TWI698802B - 車輛的零件檢測方法、裝置及設備 - Google Patents
車輛的零件檢測方法、裝置及設備 Download PDFInfo
- Publication number
- TWI698802B TWI698802B TW108119507A TW108119507A TWI698802B TW I698802 B TWI698802 B TW I698802B TW 108119507 A TW108119507 A TW 108119507A TW 108119507 A TW108119507 A TW 108119507A TW I698802 B TWI698802 B TW I698802B
- Authority
- TW
- Taiwan
- Prior art keywords
- vehicle
- area
- category
- tire
- fender
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- 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
-
- 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
- G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
-
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
-
- 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
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Traffic Control Systems (AREA)
Abstract
本說明書實施例提供一種車輛的零件檢測方法、裝置及設備,在車輛的零件檢測方法中,獲取車輛的拍攝圖片。該拍攝圖片可以覆蓋車輛的多個零件。根據yolov2演算法,在拍攝圖片中檢測各個零件所在的區域以及對應的類別。此處的類別可以包括以下一種或多種:左前門、右前門、左後門、右後門、前保險桿、後保險桿、左前葉子板、右前葉子板、左後葉子板、右後葉子板、左前輪胎,右前輪胎,左後輪胎,右後輪胎、格柵、左大燈、右大燈、中網、車牌、汽車標誌以及引擎蓋。
Description
本說明書一個或多個實施例涉及電腦技術領域,尤其涉及一種車輛的零件檢測方法、裝置及設備。
傳統技術中,在對車輛進行定損時,先獲取車輛的損傷圖片。之後,從圖像庫中查找與該損傷圖片相匹配的目標圖片。最後根據目標圖片中車輛的損傷結果確定上述車輛的損傷結果。
本說明書一個或多個實施例描述了一種車輛的零件檢測方法、裝置及設備,可以提高零件檢測的精準性。
第一方面,提供了一種車輛的零件檢測方法,包括:
獲取車輛的拍攝圖片;該拍攝圖片覆蓋該車輛的多個零件;
根據yolov2演算法,在該拍攝圖片中檢測各個零件所在的區域以及對應的類別;
該類別包括以下一種或多種:左前門、右前門、左後門、右後門、前保險桿、後保險桿、左前葉子板、右前葉子板、左後葉子板、右後葉子板、左前輪胎,右前輪胎,左後輪胎,右後輪胎、格柵、左大燈、右大燈、中網、車牌、汽車標誌以及引擎蓋。
第二方面,提供了一種車輛的零件檢測裝置,包括:
獲取單元,用於獲取車輛的拍攝圖片;該拍攝圖片覆蓋該車輛的多個零件;
檢測單元,用於根據yolov2演算法,在該獲取單元獲取的該拍攝圖片中檢測各個零件所在的區域以及對應的類別;
該類別包括以下一種或多種:左前門、右前門、左後門、右後門、前保險桿、後保險桿、左前葉子板、右前葉子板、左後葉子板、右後葉子板、左前輪胎,右前輪胎,左後輪胎,右後輪胎、格柵、左大燈、右大燈、中網、車牌、汽車標誌以及引擎蓋。
第三方面,提供了一種車輛的零件檢測設備,包括:
接收器,用於獲取車輛的拍攝圖片;該拍攝圖片覆蓋該車輛的多個零件;
至少一個處理器,用於根據yolov2演算法,在該拍攝圖片中檢測各個零件所在的區域以及對應的類別;該類別包括以下一種或多種:左前門、右前門、左後門、右後門、前保險桿、後保險桿、左前葉子板、右前葉子板、左後葉子板、右後葉子板、左前輪胎,右前輪胎,左後輪胎,右後輪胎、格柵、左大燈、右大燈、中網、車牌、汽車標誌以及引擎蓋。
本說明書一個或多個實施例提供的車輛的零件檢測方法、裝置及設備,獲取車輛的拍攝圖片。該拍攝圖片可以覆蓋車輛的多個零件。根據yolov2演算法,在拍攝圖片中檢測各個零件所在的區域以及對應的類別。此處的類別可以包括但不限於左前門、右前門以及左後門等。由此可以看出,本說明書根據yolov2演算法,在拍攝圖片中檢測到的類別可以包含有零件的方位資訊,如,“前”、“後”、“左”以及“後”等。從而可以提高車輛的零件檢測的精準性。
