是在B事件的前提下,其中,A事件的结果为目标输出。
7.根据权利要求1-6任一项所述的车辆部件检测方法,其特征在于,所述预设方位场景匹配网络的训练过程包括:
获取车辆方位场景图构成的训练集,所述车辆方位场景图为从车辆的某一方位拍摄的车辆图;
根据所述训练集中的每张车辆方位场景图和所述车辆方位场景图对应的车辆方位场景标签,对初始方位场景匹配网络进行训练,获得预设方位场景匹配网络。
8.一种车辆部件检测装置,其特征在于,包括:
输入模块,用于获取车辆的待检测车辆部件图;
第一处理模块,用于基于预设方位场景匹配网络对所述待检测车辆部件图进行场景检测,获得所述待检测车辆部件图对应的车辆方位场景;
第二处理模块,用于基于预设车辆部件检测模型对所述待检测车辆部件图进行部件检测,获得所述待检测车辆部件图对应的初始部件类别检测结果;
第三处理模块,用于根据所述车辆方位场景对所述初始部件类别检测结果进行修正,获得所述待检测车辆部件图对应的最终部件类别检测结果。
9.一种终端,其特征在于,包括存储器和处理器,所述存储器用于存储计算机程序,所述处理器用于调用并运行所述存储器中存储的计算机程序,执行如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上的权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310284512.4A CN116468931A (zh) | 2023-03-22 | 2023-03-22 | 车辆部件检测方法、装置、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310284512.4A CN116468931A (zh) | 2023-03-22 | 2023-03-22 | 车辆部件检测方法、装置、终端及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116468931A true CN116468931A (zh) | 2023-07-21 |
Family
ID=87176269
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310284512.4A Pending CN116468931A (zh) | 2023-03-22 | 2023-03-22 | 车辆部件检测方法、装置、终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116468931A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117719440A (zh) * | 2024-02-08 | 2024-03-19 | 零束科技有限公司 | 汽车信号检测方法、***及可读存储介质 |
-
2023
- 2023-03-22 CN CN202310284512.4A patent/CN116468931A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117719440A (zh) * | 2024-02-08 | 2024-03-19 | 零束科技有限公司 | 汽车信号检测方法、***及可读存储介质 |
CN117719440B (zh) * | 2024-02-08 | 2024-05-03 | 零束科技有限公司 | 汽车信号检测方法、***及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200160040A1 (en) | Three-dimensional living-body face detection method, face authentication recognition method, and apparatuses | |
CN107230218B (zh) | 用于生成对从安装在运载工具上的摄像机捕捉的图像导出的估计的置信度测量的方法和设备 | |
US10373024B2 (en) | Image processing device, object detection device, image processing method | |
CN112686812B (zh) | 银行卡倾斜矫正检测方法、装置、可读存储介质和终端 | |
TWI497422B (zh) | 車牌影像辨識系統及方法 | |
CN111507327B (zh) | 一种目标检测方法及装置 | |
CN109886086B (zh) | 基于hog特征和线性svm级联分类器的行人检测方法 | |
CN112613387A (zh) | 一种基于YOLOv3的交通标志检测方法 | |
CN114419583A (zh) | 一种大尺度特征的YOLOv4-tiny目标检测算法 | |
CN116468931A (zh) | 车辆部件检测方法、装置、终端及存储介质 | |
CN115345905A (zh) | 目标对象跟踪方法、装置、终端及存储介质 | |
CN111192329A (zh) | 传感器标定结果的验证方法、装置及存储介质 | |
CN116433903A (zh) | 实例分割模型构建方法、***、电子设备及存储介质 | |
CN112541394A (zh) | 黑眼圈及鼻炎识别方法、***及计算机介质 | |
CN112597909A (zh) | 一种用于人脸图片质量评价的方法与设备 | |
CN115223123A (zh) | 基于计算机视觉识别的路面目标检测方法 | |
CN111967450B (zh) | 自动驾驶模型用样本获取方法、训练方法、装置及*** | |
CN111832463A (zh) | 一种基于深度学习的交通标志检测方法 | |
CN113903074B (zh) | 一种眼睛属性分类方法、装置及存储介质 | |
CN114927236A (zh) | 一种面向多重目标图像的检测方法及*** | |
CN116263504A (zh) | 车辆识别方法、装置、电子设备及计算机可读存储介质 | |
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 | |
JP4719605B2 (ja) | 対象物検出用データ生成装置、方法及びプログラム並びに対象物検出装置、方法及びプログラム | |
CN117975383B (zh) | 一种基于多模态图像融合技术的车辆定位和识别方法 | |
CN117409077B (zh) | 基于多尺度残差UNet分割的芯片姿态检测方法 |
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 |