下面結合圖式,對本說明書提供的方案進行描述。
本說明書一個或多個實施例提供的車輛的零件檢測方法可以應用於如圖1所示的場景中。
圖1中,圖片分流模組20可以用於對資料採集者(包括C端用戶以及保險公司的定損人員等)採集的拍攝圖片進行分流處理。如,可以分流掉與車輛無關的拍攝圖片(如,背景圖片等)以及非正常圖片(如,同時覆蓋多輛車的拍攝圖片等),從而得到分流處理後的拍攝圖片。
零件檢測模組40用於在分流處理後的拍攝圖片中檢測各個零件所在的區域以及對應的類別。此處的區域也可以理解為是零件在拍攝圖片中的位置。如,可以通過yolov2演算法,來檢測各個零件所在的區域以及對應的類別。此處的類別可以包括但不限於左前門、右前門以及左後門等。由此可以看出,本說明書中的類別可以包含有零件的方位資訊,如,“前”、“後”、“左”以及“後”等。
車輛定損模組60用於根據上述區域以及對應的類別,對車輛的損傷零件以及損傷程度進行定位,並自動給出維修方案。由於同一零件在不同方位維修價格通常是不一樣的。例如,前門和後門都是門,但可能前門的維修價格與後門就不同。前保險桿和後保險桿的維修價格也不同。因此,車輛定損模組60基於零件的方位,對損傷部位進行識別時,可以提高損傷部位定位的精準性,進而可以提高定損結果的準確性。
需要說明的是,除了上述yolov2演算法,發明人還嘗試使用了快速的(Faster)-基於區域的卷積神經網路(Region-based Convolutional Neural Network,RCNN)演算法和單次多邊界框檢測器(Single Shot MultiBox Detector,SSD)演算法等其它目標檢測演算法。其中,Faster-RCNN演算法在準確率方面可能超過了yolov2,但是速度很慢。SSD演算法在準確率方面不如yolov2,速度與yolov2相當。所以綜合考慮演算法準確率、工程實現以及速度等方面,發明人選擇了yolov2演算法。
圖2為本說明書一個實施例提供的車輛的零件檢測方法流程圖。該方法的執行主體可以為具有處理能力的設備:伺服器或者系統或者模組,如,可以為圖1中零件檢測模組40等。如圖2所示,該方法具體可以包括:
步驟202,獲取車輛的拍攝圖片。
此處的拍攝圖片可以是由圖片分流模組20對資料採集者(包括C端用戶以及保險公司的定損人員等)採集的拍攝圖片進行分流處理後所獲得的。該拍攝圖片可以是針對某一輛車的拍攝圖片,該拍攝圖片可以覆蓋該輛車的多個零件。此處的零件可以包括但不限於車門、保險桿、車牌、葉子板、大燈以及輪胎等。
步驟204,根據yolov2演算法,在拍攝圖片中檢測各個零件所在的區域以及對應的類別。
可選地,執行上述檢測過程之前,可以先根據預先標定好車輛的各個零件所在的區域以及對應的類別的多張樣本圖片,對yolov2演算法進行訓練。之後根據訓練好的yolov2演算法,在拍攝圖片中檢測各個零件所在的區域以及對應的類別。上述一張樣本圖片可以覆蓋一輛車的一個或多個零件。以某個零件所在的區域為例來說,該區域對應的類別可以包含有零件的方位資訊。如,在類別為:左前門時,該類別所包含的零件的方位資訊可以為:左前。在類別為:左後門時,該類別所包含的零件的方位資訊可以為:左後。由此可以看出,在說明書實施例中,將不同方位的同一零件作為不同的類別。例如,前保險桿和後保險桿作為2個類別;左前門,右前門,左後門,右後門作為4個類別等。
需要說明的是,通過在樣本圖片中標定零件的位置(即所在區域)以及方位,可以使得在yolov2演算法訓練的過程中,不僅能學習出零件及其位置,還能直接學習出零件的方位(如,前、後、左、右等)。從而在零件檢測的時候,對於拍攝圖片,可以直接輸出各零件的位置、名稱以及其對應的方位。由此,可以提高零件定位的精準性。
步驟204中的檢測過程具體可以為:將拍攝圖片劃分成S*S的網格。對於每個網格,預測N個目標區域以及每個目標區域與某個預定義類別相對應的置信度(confidence),還預測該網格覆蓋各個預定義類別的概率值。此處,可以定義M個預定義類別,該預定義類別的定義同上所述,即可以包含有零件的方位資訊。根據上述置信度以及概率值,從S*S*N個目標區域中選取各個零件所在的區域。上述N、M和S均為正整數。
在一種實現方式中,上述目標區域可以通過四維坐標來表示,如,可以表示為(x,y,w,h)。
在本說明書中,零件所在區域對應的類別可以包括但不限於:左前門、右前門、左後門、右後門、前保險桿、後保險桿、左前葉子板、右前葉子板、左後葉子板、右後葉子板、左前輪胎,右前輪胎,左後輪胎,右後輪胎、格柵、左大燈、右大燈、中網、車牌、汽車標誌以及引擎蓋等。以左前門為例來說,該類別所包含的零件的方位資訊可以為:左前。
當然,在實際應用中,上述類別也可以描述其它資訊,如,可以描述各零件的英文名稱以及英文方位等,本說明書對此不作限定。
在一個例子中,檢測到的零件所在的區域以及對應的類別可以如圖3所示。圖3中,矩形框用於表示車輛的零件所在的區域,也即零件的位置。該區域可以通過四維坐標來表示,如,可以表示為(x,y,w,h),其中,x為區域的左上頂點的橫坐標,y為區域的左上頂點的縱坐標,w為區域的寬度,h為區域的高度。此外,圖3中的“前保險桿”、“車牌”、“右前葉子板”、“右大燈”以及“右前輪胎”等用於表示各區域的類別。
應理解,圖3中的矩形框只是區域的一種表現形式。在實際應用中,該區域也可以表示為其它形狀,如,平行四邊形等,本說明書對此不作限定。
需要說明是,在拍攝圖片中檢測到車輛的各個零件所在的區域以及對應的類別之後,可以對車輛的損傷零件以及損傷程度進行定位,並自動給出維修方案,至此就實現了車輛的自動定損。
本說明書一個實施例提供的車輛的零件檢測方法,可以通過yolov2演算法,在拍攝圖片中檢測車輛的各零件所在的區域以及對應的類別,該類別可以包含有零件的方位資訊。由於yolov2演算法具有準確性好、效率高的特點,因此本說明書提供的零件檢測方法可以提高車輛的零件檢測的準確性和效率。此外,在車輛定損場景下,由於同一零件在不同方位維修價格通常是不一樣的。例如,前門和後門都是門,但可能前門的維修價格與後門就不同。前保險桿和後保險桿的維修價格也不同。因此,本說明書實施例通過對零件的方位進行檢測,可以提高定損結果的準確性。
與上述車輛的零件檢測方法對應地,本說明書一個實施例還提供的一種車輛的零件檢測裝置,如圖4所示,該裝置可以包括:
獲取單元402,用於獲取車輛的拍攝圖片。該拍攝圖片可以覆蓋該車輛的多個零件。
檢測單元404,用於根據yolov2演算法,在獲取單元402獲取的拍攝圖片中檢測各個零件所對在的區域以及對應的類別。
檢測單元404具體可以用於:
將拍攝圖片劃分成S*S的網格。
對於每個網格,預測N個目標區域以及每個目標區域與某個預定義類別相對應的置信度,並預測該網格覆蓋各個預定義類別的概率值。
根據上述置信度以及概率值,從S*S*N個目標區域中選取各個零件所在的區域以及對應的類別,N和S均為正整數。
此處的類別可以包括以下一種或多種:左前門、右前門、左後門、右後門、前保險桿、後保險桿、左前葉子板、右前葉子板、左後葉子板、右後葉子板、左前輪胎,右前輪胎,左後輪胎,右後輪胎、格柵、左大燈、右大燈、中網、車牌、汽車標誌以及引擎蓋。
可選地,該裝置還可以包括:
訓練單元406,用於根據預先標定好車輛的各個零件所在的區域以及對應的類別的多張樣本圖片,對yolov2演算法進行訓練。檢測單元404還具體可以用於:
根據訓練好的yolov2演算法,在拍攝圖片中檢測各個零件所對應的區域以及對應的類別。
本說明書上述實施例裝置的各功能模組的功能,可以通過上述方法實施例的各步驟來實現,因此,本說明書一個實施例提供的裝置的具體工作過程,在此不復贅述。
本說明書一個實施例提供的車輛的零件檢測裝置,獲取單元402獲取車輛的拍攝圖片。該拍攝圖片可以覆蓋車輛的多個零件。檢測單元404根據yolov2演算法,在獲拍攝圖片中檢測各個零件所所在的區域以及對應的類別。由此,可以提高車輛的零件檢測的準確性和效率。
本說明書一個實施例提供的車輛的零件檢測裝置可以為圖1中零件檢測模組40的一個子模組或者子單元。
與上述車輛的零件檢測方法對應地,本說明書一個實施例還提供的一種車輛的零件檢測設備,如圖5所示,該設備可以包括:
接收器502,用於獲取車輛的拍攝圖片。該拍攝圖片覆蓋該車輛的多個零件。
至少一個處理器504,用於根據yolov2演算法,在拍攝圖片中檢測各個零件所在的區域以及對應的類別。此處的類別可以包括以下一種或多種:左前門、右前門、左後門、右後門、前保險桿、後保險桿、左前葉子板、右前葉子板、左後葉子板、右後葉子板、左前輪胎,右前輪胎,左後輪胎,右後輪胎、格柵、左大燈、右大燈、中網、車牌、汽車標誌以及引擎蓋。
本說明書一個實施例提供的車輛的零件檢測設備,可以提高車輛的零件檢測的準確性和效率。
需要說明的是,圖5示出的是本說明書實施例提供的車輛的零件檢測設備為伺服器的例子。在實際應用中,該設備也可以為終端,本說明書對此不作限定。
本說明書中的各個實施例均採用遞進的方式描述,各個實施例之間相同相似的部分互相參見即可,每個實施例重點說明的都是與其他實施例的不同之處。尤其,對於設備實施例而言,由於其基本相似於方法實施例,所以描述的比較簡單,相關之處參見方法實施例的部分說明即可。
結合本說明書公開內容所描述的方法或者演算法的步驟可以硬體的方式來實現,也可以是由處理器執行軟體指令的方式來實現。軟體指令可以由相應的軟體模組組成,軟體模組可以被存放於RAM記憶體、快閃記憶體、ROM記憶體、EPROM記憶體、EEPROM記憶體、暫存器、硬碟、行動硬碟、CD-ROM或者本領域熟知的任何其它形式的儲存介質中。一種示例性的儲存介質耦合至處理器,從而使處理器能夠從該儲存介質讀取資訊,且可向該儲存介質寫入資訊。當然,儲存介質也可以是處理器的組成部分。處理器和儲存介質可以位於ASIC中。另外,該ASIC可以位於伺服器中。當然,處理器和儲存介質也可以作為離散組件存在於伺服器中。
本領域技術人員應該可以意識到,在上述一個或多個示例中,本發明所描述的功能可以用硬體、軟體、韌體或它們的任意組合來實現。當使用軟體實現時,可以將這些功能儲存在電腦可讀介質中或者作為電腦可讀介質上的一個或多個指令或代碼進行傳輸。電腦可讀介質包括電腦儲存介質和通信介質,其中通信介質包括便於從一個地方向另一個地方傳送電腦程式的任何介質。儲存介質可以是通用或專用電腦能夠存取的任何可用介質。
上述對本說明書特定實施例進行了描述。其它實施例在所附申請專利範圍的範圍內。在一些情況下,在申請專利範圍中記載的動作或步驟可以按照不同於實施例中的順序來執行並且仍然可以實現期望的結果。另外,在圖式中描繪的過程不一定要求示出的特定順序或者連續順序才能實現期望的結果。在某些實施方式中,多任務處理和並行處理也是可以的或者可能是有利的。
以上所述的具體實施方式,對本說明書的目的、技術方案和有益效果進行了進一步詳細說明,所應理解的是,以上所述僅為本說明書的具體實施方式而已,並不用於限定本說明書的保護範圍,凡在本說明書的技術方案的基礎之上,所做的任何修改、等同替換、改進等,均應包括在本說明書的保護範圍之內。
S202、S204:步驟
20:圖片分流模組
40:零件檢測模組
60:車輛定損模組
402:獲取單元
404:檢測單元
502:接收器
504:處理器
為了更清楚地說明本說明書實施例的技術方案,下面將對實施例描述中所需要使用的圖式作簡單地介紹,顯而易見地,下面描述中的圖式僅僅是本說明書的一些實施例,對於本領域普通技術人員來講,在不付出創造性勞動的前提下,還可以根據這些圖式獲得其它的圖式。
圖1為本說明書提供的車輛的零件檢測方法的應用場景示意圖;
圖2為本說明書一個實施例提供的車輛的零件檢測方法流程圖;
圖3為本說明書提供的區域及對應類別的示意圖;
圖4為本說明書一個實施例提供的車輛的零件檢測裝置示意圖;
圖5為本說明書提供的車輛的零件檢測設備示意圖。
Claims (7)
- 一種車輛的零件檢測方法,包括:獲取車輛的拍攝圖片;該拍攝圖片覆蓋該車輛的多個零件;根據yolov2演算法,在該拍攝圖片中檢測各個零件所在的區域以及對應的類別;該類別包括以下一種或多種:左前門、右前門、左後門、右後門、前保險桿、後保險桿、左前葉子板、右前葉子板、左後葉子板、右後葉子板、左前輪胎,右前輪胎,左後輪胎,右後輪胎、格柵、左大燈、右大燈、中網、車牌、汽車標誌以及引擎蓋,其中,該根據yolov2演算法,在該拍攝圖片中檢測各個零件所在的區域,包括:將該拍攝圖片劃分成S*S的網格;對於每個網格,預測N個目標區域以及每個目標區域與某個預定義類別相對應的置信度,並預測該網格覆蓋各個預定義類別的概率值;根據該置信度以及該概率值,從S*S*N個目標區域中選取各個零件所在的區域,N和S均為正整數。
- 根據請求項1所述的方法,在該根據yolov2演算法,在該拍攝圖片中檢測各個零件所在的區域之前,還包括:根據預先標定好車輛的各個零件所在的區域以及對應 的類別的多張樣本圖片,對該yolov2演算法進行訓練。
- 根據請求項1所述的方法,該根據yolov2演算法,在該拍攝圖片中檢測各個零件所在的區域以及對應的類別,包括:根據訓練好的yolov2演算法,在該拍攝圖片中檢測各個零件所在的區域以及對應的類別。
- 一種車輛的零件檢測裝置,包括:獲取單元,用於獲取車輛的拍攝圖片;該拍攝圖片覆蓋該車輛的多個零件;檢測單元,用於根據yolov2演算法,在該獲取單元獲取的該拍攝圖片中檢測各個零件所在的區域以及對應的類別;該類別包括以下一種或多種:左前門、右前門、左後門、右後門、前保險桿、後保險桿、左前葉子板、右前葉子板、左後葉子板、右後葉子板、左前輪胎,右前輪胎,左後輪胎,右後輪胎、格柵、左大燈、右大燈、中網、車牌、汽車標誌以及引擎蓋,其中,該檢測單元具體用於:將該拍攝圖片劃分成S*S的網格;對於每個網格,預測N個目標區域以及每個目標區域與某個預定義類別相對應的置信度,並預測該網格覆蓋各個預定義類別的概率值; 根據該置信度以及該概率值,從S*S*N個目標區域中選取各個零件所在的區域,N和S均為正整數。
- 根據請求項4所述的裝置,還包括:訓練單元,用於根據預先標定好車輛的各個零件所在的區域以及對應的類別的多張樣本圖片,對該yolov2演算法進行訓練。
- 根據請求項4所述的裝置,該檢測單元具體用於:根據訓練好的yolov2演算法,在該拍攝圖片中檢測各個零件所在的區域以及對應的類別。
- 一種車輛的零件檢測設備,包括:接收器,用於獲取車輛的拍攝圖片;該拍攝圖片覆蓋該車輛的多個零件;至少一個處理器,用於根據yolov2演算法,在該拍攝圖片中檢測各個零件所在的區域以及對應的類別;該類別包括以下一種或多種:左前門、右前門、左後門、右後門、前保險桿、後保險桿、左前葉子板、右前葉子板、左後葉子板、右後葉子板、左前輪胎,右前輪胎,左後輪胎,右後輪胎、格柵、左大燈、右大燈、中網、車牌、汽車標誌以及引擎蓋,其中,該處理器具體用於:將該拍攝圖片劃分成S*S的網格; 對於每個網格,預測N個目標區域以及每個目標區域與某個預定義類別相對應的置信度,並預測該網格覆蓋各個預定義類別的概率值;根據該置信度以及該概率值,從S*S*N個目標區域中選取各個零件所在的區域,N和S均為正整數。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811015495.XA CN110569697A (zh) | 2018-08-31 | 2018-08-31 | 车辆的部件检测方法、装置及设备 |
CN201811015495.X | 2018-08-31 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202011253A TW202011253A (zh) | 2020-03-16 |
TWI698802B true TWI698802B (zh) | 2020-07-11 |
Family
ID=68772410
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW108119507A TWI698802B (zh) | 2018-08-31 | 2019-06-05 | 車輛的零件檢測方法、裝置及設備 |
Country Status (6)
Country | Link |
---|---|
US (1) | US11113582B2 (zh) |
EP (1) | EP3844675A1 (zh) |
CN (1) | CN110569697A (zh) |
SG (1) | SG11202012508YA (zh) |
TW (1) | TWI698802B (zh) |
WO (1) | WO2020047446A1 (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11188800B1 (en) * | 2018-04-03 | 2021-11-30 | Robert Edwin Douglas | Method and apparatus for improved analysis of CT scans of bags |
CN110569856B (zh) * | 2018-08-24 | 2020-07-21 | 阿里巴巴集团控股有限公司 | 样本标注方法及装置、损伤类别的识别方法及装置 |
US11580800B2 (en) * | 2018-11-08 | 2023-02-14 | Verizon Patent And Licensing Inc. | Computer vision based vehicle inspection report automation |
US10885625B2 (en) * | 2019-05-10 | 2021-01-05 | Advanced New Technologies Co., Ltd. | Recognizing damage through image analysis |
CN111881856B (zh) * | 2020-07-31 | 2023-01-31 | 蚂蚁胜信(上海)信息技术有限公司 | 基于图像的车辆定损方法和装置 |
CN112950954B (zh) * | 2021-02-24 | 2022-05-20 | 电子科技大学 | 一种基于高位摄像头的智能停车车牌识别方法 |
CN113326735B (zh) * | 2021-04-29 | 2023-11-28 | 南京大学 | 一种基于YOLOv5的多模态小目标检测方法 |
CN113344712A (zh) * | 2021-05-07 | 2021-09-03 | 北京精友时代信息技术发展有限公司 | 基于图像识别的智能分拣及保险赔付*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200405213A (en) * | 2002-09-10 | 2004-04-01 | Ingenia Technology Ltd | Security device and system |
CN106056453A (zh) * | 2016-05-27 | 2016-10-26 | 大连楼兰科技股份有限公司 | 基于人工智能半监督学习聚类假设方法建立不同车型分工况远程定损***及方法 |
CN106096624A (zh) * | 2016-05-27 | 2016-11-09 | 大连楼兰科技股份有限公司 | 基于人工智能建立不同车型分工况远程定损***及方法 |
Family Cites Families (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6644973B2 (en) | 2000-05-16 | 2003-11-11 | William Oster | System for improving reading and speaking |
US7536304B2 (en) | 2005-05-27 | 2009-05-19 | Porticus, Inc. | Method and system for bio-metric voice print authentication |
US9298979B2 (en) | 2008-01-18 | 2016-03-29 | Mitek Systems, Inc. | Systems and methods for mobile image capture and content processing of driver's licenses |
US8180629B2 (en) | 2008-07-10 | 2012-05-15 | Trigent Softward Ltd. | Automatic pattern generation in natural language processing |
US9082235B2 (en) | 2011-07-12 | 2015-07-14 | Microsoft Technology Licensing, Llc | Using facial data for device authentication or subject identification |
US9066125B2 (en) | 2012-02-10 | 2015-06-23 | Advanced Biometric Controls, Llc | Secure display |
US8705836B2 (en) | 2012-08-06 | 2014-04-22 | A2iA S.A. | Systems and methods for recognizing information in objects using a mobile device |
US9147127B2 (en) | 2013-03-15 | 2015-09-29 | Facebook, Inc. | Verification of user photo IDs |
US10319035B2 (en) * | 2013-10-11 | 2019-06-11 | Ccc Information Services | Image capturing and automatic labeling system |
US9202119B2 (en) | 2013-10-18 | 2015-12-01 | Daon Holdings Limited | Methods and systems for determining user liveness |
JP6287047B2 (ja) | 2013-10-22 | 2018-03-07 | 富士通株式会社 | 画像処理装置、画像処理方法および画像処理プログラム |
US9607138B1 (en) | 2013-12-18 | 2017-03-28 | Amazon Technologies, Inc. | User authentication and verification through video analysis |
US10320807B2 (en) | 2014-02-25 | 2019-06-11 | Sal Khan | Systems and methods relating to the authenticity and verification of photographic identity documents |
US9646227B2 (en) | 2014-07-29 | 2017-05-09 | Microsoft Technology Licensing, Llc | Computerized machine learning of interesting video sections |
CA3186147A1 (en) | 2014-08-28 | 2016-02-28 | Kevin Alan Tussy | Facial recognition authentication system including path parameters |
US9619696B2 (en) | 2015-04-15 | 2017-04-11 | Cisco Technology, Inc. | Duplicate reduction for face detection |
US9794260B2 (en) | 2015-08-10 | 2017-10-17 | Yoti Ltd | Liveness detection |
US20170060867A1 (en) | 2015-08-31 | 2017-03-02 | Adfamilies Publicidade, SA | Video and image match searching |
US10065441B2 (en) | 2015-09-01 | 2018-09-04 | Digimarc Corporation | Counterfeiting detection using machine readable indicia |
WO2017059576A1 (en) | 2015-10-09 | 2017-04-13 | Beijing Sensetime Technology Development Co., Ltd | Apparatus and method for pedestrian detection |
GB2554361B8 (en) * | 2016-09-21 | 2022-07-06 | Emergent Network Intelligence Ltd | Automatic image based object damage assessment |
CN107358596B (zh) * | 2017-04-11 | 2020-09-18 | 阿里巴巴集团控股有限公司 | 一种基于图像的车辆定损方法、装置、电子设备及*** |
CN111914692B (zh) * | 2017-04-28 | 2023-07-14 | 创新先进技术有限公司 | 车辆定损图像获取方法及装置 |
CN111797689B (zh) * | 2017-04-28 | 2024-04-16 | 创新先进技术有限公司 | 车辆定损图像获取方法、装置、服务器和客户端 |
CN107452025A (zh) * | 2017-08-18 | 2017-12-08 | 成都通甲优博科技有限责任公司 | 目标跟踪方法、装置及电子设备 |
US10832065B1 (en) * | 2018-06-15 | 2020-11-10 | State Farm Mutual Automobile Insurance Company | Methods and systems for automatically predicting the repair costs of a damaged vehicle from images |
-
2018
- 2018-08-31 CN CN201811015495.XA patent/CN110569697A/zh active Pending
-
2019
- 2019-06-05 TW TW108119507A patent/TWI698802B/zh active
- 2019-08-29 US US16/555,955 patent/US11113582B2/en active Active
- 2019-08-30 SG SG11202012508YA patent/SG11202012508YA/en unknown
- 2019-08-30 EP EP19769317.9A patent/EP3844675A1/en active Pending
- 2019-08-30 WO PCT/US2019/049117 patent/WO2020047446A1/en unknown
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200405213A (en) * | 2002-09-10 | 2004-04-01 | Ingenia Technology Ltd | Security device and system |
CN106056453A (zh) * | 2016-05-27 | 2016-10-26 | 大连楼兰科技股份有限公司 | 基于人工智能半监督学习聚类假设方法建立不同车型分工况远程定损***及方法 |
CN106096624A (zh) * | 2016-05-27 | 2016-11-09 | 大连楼兰科技股份有限公司 | 基于人工智能建立不同车型分工况远程定损***及方法 |
Also Published As
Publication number | Publication date |
---|---|
TW202011253A (zh) | 2020-03-16 |
WO2020047446A1 (en) | 2020-03-05 |
EP3844675A1 (en) | 2021-07-07 |
US11113582B2 (en) | 2021-09-07 |
US20200074215A1 (en) | 2020-03-05 |
CN110569697A (zh) | 2019-12-13 |
SG11202012508YA (en) | 2021-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI698802B (zh) | 車輛的零件檢測方法、裝置及設備 | |
KR102097120B1 (ko) | 딥러닝 기반의 자동차 부위별 파손정도 자동 판정 시스템 및 방법 | |
CN107577988B (zh) | 实现侧方车辆定位的方法、装置及存储介质、程序产品 | |
US20210056715A1 (en) | Object tracking method, object tracking device, electronic device and storage medium | |
US11087138B2 (en) | Vehicle damage assessment method, apparatus, and device | |
CN109670383B (zh) | 视频遮蔽区域选取方法、装置、电子设备及*** | |
EP3844668A1 (en) | System and method for training a damage identification model | |
CN110751012B (zh) | 目标检测评估方法、装置、电子设备及存储介质 | |
CN109102026B (zh) | 一种车辆图像检测方法、装置及*** | |
CN111382735B (zh) | 夜间车辆检测方法、装置、设备及存储介质 | |
JP2022537858A (ja) | ディープラーニングに基づいた自動車部位別の破損程度の自動判定のためのモデル学習方法およびシステム | |
CN110569693A (zh) | 车体颜色识别方法及装置 | |
CN113793413A (zh) | 三维重建方法、装置、电子设备及存储介质 | |
WO2022227548A1 (zh) | 抛洒事件检测方法、装置、电子设备、存储介质及计算机程序产品 | |
CN115761668A (zh) | 摄像头的污渍识别方法、装置、车辆及存储介质 | |
CN109740526B (zh) | 信号灯识别方法、装置、设备及介质 | |
CN112784675B (zh) | 目标检测方法及装置、存储介质、终端 | |
CN111709377B (zh) | 特征提取方法、目标重识别方法、装置及电子设备 | |
CN110705502B (zh) | 一种驾驶员监控设备优化方法 | |
CN110570388A (zh) | 车辆的部件检测方法、装置及设备 | |
CN112215222A (zh) | 车牌识别方法、装置、设备及存储介质 | |
CN114897987B (zh) | 一种确定车辆地面投影的方法、装置、设备及介质 | |
CN111462243A (zh) | 车载流媒体后视镜标定方法、***及装置 | |
US11579271B2 (en) | LIDAR noise removal apparatus and Lidar noise removal method thereof | |
TWI505706B (zh) | 應用近紅外線與遠紅外線之物體偵測方法、裝置以及其電腦可讀取記錄媒體 |